UNIVERSIDAD NACIONAL

ABIERTA Y A DISTANCIA UNAD

ESCUELA DE CIENCIAS BSICAS TECNOLOGA E

INGENIERA

DISEO DE EXPERIMENTOS
Captulos 1 2 y 3

RAL GABRIEL RAMOS

BUCARAMANGA, 2008

INTRODUCCIN
La estadstica es de vital importancia en todas las etapas de la investigacin cientfica,
desde la planeacin del experimento hasta el anlisis de los datos obtenidos. Adems,
constituye una herramienta fundamental para obtener conclusiones objetivas y
descubrir relaciones de causalidad. Es importante destacar que los mtodos
estadsticos no pueden demostrar que un factor (o factores) poseen un efecto
particular sobre una variable, solo proporcionan pautas generales en cuanto a la
confiabilidad y validez de los resultados. Aplicados en forma correcta, no permiten la
demostracin experimental de nada, pero si sirven para medir el error posible en una
conclusin o asignar un nivel de confianza a un enunciado. La ventaja principal de los
mtodos estadsticos es que agrega objetividad al proceso de toma de decisiones y
combinados con un conocimiento del proceso y el sentido comn, llevaran por lo
general, a conclusiones slidas.

Con las tcnicas estadsticas es posible descubrir cuales son los factores que
realmente influyen sobre una variable respuesta (Anlisis de Varianza); encontrar un
modelo de matemtico que prediga el comportamiento de la variable de inters en una
regin especfica (Regresin Lineal Mltiple); hacer un cribado de los factores
relevantes o importantes en un proceso (Diseos Factoriales 2K) e incluso optimizar
(Anlisis de superficie de Respuesta). Esta ltima tcnica combina los diseos
Factoriales con las tcnicas de regresin para dirigir el proceso a las condiciones
ptimas de operacin.

TABLA DE CONTENIDO
INTRODUCCIN.......................................................................................................... 2
TABLA DE CONTENIDO .............................................................................................. 3
CAPITULO 1

ESTADSTICA BASICA........................................................................ 5

1.1

1.1 Introduccin ................................................................................................... 5

1.2

1.2 Definiciones claves en DDE ........................................................................... 7

1.2.1

Experimento...................................................................................................... 7

1.2.2

Diseo de Experimentos ................................................................................... 7

1.2.3

Tratamiento....................................................................................................... 7

1.2.4

Unidad experimental ......................................................................................... 7

1.2.5

Variables, factores y niveles.............................................................................. 7

1.3

Etapas en el diseo de experimentos ................................................................ 10

1.3.1

Identificacin y enunciacin del problema ....................................................... 11

1.3.2

Eleccin de los factores, niveles y rangos. ...................................................... 11

1.3.3

Eleccin de la variable respuesta.................................................................... 12

1.3.4

Eleccin del diseo experimental .................................................................... 12

1.3.5

Realizacin del experimento ........................................................................... 13

1.3.6

Anlisis de datos. ............................................................................................ 13

1.3.7

Conclusiones y recomendaciones................................................................... 13

1.4

Estadstica bsica .............................................................................................. 13

1.4.1

Ramas de la estadstica .................................................................................. 14

1.4.2

Poblacin y muestra........................................................................................ 14

1.4.3

Medidas de tendencia central y variabilidad .................................................... 16

1.4.4

Variables aleatorias: Discreta y Contina........................................................ 22

1.4.5

Distribucin de muestreo................................................................................. 24

1.4.6

Teorema del lmite central............................................................................... 26

1.5

Inferencia estadstica ......................................................................................... 31

1.5.1

Prueba de hiptesis ........................................................................................ 31

1.5.2

Intervalos de confianza ................................................................................... 32

1.5.3

Errores de tipo I y II......................................................................................... 32

1.6

Uso del valor P en un contraste de Hiptesis..................................................... 33

1.7

1.7 El uso de los computadores y Software especializado ................................. 34

1.8

Ejercicios propuestos ......................................................................................... 35

CAPITULO 2
2.1

COMPARACIONES SIMPLES. .......................................................... 35

Contraste de hiptesis ....................................................................................... 35

2.1.1
2.2

Ejemplos del uso de la Tabla 2.1 .................................................................... 38

Intervalos de confianza ...................................................................................... 39

2.2.1
2.3

Ejemplo del uso de la Tabla 2.2 ...................................................................... 41

Ejercicios propuestos ......................................................................................... 41

CAPITULO 3
3.1

COMPARACIONES CON UN FACTOR. ANALISIS DE VARIANZA... 44

Modelo general de Anlisis de Varianza, ANOVA, para un modelo de efectos fijos

45

3.2

Modelo de efectos fijos y aleatorios ................................................................... 49

3.3

Supuestos en ANOVA y medidas de adecuacin del modelo ............................ 49

3.3.1

Supuesto de normalidad ................................................................................. 50

3.3.2

Supuesto independencia e igualdad de varianzas........................................... 51

3.4

Comparaciones mltiples. .................................................................................. 52

3.4.1

Comparacin grfica de medias...................................................................... 53

3.4.2

Comparacin de pares de medias................................................................... 54

BIBLIOGRAFA........................................................................................................... 56
Tablas......................................................................................................................... 57
Tabla I

Distribucin normal ...................................................................................... 57

Tabla II

Distribucin t ............................................................................................... 58

Tabla III

Distribucin Ji Cuadrado ............................................................................ 59

Tabla IV

Distribucin F con = 0.25 ........................................................................ 60

Tabla V

Distribucin F con = 0.05 ......................................................................... 61

Tabla VI

Distribucin F con = 0.10 ........................................................................ 62

Tabla VII

Distribucin F con = 0.025 ...................................................................... 63

Tabla VIII

Distribucin F con =0.01 ........................................................................ 64

CAPITULO 1 ESTADSTICA BASICA

1.1 1.1

Introduccin

En el campo de la industria es una prctica comn hacer experimentos o pruebas para

descubrir algo acerca de un sistema o proceso en particular. Un experimento puede
definirse como una prueba o serie de pruebas en las que se hacen cambios
deliberados en las variables de entrada de un proceso o sistema para observar e
identificar la forma como stas influyen en las variables de salida. Comnmente, estas
pruebas o experimentos se hacen sobre la marcha, a prueba y error, apelando a la
experiencia y a la intuicin; en lugar de seguir un plan experimental adecuado que
garantice una respuesta adecuada y objetiva a los interrogantes planteados. El Diseo
de Experimentos tiene que ver con la planeacin y realizacin de experimentos y el
anlisis de datos resultantes a fin de obtener conclusiones validas y objetivas. El
objetivo es desarrollar un proceso robusto, es decir, un proceso que sea afectado de
forma mnima por las fuentes de variabilidad externas.
El diseo de experimentos (DDE) es un conjunto de tcnicas activas que manipulan el
proceso para inducirlo a proporcionar la informacin que se requiere para mejorarlo.
Tambin incluye tcnicas estadsticas para llevar los procesos y sistemas a las
condiciones ptimas de operacin. Las tcnicas de diseo (DD) tambin juegan un
papel importante en la investigacin cientfica haciendo que este proceso sea lo ms
eficiente posible.

El objetivo de los mtodos estadsticos es lograr que el proceso de generar

conocimiento y aprendizaje sea tan eficiente como sea posible. Este proceso ha
demostrado, a lo largo de la historia de la humanidad, ser un proceso secuencial en el
cual interactan dos polos (vase Figura 1.1), por un lado la teora, modelos, hiptesis,
conjeturas, supuestos y por el otro la realidad, hechos, fenmenos, evidencia, datos.
As, como se comenta en Box y otros [3], una hiptesis inicial lleva a un proceso de
deduccin en el que las consecuencias derivadas de la hiptesis pueden ser
comparadas con los datos. Cuando las consecuencias y los datos no corresponden,
entonces la discrepancia puede llevar a un proceso de induccin,

en el cual se

modifica la hiptesis original. De esta manera se inicia un segundo ciclo de la

interaccin de teora y datos; en el cual las consecuencias de las hiptesis modificada
son comparadas con los datos (los que ya tenamos o nuevos) que nos pueden llevar
a nuevas modificaciones y ganancia de conocimiento.

Realidad, hechos, fenmenos, datos

deduccin induccin

deduccin induccin

Teora, modelos, hiptesis, supuestos

Figura 1.1 Proceso iterativo de la experimentacin

Este proceso de aprendizaje tambin puede visualizarse como un ciclo de

retroalimentacin (Figura 1.2), en la cual las discrepancias entre los datos y las
consecuencias de las hiptesis iniciales (H1), lleva a una hiptesis modificada (H2), y
de la verificacin de esta, adems de conocimiento, se llega a una nueva modificacin
que conduce a una nueva hiptesis (H3), y as sucesivamente.
Datos

Induccin
Hiptesis
H1

Deduccin

Hiptesis
Modificada H2

Consecuencias
de H1

La hiptesis H2 reemplaza a H1

Figura 1.2 Proceso iterativo de la experimentacin

El diseo estadstico de experimentos permite optimizar la informacin generada

acerca del proceso, en relacin a los objetivos planteados. En otras palabras, el diseo
de experimentos es la aplicacin del mtodo cientfico para generar conocimiento
acerca de un sistema o proceso. Esta herramienta se ha ido consolidando en la
industria actual como un conjunto de tcnicas estadsticas y de ingeniera, que permite
lograr la mxima eficacia de los procesos con el mnimo costo. El diseo de
experimentos es especialmente til para crear calidad desde la fase del diseo del
producto y del proceso; pero tambin permite lograr mejoras sustanciales en procesos
ya establecidos.
Normalmente es ms eficiente estimar el efecto de varias variables simultneamente.
Cada diseo experimental contiene entonces un grupo de experimentos. Algunas
veces se utilizan los mismos datos para confrontarlos con sucesivas hiptesis. Sin

embargo, cuando no se ve claramente qu modificacin ha de realizarse a una

hiptesis aparentemente satisfactoria, se precisarn datos adicionales. Estos se
generan con ms experimentos dispuestos en un nuevo diseo experimental.

1.2 1.2

Definiciones claves en DDE

1.2.1 Experimento
Un experimento es un cambio en las condiciones de operacin de un sistema o
proceso, que se hace con el objetivo de medir el efecto del cambio sobre una o varias
propiedades del producto. Dicho experimento permite aumentar el conocimiento
acerca del sistema. Por ejemplo, en un proceso qumico se pueden probar diferentes
temperaturas y presiones, y se mide el cambio observado en el rendimiento (yield,
ppm, defectivo) del proceso. Esta experimentacin genera conocimiento acerca del
proceso qumico, lo que le permite mejorar su desempeo.

1.2.2 Diseo de Experimentos

El diseo de experimentos consiste en planear un conjunto de pruebas experimentales
de tal manera que los datos generados puedan analizarse estadsticamente para
obtener conclusiones validas y objetivas acerca del sistema o proceso.

1.2.3 Tratamiento
Son el conjunto de circunstancias creadas para el experimento, en respuesta a la
hiptesis de investigacin y son el centro de la misma. Entre los ejemplos de
tratamiento se encuentran dietas de animales, produccin de variedades de cultivo,
temperaturas, etc. En el estudio comparativo se usan dos o ms tratamientos y se
comparan sus efectos en el sujeto de estudio

1.2.4 Unidad experimental

La unidad experimental es la entidad fsica o el sujeto expuesto al tratamiento
independientemente de otras unidades. La unidad experimental, una vez expuesta al
tratamiento, constituye una sola replica del tratamiento

1.2.5 Variables, factores y niveles

En todo proceso intervienen muchas variables como se muestra en la siguiente figura:

Factores
controlables
x1 x2 x3

Variables de
Entradas

PROCESO

Variables
de Salidas

z1 z2 z3
zq
Factores no
controlables

Figura 1.3 Modelo general de un proceso o sistema

A continuacin se hace una breve descripcin de los factores y variables que se

encuentran en DDE

1.2.5.1 Variable de respuesta o variable de salida.

Es la caracterstica o variable de inters. Por lo general determina algn aspecto de
calidad del producto. La conjetura tpica es que existe una manera de operar el
proceso en la cual la variable respuesta seria mejor que la actual. En las tcnicas de
diseo de experimentos van dirigidas a una sola variable respuesta.

1.2.5.2 Factores controlables.

Son variables de proceso o variables de entrada que se pueden fijar en un punto o en
un nivel de operacin especfico durante el experimento. Algunos factores que
generalmente se controlan son: temperatura, presin, tiempo de residencia, cantidad
de cierto reactivo, velocidad, etc. A los factores controlables tambin se les llama
variables de entrada, condiciones de proceso, variables de diseo, parmetros del
proceso, o simplemente factores.

1.2.5.3 Factores no controlables o de ruido.

Son variables que no se pueden controlar durante la operacin normal del proceso
como por ejemplo: humedad, temperatura ambiente, nimo del operador, calidad del

material que se recibe del proveedor, etc. Un factor no controlable puede convertirse
en controlable cuando se tenga el mecanismo o tecnologa para ello.

1.2.5.4 Niveles y tratamientos.

Los diferentes valores que se asignan a cada factor estudiado en un diseo
experimental se llaman niveles. Una combinacin de niveles de todos los factores de
inters se le llama tratamiento. Por ejemplo, si en un experimento se controla la
velocidad y la temperatura, cada uno en dos niveles, entonces cada combinacin de
niveles (velocidad, temperatura) es un tratamiento. En este caso habra cuatro
tratamientos en total.

1.2.5.5 Error aleatorio y error experimental.

Siempre que se realice un estudio, parte de la variabilidad observada en la variable
respuesta no se podr explicar en trminos de los factores estudiados. Es decir,
siempre habr un remanente de variabilidad que se debe a factores aleatorios propios
del proceso. Esta variabilidad constituye el error experimental, el cual se debe en otras
palabras a variabilidad no explicada.
Cuando se realiza un experimento es importante que la variabilidad obtenida en la
respuesta se deba principalmente a los factores de inters y en menor medida al error
aleatorio, y adems se debe garantizar que este error sea efectivamente aleatorio.

1.2.5.6 Grados de libertad

El termino grados de libertad de una cantidad se refiere al nmero de datos en los que
se basa dicha cantidad menos el nmero de restricciones involucradas en el clculo de
ella.

(y y )
n

As, por ejemplo, la expresin

i =1

tiene n-1 grados de libertad pues se puede

(y y ) = 0 . Es decir, la expresin (y y ) se obtiene a partir de

n

demostrar que

i =1

i =1

(y y ) = 0 . Por lo tanto
n

n datos pero con esos mismos n datos existe la restriccin

i =1

solo se pueden definir de manera arbitraria n-1 de los n residuos y y i ya que el

(y y ) = 0
n

ltimo residuo debe cumplir la restriccin

i =1

El concepto de grados de libertad se utiliza muchsimo en estadstica ya que permite

obtener estimados de los parmetros de una poblacin. Por ejemplo, un estimador de

(y y )
n

la varianza poblacional 2 es la varianza muestral s 2 =

i =1

n 1

. Observe que es la

suma de los cuadrados de las desviaciones de cada observacin con respecto a la

media, dividido entre el nmero de grados de libertad y no del nmero de datos.

1.3 Etapas en el diseo de experimentos

El objetivo de un diseo de experimentos es decidir como se van a obtener los datos
en una investigacin, para obtener la mxima informacin y entendimiento al mnimo
costo posible. Toda investigacin o estudio siempre se propone un objetivo especfico
en mente y con el diseo experimental lo que se busca es responder de manera
adecuada todas las inquietudes planteadas inicialmente en la realidad que se estudia.

El diseo de experimento no solo tiene que ver con la toma adecuada de datos si no
que envuelve toda una serie de etapas que si se realizan de manera adecuada y a
conciencia permiten responder las inquietudes planteadas en los objetivos de la
investigacin en curso.
Estas etapas se deben tener en cuanta siempre que se realice un nuevo estudio o
investigacin. Adems, esta secuencia de etapas le brinda al lector un excelente
panorama general de todo el curso al que se recomienda regresar al finalizar el
mismo.
Las principales etapas en la diseo experimental son:

Identificacin y enunciacin del problema

Eleccin de los factores, niveles y rangos.

Eleccin de la variable respuesta.

Eleccin del diseo experimental

Realizacin del experimento

Anlisis de datos.

Conclusiones y recomendaciones

Las cuatro primeras etapas tienen que ver con la planeacin del experimento y si se
realizan de manera adecuada y a conciencia las etapas finales resultan muy sencillas.

1.3.1 Identificacin y enunciacin del problema

Este punto podra parecer muy obvio, pero es comn que en la prctica no sea sencillo
darse cuenta de que existe un problema que requiere experimentacin, y tampoco es
fcil desarrollar una enunciacin clara, con la que todos estn de acuerdo, de este
problema. Es necesario desarrollar todas las ideas acerca de los objetivos del
experimento. Generalmente, es importante solicitar aportaciones de todas las reas
involucradas: ingeniera, aseguramiento de calidad, manufactura, mercadotecnia,
administracin, el cliente y el personal de operacin.

1.3.2 Eleccin de los factores, niveles y rangos.

En esta etapa se determina los factores que influyen sobre la variable respuesta y se
desean considerar en la investigacin. Estos factores se suelen clasificar de la
siguiente manera:

Factores potenciales de diseo. Son aquellos que el experimenta posiblemente

quiera hacer variar en el experimento. Estos se clasifican as:
o

Los factores de diseo son los que se seleccionan realmente para

estudiarlos en el experimento.

Los factores que se mantienen constantes son factores que pueden

tener cierto efecto sobre la respuesta pero que para fines del experimento
no son de inters, por lo que se mantienen fijos en un valor especfico.
Ejemplo: cuando existen varias formas de medir la misma variable
respuesta.

Los factores que pueden variar se espera que su efecto sea despreciable
y se confa que la aleatorizacin compense su efecto. Ejemplo: Variabilidad
en las unidades experimentales o falta de homogeneidad en las mismas.

Factores perturbadores. Estos pueden tener efecto considerable sobre la

variable respuesta y deben tomarse en consideracin durante el experimento, a
pesar de que no halla inters en ellos en el contexto del experimento en curso. Se
clasifican en:
o

Factores controlables es aquellos cuyos niveles pueden ser ajustados por

el experimentador. Se pueden formar bloques para trabajar con ellos.
Ejemplo: diferentes lotes de materia prima o diferentes das de la semana.

Factores no controlables o de ruido si se pueden medir se puede

compensar su efecto con Anlisis de Covarianza. Ejemplo: Condiciones
ambientales.

Una vez que el experimentador ha seleccionado los factores debe especificar los
rangos de estos factores as como los niveles especficos con los que se realizaran las
corridas. Para esto se requiere un conocimiento del proceso el cual suele ser una
combinacin de experiencia prctica y conocimiento terico.
En las etapas iniciales de la investigacin cuando se tiene muchos factores y se desea
realizar un cribado de estos, se debe reducir el nmero de niveles. Dos niveles
funciona bastante bien en estos casos. En estos estudios de tamizado de factores, la
regin de inters deber ser relativamente grande. Conforme se conozca ms acerca
de la forma como influyen los factores de importancia en el proceso, la regin de
inters se har ms estrecha.

1.3.3 Eleccin de la variable respuesta.

Para seleccionar la variable respuesta el experimentador debe tener certeza de que
esta variable proporciona en realidad informacin til acerca del proceso bajo estudio.
Usualmente la variable de inters es el promedio aunque algunas veces se utiliza la
desviacin estndar u otra medida de variabilidad. S la eficiencia de los instrumentos
de medicin (o error de medicin) es deficiente, el experimentador solo detectara los
efectos relativamente grandes de los factores o quizs sean necesarias replicas
adicionales. En algunos casos, cuando la eficiencia de la medicin es pobre, el
experimentador puede tomar como variable respuesta el promedio de varias
mediciones como variable respuesta.

1.3.4 Eleccin del diseo experimental

Las etapas descritas anteriormente hacen referencia a la planeacin previa del
experimento, si estas etapas se realizan conscientemente y como es debido, este
paso es relativamente sencillo. La eleccin del diseo experimental involucra:

El numero de factores,

Nmero de niveles de cada factor

El nmero de rplicas

El orden en el que se van a realizar las corridas

Uso de bloques o no en la aleatorizacin

En esta etapa existe muchos software estadsticos que puede ser de gran ayuda. El
experimentador ingresa al programa la informacin del nmero de factores, los niveles
y los rangos, y estos programas presentan a consideracin del experimentador una
serie de diseos experimentales o recomendara uno en particular. Algunos programas

suministran tambin una hoja de trabajo con el orden en el que se deben realizar los
experimentos.

1.3.5 Realizacin del experimento

Durante esta etapa es importante monitorear el proceso y la toma de datos para
garantizar que todo se realiza de acuerdo a lo planeado. En algunos casos se
recomienda realizar algunas corridas de prueba que suministran informacin acerca de
la consistencia del material experimental, el sistema de medicin y da una idea
aproximada del error experimental. Estas corridas adems nos permiten revisar las
decisiones tomadas en los pasos anteriores.

1.3.6 Anlisis de datos.

En esta etapa es de vital importancia la estadstica ya que nos permite llegar a
conclusiones objetivas y no de carcter apreciativo. Si el experimento se ha diseado
correctamente y se ha llevado a cabo de acuerdo a lo planeado, los mtodos
estadsticos a utilizar no deben ser complicados. En esta etapa los paquetes de
software especializados en estadstica tambin suelen ser de gran ayuda. Estos
programas incluyen mtodos grficos y numricos que ayudan en el anlisis y la
interpretacin de los resultados. En algunos casos es importante presentar los
resultados de varios experimentos en trminos de un modelo emprico para lo cual
tambin resulta importante el uso de software especializado.

1.3.7 Conclusiones y recomendaciones.

Despus de analizados los resultados el experimentador debe sacar sus conclusiones
y determinar la ruta a seguir en la investigacin. Los mtodos grficos suelen ser tiles
en esta etapa para presentar los resultados.
A lo largo de todo el proceso se debe tener en cuenta que la experimentacin es una
parte esencial del proceso de aprendizaje en la que se realiza hiptesis acerca de un
sistema, se realizan experimentos para estudiar estas hiptesis, y se realizan nuevas
hiptesis con base en los resultados obtenidos. Esto nos indica que la investigacin es
un proceso iterativo y es un error pensar que se puede disear un nico experimento
que permita entender completamente un sistema o proceso.

1.4 Estadstica bsica

La estadstica es una ciencia encargada de la recopilacin, presentacin y anlisis de
datos para la toma de decisiones y resolver problemas.

1.4.1 Ramas de la estadstica

La estadstica se divide en dos grandes ramas: la estadstica descriptiva y la
estadstica inferencial o inferencia estadstica. La primera incluye tcnicas grficas y
numricas que permiten visualizar cosas (tendencia central y variabilidad) que no se
pueden apreciar en los datos originales. La inferencia estadstica tiene que ver con el
hecho de tomar una pequea muestra de una gran poblacin y a partir de los
resultados de la muestra obtener algunas conclusiones acerca de la poblacin de la
cual proviene. Es decir, inferir los resultados de la muestra hacia la poblacin de la
cual proviene. En el siguiente cuadro se resumen las ramas de la estadstica.

Ramas de la
Estadstica

Estadstica
Descriptiva

Tcnicas
Grficas

Diagramas de
puntos, de cajas,
histogramas, etc

Inferencia
estadstica

Tcnicas
Numricas

Medidas de tendencia
central como la media o
la mediana

Estimacin de
parmetros

Medidas de variabilidad
como la varianza o la
desviacin tpica

Estimacin puntual

Test de Hiptesis

Estimacin por
intervalos de
confianza

Diagram a de Fre cue ncias

35

Fre
c
u
e
n
c
ia

30

Datos Originales

25
20

81.7

87.2

82.4

84.8

86.1

81.6

86.7

80.1

86.6

84.4

85.6

80.6

83.5

86.7

83.6

82.6

86.2

80.5

82.2

83.5

82.2

86.6

84.7

84.3

83.0

81.8

85.4

85.4

91.7

88.6

78.1

88.9

80.0

10

88.2

82.9

81.8

85.9

84.7

82.1

81.6

82.0

88.8

80.9

86.6

84.9

84.7

89.3

88.2

82.8

81.4

83.9

85.0

81.9

85.1

83.3

81.8

82.9

79.3

83.5

81.9

85.0

85.6

85.2

83.3

87.1

83.1

84.9

81.5

82.7

87.2

83.6

85.8

84.8

85.3

80.0

84.0

82.3

83.4

88.0

83.7

86.8

84.2

78.4

84.3

87.2

76.5

86.7

81.9

87.7

79.6

87.3

84.0

83.5

86.9

82.3

83.3

82.7

80.2

11

89.4

81.8

87.8

83.0

84.2

86.5

85.0

89.7

86.6

85.1

85.6

12

79.0

79.6

83.6

90.5

82.8

85.0

86.2

84.8

79.5

83.3

86.6

13

81.4

85.8

79.5

80.7

83.0

80.4

83.0

83.1

84.1

90.4

80.0

14

84.8

77.9

83.3

83.1

82.0

85.7

85.4

80.6

82.2

81.0

86.6

15

85.9

89.7

88.4

86.5

84.7

86.7

84.4

87.4

90.8

80.3

83.3

16

88.0

85.4

86.6

90.0

84.4

86.7

84.5

86.8

86.5

79.8

83.1

17

80.3

86.3

84.6

77.5

88.9

82.3

86.2

83.5

79.7

89.0

82.3

18

82.6

80.7

79.7

84.7

82.4

86.4

85.6

86.2

81.0

83.7

86.7

19

83.5

83.8

86.0

84.6

83.0

82.5

83.2

84.1

87.2

80.9

80.2

20

80.2

90.5

84.2

87.2

85.0

82.0

85.7

82.3

81.6

87.3

80.2

56.0

62.0

68.0

74.0

Produccin

80.0

86.0

Poblacin Conceptual
con todos los posibles
resultados del experimento

Muestra de
tamao n
de la poblacin

Calculo de
estadsticos

85.2

Inferencia

9
10

15

Estadsticos de la muestra
Parmetros de la poblacin
como la media,
y la varianza, 2

Estimacin de Parmetros y
test de hiptesis sobre los
parmetros de la poblacin

como la media,

y la varianza,

y=

s2 =

(y

n 1

Figura 1.4 Ramas de la estadstica

1.4.2 Poblacin y muestra

La poblacin es se puede entender como el conjunto de todos los posibles resultados
de un experimento mientras que la muestra es un subconjunto de estos resultados. La
poblacin muchas veces puede ser terica ya que no es posible y en otros puede ser
real. Sin embargo, usualmente el tamao es muy grande y resulta impractico e inviable
estudiarla completamente. Por esta razn se acude a la inferencia estadstica para
poder sacar conclusiones de la poblacin a partir de los resultados de una pequea
muestra de dicha poblacin.

En la figura siguiente se ilustra el concepto de poblacin y muestra dentro de la

estadstica.

Poblacin Conceptual
con todos los posibles
resultados del experimento

Muestra de
tamao n
de la poblacin

Calculo de
estadsticos

Inferencia

Estadsticos de la muestra
Parmetros de la poblacin
como la media,
y la varianza, 2

Estimacin de Parmetros y
test de hiptesis sobre los
parmetros de la poblacin

como la media,

y la varianza,

y=

s2 =

n
yi y

n 1

Figura 1.5 oblacin y muestra dentro de la estadstica inferencial

En el contexto general de la estadstica se utilizan los calificativos de parmetro y

estadstico para hacer referencia a cualquier nmero asociado a la poblacin y a la
muestra respectivamente. Tambin es usual referirse a los parmetros con letras
griegas y a los estadsticos con letras latinas minsculas. En la Tabla 1.1se resumen
estos conceptos y se muestran las principales medidas de tendencia central y
variabilidad para poblaciones y muestras.

Definicin

Poblacin

Muestra

Conjunto de todas las observaciones

Conjunto de n observaciones

que conceptualmente podran ocurrir

obtenidas realmente y que

como consecuencia de realizar una

constituyen un subconjunto de

operacin bajo ciertas condiciones.

observaciones de la poblacin.

Tendencia central
Media poblacional
Variabilidad

Varianza
poblacional

Desviacin
Tpica
poblacional

yi

(y
=

(y

y=

Media muestral:

Varianza
muestral

Desviacin
Tpica
muestral

(y
=

n
i

n 1

yi y
s=
n 1

Tabla 1.1 Medidas Descriptivas de la poblacin y de la muestra

Como se aprecia en la Figura 1.5, el objetivo fundamental de la estadstica inferencial

es estimar los parmetros de la poblacin o probar hiptesis a partir de los estadsticos
de una muestra.

1.4.3 Medidas de tendencia central y variabilidad

La medidas de tendencia central ms importantes y de mayor uso en Diseo de
Experimentos son la media (o promedio aritmtico) y al mediana. Estas medidas
indican el valor central en torna al cual se agrupan los dems datos de la muestra.
De estas, la de mayor importancia es la media, la cual se calcula matemticamente a
partir de la formula:

y=

(1-1)

Donde la sumatoria se hace recorriendo todos los datos de la muestra.

La mediana es el dato central. El dato que divide los dems datos de la muestra en
dos partes iguales: la mitad e ellos estn por debajo de la mediana y la otra mitad por

encima. Cuando este dato no existe entonces se toma el promedio de los dos datos
que ms se acercan a la definicin.
Casi todas las tcnicas estadsticas utilizadas en Diseo de Experimentos (DDE) van
dirigidas hacia la media y muy pocas hacia la mediana.
Al igual que la mediana, tambin existen los cuarteles (tres en total). El primer cuartil
divide los datos en dos partes dejando la cuarta parte de ellos por debajo del primer
cuartil y el resto de los datos por encima. El segundo cuartil es numricamente igual a
la mediada y el tercer curtil deja la cuata parte de los datos por encima y el resto por
debajo.
Grficamente se pueda apreciar en la siguiente figura:

Dato menor

Dato mayor
Datos ordenados de menor a mayor

datos

datos

datos

Segundo
Cuartil Q2
Mediana

Primer
Cuartil Q1

datos
Tercer
Cuartil Q3

Rango intercurtilico
Figura 1.6 Cuartiles

Las medidas de variabilidad dan una idea de la dispersin de los datos en torno a un
valor central como la media. La medidas de variabilidad ms utilizadas en DDE son la
varianza y la desviacin estndar.
La varianza muestral se calcula como s 2

(y
=

raz cuadrada de la varianza. Es decir, s =

y la desviacin tpica como la

n 1

(y

n 1

Otra medida de variabilidad que se utiliza para construir el diagrama de cajas que se
ver ms adelante es el Rango Intercuartilico (RIC) que se define como la diferencia
entre el tercero y cuarto cuartil (ver Figura 1.6).

1.4.4 Diagrama de puntos, de cajas, distribucin de frecuencia e histograma

Existen algunas tcnicas graficas dentro de la estadstica descriptiva de uso comn en
Diseo de Experimentos que vale la pena describir con cierto detalle. Estas incluyen:
el diagrama de puntos, el diagrama de cajas, la distribucin de frecuencias y el
histograma.

Diagrama de puntos. Es una representacin que se utiliza con muestras pequeas de

datos (menor que 20) en la cual se pueden apreciar de una manera rpida, medidas
de localizacin o de tendencia central y medidas de variabilidad. En la siguiente figura
se muestra un ejemplo de este tipo de grficas.
0 1.

64

65

66

67

68

69

70

Figura 1.7 Ejemplo de un diagrama de puntos para una muestra de 10 datos

Diagrama de Cajas. Es un diagrama que describe simultneamente varias

caractersticas importantes de la muestra tales como el centro, dispersin, la
desviacin, la simetra y la identificacin de observaciones que se alejan de manera
poco usual del resto de los datos(valores atpicos)

El diagrama de caja presenta los tres cuartiles, y los valores mximo y mnimo de los
datos sobre el rectngulo, alineado horizontal o verticalmente. El rectngulo delimita el
rango intercuartlico con la arista izquierda (o inferior) ubicada en el primer cuartel, Q1,
y la arista derecha (o superior) en el cuartel Q3. Se dibuja una lnea a travs del
rectngulo en la posicin que corresponde al segundo cuartil (que es igual a la
mediana) Q2= mediana. De cualquiera de la aristas del rectngulo se extiende una
lnea, o bogote, que va hacia los valores extremos. stas son observaciones que se
encuentra entre cero y 1.5 veces el rango intercurtlico a partir de las aristas del
rectngulo. Las observaciones que estn entre 1.5 y 3 veces el rango intercuartlico a
partir de las aristas del rectngulo reciben el nombre de valores atpicos. Las
observaciones que estn ms all de tres veces el rango intercuartlico a partir de las
aristas del rectngulo se conocen como valore atpicos extremos. En ocasiones se

emplean diferentes smbolos (como crculos vacos o llenos), para identificar los dos
tipos de valores atpicos. A veces, los diagramas de caja reciben el nombre de
diagramas de caja y bigotes.

Figura 1.8 Ejemplo de un diagrama de cajas

Distribucin de Frecuencia e Histograma.

La distribucin de frecuencias permite resumir los datos en una tabla como la que se
muestra a continuacin:

Distribucin de Frecuencias
Marca

Intervalo

Clase

Frecuencia

Frecuencia
relativa

xmin = x0

x1

(x0+x1)/2

f0

F0 = f0/fi

x1

x2

(x1+x2)/2

f1

F1 = f1/fi

x2

x3

(x2+x3)/2

f2

F2 = f2/fi

xn-2

xn-1

(xn-2+xn-1)/2

fn-2

Fn-2 = fn-2/fi

xn-1

xmax = xn

(xn-1+xn)/2

fn-1

Fn-1 = fn-1/fi

fi

Fi = 1

Tabla 1.2 Distribucin de frecuencias de un conjunto de datos

En esta tabla se muestra la forma como se distribuyen los datos en una serie de
intervalos (llamados intervalos de clase) en los que se ha dividido el rango de datos.
La columna etiquetada marca de clase es el dato por el que se reemplazan todos los
datos que caen en este intervalo y se obtiene como el promedio entre los lmites
superior e inferior del intervalo de clase correspondiente. La columna etiquetada como
frecuencia indica el nmero de datos y la frecuencia relativa es el porcentaje de
datos que se encuentran en el intervalo de clases correspondiente.

Se debe tener presente que al pasar de los datos originales a la tabla de distribucin
de frecuencias se pierde calidad en la informacin ya que todos los datos en cada
intervalo de clase se reemplazan por su respectiva marca de clase.

El nmero de clases que se deben tomar en una tabla de distribucin de frecuencia es

decisin del lector. Sin embargo, se recomienda utilizar un nmero de clases igual a la
raz del nmero de datos, haciendo notar, que esto no es camisa de fuerza en las
tablas de distribucin de frecuencia.

Un histograma no es ms que una representacin grfica de una tabla de distribucin

de frecuencia, en la que se coloca en el eje horizontal una barra vertical para cada
marca de clase, la cual se extiende de verticalmente una distancia igual a la frecuencia
relativa correspondiente.
Usualmente, este diagrama se construye, de tal suerte, que cada barra tiene una base
unitaria para garantizar que el rea total de todas las barra sea igual a uno.
En la figura siguiente se muestra un histograma tpico:

Histograma

1.5

2.5

3.5

4.5

5.5

6.5

7.5

8.5

9.5

10.5

11.5

Figura 1.9 Histograma como una representacin grfica de una distribucin de frecuencias

En la Figura 1.10 se muestra el procedimiento para crear un histograma a partir de los

datos originales (de la poblacin o de la muestra). Tambin se aprecia el hecho que no

es posible reconstruir la poblacin original a partir de la distribucin de frecuencias o

de su histograma.

Distribucin de Frecuencias
Marca
Clase

Frecuencia

Frecuencia
relativa

xmin = x0

x1

(x0+x1)/2

f0

F0 = f0/fi

x1

x2

(x1+x2)/2

f1

F1 = f1/fi

x2

x3

(x2+x3)/2

f2

F2 = f2/fi

x3

x4

(x3+x4)/2

f3

F3 = f3/fi

x4

x5

(x4+x5)/2

f4

F4 = f4/fi

Intervalo

Poblacin Conceptual
con todos los posibles
resultados del experimento

Distribucin
de
Frecuencias

xn-3

xn-2

(xn-3+xn-2)/2

fn-3

Fn-3 = fn-3/fi

xn-2

xn-1

(xn-2+xn-1)/2

fn-2

Fn-2 = fn-2/fi

xn-1

xmax = xn

(xn-1+x n)/2

fn-1

Fn-1 = fn-1/fi

fi

Fi = 1

Histograma

Histograma

Poblacin reconstruida
a partir del histograma o
de la distribucin de
frecuencia

Reconstruccin
de
la poblacin

1.5

2.5

3.5

4.5

5.5

6.5

7.5

8.5

9.5

10.5

11.5

Figura 1.10 Procedimiento para construir un histograma

El histograma representa de manera aproximada la poblacin de datos a partir de la

cual se obtuvo y esta aproximacin ser mejor en la medida que se reduzca la
amplitud del intervalo de clase. Si la poblacin es muy grande entonces, en teora, se
puede hacer tender el intervalo de clases a cero y el histograma tiende a ser una
funcin continua que representa completamente y fielmente la poblacin original (ver
Figura 1.11). Esta funcin recibe el nombre de funcin de densidad de probabilidad de
la poblacin.
En la Figura 1.11 tambin se ilustra la equivalencia existente entre el histograma y la
poblacin de la cual se obtiene, en dos situaciones: cuando se toman intervalos de
clase de longitud finita (figura superior) y cuando se hace tender a cero la longitud de
dichos intervalos (figura inferior).

3. 23
5 .
25 23 5
.9 . 5

Poblacin real
o
terica

p(y)--->

23 2
.5 3.
5
2
23 5.9
2 .5 2
3
3
.5
.5
23
.2

23
.

.9
22

.9
22

Histo grama d e lo s d ato s d e u n a po b laci n re al o

te o rica

2 .8 .223
.1 23.5.1
303
.5
.53
20 .8 30
2
25.1 25 3.225.7
.6
24.8
23.9
26.0
28.0
24.0
25.0
25.2
22.1
2
.9
.4 2 9
.219.0 23
23.5
5
.5
2
2
278.223.5
2213.
0.81.8 229.6 222.9
2
32
28 2 .2 9.58
3.5
2.82.4.48.4 23.
.4
7
8
3 2
2
4 .4.5
3.5
27.2
21.8
1 2 .7
23 23
23
.30
28 2 27
8.23
.2
23
.5 23.5
128.425 .5.1
.5 5.2
2

0
y--->

3. 23
5 .
2 5 23 5
.9 .5

Poblacin real
o
terica

p(y)--->

23 2
.5 3.
5
2
23 5.9
2 .5 2
3
3
.5
.5
23
.2

23
.

Te n d e ncia d e l Histo g rama de los d ato s d e u n a

po b laci n re al o te o rica cuand o e l n me ro d e
in te rv alos d e clase tie n d e a infin ito

.9
22

.9
22

2 .8 .223
.1 23.5.1
303
.
.
20 .8 30
25.1 25 3.2 253 29.65
4
2 25.7
3.5
.9
.219.0 23
24.8
23.9
26.0
28.0
24.0
25.0
25.2
22.1
5.28
8. 232
.5 .6
2
1
2
2213.58
.9
.2
.5
.8
0
22 27
22 9
32
3.5
2.82.4.48.4 23.2 28.4 28 273.229.
.5
.2
.
.
4
3
27 21 8.23
4.5
1.52.17
23 23
.30
28 2 22
.2
8 22
53
.5 23.7
1.28
.4
53.5 5.2
2

y--->

Figura 1.11 Histograma de una poblacin real o terica. a) Tomando un nmero de intervalos de clase finito y b)
Haciendo tender a infinito el nmero de intervalos de clase.

De esta manera se aprecia como obtener, al menos conceptualmente, la funcin de

densidad de probabilidad de una poblacin (real o hipottica) haciendo tender a infinito
el nmero de intervalos de clase o, lo que es lo mismo, haciendo tender a cero la
longitud de cada uno de los intervalos de clase (el procedimiento es equivalente).

En sntesis podemos decir que: cualquier poblacin se puede representar

unvocamente por su funcin de densidad de probabilidad.

1.4.4 Variables aleatorias: Discreta y Contina

Un experimento aleatorio es aquel que siempre nos lleva a resultados diferentes
aunque se realice, aproximadamente, bajo las mismas condiciones. Entre tanto, una
variable aleatoria es una funcin que asocia un nmero a cada uno de los resultados
de un experimento aleatorio. Por lo tanto, una variable aleatoria tambin toma
resultados diferentes cada vez que se realiza el experimento. Si estos resultados son
finitos o infinitos pero numerables, entonces la variable aleatoria se conoce como
discreta. Si los resultados de la variable aleatoria son infinitos pero no numerables,
como por ejemplo los nmeros reales que caen en un intervalo, entonces la variable
aleatoria se conoce como continua.

En la Tabla 1.3 se aprecian las diferencias conceptuales entre una variable aleatoria
discreta y otra continua; la forma como se obtienen dos de las caractersticas ms
importantes de una variables aleatoria: el valor esperado, E(y) y la varianza, V(y).

Continua

Discreta
F(y)

p(y)

P( y = y j ) = P( y j )

P( a y b) = f ( y ) dy

Probabilidad
directa

Probabilidad como el
rea bajo la curva
y1 y2 y3 y4 y5 y6 y7 y8 y9

y10 y11 y12 y13 y14

0 P( y j ) 1

Funcin de
de Probabilidad

f ( y) 0

Funcin de densidad
de Probabilidad

P( y ) = 1

f ( y) = 1

todos y j

= E ( y) =

y. p( y j )

= E ( y) =

todos y j

2 = V ( y ) = E [( y ) 2 ]
= ( y ) 2 . p( y j )

yf ( y)dy

2 = V ( y ) = E [( y ) 2 ]

todos y j

( y )

f ( y ) dy

Tabla 1.3 Diferencias entre las variables aleatorias discretas y continas

A continuacin se enumeran algunas propiedades matemticas del operador

esperanza matemtica, E(y) y la varianza V(y) de una variable aleatoria (discreta o
contina):

1.

E(c) = c

2.

E(y) =

3.

E(cy) = cE(Y) = c

4.

V(c) = 0

5.

V(y) = 2

6.

V(cy) = c2 V(y) = c2 2

7.

E(y1y2) = E(y1)E(y1)

8.

V(y1y2) = V(y1)+V(y1)2cov(y1,y2)

Si y1 y y2 son independientes:

9.

E(y1.y2) = E(y1).E(y1)

10.

V(y1y2) = V(y1)+V(y2) = 12+ 22

Se destaca que mientras una variable aleatoria esta caracterizada por completo por su
funcin de probabilidad P(yi), la cual da directamente la probabilidad del evento
especfico y=yi, la variable continua esta caracterizada es por su funcin de densidad
de probabilidad, f(y), con la que se obtiene la probabilidad de que la variable aleatoria
caiga en un intervalo dado integrando la funcin en dicho intervalo. Tambin se ilustra
la forma de obtener el valor esperado y la varianza de una variable aleatoria.

En DDE son de mayor utilidad las variables aleatorias continuas. Dentro de stas, se
destacan: la normal, la t, la Ji-Cuadrado y la F. El uso y propiedades de estas variables
aleatorias se describen ms adelante en este captulo. Sin embargo se adelanta que,
de todas ellas, la de mayor utilidad en DDE es la F.

1.4.5 Distribucin de muestreo.

Este trmino hace referencia a la funcin de probabilidad que tiene un estadstico. Por
ejemplo, la media o promedio de una muestra es un estadstico y su distribucin de
muestreo se llama distribucin de muestreo de media.

La distribucin de muestreo de un estadstico depende de la distribucin de la

poblacin de la que se obtuvo la muestra, del tamao de la muestra y de la forma
como se toma la muestra.
A continuacin se brinda una descripcin detallada de las distribuciones de muestreo
ms importante en DDE

1.4.5.1 Distribucin Normal y normal estndar

Es sin duda la distribucin de muestreo ms importante. La variable aleatoria, x es
normal o tiene una distribucin normal si su funcin de densidad de probabilidad es:

f ( x) =

e
2

( x )2
2 2

(1-2)

Recuerde que la integral bajo la curva en un intervalo dato de esta funcin, da la

probabilidad de que la variable aleatoria tome un valor en este intervalo.

Con frecuencia se usa la notacin x ~ N ( , 2 )

para denotar que la variable

aleatoria, x sigue una distribucin normal con media y varianza 2.

En la Figura 1.12 se muestra lo que ocurre al aumentar la media, y la varianza sobre

la distribucin normal estndar. Se observa que al aumentar el parmetro se traslada
la funcin hacia la derecha mientras que un aumento de 2 ocasiona un aplanamiento
de la curva.

A. Efecto de la media

<

<

<

1
B. Efecto de la varianza
2

1
f ( x)
2

( x )2

2 2

1
4

Figura 1.12 Efecto de la media y la varianza sobre la distribucin normal.

La importancia de la distribucin normal se debe fundamentalmente a tres aspectos:

Permite modelar de manera directa muchos experimentos aleatorios

Aproxima otras funciones de densidad probabilidad

El teorema del limite central que se ver en la siguiente sesin

Un caso de particular inters es el de la distribucin normal estndar que se obtiene

cuando = 0 y 2 = 1. Esta distribucin es la que se encuentra tabulada en todos los
textos de estadstica y de la cual se suministra una copia al final del presente
documento (Tabla I)

En la Figura 1.13 se muestra la relacin entre la distribucin normal general y la

normal estndar. En esta figura tambin se muestran algunas probabilidades claves
asociadas a la distribucin normal.

z=

x ~ N ( , 2 )
f ( x)

1
2

z ~ N (0,1)

( x )

2 2

1
f ( z)
2

z2
2

Figura 1.13 Relacin entre la distribucin normal estndar y la normal

1.4.6 Teorema del lmite central

Formalmente este teorema establece lo siguiente:
Si y1, y2, , yn es una sucesin de n variables aleatorias independientes que tienen
una distribucin idntica con E (yi) = y V(yi) = 2 y x = y1 + y2+ + yn, entonces

zn =

x n
n

(1-3)

Tiende a poseer una distribucin normal estndar cuando n tiende a infinito.

En esencia, este teorema establece que la suma de n variables aleatorias

independientes con la misma distribucin sigue una distribucin aproximadamente
normal.
En la Figura 1.14 se ilustra la utilidad conceptual y prctica del teorema del lmite
central. En esta figura se aprecia que, independientemente de la forma como se
distribuyan los datos de una poblacin, su respectiva poblacin de medias tiende a ser
normal.

Te nd e ncia de l Histo grama de lo s datos de un a

pob lacin re al o te orica cuan do e l n me ro de
inte rv alo s de clase tie nde a infinito

23 2
.5 3 .
25 23 5
.9 .5

Poblacin real
o
terica

p(y)--->

23 2
.5 3 .
5
25
2
.
23 3.5 239
.5
.5
23
.2

.9
22

.9
22

23
.2

2 . 8 .223
.1 23.5
.1
303
.
.53
24.8
23.9
26.0
28.0
24.0
25.0
25.2
22.1
20 .8 30
2
25
25 3.225.7
65
4 29. .5
19.0 2 .1
2
.9
.
2
5.281
8. 2323
3.5 .6
2
2
2213.58
.2
.9
.
.5
7
8
0
9
22
2
2
2
323.5 .4 8
2.82 .4 .4 23.2 28.4 28 273.229.
.5
.2
.
4
.
7
3
2
7
2
3
21.88.23
1
2 228 2 27
24.5
.30
3
.2
3.5 23 23
128.425 .5.1
.5 .5 5.2
2

y=

y--->

Funcin de densidad de probabilidad de la

poblacin de Medias

n
23 2
.5 3.
25 23 5
. 9 .5

23
.

.9
22

.9
22

23 2
.5 3.
5
2
23 5.9
23 .5 23
.5
.5
23
.2

2
.8
12
03
.123.5
.3
. .2 3.5
20 .830
25.1 25.7
25 3.2 2534 29. 6.5
24.8
23.9
26.0
28.0
24.0
25.0
25.2
22.1
2
.9
.
.219.0 23
23
8
5
.5
2
2
8
2
. 1.8 2 29.6 222.9
2213.58
03
227.2 32.5
32
.5
9.
2.82.4.48.4.5 23. .2
8. 273. .2
.4
8
2
2
4
7
. 34.5
1.52.17
23 228 23 22
.30
.2 2 211.288 22
73
53
3.5 23.5
.
2
.4
.5 5 28
2

Poblacin de
medias

f ( x ) f x ( x; , ) =

1
2

( x )2
2 2

Figura 1.14 Teorema del lmite central

Normalmente, el error experimental total o global (ver sesin 1.2.5.5 ms atrs) de un

experimento, se obtiene como un conglomerado de muchos errores componentes
cuya contribucin es pequea e independiente. Es decir,

= a11 + a2 2 + L + an n

(1-4)

El Teorema del Lmite Central establece que, bajo ciertas circunstancias, que
normalmente se dan en el mundo de la experimentacin, esta suma tiende a la normal
si ningn error predomina sobre los dems.

1.4.6.1 Distribucin 2
Es decir, si z1, z2, , zk son k variables aleatorias que tienen una distribucin normal e
independiente con media cero y varianza 1, que se simboliza como NID(0,1), entonces
la variable aleatoria:

xk = z12 + z 22 + L + z k2

(1-5)

Sigue una distribucin 2 o Ji-cuadrado con k grados de libertad y funcin de densidad

de probabilidad dada por:

f ( x) =

x
k

2 k / 2
2
2
= k = 2k

k / 2 1

x / 2

(1-6)

En la siguiente figura se muestra varias distribuciones Ji cuadrado para distintos

valores de k. En esta figura se aprecia que la distribucin es asimtrica o sesgada.

K=2

K=5
K=15
K=20

Figura 1.15 Distribuciones Ji cuadrado para diferentes grados de libertad

Una de los usos inmediatos de la distribucin 2 es el hecho que si las observaciones

de la muestra son NID(,2), entonces la distribucin de la varianza muestral

(y
=

n 1

constante

sigue una distribucin

2
n 1

2 . Es decir una 2 multiplicada por la

2
n 1

Los datos de probabilidad para esta distribucin de muestreo se encuentran en el la

Tabla III

1.4.6.2 Distribucin t
Si z es una variable aleatoria normal estndar y 2k es una ji-cuadrado con k grados de
libertad, entonces la variable aleatoria:

tk =

z
(1-7)

k2 / k

sigue una distribucin t (o t de Student) con k grados de libertad.

En la Figura 1.16 se muestra varias distribuciones t para diferentes grados de libertad.
En esta grfica se aprecian las similitudes entre la normal estndar y la t de Student.
Adems, se destaca el hecho que la t tiende a la normal cuando el nmero de grados
de liberta aumenta.

v= -> N(0,1)
v=5

v=2
v=1

Figura 1.16 Varias distribuciones t

En la Figura 1.17 se muestra la forma como se obtiene, conceptualmente, una

distribucin t a partir de una poblacin madre normal. En sntesis, se toma una
muestra aleatoria de tamao n de la poblacin original a partir de la cual se genera la
poblacin muestral de medias y de varianzas. Finalmente se obtiene el estadstico t a
partir de estas dos distribuciones de muestreo y se obtiene la distribucin t.

y =

2 7.0

22.0

s2

Distribucin
Muestral de medias

(y
=

.2
24

yi

i =1

N(, 2/n)

n 1

t=

y
s/ n
Distribucin
Muestral es t

24
.2
25
.1

.7
27.7 27
25.1
24.0
24.2

Poblacin Madre
Normal N(,2)
Distribucin
Muestral de s2 2k

Figura 1.17 Origen conceptual de la distribucin t.

Los datos de probabilidad para esta distribucin de muestreo se encuentran en el la

Tabla II

1.4.6.3 Distribucin F
Esta distribucin de muestreo es, quizs, la ms utilizada en diseo de experimentos,
como se ira viendo el la medida que avance en el curso.
Si u2 y v2 son dos variables aleatorias Ji-cuadrado con grados de libertad u y v
respectivamente, entonces la variable aleatoria:

Fu ,v =

u2 / u
v2 / v

(1-8)

Tiene una distribucin F con u grados de libertad en el numerador y v grados de

libertad en el denominador.

La figura siguiente muestra el comportamiento de la distribucin F para distintos

valores de los parmetros u y v.

U=40, v=40

U=10, v=50
U=4, v=10

U=50, v=10
U=10, v=10
U=4, v=40

Figura 1.18 Varias distribuciones F

En la siguiente figura se ilustra la forma como se obtiene en la prctica (desde el punto

de vista conceptual) la distribucin F.

( y y )
=

s1

n1 1

25.1

.2

.0
22.0 27
0
24.2 24.
25.1
24.2

24

27.7

2 7. 7

S 12=1.03

Poblacin Madre 1
N(1,2)

Fn1 1, n2 1

s12
= 2
s2
F =0.92

( y y )
=

2
2

s
2 7.7

n2 1

Distribucin
Muestral de F

.2

25.1

24

27.7
.0
22.0 27
0
24.2 24.
5.1
2
24.2

S 22=1.12

Poblacin Madre 2
N(2,2)

Figura 1.19 Origen conceptual de la distribucin F

Los datos especficos de la distribucin F se encuentran desde la Tabla IV a Tabla VIIIl

al final del libro

1.5 Inferencia estadstica

1.5.1 Prueba de hiptesis
En esencia, el contraste de hiptesis se puede resumir como sigue:

A partir de los datos de la muestra calculamos un estadstico para contrastar una

hiptesis particular con una hiptesis alterna. Por ejemplo:

Relacionamos el estadstico con la distribucin de referencia apropiada, que nos

dice como se distribuye el estadstico si la hiptesis nula fuera cierta.

Se obtiene la probabilidad de que una discrepancia, como la observada, pueda

ocurrir al azar si la hiptesis nula fuera cierta.

Esta probabilidad se denomina nivel de significancia; si es suficientemente

pequeo, la hiptesis nula se rechaza y afirmamos que hemos obtenido una
diferencia estadsticamente significativa.

1.5.2 Intervalos de confianza

Un intervalo de confianza de por ciento para un parmetro , es un intervalo de la
forma

l < < u

(1-9)

En el que se espera que este incluido el parmetro con una probabilidad del por
ciento. Es decir:

P (l < < u ) = 1

(1-10)

S se tomas muchas muestras aleatorias de la poblacin de inters, y se construyen

los intervalos de confianza correspondiente, entonces

el

por ciento de estos

intervalos contendr al verdadero valor del parmetro.

1.5.3 Errores de tipo I y II

Al utilizar la estadstica se esta propenso al cometer dos tipos de errores en la toma de
decisiones. Estos errores se conocen como error de tipo I y II. El primero se define
como el rechazo de la hiptesis nula Ho cuando sta es verdadera y generalmente se
denota con la letra griega a. El error de tipo II por otro lado, se define como la
aceptacin de la hiptesis nula cuando sta es falsa y generalmente se denota por b

En la siguiente tabla se resumen las decisiones que se pueden tomar en estadstica y

los errores que se pueden cometer.

Decisin

Ho es verdadera

Ho es falsa

Aceptar Ho

No hay error

Error tipo II

Rechazar Ho

Error tipo I

No hay error

Tabla 1.4 Decisiones en contraste de hiptesis estadstica

Es importante recalcar que rechazar la hiptesis nula se considera una conclusin

fuerte porque se especifica de antemano el error que se esta dispuesto a asumir
(llamado tambin nivel de significancia de la prueba). Entre tanto, aceptar Ho se
considera una conclusin dbil ya que no se puede cuantificar, con precisin el error
cometido al tomar esta decisin.

1.6 Uso del valor P en un contraste de Hiptesis

Existen dos formas de proceder en un contraste hiptesis estadstica: el enfoque
convencional de dividir la regin donde vara el estadstico en una regin de
aceptacin y una de rechazo de Ho, si el estadstico obtenido con la muestra se
encuentra en la zona de aceptacin entonces no se rechaza la hiptesis nula, Ho. Si el
estadstico cae fuera de la zona de aceptacin entonces se rechaza la hiptesis nla,
Ho a favor de la hiptesis alternativa, H1. Este enfoque se ilustra en la Figura 1.21

Valores crticos ledos

de tablas segn tipo de
prueba. Dependen del
nivel de significancia
escogido,

/2

/2
Se acepta H1 t0
o
zona de rechazo

P(| t |> t0 )

Se acepta H0
= o
zona de
aceptacin

t0

Se acepta H1
o
zona de aceptacin

Figura 1.20 Prueba de dos colas para comparar dos grupos (enfoque zona de aceptacin y zona crtica)

El segundo enfoque, conocido como el enfoque del valor P, a tomado fuerza

recientemente con el desarrollo de los computadores y es el que se prefiere en la

actualidad. Este enfoque, calcula de manera exacta el error de tipo I (o nivel de

significancia) en la prueba estadstica. Este ltimo, depende del tipo de prueba en
curso y del valor numrico obtenido para el estadstico. En este enfoque, la hiptesis
nula se acepta o rechaza si el nivel de significancia obtenido exactamente a partir del
estadstico resulta menor o mayor del nivel de significancia fijado de antemano o que
se esta dispuesto a tolerar en la prueba (usualmente se toma del 1% o el 5%). La
Figura 1.21 ilustra este enfoque para una prueba de dos colas.

Valores crticos ledos

de tablas segn tipo de
prueba. Dependen del
nivel de significancia
escogido,

/2

/2

2 P(| t |> t0 )

t0
Valore exacto del
estadstico muestral que
nos lleva al valor P =
2*P(|t|>to) para una
prueba de dos colas

Figura 1.21 Prueba de dos colas para comparar dos grupos (enfoque del valor P)

1.7 El uso de los computadores y Software especializado

Existen muchos paquetes de Software que facilitan los clculos matemticos y
estadsticos que se tienen que realizar en DDE. No es que los clculos sean
complicados, lo que ocurre es que, en algunos casos, son sumas largas y tediosas,
que si se hacen a mano se pierde mucho tiempo el cual se puede aprovechar en el
anlisis e interpretacin de los resultados.

Algunos paquetes estadsticos son comerciales y de propsito general como SAS,

SPSS, Statgraphic y Minitab; otros especializados en DDE como Desing Expert y otros
de libre uso como lo es R. Incluso, herramientas como MS Excel (que no es un
paquete estadstico) cuenta con un plug-in para anlisis de datos que incluye algunos
diseos experimentales ya programados que puede ser de utilidad durante el curso.

Durante el curso se ilustra, paso a paso, cada una de las tcnicas a travs de la
realizacin de algunos ejemplos detalladamente y se muestra tambin la salida de
algunos programas como MS Excel, Desing Expert y Statgraphics para familiarizar al
lector con la salida de estos programas.

1.8 Ejercicios propuestos

CAPITULO 2 COMPARACIONES SIMPLES.

Cuando hablamos de comparaciones simples nos referimos a comparaciones en las
que tomamos una o dos muestras, de la misma poblacin o de poblaciones diferentes
(aunque eso precisamente es lo que se prueba en muchos casos) para realizar
contraste de hiptesis estadstica. As, este tipo de comparaciones caen en dos
categoras: en primer lugar se encuentran las pruebas que se realizan para determinar
si una muestra proviene o no a una poblacin hipottica (en este caso solo se requiere
una muestra de la supuesta poblacin). En segundo lugar, se encuentran las pruebas
que buscan comparar dos muestras y determinar si provienen o no de poblaciones
diferentes (en este caso se requieren dos muestras de las poblaciones supuestamente
involucradas).

2.1 Contraste de hiptesis

Como a partir de una muestra se puede obtener diferentes estadsticos (como la
media o la varianza) entonces surgen diferentes pruebas dependiendo del estadstico
involucrado en la prueba que se desee realizar y de la informacin que se tenga de la
poblacin de inters.

A continuacin se presenta el listado de las diferentes pruebas existentes y en la Tabla

2.1 se muestra el estadstico correspondiente de cada una.

1.

Prueba de Hiptesis sobre la media, varianza conocida

2.

Prueba de Hiptesis sobre la media de una distribucin normal, varianza

desconocida

3.

Prueba de Hiptesis sobre la diferencia de dos medias, varianzas conocidas y

diferentes.

4.

Prueba de Hiptesis sobre para la diferencia de dos medias, varianza

desconocida pero iguales

5.

Prueba de Hiptesis sobre la diferencia de dos medias, varianzas

desconocidas y distintas

6.

Prueba de Hiptesis sobre m1 - m2 para observaciones pareadas

7.

Prueba de Hiptesis sobre la varianza de una distribucin normal

8.

Prueba de Hiptesis sobre el cociente de las varianzas de dos distribuciones

normales

9.

Prueba de Hiptesis sobre una proporcin

10.

Prueba de hiptesis sobre la diferencia de dos proporciones

Caso

Hiptesis Nula

H0: = 0
2 conocida

H0: = 0
2 desconocida

H0: 1 = 2
12

12

desconocidas

H1: 0

|z0|>z/2
z0>z

H1: < 0

z0<-z

x 0
t0 =
s/ n

H1: 0

|t0|>t/2,n-1

H1: > 0

t0>t,n-1

H1: < 0

t0<-t,n-1

x1 x 2

z0 =

12

12

22

s1 s 2

z0 =

12

desconocidas

n1

(s
v=

H1: 1 2

|z0|>z/2

H1: 1 > 2

z0>z

H1: 1 < 2

z0<-z

H1: 1 2

|t0|>t/2,n1+n2-2

n2

x1 x 2
z0 =
1 1
+
sP
n1 n2

H0: 1 = 2
12

Criterio de Rechazo

H1: > 0

n1
4

alterna

x 0
z0 =
/ n

H0: 1 = 2
12 y 12 conocidas

Hiptesis

Estadstico de Prueba

22
n2

H1: 1 > 2

t0>t,n1+n2-2

H1: 1 < 2

t0<-t,n1+n2-2

H1: 1 2

|t0|>t/2,v

H1: 1 > 2

t0>t,v

H1: 1 < 2

t0<-t,v

H1: d 0

|t0|>t/2,n-1

/ n1 + s22 / n2
2
s / n1 s22 / n2
+
n1 + 1 n2 + 1
2
1
2
1

Datos pareados
H0: D = 0

d
t0 =
s/ n

H0: 2 = 02

02 =
8

H0: 12 = 22

(n 1) s 2

2
D

10

H0: p = p0

H0: p1 = p2

H1: 2 02

02 > 2/2,n-1 02 < 21-/2,n-1

H1: 2 > 02

02 > 2,n-1

H1: <

02

H1: 12 22

2
1
2
2

H1:

x np
z0 =
np0 (1 p0 )
z0 =

t0>t,n-1
t0<-t,n-1

s
f0 =
s
9

H1: d > 0
H1: d < 0

p1 p 2
1 1
p (1 p ) +
n1 n2

12 >

22

02 < 21-,n-1
f0 > f/2,n1-1,n2-1 f0 < f1-/2,n1-1,n2-1
f0 > f,n1-1,n2-1

H1: p p0

|z0|>z/2

H1 :p > p0

z0>z

H1: p < p0

z0<-z

H1: p1 p2

|z0|>z/2

H1: p1 > p2

z0>z

H1: p1 < p2

z0<-z

Tabla 2.1 Resumen de pruebas de contraste de hiptesis para comparaciones simples.

En esta tabla tambin se indica, de manera indirecta, la distribucin de probabilidad

que se debe utilizar en cada prueba. Si aparece la letra z se debe utilizar la normal
(casos 1, 3, 4, 5, 9 y 10), la t para la t de Student ( casos 2 y 6); la 0 para la Ji2

cuadrado (caso 7) y la f 0 para la distribucin F (caso 8).

En la columna Hiptesis alterna se muestran los casos para una prueba de una cola
o de dos colas (tambin conocidas como unilaterales y bilaterales respectivamente).
Una prueba de una cola permite detectar diferencias en una sola direccin y siempre
son del tipo mayor o menor que, entre tanto, la hiptesis de dos colas permite detectar
diferencias en ambas direcciones y son del tipo diferente.

2.1.1 Ejemplos del uso de la Tabla 2.1

2.1.1.1 Ejemplo de la normal

Se estudia el rendimiento de un proceso qumico. De la experiencia previa con este
proceso, se sabe que la desviacin estndar del rendimiento es 3. En los cinco das
anteriores de operacin en la planta, se han observado los siguiente rendimientos:
91.6%, 88.75%, 90.8%, 89.95% y 91.3%. Utilizando un nivel de significancia del 5%
Existe evidencia de que el rendimiento no es del 90%?. Cul es el valor P de esta
prueba?

2.1.1.2 Ejemplo de la t para datos no pareados

Se analiza una marca particular de margarina diettica para determinar el nivel de
cido graso poliinsaturado (en porcentaje). Se toma una muestra de seis paquetes y
se obtienen los siguientes datos: 16.8, 17.2, 17.4, 16.9, 17.1.

Pruebe la hiptesis H0 = = 170 contra H1: 17.0. Utilice = 0.01. Cules son
sus conclusiones?

Encuentre el valor P de la prueba del inciso anterior.

2.1.1.3 Ejemplo de la t para datos pareados

Diez individuos participan en un programa de modificacin de dieta para estimular la
prdida de peso. En la siguiente tabla se indica el peso de cada participante antes y
despus de haber participado en el programa. Existe evidencia que apoye la
afirmacin que este programa de modificacin de dieta es eficaz para reducir el peso?
Utilice un nivel de significancia del 5%.

2.1.1.4 Ejemplo de la distribucin 2-cuadrado: igualdad de varianzas

El contenido de azcar del almbar de los duraznos enlatados tiene una distribucin
normal, donde se cree que la varianza 2 = 18 mg2. Pruebe la hiptesis H0: 2 = 18
contra H1: 2 18 si al tomar una muestra de 10 latas la desviacin estndar
muestral es de 4.8 mg. Utilice = 5%. Cul es el valor P de esta prueba?

2.1.1.5 Ejemplo de la distribucin F: igualdad de varianzas

Se instala un nuevo dispositivo de filtrado en una unidad qumica. Antes de instalarlo,
de una muestra aleatoria se obtuvo la siguiente informacin sobre el porcentaje de
impurezas: y1 = 12.5, s12 = 101.17 y n1 = 8. Despus de instalarlo, de una muestra
aleatoria se obtuvo: y 2 = 10.2 s22 = 94.73 y n2 = 9.
Puede concluirse que las dos varianzas son iguales? Utilice = 5%.

2.2 Intervalos de confianza

Como ya se explic en la sesin 1.5.2, los intervalos de confianza se utilizan para
estimar los parmetros de una poblacin con una probabilidad asociada. Existen dos
formas de estimar los parmetros de una poblacin: dando un valor puntual
(estimacin puntual) o a con un intervalo de confianza del 100(1 )% centrado en
torno a la estimacin puntual.

Estrictamente hablando, a partir de los intervalos de confianza tambin se puede

realizar un contraste de hiptesis observando si el intervalo de confianza contiene o no
contiene en su interior el valor supuesto en la hiptesis nula. Este aspecto se muestra
en los ejemplos propuestos. Sin embargo, el intervalo de confianza se prefiere, en

muchos casos, ya que da el conjunto de valores del estadstico de prueba para el cual
se acepta o rechaza la hiptesis nula en un test de hiptesis.

En esta seccin se presenta la tabla resumen para la construccin de intervalos de

confianza y se da un ejemplo de cada uno de ellos para clarificar el uso de esta tabla.

Tipo de problema

Media , varianza 2 conocida

Estimacin
puntual

Intervalo de confianza bilateral del 100(1-)% por ciento

x z / 2 / n x + z / 2 / n

12

x1 x 2 z / 2
Diferencia entre dos medias
1 y 2, varianzas 21 y 22 conocidas

n1

x1 x 2

22

1 2

n2

x1 x 2 + z / 2

Media, de una distribucin normal

con varianza 2 desconocida

Diferencia entre medias de dos

1 y 2, varianzas 21 = 22

x1 x 2

x1 x 2 t / 2 , v

1 1
+
1 2
n1 n2

s12 s22
+
1 2
n1 n2

Diferencia entre medias de dos

desconocidas

x1 x 2

n2

(n1 1) s12 + (n2 1) s22

n1 + n2 2

Donde, S P =

1 y 2, varianzas 21 22

22

x1 x 2 + t / 2 , n1 + n 2 2 S P

desconocidas

distribuciones normales,

n1

x t / 2,n 1s / n x + t / 2,n 1s / n

x1 x 2 t / 2 , n1 + n 2 2 S P
distribuciones normales,

12

x1 x 2 + t / 2 , v

(s
Donde, v =

s12 s22
+
n1 n2

/ n1 + s22 / n2
2
s / n1 s22 / n2
+
n1 + 1 n2 + 1
2
1
2
1

1 1
+
n1 n2

Diferencia entre medias de dos

distribuciones normales para
muestras pareadas,

d t / 2,n 1sd / n D d + t / 2,n 1sd / n

D = 1 - 2

Varianza 2 de una distribucin

normal

Cociente de varianzas 21/22 de dos

distribuciones normales

Proporcin o parmetro de una

distribucin binomial, p

s2

(n 1) s 2

2 / 2, n1

parmetros binomiales, p1 - p2

12 / 2,n 1

s12
s22

12 s12
s12
f

f / 2,n2 1,n1 1
1 / 2 , n2 1, n1 1
22 s22
s22

p z / 2

p (1 p )
p p + z / 2
n

p1 p 2 z / 2
Diferencia entre dos proporciones o

(n 1) s 2

p 1 p 2

p (1 p )
n

p 1 (1 p 1 ) p 2 (1 p 2 )
+

n1
n2

p1 p2 p 1 p 2 + z / 2

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

Tabla 2.2 Resumen de intervalos de confianza para comparaciones simples.

2.2.1 Ejemplo del uso de la Tabla 2.2

Una mquina de bebidas con mezclado posterior se ajusta de modo que libere cierta
cantidad de jarabe en una cmara donde ser mezclado con agua carbonatada. De
una muestra aleatoria de 25 bebidas se tiene que el contenido medio de jarabe es de

x = 1.10 onzas de lquido, con una desviacin estndar s = 0.015 onzas de lquido.
Encuentre el intervalo de confianza bilateral del 90% para la cantidad promedio de
jarabe mezclado en cada bebida.

2.3 Ejercicios propuestos

1.

En un proceso qumico pueden emplearse dos catalizadores. Doce lotes se

prepararon con el catalizador l, lo que dio como resultado un rendimiento promedio
de 86 y una desviacin estndar muestral de 3. Quince lotes se prepararon con el

catalizador 2, con el que se obtuvo un rendimiento promedio de 89 con una

desviacin estndar de 2. Suponga que las mediciones de rendimiento estn
aproximadamente distribuidas de manera normal. Encuentre un intervalo de
confianza bilateral del 99% para la diferencia en el rendimiento promedio de los
dos catalizadores.

2.

Se somete a prueba una muestra de 30 dispositivos para la medicin de flujo

utilizados para la administracin intravenosa de medicamentos. La rapidez de flujo
de prueba es 200 ml/h. La media muestral observada es de 194 ml/h, mientas que
la desviacin estndar muestral es de 12 ml/h. Sugieren estos datos que la
rapidez de flujo real es diferente de la utilizada para la prueba? Pruebe esta
hiptesis con = 0.05.

3.

Suponga que en el ejercicio anterior el experimentador consider que = 10

antes de recolectar los datos. Si l desea que la probabilidad del error tipo II 0.05
y si la rapidez de flujo promedio real es 195 ml/h, cul debe ser el tamao de la
muestra que tiene que utilizar? Utilice = 0.05.

4.

Se realiza un experimento para comparar las caractersticas de llenado del

equipo de embotellado de dos fbricas vincolas diferentes. Para ello se escogen al
azar 20 botellas de Pinot Noir de los viedos de Ridgecrest y otras 20 de Pinot Noir
de viedos de Valley View. Con esto se obtienen los datos siguientes (el volumen
est dado en ml):

Ridgecrest

Valley View

755

751

752

753

756

754

757

756

753

753

753

754

755

756

756

753

754

752

751

753

754

755

755

754

752

753

753

752

754

756

755

756

755

753

750

753

756

756

756

756

a. Los datos apoyan la afirmacin de que ambas vinateras llenan las botellas
con el mismo volumen promedio? Utilice = 0.05 y suponga que, al obtener
conclusiones, las dos poblaciones tienen la misma desviacin estndar.

b. Calcule un valor P para la prueba estadstica del inciso a).

c. Construya un diagrama de caja para las dos muestras. Parece razonable la

hiptesis de varianzas iguales hecha en el inciso a)? Proporcione una
interpretacin grfica de estas grficas.

d. Construya grficas de probabilidad normal para ambas muestras. Le parece

que se satisface la hiptesis de normalidad?

5.

Una compaa de biotecnologa produce un medicamento cuya concentracin

tiene una desviacin estndar de 4 g/l. Se propone un mtodo nuevo para producir
este medicamento, lo que implica ciertos gastos adicionales. La gerencia
autorizar el cambio en la tcnica de produccin slo si la desviacin estndar de
la concentracin en el nuevo proceso es menor que 4 g/l. Si la desviacin estndar
de la concentracin en el nuevo proceso es tan pequea como 3 g/l, entonces a la
compaa le gustara cambiar los mtodos de produccin con una probabilidad de
al menos 0.90. Suponga que la concentracin est distribuida de manera normal y
que = 0.05. Cuntas observaciones deben tomarse? Suponga que los
investigadores eligen n = 10 y obtienen los datos siguientes. Es sta una buena
eleccin para n? Qu conclusiones pueden obtenerse?
g/l

1.

16.628

16.63

16.622

16.631

16.627

16.624

16.623

16.622

16.618

16.626

Un producto diettico lquido afirma en su publicidad que el empleo del mismo

durante un mes produce una prdida promedio de 3 libras de peso. Ocho sujetos
utilizan el producto por un mes, y los datos sobre prdida de peso son los
siguientes:
Sujeto

Peso inicial (lb)

163

201

195

198

155

143

150

187

Peso final (lb)

161

195

192

197

150

141

146

183

Encuentre un intervalo de confianza del 95% para la prdida de peso promedio.

Los datos apoyan la afirmacin hecha en la publicidad?

CAPITULO 3 COMPARACIONES CON UN FACTOR.

ANALISIS DE VARIANZA.
Se recomienda al lector revisar cuidadosamente los diseos experimentales
explicados en este captulo ya que constituyen la base de los dems diseos que se
vern en el resto del libro. Si comprende los conceptos expuesto aqu, no tendr
dificultades en lo que sigue.

En primer lugar, es importante comentar que estos diseos experimentales se utilizan

cuando se desea comparar ms de dos tratamientos. Puede ser de inters comparar
tres o ms mquinas, varios proveedores, cuatro procesos, tres materiales, etc.

En el contexto de un problema de investigacin surge la necesidad de realizar alguna

comparacin de tratamientos con el fin de elegir la mejor alternativa de las varias que
existen, o por lo menos para tener una mejor comprensin del comportamiento de la
variable de inters en cada uno de los distintos tratamientos.

Por ejemplo, la comparacin de cuatro dietas de alimentacin con ratas de laboratorio,

se hace con el fin de estudiar si alguna nueva dieta que se propone es mejor o igual
que las dietas ya existentes; la variable de inters en este caso es el peso promedio
alcanzado por cada grupo de animales despus de alimentar a cada grupo con la dieta
que le toc.

Por lo general el inters del experimentador se centra en comparar los tratamientos en

cuanto a sus medidas poblacionales. As, desde el punto de vista estadstico, la
hiptesis fundamental a probar cuando se comparan varios tratamientos es
H0: 1 = 2 = = k =
H1: i j para algn i j,
con la cual se quiere decidir si los tratamientos son iguales estadsticamente en cuanto
a sus medidas, contra la alternativa de que al menos dos de ellos son diferentes. La
estrategia natural para resolver este problema es obtener una muestra representativa
de mediciones en cada uno de los tratamientos, y con base en las medias y varianzas
muestrales, construir un estadstico de prueba para decidir el resultado de dicha
comparacin.

3.1 Modelo general de Anlisis de Varianza, ANOVA

El trmino ANOVA hace referencia a las iniciales de Anlisis de Varianza en ingls.
El diseo que vamos a estudiar en el presente captulo se conoce como un diseo
completamente aleatorizado debido a que el orden en el que se realizan las corridas
debe ser completamente aleatorio o al azar. La razn de esta aleatorizacin es reducir
el efecto de aquellos factores (algunas veces desconocidos) en los resultados del
experimento o de la variable respuesta. Por ejemplo, si la variable respuesta se mide
con un dispositivo que presenta cansancio con el tiempo de uso, es importante correr
de manera aleatoria las corridas para garantizar que las diferencias observadas se
deban al tratamiento que se estudia y no al cansancio del aparato que se utiliza para
medir la respuesta.

Suponga que se tiene a tratamientos o niveles de un factor que quieren compararen:

Tratamient o
nivel
1

Observacio nes Totales Promedios

y 12

L y 1n

y 11
y 21

y 22 K y 2n

M
a

M
y a1

M K M
y a2 K y an

y 1
y 2
M
y a
y

y 1
y 2
M
y a
y

Tabla 3.1 Organizacin de los datos en un diseo completamente aleatorizado

El objetivo con estos datos es determinar si un factor (o variable), en su distintos

niveles, influye o no sobre la variable respuesta de manera significativa. La forma
como se expresa este objetivo es simplemente cuestin de sintaxis. As, tres formas
equivalentes de referirnos al mismo objetivo son las siguientes:

Determinar si las a muestras provienen de la misma poblacin o no.

Determinar si las a tratamientos conducen a resultados estadsticamente

diferentes.

Determinar si existen diferencias significativas entre los a tratamientos

Sin embargo, independientemente de la forma como se exprese se debe tener en

cuanta que con este diseo se esta evaluando el efecto de una sola variable, a ms de
dos niveles, sobre la variable respuesta. Recuerde que para comparar exactamente

dos tratamientos se utilizan la prueba t. No es que la tcnica de ANOVA no se pueda

utilizar para comparar dos tratamientos, lo que sucede es que no se justifica. Adems
se puede demostrar que dan resultados equivalentes. Es decir, se obtienen los
mismos resultados al comparar dos tratamientos con una prueba t que con un diseo
unifactorial completamente aleatorizado usando ANOVA.

Con base en lo expuesta anteriormente, se puede considera que los diseos

expuestos aqu son una generalizacin de la prueba t para comparar ms de dos
tratamientos
El modelo matemtico del ANOVA para un diseo unifactorial es el siguiente:

Yij = + i + ij

(3-1)

Donde:

Yij es el valor de la j-esima observacin del tratamiento i-simo

la gran media o el promedio de todas las observaciones

i el efecto del tratamiento i-simo
ij el error aleatorio que se asume NID(0,2)
En el modelo se observa que el objetivo es explicar cada observacin en trminos de
la gran media, el efecto del respectivo tratamiento y el error aleatorio.

Las hiptesis estadsticas que se quieren probar son las siguientes

H 0 : 1 = 2 = L = k =
(3-2)

H 1 : i j para algn i j

Es decir sin no existe efecto del tratamiento (H0) o si existe (H1).

La identidad bsica para probar esta hiptesis es la siguiente:

( y
i =1 j =1

ij

y )

n ( y i y )
i =1

( y
i =1 j =1

ij

y i ) 2

Suma de los cuadrados

totales

Variabilidad total

Suma de los cuadrados

de los tratamientos

Variabilidad debida a los

tratamientos

Suma de los cuadrados

+

del error aleatorio

Variabilidad debida al
+

error aleatorio

Variabilidad dentro de
Variabilidad total

Variabilidad entre grupos

SCT

SCTrat

an-1

a-1

grupos

SCE

a(n-1)

Tabla 3.2 Descomposicin de la Suma de Cuadrados en el ANOVA unifactorial

En esta tabla se aprecia no solamente una descomposicin en la suma de los

cuadrados totales si no tambin en los respectivos grados de libertad.

Informalmente hablando, si la variabilidad entre grupos (o debida a los tratamientos) es

mayor que la variabilidad dentro de grupos (o debida al error aleatorio) entonces se
concluye que existe una diferencia significativa entre los tratamientos.

Desde el punto de vista formal, si la hiptesis nula es cierta ( no existe efecto de

tratamiento) entonces
a

MCT =

SCTrat
=
a 1

n ( y i y ) 2
i =1

(3-3)

a 1

Y
a

MCE =

SCE
=
N a

( y
i =1 j =1

ij

y i ) 2

(3-4)

N a

Son dos estimadores independientes de la varianza comn 2. Y, por lo tanto, el

estadstico

F0 =

SCTrat /(a 1) MCTrat

=
SCE /( N a)
MCE

(3-5)

Sigue una distribucin F con a-1 grados de libertad en el numerador y N-a grados de
libertad en el denominador.
Por lo tanto, la hiptesis nula debe descartarse si el estadstico calculado con la
ecuacin (3-5) es mayor que F ,a 1, N a para un nivel de significancia dada, .

Usualmente, los resultados del anlisis de varianza, se organizan en una tabla ANOVA
como la siguiente:

Fuente de
Variacin

Grados
Suma de Cuadrados

tratamientos
Error ( dentro
de los

Media de cuadrados

F0

Valor P

libertad
a

Entre

SCTratamientos = n ( y i y ) 2

a-1

MCTratamientos =

a(n-1)

MCErrores =

i =1

SC Errores = ( yij y i ) 2
i =1 j =1

tratamientos)

Total

de

SCTratamientos
a 1

F0 =

MCTratamientos
MCErrores

SCErrores
a(n 1)

SCTotales = ( yij y ) 2

an-1

i =1 j =1

Tabla 3.3 Tabla ANOVA para un diseocompletamente aleatorizado unifactorial

El valor P o probabilidad se obtiene como el nivel de significancia real de la prueba

(ver Figura 3.1)

Distribucin F

Nivel de
significancia,

Figura 3.1 Enfoque del valor P en ANOVA unifactorial

Si este valor P es infereior al nivel de significancia escogido (usualmente del 5%)

entonces se descarta la hiptesis nula.

Probabilidad

3.2 Modelo de efectos fijos y aleatorios

Dependiendo de la forma como se escojan los niveles del factor el diseo puede ser
de efectos fijos o aleatorios. Si los niveles del factor fueron elegidos expresamente por
el experimentador entonces las conclusiones solo se pueden extender a los factores
considerados en el experimento. Las conclusiones no pueden extenderse a
tratamientos similares que no fueron considerados explcitamente. Por otro lado, si los
niveles del factor son una muestra aleatoria de todos los posibles niveles del
tratamiento entonces, las conclusiones se pueden extender a la totalidad de los
tratamientos.
El modelo de efectos aleatorios es anlogo al modelo de efectos fijos, inclusive las
formulas son la mismas. La diferencia radica en las hiptesis estadsticas que se
prueban. En este libro no se explican con detalle el modelo de efectos aleatorios. Para
su estudio profundo se remite al lector a las referencias bibliogrficas al final del libro.

3.3 Supuestos en ANOVA y medidas de adecuacin del

modelo
En el modelo matemtico de ANOVA existen varios supuestos implcitos que se deben
verificar antes de validar los resultados obtenidos. Estos supuestos se pueden resumir
en:

Hiptesis de normalidad

Hiptesis de igualdad de varianzas

Hiptesis de independencia

Estos supuestos se ilustran en la siguiente figura con la excepcin del supuesto de

independencia que tiene que ver con el hecho de que cada observacin no depende
de ninguna otra observacin. Normalmente el cumplimiento del supuesto de
independencia se garantiza con la aleatorizacin de las corridas.

Variable
Respuesta

ij son N(0,2)
Yij son N(+i,2)

4
2
3

2
2
2
1

Nivel 1

Nivel 2

Nivel 3

Nivel 4

Factor
de Inters

Figura 3.2 Supuestos en el ANOVA unifactorial

En la figura se aprecia que el nico efecto del tratamiento sobre la variable respuesta
es modificar el valor medio del tratamiento ms no se modifica la varianza.

En general, adems de la aleatorizacin, existen otras dos formas de aislar el efecto

de un factor extrao para que no interfiera en los resultados del experimento: la fijacin
y el bloqueo. La fijacin consiste en mantener constante el factor, que no se desee
estudiar, durante el experimento. El bloqueo es una tcnica que se ver con detalle en
el prximo captulo

3.3.1 Supuesto de normalidad

En el modelo matemtico del ANOVA se asume que los errores se distribuyen normal
e independientemente con media cero y varianza constante, esto se resume como
NID(0,2). Este supuesto se justifica, en la prctica real, gracias al teorema del lmite
central explicado anteriormente. Sin embargo, se debe verificar que no se viola
considerablemente.

Para verificar este supuesto se puede realizar un histograma de los residuos (o

errores) y mirar si dicho histograma no se desva considerablemente del
comportamiento Gaussiano. Otra alternativa (que se prefiere en la prctica) consiste
en dibujar los errores en una grfica de probabilidad normal. Este tipo de grafica

linealiza datos que se distribuyen normalmente. Es decir, si los datos realmente se

distribuyen normalmente, entonces en este tipo de grficas se vern sobre una lnea
recta.
Aunque una grfica de probabilidad normal no es difcil de realizar a mano, es un poco
engorrosa de realizar y se prefiere el uso de un paquete especializado como Excel,
Matlab, Statgraphic, SAS, SPPS, etc.

El procedimiento utilizado para validar la hiptesis de normalidad se ilustra en la figura

siguiente:

Histograma residuos
Grfica de probabilidad normal
100
100(j-0.5)/n

Muestra
Aleatoria de
errores

80
60
40
20

Poblacin de errores
NID(0,2)

0
55

60

65

70

75

X(j)

Grafica Probabilidad
Normal de residuos

Figura 3.3 Verificacin de la hiptesis de normalidad en ANOVA

Ahora bien, la muestra de errores o residuos en el modelo unifactorial se pueden

obtener como:

ij = y ij y i

(3-6)

Cuando la hiptesis nula es falsa y existe efecto del tratamiento.

3.3.2 Supuesto independencia e igualdad de varianzas

La violacin de estos supuestos en el ANOVA se verifica realizando grficas de los
errores versus la variable respuesta, los factores de inters u otras variables
candidatas. Estas grficas no deben presentar ningn tipo de patrn y deben tener un
comportamiento anlogo al de la figura siguiente:

0
0

10

15

20

25

30

35

-2

Figura 3.4 Patrn adecuado en los residuos del modelo ANOVA

Patrones como los mostrados en la Figura 3.5 indican una violacin considerable de
los supuestos de independencia e igualdad de varianzas.

1.5

0.5
0

0
-1

-0.5

-2

-1

-3

-1.5

-4

-2

a) Patrn de embudo simple

b) Patrn de doble embudo

Figura 3.5 Patrn inadecuado de los residuos en el ANOVA que amerita una transformacin de los datos

La forma como se corrigen la violacin de estos supuestos es transformando los datos

de entrada. Es decir en lugar de realizar el ANOVA sobre los datos originales, usar los
datos transformados.
Tambin se recomienda graficar los residuos contra alguna variable o factor candidata
que no se halla tenido en cuenta en el diseo experimental. Si se detecta algn patrn
en esta grfica se debe agregar este factor no incluido en un diseo factorial ms
completo.

3.4 Comparaciones mltiples.

Si despus de realizar el Anlisis de Varianza para comparar los a tratamientos se
descarta la hiptesis nula, H0 a favor de la hiptesis alterna, H1 entonces se necesita
determinar, especficamente, en que tratamientos se encuentran dichas diferencias. El
ANOVA en la hiptesis alterna, H1 (Ecuacin Error! No se encuentra el origen de la
referencia.), indica que existen diferencias por lo menos en un par de tratamientos, sin
embargo, no dice, especficamente, en que par o pares estn estas diferencias. En

esta sesin se estudian las tcnicas ms utilizadas para realizar este tipo de
comparaciones que algunas veces se conocen como comparaciones mltiples en
DDE.
Podra pensarse, que este tipo de comparaciones se realiza, simplemente a partir de
mltiples pruebas t para comparar todos los posibles pares de tratamientos. Sin
embargo, el uso de la t para comparaciones mltiples es impractico ya que incrementa
el error de Tipo I global en la prueba estadstica. Por esta razn se deben realizar las
pruebas que se suministran en la esta sesin.

3.4.1 Comparacin grfica de medias

Es uno de los mtodos ms sencillos para realizar comparaciones mltiples despus
del ANOVA.
El procedimiento consiste en dibujar la t escalada por MCE/n y se mueve
imaginariamente en el diagrama de puntos de las medias de los tratamientos.
Para escalar la distribucin t simplemente se multiplica el valor de la abscisa t por el
factor de escala:

MCE
n

(3-7)

Observe el procedimiento grficamente en la Figura 3.6

15 35

20

25

30

Figura 3.6 Comparacin grfica de medias

Si existe un punto al cual se pueda trasladar la distribucin t, en el que se incluyan

todos los promedios (los puntos en un diagrama de puntos), entonces no existe
diferencia significativa entre los tratamientos y la hiptesis nula es cierta. Por el
contrario, si la curva t no puede albergar todos los puntos promedio de los tratamientos
entonces se concluye que si existen diferencias entre los tratamientos y que la
hiptesis nula es falsa.

3.4.2 Comparacin de pares de medias.

Existen muchos mtodos para realizar este tipo de comparaciones (de a dos). Dentro
de las ms populares se encuentran

Prueba de Tukey

Prueba LSD de Fisher

Prueba de rangos mltiples de Duncan

Prueba de Newman-Keuls.

Prueba de Dunenett. Para comparar todas las medias con un control

En esencia, estas pruebas comparan todas las diferencias posibles de medias con un
estadstico comn que difiere en cada mtodo. Hasta el momento no hay un consenso
comn con respecto a cual es la mejor de ellas, sin embargo, varios autores [6]
coinciden que la prueba LSD de Fisher y la de rangos mltiples de Duncan son la
mejores. De estas dos se explica a continuacin la prueba LSD de Fisher ya que no
requiere el uso de tablas especiales (la de Duncan requiere una tabla especial1)
Normalmente los resultados de las comparaciones mltiples se dan en un diagrama de
puntos como el siguiente

y1

y5

y2

y3

y4

9.8

10.8

15.4

17.6

21.6

Figura 3.7 Comparacin grfica de medias

En esta figura se aprecia una lnea inferior entre los pares de tratamientos que NO se
consideran diferentes desde el punto de vista estadstico, de acuerdo al criterio
escogido (Duncan, Fisher, etc ).

3.4.2.1 Prueba de la diferencia Significancia Mnima de Fisher o LSD

de Fisher
En este procedimiento se utiliza el estadstico

Se puede consultar esta prueba en detalle en la bibliografa recomendada al final del libro. En particular,

en la referencias [1] y [6]

t0 =

yi y j
1
1
MCE +
n

i nj

(3-8)

Para probar la Hiptesis:

H 0 : i = j para todo i j

(3-9)

Suponiendo una hiptesis alternativa de dos colas, los pares de medias i, y j se

consideran estadsticamente diferentes s:

1
1
| y i y j |> t / 2, N a MCE +
n

i nj

(3-10)

A la cantidad

1
1
t / 2, N a MCE +
n

i nj

(3-11)

Se le llama diferencia significativa mnima de Fisher

Si el diseo es balanceado n1=n1=na=n y

t / 2, N a

2 MCE
n

(3-12)

Para usar el procedimiento LSD de Fisher simplemente se compara la diferencia

observada entre cada par de promedios con el LSD correspondiente. Si

y i y j > LSD se concluye que las medias poblacionales i y j difieren.

BIBLIOGRAFA
[1] Mongomery C. Douglas , Runger C. George. Probabilidad y Estadstica aplicados a
la Ingeniera, McGraw-Hill Interamericana Editores S.A, Mxico, 1996
[2] DeVore L. Jay, Probabilidad y Estadstica para ingeniera y ciencias, Internacional
Thomson Editores, Mxico, 2005
[3] Box P. E.

George, Hunter G. William, Hunter Stuart J., Estadstca para

Investigadores. Introduccin al diseo de experimentos, Anlisis de Datos y

construccin de modelos, Editorial Revert S. A. Espaa, 1989
[4] Kenett S Ron, Zacks Shelemyahu, Estadstica Industrial moderna. Diseo y control
de la calidad y la confiabilidad, Internacional Thomson editores S. A. Mxico, 2000
[5] Lpez Prez Cesar, Tcnicas estadsticas con SPSS, Pearson Educacin S. A,
Espaa, 2001
[6] Montgomery C. Douglas, Diseo y Anlisis de Experimentos, Limusa Willey,
Mxico, 2003
[7] Pulido Gutirrez Humberto, Salazar de la Vara Romn, Anlisis y Diseo de
Experimentos, MacGraw-Hill, Mxico 2004
[8] Kuehl O. Robert, Diseo de Experimentos. Principios estadsticos para el diseo y
anlisis de investigaciones, 2 Edicin,

Internacional Thomson Editores S. A.,

Mxico, 2001
[9] Montgomery, Peck, Vining, Introduccin al Anlisis de Regresin Lineal, 3 Edicin,
CECSA, Mxico, 2002
[10]

Rodrguez Nacarid, Introduccin al

diseo de Experimentos. Guia para su

aplicacin en el Campo Educacional, Editado por Universidad Central de

Venezuela, 1978
[11]

SERRANO, Javier; Anlisis de regresin; Universidad de los Andes,

Departamento. de Ingeniera Industrial, Bogot, 1975.

[12]

Tablas
z

( z ) =

Tabla I
z

0.00

Distribucin normal
0.01

0.02

0.03

0.04

1
2

u 2 / 2

du

0.05

0.06

0.07

0.08

0.09

0.0 0.500000 0.503989 0.507978 0.511966 0.515953 0.519939 0.523922 0.527903 0.531881 0.535856
0.1 0.539828 0.543795 0.547758 0.551717 0.555670 0.559618 0.563559 0.567495 0.571424 0.575345
0.2 0.579260 0.583166 0.587064 0.590954 0.594835 0.598706 0.602568 0.606420 0.610261 0.614092
0.3 0.617911 0.621720 0.625516 0.629300 0.633072 0.636831 0.640576 0.644309 0.648027 0.651732
0.4 0.655422 0.659097 0.662757 0.666402 0.670031 0.673645 0.677242 0.680822 0.684386 0.687933
0.5 0.691462 0.694974 0.698468 0.701944 0.705401 0.708840 0.712260 0.715661 0.719043 0.722405
0.6 0.725747 0.729069 0.732371 0.735653 0.738914 0.742154 0.745373 0.748571 0.751748 0.754903
0.7 0.758036 0.761148 0.764238 0.767305 0.770350 0.773373 0.776373 0.779350 0.782305 0.785236
0.8 0.788145 0.791030 0.793892 0.796731 0.799546 0.802337 0.805105 0.807850 0.810570 0.813267
0.9 0.815940 0.818589 0.821214 0.823814 0.826391 0.828944 0.831472 0.833977 0.836457 0.838913
1.0 0.841345 0.843752 0.846136 0.848495 0.850830 0.853141 0.855428 0.857690 0.859929 0.862143
1.1 0.864334 0.866500 0.868643 0.870762 0.872857 0.874928 0.876976 0.879000 0.881000 0.882977
1.2 0.884930 0.886861 0.888768 0.890651 0.892512 0.894350 0.896165 0.897958 0.899727 0.901475
1.3 0.903200 0.904902 0.906582 0.908241 0.909877 0.911492 0.913085 0.914657 0.916207 0.917736
1.4 0.919243 0.920730 0.922196 0.923641 0.925066 0.926471 0.927855 0.929219 0.930563 0.931888
1.5 0.933193 0.934478 0.935745 0.936992 0.938220 0.939429 0.940620 0.941792 0.942947 0.944083
1.6 0.945201 0.946301 0.947384 0.948449 0.949497 0.950529 0.951543 0.952540 0.953521 0.954486
1.7 0.955435 0.956367 0.957284 0.958185 0.959070 0.959941 0.960796 0.961636 0.962462 0.963273
1.8 0.964070 0.964852 0.965620 0.966375 0.967116 0.967843 0.968557 0.969258 0.969946 0.970621
1.9 0.971283 0.971933 0.972571 0.973197 0.973810 0.974412 0.975002 0.975581 0.976148 0.976705
2.0 0.977250 0.977784 0.978308 0.978822 0.979325 0.979818 0.980301 0.980774 0.981237 0.981691
2.1 0.982136 0.982571 0.982997 0.983414 0.983823 0.984222 0.984614 0.984997 0.985371 0.985738
2.2 0.986097 0.986447 0.986791 0.987126 0.987455 0.987776 0.988089 0.988396 0.988696 0.988989
2.3 0.989276 0.989556 0.989830 0.990097 0.990358 0.990613 0.990863 0.991106 0.991344 0.991576
2.4 0.991802 0.992024 0.992240 0.992451 0.992656 0.992857 0.993053 0.993244 0.993431 0.993613
2.5 0.993790 0.993963 0.994132 0.994297 0.994457 0.994614 0.994766 0.994915 0.995060 0.995201
2.6 0.995339 0.995473 0.995604 0.995731 0.995855 0.995975 0.996093 0.996207 0.996319 0.996427
2.7 0.996533 0.996636 0.996736 0.996833 0.996928 0.997020 0.997110 0.997197 0.997282 0.997365
2.8 0.997445 0.997523 0.997599 0.997673 0.997744 0.997814 0.997882 0.997948 0.998012 0.998074
2.9 0.998134 0.998193 0.998250 0.998305 0.998359 0.998411 0.998462 0.998511 0.998559 0.998605
3.0 0.998650 0.998694 0.998736 0.998777 0.998817 0.998856 0.998893 0.998930 0.998965 0.998999
3.1 0.999032 0.999065 0.999096 0.999126 0.999155 0.999184 0.999211 0.999238 0.999264 0.999289
3.2 0.999313 0.999336 0.999359 0.999381 0.999402 0.999423 0.999443 0.999462 0.999481 0.999499
3.3 0.999517 0.999534 0.999550 0.999566 0.999581 0.999596 0.999610 0.999624 0.999638 0.999651
3.4 0.999663 0.999675 0.999687 0.999698 0.999709 0.999720 0.999730 0.999740 0.999749 0.999758
3.5 0.999767 0.999776 0.999784 0.999792 0.999800 0.999807 0.999815 0.999822 0.999828 0.999835
3.6 0.999841 0.999847 0.999853 0.999858 0.999864 0.999869 0.999874 0.999879 0.999883 0.999888
3.7 0.999892 0.999896 0.999900 0.999904 0.999908 0.999912 0.999915 0.999918 0.999922 0.999925
3.8 0.999928 0.999931 0.999933 0.999936 0.999938 0.999941 0.999943 0.999946 0.999948 0.999950
3.9 0.999952 0.999954 0.999956 0.999958 0.999959 0.999961 0.999963 0.999964 0.999966 0.999967
4.0 0.999968 0.999970 0.999971 0.999972 0.999973 0.999974 0.999975 0.999976 0.999977 0.999978

Tabla II

Distribucin t

0.4000

0.2500

0.1000

0.0500

0.0250

0.0100

0.0050

0.0025

0.0010

0.0005

0.32492

1.00000

3.07768

6.31375

12.7062

31.8205

63.6567

127.3213

318.3088

636.6192

0.28868

0.81650

1.88562

2.91999

4.30265

6.96456

9.92484

14.08905

22.32712

31.59905

0.27667

0.76489

1.63774

2.35336

3.18245

4.54070

5.84091

7.45332

10.21453

12.92398

0.27072

0.74070

1.53321

2.13185

2.77645

3.74695

4.60409

5.59757

7.17318

8.61030

0.26718

0.72669

1.47588

2.01505

2.57058

3.36493

4.03214

4.77334

5.89343

6.86883

0.26483

0.71756

1.43976

1.94318

2.44691

3.14267

3.70743

4.31683

5.20763

5.95882

0.26317

0.71114

1.41492

1.89458

2.36462

2.99795

3.49948

4.02934

4.78529

5.40788

0.26192

0.70639

1.39682

1.85955

2.30600

2.89646

3.35539

3.83252

4.50079

5.04131

0.26096

0.70272

1.38303

1.83311

2.26216

2.82144

3.24984

3.68966

4.29681

4.78091

10

0.26018

0.69981

1.37218

1.81246

2.22814

2.76377

3.16927

3.58141

4.14370

4.58689

11

0.25956

0.69745

1.36343

1.79588

2.20099

2.71808

3.10581

3.49661

4.02470

4.43698

12

0.25903

0.69548

1.35622

1.78229

2.17881

2.68100

3.05454

3.42844

3.92963

4.31779

13

0.25859

0.69383

1.35017

1.77093

2.16037

2.65031

3.01228

3.37247

3.85198

4.22083

14

0.25821

0.69242

1.34503

1.76131

2.14479

2.62449

2.97684

3.32570

3.78739

4.14045

15

0.25789

0.69120

1.34061

1.75305

2.13145

2.60248

2.94671

3.28604

3.73283

4.07277

16

0.25760

0.69013

1.33676

1.74588

2.11991

2.58349

2.92078

3.25199

3.68615

4.01500

17

0.25735

0.68920

1.33338

1.73961

2.10982

2.56693

2.89823

3.22245

3.64577

3.96513

18

0.25712

0.68836

1.33039

1.73406

2.10092

2.55238

2.87844

3.19657

3.61048

3.92165

19

0.25692

0.68762

1.32773

1.72913

2.09302

2.53948

2.86093

3.17372

3.57940

3.88341

20

0.25674

0.68695

1.32534

1.72472

2.08596

2.52798

2.84534

3.15340

3.55181

3.84952

21

0.25658

0.68635

1.32319

1.72074

2.07961

2.51765

2.83136

3.13521

3.52715

3.81928

22

0.25643

0.68581

1.32124

1.71714

2.07387

2.50832

2.81876

3.11882

3.50499

3.79213

23

0.25630

0.68531

1.31946

1.71387

2.06866

2.49987

2.80734

3.10400

3.48496

3.76763

24

0.25617

0.68485

1.31784

1.71088

2.06390

2.49216

2.79694

3.09051

3.46678

3.74540

25

0.25606

0.68443

1.31635

1.70814

2.05954

2.48511

2.78744

3.07820

3.45019

3.72514

26

0.25595

0.68404

1.31497

1.70562

2.05553

2.47863

2.77871

3.06691

3.43500

3.70661

27

0.25586

0.68368

1.31370

1.70329

2.05183

2.47266

2.77068

3.05652

3.42103

3.68959

28

0.25577

0.68335

1.31253

1.70113

2.04841

2.46714

2.76326

3.04693

3.40816

3.67391

29

0.25568

0.68304

1.31143

1.69913

2.04523

2.46202

2.75639

3.03805

3.39624

3.65941

30

0.25561

0.68276

1.31042

1.69726

2.04227

2.45726

2.75000

3.02980

3.38518

3.64596

40

0.25504

0.68067

1.30308

1.68385

2.02108

2.42326

2.70446

2.97117

3.30688

3.55097

50

0.25470

0.67943

1.29871

1.67591

2.00856

2.40327

2.67779

2.93696

3.26141

3.49601

60

0.25447

0.67860

1.29582

1.67065

2.00030

2.39012

2.66028

2.91455

3.23171

3.46020

70

0.25431

0.67801

1.29376

1.66691

1.99444

2.38081

2.64790

2.89873

3.21079

3.43501

80

0.25419

0.67757

1.29222

1.66412

1.99006

2.37387

2.63869

2.88697

3.19526

3.41634

90

0.25410

0.67723

1.29103

1.66196

1.98667

2.36850

2.63157

2.87788

3.18327

3.40194

95

0.25406

0.67708

1.29053

1.66105

1.98525

2.36624

2.62858

2.87407

3.17825

3.39590

100

0.25402

0.67695

1.29007

1.66023

1.98397

2.36422

2.62589

2.87065

3.17374

3.39049

120

0.25391

0.67654

1.28865

1.65765

1.97993

2.35782

2.61742

2.85986

3.15954

3.37345

150

0.25380

0.67613

1.28722

1.65508

1.97591

2.35146

2.60900

2.84915

3.14545

3.35657

Tabla III

Distribucin Ji Cuadrado

0.99500

0.99000

0.97500

0.95000

0.50000

0.05000

0.01000

0.00500

0.00004

0.00016

0.00098

0.00393

0.45494

3.84146

6.63490

7.87944

0.01003

0.02010

0.05064

0.10259

1.38629

5.99146

9.21034

10.59663

0.07172

0.11483

0.21580

0.35185

2.36597

7.81473

11.34487

12.83816

0.20699

0.29711

0.48442

0.71072

3.35669

9.48773

13.27670

14.86026

0.41174

0.55430

0.83121

1.14548

4.35146

11.07050

15.08627

16.74960

0.67573

0.87209

1.23734

1.63538

5.34812

12.59159

16.81189

18.54758

0.98926

1.23904

1.68987

2.16735

6.34581

14.06714

18.47531

20.27774

1.34441

1.64650

2.17973

2.73264

7.34412

15.50731

20.09024

21.95495

1.73493

2.08790

2.70039

3.32511

8.34283

16.91898

21.66599

23.58935

10

2.15586

2.55821

3.24697

3.94030

9.34182

18.30704

23.20925

25.18818

11

2.60322

3.05348

3.81575

4.57481

10.34100

19.67514

24.72497

26.75685

12

3.07382

3.57057

4.40379

5.22603

11.34032

21.02607

26.21697

28.29952

13

3.56503

4.10692

5.00875

5.89186

12.33976

22.36203

27.68825

29.81947

14

4.07467

4.66043

5.62873

6.57063

13.33927

23.68479

29.14124

31.31935

15

4.60092

5.22935

6.26214

7.26094

14.33886

24.99579

30.57791

32.80132

16

5.14221

5.81221

6.90766

7.96165

15.33850

26.29623

31.99993

34.26719

17

5.69722

6.40776

7.56419

8.67176

16.33818

27.58711

33.40866

35.71847

18

6.26480

7.01491

8.23075

9.39046

17.33790

28.86930

34.80531

37.15645

19

6.84397

7.63273

8.90652

10.11701

18.33765

30.14353

36.19087

38.58226

20

7.43384

8.26040

9.59078

10.85081

19.33743

31.41043

37.56623

39.99685

21

8.03365

8.89720

10.28290

11.59131

20.33723

32.67057

38.93217

41.40106

22

8.64272

9.54249

10.98232

12.33801

21.33705

33.92444

40.28936

42.79565

23

9.26042

10.19572

11.68855

13.09051

22.33688

35.17246

41.63840

44.18128

24

9.88623

10.85636

12.40115

13.84843

23.33673

36.41503

42.97982

45.55851

25

10.51965

11.52398

13.11972

14.61141

24.33659

37.65248

44.31410

46.92789

26

11.16024

12.19815

13.84391

15.37916

25.33646

38.88514

45.64168

48.28988

27

11.80759

12.87850

14.57338

16.15140

26.33634

40.11327

46.96294

49.64492

28

12.46134

13.56471

15.30786

16.92788

27.33623

41.33714

48.27824

50.99338

29

13.12115

14.25645

16.04707

17.70837

28.33613

42.55697

49.58788

52.33562

30

13.78672

14.95346

16.79077

18.49266

29.33603

43.77297

50.89218

53.67196

35

17.19182

18.50893

20.56938

22.46502

34.33564

49.80185

57.34207

60.27477

40

20.70654

22.16426

24.43304

26.50930

39.33535

55.75848

63.69074

66.76596

45

24.31101

25.90127

28.36615

30.61226

44.33512

61.65623

69.95683

73.16606

50

27.99075

29.70668

32.35736

34.76425

49.33494

67.50481

76.15389

79.48998

60

35.53449

37.48485

40.48175

43.18796

59.33467

79.08194

88.37942

91.95170

65

39.38314

41.44361

44.60299

47.44958

64.33456

84.82065

94.42208

98.10514

70

43.27518

45.44172

48.75757

51.73928

69.33448

90.53123

100.42518

104.21490

75

47.20605

49.47503

52.94194

56.05407

74.33440

96.21667

106.39292

110.28558

80

51.17193

53.54008

57.15317

60.39148

79.33433

101.87947

112.32879

116.32106

85

55.16960

57.63393

61.38878

64.74940

84.33427

107.52174

118.23575

122.32458

90

59.19630

61.75408

65.64662

69.12603

89.33422

113.14527

124.11632

128.29894

100

67.32756

70.06490

74.22193

77.92947

99.33414

124.34211

135.80672

140.16949

110

75.55005

78.45831

82.86705

86.79163

109.33406

135.48018

147.41431

151.94848

Tabla IV
v1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
120
140
150

1
5.83
2.57
2.02
1.81
1.69
1.62
1.57
1.54
1.51
1.49
1.47
1.46
1.45
1.44
1.43
1.42
1.42
1.41
1.41
1.40
1.40
1.40
1.39
1.39
1.39
1.38
1.38
1.38
1.38
1.38
1.36
1.35
1.35
1.35
1.34
1.34
1.34
1.34
1.33
1.33

2
7.50
3.00
2.28
2.00
1.85
1.76
1.70
1.66
1.62
1.60
1.58
1.56
1.55
1.53
1.52
1.51
1.51
1.50
1.49
1.49
1.48
1.48
1.47
1.47
1.47
1.46
1.46
1.46
1.45
1.45
1.44
1.43
1.42
1.41
1.41
1.41
1.41
1.40
1.40
1.40

Distribucin F con = 0.25

3
8.20
3.15
2.36
2.05
1.88
1.78
1.72
1.67
1.63
1.60
1.58
1.56
1.55
1.53
1.52
1.51
1.50
1.49
1.49
1.48
1.48
1.47
1.47
1.46
1.46
1.45
1.45
1.45
1.45
1.44
1.42
1.41
1.41
1.40
1.40
1.39
1.39
1.39
1.38
1.38

4
8.58
3.23
2.39
2.06
1.89
1.79
1.72
1.66
1.63
1.59
1.57
1.55
1.53
1.52
1.51
1.50
1.49
1.48
1.47
1.47
1.46
1.45
1.45
1.44
1.44
1.44
1.43
1.43
1.43
1.42
1.40
1.39
1.38
1.38
1.38
1.37
1.37
1.37
1.36
1.36

5
8.82
3.28
2.41
2.07
1.89
1.79
1.71
1.66
1.62
1.59
1.56
1.54
1.52
1.51
1.49
1.48
1.47
1.46
1.46
1.45
1.44
1.44
1.43
1.43
1.42
1.42
1.42
1.41
1.41
1.41
1.39
1.37
1.37
1.36
1.36
1.35
1.35
1.35
1.34
1.34

6
8.98
3.31
2.42
2.08
1.89
1.78
1.71
1.65
1.61
1.58
1.55
1.53
1.51
1.50
1.48
1.47
1.46
1.45
1.44
1.44
1.43
1.42
1.42
1.41
1.41
1.41
1.40
1.40
1.40
1.39
1.37
1.36
1.35
1.34
1.34
1.33
1.33
1.33
1.32
1.32

7
9.10
3.34
2.43
2.08
1.89
1.78
1.70
1.64
1.60
1.57
1.54
1.52
1.50
1.49
1.47
1.46
1.45
1.44
1.43
1.43
1.42
1.41
1.41
1.40
1.40
1.39
1.39
1.39
1.38
1.38
1.36
1.34
1.33
1.33
1.32
1.32
1.32
1.31
1.31
1.31

8
9.19
3.35
2.44
2.08
1.89
1.78
1.70
1.64
1.60
1.56
1.53
1.51
1.49
1.48
1.46
1.45
1.44
1.43
1.42
1.42
1.41
1.40
1.40
1.39
1.39
1.38
1.38
1.38
1.37
1.37
1.35
1.33
1.32
1.32
1.31
1.31
1.30
1.30
1.30
1.30

9
9.26
3.37
2.44
2.08
1.89
1.77
1.69
1.63
1.59
1.56
1.53
1.51
1.49
1.47
1.46
1.44
1.43
1.42
1.41
1.41
1.40
1.39
1.39
1.38
1.38
1.37
1.37
1.37
1.36
1.36
1.34
1.32
1.31
1.31
1.30
1.30
1.29
1.29
1.29
1.28

10
9.32
3.38
2.44
2.08
1.89
1.77
1.69
1.63
1.59
1.55
1.52
1.50
1.48
1.46
1.45
1.44
1.43
1.42
1.41
1.40
1.39
1.39
1.38
1.38
1.37
1.37
1.36
1.36
1.35
1.35
1.33
1.31
1.30
1.30
1.29
1.29
1.28
1.28
1.28
1.27

12
9.41
3.39
2.45
2.08
1.89
1.77
1.68
1.62
1.58
1.54
1.51
1.49
1.47
1.45
1.44
1.43
1.41
1.40
1.40
1.39
1.38
1.37
1.37
1.36
1.36
1.35
1.35
1.34
1.34
1.34
1.31
1.30
1.29
1.28
1.27
1.27
1.27
1.26
1.26
1.26

14
9.47
3.41
2.45
2.08
1.89
1.76
1.68
1.62
1.57
1.54
1.51
1.48
1.46
1.44
1.43
1.42
1.41
1.40
1.39
1.38
1.37
1.36
1.36
1.35
1.35
1.34
1.34
1.33
1.33
1.33
1.30
1.28
1.27
1.27
1.26
1.26
1.25
1.25
1.24
1.24

16
9.52
3.41
2.46
2.08
1.88
1.76
1.68
1.62
1.57
1.53
1.50
1.48
1.46
1.44
1.42
1.41
1.40
1.39
1.38
1.37
1.36
1.36
1.35
1.34
1.34
1.33
1.33
1.32
1.32
1.32
1.29
1.27
1.26
1.26
1.25
1.25
1.24
1.24
1.23
1.23

18
9.55
3.42
2.46
2.08
1.88
1.76
1.67
1.61
1.56
1.53
1.50
1.47
1.45
1.43
1.42
1.40
1.39
1.38
1.37
1.36
1.36
1.35
1.34
1.34
1.33
1.33
1.32
1.32
1.31
1.31
1.28
1.27
1.26
1.25
1.24
1.24
1.23
1.23
1.22
1.22

20
9.58
3.43
2.46
2.08
1.88
1.76
1.67
1.61
1.56
1.52
1.49
1.47
1.45
1.43
1.41
1.40
1.39
1.38
1.37
1.36
1.35
1.34
1.34
1.33
1.33
1.32
1.32
1.31
1.31
1.30
1.28
1.26
1.25
1.24
1.23
1.23
1.23
1.22
1.22
1.21

25
9.63
3.44
2.46
2.08
1.88
1.75
1.67
1.60
1.55
1.52
1.49
1.46
1.44
1.42
1.40
1.39
1.38
1.37
1.36
1.35
1.34
1.33
1.33
1.32
1.31
1.31
1.30
1.30
1.30
1.29
1.26
1.25
1.23
1.23
1.22
1.21
1.21
1.20
1.20
1.20

30
9.67
3.44
2.47
2.08
1.88
1.75
1.66
1.60
1.55
1.51
1.48
1.45
1.43
1.41
1.40
1.38
1.37
1.36
1.35
1.34
1.33
1.32
1.32
1.31
1.31
1.30
1.30
1.29
1.29
1.28
1.25
1.23
1.22
1.21
1.21
1.20
1.20
1.19
1.19
1.19

35
9.70
3.45
2.47
2.08
1.88
1.75
1.66
1.60
1.55
1.51
1.48
1.45
1.43
1.41
1.39
1.38
1.37
1.35
1.34
1.33
1.33
1.32
1.31
1.31
1.30
1.29
1.29
1.28
1.28
1.28
1.25
1.23
1.21
1.21
1.20
1.19
1.19
1.18
1.18
1.18

40
9.71
3.45
2.47
2.08
1.88
1.75
1.66
1.59
1.54
1.51
1.47
1.45
1.42
1.41
1.39
1.37
1.36
1.35
1.34
1.33
1.32
1.31
1.31
1.30
1.29
1.29
1.28
1.28
1.27
1.27
1.24
1.22
1.21
1.20
1.19
1.19
1.18
1.18
1.17
1.17

50
9.74
3.46
2.47
2.08
1.88
1.75
1.66
1.59
1.54
1.50
1.47
1.44
1.42
1.40
1.38
1.37
1.36
1.34
1.33
1.32
1.32
1.31
1.30
1.29
1.29
1.28
1.28
1.27
1.27
1.26
1.23
1.21
1.20
1.19
1.18
1.18
1.17
1.16
1.16
1.16

60
9.76
3.46
2.47
2.08
1.87
1.74
1.65
1.59
1.54
1.50
1.47
1.44
1.42
1.40
1.38
1.36
1.35
1.34
1.33
1.32
1.31
1.30
1.30
1.29
1.28
1.28
1.27
1.27
1.26
1.26
1.22
1.20
1.19
1.18
1.17
1.17
1.16
1.16
1.15
1.15

70
9.77
3.46
2.47
2.08
1.87
1.74
1.65
1.59
1.54
1.50
1.46
1.44
1.41
1.39
1.38
1.36
1.35
1.34
1.33
1.32
1.31
1.30
1.29
1.28
1.28
1.27
1.27
1.26
1.26
1.25
1.22
1.20
1.19
1.18
1.17
1.16
1.16
1.15
1.14
1.14

80
9.78
3.46
2.47
2.08
1.87
1.74
1.65
1.59
1.54
1.50
1.46
1.44
1.41
1.39
1.37
1.36
1.35
1.33
1.32
1.31
1.30
1.30
1.29
1.28
1.28
1.27
1.26
1.26
1.25
1.25
1.22
1.20
1.18
1.17
1.16
1.16
1.15
1.14
1.14
1.14

90
9.79
3.46
2.47
2.08
1.87
1.74
1.65
1.59
1.53
1.49
1.46
1.43
1.41
1.39
1.37
1.36
1.34
1.33
1.32
1.31
1.30
1.29
1.29
1.28
1.27
1.27
1.26
1.26
1.25
1.25
1.21
1.19
1.18
1.17
1.16
1.15
1.15
1.14
1.13
1.13

100
9.80
3.47
2.47
2.08
1.87
1.74
1.65
1.58
1.53
1.49
1.46
1.43
1.41
1.39
1.37
1.36
1.34
1.33
1.32
1.31
1.30
1.29
1.29
1.28
1.27
1.27
1.26
1.25
1.25
1.25
1.21
1.19
1.18
1.16
1.16
1.15
1.14
1.14
1.13
1.13

120
9.80
3.47
2.47
2.08
1.87
1.74
1.65
1.58
1.53
1.49
1.46
1.43
1.41
1.39
1.37
1.35
1.34
1.33
1.32
1.31
1.30
1.29
1.28
1.28
1.27
1.26
1.26
1.25
1.25
1.24
1.21
1.19
1.17
1.16
1.15
1.15
1.14
1.13
1.13
1.12

140
9.81
3.47
2.47
2.08
1.87
1.74
1.65
1.58
1.53
1.49
1.46
1.43
1.41
1.39
1.37
1.35
1.34
1.33
1.32
1.31
1.30
1.29
1.28
1.27
1.27
1.26
1.26
1.25
1.24
1.24
1.21
1.18
1.17
1.16
1.15
1.14
1.14
1.13
1.12
1.12

Tabla V
v1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
120
140
150

1
161.4
18.5
10.1
7.71
6.61
5.99
5.59
5.32
5.12
4.96
4.84
4.75
4.67
4.60
4.54
4.49
4.45
4.41
4.38
4.35
4.32
4.30
4.28
4.26
4.24
4.23
4.21
4.20
4.18
4.17
4.08
4.03
4.00
3.98
3.96
3.95
3.94
3.92
3.91
3.90

Distribucin F con = 0.05

2
199.5
19.0
9.6
6.94
5.79
5.14
4.74
4.46
4.26
4.10
3.98
3.89
3.81
3.74
3.68
3.63
3.59
3.55
3.52
3.49
3.47
3.44
3.42
3.40
3.39
3.37
3.35
3.34
3.33
3.32
3.23
3.18
3.15
3.13
3.11
3.10
3.09
3.07
3.06
3.06

3
215.7
19.2
9.3
6.59
5.41
4.76
4.35
4.07
3.86
3.71
3.59
3.49
3.41
3.34
3.29
3.24
3.20
3.16
3.13
3.10
3.07
3.05
3.03
3.01
2.99
2.98
2.96
2.95
2.93
2.92
2.84
2.79
2.76
2.74
2.72
2.71
2.70
2.68
2.67
2.66

4
224.6
19.2
9.1
6.39
5.19
4.53
4.12
3.84
3.63
3.48
3.36
3.26
3.18
3.11
3.06
3.01
2.96
2.93
2.90
2.87
2.84
2.82
2.80
2.78
2.76
2.74
2.73
2.71
2.70
2.69
2.61
2.56
2.53
2.50
2.49
2.47
2.46
2.45
2.44
2.43

5
230.2
19.3
9.0
6.26
5.05
4.39
3.97
3.69
3.48
3.33
3.20
3.11
3.03
2.96
2.90
2.85
2.81
2.77
2.74
2.71
2.68
2.66
2.64
2.62
2.60
2.59
2.57
2.56
2.55
2.53
2.45
2.40
2.37
2.35
2.33
2.32
2.31
2.29
2.28
2.27

6
234.0
19.3
8.9
6.16
4.95
4.28
3.87
3.58
3.37
3.22
3.09
3.00
2.92
2.85
2.79
2.74
2.70
2.66
2.63
2.60
2.57
2.55
2.53
2.51
2.49
2.47
2.46
2.45
2.43
2.42
2.34
2.29
2.25
2.23
2.21
2.20
2.19
2.18
2.16
2.16

7
236.8
19.4
8.9
6.09
4.88
4.21
3.79
3.50
3.29
3.14
3.01
2.91
2.83
2.76
2.71
2.66
2.61
2.58
2.54
2.51
2.49
2.46
2.44
2.42
2.40
2.39
2.37
2.36
2.35
2.33
2.25
2.20
2.17
2.14
2.13
2.11
2.10
2.09
2.08
2.07

8
238.9
19.4
8.8
6.04
4.82
4.15
3.73
3.44
3.23
3.07
2.95
2.85
2.77
2.70
2.64
2.59
2.55
2.51
2.48
2.45
2.42
2.40
2.37
2.36
2.34
2.32
2.31
2.29
2.28
2.27
2.18
2.13
2.10
2.07
2.06
2.04
2.03
2.02
2.01
2.00

9
240.5
19.4
8.8
6.00
4.77
4.10
3.68
3.39
3.18
3.02
2.90
2.80
2.71
2.65
2.59
2.54
2.49
2.46
2.42
2.39
2.37
2.34
2.32
2.30
2.28
2.27
2.25
2.24
2.22
2.21
2.12
2.07
2.04
2.02
2.00
1.99
1.97
1.96
1.95
1.94

10
241.9
19.4
8.8
5.96
4.74
4.06
3.64
3.35
3.14
2.98
2.85
2.75
2.67
2.60
2.54
2.49
2.45
2.41
2.38
2.35
2.32
2.30
2.27
2.25
2.24
2.22
2.20
2.19
2.18
2.16
2.08
2.03
1.99
1.97
1.95
1.94
1.93
1.91
1.90
1.89

12
243.9
19.4
8.7
5.91
4.68
4.00
3.57
3.28
3.07
2.91
2.79
2.69
2.60
2.53
2.48
2.42
2.38
2.34
2.31
2.28
2.25
2.23
2.20
2.18
2.16
2.15
2.13
2.12
2.10
2.09
2.00
1.95
1.92
1.89
1.88
1.86
1.85
1.83
1.82
1.82

14
245.4
19.4
8.7
5.87
4.64
3.96
3.53
3.24
3.03
2.86
2.74
2.64
2.55
2.48
2.42
2.37
2.33
2.29
2.26
2.22
2.20
2.17
2.15
2.13
2.11
2.09
2.08
2.06
2.05
2.04
1.95
1.89
1.86
1.84
1.82
1.80
1.79
1.78
1.76
1.76

16
246.5
19.4
8.7
5.84
4.60
3.92
3.49
3.20
2.99
2.83
2.70
2.60
2.51
2.44
2.38
2.33
2.29
2.25
2.21
2.18
2.16
2.13
2.11
2.09
2.07
2.05
2.04
2.02
2.01
1.99
1.90
1.85
1.82
1.79
1.77
1.76
1.75
1.73
1.72
1.71

18
247.3
19.4
8.7
5.82
4.58
3.90
3.47
3.17
2.96
2.80
2.67
2.57
2.48
2.41
2.35
2.30
2.26
2.22
2.18
2.15
2.12
2.10
2.08
2.05
2.04
2.02
2.00
1.99
1.97
1.96
1.87
1.81
1.78
1.75
1.73
1.72
1.71
1.69
1.68
1.67

20
248.0
19.4
8.7
5.80
4.56
3.87
3.44
3.15
2.94
2.77
2.65
2.54
2.46
2.39
2.33
2.28
2.23
2.19
2.16
2.12
2.10
2.07
2.05
2.03
2.01
1.99
1.97
1.96
1.94
1.93
1.84
1.78
1.75
1.72
1.70
1.69
1.68
1.66
1.65
1.64

25
249.3
19.5
8.6
5.77
4.52
3.83
3.40
3.11
2.89
2.73
2.60
2.50
2.41
2.34
2.28
2.23
2.18
2.14
2.11
2.07
2.05
2.02
2.00
1.97
1.96
1.94
1.92
1.91
1.89
1.88
1.78
1.73
1.69
1.66
1.64
1.63
1.62
1.60
1.58
1.58

30
250.1
19.5
8.6
5.75
4.50
3.81
3.38
3.08
2.86
2.70
2.57
2.47
2.38
2.31
2.25
2.19
2.15
2.11
2.07
2.04
2.01
1.98
1.96
1.94
1.92
1.90
1.88
1.87
1.85
1.84
1.74
1.69
1.65
1.62
1.60
1.59
1.57
1.55
1.54
1.54

35
250.7
19.5
8.6
5.73
4.48
3.79
3.36
3.06
2.84
2.68
2.55
2.44
2.36
2.28
2.22
2.17
2.12
2.08
2.05
2.01
1.98
1.96
1.93
1.91
1.89
1.87
1.86
1.84
1.83
1.81
1.72
1.66
1.62
1.59
1.57
1.55
1.54
1.52
1.51
1.50

40
251.1
19.5
8.6
5.72
4.46
3.77
3.34
3.04
2.83
2.66
2.53
2.43
2.34
2.27
2.20
2.15
2.10
2.06
2.03
1.99
1.96
1.94
1.91
1.89
1.87
1.85
1.84
1.82
1.81
1.79
1.69
1.63
1.59
1.57
1.54
1.53
1.52
1.50
1.48
1.48

50
251.8
19.5
8.6
5.70
4.44
3.75
3.32
3.02
2.80
2.64
2.51
2.40
2.31
2.24
2.18
2.12
2.08
2.04
2.00
1.97
1.94
1.91
1.88
1.86
1.84
1.82
1.81
1.79
1.77
1.76
1.66
1.60
1.56
1.53
1.51
1.49
1.48
1.46
1.44
1.44

60
252.2
19.5
8.6
5.69
4.43
3.74
3.30
3.01
2.79
2.62
2.49
2.38
2.30
2.22
2.16
2.11
2.06
2.02
1.98
1.95
1.92
1.89
1.86
1.84
1.82
1.80
1.79
1.77
1.75
1.74
1.64
1.58
1.53
1.50
1.48
1.46
1.45
1.43
1.41
1.41

70
252.5
19.5
8.6
5.68
4.42
3.73
3.29
2.99
2.78
2.61
2.48
2.37
2.28
2.21
2.15
2.09
2.05
2.00
1.97
1.93
1.90
1.88
1.85
1.83
1.81
1.79
1.77
1.75
1.74
1.72
1.62
1.56
1.52
1.49
1.46
1.44
1.43
1.41
1.39
1.39

80
252.7
19.5
8.6
5.67
4.41
3.72
3.29
2.99
2.77
2.60
2.47
2.36
2.27
2.20
2.14
2.08
2.03
1.99
1.96
1.92
1.89
1.86
1.84
1.82
1.80
1.78
1.76
1.74
1.73
1.71
1.61
1.54
1.50
1.47
1.45
1.43
1.41
1.39
1.38
1.37

90
252.9
19.5
8.6
5.67
4.41
3.72
3.28
2.98
2.76
2.59
2.46
2.36
2.27
2.19
2.13
2.07
2.03
1.98
1.95
1.91
1.88
1.86
1.83
1.81
1.79
1.77
1.75
1.73
1.72
1.70
1.60
1.53
1.49
1.46
1.44
1.42
1.40
1.38
1.36
1.36

100
253.0
19.5
8.6
5.66
4.41
3.71
3.27
2.97
2.76
2.59
2.46
2.35
2.26
2.19
2.12
2.07
2.02
1.98
1.94
1.91
1.88
1.85
1.82
1.80
1.78
1.76
1.74
1.73
1.71
1.70
1.59
1.52
1.48
1.45
1.43
1.41
1.39
1.37
1.35
1.34

120
253.3
19.5
8.5
5.66
4.40
3.70
3.27
2.97
2.75
2.58
2.45
2.34
2.25
2.18
2.11
2.06
2.01
1.97
1.93
1.90
1.87
1.84
1.81
1.79
1.77
1.75
1.73
1.71
1.70
1.68
1.58
1.51
1.47
1.44
1.41
1.39
1.38
1.35
1.33
1.33

140
253.4
19.5
8.5
5.65
4.39
3.70
3.26
2.96
2.74
2.57
2.44
2.33
2.25
2.17
2.11
2.05
2.00
1.96
1.92
1.89
1.86
1.83
1.81
1.78
1.76
1.74
1.72
1.71
1.69
1.68
1.57
1.50
1.46
1.42
1.40
1.38
1.36
1.34
1.32
1.31

Tabla VI
v1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
120
140
150

1
39.86
8.53
5.54
4.54
4.06
3.78
3.59
3.46
3.36
3.29
3.23
3.18
3.14
3.10
3.07
3.05
3.03
3.01
2.99
2.97
2.96
2.95
2.94
2.93
2.92
2.91
2.90
2.89
2.89
2.88
2.84
2.81
2.79
2.78
2.77
2.76
2.76
2.75
2.74
2.74

2
49.50
9.00
5.46
4.32
3.78
3.46
3.26
3.11
3.01
2.92
2.86
2.81
2.76
2.73
2.70
2.67
2.64
2.62
2.61
2.59
2.57
2.56
2.55
2.54
2.53
2.52
2.51
2.50
2.50
2.49
2.44
2.41
2.39
2.38
2.37
2.36
2.36
2.35
2.34
2.34

Distribucin F con = 0.10

3
53.59
9.16
5.39
4.19
3.62
3.29
3.07
2.92
2.81
2.73
2.66
2.61
2.56
2.52
2.49
2.46
2.44
2.42
2.40
2.38
2.36
2.35
2.34
2.33
2.32
2.31
2.30
2.29
2.28
2.28
2.23
2.20
2.18
2.16
2.15
2.15
2.14
2.13
2.12
2.12

4
55.83
9.24
5.34
4.11
3.52
3.18
2.96
2.81
2.69
2.61
2.54
2.48
2.43
2.39
2.36
2.33
2.31
2.29
2.27
2.25
2.23
2.22
2.21
2.19
2.18
2.17
2.17
2.16
2.15
2.14
2.09
2.06
2.04
2.03
2.02
2.01
2.00
1.99
1.99
1.98

5
57.24
9.29
5.31
4.05
3.45
3.11
2.88
2.73
2.61
2.52
2.45
2.39
2.35
2.31
2.27
2.24
2.22
2.20
2.18
2.16
2.14
2.13
2.11
2.10
2.09
2.08
2.07
2.06
2.06
2.05
2.00
1.97
1.95
1.93
1.92
1.91
1.91
1.90
1.89
1.89

6
58.20
9.33
5.28
4.01
3.40
3.05
2.83
2.67
2.55
2.46
2.39
2.33
2.28
2.24
2.21
2.18
2.15
2.13
2.11
2.09
2.08
2.06
2.05
2.04
2.02
2.01
2.00
2.00
1.99
1.98
1.93
1.90
1.87
1.86
1.85
1.84
1.83
1.82
1.82
1.81

7
58.91
9.35
5.27
3.98
3.37
3.01
2.78
2.62
2.51
2.41
2.34
2.28
2.23
2.19
2.16
2.13
2.10
2.08
2.06
2.04
2.02
2.01
1.99
1.98
1.97
1.96
1.95
1.94
1.93
1.93
1.87
1.84
1.82
1.80
1.79
1.78
1.78
1.77
1.76
1.76

8
59.44
9.37
5.25
3.95
3.34
2.98
2.75
2.59
2.47
2.38
2.30
2.24
2.20
2.15
2.12
2.09
2.06
2.04
2.02
2.00
1.98
1.97
1.95
1.94
1.93
1.92
1.91
1.90
1.89
1.88
1.83
1.80
1.77
1.76
1.75
1.74
1.73
1.72
1.71
1.71

9
59.86
9.38
5.24
3.94
3.32
2.96
2.72
2.56
2.44
2.35
2.27
2.21
2.16
2.12
2.09
2.06
2.03
2.00
1.98
1.96
1.95
1.93
1.92
1.91
1.89
1.88
1.87
1.87
1.86
1.85
1.79
1.76
1.74
1.72
1.71
1.70
1.69
1.68
1.68
1.67

10
60.19
9.39
5.23
3.92
3.30
2.94
2.70
2.54
2.42
2.32
2.25
2.19
2.14
2.10
2.06
2.03
2.00
1.98
1.96
1.94
1.92
1.90
1.89
1.88
1.87
1.86
1.85
1.84
1.83
1.82
1.76
1.73
1.71
1.69
1.68
1.67
1.66
1.65
1.64
1.64

12
60.71
9.41
5.22
3.90
3.27
2.90
2.67
2.50
2.38
2.28
2.21
2.15
2.10
2.05
2.02
1.99
1.96
1.93
1.91
1.89
1.87
1.86
1.84
1.83
1.82
1.81
1.80
1.79
1.78
1.77
1.71
1.68
1.66
1.64
1.63
1.62
1.61
1.60
1.59
1.59

14
61.07
9.42
5.20
3.88
3.25
2.88
2.64
2.48
2.35
2.26
2.18
2.12
2.07
2.02
1.99
1.95
1.93
1.90
1.88
1.86
1.84
1.83
1.81
1.80
1.79
1.77
1.76
1.75
1.75
1.74
1.68
1.64
1.62
1.60
1.59
1.58
1.57
1.56
1.55
1.55

16
61.35
9.43
5.20
3.86
3.23
2.86
2.62
2.45
2.33
2.23
2.16
2.09
2.04
2.00
1.96
1.93
1.90
1.87
1.85
1.83
1.81
1.80
1.78
1.77
1.76
1.75
1.74
1.73
1.72
1.71
1.65
1.61
1.59
1.57
1.56
1.55
1.54
1.53
1.52
1.52

18
61.57
9.44
5.19
3.85
3.22
2.85
2.61
2.44
2.31
2.22
2.14
2.08
2.02
1.98
1.94
1.91
1.88
1.85
1.83
1.81
1.79
1.78
1.76
1.75
1.74
1.72
1.71
1.70
1.69
1.69
1.62
1.59
1.56
1.55
1.53
1.52
1.52
1.50
1.50
1.49

20
61.74
9.44
5.18
3.84
3.21
2.84
2.59
2.42
2.30
2.20
2.12
2.06
2.01
1.96
1.92
1.89
1.86
1.84
1.81
1.79
1.78
1.76
1.74
1.73
1.72
1.71
1.70
1.69
1.68
1.67
1.61
1.57
1.54
1.53
1.51
1.50
1.49
1.48
1.47
1.47

25
62.05
9.45
5.17
3.83
3.19
2.81
2.57
2.40
2.27
2.17
2.10
2.03
1.98
1.93
1.89
1.86
1.83
1.80
1.78
1.76
1.74
1.73
1.71
1.70
1.68
1.67
1.66
1.65
1.64
1.63
1.57
1.53
1.50
1.49
1.47
1.46
1.45
1.44
1.43
1.43

30
62.26
9.46
5.17
3.82
3.17
2.80
2.56
2.38
2.25
2.16
2.08
2.01
1.96
1.91
1.87
1.84
1.81
1.78
1.76
1.74
1.72
1.70
1.69
1.67
1.66
1.65
1.64
1.63
1.62
1.61
1.54
1.50
1.48
1.46
1.44
1.43
1.42
1.41
1.40
1.40

35
62.42
9.46
5.16
3.81
3.16
2.79
2.54
2.37
2.24
2.14
2.06
2.00
1.94
1.90
1.86
1.82
1.79
1.77
1.74
1.72
1.70
1.68
1.67
1.65
1.64
1.63
1.62
1.61
1.60
1.59
1.52
1.48
1.45
1.43
1.42
1.41
1.40
1.39
1.38
1.37

40
62.53
9.47
5.16
3.80
3.16
2.78
2.54
2.36
2.23
2.13
2.05
1.99
1.93
1.89
1.85
1.81
1.78
1.75
1.73
1.71
1.69
1.67
1.66
1.64
1.63
1.61
1.60
1.59
1.58
1.57
1.51
1.46
1.44
1.42
1.40
1.39
1.38
1.37
1.36
1.35

50
62.69
9.47
5.15
3.80
3.15
2.77
2.52
2.35
2.22
2.12
2.04
1.97
1.92
1.87
1.83
1.79
1.76
1.74
1.71
1.69
1.67
1.65
1.64
1.62
1.61
1.59
1.58
1.57
1.56
1.55
1.48
1.44
1.41
1.39
1.38
1.36
1.35
1.34
1.33
1.33

60
62.79
9.47
5.15
3.79
3.14
2.76
2.51
2.34
2.21
2.11
2.03
1.96
1.90
1.86
1.82
1.78
1.75
1.72
1.70
1.68
1.66
1.64
1.62
1.61
1.59
1.58
1.57
1.56
1.55
1.54
1.47
1.42
1.40
1.37
1.36
1.35
1.34
1.32
1.31
1.30

70
62.87
9.48
5.15
3.79
3.14
2.76
2.51
2.33
2.20
2.10
2.02
1.95
1.90
1.85
1.81
1.77
1.74
1.71
1.69
1.67
1.65
1.63
1.61
1.60
1.58
1.57
1.56
1.55
1.54
1.53
1.46
1.41
1.38
1.36
1.34
1.33
1.32
1.31
1.29
1.29

80
62.93
9.48
5.15
3.78
3.13
2.75
2.50
2.33
2.20
2.09
2.01
1.95
1.89
1.84
1.80
1.77
1.74
1.71
1.68
1.66
1.64
1.62
1.61
1.59
1.58
1.56
1.55
1.54
1.53
1.52
1.45
1.40
1.37
1.35
1.33
1.32
1.31
1.29
1.28
1.28

90
62.97
9.48
5.15
3.78
3.13
2.75
2.50
2.32
2.19
2.09
2.01
1.94
1.89
1.84
1.80
1.76
1.73
1.70
1.68
1.65
1.63
1.62
1.60
1.58
1.57
1.56
1.54
1.53
1.52
1.51
1.44
1.39
1.36
1.34
1.33
1.31
1.30
1.28
1.27
1.27

100
63.01
9.48
5.14
3.78
3.13
2.75
2.50
2.32
2.19
2.09
2.01
1.94
1.88
1.83
1.79
1.76
1.73
1.70
1.67
1.65
1.63
1.61
1.59
1.58
1.56
1.55
1.54
1.53
1.52
1.51
1.43
1.39
1.36
1.34
1.32
1.30
1.29
1.28
1.26
1.26

120
63.06
9.48
5.14
3.78
3.12
2.74
2.49
2.32
2.18
2.08
2.00
1.93
1.88
1.83
1.79
1.75
1.72
1.69
1.67
1.64
1.62
1.60
1.59
1.57
1.56
1.54
1.53
1.52
1.51
1.50
1.42
1.38
1.35
1.32
1.31
1.29
1.28
1.26
1.25
1.25

140
63.10
9.48
5.14
3.77
3.12
2.74
2.49
2.31
2.18
2.08
2.00
1.93
1.87
1.82
1.78
1.75
1.71
1.69
1.66
1.64
1.62
1.60
1.58
1.57
1.55
1.54
1.53
1.51
1.50
1.49
1.42
1.37
1.34
1.32
1.30
1.28
1.27
1.26
1.24
1.24

Tabla VII Distribucin F con = 0.025

v1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
120
140
150

1
648
38.5
17.4
12.2
10.0
8.81
8.07
7.57
7.21
6.94
6.72
6.55
6.41
6.30
6.20
6.12
6.04
5.98
5.92
5.87
5.83
5.79
5.75
5.72
5.69
5.66
5.63
5.61
5.59
5.57
5.42
5.34
5.29
5.25
5.22
5.20
5.18
5.15
5.13
5.13

2
799
39.0
16.0
10.6
8.4
7.26
6.54
6.06
5.71
5.46
5.26
5.10
4.97
4.86
4.77
4.69
4.62
4.56
4.51
4.46
4.42
4.38
4.35
4.32
4.29
4.27
4.24
4.22
4.20
4.18
4.05
3.97
3.93
3.89
3.86
3.84
3.83
3.80
3.79
3.78

3
864
39.2
15.4
10.0
7.8
6.60
5.89
5.42
5.08
4.83
4.63
4.47
4.35
4.24
4.15
4.08
4.01
3.95
3.90
3.86
3.82
3.78
3.75
3.72
3.69
3.67
3.65
3.63
3.61
3.59
3.46
3.39
3.34
3.31
3.28
3.26
3.25
3.23
3.21
3.20

4
900
39.2
15.1
9.6
7.4
6.23
5.52
5.05
4.72
4.47
4.28
4.12
4.00
3.89
3.80
3.73
3.66
3.61
3.56
3.51
3.48
3.44
3.41
3.38
3.35
3.33
3.31
3.29
3.27
3.25
3.13
3.05
3.01
2.97
2.95
2.93
2.92
2.89
2.88
2.87

5
922
39.3
14.9
9.4
7.1
5.99
5.29
4.82
4.48
4.24
4.04
3.89
3.77
3.66
3.58
3.50
3.44
3.38
3.33
3.29
3.25
3.22
3.18
3.15
3.13
3.10
3.08
3.06
3.04
3.03
2.90
2.83
2.79
2.75
2.73
2.71
2.70
2.67
2.66
2.65

6
937
39.3
14.7
9.2
7.0
5.82
5.12
4.65
4.32
4.07
3.88
3.73
3.60
3.50
3.41
3.34
3.28
3.22
3.17
3.13
3.09
3.05
3.02
2.99
2.97
2.94
2.92
2.90
2.88
2.87
2.74
2.67
2.63
2.59
2.57
2.55
2.54
2.52
2.50
2.49

7
948
39.4
14.6
9.1
6.9
5.70
4.99
4.53
4.20
3.95
3.76
3.61
3.48
3.38
3.29
3.22
3.16
3.10
3.05
3.01
2.97
2.93
2.90
2.87
2.85
2.82
2.80
2.78
2.76
2.75
2.62
2.55
2.51
2.47
2.45
2.43
2.42
2.39
2.38
2.37

8
957
39.4
14.5
9.0
6.8
5.60
4.90
4.43
4.10
3.85
3.66
3.51
3.39
3.29
3.20
3.12
3.06
3.01
2.96
2.91
2.87
2.84
2.81
2.78
2.75
2.73
2.71
2.69
2.67
2.65
2.53
2.46
2.41
2.38
2.35
2.34
2.32
2.30
2.28
2.28

9
963
39.4
14.5
8.9
6.7
5.52
4.82
4.36
4.03
3.78
3.59
3.44
3.31
3.21
3.12
3.05
2.98
2.93
2.88
2.84
2.80
2.76
2.73
2.70
2.68
2.65
2.63
2.61
2.59
2.57
2.45
2.38
2.33
2.30
2.28
2.26
2.24
2.22
2.21
2.20

10
969
39.4
14.4
8.8
6.6
5.46
4.76
4.30
3.96
3.72
3.53
3.37
3.25
3.15
3.06
2.99
2.92
2.87
2.82
2.77
2.73
2.70
2.67
2.64
2.61
2.59
2.57
2.55
2.53
2.51
2.39
2.32
2.27
2.24
2.21
2.19
2.18
2.16
2.14
2.13

12
977
39.4
14.3
8.8
6.5
5.37
4.67
4.20
3.87
3.62
3.43
3.28
3.15
3.05
2.96
2.89
2.82
2.77
2.72
2.68
2.64
2.60
2.57
2.54
2.51
2.49
2.47
2.45
2.43
2.41
2.29
2.22
2.17
2.14
2.11
2.09
2.08
2.05
2.04
2.03

14
983
39.4
14.3
8.7
6.5
5.30
4.60
4.13
3.80
3.55
3.36
3.21
3.08
2.98
2.89
2.82
2.75
2.70
2.65
2.60
2.56
2.53
2.50
2.47
2.44
2.42
2.39
2.37
2.36
2.34
2.21
2.14
2.09
2.06
2.03
2.02
2.00
1.98
1.96
1.95

16
987
39.4
14.2
8.6
6.4
5.24
4.54
4.08
3.74
3.50
3.30
3.15
3.03
2.92
2.84
2.76
2.70
2.64
2.59
2.55
2.51
2.47
2.44
2.41
2.38
2.36
2.34
2.32
2.30
2.28
2.15
2.08
2.03
2.00
1.97
1.95
1.94
1.92
1.90
1.89

18
990
39.4
14.2
8.6
6.4
5.20
4.50
4.03
3.70
3.45
3.26
3.11
2.98
2.88
2.79
2.72
2.65
2.60
2.55
2.50
2.46
2.43
2.39
2.36
2.34
2.31
2.29
2.27
2.25
2.23
2.11
2.03
1.98
1.95
1.92
1.91
1.89
1.87
1.85
1.84

20
993
39.4
14.2
8.6
6.3
5.17
4.47
4.00
3.67
3.42
3.23
3.07
2.95
2.84
2.76
2.68
2.62
2.56
2.51
2.46
2.42
2.39
2.36
2.33
2.30
2.28
2.25
2.23
2.21
2.20
2.07
1.99
1.94
1.91
1.88
1.86
1.85
1.82
1.81
1.80

25
998
39.5
14.1
8.5
6.3
5.11
4.40
3.94
3.60
3.35
3.16
3.01
2.88
2.78
2.69
2.61
2.55
2.49
2.44
2.40
2.36
2.32
2.29
2.26
2.23
2.21
2.18
2.16
2.14
2.12
1.99
1.92
1.87
1.83
1.81
1.79
1.77
1.75
1.73
1.72

30
1001
39.5
14.1
8.5
6.2
5.07
4.36
3.89
3.56
3.31
3.12
2.96
2.84
2.73
2.64
2.57
2.50
2.44
2.39
2.35
2.31
2.27
2.24
2.21
2.18
2.16
2.13
2.11
2.09
2.07
1.94
1.87
1.82
1.78
1.75
1.73
1.71
1.69
1.67
1.67

35
1004
39.5
14.1
8.4
6.2
5.04
4.33
3.86
3.53
3.28
3.09
2.93
2.80
2.70
2.61
2.53
2.47
2.41
2.36
2.31
2.27
2.24
2.20
2.17
2.15
2.12
2.10
2.08
2.06
2.04
1.90
1.83
1.78
1.74
1.71
1.69
1.67
1.65
1.63
1.62

40
1006
39.5
14.0
8.4
6.2
5.01
4.31
3.84
3.51
3.26
3.06
2.91
2.78
2.67
2.59
2.51
2.44
2.38
2.33
2.29
2.25
2.21
2.18
2.15
2.12
2.09
2.07
2.05
2.03
2.01
1.88
1.80
1.74
1.71
1.68
1.66
1.64
1.61
1.60
1.59

50
1008
39.5
14.0
8.4
6.1
4.98
4.28
3.81
3.47
3.22
3.03
2.87
2.74
2.64
2.55
2.47
2.41
2.35
2.30
2.25
2.21
2.17
2.14
2.11
2.08
2.05
2.03
2.01
1.99
1.97
1.83
1.75
1.70
1.66
1.63
1.61
1.59
1.56
1.55
1.54

60
1010
39.5
14.0
8.4
6.1
4.96
4.25
3.78
3.45
3.20
3.00
2.85
2.72
2.61
2.52
2.45
2.38
2.32
2.27
2.22
2.18
2.14
2.11
2.08
2.05
2.03
2.00
1.98
1.96
1.94
1.80
1.72
1.67
1.63
1.60
1.58
1.56
1.53
1.51
1.50

70
1011
39.5
14.0
8.3
6.1
4.94
4.24
3.77
3.43
3.18
2.99
2.83
2.70
2.60
2.51
2.43
2.36
2.30
2.25
2.20
2.16
2.13
2.09
2.06
2.03
2.01
1.98
1.96
1.94
1.92
1.78
1.70
1.64
1.60
1.57
1.55
1.53
1.50
1.48
1.48

80
1012
39.5
14.0
8.3
6.1
4.93
4.23
3.76
3.42
3.17
2.97
2.82
2.69
2.58
2.49
2.42
2.35
2.29
2.24
2.19
2.15
2.11
2.08
2.05
2.02
1.99
1.97
1.94
1.92
1.90
1.76
1.68
1.63
1.59
1.55
1.53
1.51
1.48
1.46
1.45

90
1013
39.5
14.0
8.3
6.1
4.92
4.22
3.75
3.41
3.16
2.96
2.81
2.68
2.57
2.48
2.40
2.34
2.28
2.23
2.18
2.14
2.10
2.07
2.03
2.01
1.98
1.95
1.93
1.91
1.89
1.75
1.67
1.61
1.57
1.54
1.52
1.50
1.47
1.45
1.44

100
1013
39.5
14.0
8.3
6.1
4.92
4.21
3.74
3.40
3.15
2.96
2.80
2.67
2.56
2.47
2.40
2.33
2.27
2.22
2.17
2.13
2.09
2.06
2.02
2.00
1.97
1.94
1.92
1.90
1.88
1.74
1.66
1.60
1.56
1.53
1.50
1.48
1.45
1.43
1.42

120
1014
39.5
13.9
8.3
6.1
4.90
4.20
3.73
3.39
3.14
2.94
2.79
2.66
2.55
2.46
2.38
2.32
2.26
2.20
2.16
2.11
2.08
2.04
2.01
1.98
1.95
1.93
1.91
1.89
1.87
1.72
1.64
1.58
1.54
1.51
1.48
1.46
1.43
1.41
1.40

140
1015
39.49
13.94
8.30
6.06
4.90
4.19
3.72
3.38
3.13
2.94
2.78
2.65
2.54
2.45
2.37
2.31
2.25
2.19
2.15
2.10
2.07
2.03
2.00
1.97
1.94
1.92
1.90
1.88
1.86
1.71
1.63
1.57
1.53
1.49
1.47
1.45
1.42
1.39
1.39

Tabla VIII Distribucin F con =0.01

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
120
140
150

1
4052
98.5
34.1
21.2
16.3
13.75
12.25
11.26
10.56
10.04
9.65
9.33
9.07
8.86
8.68
8.53
8.40
8.29
8.18
8.10
8.02
7.95
7.88
7.82
7.77
7.72
7.68
7.64
7.60
7.56
7.31
7.17
7.08
7.01
6.96
6.93
6.90
6.85
6.82
6.81

2
4999
99.0
30.8
18.0
13.3
10.92
9.55
8.65
8.02
7.56
7.21
6.93
6.70
6.51
6.36
6.23
6.11
6.01
5.93
5.85
5.78
5.72
5.66
5.61
5.57
5.53
5.49
5.45
5.42
5.39
5.18
5.06
4.98
4.92
4.88
4.85
4.82
4.79
4.76
4.75

3
5403
99.2
29.5
16.7
12.1
9.78
8.45
7.59
6.99
6.55
6.22
5.95
5.74
5.56
5.42
5.29
5.18
5.09
5.01
4.94
4.87
4.82
4.76
4.72
4.68
4.64
4.60
4.57
4.54
4.51
4.31
4.20
4.13
4.07
4.04
4.01
3.98
3.95
3.92
3.91

4
5625
99.2
28.7
16.0
11.4
9.15
7.85
7.01
6.42
5.99
5.67
5.41
5.21
5.04
4.89
4.77
4.67
4.58
4.50
4.43
4.37
4.31
4.26
4.22
4.18
4.14
4.11
4.07
4.04
4.02
3.83
3.72
3.65
3.60
3.56
3.53
3.51
3.48
3.46
3.45

5
5764
99.3
28.2
15.5
11.0
8.75
7.46
6.63
6.06
5.64
5.32
5.06
4.86
4.69
4.56
4.44
4.34
4.25
4.17
4.10
4.04
3.99
3.94
3.90
3.85
3.82
3.78
3.75
3.73
3.70
3.51
3.41
3.34
3.29
3.26
3.23
3.21
3.17
3.15
3.14

6
5859
99.3
27.9
15.2
10.7
8.47
7.19
6.37
5.80
5.39
5.07
4.82
4.62
4.46
4.32
4.20
4.10
4.01
3.94
3.87
3.81
3.76
3.71
3.67
3.63
3.59
3.56
3.53
3.50
3.47
3.29
3.19
3.12
3.07
3.04
3.01
2.99
2.96
2.93
2.92

7
5928
99.4
27.7
15.0
10.5
8.26
6.99
6.18
5.61
5.20
4.89
4.64
4.44
4.28
4.14
4.03
3.93
3.84
3.77
3.70
3.64
3.59
3.54
3.50
3.46
3.42
3.39
3.36
3.33
3.30
3.12
3.02
2.95
2.91
2.87
2.84
2.82
2.79
2.77
2.76

8
5981
99.4
27.5
14.8
10.3
8.10
6.84
6.03
5.47
5.06
4.74
4.50
4.30
4.14
4.00
3.89
3.79
3.71
3.63
3.56
3.51
3.45
3.41
3.36
3.32
3.29
3.26
3.23
3.20
3.17
2.99
2.89
2.82
2.78
2.74
2.72
2.69
2.66
2.64
2.63

9
6022
99.4
27.3
14.7
10.2
7.98
6.72
5.91
5.35
4.94
4.63
4.39
4.19
4.03
3.89
3.78
3.68
3.60
3.52
3.46
3.40
3.35
3.30
3.26
3.22
3.18
3.15
3.12
3.09
3.07
2.89
2.78
2.72
2.67
2.64
2.61
2.59
2.56
2.54
2.53

10
6056
99.4
27.2
14.5
10.1
7.87
6.62
5.81
5.26
4.85
4.54
4.30
4.10
3.94
3.80
3.69
3.59
3.51
3.43
3.37
3.31
3.26
3.21
3.17
3.13
3.09
3.06
3.03
3.00
2.98
2.80
2.70
2.63
2.59
2.55
2.52
2.50
2.47
2.45
2.44

12
6106
99.4
27.1
14.4
9.9
7.72
6.47
5.67
5.11
4.71
4.40
4.16
3.96
3.80
3.67
3.55
3.46
3.37
3.30
3.23
3.17
3.12
3.07
3.03
2.99
2.96
2.93
2.90
2.87
2.84
2.66
2.56
2.50
2.45
2.42
2.39
2.37
2.34
2.31
2.31

14
6143
99.4
26.9
14.2
9.8
7.60
6.36
5.56
5.01
4.60
4.29
4.05
3.86
3.70
3.56
3.45
3.35
3.27
3.19
3.13
3.07
3.02
2.97
2.93
2.89
2.86
2.82
2.79
2.77
2.74
2.56
2.46
2.39
2.35
2.31
2.29
2.27
2.23
2.21
2.20

16
6170
99.4
26.8
14.2
9.7
7.52
6.28
5.48
4.92
4.52
4.21
3.97
3.78
3.62
3.49
3.37
3.27
3.19
3.12
3.05
2.99
2.94
2.89
2.85
2.81
2.78
2.75
2.72
2.69
2.66
2.48
2.38
2.31
2.27
2.23
2.21
2.19
2.15
2.13
2.12

18
6192
99.4
26.8
14.1
9.6
7.45
6.21
5.41
4.86
4.46
4.15
3.91
3.72
3.56
3.42
3.31
3.21
3.13
3.05
2.99
2.93
2.88
2.83
2.79
2.75
2.72
2.68
2.65
2.63
2.60
2.42
2.32
2.25
2.20
2.17
2.14
2.12
2.09
2.07
2.06

20
6209
99.4
26.7
14.0
9.6
7.40
6.16
5.36
4.81
4.41
4.10
3.86
3.66
3.51
3.37
3.26
3.16
3.08
3.00
2.94
2.88
2.83
2.78
2.74
2.70
2.66
2.63
2.60
2.57
2.55
2.37
2.27
2.20
2.15
2.12
2.09
2.07
2.03
2.01
2.00

25
6240
99.5
26.6
13.9
9.4
7.30
6.06
5.26
4.71
4.31
4.01
3.76
3.57
3.41
3.28
3.16
3.07
2.98
2.91
2.84
2.79
2.73
2.69
2.64
2.60
2.57
2.54
2.51
2.48
2.45
2.27
2.17
2.10
2.05
2.01
1.99
1.97
1.93
1.91
1.90

30
6261
99.5
26.5
13.8
9.4
7.23
5.99
5.20
4.65
4.25
3.94
3.70
3.51
3.35
3.21
3.10
3.00
2.92
2.84
2.78
2.72
2.67
2.62
2.58
2.54
2.50
2.47
2.44
2.41
2.39
2.20
2.10
2.03
1.98
1.94
1.92
1.89
1.86
1.84
1.83

35
6276
99.5
26.5
13.8
9.3
7.18
5.94
5.15
4.60
4.20
3.89
3.65
3.46
3.30
3.17
3.05
2.96
2.87
2.80
2.73
2.67
2.62
2.57
2.53
2.49
2.45
2.42
2.39
2.36
2.34
2.15
2.05
1.98
1.93
1.89
1.86
1.84
1.81
1.78
1.77

40
6287
99.5
26.4
13.7
9.3
7.14
5.91
5.12
4.57
4.17
3.86
3.62
3.43
3.27
3.13
3.02
2.92
2.84
2.76
2.69
2.64
2.58
2.54
2.49
2.45
2.42
2.38
2.35
2.33
2.30
2.11
2.01
1.94
1.89
1.85
1.82
1.80
1.76
1.74
1.73

50
6303
99.5
26.4
13.7
9.2
7.09
5.86
5.07
4.52
4.12
3.81
3.57
3.38
3.22
3.08
2.97
2.87
2.78
2.71
2.64
2.58
2.53
2.48
2.44
2.40
2.36
2.33
2.30
2.27
2.25
2.06
1.95
1.88
1.83
1.79
1.76
1.74
1.70
1.67
1.66

60
6313
99.5
26.3
13.7
9.2
7.06
5.82
5.03
4.48
4.08
3.78
3.54
3.34
3.18
3.05
2.93
2.83
2.75
2.67
2.61
2.55
2.50
2.45
2.40
2.36
2.33
2.29
2.26
2.23
2.21
2.02
1.91
1.84
1.78
1.75
1.72
1.69
1.66
1.63
1.62

70
6321
99.5
26.3
13.6
9.2
7.03
5.80
5.01
4.46
4.06
3.75
3.51
3.32
3.16
3.02
2.91
2.81
2.72
2.65
2.58
2.52
2.47
2.42
2.38
2.34
2.30
2.27
2.24
2.21
2.18
1.99
1.88
1.81
1.75
1.71
1.68
1.66
1.62
1.60
1.59

80
6326
99.5
26.3
13.6
9.2
7.01
5.78
4.99
4.44
4.04
3.73
3.49
3.30
3.14
3.00
2.89
2.79
2.70
2.63
2.56
2.50
2.45
2.40
2.36
2.32
2.28
2.25
2.22
2.19
2.16
1.97
1.86
1.78
1.73
1.69
1.66
1.63
1.60
1.57
1.56

90
6331
99.5
26.3
13.6
9.1
7.00
5.77
4.97
4.43
4.03
3.72
3.48
3.28
3.12
2.99
2.87
2.78
2.69
2.61
2.55
2.49
2.43
2.39
2.34
2.30
2.26
2.23
2.20
2.17
2.14
1.95
1.84
1.76
1.71
1.67
1.64
1.61
1.58
1.55
1.54

100
6334
99.5
26.2
13.6
9.1
6.99
5.75
4.96
4.41
4.01
3.71
3.47
3.27
3.11
2.98
2.86
2.76
2.68
2.60
2.54
2.48
2.42
2.37
2.33
2.29
2.25
2.22
2.19
2.16
2.13
1.94
1.82
1.75
1.70
1.65
1.62
1.60
1.56
1.53
1.52

120
6339
99.5
26.2
13.6
9.1
6.97
5.74
4.95
4.40
4.00
3.69
3.45
3.25
3.09
2.96
2.84
2.75
2.66
2.58
2.52
2.46
2.40
2.35
2.31
2.27
2.23
2.20
2.17
2.14
2.11
1.92
1.80
1.73
1.67
1.63
1.60
1.57
1.53
1.50
1.49

140
6343
99.5
26.2
13.5
9.10
6.96
5.72
4.93
4.39
3.98
3.68
3.44
3.24
3.08
2.95
2.83
2.73
2.65
2.57
2.50
2.44
2.39
2.34
2.30
2.26
2.22
2.18
2.15
2.12
2.10
1.90
1.79
1.71
1.65
1.61
1.58
1.55
1.51
1.48
1.47