Estadística para Químicos

Editorial de la Universidad de Costa Rica
542.1
A663e
Araya Alpzar, Carlo Magno, 1961Estadstica para laboratorista qumico / Carlomagno

Araya A. 1. ed. San Jos, C.R. : Editorial de la
Universidad de Costa Rica, 2004.
1 disco ptico de computador : col. ; 43/4 plg.
ISBN: 9977-67-849-9
1. QUMICA PROBLEMAS, EJERCICIOS
DISCOS COMPACTOS. 2. ESTADSTICA
MATEMTICA. I. Ttulo.
CIP/1298
CC/SIBDI.UCR
Edicin aprobada por la Comisin Editorial de la Universidad de Costa Rica.

Primera edicin: 2004.
Diseo de portada: Elisa Giacomin V.
Editorial de la Universidad de Costa Rica, Ciudad Universitaria Rodrigo Facio.
Apdo. 75-2060. Fax: 207-5257, e-mail: editucr@cariari.ucr.ac.cr San Jos, Costa Rica.
Prohibida la reproduccin total o parcial. Todos los derechos reservados. Hecho el depsito de ley.
vi
CONTENIDO
PRESENTACION
CAPTULO 1. INTRODUCCIN
1.1
Historia de la estadstica
1.2
Poblaciones y muestras
1.3
Estadstica descriptiva e inferencial
1.4
Tipos de variables aleatorias
1.5
Error experimental
1.6
Diseo estadstico de experimentos
1.7
Exactitud y precisin
CAPTULO 2. ESTADSTICA DESCRIPTIVA

2.1
2.2
2.3
2.4
Medidas de posicin
2.1.1 La media aritmtica
11
2.1.2 La media geomtrica
13
2.1.3 La mediana
14
2.1.4 La moda
15
2.1.5 Proporciones
16
Medidas de variabilidad
2.2.1 El recorrido
18
2.2.2 La variancia
19
2.2.3 La desviacin estndar
20
2.24 El coeficiente de variacin
21
Distribucin de frecuencias
2.3.1 Seleccin del nmero de clases
23
2.3.2 Clculo del intervalo de clase
24
2.3.3 Definicin de los lmites de clase
25
2.3.4 Conteo del nmero de observaciones por clase
26
2.3.5 Representacin grfica de distribuciones de frecuencias
28
Problemas
32
vii
CAPTULO 3. PROBABILIDADES
3.1
Introduccin a las probabilidades
45
3.2
Definicin axiomtica de probabilidad
47
3.3
Teoremas fundamentales de clculos de probabilidades

3.3.1Teorema de la adicin
49
3.3.2 Teorema de la multiplicacin
50
3.4
Distribuciones de probabilidad
51
3.5
Distribuciones discretas
52
3.5.1 Distribucin binomial
52
3.5.2 Distribucin Poisson
55
3.6
Distribuciones continas
3.6.1 Distribucin normal
57
3.6.2 Uso de la tabla normal estndar
59
3.7
Aplicaciones de la distribucin normal
62
3.8
Aproximacin de la distribucin Binomial por la Normal
63
3.9
Distribucin T de Student
65
3.10 Problemas
67
CAPTULO 4. ESTIMACIN
4.1
Propiedades deseables de un estimador
74
4.2
Distribuciones muestrales
76
4.3
Tipos de estimacin: puntual o por intervalo
78
4.4
El concepto de estimacin aplicado a la qumica
79
4.5
Explicacin sobre intervalos de confianza
81
4.6
Intervalos de confianza para la distribucin normal
81
4.7
Intervalo para el promedio si se conoce la varianza
82
4.7
82
4.8
Intervalos de confianza para el promedio con varianza desconocida
84
4.9
Intervalo de confianza para la varianza
85
4.10 Estimacin de tamao muestral
87
viii
4.11 Muestras para la estimacin de promedios
88
4.12 Intervalos de confianza para variables dicotmicas
90
4.13 Intervalos de confianza para una proporcin
90
4.14 Eleccin del tamao muestral para una proporcin
92
4.15 Problemas
94
CAPTULO 5. PRUEBA DE HIPTESIS

5.1
Mtodo de pruebas de hiptesis

5.1.1 Formulacin de las hiptesis
105
5.1.2 Errores posibles al tomar una decisin errnea
106
5.1.3 Determinacin del valor observado del estadstico de prueba
108
5.1.4 Determinacin del valor crtico del estadstico de prueba
108
5.1.5 Comparacin del valor observado del estadstico de prueba con

el valor crtico
5.2
5.3
109
Pruebas de hiptesis paramtricas en una poblacin normal

5.2.1 Prueba de hiptesis para un promedio con varianza conocida
109
5.2.2 Prueba de hiptesis para un promedio con varianza desconocida
112
Contrastes de dos distribuciones normales independientes

5.3.1 Contrastes de promedios con varianzas conocidas
115
5.3.2 Contraste de promedios con varianzas desconocidas
116
5.4
Contrastes para la diferencia de medias pareadas
118
5.5
Contrastes de una proporcin
122
5.6
Contrastes sobre la diferencia de proporciones
124
5.7
Problemas
127
CAPTULO 6. REGRESIN LINEAL SIMPLE Y CORRELACIN

6.1
Regresin
141
6.2
Regresin lineal
143
6.3
Ajuste del modelo de regresin lineal
144
6.4
Uso de la ecuacin de regresin
147
6.5
Error estndar de la estimacin
148
ix
6.6
Prueba de hiptesis sobre el coeficiente de regresin
149
6.7
Bondad de un ajuste
150
6.8
Intervalo de prediccin
152
6.9
Anlisis de regresin: comentarios finales
152
6.10 Anlisis de correlacin lineal
153
6.11 Anlisis colorimtrico
155
6.12 Problemas
157
APNDICE A. FRMULAS ESTADSTICAS
173
APNDICE B. TABLAS ESTADSTICAS
179
APNDICE C. GLOSARIO
191
RESPUESTAS A LOS EJERCICIOS IMPARES
203
BIBLIOGRAFA
218
Presentacin
Siempre que se planea un nuevo libro de texto, se deben resolver los
aspectos de cmo diferir de los ya disponibles y qu contribuciones aportar al campo en estudio. Este libro fue escrito para usarse en un curso introductorio a la probabilidad y estadstica, dando nfasis primordial a conceptos y aplicaciones de los mtodos estadsticos bsicos en el rea de la
qumica, con el fin de proporcionar al estudiante el enlace necesario entre
los conceptos tericos vistos en clase y las aplicaciones en la vida real. Tambin pretende que los profesionales en qumica utilicen la ventaja que ofrece la Estadstica, la cual les puede facilitar el diseo de experimentos, la recoleccin de los datos, mayor exactitud y precisin en los resultados.
Existe la creencia de que la estadstica es muy complicada o consume demasiado tiempo cuando se la utiliza. Nuestro propsito es aportar tcnicas que sean simples y rpidas, adems de adecuadas para que el qumico analice sus propios datos.
En esta primera edicin, se incluyen los temas fundamentales de la
estadstica descriptiva e inferencial. Adems, como una ayuda tanto para el
instructor como para el estudiante, aparecen al final de la obra las soluciones a los problemas de nmero impar. El desarrollo de los temas est acompaado de ejemplos, que ilustran al lector sobre el alcance de las definiciones
y sobre el desarrollo de las tcnicas de clculo. Asimismo, cada captulo finaliza con una buena coleccin de problemas propuestos, muchos de ellos
originales, en los que se combinan ejercicios prcticos con resultados complementarios de los obtenidos en el texto.
El captulo primero ofrece una introduccin a la estadstica por medio de los conceptos bsicos. El captulo segundo introduce al lector en
la estadstica descriptiva. El tercer captulo se centran en el desarrollo axiomtico del concepto de probabilidad y en el estudio de sus propiedades
ms interesantes desde el punto de vista de los clculos. En el primero de
ellos se estudian las operaciones bsicas con los sucesos y sus probabilidades, y a continuacin las distribuciones de probabilidades como la normal.
La presentacin es rigurosa y formal, lo que proporciona al estudio una cierta aridez, aunque los resultados vienen acompaados de ejemplos que ilustran su utilizacin prctica. En los captulos cuarto al sexto se estudian los
mtodos bsicos de la estadstica inferencial; estimacin, prueba de hiptesis, regresin y correlacin. Cada captulo finaliza con una amplia coleccin
de ejercicios, a travs de los cuales el lector podr medir el grado de comprensin de los contenidos de cada tema.
Este texto ha sido utilizado, con carcter experimental, en el curso
de Estadstica para Laboratoristas Qumicos del Recinto de Tacares de la
Sede de Occidente de la Universidad de Costa Rica. El libro est pensado
no slo para el curso anteriormente mencionado, sino que puede resultar
tambin interesante para alumnos de disciplinas, como Ingeniera Industrial
y Matemticas, por ejemplo.
Se agregaron en los anexos frmulas y tablas estadsticas de las
principales distribuciones, tablas que permiten el clculo aproximado y rpido de probabilidades. y rpido de probabilidades.
Para el estudio completo del libro se precisan unos conocimientos
moderados de Clculo diferencial e integral, algunas nociones del clculo de
lmites y de las tcnicas de sucesin de series numricas sencillas, as como ciertos conceptos y desarrollos de Algebra lineal. No obstante, las definiciones y resultados bsicos (y muchos no tan bsicos) van acompaados
de observaciones que permiten que el lector poco avezado en las lides matemticas pueda valorar su contenido, hacindose, al menos, una idea intuitiva de ellos.
Esperamos que este texto, haga el estudio de la estadstica ms satisfactorio, compresible y significativo para los estudiantes que lo utilicen.
Carlo Magno Araya Alpzar
xii
Captulo 1
Introduccin
1.2 Poblaciones y muestras

1.3 Estadstica descriptiva e inferencial
1.4 Tipos de variables aleatorias
1.5 Error experimental
1.6 Diseo estadstico de experimentos
1.7 Exactitud y precisin
Introduccin
El anlisis de los datos debe presentarse de manera que sea fcilmente
comprensible. Con demasiada frecuencia, el lenguaje puramente estadstico
significa poco o nada para los qumicos; expresiones tales como existe una
diferencia significativa puede ser verdadera, pero es demasiado general para ser
til.
En este captulo se revisan algunos de los conceptos bsicos que servirn
de fundamento para gran parte del material del resto del texto.
En la seccin 1.1 se presenta la historia y la definicin de estadstica.
Describe la diferencia entre poblacin y muestra en la seccin 1.2. A continuacin,
en la seccin 1.3 se estudia qu se entiende por estadstica descriptiva e
inferencia estadstica. Seguidamente, se estudian los tipos de variables aleatorias,
el error experimental, las medidas invalidadas y los diseos de experimentos. Por
ltimo, en la seccin 1.7, se analiza la diferencia entre exactitud y precisin de las
mediciones.
1.1
Historia de la estadstica
Desde los comienzos de la civilizacin han existido formas sencillas de
estadsticas, pues ya se utilizaban representaciones grficas y otros smbolos en

pieles, rocas, palos de madera y paredes de cuevas para contar el nmero de
personas, animales o ciertas cosas.
Hacia el ao 3000 A. C. los babilonios usaban ya pequeas tablillas de
arcilla para recopilar datos en tablas sobre la produccin agrcola y de los gneros
vendidos o cambiados mediante trueque. Los egipcios analizaban los datos de la
poblacin y la renta del pas mucho antes de construir las pirmides en el siglo
XXXI A. C.
Los libros bblicos de Numricos incluyen, en algunas partes, trabajos de
estadstica. El primero contiene dos censos de la poblacin de Israel y el segundo
describe el bienestar material de las diversas tribus judas. En China existan
registros numricos con anterioridad al ao 2000 A. C. Los griegos clsicos
realizaban censos cuya informacin se utilizaba hacia el ao 594 A. C. para cobrar

impuestos.
El Imperio romano fue el primer gobierno que recopil una gran cantidad de
datos sobre la poblacin, superficie y renta de todos los territorios bajo su control.
Durante la Edad Media slo se realizaron algunos censos exhaustivos en Europa.
Los reyes carolingios Pipino el Breve y Carlomagno ordenaron hacer estudios
minuciosos de las propiedades de la Iglesia en los aos 758 y 762,
respectivamente.
Despus de la conquista normanda de Inglaterra en 1066, el rey Guillermo I
de Inglaterra encarg un censo. La informacin obtenida con este censo, llevado a
cabo en 1086, se recoge en el Domesdat Book. El registro de nacimientos y
defunciones comenz en Inglaterra a principios del siglo XVI, y en 1662 apareci
el primer estudio estadstico notable de poblacin, titulado "Observations on the
London Bills of Mortality" (Comentarios sobre las partidas de defuncin en
Londres).
Un estudio similar sobre la tasa de mortalidad en la ciudad de Breslau, en
Alemania, realizado en 1691, fue utilizado por el astrnomo ingls Edmund Halley
como base para la primera tabla de mortalidad. En el siglo XIX, con la
generalizacin del mtodo cientfico para estudiar todos los fenmenos de las
ciencias naturales y sociales, los investigadores aceptaron la necesidad de reducir
la informacin a valores numricos para evitar la ambigedad de las descripciones
verbales.
En nuestros das, la estadstica se ha convertido en un mtodo efectivo
para describir con exactitud los valores de los datos econmicos, polticos,
sociales, psicolgicos, biolgicos y fsicos, y sirve como herramienta para
relacionar y analizar dichos datos.
El trabajo del experto estadstico no consiste ya slo en reunir y tabular los
datos, sino sobre todo el proceso de interpretacin de esa informacin. El
desarrollo de la teora de la probabilidad ha aumentado el alcance de las
aplicaciones de la estadstica. Muchos conjuntos de datos se pueden aproximar,
Captulo 1 Introduccin
con gran exactitud, utilizando determinadas distribuciones probabilsticas; los

resultados de stas se pueden utilizar para analizar datos estadsticas.
La probabilidad es til para comprobar la fiabilidad de las inferencias
estadsticas y para predecir el tipo y la cantidad de datos necesarios en un
determinado estudio estadstico.
En Qumica, incluye tareas tan diversas como calcular el promedio
aritmtico de la cantidad de slidos suspendidos en muestras de agua, determinar
cuntos compuestos de tres elementos pueden elaborarse con cinco sustancias,
comparar dos mtodos de determinacin del porcentaje de calcio, el crecimiento
del nmero de bacterias segn das de inoculacin.
Por tanto, la ciencia de la estadstica se puede considerar como la
aplicacin del mtodo cientfico en el anlisis de datos numricos con el fin de
tomar decisiones racionales.
1.2
Poblaciones y muestras
A fin de entender cmo se puede aplicar los mtodos estadsticos, se debe
distinguir entre poblacin y muestra. Una poblacin o universo es cualquier

coleccin finita o infinita de individuos o elementos, para cada uno de los cuales se
tiene que contar o medir una o varias caractersticas. Los elementos son los
objetos que poseen la informacin que busca el investigador y acerca del cual
deben hacerse las inferencias. Entre posibles elementos se tiene: una sustancia,
un compuesto, un mineral, etc.
Aunque existe la libertad de llamar poblacin a un grupo cualquiera de
elementos definidos en el tiempo y el espacio, en la prctica depende del contexto
en el cual se observarn los elementos. Suponga, por ejemplo, el nmero de total de
compuestos que pueden elaborarse con 5 sustancias, puede considerarse como una
poblacin.
Una muestra es un subconjunto de elementos de la poblacin que puede
servir de base para generalizaciones vlidas En trabajos qumicos, se toman
muestras de un material, se ensayan y se hacen deducciones para la totalidad de

dicho material, a partir de los resultados obtenidos. La muestra no es exactamente
la poblacin, sino que se supone que la representa, y la validez de cualquier
conclusin obtenida de ella depende de la verdadera representatividad que tenga.
La muestra debera ser seleccionada en forma aleatoria, es decir, cada
elemento tiene una probabilidad conocida y no nula de seleccin. No siempre es
posible obtener una muestra aleatoria. Esto es especialmente cierto cuando el
estadstico puede confiar en su propio juicio o conveniencia al seleccionar los
elementos de la muestra. Con la aleatoriedad se persigue que la muestra sea
representativa de la poblacin, para que concentre todas las caractersticas y
particularidades
de
inters.
Sin
embargo,
la
aleatoriedad
no
garantiza
necesariamente la representatividad.
Los factores que determinan la seleccin de muestras son: costo, tiempo y
la imposibilidad prctica (o destruccin de la unidad de estudio). En tanto, el
tamao de la muestra queda determinado por la variabilidad de la poblacin, el
nivel de confianza y el error mximo permisible. Cuando los elementos de una
poblacin tienen cierto grado de heterogeneidad entre ellos, el tamao de la
muestra tiende a ser grande. Cabe destacar, que es completamente errneo
asegurar que la muestra depende del tamao de la poblacin.
Cuando se hace una investigacin con todos los elementos de la poblacin,
se llama censo o enumeracin total. En tanto, cuando se elabora con base en
una muestra, se le denomina estudio por muestreo. En la mayora de los casos
los qumicos no estn interesados en los datos de enumeracin total (o censo)
sino en datos muestrales.
1.3
Estadstica descriptiva e Inferencial

La estadstica descriptiva se puede definir como los mtodos estadsticos
que pretenden describir las caractersticas ms importantes de un conjunto de

datos, sea que provenga de una muestra o de una poblacin. Utiliza tcnicas
estadsticas, como la representacin grfica, cuadros estadsticos, medidas de

posicin y de variabilidad.
Uno de los propsitos fundamentales de los mtodos estadsticos es utilizar
estadsticos muestrales para estimar los parmetros de la poblacin. A este
proceso de utilizar los estadsticos muestrales para llegar a conclusiones acerca
de los verdaderos parmetros de la poblacin, se le llama inferencia estadstica.
La estadstica inferencial generaliza los resultados observados en una
muestra a toda la poblacin bajo estudio, por medio del planteamiento y pruebas
de hiptesis y clculo de intervalos de confianza; se aplica a problemas como
estimar, mediante pruebas, el rendimiento promedio de un proceso qumico,
verificar las especificaciones de produccin a partir de mediciones efectuadas
sobre muestras o predecir los residuos de cloro en una piscina basndose en una
muestra de datos tomados en ciertos periodos de tiempo.
1.4
Tipos de variables aleatorias

Cada unidad que compone la poblacin est caracterizada por uno o varios
valores. Estas caractersticas, con los valores que toma, se denominan variables.
Se distingue entre variables cuantitativas y cualitativas. Las primeras
representan caractersticas con valor aritmtico, mientras que las segundas hacen
referencia a cualidades que slo pueden ser contadas u ordenadas. Por ejemplo:
color, sabor, textura, punto de fusin, solubilidad, dimetro y peso.
Si S es un espacio de muestra con una medida de probabilidad
y x es una funcin con valor real definida con respecto a los
elementos de S, entonces x se denomina variable aleatoria.
La diferencia entre ellas es que las variables aleatorias cuantitativas toman
valores numricos, mientras que las variables aleatorias cualitativas asumen
valores categricos, por ejemplo, el color de una sustancia.
Por otra parte, las variables aleatorias cuantitativas pueden dividirse en
discretas y continuas. Las variables aleatorias discretas asumen valores
aislados y surgen de un proceso de conteo. El nmero de bacteria de una
muestra de agua es un ejemplo de una variable cuantitativa discreta ya que toma

un nmero finito de valores que se pueden contar
Las variables aleatorias continuas toman valores sobre un intervalo o una
coleccin de intervalos, que surgen de un proceso de medicin. La informacin
importante para un qumico no viene, generalmente del proceso de contar, sino de
la medida de volmenes y de los instrumentos de medidas. Todas las operaciones
citadas entraan medidas y stas tienen un cierto grado de incertidumbre. La
conductividad trmica del cloruro de metilo es un ejemplo de una variable
aleatoria continua, ya que la respuesta puede tomar cualquier valor segn la
precisin del instrumento para la medicin.
1.5
Error experimental
En Qumica Analtica se clasifican los errores en determinados e
indeterminados. Los errores determinados se definen como aquellos que pueden

ser evitados una vez que son conocidos. Este tipo de error es originado por
factores como los siguientes:
1. Inadecuada calibracin de los aparatos o inadecuada estandarizacin de
los reactivos.
2. Error personal, tal como la dificultad de un analista para juzgar un cambio
de color.
3. Avera del aparato.
4. Error de mtodo.
Los errores determinados introducen un sesgo en las medidas. Por ejemplo,
si el analista no est centrado en la escala del instrumento, su lectura ser ms
alta o ms baja de la debida a causa de paralaje.
Los errores indeterminados, por el contrario, no pueden ser eliminados, sino
que existen por la propia naturaleza del dato medido. Por ejemplo, los ligeros
errores obtenidos en la interpolacin son indeterminados y el analista no conoce
su magnitud, ni si son positivos o negativos. Son llamados errores experimentales

o estadsticamente errores de muestreo.
En lo relativo a la precisin, los resultados de estudios por muestreo siempre
estn sujetos a cierta incertidumbre debido a que slo una parte de la poblacin
ha sido investigada y debido a los errores de medicin. Esta incertidumbre puede
ser reducida, tomando muestras ms grandes y usando mtodos de medicin
adecuados.
1.6
Diseo estadstico de experimentos
El hombre ha ido diseando experimentos cada vez que ha formulado

preguntas acerca del mundo que lo rodea, por lo cual el concepto diseo de
experimentos no es nada nuevo. Ha desarrollado, tambin un sistema para la
resolucin de problemas, que ha llegado a ser conocido como mtodo cientfico.
Esencialmente, este plan consta de los siguientes elementos:
1. Situacin y definicin del problema
2. Formulacin de una hiptesis para explicarla
3. Obtencin de datos.
4. Confrontacin de la hiptesis con los datos.
5. Aceptacin o rechazo de la hiptesis segn est o no de acuerdo con los
datos.
La confrontacin de la hiptesis con los datos y la aceptacin o rechazo de ella
son materias de juicio crtico, y cualquier camino es bueno para ello, si el juicio
puede ser hecho en forma ms objetiva que subjetiva.
Un experimento diseado estadsticamente proporciona una estimacin del
error que puede servir como norma por la que pueden ser medidos los resultados
del experimento.
1.7
Exactitud y precisin
La diferencia entre el resultado obtenido con base en el anlisis de
muestras y el verdadero, se toma como medida de la exactitud de la tcnica que

se estudia. La precisin representa la probabilidad de que los resultados
sucesivos caigan dentro un intervalo estrecho de valores centrado alrededor del
valor medio. Este valor medio puede diferir apreciablemente del valor verdadero,
esto es, puede existir un sesgo, positivo o negativo, en el mtodo de estudio.
Un mtodo satisfactorio de anlisis debe poseer a la vez una exactitud y
una precisin razonables. Es esencial que los qumicos distingan cuidadosamente
estos dos conceptos. Todos los instrumentos de alta tecnologa que se emplean
actualmente estn construidos para funcionar con un alto grado de precisin. As,
si se somete repetidamente la misma muestra a un instrumento determinado, las
lecturas tienden a ser iguales cada vez.
Estadsticamente, la precisin de un estimador* es un concepto que expresa
la concentracin de las estimaciones con respecto a su valor medio. Se mide por
la raz cuadrada de la varianza del estimador. Un estimador ser ms preciso
cuanto menor sea su varianza.
En el captulo 3, se estudian las propiedades los estimadores.
Captulo 2
Estadstica Descriptiva
2.1 Medidas de posicin

2.2 Medidas de variabilidad
2.3 Distribucin de frecuencias
2.4 Problemas
La finalidad de este captulo, es mostrar cmo un mtodo estadstico puede
ser aplicado a problemas del analista qumico que realiza trabajos de rutina. Estos
problemas son resueltos algunas veces caprichosamente, otras mediante la
intuicin (la cual se encuentra, a menudo, altamente desarrollada en un analista
de experiencia) y otras, tambin, permanecen sin resolver.
En la seccin 2.1 se estudian las medidas de posicin y seguidamente, en
la seccin 2.2, las medidas de variabilidad o dispersin de los datos obtenidos por
experimentacin o que son simplemente un conjunto de mediciones. A
continuacin, la seccin 2.4 trata el problema relacionado con el agrupamiento de
datos y su presentacin grfica y la finalmente, se analiza el problema de la
deteccin de valores extremos en conjuntos de datos.
2.1
Medidas de Posicin
La caracterstica ms importante que describe un grupo de datos es su
posicin en la recta numrica. La mayor parte de los conjuntos de datos muestran

una tendencia definida a agruparse alrededor de cierto punto. Por ello, para
cualquier conjunto particular de datos, suele ser posible seleccionar un valor tpico
para describir o resumir todo el conjunto de datos, dependiendo de la caracterstica
de estudio y de la muestra seleccionada.
2.1.1 La media aritmtica

La media de la muestra, llamada tambin media aritmtica o promedio
aritmtico, no es ms que la suma de los valores observados divididos entre el
nmero total de elementos de la misma. Es la medida de mayor uso de la centralidad
de un conjunto de datos.
Si las observaciones en una muestra de tamao
son
la media
es el valor que se escribe de las siguientes formas equivalentes:
Captulo 2
11
x
i 1
x1 ... xn
n
(2.1)
La media de una poblacin de
elementos se calcula de la misma forma,
solamente que la suma de los valores se dividen entre el tamao de la poblacin. El

estadstico muestral x es el estimador1 del parmetro2 de la poblacin,
La media aritmtica de una serie de observaciones se expresa en las
mismas unidades de medicin que los datos; esto es, si la observacin es en
gramos, el valor medio resulta en gramos. Por ejemplo, supngase que se
determin que a 22C una pipeta de 5,00 mililitros, despus de pesar por seis
ocasiones, su volumen vertido, gener los siguientes pesos aparentes de agua en
gramos:
4,995
4,993
4,994
4,996
4,998
4,992
La media para esta muestra se calcula como:

4,995 4,993 4,994 4,996 4,998 4,992
6
29,968
6
4,995
Se dira que la pipeta escurre a una temperatura de 22C en promedio 4,995

gramos de agua.
La principal debilidad de este estadstico como representante de un conjunto
de datos es su susceptibilidad a valores extremos, ya que todas las observaciones
intervienen en el clculo de la media, la aparicin de una observacin extrema, har
que la media se desplace en esa direccin.
Al promediar estos datos, los resultados se vuelven dudosos como una
descripcin razonable respecto a la tendencia central de los datos. Se debe utilizar
otras medidas de posicin cuando se presenta este problema.
Estimador: en trminos generales es una funcin de la muestra, que proporciona un valor

representativo de la caracterstica poblacional.
2
Parmetros: conjunto de valores poblacionales que definen la funcin de densidad de
probabilidad de una variable aleatoria.
Captulo 2
12
2.1.2 La media geomtrica

La media geomtrica de un grupo de mediciones es la raz ensima de su
producto. Expresado matemticamente
xg
x
i 1
n X 1 X 2 X 3 X n
(2.2)
Cuando los valores de las mediciones estn comprendidos dentro de un
intervalo amplio y muchos de ellos se acumulan hacia un extremo, la media
geomtrica resulta ser una expresin de la tendencia central ms adecuada que la
media aritmtica por la precisin de los resultados.
Tiene la ventaja que considera todos los valores de la distribucin y es menos
sensible en comparacin al promedio aritmtico a los valores extremos. Pero tiene la
desventaja que tiene un significado estadstico menos intuitivo que el promedio
aritmtico y puede quedar indeterminada; por ejemplo, si un valor
entonces la
media geomtrica se anula.

Ejemplo. Supngase, que los porcentajes de estudiantes reprobados en
qumica general 1 durante el 2009, 2010 y 2011 por semestre fueron los siguientes:
25%, 15%, 35%, 32%, 22% y 27%. Calcular la media geomtrica del porcentaje de
reprobados por semestre.
Siendo en nuestro caso
. Aplicando la formula (2.2) tenemos:

x g 6 25(15)(35)(32)(22)(27)
25.09
Tambin se puede utilizar para el clculo de la media geomtrica cualquier

tipo de logaritmo. Usado logaritmos en base 10.
Captulo 2
13
log( xi )
xg anti log i 1
n
log(25) log(15) log(35) log(32) log(22) log(27)

anti log
anti log(1.3995) 101.3995

25.09
Entonces la media geomtrica del porcentaje de estudiantes reprobados en

qumica general 1 es 25.09%
2.1.2 La mediana
Dado que los valores extremos en un conjunto de datos distorsionan la media
aritmtica, no es una buena medida de tendencia central en esas circunstancias. Por
ello, siempre que est presente un valor extremo, es ms apropiado utilizar la
mediana, al no ser afectada por la presencia de valores extremos en un conjunto de
datos, tal que todos los valores tienen igual importancia en su clculo.
La mediana de un conjunto de datos es el valor del centro cuando las
observaciones estn ordenadas en forma ascendente del mnimo hasta el mximo
valor, es decir, dispuestos en orden de magnitud. Es decir, el 50% de las
observaciones en conjunto de datos son menores o iguales y el otro 50% de las
observaciones son mayores o iguales a la mediana.
Para calcular la mediana, primero hay que ordenar los datos en forma
ascendente. Si el tamao de la muestra es un nmero impar, la mediana se
representa con el valor numrico de observacin ordenado (n+1)/2. Por otra parte, si
el tamao de la muestra es un nmero par, la mediana se representa con la media
de los dos valores centrales en el arreglo ordenado de datos.
Por ejemplo, suponga que las siguientes observaciones representan el
punto de ebullicin de un compuesto de silicio (en grados Celsius):
166 141 136 153 170 162 155 148 132 160 175 150
Captulo 2
14
Para obtener el punto ebullicin del compuesto del silicio de 12 observaciones

realizadas, los datos ordenados seran como sigue:
132 136 141 148 150 153 155 160 162 166 170 175
Por tanto, dado que la mediana representa el punto medio en el arreglo
ordenado y el nmero de observaciones en la muestra es par, la mediana se calcula
como el promedio de los dos valores centrales de la siguiente manera:
153 155
2
154
Me
Este resultado, indica que el 50% de los puntos de ebullicin del compuesto
de silicio observados son menores a 154 grados Celsius.
Entre las propiedades de la mediana, a destacar estn las siguientes:
Como medida descriptiva, tiene la ventaja de no estar afectada por las
observaciones extremas, ya que no depende de los valores que toma la
variable, sino del orden de las mismas. Por ello es adecuado su uso en
distribuciones asimtricas.
Es de clculo rpido y de interpretacin sencilla. A diferencia de la media, la
mediana de una variable discreta es siempre un valor de la variable que
estudiamos. Por ejemplo, la mediana del nmero de bacterias toma siempre
valores enteros.
Si una poblacin est formada por 2 subpoblaciones de medianas mediana 1
y mediana 2, slo se puede afirmar que la mediana de la poblacin est
comprendida entre mediana 1 y mediana 2.
El mayor defecto de la mediana es que tiene unas propiedades matemticas
complicadas, lo que hace que sea muy difcil de utilizar en inferencia
estadstica.
2.1.4 La moda
La moda se define simplemente como el valor que se presenta con la ms
alta frecuencia absoluta en un conjunto de datos. No requiere hacer operaciones de
Captulo 2
15
clculo, solamente hay que contar y puede determinarse en relacin con variables
cualitativas y cuantitativas.
Un conjunto de datos puede tener ms de una moda (o sea puede ser
multimodal), esto un signo de la falta de homogeneidad en los datos. Tambin es
posible que en algunos conjuntos de datos no hay moda. Debe ser usada como
medida de posicin cuando el tamao de muestra es grande.
Por ejemplo, los siguientes son resultados en porcentaje obtenidos de
oxgeno disuelto al muestrear un ro en 36 ocasiones diferentes:
7,1 6,7
6,2
6,1
3,4 5,9 8,7 7,1 6,5 3,9 7,2 8,1
3,3 7,1
8,0
5,4
7,4 7,0 4,0 5,5 5,1 7,1 6,4 7,1
7,7 4,5
7,6
5,8
7,1 7,1 6,3 6,1 6,3 5,8 5,8 7,5
En este caso, el valor ms tpico o valor modal es 7,1%. Como se mencion

anteriormente, la moda tiene una caracterstica distintiva, pues es la nica medida de
tendencia central que se puede utilizar con datos cualitativos. Por ejemplo, puede ser
usada para determinar el color ms frecuente en un conjunto de compuestos
qumicos.
2.1.5 Proporciones
La proporcin de un dato estadstico es el nmero de veces que se
presenta ese dato respecto al total de datos. Por ejemplo, la fraccin molar de un
componente, es el nmero de moles del mismo dividido por el nmero total de moles
de todos los componentes presentes en el sistema. Otro caso de investigacin en un
laboratorio, puede ser la proporcin de alcohol metlico en muestras de un producto
qumico, mediante la tcnica de cromatografa lquida de alta resolucin (HPLC).
Simblicamente se representa como,
p
x
n
donde x= parte de la muestra que tiene la caracterstica de inters (subconjunto) y

es el tamao de la muestra (o conjunto).
Captulo 2
16
Se conoce tambin como frecuencia relativa y es uno de los parmetros de

clculo ms sencillo. Tiene la ventaja de que puede calcularse para variables
cualitativas y cuantitativas.
Ejemplo. Si en un grupo de 35 estudiantes, 11 tienen problemas de
sobrepeso. Cul es la proporcin de estudiantes con sobrepeso?
x
n
11
0.31
35
p
Esto significa que, el 0.31 de los estudiantes del grupo tienen problemas de
sobrepeso.
2.2
Medidas de variabilidad
La variabilidad en qumica analtica afecta la precisin y la exactitud de los
resultados, por consiguiente, influye en nuestros juicios. Carece de sentido decir que
un anlisis est dentro de los lmites del error experimental, si no tiene una idea de
la magnitud del mismo.
Las medidas de variabilidad (o dispersin) describen el grado en que los
valores no son iguales o en como varan entre s. Los valores de stas medidas
sern grandes cuando los datos son muy heterogneos y pequeos, cuando los
datos son muy homogneos.
Dos conjuntos de datos pueden diferir tanto en tendencia central como en
dispersin o, pueden tener las mismas medidas de posicin, pero diferir en trminos
de la variabilidad. Por tanto, al analizar un conjunto de datos es insuficiente resumir
los datos nicamente presentando medidas de tendencia. Los datos deben ser
estudiados en trminos de su dispersin para evitar sacar conclusiones falsas de los
mismos.
Hay cuatro maneras ordinarias de evaluar la variabilidad: el recorrido, la
variancia, la desviacin estndar y el coeficiente de variacin.
Captulo 2
17
2.2.1 El recorrido
La expresin ms sencilla de la dispersin es el recorrido, esto es, la
diferencia entre los valores mximo y mnimo.
Rx = mximo(x) mnimo(x)
(2.3)
donde x representa la variable de estudio. Como el recorrido destaca los valores ms
extremos, no influye en l la dispersin tpica de los datos.
Para muestras pequeas, de pocas observaciones, el recorrido da
aproximadamente tanta informacin acerca de la variabilidad de las observaciones
como otras medidas de variabilidad ms elaboradas. Dado que para su clculo se
utilizan los dos valores extremos, se desperdicia el resto de los datos; para muestras
mayores no debera utilizarse el recorrido sino otras medidas de la dispersin. Otro
inconveniente es que el rango aumenta con el nmero de observaciones, o bien se
queda igual. En cualquier caso nunca disminuye.
Por ejemplo, considrese el estudio de J.J. Thompson (1856-1940), quien
descubri el electrn aislando partculas cargadas negativamente para las cuales
midi la relacin carga a masa. Esta relacin pareca ser constante en un amplio
margen de condiciones experimentales y, en consecuencia, podra ser una
caracterstica de esa nueva partcula. Sus observaciones de dos tubos distintos de
rayos catdicos que usaban aire como gas dentro de ellos son:
Tubo 1
0,57
0,34
0,43
0,32
0,48
0,40
0,40
Tubo 2
0,53
0,47
0,47
0,51
0,63
0,61
0,48
Se encuentra que el recorrido es,

Rx = 0,63 0,32=0,31
En este ejemplo, el recorrido puede ser considerado como una buena medida
de la variabilidad porque tanto 0,63 y 0,32 no son valores extremos comparados con
las otras observaciones de ambos tubos.
Aunque no es tan eficiente como la desviacin estndar, lo fcil de su clculo
ha hecho muy popular al recorrido. La relacin existente entre l y la desviacin
Captulo 2
18
estndar ha sido estudiada por TIPPETT1, quien ha demostrado que, para pequeos
grupos de medidas (que es el caso usual en laboratorios qumicos), el recorrido es,
en la prctica, suficientemente cercano a la desviacin estndar.
2.2.2 La varianza
La varianza es una medida de la dispersin de los valores de una distribucin
alrededor del valor medio. Se define como la media aritmtica de los cuadrados de la
diferencia entre los valores que toma la variable aleatoria y la media de la
distribucin. El conocimiento del investigador podr ayudarle a analizar la varianza
segn el problema de estudio.
Si
es una muestra de n observaciones, entonces la varianza
muestral est representada por,

s2
1 n
2
( xi x )
n 1 i 1
n
x
n
i
i 1
1
2
xi
n 1 n 1
n
(2.4)
El divisor
hay
representa los grados de libertad, indicando que solamente
desviaciones de la media que son independientes. Dividimos entre
porque se desea utilizar la varianza muestra l como un estimador insesgado de la

varianza poblacional
. Las estimaciones obtenidas al dividir la suma de los
cuadrados de las desviaciones entre n tienden a subestimar
Por ejemplo, para encontrar el efecto de la carga de polvo en la salida de un

sistema con un precipitante, se efectuaron las siguientes mediciones (en gramos por
m3 en el tubo del gas):
1,5
1,5
1,4
1,1
1,7
1,8
1,6
1,5
1,6
2,2
1,7
1,4
1,9
1,9
1,5
1,4
1,9
2,2
1,8
2,0
La variancia se calcula de la siguiente manera:

TIPPETT, L. H. C.: On the extreme individuals and range of samples taken from
a normal population, Biometrika, 17, 364, (1925).
1
Captulo 2
19
s2
2
33, 6
1
57,98
19
20
1,502
19
0, 08063
El valor 1,502 representa las desviaciones con respecto a la media aritmtica

al cuadrado.
La varianza no tiene la misma magnitud que las observaciones (ejemplo, si
las observaciones se miden en metros, la varianza lo hace en metros2). Si quiere que
la medida de dispersin sea de la misma dimensionalidad que las observaciones
bastar con tomar su raz cuadrada.
2.2.3 La desviacin estndar

La desviacin estndar de un conjunto de datos representa la variabilidad
de los datos muestrales y constituye nuestra estimacin de la desviacin estndar
de la poblacin. Para obtener la desviacin estndar simplemente se toma la raz
cuadrada de la variancia. Por tanto,
n
2
( xi x )
i 1
n 1
(2.5)
La desviacin estndar del ejemplo presentado para clculo de la variancia
sobre la salida de polvo de un sistema precipitante, sera,
s 0,08063 0, 2839
Las unidades de medicin para s son las mismas de los datos originales.
Por otra parte, la desviacin estndar se utiliza para medir la variacin promedio
alrededor a la media aritmtica.
Adems de las propiedades citadas de la variancia y desviacin estndar,
ser conveniente tener siempre en mente otras que sern enunciadas a
continuacin:
Ambas son sensibles a la variacin de cada una de las puntuaciones, es
decir, si una puntuacin cambia, cambia con ella la varianza. La razn es que
Captulo 2
20
si miramos su definicin, la varianza es funcin de cada una de las

puntuaciones.
Si se calculan a travs de los datos agrupados en una tabla, dependen de los

intervalos elegidos. Es decir, se comete cierto error en el clculo de la
varianza cuando los datos han sido resumidos en una tabla estadstica
mediante intervalos, en lugar de haber sido calculados directamente como
datos no agrupados.
No es recomendable el uso de ellas, cuando tampoco lo sea el de la media

como medida de tendencia central.
2.2.4 Coeficiente de variacin

El coeficiente de variacin es una medida de variabilidad relativa, tal que
expresa la magnitud de la desviacin estndar como un porcentaje de la media. Se
expresa como porcentaje en vez de las mismas unidades que los datos. La frmula
de clculo es,
CV x
sx
100
x
(2.6)
El coeficiente de variacin se utiliza para comparar variabilidad entre dos o
ms variables que se miden en diferentes unidades o cuya media es muy diferente.
Por ejemplo, las siguientes cifras son las horas de estudio de 10 alumnos para
presentar un examen de Qumica General 1 y las calificaciones que obtuvieron:
Horas de estudio: 7
10
12
10
18
15
Calificacin:
44
80
75
70
65
90
90
35
65
60
Por medio de las frmulas 2.1, 2.4 y 2.5 se obtiene para las variables horas
de estudio y calificacin el promedio aritmtico, la varianza y la desviacin
estndar:
Captulo 2
21
S2
CV
Horas de estudio
9,6
19,8222
4,4522
46,4%
Calificacin
67,4
323,156
17,9765
26,7%
Sustancia
Un error sera comparar la variabilidad absoluta usando la varianza o la

desviacin estndar entre las variables, tal que estn medidas en diferentes
unidades, con lo cual, podra concluirse que las calificaciones tienen mayor
variabilidad.
Sin embargo, al calcular el coeficiente de variacin, se observa que en
realidad las horas de estudio presentan una mayor variabilidad relativa. Se podra
decir que entre los alumnos existe una mayor variabilidad con respecto a las horas
de estudio en relacin a las calificaciones obtenidas en el examen de Qumica
General 1.
Otras consideraciones que se deben tener en cuenta son:
Slo se debe calcular para variables con todos los valores positivos. Todo
indicador de variabilidad es esencialmente no negativo. Las observaciones
pueden ser positivas o nulas, pero su variabilidad debe ser siempre positiva.
No es invariante ante cambios de origen. Es decir, si a los resultados de una
medida le sumamos una cantidad positiva, b>0, para tener Y=X+b, la
desviacin estndar no es sensible ante cambios de origen, pero la media si
lo es.
Es invariante a cambios de escala. Si multiplicamos X por una constante ,
para obtener
, para ver que las siguientes consideraciones

CVY
2.3
SY SaX aS
X CVX
y
ax
ax
Distribucin de frecuencia
Es un mtodo para resumir grandes cantidades de datos en clases
apropiadas, mostrando el nmero de observaciones en cada clase. En esta forma

resumida, posibilita que los datos sean ms manejables y compresibles, se logra
destacar las caractersticas sobresalientes de la variable de estudio.
Captulo 2
22
Los resultados experimentales se representan muchas veces en forma de

distribuciones de frecuencia, agrupados o no. En las distribuciones de frecuencia no
agrupadas, los valores observados se disponen en orden ascendente de magnitud.
Las distribuciones de frecuencia agrupadas se disponen de modo que se manifiesten
las frecuencias con que se presentan los valores de la variable dentro de
determinadas clases ordenadas.
Cuando los datos se agrupan segn su magnitud numrica, la tabla resultante
recibe el nombre de distribucin numrica o cuantitativa. En tanto, si los datos se
agrupan en categoras que difieren en tipo y no en grado, la tabla resultante se
denomina distribucin categrica o cualitativa.
La construccin de una distribucin cuantitativa consta esencialmente de
cuatro pasos:
1. Seleccin del nmero de clases
2. Clculo del intervalo de clase
3. Definicin de los lmites de clase
4. Conteo del nmero de observaciones por clase
2.3.1 Seleccin del nmero de clases

El nmero de clases a utilizar, depende en forma primordial de tres factores:
inters del investigador, costumbre y clculo estadstico. Primeramente, podra ser
de preferencia para el investigador agrupar los datos en nmero determinado de
clases, porque su conocimiento del problema as lo indica o simplemente por inters
personal. En tanto, la costumbre en las diferentes disciplinas cientficas, guan al
analista de datos en la seleccin del nmero apropiado de clases.
El nmero exacto que se utilice en una situacin dada depender de la
naturaleza, magnitud y orden de los datos. Con certeza, perderamos ms de lo que
ganaramos si agrupamos cinco observaciones en 12 clases, tal que la mayor parte
de ellas quedaran vacas y por el contrario sera inconveniente agrupar 1000
mediciones en dos clases. No obstante, en general, la distribucin de frecuencias
debe tener el nmero de clases que permita una concentracin o agrupamiento de
los datos de modo conveniente para los propsitos del estudio.
Captulo 2
23
Por otro lado, el nmero de clases puede ser definido al utilizar un clculo
estadstico, que relaciona la amplitud general, es decir, la diferencia entre el mximo
y mnimo valor que tom la caracterstica y el intervalo de clase seleccionado o
calculado previamente.
(2.7)
El intervalo de clase es simplemente la distancia (o diferencia) entre el lmite
superior e inferior de una clase.
2.3.2 Clculo del intervalo de clase

Al construir una distribucin de frecuencia, es deseable que cada clase tenga
la misma longitud o intervalo de clase. Para determinar el ancho de cada clase, la
amplitud general de los datos (la diferencia entre la observacin ms grande y la
ms pequea), se divide entre el nmero de clases deseadas:
Intervalor de clase =
Amplitud general
Nmero de clases
(2.8)
Por ejemplo, los siguientes datos son los tiempos de ignicin de ciertos
materiales expuestos al fuego, dados a la ms cercana centsima de segundo:
2,58
5,50
6,75
2,65
7,60
6,25
3,78
4,90
5,21
2,51
6,20
5,92
5,84
7,86
8,79
4,79
3,90
3,75
3,49
4,04
3,87
6,90
4,72
9,45
7,41
2,45
3,24
5,15
3,81
2,50
1,52
4,56
8,80
4,71
5,92
5,33
3,10
6,77
9,20
6,43
1,38
2,46
7,40
6,25
9,64
8,64
6,43
5,62
1,20
1,58
Suponga, que se tiene inters de construir cinco clases. Con el arreglo

ordenado de los tiempos se determina que la observacin ms grande es de 9,65
y la ms pequea, de 1,20. Por tanto, la amplitud se calcula como:
Captulo 2
24
Amplitud general = Observacin mayor - obervacin menor

= 9,64 - 1,20
= 8,44
y se tiene la aproximacin al intervalo de clase con
Intervalo de clase =
8,44
1,688 1,69
5
Como regla general, el intervalo de clase tendr igual nmero de decimales

que los datos. Si el resultado del clculo del intervalo tiene ms dgitos, se debe
redondear utilizando el criterio de redondeo hacia arriba.
2.3.3 Definicin de los lmites de clase

Para construir la tabla de distribucin de frecuencia, es necesario establecer
con claridad lmites para cada clase, a fin de que las observaciones puedan ser
ubicadas en una sola categora. Las clases deben ser mutuamente excluyentes para
evitar la superposicin de ellas.
Como el intervalo de clase para los tiempos de ignicin se ha establecido en
1.69, se deben establecer los lmites o fronteras de las diversas clases con el
propsito de incluir toda la amplitud de las observaciones. Siempre que sea
posible, estos lmites se deben seleccionar para facilitar la lectura e interpretacin
de los datos. Por tanto, el lmite inferior y superior de la primera clase se establece
desde 1,20 hasta 2,88, la segunda clase quedara definida entre los lmites de
2,89 hasta 4,57, etc.
En caso que tenga conjuntos de datos con valores extremos, puede ser
necesario construir clases abiertas, estas no tienen lmite inferior o lmite
superior. Por ejemplo: menos de 2.89 y ms de 7.95.
Captulo 2
25
2.3.4 Conteo del nmero de observaciones por clase

Siempre debe asegurarse que cada elemento (medicin u observacin) est
solamente en una clase. Para ello, el valor menor y el mayor deben estar dentro de
la clasificacin definida y las clases deben ser mutuamente excluyentes. Los datos
ordenados para cada clase y su frecuencia absoluta seran:
Tiempos
Conteo
De ignicin
Frecuencia
Absoluta (fi)
1,20 2,88
//// //// //
10
2,89 4,57
//// //// /
4,58 6,26
//// //// //// ////
16
6,27 7,95
//// //// /
7,96 9,64
//// //
Al establecer los lmites de cada clase como se indica arriba, las 50

observaciones se han contado y separado en cinco clases, cada una de las cuales
tiene un intervalo de 1,69 sin existir traslapamiento entre ellas una observacin no
podra ser contabilizada en dos clases a la vez.
La elaboracin de esta tabla de resumen o distribucin de frecuencia permite
saber cmo se distribuyen las observaciones dentro de una clase en particular, sin
tener necesidad de analizar los datos originales. Por tanto, para 10 materiales
expuestos al fuego el tiempo de ignicin se encuentra entre 1,20 y 2,88 centsima
de segundo, sin embargo la tabla de resumen no indica con exactitud si las
observaciones estn distribuidas en forma uniforme en el intervalo, si todas son
cercanas a 1,20 o todas estn cercanas a 2,88.
Por ello, el punto medio del intervalo de clase, es el valor utilizado para
representar todos los datos resumidos en una clase particular. El punto medio
para el intervalo 1,2 2,88 es 2,04. Los otros puntos medios de clase,
respectivamente, son:
3,73
5,42
7,11
8,8
Captulo 2
26
Por otra parte, la ventaja principal de utilizar una distribucin de frecuencias

es que las caractersticas de los datos ms sobresalientes son claramente
identificadas por los usuarios de la informacin. Se observa que la mayora de
tiempos de ignicin tienden a agruparse entre 4,58 y 6,26 centsima de segundo.
La distribucin de frecuencias es, en realidad, una tabla de resumen en la cual se
agrupan los datos para facilitar el anlisis.
Ahora bien, para facilitar todava ms el anlisis de los datos, se pueden
calcular las frecuencias relativas o porcentajes, segn si el investigador prefiere
proporciones o porcentajes. Las frecuencias relativas se calculan dividiendo la
frecuencia absoluta de cada clase entre nmero total de observaciones o tamao de
la muestra. La distribucin con las frecuencias absolutas y relativas se presentan a
continuacin:
Tiempos
fi
de ignicin
Frecuencia
Porcentajes
relativa (fi/n)
1,20 2,88
10
0,20
20
2,89 4,57
0,18
18
4,58 6,26
16
0,32
32
6,27 7,95
0,18
18
7,96 9,64
0,12
12
Con esta tabla, se pueden calcular los porcentajes por clase al multiplicar por
100 cada frecuencia relativa. Un 32% de los materiales fueron consumidos por el
fuego entre 4,58 y 6,26 centsima de segundo. En realidad, el uso de las
frecuencias relativas o distribucin porcentual de las observaciones se vuelve
importante siempre que un conjunto de datos se compara con otro conjunto, sobre
todo si difieren el nmero de observaciones en cada conjunto.
Por tanto, para comparar los tiempos de ignicin de 50 materiales con
respecto a otro conjunto de 25 materiales, se hace necesario establecer, ya sea la
distribucin de las frecuencias relativas o de los porcentajes para este ltimo
conjunto.
Captulo 2
27
2.3.5 Representacin grfica de distribuciones de frecuencias

Como anteriormente se ha citado, las distribuciones de frecuencias resume
los datos que se dispone de una poblacin, de forma que sta se puede analizar de
una manera ms sistemtica y resumida. Para darse cuenta de un slo vistazo de
las caractersticas de la poblacin resulta an ms esclarecedor el uso de grficos,
cuya construccin abordamos en esta seccin.
HISTOGRAMA
Un histograma se construye a partir de la distribucin de frecuencias,
representando sobre cada intervalo, un rectngulo que tiene a este segmento
como base. El criterio para calcular la altura de cada rectngulo es el de mantener
la proporcionalidad entre las frecuencias absolutas (o relativas) de cada intervalo y
su rea. Los histogramas, son grficas de barras verticales, construidos sobre los
lmites reales de cada clase.
Los lmites reales se les denominan tambin lmites verdaderos, calculados
para mantener la continuidad de las clases y se obtienen considerando que:
Si los lmites son nmeros enteros, entonces, restar 0.5 al lmite inferior
(
) y sumar 0.5 al lmite superior (
).
Si los lmites no son nmeros enteros, se debe restar y sumar a los

intervalos de clase 0.05 si tienen un solo decimal, 0.005 si tienen dos
decimales, 0.0005 si tienen tres decimales, etc.
Para el caso de estudio, los lmites reales se representan en la segunda

columna de la siguiente tabla:
Tiempos de ignicin
Limites reales
fi
1,20 2,88
1,195 2,885
10
2,89 4,57
2,885 4,575
4,58 6,26
4,575 6,265
16
6,27 7,95
6,265 7,955
7,96 9,64
7,955 9,645
Captulo 2
28
En trminos generales, el lmite real inferior de un intervalo es el valor que

resulta de disminuir el valor del lmite indicado (o dado) inferior en media unidad
de medida. El lmite real superior de un intervalo resulta de incrementar el lmite
superior indicado en media unidad de medida.
Al dibujar el histograma, la variable aleatoria de inters se representa a lo
largo del eje horizontal; el eje vertical representa la frecuencia absoluta o la
relativa por clase. A continuacin se presenta el histograma para los tiempos de
Frecuencia absoluta
ignicin de los materiales.
0 1,195
2,885
4,575
6,265
7,955
9,645
Tiempos de ignicin
Sin embargo, cuando un analista de informacin quiera comparar dos o
ms conjuntos de datos, no se pueden construir dos histogramas en la misma
grfica, porque la superposicin de las barras verticales ocasionara dificultades
en el anlisis. Una forma de solucionar este problema, es construir un polgono de
frecuencias absolutas o relativas.
POLGONO DE FRECUENCIAS
Al igual que con los histogramas, al dibujar el polgono de frecuencias, la
variable aleatoria de inters se representa a lo largo del eje horizontal, pero dada
en puntos medios y en el eje vertical es representada la frecuencia absoluta o la
Captulo 2
29
relativa. El polgono se construye al representar las frecuencias absolutas o

relativas con sus respectivos puntos medios y, luego, al conectar la sucesin de
puntos medios por medios lneas rectas.
Tiempos de ignicin Puntos medios Frecuencias relativas
1,20 2,88
2,04
0,20
2,89 4,57
3,73
0,18
4,58 6,26
5.42
0,32
6,27 7,95
7.11
0,18
7,96 9,64
8.80
0,12
El siguiente grfico muestra el polgono de frecuencias utilizando las
Frecuencia relativa
frecuencias relativas para los tiempos de ignicin de los materiales.
2,04
3,73
5,42
7,11
8,80
Tiempos de ignicin
Se debe tener en cuenta que el polgono es una representacin de la forma
de la distribucin de probabilidad de la variable aleatoria particular. Dado que el
rea debajo de la totalidad de la curva o distribucin de las frecuencias relativas
debe ser 1, es necesario conectar el primero y el ltimo punto medio con el eje
Captulo 2
30
horizontal y modificar el eje vertical dividiendo por el intervalo de clase que es 1,69
a fin de encerrar el rea de la distribucin observada.
El procedimiento consiste en conectar el primer punto medio observado con
el punto medio de una clase anterior ficticia, que tenga 0 de frecuencia absoluta y
al conectar el ltimo punto medio observado con el punto medio de una clase
posterior ficticia, que tenga 0 observaciones.
Se debe mencionar, que cuando construimos un polgono de frecuencia o
histograma, el eje vertical debe mostrar el cero real (origen) a fin de representar
correctamente las caractersticas de la distribucin de los datos. Sin embargo, el eje
horizontal no necesita especificar el punto cero para la variable de inters. El
recorrido de la variable aleatoria debe constituir la mayor parte del grfico y, cuando
se tienen problemas de presentacin de los valores es apropiado hacer cortes de
escala y denotarlos simblicamente con en el eje.
Captulo 2
31
2.4
PROBLEMAS
2.1
A. A. Michelson (1852-1931) efectu muchas series de mediciones de la

velocidad de la luz. Empleando una tcnica de espejo giratorio, obtuvo
12
30
30
27
30
27
48
24
18
25
39
18
para las diferencias (velocidad de la luz en aire) (299 700 km/s (Fuente:
The Astrophysical Journal, 65 (1927): 11).
a) Calcule el promedio aritmtico y la mediana.
b) Calcule la variancia y la desviacin estndar.
c) Calcule el coeficiente de variacin.
2.2
Un analista desea determinar el nmero de moles de cobre II (
) en un
volumen dado de una solucin, por electrlisis. Suponga que el qumico

emple slo 9 muestras de la solucin para el experimento y que los
resultados fueron, en moles de la sustancia en referencia, como sigue:
0,15
0,17
0,19
0,15
0,18
0,16
0,17
0,18
0,19
a) Calcule e interprete la mediana.

b) Calcule la variabilidad relativa de nmero de moles.
2.3
Para estimar la cantidad de alimentos contaminados en las fiestas de

Zapote, un inspector del Ministerio de Salud, decide contar el nmero de
muestras contaminadas con alguna bacteria en los lugares de venta. Para
ello, decidi tomar 70 muestras de alimentos durante un da. Los resultados
fueron son los siguientes:
7
10
10
10
11
11
10
10
10
11
a) Construya una distribucin de frecuencias con cincos clases.

b) Calcule las frecuencias acumuladas, absolutas y relativas.
c) Construya un histograma de las frecuencias absolutas.
Captulo 2
32
2.4
La contaminacin con petrleo de los mares estimula el crecimiento de

ciertos tipos de bacterias. Un conteo de microorganismos oleolticos
(bacterias por 100 mililitros) en 10 muestras de agua de mar, dio los
siguientes resultados:
49
70
54
67
59
40
61
69
71
52
a) Calcule e interprete la mediana.

b) Calcule el coeficiente de variacin.
2.5
A continuacin se dan 15 mediciones del punto de ebullicin de un

compuesto de silicio(Si) (en grados Celsius):
166 141 136 153 170 162 155 146 183 157 148 132 160 175 150
Calcule el promedio aritmtico y la desviacin estndar.
2.6
Los siguientes datos son los tiempos de ignicin de ciertos materiales

expuestos al fuego, dados a la ms cercana centsima de segundo:
2,58
5,50
6,75
2,65
7,60
6,25
3,78
4,90
5,21
2,51
6,20
5,92
5,84
7,86
8,79
4,79
3,90
3,75
3,49
4,04
3,87
6,90
4,72
9,45
7,41
2,45
3,24
5,15
3,81
2,50
1,52
4,56
8,80
4,71
5,92
5,33
3,10
6,77
9,20
6,43
1,38
2,46
7,40
6,25
9,65
8,64
6,43
5,62
1,20
1,58
a) Construya una distribucin de frecuencias utilizando un intervalo de

clase de 2 minutos.
b) Represente la distribucin de frecuencias por medio de un polgono de
frecuencias.
c) Calcule grficamente la mediana.
2.7
Un ingeniero qumico vigila la calidad del agua midiendo la cantidad de

slidos suspendidos en una muestra de agua pluvial. En 11 das distintos
observ los slidos suspendidos (partes por milln).
14
12
21
28
30
63
29
63
Captulo 2
55
19
20
33
a) Calcule e interprete la media aritmtica y la mediana

b) Calcule el coeficiente de variacin
2.8
Los siguientes son los pesos en gramos (redondeados al gramo ms prximo)

de 30 ratones, de un ensayo realizado en un Laboratorio de Qumica usadas
en un estudio de deficiencias vitamnicas:
136 92
115
118
121
137
132
120
104
125
119 115
101
129
85
108
110
133
135
126
127 103
110
126
118
82
104
137
120
148
a) Construya una distribucin de frecuencia con 6 clases que incluya lmites

dados y reales.
b) Interprete la frecuencia absoluta de la clase 3.
c) Construya el polgono de frecuencias.
2.9
Los siguientes son los resultados para la medida de oxgeno ( ) disuelto en

diferentes ocasiones en un punto de muestreo de un ro, en gramos por litro.
7,1 6,7
6,2
6,1
3,4 5,9 8,7 6,8 6,5 3,9 7,2 8,1
3,3 7,1
8,0
5,4
7,4 7,0 4,0 5,5 5,1 8,9 6,0 7,2
7,7 4,5
7,6
5,8
7,1 7,1 6,3 6,1 6,3 5,8 5,8 7,5
a) Construya una distribucin de frecuencia que tenga 5 clases. (incluya los

lmites dados, las frecuencias absolutas y relativas).
b) Calcule e interprete el valor de la tercera clase de la frecuencia absoluta
acumulada a "ms de".
c) Represente grficamente la distribucin de frecuencias por medio de un
polgono de frecuencia.
2.10
Ocho determinaciones de la densidad de un lquido orgnico dieron los

resultados (en g/cm3). Calcule e interprete la media aritmtica y la mediana.
0,913 0,943 0,959 0,901 0,951 0,917 0,961 0,943
Captulo 2
34
2.11
Se le pide a un analista experimentado la evaluacin de dos mtodos

diferentes para la determinacin de trazas de plomo en cido actico glacial, y
se le entrega una muestra que contiene precisamente 1.282 ppm. de Pb, por
litro (dato desconocido por el analista). Se realizaron cinco determinaciones
mediante cada mtodo, que dieron los siguientes resultados para la
concentracin del plomo, en partes por milln (ppm):
Mtodo A: 1,34
1,33
1,32
1,34
1,31
Mtodo B: 1,30
1,26
1,30
1,33
1,24
Compare ambos mtodos en cuanto a su exactitud y variabilidad.
2.12
Un estudiante de qumica prepar una serie de compuestos que contienen las

siguientes masas de nitrgeno y oxgeno(en gramos):
Compuesto
N2
O2
16,8
19,2
17,1
39,0
33,6
57,3
25,4
28,2
27,9
26,1
14,3
45,8
35,2
53,5
a) Calcule e interprete la masa de nitrgeno promedio de los compuestos.

b) Calcule e interprete la mediana de la masa de oxgeno de los compuestos.
c) Cul elemento de los compuestos presenta una menor variabilidad
relativa? Justifique la respuesta
2.13
El espectro de masa de una muestra de xido de plomo contiene iones de

frmula Pb0. El xido de plomo ha sido preparado a partir de
16
isotpicamente puro. Las masas de los iones en gramos por mol, se listan a
continuacin:
220,03
220,90
226,92
225,20
216,80
229,56
222,15
232,11
235,00
223,50
224,30
227,23
Captulo 2
35
224,78
218,45
231,45
222,62
228,56
224,05
230,30
215,00
223,06
228,92
223,82
230,82
225,62
229,10
224,05
232,50
221,95
218,42
a) Construya una distribucin de frecuencias con 4 clases. Incluya en la tabla

la frecuencia absoluta y la relativa.
b) Calcule la frecuencia absoluta acumulada "a menos de" y la frecuencia
relativa "a ms de". Interprete el valor de la tercera clase de ambas
frecuencias acumuladas.
c) Represente grficamente la distribucin de frecuencias por medio de un
polgono de frecuencias.
2.14
A continuacin se presenta las medidas de pH y los porcentajes de Cl y SO4

en muestra de agua del tnel Arenal 2, a diferentes distancias de la estacin.
DISTANCIA pH
% CL
560
6,20
26,6
% SO4
78,3
565
3,20
37,9
127
570
3,20
71,5
260
634
3,00
22,6
611
643
2,95
23,2
611
533
5,70
15,5
74,1
769
3,05
29,6
827
746
4,05
30,8
784
809
3,65
32,1
883
816
3,60
32,5
883
a) Calcule e interprete el promedio y la mediana de los datos de SO4

b) Qu variable -pH o CL- tiene menor variabilidad relativa?
2.15 Un ingeniero qumico est investigando sobre el rendimiento del efecto de

la temperatura en grados centgrados sobre un determinado proceso. El
estudio da como resultado los siguientes datos:
Captulo 2
36
Temperatura:
100
110
120
130
140
150
160
170
180
190
Rendimiento:
45
51
54
61
66
70
74
78
85
89
a) Calcule la mediana del rendimiento.

b) Determine cul de las dos variables: temperatura o rendimiento, tiene
mayor variabilidad relativa.
2.16
En una muestra de tabletas de aspirinas, de las cuales se cuantifica su

peso expresado en gramos, se obtiene:
1,19
1,23
1,18
1,21
1,27
1,17
1,15
1,14
1,19
Calcule e interprete la mediana del peso de las tabletas de aspirinas.
2.17
Para retardar la fermentacin de cierta cerveza se agrega un ingrediente en

el proceso de elaboracin. Para controlar el tiempo de fermentacin, se llev
un seguimiento por das como sigue:
14 17 16 25 24
24 30 36 15 28 29 23 31 34 25 31 26
24 19 28 26 23
37 29 28 27 29 29 16 23 32 28 29 18
a) Construya una distribucin de frecuencias con 6 clases. Incluya los limites

dados, la frecuencia absoluta y la relativa.
b) Represente grficamente la distribucin de frecuencias utilizando un
histograma.
c) Calcule e interprete la moda.
2.18
Un estudiante obtiene los datos que siguen del volumen de aire como funcin
de la temperatura a presin constante.
Temperatura (oC):
3
Volumen (cm )
16
55
85
103
126
163
31
35
38
40
43
47
Cul variable tiene menor variabilidad relativa?
Captulo 2
37
2.19
Se est investigando un mtodo para producir gasolina a partir de desechos

orgnicos. La planta ha proporcionado los siguientes datos referentes al
rendimiento, en porcentaje del combustible:
24,1 21,0 26,6 26,0 25,7 21,8 20,9 20,4 20,0
28,8 20,2 25,9 21,2 26,2 22,0 24,2 24,7 20,7
25,9 26,7 30,0 24,0 21,3 26,6 21,0 22,1 21,8
21,8 22,9 21,6 25,3 24,9 25,9 26,5 25,4 22,4
a) Construya una distribucin de frecuencia con 5 clases. Incluya los limites
dados, la frecuencia absoluta y la frecuencia relativa acumulada "a menos
de".
b) Dibuje el polgono de frecuencias.
2.20 La distribucin siguiente corresponde a las lecturas con un contador Geiger

del nmero de partculas emitidas por una sustancia radiactiva en 100
intervalos sucesivos de 40 segundos:
Nmero de partculas
Frecuencia
5-9
10-14
10
15-19
37
20-24
36
25-29
13
30-34
35-39
a) Calcule la frecuencia absoluta acumulada "a menos de" y la frecuencia

relativa "a ms de". Interprete el valor de la tercera clase de ambas
frecuencias acumuladas.
b) Represente grficamente la distribucin de frecuencias por medio de un
histograma.
c) Calcule e interprete: el promedio aritmtico, la moda y la mediana.
d) Calcule la desviacin estndar y el coeficiente de variacin.
e) Calcule e interprete el percentil 75%.
Captulo 2
38
2.21
De las siguientes determinaciones en porcentaje de humedad (H2O):

0,48
0,37
0,47
0,40
0,44
0,46
0,43 %
Calcule e interprete:
a) El promedio aritmtico
b) La desviacin estndar
c) El rango
2.22
A continuacin se presenta los siguientes valores de pH de un conjunto de

muestras de agua:
6,63
9,82
4,85
3,67
7,20
5,68
6,73
2,70
6,69
14,57
7,22
9,63
5,44
11,20
8,87
12,11
4,90
8,98
5,42
9,12
9,28
7,23
10,91
7,91
6,97
Construya una distribucin de frecuencias con 5 clases y construya el

histograma utilizando las frecuencias relativas.
2.23
El anlisis de una mezcla indica que contiene 32,55% de Fe 2O3 y pierde

1,25% de peso al secarse. Calcule el porcentaje de Fe 2O3 en base seca.
2.24
El CaCO3 (100,09) es el nico componente de una mezcla que pierde peso

por calcinacin, al desprender CO2, peso molecular 44,01 g/mol. Al calcinar
una muestra de 0,4532 g de esta mezcla, el peso del residuo resulta ser
0,4289 g.
a) Cul es el porcentaje de prdida por calcinacin?
b) Cul es el porcentaje de CaCO3?
2.25
A continuacin se presentan los resultados obtenidos en la determinacin

del % de nitrgeno en cinco muestras de heno tomadas al azar, como
sigue:
1,24
1,37
1,29
1,28
1,33
a) Calcule el promedio aritmtico

Captulo 2
39
b) Calcule el recorrido y la desviacin estndar. Compare los resultados

c) Calcule la variabilidad relativa
2.26
Los siguientes datos representan los porcentajes de zinc de un conjunto de

aleaciones:
% Zn.
2,01-2,10
2,11-2,20
2,21-2,30
2,31-2,40
2,41-2,50
2,51-2,60
2,61-2,70
2,71-2,80
2,81-2,90
2,91-3,00
Frecuencia
1
3
9
16
19
30
18
12
6
1
a) Interprete en trminos del problema de la frecuencia absoluta de la

quinta clase.
b) Calcule e interprete el valor correspondiente de la frecuencia relativa
acumulada a ms de de la cuarta clase.
c) Representa grficamente la distribucin de frecuencias utilizando un
histograma.
2.27
Varios anlisis de una aleacin dieron los siguientes porcentajes de cobre:

3,27
3,31
3,29
3,42
3,32
Calcular la media aritmtica, la media geomtrica y la mediana. Cul de

estos valores se puede tomar como el mejor valor del contenido real en
cobre de la aleacin analizada?
Captulo 2
40
2.28
Los datos siguientes representan el tanto por ciento de cenizas de

diferentes muestras de un cargamento de carbn.
% de cenizas
Frecuencia
4,0-4,9
5,0-5,9
28
6,0-6,9
75
7,0-7,9
85
8,0-8,9
45
9,0-9,9
27
10,0-10,9
11,0-11,9
Calcular el promedio aritmtico del contenido de cenizas de las muestras y

representar la distribucin utilizando un polgono de frecuencias.
2.29
Se analiz volumtricamente una cierta muestra para determinar el

porcentaje de sulfatos, y se obtuvieron los resultados siguientes:
6,39
6,99
5,71
5,93
5,35
5,81
5,52
5,91
5,46
Se puede rechazar alguno de los resultados? Determinar la media, el

recorrido y la desviacin estndar del mtodo.
2.30
Cinco determinaciones de mercurio sobre una muestra determinada dieron:

21,0
20,0
20,5
20,8
21,1 % Hg.
Calcular e interpretar la mediana del anlisis.
2.31
Se hicieron cuatro determinaciones sobre una misma muestra para

determinar el valor del contenido en el constituyente mayor. Los resultados
en porcentajes fueron:
38,64
38,61
38,55
38,78
Qu valor debe darse como resultado?
Captulo 2
41
2.32
Los siguientes resultados de sendas microdeterminaciones de C y H en

cido benzoico e hidrocloruro de efedrina, fueron obtenidos por diversos
analistas.
Acido benzoico
Hidrocloruro de
efedrina
%C
%H
%C
%H
69,03
68,96
69,18
69,22
68,88
69,04
5,00
4,91
5,22
5,19
4,89
4,76
59,22
59,66
59,27
59,22
59,51
59,60
8,19
8,31
7,86
7,87
8,24
8,00
a) Calcular la media de cada determinacin.

b) Calcular la mediana de cada determinacin.
c) Para cada muestra calcular el estimador de la desviacin estndar de la
media.
2.33
Se obtuvieron los siguientes resultados del porcentaje de nitrgeno en una

muestra paralelamente con el porcentaje de nitrgeno en un blanco.
Anlisis (% N)
Blanco (% N)
18,16
0,10
18,20
0,14
18,07
0,07
18,30
0,12
a) Calcular la desviacin estndar para el blanco y el propio anlisis.

b) Calcular la variabilidad relativa con ambos mtodos.
2.34
Se obtuvieron los siguientes resultados en la valoracin de una disolucin

de cido clorhdrico en moles por litro, segn el mtodo de determinacin
Captulo 2
42
volumtrica, frente a carbonato de sodio puro, y otro frente a hidrxido de

sodio, obtenindose los siguientes resultados:
Molaridad con Molaridad con
NaOH
Na2C03
0,1052
0,1060
0,1051
0,1055
0,1047
0,1049
0,1052
0,1062
0,1049
0,1059
a) Calcular la media de cada mtodo.

b) Calcular la desviacin estndar de la media de cada mtodo.
c) Cul mtodo presenta mayor variabilidad relativa?
Captulo 2
43
Captulo 3
Probabilidades
3.1 Introduccin a las probabilidades
3.2 Definicin axiomtica de probabilidad
3.3 Teoremas fundamentales del clculo de probabilidades
3.4 Distribuciones de probabilidad
3.5 Distribuciones discretas
3.6 Distribuciones continuas
3.7 Aplicaciones de la distribucin normal estndar
3.8 La distribucin t de Student
3.9 Problemas
Probabilidades
En los dos captulos anteriores se han examinado los conceptos bsicos de
estadstica y los mtodos de anlisis descriptivo de datos. En este captulo se
empieza el estudio de diversas reglas de probabilidad bsica y modelos de
probabilidades, que son utilizados para hacer inferencias relacionadas con una
poblacin, basndose tan slo en muestreo estadstico.
En la seccin 3.1, se introduce los conceptos bsicos de probabilidades y sus
mtodos de clculo.
Seguidamente, en la seccin 3.2 se presentan las distribuciones de
probabilidades y sus aplicaciones en el anlisis de datos. Se detalla en las
siguientes secciones las caractersticas de las distribuciones Binomial, Poisson,
Normal y t de Student.
Es importante estudiar el eslabn que une la teora de la probabilidad y la
estadstica aplicada: la nocin de variable aleatoria, mostrando de esta manera,
como puede emplearse la teora de la probabilidad para sacar conclusiones precisas
acerca de una poblacin con base en una muestra extrada de ella.
3.1
Introduccin a las probabilidades

La teora de probabilidades proporciona las bases matemticas y el lenguaje
de la estadstica usada en este libro. En la mayora de los problemas estadsticos de

probabilidades, nos interesa saber el nmero de elementos en un espacio muestral
finito, sin embargo resulta muy difcil determinar todo el conjunto de eventos
factibles, por medio de la enumeracin directa. A la vez, es importante conocer los
resultados posibles de un experimento y sus probabilidades. Por ejemplo, podra
interesar cuantificar el nmero de productos defectuosos producidos por una
mquina, y las probabilidades de tener x artculos defectuosos
En estadstica se acostumbra designar como un experimento a un proceso de
observacin o medicin cualquiera. En ese sentido, un experimento consiste en
determinar el nmero de elementos a combinar para encontrar un compuesto
anhelado. Lo que se obtiene de un experimento, ya sea lectura de instrumentos o

valores obtenidos a travs de operaciones, se denomina resultados del experimento.
Cuando se estudian los resultados de un experimento, por lo general se
identifican las diversos resultados posibles con nmeros, puntos u otras clases de
smbolos, de manera que podamos tomar en cuenta todos los aspectos
concernientes a los resultados desde un punto de vista matemtico, sin tener que
recorrer largas descripciones verbales de lo que ha sucedido, lo que est sucediendo
o lo que ocurrir.
Hay tres definiciones de las probabilidades de ocurrencia de un evento
particular. La probabilidad estadstica est basada en un conocimiento previo del
proceso aleatorio, la probabilidad de un evento (resultado o acontecimiento), es la
proporcin de las veces en que ocurrirn eventos del mismo tipo.
La probabilidad clsica se define como el nmero de resultados favorables a
A, dividido entre el nmero total de posibles resultados del experimento aleatorio, o
sea:
[ ]
(3.1)
Una desventaja importante del concepto clsico de probabilidad es su limitada
aplicacin, ya que hay muchas situaciones en que las posibilidades que se
presentan no pueden considerarse igualmente probables.
La probabilidad subjetiva son probabilidades que expresan la fuerza de
nuestra creencia en relacin con incertidumbres que estn asociadas suposiciones
razonadas, quiz intuicin y otros factores subjetivos del fenmeno de estudio, est
puede ser muy diferente a la probabilidad asignada por otra persona.
Los elementos bsicos de la teora de probabilidad son los resultados del
proceso o fenmeno en estudio. Cada posible resultado de un experimento se llama
evento.
Un evento simple esta formado solamente por un resultado posible. En tanto,
un evento compuesto es la unin de conjunto de eventos simples. El conjunto de
todos los eventos posibles se llama espacio probabilstico. La forma en que se divide
Captulo 3
Probabilidades
46
el espacio probabilstico, depende del tipo de probabilidades que se van a

determinar.
La probabilidad simple, significa la probabilidad de ocurrencia de un evento
simple.
La probabilidad compuesta resulta la ocurrencia que contiene dos o ms
eventos simples.
Esos trminos se podrn comprender mejor mediante el siguiente ejemplo.
Considere el experimento aleatorio del lanzamiento de un dado al aire, que tiene 6
{
resultados posibles (1 punto, 2 puntos, 3 puntos, 4 puntos, 5 puntos y 6 puntos):

El evento 3 puntos, es un evento simple porque est formado por solo un
resultado. En tanto, el evento un nmero par es compuesto porque es la unin de los
eventos simples: 2 puntos, 4 puntos y 6 puntos.
3.2
Definicin axiomtica de probabilidad

Para hacer una definicin rigurosa de la probabilidad, necesitamos precisar
ciertas leyes o axiomas que deba cumplir una funcin de probabilidad. Intuitivamente
estos axiomas deberan implicar, entre otras, las siguientes cuestiones, que nos
parecen lgicas en trminos de lo que se puede esperar de una funcin de
probabilidad:
La probabilidad slo puede tomar valores comprendidos entre 0 y 1(no
pueden haber sucesos cuya probabilidad de ocurrir sea 1,5 ni -0,50.
La probabilidad del suceso seguro es 1.
La probabilidad del suceso imposible debe ser 0.
La probabilidad de la interseccin de dos sucesos debe ser menor o igual que
la probabilidad de cada uno de los sucesos por separado, es decir,
[
[ ]
(3.2)
[ ]
(3.3)
Captulo 3
Probabilidades
47
La probabilidad de la unin de sucesos debe ser mayor que la de cada uno

de los sucesos por separado:
[
[ ]
(3.4)
[ ]
(3.5)
La probabilidad del suceso contrario de A, deber ser

[
[ ]]
(3.6)
La probabilidad de la unin numerable de sucesos disjuntos es la suma de

sus probabilidades.
[
[ ]
(3.7)
En las ltimas lneas fueron mencionadas ciertas propiedades que deberan

cumplir una funcin de probabilidad. Debe tenerse en cuenta entonces que se han
de seguir los siguientes enunciados:
1. La funcin de probabilidad debe calcularse sobre subconjuntos del espacio
probabilstico. No es estrictamente necesario que sean todos, pero s es
necesario que si se puede calcular sobre un conjunto, lo pueda ser tambin sobre
su complementario, y que si se puede calcular sobre dos conjuntos A y B, que
tambin se pueda calcular sobre su unin y su interseccin.
2. Entre las leyes que cumplen una funcin de probabilidad, como ya fue citado,
algunas son redundantes pues se pueden deducir de las dems.
Con la definicin axiomtica de la probabilidad se pretende dar el menor
conjunto posible de estas reglas, para que las dems se deduzcan como una simple
consecuencia de ellas.
Captulo 3
Probabilidades
48
3.3
Teoremas fundamentales del clculo de probabilidades

Hay algunos resultados importantes del clculo de probabilidades que son
conocidos bajo los nombres de teorema de la adicin y teorema de la multiplicacin.

Veamos cuales son estos teoremas.
3.3.1 Teorema de la adicin

La probabilidad de la unin de sucesos indica que la probabilidad de
ocurrencia de un evento A o B, es igual a la probabilidad de ocurrencia de A,
ms la probabilidad de ocurrencia de B, menos la probabilidad que los dos eventos
se presenten al mismo tiempo. Esta regla se expresa simblicamente en los
siguientes trminos:
[
[ ]
[ ]
]
(3.8)
Siempre que la ocurrencia de A y B a la vez sea imposible, la probabilidad

P(AB) es igual a cero; estos eventos se llaman mutuamente excluyentes, porque la
ocurrencia de un evento impide la ocurrencia del otro.
Ejemplo 1. Un qumico est interesado en analizar muestras de agua en una

planta elctrica de vapor. Las pruebas sern engaosas si se encuentra presente
nitrgeno o silicio en las muestras. Los dispositivos automticos indican que la
probabilidad de que ambos elementos se encuentren presentes simultneamente es
despreciable. Escriba una expresin general para la probabilidad de que las
pruebas hayan sido engaosas?
[
[ ]
[ ]
Ejemplo 2. En una universidad el 65% de los alumnos practican el balompi,

el 25% la natacin y el 12% los dos deportes. Cul es la probabilidad de encontrar
alumno que practique balompi o natacin?
Solucin:
Sea A el suceso practicar balompi:
[ ]
Sea B el suceso practicar natacin:
Captulo 3
Probabilidades
49
[ ]
El suceso practicar balompi y natacin es AB:
[
As:
[
[ ]
[ ]
3.3.2 Teorema de la multiplicacin

Se refiere a dos o ms eventos que podran presentarse al mismo tiempo. Si
la ocurrencia de uno no afecta la probabilidad que suceda otro evento cualquiera, se
dice que son eventos estadsticamente independientes. En forma matemtica, lo
anterior puede expresarse como el producto de las probabilidades marginales as:
[
[ ]
[ ]
(3.9)
La dependencia estadstica existe cuando la probabilidad de un evento

depende o est asociada a la ocurrencia de otros eventos. La probabilidad conjunta
en condiciones de dependencia estadstica:
[
[ ]
[ ]
(3.10)
Entonces, la probabilidad conjunta de que los eventos A y B ocurran

simultneamente o en sucesin, es igual a la probabilidad que suceda el evento A,
multiplicado por la probabilidad del evento B si ya tuvo lugar el evento A.
Ejemplo. En una planta productora de plstico, 3 tuberas vacan distintos

productos qumicos en un recipiente mezclador. Cada tubera tiene un control de 2
posiciones que mide la tasa de flujo que se hace llegar al recipiente. Cierto da, al
experimentar con varias mezclas, se obtuvo una solucin que emiti un gas
venenoso. No se registraron las posiciones de los controles. Cul es la
probabilidad de obtener de nuevo esta solucin al experimentar aleatoriamente?
Captulo 3
Probabilidades
50
Suponiendo que las probabilidades de cada posicin de las tuberas sean

iguales (1/2) y usando la ecuacin 3.9, se puede establecer la solucin del problema
en la siguiente forma:
[
]
( )
3.4
Distribuciones de probabilidad
En el captulo 2, se trat de las distribuciones empricas de frecuencia de
muestras. Ahora, se estudia las distribuciones tericas de frecuencia y sus

propiedades. Cuando una distribucin de frecuencia se basa en una muestra, se
trata, en cierto sentido, de una estimacin de la distribucin de poblacin
correspondiente.
En la mayora de los problemas estadsticos la muestra no es lo
suficientemente grande para poder determinar la distribucin de poblacin con
mucha precisin. Sin embargo, existe, por lo general, bastante informacin en la
muestra, junto con la informacin obtenida de otras fuentes, para postular la
naturaleza general de la distribucin de poblacin. Estos postulados dan lugar a las
distribuciones de probabilidad.
Una distribucin de probabilidad o terica es un modelo matemtico para la
distribucin de frecuencia real. En efecto, puede concebirse una distribucin de
probabilidad como una distribucin terica de frecuencia.
Una distribucin terica de frecuencia es una distribucin de probabilidad que
describe cmo se espera que varen los resultados del experimento aleatorio. Dado
que estas clases de distribuciones se ocupan de las expectativas, son modelos de
gran utilidad para hacer inferencias y tomar decisiones en condiciones de
incertidumbre.
Las distribuciones de probabilidades estn formadas por los valores que toma
la variable aleatoria y su respectiva probabilidad. Una variable aleatoria es una
funcin con valor numrico sobre un espacio de muestreo.
Captulo 3
Probabilidades
51
Atendiendo a la clasificacin de las variables aleatorias discretas y continuas

se describen las principales leyes de probabilidad de cada una de ellas, las cuales
constituirn el soporte subyacente de la inferencia estadstica y a las que ser
necesario hacer referencia en el estudio de dicho bloque.
3.5
Distribuciones discretas
Se denomina distribucin de variable discreta a aquella cuya funcin de
probabilidad slo toma valores positivos en un conjunto de valores de X finito. A

dicha funcin se le llama funcin de masa de probabilidad. En este caso la
distribucin de probabilidad es la suma de la funcin de masa, por lo que tenemos
entonces que:
( )
( )
Y, tal como corresponde a la definicin de distribucin de probabilidad, esta

expresin representa la suma de todas las probabilidades desde
hasta el valor
x.
3.5.1 Distribucin binomial

La distribucin binomial es uno de los primeros ejemplos de las llamadas
distribuciones discretas (que slo pueden tomar un nmero finito de valores). Fue
estudiada por Jakob Bernoulli (Suiza, 1654-1705), quin escribi el primer tratado
importante sobre probabilidad, Ars conjectandi (El arte de pronosticar). Los
Bernoulli formaron una de las leyendas de los matemticos ms importantes de la
historia.
Existen muchos problemas aplicados en los que interesa la probabilidad de
que un evento ocurra
interesado en lograr
veces en
aciertos y
ensayos. En otras palabras, se esta

fracasos en
ensayos.
Una variable discreta tiene distribucin binomial cuando cumple con las
siguientes condiciones:
1.
El experimento consta de
ensayos o pruebas idnticas.
Captulo 3
Probabilidades
52
2.
Cada ensayo puede tener uno de dos resultados. Un resultado se llama

xito, y al otro, fracaso.
3.
La probabilidad de un xito en un ensayo es igual a
y permanece
constante de uno a otro ensayo. La probabilidad de un fracaso es

(
).
4.
Los ensayos son estadsticamente independientes.
5.
Interesa conocer , el nmero de xitos observados en
pruebas.
El resultado xito no tiene que verse como un acierto o logro, en el sentido

usual de la palabra. Adems, los ensayos independientes significan que el resultado
de uno de ellos no afecta la probabilidad de xito de cualquier otro en el
experimento.
veces un experimento en el que podemos obtener xito ,
Si realizamos
con probabilidad
, con probabilidad (
y fracaso
ante una distribucin binomial de parmetros
), diremos que estamos

. La frmula para obtener
xitos viene dada por:
( )
( )
(3.11)
Los parmetros de la distribucin son: Media
y desviacin estndar
.
Los clculos necesarios para obtener las probabilidades de valores
particulares de
y , resultan bastante tediosos; razn por lo cual sean incluido la
Tabla 1 en el apndice, con la distribucin binomial para

disponibles de
y valores
que principian con 0,05 y proceden por pasos de 0,05 hasta el
valor 0,95. Para utilizar la tabla 1 deben considerarse las reglas siguientes:
Regla Descripcin
1
( )
( )
Ejemplo
(
(
)
)
(
( )
( )
( )
( )
)
Captulo 3
( )
Probabilidades
53
Estas reglas son necesarias ya que en la tabla se representan las

probabilidades acumuladas, es decir,
(
( )
Ejemplo. Un agente qumico produce la decoloracin del 5% de los rollos

de papel producido por cierta compaa. Cul es probabilidad de que en una
muestra aleatoria de 7 rollos de papel, 1 rollo presente decoloracin debido al
agente qumico?
Este problema se puede considerar como un problema de distribucin
binomial para el cual
. Por medio de la frmula 3.11 la
probabilidad de 1 rollo decolorado est dada por,

(
( )(
) (
(
(
) (
)(
)
)
Por lo tanto, hay una probabilidad de 0,257 de que de los 7 rollos de papel
ocurra que uno presente decoracin debido al agente qumico.
Utilizando la tabla 1, se tiene que encontrar primero
y la probabilidad
de 0,05. Despus se recorre hacia abajo esa columna hasta llegar al rengln
. La respuesta all es 0,956, cifra que representa la probabilidad de 0 o 1 rollo
decolorado. Hay que restar 0,698, la probabilidad de ningn rollo decolorado;
entonces resulta 0,258.
La eleccin de xito o fracaso es subjetiva y queda a juicio del investigador.
En general, la distribucin binomial tiene poca aplicacin en el anlisis qumico de
laboratorio, su principal uso est en el control estadstico de calidad, en la deteccin
de porcentajes de productos defectuosos en lotes de produccin.
Captulo 3
Probabilidades
54
3.5.2 Distribucin Poisson

La distribucin de Poisson representa la probabilidad de que un evento
aislado (o variable aleatoria discreta) ocurra un nmero especfico de veces en un
intervalo de tiempo, espacio o distancia, dado un promedio por unidad de medida.
Un rasgo caracterstico de esta distribucin es el hecho de que la ocurrencia
de un evento puede ser cuantificada; no as su no-ocurrencia, dada su falta de
significado en trminos fsicos. De este modo, no puede medirse el nmero total de
eventos n, en consecuencia, no es posible aplicar con precisin la distribucin
binomial.
Los detectores de radiacin como, por ejemplo, los contadores de Geiger,
siguen generalmente una distribucin de Poisson. En este tipo de distribucin, la
varianza es de igual magnitud que la media. Si x es el nmero de ocurrencias cuya
probabilidad es necesario conocer, puede expresarse la distribucin de Poisson
como
( )
(3.12)
Los parmetros de la distribucin tienen la caracterstica, que tanto la media
y desviacin estndar son iguales a .
Lambda () representa el nmero medio de ocurrencias por intervalo de

tiempo. Los trminos de tal distribucin, se derivan de un proceso que constituye un
mecanismo fsico aleatorio, en el cual los eventos ocurren al azar en una escala de
tiempo (o de espacio y distancia).
Ejemplo. Supngase que partculas radiactivas dan en cierto blanco a una

tasa promedio de 3 partculas por minuto. Cul es la probabilidad de que 2
partculas den en el blanco durante un minuto cualquiera? Aplicando la frmula 3.12,
se puede calcular la probabilidad de exactamente dos partculas:
Captulo 3
Probabilidades
55
( )
(
Desde luego, puede resolverse este problema utilizando la tabla 2 del

apndice; la distribucin de Poisson para diversos valores de lambda. Se utilizan las
reglas de clculo de la distribucin binomial citadas en la pgina 60.
Primero, se localiza el valor de
, la probabilidad asociada con
. Sin
embargo, la tabla presenta la funcin de probabilidades acumuladas, por lo cual se

debe restarle la probabilidad correspondiente a
(
3.6
, de la siguiente forma,
Distribuciones continuas
Se denomina variable continua a aquella que puede tomar cualquiera de los
infinitos valores existentes dentro de un intervalo. En el caso de variable continua

la distribucin de probabilidad es la integral de la funcin de densidad, por lo que
tenemos entonces que:
( )
( )
Cuando la variable aleatoria toma valores en el conjunto de los nmeros

reales, la distribucin de probabilidad est completamente especificada por la
funcin de distribucin, cuyo valor en cada real x es la probabilidad de que la
variable aleatoria sea menor o igual que x
3.6.1 Distribucin normal

Esta distribucin resulta til no slo porque un gran nmero de
distribuciones de frecuencias presentan formas aproximadamente normales, sino
tambin por su gran significado terico en el campo de la estadstica inferencial.
La distribucin normal es un ejemplo de las distribuciones continuas, y aparece en
multitud de fenmenos de investigacin. Fue estudiada, entre otros, por J.K.F.
Captulo 3
Probabilidades
56
Gauss (Alemania, 1777-1855), uno de los ms famosos matemticos de la

historia. La grfica de la distribucin normal en forma de campana se denomina
Campana de Gauss.
La distribucin normal, o de Gauss, es una de las ms tiles, y gran parte de
la estadstica matemtica se basa en ella. La normal es en muchos aspectos la
piedra angular de la estadstica. La grfica tiene una forma semejante al perfil de una
campana.
El soporte de la distribucin es todo
, de modo que la mayor parte de la
masa de probabilidad (rea comprendida entre la curva y el eje de abscisas) se

encuentra concentrada alrededor de la media, y las ramas de la curva se extienden
asintticamente a los ejes, de modo que cualquier valor muy alejado de la media es
posible (aunque poco probable). La forma de la campana de Gauss depende de los
parmetros
y .
Se ha encontrado experimentalmente que la funcin de distribucin normal

describe satisfactoriamente aquellos sistemas en los que las mediciones en
estudio vienen afectadas por un nmero grande de errores que actan todos
independientemente.
Captulo 3
Probabilidades
57
Distribuciones gaussianas con igual media pero varianza diferente
La distribucin normal es una aproximacin bastante buena a la distribucin

real de las fluctuaciones debidas al azar en los fenmenos fsicos. La ecuacin de
la ley de distribucin normal se puede escribir como sigue:
( )
(3.13)
donde
(
(mu) es la media aritmtica y
(sigma) es la desviacin estndar
).
El rea bajo la curva representa la probabilidad de que ocurra una
observacin dentro de los lmites del rea. El punto central en la distribucin es la

media, mientras que las distancias de la media se expresan en funcin de las
desviaciones estndar. La siguiente figura ejemplifica la forma de la curva y las reas
correspondientes a los mltiples de la desviacin estndar a la izquierda y a la
derecha de la media.
Captulo 3
Probabilidades
58
La distribucin normal se define por la media de la poblacin

estndar de la poblacin
y la desviacin
. Puesto que existe infinito nmero de combinaciones de
, existe un nmero infinito de distribuciones normales. Un mtodo de
solucionar el problema es la estandarizacin los datos con el fin de obtener la

distribucin normal estndar.
(
)
(3.14)
( )
(3.15)
Para la utilizacin en problemas prcticos de la funcin de la distribucin

normal estndar, existen tablas donde se ofrecen (con varios decimales de
precisin) los valores de la funcin de distribucin de la normal para una serie
limitada de valores
dados.
3.6.2 Uso de la tabla normal estndar

La Tabla 3 del apndice ofrece las reas bajo la curva normal estndar que
corresponden a los diversos valores de
. Puesto que la curva es simtrica (un
lado es la imagen del otro), en la tabla se presentan primero las reas con valores
de
negativos y en la siguiente pgina las reas para valores de
positivos.
Para usar la Tabla 3, se debe tener en cuenta que los valores
se deben
calcular con dos decimales.

Captulo 3
Probabilidades
59
Ejemplo 1. Calcular la probabilidad de
menor a 0,55,
). Para
determinar la probabilidad o rea bajo la curva desde - a 0,55, se sigue hacia abajo
la columna
de la tabla normal estndar, hasta que se encuentra el valor de
de
inters (en dcimas).
Por tanto, hay que detenerse en la fila
. Despus se lee esta hilera en sentido
horizontal hasta que se intercepta con la columna que contiene valor de
en
centsimas, 0,05. Entonces, en el cuerpo de la tabla, se encuentra que la

probabilidad (
0,00
0,01
0,02
0,03
0,04
0,06
0,05
0,07
0,08
0,09
0,0 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586
0,1 0,53983 0,54395 0,54776 0,55172 0,55567 0,55962 0,56356 0,56750 0,57124 0,57534
0,2 0,57926 0,58617 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3 0,61781 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8 0,78814 0,79103 0,79389 0,79373 0,79955 0,80234 0,80510 0,80785 0,81057 0,81327
0,9 0,81594 0,81859 0,82124 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
Ejemplo 2. Cul es la probabilidad de que

(
sea mayor o igual a 2,38,
)? Primero, para encontrar esta probabilidad hay que recordar la regla del
complemento para el clculo de probabilidades (frmula 3.6). Grficamente, la

probabilidad se representa como,
Captulo 3
Probabilidades
60
Entonces,
(
Se busca en la primera columna, la fila que corresponda a
Seguidamente, en la columna que corresponda al segundo decimal, 0,08. Entonces,

la probabilidad es 0,99158.
(
Ejemplo 3. Cul es la probabilidad de que

, (
se encuentre entre
)?
Como regla general para calcular probabilidades utilizando un intervalo, se

tiene que,
(
)
(3.16)
Captulo 3
Probabilidades
61
Seguidamente, se encuentra en la tabla las probabilidades asociadas a

valores de
que componen el intervalo. Como los valores de inters tienen signo
negativo, es utilizada la parte negativa de la tabla normal estndar.

En la tabla se encuentre que la probabilidad asociada a -3,45 es 0,00039, y
para 1,10 es 0,13567.
Entonces,
(
3.7
Aplicaciones de la distribucin normal estndar

Ahora que ya se ha aprendido a usar la tabla normal estndar, pueden
resolver problemas relacionados con la distribucin normal.
Ejemplo 1. Suponga que el tiempo medio de reaccin de una sustancia es de

30 segundos y la desviacin estndar de 4 segundos. Cul es la probabilidad de
que en cierto experimento, la reaccin se produzca en menos de 25 segundos?
Para resolver el problema, se utiliza la frmula 3.8 para estandarizar el tiempo
de reaccin de la sustancia de la siguiente manera,
25 30
P( x 25) P Z
P( Z 1, 25)
0,10565
La probabilidad que la reaccin se produzca en menos de 25 segundos es

0,10565.
Ejemplo 2. Una analista qumico realiza un gran nmero de medidas de una

solucin con absorbancia media de 0,435 y una desviacin estndar de 0,005. Qu
porcentaje de las lecturas se estima fuera del intervalo 0,425 y 0,445?
Los clculos dan
Captulo 3
Probabilidades
62
0,445 0,435
0,425 0,435
P(0,425 x 0,445) P
Z
0,005
0,005
= P(-2,00 Z 2,00)
= 0,97725 - 0,02275
= 0,9545
As pues, el porcentaje de lecturas fuera de intervalo 0,425 y 0,445 es

4,55%. Simplemente, se calcula restando 1-0,9545. Grficamente, el porcentaje
fuera del intervalo es,
3.8
Aproximacin de la distribucin Binomial por la Normal

Cuando
es grande y
es constante el comportamiento de una distribucin
binomial es asemeja al de distribucin normal con media

estndar
y desviacin
. Esto lo demostr el matemtico Abraham de Moivre (1667-
1750). La aproximacin se puede aplicar (es buena aproximacin) slo si
. Si no se cumplen estas condiciones no podemos aproximar la binomial a

travs de la distribucin normal.
Dado que por mucho que se parezca nunca es igual, una distribucin
binomial (discreta) que una distribucin normal (continua), es necesario aplicar en
el clculo de probabilidades un ajuste que recibe el nombre de correccin por
continuidad o Yates, que consiste en hacer determinados ajustes para que la
aproximacin realizada sea lo ms precisa posible. El ajuste por continuidad se
presenta en las siguientes reglas:
Captulo 3
Probabilidades
63
Regla Descripcin
1
Ejemplo
)
)
)
(
As, usando la regla 1, si nos piden (
) en una distribucin binomial, y
aproximamos X por una distribucin normal, no podemos calcular directamente

(
) porque, como ya se ha mencionado anteriormente, en una distribucin
continua la probabilidad de un valor exacto (o entero) es 0. La correccin por

continuidad consiste en tomar un pequeo intervalo de longitud 1 alrededor del
punto k. De modo que, si nos piden (
) con X binomial, con la aproximacin
normal deberemos calcular (
).
Ejemplos.
1. Suponga que la probabilidad de que los resultados de un experimento sean
aceptables es 0.55. Si el experimento se repite 60 veces. Cul es la
probabilidad de obtener al menos 28 resultados tiles?
Solucin. Es una distribucin binomial, los experimentos slo pueden ser

aceptables o no aceptables. La
es grande y por ello, podemos hacer la
aproximacin de la binomial a la normal.

Comprobamos
que
Seguidamente calculamos la media y la desviacin estndar de la distribucin

normal.
(
)
)(
Entonces, la probabilidad se calcula como,

(
(
Captulo 3
)
Probabilidades
64
2. Una compaa produce un compuesto qumico y est preocupada por su

contenido de impurezas. Con el fin de cumplir las normas establecidas, es
importante que la proporcin de productos con impurezas de un lote de 1000
unidades no sea superior al 2,5%. Cul es la probabilidad de encontrar como
mximo 20 unidades con impurezas?
Solucin. Es una distribucin binomial, las unidades del producto pueden

tener o no impurezas. La
es grande y por ello, podemos hacer la
aproximacin de la binomial a la normal.

(
Proamos que
Seguidamente calculamos la media y la desviacin estndar de la distribucin

normal.
(
(
)
)(
Entonces, la probabilidad se calcula como,

(
(
(
3.9
La distribucin t de Student
La teora de la distribucin normal se desarrolla a partir de tamaos de
muestra suficientemente grandes, generalmente mayores a 30 observaciones y no

aplicable a muestras pequeas.
En el laboratorio no hay libertad de realizar un gran nmero de
observaciones y, por ello, las pruebas de hiptesis estadsticas basadas en la
distribucin normal llevaran al qumico a falsas conclusiones.
Captulo 3
Probabilidades
65
El hecho fue reconocido por W. S. Gosset, un qumico irlands que en 1908

public, bajo el pseudnimo de Student, un trabajo titulado El error probable de
una medida. En parte por consideraciones tericas y, en parte, por el uso de
muestras aleatorias, obtuvo la distribucin terica del promedio de tamaos de
muestra pequeas (n 30), ajustada a una distribucin normal.
La distribucin de Student tiene propiedades parecidas a
):
Es de media cero, y simtrica con respecto a la misma;

Es algo ms dispersa que la normal, pero la varianza decrece hasta 1
cuando el nmero de grados de libertad aumenta;
Para un tamao de muestra grande se puede aproximar la distribucin de
Student por la normal, es decir, tn N (0,1)
n
La curva
presenta menos dispersin que la curva normal, pero se
aproxima a ella cuando crece el tamao de la muestra y se hace igual cuando n

tiende a infinito. Para fines prcticos es usada, corrientemente, la distribucin
normal con muestras de tamao mayor a 30.
La teora en la que est basada la distribucin , requiere presuponer que la
variable bsica
posee una distribucin normal y, por consiguiente, el empleo de
la distribucin
slo puede justificarse cuando es posible asegurar que
se
distribuye por lo menos, en una forma aproximadamente normal.

La Tabla 4 del apndice, da los valores de
asociados a los grados de
libertad y a varias probabilidades o valores crticos. Los grados de libertad estn

dados por la frmula
. Esto equivale al empleo del divisor
en vez de
al definir la desviacin estndar de una muestra, tal como se hizo en el captulo 2.
Comparacin entre las funciones de densidad de y
Captulo 3
Probabilidades
66
3.10 PROBLEMAS
3.1
Suponga que el nmero de moles de sulfato de cobre II [Cu(SO4)], en un

volumen dado de una solucin, tiene una media de 0,17 moles de esa
sustancia y la desviacin estndar de 0,01 moles. Cul es la probabilidad
de que el nmero de moles de cobre II sea mayor a 0,18?
3.2
Segn una asociacin de proteccin ambiental, el cloroformo, del cual se

sospecha que en forma gaseosa sea un agente causante de cncer, est
presente en pequeas cantidades en todas las fuentes de agua pblicas. Si
la media y la desviacin estndar de las cantidades de cloroformo
presentes en las fuentes de agua son de 34 y 53 microgramos por litro,
respectivamente. Suponga que se toman 30 muestras de agua, cuntas
tendrn entre 33 y 37 microgramos por litro de cloroformo?
3.3
Dada la distribucin de probabilidad para la variable aleatoria y:

Y
P(y)
1/9
2/9
3/9
2/9
1/9
Calcule las siguientes probabilidades: a) P(y2), b) P(y1) y c) P(1y3).
3.4
Un dispositivo para la deteccin de incendios utiliza tres clulas sensibles a

la temperatura, que actan independientemente, de manera que una o
varias de ellas pueden accionar la alarma. Cada clula tiene una
probabilidad de 0,80 de accionar la alarma cuando la temperatura llega a
los 60 grados o ms. Sea x igual al nmero de clulas que accionan la
alarma cuando la temperatura llega a los 60 grados.
a) Encuentre la distribucin de probabilidad de x.
b) Calcule el valor esperado y la varianza.
3.5
Se ha encontrado que el nmero de cierto tipo de bacterias en el agua de

servicio pblico tiene una distribucin de Poisson. Supongamos que el
nmero mximo permisible por muestra de agua para este tipo de bacteria
Captulo 3
Probabilidades
67
es 5 y que el nmero medio de bacterias por muestra que reciben las

viviendas son 2. Si fuera analizada una muestra, cul es probabilidad de
que el nmero exceda el mximo tolerable?
3.6
Usando una tcnica de trasplante nuclear, el ncleo de una clula de uno

de los estados finales del desarrollo de un embrin se trasplanta a un huevo
fertilizado para ver si ese puede desarrollarse normalmente. Si la
probabilidad de que un trasplante tenga xito es 0,683, cul es
probabilidad de que como mximo 20 trasplantes de un total de 75
fracasen?
3.7
Se realiza un experimento para comparar la efectividad de un compuesto

qumico para producir resistencia en porcentaje de humedad en productos
textiles. Suponga que las medidas de resistencia a la humedad tienen una
distribucin normal con media de 11,9 y variancia 1,21. Qu porcentaje de
las medidas de resistencia a la humedad es menor que 11,8?
3.8
Se realiza un experimento para investigar el efecto txico de una sustancia

qumica sobre la piel de las ratas. La sustancia se aplic en secciones de
piel de una pulgada cuadrada y para cada seccin se anot una puntuacin
entre 0 y 10, dependiendo del grado de irritacin. Por experiencia anterior
se sabe que la puntuacin sigue una distribucin de Poisson con media de
3,5 por pulgada cuadrada. Cul es la probabilidad de encontrar una
puntuacin de 4 en 2 pulgadas cuadrada?
3.9
Una compaa de productos qumicos elimina sus residuos en un ro

situado en la vecindad de su ubicacin. Para verificar el grado de
contaminacin creado por estos residuos, se desea obtener algunas
estimaciones. Suponga que los residuos de contaminante tienen una
distribucin normal con media de 1,7 gramos por litro (g/l) y desviacin
estndar de 0,223 gramos por litro (g/l) Cul es la probabilidad de que los
Captulo 3
Probabilidades
68
residuos del contaminante: a) Sean mayores de 1,72
b) Entre 1,46 y 1,88
c) Inferiores de 2,05
3.10 S la probabilidad de que el vapor se condense en un tubo delgado de

aluminio a 10 atm de presin es 0,30. Cul es probabilidad de que en las
condiciones establecidas el vapor se condense?
a) En 5 de 9 de tales tubos
b) Entre 20 y 30 (inclusive) de 40 de tales tubos
3.11 Al inspeccionar la aplicacin de estao (Sn) por un proceso electrolito

continuo, se descubren en promedio 1,4 imperfecciones por minuto. Calcule
las probabilidades de encontrar:
a) Una imperfeccin en 2 minutos.
b) Al menos dos imperfecciones en 4 minutos.
3.12 El nmero de rayos gamma que emite por segundo cierta sustancia
radiactiva es una variable aleatoria que tiene distribucin de Poisson con
lambda igual a 5,5. Si un detector deja de operar cuando hay ms de 10
rayos por segundo, cul es la probabilidad de que este instrumento deje
de funcionar durante un segundo cualquiera?
3.13 El 73% de todas las nubes impregnadas con yoduro de plata muestran un
significativo crecimiento. Entre 60 nubes impregnadas con yoduro de plata,
cul es la probabilidad que de 20 a 40 (inclusive) muestren un
crecimiento?
3.14 Como parte de un anlisis de riesgo con respecto a una planta (AgIO3) de
energa nuclear, los ingenieros deben modelar la resistencia de los soportes
de un generador de vapor en funcin de su capacidad de resistir la
aceleracin mxima ocasionada por temblores. La opinin de los expertos
sugiere que la aceleracin se distribuye normalmente con promedio 4,0 y
Captulo 3
Probabilidades
69
variancia 0,09. Cul es la probabilidad de que los soportes resistan una

aceleracin mxima de 3,3?
3.15 En ciertos experimentos el error cometido al determinar la densidad en g/ml

de una sustancia es una variable aleatoria cuya distribucin es normal con
promedio 0,015 y desviacin estndar de 0,045. Cules son las
probabilidades de que tal error:
a) Este entre 0,011 y 0,013
b) Sea como mximo 0,017
3.16
Una compaa que fabrica purificadores de agua, desea estimar el nmero

medio de gramos por litro de impurezas que elimina su mquina. La cantidad
que elimina tiene una distribucin normal con =6,6 y 2=3,2 gramos. Cul
es la probabilidad de que el purificador elimine entre 5,5 y 7,3 gramos de
impurezas del agua por litro?
3.17
El 90% de los qumicos determinan en forma correcta el porcentaje de calcio

en cierto compuesto qumico. Se pide a cinco qumicos seleccionados
aleatoriamente que determinen el porcentaje de calcio del compuesto. Cul
es la probabilidad de que tres qumicos calculen el verdadero contenido de
calcio?
3.18 Una muestra aleatoria de tamao 70 se extrae de una poblacin con media
76,1 y variancia 256,34. Cul es la probabilidad de obtener una media
muestral entre 75,0 y 78,5?
3.19
Se sabe que un componente electrnico tiene una tasa media de 0,0024 fallas
por hora. Cul es probabilidad de que fallen 3 componentes en 1000 horas
de funcionamiento del sistema?
Captulo 3
Probabilidades
70
3.20
El punto de vaporizacin de algunas sustancias se distribuye normalmente

con promedio de 64,5 y desviacin estndar de 25,8. Cul es la
probabilidad de que el punto de vaporizacin de las sustancias fuera al
menos 65,7?
3.21 La probabilidad de que un experimento de laboratorio tenga un resultado

exitoso es 0,65. Cul es la probabilidad de que en 15 ensayos del
experimento 5 resultados sean positivos?
3.22 Si las mediciones del peso especfico de un metal pueden considerarse

como una muestra de una poblacin normal cuya desviacin estndar es de
0,04, cul es probabilidad de que la media de una muestra aleatoria de
tamao 60 difiera a lo sumo por 0,003 del promedio de la poblacin?
3.23 Se est estudiando el rendimiento de un proceso qumico. Se sabe, debido

a experiencias anteriores, que la variancia y el promedio respectivamente
del rendimiento con este proceso son 2,32 y 90,48 (unidades porcentuales).
Cul es la probabilidad de encontrar un rendimiento durante un ensayo
entre 89,95 y 91,30?
3.24
La tensin superficial de un lquido est representada por T(dinas/cm), y bajo

ciertas condiciones,
) , en donde
es la temperatura del
lquido en grados centgrados. Si X tiene funcin de densidad de probabilidad,

( )
para
, calcule el promedio terico y su variancia.
3.25 Una empresa envasa un cierto producto en frascos cuyos contenidos

cuantificados por su peso en gramos, tienen distribucin aproximadamente
normal, con desviacin estndar 5,50 g. Si el 10% de los frascos tienen un
peso menor de 139 gramos, cul es el peso promedio de ellos?
Captulo 3
Probabilidades
71
3.26 La concentracin del reactivo en un proceso qumico es una variable aleatoria

que tiene distribucin de probabilidad,
( )
) para
Calcule la probabilidad de que la concentracin sea menor a 0,50.
3.27 Un agente qumico produce la decoloracin en 7% de los rollos de papel

producido por cierta compaa. Cul es probabilidad de que en una
muestra aleatoria de 15 rollos de papel, 9 no presenten decoloracin debido
al agente qumico?
3.28
El contenido del porcentaje de magnesio en una aleacin es una variable

aleatoria, dada por la siguiente funcin de densidad de probabilidad
0 x 6.
3.29
f (x )
x
18
Calcule el contenido de magnesio esperado y su variancia.
En promedio se encuentran 3 glbulos rojos por unidad cuadrada. Cul es

la probabilidad de que ms de 4 glbulos rojos sean visibles para un
observador con un microscopio en dos unidades cuadradas?
3.30
Para estudiar la regulacin hormonal de una lnea metablica se inyectan

ratas albinas con un frmaco que inhibe la sntesis de protenas del
organismo. En general, 4 de cada 20 ratas mueren a causa del frmaco antes
de que el experimento haya concluido. Si se trata a 10 animales con el
frmaco, cul es la probabilidad de que al menos 8 lleguen vivas al final del
experimento?
3.31
Un fabricante afirma que mediante el uso de un aditivo en la gasolina, el

0,75 de todas las marcas de automviles podran aumentar el recorrido por
litro. Se usa una muestra aleatoria de 300 automviles para evaluar este
producto. Cul es la probabilidad que 250 automviles logren alcanzar la
meta de aumentar el recorrido por litro de gasolina?
Captulo 3
Probabilidades
72
Captulo 4
Estadstica Inferencia: Estimacin
4.1 Propiedades deseables de un estimador
4.2 Distribuciones muestrales
4.3 Tipos de estimacin: puntual o por intervalo
4.4 El concepto de estimacin aplicado a la qumica
4.5 Explicacin sobre intervalos de confianza
4.6 Intervalos de confianza para la distribucin normal
4.7 Intervalo para la media si se conoce la varianza
4.8 Intervalos de confianza para la media con varianza
desconocida
4.9 Intervalo de confianza para la varianza
4.11 Muestras para la estimacin de medias
4.15 Problemas
Estimacin
El propsito de un estudio estadstico suele ser extraer conclusiones acerca
de la naturaleza de una poblacin. Al ser la poblacin grande y no poder ser
estudiada en su integridad en la mayora de los casos, las conclusiones obtenidas
deben basarse en el examen de solamente una parte de sta, lo que nos lleva a la
necesidad de estudiar diferentes mtodos de la estadstica inferencial.
En este captulo, se examinarn los procedimientos estadsticos bsicos para
la estimacin que pretende medir cierta caracterstica particular de una poblacin,
como la media aritmtica o la proporcin.
4.1 Propiedades deseables de un estimador

Los primeros trminos obligados a los que se debe hacer referencia, sern los
de estadstico y estimador. Un estimador es una variable aleatoria con una
determinada distribucin, y que ser la pieza clave en las dos amplias categoras de
la inferencia estadstica: la estimacin y el contraste de hiptesis.
Estimador. En trminos generales es una funcin de la muestra, que

proporciona un valor representativo de la caracterstica poblacional que
se quiere conocer.
El concepto de estimador, como herramienta fundamental, lo caracterizamos

mediante una serie de propiedades que nos servirn para elegir el ``mejor" para un
determinado parmetro de una poblacin, as como algunos mtodos para la
obtencin de ellos, tanto en la estimacin puntual como por intervalos.
Un estimador no es un valor concreto sino una variable aleatoria, ya que
aunque depende unvocamente de los valores de la muestra observados, la eleccin
de la muestra es un proceso aleatorio. Una vez que la muestra ha sido elegida, se
denomina estimacin el valor numrico que toma el estimador sobre esa muestra.
Intuitivamente, las caractersticas que seran deseables para esta nueva
variable aleatoria (que se usa para estimar el parmetro desconocido) deben ser:
Captulo 4
Inferencia Estadstica: Estimacin
74
Consistencia
Cuando el tamao de la muestra crece, el valor estimado se aproxima al
parmetro desconocido. Decimos que es un estimador consistente con el
parmetro si:
[|
]
(4.1)
Cuando el nmero de observaciones n tiende a infinito, es lo que se denomina

propiedades asintticas.
Insesgado
Un estimador es insesgado cuando su esperanza matemtica coincide con el
valor del parmetro poblacional. A efectos de esta aplicacin un estimador ser
insesgado cuando al repetirse el proceso de muestreo, mediante reiteraciones*, un
nmero suficiente de veces la diferencia entre el valor medio de estas reiteraciones y
el valor objetivo poblacional converja a cero. Se dice que un estimador de un
parmetro es insesgado si
E()
(4.2)
La carencia de sesgo puede interpretarse del siguiente modo. Suponga que
se tiene un nmero indefinido de muestras de una poblacin, todas ellas del mismo
tamao . Sobre cada muestra el estimador nos ofrece una estimacin concreta del
parmetro. Pues bien, el estimador es insesgado, si sobre dicha cantidad indefinida
de estimaciones, el valor medio obtenido en las estimaciones es (el valor que se
desea conocer).
Reiteraciones: o nmero de muestras, se definen como repeticiones del proceso de seleccin de

una muestra. Esto es, con esta expresin se identifica el nmero de veces que se va a repetir el
proceso de seleccin de muestras. Evidentemente en el trabajo de campo de los estudios por
muestreo, nicamente se investiga una muestra.
Captulo 4
75
Eficiencia
Al estimador, al ser variable aleatoria., no puede exigrsele que para una
muestra cualquiera se obtenga como estimacin el valor exacto del parmetro. Sin
embargo, se puede esperar que su dispersin con respecto al valor central
(varianza) sea tan pequea como sea posible.
Entonces, dados dos estimadores 1 y 2 de un mismo parmetro , se dice
que 1 es ms eficiente que 2 si
Var(1 ) Var(2 )
(4.3)
Suficiencia
El estimador debera aprovechar toda la informacin existente en la muestra.
Ms adelante, en este captulo, se presentarn los tipos de estimacin. A
continuacin, se estudia las distribuciones muestrales.
4.2 Distribuciones muestrales

Una distribucin muestral es la distribucin de todos los posibles valores del
estadstico de la muestra, que se pueden obtener de la poblacin para un
determinado tamao de muestra. Por ejemplo, se podra tomar, de una poblacin de
desodorantes antitranspirante producidos por una empresa farmacutica, una
muestra aleatoria de 10 unidades y pesarlas para calcular despus la media de su
peso neto.
Puede pensarse en esta media muestral X , como si se hubieran extrado de
la distribucin de todas las medias muestrales posibles, para muestras de tamao 10
que pudieran tomarse de la poblacin. En forma similar, cada estadstico muestral a
ser calculado, a partir de datos muestrales, puede considerarse como que ha sido
extrado de una distribucin muestral.
El teorema del lmite central establece que, al hacerse ms grande la
muestra, la distribucin de muestreo de las medias de la muestra tiende hacia la
distribucin normal, con media aritmtica
y desviacin estndar es
(a este
valor se le conoce como error estndar de la distribucin muestral). Esta distribucin

Captulo 4
76
muestral tender hacia la normalidad, sin importar la forma de la distribucin de la

poblacin de la que se extrajeron los elementos de la muestra. La siguiente figura
muestra cmo lucir dicha distribucin muestral.
El teorema del lmite central es de particular importancia en las estadsticas,
ya que permite al analista calcular la probabilidad de diversos resultados de
muestras a travs del conocimiento de las posibilidades de las probabilidades de la
curva normal.
Ejemplo. Cul es la probabilidad de que la media de una muestra aleatoria de 10

unidades, extrados de una poblacin, se encuentre en un margen de 2 gramos de la
media real del peso de la poblacin, si la desviacin estndar de la poblacin se
estima en 3,5 gramos?
La figura muestra la distribucin apropiada:
El error estndar es:
.
35
Captulo 4
10
1107
,
77
Luego
Z2
1,806
1.107
con lo que se obtiene en la tabla de la normal estndar un rea 0,93124.

La probabilidad de que la media muestral est en un margen de 2 gramos de
la media real, es de alrededor del 93%, reflejando un tamao de muestra de 10
unidades y la variabilidad estimada de la poblacin de 3,5 gramos. Como se ver,
esta capacidad para calcular probabilidades de resultados de muestras permitir al
analista llegar a tiles resultados en la estimacin y en la prueba de hiptesis.
4.3
Tipos de estimacin: puntual o por intervalo

Hay dos tipos de estimacin; puntual y por intervalo. Una estimacin puntual
utiliza un solo valor de la muestra para estimar el parmetro de la poblacin de

estudio. Por ejemplo, la media de la muestra x es una estimacin puntual de la
media de la poblacin. La variancia s2 de la muestra es una estimacin puntual de
la variancia 2 de la poblacin.
La estimacin por intervalo de confianza consiste en determinar un posible
rango de valores o intervalo, en los que pueda precisarse --con una determinada
probabilidad-- que el valor de un parmetro se encuentra dentro de esos lmites.
Evidentemente esta tcnica no tiene porqu dar siempre un resultado
correcto. A la probabilidad de acertar al decir que el parmetro estaba contenido en
dicho intervalo se la denomina nivel de confianza. Tambin se denomina nivel de
significacin a la probabilidad de no atinar con la estimacin.
Captulo 4
78
Intervalos de confianza del 95% para la media de una poblacin

media verdadera =20
4.4
El concepto de estimacin aplicado a la qumica

El fin principal de un anlisis qumico es estimar el verdadero valor de
alguna propiedad de la materia, en una muestra relativamente pequea. Cada

anlisis tiene una variabilidad proveniente de las pequeas e inevitables variaciones
usuales de manipulacin, medio ambiente y medida.
La precisin del anlisis est limitada por esta variabilidad y puede ser
perfeccionada slo por el mejoramiento del mtodo, o por el incremento del nmero
de observaciones de dicho objeto.
Si el mtodo ha sido mejorado hasta un mximo en cuanto a la tcnica del
analista y del equipo, la alternativa en el mejoramiento de la precisin es lo que
llamamos replicacin en qumica y en estadstica, tamao de la muestra.
Captulo 4
79
Es comn entre qumicos en la prctica, realizar el anlisis por duplicado o

triplicado. Se promedian entonces los resultados y se juzga el error experimental por
la cercana de lo hallado en los dos o tres anlisis. Si el rango de los resultados es
pequeo, se piensa en forma intuitiva que el anlisis es exacto y preciso, lo que no
es necesariamente cierto, porque la precisin de resultados, no necesariamente
conduce a una buena exactitud.
Por ejemplo, si el anlisis consistiera en pesar una muestra, disolverla y
analizar porciones alcuotas de la solucin, los resultados quiz se repetiran a la
perfeccin, a pesar de lo cual el anlisis podra haber enmascarado algn error en la
pesada, as como otros circunstanciales. Si se hacen dos pesadas y, simultneamente, dos anlisis, se habr aumentado la posibilidad de desenmascarar los
errores de pesada, pero pueden persistir los ambientales y de manipulacin.
POWERS1 encontr, por otra parte, que un qumico que hace varios anlisis
obtiene mejores resultados anlogos que varios qumicos analizando la misma
muestra. Ambos estudios demuestran con claridad la importancia de efectuar de
forma independiente la repeticin de anlisis. El trmino repeticin se refiere a la
repeticin de observaciones hechas de forma independiente.
Si el analista realiza un segundo anlisis verdaderamente independiente,
aumentar sus conocimientos en dos sentidos:
El promedio de los dos anlisis dar una mejor estimacin del verdadero
valor, , que si se hiciera uno slo.
La diferencia entre las dos medidas encontradas dar una estimacin del
error. El analista puede entonces hacer dos estimaciones:
Una estimacin puntual de utilizando
x , el promedio de las replicaciones.
Es la mejor estimacin insesgada que puede tener de .

Una estimacin por intervalo en la que puede afirmar que se halla el
verdadero valor .
POWERS, R. F.: Determination of the precision of analytical control methods.

Ind. Eng. Chem., Anal, Ed., 15, 361 (1943)
1
Captulo 4
80
4.5 Explicacin sobre intervalos de confianza

Se presenta el siguiente ejemplo para explicar el clculo de los lmites de
confianza. Suponga que un qumico analizando una sustancia mediante un mtodo
de variabilidad desconocida, obtiene el resultado de 49,69, el cual es una estimacin
del verdadero valor, pero como no tiene idea de la magnitud del error experimental
tampoco puede tener idea de la confianza que puede poner en esta estimacin.
Repite el ensayo y obtiene como resultado 50,90, con lo cual ahora tiene otra
estimacin de (50,3) y un rango (50,9-49,69=1,21), a partir del cual estima la regin
en la que se encuentra el verdadero valor desconocido. Puede tener el 50 de 100 de
seguridad de que este valor verdadero se halla entre 50,90 y 49,69 y alrededor del
80 por 100 de confianza en que est 52,11 y 48,48.
Si continua repitiendo los anlisis y obteniendo resultados como 48,99, 51,23,
51,47 y 48,80, mejora su estimacin de y la confianza que puede depositar en esta
estimacin.
Algunos qumicos rechazan como discrepantes los resultados que caen por
fuera de los lmites de probabilidad del 95%; otros rechazan los que caen fuera de
los lmites de 3s. Cualquiera que sea el criterio escogido. El clculo del intervalo de
confianza proporciona una cierta justificacin estadstica para el rechazo de
resultados.
4.6
Intervalos de confianza para la distribucin normal

Dada una variable aleatoria de distribucin gaussiana, X
N ( , 2 ) , interesa
en primer lugar, en calcular intervalos de confianza para sus dos parmetros, y 2.

He aqu un resumen de las situaciones a considerar:
Intervalo para el promedio si se conoce la varianza. Este no es un caso

prctico (no se puede conocer 2 sin conocer previamente ), pero sirve para
introducir en el problema de la estimacin confidencial de la media.
Intervalos de confianza para el promedio (caso general). Este se trata del

caso con verdadero inters prctico. Por ejemplo sirve para estimar intervalos
Captulo 4
81
que contenga la media del colesterol en sangre en una poblacin, la altura, el

peso, etc., cuando se dispone de una muestra de la variable.
Intervalo de confianza para la varianza. Este es otro caso de inters en las

aplicaciones. El objetivo es calcular un intervalo de confianza para 2 , cuando
slo se dispone de una muestra.
Estimacin de tamao muestral. La utilidad consiste en decidir cul deber

ser el tamao necesario de una muestra para obtener intervalos de confianza
para una media, con precisin y significacin dadas de antemano. Para que
esto sea posible es necesario poseer cierta informacin previa, que se obtiene
a partir de las denominadas muestras piloto.
4.7

Este caso que se plantea es ms a nivel terico que prctico: difcilmente
vamos a poder conocer con exactitud 2 mientras que es desconocido. Sin

embargo nos aproxima del modo ms simple a la estimacin por intervalo de la
medias.
En una situacin real, la media de la poblacin es desconocida y es el
parmetro que se debe estimar con base en la informacin de la muestra. La
desviacin estndar de la poblacin rara vez se conoce, pero por medio del teorema
del lmite central, se podra estimar si el tamao de la muestra es mayor a 30.
Al trabajar con un nivel de confianza del 95%, esto implica que se tendra 95%
de confianza de que la muestra seleccionada es una en la cual la media real se
encuentra dentro del intervalo encontrado. El 95% no significa que exactamente 95
de cada 100 muestras incluirn la media de la poblacin dentro del intervalo de
confianza, sino slo que en el promedio de todas las posibles muestras, 95% incluir
la media real.
Captulo 4
82
Ya que es desconocida, no se sabe en realidad si el intervalo especfico

incluye o no la media de la poblacin. Para una muestra particular, se puede
establecer el nivel de confianza (
) de que el intervalo incluya la media de la
poblacin. De este modo, fijado (0,1), considere la v.a. normal estndar y un

intervalo que contenga una de probabilidad de
Este intervalo es tan pequeo como sea posible. Por ello lo mejor es tomarlo
simtrico con respecto a la media (0) (vase la figura). As las dos colas de la
distribucin (zonas ms alejadas de la media) se repartirn a partes iguales el resto
de la masa de probabilidad .
La frmula de clculo para obtener la estimacin del intervalo de confianza de
la media cuando se conoce , se define como
Li = x Z / 2
N -n x
N -1 n
(4.1)
En el caso, de estar muestreando con remplazo o si el factor de correccin,

fc
N n
N 1
es menor al 5%, se puede ignorar este trmino de la frmula de clculo.
Ejemplo. La conductividad trmica del grafito vara con la temperatura

segn la ecuacin K=K0-T. Experimentalmente, solo es posible obtener una
conductividad media en un intervalo de temperatura. Se requiere estimar la
conductividad promedio con un intervalo de confianza del 95%, dado que una
muestra aleatoria de 35 ensayos, result una media aritmtica 1,2825 y una
desviacin estndar de 0,1315 Km, determinado T y 25C en kilo-ergio/cm2 seg.C
cm-1.
Al suponer una poblacin infinita (muestreo con reemplazo) y, por medio de
la frmula 4.1, se obtiene:
1,2825 1,96
0,1315
35
1,2825 0,04357
Entonces,
Captulo 4
83
L1 1,2825 0,04357 1,2389

L2 1,2825 0,04357 1,3260
El valor 1,96 se obtiene de la distribucin normal estndar. Por lo cual, se

puede estimar la conductividad promedio entre el 1,2389 y 1,3260 Km, con un nivel
de confianza del 95%.
4.8
Intervalos de confianza para el promedio con varianza

desconocida
Como sea ha mencionado, los casos anteriores se presentarn poco en la
prctica, ya que lo usual es que sobre una poblacin quizs se puede conocer si se
distribuye normalmente, pero el valor exacto de los parmetros y 2 no son
conocidos. De ah nuestro inters en buscar intervalos de confianza para ellos.
En tales situaciones, es necesario utilizar
y s2 para obtener una estimacin
del intervalo de confianza de . La distribucin que se ha desarrollado para aplicarla

a esta situacin es la distribucin t de Student.
El intervalo de confianza para la media con desconocida, se expresa como
Li = x t / 2(n-1)gl
N - n sx
N -1 n
(4.2)
Los valores crticos de la distribucin t, para algunos grados de libertad, se
pueden obtener haciendo uso de la tabla 4 del apndice. El valor en la parte superior
de cada columna de la tabla de t indica el nivel de significancia utilizado, mientras la
primera columna representa el valor particular de los grados de libertad. Por ejemplo,
con 5 grados de libertad, si se desea 99% de confianza, el valor crtico de t sera
3,3649.
Con el fin de estudiar cmo se calcula el intervalo de confianza para una
media, cuando se desconoce la desviacin estndar de la poblacin, se examinar
el siguiente problema.
Captulo 4
84
Ejemplo. Se analiz gravimtricamente una cierta muestra para determinar

sulfatos y se obtuvieron los siguientes resultados en partes por milln:
3,390 6,990 5,71
5,930 5,350 5,810 5,520 5,910 5,460 5,810
Cules son los limites de confianza al 99% sobre el contenido promedio de

sulfatos?.
5,588 2,8214
0,89496
10
5,588 0,7985
Finalmente,
L1 5,588 0,7985 4,7895
L2 5,588 0,7985 6,3865
Con resultados anteriores, se estima que el contenido promedio de sulfatos se

encuentra comprendido entre 4,7895 y 6,3865, a un nivel de confianza del 99%.
4.9
Intervalo de confianza para la varianza

Para compensar cualquier incertidumbre que pueda existir en la estimacin de
la varianza, se pueden calcular sus lmites de confianza empleando las tablas de

valores de la distribucin de probabilidad Ji-cuadrada. En estas tablas se dan los
valores numricos del termin 2 para diferentes grados de libertad y probabilidades.
Considere dos cuantiles de esta distribucin que dejen una probabilidad 1- en la

``zona central'' de la distribucin.
En vista de la imposibilidad prctica de tener la variancia de la poblacin, en
muchos procedimientos estadsticos como los lmites de confianza para el promedio
Captulo 4
85
con muestras pequeas, se tiene que sustituir 2 por s2. Se puede asegurar con una
probabilidad de 1- que la variancia de poblacional, 2, se encuentre los lmites;
(n 1) s 2
(n 1) s 2
12
(4.3)
Al extraer la raz cuadrada a cada miembro de esta desigualdad se obtiene un
intervalo correspondiente con un nivel de confianza de (1-) 100% para .
Ntese que los intervalos de confianza para o 2 considerando colas
iguales, como en la frmula anterior, en realidad no dan los intervalos de confianza
ms reducidos, debido a que la distribucin Ji-cuadrada no es simtrica. Sin
embargo, son utilizados en la mayora de las aplicaciones a fin de evitar clculos
complicados.
Ejemplo. Cinco determinaciones de la densidad de un lquido orgnico

dieron los resultados:
0,9132
0,9138
0,9129
0,9131
0,9133 g/cm3
Construya un intervalo con un nivel de confianza del 95% para , o sea la

desviacin estndar de la poblacin.
Para 5-1=4 grados de libertad,
02,975 0,4844
02,025 11,143
de acuerdo con la tabla 5; as la sustitucin en la frmula produce,

4(113
, 10 7 )
4(113
, 10 7 )
2
11,852
0,4844
3,8137 10 8 2 9,3311 107
y en consecuencia
1,95287 10 4 9,65978 10 4
Captulo 4
86
Esto significa que se tiene un 95% de confianza que el intervalo comprendido

ente 1,95287x10-4 y 9,65978x10-4 contiene a la desviacin estndar verdadera de la
densidad de un lquido orgnico.
El mtodo que expuesto se aplica slo a muestras aleatorias de poblaciones
normales o al menos a las poblaciones que pueden aproximarse a la distribucin
normal.

El qumico, especialmente el qumico analista, se pregunta con frecuencia qu
tamao de muestra le conviene usar, lo que no es tanto una pregunta como una
exclamacin, a menudo desesperada. Lo que el qumico en realidad quiere decir es:
Cul es el tamao de muestra ms econmico que puedo tomar par estar
razonablemente seguro de que las deducciones que se obtienen de la muestra son
vlidas para la poblacin?.
Siempre que se trabaje con muestreo, es necesario de contar con un plan
preciso para delimitar el tamao de la muestra ha extraer de la poblacin para
cumplir con los objetivos de la investigacin. Un error comn consiste en pensar que
una muestra debe ser grande para que realmente sea representativa de la
poblacin.
Hay que puntualizar que slo las muestras probabilsticas pueden abordarse
mediante las tcnicas de delimitacin del tamao de la muestra que sern expuestas
aqu. Recurdese que las muestras no probabilsticas hacen imposible al clculo de
error muestral.
El conocimiento previo de la poblacin es una ayuda para decidir el tamao
de la muestra. Si sabe que se muestrea una poblacin homognea (poca
variabilidad), tal como una solucin bien mezclada, se entiende que una muestra
tomada de cualquier parte da tanta informacin como diez muestras tomadas de diez
diferentes partes de la solucin. Por el contrario, si se sospecha o hay certeza de
que el material que se muestrea no es homogneo (tiende a tener mucha
variabilidad), se tiene que tomar muestras de varias partes del material. El
Captulo 4
87
conocimiento previo respecto al error del muestreo permite al analista trabajar con
muestras ms pequeas.
El mtodo que hay que seguir para tomar muestras para el anlisis, viene
determinado por el estado de la sustancia a estudiar. Los productos gaseosos y
lquidos en general son esencialmente homogneos, siendo suficiente en tal caso
recoger de ellos una sola muestra discreta. Una forma de suprimir la posibilidad de
toma de muestras subjetivas, es empleando un procedimiento de muestreo aleatorio.
4.11 Tamao de muestras para la estimacin de promedios

En cada uno de los ejemplos relacionados con la estimacin del intervalo de
confianza, el tamao de muestra se determin en forma arbitraria. La determinacin
del tamao de muestra es un procedimiento ms riguroso, se tendra que fijar una
magnitud de error de muestreo permisible dispuestos a aceptar al estimar el
parmetro de la poblacin.
El error de muestreo es igual a la diferencia entre la estimacin de la
muestra y el parmetro. Tambin hay que determinar por anticipado un nivel de
confianza deseada para la estimacin correcta del parmetro de la poblacin.
La mayor dificultad al determinar el tamao de la muestra necesaria para
estimar la media de la poblacin consiste en calcular la desviacin estndar de la
poblacin. Despus de todo, si tiene un conocimiento completo sobre la poblacin,
no habra necesidad de realizar una investigacin sobre sus parmetros.
Al dudar de trabajos anteriores para calcular la desviacin estndar de la
poblacin, las alternativas incluyen el juicio del investigador o el empleo de estudios
exploratorios con muestras pequeas y emplear los resultados para obtener una
estimacin de la desviacin estndar.
De manera alternativa, el rango de una variable con distribucin normal es
aproximadamente igual a ms o menos tres desviaciones estndar y, as, se puede
estimar la desviacin estndar al dividir el rango entre seis. Con la frecuencia, el
investigador puede estimar el rango con base en el conocimiento del fenmeno.
Luego el tamao de muestra para la estimacin de la media de la poblacin
se obtiene como,
Captulo 4
88
Z
n /2
d
(4.4)
donde:
Z / 2 = es valor de la distribucin normal estndar asociado al nivel de confianza.
d = error de muestreo permitido o diferencia mxima entre la media muestra y la

media de la poblacin que se est dispuestos a aceptar en el nivel de
confianza que es indicado.
= desviacin estndar de la poblacin (conocida o estimada a partir de

estudios anteriores)
Ejemplo. Un investigador desea probar la hiptesis de que el punto de fusin

del estao es 232,0 grados Celsius. Se considera un margen de error de muestreo
de 0,10 grados y un nivel de confianza del 98%. Adems, se puede asumir que el
punto de fundicin es una variable aleatoria distribuida normalmente, con una
desviacin estndar de 0,18 grados. Cuntas determinaciones debern realizarse?
Sustituyendo d=0,10, =0,18 y Z0,99=2,33 en la frmula 5.6 para n, se tiene
2
2,33(0,18)
n
18
0,10
Por tanto, el qumico si desea realizar un estudio con toda la precisin
requerida en el enunciado se debera tomar una muestra de 18 determinaciones,
para estimar la verdadera media del punto de fundicin con una confianza del 98%,
con un margen de error a lo sumo de 0,10 grados Celsius.
Esto es una indicacin de gran utilidad antes de comenzar el estudio. Una vez
que el muestreo haya sido realizado, se debe confirmar que el error para el nivel de
significacin dado es inferior o igual a 1 cm, utilizando la muestra obtenida.
Como regla emprica a utilizar en la determinacin del tamao de la muestra,
se considera conveniente redondear al siguiente entero a fin de sobrestimar
ligeramente el tamao y as satisfacer los criterios deseados.
Captulo 4
89

Cuando se tiene una variable dicotmica (o de Bernoulli) a menudo interesa
saber en qu proporcin de casos, p, ocurre el xito en la realizacin de un
experimento. Tambin es de inters calcular para un nivel de significacin dado, el
tamao muestral necesario para calcular un intervalo de confianza cuya amplitud sea
menor que cierta cantidad.

El concepto de estimacin se puede extender a los datos dicotmicos para
estimar la proporcin de la poblacin con base en los datos de la muestra. La
distribucin del nmero de xitos es binomial, y puede ser aproximada a la normal
cuando el tamao de la muestra n es grande, y p no es una cantidad muy cercana
a cero o uno.
(
)
(4.5)
Es decir, al considerar como estimacin de p la proporcin de xitos

obtenidos en las n pruebas,
p
p
X
n
(4.6)
El estimador
no es ms que un cambio de escala de X, por tanto

(
(4.7)
Para encontrar el intervalo de confianza al nivel de significacin para p se
considera el intervalo que hace que la distribucin normal estndar deje fuera del
mismo. Esto se resume en la siguiente expresin.
Li = p Z / 2
N -n
N -1
pq
n
(4.8)
Captulo 4
90
Intervalo de confianza para una proporcin
En caso de tamaos de muestras pequeas o si la proporcin es muy pequea, se

debe utilizar la distribucin binomial en lugar de la distribucin normal. A fin de ver la
forma en que se puede utilizar esta estimacin del intervalo de confianza para la
proporcin de la poblacin, se examinar el siguiente problema.
Ejemplo. En un estudio sobre seguridad de explosivos usada en ciertas

minas, los explosivos que contenan nitrato de potasio se utilizaron en 95 de 250
casos estudiados. Construya un intervalo de confianza del 90% sobre la
proporcin de empresas que utilizan nitrato de potasio en los explosivos.
0,38 164
.
0,38(0,62)
250
0,38 0,05
L1 0,38 0,05 0,33
L 2 0,38 0,05 0,43
La proporcin de empresas que utilizan nitrato de potasio en los explosivos

se encuentra entre el 33% y el 43%, con un nivel de confianza del 90%.
Captulo 4
91

Los mtodos para determinar el tamao de muestra que se utilizan en la
estimacin de una proporcin real son similares a los empleados en la estimacin del
promedio aritmtico. La frmula apropiada es:
Z
PQ
n /2
(4.9)
donde:
Z / 2 =
es valor de la distribucin normal estndar asociado al nivel de
confianza
d = error de muestreo permitido o diferencia mxima entre la proporcin

muestral y la proporcin de la poblacin que se est dispuestos a aceptar en
el nivel de confianza escogido
P = proporcin de la poblacin que posee la caracterstica de inters (s puede

estimar la proporcin, hgalo y utilcela como P; en caso contrario, sea
conservador y use P = 0,5 en la frmula).
Al aplicar est frmula, primero hay que decidir si es posible estimar en
forma aproximada el valor de la proporcin de la poblacin. En caso, aceptar con

seguridad que esa proporcin difiere mucho de 0,5 en una u otra direccin, se est
en condiciones de obtener la precisin deseada con un tamao de muestra ms
pequeo (y de menos costo) de la muestra. Por ello, este camino de estimar P
debera utilizarse con precaucin y no como solucin simplista.
Ejemplo. Se est estudiando el contenido de cobre en una aleacin con la

esperanza de reducir finalmente el costo de manufactura. Por estudios anteriores se
estima que la proporcin es 0,12. Cuntas mezclas deben estudiarse para estimar
la proporcin de cobre en una aleacin con un error de muestreo de 10%, a un nivel
de confianza de 95%?
. en la frmula 4.9, se obtiene

Sustituyendo d=0,10, P=0,12 y Z0.975 196
Captulo 4
92
1,96 0,12(0,88)
n
40
0,10
El investigador tendr que observar 40 mezclas para estimar la proporcin de

cobre en una aleacin, con un nivel de confianza del 95% y margen de error de
muestreo del 10%.
Captulo 4
93
4.15
PROBLEMAS
4.1
Cinco determinaciones de la densidad de un lquido orgnico dieron los

resultados 0,9132, 0,9138, 0,9129, 0,9131 y 0,9133 g/cm 3. Calcule un
intervalo de confianza del 95% para el promedio real de la densidad del
lquido orgnico.
4.2
De acuerdo con un mtodo de anlisis del contenido de plomo en el agua,

el promedio aritmtico y desviacin estndar del agua son 20,2 y 10,8
g/L, respectivamente. Un estudio de 40 muestras de agua produce una
media de 24,75 g/L. Halle el intervalo de confianza del 93% para la
media.
4.3
Una investigadora quiere determinar el tiempo promedio que un mecnico

tarda en cambiar las llantas en un automvil. Esto con una confianza del
95% que la media de su muestra difiera a lo sumo de 1,2 minutos de la
poblacional. Se puede presumir por experiencia que la desviacin
estndar es 3,4 minutos. Qu tamao debe tener la muestra?
4.4
Nueve repeticiones de la determinacin de la solubilidad molar de un cido

orgnico en agua a 25C, dieron un valor medio de 0,00673 mol/L, con
una desviacin estndar de 0,00008 mol/L. Calcule un intervalo de
confianza del 90% para el verdadero valor medio de la solubilidad molar
del cido.
4.5
Observando la cantidad de contaminantes atmosfricos en una ciudad

durante 500 das, se encontr un exceso de 200 microgramos en slo 15
das. Construya un intervalo para la probabilidad de que la contaminacin
exceda 200 microgramos por metro cbico en un da cualquiera. =0,01
4.6
Se determin que a 22C una pipeta volumtrica presenta los siguientes

pesos aparentes de agua:
Captulo 4
94
4,995
4,993
4,997
4,991
4,994
4,992 gramos
Calcule un intervalo de confianza del 95% para el verdadero valor del

volumen promedio de agua escurrida.
4.7
La validacin de un mtodo para la determinacin de cobre II, mostr una

desviacin estndar de 0,08%. Los resultados para un anlisis de 6
rplicas de una muestra se presentan a continuacin:
Rplica
Contenido Cu (%)
3,25
3,68
3,27
3,30
3,98
3,46
Calcule e interprete un intervalo de confianza del 90% para la verdadera

media del contenido de cobre.
4.8
En un estudio sobre seguridad de explosivos usada en ciertas minas, los

explosivos que contenan nitrato de potasio se utilizaron en 95 de 250
casos estudiados. Construya un intervalo de confianza del 97,5% sobre la
proporcin de empresas que utilizan nitrato de potasio en los explosivos.
4.9
Se desea estimar el nmero de horas de uso continuo antes de que cierto

equipo de mezcla de pintura produzca una inconsistencia. Se puede
suponer que la desviacin estndar es 5,3 horas, cuntas observaciones
del equipo se necesitan, con una confianza del 90% y un error de
muestreo de 2,2 horas?
4.10
Un mtodo para la determinacin de cobre tiene una desviacin estndar

de 0,08 (unidades porcentuales). Se toma una muestra de 50 rplicas y
por cada una de ellas, se le mide el contenido de cobre, resultando una
media de 3,528 (unidades porcentuales). Calcule un intervalo de confianza
del 97,5% para la media verdadera del contenido de cobre.
4.11
Los siguientes son los resultados obtenidos en la determinacin de plomo

en partculas suspendidas en el aire en g/m3:
Captulo 4
95
2,4
2,1
1,6
2,2
1,9
2,5
2,8
3,7
3,5
3,9
Encuentre el intervalo del 99% de confianza para el promedio real del

plomo.
4.12
Se quiere estimar la proporcin de productos defectuosos dentro de una

cadena de produccin; por experiencia se sabe que aproximadamente el
10% de los productos presenta algn defecto. De qu tamao debe ser la
muestra para estimar la proporcin de artculos que presentan algn
defecto con un error de muestreo de 5% y un nivel de confianza del 98%.
4.13
En una muestra al azar de 60 secciones de tubo en una planta qumica, 8

de ellos mostraron seales de corrosin seria. Construya un intervalo de
confianza del 93% para la parte de los tramos de tubo con corrosin seria.
4.14
En 6 determinaciones del punto de fusin del estao, un qumico obtuvo

una media de 232,26 grados Celsius con una desviacin estndar de 0,14
grados. Si utiliza esta media como punto de fusin real del estao, qu
puede asegurar el qumico con una confianza del 90% acerca del error
mximo?
4.15
En un estudio sobre la contaminacin del aire efectuado por una estacin

experimental, se recolectaron cantidades de benceno soluble suspendido
en materia orgnica (en microgramos por metro cbico) en 12 diferentes
muestras de aire:
2,2
2,6
1,8
1,9
3,1
2,0
3,3
2,4
2,0
2,6
1,2
2,0
Suponiendo que la poblacin de estudio sea normal, construya un intervalo

con un nivel de confianza del 95% para la media real correspondiente.
Captulo 4
96
4.16
La reaccin de un individuo al estmulo durante un experimento

psicolgico puede tomar una de dos formas, A o B. Si un experimentador
desea estimar la probabilidad p de que una persona reaccione a favor de
A, cuntas personas deben incluirse en el experimento?. Suponga que el
investigador quedar satisfecho si el error de estimacin es menor que
0,10 con una confianza del 90%. Adems, tambin que l espera que p
tenga un valor cercano de 0,6
4.17
Debido tanto a las variaciones en las tcnicas de laboratorio, como a las

impurezas de los materiales y a otros factores desconocidos, los
resultados de un experimento en un laboratorio de qumica no siempre
dan las mismas respuestas numricas. En un experimento de electrlisis,
una clase mide la cantidad de cobre precipitado de una solucin saturada
de sulfato de cobre, durante un perodo de 30 minutos. Los 40 estudiantes
consiguieron una media de 0,145 moles y una desviacin estndar de
0,051 moles. Encuentre un intervalo de confianza del 90% para la cantidad
media de cobre precipitado.
4.18
Un qumico ha preparado un producto diseado para matar el 98% de un

tipo particular de insectos. De qu tamao debe ser la muestra si l
desea tener un 95% de confianza de que su estimacin se aleja menos de
0,01 de la verdadera fraccin de insectos eliminados?
4.19
En un experimento realizado para probar el efecto de un ambiente

presurizado de oxgeno sobre los pacientes que padecen de osteomielitis
se encontr que de 70 pacientes sometidos al tratamiento, todos
mejoraron y 63% se liber de la enfermedad. Si las personas tratadas
representan una muestra aleatoria de 600 pacientes con osteomielitis,
estime la proporcin de los pacientes tratados que se liberarn de la
enfermedad. =0,05
Captulo 4
97
4.20
Un experimentador ha preparado una droga para inducir el sueo a la

poblacin de pacientes con problemas mentales (N=2500). Cuntas
personas deben ser tratadas si se desea estimar la verdadera fraccin con
un error menor que 0,05 a un nivel de significacin del 10%?
4.21
Un informe del Ministerio de Salud indica que cierta marca de cigarrillo con
filtro tiene un contenido de alquitrn y nicotina de 5 y 0,4 mg por cigarrillo.,
respectivamente. Sin embargo, no indica cuntos cigarrillos se analizaron
para obtener estos resultados ni da una medida de la variacin de las
observaciones de cigarrillo a cigarrillo. Consider que la desviacin
estndar del contenido de alquitrn es aproximadamente igual a 1 mg por
cigarrillo, cuntos cigarrillos habra que analizar? Supngase que se
desea un error de estimacin menor que 0,1 mg con un nivel de confianza
del 99%.
4.22
Se desea estimar la produccin media por hora de un proceso para la

fabricacin de un antibitico. El proceso se observa durante 100 perodos
de una hora escogidos al azar, resultando una media muestral de 34
gramos/hora y una variancia de 400 gramos/hora. Estime la produccin
por hora usando un intervalo de confianza. =0,025
4.23
De qu tamao debe ser una muestra para estimar el parmetro

binomial, p, con un error de muestreo de 0,03, con un nivel de confianza
del 90%? Supngase que el valor de p es aproximadamente 0,15 y el
tamao de la poblacin de 500 elementos.
4.24
Al intentar determinar las caloras por racin de lasaa en una asignacin

de laboratorio de nutricin, 13 estudiantes obtuvieron:
239
335
347
342
353
327
318
316
Captulo 4
322
330
351
362
315
98
Calcule e interprete un intervalo de confianza del 95% para la media de

caloras por racin de lasaa.
4.25
Como parte de una investigacin acerca de la contaminacin de las aguas

de un ro, se tom una muestra de mariscos y se encontr que los niveles
de cierta sustancia contaminante en ellos eran (ppm):
15
16
10
13
16
25
12
15
18
a) Calcule e interprete la media real del contaminante en los mariscos de

este ro, con un intervalo de confianza del 95%.
b) Qu suposiciones deben hacerse para que las inferencias sean
vlidas?
4.26
Los qumicos orgnicos a menudo purifican los compuestos orgnicos por

un mtodo conocido como cristalizacin fraccionada. Un experimentador
deseaba preparar y purificar 4,85 gramos de anilina. Se prepararon
individualmente diez cantidades de anilina de 4,85 gramos y se purificaron
convirtindose en acetanilida. Las cantidades obtenidas fueron las
siguientes:
3,85
3,88
3,90
3,62
3,72
3,80
3,85
3,36
4,01
3,83
Estime el nmero medio de gramos de acetanilida que se pueden recuperar

de una cantidad inicial de 4,85 gramos de anilina. Use un intervalo de
confianza del 90%.
4.27
Un investigador desea probar la hiptesis de que el punto de fusin de una

aleacin es de 1000C. Si el verdadero punto difiere de ste por ms de
5C deber cambiarse la composicin de la aleacin. Si se considera que el
punto de fusin es una variable aleatoria distribuida normalmente, con una
desviacin estndar de 10C. Cuntas observaciones debern realizarse?.
Utilice =0,01
Captulo 4
99
4.28
Las mediciones de la cantidad de cloroformo (microgramos por litro) de 40

muestras de agua potable de una ciudad produjeron los siguientes
resultados: x 34.8 y s2=24,01. Calcule e interprete un intervalo de
confianza de 97,5%, para la cantidad promedio de cloroformo del agua
potable de esta ciudad.
4.29
En un experimento de Qumica General, se desea determinar la cantidad

(en mililitros) de una solucin de hidrxido de sodio (NaOH) que se
necesita para neutralizar 1 ml de cierto cido. Al realizar el experimento en
el laboratorio habr variacin debida al error experimental, por lo que
llevan a cabo 35 anlisis volumtricos, usando fenolftalena como
indicador, produciendo x 77.97 ml. y s2=3,6618. Calcule e interprete un
intervalo de confianza del 90% para estimar el nmero medio de mililitros
que se requieren para neutralizar 1 ml de cido.
4.30
El punto de ebullicin del azufre tiene una variancia de 0,6889 grados

Celsius. Qu tamao debe tener la muestra para asegurar con una
confianza del 99% que el error para estimar el punto promedio de ebullicin
del azufre sea a lo ms de 0,15 grados Celsius?
4.31
Los siguientes datos representan el contenido de colesterol (en miligramos

por mililitro, mg/ml) de un conjunto de alimentos dietticos:
n =32
x 2,57
s =0,5466
Calcule un intervalo de confianza del 95% para el contenido promedio de

colesterol del alimento.
4.32
Se sabe que la concentracin de un componente en una mezcla lquida se

distribuye aproximadamente en forma normal, con una variancia de 2,3095.
Se desea obtener una confianza del 97,5% de que el error al estimar la
concentracin media sea de 0,7. Qu tamao de muestra debera
emplearse?
Captulo 4
100
4.33
Se est estudiando el contenido de cobre en una aleacin con la esperanza

de reducir finalmente el costo de manufactura. Por estudios anteriores se
estima que la proporcin es 0,12. Cunto mezclas deben estudiarse para
estimar la proporcin de cobre en una aleacin con un error de muestreo de
0,04, a un nivel de confianza de 90%?
4.34
Un ingrediente para retardar la fermentacin de cierta cerveza se agrega en

el proceso de elaboracin. El tiempo de fermentacin en semanas fueron los
siguientes:
2
Suponiendo que el tiempo de fermentacin de la cerveza es normal, calcule

e interpretar un intervalo de confianza del 95% para el promedio en semanas
del tiempo de fermentacin de la cerveza despus de agregarle el
ingrediente?
4.35
Se sabe por un estudio elaborado anteriormente, que el porcentaje de

calcio en cierto compuesto tiene una desviacin estndar de 8,047 (puntos
porcentuales). Se pide a 20 de los 60 estudiantes de un curso de Qumica
General, que determinen el porcentaje de calcio de igual nmero de
mezclas del mismo compuesto. Los resultados mostraron que el promedio
de calcio encontrado por los estudiantes era de 84,715. Calcule e
interprete un intervalo de confianza del 90% para el verdadero promedio
del porcentaje de calcio del compuesto?
4.36
El contenido de cobre en una aleacin tiene una variancia de 43,81

(puntos porcentuales). Con la esperanza de reducir el costo de
manufactura, se quiere analizar una mezcla reciente que tenga un error de
estimacin de 2 puntos al estimar el promedio poblacional, a un nivel de
confianza del 97%. Calcule el nmero de mezclas necesarias que deben
analizarse para cumplir con las condiciones antes citadas.
Captulo 4
101
4.37
Segn la experiencia del gerente de produccin de una empresa, el 12,5%

de los artculos presentan algn defecto de elaboracin o de empaque.
Calcule un tamao de muestra necesario para estimar el porcentaje real
de artculos defectuosos producidos por la empresa, con un error de
muestreo del 2% y nivel de significacin del 10%?
4.38
La conductividad trmica del grafito vara con la temperatura segn la

ecuacin K=K0-T. Experimentalmente, solo es posible obtener una
conductividad media en un intervalo de temperatura. Se requiere estimar
la conductividad promedio con un intervalo de confianza del 93%, dado
que de una muestra aleatoria de 35 ensayos, result una media aritmtica
1,2825 y una desviacin estndar de 0,1315 Km, determinado T y 25C en
kilo-ergio/cm2 seg.C cm-1.
4.39
Considere los puntos de ebullicin en grados centgrados de algunas

sustancias como sigue:
80,2 78,3 34,6 65,2 48,9 78,5
Calcule e interprete un intervalo de confianza del 95% para el punto
promedio de ebullicin de las sustancias.
4.40
Considere la carga inica para algunos iones metlicos, como se establece

a continuacin:
1,0 1,5 2,1 3,1 2,7 2,8 6,7 4,8 4,7
Calcule e interprete un intervalo de confianza del 95% para la media de la
carga inica.
Captulo 4
102
Captulo 5
Estadstica Inferencia: Prueba de Hiptesis
5.1 Mtodo de pruebas de hiptesis
5.2 Pruebas de hiptesis paramtricas en una poblacin
normal
5.3 Contrastes de dos distribuciones normales
independientes
5.4 Contrastes para la diferencia de medias pareadas
5.5 Contrastes de una proporcin
5.6 Contrastes sobre la diferencia de proporciones
5.7 Problemas
Prueba de Hiptesis
Pueden presentarse en la prctica, situaciones en las que exista una teora
preconcebida relacionada con la caracterstica de la poblacin sometida a estudio.
Tal sera el caso, por ejemplo, se piensa que un mtodo de produccin nuevo puede
tener un porcentaje de rendimiento mayor que otro estndar, o cuando se plantea si
los contenidos de alcohol de distintas cervezas vendidas en el mercado nacional son
similares.
Este tipo de circunstancias es el que nos lleva al estudio de la Estadstica
Inferencial y, especficamente, a la prueba de Hiptesis. Implica, en cualquier
investigacin, la existencia de dos teoras o hiptesis implcitas, que se denomina
hiptesis nula e hiptesis alternativa, que de alguna manera reflejarn esa idea a
priori que se tiene y que es contrastada con la realidad''.
De la misma manera, aparecen, implcitamente, diferentes tipos de errores
que es posible cometer durante el procedimiento. No puede olvidarse que,
habitualmente, el estudio y las conclusiones obtenidas para una poblacin
cualquiera, se habrn apoyado exclusivamente en el anlisis de slo una parte de
sta. La probabilidad con la que se est dispuesto a asumir estos errores,
depender, por ejemplo, el tamao de la muestra requerida.
Son estudiadas en este captulo las pruebas de hiptesis para los parmetros
ms usuales que fueron citadas en los captulos anteriores: medias, varianzas y
proporciones, para una o dos poblaciones. Los contrastes desarrollados se apoyan
en que los datos de partida siguen una distribucin normal.
Captulo 5
Inferencia Estadstica: Prueba de Hiptesis
104
5.1
Mtodo de pruebas de hiptesis

La prueba de hiptesis es un procedimiento mediante el cual se compara lo
propuesto, contra la evidencia emprica que proporciona la observacin de datos,

provenientes de la poblacin sobre la cual se hace la hiptesis. Este
procedimiento contempla etapas que describiremos en los siguientes apartados.
5.1.1 Formulacin de las hiptesis

Hiptesis Nula (
Tiene un carcter negativo y escptico, reta al investigador a demostrar que el

enunciado es errneo. Cuando no es rechazada la hiptesis nula implica que no
existe suficiente informacin estadsticamente abrumadora que la refute. En tanto, el
rechazo de la hiptesis nula implicar la aceptacin de la hiptesis alternativa. En
general, la hiptesis nula se formula de manera que su rechazo lleva a la aceptacin
de la conclusin deseada.
Hiptesis Alternativa (
Es la afirmacin que plantea el investigador. Establece que el parmetro

poblacional tiene un valor diferente, de alguna manera, al establecido en la hiptesis
nula.
Ejemplo. Suponga que se debe realizar un estudio sobre la altura media de
los estudiantes universitarios. Antes de tomar una muestra, lo lgico es hacer la
siguiente suposicin a priori,
: La altura media no difiere del resto de habitantes.
Al obtener una muestra de tamao n=8, se podra encontrar los siguientes
casos:
Muestra 1
1,50
1,52
1,48
1,55
1,57
1,60
1,53
1,45
Muestra 2
1,65
1,74
1,68
1,75
1,85
1,78
1,65
1,70
Intuitivamente, en el caso de la muestra 1 sera lgico suponer que salvo que

la muestra obtenida sobre los habitantes del pueblo sea muy poco representativa, la
Captulo 5
105
hiptesis H0 debe ser rechazada. En el caso de la muestra 2 tal vez no pueda

afirmarse con rotundidad que la hiptesis
sea cierta; sin embargo, no se podra
descartar y la aceptarla por una cuestin de simplicidad.

Este ejemplo sirve como introduccin de los siguientes conceptos: En una
prueba de hiptesis (tambin denominado Constraste de Hiptesis) se decide si
cierta hiptesis
que es denominada hiptesis nula puede ser rechazada o no a la
vista de los datos suministrados por una muestra de la poblacin. Para realizar el
contraste es necesario establecer previamente una hiptesis alternativa (
ser admitida cuando
sea rechazada. Normalmente
) que
es la negacin de
aunque esto no es necesariamente as.
5.1.2. Errores posibles al tomar una decisin errnea

La decisin de rechazar o no la hiptesis nula est al fin y al cabo basada en
la eleccin de una muestra tomada al azar y, por tanto, es posible cometer
decisiones errneas. Los errores que se pueden cometer se clasifican como sigue:
Error Tipo I
Es el error que consiste en rechazar
cuando es cierta. La probabilidad de
cometer este error es lo que recibe el nombre de nivel de significancia. Es una

costumbre establecida el denotarlo siempre con la letra griega alfa ( ). En la prctica
de anlisis de datos, se presenta cuando los resultados de la muestra llevan al
rechazo de la hiptesis nula que en realidad es verdadera.
[
]
(5.1)
Error Tipo II
Es el error que consiste en no rechazar H0 cuando es falsa. La probabilidad
de cometer este error es representada con la letra
especifica el investigador, la magnitud de
. A diferencia de
, que
depende del valor real del parmetro de
la poblacin.
[
]
(5.2)
Captulo 5
106
Observaciones importantes sobre los errores:

1.
Los errores de tipo I y II no estn relacionados ms que del siguiente modo:

Cuando
decrece
crece. Por tanto, no es posible encontrar un contraste
que hagan tan pequeos ambos errores simultneamente. De este modo, es

siempre necesario privilegiar a una de las hiptesis, de manera que no ser
rechazada, a menos que su falsedad se haga muy evidente. En los
contrastes, la hiptesis privilegiada es
que slo ser rechazada cuando la
evidencia de su falsedad supere el umbral del 100 (1-) %.

2.
Al tomar
muy pequeo el valor de
tiende aproximarse a uno. Lo ideal a la
hora de definir un prueba es encontrar un compromiso satisfactorio entre y

(aunque siempre a favor de
cantidad
). Se denomina potencia de un contraste a la
, es decir
[
]
(5.3)
3. En el momento de elegir una hiptesis privilegiada es posible titubear entre si

elegir una dada o bien su contraria. Criterios a tener en cuenta en estos casos
son los siguientes:
Simplicidad cientfica: A la hora de elegir entre dos hiptesis cientficamente
razonables, se toma como H0 aquella que sea ms simple.
Las consecuencias de equivocarse: Por ejemplo, al juzgar el efecto que
puede causar cierto tratamiento mdico que est en fase de experimentacin,
en principio, se ha de tomar como hiptesis nula aquella cuyas consecuencias
por no rechazarla siendo falsa son menos graves, y como hiptesis alternativa
aquella en la que el aceptarla siendo falsa trae peores consecuencias. Es
decir,
:
El paciente empeora o queda igual ante el tratamiento
El paciente mejora con el tratamiento
Otro ejemplo claro es cuando acaban de instalar un nuevo ascensor en un

edificio y se quiere saber si el ascensor caer o no al vaco con las personas dentro.
Captulo 5
107
Una persona prudente es la que espera a que un nmero suficiente de personas

hayan usado el ascensor (muestra aleatoria) y realiza un contraste del tipo:
:
El ascensor se caer
El ascensor no se caer
y slo aceptar la hiptesis alternativa para 0 aunque para ello tenga que ocurrir
que 1, ya que las consecuencias del error de tipo I (ir al hospital) son mucho ms
graves que las del error del tipo II (subir a pie varios pisos).
Es decir, a la hora de decidirse por una de las dos hiptesis no basta con
elegir la ms probable (nadie dira ``voy a tomar el ascensor pues la probabilidad de
que no se caiga es del 0,65"). Hay que elegir siempre la hiptesis H0 a menos que la
evidencia a favor de H1 sea muy significativa.
5.1.3. Determinacin del valor observado del estadstico de prueba

En la tercera etapa se establece el valor real del estadstico que se utilizar en
la prueba. El estadstico de prueba es una medida de cunto se acercan los
resultados obtenidos en la muestra a la hiptesis nula. Con frecuencia, el estadstico
sigue una distribucin conocida, como la Normal, t de Student, Ji Cuadrada o Fisher.
Segn la finalidad de sta, el estadstico puede ser uno de los siguientes:
Una media muestral
Una proporcin de la muestra
La diferencia entre dos medias muestrales
La diferencia entre dos proporciones de muestras
El estadstico calculado de Ji cuadrada
La razn F calculada
5.1.4. Determinacin del valor crtico del estadstico de prueba

En esta etapa es calculado el valor crtico que el estadstico deber rebasar a
fin de rechazar la hiptesis nula. Este valor se obtiene consultando la tabla
correspondiente del estadstico.
Captulo 5
108
Para las pruebas de hiptesis bilaterales destinadas a determinar diferencias

entre dos medias aritmticas o proporciones muestrales, habr dos valores crticos,
uno en cada direccin de la distribucin de probabilidad.
5.1.5. Comparacin del valor observado del estadstico de prueba

con el valor crtico
El valor crtico definir las regiones de aceptacin y rechazo de la hiptesis
nula. Si el valor observado del estadstico supera al valor crtico, la hiptesis nula
ser rechazada. En caso contrario, no se rechaza. Cuanto ms pequeo es el nivel
de significancia elegido, ms difcil ser que un estadstico observado logre alcanzar
la regin de rechazo.
5.2
Pruebas de hiptesis paramtricas en una poblacin normal

Suponga que la variable aleatoria X estudiada sobre la poblacin sigue una
distribucin normal y es seleccionada una muestra de tamao n, mediante muestreo

aleatorio simple. A continuacin, se estudian las tcnicas para contrastar hiptesis
sobre los parmetros que rigen X.
5.2.1 Prueba de hiptesis para un promedio con varianza conocida

Suponiendo que
es posible que
donde
es conocido y se quiere contrastar si
(desconocida) sea en realidad cierto valor
fijado. Esto es un
supuesto terico que nunca se dar en la realidad pero servir para introducir la
teora sobre contrastes. La prueba se escribe entonces como:
{
Como fue mencionado anteriormente, la tcnica para hacer el contraste
consiste en suponer que H0 es cierta. Si H0 es cierta, el valor
obtenido sobre la
muestra es,
(5.4)
Captulo 5
109
est con una gran probabilidad cercana a cero. Esto se expresa fijando un nivel de
significacin , y tomando como regin terica(C) a los valores que son extremos,
con probabilidad total , segn sea el tipo de contraste: una cola o dos colas. Para
contraste de dos colas la regin terica est definida por,
C Zobs : Zobs Z1
(5.5)
Luego es rechazada la hiptesis nula si

|
Consider un contraste donde ahora la hiptesis alternativa sea compuesta:

y
. La regin crtica est formada por los valores
extremadamente bajos o altos respectivamente de
, con probabilidad
Entonces la regin de aceptacin, o de modo ms correcto, de no rechazo de la

hiptesis nula es
para los contrastes unilaterales con la cola izquierda de
la distribucin y
para la prueba con la cola derecha.
Regiones crticas para la prueba bilateral y unilateral

de una media con varianza conocida
Ejemplo. Un investigador desea contrastar la hiptesis que el lmite de

concentracin del istopo radiactivo estroncio 90 en la leche es de 5 por litro. Para tal
efecto, selecciona aleatoriamente una muestra de lecheras. La hiptesis nula
considera el lmite de referencia
, contra la hiptesis alternativa que es mayor a
5.
Para verificar si las especificaciones se cumplan en cierta regin del pas,
fueron seleccionadas aleatoriamente 40 lecheras, encontrndose una media
aritmtica de 5,4 y una desviacin estndar de la muestra de 0,493 por litro. Existe
Captulo 5
110
una diferencia en la concentracin promedio con el lmite tolerable? Realizar la

prueba con un nivel de confianza del 90%.
Simblicamente, se puede escribir las hiptesis como;
y para los datos en uso,
El valor terico de la distribucin normal al nivel significancia establecido de

0,10, resulta aproximadamente 1,64. Dado que 5,13 es mayor a 1,64, entonces la
decisin sera rechazar la hiptesis nula
La conclusin a que se llegara al nivel de confianza del 90% es que la

concentracin del istopo radiactivo estroncio 90 en todas las lecheras es
significativamente mayor al lmite tolerable.
Captulo 5
111
5.2.2 Prueba de hiptesis para un promedio con varianza

desconocida
En la seccin anterior, el valor de la varianza estaba a nuestra disposicin por
experiencia pasada o con base en el teorema del lmite central y bajo el supuesto de
normalidad de la distribucin del promedio muestral. Esto es satisfactorio para
muestras grandes (
), pero el error que resulte puede ser muy considerable si
es pequea.
Sea
donde ni
ni
son conocidos y se quiere realizar el
contraste
{
Al no conocer
va a ser necesario estimarlo a partir de su estimador
insesgado: la varianza muestral
. Por ello la distribucin del estimador del
contraste ser una t de Student.

Para dar una forma homognea a todas las pruebas de hiptesis es
costumbre denominar al valor del estadstico del contraste calculado sobre la
muestra como valor observado y a los extremos de la regin crtica, como valores
tericos. Definiendo entonces,
(5.6)
Para la prueba bilateral,
el valor terico est definido como
. En tanto, cuando el contraste es unilateral de la forma

, el valor terico es
Captulo 5
112

de una media con varianza desconocida
Ejemplo. Cinco determinaciones de mercurio metlico sobre una muestra

dieron como resultados:
21,0
20,0
20,5
20,8
21,2 % Hgo
El verdadero valor del porcentaje en Hgo es 20,0%. Difiere la determinacin

media de las muestras del verdadero valor, al nivel de confianza del 95%?
La hiptesis nula y alternativa para este problema se expresaran como sigue:
La regin de rechazo estara dividida en las dos colas de la distribucin, esto

implica que el nivel de significancia (1-0,95)100=5% se divide en dos partes iguales
de 2,5%. La media aritmtica y la desviacin estndar de las cinco determinaciones
resulta 20,7 y 0,469, respectivamente.
Para estos datos se tiene,
Dado que el valor terico determinado con la tabla t de Student para un rea
de 0,025 en cada cola de la distribucin con 4 grados de libertad es 2,7764,
entonces se rechaza
Captulo 5
113
La conclusin es que las determinaciones medias de las muestras difieren del

verdadero valor, a un nivel de confianza del 95%.
Es importante mencionar que, conforme aumenta el nmero de grados de
libertad, la distribucin t se aproxima a la normal. Para muestras de tamao grande,
los valores crticos de la distribucin t sern virtualmente los mismos que la
distribucin normal.
El valor crtico al nivel de significancia de 0,01 (dos colas) de la distribucin
normal es 2,58. El valor correspondiente de la distribucin t es de 2,75 para 30
grados de libertad, 2,6603 para 60 grados de libertad, 2,6259 para 100 grados de
libertad y 2,609 para 150 grados de libertad. Por tanto, se podra decir que cuando
hay, por lo menos, 150 grados de libertad, la distribucin normal se puede
intercambiar con la distribucin t para obtener los valores crticos correctos.
5.3
Contrastes de dos distribuciones normales independientes

Se considera a lo largo de toda esta seccin a dos poblaciones normales que
representadas mediante
. De las que, de manera
independiente, se extraen muestras de tamao respectivo
y n2. La prueba a
realizar est relacionada con las diferencias existentes entre ambas medias.
Captulo 5
114
5.3.1 Contraste de promedios con varianzas conocidas

De manera similar al caso del contraste para una media, se quiere en esta
ocasin contrastar la hiptesis de que las dos poblaciones (cuyas varianzas se
suponen conocidas) slo difieren en una cantidad , esto es
. Las a
hiptesis alternativas darn lugar a contrastes unilaterales o bilaterales como se

estudiar ms tarde. Para ello se tiene la distribucin del siguiente estadstico de
prueba calculado bajo el supuesto que las poblaciones (o variables consideradas en
cada poblacin) tienen aproximadamente una distribucin normal y las variancias
poblacionales
son conocidas.
(5.7)
Consider en primer lugar el contraste de dos colas
Se define entonces el
y la prueba consiste en
No rechazar H0 si |
Rechazar H0 si |
|
|
|
|
|
|
Ejemplo. Se obtuvieron los resultados siguientes de la normalidad de una

disolucin de cido clorhdrico segn el mtodo de determinacin gravimtrica de
cloruros y el mtodo de valoraciones frente a carbono sdico puro.
Mtodo
Nmeros de
Media
Desviacin
muestras
aritmtica
estndar
Gravimtrica
35
0,10505
2,38 104
Volumtrica
40
0,1055
6,04 104
Captulo 5
115
El estudio deseaba saber si haba alguna diferencia significativa entre los

valores medios de las normalidades obtenidas por los dos mtodos, con un nivel
de significacin del 95%. La hiptesis nula y alternativa para este ejemplo seran,
Para los datos con que se trabaja se tiene,
Al nivel de confianza del 95%, el valor tabular en la distribucin normal

estndar corresponde a 1,96. Como se observa, al comparar el valor observado y el
terico, 4,34 1.96 , se toma la decisin de rechazar
. Se concluye que se tiene
evidencia estadstica para afirmar que existe una diferencia significativa entre los
valores medios de las normalidades obtenidas por los dos mtodos.
5.3.2 Contraste de promedios con varianzas desconocidas

Ahora considere el problema de contrastar
, cuando slo es
conocida que las varianzas de ambas poblaciones son iguales (
o sea,
homocedasticidad), pero desconocidas. El estadstico que a usar para el contraste

es
(5.8)
Para el contraste de significacin
Captulo 5
116
H 0 : 1 2
H1 : 1 2
el valor terico se calcula como,
tterica t( n1 n2 2),(1 2) y tiene que rechazarse o
admitir la hiptesis nula siguiendo el criterio

No rechazar H0 si |
Rechazar H0 si |
|
|
El caso ms problemtico para el contraste de medias, es cuando slo es

conocido de las dos poblaciones que su distribucin es normal, y que sus varianzas
no son conocidas y significativamente diferentes (no homocedasticidad).
En este caso el estadstico de contraste tendr una ley de distribucin muy
particular. Consistir en una distribucin t de Student, con un nmero de grados de
libertad que en lugar de depender de modo determinista de la muestra (a travs de
su tamao), depende de un modo aleatorio mediante las varianzas muestrales.
Concretamente, el estadstico que interesa es
tobs
x1 x2
s12 s22
n1 n2
(5.9)
El nmero de grados de libertad que se calcula mediante la frmula de Welch,
s12 s22

n1 n2
2
1
1

n1 1 n1
n2 1 n2
s12
s22
(5.10)
No es desarrollado en detalle los clculos a realizar, pues la tcnica para
efectuar los contrastes es anloga a las vistas anteriormente cuando las varianzas
son desconocidas e iguales.
Captulo 5
117
Finalmente, si las medias poblacionales de dos muestras independientes

obtenidas de poblaciones normales son idnticas, esto se reduce a los casos
anteriores tomando
, es decir, realizando el contraste:
H 0 : 1 2 0
H1: 1 2 0
Ejemplo. Diez muestras de piedra caliza, tomadas del suministro de materia
prima almacenada en un tajo, dieron los siguientes resultados analticos en % de
CaO:
50,6
50,9
48,5
50,0
46,5
50,5
49,2
49,7
43,0
50,5
Otras diez muestras se tomaron despus de haber sometido a molienda la

materia prima, dieron los siguientes resultados en % de CaO:
50,5
50,3
50,9
50,7
50,3
51,4
49,2
49,9
50,4
50,6
El problema consiste en medir estadsticamente si hay evidencia de una

diferencia significativa antes y despus de someter la materia prima a molienda en
los porcentajes de Ca0, a un nivel de confianza del 99%. Los resultados se pueden
resumir como sigue:
Tratamiento
Tamao de
Promedio
Variancia
Desviacin
Muestra
Aritmtico
Antes
10
48,94
6,0738
2,4645
Despus
10
50,42
0,344
0,5865
Estndar
La prueba es de dos colas para determinar si hay alguna diferencia entre

las medias, entonces la hiptesis nula y alternativa sern,
Con los datos de la tabla anterior se tiene,

tc
48,94 50,42
9(6,0738) 9(0,344)
1,48
10(10)(18)
20
90
57,7602
1,8474
Captulo 5
118
El valor terico de la tabla de t-Student, se encuentra calculando los grados

de libertad como la suma de los tamaos de muestra menos dos (10+10-2=18) y tal
que, es una prueba de dos colas con un nivel de significancia del 1% este se divide
entre 2. Se obtiene el valor tabular de 2,8784 y puesto que el estadstico de prueba
es inferior no se rechaza
. Esto es, no se tiene fuerte evidencia para concluir que
existe una diferencia significativa promedio antes y despus de someter la materia

prima a molienda, para determinar los porcentajes de Ca0.
5.4
Contrastes para la diferencia de medias pareadas

El procedimiento consiste en tomar dos observaciones de un mismo sujeto,
en condiciones homogneas. Un ejemplo de observaciones pareadas consiste en

considerar a un conjunto de n personas a las que se le aplica un tratamiento mdico
y se mide por ejemplo el nivel de insulina en la sangre antes (X) y despus del
mismo (Y).
Paciente
xi
yi
di
140
130
20
190
150
40
...
...
155
120
35
No es posible considerar a X e Y como variables independientes ya que va a

existir una dependencia clara entre las dos variables. Cuando se quiere contrastar el
que los pacientes han experimentado o no una mejora con el tratamiento,
simblicamente di es la diferencia entre las observaciones antes y despus del
tratamiento.
di xi yi
Suponga que la variable aleatoria. que define la diferencia entre el antes y
despus del tratamiento es una v.a. que se distribuye normalmente, pero cuyas
media y varianza son desconocidas.
Captulo 5
119
Luego se contrasta la hiptesis de que el tratamiento ha producido cierto

efecto , utilizando la media observada de las diferencias pareadas resultantes.
H 0 : d
El estadstico de contraste est definido por,
t obs =
d
Sd / n
(5.11)
donde es la media muestral de las diferencias
representa la desviacin
estndar muestral de las mismas. Sin embargo, generalmente se calcula la varianza

de las diferencias y luego su la raz cuadrada con propsito de obtener la desviacin
estndar.
sd2
1 n
d d
n 1 i 1 i
n
di
n
i 1
1
di2
n -1 i 1
n
(5.12)
Ahora, considere el contraste bilateral de tipo,
H 0 : d
H1 : d
Entonces se define tteo t( n 1)(1
cuando |
2)
, y se rechaza la hiptesis nula
|.
No supone ninguna dificultad para la varianza conocida ( d2 ), ya que el

estadstico del contraste es,
Z obs =
d
d / n
(5.13)
Ejemplo. Considere un anlisis realizado por dos diferentes laboratorios,

donde se estudian nueve muestras de perxido de hidrgeno (H202), como sigue:
Captulo 5
120
Muestra
Lab. A
Lab. B
di=A - B
93,08
92,97
0,11
92,59
92,85
-0,26
91,36
91,86
-0,50
91,60
92,17
-0,57
91,91
92,33
-0,42
93,49
93,28
0,21
92,03
92,30
-0,27
92,80
92,70
0,10
91,03
91,50
-0,47
Se desea determinar si existe diferencia en los anlisis de los laboratorios. En

este caso
, donde las hiptesis nula y alternativa pueden expresarse como
sigue:
Para estos datos, el promedio de las diferencias es,

n
d
d
di
i 1
0,11 0,26 0,50 0,57... 0,47

9
- 2.04
=
0,23
9
La variancia de la diferencia es,
2,07
1
11789
,
8
9
1
11789
,
0,4761
8
1
= 0,7028
8
= 0,08785
sd2
de modo que,
sd 0,08785 0,296
Captulo 5
121
Utilizando la frmula 5.11, el estadstico de prueba resultara,

0,23
0,296
9
0,23
0,0987
= -2,33
El valor terico de la distribucin t, con 8 grados de libertad y un nivel de

significancia del 5% es 2,306. Dado que -2,33 -2,306, se rechaza H0. Entonces,
se concluye que existe una diferencia en las mediciones entre los laboratorios, a un
nivel de confianza del 95%.
5.5
Contrastes de una proporcin

En las secciones anteriores se utilizaron procedimientos de contraste de
hiptesis para datos cuantitativos. El concepto de la prueba de hiptesis tambin se

puede utilizar en relacin con datos cualitativos, esto permite decidir con base en los
datos muestrales, si la proporcin poblacional P, es igual, mayor o menor que una
constante determinada.
Suponga que se tiene una sucesin de observaciones independientes, de
modo que cada una de ellas se comporta como una distribucin de Bernoulli de
parmetro P: La variable aleatoria X, definida como el nmero de xitos obtenidos en
una muestra de tamao n es por definicin una v.a. de distribucin binomial,
n
X Xi
i 1
(5.14)
La proporcin muestral (estimador del verdadero parmetro P a partir de la
muestra) es,
p
X
n
(5.15)
Interesa el contraste de significacin de,
H0: P P0
Captulo 5
122
donde
es un valor prefijado, frente a otras hiptesis alternativas. El estadstico de
contraste sigue una distribucin aproximadamente normal para tamaos muestrales

suficientemente grandes, si:
np
Cuando
y (1 - p) 5
es pequea, las pruebas referentes a proporciones se pueden
hacer directamente con la distribucin binomial.

Z obs =
p - P0
P0 Q0
n
(5.16)
Para el contraste bilateral,
H 0 : P P0
H1: P P0
Entonces se define
como la ecuacin (5.16) y el valor terico
. Siendo el criterio de no rechazo o rechazo de la hiptesis nula,

No rechazar
Rechazar
si |
si |
|
|
|
|
|
|

de una proporcin
Ejemplo. Una compaa farmacutica afirma que un antibitico tiene 80% de

efectividad. Se somete a prueba una muestra aleatoria de 50 casos de estudio y
se obtiene una proporcin de 75,7%. Presentan los datos suficiente evidencia
Captulo 5
123
para refutar la afirmacin de la compaa? Para este problema, si se selecciona un

nivel de significacin de 0,05.
La hiptesis nula y alternativa para este problema se pueden expresar como
sigue:
H 0 : P 0,80
H1 : P 0,80
Con los datos que se tienen,

Z obs
0,757 0,80
0,8(0,2)
50
0,043
0,0566
0,76
Al 95% de confianza el valor terico Z es -1,645; por tanto, la hiptesis nula no

se rechazara porque el estadstico de prueba (-0,76) no ha cado en la regin de
rechazo, o simplemente comparando los valores absolutos, se observa que 1,645 es
mayor 0,76. Se llegara a la conclusin de que no hay suficiente evidencia para
refutar la afirmacin de la compaa.
5.6
Contrastes sobre la diferencia de proporciones

En lugar de preocuparse por las diferencias entre dos poblaciones en
trminos de una variable cuantitativa, el inters podra estar, centrarse en las

diferencias en alguna caracterstica cualitativa. Entonces, el problema sera decidir si
la diferencia observada entre dos proporciones, proveniente de dos muestras
independientes es significativa, o pueden ser atribuidas al azar y tambin concluir
que las proporciones son iguales.
Suponga dos muestras independientes tomadas sobre dos poblaciones, en la
que se estudia una variable de tipo dicotmico (Bernoulli). Se contabilizan en cada
caso el nmero de xitos en cada muestra se tiene que cada una de ellas se
distribuye como una variable aleatoria binomial, de modo que los estimadores de las
proporciones en cada poblacin tienen distribuciones aproximadamente normales
(cuando n1 y n2 son bastante grandes).
Captulo 5
124
p1
X1
PQ
N P1 , 1 1
n1
n1
X2
P2 Q2
N P2 ,
n2
n2
p 2
El contraste que interesa realizar es si la diferencia entre las proporciones en

cada poblacin es una cantidad conocida .
H 0 : P1 P2
Si
fuese cierta se tendra que,
PQ
PQ
p 1 p 2 N P1 P2 , 1 1 2 2
n1
n2
Desafortunadamente ni
ni
son conocidos de antemano y son utilizados
sus estimadores, lo que da lugar a un error que es pequeo cuando los tamaos
muestrales son grandes. El estadstico se define como,
Z obs
( p1 p 2 )
p1q1 p 2 q2
n1
n2
(5.17)
donde:
p 1
x1
n1
Proporcin muestral en la poblacin 1
p 2
x2
n2
Proporcin muestral en la poblacin 2

Nmeros de xitos en la muestra 1
Nmeros de xitos en la muestra 2
Tamao de la muestra en la poblacin 1
Tamao de la muestra en la poblacin 2
q1 1 p1
Proporcin muestral de fracasos en la muestra 1
q2 1 p 2
Proporcin muestral de fracasos en la muestra 2
El contraste bilateral sobre la diferencia de proporciones es,

H 0 : P1 P2
H1 : P1 P2
Se define el estadstico de prueba como la ecuacin (5.17) y se rechaza la

hiptesis nula si |
|.
Captulo 5
125
Ejemplo. Una planta de energa elctrica operada con carbn ha considerado

dos sistemas diferentes para reducir la contaminacin del aire. El primer sistema
redujo la emisin de contaminantes a niveles de 68% del tiempo, segn se
determin de 200 muestras de aire. El segundo sistema, a niveles de 76% de las
veces, segn qued determinado en 250 muestras de aire. Pruebe la hiptesis de
que no hay diferencia entre los sistemas, a un nivel de confianza de 97,5%?
La hiptesis nula y alternativa para este problema son:
H 0 : P1 P2 0
H1 : P1 P2 0
Para los datos en uso:

Z obs
0,68 0,76
0,68(0,32) 0,76(0,24)
200
250
0,08
0,2176 0,1824
200
250
0,08
0,0018176
0,08
0,04263
1,876
El valor terico de la prueba con dos colas segn la distribucin normal

estndar para una confianza del 97,5% es 2,24. Resulta que -1,876 -2,24, por
tanto, se toma la decisin de no rechazar
. La conclusin es que no hay pruebas
de diferencias entre los sistemas en la reduccin de la contaminacin del aire, a un

nivel de confianza del 95%.
Captulo 5
126
5.7
5.1
PROBLEMAS
Se le pide a una analista experimentada la evaluacin de dos mtodos
diferentes para la determinacin de trazas de plomo en cido actico
glacial. Se realizaron ocho determinaciones mediante cada mtodo, que
dieron los siguientes resultados para la concentracin del plomo (en ppm):
Mtodo A
1,34
1,33
1,32
1,35
1,32
1,43
1,34
1,31
Mtodo B
1,30
1,26
1,30
1,33
1,20
1,24
1,24
1,33
Existe una diferencia significativa en el promedio de trazas de plomo

determinado por ambos mtodos? =0,05
5.2
Un bilogo sostiene que las concentraciones altas de actinomisina D

inhiben la sntesis de ARN en las clulas y, por consiguiente, tambin la
produccin de protenas. En un experimento realizado para probar esta
teora, se compara la sntesis del ARN en clulas tratadas con dos
concentraciones de actinomisina D, 0,6 y 0,7 microgramos por milmetro,
respectivamente.
De las 70 clulas tratadas con la concentracin ms baja, 55 se
desarrollaron normalmente, mientras que slo 28 de las 50 tratadas con la
concentracin alta se desarrollaron normalmente. Proporcionan estos
datos suficiente evidencia para concluir que hay diferencia entre las tasas
de sntesis del ARN normales para las clulas expuestas a las dos
concentraciones de actinomisina D? Use =0,10.
5.3
De acuerdo con las normas establecidas para un examen de actitud

mecnica, las personas de 18 aos deberan promediar 73,2 puntos con
una desviacin estndar de 8,6 puntos. Si 45 personas escogidas en
forma aleatoriamente promediaron 76,7 puntos. Pruebe la hiptesis de que
la media de la poblacin en realidad es mayor a un nivel de significacin
de 0,05.
Captulo 5
127
5.4
Una solucin que contiene 102,2 mg/L de plomo, es el estndar de

referencia certificado. Si 17 muestras dieron como resultado x =98,6 mg/L
y s=3,5 mg/L. Existe diferencia entre la media obtenida y la media
poblacional? Use =0,01.
5.5
Se desea comparar un nuevo mtodo enzimtico para determinar

colesterol con el mtodo estndar de Lieberman (colorimtrico). Para ello,
se observ una muestra para ambos mtodos con los resultados
siguientes: (en mg/dl)
Enzimtico
305
385
193
162
478
Colorimtrico
300
392
185
152
480
455
238
Existe diferencia significativa al nivel de confianza del 99% entre los

mtodos?
5.6
Un organismo de control farmacutico investiga una muestra de 20 frascos

de cierto medicamento para controlar el contenido de cierta droga que afecta
el ritmo cardaco. Se pretende determinar si se estn cumpliendo las
especificaciones del caso, que establecen que ese contenido no debe diferir
de 0,12 gr/100 ml. Al evaluar la muestra, se encontr que el contenido medio
es de 0,10 gr /100 ml, con una desviacin estndar de 0,02 gr/100 ml. Se
estarn o no infringiendo las especificaciones? Use = 0,01.
5.7
Las pruebas efectuadas en una muestra de 40 motores diesel producidos

por un fabricante mostraron que tenan una deficiencia trmica promedio
de 31,4% con una desviacin estndar 1,6%. Dado un nivel de
significacin de 0,05, pruebe la hiptesis nula de que =32,3% contra la
hiptesis alternativa de que es diferente.
5.8
Se utilizaron dos mtodos diferentes para determinar la concentracin

(ppm) de Mg en agua natural. Se hallan los siguientes resultados:
Captulo 5
128
Mtodo A
5,65
5,75
5,64
5,73
5,69
5,71
Mtodo B
5,83
5,78
5,79
5,92
5,95
5,82
Existe diferencia significativa al nivel de confianza del 90% entre los

mtodos?
5.9
Una fbrica de productos qumicos ha producido en promedio 800

toneladas por semana. Las producciones en las ltimas semanas fueron
785, 805, 790, 793 y 802 toneladas. Indican estos datos que la
produccin promedio fue menor que 800 toneladas y que, por lo tanto, el
rendimiento de la planta ha disminuido? Realice una prueba con un nivel
de significacin del 5%.
5.10
Cinco mediciones del contenido de alquitrn de cierta marca de cigarrillos

producen los resultados:
14,5
14,2
14,4
14,3
14,6 mg por cigarrillo
Pruebe que la diferencia entre promedio de esta muestra y la media del

contenido de alquitrn que indica el fabricante, =14, es significativa en
=0,10.
5.11
Considere los datos del ejercicio 4.39, una vez seleccionada la muestra
aleatoria de 195 artculos, 30 tenan algn defecto. Probar la hiptesis,
que la proporcin de defectuosos es diferente al 10%? Use =0,05.
5.12
Las observaciones de la cantidad de agua tomada por una muestra de 17

ratas que haban sido inyectadas con una solucin de cloruro de sodio,
tuvieron una media y una desviacin estndar de 31,7 y 6,4 centmetros
cbicos, respectivamente. Dado que la cantidad promedio de agua
ingerida por las ratas que no han sido inyectadas, en un perodo de tiempo
comparable, es de 27,0 centmetros cbicos, indican los datos que las
ratas inyectadas beben ms que las no inyectadas? Haga la prueba
usando un nivel de significacin del 1%.
Captulo 5
129
5.13
Los desechos industriales y la basura que se descargan en los ros

absorben oxgeno, y por lo tanto, reducen la cantidad de oxgeno disuelto
disponible para los peces y otras formas de vida acutica. Segn
investigadores de la Escuela de Biologa de una universidad estatal se
requiere un mnimo de 5 ppm de oxgeno disuelto para que sea suficiente
para la vida acutica. Durante los meses de diciembre y enero se tomaron
45 muestras de agua, dando como resultado una media aritmtica de
4,352 ppm y una desviacin estndar de 1,261 ppm. Hay suficiente
evidencia en los datos que indique que el contenido de oxgeno disuelto es
menor que 5 ppm? Use =0,025.
5.14
Un fabricante puede tolerar una pequea cantidad (0,05 miligramos por

litro) de impurezas en una materia prima que necesita para fabricar su
producto. Debido a que los anlisis de laboratorio para detectar las
impurezas estn sujetos a errores experimentales, el fabricante analiza
cada lote 10 veces. Suponga que el valor medio del error experimental es
cero y que, por lo tanto, el valor medio de los 10 anlisis constituye una
estimacin insesgada de la verdadera cantidad de impurezas en el lote.
Para un lote de la materia prima, la media de los 10 anlisis es 0,058 mg/l,
con una desviacin estndar de 0,012 mg/l. Proporcionan los datos
suficiente evidencia que indique que la cantidad de impurezas en el lote
excede los 0,05 mg/l? Use =0,10.
5.15
Un mtodo de impregnar nubes tuvo xito en 57 de 150 intentos, mientras

que otro tuvo xito en 33 de 100 intentos. Con un nivel significacin de
0,05, se puede concluir que el primer mtodo es mejor que el segundo?
5.16
La variabilidad de la cantidad de impurezas presentes en un compuesto

qumico usado para un proceso particular, depende del tiempo en que el
proceso est en operacin. Un fabricante que usa las lneas de produccin
1 y 2, ha introducido un ligero ajuste al proceso 2, con la esperanza de
Captulo 5
130
reducir tanto la variabilidad como el promedio de la cantidad de impurezas

en el compuesto qumico. Muestras aleatorias de 35 observaciones de los
dos procesos tuvieron las medias y varianzas siguientes:
y1 3.2 s12 114
.
2
y 2 3.0 s2 151
.
Presentan los datos suficiente evidencia que indique que el promedio del
proceso 2 es menor que la del proceso 1? Use =0,01.
5.17
Cierto estudio sugiere que la aspirina puede proteger a los pacientes de

ciruga de la formacin de cogulos postoperatorios en las venas. De 43
individuos que recibieron 4 tabletas de aspirina por da, slo 5 tuvieron
cogulos de sangre en comparacin con 8 de 50 individuos que tomaron
placebos. Proporcionan estos datos suficiente evidencia para concluir
que hay relacin entre el uso de la aspirina y la frecuencia de la formacin
de cogulos postoperatorios? Use =0,01.
5.18
Los lmites de emisin de hidrocarburos para automviles el ao pasado

eran de 1,5 gramos por milla. Los anlisis de la emisin de hidrocarburos
de una muestra aleatoria de 12 autos, produjeron una media aritmtica de
1,394
una
desviacin
estndar
de
0,175
gramos
por
milla.
Proporcionan los datos suficiente evidencia para concluir que la emisin

media de hidrocarburos para este modelo de automvil es menor que el
lmite de 1,5 gramos por milla? Use =0,05.
5.19
Cierto producto lleva escrito en su envase: contenido 16 onzas netas. Un

agente del Departamento de Proteccin del Consumidor del Ministerio de
Economa, selecciona 70 unidades del producto y pesa su contenido,
encontrando que el promedio aritmtico es 14,5 onzas y una desviacin
estndar de 1,04 onzas. Presentan los datos suficiente evidencia que
indique que el peso neto es menor que lo indicado en el envase? Use
=0,02.
Captulo 5
131
5.20
Se realiza un experimento para comparar la resistencia (en onzas) de dos

tipos de papel. Se seleccion una muestra aleatoria de tiras papel de cada
tipo. El tipo 1, papel estndar, una muestra de tamao 60 present una
resistencia media aritmtica de 1,364 y una desviacin estndar de 0,112.
El tipo 2, tratado con una sustancia qumica, el promedio aritmtico y
desviacin estndar de una muestra de tamao 50 resultaron, 1,442 y
0,123, respectivamente. Pruebe la hiptesis de que no hay diferencia entre
la resistencia de los dos tipos de papel. Use =0,10.
5.21
El fabricante de un producto para remover manchas afirma que su producto

remueve cuando menos el 90% de todas las manchas. Qu puede concluir
acerca de esta afirmacin, si el producto slo elimin 34 de 50 manchas
elegidas al azar de la ropa llevada a una lavandera? Use =0,025.
5.22
Los datos que se muestran a continuacin son los grados de dureza

Brinell obtenidos para muestras de dos aleaciones de magnesio:
Aleacin 1:
66,3
63,5
64,9
61,8
64,3
64,7
Aleacin 2:
71,3
60,4
62,6
63,9
68,8
70,1
65,1
64,5
Existe una diferencia significativa en los grados dureza de las dos

aleaciones? Use =0,10.
5.23
La dureza del agua en la salida de cierta planta de energa elctrica tiene

una distribucin normal con =55 ppm. Doce muestras de agua dieron como
resultado una media aritmtica de 53 y una variancia de 97,4 ppm. Se
puede concluir que la dureza media del agua es inferior a 55 ppm? Use
=0,10.
5.24
El gerente de produccin de una empresa de productos derivados de la

leche afirma que cuando mucho el 2% de las bolsas de leche se
descomponen en los lugares de venta. Pruebe esta aseveracin con
Captulo 5
132
=0,01, si una revisin hecha en 10 establecimientos, 2 de 50 bolsas

estaban en mal estado.
5.25
Segn las especificaciones de produccin el peso de las bolsas de jabn en

polvo llenadas por una mquina se distribuye normalmente con promedio
aritmtico de 2 lbs. El encargado de control de calidad seleccion
aleatoriamente 25 bolsas, encontrando que tenan un peso promedio de
1,95 y una desviacin estndar de 0,145 lbs. Qu se puede concluir acerca
del peso promedio de las cajas? Use =0,10.
5.26
Se instala un nuevo dispositivo de filtrado en una unidad qumica. Antes y

despus de su instalacin, una muestra aleatoria proporcion la siguiente
resultados acerca del porcentaje de impurezas:
Tiempo
Tamao de
Promedio
Variancia
muestra
aritmtico
Antes
40
12,5
101,17
Despus
35
10,2
94,73
Ha reducido significativamente el porcentaje de impurezas el dispositivo de

filtrado? Use =0,05.
5.27
El lmite de concentracin del istopo radiactivo estroncio 90 es 5 por litro.

Para verificar si las especificaciones se cumplan en cierta regin del pas,
fueron seleccionadas aleatoriamente 60 lecheras, encontrndose una
media aritmtica de 6,6 y una desviacin estndar de 0,7958 por litro.
Existe alguna diferencia significativa en la concentracin promedio con el
lmite tolerable? Use =0,10.
5.28
Una compaa dedicada a pintar casas encontr que de 83 casas pintadas

con pintura de la marca A, 20 mostraron indicios de resquebrajaduras y de
58 casas pintadas con pintura de la marca B, 15 presentaron el mismo
Captulo 5
133
problema transcurrir un ao. Determine con un nivel de significacin de

0,03 si la marca A tiene ms durabilidad?
5.29
En un laboratorio se ha estado utilizando el mtodo de absorcin atmica

para determinar el contenido de calcio en sangre. En una publicacin
reciente, es presentado un mtodo colorimtrico que promete ser rpido y
barato. Se toman 8 muestras de sangre, siendo analizadas por ambos
mtodos. A continuacin se presentan los resultados:
Absorcin
10,9
10,1
10,6
11,2
9,7
10,0
10,6
10,7
Colorimtrico
9,2
10,5
9,7
11,5
11,6
9,3
10,1
11,2
Existe una diferencia promedio en la determinacin del contenido de calcio

entre los mtodos? Use =0,01.
5.30
Un ingeniero qumico sospecha que el porcentaje de sulfato de sodio de

una reaccin es superior al 93,4%. Para poner a prueba su hiptesis toma
una muestra aleatoria 35 reacciones, determinando que el porcentaje
promedio del Na2SO4 es 95,5%. Qu puede concluirse acerca del
porcentaje de sulfato de sodio de la reaccin? Use =0,04.
5.31
Se encontr que la molcula de piridina, C5H5N, se absorbe en la superficie

de ciertos xidos metlicos. En una muestra aleatoria 12 porciones de 5 g
de ZnO, la absorcin promedio fue 0,068 g, con una desviacin estndar
0,0272 g. Pruebe la hiptesis nula de que =0,067 g contra la hiptesis
alternativa de que <0,067 g con un nivel de significancia de 0,05.
5.32
Se pide a dos estudiantes de la carrera de Laboratorista Qumico de la

Universidad de Costa Rica, que determinen el porcentaje de calcio de cierto
compuesto. Cada estudiante realiza 6 determinaciones. Utilizando los datos
que se presentan a continuacin:
Estudiante 1:
84,99
84,04
84,38
84,24
85,13
84,75
Estudiante 2:
84,72
84,48
83,78
85,15
84,33
87,92
Captulo 5
134
Difieren significativamente los resultados encontrados por los dos

estudiantes? Use =0,01.
5.33
Una empresa de embutidos ubicada en Alajuela elabora tortas de pollo. La

compaa asegura que, a lo sumo, el 5% de las tortas presentan algn
defecto de peso, empaque o de forma. Una muestra aleatoria de 80 tortas
seleccionadas en los establecimientos de venta, indic que 10 tenan
alguno de los problemas anteriormente citados. Pruebe la hiptesis de la
compaa? Use =0,02
5.34
Los siguientes datos son los niveles del residuo de plaguicida (ppb) en la
sangre de dos muestras aleatorias de personas de cierta comunidad:
Muestra A 27 35 5
11 9
33 8
4
14 16
Muestra B 12 32 30 20 44 18 25 17 13 21
Con un 0,05 de probabilidad mxima de rechazar la hiptesis nula siendo
verdadera, pruebe la hiptesis de que no hay diferencia entre los dos
promedios.
5.35
Al comparar la resistencia a la tensin de dos tipos de acero para

estructuras, un experimento dio los siguientes resultados.
Tipo
Tamao de muestra
Variancia
Promedio
Acero A:
43
19,3
14,64
Acero B:
36
13,5
11,48
Suponiendo que las mediciones constituyen muestras tomadas al azar de dos

poblaciones normales, existe una diferencia significativa en el promedio de
resistencia a la tensin de los dos tipos de acero? Use =0,10.
5.36
Se ensayan dos mtodos para la determinacin del calor de fusin del

hielo en caloras por gramo. Se desea conocer si existe diferencia entre
los mtodos a un nivel de significacin del 5%.
Captulo 5
135
5.37
Mtodo A
79,9
80,0
79,9
80,2
80,5
80,4
Mtodo B
80,0
79,9
80,3
79,9
79,9
79,9
80,3
80,1
Para comparar las cualidades de dos procesos de fabricacin se escoge 100

unidades de la produccin obtenida por cada proceso, resultando:
PROCESO
DEFECTUOSOS
11
Qu conclusin puede extraerse de estos datos? Use =0,01.
5.38
Los propietarios de una empresa agrcola de exportacin, estn estudiando

el efecto de la temperatura de almacenamiento en la conservacin de
tomates. Interesa cuantificar el nmero de tomates que se pudren despus
de una semana de almacenamiento. Deciden usar dos niveles de
temperatura a 50C y 60C, divididos en 7 lotes de 10 unidades. Los
resultados que se presentan a continuacin son el nmero de tomates
podridos por lote.
50 C
60 C
Son significativos los efectos de la temperatura? Use =0,05.
5.39 Un fabricante sospecha que el contenido de nitrgeno en un producto vara

de un lote a otro. Selecciona una muestra aleatoria de cuatro lotes y realiza
cinco determinaciones del contenido de nitrgeno en cada lote. Existe una
diferencia significativa en el contenido de nitrgeno de un lote a otro? Use
=0,05.
Lote
Observaciones
26,15
26,25
26,39
26,18
26,20
24,95
25,01
24,89
24,85
25,13
25,00
25,36
25,20
25,09
25,12
26,81
26,75
26,15
26,50
26,70
Captulo 5
136
5.40
Una compaa qumica produce cierta droga cuyo peso tiene una desviacin
estndar de 4 mg. Se ha propuesto un nuevo mtodo de produccin aun
cuando est involucrado un cierto costo adicional. La gerencia autorizar un
cambio en la tcnica de produccin solamente si el promedio aritmtico del
peso del nuevo proceso es menor de 16,625 mg.
Supngase que los investigadores seleccionan n=10 y obtienen los datos que
a continuacin se presentan. Asumiendo que el peso se distribuye
normalmente y que =0,05, Cul debera ser su decisin?
16,628
16,623
16,615
16,634
16,622
16,622
16,617
16,630
16,624
16,636
5.41 Los siguientes son los datos de un estudio de la seguridad y exactitud de

las determinaciones microanalticas de carbono e hidrgeno, hechas por
dos analistas distintos:
Pedro
59,09
59,17
59,27
59,13
Ana
59,51
59,75
59,61
59,60
59,10
59,14
Existe una diferencia significativa promedio al 95% de confianza entre las

determinaciones de los dos analistas?
5.42 El lmite superior especificado de impurezas de una sustancia es 0,01 por

100. El analista repite el anlisis cinco veces y encuentra los siguientes
resultados:
0,009
0,012
0,0113
0,0821
0,0915
Teniendo en cuenta el error experimental, es significativamente superior el

promedio de impurezas al especificado del 0,01%? Use =0,01.
5.43 Los resultados de varias determinaciones de cobre en un mineral son los

siguientes (en % Cu). El primer grupo de determinaciones fue realizado por
el analista A, el segundo por el analista B. Comparar las precisiones de los
dos analistas. Use =0,10.
Captulo 5
137
6,2
5,7
6,5
6,0
6,3
5,8
5,7
6,0
5,6
5,9
5,6
5,8
6,0
5,5
5,7
5,5
6,0
5,8
5.44 Considere dos yacimientos de mineral de cobre. Los yacimientos se

dividieron en secciones, y se analizaron muestras procedentes de
secciones correspondientes, determinando su contenido en cobre como
muestras en paralelo. Los datos obtenidos fueron los siguientes:
Yacimiento 1
25,5
23,1
28,2
24,4
31,5
25,7
27,9
28,7
Yacimiento 2
24,8
21,6
21,6
17,5
25,2
19,2
15,1
27,8
Existe una diferencia significativa entre los dos yacimientos en lo que

refiere a su contenido en metal?. Use =0,05.
5.45 Muestras de tamao 60 y 70 produjeron proporciones de 0,25 y 0,28,

respectivamente. Pruebe la igualdad de las proporciones de la poblacin
al nivel de significacin del 0,05?
5.46 Los resultados que se dan a continuacin son varios anlisis de protenas
en una misma variedad de trigo cultivado en dos lugares diferentes. Hay
una diferencia significativa entre las dos medias? Use =0,01.
Lugar A
12,5
11,9
12,7
13,3
Lugar B
13,2
12,9
13,5
12,7
12,3
13,3
5.47 Un estudio tena el objetivo de comparar las proporciones de dos

poblaciones. Muestras de tamao 160 y 110 dieron como resultado
proporciones de 0,425 y 0,345. Pruebe la igualdad entre las verdaderas
proporciones de la poblacin? Use =0,10.
5.48 Los siguientes resultados de dos determinaciones de C e H en cido

benzoico e hidrocloruro de efedrina, fueron obtenidos por diversos
analistas.
Captulo 5
138
Acido benzoico
Hidrocloruro de
efedrina
%C
%H
%C
%H
69,03
5,00
59,22
8,19
68,96
4,91
59,66
8,31
69,18
5,22
59,27
7,86
69,22
5,19
59,22
7,87
68,88
4,89
59,51
8,24
69,04
4,76
59,60
8,00
Cmo podra compararse las determinaciones de carbono y las de

hidrgeno entre s para ver si unas son significativamente ms precisas que
las otras?
Captulo 5
139
Captulo 6
Regresin y Correlacin Lineal Simple
6.1 Regresin
6.2 Regresin lineal
6.3 Ajuste del modelo de regresin lineal
6.4 Uso de la ecuacin de regresin
6.5 Error estndar de estimacin
6.6 Prueba de hiptesis
6.7 Bondad de un ajuste
6.8 Intervalo de prediccin
6.9 Anlisis de regresin: comentarios finales
6.10 Anlisis de correlacin lineal
6.12 Problemas
Regresin y Correlacin Lineal Simple

En trabajos cientficos es necesario, a menudo, determinar el efecto que una
variable ejerce sobre otra. As, por ejemplo, se desea comprobar si una reaccin
colorimtrica sigue la ley de Beer-Lambert, medir la velocidad de una reaccin
qumica o conocer la validez de nuevo mtodo en relacin con una serie de normas
conocidas. Un experimento de laboratorio es una medida del efecto de una variable
sobre la otra; con base a una cantidad de muestra, se efecta la reaccin y
posteriormente, se cuantifica la respuesta.
En el presente captulo se ocupar exclusivamente de la regresin y
correlacin lineal simple que utiliza dos variables. Al discutir sobre estas variables se
examinarn varias medidas como el coeficiente de regresin y determinacin,
pruebas de hiptesis e intervalos de confianza, con el propsito de sacar
conclusiones acerca de ellas.
6.1
Regresin
La regresin es una tcnica estadstica para estudiar la naturaleza de la
relacin entre dos o ms variables. Aunque puede utilizarse en esto las ecuaciones
no lineales, el captulo de limitar a la explicacin a las ecuaciones de regresin del
tipo lineal (lnea recta).
Un caso prctico de anlisis es construir las curvas de calibracin utilizadas
en los mtodos fotomtricos: hay que proceder a la medicin de la respuesta de un
aparato en relacin con cantidades variables del constituyente a estudiar. En anlisis
gravimtrico, puede presentarse la necesidad de relacionar el peso de precipitado
con la temperatura, el pH, el contenido en electrolito inerte o con otras variables.
Los objetivos de la regresin son mostrar la forma como la variable
independiente (X) se relaciona con la variable dependiente (Y), hacer pronsticos
sobre los valores de la variable dependiente, con base en el conocimiento de los
valores de la variable independiente. Matemticamente se expresa como
Esto es conocido como la relacin funcional. El criterio para construir , tal

que la diferencia entre
tienda a hacer
e sea pequea, esto es que ei =Yi -Y
i
mnima.
El trmino que se denomina error debe ser tan pequeo como sea posible. El
objetivo ser buscar la funcin (tambin llamada modelo de regresin)
que
lo minimice. Vase las figuras de la siguiente pgina (o diagramas de dispersin).

Como se observa en las figuras, el diagrama de dispersin es la
representacin grfica de dos variables, que tiene el objetivo de examinar la
dispersin de los datos observados, para determinar visualmente el patrn de
comportamiento de los puntos (pares de datos x, y). Con ayuda de esta tcnica,
podemos establecer la clase de relacin que existe entre las variables, sta puede
ser una lnea recta, una parbola, una exponencial, etc.
Diferentes nubes de puntos y modelos

de regresin para ellas.
Captulo 6. Regresin y Correlacin Lineal Simple
142
6.2
Regresin lineal
La forma de la funcin de regresin en principio podra ser arbitraria, y tal vez
se tenga que la relacin ms exacta entre las variables X e Y sea la siguiente,

Y f ( x) 3,2746e x sen x
Por el momento no se pretende encontrar relaciones tan complicadas entre

variables, pues la discusin se limitar al caso de la regresin lineal. Con este tipo de
regresiones ser suficiente hallar relaciones funcionales de tipo lineal, es decir, se
busca cantidades a y b tales que se pueda escribir,
Y a bx
(6.1)
con el menor error posible entre Y e Y, de forma que Yi - Y i sea una variable que
toma valores prximos a cero. El problema que se plantea es entonces el de cmo
calcular las cantidades a y b a partir de un conjunto de n observaciones,
( x1 , y1 )
( x , y )
2 2
...
( x n , y n )
de forma que se minimice el error. Las etapas en que se divide el proceso que
vamos a desarrollar son, de forma esquemtica, las que siguen:
1. Dadas dos variables X, Y, sobre las que definimos Y a bx , se cuantifica el
error que se comete al aproximar Y mediante Y calculando la suma de las
diferencias entre los valores reales y los aproximados al cuadrado (para que
sean positivas y no se compensen los errores):
i 1
n
yi yi
2 i1ei2
n
(6.2)
2. Una aproximacin Y a bx de Y, se define a partir de dos cantidades a y b. Se
calcula aquellas que minimizan la funcin,
i 1
n
Error (a , b) yi y i
i 1
n
yi a bxi
(6.3)
143
3. Posteriormente se encuentran las frmulas para el clculo directo de a y b que

sirvan para cualquier problema.
6.3
Ajuste del modelo de regresin lineal

Para calcular la recta de regresin de Y sobre X se utiliza el mtodo de
mnimos cuadrados, el que garantiza que la ecuacin escogida minimizar la suma

de cuadrados de las desviaciones entre cada valor de Y y su valor correspondiente
predicho por la ecuacin ( Y )1.
Los errores a minimizar son las cantidades

ei2 yi yi
Una vez definido el error de aproximacin mediante la relacin mostrada en la

figura, las cantidades que lo minimizan se calculan derivando con respecto a ambas
e igualando a cero (procedimiento de los mnimos cuadrados). Obtenindose dos
ecuaciones normales. La primera se escribe como,
n
i 1
i 1
yi an b xi 0
a y bx
(6.4)
Mediante la segunda ecuacin normal,
n
i 1
i 1
i 1
yi xi a xi b xi2 0
Estas desviaciones son llamados tambin errores o residuos de estimacin; y se parte del supuesto
que los errores se hallan distribuidos normalmente y tienen una variancia constante.
144
(6.5)
y sustituyendo, se obtiene que
n
n xi yi - xi yi
b=
i=1
i=1
i=1
2
n xi2 - xi
i=1
i=1
n
(6.6)
La constante
de regresin indica el valor pronosticado de Y cuando X es
cero. El coeficiente de regresin
representa la cantidad de cambio (bien, puede ser
aumento o disminucin) que se pronostica en Y para un aumento de una unidad en

X. Un signo negativo en el coeficiente
disminuye Y. Grficamente,
indica que medida que aumenta X,
es la pendiente de la lnea de regresin.
Ejemplo. Un investigador tiene inters de estudiar la elasticidad de cierto

plstico (en grados) como una funcin de la temperatura (F) a la que se produce.
Se preparan diez piezas de plstico utilizando distintas temperaturas y los valores
observados de la elasticidad fueron:
Temperatura
100
110
120
135
140
150
160
175
180
200
Elasticidad
113
118
127
132
136
144
138
146
156
150
Es evidente, al observar el siguiente grfico donde se han representado los

valores, que es razonable suponer que la relacin entre temperatura y elasticidad del
plstico es lineal; esto es, una lnea recta da una buena aproximacin sobre el
rango1 de los datos disponibles.
Temperaturas entre el valor mnimo (100) y la mxima (200).
145
Diagrama de dispersin entre la temperatura

y la elasticidad de cierto plstico
1
6
5
1
5
5
1
4
5
Elasticidad
1
3
5
1
2
5
1
1
5
1
0
5
8
0
1
0
0
1
2
0
1
4
0
1
6
0
1
8
0
2
0
0
2
2
0
T
e
m
p
e
r
a
tu
r
a
Las cantidades que necesitamos para sustituir en las frmulas 6.4 y 6.6 son:
10
10
yi 1360
.
10
xi yi 203.690
.
xi 1470
i 1
i1
10
10
i 1
i 1
xi2 225.450
i1
yi2 186.674
n=10
Al utilizar estos resultados, se calcula b como,
10 203.690 1470
. 1360
.
10 225.450 1470
.
2.036.900 1999
. .200
2.254.500 2.160.900
37.700
93.600
0,40278
y la constante de regresin, a, sera:
1360
.
1470
.
0,40278
10
10
136 0,40278(147)
76,79167
a=
146
Por tanto, la ecuacin de la lnea recta que mejor ajusta los datos en el
sentido de mnimos cuadrados es,
y 76,79167 0,40278 X
El coeficiente de regresin result 0,40278. Este valor significa que, para

aumento de un grado en la temperatura, hay un cambio en la elasticidad del plstico
de 0,40 grados, es decir un aumento. Se puede considerar que esta pendiente
representa la parte variable de la elasticidad, la cual vara con la temperatura de
fabricacin del plstico.
La interseccin con el eje Y se calcul que era 76,79167. Esta se puede
considerar que representa la parte fija de la elasticidad del plstico, o sea, la
elasticidad que no vara en funcin de la temperatura.
6.4
Uso de la ecuacin de regresin

La ecuacin de regresin que se ha ajustado a los datos, se puede utilizar
ahora para predecir el valor de la elasticidad para un valor dado de la temperatura.

Por ejemplo, para x=115 F predecimos que la elasticidad ser 123,1 grados, que se
calcula de la siguiente forma,
y 76,79167 0,40278(115) 1231

,
Cuando se utiliza el anlisis de regresin para predicciones, es importante
considerar slo el rango de variacin de la variable independiente al hacer las
predicciones. Este rango abarca todos los valores de X, desde el mnimo hasta el
mximo utilizados para encontrar la ecuacin de regresin.
Predecir Y para un valor dado de X, se llama interpolar dentro de este rango
de los valores de X, pero no se puede extrapolar ms all del rango de los valores de
X. Cualquier prediccin de Y fuera del rango de X, supone que la relacin ajustada
es vlida fuera de este recorrido de 113 y 200 grados. Este supuesto
necesariamente no se cumple, existen muchos problemas de investigacin donde
despus de ciertos valores de X, la forma de la relacin es curvilnea.
147
6.5
Error estndar de estimacin

El error estndar de la estimacin se parece al utilizado para determinar un
intervalo de confianza para una media o proporcin de la poblacin, salvo que en

este caso el intervalo est en la direccin vertical. Por ejemplo, si sustituyramos
X=10 en la ecuacin de regresin y 76.79167 0.40278 X , se calcula que el valor de
Y es de 80,82. No obstante, se trata de una mera estimacin puntual y
necesariamente hay cierta incertidumbre respecto al nivel probable de Y cuando X
sea igual a 10. Es imprescindible conocer el error estndar de estimacin para
calcular un intervalo ms apropiado en sentido estadstico.
El error de la estimacin puede calcularse por,
n
i=1
i=1
i=1
2
yi - a yi - b xi yi
Se =
n-2
(6.7)
donde:
a = la interseccin de la recta
b = el coeficiente de regresin
n = tamao de la muestra
Con el uso de la ecuacin (6.7) y el problema de la elasticidad del plstico, el

error estndar de la estimacin se calcula como,
Se =
186.674 - 76,79167(1360
. ) - 0,40278(203,690)
8
186.674 104.436,6712 82.042,2582

8
195,0706
8
24,383825
4.9378
Este error estndar de la estimacin, igual a 4,94378 (grados), representa una

medida de la variacin en torno a la recta ajustada de regresin. Se mide en la
unidad de medicin de la variable Y dependiente. La interpretacin del error estndar
de estimacin, es semejante al de la desviacin estndar. As como la desviacin
148
estndar mide la variabilidad alrededor del promedio, el error estndar de estimacin

mide la variabilidad en torno a la recta ajustada de regresin.
6.6
Prueba de hiptesis sobre el coeficiente de regresin

Una vez estimada la ecuacin de regresin es conveniente determinar el
aporte de la variable independiente al modelo ajustado. Hay que tomar la decisin de

eliminarla e incluir otras que podran contribuir con ms informacin sobre la
variabilidad de Y.
La hiptesis nula plantea que la pendiente de la recta es cero contra la
hiptesis alternativa que es diferente. Simblicamente se denota como,
H0:=0
(no hay relacin lineal)
H1:0
(si hay relacin lineal)
La hiptesis nula implica que no existe ninguna relacin lineal entre las
variables. La hiptesis alternativa es que existe una relacin lineal, positiva o
negativa. Podramos decir, que cuando no se rechaza, entonces indica que la
variable independiente no aporta informacin para predecir la variabilidad de Y. Para
realizar la prueba se utiliza una estadstica t con n-2 grados de libertad, donde
t obs =
b
Se /
SC x
(6.8)
Donde SCx son la suma de cuadrados de la variable independiente X y se

tiene que,
n
SC x = xi2
i=1
n
xi
i=1
n
(6.9)
Para los datos de temperatura y elasticidad del plstico, segn las ecuaciones
6.8 y 6.9, se obtiene
(1470) 2
10
225450 216090
9360
sc x 225450
149
0.40278
4.94378
9360
0.40278
0.0511
= 7.882
t obs
Si se dese un nivel de confianza del 99%, se tendra un valor terico con 8

grados de libertad de 3,3554. Ahora, como el valor observado es mayor al terico,
(3,3554 7,882), se rechaza H0. Entonces, la conclusin a que se lleg es rechazar
la hiptesis nula y decir que hay alguna relacin entre la temperatura de fabricacin y
la elasticidad del plstico.
6.7
Bondad de un ajuste
Si el ajuste de Y mediante la ecuacin de regresin Y f (x ) es bueno, cabe
esperar que la varianza del error de estimacin debe ser pequea (en comparacin
con la de Y). Ello se puede expresar definiendo una nueva variable E que mida las
diferencias entre los autnticos valores de Y y los tericos suministrados por la
regresin,
e1 y1 y1
e y y
2
2
2
E Y Y
en yn y n
Dicho de otro modo, E debe ser una variable cuya media debe ser 0, y la
2
2
varianza SE pequea en comparacin con SY . Por ello, se define el coeficiente de
determinacin de la regresin de Y sobre X, como
S E2
SY2
Variancia de Y explicada por X
Variancia total de Y
r2 1
(6.10)
donde,
150
i=1
i=1
n xi yi - xi yi
r=
i=1
2
n
n n
n
n x i2 - x i n y i2 - y i
i=1 i=1
i=1
i=1

(6.11)
2
Si el ajuste es bueno se debe tener que r tome un valor prximo a 1. El
coeficiente de determinacin sirve entonces para medir de qu modo las diferencias

entre los verdaderos valores de una variable y los de su aproximacin mediante una
ecuacin de regresin son pequeos en relacin con los de la variabilidad de la
variable que intentamos aproximar. Por esta razn, estas cantidades miden el grado
de bondad del ajuste.
En el problema tratado en las secciones anteriores y utilizando la ecuacin
6.11, se calcula:
r
10(203.690) 1470
. (1360
. )
. ) 10(186.674 (1360
. )
10(225.450 (1470
2
2.036.900 1999
. .200
. .740 1849
. .600
2.254.500 2.160.9001866
37.700
93.600(17.140)
37.700
40.053,76
0,94
2
entonces r 0,8836 . El 88,36% de la variabilidad de la elasticidad del plstico se
encuentra explicada por relacin lineal con la temperatura de fabricacin. Esto

implica, que el restante 11,64% est explicado por otras variables que afectan la
elasticidad, no consideradas en el modelo de regresin lineal.
6.8
Intervalo de prediccin
El intervalo de confianza alrededor de la recta de regresin se refiere a la
verdadera respuesta media en x = x0 (esto es un parmetro de la poblacin), y no a

observaciones futuras. La frmula de clculo del intervalo de prediccin sera,
151
y t / 2(n-2)gl S e
x0 - x
1
+
n
SC x
(6.10)
t/2(n-2)gl = valor de la distribucin t para el nivel de confianza deseado y
donde:
(n-2) grados de libertad
Se = error estndar de estimacin
y = valor de Y calculado a partir de X a partir de la lnea de regresin
x = la media de los valores de X en los datos de la muestra

SCx = suma de cuadrados de X (vase ecuacin 6.9).
Una vez presentada la ecuacin 6.10, se puede desarrollar estimaciones del

intervalo de confianza para el problema que se ha venido comentando. Por ejemplo,
si se desea una estimacin del intervalo con 95% de confianza de la elasticidad
promedio real para una temperatura de fabricacin de 145 grados, se calcula lo
siguiente:
y 76,79167 0,40278(145) 135,2
Adems,
t/2(n-2)gl = 3,3554
x 147
x0=145
SCx = 9.360
Por tanto,
135,2 3,3554(4,94378)
1 (145 147) 2
10
9.360
135,2 16,588 0,10

135,2 16,588(0,316)
135,2 5,24
De modo que:
130.0 y
x0
140.4
152
Por consiguiente, se estima que la elasticidad promedio real del plstico

fabricado a 145 grados es entre 130,0 y 140,4. Se tiene 95% de confianza de que el
intervalo estima correctamente la verdadera elasticidad promedio del plstico.
6.9
Anlisis de regresin: comentarios finales

Un problema potencial es tratar de hacer predicciones con relacin a los
valores de X que se encuentran fuera de los lmites de los datos sobre los que se
calcula la lnea de regresin. La linealidad de la relacin no siempre se extiende a
esta regin, haciendo que una prediccin realizada a partir de esta extensin
muestre un grave error. Es muy posible que un modelo que ajusta bien en la regin
de los datos originales ya no se ajuste igual fuera de esa regin.
Por ltimo, cuando un diagrama de dispersin indica que una relacin
posiblemente no sea lineal, puede incluir un trmino X2 en la ecuacin, por ejemplo:
y1 b0 b1x b2 x 2
quiz dividirlo en varios intervalos de X y luego calcular una ecuacin de mnimos
cuadrados para cada uno de los intervalos. La alternativa consiste en el anlisis de
regresin no lineal, la cual rebasa el mbito de este libro. Con todo, una alternativa
prctica es emplear varias lneas de regresin para aproximar una relacin no lineal.
6.10
Anlisis de correlacin lineal

En las anteriores secciones fueron estudiados los aspectos bsicos de la
identificacin de la naturaleza de una relacin lineal ajustada a un conjunto de datos

para dos variables. As pues, es necesario definir una medida de la relacin entre
ellas, y que no est afectada por los cambios de unidad de medida. Una forma
posible de conseguir este objetivo es dividir la covarianza1 por el producto de las
desviaciones estndares de cada variable, ya que as se obtiene un coeficiente
adimensional, r, que se denomina coeficiente de correlacin lineal de Pearson
(vase la frmula de clculo en la ecuacin 6.11).
1
La covarianza es una medida de la variacin conjunta (covariacin) de las variables X e Y. Esta

medida no debe ser utilizada de modo exclusivo para medir la relacin entre las dos variables, ya que
es sensible al cambio de unidad de medida.
153
Sxy
Sx Sy
El coeficiente de correlacin lineal posee las siguientes propiedades:
Es invariante para transformaciones lineales (cambio de origen y escala) de las

variables.
Slo toma valores comprendidos entre 1 y 1, 1 r 1
Carece de unidades de medida (adimensional).
Cuando r est prximo a uno, existe una relacin lineal muy fuerte entre las
variables.
Cuando r0, puede afirmarse que no existe relacin lineal entre ambas
variables.
La figura 1 ilustra una correlacin lineal positiva, perfecta, entre X e Y. Por
tanto, hay una asociacin perfecta uno a uno entre X e Y, de modo que Y aumentar
en una forma perfectamente predecible segn aumenta X.
La grfica 2 ilustra una correlacin negativa perfecta entre X e Y. En este

caso, Y disminuir en una forma perfectamente predecible segn aumenta X.
La grfica 3 y 4 ilustran el caso donde no hay relacin entre X e Y. Segn
aumenta X no hay cambio en Y o bien, al mantenerse constante X hay un
incremento en Y, de modo que no hay asociacin entre el valor de X y el valor de Y.
154
Para los datos de temperatura y elasticidad del plstico, se obtiene una

r=0,94 (ver el procedimiento de clculo en la pgina 170). El coeficiente de
correlacin indica una asociacin positiva alta, es decir, el aumento en la
temperatura de fabricacin del plstico tiene una fuerte asociacin con el aumento
de la elasticidad del plstico.
Hay que tener presente que la fuerza de asociacin no significa
necesariamente causalidad. El simple hecho de que los cambios en X parezca
explicar gran parte de la variacin en Y no significa automticamente que X sea la
causa de Y. En efecto, lo inverso puede suceder o bien ambas variables pueden
ser causadas por una tercera que no ha sido identificada.
Algunas veces los altos valores de correlacin se registran para variables
que, segn el sentido comn, no pareceran tener relacin directa entre s. Se
refieren a correlaciones espurias. Un estudio de correlacin probablemente
descubre que el tiempo del almacenamiento del qumico, guarda estrecha
correlacin con el porcentaje de impurezas de ciertas sustancias. Pero la
causalidad en una u otra direccin parece poco probable.
Una segunda consideracin es que un alto valor del coeficiente de
correlacin puede no indicar realmente una relacin muy significativa; por ejemplo,
bastan dos puntos para determinar una recta. Por consiguiente, con slo dos
puntos de datos, automticamente se tendra un coeficiente de correlacin igual a
+1 o 1. Una recta sera entonces un ajuste perfecto de los datos.

Los ensayos colorimtricos implican la preparacin de una serie de
disoluciones estndar y la comparacin de la intensidad del color con la producida en
la solucin de concentracin desconocida. Esta concentracin es deducida de su
absorbancia en comparacin con las de las soluciones estndar, medidas en un
colormetro o espectrofotmetro. La relacin de absorbancia a concentracin es
lineal (ley de Beer) y, como tal, sigue las leyes que se han discutido antes para la
regresin lineal simple.
155
En colorimetra, la concentracin de la sustancia que se est midiendo es la

variable X, y la absorbancia la variable Y. La pendiente es la medida del cambio de
absorbancia por unidad de cambio en la concentracin, y la ordenada (a) es la
medida del ensayo en blanco.
Hay dos tcnicas de uso general en colorimetra. Una implica la interpretacin
de la concentracin desconocida en una curva estndar. La otra hace uso de la
relacin entre la solucin problema y la estndar, aproximadamente, a la misma
concentracin. La hiptesis es que la pendiente de la curva problema es igual a la
pendiente de la estndar.
El siguiente ejemplo se desarrolla usando los datos de un anlisis citado en
mtodos calorimtricos de anlisis, de Snell y Snell1.
Slice (mg)
Absorbancia
0,032
0,02
0,135
0,04
0,187
0,06
0,268
0,08
0,359
0,10
0,435
0,12
0,511
El diagrama de dispersin presenta una tendencia marcada en la relacin

entre slice y la absorbancia, indicando que un modelo de regresin lineal es
adecuado para el anlisis de la relacin entre las dos variables.
Los autores encuentran un contenido de 0,053 mg de silicio en la muestra
cuando usan el mtodo grfico y de 0,0243 mg cuando utilizan el mtodo aritmtico.
La pendiente de la recta de regresin es 0,971 mg; al aumentar la cantidad slice en
un miligramo, la absorbancia se incrementa en 0,971.
Snell, F.D. y Snell, C.: Colorimetric Methods of Analysis, 3. Edicin, vol. 1, pg.
151. Van Nostranda-Reinhold, Pricenton, New Jersey (1.951).
Captulo 6. Regresin y Correlacin Lineal Simple 156
El modelo de regresin lineal permite describir el 94,3% de la variabilidad de

la absorbancia utilizando como variable independiente el contenido de slice. La
correlacin entre las variables de estudio, como puede observarse en el diagrama de
dispersin es positiva o directa y bastante alta (0,97).
157
6.12
PROBLEMAS
6.1
Los siguientes datos corresponden al tiempo de secado (en horas) de

cierto barniz y la cantidad de un aditivo (en gramos) con el que se intenta
reducir el tiempo de secado:
Aditivo
1,5
2,5
3,5
Tiempo
11
a) Construya el diagrama de dispersin.

b) Calcule el coeficiente de correlacin.
c) Estime el tiempo de secado del barniz cuando se han utilizado 4 gramos
del aditivo.
6.2
Los siguientes datos son las mediciones de la velocidad del aire, X,

(cm/seg.) y el coeficiente de evaporacin (mm2/seg), Y, de las gotitas de
combustible en una turbina de propulsin.
X
20
60
100
140
180
220
260
300
340
0,18
0,37
0,35
0,78
0,56
0,75
1,18
1,36
1,17
a) Ajuste la recta de regresin por el mtodo de mnimos cuadrado.

b) Calcule e interprete el coeficiente de determinacin.
c) Con un nivel de significacin de 0,01, hay una relacin lineal entre la
velocidad del aire y el coeficiente de evaporacin?
6.3
Las materias primas empleadas en la produccin de una fibra sinttica son

almacenadas en un lugar en donde no se tiene control sobre la humedad.
Las mediciones de la humedad relativa en el lugar de almacenamiento y
su contenido en una muestra de las materias primas (ambas en
porcentajes) en 12 das dieron los siguientes resultados:
Humedad
42
35
50
43
48
62
31
36
44
39
55
48
Contenido
12
14
11
16
12
10
13
11
a) Encuentre la ecuacin de regresin lineal.

b) Interprete la pendiente de la recta en trminos del problema.
158
c) Encuentre un intervalo con un nivel de confianza del 95% para el

contenido de humedad de las materias primas cuando la humedad del
lugar de almacenamiento es del 40%.
d) Encuentre una estimacin de intervalo con 95% de confianza para la
pendiente real.
6.4
Los datos siguientes se refieren a los das desde la inoculacin(X) y al

crecimiento de una colonia de bacterias (Y) en un cultivo.
X
12
15
18
115
147
239
356
579
864
a) Calcule el coeficiente de correlacin

b) Calcule e interprete el coeficiente de determinacin
c) Interprete la constante de regresin en trminos del problema
d) Calcule el error estndar de estimacin
6.5
La mayora de los estudiantes universitarios de fsica realizan experimentos

para verificar la ley de Hooke. La ley de Hooke establece que cuando se
aplica una fuerza a un cuerpo que es largo en comparacin con su rea
transversal, el cambio de su longitud (mm) es proporcional a la fuerza(Kg).
En la siguiente tabla se muestran los resultados de un experimento de
laboratorio. Se usaron seis piezas de alambre de acero de 0,34 mm de
dimetro y 3 m de largo para obtener las mediciones de fuerza y cambio de
longitud.
Fuerza
29,4
39,2
49,0
58,8
68,6
78,4
Cambio
4,25
5,25
6,50
7,85
8,75
10,0
a) Dibuje el diagrama de dispersin.

b) Ajuste el modelo de regresin lineal.
c) Encuentre un intervalo de confianza del 95% para la pendiente de la
recta.
159
d) De acuerdo a la ley de Hooke, la recta debe pasar por el origen, es

decir, la constante debe ser igual a 0. Pruebe esta hiptesis, use un
nivel de significacin del 1%.
e) Encuentre una prediccin del aumento de longitud de un alambre de 2 m
de largo cuando se le aplica una fuerza de 55 kg. Use un intervalo de
prediccin del 95%.
6.6
Se considera que el rendimiento de un proceso qumico es una funcin de

la cantidad de catalizador agregada a la reaccin. Se realiza un
experimento y se obtienen los siguientes datos:
X= catalizador (lb)
Y= rendimiento (%)
0,9
1,4
1,6
1,7
1,8
2,0
2,1
2,3
60,54
63,86
63,76
60,15
66,66
71,66
70,81
65,72
a) Calcule e interprete el coeficiente de regresin lineal.

b) Pruebe la significacin de la regresin. Use =0,10.
c) Calcule e interprete el coeficiente de correlacin.
6.7
Los siguientes datos pertenecen al residuo de cloro en partes por milln,

que hay en una piscina en diferentes momentos despus de ser tratada
con sustancias qumicas:
Nmero de horas
10
12
14
16
Residuo (ppm) Cl2
1,8
1,5
1,4
1,1
1,0
0,9
0,7
0,4
a) Determine la bondad de ajuste del modelo de regresin lineal.

b) Encuentre una estimacin de intervalo del 99% de confianza del residuo
de cloro promedio para cinco horas despus del tratamiento qumico.
c) Pruebe la significacin de la regresin. Use =0,05.
6.8
El objetivo de un experimento consisti en determinar la relacin entre los

porcentajes de manganeso en la resistencia a la ruptura (pies/libra),
obtenindose los siguientes resultados:
160
Manganeso
0,1
0,2
1,0
1,2
1,4
3,0
3,2
3,4
Resistencia
26,7
27,5
30,6
34,1
47,8
33,2
20,5
15,4
a) Construya el diagrama de dispersin para verificar la utilidad del modelo

de regresin lineal.
b) Calcule e interprete el coeficiente de determinacin.
c) Calcule un intervalo de confianza del 90% para el promedio de la
resistencia cuando el porcentaje de manganeso es 1,35.
6.9
Reversiones inducidas a la independencia por 107 clulas sobrevivientes

(ergs/bacterias), X, 10-5 de Escherichia coli estreptomicina, Y, dependiente
sometida a radiacin ultravioleta monocromtica de 2,967 = A longitud de
onda.
X
13,6
52
39,8
130
13,9
78
40,1
139
21,1
72
43,9
173
25,6
89
51,9
208
26,4
80
53,2
225
30,1
112
65,2
259
a) Construya el diagrama de dispersin.

b) Ajuste la recta de regresin lineal de mnimos cuadrados.
c) Calcule el coeficiente de correlacin.
6.10
Un investigador tiene inters de estudiar la elasticidad de cierto plstico(Y)

como una funcin de la temperatura(X) a la que se produce. Se preparan
diez piezas de plstico utilizando distintas temperaturas y los valores
observados de la elasticidad fueron:
X
100
110
120
135
140
150
160
175
180
200
113
118
127
132
136
144
138
146
156
150
a) Ajuste un modelo de regresin lineal.

b) Pruebe la significacin de la temperatura a un nivel de confianza del 95%.
161
c) Analice la bondad de ajuste de la regresin lineal.

d) Calcule e interprete un intervalo de confianza del 99% para el promedio de
elasticidad a una temperatura de 130.
6.11
De una muestra hiptetica de 10 pacientes en los que se ha recogido los

siguientes datos: edad (en aos), nivel de colesterol en plasma sanguneo (en
mg/100 ml) y consumo de grasas saturadas (en gr/semana).
Edad
Colesterol
Grasas
80
350
35
30
190
40
42
263
15
50
320
20
45
280
35
35
198
50
18
232
70
32
320
40
49
303
45
35
220
35
a) Calcule el coeficiente de correlacin lineal entre el nivel de colesterol y

consumo de grasas saturadas.
b) Estime el nivel de colesterol para una persona de 60 aos. Utilice el
modelo de regresin lineal.
c) Calcule el coeficiente de determinacin para el modelo anterior.
6.12
En una compaa de helados se sospecha que el almacenamiento del helado

a temperaturas bajas durante largos perodos tiene un efecto en la prdida de
peso del producto. En la planta de almacenamiento de la compaa se
obtuvieron los siguientes datos:
Prdida (onzas):
Tiempo(das):
1,01
1,32
1,30
1,06
1,00
1,30
1,26
10
15
25
30
35
40
50
a) Dibuje y comente el diagrama de dispersin.

162
b) Ajuste un modelo de regresin lineal simple.

c) Interprete el coeficiente de regresin.
d) Estime la prdida de peso a 20 das de almacenamiento.
6.13
Una muestra de agua contaminada se oxid a 25C. El porcentaje de materia

orgnica en la muestra que se oxid vari con el tiempo como sigue:
X = tiempo (en das)
Y= materia oxidada (%)
10
12
21
37
50
60
68
75
80
90
99
a) Encuentre la ecuacin de regresin lineal.

b) Calcule e interprete el coeficiente de correlacin.
c) Estime el porcentaje de materia oxidada a 8 das.
d) Calcule el error estndar del coeficiente regresin.
6.14 Los siguientes datos representan la conductividad trmica del cloruro de

metilo a las temperaturas (C).
X= temperaturas
Y= conductividad trmica
100
37,7
65,5
93,3
121,1
148,8
176,6
204,4
0,085
0,103
0,121
0,137
0,155
0,73
0,189
0,207
Estime la conductividad trmica a 211,6 C.
6.15 En la fabricacin de cierto compuesto se sabe que el porcentaje de

impurezas est relacionado con la temperatura a que se realiza la mezcla
de sus componentes. Se llev a cabo un experimento y se encontr la
ecuacin de regresin:
donde
y 2,2 0,5x
x= temperatura en grados centgrados

y= porcentaje de impurezas
a) Interprete el coeficiente de regresin

b) Qu significa en trminos del problema la constante de regresin?
c) Cul sera el porcentaje de impurezas para una temperatura de 50 C?
163
6.16
Un estudiante de qumica prepar una serie de compuestos que contienen

nitrgeno y oxgeno.
Compuesto
Masa de nitrgeno
Masa de oxgeno
16,8
19,2
17,1
39,0
33,6
57,3
22,5
45,1
30,4
50,0
35,7
51,8
22,6
34,9
Calcule e interprete el coeficiente de correlacin entre la masa de nitrgeno

y la masa de oxgeno.
6.17
A continuacin se presenta algunas propiedades fsicas y qumicas de los

metales alcalinotrreos.
Elemento
Nmero
Masa
Punto de
Densidad
atmico
Atmica
congelacin
Berilio
9,01
1283
1,85
Magnesio
12
24,30
650
1,74
Calcio
20
40,08
851
1,54
Estroncio
38
87,62
757
2,58
Bario
56
137,33
704
3,65
a) Calcule e interprete el coeficiente de determinacin entre el punto de

congelacin y la densidad de los metales.
b) Ajuste el modelo de regresin lineal entre el nmero y su masa atmica.
c) Interprete el coeficiente de regresin de la recta.
d) Pruebe la significancia del modelo. =0,05
6.18
Un estudiante obtiene los datos que siguen del volumen de aire como funcin
de la temperatura a presin constante:
Temperatura (oC):
16
55
85
103
126
163
164
Volumen (cm3):
31
35
38
40
43
47
a) Dibuje y comente el diagrama de dispersin.

b) Ajuste un modelo de regresin lineal simple.
c) Interprete el coeficiente de regresin.
d) Estime la el volumen del aire a 70 oC de temperatura.
6.19
Los siguientes datos representan a la viscosidad y tensin superficial de

algunas sustancias (10-3).
Viscosidad
0,65
1,20
0,23
1,55
0,652
0,466
0,356
Tensin
2,89
2,23
1,70
7,29
6,99
6,70
6,40
a) Ajuste el modelo de regresin lineal simple.

b) Calcule e interprete el coeficiente de correlacin.
c) Qu significa en trminos del problema la constante de regresin?
d) Cul sera la tensin superficial para una viscosidad de 1,0?
6.20 Se determinaron valores para una magnitud experimental Y, mediante el

empleo de varios valores controlados de una variable X. Se esperan que
exista una relacin lineal. Los datos obtenidos fueron los siguientes:
X
10
0,16
0,21
0,26
0,30
0,25
0,23
0,22
0,29
0,27
a) Dibuje el diagrama de dispersin de Y en funcin de X. Trace a ojo la

mejor recta a travs de los puntos. Lea l intercepto y calcule la pendiente
de su lnea.
b) Use el mtodo de mtodo de mnimos cuadrados para hallar el ajuste lineal
de los datos. Compare los resultados para la pendiente e intercepto con sus
estimaciones en a).
c) Qu valor pedira para Y, cuando X=5? Qu incertidumbre habra de
agregarle?
6.21 La estandarizacin del nitrito de sodio se realiza por una valoracin de una
cantidad pesada de novocana en solucin cida fra. El cido nitroso
165
realiza la diazotacin2 del grupo amino de la novocana y un exceso del

mismo forma un anillo azul cuando se ensaya en papel de yoduro de
almidn. Para manifestar el punto final se requiere una cantidad en blanco,
de 0,1 0,2 ml. Supongamos que un analista pesa 6 muestra de novocana
y valora esta muestra con la solucin, defectuosamente estandarizada, de
nitrito de sodio, obteniendo los resultados que se muestran a continuacin:
Novocana (mg)
Nitrito sdico (ml)
200
7,50
300
11,3
400
14,9
500
17,6
600
22,25
700
26,1
800
29,65
a) Calcule la ecuacin lineal que mejor ajusta la relacin entre mililitros de

nitrito de sodio y miligramos de novocana, bajo las condiciones del
experimento.
b) Interprete el coeficiente de regresin.
c) Para conocer la precisin de estos resultados, calcule el error estndar
de estimacin.
d) Pruebe si el factor (b) es significativamente diferente de 1,00. Use
=0,05
e) Pruebe si la ordenada (a) es una medida de la valoracin en blanco. Use
=0,01
6.22 Suponga que un analista efecta un anlisis calorimtrico de slice y el

ensayo en blanco, le da 0,032 nanmetros de absorbancia, y los estndares
de 0,02, 0,04 y 0,06 mg, generan los resultados de absorbancia que a
continuacin se presentan en el cuadro siguiente:
2
La reaccin de diazotacin fue puesta a punto por Peter Griess en 1860. Esta reaccin tiene lugar
entre una amina primaria aromtica y NaNO2 en presencia de HCl o H2SO4, para formar una sal de
diazonio
166
Slice
Absorbancia
Mg (X)
(Y)
0,00
0,032
0,02
0,135
0,04
0,187
0,06
0,268
Calcule la ecuacin de regresin lineal. Interprete la constante y el

coeficiente de regresin.
6.23 La hidrlisis de cierto compuesto orgnico da lugar a un producto que es

relativamente insoluble. Cuando el 1 por 100 de los productos de la
hidrlisis est presente en la solucin, se forman cristales que impiden su
comercializacin. Se diseo un experimento para predecir la durabilidad del
producto. La hidrlisis era una reaccin monomolecular y, por tanto, se
estudi en funcin del tiempo (meses).
Tiempo (meses)
Hidrlisis (%)
0,220
0,255
0,304
0,402
Analice la conveniencia de utilizar el modelo de regresin lineal para

describir la hidrlisis en funcin del tiempo. Posteriormente, ajuste el
modelo no lineal, log Y=a+bX, anlisis los resultados.
6.24 Los pesos de hidrogenoftalato de potasio, C6H5K04, (Peso Molecular

204,23), que se dan a continuacin, requieren los volmenes de solucin de
NaOH que se sealan para titularse al punto final de la fenolftalena. Analice
la bondad de ajuste de modelo de regresin lineal.
167
6.25 Algunas
C6H5K04
Solucin
gramos
NaOH, ml
1,0000
45,64
1,1263
39,25
0,8567
28,75
0,8169
40,00
0,0679
8,96
1,1212
35,62
reacciones
irreversibles
siguen
la
ecuacin
de
Nernst
razonablemente bien, y como ejemplo se puede citar la reduccin del

permanganato. El valor del factor en la ecuacin de Nernst, vara con la
temperatura en la siguiente forma:
Temperatura
Valor del
factor
10
0,05618
15
0,05717
20
0,05816
25
0,05916
30
0,06014
35
0,06114
40
0,06213
Suponiendo un modelo de regresin lineal, estime el valor del factor a una

temperatura de 28C, utilizando un nivel significancia de 1%.
6.26 La calibracin de un mtodo espectroqumico dio los siguientes resultados:

Mg plomo
Absorbancia
0,33
0,55
0,96
1,21
1,47
Calcular la lnea recta correspondiente segn el mtodo de los mnimos

cuadrados. Una muestra problema present una absorbancia de 0,78.
Cul era su contenido en plomo?
168
6.27 Una muestra de 1,0255 g de un cido orgnico soluble en agua, se disuelve

y se diluye con agua hasta un volumen de exactamente 250 ml. Una
alcuota de 25,00 ml se transfiere a una celda de conductividad y sin
ninguna otra dilucin, se titula con NaOH 0,1000 Molar. Se obtiene la
siguiente informacin, donde R es la resistencia medida en ohms y V es el
volumen de solucin de NaOH en mililitros.
R
29,4
0,00
32,5
1,80
23,8
3,60
32,6
0,20
31,7
2,00
23,0
3,80
34,1
0,40
31,1
2,20
22,3
4,00
38,0
0,60
30,1
2,40
21,7
4,20
36,9
0,80
29,1
2,60
21,0
4,40
35,8
1,00
27,7
2,80
20,4
4,60
34,9
1,20
26,7
3,00
19,6
4,80
34,1
1,40
25,7
3,20
18,5
5,00
33,3
1,60
24,7
3,40
17,3
5,20
Calcule e interprete el coeficiente de correlacin la resistencia(R) y el

volumen de solucin (V).
6.28 Los datos tabulados representan la variacin del voltaje de un sistema en

funcin de un agente acomplejante, concretamente la variacin del
potencial de semi-onda de los iones cadmio en funcin de la concentracin
de ion cloruro. Como los potenciales de reduccin en los datos
polarogrficos se toman negativos, en todos los clculos arrastramos este
signo. Adems, el grfico que nos interesa es el del potencial de semi-onda
en funcin del logaritmo de la concentracin del ion acomplejante, por lo
cual en el clculo de la constante de regresin (a) y del coeficiente de
regresin (b) tenemos que tomar el logaritmo de esta concentracin.
169
X Log CI
Y E1
-1,1938
-0,710
-0,7959
-0,750
-0,5918
-0,772
-0,4949
-0,782
-0,4157
-0,794
-0,3188
-0,808
-0,2396
-0,814
-0,1938
-0,824
a) Calcule la ecuacin de regresin lineal.

b) Calcule el error de estimacin.
c) Calcular e interpretar el coeficiente de determinacin
6.29 Bennett, Brooks y Glasstone (J. Chem. Soc. 1935, 1821) obtuvieron los
siguientes resultados en la valoracin del fluorofenol en alcohol al 30% a
25 C. Al agregar x ml de NaOH 0.01 Molar a 50,00 ml de una disolucin
0,01 Molar del fluorofenol se obtuvieron los valores de pH siguientes:
ml NaOH 0,01 N
pH
10
15
20
30
40
8,73
9,01
9,20
9,56
10,00
Calcular la constante de disociacin del o-fluorofenol. Suponer que el

coeficiente de actividad del cido no disociado es la unidad.
6.30 En disoluciones acuosas diluidas, el valor de la constante Ho tiende
aumentar el pH cuando la fuerza inica tiende a cero. Para todos los otros
disolventes Ho es una constante emprica que disminuye cuando la acidez
de la disolucin aumente y que mide, en una escala logartmica, el poder de
una disolucin o de un disolvente para dar protones a una base no cargada
(neutra). A continuacin se presenta los valores de Ho para varias mezclas
H2SO4H2O:
170
% H2SO4 en peso
Ho
5,96
+0,44
10,59
0,08
15,92
-0,33
23,9
-0,87
31,9
-1,34
41,4
-2,18
50,8
-3,04
75
-6,16
80
-6,85
85
-7,60
90
-8,19
95
-8,75
100
-1,60
a) Ajustar el modelo de regresin lineal a los datos.

b) Calcular la bondad de ajuste del modelo.
c) Calcular e interpretar el coeficiente de correlacin.
6.31 La determinacin de nquel en aceites vegetales hidrogenados se puede

realizar calcinando la muestra a cenizas, aadiendo molibdeno como patrn
interno y analizando por espectroscopia de emisin.
Ni (ppm)
0,2
0,4
0,6
0,8
1,0
Razn
0,43
0,70
0,93
1,15
1,34
a) Dibujar el diagrama de dispersin.

b) Se encontr que un aceite hidrogenado problema daba una razn de
intensidad de 0,85. determinar la cantidad de nquel (en ppm.) en dicha
muestra, suponga un modelo de regresin lineal?
6.32 Se analizaron muestras de mayonesas para determinar su contenido graso;

los anlisis se efectuaron por un mtodo rpido (x) y tambin por el mtodo
estndar de la Asociacin de Qumicos Agrcolas (y).
171
80,5
30,3
25,2
77,4
48,1
38,7
18,6
79,3
30,4
26,0
77,9
47,5
35,5
16,7
a) Marcar estos puntos en un diagrama de dispersin y ajustar al conjunto

una lnea de regresin utilizando el mtodo de mnimos cuadrados.
b) Calcule e interprete la bondad de ajuste del modelo.
c) Calcular un intervalo de confianza del 99% para el mtodo estndar,
cuando el mtodo rpido es 50%.
6.33 Curva patrn para una determinacin cuantitativa de la espectrofotometra

de absorcin. Se hace la reaccin coloreada con concentraciones
conocidas de un compuesto y se mide la densidad ptica obtenida con
distintas concentraciones.
Concentracin g/l
0.8
0.9
1.0
1.5
2.8
3.0
4.0
4.5
Densidad ptica
0.09
0.15
0.29
0.30
0.45
0.53
0.60
0.59
Se unen los puntos grficamente y la figura resultante es una recta si la

coloracin obedece a la ley de Beer-Lambert. Dibuje el diagrama de
dispersin y represente aproximadamente la recta de regresin lineal.
172
173
APNDICE
A
FRMULAS ESTADSTICAS
MEDIDAS DE POSICIN
174
MEDIDAS DE VARIABILIDAD
175
MUESTREO ALEATORIO SIMPLE
176
ESTADSTICO DE PRUEBA DE HIPTESIS
177
ANLISIS DE REGRESIN LINEAL SIMPLE
178
ANLISIS DE CORRELACIN
178
174
MEDIDAS DE POSICIN
Datos sin agrupar
Datos agrupados
Promedio aritmtico de muestras

k
n
xi
i 1
fi
i 1
Promedio ponderado
n
xi f i
i 1
k
Mediana
x i wi
i 1
n
wi
- F i-1
2
*c
M e = Li +
fi
i 1
Mediana para n impar
Moda
M e X n 1
d1
*c
M o = Li +
d 1+ d 2
d 1 f i f i 1
d 2 f i f i 1
Mediana para n par
X n X n
Me
1
2
Percentiles
m.n
- F i-1
100
*c
P m = Li +
fi
Percentiles
Pm X
100 n 1
Media geomtrico
n
x g = x1 . x 2 .... x n
Media armnica
xa
n
n
1
i 1 x i
175
MEDIDAS DE VARIABILIDAD
Datos sin agrupar
Datos agrupados
Variancia de una muestra
n
1 k
1
2
( xi x ) 2 . f i
sx2 =
sx2
xi x
n
1
i
1
n 1 i 1
2
n
n
xi
1 2 i 1
sx2
xi
n 1 i 1
n
k

xi f i
k
i=1

1
sx2 =
. xi2 f i
n - 1 i=1
n
Variancia de la poblacin
x2
1 N
2
xi
N i 1
N
N
xi

1
x2 = . xi2 - i=1
N i=1
N
2x =
2
1 k
xi . f i
N i 1
k

xi f i
k
i=1

1
2x = . xi2 f i
N i=1
N
Coeficiente de variacin de una

poblacin
Coeficiente de variacin de
una muestra
sx
x
* 100
CV x =
CV x = * 100
x
MEDIDAS DE VARIABILIDAD ENTRE Y DENTRO DE GRUPOS
Variancia entre grupos
Variancia dentro de grupos
k
2e =
2
N i ( i - )
i=1
Coeficiente de determinacin
2e
R = 2 * 100
Medida de variabilidad para muestras

pareadas
s2d =
1 n 2
. di
n -1 i=1
d i = X 1i - X 2i
2d =
N i i2
i=1
Promedio total
=
N 1 1 + N 2 2 +...+ N k k
N
Variancia para variables

dicotmicas
2 PQ
s 2 pq
176
MUESTREO ALEATORIO SIMPLE

Poblacin finita
Poblacin infinita
Variancia del promedio
s2x
N -n
.
N -1 n
N - n 2x
.
2x =
N -1 n
s2x =
s2x =
s2x
n
2x =
2x
n
s2p =
pq
n
Variancia de una proporcin
N - n pq
.
s2p =
N -1 n
2p =
n1
n
n
1 1
N
n1
n
n
1 1
N
PQ
N - n PQ
.
2p =
n
N -1 n
Tamao de muestra para la estimacin
De un promedio y una proporcin poblacional
Z / 2
donde n1 =
d
Z
n = /2
d
Z / 2 PQ
donde n1 =
Z / 2 PQ
n =
Intervalos de confianza para el promedio cuando

la variancia de la poblacin es conocida
N -n x
x Z / 2 * x
*
N -1
n
n
Intervalos de confianza para el promedio cuando la variancia
de la poblacin es desconocida y n30
x Z / 2 *
x t / 2(n-1)gl *
N - n sx
*
N -1
n
x t / 2(n-1)gl *
sx
n
Intervalos de confianza para una proporcin si np>5 y nq>5
N -n
pq
pq
p Z / 2 *
*
Z / 2 *
p
N -1
n
n
177
ESTADSTICO PARA PRUEBA DE HIPTESIS

Promedios
Proporciones
Para un promedio: variancia conocida

Z obs =
x-
Para una proporcin

Z obs =
Para un promedio: variancia

desconocida
x-
t obs =
p - P
PQ
n
Diferencia de proporciones
p1 p 2
Z obs =
p 1 q 1 p 2 q 2
+
n1
n2
s
n
Diferencia de dos promedios: variancia

Otra alternativa de clculo:
conocida
x1 - x 2
Z obs =
12
n1
Z obs
22
n2
x1 x2
n1 n2
1
1
p(1 p)
n1 n2
Diferencia de dos promedios: variancia desconocida

x1 - x 2
*k
k=
t obs =
donde
( n1 - 1) S 12 + ( n2 - 1) S 22
x1 x 2
n1 n2
n1 n2 ( n1 + n2 - 2)
n1 + n2
Estadstico de prueba de independen- Estadstico de prueba para muestras

cia y de homogeneidad Ji-Cuadrada
pareadas
r
=
2
i=1 j=1
E ij =
Oij - E ij
E ij
Ni N j
N
t obs =
d
Sd / n
178
REGRESIN LINEAL SIMPLE

Constante de regresin
Coeficiente regresin lineal

n
a = y bx
b=
i=1
i=1
Intervalos de confianza para el

promedio de y dado un x0
x0 - x
1
y t / 2(n-2)gl * S e
+
n
SC x
Error estndar de estimacin
Se =
i=1
yi2 - a
i=1
i=1
i=1
2
n xi2 - xi
i=1
i=1
n
n xi yi - xi yi
n
Intervalos de confianza para una

observacin de y dado un x0
y t / 2(n-2)gl * S e
x0 - x
1
1+ +
n
SC x
Suma de cuadrados de x
yi - b xi yi
SC x = xi2 -
n
xi
i=1
n
i=1
n-2
Inferencia sobre la constante y coeficiente de regresin
Intervalos de confianza
Estadstico de prueba de hiptesis
a
1 x2
tc =
a t ( n2 ) gl Se
1 x2
n SCx
+
Se
n SC x
Se
b t ( n2) gl
tc =
SCx
b
Se /
SC x
ANALISIS DE CORRELACIN
Coeficiente de correlacin lineal
n
i=1
i=1
i=1
n xi yi - xi yi
r=
2
n
n
n xi2 - xi
i=1
i=1
Estadstico para prueba de hiptesis

sobre el coeficiente de correlacin
t obs =
1 r
n2
2
n
n
* n yi2 - yi
i=1
i=1
Coeficiente de correlacin parcial

r12.3
r12 r13 r23
1 r 1 r
2
13
2
23
179
APNDICE
B
TABLAS ESTADSTICAS
TABLA 1. DISTRIBUCIN BINOMIAL
180
TABLA 2. DISTRIBUCIN DE POISSON
185
TABLA 3. DISTRIBUCIN NORMAL ESTANDAR
187
TABLA 4. DISTRIBUCIN T DE STUDENT
189
TABLA 5. DISTRIBUCIN JI CUADRADA
190
180
TABLA 1. DISTRIBUCIN BINOMIAL
n
0,05
0,950 0,900 0,850 0,800 0,750 0,700 0,650 0,600 0,550 0,500 0,450 0,400 0,350 0,300 0,250 0,200 0,150 0,100 0,050
0,903 0,810 0,723 0,640 0,563 0,490 0,423 0,360 0,303 0,250 0,203 0,160 0,123 0,090 0,063 0,040 0,023 0,010 0,003
0,998 0,990 0,978 0,960 0,938 0,910 0,878 0,840 0,798 0,750 0,698 0,640 0,578 0,510 0,438 0,360 0,278 0,190 0,098
0,857 0,729 0,614 0,512 0,422 0,343 0,275 0,216 0,166 0,125 0,091 0,064 0,043 0,027 0,016 0,008 0,003 0,001 0,000
0,993 0,972 0,939 0,896 0,844 0,784 0,718 0,648 0,575 0,500 0,425 0,352 0,282 0,216 0,156 0,104 0,061 0,028 0,007
1,000 0,999 0,997 0,992 0,984 0,973 0,957 0,936 0,909 0,875 0,834 0,784 0,725 0,657 0,578 0,488 0,386 0,271 0,143
0,815 0,656 0,522 0,410 0,316 0,240 0,179 0,130 0,092 0,063 0,041 0,026 0,015 0,008 0,004 0,002 0,001 0,000 0,000
0,986 0,948 0,891 0,819 0,738 0,652 0,563 0,475 0,391 0,313 0,242 0,179 0,127 0,084 0,051 0,027 0,012 0,004 0,001
1,000 0,996 0,988 0,973 0,949 0,916 0,874 0,821 0,759 0,688 0,609 0,525 0,437 0,348 0,262 0,181 0,110 0,052 0,014
1,000 1,000 1,000 0,998 0,996 0,992 0,985 0,974 0,959 0,938 0,909 0,870 0,822 0,760 0,684 0,590 0,478 0,344 0,186
0,774 0,591 0,444 0,328 0,237 0,168 0,116 0,078 0,050 0,031 0,019 0,010 0,005 0,002 0,001 0,000 0,000 0,000 0,000
0,977 0,919 0,835 0,737 0,633 0,528 0,428 0,337 0,256 0,188 0,131 0,087 0,054 0,031 0,016 0,007 0,002 0,001 0,000
0,999 0,991 0,973 0,942 0,897 0,837 0,765 0,683 0,593 0,500 0,407 0,317 0,235 0,163 0,104 0,058 0,027 0,009 0,001
1,000 1,000 0,998 0,993 0,984 0,969 0,946 0,913 0,869 0,813 0,744 0,663 0,572 0,472 0,367 0,263 0,165 0,082 0,023
1,000 1,000 1,000 1,000 0,999 0,998 0,995 0,990 0,982 0,969 0,950 0,922 0,884 0,832 0,763 0,672 0,556 0,410 0,226
0,735 0,531 0,377 0,262 0,178 0,118 0,075 0,047 0,028 0,016 0,008 0,004 0,002 0,001 0,000 0,000 0,000 0,000 0,000
0,967 0,886 0,777 0,655 0,534 0,420 0,319 0,233 0,164 0,109 0,069 0,041 0,022 0,011 0,005 0,002 0,000 0,000 0,000
0,998 0,984 0,953 0,901 0,831 0,744 0,647 0,544 0,442 0,344 0,255 0,179 0,117 0,071 0,038 0,017 0,006 0,001 0,000
1,000 0,999 0,994 0,983 0,962 0,930 0,883 0,821 0,745 0,656 0,559 0,456 0,353 0,256 0,169 0,099 0,047 0,016 0,002
1,000 1,000 1,000 0,998 0,995 0,989 0,978 0,959 0,931 0,891 0,836 0,767 0,681 0,580 0,466 0,345 0,224 0,114 0,033
1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,996 0,992 0,984 0,972 0,953 0,925 0,882 0,822 0,738 0,623 0,469 0,265
0,698 0,478 0,321 0,210 0,134 0,082 0,049 0,028 0,015 0,008 0,004 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000
0,956 0,850 0,717 0,577 0,445 0,329 0,234 0,159 0,102 0,063 0,036 0,019 0,009 0,004 0,001 0,000 0,000 0,000 0,000
0,996 0,974 0,926 0,852 0,756 0,647 0,532 0,420 0,316 0,227 0,153 0,096 0,056 0,029 0,013 0,005 0,001 0,000 0,000
1,000 0,997 0,988 0,967 0,929 0,874 0,800 0,710 0,608 0,500 0,392 0,290 0,200 0,126 0,071 0,033 0,012 0,003 0,000
1,000 1,000 0,999 0,995 0,987 0,971 0,944 0,904 0,847 0,773 0,684 0,580 0,468 0,353 0,244 0,148 0,074 0,026 0,004
1,000 1,000 1,000 1,000 0,999 0,996 0,991 0,981 0,964 0,938 0,898 0,841 0,766 0,671 0,555 0,423 0,283 0,150 0,044
1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,996 0,992 0,985 0,972 0,951 0,918 0,867 0,790 0,679 0,522 0,302
0,663 0,431 0,273 0,168 0,100 0,058 0,032 0,017 0,008 0,004 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,943 0,813 0,657 0,503 0,367 0,255 0,169 0,106 0,063 0,035 0,018 0,009 0,004 0,001 0,000 0,000 0,000 0,000 0,000
0,994 0,962 0,895 0,797 0,679 0,552 0,428 0,315 0,220 0,145 0,089 0,050 0,025 0,011 0,004 0,001 0,000 0,000 0,000
1,000 0,995 0,979 0,944 0,886 0,806 0,706 0,594 0,477 0,363 0,260 0,174 0,106 0,058 0,027 0,010 0,003 0,000 0,000
1,000 1,000 0,997 0,990 0,973 0,942 0,894 0,826 0,740 0,637 0,523 0,406 0,294 0,194 0,114 0,056 0,021 0,005 0,000
1,000 1,000 1,000 0,999 0,996 0,989 0,975 0,950 0,912 0,856 0,780 0,685 0,572 0,448 0,322 0,203 0,105 0,038 0,006
1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,992 0,982 0,965 0,937 0,894 0,831 0,745 0,633 0,497 0,343 0,187 0,057
1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,996 0,992 0,983 0,968 0,942 0,900 0,832 0,728 0,570 0,337
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,55
0,60
0,65
0,70
0,75
0,80
0,85
0,90
0,95
181
n
0,05
0,630 0,387 0,232 0,134 0,075 0,040 0,021 0,010 0,005 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,55
0,60
0,65
0,70
0,75
0,80
0,85
0,90
0,95
0,929 0,775 0,600 0,436 0,300 0,196 0,121 0,071 0,039 0,020 0,009 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000
0,992 0,947 0,859 0,738 0,601 0,463 0,337 0,232 0,150 0,090 0,050 0,025 0,011 0,004 0,001 0,000 0,000 0,000 0,000
0,999 0,992 0,966 0,914 0,834 0,730 0,609 0,483 0,361 0,254 0,166 0,099 0,054 0,025 0,010 0,003 0,001 0,000 0,000
1,000 0,999 0,994 0,980 0,951 0,901 0,828 0,733 0,621 0,500 0,379 0,267 0,172 0,099 0,049 0,020 0,006 0,001 0,000
1,000 1,000 0,999 0,997 0,990 0,975 0,946 0,901 0,834 0,746 0,639 0,517 0,391 0,270 0,166 0,086 0,034 0,008 0,001
1,000 1,000 1,000 1,000 0,999 0,996 0,989 0,975 0,950 0,910 0,851 0,768 0,663 0,537 0,399 0,262 0,141 0,053 0,008
1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,991 0,981 0,962 0,930 0,879 0,804 0,700 0,564 0,401 0,225 0,071
1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,995 0,990 0,979 0,960 0,925 0,866 0,768 0,613 0,370
10 0
0,599 0,349 0,197 0,107 0,056 0,028 0,014 0,006 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,914 0,736 0,544 0,376 0,244 0,149 0,086 0,046 0,023 0,011 0,005 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000
0,989 0,930 0,820 0,678 0,526 0,383 0,262 0,167 0,100 0,055 0,027 0,012 0,005 0,002 0,000 0,000 0,000 0,000 0,000
0,999 0,987 0,950 0,879 0,776 0,650 0,514 0,382 0,266 0,172 0,102 0,055 0,026 0,011 0,004 0,001 0,000 0,000 0,000
1,000 0,998 0,990 0,967 0,922 0,850 0,752 0,633 0,504 0,377 0,262 0,166 0,095 0,047 0,020 0,006 0,001 0,000 0,000
1,000 1,000 0,999 0,994 0,980 0,953 0,905 0,834 0,738 0,623 0,496 0,367 0,249 0,150 0,078 0,033 0,010 0,002 0,000
1,000 1,000 1,000 0,999 0,997 0,989 0,974 0,945 0,898 0,828 0,734 0,618 0,486 0,350 0,224 0,121 0,050 0,013 0,001
1,000 1,000 1,000 1,000 1,000 0,998 0,995 0,988 0,973 0,945 0,900 0,833 0,738 0,617 0,474 0,322 0,180 0,070 0,012
1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,996 0,989 0,977 0,954 0,914 0,851 0,756 0,624 0,456 0,264 0,086
1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,994 0,987 0,972 0,944 0,893 0,803 0,651 0,401
11 0
0,569 0,314 0,167 0,086 0,042 0,020 0,009 0,004 0,001 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,898 0,697 0,492 0,322 0,197 0,113 0,061 0,030 0,014 0,006 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,985 0,910 0,779 0,617 0,455 0,313 0,200 0,119 0,065 0,033 0,015 0,006 0,002 0,001 0,000 0,000 0,000 0,000 0,000
0,998 0,982 0,931 0,839 0,713 0,570 0,426 0,296 0,191 0,113 0,061 0,029 0,012 0,004 0,001 0,000 0,000 0,000 0,000
1,000 0,997 0,984 0,950 0,885 0,790 0,668 0,533 0,397 0,274 0,174 0,099 0,050 0,022 0,008 0,002 0,000 0,000 0,000
1,000 1,000 0,997 0,988 0,966 0,922 0,851 0,754 0,633 0,500 0,367 0,247 0,149 0,078 0,034 0,012 0,003 0,000 0,000
1,000 1,000 1,000 0,998 0,992 0,978 0,950 0,901 0,826 0,726 0,603 0,467 0,332 0,210 0,115 0,050 0,016 0,003 0,000
1,000 1,000 1,000 1,000 0,999 0,996 0,988 0,971 0,939 0,887 0,809 0,704 0,574 0,430 0,287 0,161 0,069 0,019 0,002
1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,994 0,985 0,967 0,935 0,881 0,800 0,687 0,545 0,383 0,221 0,090 0,015
1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,994 0,986 0,970 0,939 0,887 0,803 0,678 0,508 0,303 0,102
10 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,991 0,980 0,958 0,914 0,833 0,686 0,431
12 0
0,540 0,282 0,142 0,069 0,032 0,014 0,006 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,882 0,659 0,444 0,275 0,158 0,085 0,042 0,020 0,008 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,980 0,889 0,736 0,558 0,391 0,253 0,151 0,083 0,042 0,019 0,008 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000
0,998 0,974 0,908 0,795 0,649 0,493 0,347 0,225 0,135 0,073 0,036 0,015 0,006 0,002 0,000 0,000 0,000 0,000 0,000
1,000 0,996 0,976 0,927 0,842 0,724 0,583 0,438 0,304 0,194 0,112 0,057 0,026 0,010 0,003 0,001 0,000 0,000 0,000
1,000 1,000 0,995 0,981 0,946 0,882 0,787 0,665 0,527 0,387 0,261 0,158 0,085 0,039 0,014 0,004 0,001 0,000 0,000
1,000 1,000 0,999 0,996 0,986 0,961 0,915 0,842 0,739 0,613 0,473 0,335 0,213 0,118 0,054 0,019 0,005 0,001 0,000
1,000 1,000 1,000 0,999 0,997 0,991 0,975 0,943 0,888 0,806 0,696 0,562 0,417 0,276 0,158 0,073 0,024 0,004 0,000
1,000 1,000 1,000 1,000 1,000 0,998 0,994 0,985 0,964 0,927 0,866 0,775 0,653 0,508 0,351 0,205 0,092 0,026 0,002
1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,992 0,981 0,958 0,917 0,849 0,747 0,609 0,442 0,264 0,111 0,020
10 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,992 0,980 0,958 0,915 0,842 0,725 0,557 0,341 0,118
11 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,994 0,986 0,968 0,931 0,858 0,718 0,460
182
n
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,55
0,60
0,65
0,70
0,75
0,80
0,85
0,90
0,95
13 0
0,513 0,254 0,121 0,055 0,024 0,010 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,865 0,621 0,398 0,234 0,127 0,064 0,030 0,013 0,005 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,976 0,866 0,692 0,502 0,333 0,203 0,113 0,058 0,027 0,011 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,997 0,966 0,882 0,747 0,584 0,421 0,278 0,169 0,093 0,046 0,020 0,008 0,003 0,001 0,000 0,000 0,000 0,000 0,000
1,000 0,994 0,966 0,901 0,794 0,654 0,501 0,353 0,228 0,133 0,070 0,032 0,013 0,004 0,001 0,000 0,000 0,000 0,000
1,000 0,999 0,993 0,970 0,920 0,835 0,716 0,574 0,427 0,291 0,179 0,098 0,046 0,018 0,006 0,001 0,000 0,000 0,000
1,000 1,000 0,999 0,993 0,976 0,938 0,871 0,771 0,644 0,500 0,356 0,229 0,130 0,062 0,024 0,007 0,001 0,000 0,000
1,000 1,000 1,000 0,999 0,994 0,982 0,954 0,902 0,821 0,710 0,573 0,426 0,284 0,165 0,080 0,030 0,008 0,001 0,000
1,000 1,000 1,000 1,000 0,999 0,996 0,987 0,968 0,930 0,867 0,772 0,647 0,500 0,346 0,206 0,099 0,034 0,007 0,000
1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,992 0,980 0,954 0,907 0,831 0,722 0,579 0,416 0,253 0,118 0,034 0,003
10 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,989 0,973 0,942 0,887 0,798 0,667 0,498 0,308 0,134 0,025
11 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,995 0,987 0,970 0,936 0,873 0,766 0,602 0,379 0,135
12 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,990 0,976 0,945 0,879 0,746 0,487
14 0
0,488 0,229 0,103 0,044 0,018 0,007 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,847 0,585 0,357 0,198 0,101 0,048 0,021 0,008 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,970 0,842 0,648 0,448 0,281 0,161 0,084 0,040 0,017 0,007 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,996 0,956 0,854 0,698 0,521 0,355 0,221 0,124 0,063 0,029 0,011 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000
1,000 0,991 0,953 0,870 0,742 0,584 0,423 0,279 0,167 0,090 0,043 0,018 0,006 0,002 0,000 0,000 0,000 0,000 0,000
1,000 0,999 0,989 0,956 0,888 0,781 0,641 0,486 0,337 0,212 0,119 0,058 0,024 0,008 0,002 0,000 0,000 0,000 0,000
1,000 1,000 0,998 0,988 0,962 0,907 0,816 0,693 0,546 0,395 0,259 0,150 0,075 0,032 0,010 0,002 0,000 0,000 0,000
1,000 1,000 1,000 0,998 0,990 0,969 0,925 0,850 0,741 0,605 0,454 0,308 0,184 0,093 0,038 0,012 0,002 0,000 0,000
1,000 1,000 1,000 1,000 0,998 0,992 0,976 0,942 0,881 0,788 0,663 0,514 0,360 0,220 0,112 0,044 0,012 0,002 0,000
1,000 1,000 1,000 1,000 1,000 0,998 0,994 0,983 0,957 0,910 0,833 0,721 0,577 0,416 0,259 0,130 0,047 0,009 0,000
10 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,989 0,971 0,937 0,876 0,780 0,645 0,479 0,302 0,147 0,044 0,004
11 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,994 0,983 0,960 0,916 0,839 0,719 0,552 0,352 0,158 0,030
12 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,992 0,980 0,953 0,899 0,802 0,643 0,415 0,153
13 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,993 0,982 0,956 0,897 0,771 0,512
15 0
0,463 0,206 0,087 0,035 0,013 0,005 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,829 0,549 0,319 0,167 0,080 0,035 0,014 0,005 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,964 0,816 0,604 0,398 0,236 0,127 0,062 0,027 0,011 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,995 0,944 0,823 0,648 0,461 0,297 0,173 0,091 0,042 0,018 0,006 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000
0,999 0,987 0,938 0,836 0,687 0,516 0,352 0,217 0,120 0,059 0,026 0,009 0,003 0,001 0,000 0,000 0,000 0,000 0,000
1,000 0,998 0,983 0,939 0,852 0,722 0,564 0,403 0,261 0,151 0,077 0,034 0,012 0,004 0,001 0,000 0,000 0,000 0,000
1,000 1,000 0,996 0,982 0,943 0,869 0,755 0,610 0,452 0,304 0,182 0,095 0,042 0,015 0,004 0,001 0,000 0,000 0,000
1,000 1,000 0,999 0,996 0,983 0,950 0,887 0,787 0,654 0,500 0,347 0,213 0,113 0,050 0,017 0,004 0,001 0,000 0,000
1,000 1,000 1,000 0,999 0,996 0,985 0,958 0,905 0,818 0,696 0,548 0,390 0,245 0,131 0,057 0,018 0,004 0,000 0,000
1,000 1,000 1,000 1,000 0,999 0,996 0,988 0,966 0,923 0,849 0,739 0,597 0,436 0,278 0,148 0,061 0,017 0,002 0,000
10 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,991 0,975 0,941 0,880 0,783 0,648 0,485 0,314 0,164 0,062 0,013 0,001
11 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,994 0,982 0,958 0,910 0,827 0,703 0,539 0,352 0,177 0,056 0,006
12 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,989 0,973 0,938 0,873 0,764 0,602 0,396 0,184 0,036
13 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,995 0,986 0,965 0,920 0,833 0,681 0,451 0,171
14 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,995 0,987 0,965 0,913 0,794 0,537
183
n
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,55
0,60
0,65
0,70
0,75
0,80
0,85
0,90
0,95
16 0
0,440 0,185 0,074 0,028 0,010 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,811 0,515 0,284 0,141 0,064 0,026 0,010 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,957 0,789 0,561 0,352 0,197 0,099 0,045 0,018 0,007 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,993 0,932 0,790 0,598 0,405 0,246 0,134 0,065 0,028 0,011 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,999 0,983 0,921 0,798 0,630 0,450 0,289 0,167 0,085 0,038 0,015 0,005 0,001 0,000 0,000 0,000 0,000 0,000 0,000
1,000 0,997 0,977 0,918 0,810 0,660 0,490 0,329 0,198 0,105 0,049 0,019 0,006 0,002 0,000 0,000 0,000 0,000 0,000
1,000 1,000 0,994 0,973 0,920 0,825 0,688 0,527 0,366 0,227 0,124 0,058 0,023 0,007 0,002 0,000 0,000 0,000 0,000
1,000 1,000 0,999 0,993 0,973 0,926 0,841 0,716 0,563 0,402 0,256 0,142 0,067 0,026 0,008 0,002 0,000 0,000 0,000
1,000 1,000 1,000 0,999 0,993 0,974 0,933 0,858 0,744 0,598 0,437 0,284 0,159 0,074 0,027 0,007 0,001 0,000 0,000
1,000 1,000 1,000 1,000 0,998 0,993 0,977 0,942 0,876 0,773 0,634 0,473 0,312 0,175 0,080 0,027 0,006 0,001 0,000
10 1,000 1,000 1,000 1,000 1,000 0,998 0,994 0,981 0,951 0,895 0,802 0,671 0,510 0,340 0,190 0,082 0,024 0,003 0,000
11 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,995 0,985 0,962 0,915 0,833 0,711 0,550 0,370 0,202 0,079 0,017 0,001
12 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,989 0,972 0,935 0,866 0,754 0,595 0,402 0,210 0,068 0,007
13 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,993 0,982 0,955 0,901 0,803 0,648 0,439 0,211 0,043
14 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,990 0,974 0,937 0,859 0,716 0,485 0,189
15 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,990 0,972 0,926 0,815 0,560
17 0
0,418 0,167 0,063 0,023 0,008 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,792 0,482 0,253 0,118 0,050 0,019 0,007 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,950 0,762 0,520 0,310 0,164 0,077 0,033 0,012 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,991 0,917 0,756 0,549 0,353 0,202 0,103 0,046 0,018 0,006 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,999 0,978 0,901 0,758 0,574 0,389 0,235 0,126 0,060 0,025 0,009 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000
1,000 0,995 0,968 0,894 0,765 0,597 0,420 0,264 0,147 0,072 0,030 0,011 0,003 0,001 0,000 0,000 0,000 0,000 0,000
1,000 0,999 0,992 0,962 0,893 0,775 0,619 0,448 0,290 0,166 0,083 0,035 0,012 0,003 0,001 0,000 0,000 0,000 0,000
1,000 1,000 0,998 0,989 0,960 0,895 0,787 0,641 0,474 0,315 0,183 0,092 0,038 0,013 0,003 0,001 0,000 0,000 0,000
1,000 1,000 1,000 0,997 0,988 0,960 0,901 0,801 0,663 0,500 0,337 0,199 0,099 0,040 0,012 0,003 0,000 0,000 0,000
1,000 1,000 1,000 1,000 0,997 0,987 0,962 0,908 0,817 0,686 0,526 0,360 0,213 0,105 0,040 0,011 0,002 0,000 0,000
10 1,000 1,000 1,000 1,000 0,999 0,997 0,988 0,965 0,917 0,834 0,710 0,552 0,381 0,225 0,107 0,038 0,008 0,001 0,000
11 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,989 0,970 0,928 0,853 0,736 0,580 0,403 0,235 0,106 0,032 0,005 0,000
12 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,991 0,976 0,940 0,874 0,765 0,611 0,426 0,242 0,099 0,022 0,001
13 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,994 0,982 0,954 0,897 0,798 0,647 0,451 0,244 0,083 0,009
14 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,988 0,967 0,923 0,836 0,690 0,480 0,238 0,050
15 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,993 0,981 0,950 0,882 0,748 0,518 0,208
16 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,993 0,978 0,937 0,833 0,582
18 0
0,397 0,150 0,054 0,018 0,006 0,002 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,774 0,450 0,224 0,099 0,040 0,014 0,005 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,942 0,734 0,480 0,271 0,135 0,060 0,024 0,008 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,989 0,902 0,720 0,501 0,306 0,165 0,078 0,033 0,012 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,999 0,972 0,879 0,716 0,519 0,333 0,189 0,094 0,041 0,015 0,005 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1,000 0,994 0,958 0,867 0,718 0,534 0,355 0,209 0,108 0,048 0,018 0,006 0,001 0,000 0,000 0,000 0,000 0,000 0,000
1,000 0,999 0,988 0,949 0,861 0,722 0,549 0,374 0,226 0,119 0,054 0,020 0,006 0,001 0,000 0,000 0,000 0,000 0,000
1,000 1,000 0,997 0,984 0,943 0,859 0,728 0,563 0,392 0,240 0,128 0,058 0,021 0,006 0,001 0,000 0,000 0,000 0,000
1,000 1,000 1,000 0,996 0,981 0,940 0,861 0,737 0,578 0,407 0,253 0,135 0,060 0,021 0,005 0,001 0,000 0,000 0,000
1,000 1,000 1,000 0,999 0,995 0,979 0,940 0,865 0,747 0,593 0,422 0,263 0,139 0,060 0,019 0,004 0,001 0,000 0,000
10 1,000 1,000 1,000 1,000 0,999 0,994 0,979 0,942 0,872 0,760 0,609 0,437 0,272 0,141 0,057 0,016 0,003 0,000 0,000
11 1,000 1,000 1,000 1,000 1,000 0,999 0,994 0,980 0,946 0,881 0,774 0,626 0,451 0,278 0,139 0,051 0,012 0,001 0,000
12 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,994 0,982 0,952 0,892 0,791 0,645 0,466 0,283 0,133 0,042 0,006 0,000
13 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,995 0,985 0,959 0,906 0,811 0,667 0,481 0,284 0,121 0,028 0,002
14 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,988 0,967 0,922 0,835 0,694 0,499 0,280 0,098 0,011
15 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,992 0,976 0,940 0,865 0,729 0,520 0,266 0,058
16 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,995 0,986 0,961 0,901 0,776 0,550 0,227
17 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,994 0,982 0,946 0,850 0,603
184
n
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,55
0,60
0,65
0,70
0,75
0,80
0,85
0,90
0,95
19 0
0,377 0,135 0,046 0,014 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,755 0,420 0,199 0,083 0,031 0,010 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,934 0,705 0,441 0,237 0,111 0,046 0,017 0,006 0,002 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,987 0,885 0,684 0,455 0,263 0,133 0,059 0,023 0,008 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,998 0,965 0,856 0,673 0,465 0,282 0,150 0,070 0,028 0,010 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1,000 0,991 0,946 0,837 0,668 0,474 0,297 0,163 0,078 0,032 0,011 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000
1,000 0,998 0,984 0,932 0,825 0,666 0,481 0,308 0,173 0,084 0,034 0,012 0,003 0,001 0,000 0,000 0,000 0,000 0,000
1,000 1,000 0,996 0,977 0,923 0,818 0,666 0,488 0,317 0,180 0,087 0,035 0,011 0,003 0,001 0,000 0,000 0,000 0,000
1,000 1,000 0,999 0,993 0,971 0,916 0,815 0,668 0,494 0,324 0,184 0,089 0,035 0,011 0,002 0,000 0,000 0,000 0,000
1,000 1,000 1,000 0,998 0,991 0,967 0,913 0,814 0,671 0,500 0,329 0,186 0,088 0,033 0,009 0,002 0,000 0,000 0,000
10 1,000 1,000 1,000 1,000 0,998 0,990 0,965 0,912 0,816 0,676 0,506 0,333 0,186 0,084 0,029 0,007 0,001 0,000 0,000
11 1,000 1,000 1,000 1,000 1,000 0,997 0,989 0,965 0,913 0,820 0,683 0,512 0,334 0,182 0,078 0,023 0,004 0,000 0,000
12 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,988 0,966 0,917 0,827 0,692 0,519 0,335 0,175 0,068 0,016 0,002 0,000
13 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,989 0,968 0,922 0,837 0,703 0,526 0,332 0,163 0,054 0,009 0,000
14 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,990 0,972 0,930 0,850 0,718 0,535 0,327 0,144 0,035 0,002
15 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,992 0,977 0,941 0,867 0,737 0,545 0,316 0,115 0,013
16 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,995 0,983 0,954 0,889 0,763 0,559 0,295 0,067
17 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,990 0,969 0,917 0,802 0,580 0,245
18 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,986 0,954 0,865 0,623
20 0
0,359 0,122 0,039 0,012 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,736 0,392 0,176 0,069 0,024 0,008 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,925 0,677 0,405 0,206 0,091 0,036 0,012 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,984 0,867 0,648 0,411 0,225 0,107 0,044 0,016 0,005 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
0,997 0,957 0,830 0,630 0,415 0,238 0,118 0,051 0,019 0,006 0,002 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1,000 0,989 0,933 0,804 0,617 0,416 0,245 0,126 0,055 0,021 0,006 0,002 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1,000 0,998 0,978 0,913 0,786 0,608 0,417 0,250 0,130 0,058 0,021 0,007 0,002 0,000 0,000 0,000 0,000 0,000 0,000
1,000 1,000 0,994 0,968 0,898 0,772 0,601 0,416 0,252 0,132 0,058 0,021 0,006 0,001 0,000 0,000 0,000 0,000 0,000
1,000 1,000 0,999 0,990 0,959 0,887 0,762 0,596 0,414 0,252 0,131 0,057 0,020 0,005 0,001 0,000 0,000 0,000 0,000
1,000 1,000 1,000 0,997 0,986 0,952 0,878 0,755 0,591 0,412 0,249 0,128 0,053 0,017 0,004 0,001 0,000 0,000 0,000
10 1,000 1,000 1,000 0,999 0,996 0,983 0,947 0,873 0,751 0,588 0,409 0,245 0,122 0,048 0,014 0,003 0,000 0,000 0,000
11 1,000 1,000 1,000 1,000 0,999 0,995 0,980 0,944 0,869 0,748 0,586 0,404 0,238 0,113 0,041 0,010 0,001 0,000 0,000
12 1,000 1,000 1,000 1,000 1,000 0,999 0,994 0,979 0,942 0,868 0,748 0,584 0,399 0,228 0,102 0,032 0,006 0,000 0,000
13 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,994 0,979 0,942 0,870 0,750 0,583 0,392 0,214 0,087 0,022 0,002 0,000
14 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,994 0,979 0,945 0,874 0,755 0,584 0,383 0,196 0,067 0,011 0,000
15 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,994 0,981 0,949 0,882 0,763 0,585 0,370 0,170 0,043 0,003
16 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,995 0,984 0,956 0,893 0,775 0,589 0,352 0,133 0,016
17 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,988 0,965 0,909 0,794 0,595 0,323 0,076
18 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,992 0,976 0,931 0,824 0,608 0,264
19 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,989 0,961 0,878 0,642
185
TABLA 2. DISTRIBUCIN DE POISSON
X
0
1
2
3
4
5
0,01
0,9900
1,0000
1,0000
1,0000
1,0000
1,0000
0,05
0,9512
0,9988
1,0000
1,0000
1,0000
1,0000
0,10
0,9048
0,9953
0,9998
1,0000
1,0000
1,0000
0,20
0,8187
0,9825
0,9989
,9999
1,0000
1,0000
0,30
0,7408
0,9631
0,9964
0,9997
1,0000
1,0000
0,40
0,6703
0,9384
0,9921
0,9992
0,9999
1,0000
0,50
0,6065
0,9098
0,9856
0,9982
0,9998
1,0000
0,60
0,5488
0,8781
0,9769
0,9966
0,9996
1,0000
X
0
1
2
3
4
5
6
7
8
0,70
0,4966
0,8442
0,9659
0,9942
0,9992
0,9999
1,0000
1,0000
1,0000
0,80
0,4493
0,8088
0,9526
0,9909
0,9986
0,9998
1,0000
1,0000
1,0000
0,90
0,4066
0,7725
0,9371
0,9865
0,9977
0,9997
1,0000
1,0000
1,0000
1,00
0,3679
0,7358
0,9197
0,9810
0,9963
0,9994
0,9999
1,0000
1,0000
1,10
0,3329
0,6990
0,9004
0,9743
0,9946
0,9990
0,9999
1,0000
1,0000
1,20
0,3012
0,6626
0,8795
0,9662
0,9923
0,9985
0,9997
1,0000
1,0000
1,30
0,2725
0,6268
0,8571
0,9569
0,9893
0,9978
0,9996
0,9999
1,0000
1,40
0,2466
0,5918
0,8335
0,9463
0,9857
0,9968
0,9994
0,9999
1,0000
X
0
1
2
3
4
5
6
7
8
9
10
1,50
0,2231
0,5578
0,8088
0,9344
0,9814
0,9955
0,9991
0,9998
1,0000
1,0000
1,0000
1,60
0,2019
0,5249
0,7834
0,9212
0,9763
0,9940
0,9987
0,9997
1,0000
1,0000
1,0000
1,70
0,1827
0,4932
0,7572
0,9068
0,9704
0,9920
0,9981
0,9996
0,9999
1,0000
1,0000
1,80
0,1653
0,4628
0,7306
0,8913
0,9636
0,9896
0,9974
0,9994
0,9999
1,0000
1,0000
1,90
0,1496
0,4337
0,7037
0,8747
0,9559
0,9868
0,9966
0,9992
0,9998
1,0000
1,0000
2,00
0,1353
0,4060
0,6767
0,8571
0,9473
0,9834
0,9955
0,9989
0,9998
1,0000
1,0000
2,10
0,1225
0,3796
0,6496
0,8386
0,9379
0,9796
0,9941
0,9985
0,9997
0,9999
1,0000
2,20
0,1108
0,3546
0,6227
0,8194
0,9275
0,9751
0,9925
0,9980
0,9995
0,9999
1,0000
X
0
1
2
3
4
5
6
7
8
9
10
11
12
2,30
0,1003
0,3309
0,5960
0,7993
0,9162
0,9700
0,9906
0,9974
0,9994
0,9999
1,0000
1,0000
1,0000
2,40
0,0907
0,3084
0,5697
0,7787
0,9041
0,9643
0,9884
0,9967
0,9991
0,9998
1,0000
1,0000
1,0000
2,50
0,0821
0,2873
0,5438
0,7576
0,8912
0,9580
0,9858
0,9958
0,9989
0,9997
0,9999
1,0000
1,0000
2,60
0,0743
0,2674
0,5184
0,7360
0,8774
0,9510
0,9828
0,9947
0,9985
0,9996
0,9999
1,0000
1,0000
2,70
0,0672
0,2487
0,4936
0,7141
0,8629
0,9433
0,9794
0,9934
0,9981
0,9995
0,9999
1,0000
1,0000
2,80
0,0608
0,2311
0,4695
0,6919
0,8477
0,9349
0,9756
0,9919
0,9976
0,9993
0,9998
1,0000
1,0000
2,90
0,0550
0,2146
0,4460
0,6696
0,8318
0,9258
0,9713
0,9901
0,9969
0,9991
0,9998
0,9999
1,0000
3,00
0,0498
0,1991
0,4232
0,6472
0,8153
0,9161
0,9665
0,9881
0,9962
0,9989
0,9997
0,9999
1,0000
186
X
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
3,50
0,0302
0,1359
0,3208
0,5366
0,7254
0,8576
0,9347
0,9733
0,9901
0,9967
0,9990
0,9997
0,9999
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
4,00
0,0183
0,0916
0,2381
0,4335
0,6288
0,7851
0,8893
0,9489
0,9786
0,9919
0,9972
0,9991
0,9997
0,9999
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
4,50
0,0111
0,0611
0,1736
0,3423
0,5321
0,7029
0,8311
0,9134
0,9597
0,9829
0,9933
0,9976
0,9992
0,9997
0,9999
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
5,00
0,0067
0,0404
0,1247
0,2650
0,4405
0,6160
0,7622
0,8666
0,9319
0,9682
0,9863
0,9945
0,9980
0,9993
0,9998
0,9999
1,0000
1,0000
1,0000
1,0000
1,0000
5,50
0,0041
0,0266
0,0884
0,2017
0,3575
0,5289
0,6860
0,8095
0,8944
0,9462
0,9747
0,9890
0,9955
0,9983
0,9994
0,9998
0,9999
1,0000
1,0000
1,0000
1,0000
6,00
0,0025
0,0174
0,0620
0,1512
0,2851
0,4457
0,6063
0,7440
0,8472
0,9161
0,9574
0,9799
0,9912
0,9964
0,9986
0,9995
0,9998
0,9999
1,0000
1,0000
1,0000
6,50
0,0015
0,0113
0,0430
0,1118
0,2237
0,3690
0,5265
0,6728
0,7916
0,8774
0,9332
0,9661
0,9840
0,9929
0,9970
0,9988
0,9996
0,9998
0,9999
1,0000
1,0000
7,00
0,0009
0,0073
0,0296
0,0818
0,1730
0,3007
0,4497
0,5987
0,7291
0,8305
0,9015
0,9467
0,9730
0,9872
0,9943
0,9976
0,9990
0,9996
0,9999
1,0000
1,0000
X
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
7,50
0,0006
0,0047
0,0203
0,0591
0,1321
0,2414
0,3782
0,5246
0,6620
0,7764
0,8622
0,9208
0,9573
0,9784
0,9897
0,9954
0,9980
0,9992
0,9997
0,9999
1,0000
8,00
0,0003
0,0030
0,0138
0,0424
0,0996
0,1912
0,3134
0,4530
0,5925
0,7166
0,8159
0,8881
0,9362
0,9658
0,9827
0,9918
0,9963
0,9984
0,9993
0,9997
0,9999
8,50
0,0002
0,0019
0,0093
0,0301
0,0744
0,1496
0,2562
0,3856
0,5231
0,6530
0,7634
0,8487
0,9091
0,9486
0,9726
0,9862
0,9934
0,9970
0,9987
0,9995
0,9998
9,00
0,0001
0,0012
0,0062
0,0212
0,0550
0,1157
0,2068
0,3239
0,4557
0,5874
0,7060
0,8030
0,8758
0,9261
0,9585
0,9780
0,9889
0,9947
0,9976
0,9989
0,9996
9,50
0,0001
0,0008
0,0042
0,0149
0,0403
0,0885
0,1649
0,2687
0,3918
0,5218
0,6453
0,7520
0,8364
0,8981
0,9400
0,9665
0,9823
0,9911
0,9957
0,9980
0,9991
10,0
0,0000
0,0005
0,0028
0,0103
0,0293
0,0671
0,1301
0,2202
0,3328
0,4579
0,5830
0,6968
0,7916
0,8645
0,9165
0,9513
0,9730
0,9857
0,9928
0,9965
0,9984
15,0
0,0000
0,0000
0,0000
0,0002
0,0009
0,0028
0,0076
0,0180
0,0374
0,0699
0,1185
0,1848
0,2676
0,3632
0,4657
0,5681
0,6641
0,7489
0,8195
0,8752
0,9170
20,0
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0003
0,0008
0,0021
0,0050
0,0108
0,0214
0,0390
0,0661
0,1049
0,1565
0,2211
0,2970
0,3814
0,4703
0,5591
187
TABLA 3. DISTRIBUCIN NORMAL ESTNDAR
Z
-3,9
-3,8
-3,7
-3,6
-3,5
-3,4
-3,3
-3,2
-3,1
-3,0
0,09
0,00005
0,00007
0,00011
0,00016
0,00023
0,00034
0,00048
0,00069
0,00097
0,00100
0,08
0,00005
0,00007
0,00011
0,00016
0,00024
0,00034
0,00050
0,00071
0,00100
0,00103
0,07
0,00005
0,00008
0,00012
0,00017
0,00025
0,00036
0,00052
0,00074
0,00103
0,00107
0,06
0,00005
0,00008
0,00012
0,00018
0,00026
0,00038
0,00054
0,00076
0,00107
0,00111
0,05
0,00006
0,00008
0,00013
0,00018
0,00027
0,00039
0,00056
0,00079
0,00111
0,00114
0,04
0,00006
0,00009
0,00013
0,00019
0,00028
0,00040
0,00058
0,00082
0,00114
0,00118
0,03
0,00006
0,00009
0,00014
0,00020
0,00029
0,00042
0,00060
0,00084
0,00118
0,00122
0,02
0,00006
0,00010
0,00014
0,00021
0,00030
0,00043
0,00062
0,00087
0,00122
0,00126
0,01
0,00007
0,00010
0,00015
0,00021
0,00031
0,00045
0,00064
0,00090
0,00126
0,00131
0,00
0,00007
0,00010
0,00015
0,00022
0,00032
0,00047
0,00066
0,00093
0,00131
0,00135
-2,9
-2,8
-2,7
-2,6
-2,5
-2,4
-2,3
-2,2
-2,1
-2,0
0,00139
0,00193
0,00263
0,00357
0,00489
0,00639
0,00842
0,01101
0,01426
0,01831
0,00144
0,00199
0,00272
0,00368
0,00494
0,00657
0,00866
0,01130
0,01463
0,01876
0,00149
0,00205
0,00280
0,00379
0,00508
0,00676
0,00889
0,01160
0,01500
0,01923
0,00154
0,00212
0,00289
0,00391
0,00523
0,00695
0,00914
0,01191
0,01539
0,01970
0,00159
0,00219
0,00298
0,00402
0,00539
0,00714
0,00939
0,01222
0,01578
0,02018
0,00164
0,00226
0,00307
0,00414
0,00554
0,00734
0,00964
0,01254
0,01618
0,02067
0,00169
0,00233
0,00317
0,00427
0,00570
0,00755
0,00990
0,01287
0,01659
0,02118
0,00175
0,00240
0,00326
0,00440
0,00587
0,00776
0,01017
0,01321
0,01700
0,02169
0,00181
0,00248
0,00336
0,00453
0,00604
0,00798
0,01044
0,01355
0,01743
0,02222
0,00187
0,00255
0,00347
0,00466
0,00621
0,00820
0,01072
0,01390
0,01786
0,02275
-1,9
-1,8
-1,7
-1,6
-1,5
-1,4
-1,3
-1,2
-1,1
-1,0
0,02329
0,02938
0,03673
0,04551
0,05592
0,06811
0,08226
0,09852
0,11702
0,13786
0,02385
0,03005
0,03754
0,04648
0,05705
0,06944
0,08379
0,10027
0,11900
0,14007
0,02442
0,03074
0,03837
0,04746
0,05821
0,07078
0,08534
0,10204
0,12100
0,14231
0,02500
0,03144
0,03920
0,04846
0,05938
0,07214
0,08691
0,10383
0,12302
0,14457
0,02559
0,03216
0,04006
0,04947
0,06057
0,07353
0,08851
0,10565
0,12507
0,14686
0,02619
0,03288
0,04093
0,05050
0,06178
0,07493
0,09012
0,10749
0,12714
0,14917
0,02680
0,03362
0,04181
0,05155
0,06301
0,07636
0,09176
0,10935
0,12924
0,15150
0,02743
0,03438
0,04272
0,05262
0,06425
0,07780
0,09342
0,11123
0,13136
0,15386
0,02807
0,03515
0,04363
0,05370
0,06552
0,07927
0,09510
0,11314
0,13350
0,15625
0,02872
0,03593
0,04456
0,05480
0,06681
0,08076
0,09680
0,11507
0,13567
0,15865
-0,9
-0,8
-0,7
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
-0,0
0,16109
0,18673
0,21476
0,24510
0,27759
0,31207
0,34827
0,38591
0,42465
0,46414
0,16354
0,18943
0,21769
0,24825
0,28096
0,31561
0,35197
0,38974
0,42858
0,46812
0,16602
0,19215
0,22065
0,25143
0,28434
0,31918
0,35569
0,39358
0,43250
0,47210
0,16853
0,19489
0,22363
0,25463
0,28774
0,32276
0,35942
0,39743
0,43644
0,47609
0,17105
0,19766
0,22663
0,25785
0,29116
0,32635
0,36317
0,40129
0,44038
0,48006
0,17361
0,20045
0,22965
0,26109
0,29460
0,32997
0,36693
0,40516
0,44433
0,48405
0,17619
0,20327
0,23269
0,26435
0,29806
0,33360
0,37070
0,40905
0,44828
0,48803
0,17879
0,20611
0,23576
0,26763
0,30153
0,33724
0,37448
0,41294
0,45224
0,49202
0,18141
0,20897
0,23885
0,27093
0,30503
0,34090
0,37828
0,41683
0,45620
0,49601
0,18406
0,21185
0,24196
0,27425
0,30854
0,34459
0,38209
0,42074
0,46017
0,50000
188
Z
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
0,00
0,50000
0,53983
0,57926
0,61781
0,65542
0,69146
0,72575
0,75804
0,78814
0,81594
0,01
0,50399
0,54395
0,58617
0,62172
0,65910
0,69497
0,72907
0,76115
0,79103
0,81859
0,02
0,50798
0,54776
0,58706
0,62552
0,66276
0,69847
0,73237
0,76424
0,79389
0,82124
0,03
0,51197
0,55172
0,59095
0,62930
0,66640
0,70194
0,73565
0,76730
0,79373
0,82381
0,04
0,51595
0,55567
0,59483
0,63307
0,67003
0,70540
0,73891
0,77035
0,79955
0,82639
0,05
0,51994
0,55962
0,59871
0,63683
0,67364
0,70884
0,74215
0,77337
0,80234
0,82894
0,06
0,52392
0,56356
0,60257
0,64058
0,67724
0,71226
0,74537
0,77637
0,80510
0,83147
0,07
0,52790
0,56750
0,60642
0,64431
0,68082
0,71566
0,74857
0,77935
0,80785
0,83398
0,08
0,53188
0,57124
0,61026
0,64803
0,68439
0,71904
0,75175
0,78230
0,81057
0,83646
0,09
0,53586
0,57534
0,61409
0,65173
0,68793
0,72240
0,75490
0,78524
0,81327
0,83891
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
0,84134
0,86433
0,88493
0,90320
0,91924
0,93319
0,94520
0,95543
0,96407
0,97128
0,84375
0,86650
0,88686
0,90490
0,92073
0,93448
0,94630
0,95637
0,96485
0,97193
0,84614
0,86864
0,88877
0,90658
0,92220
0,93574
0,94738
0,95728
0,96562
0,97257
0,84849
0,87076
0,89065
0,90824
0,92364
0,93699
0,94845
0,95818
0,96637
0,97320
0,85083
0,87286
0,89251
0,90988
0,92507
0,93822
0,94950
0,95907
0,96712
0,97381
0,85314
0,87923
0,89435
0,91149
0,92647
0,93943
0,95053
0,95994
0,96784
0,97441
0,85543
0,87698
0,89616
0,91308
0,92785
0,94062
0,95154
0,96079
0,96856
0,97500
0,85769
0,87900
0,89796
0,91466
0,92922
0,94179
0,95254
0,96164
0,96926
0,97558
0,85993
0,88100
0,89973
0,91621
0,93056
0,94295
0,95352
0,96246
0,96995
0,97615
0,86214
0,88298
0,90147
0,91774
0,93189
0,94408
0,95449
0,96327
0,97062
0,97670
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
0,97725
0,98214
0,98610
0,98928
0,99180
0,99379
0,99534
0,99653
0,99744
0,99813
0,97778
0,98257
0,98645
0,98956
0,99202
0,99396
0,99547
0,99664
0,99752
0,99819
0,97831
0,98299
0,98679
0,98983
0,99224
0,99413
0,99560
0,99674
0,99760
0,99825
0,97882
0,98341
0,98713
0,99001
0,99245
0,99430
0,99573
0,99683
0,99767
0,99830
0,97932
0,98382
0,98745
0,99036
0,99266
0,99446
0,99585
0,99693
0,99774
0,99836
0,97982
0,98422
0,98778
0,99061
0,99286
0,99461
0,99597
0,99702
0,99781
0,99841
0,98030
0,98461
0,98809
0,99086
0,99305
0,99477
0,99609
0,99711
0,99788
0,99846
0,98077
0,98500
0,98840
0,99110
0,99324
0,99491
0,99621
0,99720
0,99795
0,99851
0,98124
0,98537
0,98870
0,99134
0,99343
0,99506
0,99632
0,99728
0,99801
0,99856
0,98169
0,98574
0,98899
0,99158
0,99361
0,99520
0,99643
0,99736
0,99807
0,99860
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,99865
0,99903
0,99931
0,99952
0,99956
0,99977
0,99984
0,99989
0,99993
0,99995
0,99869
0,99906
0,99934
0,99953
0,99968
0,99978
0,99985
0,99990
0,99993
0,99995
0,99874
0,99910
0,99936
0,99955
0,99969
0,99978
0,99985
0,99990
0,99993
0,99996
0,99878
0,99913
0,99938
0,99957
0,99970
0,99979
0,99986
0,99990
0,99994
0,99996
0,99882
0,99916
0,99940
0,99958
0,99971
0,99980
0,99986
0,99991
0,99994
0,99996
0,99886
0,99918
0,99942
0,99960
0,99972
0,99981
0,99987
0,99991
0,99994
0,99996
0,99889
0,99921
0,99944
0,99961
0,99973
0,99981
0,99987
0,99992
0,99994
0,99996
0,99893
0,99924
0,99946
0,99962
0,99974
0,99982
0,99988
0,99992
0,99995
0,99996
0,99897
0,99926
0,99948
0,99964
0,99975
0,99983
0,99988
0,99992
0,99995
0,99997
0,99900
0,99929
0,99950
0,99965
0,99976
0,99983
0,99989
0,99992
0,99995
0,99997
189
TABLA 4. DISTRIBUCIN T-STUDENT
Grados de
libertad
1
2
3
4
5
=0,25
=0,10
=0,075
=0,05
=0,025
=0,01
=0,005
=0,0001
1,0000
0,8165
0,7649
0,7407
0,7267
3,0777
1,8856
1,6377
1,5332
1,4759
4,1653
2,2819
1,9243
1,7782
1,6994
6,3138
2,9200
2,3534
2,1318
2,0150
12,7062
4,3027
3,1824
2,7764
2,5706
31,8217
6,9646
4,5407
3,7469
3,3649
63,657
9,9248
5,8409
4,6041
4,0321
318,31
22,327
10,215
7,1732
5,8934
6
7
8
9
10
0,7176
0,7111
0,7064
0,7027
0,6998
1,4398
1,4149
1,3968
1,3830
1,3722
1,6502
1,6166
1,5922
1,5737
1,5592
1,9432
1,8946
1,8595
1,8331
1,8125
2,4469
2,3646
2,3060
2,2622
2,2281
3,1427
2,9980
2,8965
2,8214
2,7638
3,7074
3,4995
3,3554
3,2498
3,1693
5,2076
4,7853
4,5008
4,2968
4,1437
11
12
13
14
15
0,6974
0,6955
0,6938
0,6924
0,6912
1,3634
1,3562
1,3502
1,3450
1,3406
1,5476
1,5380
1,5299
1,5231
1,5172
1,7959
1,7823
1,7709
1,7613
1,7531
2,2010
2,1788
2,1604
2,1448
2,1314
2,7181
2,6810
2,6503
2,6245
2,6025
3,1058
3,0545
3,0123
2,9768
2,9467
4,0247
3,9296
3,8520
3,7874
3,7328
16
17
18
19
20
0,6901
0,6892
0,6884
0,6876
0,6870
1,3368
1,3334
1,3304
1,3277
1,3253
1,5121
1,5077
1,5037
1,5002
1,4970
1,7459
1,7396
1,7341
1,7291
1,7247
2,1199
2,1098
2,1009
2,0930
2,0860
2,5835
2,5669
2,5524
2,5395
2,5280
2,9208
2,8982
2,8784
2,8609
2,8453
3,6862
3,6458
3,6105
3,5794
3,5518
21
22
23
24
25
0,6864
0,6858
0,6853
0,6848
0,6844
1,3232
1,3212
1,3195
1,3178
1,3163
1,4942
1,4916
1,4893
1,4871
1,4852
1,7207
1,7171
1,7139
1,7109
1,7081
2,0796
2,0739
2,0687
2,0639
2,0595
2,5176
2,5083
2,4999
2,4922
2,4851
2,8314
2,8188
2,8073
2,7969
2,7874
3,5272
3,5050
3,4850
3,4668
3,4502
26
27
28
29
30
,6840
0,6837
0,6834
0,6830
0,6828
1,3150
1,3137
1,3125
1,3114
1,3104
1,4834
1,4817
1,4801
1,4787
1,4774
1,7056
1,7033
1,7011
1,6991
1,6973
2,0555
2,0518
2,0484
2,0452
2,0423
2,4786
2,4727
2,4671
2,4620
2,4573
2,7787
2,7707
2,7633
2,7564
2,7500
3,4350
3,4210
3,4082
3,3962
3,3852
40
50
60
120
0,6807
0,6794
0,6786
0,6765
1,3031
1,2987
1,2958
1,2886
1,4677
1,4620
1,4582
1,4488
1,6839
1,6759
1,6706
1,6577
2,0211
2,0086
2,0003
1,9799
2,4233
2,4033
2,3901
2,3578
2,7045
2,6778
2,6603
2,6174
3,3069
3,2614
3,2317
3,1595
0,6745
1,2842
1,4430
1,6496
1,9674
2,3381
2,5913
3,1159
190
TABLA 5. DISTRIBUCIN JI-CUADRADA
=0,995 =0,99
=0,975 =0,95
=0,90
=0,10
=0,05
=0,025 =0,01
=0,005
0,0000
0,0100
0,0717
0,2070
0,4117
0,0002
0,0201
0,1148
0,2971
0,5543
0,0010
0,0506
0,2158
0,4844
0,8312
0,0039
0,1026
0,3518
0,7107
1,1455
0,0158
0,2107
0,5844
1,0636
1,6103
2,7055
4,6052
6,2514
7,7794
9,2364
3,8415
5,9915
7,8147
9,4877
11,070
5,0239
7,3778
9,3484
11,143
12,833
6,6349
9,2103
11,345
13,277
15,086
7,8794
10,597
12,838
14,860
16,750
6
7
8
9
10
0,6757
0,9893
1,3444
1,7349
2,1559
0,8721
1,2390
1,6465
2,0879
2,5582
1,2373
1,6899
2,1797
2,7004
3,2470
1,6354
2,1673
2,7326
3,3251
3,9403
2,2041
2,8331
3,4895
4,1682
4,8652
10,645
12,017
13,362
14,684
15,987
12,592
14,067
15,507
16,919
18,307
14,449
16,013
17,535
19,023
20,483
16,812
18,475
20,090
21,666
23,209
18,548
20,278
21,955
23,589
25,188
11
12
13
14
15
2,6032
3,0738
3,5650
4,0747
4,6009
3,0535
3,5706
4,1069
4,6604
5,2293
3,8157
4,4038
5,0088
5,6287
6,2621
4,5748
5,2260
5,8919
6,5706
7,2609
5,5778
6,3038
7,0415
7,7895
8,5468
17,275
18,549
19,812
21,064
22,307
19,675
21,026
22,362
23,685
24,996
21,920
23,337
24,736
26,119
27,488
24,725
26,217
27,688
29,141
30,578
26,757
28,300
29,819
31,319
32,801
16
17
18
19
20
5,1422
5,6972
6,2648
6,8440
7,4338
5,8122
6,4078
7,0149
7,6327
8,2604
6,9077
7,5642
8,2307
8,9065
9,5908
7,9616
8,6718
9,3905
10,117
10,851
9,3122
10,085
10,865
11,651
12,443
23,542
24,769
25,989
27,204
28,412
26,296
27,587
28,869
30,144
31,410
28,845
30,191
31,526
32,852
34,170
32,000
33,409
34,805
36,191
37,566
34,267
35,718
37,156
38,582
39,997
21
22
23
24
25
8,0337
8,6427
9,2604
9,8862
10,520
8,8972
9,5425
10,196
10,856
11,524
10,283
10,982
11,689
12,401
13,120
11,591
12,338
13,091
13,848
14,611
13,240
14,041
14,848
15,659
16,473
29,615
30,813
32,007
33,196
34,382
32,671
33,924
35,172
36,415
37,652
35,479
36,781
38,076
39,364
40,646
38,932
40,289
41,638
42,980
44,314
41,401
42,796
44,181
45,559
46,928
26
27
28
29
30
11,160
11,808
12,461
13,121
13,787
12,198
12,879
13,565
14,256
14,953
13,844
14,573
15,308
16,047
16,791
15,379
16,151
16,928
17,708
18,493
17,292
18,114
18,939
19,768
20,599
35,563
36,741
37,916
39,087
40,256
38,885
40,113
41,337
42,557
43,773
41,923
43,195
44,461
45,722
46,979
45,642
46,963
48,278
49,588
50,892
48,290
49,645
50,993
52,336
53,672
40
50
60
70
80
90
100
20,707
27,991
35,534
43,275
51,172
59,196
67,328
22,164
29,707
37,485
45,442
53,540
61,754
70,065
24,433
32,357
40,482
48,758
57,153
65,647
74,222
26,509
34,764
43,188
51,739
60,391
69,126
77,929
29,051
37,689
46,459
55,329
64,278
73,291
82,358
51,805
63,167
74,397
85,527
96,578
107,57
118,50
55,758
67,505
79,082
90,531
101,88
113,15
124,34
59,342
71,420
83,298
95,023
106,63
118,14
129,56
63,691
76,154
88,379
100,43
112,33
124,12
135,81
66,766
79,490
91,952
104,21
116,32
128,30
140,17
Grados de
libertad
1
2
3
4
5
191
APNDICE
C
GLOSARIO
Al Azar o Aleatorio. Son todos aquellos eventos fortuitos o productos de la
suerte.
Aleatoriamente. Actividades o mtodos producidos o llevados a cabo simulando
un comportamiento al azar.
Aleatoriedad. Mtodo para controlar las variables extrnsecas que comprende la
asignacin aleatoria de las unidades de prueba a los grupos experimentales,
con el uso de nmeros aleatorios. Las condiciones de tratamiento se asignan al
azar a los grupos experimentales.
Alfa (). Probabilidad de cometer un error de tipo I.
Anlisis de correlacin lineal. Tcnica para determinar el grado hasta el cual las
variables estn linealmente asociadas.
Anlisis de regresin. Procedimiento estadstico para analizar las relaciones de
relacin entre una variable dependiente mtrica y una o ms variables
independientes.
192
Anlisis de variancia (ANOVA). Tcnica estadstica utilizada para probar la
igualdad de tres o ms medias de poblacin y, de este modo, hacer inferencias
sobre si las muestras provienen de poblaciones que tienen la misma media.
Anlisis exploratorio de datos. Mtodos para analizar datos que requieren de
muy pocas suposiciones principales.
Arreglo de datos. Organizacin de los datos sin procesar por observacin,
tomados en orden descendente o ascendente.
Asimetra. Caracterstica de una distribucin que evala su simetra con respecto
de la media.
Atributos. Variables cualitativas que slo poseen categoras.
Beta (). Probabilidad de cometer un error de tipo II.
Censo. Conteo completo de los elementos de una poblacin u objetos de estudio.
Clase de extremo abierto. Clase que permite que el extremo superior o inferior
de un esquema de clasificacin cuantitativo no tenga lmite.
Clase mediana. Clase de una distribucin de frecuencias que contiene el valor
mediano de un conjunto de datos.
Confiabilidad. Grado hasta el cual el proceso de medicin est libre de errores
aleatorios.
Correlacin. Es una medida de la relacin entre dos o ms variables. La
correlacin puede tomar valores entre 1 y +1. El valor de 1 representa una
correlacin negativa perfecta mientras un valor de +1 representa una
correlacin perfecta positiva. Un valor de 0 representa una falta de correlacin.
Curtosis. El grado de agudeza de una distribucin de puntos.
Datos continuos. Datos que pueden pasar de una clase a la siguiente sin
interrumpirse y que pueden expresarse mediante nmeros enteros o
fraccionarios.
Datos discretos. Datos que no pasan de una clase a la siguiente sin que haya
una interrupcin; esto es, en donde las categoras representan valores o
cuentas distintas que pueden representarse mediante nmeros enteros.
Datos mtricos. Datos que tienen naturaleza de intervalo o razn.
Datos no mtricos. Datos que se derivan de una escala nominal u ordinal.
193
Datos. Son los valores cualitativos o cuantitativos mediante los cuales se miden
las caractersticas de los objetos, sucesos o fenmenos a estudiar.
Dependencia estadstica. Condicin en la que la probabilidad de presentacin de
un evento depende de la presentacin de algn otro evento, o se ve afectada
por sta.
Desviacin estndar. Raz cuadrada positiva de la varianza; medida de
dispersin con las misma unidades que los datos originales, ms bien que en
las unidades al cuadrado en que est la varianza.
Diagrama de dispersin. Grfica de puntos en una red rectangular; las
coordenadas X y Y de cada punto corresponden a las dos mediciones hechas
sobre un elemento particular de muestra, y el patrn de puntos ilustra la relacin
entre las dos variables.
Distribucin asimtrica. Se presenta cuando la distribucin de un conjunto de
datos resulta con un promedio, una mediana y una moda con valores diferentes.
Distribucin bimodal. Distribucin de puntos de datos en la que dos valores se

presentan con ms frecuencias que los dems elementos del conjunto de datos.
Distribucin binomial. Distribucin que describe los resultados de un
experimento conocido como proceso de Bernoulli.
Distribucin de frecuencias. Distribucin matemtica cuyo objetivo es obtener
un conteo del nmero de respuestas asociadas con los distintos valores de una
variable y expresar estos conteos en trminos de porcentajes.
Distribucin de ji cuadrada. Distribucin asimtrica cuya forma depende
nicamente del nmero de grados de libertad. Conforme se incrementa el
nmero de grados de libertad, la distribucin de ji cuadrada se hace ms
simtrica.
Distribucin de la muestra. La distribucin de los valores de la estadstica de
una muestra (calculada para cada muestra posible), que pueda tomarse de la
poblacin meta de acuerdo con un plan de muestreo especfico.
Distribucin de Poisson. Distribucin discreta en la que la probabilidad de
presentacin de un evento en un intervalo muy pequeo es un nmero tambin
194
pequeo, la probabilidad de que dos o ms de estos eventos se presenten
dentro del mismo intervalo es efectivamente igual a cero, y la probabilidad de
presentacin del evento dentro del periodo dado es independiente de cundo se
presenta dicho periodo.
Distribucin de probabilidad. Lista de los resultados de un experimento con las
probabilidades que se esperaran ver asociadas con cada resultado.
Distribucin normal estndar. Distribucin normal de probabilidad con media
cero y una desviacin estndar de 1.
Distribucin normal. Distribucin de una variable aleatoria continua que una
curva de un solo pico y con forma de campana. La media cae en el centro de la
distribucin y la curva es simtrica con respecto a una lnea vertical que pase
por la media. Los dos extremos se extienden indefinidamente, sin tocar nunca el
eje horizontal. Base para la inferencia estadstica clsica que tiene forma de
campana y apariencia simtrica. Todas sus medias de tendencias central son
idnticas.
Distribucin t de Student. Familia de distribucin de probabilidad que se
distinguen por sus grados de libertad individuales; es parecida, en forma, a la
distribucin normal; y se utiliza cuando se desconoce la desviacin estndar de
la poblacin y el tamao de la muestra es relativamente pequeo (n30).
Ecuacin de estimacin. Frmula matemtica que relaciona la variable
desconocida con las variables conocidas en el anlisis de regresin.
Eficiencia estadstica. Comparacin de los errores estndar generados por los
diferentes procedimientos de muestreo.
Error aleatorio. Error que surge de diferencias o cambios aleatorios en los
entrevistados o las situaciones de medicin.
Error de medicin. La variacin en la informacin que el investigador y la
informacin que genera el proceso de medicin empleado.
Error de muestreo. Error o variacin entre estadsticas de muestra debido al azar;
es decir, diferencias entre cada muestra y la poblacin, y entre varias muestras
que se deben nicamente a los elementos que elegimos para la muestra.
195
Error estndar de la estimacin. Medida de la confiabilidad de la ecuacin de
estimacin, que indica la variabilidad de los puntos observados alrededor de la
lnea de regresin, esto es, hasta qu punto los valores observados difieren de
sus valores predichos sobre la lnea de regresin.
Error estndar de la media. La desviacin estndar de la distribucin de
muestreo de la media; una medida del grado en que se espera que varen las
medias de las diferentes muestras de la media de la poblacin, debido al error
aleatorio en el proceso de muestreo.
Error muestral. Diferencia entre el estadstico observado de la muestra
probabilstica y el parmetro de la poblacin.
Error sistemtico. Error que afecta la medicin de manera constante y representa
los factores estables que afectan, de la misma forma, la clasificacin observada
cada vez que se realiza la medicin.
Error tipo 1. Error que se presenta cuando los resultados de la muestra llevan al
rechazo de la hiptesis nula que en realidad es verdadera. Tambin se conoce
como error alfa.
Error tipo 2. Error que se presenta cuando los resultados de la muestra llevan a la
aceptacin de la hiptesis nula que en realidad es falsa. Tambin se conoce
como error beta.
Escala de razn. Escala de medicin que tiene todas las propiedades de una
escala de intervalo ms un punto cero absoluto.
Escala nominal. Escala cuyos nmeros sirven slo como etiquetas o seales
para identificar y clasificar los objetos, con una correspondencia estricta de uno
a uno entre los nmeros y los objetos.
Escala ordinal. Escala de clasificacin en la que los nmeros se asignan a los
objetos para indicar el grado relativo con que se posee cierta caracterstica. De
modo, que es posible determinar si un objeto tiene mayor o menor cantidad de
la caracterstica que algn otro.
Espacio muestral. Conjunto de todos los resultados posibles de un experimento.
196
Esperanza. La esperanza (valor esperado o media) de una variable aleatoria
discreta es la suma de los productos de sus valores por sus probabilidades
asociadas.
Estadstica descriptiva. Rama de la estadstica que proporciona a los
investigadores las mediciones resumidas para los datos en las muestras.
Estadstica inferencial. Rama de la estadstica que permite a los investigadores
hacer juicios de la poblacin con base en los resultados generados por las
muestras.
Estadstica. Ciencia que trata del desarrollo y aplicacin de mtodos eficientes de
recoleccin, elaboracin, presentacin, anlisis e interpretacin de datos
numricos.
Estadsticas. Mediciones que describen las caractersticas de una muestra.
Estadstico. Descripcin resumida de una medida en la muestra seleccionada.
Estimacin por intervalo. Estimacin del parmetro de la poblacin utilizando un
conjunto de valores comprendidos dentro de un intervalo.
Estimacin puntual. Estimacin del parmetro de la poblacin con valor un solo
valor calculado con la informacin de la muestra.
Estimacin. Valor especfico observado de un estimador.
Estimador coherente. Estimador que produce valores que se acercan ms al
parmetro de la poblacin conforme aumenta el tamao de la muestra.
Estimador consistente. Estadstico que se aproxima al parmetro de la poblacin
a medida que aumenta el tamao de la muestra.
Estimador eficiente. Estimador con un menor error estndar que algn otro
estimador del parmetro de la poblacin, esto es, cuando ms pequeo sea el
error estndar de un estimador, ms eficiente ser ese estimador.
Estimador insesgado. Estimador cuyo valor esperado es el parmetro o valor de
la poblacin.
Estimador suficiente. Estimador que utiliza toda la informacin disponible en los
datos correspondientes a un parmetro.
Estimador. Estadstica de muestra utilizada para estimar un parmetro de
poblacin.
197
Evento. Uno o ms de los resultados posibles de hacer algo, o uno de los
resultados posibles de realizar un experimento.
Eventos independientes. Dos eventos evento son independientes si el
conocimiento de que uno ocurrir o ya ha ocurrido no afecta la probabilidad del
otro; ms precisamente, si la probabilidad condicional de cada uno dada por el
otro es la misma que la probabilidad incondicional.
Eventos mutuamente excluyentes. Eventos que no se pueden presentar juntos.
Fraccin de muestreo. La fraccin o porcin de la poblacin contenida en la
muestra.
Frecuencia absoluta. Nmero total de elementos que aparecen en una
determinada categora.
Frecuencia relativa. Porcentaje de elementos totales que aparecen en una
determinada categora.
Grados de libertad. Nmero de valores de una muestra que podemos especificar
libremente, despus de que ya sabemos algo sobre dicha muestra.
Grfica lineal. Presentacin grfica de magnitud en el conjunto de datos mostrado
por la pendiente de una lnea (o lneas) que ha sido situada con respecto a una
escala horizontal o vertical.
Grfico circular. Crculo que divide en secciones de tal manera que el tamao de
cada una de stas corresponde a una proporcin del total.
Grfico de barras. Presentacin grfica de magnitud en el conjunto de datos,
representada por la longitud de diferentes barras trazadas con referencia a una
escala horizontal o vertical.
Hiptesis alternativa. Afirmacin de que se espera alguna diferencia o efecto. La
aceptacin de la hiptesis alternativa dar lugar a cambios en las opiniones o
acciones.
Hiptesis nula. Afirmacin en la cual no se espera ninguna diferencia ni efecto. Si
la hiptesis nula no se rechaza, no se har ningn cambio.
Hiptesis. Enunciado o proposicin no probados acerca de un factor o fenmeno
de inters para el investigador. Una hiptesis estadstica a un enunciado
198
respecto a una poblacin y usualmente es un enunciado respecto a uno a ms
parmetros de la poblacin.
Histograma. Grfica de un conjunto de datos compuesta de una serie de
rectngulos cada uno con un ancho proporcional al alcance de los valores de
cada clase y altura proporcional al nmero de elementos que entran en la clase,
o altura proporcional a la fraccin de elementos de la clase.
Incertidumbre. Falta de un conocimiento completo acerca de los posibles
resultados de las acciones, con desconocimiento de las probabilidades de los
posibles resultados.
Independencia estadstica. Condicin en la que presentacin de algn evento no
tiene efecto sobre la probabilidad de presentacin de otro evento.
Inferencia estadstica. Proceso de generalizar los resultados de la muestra a los
resultados de la poblacin.
Interseccin. Constante para cualquier lnea recta dada cuyo valor representa el
valor de la variable Y cuando la variable X tiene un valor de 0.
Intervalo de confianza. Intervalo de valores que tiene designada una probabilidad
de que incluya el valor real del parmetro de la poblacin.
Lnea de regresin. Una lnea ajustada a un grupo de puntos para estimar la
relacin entre dos variables.
Media. El promedio; valor que se obtiene al sumar todos los elementos en un
conjunto y dividirlos entre el nmero de elementos.
Mediana. Medida de tendencia central que se da como el valor arriba del cual
caen la mitad de los valores y abajo del cul cae la otra mitad.
Medibilidad. Es una caracterstica de los diseos que permite calcular, a partir de
la propia muestra, estimaciones vlidas o aproximaciones de su variabilidad de
muestreo.
Medicin. Asignacin de nmeros u otros signos a las caractersticas de los
objetos, de acuerdo con ciertas reglas especificadas con anterioridad.
Medidas de tendencia. Estadstica que describe una ubicacin dentro de un
conjunto de datos. Las medidas de la tendencia describen el centro de la
distribucin.
199
Mtodo de mnimos cuadrados. Tcnicas para ajustar una lnea recta a travs
de un conjunto de puntos de tal manera que la suma de las distancias verticales
cuadradas desde los n puntos a la lnea se minimiza.
Moda. Medida de tendencia central que se da como el valor que ocurre con mayor
frecuencia en la distribucin de una muestra.
Muestra representativa. Muestra que contiene las caractersticas importantes de
la poblacin en las mismas proporciones en que estn contenidas en la
poblacin.
Muestra. Coleccin de algunos elementos, pero no de todos, de la poblacin bajo
estudio, utilizada para describir poblaciones.
Muestras pareadas. En la prueba de hiptesis se parean las observaciones de
modo que los dos conjuntos de observacin se relacionan con los mismos
sujetos.
Muestreo aleatorio simple. Mtodos de seleccin de muestras que permiten a
cada muestra posible una probabilidad igual de ser elegida y a cada elemento
de la poblacin una oportunidad igual de ser incluidos en la muestra.
Muestreo aleatorio. Las tcnicas de muestreo aleatorio aseguran que cada
elemento en la poblacin de inters tenga una probabilidad (no nula) de ser
incluido en la muestra.
Muestreo con reemplazo. Procedimiento de muestreo en el que los elementos se
regresan a la poblacin despus de ser elegidos, de tal forma que algunos
elementos de la poblacin pueden aparecer en la muestra ms de una vez.
Muestreo de aleatorio. Mtodo para seleccionar una muestre de una poblacin
en el que todos los elementos de la poblacin tienen igual oportunidad de ser
elegidos en la muestra.
Muestreo
no
probabilstico.
Tcnicas
de
muestreo
que
no
utilizan
procedimientos de seleccin por casualidad, sino que ms bien dependen del

juicio personal del investigador.
Muestreo probabilstico. Procedimiento de muestreo en el cual cada elemento
de la poblacin tiene una oportunidad probabilstica fija de ser seleccionado
para la muestra.
200
Muestreo sistemtico. Un mtodo de muestreo aleatorio usado en estadstica en
el que los elementos que se muestran seleccionando de la poblacin en un
intervalo uniforme que se mide con respecto al tiempo, al orden o el espacio.
Nivel de confianza. Probabilidad que los estadsticos asocian con una estimacin
de intervalo de un parmetro de poblacin. sta indica qu tan seguros estn
de que la estimacin de intervalo incluir al parmetro de la poblacin.
Nivel de significancia. Valor que indica el porcentaje de valores de muestra que
estn fuera ce ciertos lmites, suponiendo que la hiptesis nula es correcta, es
decir, se trata de la probabilidad de rechazar la hiptesis nula cuando es cierta.
Ojiva. Grfica de una distribucin de frecuencias acumuladas.
Parmetros. Valores que describen las caractersticas de una poblacin.
Pendiente. Constante para cualquier recta dada cuyo valor representa qu tanto
el cambio de unidad de la variable independiente cambia la variable
dependiente.
Poblacin finita. Poblacin que tiene un tamao establecido o limitado.
Poblacin infinita. Poblacin en el que es tericamente imposible observar todos
los elementos.
Poblacin. Conjunto de todos los elementos que comparten un grupo comn de
caractersticas, y forman el universo para el propsito del problema de
investigacin. Esta debe definirse en trminos de: el contenido, las unidades, la
extensin y el tiempo.
Polgono de frecuencias. Lnea que une los puntos medios de cada clase de un
conjunto de datos, trazada a la altura correspondiente a la frecuencia de los
datos.
Porcentaje. Cociente de un valor actual entre un valor base cuyo resultado es

multiplicado por cien.
Precisin. El grado de exactitud con el que la media de la muestra puede estimar
la media de la poblacin, segn revela el error estndar de la media.
Probabilidad clsica. Nmero de resultados favorables a la presentacin de un
evento dividido entre el nmero total de resultados posibles.
201
Probabilidad condicional. Probabilidad de que se presente un evento, dado que
otro evento ya se ha presentado.
Probabilidad conjunta. Probabilidad de que se presentan dos o ms eventos
simultneamente o en sucesin.
Probabilidad marginal. Probabilidad incondicional de que se presente un evento;
probabilidad de que se presente un slo evento.
Probabilidad subjetiva. Probabilidad basada en las creencias personales de
quien hace la estimacin de probabilidad.
Probabilidad. La posibilidad de que algo suceda.
Prueba t. Prueba de hiptesis univariada que utiliza la distribucin t y que se
utiliza cuando se desconoce la desviacin estndar y el tamao de la muestra
es pequeo.
Prueba z. Prueba de hiptesis univariada que utiliza la distribucin normal
estndar.
Pruebas de dos muestras. Pruebas de hiptesis basadas en muestras tomadas
de dos poblaciones con el fin de comparar sus medias o proporciones.
Rango. Diferencia entre los valores ms bajo y ms alto de una distribucin.
Razn. Es una frecuencia relativa que relaciona la frecuencia absoluta de una
categora con la frecuencia absoluta de otra categora.
Regresin mltiple. Tcnica estadstica que desarrolla simultneamente una
relacin matemtica entre dos o ms variables independientes y una variable
dependiente con escala de intervalo.
Relacin directa. Relacin entre dos variables en las que, al incrementares el
valor de la variable independiente, se incrementa el valor de la variable
dependiente.
Relacin espuria. Relacin observada entre variables cuando una existe; la
relacin desaparece cuando se presenta una variable.
Relacin inversa. Relacin entre dos variables en la que, al incrementares la
variable independiente, decrece la variable dependiente.
Relacin lineal. Tipo particular de asociacin entre dos variables que puede
describirse matemticamente mediante una lnea recta.
202
Sesgo. Es el error humano, intencional o no intencional que se comete al ejecutar
el muestreo y que generalmente es sistemtico. Este error se minimiza a travs
de programas de entrenamiento, capacitacin y motivacin de inspectores y
recolectores de informacin estadstica.
Teorema del lmite central. Resultado que asegura que la distribucin de
muestreo de la media se acerca a la normalidad cuando el tamao de la
muestra se incrementa, sin importar la forma de la distribucin de la poblacin
que se selecciona la muestra.
Valor esperado. Es el valor promedio de una variable aleatoria en muchas
pruebas u observaciones.
Valor z. Nmero de errores estndar en que un punto se encuentra alejado de la
media.
Variable aleatoria contina. Variable aleatoria que puede tomar cualquier valor
dentro de un intervalo dado de valores.
Variable aleatoria discreta. Variable aleatoria que puede tomar slo un nmero
limitado de valores.
Variable aleatoria. Es una funcin real en un espacio probabilstico: hace
corresponder a cada evento elemental con un nmero real, el valor de la
variable aleatoria en ese evento elemental.
Variable aleatoria. Variable que toma diferentes valores como resultado de un
experimento aleatorio.
Variable confusa. Variable externa sin control, cuyo efecto es invalidar las
conclusiones de un experimento.
Variable dependiente. La variable que tratamos de predecir en el anlisis de
regresin.
Variables cuantitativas. Variables con valores numricos que resultan de medir o
de contar.
Variables independientes. Variables (s) conocida(s) en el anlisis de regresin.
Variancia. Desviacin cuadrada media de todos los valores de la media.
RESPUESTAS
A LOS PROBLEMAS
IMPARES
CAPTULO 2
2.3
a) x 28.18
b) s2=91,56
c) cv = 34%
Me = 27
s=9,57
Respuestas al punto a) y b).

Muestras
2-3
4-5
6-7
8-9
10-11
Frecuencia absoluta
2.1
fi
3
8
17
33
9
fi/n
0,043
0,114
0,243
0,471
0,129
Fi
3
11
28
61
70
Fi
70
67
59
42
9
Fi/n
0,043
0,157
0,400
0,871
1,000
Fi/n
1,000
0,957
0,843
0,600
0,129
18
16
14
12
10
8
6
4
2
0
2-3
4-5
6-7
8-9
10-11
Arboles
Respuestas problemas impares
203
2.5
x 155,6
2.7
a)
2.9
a)
x 32,18182
s=14,26184
b) cv
Me = 28
Oxgeno fi
3,3-4,4
4
4,5-5,6
4
5,7-6,8 12
6,9-8,0 13
8,1-9,2
3
19,07259
*100 59,265%
32,18182
fi/n
0,111
0,111
0,334
0,361
0,083
b) F3=28
Interpretacin: 28 muestras presentaron una medida de oxgeno superior a
5,6
Respuesta 2.9 c), polgono de frecuencias
204
2.11
x A 1,328
x B 1,286
Presenta mayor exactitud el Mtodo B, el promedio aritmtico de las trazas

de plomo es prcticamente igual al verdadero valor 1,282 mg Pb por litro.
sA=0,013
sB=0,0358
El Mtodo A tiene menor variabilidad, su desviacin estndar es menor.
2.13 Respuesta al punto a) y b).

Masas
215,00 220,24
220,25 225,49
225,50 230,74
230,75 - 235,99
fi
5
12
7
6
fi/n
0,167
0,400
0,233
0,200
Fi
5
17
24
30
Fi/n
1,000
0,833
0,433
0,200
Interpretacin:
24 iones presentaron una masa inferior a 230,75.
Un 0,433 de los iones tienen una masa superior a 227.
Respuesta al punto c), polgono de frecuencias
2.15
a) Me=68
30,28
*100 20,88%
145
14,652
* 100 21,77%
67,3
El rendimiento(B) presenta mayor variabilidad relativa que la temperatura(A).
b) cvT
cvR
205
2.17
Respuesta al punto a)
Das
14-17
18-21
22-25
26-29
30-33
34-37
fi
5
2
8
12
4
3
fi/n
0,147
0,059
0,235
0,353
0,118
0,088
c) Mo=29. La mayora de muestras de cerveza se fermentaron a los 5 das.

2.19
Respuesta al punto a).

Das
20,0-22,0
22,1-24,1
24,2-26,2
26,3-28,3
28,4-30,4
fi
14
5
11
4
2
Fi/n
0,389
0,528
0,834
0,945
1,000
206
Respuesta al punto 2.19 b), polgono de frecuencias.
2.21 a) 0,436
b) 0,0395
c) 0,11
2.23 32,96%
2.25 a) 1,302
2.27
b) R= 0,13
x 3,3216
S=0,0497
x g 3,3218
c) 3,82%
Me=3,31
R/ 3,32
2.29 Rechazar el resultado 6,99; puede ser considerado como un valor extremo
(o anormal)
x 5,897
S= 0,514
R= 1,64
2.31 38,625
2.33 a) 0,0957
b) 52,4%
0,0299
27,8%
207
CAPTULO 3
3.1
0,15866
3.3
a) 2
b) 2
c) 7
3
9
3.5
0,0166
3.7
0,46414
3.9
a) 0,46414
b) 0,65096
c) 0,94179
3.11
a) 0,1703
b) 0,9756
3.13
0,16853
3.15
a) 0,01991
b) 0,51595
3.17
0,073
3.19 0,209
208
3.21 0,141
3.23 0,34223
3.25 146,04
3.27 3,0643E-04
3.29 0,7149
3.31 o.ooo1
CAPTULO 4
4.1
x 0,91326 s=3,36155e-4
L1=0,91284 L2=0,91368
4.3
n=31
4.5
p 0,03
z=2,57
t=2,7764
d=0,0196
d=0,00042
L1=0,0104
L2=0,0496
4.7
x 349
.
s=0,289
d=0,2377
L1=3,25
L2=3,73
Se estima que la verdadera media del contenido de cobre se encuentra entre
3,25% y 3,73%, con un nivel de confianza del 90%.
4.9
n=16
4.11
x 2,66
s=0,7933
d=0,815
L1=1,845
L2=3,475
4.13
p 0,133
z=1,81
d=0,079
L1=0,054
L2=0,212
209
4.15
x 2,258
s=0,581
d=0,369
L1=1,889
L2=2,627
4.17
x 0,145
s=0,051
d=0,013
L1=0,132
L2=0,158
4.19
p 0,63
z=1,96
d=0,106
L1=0,524
L2=0,736
4.21
n=660
4.23
n=216
4.25
a) x 15,556
s=4,275
L1=12,27
L2=18,84
t=2,306
d=3,286
b) Los niveles de contaminacin por la sustancia de estudio tienen

aproximadamente una distribucin normal.
4.27
n=26
4.29
d=0,5305
L1=77,44
L2=78,50
Se requieren en promedio entre 77,44 y 78,50 mililitros para neutralizar 1
gramo de cido, con un nivel de confianza del 90%.
4.31
d=0,189
4.33
n=178
4.35
d=2,562
L1=82,153 L2=87,277
Se estima que el verdadero promedio del porcentaje de calcio del compuesto
se encuentra entre 82,153% y 87,277%, a un nivel de significancia del 10%.
4.37
n=735
4.39
x 64,28
s=18,818
t=2,5706
d=19,748
L1=44,5
L2=84,0
El punto promedio de vaporizacin de las sustancias se estima que se
encuentra entre 44,5 y 84,0, con un nivel de confianza del 95%.
L1=2,38
L2=2,76
CAPTULO 5
210
5.1
H0:A=B
H1:AB
Tobs=3,16
Tteo=2,1448
Rechazar H0.. S existe una diferencia significativa en el promedio de trazas
de plomo determinado por ambos mtodos, a un nivel de confianza del
95%.
5.3
H0:=73,2
H1:73,2
Zobs=2,73
Zteo=1,64
Rechazar H0. Se tiene evidencia estadstica, para asegurar que la media de la
poblacin en realidad es mayor a 73,2 puntos, con nivel de confianza del
95%.
5.5
H0:A=B
H1:AB
Tobs =0,118 Tteo =3,1693
No rechazar H0. No existe evidencia estadstica, para suponer que existe una
diferencia significativa entre ambos mtodos de determinacin del colesterol,
a un nivel de confianza del 99%.
5.7
H0:=32,3
H1:32,3
Zobs =-3,55 Zteo =1,96
Rechazar H0. El promedio resulta significativamente diferente a 32,3, con nivel
5.9
H0:=800
H1:800
Tobs =-1,341 Tteo =-2,1318
No rechazar H0. No hay suficiente evidencia estadstica para asegurar que el
rendimiento de la planta ha disminuido, a un nivel de confianza del 95%.
5.11 H0:P=0,10 H1:P0,10 Zobs =2,51 Zteo =1,96

Rechazar H0. La proporcin de artculos defectuosos es significativamente
diferente al 10%, a un nivel de confianza del 95%.
5.13
H0:=5
H1:5
Zobs=-3,44 Zteo=-1,96
Rechazar H0. Si hay suficiente evidencia estadstica que indique que el
contenido de oxgeno disuelto es menor que 5 ppm, a un nivel de confianza
del 97,5%.
5.15
H0:P1=P2
H1 : P1P2 Zobs=0,807 Zteo=1,64
No rechazar H0. No existe suficiente evidencia estadstica para suponer que el
primer mtodo de impregnar nubes es mejor que el segundo, con un nivel
H0:P1=P2
H1: P1P2
Zobs=-0,618 Zteo= 2,57
5.17
211
No rechazar H0. Los resultados no proporcionan suficiente evidencia para

concluir que hay relacin entre el uso de la aspirina y la frecuencia de la
formacin de cogulos postoperatorios, a un nivel de confianza del 99%.
5.19
H0:=16
H1:16
Zobs=-12,07 Zteo= -2,06
Rechazar H0. Existe evidencia estadstica para concluir que el peso neto es
menor al indicado en el envase del producto, con un nivel de confianza del
98%.
5.21
H0:P=0,90 H1:P0,90 Zobs=-5,185 Zteo= -1,96

Rechazar H0. Se puede concluir que la afirmacin del fabricante resulta falsa,
a un nivel de confianza del 97,5%. La proporcin de manchas removidas,
0,68, resulta significativamente inferior al 90%, dada por el fabricante.
5.23
H0:=55
H1:55
Tobs=-0,702 Tteo=-1,3664
No rechazar H0. Existe evidencia estadstica para concluir que la dureza
media del agua en la salida de la planta, no es inferior a 55 ppm, a un nivel de
confianza del 90%.
5.25
H0:=2
H1: 2
Tobs=-1,72 Tteo=1,3178
Rechazar H0. Se tiene evidencia estadstica para concluir con un nivel de
confianza del 90%, que el peso promedio de las cajas es diferente a las
especificaciones de produccin.
5.27
H0:=5
H1:5
Zobs=15,57 Zteo=1,28
Rechazar H0. Se puede concluir que el lmite tolerable de estroncio 90, no se
cumple para esta regin del pas, con un nivel de confianza del 90%.
5.29 H0:1=2
H1:12
Tobs=0,2275 Tteo =2,9768
No rechazar H0. No existe evidencia estadstica para concluir que la
determinacin del contenido del calcio de la sangre por ambos mtodos
resulta significativamente diferente, a un nivel de confianza del 99%.
5.31
5.33
H0:=0,067 H1:0,067 Tobs =0,1273 Tteo =-1,7959

No rechazar H0. Se tiene evidencia estadstica para concluir que la absorcin
promedio es 0,067, con un nivel de confianza del 95%.
H0:P=0,05 H1: P0,05 Zobs =3,08
Zteo =2,25
Rechazar H0. Existe suficiente evidencia estadstica para concluir, que lo
afirmado por la compaa es falso, por lo cual la proporcin de tortas de pollo
212
que se presentan algn defecto es superior al 5%, con un nivel de confianza

del 98%.
5.35
H0:1=2
H1:12
zobs=3,48
zteo=1,645
Rechazar H0. S existe una diferencia significativa en el promedio de
resistencia a la tensin de los dos tipos de acero, a un nivel de confianza
del 90%.
5.37
H0:P1=P2
H1: P1P2
Zobs=-1,02 Zteo=2,57
No rechazar H0. No existe una diferencia significativa en la proporcin de
defectuosos producidos por los procesos de fabricacin, a un nivel de
confianza del 99%.
5.39
Del anlisis de variancia de una va, razn de Fisher resulta 11,567 y la

probabilidad observada 5,366E-11. Por tanto, se puede concluir que existe
una diferencia significativa en el contenido de nitrgeno de un lote a otro,
con un nivel de significancia del 5%.
5.41
H0:1=2
H1:12
tobs=-9,138 tteo=2,3060
Rechazar H0. Si hay una diferencia significativa en las determinaciones
promedios de los analistas, a un nivel de confianza del 95%.
5.43
H0:A=B
H1:AB
tobs=2,69
tteo=1,7459
Rechazar H0. Existe una diferencia significativa de las determinaciones de
cobre de los analistas, a un nivel de confianza del 95%.
5.45
H0:P1=P2
H1: P1P2
Zobs=-0,39 Zteo=1,96
No rechazar H0. Se concluye que no existe una diferencia significativa entre
las proporciones de las poblaciones, a un nivel de confianza del 95%.
5.47
H0:P1=P2
H1: P1P2
Zobs=1,315 Zteo=2,57
No rechazar H0. Se concluye que no existe una diferencia significativa entre
las proporciones de las poblaciones, a un nivel de confianza del 95%.
213
CAPTULO 6
6.1
a) Diagrama de dispersin
b) 0,9782
c) 11,9334
12
10
TIEMPO
0
.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
ADITIVO
6.3
a) a=-0,950
b=0,269
b) Se espera que al incrementarse en 1% la humedad de almacenamiento, el

contenido de humedad de la fibra sinttica aumenta en 0,269%
c) L1=9,232
d) L1=0,185
11
10
CAMBIO
6.5
L2=10,388
L2=0,353
4
20
30
40
50
60
70
80
FUERZA
214
b) a=0,720
b=0,118
c) L1=0,111
L2=0,126
d) H0:=0
H1:0
tobs=4,548
tteo=4,604
No rechazar H0. Se comprueba la validez de la ley de Hooke, al no
rechazarse la hiptesis que la constante es igual a cero, es decir, la recta
debe pasar por el origen, con un nivel de significacin del 99%.
e) L1=7,08
6.7
L2=7,34
a) r2=0,9803
b) L1=1,347
L2=1,586
c) H0:=0
H1:0
tobs=-17,290
tteo= 2,4469
Rechazar H0. Existe evidencia estadstica para concluir que existe algn
grado de relacin lineal entre el tiempo y los residuos de cloro, con un nivel de
confianza del 99
300
200
6.9
100
0
0
10
20
30
40
50
60
70
b) a=12,033
b=3,567
c) r=0,956
215
6.11
a) a=76,7917
b=0,4028
b) a=168,436
b=2,384
c) y 311
c) r2=0,502
6.13
a) a=27,7929
b=6,5973
b) r=0,9538. Existe una correlacin positiva de 0,9538 entre el porcentaje de

materia orgnica oxidada y el tiempo en das de exposicin.
c) 80,6%
d) Se= 0,7857
6.15 a) El porcentaje de impurezas del compuesto se aumenta 0,5% al
modificarse la temperatura en un grado a la que se realiza la mezcla de sus
componentes.
b) Que existe un porcentaje de impurezas constante 2,2%.
c) 37,2
6.17
a) ) r2=0,122
b) a=-5,22
b=2,496
c) Al aumentar el nmero atmico en una unidad la masa se incrementa en

2,496.
d) H0:=0
H1:0
tobs=25,325
tteo= 3,1824
Rechazar H0. Existe evidencia estadstica para concluir que existe algn
grado de relacin lineal entre las variables de estudio, a un nivel de confianza
del 95%.
6.19 a) a=4,209
b=0,928
b) r=0,1782
c) El nivel de tensin constante a un nivel de viscosidad de cero.
d) 5,137
216
6.21 a) a=0,00714
b=0,0369
b) Al aumentar la novacana en un mg el nitrito de sdico se incrementa en

0,0369 ml
c) 0,4261
6.23 y=a+bx
logY=a+bx
a=0,117
a=-1,841
b=0,02975
b=0,099
6.25 a=0,054
b=0,0002
y=0,0596
r2=0,9438
r2=0,977
r=0,9715
r=0,988
6.27 r=-0,933
6.29 8,358
6.31 b) a=0,229
c) 0,54
b=1,135
6.33 Diagrama de dispersin

0
.
6
5
0
.
5
5
0
.
4
5
Densidadptica
0
.
3
5
0
.
2
5
0
.
1
5
0
.
0
5
0
.
5
1
.
5
2
.
5
3
.
5
4
.
5
C
o
n
c
e
n
t
r
a
c
i
n
g
/
l
217
218
BIBLIOGRAFA
ALEGRE MARTN, J. Aplicaciones Econmicas de Estadstica Descriptiva. Universitat

de les Illes Balears, Palma de Mallorca, 1999.
ARCE CONSTANTINO REAL EULOGIO. Introduccin al Anlisis Estadstico con SPSS
para Windows. Editorial Manantial, 2001.
BAIRD D. C. Experimentacin. Editorial Prentice-Hall, 1991.
BERENSON Mark L. y David M. Levine. Estadstica para la Administracin y Economa,
Mxico: Mc Graw Hill, 1991.
BERENSON, M. L. y LEVIN, D.M. Estadstica para Administracin y Economa.
Editorial Prentice Hall, segunda edicin, 2001.
BRUNK, H.D., Introduccin a la Matemtica Estadstica. Edit. Trillas 5a. Edicin, 1991.
COCHRAN. Tcnicas de Muestreo. Editorial C.E.C.S.A., 1995.
DEL PINO, M. GUIDO. Estadstica Teora y Mtodos. Editorial Manantial, 1995.
FERNNDEZ. M. FRANCISCO. Introduccin a la Estadstica y sus Aplicaciones.
Editorial Piramide. 2001.
FONTANET G., REIRA J., SALILLAS J. Hacer Estadstica Breda. Editorial AddisonWesley Iberoa, 1998.
GMEZ BARRANTES, MIGUEL. Elementos de Estadstica Descriptiva. Editorial
UNED, tercera edicin, 1998.
HANKE, E. JOHN y REITSCH, G. ARTHUR. Pronsticos en los Negocios. Editorial
Hispanoamericana, S. A., 1996.
HINES, W-MONTGOMERY, D.C., Probabilidad y Estadstica para la Ingeniera y
Administracin. 2 ed. CECSA, Mxico, 1995.
KAZMIER L. Y A. Daz Mata. Estadstica aplicada a la administracin y a la economa,
Mxico: Mc Graw Hill, 1993.
KISH, L. Diseo estadstico para la investigacin, Centro de Investigaciones
Sociolgicas, Madrid, 1995.
KUEHL ROBERT O. Diseo de Experimentos. Editorial Thomson International, 2001.
KURINCIC GABRIELA. Estadstica Herramientas de Inferencia. Editorial Ediciones
Cooperativas, 2001.
219
LIPSCHUTZ SEYMOUR. Probabilidad Teora y Problemas. Editorial Schaum, 2001.
LOHR SHARON L. Muestreo Diseo y Anlisis. Editorial Thomson International, 2000.
LUQUE MARTNEZ, T. Tcnicas de anlisis de datos en investigacin de mercados.
Ed. Pirmide, 2000.
MALHOTRA, N.K. Investigacin de Mercados. Un Enfoque Prctico. Prentice Hall,
1997.
MENDENHALL WILLIAM. Estadstica Matemtica con Aplicaciones. Editorial
Iberoamericana, 1994.
MENDENHALL, W.; WACKERLY, D.; SCHEAFFER, R. Estadstica Matemtica con
Aplicaciones, 2. ed., Iberoamericana, 1994.
MILLER, I.-FREUND, J.-JOHNSON, R., Probabilidad y Estadstica para Ingenieros. 3
ed. Prentice Hall, Mxico, 1992.
MOREU JALON PEDRO. Estadstica Informatizada. Editorial Paraninfo, 1999.
NEWBOLD, P. Estadstica para los Negocios y la Economa. Prentice Hall, Madrid,
1996.
NEWBOLD, P. Statistics for Business and Economics, third edition, Prentice Hall, 1994.
PEA, D. Estadstica, Modelos y mtodos, Fundamentos, 2. ed. revisada, Alianza,
1995.
PEA, D. Estadstica. Modelos y Mtodos. 2. Modelos lineales y series temporales.
Alianza Universidad, Madrid, 1992.
PEA, D. y ROMO, J. Introduccin a la Estadstica para las Ciencias sociales.
MacGraw Hill, Madrid., 1997.
PEREZ LPEZ CESAR. Tcnicas de Muestreo Estadstico. Editorial RA-MA, 1999.
PREZ SUAREZ, R. Anlisis de datos econmicos I. Mtodos descriptivos. Pirmide,
Madrid, 1993.
PREZ, C. Estadstica prctica con Statgraphics. Prentice Hall, Madrid, 2001.
PILAR PESTAA DE MARTNEZ. ESTADSTICA: Conceptos bsicos, terminologa y
metodologa de la Estadstica Descriptiva. Coleccin Minerva, 2001.
SMIRNOV N. DUNIN-BARKOVSKI. Clculo de Probabilidades y Estadstica
Matemtica, Editorial Paraninfo, 1998.
SPIEGEL MURRAY R. Estadstica. Editorial Schaum, 1991.
220
VISAUTA, B. Anlisis estadsticos con SPSS para Windows. McGraw Hill, Madrid,
1997.
VISAUTA, B. Anlisis Estadstico con SPSS para Windows. Estadstica Multivariante,.
McGraw Hill, 1998.
WALPOLE, R.-MYERS, R., Probabilidad y Estadstica. 3 ed. McGraw-Hill, Mxico,
1992.
WEBSTER, ALLEN. Estadstica Aplicada a los Negocios y la Economa. Editorial
McGraw-Hill, tercera edicin, 2000
ZAR, J. H. Biostatistical Analysis. 3 ed. Prentice Hall Inc, 1996.
ZIKMUND, WG. Investigacin de Mercados. Sexta Edicin. Prentice Hall, 1998.

Estadística para Químicos

Cargado por

Copyright:

Formatos disponibles

Estadística para Químicos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadística para Químicos

Cargado por

Copyright:

Formatos disponibles

Editorial de la Universidad de Costa Rica

Araya Alpzar, Carlo Magno, 1961Estadstica para laboratorista qumico / Carlomagno

Edicin aprobada por la Comisin Editorial de la Universidad de Costa Rica.

Estadstica descriptiva e inferencial

Tipos de variables aleatorias

Diseo estadstico de experimentos

CAPTULO 2. ESTADSTICA DESCRIPTIVA

2.1.2 La media geomtrica

2.2.3 La desviacin estndar

2.24 El coeficiente de variacin

2.3.2 Clculo del intervalo de clase

2.3.3 Definicin de los lmites de clase

2.3.4 Conteo del nmero de observaciones por clase

2.3.5 Representacin grfica de distribuciones de frecuencias

Introduccin a las probabilidades

Definicin axiomtica de probabilidad

Teoremas fundamentales de clculos de probabilidades

3.3.2 Teorema de la multiplicacin

3.5.1 Distribucin binomial

3.5.2 Distribucin Poisson

3.6.2 Uso de la tabla normal estndar

Aplicaciones de la distribucin normal

Aproximacin de la distribucin Binomial por la Normal

Propiedades deseables de un estimador

Tipos de estimacin: puntual o por intervalo

El concepto de estimacin aplicado a la qumica

Explicacin sobre intervalos de confianza

Intervalos de confianza para la distribucin normal

Intervalo para el promedio si se conoce la varianza

Intervalo para el promedio si se conoce la varianza

Intervalos de confianza para el promedio con varianza desconocida

Intervalo de confianza para la varianza

4.10 Estimacin de tamao muestral

4.12 Intervalos de confianza para variables dicotmicas

4.13 Intervalos de confianza para una proporcin

4.14 Eleccin del tamao muestral para una proporcin

CAPTULO 5. PRUEBA DE HIPTESIS

Mtodo de pruebas de hiptesis

5.1.2 Errores posibles al tomar una decisin errnea

5.1.3 Determinacin del valor observado del estadstico de prueba

5.1.4 Determinacin del valor crtico del estadstico de prueba

5.1.5 Comparacin del valor observado del estadstico de prueba con

Pruebas de hiptesis paramtricas en una poblacin normal

5.2.2 Prueba de hiptesis para un promedio con varianza desconocida

Contrastes de dos distribuciones normales independientes

5.3.2 Contraste de promedios con varianzas desconocidas

Contrastes para la diferencia de medias pareadas

Contrastes de una proporcin

Contrastes sobre la diferencia de proporciones

CAPTULO 6. REGRESIN LINEAL SIMPLE Y CORRELACIN

Ajuste del modelo de regresin lineal

Uso de la ecuacin de regresin

Error estndar de la estimacin

Prueba de hiptesis sobre el coeficiente de regresin

Anlisis de regresin: comentarios finales

6.10 Anlisis de correlacin lineal

6.11 Anlisis colorimtrico

APNDICE A. FRMULAS ESTADSTICAS

APNDICE B. TABLAS ESTADSTICAS