Estadiistica Circular

Estadística circular: Herramienta
para analizar datos angulares en

Biología
Estadística circular: Herramienta para analizar
datos angulares en Biología
Eloisa Reyes Sánchez

Patricia Rivera García
María José Marques Dos Santos
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO
Facultad de Estudios Superiores Zaragoza
PAPIME PE201106
México 2009
Primera edición: 2009
D.R. © Facultad de Estudios Superiores Zaragoza
ISBN: 970-32-3123-3
Impreso y hecho en México
Formación, Diseño editorial: Armando Cervantes Sandoval
Impresión con apoyo del proyecto PAPIME PE201106
Material de uso libre para fines académicos, con la cita o referencia

bibliográfica correspondiente.
Prohibida su reproducción total o parcial con fines de lucro.

CONTENIDO
Contenido …………….……………. 1
Prólogo …………….……………. 5
Capítulo I
Introducción a la Estadística Circular …………….……………. 7
¿Qué es la Estadística circular? …………….……………. 7
¿Dónde se aplica la Estadística circular? …………….……………. 7
Antecedentes históricos …………….……………. 8
Capitulo II
Fundamentos matemáticos de la Estadística …………….……………. 13

Circular
Direcciones …………….……………. 13
Ángulos …………….……………. 14
Características de la Estadística circular …………….……………. 16
Presentación gráfica de los datos circulares …………….……………. 16
Diagramas de rosa …………….……………. 16
Gráfico de datos originales (Raw data plots) …………….……………. 17

1
Estadística Circular
Histogramas circulares …………….……………. 18
Histogramas lineales
…………….……………. 18
Histograma de tallo y hoja …………….……………. 19
Distribución von Mises …………….……………. 19
Capitulo III
Técnicas Descriptivas de Estadística Circular …………….……………. 21
El ángulo promedio …………….……………. 21
Cálculo del ángulo promedio …………….……………. 22
Descripción de la técnica del ángulo promedio …………….……………. 22
Técnica del ángulo promedio para datos …………….……………. 24

agrupados
El promedio del ángulo promedio (Zar, 1996) …………….……………. 24
La mediana circular o mediana angular …………….……………. 26
La moda angular (Zar, 1996) …………….……………. 27
Varianza angular y desviación estándar angular …………….……………. 27
Capitulo IV
Técnicas Inferenciales (una sola muestra) …………….……………. 31
2
Reyes, Rivera y Marqués
Límites de confianza para ángulos …………….……………. 31
Descripción de la técnica de límites de confianza …………….……………. 31
La prueba de Rayleigh …………….……………. 33
La prueba V …………….……………. 36
Prueba de R …………….……………. 39
Prueba de Watson …………….……………. 42
Prueba de Kuiper …………….……………. 46
Prueba Ji-cuadrada …………….……………. 48
Capitulo V
Técnicas Inferenciales (dos o más muestras) …………….……………. 53
Prueba de Watson y Williams …………….……………. 53
Versión multimuestral de Watson y Williams …………….……………. 59
Prueba Ji-cuadrada …………….……………. 59
Versión multimuestral de Ji-cuadrada …………….……………. 61
Prueba de Mardia-Watson-Wheeler …………….……………. 62
Prueba multimuestral de Mardia-Watson –Wheeler …………….……………. 65
3
Prueba Bimuestral de Watson …………….……………. 66
Prueba de Watson con valores empatados …………….……………. 69
BIBLIOGRAFÍA …………….……………. 73
APENDICE …………….……………. 75
Tabla 1 Valores críticos de z para la prueba de …………….……………. 75

Rayileigh
Tabla 2 Valores críticos de u para la prueba de V …………….……………. 76
Tabla 3 Valores críticos de Rao …………….……………. 77
Tabla 4 Valores críticos U2 para una muestras …………….……………. 78
Tabla 5 Valores criticos para la prueba de Kupier …………….……………. 79
Tabla 6 Valores criticos de la Ji-cuadrada …………….……………. 80
Tabla 7 Factor de corrección K para la prueba de …………….……………. 82

Watson y Williams
Tabla 8 Valores críticos de la distribución F gl=1 …………….……………. 86
Tabla 8.1 Valores críticos de la distribución F …………….……………. 88

gl=2
Tabla 9 Valores criticos de U2 de Watson …………….……………. 90
4
PRÓLOGO
Dentro de las investigaciones que se realizan en Biología, es necesario estudiar el

comportamiento de las variables, esto se puede hacer más fácilmente por medio del
análisis estadístico, de ahí que la Estadística es el área de las matemáticas más ligada
a la Biología. Una rama de esta área es la denominada Estadística Circular utilizada
para el análisis de datos de tipo angular o de tiempo, que se distribuyen en una
superficie circular o dispuestos por orientaciones en coordenadas polares, de ahí su
importancia en la Biología, ya que muchos de los datos obtenidos en las
investigaciones o de la propia naturaleza, son de este tipo. Algunas de las
características de la Estadística Circular son parecidas a las de la Estadística
tradicional, sólo hay que tomar en cuenta que tienen diferentes fundamentos teóricos.
En el presente escrito se describe la Estadística Circular, los fundamentos teóricos y

prácticos de algunas técnicas de análisis estadístico, tal como el Ángulo Promedio,
Mediana y Moda Angular, Desviación y Varianza Angular; dentro de los parámetros
descriptivos; y Límites de Confianza, la Prueba de Rayleigh, Prueba V, Ji-cuadrada,
Rao, Kuiper y Watson dentro de la estadística inferencial aplicada a una sola muestra.
También se describe la prueba de Watson-Williams, Ji-cuadrada, Mardia-Watson-
Wheeler y Watson dentro de la estadística inferencia aplicada a dos o más muestras,
así como ejemplos representativos aplicados a la Biología.
Antes de entrar de lleno a la parte estadística, es conveniente mencionar el aporte de

las Matemáticas y sus herramientas a la Biología; estas fueron introducidas en la
Biología con el fin de establecer relaciones cuantitativas entre distintas entidades y
procesos biológicos. En 1939 Kostitzin (citado por Borges y Esquivel, 1991) dijo: “Todos
estamos de acuerdo que las Matemáticas tienen el derecho de entrar a las Ciencias
Naturales, pero cuando se llega a razonar el por qué usarlas, nos topamos con cierta
resistencia (…) este comportamiento se debe a una actitud conservadora o sumisa”. El
razonamiento en general, no es un obstáculo para el biólogo, pero el razonamiento
matemático lo sorprende, ya que está habituado a verificar paso por paso a través de la
experimentación.
Así mismo Borges y Esquivel (1991) mencionan que las matemáticas en un principio
jugaban un papel pobre en la Biología, sólo se utilizaban en trabajos de enumeración
de especies y otras aplicaciones triviales; con el paso del tiempo las Matemáticas

5
fueron ganando terreno, gracias a las investigaciones realizadas en el área de la

Medicina y la Biología, donde la aplicación de la estadística tiene mucho peso (Borges
y Esquivel, 1991).
El desarrollo de la Biología ha hecho que se incrementen sus áreas de estudio, y en

éstas se ha visto involucrada la Estadística, la cual se ha convertido en una
herramienta indispensable para muchos de los científicos. La Estadística se define
como el arte de la decisión frente a la incertidumbre (Milton, 2001). Se dice que es
un arte por la habilidad y el conjunto de artificios necesarios para la recolección de
datos y para ajustarlos lo mejor, posible a la realidad, eliminando y reduciendo todas las
fuentes posibles de error (Reyes, 1995). La Estadística no sería necesaria si todos los
organismos, fenómenos u objetos fueran idénticos, por lo tanto, la Estadística permite
describir y comprobar las variaciones para poder llegar a una conclusión (Norman y
Streiner, 1996).
La mayoría de los biólogos se familiarizan con parte de la Estadística, aquella que

matemáticos como Zar (1996) y Batschelet (1981) entre otros denominan “Estadística
lineal”, aunque este adjetivo no siempre se ajuste, también se le puede denominar
“Estadística común” la cual permite tener una evidencia estadística de la variación de
un fenómeno, pero no todos los datos que se obtienen de una investigación se pueden
analizar con este tipo de Estadística. Existen mediciones dentro de la Biología donde
los datos están dados en una escala diferente, por ejemplo las orientaciones las cuales
se miden en grados, la frecuencia de los nacimientos los cuales se miden por escalas
de tiempo cíclicas (día, semana, mes, año etcétera) de ahí que muchos matemáticos
unieran conocimientos y esfuerzos y desarrollaran otra área en la Estadística, pero con
fundamentos diferentes y característicos, que permitieran hacer análisis vectoriales tan
parecidos a los tradicionales, que dan una particularidad de carácter circular.
La Estadística Circular es una herramienta matemática que se ha utilizado en diversas

áreas científicas, como principal fuente para realizar análisis estadístico, sobre todo en
áreas como la Medicina, Geología y Biología, pero estas pruebas no se localizan en
muchos de los libros de Estadística, así como tampoco se mencionan sus
fundamentos, de ahí la importancia de que los biólogos la conozcan y tengan nociones
para su posterior aplicación.
En México es muy reducido el uso de la Estadística Circular, esto se debe a que su

aplicación está enfocada a estudios de orientación o de ritmos fisiológicos, los cuales
no tienen mucho auge ya que al estudiar un organismo no suelen tener mucho peso en
el estudio del comportamiento direccional, el cual es muy importante dentro de la
biología de la especie ya que se puede determinar patrones de comportamiento.
6
Capitulo I
Introducción a la Estadística Circular
¿Qué es la Estadística circular?

La Estadística circular es una herramienta matemática para el análisis de datos de tipo
angular o cíclico o de de tiempo, los cuales se distribuyen en una superficie circular
dispuestos por orientaciones.
La Estadística circular tiene un enorme potencial, pero se ha aplicado poco,

reflejándose este hecho en la literatura estadística, donde se le menciona como un área
derivada tanto de la Estadística como de la Matemática. La bibliografía clásica que
define y analiza a la Estadística circular de manera amplia es Zar (citado por
Batschelet, 1981), quién dedica dos capítulos a las distribuciones circulares. La
Estadística circular se ubica entre la Estadística tradicional (comúnmente conocida
como estadística lineal) y la Estadística esférica (la cual se distribuye en tres
dimensiones). Cuando se tiene una muestra de datos lineales se disponen grupos de
datos en intervalos indefinidos mientras que datos esféricos son grupos dispuestos en
un modelo gráfico tridimensional. En los últimos años se ha visto un desarrollo vigoroso
de métodos estadísticos circulares para analizar registros de datos, se han desarrollado
varios métodos estadísticos, particularmente no paramétricos y métodos básicos que
contribuyen al análisis de datos (Fisher, 1993).
La Estadística circular es ideal para analizar datos de tiempo, trayectorias y

orientaciones. Los datos en forma de ángulos en orientaciones bidimensionales se
encuentran en casi todas las áreas de la ciencia, como: la Biología, Geografía,
Geología, Medicina, Meteorología y Física, entre otras.
¿Dónde se aplica la Estadística circular?

La Estadística circular ha sido aplicada durante años en muchas áreas de la ciencia,
aunque no tanto como otras herramientas matemáticas, sin embargo hay aplicaciones
representativas como a continuación se muestran.
Biología
1.- Orientaciones de aves de sus nidos y migraciones.
2.- Trayectorias de animales a partir de un punto referencial.
3.- Orientación en animales, en respuesta a un determinado estímulo.
4.- Efectos de luz polarizada en orientación de animales marinos.

7
Geografía
En geografía, la Estadística circular se aplica a estudios de la ocurrencia de terremotos
en una región, en longitud y latitud de cada epicentro.
La variación de los terremotos se estudia por año y día por medio de análisis de tiempo,
obteniéndose de estos estudios datos de tipo angular. También se observan datos
angulares cuando se determinan direcciones microsísmicas en una localidad particular.
Geología.
Los datos angulares se presentan en investigaciones de procesos geológicos que
involucran el movimiento de materia de un lugar a otro en un determinado tiempo.
En estudios de direcciones magnéticas las técnicas de estadística circular se utilizan

para interpretar estudios de paleomagnetismo de corriente y magnetismo polar en los
tiempos geológicos, en estudios de orientaciones de fracturas y elementos presentes
en rocas, se usan para interpretar fuerzas tectónicas.
Medicina
En medicina la Estadística circular y sus datos angulares se aplican al número de
muertes o nacimientos tomados cada mes o cada año así como en estudios
cardiológico-cíclicos.
Meteorología
La Estadística circular se utiliza en la representación de mapas estelares, además de
basar su notación en el intervalo 0º-360º, esta representación se hace al norte (0º), al
este (90º), al sur (180º), al oeste (270º).
Física
Los datos angulares aparecen cuando se miden direcciones preferentes de ejes ópticos
en los cristales de diferentes especímenes de rocas y también se presentan en varios
problemas inferenciales de fases oscilatorias (Mardia, 1972).
Al igual que otras áreas de las matemáticas el desarrollo de esta herramienta abarca
años de investigación en la historia donde la participación de ilustres matemáticos,
entre otros aportadores, desarrollaron diferentes técnicas y aplicaciones.
Antecedentes históricos
La Estadística circular no es relativamente nueva ya que desde el siglo X se encuentran
registros de análisis con carácter circular. La demanda de métodos para estudios de
orientaciones o de movimientos originó la búsqueda de métodos adecuados para estos
8
estudioss, siendo mucho

m el tie
empo para formar estaa área de las matemá áticas, hassta la
fecha see siguen haciendo ap portes noveedosos a los ya desaarrollados, también ya se
cuenta con
c paquete es estadístiicos, adecu
uados.
A finaless del primeer milenio se encontrraron las primeras

p grráficas con características
circulare
es. Funlkhoouser (citado por Fishe er, 1993) comenta
c qu
ue en el sigglo X o el XIX se
realizabaan estudios
s astrológiccos con basse en el moovimiento dee los planettas a travéss del
zodíaco en diagram mas oscilatoorios (Fig.1).
Figura
F 1.- Gráfica que indiccaba los movimientos plane
etarios del sig
glo X
En 1767 7, el reverrendo Johnn Mitchell analizó lass separacioones angulares entree las
estrellass y encontrró que el número de e parejas cercanas era tan grrande para a ser
consistente; formu uló la sigu
uiente hipótesis: lass direccion nes de lass estrellass se
distribuyyen uniform
memente. Mitchell
M infirrió que tale
es direccio
ones se de
ebían a fueerzas
gravitaciionales.
En 1996 6, Cox (citaado por Fisher, 1993) comentó en e su libro “Elevaciónn e Inflexión
n del
Estrato” que John Playfair pu untualizó a finales sig
glo XVIII, que era neccesario anaalizar
datos dirreccionaless que difirie
eran de la fo
orma ordinaaria y recom
mendó el uso
u de méto odos
vectorialles de direc
cciones pro omedio paraa obtener re
esultados.
En 1858
8, la enferm
mera Florennce Nighting gale, de la Armada Británica, du
urante la guuerra
de Crimea, usó unna variedad d de métod dos que lee ayudaron a registrar y analiza ar de
manera más sencillla los regisstros sanita
arios. En essa época el
e uso de la
a estadísticca no
era muy común, peero se neceesitaba ava anzar en lass reformas médicas y considerarr que
los fenó
ómenos sociales
s podían serr objetivam mente med didos hacciendo aná álisis
matemátticos.
Uno de estos fue una

u nueva gráfica, a la que llamó ó CoxCom mb, la cual consistía
c de un
círculo dividido
d en doce parte
es iguales, con difere
entes colore
es que reppresentaban n los
9
Es
stadística Cirrcular
meses del
d año. Es ste diagram
ma es una primera re eferencia ded lo que actualment
a e se
conoce como
c diagrrama de rossa; tenía co
omo fin mejorar los reg
gistros sanitarios.
También n se realizaaron análissis de datoos de tipo geológico

g p
pero en esse entonces no
había métodos de análisis dissponibles queq dieran una mejor solución. En E el siglo XIX,
Lord Rayleigh desa arrolló una prueba esstadística para
p la unifo
ormidad soobre un mo odelo
alternativvo de una dirección predilecta.
p É
Éste fue de
esarrollado durante ve
einte años, pero
no llegóó a oídos s de los estadístico
e s. Posterio
ormente re eapareció, para reso olver
problemas referentes a vibracciones en un na misma frecuencia
f e una fase
en e arbitraria.
En 1917 7 surgieron
n en el área de bioge eografía, grráficas está
ándar de datos
d circullares
conocidaas como diagramas ded rosa, para la representación de d datos axxiales. Schhmidt
(citado por
p Fisher, 1993) agrrupó una muestra
m de
e datos axiiales en intervalos dee 5º,
colocanddo los dato
os en radioos secuencciales, commparando suss diagram
mas con tra azos
teóricos basados en versioness axiales bicartesianass.
A princip
pios del sig
glo XX la uttilización de
e métodos estadísticos para dato os circulare
es se
aplicaron
n y reportaron sólo en n la literatura geológicca, para el análisis de
e fracturas (Fig.
2).
Figura
a 2.-Fracturass geológicas en análisis ge
eológicos
En 1918 8 von Mise es introdujo

o la distribu
ución proba abilística no
ormal circular, base de
d la
inferenciia estadístic
ca paraméttrica de dattos circulare
es.
En 1939, Krumbe ern introdu

ujo la idea
a básica del
d análisis de dato
os axiales por
transform
mación de los
l resultad
dos.
10
En los años 1950 se comenzaron a desarrollar las técnicas probabilísticas apropiadas

para distribuciones de datos circulares.
Gumbel investigó la conveniencia de aplicar distribuciones en modelación de grupos de

datos de diferente tipo. Sin embargo, el desarrollo de métodos estadísticos para
analizar datos circulares se vuelven razonablemente acertados en 1956, con los
trabajos pioneros de Watson y Williams (Fisher, 1993).
Watson y Williams no solamente unificaron los problemas inferenciales que planteaba

von Mises, sino que también aportaron novedosas ideas y resultados. Watson introdujo
el análisis de varianza, pruebas paramétricas y no paramétricas entre otras. Mardia en
1972 realizó avances en pruebas tales como la correlación y la regresión y
recientemente series de análisis temporal de datos circulares. Posteriormente
Batschelet unificó y simplificó diversas metodologías para casos que presentaran datos
de tipo angular en Biología (Mardia, 1972; Fisher, 1993).
Batschelet (citado por Fisher, 1993), realizó estudios sobre los métodos de análisis
circular para la resolución de problemas biológicos, tales como la navegación de aves,
orientaciones generales seleccionadas por organismos y la respuesta a la variación
experimental del hábitat natural o de parte de ellos mismos. Describió numerosos
experimentos, particularmente realizados por Schmidt-Koenig en palomas y sus
orientaciones con base al viento y sus palomares. Batschelet también menciona
estudios de orientaciones de moscas de agua en respuesta a sonidos específicos,
orientaciones de salamandras y libélulas.
Han sido muchas sus investigaciones en el ámbito de la Biología y sus aportaciones se

consideran en todos los estudios que se han apoyado en la estadística circular (Fisher,
1993).
La Ecología es una de las ramas de la Biología que más ha hecho uso de la estadística
circular, las primeras aplicaciones se realizaron en el vuelo de las aves y orientaciones
de otros animales como salamandras, hormigas e insectos; con el tiempo se han
encontrado más aplicaciones. En Biología se han presentado análisis estadísticos
circulares; los estudios se aplican en el estudio botánico del crecimiento de
inflorescencia y la disposición de parásitos en éstas (Fig. 3a).
Otras orientaciones son la presencia de disposición de semillas, con respecto a

factores externos (Fig. 3b) y trayectorias de movimiento continuo, escape o de ataque
de animales tales como ratones y crustáceos (Fig.3c).
11
Es
a b c
Figura
a 3.- Orientac
ciones de a) inflorescencia
a b) disposició
ón de semillass c) movimien
nto direcciona
al
d un crustáceo.
de
Las apliccaciones de
e la estadísstica van en
n aumento pero para su
s utilizació
ón es necessario
que se conozcan sus funda amentos matemáticos
m s, los cuales son diiferentes de
d la
Estadística común n, la Estaadística cirrcular tiene
e caracterrísticas únicas como o se
describe
en a continuuación.
12
Ca
apitulo II
Fundame
entos ma
atemátic
cos de la Estadística Circular
La Estadística circcular se baasa en un círculo pa ara realizarr análisis de

d trayecto orias,
direccion
nes o de tieempo, tomando en cu uenta que ele círculo es
e una línea a cerrada, esto
implica que
q existen n diferencia
as algebraiccas entre la
a estructura
a de un círcculo y la de
e una
línea. Esto
E tiene como consecuencia a diferentees teorías de límite central. Para
compren nder mejor los fundam mentos de la Estadísttica circular es necessario saber que
características se manejan
m y que
q tipo de datos.
ones
Direccio
La Estad
dística circu
ular analiza
a direccione
es con base
e en ánguloos, de aquí la importa
ancia
de conoccer que es una dirección y qué es o (Mardia, 1972).
e un ángulo
Los datoos de orienntación reciben el nom

mbre de “daatos direcciionales”, mientras
m quee las
observacciones hec chas en doss dimensioones se llam
man “datoss circularess” y direccio
ones
represenntadas en dos ángullos como vectores de d tres dimmensiones se denom minan
“datos esféricos” (J
Jammalama adaka y SenGupta, 20 001).
Las direecciones see pueden ubicar esp pacialmente

e en un x número de d dimensio ones
espaciales, donde se represe entan por puntos en la
a circunfere n círculo o bien
encia de un
en la sup
perficie de una esfera respectivamente (Mardia, 1972)).
La repre esentación numérica de direcciones ya seas un vecctor o un ángulo,

á es con
referenccia a un punto cero y a una rota ación en el sentido de
e las mane
ecillas del reloj.
r
Una dire ección possitiva (Fig.4
4) recibe el
e nombre de “azimutal” (Jammalamadakka y
SenGupta, 2001).
Figura 4.- El valor depe

ende de un pu
unto cero y un sentido de rotación (azim
mutal)

13
Ángulos
Una observación hecha en un círculo de radio 1, donde un ángulo denominado a se
localiza entre dos puntos P y P’( 0º < a <360º) medidos en grados, le llama vector
unitario y este dato puede describirse como un dato circular (Fig 5).
Figura 5.-- Representación de un ángulo a
La posición de un ángulo a en un plano se determina por coordenadas (x,y

respectivamente), para esto se hace uso del sistema de coordenadas cartesianas, el
cual tiene su origen en el centro y dos ejes perpendiculares denominados X y Y.
En el círculo unitario (Mardia, 1972) el punto 0 se ubica en el centro del círculo, el eje
vertical se convierte en el eje X, y el eje horizontal se convierte en el eje Y. La ubicación
de X en un eje vertical en lugar del horizontal, es porque el álgebra de los ángulos es
diferente de las reglas en otras ramas de la matemática; el punto cero (º) siempre se
debe anclar hacia el norte en el eje positivo (Fig. 6).
Figura 6.- Ubicación de ejes X y Y, con la relación de coordenadas rectangulares.
14
Los procedimientos circulares utilizan dos funciones básicas de la trigonometría: seno y

coseno, los cuales se ubican en los ejes de las coordenadas cartesianas, así la
ordenada x indica el valor de coseno y la abscisa y indica el valor de la función seno,
por lo que matemáticamente en un círculo unitario es definido como: x = cos a y
y = sen a , con estos valores se localizan los puntos referentes a los ejes X y Y en un
círculo, con la ayuda del radio r, si no se trata de un círculo unitario, aplicando las
x y
siguientes ecuaciones: cos a = y sen a = .
r r
Por lo que la localización de un punto en un plano circular (Fig. 7) está determinado por
un radio (r) y un ángulo (a) localizados por las funciones trigonométricas seno y coseno
(Zar, 1996).
Figura 7.- Coordenadas rectangulares de un vector (r) unitario.
Características de la Estadística circular (Zar, 1996)

En contraste con otro tipo de escalas en la escala circular el punto cero se puede
asignar en cualquier punto de un círculo, que está dividido en 360°, los cuales son
intervalos del mismo tamaño. Un ejemplo clásico de escala circular, son las horas del
día, donde cada hora equivale a 15°, (360˚/24) los meses del año es otro ejemplo,
donde cada intervalo es de 30° (360˚/12). Para convertir x unidades de tiempo en
medidas de escala circular se utiliza la siguiente ecuación:
(360°)( x)
a=
k
Donde x es la unidad a convertir en un ángulo y k es el total de las unidades dentro de

un ciclo. Esto se representa de la siguiente forma:
x = 6 horas k = 24 horas
15
Es
(360°)(6hrs
h ) 360°°(1)
a= = 90º
(24hrss ) 4
Presenttación gráffica de los datos circ culares (Ma

ardia, 1972))
Los datoos circulare
es se puedeen representar de doss maneras en un círculo, una ess por
medio de
d puntos y otra es por p radios que muestren la orie entación, desde
d el orrigen
(centro) hasta el da
ato angular (Fig 8 a,b).
a b
Figura
a 8.- Representación de
d datos a) por medio de puntos b) por med
dio de radio
os.
mas de rosa (Mardia, 1972)

Diagram
Los dato
os circulare
es se repressentan en diagramas
d circulares. Estos, a diferencia de
e las
escalas lineales, no utilizan barras,
b sino
o sectores que no son n de la missma área, pero
pueden ser proporcionales. La frecuen ncia de lass observacciones de cada clase e se
represen
nta por radios.
En los siguientes
s diagramas
d (Fig. 9 a, b) se obseervan sectoores de dife
erente tammaño,
área y ra
adios, los cuales
c repre
esentan la frecuencia de los datoos donde el
e número de d es
indeterm
minado. Los s ángulos se
s miden en n la dirección de las manecillas
m del reloj co
on la
dirección
n norte a 0ºº.
a b
Figura 9 .- Diagramas de rosa mosttrando sectore

es a) de 0.5 y área de 1 y b) de 5 con
n área de dato
os de
10º
16
Gráfico de datos originales

o (Raw data plots) (Fissher, 1993)
Estos grráficos pres
sentan dattos de una muestra en e forma de d símboloss, esto perrmite
evaluar el tamaño de la mue estra de un na ojeada, así como ver la disttribución de
e los
datos; po
or ejemplo,, en muestrras grandess, cada unoo de los sím
mbolos pue
ede represe
entar
una obseervación múltiple.
Cada sím mbolo se puede

p repre
esentar conn formas de e triánguloss para datoos direccion
nales
o en círcculos llenoss para datoos bidirecciionales trazzando los datos
d en ammbos ladoss del
diagrama. Estos se e pueden ubicar dentrro o fuera deld círculo y cuando el e dato se re
epite
se van alineando
a uno
u sobre otroo en la dirección
d dee los datoss, estos se colocan deentro
del círcu
ulo (Fig. 10 a, b), aunqque tambiénn se pueden n denotar externos.
e
a b
Figura 10
0.- Gráficos de datos origin
nales, mostrando los datoss en su orienttación específfica a) de un ciclo
de 360°, b) y uno de 24
2 hr,
Histograamas circuulares (Fishher, 1993)

Estos grráficos se hacen med diante barra as que muuestren el número
n de observacio
ones
dentro de
d cada inttervalo de clase y qu ue surgen a partir dell círculo. El
E ancho dee las
barras se
s puede de eterminar según
s la co
onveniencia
a, ya que la
as barras pueden
p tener el
ancho dee más de 1º. El siguiente gráfico tiene anchuras de 1º (Fig. 11).
Figura 11.- Histograma

H cirrcular de 360ºº con sectores de 0.5.
17
Es
Histogra amas linea ales (Fisherr, 1993)

Los histo
ogramas lin neales se construyen
c consideran
ndo los datoos como si fueran line
eales
y no ang gulares, poor lo que no se graficcan en círculo sino en
n dos ejes (Fig. 12). Para
construirr los histog
gramas lineales, se seelecciona el
e intervalo que va de 0° a 360° y se
transform
ma en interrvalos de tiiempo, los cuales porr comodida ad también se agrupan en
intervalo
os. En el ejee de las ord
denadas see grafican la frecuencia de los da
atos y en el
e eje
de las abbscisas los datos de tiiempo o de
e orientación
n.
Figura 12.-
1 Histogram
ma linear de 360º
3 que mue
estra los dato
os frecuenciales.
Histograama de tallo y hoja (F Fisher, 19993)

Existen también diiagramas de d tallo y hoja
h en loss cuales see recomien nda graficar los
datos de e manera individual; sin embarrgo, su notación es muy pareccida a la de d la
estadístiica lineal ya
a que los datos
d se fra
accionan enn tallos de valores de 0 hasta 3550, y
en la hojja se colocaan los datos unitarios que van de
esde el 0 haasta el 9 (F
Fig13).
F
Figura 13.- Dia
agrama de ta
allo y hoja.
18
Distribuución von Mises

M (Batsschelet, 198
81)
La distribución de von Misess introducid da en 1918
8, juega unn papel sim
milar a la de
d la
distribucción normal, por esta
a razón es la base para
p prueba
as estadístticas circullares
paraméttricas.
La distribución de von Misess es un mo odelo estaddístico llam

mado tambié én “distribu
ución
circular normal”, quue enfatizaa la importa
ancia y sim
militud con la
l distribucción normall; sin
embargo o, este térm
mino y el llamado “normmal circularr” es poco popular.
p
1
exp[
k cos(φ −θ1 ) ]
f (θ ) = ,k ≥0
2π I 0 (k )
ámetro de concentracción y θ 1 ess el ángulo

Donde k es el pará o promedio, la distribu
ución
von Mise
es es simétrica con re
especto al ángulo
á prom
medio. Cua ando k = 0 , la distribu
ución
de von Mises
M n uniforme ( ρ = 0 ). En
degenera en la distribución ntre más grrande sea k , la
distribucción se conc
centra máss alrededor del ángulo promedio (Fig
( 14).
Figura 14.- Distribuciones

D s de von Mise
es con diferen
ntes parámetrros de concen
ntración
A continuación se introducen las técnicaas de la esstadística descriptiva,

d fundamenttales
para el análisis
a esta
adístico circcular.
19
20
Cap
pitulo IIII
Técniicas Des
scriptiva
as de Es
stadístic
ca Circular
En este apartado se
s examina arán las meedidas de tendencia central com
mo el prommedio
angular, mediana angular
a y moda
m angular así como medidas de disperssión tales como
c
a y desviac
varianza ción estándar, describiendo su importanccia y técnicas, así como
c
algunas observacio
ones complementariass.
El ángulo promedio (Batsche elet, 1981)

El ánguulo promed dio es una medida de tende encia centrral que in ndica un valor
v
represenntativo, en la estadísstica circular; indica una orien ntación pre eferida en una
muestra de datos angulares. Presenta dos propiiedades, primero indica direcció ón y
segundoo indica la lo
ongitud del radio. Este
e hecho se refleja en las
l diversass técnicas de d la
estadístiica circular, las cuaales analizzan una muestra
m de
e datos tomando como c
característica princ
cipal el ángulo prome edio y su posición con
c respeccto a los datos
d
circunda
antes. El análisis
a del promedio o circular se
s puede efectuar en e una o más
muestras, asociada as a una frecuencia.
f Por lo anttes mencio
onado, Jam mmalamadaka y
SenGupta (2001) llaman al a promedio o angular “la medid da de loccalización más
nte”. El áng
importan gulo promeedio es un valioso ap poyo para localizar un dato ang gular
represenntativo, ya sea de tieempo u orrientación como
c lo muestra
m la Figura
F 15; que
simboliza la hora en
e que ocurrren los acccidentes en n un día y ubica
u la hora promedio de
éstos, aproximadamente las 17:00, esto da pauta a para podder entende er que facttores
pudieran
n influir en ese horario
o para la presencia de e accidente
es, como la a salida lab
boral,
el cansa
ancio, etcéteera y poderr plantear una
u posible solución.
Figura. 15 Diagrama de
e la hora prom
medio de accidentes de trá
áfico durante el
e día.
Cálculo del ángulo o promedioo

Se definne al ángulo promediio como la a suma de todos los ángulos de una mue estra
dividida entre el nú
úmero de ésstos, sólo que
q la suma de los án
ngulos es diferente
d ya
a que

21
primero es necesario obtener las coordenadas cartesianas de cada ángulo, es decir el

valor de seno y coseno.
Descripción de la técnica del ángulo promedio (Zar, 1996)

Cuando se tienen n ángulos desde a1 hasta an en una muestra, y se tienen sus
coordenadas cartesianas (seno y coseno) se efectúa la suma de cada una de ellas,
para obtener ∑ sen ai y ∑ cos ai los cuales se dividen entre el número de datos para
obtener x e y.
n n
∑ cos ai ∑ sen a i
x= i =1
y= i =1
n n
Con estas coordenadas se obtiene la longitud del radio:
r= y2 + x2
Y el valor del ángulo promedio designado como a (donde a es el ángulo promedio) se

determina por la función inversa de:
x y
cos a = sen a =
r r
Ejemplo 3.1 (tomado y modificado de Zar, 1996)

Se desea calcular el ángulo promedio direccional de la inclinación de las ramas de un
árbol, tomando las direcciones en forma de ángulos. Tomando en cuenta las siguientes
orientaciones: 45º, 55º, 81º, 96º, 110º, 117º, 132º y 154º (Fig. 16)
Orientación
0
270 90
180
Figura 16.- Gráfico de Datos originales del ejemplo 1
22
El producto de la suma de cada una de las coordenadas cartesianas.
ai (ángulo) cos ai sen ai

45 0.70711 0.70711
55 0.57358 0.81915
81 0.15643 0.98769
96 -0.10453 0.99452
110 -0.34202 0.93969
117 -0.45399 0.89101
132 -0.66913 0.74315
154 -0.89879 0.43837
n=8 ∑ cos ai = −1.03134 ∑ sen a i = 6.52069
Aplicando las ecuaciones descritas anteriormente para x y y

n n
∑ cos ai ∑ sen a i
x= i =1
= −0.12892 y= i =1
= 0.81509
n n
Se obtiene r
r = x2 + y2 = (− 0.12892)2 + (0.81509)2 = 0.68099 = 0.82522
Las coordenadas cartesianas de a
−0.12892 y 0.81509
cos a = = −0.15623 sen a = = = 0.98772
0.82522 r 0.82522
Con la función inversa del coseno y seno se obtiene un ángulo promedio a de 81º, este
ángulo es la orientación promedio de ramas inclinadas en el árbol., esto puede deberse
a algún factor externo ubicado en esta dirección como el viento, la dirección de lluvia o
por la salida del sol.
Técnica del ángulo promedio para datos agrupados (Zar, 1996)

Para este tipo de datos se utiliza una tabla de frecuencias, donde los ángulos se
presentan con su frecuencia. Para su cálculo se utilizan las ecuaciones anteriores con
la variable f que representa la frecuencia de cada uno de los datos. La frecuencia se
23
multiplica antes de hacer la suma de coordenadas cartesianas de cada uno de los

datos y se utiliza el mismo método que para datos no agrupados.
n n
∑ f i cos ai ∑ f sen a
i i
x= i =1
y= i =1
n n
El promedio del ángulo promedio (Zar, 1996)

Cuando se tienen dos o más muestras (h) y se desea localizar el promedio de los
ángulos promedio, se realiza un análisis de segundo orden utilizando las siguientes
ecuaciones y se utiliza el mismo método.
x=
∑ r cos a
j j
LA SUMA DE COORDENADAS
h
CARTESIANAS
y=
∑ r j sen a j
h
r= y2 + x2 Longitud del Radio
x y Coordenadas cartesianas
cos a = sen a =
r r
Ejemplo 3.2 (tomado y modificado de Zar, 1996).

Suponga que se tienen siete muestras de orientaciones de siete diferentes libélulas
bajo iluminación especial, durante 10 tiempos se les permitió volar desde un punto
específico. Se registraron las orientaciones (Fig. 17), el promedio y el radio se muestran
a continuación.
Angulos promedio
0
270 90
180
Figura 17.- Gráfico de datos originales del ejemplo 2
24
Es necesario primero obtener el valor de a y r de cada una de las h muestras. Con

el método descrito anteriormente se calculan las coordenadas cartesianas de cada
muestra y se obtienen los valores trigonométricas de cada una tomando en cuenta
que h = 7 y n = 10
muestra ( j ) aj rj
1 160º 0.9854
2 169º 0.7747
3 117º 0.4696
4 140º 0.8794
5 186º 0.3922
6 134º 0.6952
7 171º 0.3338
Obtener la suma de las coordenadas cartesianas de cada muestra ∑x j y ∑y j
x j = r j cos a j y j = r j sen a j
-0.84140 0.30624
-0.76047 0.14782
-0.21319 0.41842
-0.67366 0.56527
-0.39005 -0.04100
-0.48293 0.5009
-0.32969 0.05222
∑x j = 3.69139 ∑y j = 1.94906
Aplicando las ecuaciones descritas anteriormente, para x e y

x=
∑x j
=
− 3.69139
= −0.52734 y=
∑y j
=
1.94906
= 0.27844
h 7 h 7
Con r

r = x 2 + y 2 = 0.35562 = 0.59634
Se obtiene las coordenadas cartesianas de a :
25
Es
x − 0.527344 y 0.27844
cos a = = = −0.884299 seen a = = = 0.46691
r 0.59634 r 0.59634
La fu
unción inverrsa de estee coseno y seno es de e 152º, lo que
q indica que
q la direccción
prom
medio de las s siete libé
élulas es dee 152º, este ángulo ese la orientaación prom
medio
de la
as muestras s de libélullas, la cuall puede estar influencciada por fa
actores aje
enos,
comoo luz, alimento o reprooducción.
La mediiana circular o media ana angula ar

Fisher (1
1993) menc ciona que la
l mediana circular ess un parám metro difícil de calcularr, sin
embargo o hace referencia del cálculo
c a pa
artir de la siguiente eccuación:
1 n
d (θ ) = π − ∑ π − θ j −θ
n j =1
Sin embbargo, otros

s autores proponen pa
ara el cálcu
ulo de la mediana
m algo más sencillo.
Batschelet (1981) menciona “que el án ngulo formaado a partir del origeen (0º) hastta el
lugar donde los dattos estén más
m cercanos (agrupa ados) entre sí, determiina la “med
diana
angular”. Zar (1996
6) define que la mediana es indicada por el
e radio má ás cercano a la
mayoría de los punntos (Fig. 18
8).
Figura. 18. Representaci

R ón
de la medianna angular.
En la Figura 19 se ejemplifica una ave provenie ente de Ch hina, la cua

al pasa po
or un
corredorr con cambio de dire ección (ángulo α ) dirrigiéndose hacia la salida
s tomaando
direccion
nes similarres a la orriginal, el ángulo
á β indica el ángulo
á pro
omedio de 43º,
cercano a la mediana de 47º (Batschelet
( t, 1981).
26
Figura 19
9. Mediana angular
a de orie
entaciones de
e aves proven
nientes de Ch
hina.
La modaa angular (Zar,

( 1996))
El ángulo modal es s el ángulo
o que más se repite y puede haber más de e una moda en
una mueestra. La Fig
gura 20 muuestra una representac
r ción gráfica
a de la mod
da angular.
Figu
ura 20. Moda angular
Varianzaa angular y desviacióón estánda ar angular

El ángulo promedio
o de una muestra indicca una dire
ección prefeerencial, pe
ero no se pu
uede
obtener información sobre loss valores circundante
c s al ángulo
o promedio o, por esto, una
medida de
d dispersión es tan im
mportante como
c una de
d localizacción.
Cuando en una muestra

m los puntos se e encuentra an muy jun ntos, en un
n arco no más
grande que 20º, se define un intervalo de disspersión cercano c a 1 ya que e las
operacio
ones funcio
onales utilizzan la r com
mo una me ón, así 1 − r es
edida de concentració
una meddida de dispersión, doonde 1 − r = 0 indica la
a ausencia de dispersión y r = 1 es
e la
máxima dispersión. Batschele et (1981) de
efine la variianza angullar como:
s 2 = 2(1 − r ) , 0 ≤ s 2 ≤ 2
27
Es
y la desvviación ang
gular, con un intervalo mínimo de 0º y un máximo de 81.05º
8 como
o:
1880°
s= 2(1 − r )
π
Otra possibilidad de
e análisis y la más uttilizada es la definida por Mardiia (1972) como
c
varianzaa y desviacción circularr, con el prropósito dee mostrar que
q una mu uestra de datos
d
pequeña a favorece una
u varianzza angular pequeña y una desvia ación angular pequeña. El
intervalo
o para la va ular es de 0 ≤ s0 ≤ 1 .
arianza circu
180°
s 2 = 1 − r , s0 = −2 ln r
π
La desvviación circ
cular es an
náloga a la
a desviació
ón estánda
ar lineal en
n grados ((para
radianess sólo hay que ar el cocientte 180° ), se
q elimina egún Zar (19
996) los va
alores de s y s0
π
sólo difie
eren en no más de 2º.
La desviación estáándar al serr una mediida de disp

persión está
á estrecham mente ligad
da al
radio, cuuando la desviación es
e muy pe equeña el radio
r es más grande.. A su vez una
desviació ón grande indica un radio pequ
ueño y la presencia
p s
significativa
a de disperrsión
(Fig. 21)).
a b c
Fig. 21. Diferentes

D vallores de desvviación circula
ar y radio asocciado a) radio
o de 1 indica una desviacióón de
0º (sin presencia de
e distribución uniforme), b)) radio de 0.955 indica una desviación
d de
e 18º, los dato
os
presenttan distancia entre sí, c) ra
adio de 0.48 in
ndica una dessviación de 48º los datos están
e dispersos.
Con basses suficientes de la esstadística circular

c desscriptiva, co
omo medida
as de tendeencia
central y de dispersión, se puede co omenzar a indagar dentro de la estadística
inferenciial, la cual ayuda a re
ealizar análisis para la
a toma de decisiones.
d A continuaación
se revisan las pru uebas más importante es y más utilizadas de la Esta adística circcular
paraméttrica y no pa aramétrica aplicadas a una muesstra.
28
Capitulo IV
Técnicas Inferenciales (una sola muestra)
Las medidas de dispersión son importantes para analizar orientaciones, en la

estadística inferencial se describen: límites de confianza, pruebas para una, dos o más
muestras. En este capítulo se revisan algunas de las pruebas aplicables a una sola
muestra las cuales basan su análisis en la distribución uniforme (aleatoriedad) o en el
ajuste a la distribución teórica de von Mises. Con cada técnica se presentan uno o dos
ejemplos, uno de análisis biológico descrito principalmente por Batschelet (1981) donde
sólo se muestra su aplicación e importancia y otro de desarrollo numérico para describir
la técnica por medio de pruebas estadísticas y valores críticos, éstos se puede
consultar en las tablas de valores críticos del apéndice. Las pruebas para dos o más
muestras se describirán en el Capítulo V, desglosadas de la misma manera que las de
este capítulo.
Límites de confianza para ángulos (Batschelet, 1981)

Los intervalos de confianza se utilizan para encontrar la posición de un parámetro
desconocido (Fig. 22).
0
270 90
180
Figura 22. Limites de confianza en un diagrama circular
Descripción de la técnica de límites de confianza (tomado y modificado de Zar,

1996). Este procedimiento se basa en la distribución de von Mises, los límites de
confianza son:
LI = a − d LS = a − d

29
Para una n pequeña: Para una n grande:

χ α2 ,1 χ α2 ,1
a±d r> r ≤ 0.9 a±d r> r ≥ 0.9
2n 2n
⎡ 2n(2 R 2
− n χ α2 ,1 ) ⎤ ⎡ χα2 ,1 ⎤
⎢ ⎥ ⎢ n 2 − (n 2 − R 2 ) e n ⎥
⎢ 4 n − χ α2 ,1 ⎥ d = arccos ⎢ ⎥
d = arccos ⎢ ⎥
R ⎢ R ⎥
⎢ ⎥ ⎢⎣ ⎥⎦
⎢ ⎥
⎣ ⎦
Donde d determina el límite inferior y superior, R = nr y r es el radio del ángulo

promedio.

Determinar los límites de confianza para las orientaciones de las ramas inclinadas de
un árbol con una confianza del 95%, usando los siguientes parámetros
n=8
a = 104°
χ α2 ,1 = 3.841
r = 0.87919
R = nr = (8)(0.87919) = 7.03352
Usando la ecuación anterior para n pequeña se tiene:
⎡ 2(8) ⎡ 2(7.03352)2 − 8(3.841) ⎤ ⎤

⎢ ⎣ ⎦ ⎥
⎢ 4(8) − 3.841 ⎥
d = arccos ⎢ ⎥
⎢ 7.0.3352 ⎥
⎢ ⎥
⎣⎢ ⎦⎥
= arccos(0.88514)
= 28°
Con un 95% de confianza el intervalo es 104° ± 28° para las orientaciones de las ramas
inclinadas.
LI = 104º −28º = 76° LS = 104º +28º = 132°
Esto indica que la inclinación de las ramas se encuentra entre 76º y 132º.
30
La prueba de Rayleigh1 (Batschelet, 1981)

La significancia de R (llamada r de Rayleigh) fue estudiada por primera vez por Lord
Rayleigh en 1880, posteriormente en 1905 Kluyer descubrió la prueba de hipótesis
nula; esta prueba es utilizada principalmente para estudios en diversos grupos de
organismos. La prueba de Rayleigh es una prueba paramétrica cuyo propósito es
determinar si la población de un conjunto de datos difiere significativamente de la
uniformidad, es decir si existe evidencia de unidireccionalidad en los datos.
Para obtener un intervalo de confianza en una distribución uniforme y cuantificarlo se

usa la R de Rayleigh. La longitud de R es indicador de unidireccionalidad.
Por ejemplo en una distribución uniforme la R siempre es pequeña; una R grande

indica agrupamiento o concentración de datos en determinada orientación por lo que la
hipótesis de uniformidad puede ser rechazada en favor de un patrón de distribución
unidireccional. La hipótesis a probar es:
Ho: La población está uniformemente distribuida

Ha : La población no está uniformemente distribuida.
Las ecuaciones y la prueba estadística a utilizar son las siguientes:
n n
∑ sen ai ∑ cos a i La suma de coordenadas

y= i =1
x= i =1
cartesianas
n n
Longitud del radio
r = x2 + y2
R = nr La R de Rayleigh
2
R El estadístico llamado z
z=
n de Rayleigh
Valores tabulares y regla de decisión

Se compara el valor de z calculada con el valor crítico de zα , n , en la Tabla de valores
críticos de z de Rayleigh2. Si el valor de z calculada es mayor al de z en tablas, la
hipótesis nula se rechaza.
1
Lord Rayleigh (1842-1919), físico y matemático que ganó fama al descubrir el elemento químico Argón, además de hacer algunas otras
contribuciones físicas importantes (Zar, 1996)
2
Ver Apéndice para consultar las tablas de valores críticos.
31

Realizar la prueba de Rayleigh para los siguientes datos direccionales de la inclinación
de las ramas de un árbol, 45º, 55º, 81º, 96º, 110º, 117º, 132º, 154º, con el propósito de
saber si su distribución es uniforme o presentan unidireccionalidad en el tronco (Fig.
23).
Inclinación
0
270 90
180
Figura 23.- Grafico de Datos originales del ejemplo 4
• Plantear el par de hipótesis:

H ο : ρ = 0 (La distribución de las ramas inclinadas está distribuida uniformemente
alrededor del tronco del árbol)
Ha : ρ ≠ 0 (La distribución de las ramas inclinadas no está distribuida uniformemente
alrededor del tronco del árbol)
• Obtener la suma de cada una de las coordenadas cartesianas.
ai (ángulo) cos ai sen ai

45 0.70711 0.70711
55 0.57358 0.81915
81 0.15643 0.98769
96 -0.10453 0.99452
110 -0.34202 0.93969
117 -0.45399 0.89101
132 -0.66913 0.74315
154 -0.89879 043837
∑ cos a i = −1.03134 ∑ sen a i = 6.52069
• Aplicar las ecuaciones descritas anteriormente para obtener los valores de x y y
32
n n
∑ cos
c ai ∑ sen a i
x= i =1
= −0.12892
1 y= i =1
= 0.81509 Ca
alcular r
n n
r= x2 + y2 = (− 0.12892 )2 + (0.81509 )2 = 0.68099 = 0.825222
• La R y la z de Rayleigh
R son:
n=8
r = 0.8252222
R = nr = (8)((0.82522) = 6.60176
R 2 (6.60176) 2
z=
= = 5.448
n 8
• Se bbusca el va
alor crítico
o en tablass y se tomma una decisión con respecto a la
hipóttesis
Usando las tablas de los valo

ores críticoss de z de Rayleigh
R e: z0.05,8 = 2..899 ,
tenemos que
por lo ta
anto se rec Ya que zcalculada = 5.448
chaza Ho (Y 8 > zTablas = 2.899 ). La
a prueba in
ndica
que la orientación
o de las ram
mas inclina
adas no esstá uniforme emente disstribuidas en
e el
tronco del
d árbol, loo cual implica que exxiste unidire
ecionalidad en el creccimiento de
e las
ramas del árbol.
Ejemplo o 4.3 (tomado de Batschelet, 19881)

Merkel (citado po or Batsche elet, 1981) observó petirrojos (Erithacuss rubecula)) en
cautiveriio expuesto
os a un ca ampo magnético déb bil (Fig. 24)), se observó que te enían
direccion
nes preferid
das; se rea
alizó una prrueba de Rayleigh al 5%
5 de sign nificación, con
c n
= 33 y r = 0.25, ses rechazó ó la hipótessis nula dee uniformid
dad, conclu uyendo que e los
campos magnéticos influyen ene la direccción de las aves
a en cauutiverio.
Figura
a 24. Distribucción de Rayle
eigh de petirro
ojos europeoss, en cautiverio
expuestos a un campo magn nético débil
33
La prueba V (Batschelet, 1981)
Esta prueba fue introducida por Greenwood y Durand (citados por Batschelet, 1981) en
problemas de orientación de animales, comparando con un promedio hipotético. Esta
prueba paramétrica tiene como propósito observar si los ángulos tienden a agruparse
alrededor de un determinado ángulo y si difiere significativamente de la uniformidad. En
algunos experimentos ya se tiene un antecedente direccional o se tiene una dirección
esperada, esta prueba indica si existe o no uniformidad en la población de datos, pero
tomando en cuenta ese antecedente. El planteamiento de hipótesis a probar es:
Ho: La direcciones poblacionales se distribuyen uniformemente Ho : ρ = 0

Ha : La direcciones poblacionales no se distribuyen uniformemente ( ρ ≠ 0 y μ0 = 90° )
En la hipótesis alterna entra el ángulo esperado, por ejemplo 90º
Las ecuaciones y la prueba estadística a utilizar para el cálculo son las siguientes:
x y
cos a = sen a = El ángulo promedio
r r
R = nr La R de Rayleigh
V = R cos (a − μ 0 ) El estadístico V, donde μ0 es el
ángulo supuesto
2
u =V Prueba de la significancia de V
n

Se compara el valor de u calculada con el valor crítico u0,n , de la Tabla de valores
críticos u de V para uniformidad circular. Si el valor de u calculada es mayor al de u de
tablas, la hipótesis nula se rechaza.
34

Realizar la prueba V para los siguientes datos direccionales de salidas de ratones hacia
su madriguera desde un punto de liberación, 66º,75º,86º, 88º,88º, 93º, 97º,101º, 118º,
130º, con el fin de saber si siguen un patrón de orientación cercano a su madriguera, la
cual se localiza a 90º (Fig. 25).
Trayectoria
0
270 90
180
• Planteamiento de hipótesis:
H ο : ρ = 0 Las trayectorias de salida se distribuyen de manera uniforme alrededor del

punto de salida (aleatoriedad)
Ha : ρ ≠ 0 (Las trayectorias de salida no se distribuyen de manera uniforme alrededor
del punto de salida)
• Obtener la suma de cada una de las coordenadas cartesianas

a i (ángulo ) cos ai sen ai
66 0.40674 0.91355
75 0.25882 0.96593
86 0.06976 0.99756
88 0.03490 0.99939
88 0.03490 0.99939
93 0.05234 0.99863
97 0.12187 0.99255
101 0.19081 0.98163
118 0.46947 0.88295
130 0.64279 0.76604
n = 10 ∑ cos a
i = −0.6721
∑ sen a i = 9.49762
35
• Aplicando las ecuaciones descritas se obtiene x, y y r
0.67216 9.49762
x=− = −0.06722 y= = 0.94976
10 10
r = (−0.06722) 2 + (0.94976) 2 = 0.95213
• El ángulo promedio
x y
cos a = = −0.07060 sen a = = 0.99751
r r
a = 94°
• La R de Rayleigh
R = (10 )( 0 .95213 )
• El estadístico V, donde 90º es el ángulo predicho

V = R cos (94° − 90°)
= 9.5213cos (4°)
= 9.498
• Se realiza la prueba de la significancia de V
2 2
u =V = (9.498) = 4.248
n 10
• Se busca el valor crítico en tablas y se toma una decisión con respecto a la

hipótesis
Usando las tablas de valores críticos de u, para la prueba V de uniformidad circular con
α = 0.05 , n = 10 , se tiene u0.05,10 = 1.648 . Como el valor calculado u = 4.248 es mayor
que el valor crítico, se rechaza Ho.
• Interpretación
Al rechazar la hipótesis nula de uniformidad, indica que las salidas se orientan
cercanamente a su nido.
36
Ejemplo o 4.5 (tomado de Batschelet, 198 81)

Se realizó un exp perimento relacionado
r o con palo omas libera
adas lejos de sus niidos,
Keeton obtuvo
o una
a muestra ded datos, donde
d el ángulo prom
medio se aproximaba a la
direcciónn verdadera
a del nido, pero la lon
ngitud de r era pequeñ ña, la prueba de Raylleigh
indicabaa no uniform
midad, por lo que se deecidió haceer una prue
eba V para corroborar esta
hipótesiss, tomando en cuenta la direcciónn del nido a 274º.
Las orientaciones registradas

r fueron 0º, 175º, 195ºº, 225º, 240
0º, 240º, 26
60º, 295º, 330º,
3
340º, 34
45º (Figura 26). Con estos
e datoss se obtuvie
eron: n =11 04, a = 274° , El
1, r = 0.510
valor de V es V = 0.50081
0 y u = 2.38 . Co
on esta prueba tambié én se rechaaza la hipótesis
nula de uniformidad
d, pero es más exacta a que la de
e Rayleigh, por la commparación de un
ángulo promedio.
p En
E conclusió ón las palomas se orieentan haciaa su nido.
Figura 26
6.- Experimen
nto de paloma
as con respeccto a la orienttación de su nido.
n
Prueba de R (Batschelet, 198 81)

La prue eba de esp paciado de e Rao, fue e presenta ada en 19 969 y tuvoo sus primmeras
aplicacioones biológ gicas en 1976.
1 Esta
a prueba de d uniformiidad se pu uede aplicar a
distribucciones bimo odales, com mo en orieentaciones de hormig gas, pecess o aves. Esta
prueba no n paramé étrica tiene como prop pósito sabe er si existe
e evidencia estadística
a de
que la po oblación de
e una muesstra difiere significativa
s amente de lal uniformid
dad.
Bajo la hipótesis de
d uniformid dad se esp pera que toodos los daatos estén espaciados de
igual maanera en el círculo, el segmento (espacio) entre dos puntos
p veccinos es 360º/n,
las desvviaciones pequeñas se pueden deber d a flu
uctuacioness aleatoriass, pero gran
ndes
desviacioones indica
an unidirecccionalidad, se asume que los ángulos están n arreglado
os de
manera ascendente e. Se calcu
ula la longitu
ud de los n arcos entrre puntos consecutivo
c os. El
planteam
miento de hipótesis
h a probar
p es:
37
Ho : La muestra está uniformemente distribuida

Ha : La muestra no está uniformemente distribuida
Las ecuaciones y la prueba estadística a utilizar, para el cálculo, son las siguientes:
T1 = a 2 − a 1
T2 = a 3 − a 2 Calculo de longitud de los n segmentos
Tn−1 = a n − a n−1 entre puntos consecutivos
Tn = 360º +a1 − a n
Valor absoluto de las desviaciones de
Ti − (360º / n)
Ti
∑T i = 360º Suma de las longitudes.
Suma de las desviaciones positivas y

negativas es la misma por lo que se
U = ∑ Ti − (360º / n
puede utilizar la misma ecuación
Valores tabulares y Regla de decisión
Se compara el valor de U calculada con el valor critico de U α , n de la Tabla de valores

críticos de espacio de Rao, si el valor de U calculada es mayor a U de tablas, la
Ejemplo 4.6 (tomado de Batschelet, 1981)

Un conjunto de 13 palomas fueron liberadas en el Valle de Toggenburg, las aves no se
dirigieron inmediatamente a su nido, sino que volaron directamente sobre el eje del
valle en las siguientes direcciones arregladas en forma ascendente: 20º, 135º, 145º,
165º, 170º, 200º, 300º, 325º, 335º, 350º, 350º, 350º y 355º (Fig. 27).
Se desea saber si las salidas se distribuyeron de manera uniforme ya que a simple

vista las orientaciones toman una distribución bimodal, realizar la prueba de Rao.
38
Figura 27.- Experimento de palomas con respecto a la orientación del valle
Ho : Las orientaciones se distribuyen de manera uniforme a lo largo del valle

Ha : Las orientaciones no se distribuyen de manera uniforme a lo largo del valle
• Calcular la longitud de los segmentos entre puntos consecutivos.
i Tn−1 = a n − a n−1 Ti i Tn−1 = a n − a n−1 Ti i Tn−1 = a n − a n−1 Ti

-
1 20º-135º 5 170º-200º -30º 9 335º-350º -15º
115º
-
2 135º- 145º -10º 6 200º- 300º 10 350º- 350º 0º
100º
3 145º- 165º -20º 7 300º- 325º -25º 11 350º- 350º 0º
4 165º- 170º -5º 8 325º- 335º -10º 12 350º - 355º -5º
Tn =
13 360+(20-355)
25º
• Calcular los valores absolutos de las desviaciones Ti y la suma de éstos.
Tomando en cuenta que 360° /13 = 27.7º
39
esviaciones esviaciones
Ti − (360º / 13) Ti − (360º / 13)
positivas negativas
115º-27.7º 87.3º 10º-27.7º 17.7º
30º-27.7º 2.3º 20º-27.7º 7.7º
100º-27.7º 72.3º 5º-27.7º 22.7º
25º-27.3º 2.7º
10º-27.7º 17.7º
15º-27.7º 12.7º
0º-27.7º 27.7º
0º-27.7º 27.7º
5º-27.7º 22.7º
25º-27.7º 2.7º
Suma 161.9º 162.0º
El valor de U es la suma de las desviaciones positivas o negativas, por lo tanto el

resultado de la prueba estadística es U = 162º.

hipótesis
El valor crítico en tablas con una α = 0.05 y n = 13 es de 167.8º; U calculada es menor

que el valor crítico por lo que la diferencia no es significativa, la distribución se
distribuye uniformemente aunque de manera bimodal. Se puede argumentar que la
altura de las montañas en ambos lados del valle fuerza a las palomas a volar a lo largo
del eje del valle en la misma preferencia pero en sentido contrario (Batschelet, 1981).
Prueba de Watson (Batschelet, 1981)

El método usado para los cuadrados de las desviaciones promedio fue propuesto por
Cramer, von Mises y Smirnov (citado por Batschelet, 1981) ajustado a pruebas
circulares. Esta prueba de bondad de ajuste tiene como propósito probar si la
distribución de la muestra se ajusta a una distribución teórica.
En esta prueba se aplican los cuadrados de las desviaciones del promedio, como
prueba estadística, una desviación suficientemente grande indica que la muestra no se
ajusta a la distribución teórica, por lo que también es una prueba de bondad de ajuste.
El planteamiento de hipótesis a probar es:

Ho : El patrón de distribución de la muestra coincide con una distribución teórica dada
40
Ha : El patrón de distribución de la muestra no coincide con una distribución teórica

dada
Orden ascendente del dato,
ai Transformación a medida de
i ui =
360 °
∑u2
i tipo angular y suma de
cuadrados de ui
∑u Suma de Productos de ui por i

∑ iu u=
i
i
n y Promedio u
(∑ u i ) 2 2 n
U = ∑u −
2 2
i − ∑ iu i + (n + 1)u + Prueba de Watson
n n 12

Se compara el valor de U 2 calculado con el valor critico de U α2 ,n de la Tabla de valores
críticos de U 2 de Watson, si el valor calculado de U 2 es mayor que el valor de U 2 de
tablas, la hipótesis nula se rechaza.

Realizar la prueba de bondad de ajuste de Watson para los siguientes datos de
trayectorias de aves liberadas cerca de un lago; las orientaciones fueron arregladas de
forma ascendente con el fin de saber si la distribución de la muestra se ajusta a una
distribución teórica. Registrándose las siguientes orientaciones: 45º, 55º, 81º, 96º, 110º,
117º, 132º, 154º (Fig. 28).
Orientación
0
270 90
180
41
Ho: La muestra de datos proviene de una población que se ajusta a la distribución de

von Mises.
Ha : La muestra de datos proviene de una población que no se ajusta a la distribución
de von Mises.
• Los datos se ordenan ascendentemente y se calculan los parámetros necesarios
para cada dato
i ai ui ui2 iui
1 45° 0.1250 0.0156 0.125
2 55° 0.1528 0.0233 0.305
3 81° 0.2250 0.0506 0.675
4 96° 0.2667 0.0711 1.066
5 110° 0.3056 0.0934 1.528
6 117° 0.3250 0.1056 1.950
7 132° 0.3667 0.1345 2.566
8 154° 0.4278 0.1830 3.422
n=8 ∑u i = 2.1946 ∑u2
i = 0.6771 ∑ iu
2
1 = 11.639
• Cálculo promedio u y la prueba de Watson:
u=
∑u 1
=
2.1946
= 0.2743
n 8
(∑ ui ) 22 n
U 2 = ∑ u12 − ∑−iui + (n + 1)u +
n n 12
2
(2.1946) 2 8
= 0.6771 − − (11.6397) + (8 + 1)(0.2743) +
8 8 12
= 0.6771 − 0.6020 − 2.9099 + 2.4687 + 0.6667
= 0.2989

hipótesis
Dado que el valor de U 2 calculada es mayor que valor crítico U 02.05,8 = 0.181 se rechaza
Ho, indicando que la distribución de la muestra de las orientaciones de las aves no se
ajusta a la distribución de von Mises.
42

Se retoma la muestra bimodal del ejemplo 8 (Fig. 29) con las direcciones ordenadas en
forma ascendente: 20º, 135º, 145º, 165º, 170º, 200º, 300º, 325º, 335º, 350º, 350º, 350º
y 355º , para realizar la prueba de bondad de ajuste de Watson a fin de saber si la
distribución de la muestra coincide con la distribución teórica de von Mises.
Dirección
0
270 90
180
Figura 29.- Gráfico de datos originales del ejemplo 10
i ai ui ui2 iui
1 20 0.0555 0.0030 0.0555
2 135 0.3750 0.1406 0.7500
3 145 0.4027 0.1622 1.2083
4 165 0.4583 0.2100 1.8333
5 170 0.4722 0.2229 2.3611
6 200 0.5555 0.3086 3.3333
7 300 0.8333 0.6944 5.8333
8 325 0.9027 0.8150 7.2222
9 335 0.9305 0.8659 8.3750
10 350 0.9722 0.9452 9.7222
11 350 0.9722 0.9452 10.6944
12 350 0.9722 0.9452 11.6666
13 355 0.9861 0.9724 12.8194
n = 13 ∑u i = 8.8889 ∑u 2
i = 7.2310 ∑ iu i = 75.8746
43
La U 2 = 0 .1361 de Watson calculada es menor que el valor crítico de U 02.05,13 = 0.1835

aprox,indicando que no se rechaza Ho, es decir la distribución de la muestra se ajusta a
la distribución teórica de von Mises.
Prueba de Kuiper (Batschelet, 1981)

Esta prueba de bondad de ajuste también se utiliza como prueba no paramétrica. Su
propósito es probar si la muestra dada se ajusta a una distribución teórica.
Con base en la distribución teórica se compara la distribución funcional de la muestra,

para saber que tanto difiere una de la otra.
La medida D+ es una medida de desviación vertical por encima de la curva y D- es una
medida de desviación vertical por debajo de la curva, definiendo como una suma de las
dos desviaciones.
Vn = D + + D −
Los valores de Vn están entre 0 y 1, un valor pequeño de Vn indica un buen ajuste,

mientras que un valor grande puede ser significativo. Se asume que los datos no están
agrupados. La hipótesis a probar es:
Ho : El patrón de distribución de la muestra se ajusta a la distribución teórica.

Ha : El patrón de distribución de la muestra no se ajusta a la distribución teórica.
Las ecuaciones y la prueba estadística a utilizar, son las siguientes:
1 2 Diferencia de la distribución
Dn+ = maximo de ( − x1 , − x2 ,...,1 − xn )
n n funcional de la muestra con
respecto a la distribución teórica
1 2 n −1 Diferencia de la distribución
Dn− = máximo de (x1 ,x2 − , x3 − ,...xn − )
n n n teórica con respecto a la de la
distribución funcional de la
muestra
Vn = D + + D − Suma de las dos desviaciones
K = n (Vn ) Prueba K
44
Valores tabulares y regla dee decisión

Se comppara el valo
or de K calculada con
n el valor crrítico de K a , n de la Ta
abla de vallores
d Kuiper para una muestra.
críticos de m Si el valor de
d K calcu
ulada es mayor
m que K de
tablas, la
a hipótesis nula se recchaza.
Ejemploo 4.9 (tomado de Batschelet, 198 81)

Se aplicó la pruebaa de Kuipe er para los datos del Ejemplo
E 8, se desea que la mue estra
esté unifformementee distribuida. Dado quue la funció
ón teórica asciende
a linealmente de
d 1º
+ −
a 360º, se tiene , D = 0 .023 , D = 0 .3699 (Fig. 30), usando laa prueba estadística
e K se
obtiene:
K = 13 (0.0023 + 0.369)) = 1.413
ores críticoss con α = 0.05 y n = 13

De la tabla de valo ne K 0.01,13 = 1.642 , com
1 se obtien mo K
calculada es menoor que el va alor crítico de K, no se
e rechaza la hipótesiss de que exxiste
ajuste de
e la muestrra con respe
ecto a la unniformidad.
Figurra 30.-. Aplica

ación de la prrueba de Kuip
per a una mue
estra circular..
Prueba Ji-cuadrad da (Batscheelet, 1981)

Prueba de
d bondad de ajuste y de uniform midad. Su propósito
p e probar si
es, s la distribu
ución
de la mu
uestra se ajusta a una distribución teórica.
Para realizar estaa prueba ses subdivid

de el círcuulo en un número determinado
d o de
categorías k, donde cada arcco contiene
e la frecuen
ncia de loss datos de la muestra
a, los
os de k deben ser igua
intervalo ales.
Se considera satisffactoria la distribución,

d , si las desvviaciones frrecuenciale
es no prese
entan
mucha diferencia
d de
d las freccuencias essperadas. Esta técnicca sirve co omo prueba a de
45
bondad de ajuste y prueba de uniformidad. Las categorías k no deben ser del mismo
tamaño y tienen que ser mayor que cuatro. La hipótesis a probar es:
Ho : El patrón de distribución de la muestra se ajusta a la distribución teórica.

Ha : El patrón de distribución de la muestra no se ajusta a la distribución teórica
Las ecuaciones y la prueba estadística a utilizar son las siguientes:
Tamaño de frecuencia
fˆ = n / k
por categoría
( n i − fˆ ) 2
k
χ =∑
2
Prueba Ji-cuadrada
i =1 fˆi

Se compara el valor de χ 2 calculada con el valor critico de χα2,v de la Tabla de valores
críticos de Ji-Cuadrada, donde v = k − 1 , si χ 2 calculada es mayor que χ 2 de tablas, la
Realizar la prueba de bondad de ajuste χ 2 para los siguientes datos circulares,

producto de los movimientos de hormigas hacia su hormiguero después de un estímulo
sonoro, la muestra se dividió en 12 categorías. Se toma en cuenta que k = 12 y n = 105
y se plantea la hipótesis:
Ho: El patrón de distribución es uniforme.
Ha : El patrón de distribución no es uniforme.
k = 12 n = 105
ai (grados) fi fˆi
0-30 0 8.7500
30-60 6 8.7500
60-90 9 8.7500
90-120 13 8.7500
120-150 15 8.7500
150-180 22 8.7500
46
180-210 17 8.7500
210-240 12 8.7500
240-270 8 8.7500
270-300 3 8.7500
300-330 0 8.7500
330-360 0 8.7500
• Se obtiene el tamaño de frecuencia.
fˆ = 105 / 12 = 8.7500 , para todas las i
• Se aplica la prueba χ 2
(0. − 8.7500) 2 (6 − 8.7500) 2 (9 − 8.7500) 2 (0 − 8.7500) 2

χ2 = + + + ... +
8.7500 8.7500 8.7500 8.7500
= 8.7500 + 0.8643 + 0.0071 + L + 8.7500
= 66.543
• Se busca y compara el valor crítico con el calculado

v = k − 1 = 11 (grados de libertad)
χ 02.05,11 = 19.675
• Interpretación
La hipótesis nula se rechaza ya que el valor de χ 2 calculado es mayor al valor crítico
de χ 2 de tablas, indicando que el patrón de orientaciones no es uniforme, esto indica
que los sonidos afectan las orientaciones de las hormigas.

Goodyear (citado por Batschelet, 1981) estudió la orientación de los peces Fundulus
notti, encontrando, que estos peces son capaces de orientarse en un día soleado y que
esta habilidad se anula cuando el día es nublado, se examinó parte de estos datos de
47
Es
un día nublado,
n ap
poyando la hipótesis ded uniformid dad, el tam
maño de la muestra fue de
50, se su
ubdividió en orías ( fˆ = n / k = 50 / 10
n 10 catego 0 = 5 ).
El valor de la prueba de χ 2 = 5.6, ah

hora bien el blas de χ 2 con
e valor críítico de tab
5 es de χ 2 = 16.919, el
d y α = 0.05
v = k − 1 = 9 gradoss de libertad e cual es un
u valor alto
o por
lo que no o se puedee rechazar lal hipótesiss de uniform
midad, indiccando que los peces no
n se
orientan en una dire ección espeecífica dura
ante un día nublado (F Fig 31).
Figura 31.-.
3 Orientacción de pecess días nublado
os.
48
Capitulo V
Técnicas Inferenciales (dos o más muestras)
Prueba de Watson y Williams (Batschelet, 1981)

La prueba de Watson y Williams, originalmente fue propuesta para analizar dos
muestras, con un solo grado de libertad, posteriormente el parámetro K fue sugerido
por Stephens (citado por Batschelet, 1981). Existen dos modalidades: bimuestral y
multimuestal.
Esta es la prueba bimuestral más utilizada en el campo de estudio de la biología, para

analizar muestras de orientación en hormigas, aves o crustáceos, entre otros. Esta
prueba paramétrica tiene como propósito ver si el promedio de dos muestras
independientes difieren entre sí.
De cada muestra se calculan los componentes individuales para posteriormente

compararlos y obtener un componente unificado de las dos muestras, se asume que las
dos muestras se ajustan a la distribución von Mises.
La hipótesis a probar es:

Ho : μ 1 = μ 2
Ha = μ 1 ≠ μ 2
Muestra 1 Muestra 2
∑ sen a i ∑ cos a i ∑ sen a i ∑ cos a i
Suma de las
funciones
n n n n
∑ sen a i
i =1
∑ cos ai
i =1
∑ sen ai
i =1
∑ cos a
i =1
i
Coordenadas
y1 = x1 = y2 = x2 =
n1 n1 n2 n2
r1 =
2
y 1 + x1
2
r2 =
2
y2 + x2
2 Radio muestral
a1 a2 promedio
49
R1 = n1 + n1 R2 = n 2 + n 2 R de Rayleigh
Por combinación de las dos muestras
Suma de función
∑ sen a = ∑ sen a + ∑ sen a
c 1 2
seno combinada
Suma de función
∑ cos a = ∑ cos a + ∑ cos a
c 1 2 coseno
combinada
nc = n1 + n2 n combinada
yc =
∑ sen a i
xc =
∑ cos a i Coordenadas
nc nc combinadas
Radio combinado
rc = y +x
2 2
y Rc = (nc )(rc ) y R de Rayleigh
combinada
n1 r1 + n 2 r2 R1 + R2 Longitud
rw = = promedio de
nc nc
ambas muestras
Obtención por
Tablas del
K parámetro K (
K rw , 2 )
(nc − 2)( R1 + R2 − Rc )
F=K La prueba F
n c − R1 − R 2

Se compara el valor de F calculada con el valor crítico Fa ,1, nc − 2 de la Tabla de valores
críticos de la distribución F, si el valor de F calculada es mayor que la F de tablas, la

Realizar la prueba de Watson y Williams, para buscar diferencias significativas en los
promedios direccionales de las siguientes muestras, provenientes de las orientaciones
de dos grupos de murciélagos (Fig.32), el segundo grupo bajo una onda sonora
diferente, las orientaciones desde su madriguera son:
Control: 94, 65, 45, 52, 38, 47, 73, 82, 90, 40, 84.
Experimental: 77, 70, 61, 45, 50, 35, 48, 65, 36.
50
Control Experimental
0 0
a) b)
270 90 270 90
180 180
Figura 32.- Gráfico de datos originales del ejemplo 14, a) muestra control b) muestra experimental.

Ho : μ1 = μ 2
Ha : μ1 ≠ μ 2
• Obtener los productos de la suma de cada una de las coordenadas cartesianas,

el promedio y R.
a1 ( ángulo )
sen a1 cos a1 a 2 ( ángulo ) sen a 2 cos a 2
94 0.99756 -0.06976 77 0.97437 0.22495

65 0.90631 0.42262 70 0.93969 0.34202
45 0.70711 0.70711 61 0.87462 0.48481
52 0.78801 0.91866 45 0.70711 0.70711
38 0.61566 0.78801 50 0.76604 0.64279
47 0.73135 0.68200 35 0.57358 0.81915
73 0.95630 0.29237 48 0.74314 0.66913
82 0.99027 0.13917 65 0.90631 0.42262
90 0.00000 0.00000 36 0.58779 0.80902
40 0.64279 0.76604
84 0.99863 0.05234
n1 = 11 n2 = 9
∑ sen a 1 = 9.33399 , ∑ cos a1 = 4.39556 ∑ sen a 2 = 7.07265 , ∑ cos a 2 = 0.56907
51
y1 = 0.84854, x1 = 0.3996 y 2 = 0.78585, x 2 = 0.56907

r1 = 0.93792 r2 = 0.97026
sen a 1 = 0 .90470 sen a 2 = 0 .80994
cos a 1 = 0 .42605 cos a 2 = 0 .58651
a 1 = 65 ° a 2 = 54 °
R1 = 10.31712 R 2 = 8.73234
• Por combinación de los 20 datos para ambas muestras:

∑ cos ai = 4.39556 + 5.12160 = 9.61716
∑ sen a i = 9.33399 + 7.07265=16.40664
• n combinada
nc = 11 + 9 = 20
• Aplicando las ecuaciones descritas para y c e x c
16.40664 9.51716
yc = = 0.82033 xc = = 0.47586
20 20
• Radio combinado y R de Rayleigh combinada
rc = 0.94836
Rc = 18.96720
• Obtener la longitud promedio de ambas muestras el parámetro K y la prueba F
10.317112 + 8.73234
rw = = 0.952 K 0.952 , 2 =1.0351
20
(n − 2)( R1 + R2 − Rc )
F=K c
nc − R1 − R2
(20 − 2)(10.31712 + 8.73234 − 18.96720)
= (1.0351)
20 − 10.31712 − 8.73234
1.48068
= (1.0351)
0.95054
= 1.61
52

hipótesis
El valor crítico es F0.05,1,18 = 4.41 , por lo tanto, no se rechaza H0 ya que la F calculada es

menor a la F de tablas, lo que indica que la onda sonora no afectó significativamente la
orientación de murciélagos de la muestra experimental.
De esta manera se concluye, que el promedio de las dos muestras, se estima, en un

mismo promedio poblacional, y que el mejor promedio estimado de estos promedios
poblacionales se obtiene por:
yc xc
sen a = = 0.86500 cos a = = 0.50177
rc rc
Entonces: sen −1a = cos −1 a = 60 º .
Ejemplo 5.2 (tomado y modificado de Batschelet, 1981)

Duelli y Whehner (citados por Batschelet, 1981) examinaron hormigas provenientes del
desierto, Catagliphis bicolor. Se colocaron 10 hormigas bajo la luz solar y se observó su
orientación hacia su hormiguero, otro grupo de 10 hormigas se colocó bajo luz artificial,
y se observó su orientación hacia el hormiguero (Figura 33 y 34). Se asume que existe
diferencia en la orientación de ambos grupos.
Muestra experimental: 0º, 0º, 340º ,350º,350º, 350º, 350º, 350º, 350º, 350º.
Muestra control: 0º, 0º, 0º, 10º, 10º, 10º, 20º, 350º, 350º, 350º.
Experimental Control
0 0
a) b)
270 90 270 90
180 180
Figura 33.- Gráfico de datos originales del ejemplo 15, a) muestra experimental b) muestra control.
53
Ho : Las hormigas se orientan de igual manera

Ha : Las hormigas no se orientan de igual manera
Ángulo Frecuencias observadas

Experimental Control
-20 (340) 1 0
-10 (350) 7 3
0 2 3
+10 0 3
+20 0 1
n1 = 10 n 2 = 10
Aplicando la prueba de Watson y Williams, se tiene:
Muestra exp. ∑ sen a i = −1.558 ∑ cos a i = 9.833 R1 = 9.956
Muestra cont. ∑ sen a i = 0.342 ∑ cos a i = −1.558 R 2 = 9.854
Combinación ∑ sen a c = -1.216 ∑ cos a c =19.68 R1 + R 2 = 19 .810
R1 + R 2 − R = 0.091 Rc = 19.719 nc − ( R1 + R2 ) = 0.190 K=1
⎛ (18)(0.091) ⎞
Calculando el estadístico F: F =1⎜ ⎟ = 8.6
⎝ 0.190 ⎠
Con α = 0.01 de la tabla de valores críticos, resulta F0.01,1,18 = 8.29 , como F calculada es
mayor que el valor crítico de tablas, se concluye que el promedio direccional del
experimento de hormigas es significativamente diferente del promedio direccional del
grupo control.
54
Figura 34. Orientaciones de hormigas hacia su hormiguero bajo diferentes condiciones de luz.
Versión multimuestral de Watson y Williams (Zar, 1996)

La prueba de Watson-Williams se puede usar para pruebas multimuestrales donde la
hipótesis nula indica igualdad en todas la muestras, Ho : μ i = μ j = K = μ h y Ha : μ i ≠ μ j
para algún i ≠ j , el procedimiento es semejante, se calculan los componentes
individuales de cada muestra, para posteriormente combinarlos y obtener un
componente unificado de todas las muestras. El valor crítico a comparar es Fa (1), k −1.h − k .
La prueba estadística se modifica y queda como:
h h
Longitud promedio de todas las
∑n r
j =1
j j ∑R
j =1
j
muestras
rW = =
nc nc (Donde h es el numero de muestras)
K Obtención por Tablas del parámetro K

⎛ h ⎞
(nc − h) ⎜ ∑ R j − R ⎟
F=K ⎝ j =1 ⎠ Estadístico F
⎛ h ⎞
(h − 1) ⎜ nc − ∑ R j ⎟
⎝ j =1 ⎠
Prueba Ji-cuadrada (Batschelet, 1981)

Esta prueba se usa particularmente para obtener precisión en dos o más muestras de
gran tamaño, independientes entre sí. Esta prueba no paramétrica tiene como propósito
saber si las muestras difieren significativamente una de la otra, sin especificar el tipo de
diferencia. La muestra se divide en k categorías las frecuencias de cada una se
55
despliegan a modo de tabla de contingencia. Por medio de esta tabla se calculan los
parámetros asociados a la prueba estadística χ2 .
Muestra Categorías (k) Total
#1 f 1,1 f 1, 2 f 1,3 f 1, 4 … n1
f 1,k
#2 f 2,1 f 2, 2 f 2,3 a 2, 4 … f 2 , k n2
Total m1 m2 m3 m4 Lmk nc
Ho : Las dos muestras son iguales o provienen de una misma población.

Ha : Las dos muestras no son iguales o no provienen de una misma población.
f ij = ni m j / nc Frecuencia esperada
ai , j − f i , j Resta de frecuencias
(ai , j − fi , j . )2 Cociente de frecuencias
fi , j
(ai , j − fi , j ) 2 Estadístico Ji-cuadrada
χ =∑
2
i, j fij

Se compara el valor de χ 2 calculada con el valor crítico χ α2 ,v , donde v es k − 1 de la
Tabla de valores críticos χ 2 , si el valor de χ 2 calculada es mayor al de χ 2 de tablas,
la hipótesis nula se rechaza.

Realizar la prueba de χ 2 suponiendo que las muestras provienen de la misma
población de orientaciones de tortugas, la muestra 1 fue en tortugas jóvenes y la
muestra 2 de tortugas mayores. Los siguientes datos se presentan a continuación
dentro de la tabla de contingencia arreglados en n clases.
56
Ho : Las dos muestras de tortugas se orientan de igual forma.

Ha : Las dos muestras de tortugas no se orientan de igual forma.
• Calcular las frecuencias observadas y obtener la suma de éstas
ai , j f ij = ni m j / nc
ntervalos ai , j − f i , j (ai,j −fi,j.)2/ fi,j
(grados) Frec. obs. Total Frec. esp.
#1 #2 #1 #2 #1 #2 #1 #2
0-45 0 0 0 0 0
45-90 4 15 19 10.2 8.8 -6.2 6.2 3.8 4.3
90-135 0 27 27 14.5 12.5 -14.5 14.5 14.5 16.8
135-180 17 21 38 20.4 17.6 -3.4 3.4 0.6 0.7
180-225 28 5 33 17.7 15.3 10.3 -10.3 6.0 6.9
225-271 11 0 11 5.9 5.1 5.1 -5.1 4.4 5.1
270-315 15 0 15 8.0 7.0 7.0 -7.0 6.1 7.0
315-360 7 3 10 5.3 4.7 1.7 -1.7 0.5 0.6
Total 82 71 153 82 71 0 0 35.9 41.4
• Calcular el estadístico Ji-cuadrada

•
χ 2 = 35.9 + 41.4 = 77.3

hipótesis
El valor crítico de tablas con α = 0.05 y v = 7 es de 14.449, este valor es menor a 77.3,
se rechaza la hipótesis nula; es decir, las tortugas no se orientan de igual forma con
respecto a la edad que presentan.
Versión multimuestral de Ji-cuadrada (Batschelet, 1981; Zar, 1996)

Esta prueba se puede aplicar a más de dos muestras del mismo modo que para dos
muestras, sólo se modifica la tabla de contingencia para h muestras.
57
Muestras 1 2 3 ... Total

#1 f 1,1 f 1, 2 f 1,3 f 1, 4 … n1
f 1,k
#2 f 2,1 f 2, 2 f 2,3 f 2, 4 … f 2 , k n2
... … … … O …
#h f h ,1 f h,2 f h ,3 f h , 4 … f h ,k nh
Total m1 m2 m3 m4 Lmk nc
Y se aplican las mismas ecuaciones y mismo estadístico tomando en cuanta el número

de muestras y se compara con χ α2 ,v .
f ij = ni m j / nc Frecuencia esperada
ai , j − f i , j Resta de frecuencias
(ai , j − fi , j . )2 Cociente de frecuencias
fi , j
h k (ai , j − fi , j ) 2 Estadístico Ji-cuadrada
χ = ∑∑
2
i =1 j =1 fij
Prueba de Mardia-Watson-Wheeler (Batschelet, 1981)

Esta prueba fue propuesta en 1964 por Wheeler, Watson y Mardia, quienes
descubrieron una prueba de independencia cuando buscaban una prueba bivariada, se
hizo aplicable con una tabla de valores críticos. Eventualmente en honor a esta
aportación la prueba se le nombró prueba de Mardia-Watson-Wheeler. Prueba no
paramétrica. Esta prueba tiene el propósito de ver que tan significativamente diferentes
son las muestras una de la otra, siendo que la diferencia puede darse en el ángulo
promedio, en la varianza angular o en ambos parámetros. Se asume que los datos son
de una distribución circular y no presente datos con empate3. Se observa el orden en
que los ángulos de una muestra y otra están arreglados con espacios entre ellos del
mismo tamaño.
d = 360º / nc nc = n1 + n 2
3
Un dato empatado es aquel que tiene el mismo valor en las muestras diferentes y que se le asigna el mismo valor de intervalo
58
Si los datos de una muestra están suficientemente separados de los datos de la otra
muestra, existe diferencia significativa entre ellas. A los valores de las muestras se les
asigna un intervalo de dirección ( i = 1, 2, ... n ) concordante entre muestras en orden
ascendente, tomando en cuenta que no estén empatados. La hipótesis a probar es:
Ho = El origen de las poblaciones de dos muestras es idéntico
Ha = El origen de las poblaciones de dos muestras no es idéntico
(360)(rango de a)
d=
nc Intervalo circular para cada
dato
Funciones trigonométricas
para el orden de cada
sen d i cos d i
intervalo circular
ni ni Suma de funciones
ci = ∑ cos d j si = ∑ sen d j trigonométricas
j =1 j =1
⎡c + s c + s 22 ⎤
2 2 2
W = 2⎢ + 1 1
⎥
2
⎣ n1 n2 ⎦ EstadísticoW

La d puede tener diferentes niveles de significancia, se compara el valor calculado de
W con el valor crítico χ α2 ,v de la Tabla de valores críticos de Ji-cuadrada, si el valor de
W es mayor que el de tablas, la hipótesis nula se rechaza concluyendo que las dos
muestras difieren una de la otra significativamente.

Aplicar la prueba de Mardia–Watson y Wheeler en los datos de las siguientes muestras
que indican el desempeño direccional de dos grupos de pericos de su nido con
respecto a la influencia de la dirección del viento, el grupo control estuvo en contacto
con el viento, en el grupo experimental no había presencia de viento, muestra control:
35º, 45º, 50º, 55º, 60º, 70º, 85º, 95º, 105º, 120º y muestra experimental: 75º, 80º, 90º,
100º, 110º, 130º, 135º, 140º, 150º, 160º, 165º (Fig. 135).
59
0 0
a) b)
270 90 270 90
180 180
Figura 35.- Gráfico de datos originales del ejemplo 17, a) muestra control b) muestra experimental.
Ho = La orientación de las dos muestras de pericos es idéntica.

Ha = La orientación de las dos muestras de pericos no es idéntica.
Se calcula la n y el intervalo circular para cada dato.
360° 360°
n1 = 10 n2 = 11 y nc = 21 = = 17.1429°
nc 21
• Obtención de c y s para cada muestra
Muestra control Muestra experimental

rección ervalo de ntervalo circular rección ervalo de ntervalo circular
rados) irección (grados) rados) dirección (grados)
orden) d=
(360 )(rango de a ) (orden) d=
(360 )(rango de a )
nc nc
35 1 17.14
45 2 34.29
50 3 51.43
55 4 68.57
60 5 85.71
70 6 172.86
75 7 120.00
80 8 137.14
85 9 154.29
60
90 10 171.43
95 11 188.57
100 12 205.71
105 13 222.86
110 14 240.00
120 15 257.14
130 16 274.29
135 17 291.43
140 18 308.57
150 19 325.71
160 20 342.86
165 21 360.00
c1 = −0.2226 c2 = 0.2226
s1 = 3.1726 s2 = −3.1726
• Se aplica la prueba estadística de Watson.

⎛ c12 + s12 c22 + s22 ⎞
W =2⎜ + ⎟
⎝ n1 n2 ⎠
⎛ ( −0.2226) 2 + (3.1726) 2 (0.8226) 2 + ( −3.1726) 2 ⎞

W = 2⎜ + ⎟
⎝ 10 11 ⎠
= 2 (1.0115 + 0.9195 ) = 2 (1.9310 )
= 3.862

hipótesis. Con v = 2 el valor crítico es de χ 02.05, 2 = 5.991 ; por lo tanto, no se rechaza
Ho ya que el valor de la χ 2 calculada es menor que el valor crítico de χ 2 , indicando
que no existe diferencia entre los orígenes de las dos muestras de pericos.
Prueba multimuestral de Mardia-Watson –Wheeler (Batschelet, 1981; Zar, 1996)

Mardia (citado por Zar, 1996) extendió la prueba a más de dos muestras, este
procedimiento es como el anterior donde todos n los datos para todas las h muestras
están en intervalo circular y el intervalo circular, d, se calcula para cada dato, esto
aplica a cada muestra.
61
La prueba se apega a una χα2 ,2(v ) . Este procedimiento es complejo y solo se aplica, si
cada n es menor que 10 y no se debe usar si estos datos presentan algún empate.
(360 )( rango de a )
d=
nc Intervalo circular para cada dato
sen d i cos d i Funciones trigonométricas para el
orden de cada intervalo circular
ni ni
ci = ∑ cos d j s i = ∑ sen d j Suma de funciones trigonométricas
j =1 j =1
y Estadístico W multimuestral
h
⎡ c 2 + si2 ⎤
W = 2∑ ⎢ i ⎥
i =1 ⎣ nc ⎦
Prueba Bimuestral de Watson (Batschelet, 1981)

La idea de usar la suma de cuadrados de desviaciones entre distribuciones funcionales
fue de Kramer y Kolmogorov. Watson modificó a partir de ésta, una prueba de
distribución circular, posteriormente se le nombró la prueba U 2 de Watson. Esta
prueba no paramétrica tiene el propósito de estimar si dos muestras difieren
significativamente una de la otra. La diferencia se puede basar en el ángulo promedio,
en la varianza angular o en algún otro parámetro. La prueba de Watson se aplica en
muestras independientes de n datos en m observaciones circulares. Se recomienda
usar la prueba de Watson en lugar de la prueba de Watson-Williams para dos
muestras, cuando al menos una de las muestras no es unimodal. Se puede usar en
datos agrupados en intervalos no más grandes que 5º.
Esta prueba usa sumas de desviaciones cuadradas, englobando las dos muestras en
nc = n1 + n2 Para los dos tamaños de muestras, n1 y n 2 se denota la i-ésima
observación en la muestra 1 como a1i y el j-ésimo dato en la muestra 2 como a 2 j
ordenadas en forma ascendente (Para llevar a cabo este procedimiento cabe resaltar
que los datos de ambas muestras se deben alinear una con la otra de modo que a1i
(ángulo de la muestra 1) coincida ascendentemente con el dato a2 j , obteniendo los
valores de i / n1 ).
Ho = Las dos muestras tienen el mismo patrón poblacional.

Ha = Las dos muestras no tienen el mismo patrón poblacional
62
Las ecuaciones y la prueba estadística a utilizar para el cálculo son la siguiente.
Muestra 1 ( n Muestra 2 (
) m)
i j den ascendente de los datos
i j
ecuencia relativa acumulada
n1 n2
dk =
i
−
j Diferencia entre las dos
n1 n2 frecuencias relativas
d h2 ∑d 2
2h nc = n1 + n2 Valores d y n total
n1 n2 ⎡ (∑ d h ) 2 ⎤
U = 2 ⎢∑ dh −
2 2
⎥ Estadístico U 2
nc ⎣⎢ nc ⎦⎥
Se compara el valor de U 2 calculada con el valor crítico de Uα2 ,n1 ,n2 el cual se obtiene de
la Tabla de valores críticos de la U 2 de Watson para dos muestras, si el estadístico U 2
calculado es mayor al valor crítico de U 2 de tablas, se rechaza la hipótesis, indicando
que las muestras difieren significativamente.

Realizar la prueba bimuestral no paramétrica U 2 de Watson para los siguientes datos
de dos grupos de aves de una especie las cuales son transportadas de su lugar de
origen en Francia a España. Un grupo i (control) fue transportado en contenedores con
aire natural durante el viaje, y el grupo j (experimental) sólo se aplicó aire puro. Se
liberaron en un sitio donde la dirección de su lugar de origen estaba a 115º, a una
distancia de 500 kilómetros.
Ho = La forma de orientación de las muestras es igual

Ha = La forma de orientación de las muestras no es igual
• Se ordenan los datos, se calcula la frecuencia relativa, la diferencia y la suma de

valores d.
63
Control n1 = 10 Experimental n2 = 11
a1i i a2 j j i j
i j dk = − d h2
(ángulo) n1 (ángulo) n2 n1 n2
1 35 0.1000 0.0000 0.1000 0.0100
2 45 0.2000 0.0000 0.2000 0.0400
3 50 0.3000 0.0000 0.3000 0.0900
4 55 0.4000 0.0000 0.4000 0.1600
5 60 0.5000 0.0000 0.5000 0.2500
6 70 0.6000 0.0000 0.6000 0.3600
0.6000 1 75 0.0909 0.5091 0.2552
0.6000 2 80 0.1818 0.4182 0.1749
7 85 0.7000 0.1818 0.5182 0.2685
0.7000 3 90 0.2727 0.4273 0.1826
8 95 0.8000 0.2727 0.5273 0.2780
0.8000 4 100 0.3636 0.4364 0.1904
9 105 0.9000 0.3636 0.5364 0.2877
0.9000 5 110 0.4546 0.4454 0.1984
10 120 1.0000 0.4546 0.5454 0.2975
1.0000 6 130 0.5455 0.4545 0.2066
1.0000 7 135 0.6364 0.3636 0.1312
1.0000 8 140 0.7273 0.2727 0.0744
1.0000 9 150 0.8182 0.1818 0.0331
1.0000 10 135 0.9091 0.0909 0.0083
1.0000 11 165 0.0000 0.0000 0.0000
∑d 2 ,h = 7.8272 ∑d 2
2,h = 3.5018
• El valor total de N nc = n1 + n2 = 21
• Se aplica la prueba estadística U 2
n1 n2 ⎡ (∑ d h ) 2 ⎤
U = 2 ⎢∑ dh −
2 2
⎥
nc ⎣⎢ nc ⎦⎥
(10)(11) ⎡ (7.8272)2 ⎤
= ⎢ 3.5018 − ⎥
212 ⎣ 21 ⎦
= 0.1458
• Se busca el valor crÍtico en tablas y se toma una decisión con respecto a la

hipótesis
64
El valor crítico en tablas es: U 02.05,10,11 = 0.1856 , este valor es mayor que U 2 = 0.1458 por
lo tanto, no se rechaza Ho ya que el valor de la U 2 calculada es menor que el valor
crítico de U 2 de tablas, indicando que las dos muestras no se desvían
significativamente una de la otra, aún con la diferencia de tipo de aire, el cual no influye
en las orientaciones de las aves después de viajar.
Prueba de Watson con valores empatados (Zar, 1996)

Cuando una porción de los datos de las dos muestras tienen un mismo valor numérico,
la prueba de Watson (bimuestral) se modifica en su técnica para datos que presenten
empate, esta prueba no paramétrica contrasta si dos muestras difieren
significativamente una de la otra, tomando en cuenta que los datos presentan empate.
La diferencia se puede encontrar en el ángulo promedio, en la varianza angular o en
algún otro parámetro.
El procedimiento es parecido al anterior sólo que al presentar datos con empate la

forma de ordenar ascendentemente es diferente, se toma en cuenta que la muestra 1
es igual a n1 y la muestra 2 igual a n2 . La hipótesis a probar es:
Ho = Las dos muestras tienen el mismo patrón poblacional.

Ha = Las dos muestras no tienen el mismo patrón poblacional
Las ecuaciones y el estadístico a utilizar para el cálculo son las siguientes
Muestra 1 ( n1 Muestra 2 ( n2 )
)
i j Orden ascendente de los
datos
a1 j f 1, j a2 j f 2 , j El dato y su frecuencia
m1i m2 j Frecuencia relativa
m1i m2 j Frecuencia relativa
n1 n2 acumulada
m1i m2 j Diferencia entre las dos
dh = − frecuencias acumuladas
n1 n2
d h2 Valores d
fh Frecuencia de los datos
empatados
65
⎡ nc
⎤
nn ⎢ ( ∑ f h dh )2 ⎥
U 2 = 1 2 2 ⎢∑ f h d h2 − h =1 ⎥
Estadístico U 2
nc ⎢ n ⎥
⎢ ⎥
⎣ ⎦

El valor crítico y la regla decisión, es el mismo que para la prueba de Watson sin
empate, la cual se obtiene de la Tabla de valores críticos de Watson para dos
muestras. Si el estadístico calculado es mayor al valor crítico se rechaza la hipótesis
nula, indicando que las muestras difieren significativamente.

Realizar la prueba U 2 de Watson para los siguientes datos con empate suponiendo
que representan las salidas de dos grupos de ratones (i, j) capturados en la noche y
liberados por la mañana (Fig. 36).
Muestra 1: 40º, 45º, 50º, 55º, 70º, 80º, 95º, 105º, 110º, 120º.
Muestra 2: 30º, 35º, 50º, 60º, 65º, 75º, 80º, 90º, 100º.
a Muestra 1 b Muestra 2
0 0
270 90 270 90
180 180
Figura 36.- Gráfico de datos originales del ejemplo 19, a) muestra 1 y b) muestra 2.
Ho = Las dos muestras son de una misma población, o de dos poblaciones que tienen
la misma dirección.
Ha = Las dos muestras no son de una misma población, o de dos poblaciones que no
tienen la misma dirección
66
• Se ordenan los datos de cada muestra ascendentemente4, se calcula la frecuencia

relativa, la diferencia y la suma de valores d.
i a1 j f1, j m1i m1i j a2 j f 2, j m2 j m2 j m m d h2 f h

= 1i − 2 j
n1 n2 n1 n2
0.0000 1 30 1 1 0.1000 -0.1000 0.0100 1
0.0000 2 35 1 2 0.2000 -0.2000 0.0400 1
1 40 1 1 0.0833 0.2000 -0.1167 0.0136 1
2 45 1 2 0.1667 0.2000 -0.0333 0.0011 1
3 50 1 3 0.2500 3 50 1 3 0.3000 -0.0500 0.0044 2
4 55 1 4 0.3333 0.3000 -0.0.333 0.0711 1
0.3333 4 60 1 4 0.4000 -0.0667 0.0336 1
0.3333 5 65 2 6 0.6000 -0.2677 0.0803 2
5 70 1 5 0.4167 0.6000 0.1833 0.0470 1
0.4167 6 75 1 7 0.7000 -0.2833 0.1003 1
6 80 2 7 0.5833 7 80 1 8 0.8000 -0.2167 0.0544 3
0.5833 8 90 1 9 0.9000 -0.3167 0.1111 1
7 95 1 8 0.6667 0.9000 -0.2333 0.0625 1
0.6667 9 100 1 10 1.0000 -0.3333 0.0069 1
8 105 1 9 0.6667 1.0000 -0.2500 0.0000 1
9 110 2 11 0.9167 1.0000 -0.0833 0.0069 2
1 12 1.0000 0.0000 1
10 120 1.0000 0.0000
n1 = 12 n2 = 10 ∑f d h h = ∑f d h
2
k =
= −3.5334 = 0.8144
• Se obtiene el valor total de

nc = 12 + 10 = 22
• Se aplica la prueba estadística U 2
4
La forma de ordenar los datos es parecida al método anterior, los datos de ambas muestras se deben alinear una con la otra de
modo que donde a1i (ángulo de la muestra 1) coincida ascendentemente con el dato a 2 j , en la alineación se toma en cuenta el
dato empatado.
67
⎡ nc
⎤
⎢ (∑ f h d h ) 2 ⎥
n1 n2 (12)(10) ⎡ ( −3.5334 ) 2 ⎤
U = 2 ∑ fh dh −
2
⎢ 2 h =1 ⎥ = ⎢0.8144 − ⎥ = 0.0612
nc ⎢ n ⎥ 22 2 ⎣ 22 ⎦
⎢ ⎥
⎣ ⎦
• Se busca el valor critico en tablas y se toma una decisión con respecto a la hipótesis
El valor crítico de tablas es U 02.05,10,12 = 0.2246 , por lo tanto no se rechaza Ho, ya que el
valor de la U 2 calculada es menor que el valor crítico de U 2 , lo que indica que ambas
muestras son de una misma población de ratones o de una población en la misma
dirección y la hora del día no afecta su orientación.
Nota: Aunque existe una Versión multimuestral de Watson,no se describirá ya que Mag
(citado por Zar, 1996) extendió la prueba de U 2 de Watson a k > 1, pero los valores
críticos citados no se han aceptado como válidos.
68
BIBLIOGRAFÍA
1. Batschelet, E. (1981). Circular Statistics in Biology. Ed. Academic Press Inc.

Londres Inglaterra. 371 pp.
2. Borges. C. L. y H. A. Esquivel. (1991). Apuntes de introducción a los modelos

matemáticos en ecología. U.A.M Xochimilco. Mexico D.F. I-15 – I-18.
3. Fisher, N, I. (1993). Stastistical analysis of circular data. Ed. University of

Cambridge, Cambridge Gran Bretaña. 277 pp.
4. Jammalamadaka, S. R. y A. SenGupta. (2001). “Topics in circular statistics”.

Editorial Mundo Científico. Singapur. 322 pp.
5. Mardia, K.V. (1972). Statistics of directional data. Ed. Academic Press. Londres.
311pp.
6. Milton , S. J. (2001). Estadística para la biología y ciencias de la salud. Tercera

edición. Edit. McGraw. Hill. Interamericana. España. 662 pp.
7. Norman, G. R. y D. L. Streiner. (1996). Bioestadística. Edit. Mosby /Dogma Libros.

Madrid España. 260 pp.
8. Reyes, P. C. (1995). Bioestadística aplicada a Agronomía, Biología, Química. 2a.

Ed. Trillas México. 217 pp.
9. Zar, H. J. (1996). Biostatistical Analysis. 3a Ed. Prentice Hall, New Jersey. 662 pp.

69
70
APENDICE
Batschelet, E. (1981). Circular Statistics in Biology. Ed. Academic Press Inc. Londres, Inglaterra.
371 pp.
Tabla 1. Valores críticos de z para la prueba de Rayileigh
n α 0.10 0.05 0.01 0.005 0.001
6 2.274 2.865 4.058 4.491 5.297
7 2.278 2.885 4.143 4.617 5.555
8 2.281 2.899 4.205 4.71 5.743
9 2.283 2.91 4.252 4.78 5.885
10 22.285 2.919 4.289 4.835 5.996
11 2.287 2.926 4.319 4.879 6.085
12 2.288 2.932 4.319 4.916 6.158
13 2.289 2.937 4.365 4.947 6.219
14 2.29 2.941 4.383 4.973 6.271
15 2.291 2.945 4.398 4.996 6.316
16 2.25 2.948 4.412 5.015 6.354
17 2.292 2.951 4.412 5.033 6.338
18 2.292 2.954 4.423 5.048 6.41
19 2.293 2.956 4.434 4.061 6.445
20 2.294 2.956 4.451 5074 6.469
21 2.294 2.96 4.459 5.085 6.491
22 2.295 2.961 4.466 5.095 6.51
23 2.295 2.963 4.472 5.104 6.528
24 2.295 2.964 4.478 5.112 6.544
25 2.296 2.966 4.483 5.12 6.559
26 2.296 2.967 4.488 5.127 6.573
27 2.296 2.965 4.492 5.133 6.586
28 2.296 2.969 4.496 5.139 6.598
29 2.297 2.97 4.5 5.145 6.609
30 2.297 2.977 4.504 5.15 6.619
40 2.298 2.981 4.529 5.159 6.692
50 2.299 2.981 4.545 5.21 6.736
55 2.299 2.982 4.55 5.218 6.752
60 2.3 2.983 4.555 5.225 6.765
65 2.3 2.984 4.559 2.231 6.776
70 2.3 2.985 4.562 5.235 6.786
75 2.3 2.986 4.565 5.24 6.794
100 2.301 2.988 4.575 5.254 6.822
500 2.302 2.994 4.599 5.29 6.891
71
Tabla 2. Valores críticos de u para la prueba de V
n α 0.10 0.05 0.01 0.005 0.001 0.0001
5 1.3021 1.624 2.2505 2.4459 2.7938 3.0825
6 1.3009 1.6509 2.264 2.4695 2.8502 3.2114
7 1.298 1.6499 2.2734 2.4858 2.8886 3.297
8 1.2958 1.6492 2.2803 2.4978 2.9164 3.3578
9 1.2942 1.6484 2.2856 2.507 2.9375 3.4034
10 1.2929 1.6482 2.2899 2.5143 2.954 3.4387
11 1.2918 1.6479 2.2933 2.5201 2.9672 3.4669
12 1.2909 1.6476 2.2961 2.525 2.9782 3.4899
13 1.2902 1.6474 2.2985 2.529 25.987 3.5091
14 1.2895 1.6472 2.3006 2.5325 2.995 3.5253
15 1.289 1.647 2.3023 2.5355 3.0017 3.5392
16 1.2885 1.6469 2.3039 2.5381 3.0075 3.5512
17 1.2881 1.6467 2.3052 2.5404 3.0126 3.5617
18 1.2877 1.6466 2.3064 2.5424 3.0171 3.571
19 1.2874 1.6465 2.3075 2.5442 3.0211 3.5792
20 1.2871 1.6464 2.3085 2.5458 3.0247 3.5866
21 1.2868 1.6464 2.3093 2.5458 3.0279 3.5932
22 1.2866 1.6463 2.3101 2.5486 3.0308 3.5992
23 1.2864 1.6462 2.3108 2.5498 3.0335 3.6047
24 1.2862 1.6462 2.3115 2.5509 3.0359 3.6096
25 1.286 1.6461 2.3121 2.5519 3.0382 3.6142
26 1.2558 1.6461 2.3127 2.5529 3.0402 3.6184
27 1.2856 1.646 2.3132 2.5538 3.0421 3.6223
28 1.2855 1.646 2.3136 2.5546 3.0439 3.6258
29 1.2853 1.6459 2.3141 2.5553 3.0455 3.6292
30 1.2852 1.6459 2.3145 2.556 3.0471 3.6323
40 1.2843 1.6456 2.3175 2.651 3.058 3.6545
50 1.2837 1.6455 2.3193 2.564 3.0646 3.6677
60 1.2834 16454 2.3205 2.566 3.0689 3.6764
70 1.2831 1.6453 2.3213 2.5674 3.072 3.6826
100 1.2826 1.6452 2.3228 2.5699 3.0775 3.6936
500 1.2818 1.6449 2.3256 2.5747 3.0577 3.714
1000 1.2817 1.6449 2.326 2.5752 3.089 3.7165
72
Tabla 3. Valores críticos de Rao
n α 0.10 186.5 0.01
4 221 183.6 171.7
5 212 180.7 168.8
6 206 177.8 166.3
7 202.7 175.7 164.9
8 198.4 173.5 163.4
9 165.1 172.1 162.4
10 192.2 170.3 161.3
11 189.7 169.2 160.2
12 187.7 2.932 159.2
13 185.8 167.8 158.4
14 184 166.7 157.7
15 182.2 165.6 157
16 180.7 164.9 156.6
17 179.6 164.2 155.9
18 178.2 163.1 155.2
19 177.1 162.4 154.8
20 176 161.6 154.4
25 171.9 158.9 152.7
30 18.8 156.7 151.4
35 166.4 155 150.3
40 164.4 153.6 149.5
45 162.7 152.4 148.7
50 161.2 151.4 148.1
100 152.8 146.8 143.7
200 146.8 1042.6 140.4
73
Tabla 4. Valores críticos U2 para una muestras
n α 0.10 0.05 0.01 0.005
2 0.143 0.155 0.164 0.165
3 0.145 0.173 0.213 0.224
4 0.146 0.176 0.233 0.252
5 0.148 0..177 0.238 0.262
6 0.149 0.179 0.243 0.269
7 0.149 0.18 0.147 0.274
8 0.15 0.181 0.25 0.278
9 0.15 0.182 0.252 0.281
10 0.15 0.182 0.254 0.283
12 0.15 0.183 0.256 0.27
14 0.151 0.184 0.258 0.29
16 0.151 0.184 0.259 0.291
18 0.151 0.184 0.259 0.292
20 0.151 0.185 0.261 0.293
30 0.152 0.185 0.263 0.296
40 0.152 0.186 0.264 0.298
50 0.152 0.186 0.265 0.299
100 0.152 0.186 0.266 0.301
∞ 0.152 0.187 0.267 0.302
74
Tabla 5. Valores críticos para la prueba de Kupier
n α=0.50 0.10 0.05 0.02 0.01 0.005 0.001
5 K(α)=1.102 1.458 1.565 1.682 1.763 1.838 1.970
6 1.109 1.471 1.582 1.711 1.793 1.867 2.020
7 1.116 1.483 1.598 1.727 1.814 1.894 2.051
8 1.122 1.493 1.608 1.741 1.830 1.911 2.077
9 1.127 1.500 1.618 1.752 1.843 1.926 2.097
10 1.131 1.507 1.625 1.761 1.854 1.938 2.113
11 1.134 1.513 1.631 1.769 1.862 1.948 2.126
12 1.138 1.517 1.637 1.776 1.870 1.957 2.137
13 1.141 1.522 1.642 1.782 1.876 1.964 2.146
14 1.143 1.525 1.646 1.787 1.882 1.970 2.154
15 1.146 1.529 1.650 1.791 1.887 1.976 2.161
16 1.148 1.532 1.653 1.795 1.892 1.981 2.168
17 1.150 1.534 1.657 1.799 1.896 1.986 2.173
18 1.152 1.537 1.659 1.802 1.899 1.990 2.178
19 1.154 1.539 1.662 1.805 1.903 1.993 2.183
20 1.155 1.541 1.664 1.808 1.906 1.997 2.187
21 1.157 1.543 1.667 1.810 1.908 2.000 2.191
22 1.158 1.545 1.669 1.813 1.911 2.003 2.194
23 1.159 1.547 1.670 1.815 1.913 2.005 2.198
24 1.161 1.549 1.672 1.817 1.916 2.008 2.201
25 1.162 1.550 1.674 1.819 1.918 2.010 2.203
30 1.167 1.556 1.681 1.826 1.926 2.019 2.215
35 1.171 1.561 1.686 1.832 1.933 2.026 2.223
40 1.174 1.565 1.690 1.837 1.938 2.032 2.230
45 1.177 1.568 1.694 1.841 1.942 2.036 2.235
50 1.179 1.571 1.697 1.844 1.946 2.040 2.239
100 1.191 1.588 1.714 1.862 1.965 2.060 2.262
200 1.200 1.600 1.726 1.876 1.979 2.075 2.279
500 1.208 1.610 1.737 1.887 1.990 2.087 2.292
∞ 1.216 1.620 1.747 1.898 2.001 2.098 2.303
75
Tabla 6. Valores críticos de la Ji-cuadrada
v 0.999 0.995 0.99 0.95 0.9 0.5 0.1 0.05 0.010 0.005 0.001
1 0.000 0.000 0.000 0.004 0.016 0.455 2.706 3.841 6.634 7.879 10.828
2 0.002 0.01 0.02 0.103 0.211 1.386 4.605 5.991 9.210 10.597 13.816
3 0.024 0.072 0.115 0.352 0.584 2.366 6.251 7.815 11.345 12.838 16.266
4 0.091 0.207 0.297 0.711 1.064 3.357 7.779 9.488 13.237 14.86 18.467
5 0.21 0.412 0.554 1.145 1.61 4.351 9.256 11.07 15.086 16.75 20.515
6 0.381 0.676 0.872 1.635 2.204 5.348 10.645 12.592 16.812 18.548 22.458
7 0.599 0.989 1.239 2.167 2.833 6.346 12.017 14.067 18.475 20.278 24.322
8 0.857 1.344 1.646 2.733 3.49 7.344 13.362 15.507 20.090 21.955 26.124
9 1.152 1.735 2.088 3.325 4.168 8.343 14.684 16.919 21.666 23.589 27.877
10 1.479 2.156 2.558 3.94 4.865 9.342 15.987 18.307 23.209 25.188 29.588
11 1.834 2.603 3.053 4.575 5.578 10.341 17.275 19.675 24.725 26.757 31.264
12 2.214 3.074 3.571 5.226 6.304 11.34 18.549 21.026 26.217 28..000 32.909
13 2.617 3.565 4.107 5.892 7.042 12.34 19.812 22.362 27.688 29.819 34.528
14 3.041 4.075 4.66 6.571 7.79 13.339 21.064 23.685 29.141 31.319 36.123
15 3.483 4.601 5.229 7.261 8.547 14.339 22.307 24.996 30.578 32.801 37.697
16 3.942 5.142 5.812 7.962 9.312 15.338 23.542 26.296 32.000 34.267 39.252
17 4.416 5.697 6.408 8.672 10.085 16.338 24.769 27.587 33.409 35.718 40.79
18 4.905 6.265 7.015 9.39 10.865 17.338 25.989 28.869 34.805 37.156 42.312
19 5.407 6.844 6.633 10.117 11.651 18.338 27.204 30.144 36.191 38.582 43.82
20 5.921 7.434 8.26 10.851 12.443 19.337 28.412 31.41 37.566 39.997 45.315
21 6.447 8.034 8.897 11.591 13.24 20.337 29.615 32.671 38.932 41.401 46.797
22 6.983 8.643 9.542 12.338 14.041 21.337 30.813 33.924 40.289 42.796 48.268
23 7.529 9.26 10.196 13.091 14.848 22.337 32.007 35.172 41.638 44.181 49.728
24 8.085 9.886 10.856 13.848 15.659 23.337 33.196 36.415 42.980 45.559 51.179
25 8.649 10.52 11.524 14.611 16.473 24.337 34.382 37.652 44.314 46.928 52.62
26 9.222 11.16 12.198 15.379 17.292 25.336 35.563 38.885 45.642 48.29 54.052
27 9.803 11.808 12.879 16.152 18.114 26.336 36.741 40.113 46.963 49.645 55.436
28 10.391 12.461 13.565 16.928 18.939 27.336 37.916 41.337 48.278 50.923 56.892
29 10.986 13.121 14.256 17.708 19.768 28.336 39.087 42.557 49.588 52.336 58.301
30 11.588 13.787 14.957 18.493 20.599 29.336 40.056 43.773 50.892 53.672 59.703
31 12.196 14.458 15.655 19.281 21.434 30.336 41.422 44.985 52.191 55.003 61.098
32 12.811 15.134 16.362 20.072 22.271 31.336 42.585 46.194 53.486 56.328 62.487
33 13.431 15.815 17.074 20.867 23.11 32.336 43.745 47.400 54.776 57.648 63.870
76
Tabla 6. Valores criticos de la Ji-cuadrada (continuación)
34 14.057 16.501 17.789 21.664 23.952 33.336 44.903 48.602 56.061 58.964 65.247
35 14.688 17.192 18.509 22.465 24.797 34.336 46.059 49.802 57.342 60.275 66.619
36 15.324 17.887 19.233 23.269 25.643 35.336 47.212 50.998 58.619 61.581 67.985
37 15.965 18.586 19.96 24.075 26.492 36.336 48.363 52.192 59.803 62.883 69.346
38 16.611 19.289 20.691 24.884 27.343 37.335 49.513 53.584 61.162 64.181 70.703
39 17.762 19.996 21.426 25.695 28.196 38.335 50.660 54.572 62.428 65.476 72.055
40 17.916 20.707 22.164 26.509 29.051 39.335 51.805 55.758 63.691 65.776 75.402
41 18.576 21.421 22.906 27.326 29.907 40.335 52.949 56.942 64.950 68.053 74.745
42 19.239 22.138 23.65 28.144 30.765 41.335 54.090 58.124 66.206 69.336 76.084
43 19.906 22.859 24.398 28.965 31.625 42.335 55.230 59.304 67.459 70.616 77.419
44 20.576 23.584 25.148 29.787 32.487 43.335 56.369 60.481 68.710 71.893 78.750
45 21.251 24.311 25.901 30.612 33.65 44.335 57.505 61.656 69.957 73.166 80.077
46 21.929 25.041 26.657 31.439 34.215 45.335 58.641 62.83 71.201 74.437 81.400
47 22.616 25.775 27.416 32.268 35.081 46.335 59.774 64.001 72.443 75.704 82.720
48 23.295 26.511 28.177 33.098 35.949 47.335 60.907 65.171 73.683 76.969 84.037
49 23.983 27.249 28.941 33.93 36.818 48.335 62.038 66.339 74.910 78.231 85.551
50 24.694 27.991 29.707 34.964 37.689 49.335 63.167 67.505 76.154 79.49 86.661
77
Tabla 7. Factor de corrección K para la prueba de Watson y Williams
k 0 1 2 3 4 5 6 7 8 9
0 188.498 94.747 63.501 47.874 38.499 32.249 27.785 24.436 21.833
0.01 19.748 18.044 16.623 15.421 14.291 13.498 12.717 12.027 11.415 10.864
0.02 10.373 9.926 9.52 5.15 8.81 8.497 8.209 7.541 7.693 7.462
0.03 7.247 7.045 6.856 6.678 6.511 6.353 6.205 6.064 5.93 5.804
0.04 5.683 5.569 5.46 5.356 5.257 5.162 5.071 4.985 4.901 4.821
0.05 4.745 4.671 4.6 4.532 4.467 4.403 4.343 4.284 4.227 4.172
0.06 4.119 4.068 4.018 3.97 2.923 3.878 3.834 3.792 3.751 3.71
0.07 3.672 2.624 3.597 3.561 3.526 3.493 3.46 3.427 3.396 3.366
0.08 3.336 3.307 3.278 3.251 3.224 3.197 3.172 3.147 3.122 3.098
0.09 3.074 3.051 3.029 3.007 2.985 2.964 2.944 2.923 2.904 2.884
0.1 2.865 2.846 2.828 2.81 2.793 2.775 2.758 2.742 2.725 2.7
0.11 2.694 2.678 2.663 2.648 2.634 2.619 2.605 2.591 2.577 2.56
0.12 2.551 2.538 2.525 2.512 2.5 2.488 2.476 2.464 2.452 2.44
0.13 2.43 2.418 2.408 2.397 2.386 2.376 2.364 2.355 2.345 2.335
0.14 2.326 2.316 2.307 2.297 2.88 2.279 2.27 2.261 2.552 2.244
0.15 2.235 2.227 2.215 2.211 2.203 2.195 2.187 2.175 2.171 2.164
0.16 2.156 2.149 2.142 2.134 2.127 2.12 2.113 2.107 2.1 2.092
0.17 2.086 2.08 2.073 2.067 2.061 2.054 2.048 2.042 2.036 2.03
0.18 2.024 2.018 2.013 2.007 2.001 1.996 1.99 1.984 1.979 1.974
0.19 1.568 1.963 1.958 1.952 1.548 1.943 1.938 1.933 1.928 1.923
0.2 1.518 1.913 1.909 1.904 1.855 1.895 1.89 1.886 1.881 1.877
0.21 1.8729 1.868 1.864 1.86 1.855 1.851 1.847 1.843 1.839 1.832
0.22 1.8313 1.827 1.823 1.815 1.815 1.811 1.808 1.804 1.8 1.794
0.23 1.793 1.789 1.786 1.782 1.778 1.775 1.771 1.768 1.765 1.761
0.24 1.758 1.755 1.751 1.748 1.745 1.741 1.738 1.735 1.732 1.725
0.25 1.726 1.723 1.719 1.716 1.712 1.71 1.707 1.704 1.702 1.655
0.26 1.696 1.693 1.69 1.687 1.684 1.682 1.679 1.67 1.673 1.671
0.27 1.668 1.665 1.663 1.66 1.657 1.655 1.652 1.65 1.647 1.648
0.28 1.642 1.64 1.637 1.635 1.632 1.63 1.628 1.625 1.623 1.62
0.29 1.618 1.616 1.613 1.611 1.609 1.607 1.604 1.602 1.6 1.598
0.3 1.59 1.593 1.591 1.585 1.587 1.585 1.583 1.581 1.578 1.574
78
Tabla 7. Factor de corrección K para la prueba de Watson y Williams (continuación)
k 0 1 2 3 4 5 6 7 8 9
0.31 1.574 1.572 1.57 1.568 1.566 1.564 1.562 1.56 1.558 1.55
0.32 1.554 1.552 1.57 1.545 1.545 1.545 1.543 1.541 1.539 1.537
0.33 1.536 1.534 1.551 1.53 1.53 1.527 1.525 1.523 1.521 1.52
0.34 1.518 1.516 1.514 1.512 1.512 1.509 1.508 1.5 1.504 1.502
0.35 1.501 1.499 1.498 1.496 1.496 1.493 1.491 1.49 1.488 1.487
0.36 1.485 1.483 1.482 1.48 1.48 1.477 1.476 1.474 1.473 1.471
0.37 1.47 1.468 1.467 1.465 1.465 1.463 1.461 1.46 1.458 1.457
0.38 1.455 1.454 1.453 1.451 1.451 1.449 1.447 1.44 1.444 1.442
0.39 1.442 1.44 1.439 1.436 1.436 1.435 1.434 1.432 1.431 1.43
0.4 1.429 1.427 1.426 1.425 1.425 1.422 1.421 1.42 1.418 1.417
0.41 1.416 1.415 1.414 1.412 1.412 1.41 1.409 1.408 1.406 1.405
0.42 1.404 1.403 1.102 1.4 1.4 1.398 1.397 1.396 1.395 1.354
0.43 1.392 1.359 1.39 1.385 1.385 1.387 1.386 1.385 1.384 1.362
0.44 1.381 1.38 1.379 1.378 1.378 1.374 1.375 1.374 1.373 1.372
0.45 1.371 1.37 1.369 1.368 1.368 1.366 1.365 1.364 1.363 1.362
0.46 1.36 1.36 1.359 1.358 1.358 1.356 1.355 1.354 1.353 1.352
0.47 1.351 1.25 1.349 1.348 1.348 1.346 1.345 1.344 1.343 1.342
0.48 1.341 1.34 1.339 1.338 1.338 1.336 1.336 1.335 1.334 1.332
0.49 1.332 1.331 1.33 1.325 1.325 1.327 1.327 1.326 1.325 1.324
0.5 1.323 1.322 1.321 1.32 1.32 1.315 1.318 1.217 1.31 1.315
0.51 1.314 1.314 1.313 1.311 1.211 1.31 1.309 1.309 1.308 1.307
0.52 1.06 1.305 1.304 1.303 1.303 1.302 1.301 1.3 1.3 1.299
0.53 1.298 1.297 1.296 1.295 1.295 1.254 1.293 1.292 1.292 1.291
0.54 1.29 1.289 1.289 1.287 1.287 1.286 1.285 1.285 1.284 1.282
0.55 1.282 1.282 1.281 1.279 1.279 1.279 1.278 1.277 1.27 1.27
0.56 1.275 1.274 1.27 1.272 1.272 1.271 1.231 1.27 1.269 1.268
0.57 1.268 1.267 1.266 1.265 1.265 1.264 1.263 1.263 1.262 1.261
0.58 1.261 1.26 1.259 1.258 1.256 1.257 1.256 1.256 1.255 1.254
0.59 1.254 1.253 1.252 1.251 1.251 1.25 1.25 1.249 1.248 1.248
0.6 1.2247 1.246 1.246 1.245 1.244 1.243 1.243 1.242 1.242 1.241
79
k 0 1 2 3 4 5 6 7 8 9
0.61 1.24 1.24 1.239 1.238 1.238 1.237 1.236 1.236 1.235 1.235
0.62 1.234 1.233 1.233 1.272 1.221 1.231 1.23 1.229 1.229 1.228
0.63 1.228 1.227 1.226 1.226 1.225 1.224 1.224 1.223 1.223 1.222
0.64 1.221 1.221 1.22 1.215 1.219 1.218 1.218 1.217 1.216 1.216
0.65 1.215 1.215 1.214 1.212 1.212 1.212 1.212 1.211 1.21 1.21
0.66 1.209 1.209 1.208 1.207 1.207 1.206 1.206 1.205 1.204 1.204
0.67 1.203 1.203 1.202 1.201 1.201 1.2 1.2 1.155 1.198 1.198
0.68 1.197 1.197 1.196 1.196 1.195 1.194 1.194 1.53 1.193 1.192
0.69 1.92 1.191 1.19 1.19 1.185 1.189 1.188 1.187 1.187 1.186
0.7 1.86 1.185 1.185 1.184 1.184 1.182 1.182 1.182 1.181 1.181
0.71 1.18 1.18 1.179 1.178 1.178 1.177 1.77 1.176 1.176 1.175
0.72 1.174 1.174 1.173 1.172 1.172 1.172 1.171 1.171 1.17 1.165
0.73 1.169 1.168 1.168 1.167 1.167 1.166 1.166 1.165 1.164 1.164
0.74 1.163 1.163 1.162 1.162 1.161 1.161 1.16 1.155 1.159 1.158
0.75 1.156 1.157 1.157 1.156 1.156 1.55 1.55 1.154 1.153 1.152
0.76 1.152 1.152 1.151 1.151 1.15 1.15 1.149 1.148 1.148 1.147
0.77 1.547 1.146 1.146 1.145 1.145 1.144 1.143 1.143 1.142 1.142
0.78 1.141 1.141 1.14 1.14 1.139 1.138 1.138 1.137 1.137 1.136
0.79 1.136 1.135 1.135 1.134 1.124 1.133 1.132 1.132 1.131 1.131
0.8 1.13 1.13 1.129 1.128 1.128 1.127 1.127 1.126 1.126 1.125
0.81 1.125 1.124 1.123 1.122 1.122 1.122 1.121 1.121 1.12 1.115
0.82 1.119 1.118 1.118 1.117 1.117 1.116 1.115 1.115 1.114 1.114
0.83 1.113 1.113 1.112 1.111 1.111 1.11 1.11 1.105 1.109 1.106
0.84 1.107 1.107 1.106 1.106 1.105 1.104 1.104 1.103 1.03 1.102
0.85 1.101 1.101 1.1 1.1 1.099 1.098 1.098 1.097 1.097 1.096
0.86 1.095 1.095 1.094 1.094 1.093 1.092 1.092 1.091 1.091 1.09
0.87 1.089 1.089 1.088 1.087 1.087 1.086 1.086 1.085 1.084 1.084
0.88 1.083 1.082 1.082 1.081 1.081 1.08 1.079 1.075 1.078 1.077
0.89 1.077 1.076 1.075 1.075 1.074 1.074 1.073 1.072 1.072 1.071
0.9 1.07 1.07 1.069 1.066 1.068 1.067 1.066 1.066 1.065 1.064
0.91 1.064 1.063 1.062 1.062 1.061 1.06 1.06 1.055 1.058 1.058
0.92 1.057 1.056 1.056 1.055 1.054 1.053 1.052 1.052 1.051 1.051
0.93 1.05 1.049 1.049 1.048 1.047 1.047 1.046 1.045 1.044 1.044
80
k 0 1 2 3 4 5 6 7 8 9
0.94 1.043 1.042 1.042 1.041 1.04 1.04 1.037 1.036 1.037 1.037
0.95 1.036 1.035 1.035 1.034 1.023 1.032 1.032 1.031 1.03 1.03
0.96 1.029 1.028 1.027 1.027 1.026 1.025 1.025 1.024 1.023 1.022
0.97 1.022 1.021 1.02 1.02 1.019 1.018 1.017 1.017 1.0116 1.015
0.98 1.014 1.01 1.013 1.012 1.011 1.011 1.01 1.005 1.008 1.008
0.99 1.007 1 1.006 1.005 1.004 1.003 1.003 1.002 1 1
81
Tabla 8. Valores críticos de la distribución F gl=1
α ( 2) 0.5 0.2 0.1 0.05 0.02 0.005 0.001
α (1) 0.25 0.1 0.05 0.025 0.01 0.0025 0.0005
gl
5.83 39.9 161 648 4050 64800 1620000
1
2 2.57 8.53 18.5 38.5 98.5 399 2000
3 2.02 5.54 10.1 17.4 34.1 89.6 267
4 1.81 4.54 7.71 12.2 21.2 45.7 106
5 1.59 4.06 6.61 10 16.3 31.4 63.6
6 1.62 3.78 5.99 8.81 13.7 24.8 46.1
7 1.57 3.59 5.59 8.07 12.2 21.1 37
8 1.54 3.46 5.52 7.57 11.3 18.8 31.6
9 1.51 3.36 5.12 7.21 10.6 17.2 28
10 1.48 3.29 4.96 6.94 10 16 25.5
11 1.47 3.23 4.84 6.72 9.65 15.2 23.7
12 1.46 3.18 4.75 6.55 9.35 14.5 22.2
13 1.45 3.14 4.67 6.41 9.07 13.9 21.2
14 1.44 3.1 4.6 6.3 8.86 13.5 20.2
15 1.43 3.07 4.54 6.2 8.68 13.1 19.5
16 1.42 3.05 4.49 6.12 8.53 12.8 18.9
17 1.42 3.03 4.45 6.04 8.4 12.6 18.4
18 1.41 3.01 4.41 5.98 8.29 12.3 17.9
19 1.41 2.99 4.38 5.92 8.18 12.1 17.5
20 1.4 2.97 4.35 5.87 8.1 11.9 17.2
21 1.4 2.96 4.32 5.83 8.02 11.8 16.9
22 1.4 2.95 4.3 5.79 7.95 11.6 16.6
23 1.39 2.94 4.28 5.75 7.88 11.5 16.4
24 1.39 2.93 4.26 5.62 7.82 11.4 16.2
25 1.39 2.92 4.24 5.69 7.37 11.3 16
26 1.38 2.91 4.23 5.66 7.62 11.2 15.8
27 1.38 2.9 4.21 5.63 7.68 11.1 15.6
28 1.38 2.89 4.2 5.61 7.64 11 15.5
29 1.38 2.89 4.18 5.59 7.6 11 25.3
30 1.38 2.88 4.17 5.57 7.56 10.9 15.2
35 1.37 2.85 4.12 5.48 7.42 10.6 14.7
40 1.36 2.84 4.08 5.42 7.31 10.4 14.4
45 1.36 2.82 4.06 5.38 7.23 10.3 14.1
50 1.35 2.81 4.03 5.34 7.17 10.1 13.9
60 1.35 2.79 4 5.29 7.08 9.96 13.5
70 1.35 2.78 3.98 5.25 7.01 9.84 13.3
80 1.34 2.77 3.96 5.22 6.96 9.75 13.2
90 1.34 2.76 3.95 5.2 6.93 9.68 13
100 1.34 2.76 3.94 5.18 6.9 9.62 12.9
120 1.34 2.75 3.92 5.15 6.85 9.54 12.8
140 1.33 2.74 3.91 5.13 6.82 9.48 12.7
150 1.33 2.74 3.9 5.12 6.8 9.44 12.6
180 1.33 2.73 3.89 5.11 6.78 9.4 12.6
200 1.33 2.73 3.89 5.1 6.76 9.38 12.5
82
300 1.33 2.72 3.87 5.07 6.72 9.3 12.4
500 1.33 2.72 3.86 5.05 6.69 9.23 12.3
∞ 1.32 2.71 3.84 5.02 6.64 9.14 12.1
83
Tabla 8.1. Valores críticos de la distribución F gl=2
α ( 2) 0.5 0.2 0.1 0.05 0.02 0.005 0.001
α (1) 0.25 0.1 0.05 0.025 0.01 0.0025 0.0005
gl 1 7.5 49.5 200 800 5000 80000 2000000
2 3 .0 9 19 39 99 399 2000
3 2.28 5.46 9.55 16 30.8 79.9 237
4 2 4.32 6.94 10.6 18 38 87.4
5 1.85 3.78 5.79 8.43 13.3 25 49.8
6 1.76 3.46 5.14 7.26 10.9 19.1 34.8
7 1.7 3.26 4.74 6.54 9.55 15.9 27.2
8 1.66 3.11 4.46 6.06 8.65 13.9 22.7
9 1.62 3.01 4.26 5.71 8.02 12.5 19.9
10 1.6 2.92 4.1 5.46 7.56 11.6 17.9
11 1.58 2.86 3.98 5.26 7.21 10.8 16.4
12 1.56 2.81 3.89 5.1 6.93 10.3 15.3
13 1.55 2.76 3.81 4.97 6.7 9.84 14.4
14 1.53 2.73 3.74 4.86 6.51 9.47 13.7
15 1.52 2.7 3.68 4.77 6.36 9.17 13.2
16 1.51 2.67 3.63 4.69 6.23 8.92 12.7
17 1.51 2.64 3.59 4.62 6.11 8.7 12.3
18 1.5 2.62 3.55 4.56 6.01 8.51 11.9
19 1.49 2.61 3.52 4.51 5.93 8.35 11.6
20 1.49 2.59 3.49 4.46 5.85 8.21 11.4
21 1.48 2.57 3.47 4.42 5.78 8.08 11.2
22 1.48 2.76 3.44 4.38 5.72 7.96 11
23 1.47 2.55 3.42 4.35 5.66 7.86 10.8
24 1.47 2.54 3.4 4.32 5.61 7.77 10.6
25 1.47 2.53 3.39 4.29 5.57 7.69 10.5
26 1.46 2.52 3.37 4.27 5.53 7.61 10.3
27 1.46 2.51 3.35 4.24 5.49 7.54 10.2
28 1.46 2.5 3.34 4.22 5.45 7.48 10.1
29 1.45 2.5 3.33 4.2 5.42 7.42 9.99
30 1.45 2.49 3.32 4.18 5.39 7.36 9.9
35 1.44 2.46 3.27 4.11 5.27 7.14 9.52
40 1.44 2.44 3.23 4.05 5.18 6.99 9.25
45 1.43 2.42 3.2 4.01 5.11 6.86 9.04
50 1.43 2.41 3.18 3.97 5.06 6.77 8.88
60 1.42 2.39 3.15 3.93 4.98 6.63 8.65
70 1.41 2.38 3.13 3.89 4.92 6.53 8.49
80 1.41 2.37 3.11 3.86 4.88 6.46 8.37
90 1.41 2.36 3.1 3.84 4.85 6.41 8.28
100 1.41 2.36 3.09 3.83 4.82 6.37 8.21
120 1.4 2.35 3.07 3.8 4.79 6.3 8.1
140 1.4 2.34 3.06 3.79 4.76 6.26 8.03
160 1.4 2.34 3.05 3.78 4.74 6.22 7.97
180 1.4 2.33 3.05 3.77 4.73 6.2 7.93
200 1.4 2.33 3.04 3.76 4.71 6.17 7.9
300 1.39 2.32 3.03 3.73 4.68 6.11 7.8
84
500 1.39 2.31 3.01 3.72 4.65 6.06 7.72
∞ 1.39 2.3 3 3.69 4.61 5.99 7.7
85
Tabla 9. Valores críticos de U2 de Watson
n1 n2
α=0.5 0.1 0.05 0.01 0.005
4 4 0.117 ---- ---- ---- ----
4 5 0.081 0.203 ---- ---- ----
4 6 0.087 0.216 0.216 ---- ----
4 7 0.084 0.168 0.227 ---- ----
4 8 0.09 0.163 0.236 ---- ----
4 9 0.085 1.175 0.243 ---- ----
4 10 0.08 0.157 0.201 ---- ----
4 11 0.082 0.155 0.194 ---- ----
4 12 0.078 0.156 0.203 0.2 ----
4 13 0.079 0.157 0.185 0.264 ----
4 14 0.078 0.153 0.193 0.268 ----
4 15 0.078 0.156 0.18 0.271 0.271
4 16 0.078 0.153 0.183 0.275 0.275
4 17 0.077 0.153 0.183 0.277 0.277
4 18 0.076 0.149 0.181 0.248 0.28
4 19 0.075 0.153 0.179 0.251 0.282
4 20 0.076 0.153 0.184 0.245 0.284
4 21 0.075 0.151 0.181 0.248 0.286
4 22 0.075 0.15 0.182 0.251 0.288
4 23 0.075 0.15 0.181 0.239 0.263
4 24 0.075 0.149 0.179 0.241 0.266
4 25 0.075 0.149 0.181 0.244 0.26
4 26 0.075 0.148 0.181 0.239 0.262
4 27 0.075 0.15 0.178 0.236 0.264
4 28 0.074 0.149 0.177 0.238 0.266
4 29 0.074 0.149 0.179 0.236 0.255
4 30 0.074 0.149 0.179 0.239 0.257
5 5 0.089 0.225 0.225 ---- ----
5 6 0.084 0.181 0.242 ---- ----
5 7 0.085 0.171 0.199 ---- ----
5 8 0.084 0.165 0.215 ---- ----
5 9 0.079 0.159 0.19 0.279 ----
5 10 0.083 0.16 0.195 0.288 0.288
5 11 0.081 0.156 0.19 0.296 0.296
5 12 0.078 0.154 0.186 0.26 0.303
5 13 0.077 0.156 0.183 0.269 0.31
5 14 0.078 0.153 0.182 0.257 0.276
5 15 0.078 0.151 0.183 0.251 0.283
5 16 0.076 0.155 0.182 0.255 0.289
5 17 0.076 0.152 0.182 0.247 0.278
5 18 0.076 0.153 0.179 0.246 0.271
5 19 0.075 0.151 0.182 0.252 0.274
5 20 0.076 0.152 0.182 0.241 0.276
5 21 0.075 0.151 0.181 0.244 0.271
5 22 0.075 0.152 0.182 0.242 0.268
5 23 0.075 0.151 0.181 0.245 0.273
86
Tabla 9. Valores críticos de U2 de Watson (continuación)
n1 n2
α=0.5 0.1 0.05 0.01 0.005
5 25 0.075 0.151 0.181 0.246 0.267
5 26 0.074 0.151 0.18 0.244 0.267
5 27 0.074 0.15 0.18 0.244 0.267
5 28 0.074 0.151 0.18 0.241 0.269
5 29 0.074 0.151 0.18 0.244 0.266
5 30 0.074 0.151 0.18 0.241 0.267
6 6 0.088 0.171 0.206 ---- ----
6 7 0.08 0.153 0.194 0.282 ----
6 8 0.083 0.16 0.196 0.297 0.297
6 9 0.081 0.155 0.192 0.261 0.311
6 10 0.077 0.156 0.189 0.247 0.322
6 11 0.078 0.156 0.187 0.262 0.288
6 12 0.08 0.155 0.182 0.259 0.274
6 13 0.076 0.153 0.184 0.249 0.278
6 14 0.076 0.153 0.188 0.25 0.282
6 15 0.076 0.152 0.185 0.248 0.273
6 16 0.075 0.153 0.182 0.25 0.278
6 17 0.075 0.152 0.183 0.247 0.274
6 18 0.076 0.153 0.184 0.246 0.273
6 19 0.075 0.152 0.183 0.249 0.274
6 20 0.074 0.152 0.182 0.249 0.273
6 21 0.075 0.152 0.183 0.247 0.273
6 22 0.074 0.151 0.182 0.247 0.275
6 23 0.074 0.151 0.182 0.246 0.272
6 24 0.074 0.151 0.182 0.248 0.271
6 25 0.074 0.151 0.181 0.247 0.273
6 26 0.073 0.151 0.181 0.246 0.271
6 27 0.074 0.151 0.182 0.246 0.273
6 28 0.073 0.15 0.182 0.246 0.273
6 29 0.073 0.151 0.181 0.247 0.271
6 30 0.073 0.16 0.182 0.247 0.272
7 7 0.079 0.157 0.198 0.303 0.303
7 8 0.079 0.155 0.181 0.272 0.322
7 9 0.078 0.156 0.181 0.255 0.29
7 10 0.077 0.154 0.186 0.262 0.277
7 11 0.077 0.155 0.183 0.253 0.28
7 12 0.076 0.154 0.185 0.251 0.275
7 13 0.076 0.154 0.184 0.252 0.277
7 14 0.076 0.156 0.184 0.253 0.274
7 15 0.075 0.152 0.184 0.25 0.78
7 16 0.075 0.153 0.184 0.25 0.277
7 17 0.074 0.152 0.182 0.25 0.75
7 18 0.074 0.152 0.184 0.25 0.276
7 20 0.074 0.152 0.183 0.249 0.278
7 21 0.075 0.153 0.184 0.249 0.278
7 22 0.074 0.151 0.183 0.251 0.276
87
Tabla 9. Valores críticos de U2 de Watson
n1 n2 α=0.5 0.1 0.05 0.01 0.005
7 23 0.073 0.152 0.183 0.249 0.278
8 8 0.078 0.156 0.183 0.25 0.295
8 9 0.078 0.155 0.186 0.258 0.282
8 10 0.077 0.154 0.185 0.249 0.279
8 11 0.076 0.154 0.184 0.252 0.279
8 12 0.076 0.155 0.185 0.252 0.28
8 13 0.075 0.153 0.185 0.253 0.277
8 14 0.075 0.153 0.185 0.251 0.279
8 15 0.074 0.153 0.185 0.25 0.278
8 16 0.076 0.154 0.185 0.253 0.279
8 17 0.074 0.152 0.184 0.252 0.278
8 18 0.074 0.152 0.184 0.251 0.281
8 19 0.074 0.152 0.183 0.252 0.279
8 20 0.074 0.152 0.183 0.252 0.279
9 9 0.077 0.155 0.186 0.266 0.285
9 10 0.076 0.154 0.186 0.253 0.286
9 11 0.076 0.154 0.184 0.255 0.281
9 12 0.076 0.154 0.185 0.254 0.28
9 13 0.075 0.153 0.185 0.252 0.279
9 14 0.075 0.153 0.184 0.252 0.28
9 15 0.075 0.153 0.185 0.254 0.283
9 16 0.074 0.153 0.185 0.253 0.282
10 10 0.075 0.154 0.185 0.254 0.282
10 11 0.075 0.154 0.185 0.254 0.279
10 12 0.075 0.153 0.184 0.254 0.281
10 13 0.074 0.153 0.185 0.254 0.281
10 14 0.074 0.153 0.184 0.255 0.282
10 15 0.074 0.153 0.185 0.254 0.283
11 11 0.076 0.154 0.185 0.254 0.282
11 12 0.075 0.153 0.185 0.254 0.283
11 13 0.074 0.153 0.185 0.254 0.283
12 12 0.075 0.152 0.186 0.255 0.284
14 14 0.07 0.151 0.183 0.256 0.289
16 16 0.07 0.151 0.184 0.259 0.291
18 18 0.07 0.151 0.184 0.26 0.292
20 20 0.069 0.151 0.185 0.261 0.293
25 25 0.069 0.152 0.185 0.262 0.295
30 30 0.069 0.152 0.186 0.263 0.296
35 35 0.069 0.152 0.186 0.264 0.297
40 40 0.069 0.152 0.186 0.264 0.298
50 50 0.069 0.152 0.187 0.265 0.299
60 60 0.069 0.152 0.187 0.266 0.299
80 80 0.069 0.152 0.187 0.266 0.3
100 100 0.069 0.152 0.187 0.267 0.3
∞ ∞ 0.0171 0.151 0.186 0.2683 0.303
88
Estadística circular: Herramienta para analizar
datos angulares en Biología
1ª. Edición
Se imprimió en el Laboratorio de Aplicaciones
Computacionales de la FES Zaragoza
Con un tiraje de 50 ejemplares y su edición en formato electrónico

para difundirlo en el sitio electrónico:
enlinea.zaragoza.unam.mx/biomat
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO
FACULTAD DE ESTUDIOS SUPERIORES ZARAGOZA

Con el enfoque de un curso, se revisan los aspectos teóricos y prácticos de la Estadística Circular,
empezando con las medidas de tendencia central (medias, medianas y modas); medidas de
dispersión(varianza y desviación estándar).
En otros capítulos se revisan las técnicas inferenciales paramétricas y no paramétricas para una muestra
y para dos muestras.
Se consideran los aspectos teóricos de cada técnica y luego se desarrollan ejemplos numéricos,
resaltando las estrategias de cálculo. Cabe aclarar que ya existe software de análisis estadístico circular
el cual realiza mucho del trabajo numérico, pero aún sigue siendo importante que el usuario (estudiante,
profesor o investigador) defina de antemano el formato para digitalizar sus datos, la o las técnicas
estadísticas a aplicar, pero sobre todo la interpretación que se le debe dar a los resultados obtenidos.
Sirva este manual como una invitación a revisar materiales más formales, desde el punto de vista teórico.
Y adentrarse en esta fascinante rama de la Estadística

Estadiistica Circular

Cargado por

Copyright:

Formatos disponibles

Estadiistica Circular

Cargado por

Información del documento

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

Estadiistica Circular

Cargado por

Copyright:

Formatos disponibles

Estadística circular: Herramienta

para analizar datos angulares en

Eloisa Reyes Sánchez

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO

Facultad de Estudios Superiores Zaragoza

D.R. © Facultad de Estudios Superiores Zaragoza

Impreso y hecho en México

Formación, Diseño editorial: Armando Cervantes Sandoval

Impresión con apoyo del proyecto PAPIME PE201106

Material de uso libre para fines académicos, con la cita o referencia

Prohibida su reproducción total o parcial con fines de lucro.

Introducción a la Estadística Circular …………….……………. 7

¿Qué es la Estadística circular? …………….……………. 7

¿Dónde se aplica la Estadística circular? …………….……………. 7

Antecedentes históricos …………….……………. 8

Fundamentos matemáticos de la Estadística …………….……………. 13

Características de la Estadística circular …………….……………. 16

Presentación gráfica de los datos circulares …………….……………. 16

Diagramas de rosa …………….……………. 16

Gráfico de datos originales (Raw data plots) …………….……………. 17

Histogramas circulares …………….……………. 18

Histograma de tallo y hoja …………….……………. 19

Distribución von Mises …………….……………. 19

Técnicas Descriptivas de Estadística Circular …………….……………. 21

El ángulo promedio …………….……………. 21

Cálculo del ángulo promedio …………….……………. 22

Descripción de la técnica del ángulo promedio …………….……………. 22

Técnica del ángulo promedio para datos …………….……………. 24

El promedio del ángulo promedio (Zar, 1996) …………….……………. 24

La mediana circular o mediana angular …………….……………. 26

La moda angular (Zar, 1996) …………….……………. 27

Varianza angular y desviación estándar angular …………….……………. 27

Técnicas Inferenciales (una sola muestra) …………….……………. 31

Límites de confianza para ángulos …………….……………. 31

Descripción de la técnica de límites de confianza …………….……………. 31

La prueba de Rayleigh …………….……………. 33

Prueba de Watson …………….……………. 42

Prueba de Kuiper …………….……………. 46

Prueba Ji-cuadrada …………….……………. 48

Técnicas Inferenciales (dos o más muestras) …………….……………. 53

Prueba de Watson y Williams …………….……………. 53

Versión multimuestral de Watson y Williams …………….……………. 59

Prueba Ji-cuadrada …………….……………. 59

Versión multimuestral de Ji-cuadrada …………….……………. 61

Prueba de Mardia-Watson-Wheeler …………….……………. 62

Prueba multimuestral de Mardia-Watson –Wheeler …………….……………. 65

Prueba Bimuestral de Watson …………….……………. 66

Prueba de Watson con valores empatados …………….……………. 69

Tabla 1 Valores críticos de z para la prueba de …………….……………. 75

Tabla 2 Valores críticos de u para la prueba de V …………….……………. 76

Tabla 3 Valores críticos de Rao …………….……………. 77

Tabla 4 Valores críticos U2 para una muestras …………….……………. 78

Tabla 5 Valores criticos para la prueba de Kupier …………….……………. 79

Tabla 6 Valores criticos de la Ji-cuadrada …………….……………. 80

Tabla 7 Factor de corrección K para la prueba de …………….……………. 82

Tabla 8 Valores críticos de la distribución F gl=1 …………….……………. 86

Tabla 8.1 Valores críticos de la distribución F …………….……………. 88

Tabla 9 Valores criticos de U2 de Watson …………….……………. 90

Dentro de las investigaciones que se realizan en Biología, es necesario estudiar el

En el presente escrito se describe la Estadística Circular, los fundamentos teóricos y

Es necesario primero obtener el valor de a y r de cada una de las h muestras. Con

Obtener la suma de las coordenadas cartesianas de cada muestra ∑x j y ∑y j

Aplicando las ecuaciones descritas anteriormente, para x e y

Se obtiene las coordenadas cartesianas de a :