Estadistica No Parametrica

Notas de clase
Estadstica no Parametrica
Por: Mario Cesar Jaramillo Elorza
Universidad Nacional de Colombia

Sede Medelln
2012
Contenido
1. Introducci
on
1.1. Escalas de medida . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1. Escala nominal . . . . . . . . . . . . . . . . . . . . . .
1.1.2. Escala ordinal . . . . . . . . . . . . . . . . . . . . . . .
1.1.3. Escala de intervalo . . . . . . . . . . . . . . . . . . . .
1.1.4. Escala de razon . . . . . . . . . . . . . . . . . . . . . .
2. Pruebas basadas en la binomial
2.1. Test Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Test cuantil . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
2.3. Test de McNemar de significancia de cambios . . . . . . . . .
13
2.4. Test del signo . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
2.5. Ejercicios del captulo . . . . . . . . . . . . . . . . . . . . . .
19
3. Tablas de contingencia
22
3.1. Test 2 para diferencia de probabilidades . . . . . . . . . . .
22
3.2. Test Exacto de Fisher . . . . . . . . . . . . . . . . . . . . . .
27
3.3. Test de Mantel - Haenszel . . . . . . . . . . . . . . . . . . . .
30
3.4. Test 2 para independencia . . . . . . . . . . . . . . . . . . .
34
3.5. Test
con totales marginales fijos . . . . . . . . . . . . . . .
36
3.6. Medidas de dependencia . . . . . . . . . . . . . . . . . . . . .
39
3.6.1. Coeficiente de contingencia de Cramer . . . . . . . . .
39
3.6.2. Coeficiente de contingencia de Pearson . . . . . . . . .
39
ii
CONTENIDO
iii
3.6.3. Coeficiente de contingencia de Media Cuadratica de

Pearson . . . . . . . . . . . . . . . . . . . . . . . . . .
39
3.6.4. El coeficiente Phi . . . . . . . . . . . . . . . . . . . . .
40
3.7. Test de bondad de ajuste
. . . . . . . . . . . . . . . . . . .
41
3.8. Test de Cochran para observaciones relacionadas . . . . . . .
44
3.9. Ejercicios del captulo . . . . . . . . . . . . . . . . . . . . . .
48
4. M
etodos basados en rangos
54
4.1. El test de Mann-Whitney . . . . . . . . . . . . . . . . . . . .
54
4.2. Intervalo de confianza para la diferencia de medias . . . . . .
60
4.3. El test de Kruskall-Wallis . . . . . . . . . . . . . . . . . . . .
62
4.4. Un test para igualdad de varianzas . . . . . . . . . . . . . . .
66
4.5. Test para comparar las varianzas de mas de dos poblaciones .
70
4.6. Medidas de correlacion por medio de rangos . . . . . . . . . .
72
4.6.1. - de Spearman . . . . . . . . . . . . . . . . . . . . . .
73
4.6.2. Tau de Kendall . . . . . . . . . . . . . . . . . . . . . .
78
4.7. Metodos de regresion lineal no parametrica . . . . . . . . . .
82
4.7.1. Repaso de regresion lineal . . . . . . . . . . . . . . . .
82
4.7.2. Metodos no parametricos para regresion lineal . . . .
82
4.8. Metodos no parametricos para regresion monotona . . . . . .
86
4.9. El test de rangos signados de Wilcoxon . . . . . . . . . . . . .
90
4.10. Test de Friedman . . . . . . . . . . . . . . . . . . . . . . . . .
96
4.11. Extension del test de Friedman: Caso de varias observaciones

por tratamiento . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.12. El test de Quade
. . . . . . . . . . . . . . . . . . . . . . . . 105
4.13. test de Durbin . . . . . . . . . . . . . . . . . . . . . . . . . . 109

4.14. Ejercicios del captulo . . . . . . . . . . . . . . . . . . . . . . 118
5. Estadsticos Kolmogorov-Smirnov
132
5.1. Test de Bondad de ajuste de Kolmogorov . . . . . . . . . . . 132

5.2. Test de bondad de ajuste para familias de distribuciones . . . 135
5.2.1. Test de Lilliefors para normalidad . . . . . . . . . . . 135
5.3. El test de Lilliefors para la distribucion exponencial . . . . . 139
CONTENIDO
iv
5.3.1. El test de Shapiro-Wilk para normalidad . . . . . . . 141

5.4. Test de Smirnov . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.5. Test de Cramer-Von Mises para 2 muestras . . . . . . . . . . 148
5.6. Ejercicios del captulo . . . . . . . . . . . . . . . . . . . . . . 150
A. Tablas Estadsticas
154
Captulo 1
Introducci
on
Uno de los propositos de la estadstica es proporcionar medios para
medir el grado de subjetividad que pudiera estar asociado a conclusiones cientficas y as separar ciencia de opinion.
Las tecnicas estadsticas clasicas estan basadas en supuestos especficos acerca de la distribucion poblacional de la muestra que se toma.
Estos metodos se conocen como Metodos Parametricos. Por ejemplo,
las pruebas basadas en el estadstico t de student y el estadstico F de
Snedecor (Su validez depende del conocimiento de los parametros de
la distribucion poblacional)
Una posible definicion de Estadstica no parametrica:
Coleccion de metodos estadsticos para realizar Inferencia estadstica
cuando supuestos distribucionales especficos se reemplazan por supuestos muy generales y el analisis se basa en algunas de las distribuciones muestrales cuya distribucion puede determinarse sin el conocimiento especfico de la f.d.p de la poblacion subyacente.
Tambien se conocen como Metodos libres de la distribucion (Distribution free statistics)
Aplicaciones: Medicina, epidemiologa, economa, confiabilidad, datos
longitudinales, series de tiempo, ANOVA, analisis multivariado.
Un procedimiento no parametrico, es un procedimiento estadstico que tiene
algunas propiedades deseables, bajo suposiciones relativamente debiles respecto a las poblaciones de donde son obtenidos los datos, y debe satisfacer
1

CAPITULO 1. INTRODUCCION
al menos uno de los siguientes criterios:

Los metodos no parametricos (NP) son populares ya que:
Usualmente permiten calcular valores-p exactos a partir de test basados en muestras peque
nas
Usualmente (no siempre) son mas faciles de calcular e implementar
que sus contrapartes parametricas
Aunque a primera vista parecen sacrificar demasiada de la informacion
contenida en las muestras este no es el caso. Generalmente los metodos
NP son solo ligeramente menos eficientes que sus contrapartes basadas
en la distribucion normal cuando la distribucion si es normal. Pero
ellos pueden ser mucho mas eficientes que sus competidores cuando la
distribucion subyacente no es normal.
No requieren de transformaciones antes de analizar los datos
Son relativamente faciles de entender e interpretar
Proporciona una amplia gama de metodos altamente eficientes aplicables a un rango amplio de situaciones.
Son relativamente insensibles a outliers
Se pueden usar en muchas situaciones donde los metodos parametricos
no se pueden usar
Muchos procedimientos NP requieren solamente de los Rangos en vez
de las mediciones reales y esto hace que sean Invariantes bajo transformaciones Monotonas de los datos.
Los metodos NP se han convertido en herramientas esenciales en el trabajo
cotidiano de cientficos que necesitan realizar analisis estadsticos. Cuando
el precio de tomar una decision es alto, los cientficos aplicados estan muy
preocupados de que los metodos estadsticos que estan usando NO esten
basados en supuestos que parezcan inv
alidos o imposibles de verificar. Puede
decirse que cada metodo parametrico tiene su contraparte no parametrica.
Mucha de la teora detras de los metodos NP se pueden desarrollar
de manera rigurosa usando algebra elemental. Los metodos modernos
requieren de una matematica mas avanzada.

No se necesita ser un experto en teora de la probabilidad para entender

la teora asociada a los metodos NP.
Entender la teora detras de un metodo estadstico protege contra usos
incorrectos del mismo.
Los metodos parametricos asumen una m.a. X1 , . . . , Xn N (, 2 )
Los metodos no parametricos asumen una m.a. X1 , . . . , Xn F (F.d.a).
Un metodo de analisis que es aproximadamente valido a
un si uno (o
algunos) de los supuestos detras de el no se cumplen, se dice que es un
metodo Robusto contra ese supuesto
Sin embargo, robustes no implica potencia estadstica (o poder).
De acuerdo a W.J. Conover, un metodo NP debe satisfacer al menos uno de
los siguientes criterios:
1. El metodo puede ser usado en datos con escala de medida nominal.
2. El metodo puede ser usado en datos con escala de medida ordinal.
3. El metodo puede ser usado en datos con escala de medida de intervalo
o razon, donde la funcion de distribucion de la variable aleatoria que
produce los datos no esta especificada completamente.
Aunque la estadstica no parametrica proporciona respuestas satisfactorias
a una amplia variedad de preguntas, no se espera que proporcione una respuesta a todas las preguntas. Es por esto que existen otras disciplinas.
Desventajas de los m
etodos NP
Algunas veces los modelos son dificiles de analizar
La teora asociada a muchos metodos (especialmente los modernos) es
bastante complicada
En modelamiento la interpretaci
on de hipotesis puede ser complicada
En algunas situaciones solo existen test asint
oticos

1.1.
1.1.1.
Escalas de medida
Escala nominal
Es aquella que asigna n

umeros a las observaciones solo para dar un nombre, a la categora, por ejemplo, se lanza una moneda, si cae cara le damos
el valor de 1, y si cae sello le damos el valor de 0, pero perfectamente
podemos usar 1.5 y 3.2 para representar cara, y sello respectivamente, elegimos 1, y 0, por si mas adelante deseamos contar el n
umero de caras.
1.1.2.
Escala ordinal
Es aquella que se utiliza cuando las mediciones solo se pueden comparar con
mayor, menor, o igual. El valor numerico de la medicion solamente
es usado para significar que las mediciones son arregladas en ese orden, de
menor a mayor, por esto se le da el nombre de escala ordinal. Si algunos de
los elementos son iguales a otros decimos que existen empates. Cuando una
persona asigna el n
umero 1, a la marca mas preferida de tres, el n
umero
3, a la marca menos preferida, y el n
umero 2, a la marca restante, 1, 2,
y 3 solo representan un orden de preferencia.
1.1.3.
Escala de intervalo
Es aquella que tiene en cuenta, no solo el orden relativo de las mediciones,

sino el tama
no de la diferencia entre 2 mediciones. La escala de intervalo
requiere de un punto llamado, cero, y de una distancia unitaria llamada,
una unidad, por ejemplo, para medir la temperatura hay muchas escalas,
entre ellas tenemos, la escala centgrada y la escala Fahrenheit, las cuales
tienen diferente temperatura cero, y diferentes mediciones de un grado.
1.1.4.
Escala de raz
on
Es aquella que se usa no solo cuando el orden y el tama

no del intervalo son
importantes, sino que la razon entre las mediciones es significativa. La escala de razon es apropiada cuando medimos la produccion, distancias, pesos,

alturas, ingresos, etc. La diferencia entre las escalas de intervalo y razon, es

que la escala de razon tiene un cero absoluto, mientras que en la escala de
intervalo, el cero es relativo.
Captulo 2
Algunas pruebas basadas en

la distribuci
on binomial
2.1.
Test Binomial
Su interes es el de determinar la proporcion de individuos que tienen cierta

caracterstica. En algunas situaciones el test binomial es el mas potente, pero
en otras situaciones, donde se dispone de pruebas mas potentes, se prefiere
el test binomial por ser no parametrico y su implementaci
on es muy sencilla.
Datos
la muestra consiste de los resultados de n ensayos independientes. Cada
resultado esta en una clase o en la otra, pero no en ambas. El n
umero de
observaciones en la clase 1 es O1 y el n
umero de observaciones en la clase 2
es O2 = n O1 .
Supuestos
1. Los n ensayos son mutuamente independientes.
2. Cada ensayo tiene una probabilidad P de resultar en la clase 1, donde
P es el mismo para todos los n ensayos.
Hipotesis
A. (test de 2 colas)
H0 : P = P vs H1 : P 6= P
CAPITULO 2. PRUEBAS BASADAS EN LA BINOMIAL

B. (test de cola derecha)
H0 : P P vs H1 : P > P
C. (test de cola izquierda)
H0 : P P vs H1 : P < P
Estadstico de prueba
T = O1
Region crtica
A: Rc = {T /T t1 o T > t2 }, donde:
t1 es tal que P (Y t1 ) 1
t2 es tal que P (Y > t2 ) 2 .
donde 1 2 2 y Y b(n, P )
valor P= 2 mn{P (Y Tobs ), P (Y Tobs )}
Si n > 20
T
T
obs nP +0.5
obs nP 0.5
valor P 2 mn{P Z
,P Z
}
nP (1P )
B: Rc = {T /T > t}
t es tal que P (Y > t)
donde Y b(n, P )
valor P=P (Y Tobs )
Si n > 20
T
obs nP 0.5
valor P P Z
}
nP (1P )
C: Rc = {T /T t}
t es tal que P (Y t)
donde Y b(n, P )
valor P= P (Y Tobs )
nP (1P )
Si n > 20
T
obs nP +0.5
valor P P Z
nP (1P )
Ejemplo 2.1.1. Bajo la teora Mendeliana en un cruce entre plantas de

2 genotipos se puede esperar producir progenitoras 1/4 de las cuales son
enanas y 3/4 son altas. En un experimento para determinar si el supuesto de herencia Mendeliana es razonable en una cierta situaci
on, un cruce
con progenitoras produjo 3 plantas enanas y 13 plantas altas, en este caso
ser
a cierto este supuesto de herencia Mendeliana?
Solucion
Si la clase 1 denota alta
H0 : P = 3/4 vs. H1 : P 6= 3/4
T = 13, n = 13 + 3 = 16
Como n es peque
no
Rc = {T /T t1 o T > t2 }, donde:
Tomando = 0.05 tenemos /2 = 0.025
De la tabla A3 tenemos que:
P (Y 7) = 0.008 y P (Y 8) = 0.027, luego t1 = 7 y 1 = 0.008.
Ademas, P (Y 14) = 0.937 = 1 0.063 y P (Y 15) = 0.99 = 1 0.01,
luego t2 = 15 y 2 = 0.01, as, Real = 0.008 + 0.01 = 0.018
Como 7 < Tobs = 13 15, no se rechaza H0 , es decir, hay evidencia muestral suficiente para sugerir que el cruce de plantas de los dos genotipos, es
consistente con la teora Mendeliana, con = 0.05.
valor P= 2 mn{P (Y 13), P (Y 13)} = 2 mn{0.405, 0.803} = 0.81
Como Valor P= 0.81 > = 0.05, se acepta H0 .
SAS
data;
prob=2*probbnml(3/4,16,13);
run;
proc print;
run;
S-Plus o R
binom.test(13,16,p=0.75,alternative=two.sided).
Ejemplo 2.1.2. Bajo la teora Mendeliana en un cruce entre plantas de
2 genotipos se puede esperar producir progenitoras 1/4 de las cuales son
enanas y 3/4 son altas. En un experimento para determinar si el supuesto
de herencia Mendeliana es razonable en una cierta situaci
on, un cruce con
progenitoras produjo 243 plantas enanas y 682 plantas altas, en este caso
ser
a cierto este supuesto de herencia Mendeliana?
Solucion
Si la clase 1 denota alta
H0 : P = 3/4 vs. H1 : P 6= 3/4
T = 682, n = 682 + 243 = 925
Como n es grande (n > 30), para calcular t1 y t2 , se usan las siguientes
formulas.
p
t1 = nP + W0.025 pnP (1 P )
t2 = nP + W0.975 nP (1 P )
donde P (Z W ) = , Z n(0, 1)
de la tabla de distribucion normal tabla A1, se tiene que:
W0.025 = 1.96 y W0.975 = 1.96, luego reemplazando tenemos que:
t1 = 667.94 y t2 = 719.56.
Como t1 < T < t2 se acepta H0 , es decir, hay evidencia muestral suficiente
para sugerir que el cruce de plantas de los 2 genotipos, sigue la teora Mendeliana, con = 0.05.
682925(3/4)
Valor P = 2P (T 682) = 2P Z
925(3/4)(1/4)
Valor P = 2P (Z 0.8922) = 2(0.186) = 0.372

SAS
data;
prob=2*probbnml(3/4,925,682);
run;
10
proc print;
run;
S-Plus o R
binom.test(682,925,p=0.75,alternative=two.sided).
2.2.
Test cuantil
Su interes es el de realizar hipotesis con respecto a los cuantiles de la distribucion.

Datos
los datos consisten de n observaciones de las variables aleatorias independientes X1 , X2 , . . . , Xn .
Supuestos
1. Los Xi s son una muestra aleatoria.
2. La escala de medida de los Xi s es al menos ordinal.
T1 el n
umero de observaciones menores o iguales a x
T2 el n
umero de observaciones menores que x
Distribucion nula
La distribucion nula de T1 y T2 , es una distribucion Binomial, con parametros n tama
no de la muestra y p = p , la cual se encuentra en la tabla A3
para n 20 y valores seleccionados de p. Para otros valores de n y de p, se
puede usar la aproximacion Normal, esto es, los cuantiles aproximados de T
son:
xq np + zq
Hipotesis
np(1 p)

Sean x y p n
umeros especficos, con 0 < p < 1
A. (test de 2 colas)
H0 : P (X x ) p y P (X < x ) p
H1 : x no es el p -esimo cuantil poblacional
Rc = {(T1 , T2 )/T1 t1 o T2 > t2 },
donde 1 2 2 y Y b(n, p )
donde:
Para n > 20 o valores

de p que no esten en la tabla A3,
p
t1 = np + z/2 np (1 p )
p
t2 = np + z1/2 np (1 p )
V alorP 2 mn{P1 , P2 }
donde,
T1 np +0.5
Z
np (1p )
0.5
T
np
2
P2 = P Z
P1 = P
np (1p )
B. (test de cola izquierda)

H0 : P (X x ) p
vs
H1 : P (X x ) < p
Rc = {T1 /T1 t1 }
t1 es tal que P (Y t1 )
donde Y b(n, p )
V alorP P (Y T1 )
Para n > 20 opvalores de p que no esten en la tabla A3,
t1 = np + z np (1 p )
T
1obs nP +0.5
Valor P P Z
nP (1P )
11
12
C. (test de cola derecha)

H0 : P (X < x ) p
vs
H1 : P (X < x ) > p
Rc = {T2 /T2 > t2 }

donde Y b(n, p )
V alorP P (Y T2 )
Para n > 20 o valores
de p que no esten en la tabla A3,
p
t2 = np + z1 np (1 p )
T
2obs nP 0.5
Valor P P Z
nP (1P )
Ejemplo 2.2.1. Una universidad, mediante el archivo de sus ex

amenes de
admisi
on durante muchos a
nos, ha establecido como cuartil superior un puntaje de 193, 15 estudiantes presentan el examen de admisi
on a dicha universidad y los puntajes obtenidos son: 189, 223, 195, 160, 212, 176, 231,
185, 199, 213, 202, 193, 174, 166, 248.
Asuma que estos 15 estudiantes representan una muestra aleatoria de todos los estudiantes de la universidad y pruebe la hip
otesis de que el cuantil
superior del puntaje de admisi
on es efectivamente 193.
Solucion
Como el cuantil superior es Q3 = x75 , entonces las hipotesis a probar son:
H0 : P (X 193) 0.75 y P (X < 193) 0.75
H1 : 193 no es el cuartil superior poblacional
Ahora construyamos una region crtica de tama
no = 0.05
Sea Y b(15, 0.75), usando la tabla A3 tenemos:
P (Y 7) = 0.0173 y P (Y 8) = 0.0566
luego t1 = 7
P (Y 13) = 0.9198 = 1 0.0802 y P (Y 14) = 0.9866 = 1 0.0134
luego t2 = 14
1 = 0.0173, 2 = 0.0134, 1 + 2 = 0.0307
13
Rc = {(T1 , T2 )/T1 7 o T2 14},

T1 = 7 y T2 = 6.
Como T1 = 7 7, se rechaza H0 , es decir, hay evidencia muestral suficiente
para sugerir que el cuartil superior del puntaje de admision no es 193, con
= 0.05.
2.3.
Test de McNemar de significancia de cambios
Datos Los datos consisten de n observaciones independientes de variables

aleatorias bi-variadas (Xi , Yi ) i = 1, 2, . . . , n0 , donde Xi representa la condicion de un sujeto antes de un experimento y Yi representa la condicion del
sujeto despues del experimento, la escala de medida de Xi y Yi es nominal
con 2 categoras. Los datos son usualmente resumidos en una tabla como
sigue:
Xi \Yi
0
1
0
a
c
1
b
d
Supuestos
1. Los pares (Xi , Yi ) son mutuamente independientes.
2. La escala de medida es nominal, con 2 categoras para todos los Xi y
Yi .
3. P (Xi = 0, Yi = 1) P (Xi = 1, Yi = 0) es negativa, positiva o cero
para todo i.
Si b + c > 20, el estadstico de prueba es:
T1 =
(b c)2
,
b+c
algunas veces se usa un factor de correccion, y T1 =
(b c 1)2
b+c
14
Si b + c 20, se prefiere usar T2 = b.

Distribucion nula
T1 2(1) y T2 b(n = b + c, 1/2)
Hipotesis
H0 : P (Xi = 0, Yi = 1) = P (Xi = 1, Yi = 0), i vs.
H1 : P (Xi = 0, Yi = 1) 6= P (Xi = 1, Yi = 0) para alg
un i.
si sumamos a ambos lados P (Xi = 0, Yi = 0) obtenemos:
H0 : P (Xi = 0) = P (Yi = 0), i vs.
H1 : P (Xi = 0) 6= P (Yi = 0) para alg
un i.
Analogamente, si sumamos P (Xi = 1, Yi = 1) en ambos lados obtenemos:
H0 : P (Xi = 1) = P (Yi = 1), i vs.
H1 : P (Xi = 1) 6= P (Yi = 1) para alg
un i.
Region crtica
Si n = b + c > 20
Rc = {T1 /T1 2 1,1 },
donde P (Y 2 1,1 ) = 1 y Y 2(1)
si n = b + c 20
Rc = {T2 /T2 t o T2 n t}
Y b(n, 1/2)
donde P (Y t) 2
Si el estadstico de prueba es T1 ,
Valor P= P (T1 T1obs )
Si el estadstico de prueba es T2 ,
Valor P= 2 mn{P (T2 T2obs ), P (T2 > T2obs )}
Ejemplo 2.3.1. Antes de un debate presidencial por televisi
on entre 2 candidatos. Se tom
o una muestra aleatoria de 100 personas y se les pregunt
o la
preferencia por uno de los candidatos, 84 personas estuvieron a favor del
candidato Dem
ocrata y los 16 restantes a favor del Republicano. Despues
del debate, las mismas 100 personas expresaron sus preferencias de nuevo.
De las personas que antes favorecieron al Dem
ocrata, 1/4 parte cambiaron
15
de parecer, y 1/4 parte de las personas que antes favorecieron al Republicano

se cambiaron al lado del Dem
ocrata, a cual de los 2 candidatos favoreci
o el
debate? use = 0.05
solucion
Xi (antes)
Democrata 0
Republicano 1
Total
despues
Dem
ocrata (0) Republicano (1)
63(a)
21(b)
4(c)
12(d)
67
33
Total
84
16
100
H0 : la poblacion de votantes a favor no altera su decision despues del debate.

H1 : Despues del debate hay un mayor cambio a favor del Republicano, que
a favor del Democrata.
H0 : P (Xi = 0, Yi = 1) P (Xi = 1, Yi = 0) vs
H1 : P (Xi = 0, Yi = 1) > P (Xi = 1, Yi = 0)
Con factor de correlacion
(21 4 1)2
(b c 1)2
=
= 10.24
T1 =
b+c
21 + 4
valor P= P (T1 10.24) 0.0014
Sin factor de correlacion
(21 4)2
(b c)2
=
= 11.56
T1 =
b+c
21 + 4
valor P = P (T1 11.56) 0.0007
R o S-Plus
antes= c(rep(Dem,84),rep(Rep,16))
despues= c(rep(Dem,63),rep(Rep,33),rep(Dem,4))
mcnemar.test(antes,despues,correct=T(o F))
SAS (sin F.C)
16
data tres;
input antes despues count@@;
cards;
0 0 63 0 1 21 1 0 4 1 1 12
;
run;
proc freq order=data;
weight count;
tables antes*despues/nopercent nocol norow;
exact mcnem;
run;
2.4.
Test del signo
Datos
los datos consisten de n0 observaciones en una muestra aleatoria bi-variada
(X1 , Y1 ), . . . , (Xn0 , Yn0 ), donde las xs y las ys son dependientes, es decir, la
muestra es pareada. Para cada par (Xi , Yi ) se compara Xi con Yi , si Xi < Yi
el par es clasificado con +, si Xi > Yi el par es clasificado con , y si
Xi = Yi el par es clasificado con 0. De esta manera la escala de mediciones
solo necesita ser ordinal.
Supuestos
1. Las variables aleatorias bivariadas (Xi , Yi ) i = 1, 2, . . . , n son mutuamente independientes.
2. La escala de medida es al menos ordinal dentro de cada par.
Hipotesis
A. (test de 2 colas).
H0 : P (+) = P () (Xi , Yi ) vs. H1 : P (+) 6= P () para alg
un i
H0 : E[Xi ] = E[Yi ], i vs. H1 : E[Xi ] 6= E[Yi ], para alg
un i,
Xi y Yi tienen el mismo parametro de localizacion.
H0 : P (+) P () (Xi , Yi ) vs.
H1 : P (+) > P () para alg

un i
o
17
H0 : E[Yi ] E[Xi ], i vs. H1 : E[Yi ] > E[Xi ] para alg

un i,
los valores de Xi tienden a ser mas grandes que los valores de Yi .
H0 : P (+) P () (Xi , Yi ) vs. H1 : P (+) < P () para alg
un i
o
H0 : E[Yi ] E[Xi ], i vs. H1 : E[Yi ] < E[Xi ] para alg
un i,
los valores de Yi tienden a ser mas grandes que los valores de Xi .
T : n
umero total de pares con Xi < Yi
Region crtica:
llamemos n: el n
umero de pares con Xi < Yi mas el n
umero de pares con
Xi > Yi .
Una region crtica de tama
no es:
A: (test de 2 colas)
Rc = {T /T t o T n t} cuando n 20.
P (Y t) 2
Y b(n, 1/2)
Si n > 20 se puede usar la aproximaci

on normal y t = 12 (n + W/2 n)
donde W/2 se obtiene de la tabla A.1.
Si = 0.05 W/2 = 1.96 y t n2 n

Valor P= 2 mn{P (Y > T obs), P (Y < T obs)}
B: (test de cola derecha)
Rc = {T /T n t} cuando n 20.
P (Y t) Y b(n, 1/2)
Si n > 20 se usa la aproximaci
on normal.
Valor P = P (Y T obs) Y b(n, 1/2)
C: (test de cola izquierda)
Rc = {T /T t} cuando n 20.
P (Y t) Y b(n, 1/2)
Si n > 20 se usa la aproximaci
on normal.
Valor P = P (Y T obs) Y b(n, 1/2)
Relacion entre el test de McNemar y el test del signo

El test de McNemar es una variaci
on del test del signo, donde el evento (0,1)
es llamado + , el evento (1,0) es llamado , y los eventos (0,0) y (1,1)
18
son llamados empates. Las hipotesis del test de McNemar toman la forma:
H0 : P (+) = P () vs. H1 : P (+) 6= P ().
La region crtica de T2 es hallada tal como en el test del signo para n 20.
Para n > 20 el test del signo sugiere usar la aproximaci
on normal:
2
(b
c)
T1 = Z 2 =
2 (1) cuando n = b + c > 20
b+c
Ejemplo 2.4.1. Un artculo A es fabricado usando cierto proceso, el artculo B desempe
na la misma funci
on que A, pero es fabricado usando un proceso
nuevo. El fabricante desea determinar si B es preferible a A por el consumidor, para ello selecciona una muestra aleatoria de 10 consumidores, a
cada consumidor le da tanto un articulo de A y como de B, para que ellos
los usen por el mismo periodo de tiempo. Al final del periodo de tiempo, los
consumidores reportaron sus preferencias as: 8 consumidores prefirieron a
B, uno prefiri
o a A y uno no tuvo preferencias, hay evidencia muestral suficiente, para sugerir que el consumidor prefiere m
as el artculo B, que el
artculo A?, use = 0.05.
Solucion:
El + representa el evento de que el artculo B es preferido sobre el artculo A
H0 : P (+) P () vs P (+) > P ()
el n
umero de +s = 8, el n
umero de -s =1, el n
umero de empates = 1.
n = 8 + 1 = 9 T = 8.
De la tabla A1 con n = 9, P = 0.5, = 0.05, se tiene que:
valor P = P (T 8) = 1 P (T 7) = 1 0.9805 = 0.0195.
Como el valor P < , rechazamos H0 , es decir, hay evidencia muestral suficiente para que el fabricante piense que el consumidor prefiere el artculo B
sobre el artculo A, con = 0.05.
R o S-plus
antes=c(0,0,0,0,0,0,0,0,0,1)
despues=c(0,1,1,1,1,1,1,1,1,0)
mcnemar.test(antes, despues, correct=F(o T))
19
SAS (sin F.C)

data dos;
input antes despues count @@;
cards;
001018101118
;
run;
proc freq order=data;
weight count;
tables antes*despues/nopercent nocol norow;
exact mcnem;
run;
2.5.
Ejercicios del captulo
Ejercicio 2.5.1. De 16 carros inspeccionados durante una campa

na de seguridad, seis fueron encontrados como inseguros. Verifique la hip
otesis de
que no m
as del 10 % de los carros en la poblaci
on son inseguros. Use un
nivel de confianza = 0.05.
Ejercicio 2.5.2. En un juego se lanz
o un par de dados 180 veces de las
cuales se produjo el evento siete 38 veces, si los dados no est
an cargados,
la probabilidad de sacar siete es 1/6, si se cargan la probabilidad es mayor,
hay evidencia muestral para sugerir que los dados est
an cargados?. Use =
0.05.
Ejercicio 2.5.3. Un grupo de personas report
o al consejo del pueblo que por
lo menos 60 % de los residentes del pueblo estaban a favor de la emisi
on de
un bono. El consejo del pueblo tom
o una muestra aleatoria de 100 personas
y les pregunt
o si estaban a favor o no de la emisi
on del bono, 48 dijeron que
si, es el reporte del grupo cvico razonable? Use = 0.05.
Ejercicio 2.5.4. El tiempo de reacci
on antes del almuerzo fue comparado
con el tiempo de reacci
on despues del almuerzo con un grupo de 28 trabajadores de oficina, de los cuales 22 tuvieron una reacci
on m
as corta antes del
almuerzo y 2 no presentaron diferencias. Es el tiempo de reacci
on antes del
almuerzo significativamente m
as corto que el tiempo de reacci
on despues del
almuerzo? use = 0.1.
20
Ejercicio 2.5.5. Seis estudiantes se sometieron a una dieta para bajar de

peso, se obtuvieron los siguientes resultados:
Nombre
Peso antes
Peso despues
Laura
174
165
Pablo
191
186
Sara
188
183
Juan
182
178
Carlos
201
203
Lina
188
181
Es la dieta un medio efectivo para perder peso?, use = 0.05.

Ejercicio 2.5.6. Se compararon dos aditivos para ver cual mejora la durabilidad del concreto. Se mezclaron 100 peque
nos lotes de hormig
on, en diversas
condiciones y durante la mezcla cada lote se dividi
o en dos partes, una parte
recibi
o el aditivo A y la otra parte recibi
o el aditivo B. Antes de que el concreto endureciera la dos partes en cada lote fueron aplastadas la una contra
la otra y un observador determina cual parte parece ser la m
as duradera. En
77 casos el concreto con el aditivo A fue evaluado m
as duradero, y en 23
casos fue evaluado como m
as duradero el concreto con aditivo B. Hay alguna
diferencia significativa entre los efectos de los dos aditivos? use = 0.05.
Ejercicio 2.5.7. A 22 clientes en una tienda de comestibles se les pregunt
o por el gusto entre dos tipos de queso y estos declararon sus preferencias as: siete clientes prefirieron un tipo, 12 prefirieron el otro tipo, y
3 no tuvieron preferencia, esto indica una diferencia significativa en la
preferencia de los dos tipos de queso? use = 0.05
Ejercicio 2.5.8. Ciento treinta y cinco ciudadanos fueron seleccionados al
azar y se les pidi
o que expresaran su opini
on sobre la poltica exterior de
EEUU, 43 se opusieron a la poltica exterior. Despues de varias semanas,
durante las cuales recibieron un boletn informativo, se les volvi
o a pedir su
opini
on, 37 se opusieron y 30 de las 37 personas originalmente estaban a
favor de la poltica exterior de los EEUU. Es este cambio significativo? use
= 0.05
Ejercicio 2.5.9. Se desea dise
nar un autom
ovil que tenga el suficiente espacio para permitir alojar c
omodamente a el 95 % de las personas que manejan.
Estudios formales indican que el percentil 95 era 70.3 pulgadas, para verificar que el estudio es todava valido se seleccion
o una muestra aleatoria de
tama
no 100 y se encontr
o que las 12 personas m
as altas de la muestra tenan
las siguientes medidas: 72.6, 70, 71.3, 70.5, 70.8, 76, 70.1, 72.5, 71.1, 70.6,
71.9, 72.8. Es correcto utilizar 70.3 como el percentil 95? use = 0.05.
21
Ejercicio 2.5.10. Un sargento recuerda que en los viejos tiempos el cuartil superior para el tiempo necesario para completar la carrera de obst
aculos
era 42 minutos. El sospecha que los nuevos reclutas no son tan aptos como
los de su epoca. De los 38 nuevos reclutas u
nicamente 10 completan el circuito dentro de los 42 minutos. Use el test cuantil con la hip
otesis de que el
cuatil superior es de 42 minutos contra la hip
otesis apropiada de una cola.
Ejercicio 2.5.11. Una muestra aleatoria de ni
nos de grado decimo arroj
o los
siguientes pesos (en libras) observados: 142, 134, 98, 119, 131, 103, 154,
122, 93, 137, 86, 119, 161, 144, 158, 165, 81, 117, 128, 103. Pruebe la
hip
otesis de que la mediana es 103.
Ejercicio 2.5.12. Ciento treinta y cinco ciudadanos fueron seleccionados
al azar y se les pidi
o que expresaran su opini
on sobre la poltica exterior de
EEUU, 43 se opusieron a la poltica exterior. Despues de varias semanas,
durante las cuales recibieron un boletn informativo, se les volvi
o a pedir su
opini
on, 37 se opusieron y todas las 37 personas originalmente estaban a
favor de la poltica exterior de los EEUU. Es este cambio significativo? use
= 0.05
Captulo 3
Tablas de contingencia
Una tabla de contingencia r c, es un arreglo de numeros en r filas y c
columnas. Las tablas de contingencia nos sirven para facilitar el estudio de
la dependencia entre 2 variables o para verificar que r muestras tienen la
misma probabilidad de ser clasificadas en cada una de las c categoras.
3.1.
Test 2 para diferencia de probabilidades
Datos
Se dispone de r poblaciones en total, y de cada poblacion se saca una muestra
aleatoria. Sea ni el n
umero de observaciones de la i-esima muestra (de la iesima poblacion) para i = 1, 2, . . . , r. Cada observaci
on en cada muestra
puede ser clasificada en una de las c categoras diferentes.
Sea Oij el n
umero de observaciones de la i-esima muestra que cae sobre la
j-esima categora, as ni = Oi1 + . . . + Oic para todo i. Los datos pueden ser
arreglados as:
Poblacion 1
Poblacion 2
..
.
Clase 1
O11
O21
..
.
Clase 2
O12
O22
..
.
...
...
...
Clase c
O1c
O2c
..
.
Total
n1
n2
..
.
Poblacion r
Total
Or1
C1
Or2
C2
...
...
Orc
Cc
nr
N
Supuestos
22
CAPITULO 3. TABLAS DE CONTINGENCIA
23
1. Cada muestra es una muestra aleatoria.

2. Las r muestras aleatorias son mutuamente independientes.
3. Cada observacion puede ser asignada solamente en una de las c categoras o clases.
Estadstico de Prueba
P P
ni Cj
(Oij Eij )2
, donde Eij =
, Eij representa el n
umero
T = ri=1 cj=1
Eij
N
esperado de observaciones en la celda (i, j) cuando H0 es realmente cierta,
es decir, si H0 es cierta, el n
umero de observaciones de la celda (i, j) puede
hallarse como el tama
no muestral ni multiplicado por la proporcion de la
ni Cj
categora Cj /N , es decir Eij =
.
N
2
P P
Oij
N , donde T 2 (r1)(c1) bajo H0 .
Note que T = ri=1 cj=1
Eij
La distribucion exacta de T es muy difcil de hallar, por lo que se recomienda
usar la distribucion aproximada, la cual es apropiada con Eij 5.
Hipotesis
Sea Pij la probabilidad de que un valor seleccionado de la i-esima poblacion
sea clasificado en la j-esima categora para i = 1, 2, . . . , r y j = 1, 2, . . . , c
H0 : Todas las probabilidades en la misma columna son iguales.
H1 : Al menos 2 probabilidades de la misma columna son diferentes.
Rc = {T |T > 2 1,(r1)(c1) }
Valor P = P (2 (r1)(c1) Tcal )
Nota: Si r = c = 2, la tabla 2 2 queda:
Poblacion 1
Poblacion 2
Total
Clase 1
O11
O21
C1
Clase 2
O12
O22
C2
Total
n1
n2
N
N (O11 O22 O12 O21 )

, T1 n(0, 1) y
se puede demostrar que si T1 =
n1 n2 c1 c2
T = T12 2 (1)
24
Cuando se usa el estadstico T1 se pueden realizar pruebas unilaterales, como

se presenta a continuacion:
Hipotesis:
A. (test de 2 colas).
H0 : P1 = P2
vs. H1 : P1 6= P2
Rc = {T1 /T1 < Z/2 o T1 > Z1/2}
donde P (Z Z/2 ) = /2 y Z n(0, 1)
H0 : P1 = P2
vs. H1 : P1 > P2
Rc = {T1 /T1 > Z1 }
donde P (Z Z1 ) = 1 y Z n(0, 1)
H0 : P1 = P2
vs. H1 : P1 < P2
Rc = {T1 /T1 < Z }
donde P (Z Z ) = y Z n(0, 1)
Ejemplo 3.1.1. Los siguientes datos se refieren a las marcas de hojas encontradas en muestras de treboles seleccionados de
areas de pasto largo y
areas de pasto corto. Utilice la prueba 2 para determinar si las proporciones verdaderas de marcas distintas son identicas para los 2 tipos de regiones.
Area
de pasto largo
Area
de pasto corto
Total
Tipo de Marca
L
Otras
714
111
662
154
1376
265
Solucion:
H0 : P1 = P2
T = 1641
vs
H1 : P1 6= P2
((714)(154) (111)(662))2
= 8.893
(1376)(265)(825)(816)
Total
825
816
1641
25
valor P = P (2 (1) > 8.89)

0.001 < valor P < 0.005
Como el valor P< = 0.05, se rechaza H0 , es decir, hay evidencia muestral
suficiente para sugerir que, las verdaderas proporciones de marcas son diferentes para los 2 tipos de regiones, con = 0.05
R o S-Plus
x=matrix(c(714,662,111,154),ncol=2)
chisq.test(x,correct=F)
SAS
data Marcas;
input pasto tipo Count @@;
datalines;
largo L 714 largo NL 111 corto L 662 corto NL 154
;
proc freq data=Marcas;
weight Count;
exact pchi;
tables pasto*tipo /noprint ;
run;
Ejemplo 3.1.2. Un artculo reporta tanto para una muestra de hombres
diestros, como para mujeres diestras, el n
umero de individuos cuyos pies
eran del mismo tama
no (L = R) tenan el pie izquierdo m
as grande que el
derecho (L > R) o tenan el pie derecho m
as grande que el izquierdo (L < R).
Hombres
Mujeres
Total
L>R
2
55
57
L=R
10
18
28
L<R
28
14
42
muestra
40
87
127
Indica esta informaci

on que el sexo tiene efecto sobre el desarrollo de la
asimetra de los pies?
26
Solucion:
H0 : PHj = PM j
j = 1, 2, 3 vs H1 : PHj 6= PM j
Hombres
Mujeres
Total
E11 =
n1 C 1
N
(40)(57)
127
L>R
2(17.95)
55(39.05)
57
L=R
10(8.82)
18(19.18)
28
para alg
un j
L<R
28(13.23)
14(28.77)
42
muestra
40
87
127
= 17.95 X 2 2 (2)
X 2 cal = (217.95)
+ (108.82)
+ (2813.23)
+ (5539.05)
+ (1819.18)
+ (1428.77)
17.95
8.82
13.23
39.05
19.18
28.77
2
X cal = 44.99
Valor P= P (2 (2) > 44.99) 0.001 ya que P (X 2 (2) > 13.82) = 0.001
Como el valor P = 0.05, se rechaza H0 , es decir, hay evidencia muestral suficiente para sugerir que el sexo tiene efecto sobre el desarrollo de la
simetra de los pies, con = 0.05.
R o S-Plus
x=matrix(c(2,55,10,18,28,14),ncol=3)
SAS
data Muestra;
input sexo tamano Count @@;
datalines;
Hombre L>R 2 Hombre L=R 10 Hombre L<R 28
Mujer L>R 55 Mujer L=R 18 Mujer L<R 14
;
proc freq data=Muestra;
weight Count;
27
exact pchi;
tables sexo*tamano /noprint ;
run;
3.2.
Test Exacto de Fisher
Datos
las N observaciones son resumidas en una tabla de contingencia 2 2, donde
los totales fila y columna son fijos y no son aleatorios.
Fila 1
Fila 2
Total
Columna 1
x
C x
C
Columna 2
rx
N rC +x
N C
Total
r
N r
N
Supuestos:
1. Cada observacion es clasificada en exactamente una celda.
2. Los totales fila y columna son fijos, y no aleatorios.
Estadstico de prueba:
T2 = X
Distribucion Nula:
Si se supone que H0 es cierta, entonces,
r N r
P (T2 = x) =
NCx
x = 0, 1, 2, . . . , min{r, c}
para muestras grandes usamos la aproximaci

on:
rc
x
N
T3 = v
n(0, 1)
u
u rc(N r)(N c)
t
N 2 (N 1)
Hipotesis:
Sea P1 : la probabilidad de que una observaci
on de la fila 1 quede clasificada
en la comuna 1.
28
P2 : la probabilidad de que una observaci

on de la fila 2 quede clasificada en
la columna 1.
Sea Tobs el valor observado de T2 o de T3 .
A) (test de 2 colas)
H0 : P1 = P2 vs H1 : P1 6= P2
valor P=2min {P (T2 Tobs ), P (T2 Tobs )}
valor P=2P (T3 | Tobs |)
B) (test de cola izquierda)
H0 : P1 P2 vs H1 : P1 < P2
valor P = P (T2 Tobs )
C) (test de cola derecha)
H0 : P1 P2 vs H1 : P1 > P2
Ejemplo 3.2.1. Se dispone de diez hombres y 4 mujeres, todos igualmente calificados para ser asignados por el presidente del banco a sus nuevos
trabajos, 10 como cajeros, y 4 como representantes de cuenta. Se cree que
las mujeres tienen mejores posibilidades que los hombres para conseguir los
trabajos de representantes de cuentas. Solo una mujer es asignada como cajera. Hay evidencia muestral suficiente para sugerir que las mujeres tienen
mejores posibilidades que los hombres para conseguir los trabajos de representantes de cuentas?
Solucion:
Sea P1 : la probabilidad de que un hombre sea seleccionado como representante de cuenta,
y sea P2 : la probabilidad de que una mujer sea seleccionada como representante de cuenta.
Hombre
Mujer
Total
Representante de Cuentas
1
3
4
Cajero
9
1
10
Total
10
4
14
29
H0 : P1 P2 vs H1 : P1 < P2
Tobs = 1, donde T2 hipergeometrica
104
Valor P= P (T2 1) =
104
14 + 1143
0
Valor P 0.04096
Como el valor P< = 0.05 rechazamos H0 , es decir, hay evidencia muestral suficiente para sugerir que las mujeres tienen mejores posibilidades de
obtener el trabajo de representante de cuentas que los hombres, con = 0.05
R
x=matrix(c(1,3,9,1),ncol=2)
fisher.test(x,alternative=less)
S-Plus
fisher.test(x)
SAS
data Banco;
input sexo empleo Count @@;
datalines;
Hombre cuenta 1 Hombre cajero 9
Mujer cuenta 3 Mujer cajero 1
;
proc freq data=Banco order=data;
weight Count;
exact fisher;
tables sexo*empleo /noprint ;
run;
3.3.
30
Test de Mantel - Haenszel
Datos: Los datos son resumidos en varias tablas de contingencia 22, donde
los totales fila y columna de cada tabla no son aleatorios, y el n
umero de
tablas K 2, la i-esima tabla se representa as:
Fila 1
Fila 2
Total
Columna 1
xi
Ci xi
Ci
Columna 2
ri xi
Ni ri Ci + xi
Ni Ci
Total
ri
Ni ri
Ni
Supuestos
Los supuestos para cada tabla de contingencia son los mismos del test exacto de Fisher. Ademas, todas las tablas de contingencia son obtenidas de
experimentos independientes.
Pk
Pk ri ci
i=1 Xi
i=1
Ni
T4 = s
Pk ri ci (Ni ri )(Ni ci )
i=1
Ni 2 (Ni 1)
Distribucion Nula:
Si H0 es cierta T4 n(0, 1)
Hipotesis
A) (Test de 2 colas)
H0 : P1i = P2i i = 1, 2, . . . , k
H1 : P1i < P2i para alg
un i o P1i > P2i para alg
un i
Rc = {T4 |T4 > Z1/2 o T4 < Z/2 }
Valor P = 2P (Z > |Tobs |)
H0 : P1i P2i i = 1, 2, . . . , k
H1 : P1i P2i i = 1, 2, . . . , k y P1i < P2i para alg
un i
Rc = {T4 |T4 < Z }
Pk
i=1 Xi
Valor P = P (Z < Tobs ), donde T obs = s
Pk
i=1
31
Pk
i=1
ri ci
+ 0.5
Ni
ri ci (Ni ri )(Ni ci )
Ni 2 (Ni 1)

H0 : P1i P2i i = 1, 2, . . . , k
H1 : P1i P2i i = 1, 2, . . . , k y P1i > P2i para alg
un i
Rc = {T4 |T4 > Z1 }
Valor P = P (Z > Tobs )
Pk
Pk ri ci
0.5
i=1 Xi
i=1
Ni
Donde T obs = s
i=1
Ni 2 (Ni 1)
Comentario Cuando los totales fila o los totales columna no son fijos, sino
aleatorios. El estadstico T4 no tiene una distribucion aproximadamente normal, en este
utilizar el estadstico:
caso es mas adecuado
Pk
Pk ri ci
i=1 Xi
i=1
Ni
,
T5 = s
i=1
Ni 3
para calcular valores P no se debe usar el factor de correccion.
Ejemplo 3.3.1. Tres medicos, cada uno con un grupo de pacientes de
c
ancer, les dan a sus pacientes un tratamiento experimental para ver si la
probabilidad de exito es mayor que la de falla. Los exitos y fallas son resumidos como sigue:
Tratamiento
Control
Total
Grupo1
exito falla
10
1
12
1
22
2
Grupo2
exito falla
9
0
11
1
20
1
Grupo3
exito falla
8
0
7
3
15
3
Hay evidencia muestral suficiente para sugerir que el tratamiento es realmente efectivo?
32
Solucion:
Sea P1i que representa la probabilidad de exito en el paciente con el tratamiento i
H0 : P1i > P2i i
Sin factor de correccion
Tratamiento
Control
Total
Grupo1
exito
falla
10
1 (11)
12
1 (13)
22
2 (23)
Grupo2
exito
falla
9
0 (9)
11
1 (12)
20
1 (21)
Grupo3
exito
falla
8
0 (8)
7
3 (10)
15
3 (18)
(11)(22) (9)(20) (8)(15)

r
(10 + 9 + 8)
+
+
2.8176
24
21
18
T4 = s
=
1.3733
(11)(22)(13)(2) (9)(20)(12)(1) (8)(15)(10)(3)
+
+
2
2
2
(24) (23)
(21) (20)
(18) (17)
T4 = 1.43
Valor P = P (Z 1.43) = 0.076
Con factor de correccion
T4 = 1.005
Z0.95 = 1.645
Como T4 < 1.645, entonces no se rechaza H0
Valor P= P (Z 1.005) = 0.1587
Como los totales columna son aleatorios, es mas convincente usar el estadstico
T5 .
(11)(22) (9)(20) (8)(15)

(10 + 9 + 8)
+
+
24
21
18
T5 = s
(11)(22)(13)(2) (9)(20)(12)(1) (8)(15)(10)(3)
+
+
(24)3
(21)3
(18)3
T5 = 1.469
Valor P= P (Z > 1.469) = 0.071

R
x=array(c(10,12,1,1,9,11,0,1,8,7,0,3),dim=c(2,2,3))
mantelhaen.test(x,alternative=greater,correct=T(o F))
S-Plus
x=array(c(10,12,1,1,9,11,0,1,8,7,0,3),dim=c(2,2,3))
mantelhaen.test(x,correct=T(o F))
SAS
data Cancer;
input grupo Treatment Response Count @@;
datalines;
grupo1 tratamiento exito 10 grupo2 tratamiento exito 9
grupo1 tratamiento fracaso 1 grupo2 tratamiento fracaso 0
grupo3 tratamiento exito 8
grupo3 tratamiento fracaso 0
grupo1 placebo exito 12 grupo2 placebo exito 11
grupo1 placebo fracaso 1 grupo2 placebo fracaso 1
grupo3 placebo exito 7
grupo3 placebo fracaso 3
;
proc freq data=Cancer;
weight Count;
exact mhchi;
tables Treatment*Response*grupo /noprint ;
title Tratamientos en parcientes con cancer;
run;
33
3.4.
34
Test 2 para independencia
Datos:
Se dispone de una muestra aleatoria de tama
no N . las observaciones en la
muestra aleatoria pueden ser clasificadas acorde con 2 criterios. El primer
criterio es que cada observaci
on es asociada con una de las r filas, y usando
el segundo criterio de que cada observaci
on es asociada con una de las c
columnas. Sea Oij el n
umero de observaciones asociadas simult
aneamente
con la fila i y la columna j. Las Oij pueden ser arregladas en una tabla de
contingencia r c. Sea Ri el n
umero total de observaciones en la fila i y Cj
el n
umero total de observaciones en la columna j, as:
Fila 1
Fila 2
..
.
Columna 1
O11
O21
..
.
Columna 2
O12
O22
..
.
...
...
...
Columna c
O1c
O2c
..
.
Total
R1
R2
..
.
Fila r
Total
Or1
C1
Or2
C2
...
...
Orc
Cc
Rr
N
Supuestos
1. La muestra de N observaciones es una muestra aleatoria
2. Cada observacion puede ser clasificada exactamente en una de las r
diferentes categoras siguiendo alg
un criterio, y exactamente en una
de las c diferentes categoras acorde a un segundo criterio
P P
Ri Cj
(Oij Eij )2
T = ri=1 cj=1
, donde Eij =
, o de otra forma:
Eij
N
P P
Oij 2
T = ri=1 cj=1
N T 2 (r1)(c1)
Eij
ademas se requiere que Eij 5 ij
Hipotesis
Sea Pij la probabilidad de que una observaci
on pertenezca a la fila i, y a la
columna j,
sea Pi : la probabilidad de que una observaci
on pertenezca a la fila i,
y sea Pj : la probabilidad de que una observaci
on pertenezca a la columna j.
H0 : Pij = Pi Pj ij
35
H0 : Pij 6= Pi Pj para alg

un i y para alg
un j
2
Rc = {T |T > 1,(r1)(c1) }
Valor P= P (2 (r1)(c1) Tobs )
Ejemplo 3.4.1. Para estudiar la dependencia entre la practica de alg
un
deporte y la depresi
on, se seleccion
o una muestra aleatoria de 100 j
ovenes,
con los siguientes resultados:
Deportista
No deportista
Total
Sin depresi
on
38
31
69
Con depresi
on
9
22
31
Total
47
53
100
Determinar si la actividad del sujeto y su estado de

animo son dependientes.
Solucion
H0 : La actividad del sujeto y su estado de animo son independientes.
Deportista
No deportista
Total
Tobs =
Sin depresion
38 (32.43)
31 (36.57)
69
Con depresion
9 (14.573)
22 (16.43)
31
Total
47
53
100
(38 32.43)2 (9 14.57)2 (31 36.57)2 (22 16.43)2

+
+
+
32.43
14.57
36.57
16.43
Tobs = 5.823
2 0.95,1 = 3.841
Como Tobs Rc se rechaza H0 , es decir, hay evidencia muestral suficiente
para sugerir que hay relacion entre la depresion y la practica de alg
un deporte.
R o S-Plus
36
SAS
data Jovenes;
input deporte $ depresion $ Count @@;
datalines;
si no 38 si si 9
no no 31 no si 22
;
proc freq data=Jovenes;
weight Count;
exact pchi;
tables deporte*depresion /noprint ;
run;
3.5.
Test 2 con totales marginales fijos
Datos
Se dispone de una muestra aleatoria de tama
no N . las observaciones en la
muestra aleatoria pueden ser resumidas en una tabla de contingencia r c,
as:
Fila 1
Fila 2
..
.
Columna 1
O11
O21
..
.
Columna 2
O12
O22
..
.
...
...
...
Columna c
O1c
O2c
..
.
Total
R1
R2
..
.
Fila r
Total
Or1
C1
Or2
C2
...
...
Orc
Cc
Rr
N
Supuestos
1. La muestra de N observaciones es una muestra aleatoria
37
2. Cada observacion puede ser clasificada exactamente en una de las r

diferentes categoras siguiendo alg
un criterio, y exactamente en una
de las c diferentes categoras acorde a un segundo criterio.
3. Los totales fila y columna son dados, no son aleatorios.
P P
(Oij Eij )2
Ri Cj
T = ri=1 cj=1
, donde Eij =
, o de otra forma:
Eij
N
P P
Oij 2
N T 2 (r1)(c1)
T = ri=1 cj=1
Eij
ademas se requiere que Eij 5 ij
Hipotesis
Las hipotesis pueden ser ya sea una prueba de independencia o una prueba de
diferencia de probabilidades, en el caso especial de que los totales marginales
sean fijos y no aleatorios. Las regiones crticas y los valores P son los mismos
que se plantearon anteriormente.
Ejemplo 3.5.1. El test chi-cuadrado con totales marginales fijos puede ser
usado para probar la hip
otesis de que las variables aleatorias X y Y son
independientes como se muestra a continuaci
on:
Suponga que se tienen 24 pares de observaciones de la variable aleatoria
bivariada (X, Y ), como aparecen en el siguiente gr
afico:
38
Se quiere ver si las dos variables aleatorias X y Y son independientes.

Solucion
H0 : las variables aleatorias X y Y son independientes.
Para construir la tabla de contingencia, se grafican los datos bivariados y se
divide el grafico de tal forma que el n
umero de puntos sea igual tanto para
cada fila como para cada columna. Para ello se tomo los m
ultiplos de 24,
que son 3 y 4, se dividieron los 24 puntos en 3 filas quedando 8 puntos en
cada fila, y se dividieron los 24 puntos en 4 columnas quedando 6 puntos en
cada columna, dando como resultado la siguiente tabla de contingencia:
Fila 1
Fila 2
Fila 3
Total
Eij =
T =
Columna 1
0
2
4
6
Columna 2
4
1
1
6
Columna 3
4
2
0
6
Columna 4
0
3
3
6
Total
8
8
8
24
Ri Cj
(6)(8)
=
=2
N
24
Pr
i=1
Pc
j=1
(Oij Eij )2 Pr Pc (Oij 2)2

= i=1 j=1
= 14
Eij
2
20.05,6 = 12.59
Como T = 14 es mayor que 12.59, se rechaza H0 , es decir, hay evidencia
muestral suficiente para sugerir que X y Y no son independientes, con =
0.05.
R o S-Plus
x=matrix(c(0,2,4,4,1,1,4,2,0,0,3,3),ncol=2)
SAS
39
data Independencia;
input Fila Columna Count @@;
datalines;
110124134140
212221232243
314321330343
;
Run;
proc freq data=Independencia;
weight Count;
exact pchi;
tables Fila*Columna /noprint ;
run;
3.6.
Medidas de dependencia
Cuando 2 variables no son independientes, se puede medir cual es el grado

de dependencia entre las 2 variables, las medidas mas utilizadas son:
3.6.1.
Coeficiente de contingencia de Cram

er
T
, donde q = mn{r, c}
N (q 1)
para algunos
paquetes el coeficiente de contingencia de Cramer es: R1 ,
donde 0 < R1 < 1.
R1 =
3.6.2.
r
R2 =
3.6.3.
R3 =
Coeficiente de contingencia de Pearson

T
, donde 0 R2
N +r
q1
q
Coeficiente de contingencia de Media Cuadr

atica de
Pearson
T
, donde 0 R3 q 1
N
3.6.4.
El coeficiente Phi
r
R5 =
40
T
, donde 0 R5 q 1
N
Ejemplo 3.6.1. Cuarenta ni

nos son clasificados de acuerdo a si sus padres
tenan cabello oscuro o claro, y de acuerdo a si sus madres tenan cabello
oscuro o claro, los resultados fueron:
Madre
Oscuro
Claro
Total
Padre
Oscuro Claro
28
0
5
7
33
7
Total
28
12
40
Hay evidencia muestral suficiente para sugerir que el color del cabello del
padre y el de la madre est
an relacionados?
Solucion
H0 : No hay correlacion entre el color del cabello de la mama y del papa.
Tobs = 19.798
Valor P= P (2 (1) > 19.798) 0
Como el valor P es casi cero, se rechaza H0 , es decir, hay evidencia muestral
suficiente para sugerir que el color del cabello del papa depende del color
del cabello de la mama.
r
T
19.798
=
= 0.495 = 0.7035, 0 R1 1
N (q 1)
40(1)
r
r
q
T
19.798
R2 =
=
= 0.5754, 0 R2 12 = 0.707
N +r
59.798
r
r
T
19.798
=
= 0.7035, 0 R5 1
R5 =
N
40
R1 =
SAS
41
data Color;
input padre madre Count @@;
datalines;
oscuro oscuro 28 oscuro claro 0
claro oscuro 5 claro claro 7
;
proc freq data=Color order=data;
weight Count;
exact chisq;
tables padre*madre ;
run;
3.7.
Test de bondad de ajuste 2
Datos
Los datos consisten de N observaciones independientes de una variable aleatoria X. Estas N observaciones son agrupadas en c clases, y el n
umero de
observaciones de cada clase es presentado en una tabla de contingencia de
la forma:
Frecuencias Observadas
Clases
1 2 3 4 ... C
O1 O2 O3 O4 . . . Oc
Total
N
Supuestos
1. La muestra es una muestra aleatoria
2. La escala de medida es al menos nominal.
Sea Pi la probabilidad de que una observaci
on caiga en la clase i, bajo H0 .
Pc (Oj Ej )2 Pc Oj 2
T = j=1
= j=1
N , donde Ej = Pj N, j = 1, 2, . . . , c
Ej
Ej
T 2 (c1)
42
Hipotesis
H0 : P (X este en la clase j) = Pj j
H1 : P (X este en la clase j) =
6 Pj , para alg
un j
Region de rechazo
Rc = {T |T X 2 1,c1 }
valor P= P (2 (c1) Tobs )
Ejemplo 3.7.1. Los datos consisten de los u
ltimos dos dgitos de cincuenta
n
umeros telef
onicos que son seleccionados al azar de un directorio telef
onico, los n
umeros despues de organizarlos son los siguientes:
24, 27, 29, 31, 32, 33, 33, 35, 36, 37, 41, 42, 43, 43, 44, 45, 48, 48, 54, 54, 56, 57, 57,
58, 58, 58, 58, 59, 61, 61, 62, 63, 64, 65, 66, 68, 68, 70, 73, 73, 74, 75, 77, 81, 82, 85,
87, 89, 93, 97.
hay evidencia muestral suficiente para sugerir de que los 50 n
umeros de dos
dgitos, son observaciones de una variable aleatoria normal?
Solucion
H0 : estos 50 n
umeros son observaciones de una variable aleatoria normalmente distribuida.
Las observaciones las podemos agrupar en clases, como sigue:
# de obs.
20 x < 40
10
40 x 60
18
60 x < 80
15
80 x < 100
7
Como es desconocida la podemos estimar con:

1 PN
1
x
=
[2874] = 57.48
i=1 xi =
N
50
Como 2 es desconocida
la podemos
estimar con:
i
1 hPN 2
2
2
S =
i=1 xi N x
N 1
1
182140 (50)(57.48)2 = 18.595
S2 =
49
Usando x
y S estimamos las Ej s para cada clase, obteniendo:

Clase j
bj x
S
2.01
0.94
0.13
1.21
2.29
Xj =
b1 = 20
b2 = 40
b3 = 60
b4 = 80
b5 = 100
b6 =
43
F (Xj )
Intervalo
Pj
0.022
0.174
0.552
0.887
0.989
1
< 20
20 x < 40
40 x < 60
60 x < 80
80 x < 100
x 100
0.022
0.152
0.378
0.335
0.102
0.011
Luego tenemos:
Ej
Oj
x < 20
1.1
0
20 x < 40
7.6
10
40 x < 60
18.9
18
60 x < 80
16.75
15
80 x < 100
5.1
7
x 100
0.55
0
Como las Ej en las clases x < 20 y x 100 son menores que 5, se debe unir
a las clases adyacentes as:
Ej
Oj
Tobs =
< 40
8.7
10
40 x < 60
18.9
18
60 x < 80
16.75
15
x 80
5.66
7
(10 8.7)2 (18 18.9)2 (15 16.75)2 (7 5.66)2

+
+
+
8.7
18.9
16.75
5.66
Tobs = 0.7372,
T X 2 (c1k) 2 (412)
2 0.95,1 = 3.843.
Como Tobs < 3.843, no se rechaza H0 , es decir, no hay evidencia muestral
suficiente para sugerir que la muestra no proviene de una poblacion normal,
con = 0.05.
S-Plus
x=c(24,27,29,31,32,33,33,35,36,37,41,42,43,43,44,45,48,48,54,54,56,57,57,
58,58,58,58,59,61,61,62,63,64,65,66,68,68,70,73,73,74,75,77,81,87,89,
93,97,82,85).
chisq.gof(x,n.classes=4, distribution = normal, mean=mean(x), sd=sd(x),
cut.points= c(-1000000,39.999,59.999,79.999,1000000), nparam.est=2).
44
R
x=c(10,18,15,7)
p=c(pnorm(40,mean=57.48,sd=18.595),pnorm(60,mean=57.48,sd=18.595)
-pnorm(40,mean=57.48,sd=18.595),pnorm(80,mean=57.48,sd=18.595)pnorm(60,mean=57.48,sd=18.595),1-pnorm(80,mean=57.48,sd=18.595))
chisq.test(x,p=p)
3.8.
Test de Cochran para observaciones relacionadas
Datos
Cada uno de c tratamientos es aplicado independientemente a cada uno de
r bloques o sujetos, y el resultado de la aplicacion de cada tratamiento toma
los valores de 1si es un exito y 0si es un fracaso. Los resultados se recopilan en una tabla r c, cuyas entradas son ceros o unos, y N representa
el n
umero total de unos en la tabla.
Bloques
1
2
3
..
.
1
x11
x21
x31
..
.
Tratamientos
2
3
...
x12 x13 . . .
x22 x23 . . .
x32 x33 . . .
..
..
.
.
c
x1c
x2c
x3c
..
.
Total Filas
R1
R2
R3
..
.
r
Total Col
xr1
C1
xr2
C2
xrc
Cc
Rr
N
xr3
C3
...
...
Supuestos
1. Los bloques son seleccionados aleatoriamente de la poblacion de todos

los posibles bloques.
2. Los resultados de los tratamientos pueden ser dicotomizados de una
manera com
un para todos los tratamientos dentro de cada bloque.
45
Pc
T = c(c
T = c(c
N 2
)
j=1 (cj
c
1) Pr
Ri (c Ri )
Pi=1
c
2
2
j=1 cj (c 1)N
1)
P
cN ri=1 Ri 2
Distribucion Nula
La distribucion nula de T es muy difcil de tabular, por lo tanto se usa la
aproximacion para muestras grandes, donde el n
umero de bloques es asumido grande, y entonces la distribucion aproximada de T es:
T 2 (c1)
Hipotesis
H0 : Los tratamientos son igualmente efectivos.
H1 : Hay una diferencia en la efectividad de los tratamientos.
En terminos matematicos tenemos:
H0 : P1 = P2 = . . . = Pc dentro de cada bloque
H1 : Pi 6= Pj para algunos tratamientos i y j
Rc = {T /T X 2 1,(c1) }
valor P= P (2 (c1) > T obs)
Comparaciones m
ultiples
Si H0 es rechazada, las comparaciones por pares se pueden hacer usando el
test de McNemar.
Ejemplo 3.8.1. Cada uno de 3 entusiastas basquetbolistas predijeron los
resultados de unos juegos de basquetboll. Se seleccionaron 12 juegos al azar,
y cada deportista present
o una predicci
on del resultado de cada juego. Despues de realizados los juegos los resultados fueron tabulados, usando 1para
el exito en la predicci
on y 0para el fracaso en la predicci
on.
Deportista
1
2
3
4
5
6
7
8
9
10
11
12
Total
Predicci
on
1 2 3
1 1 1
1 1 1
0 1 0
1 1 0
0 0 0
1 1 1
1 1 1
1 1 0
0 0 1
0 1 0
1 1 1
1 1 1
8 10 7
46
Total
3
3
1
2
0
3
3
2
1
1
3
3
25
Hay evidencia muestral suficiente para sugerir que todos los deportistas tienen la misma habilidad para predecir los resultados de los juegos de Basquetboll?
solucion
H0 : Cada deportista es igualmente efectivo en su habilidad para predecir el
resultado de los juegos de basquetboll.
Pc
N 2
j=1 cj
c
T = c(c 1) Pr
i=1 Ri (c Ri )
"
25 2
25 2
25 2
8
+ 10
+ 7
3
3
3
Tobs = 3(2)
2+2+2+2+2
"
2 2 #
1 2
5
4
+
+
3
3
3
Tobs = 3(2)
2+2+2+2+2
Tobs = 2.8
T 2 (2)
2 0.95(2) = 5.991
47
Como el Tobs no pertenece a la region crtica, aceptamos H0 , es decir, no

hay diferencias significativas entre las habilidades de predecir de cada uno
de los deportistas, con = 0.05.
SAS
data Juegos;
input dep1 dep2 dep3 Count @@;
datalines;
11161102010200010011
;
proc freq data=Juegos order=data;
weight Count;
tables dep1*dep2*dep3 /noprint agree;
run;
R
Primero se crea la funcion cochranq.test
cochranq.test <- function(mat)

{
k <- ncol(mat)
C <- sum(colSums(mat) ^ 2)
R <- sum(rowSums(mat) ^ 2)
T <- sum(rowSums(mat))
num <- (k - 1) * ((k * C) - (T ^ 2))

den <- (k * T) - R
Q <- num / den
df <- k - 1
names(df) <- "df"
48
names(Q) <- "Cochrans Q"

p.val <- pchisq(Q, df, lower = FALSE)
QVAL <- list(statistic = Q, parameter = df, p.value = p.val,
method = "Cochrans Q Test for Dependent Samples",
data.name = deparse(substitute(mat)))
class(QVAL) <- "htest"
return(QVAL)
}
x = as.table(matrix(c(1,1,0,1,0,1,1,1,0,0,1,1, 1,1,1,1,0,1,1,1,0,1,1,1,
1,1,0,0,0,1,1,0,1,0,1,1),ncol=3))
cochranq.test(x)
3.9.
Ejercicio 3.9.1. Se seleccion

o una muestra aleatoria de 135 personas de
cada una de dos poblaciones indicando la reacci
on antes de una legislaci
on,
en la primera muestra 43 respondieron que estaban en desacuerdo, en la segunda muestra 37 estaban en desacuerdo. Hay una diferencia en las personas
que se oponen en las dos poblaciones? Use = 0.05
Ejercicio 3.9.2. Un grupo de sesenta estudiantes fue dividido en 2 clases de
30 cada uno, a las que se les ense
n
o como escribir un programa de computo.
Una clase us
o el metodo convencional de aprendizaje, y la otra clase us
o un
nuevo metodo experimental. Al final del curso a cada estudiante se le puso
a escribir un programa de computo, el programa se clasific
o como correcto
o incorrecto y el resultado fue tabulado como sigue:
Programa correcto Programa incorrecto Total
Clase Convencional
23
7
30
Clase experimental
27
3
30
Total
50
10
60
Hay raz
on para creer que el metodo experimental es mejor? Use = 0.05
49
Ejercicio 3.9.3. Se interrogaron cien hombres y cien mujeres para probar

una nueva crema dental, para ver si gusta o no su sabor, 32 hombres y 26
mujeres respondieron que no les gusto su sabor. Indica esto una diferencia
en la preferencia de la crema entre hombres y mujeres? Use = 0.05.
Ejercicio 3.9.4. El test exacto de Fisher puede ser usado como un test de
correlaci
on entre dos variables X y Y que tengan por lo menos una escala de
medida ordinal. Suponga que se tienen 16 observaciones de X a
nos de casado
de un esposo, y Y a
nos de casado de su padre, resultando 7 pares por encima
de las medianas. Son las dos variables correlacionadas positivamente. Use
= 0.05.
Ejercicio 3.9.5. Use el test exacto de Fisher para probar correlaci
on positiva, si se tienen unos datos de reacci
on a la droga 1 (X) y reacci
on del mismo
paciente a la droga 2 (Y), como: (0.7,1.9), (-1.6,0.8), (-0.2,1.1), (-1.2,0.1),
(-0.1,-0.1), (3.4,4.4), (3.7,5.5), (0.8,1.6), (0.0,4.6), (2.0,3.4), use = 0.05.
Ejercicio 3.9.6. La exposici

on al Oxido
Nitroso, un analgesico, se sospecha como causa de aborto involuntario entre mujeres enfermeras y asistentes dentales que han tenido grandes periodos de exposici
on. Los datos se
obtienen a partir de tres diferentes grupos de mujeres embarazadas y se ha
registrado el n
umero de abortos involuntarios y n
umero de partos a tiempo
completo, use = 0.05, los resultados fueron:
Expuesto
No Expuesto
Asistente dental
Aborto No aborto
8
32
26
210
Ejercicio 3.9.7. Se examina el da

no causado por el agua y el viento a la
tierra en una granja, al mismo tiempo se report
o el tipo de cultivo de cada
granja, los resultados fueron:
Cantidad de da
nos
Sin da
nos
Da
nos leves
Da
nos moderados
Da
nos severos
Tipo de cultivo
Labranza Mnima Contorno Terraza
17
19
4
3
10
4
0
2
2
0
0
2
Otros
21
42
34
6
El tipo de cultivo afecta el grado de da

no?, si la respuesta es afirmativa,
cuales tipos de cultivo son significativamente diferentes?.
50
Ejercicio 3.9.8. Tres diferentes tipos de radios son fabricados por la misma empresa, todos con un a
no de garanta, se registra el n
umero de radios
reemplazados, reparados o no retornados por garanta, los resultados fueron:
Reemplazado
Reparado
No retornado
Tipo A
12
10
82
Tipo B
3
8
96
Tipo C
6
7
58
Existe una diferencia significativa entre la fiabilidad de los diferentes tipos

de radios?, en caso afirmativo, Cu
ales son significativamente diferentes?
Ejercicio 3.9.9. La siguiente tabla resume los resultados de conductores
seleccionados al azar, detenidos por la polica de Estados Unidos, en el 2008.
Use un nivel de significancia de 0.05 para probar que el hecho de ser detenido
es independiente de la raza, es decir que hay discriminaci
on racial. Los datos
son:
Detenidos
No Detenidos
Afro estadounidenses
24
176
Cauc
asico
147
1253
Ejercicio 3.9.10. La tabla adjunta resume exitos y fracasos de sujetos que

utilizaron diferentes metodos para tratar de dejar de fumar. Cinco meses
despues de comenzar el tratamiento, se determin
o si los sujetos fumaban o
no.Utilice un nivel de significancia de 0.05 para probar la afirmaci
on de que
el exito es independiente del metodo utilizado. Los resultados son:
Fuman
No Fuman
Goma de mascar de Nicotina

191
59
Parche de Nicotina
263
57
Ejercicio 3.9.11. Se utilizaron dos cremas diferentes para tratar el pie de

atleta. A cada sujeto con esta infecci
on en ambos pies se le trata un pie
con Pedacream y el otro con Fungacream.Utilice un nivel de significancia de
0.05 y use la prueba de McNemar para poner a prueba la hip
otesis de que
las siguientes proporciones son iguales:
La proporci
on de sujetos con pie tratado con Pedacream no se cura y cuyo
pie tratado con Fungacream s se cura.
La proporci
on de sujetos con pie tratado con Pedacream s se cura y cuyo
pie tratado con Fungacream no se cura.
Los resultados fueron:
Curados con Fungacream

No Curados con Fungacream
51
Pedacream
Curados No Curados
12
8
40
20
Ejercicio 3.9.12. Tres profesores dictan clases de Estadstica, al terminar

el semestre ellos comparan las calificaciones para mirar si hay diferencias
significativas en sus politicas de calificaci
on los resultados fueron:
Profesor
Smith
Jones
White
A
12
10
15
B
45
32
19
C
49
43
32
grado
D F
6 13
18 4
20 6
WP
18
12
9
WF
2
6
7
Son estas diferencias significativas?.

Ejercicio 3.9.13. Cien hombres y cien mujeres ensayaron una nueva crema
dental, con el fin de saber si les gusta o no el nuevo sabor. Treinta y dos
hombres y 26 mujeres dijeron que no les gust
o el nuevo sabor. Se puede
afirmar que existe diferencia en la preferencia por la crema dental, entre
hombres y mujeres?
Ejercicio 3.9.14. Una universidad recibi
o el a
no pasado 21 solicitudes de
hombres y contrat
o 10 o el 48 %. Al mismo tiempo recibi
o 63 solicitudes de
mujeres y contrat
o 14 o el 22 %
a. Parece tener esta universidad mayor probabilidad de contratar a los
hombres que a las mujeres?
b. Un desglose de la informaci
on de la parte a. por parte de la universidad
mostr
o lo siguiente:
Hombre
Mujer
Educaci
on
Cont. No cont.
2
8
12
48
Administraci
on
Cont. No cont.
5
0
1
0
Ingeniera
Cont. No cont.
3
3
1
1
parece tener esta universidad mayor probabilidad de contratar a los

hombres que a las mujeres?
c. Cu
al es la raz
on para las diferentes conclusiones en las partes a. y b.?
52
Ejercicio 3.9.15. Una muestra aleatoria de Stock de la bolsa de valores

Americana es comparada con una muestra aleatoria de Stock de la bolsa de
New York, para ver si hay una diferencia en el ndice porcentual de ganancias
de las dos bolsas. De los 23 valores de la ASE haban 11 As 11 Bs y 1 C,
de los 35 valores de NYSE haban 24 As, 11 Bs y 0 C, que an
alisis puede
hacerse?
Ejercicio 3.9.16. Un equipo de observadores se mueve por una zona boscosa
y reporta los avistamientos, falsos o verdaderos, de los equipos de comuflaje,
liso y estampado, el informe del equipo incluye el tipo de camuflaje usado
y la ubicaci
on de los equipos, el equipo es supervisado por una persona que
sabe cuales observaciones son falsas y cuales son verdaderas. Los metodos
de avistamiento son:
Observaciones falsas
Observaciones verdaderas
Tipos de camuflaje
Estampado Liso
14
4
27
32
Existe una diferencia significativa en la probabilidad de que un avistamiento

reportado sea incorrecto?.
Ejercicio 3.9.17. Una empresa de mercadeo en televisi
on mantiene un seguimiento de las respuestas telef
onicas a sus diversos productos, con el fin
de determinar si el tiempo que aparece en la televisi
on se relaciona con el
producto que se vende. Los resultados fueron:
En el da
En la noche
Fin de semana
Ca
na de pescar
6
14
21
Producto
Inst. cocina M
usica CD
7
55
65
82
58
48
M
aquinas ejercicio
7
8
8
Que se puede concluir?.

Ejercicio 3.9.18. Use el test exacto de Fisher para comprobar si las siguientes observaciones indican una dependencia entre las dos variables X, Y
observadas, los resultados son: (3.6,13), (4.7,19), (1.4,9), (5.5,15), (4.8,27),
(4.3,14), (3,6), (4.2,11), (6,24), (6.8,26), (4.1,18), (3.2,9), (4,8), (1.9,6),
(0.4,7), (4.9,14), (5.6,18), (5.6,20).
53
Ejercicio 3.9.19. Una muestra aleatoria de 30 personas adultas graduadas

de la universidad se clasificaron por carrera y preferencia religiosa. Existe
relaci
on entre la carrera y la preferencia religiosa?. Los resultados fueron:
Cat
olico
Judio
Protestante
Otro
Artes
3
1
3
2
Negocios
1
2
3
1
Ingeniera
1
0
3
1
Otros
4
1
1
3
Captulo 4
Algunos m
etodos basados en
rangos
4.1.
El test de Mann-Whitney
Datos
Los datos consisten de 2 muestras aleatorias independientes. Sea X1 , . . . , Xn
que denota la muestra aleatoria de tama
no n de la poblacion 1, y sea
Y1 , . . . , Ym que denota la muestra aleatoria de tama
no m de la poblacion
2. Se asignan los rangos 1 a n + m a las observaciones de menor a mayor.
R(Xi ) y R(Yj ) denotan los rangos asignados a Xi y Yj ij. Sea N = n+m,
si varios valores de la muestra combinada son iguales (empates), asigne a
cada uno el promedio de los rangos.
Supuestos
1. Ambas muestras son muestras aleatorias de sus respectivas poblaciones.

2. Ademas de la independencia dentro de cada muestra, las 2 muestras
aleatorias son independientes.
3. La escala de medida es al menos ordinal.
Si no hay empates, o si hay pocos empates, el estadstico de prueba es:
54

CAPITULO 4. METODOS
BASADOS EN RANGOS
T =
es:
Pn
i=1 R(Xi ),
55
si hay muchos empates, entonces el estadstico de prueba
Sin factor de correccion
T n
T1 = s
N +1
2
PN
nm
nm(N + 1)2
2
R
i
N (N 1) i=1
4(N 1)
Con factor de correccion
T n
T1 = s
N + 1)
2
1
2
PN
nm(N + 1)2
nm
2
R
i
N (N 1) i=1
4(N 1)
Distribucion Nula
Los cuantiles inferiores de la distribucion nula de T , estan dados en la tabla
A.4 para n 20, y m 20. Los cuantiles superiores Wp de T son obtenidos
usando, Wp = n(n + m + 1) W1p .
Donde W1p es el cuantil inferior dado en la tabla A4. Como una alternativa
0
para hallar los cuantiles superiores, se define el estadstico, T = n(N +1)T ,
el cual puede usarse con los cuantiles inferiores cuando tenemos un test de
0
cola derecha. El uso de T es mas conveniente para hallar valores P en el test
de cola derecha. Los cuantiles aproximados si no hay empates y n, m 20
son hallados con la aproximaci
on normal, as:
r
n(N + 1)
nm(N + 1)
Wp
+ Zp
,
2
12
donde Zp es el cuantil p de una n(0, 1).
Hipotesis
A) (test de 2 Colas)
Sean FX (x) y GY (x) las funciones de distribucion correspondientes a
X y Y , respectivamente, entonces, las hipotesis son:
H0 : FX (x) = GY (x) x vs. H1 : FX (x) 6= GY (x) para alg
un x

CAPITULO 4. METODOS
BASADOS EN RANGOS
H0 : E[X] = E[Y ] vs. H1 : E[X] 6= E[Y ]
H0 : P (X > Y ) = P (X < Y ) vs. H1 : P (X > Y ) 6= P (X < Y )
Rc = {T |T < W/2 o T > W1/2 },
para n 20, m 20 use la tabla A4.
para n > 20 om > 20 use la tabla A.1.
1
N +1
0
+
m
n{T,
T
}
2
2
r
Valor P= 2P
Z
nm(N + 1)
12
Valor P= 2 mn{P (Z T1 ), P (Z T1 )}
H0 : FX (x) = GY (x) x vs. H1 : FX (x) > GY (x) para alg
un x
H0 : E[X] = E[Y ] vs. H1 : E[X] < E[Y ]
H0 : P (X > Y ) = P (X < Y ) vs. H1 : P (X > Y ) < P (X < Y )
X tiende a tener valores mas peque
nos que Y
Rc = {T |T < W } o Rc = {T1 |T1 < Z }
1
T n
+
2
r
Valor P P
Z
nm(N + 1)
12
Valor P P (Z T1 )
N +1
2

H0 : FX (x) = GY (x) x vs. H1 : FX (x) < GY (x) para alg
un x
H0 : E[X] = E[Y ] vs. H1 : E[X] > E[Y ]
H0 : P (X > Y ) = P (X < Y ) vs. H1 : P (X > Y ) > P (X < Y )
X tiende a tener valores mas grandes que Y
0
0
0
Rc = {T |T < W } , donde, T = n(N + 1) T o
Rc = {T |T > W1 }
Rc = {T1 |T1 > Z1 }
56

CAPITULO 4. METODOS
BASADOS EN RANGOS
57
N +1
1
T
2
2
o
r
Valor P P
Z
nm(N + 1)
12
N +1
1
0
T n
+
2
2
r
Valor P P Z
nm(N + 1)
12
Valor P P (Z T1 )
Ejemplo 4.1.1. La clase de u
ltimo a
no en un colegio particular tiene 48
j
ovenes. 20 j
ovenes viven en el campo y los otros 36 viven en la ciudad.
Cada joven hace una prueba de competencia fsica en la cual el puntaje bajo
indica una peor condici
on fsica. Los puntajes de los j
ovenes del campo (Xi )
y los puntajes de los j
ovenes de la ciudad (Yi ) son:
Xi (J
ovenes del campo)
14.8,7.3,5.6,6.3,9.0,4.2,10.6,12.5,12.9,16.1,11.4,2.7
Yi (J
ovenes de la ciudad)
12.7,14.2,12.6,2.1,17.7,11.8,16.9,7.9,16.0,10.6,5.6,5.6,7.6,11.3,8.3,6.7,
3.6,1.0,2.4,6.4,9.7,6.7,18.6,3.2,6.2,6.1,15.3,10.6,1.8,5.9,9.9,10.6,14.8,
5.0,2.6,4.0.
Los j
ovenes del campo, en general, son fsicamente m
as competentes que
los j
ovenes de la ciudad? use = 0.05
Solucion
H0 : Los jovenes del campo no tienden a ser fsicamente mas competentes
que los jovenes de la ciudad.
H1 :Los jovenes del campo tienden a ser fsicamente mas competentes que
los jovenes de la ciudad.
H0 : E[X] = E[Y ] vs H1 : E[X] > E[Y ]
Los puntajes son rankeados como sigue:

CAPITULO 4. METODOS
BASADOS EN RANGOS
Y
1.0
1.8
2.1
2.4
2.6
2.7
3.2
3.6
4.0
4.2
5.0
5.6
5.6
5.6
5.9
6.1
Rango
1
2
3
4
5
6
7
8
9
10
11
13
13
13
15
16
Y
6.2
6.3
6.4
6.7
6.7
7.3
7.6
7.9
8.3
9.0
9.7
9.9
10.6
10.6
10.6
10.6
Rango
17
18
19
20.5
20.5
22
23
24
25
26
27
28
30.5
30.5
30.5
30.5
Y
11.3
11.4
11.8
12.5
12.6
12.7
12.9
14.2
14.8
14.8
15.3
16
16.1
16.9
17.7
18.6
58
Rango
33
34
35
36
37
38
39
40
41.5
41.5
43
44
45
46
47
48
hay 4 grupos de puntajes empatados

n = 12
P12 m = 36 N = 12P+4836 =2 48
T = i=1 R(xi ) = 321
i=1 R i = 38016
Sin Factor de Correccio
n
49
321 12
27
2
T1 = s
=
= 0.6431
41.981759
12(36)
12(36)(49)2
(38016)
(48)(47)
4(47)
Valor P= P (Z 0.6431) = 1 P (Z < 0.6431) = 1 0.739 = 0.261
Con Factor de Correcci
on
49
1
321 12
2
2
T1 = s
= 0.6312
12(36)
12(36)(49)2
(38016)
(48)(47)
4(47)

CAPITULO 4. METODOS
BASADOS EN RANGOS
59
Valor P= P (Z 0.6312) = 1 0.736 = 0.264

Como el valor P> 0.1, aceptamos H0 , y concluimos que los datos no muestran que los jovenes del campo sean fsicamente mas competentes que los
jovenes de la ciudad.
S-Plus o R
x< c(14.8,7.3,5.6,6.3,9.0,4.2,10.6,12.5,12.9,16.1,11.4,2.7)
y< c(12.7,14.2,12.6,2.1,17.7,11.8,16.9,7.9,16.0,10.6,5.6,5.6, 7.6,11.3,8.3,6.7,3.6,
1.0,2.4,6.4,9.7,6.7,18.6,3.2,6.2,6.1, 15.3,10.6,1.8,5.9,9.9,10.6,14.8,5.0,2.6,4.0.)
wilcox.test(x,y,alternative=greater, correct=T)
SAS
Data uno;
input puntaje categoria $ @@;
cards;
14.8 campo 7.3 campo 5.6 campo 6.3 campo 9.0 campo 4.2 campo
10.6 campo 12.5 campo 12.9 campo 16.1 campo 11.4 campo 2.7 campo
12.7 ciudad 14.2 ciudad 12.6 ciudad 2.1 ciudad 17.7 ciudad
11.8 ciudad 16.9 ciudad 7.9 ciudad 16 ciudad 10.6 ciudad 5.6 ciudad
5.6 ciudad 7.6 ciudad 11.3 ciudad 8.3 ciudad 6.7 ciudad 3.6 ciudad
5.9 ciudad 9.9 ciudad 10.6 ciudad 14.8 ciudad 5 ciudad 2.6 ciudad
4 ciudad
;
Run;
Proc npar1way data=uno wilcoxon;
class categoria;
var puntaje;
Run;

CAPITULO 4. METODOS
BASADOS EN RANGOS
4.2.
60
Intervalo de confianza para la diferencia de

medias
Datos
Los datos consisten de 2 muestras aleatorias independientes. Sea X1 , . . . , Xn
que denota la muestra aleatoria de tama
no n de la poblacion 1, y sea
Y1 , . . . , Ym que denota la muestra aleatoria de tama
no m de la poblacion
2, y sean X e Y que denotan las variables aleatorias de las Xs y las Y s,
respectivamente.
Supuestos

2. Ademas de la independencia dentro de cada muestra, las 2 muestras
aleatorias son independientes.
3. Las dos distribuciones de probabilidad poblacionales son identicas, excepto posiblemente con parametros de localizacion diferentes, esto es,
existe una constante digamos d, tal que X tiene la misma distribucion
que Y + d.
Metodo
Para n y m, determine el cualtil 2 , w/2 , usando la tabla A4 y en el caso
en que n o m sean grandes use la aproximaci
on normal:
w/2
n(n+m+1)
2
q
+ Zp
nm(N +1)
12
Luego calcule k usando la expresion:

k = w/2
n(n+1)
2
Para todos los posibles pares, halle las r = mn diferencias dij = Xi Yj ,

luego ordene las r diferencias en orden creciente as: d(1) d(2) . . . d(r) ,
y por u
ltimo, el intervalo de confianza del (1 )100 % para E[X] E[Y ] es:

CAPITULO 4. METODOS
BASADOS EN RANGOS
61
(L, U ) = (d(k) , d(rk+1) )

Ejemplo 4.2.1. Un pastel es mezclado hasta obtener una consistencia deseada. Cinco pasteles son mezclados usando un mezclador A y otros cinco pasteles son mezclados usando un mezclador B. el tiempo requerido para mezclarlos bien, en minutos, son dados por:
Mezclador A
Mezclador B
7.3
7.4
6.9
6.8
7.2
6.9
7.8
6.7
7.2
7.1
Construya un intervalo de confianza del 95 % para la diferencia de medias

de los tiempos de mezclado de los dos mezcladores, se puede sugerir que
el tiempo de mezclado usando el mezclador B, es menor que, el tiempo de
mezclado usando el mezclador A.
Solucion
Calculemos un intervalo de confianza para E[X] E[Y ], donde X es el tiempo de mezclado usando el mezclador A y Y es el tiempo de mezclado usando
el mezclador B.
De la tabla A4 tenemos que, para n = 5, m = 5, = 0.05, w0.025 = 18, y
entonces k = 18 (5)(6)
= 3.
2
La matriz de diferencias es:
Xi
6.9
7.2
7.2
7.3
7.8
6.7
0.2
0.5
0.5
0.6
1.1
6.8
0.1
0.4
0.4
0.5
1.0
Yi
6.9
0.0
0.3
0.3
0.4
0.9
7.1
-0.2
0.1
0.1
0.2
0.7
7.4
-0.5
-0.2
-0.2
-0.1
0.4
Las diferencias ordenadas son:

-0.5, -0.2, -0.2, -0.2, -0.1, 0.0, 0.1, 0.1, 0.1, 0.2, 0.2, 0.3, 0.3,0.4, 0.4, 0.4, 0.4,
0.5, 0.5, 0.5, 0.6, 0.7, 0.9, 1.0, 1.1
Por lo tanto un intervalo de confianza del 95 % para E[X] E[Y ] es:

CAPITULO 4. METODOS
BASADOS EN RANGOS
62
(L, U ) = (d(3) , d(23) ) = (0.2, 0.9)

Como el intervalo de confianza del 95 % para E[X] E[Y ] no contiene el
cero, entonces, hay evidencia muestral suficiente para sugerir que no hay
diferencias en los tiempos medios de mezclado, usando cualquiera de los dos
tipos de mezcladores, usando = 0.05
4.3.
El test de Kruskall-Wallis
Es una extension para K muestras, K > 2, del test de Mann-Whitney.

Datos
Los datos consisten de K muestras aleatorias posiblemente de tama
nos diferentes. Denote la i-esima muestra de tama
no ni por Xi1 , Xi2 , . . . , Xini ,
entonces los datos pueden ser arreglados en columnas as:
Muestra 1
X11
X12
X13
..
.
X1n1
Muestra 2
X21
X22
..
.
..
.
X2n2
...
...
...
...
Muestra k
Xk1
Xk2
..
.
..
.
Xknk
P
on mas peque
na, y as suSea N = K
i=1 ni , asigne rango 1 a la observaci
cesivamente hasta asignarle rango N a la mas grande de las observaciones.
Sea R(Xij ) el rango asignado a Xij . P
Sea Ri la suma de los rangos asignados
i
a la i-esima muestra, es decir, Ri = nj=1
R(Xij ) i = 1, 2, . . . , K. Halle Ri
para cada muestra, si hay observaciones empatadas (que se repiten), asigne
el rango promedio a cada una de estas observaciones.
Supuestos
1. Todas las muestras son muestras aleatorias de sus respectivas poblaciones.

2. Las 2 muestras aleatorias son independientes.
3. La escala de medida es al menos ordinal

CAPITULO 4. METODOS
BASADOS EN RANGOS
63
4. Las K funciones de distribucion poblacionales son identicas o alguna

de las poblaciones tiende a producir valores mas grandes que las otras
poblaciones.
PK Ri 2 N (N + 1)2
1
T = S2
, donde,
i=1
ni
4
Pk Pni
N (N + 1)2
1
2
2
S = N 1
,
i=1
j=1 R (Xij )
4
N (N + 1)
si no hay empates S 2 =
y T se reduce a :
12
2
PK Ri
12
T =
3(N + 1)
N (N + 1) i=1 ni
Distribucion Nula
La distribucion exacta de T esta dada en la tabla A5 para K = 3 y todos
los ni 5, en caso contrario T 2 (K1)
Hipotesis
H0 : Todas las K funciones de distribucion son identicas.
H1 : Al menos una de las K poblaciones tiende a dar valores observados mas
grandes, que al menos otra de las poblaciones.
H0 : 1 = 2 = . . . = K
H1 : i 6= j para alg
un i y alg
un j.
2
Rc = {T |T > 1,(K1) }.
Comparaciones M
ultiples
Solo si la hipotesis nula es rechazada, podemos usar el siguiente procedimiento para determinar cuales pares de poblaciones tienden a ser diferentes.
Diremos que las poblaciones i y j son diferentes si se satisface.
Ri Rj
N 1 T 1/2 1
1 1/2
2
+
ni nj > t1/2,N K S N K
ni nj
Ejemplo 4.3.1. Se utilizan cuatro diferentes metodos para cultivar trigo,
sobre 4 parcelas de tierra, y se midi
o la producci
on por acre en cada parcela,
se desea comparar las medianas de cada una de las parcelas, los resultados
fueron:

CAPITULO 4. METODOS
BASADOS EN RANGOS
1
83
91
94
89
89
96
91
92
90
Metodo
2
3
91 101
90 100
81 91
83 93
84 96
83 95
88 94
91
89
84
64
4
78
82
81
77
79
81
80
81
Hay evidencia muestral suficiente para sugerir que algunos metodos para
cultivar trigo tienden a dar mayor producci
on que otros?
Solucion
H0 : Todos los metodos para cultivar trigo tienden a dar la misma produccion.
H1 : algunos metodos para cultivar trigo tienden a dar mayor produccion que
otros.
Metodo
1
Obs. Rango
83
11
91
23
94
28.5
89
17
89
17
96
31.5
91
23
92
26
90
19.5
Ri
ni
196.5
9
2
Obs. Rango
91
23
90
19.5
81
6.5
83
11
84
13.5
83
11
88
15
91
23
89
17
84
13.5
153
10
3
Obs. Rango
101
34
100
33
91
23
93
27
96
31.5
95
30
94
28.5
207
7
4
Obs. Rango
78
2
82
9
81
6.5
77
1
79
3
81
6.5
80
4
81
6.5
38.5
8

CAPITULO 4. METODOS
BASADOS EN RANGOS
N = 34,
"
PK Pni
i=1
j=1 R
2 (X )
#ij
2
65
= 13664
1
34 (35)
13664
33
4
"
#
1
(196.5)2 (153)2 (207)2 (38.5)2 34 (35)2
=
+
+
+
98.5303
9
10
7
8
4
= 25.6298
S2 =
Tcal
Tcal
Valor P = P (2 (3) 25.6298) < 0.001.

Como el valor P < 0.05 rechazamos H0 , es decir, hay evidencia muestral
suficiente para sugerir que algunos metodos para cultivar trigo tienden a
dar mayor produccion que otros, con = 0.05.
Como H0 es rechazada, se puede hacer comparaciones m
ultiples.
Como S 2 = 98.5303
(98.5303)(33 25.6298)
S 2 (N 1 T )
=
= 24.062, y t0.975,30 = 2.041
N K
34 4
Poblaciones
1,2
1,3
1,4
2,3
2,4
3,4
Ri Rj
ni nj
6.533
7.738
17.021
14.271
10.488
24.759
2.041(24.062)1/2 ( n1i +
>
>
>
>
>
>
1 1/2
nj )
4.6138
5.0605
4.8794
4.9486
4.7632
5.1971
Se concluye que todas las poblaciones son diferentes.
S-Plus o R
x< c(83,91,94,89,89,96,91,92,90,91,90,81,83,84,83,88,91,89,84,101,100,91,
93,96,95,94,78,82,81,77,79,81,80,81)
g< c(rep(1,9),rep(2,10),rep(3,7),rep(4,8))
kruskal.test(x,g)

CAPITULO 4. METODOS
BASADOS EN RANGOS
66
SAS
Data uno;
input produccion metodo @@;
cards;
83 1 91 1 94 1 89 1 89 1 96 1 91 1 92 1 90 1
91 2 90 2 81 2 83 2 84 2 83 2 88 2 91 2 89 2 84 2
101 3 100 3 91 3 93 3 96 3 95 3 94 3
78 4 82 4 81 4 77 4 79 4 81 4 80 4 81 4
;
Run;
Proc npar1way data=uno wilcoxon;
class metodo;
var produccion;
Run;
4.4.
Un test para igualdad de varianzas
Datos
Los datos consisten de 2 muestras independientes. Sea X1 , . . . , Xn una muestra aleatoria de tama
no n de la poblacion 1, y sea Y1 . . . . , Ym una muestra
aleatoria de tama
no m de la poblacion 2. Construya:
ui = |Xi 1 | i = 1, 2, . . . , n
Vj = |Yj 2 | j = 1, 2, . . . , m
donde 1 y 2 son las medias de las poblaciones 1 y 2. Si 1 y 2 son des y 2 = Y . Luego asigne rangos de 1 a n + m a la
conocidas use 1 = X
muestra combinada de los i y los Vj , si hay empates asigne el rango promedio.
Note que los rangos de los i y los Vj son iguales a los rangos de (Xi 1 )2
y (Yj 2 )2 .
Supuestos

CAPITULO 4. METODOS
BASADOS EN RANGOS
67

2. Las 2 muestras aleatorias son mutuamente independientes.
3. La escala de medida es al menos de intervalo.
P
Si no hay valores de u empatados con valores de V use: T = ni=1 R2 (ui ),
si hay empates use:
T nR2
T1 =
1/2 , donde N=n+m.
PN
nm
nm
R4
(R2 )2
N (N 1) i=1 i
N 1
P
1 P
2
R2 = { ni=1 R2 (ui ) + m
j=1 R (Vj )}
N
Pm
Pn
PN
4
2
4
j=1 R (Vj )
i=1 R (ui ) +
i=1 Ri =
Distribucion Nula
Los cuantiles de la distribucion nula de T estan dados en la tabla A6 para
el caso de no empates y n, m 10. Para tama
nos mayores que 10 se usa la
aproximacion:
r
n(N + 1)(2N + 1)
mn(N + 1)(2N + 1)(8N + 11)
+ Zp
Wp =
6
180
la distribucion aproximada de T1 es: T1 n(0, 1).
Hipotesis
H0 : X e Y son identicamente distribuidas, excepto posiblemente con
medias diferentes.
H1 : V ar[X] 6= V ar[Y ]
Rc = {T |T > W1/2 o T < W/2 }
Rc = {T1 |T1 > Z1/2 o T1 < Z/2 }
Valor P = 2P (Z |T1 |)
Valor P = 2 mn{ valor P izq, valor P der }

CAPITULO 4. METODOS
BASADOS EN RANGOS
T n(N + 1)(2N + 1)/6
68
!
Zp
mn(N + 1)(2N + 1)(8N + 11)/180
!
T n(N + 1)(2N + 1)/6
valor P der = P Z p
mn(N + 1)(2N + 1)(8N + 11)/180
valor P izq = P

H0 : X e Y estan identicamente distribuidas, excepto posiblemente
con medias diferentes.
H1 : V ar[X] < V ar[Y ]
Rc = {T |T < W }
Rc = {T1 |T1 < Z }
Valor P = valor P izq
H0 : X e Y estan identicamente distribuidas, excepto posiblemente
con medias diferentes.
H1 : V ar[X] > V ar[Y ]
Rc = {T |T > W1 }
Rc = {T1 |T1 > Z1 }
Valor P = valor P der
Ejemplo 4.4.1. Se dispone de unas m
aquinas empacadoras de cereal, estas
m
aquinas empacan una cantidad variable, algunas veces menos de lo que la
compa
na dice en su caja y otras veces m
as. Se ensaya una nueva m
aquina
para ver si es menos variable que la existente, en tal caso podra reemplazar
a la m
aquina vieja. Los resultados fueron:

CAPITULO 4. METODOS
BASADOS EN RANGOS
69
Contenido de las cajas

Presente
Nueva
10.8
10.8
11.1
10.5
10.4
11.0
10.1
10.9
11.3
10.8
10.7
10.8
Hay evidencia muestral suficiente para sugerir que la m
aquina nueva tiene
menor variabilidad que la m
aquina vieja?.
Solucion
H0 : Las dos maquinas tienen la misma variabilidad.
H1 : la maquina presente tiene mayor variabilidad que la maquina nueva.
Rangos
Presente
Nueva
ui = |Xi X| Vj = |Yj Y | Presente Nueva
10.8
10.8
0.06 (4)
0.01 (3)
4
2
11.1
10.5
0.36 (10)
0.29 (8)
10
8
10.4
11.0
0.34 (9)
0.21 (7)
9
7
10.1
10.9
0.64 (12)
0.11 (6)
12
6
11.3
10.8
0.56 (11)
0.01 (2)
11
2
10.7
0.09 (5)
5
10.8
0.01 (1)
2
X = 10.74 Y = 10.79
P
T = 5i=1 R2 (ui ) = 462
1
R2 = 12
[16 + 100 + 81 + 144 + 121 + 4 + 64 + . . . + 25 + 4] = 54
PN
4 = 44 + 104 + . . . + 54 + 24 = 60660
R
i=1 i
462 5(54)
T1 =
1/2 = 2.3273
(5)(7)
(5)(7)
60660
(54)2
(12)(11)
11
Z0.95 = 1.645
Como Tobs Rc, se rechaza H0 , es decir, hay evidencia muestral suficiente
para sugerir que la maquina nueva tiene menor variabilidad que la maquina
vieja, con = 0.05.

CAPITULO 4. METODOS
BASADOS EN RANGOS
4.5.
70
Test para comparar las varianzas de m

as de
dos poblaciones
Supongamos que tenemos tres o mas muestras, y se quieren comparar sus

varianzas.
A cada observacion se le resta la media poblacional, o la media muestral si
la media poblacional es desconocida, y a esta diferencia se le saca el valor
absoluto, tal como se describio para el caso de dos muestras, luego se rankea las diferencias en valor absoluto de la muestra combinada, asignando el
rango promedio en caso de presentarse empates. Luego halle la suma de los
cuadrados de los rangos de cada muestra, sean S1 , S2 , . . . , Sk dichas sumas
para cada una de las k muestras. Las hipotesis en este caso son:
H0 : Todas las k poblaciones son identicas, excepto posiblemente con medias
diferentes
H1 : Las varianzas de algunas poblaciones no son identicas a las varianzas de
las otras poblaciones
T2 =
1
D2
Pk
Sj2
j=1 nj
N (S)2
donde nj es el n
umero de observaciones de la muestra j
Sj es la suma de cuadrados de los rangos de la muestra j
P
N = kj=1 nj
P
S = N1 kj=1 Sj
hP
i
N
4 N (S)2
D2 = N 11
R
i=1 i
Si no hay empates
S=
(N +1)(2N +1)
6
y D2 =
N (N +1)(2N +1)(8N +11)

180
T2 tiene una distribucion aproximada 2(k1)

Rc = {T2 |T2 > 21,k1 }
Valor P = P (2(k1) T2 )

CAPITULO 4. METODOS
BASADOS EN RANGOS
71
Si H0 es rechazada se pueden hacer comparaciones m

ultiples.
Diremos que las poblaciones i y j son diferentes si:
Si
ni
Sj
nj
Ejemplo
m
aquinas
compa
na
contenido
> t1/2,N k
q
q
1
2
D2 N 1T
N k
ni +
1
nj
4.5.1. Se dispone de 3 m
aquinas empacadoras de cereal. Estas
empacan una cantidad variable, algunas veces menos de lo que la
dice en su caja y otras veces m
as. A continuaci
on se presenta el
de las cajas empacado por las 3 m
aquinas:
M
aquina 1 M
aquina 2 M
aquina 3
10.8
10.8
12.3
11.1
10.5
11.5
10.4
11.0
12.4
10.1
10.9
11.2
11.3
10.8
12.0
10.7
12.6
10.8
Hay evidencia muestral suficiente para sugerir que hay diferencias en la

variabilidad de cereal empacado por las tres m
aquinas?. Use = 0.05.
Solucion
H0 : Las tres maquinas tienen la misma variabilidad.
H1 : Alguna de las tres maquinas tiene diferente variabilidad.
Maquina1
Maquina2 Maquina3 u1i = |X1i X 1 | u2i
10.8
10.8
12.3
0.06 (5)
11.1
10.5
11.5
0.36 (12)
10.4
11.0
12.4
0.34 (11)
10.1
10.9
11.2
0.64 (17)
11.3
10.8
12.0
0.56 (15)
10.7
12.6
10.8
X 1 = 10.74 X 2 = 10.79 X 3 = 12
S1 = 804
Pk Sj2
2
T2 = D12
j=1 nj N (S)
n1 = 5, n2 = 7, n3 = 6, N = 18
= |X2i X 2 |
0.01 (3)
0.29 (9)
0.21 (8)
0.11 (7)
0.01 (3)
0.09 (6)
0.01 (3)
S2 = 257
u3i = |X3i X 3 |
0.3 (10)
0.5 (17)
0.4 (13)
0.8 (18)
0.0 (1)
0.6 (16)
S3 = 1046

CAPITULO 4. METODOS
BASADOS EN RANGOS
72
Pk
= 2107
18 = 117.0556
4
i=1 Ri =h432235
i
2
PN
4 N (S)2 = [43225518(117.0556) ] = 10918.75042
D2 = N 11
R
i=1 i
17
S=
PN
1
N
j=1 Sj
8042
+ 257 + 1046 18(117.0556)2
7
6
T2 = 5
= 6.8172,
T2 2(2) .
10918.75042
Rc = {T2 |T2 > 20.95,2 } = {T2 |T2 > 5.991}
Valor P = P (2(2) 6.8172),
0.025 < Valor P < 0.05
Como T2
/ Rc y el valor P < 0.05 = , no se rechaza H0 , es decir, hay
evidencia muestral suficiente para sugerir que las tres maquinas tienen diferente variabilidad, con = 0.05. Por lo tanto podemos hacer comparaciones
multiples.
Como H0 se rechaza, se pueden hacer comparaciones m
ultiples.
Como tq
0.975,15 = 2.131,
q
2
t0.975,15 D2 N 1T
=
2.131
(10.918.75) 176.8172
= 183.4606
N k
15
q
Si Sj
Poblaciones
183.4606 n1i + n1j
ni nj
1,2
124.086
>
107.424
1,3
13.530
>
111.091
2,3
122.933
>
102.068
Se concluye que la varianza de la maquina 1 es diferente a la varianza de las
maquinas 2 y 3, pero no hay diferencia en la varianza de las maquinas 2 y
3, con un nivel de signifiacancia de = 0.05.
4.6.
Medidas de correlaci
on por medio de rangos
Una medida de correlacion es una variable aleatoria, que es usada en situaciones donde los datos constan de pares de n
umeros, como observaciones
bi-variadas. Suponga que una muestra bi-variada de tama
no n es representada por (X1 , Y1 ), . . . , (Xn , Yn ), se usara (X, Y ) cuando nos refiramos a un
(Xi , Yi ) en general.
Una medida de correlacion entre X, Y debe satisfacer las siguientes condiciones:
1. La medida de correlacion debe tomar valores entre -1 y 1.
2. Si valores grandes de X tienden a ser pareja de valores grande de Y ,
y por lo tanto valores peque
nos de X e Y tienden a ser pareja, entonces la medida de correlacion sera positiva, y si la tendencia es fuerte,

CAPITULO 4. METODOS
BASADOS EN RANGOS
73
sera cercana a 1, luego podremos hablar de una tendencia positiva

entre X e Y .
3. Si valores grandes de X tienden a ser pareja de valores peque
nos de
Y , y viceversa, entonces la medida de correlacion sera negativa, y si la
tendencia es muy fuerte, sera cercana a -1, diremos que X e Y est
an
negativamente correlacionadas.
4. Si los valores de X est
an aleatoriamente pareados con valores de Y ,
la medida de correlacion estara muy cercana a cero. Este es el caso
en el que X e Y son independientes, luego diremos que X e Y est
an
incorrelacionadas.
La medida de correlacion mas utilizada es el coeficiente de correlacion de
Pearson, denotado por r, y definido por:
Pn
(Xi X)(Yi Y )
r = P i=1
n
2
2 1/2
i=1 (Xi X) (Yi Y )
Para facilitar el calculo se utiliza
Pn
r=h
Pn
2
i=1 Xi
i=1 Xi Yi nXY
i h
2 1/2 Pn
2
nX
i=1 Yi
nY
i
2 1/2
r es una medida de la fuerza de asociacion lineal entre X e Y , esto significa que si un grafico de Y contra X muestra los puntos (X, Y ) todos muy
proximos a una lnea recta, entonces r ser
a muy cercano a 1 si la recta tiene
pendiente ascendente, y sera muy cercano a -1 si la recta tiene pendiente
descendente. Esta medida de correlacion puede ser usada con algunos datos
de naturaleza numerica y escala de medida de intervalo o de razon.
4.6.1.
- de Spearman
Datos
Los datos consisten de una muestra aleatoria bi-variada de tama
no n,
(X1 , Y1 ), . . . , (Xn , Yn ). Sea R(Xi ) el rango de Xi , comparado con los otros
valores de X, para i = 1, 2, . . . , n; sea R(Yi ) igual a 1, 2, . . . , n dependiendo
de la magnitud relativa de Yi comparado con los demas valores de Y para
cada i = 1, 2, . . . , n.
Los datos tambien pueden consistir de observaciones no numericas ocurridas

CAPITULO 4. METODOS
BASADOS EN RANGOS
74
en n pares, si las observaciones son tales que puedan ser rankeadas de la

manera descrita anteriormente, el rankeo puede estar basado en la calidad
de las observaciones, (de la peor observaci
on a la mejor observaci
on) o acorde
al grado de preferencia de las observaciones, etc.
En caso de empate, asignamos a cada valor empatado el promedio de los
rangos, asi como se hizo en el test de Mann-Whitney.
Medida de correlacion
Pn
i=1 R(xi )R(yi )
= "
Pn
i=1 R
2 (x )
i
n+1
2
2 #1/2 "
Pn
n+1
2
i=1 R
2 (y
i)
n+1
2
2 #1/2
El cual es simplemente hallar el r de Pearson entre las variables rankeadas.

Si no hay empates, el se simplifica a:
=1
Pn
2
i=1 [R(xi ) R(yi )]
n(n2 1)
=1
6T
,
n(n2 1)
P
donde T = ni=1 [R(xi ) R(yi )]2 .
Este coeficiente de correlacion se puede usar como un estadstico de prueba
para probar independencia entre dos variables aleatorias
Distribucion Nula Los cuantiles exactos de cuando X, Y son independientes estan dados en la tabla A7, para n 30 y cuando no hay empates.
Para n grande o muchos empates, el p-esimo cuantil de esta dado aproximadamente por:
Wp = Zp / n 1, donde Zp es el cuantil de la distribucion normal estandar.

Hipotesis
H0 : los Xi y los Yi son mutuamente independientes.
H1 :
a) Hay una tendencia para que los valores grandes de X, hagan pareja
con valores grandes de Y o

CAPITULO 4. METODOS
BASADOS EN RANGOS
75
b) Hay una tendencia para que los valores grandes de X hagan pareja
con valores peque
nos de Y .
Rc = {/|| > W1/2 },
donde, W1/2 es obtenido de la tabla A7 o con la aproximaci
on nor
mal Wp = Zp / n 1.
Valor P = 2P (Z || n 1)
B) (test de cola izquierda para correlacion negativa )
H0 : los Xi y los Yi son mutuamente independientes.
H1 : Hay una tendencia para que los valores peque
nos de X hagan
pareja con los valores grandes de Y y viceversa.
Rc = {/ < W }, donde W se saca de la tabla A7, o con la aproximacion normal.
Valor P = P (Z n 1)
C) (test de cola derecha para correlacion positiva)
H0 : Los Xi y los Yi son mutuamente independientes.
H1 : Hay una tendencia para que los valores peque
nos de X y de Y
hagan pareja.
Rc = {/ > W1 }, donde W1 se saca de la tabla A7, o con la
aproximacion normal.
Valor P = P (Z n 1)
Ejemplo 4.6.1. Doce graduados de una universidad, est
an estudiando la
medida de intensidad de la relaci
on entre el puntaje en el examen de admisi
on a la universidad (Adm) y sus puntajes promedio, cuando ellos estuvieron en dicha universidad (P.M ), los datos son los siguientes:

CAPITULO 4. METODOS
BASADOS EN RANGOS
Estudiante
1
2
3
4
5
6
7
8
9
10
11
12
Adm(X)
710
610
640
580
545
560
610
530
560
540
570
560
76
P.M (Y )
4
4
3.9
3.8
3.7
3.6
3.5
3.5
3.5
3.3
3.2
3.2
Hay evidencia muestral suficiente para sugerir que valores grandes del puntaje de admisi
on tienden a asociarse con valores grandes del puntaje promedio?.
Solucion
H0 : La calificacion promedio es independiente del puntaje en el examen de
admision
H1 : La correlacion entre el puntaje en el examen de admision y la calificacion promedio es positiva.
Estudiante
1
2
3
4
5
6
7
8
9
10
11
12
Adm(X)
710
610
640
580
545
560
610
530
560
540
570
560
P.M (Y )
4
4
3.9
3.8
3.7
3.6
3.5
3.5
3.5
3.3
3.2
3.2
R(X)
12
9.5
11
8
3
5
9.5
1
5
2
7
5
R(Y )
11.5
11.5
10
9
8
7
5
5
5
3
1.5
1.5
R(X)R(Y )
138
109.25
110
72
24
35
47.5
5
25
6
10.5
7.5

CAPITULO 4. METODOS
BASADOS EN RANGOS
Pn
i=1 R
Pn
i=1 R
Pn
2 (X )
i
2 (Y )
i
77
= 647.5
= 647
i=1 R(Xi )R(Yi )
= 589.75
2
589.75 12 13
2
= rh
= 0.59
13 2 i h
13 2 i
647.5 12 2
647 12 2
Como un punto de comparacion el coeficiente de correlacion de Pearson es
r = 0.663.
W0.95 = 0.4965 de la tabla A7.
Como = 0.59 > W0.95 , se rechaza H0 , es decir, hay evidencia muestral
suficiente para sugerir que hay una correlacion positiva entre Adm y P.M.
con = 0.05.
Valor P P (Z > || n) = P (Z 0.59 11)

Valor P P (Z 1.9568) = 0.025.
S-Plus o R
Adm< c(710,610,640,580,545,560,610,530,560,540,570,560)
PM< c(4,4,3.9,3.8,3.7,3.6,3.5,3.5,3.5,3.3,3.2,3.2)
cor.test(Adm,PM,alternative=greater,method=s)
SAS
Data correla;
input ADM PM @@;
cards;
710 4.0 610 4.0 640 3.9 580 3.8 545 3.7 560 3.6
610 3.5 530 3.5 560 3.5 540 3.3 570 3.2 560 3.2
;
run;
proc corr spearman;
var ADM PM;

CAPITULO 4. METODOS
BASADOS EN RANGOS
78
run;
4.6.2.
Tau de Kendall
Datos
Los datos consisten en una muestra aleatoria de tama
no n, (Xi , Yi ) para
i = 1, 2, . . . , n. Las observaciones (1, 2) y (3, 4) se llaman concordantes, ya
que al aumentar la coordenada en x de una observaci
on a otra, la respectiva
coordenada
en
y
tambi
e
n
aumenta,
sea
N
el
n
u
mero
de pares concordantes
c
n
de los 2 posibles pares de observaciones, un par de observaciones tal como
(1, 2) y (2, 1) se llama discordante, ya que al aumentar la coordenada x de
una observacion a otra, la respectiva coordenada en y disminuye, sea Nd el
n
umero total de pares discordantes. Los pares con empates en las xs o en
las ys se trataran mas adelante.
Medida de correlacion Si no hay empates =
Si todos los pares son concordantes = 1
Si todos los pares son discordantes = 1
Nc Nd
n
2
Empates
En terminos mas precisos un par de observaciones bi-variadas (X1 , Y1 ), (X2 , Y2 )
es considerado concordante si (Y2 Y1 )/(X2 X1 ) > 0, y discordante si
(Y2 Y1 )/(X2 X1 ) < 0. Si X1 = X2 el denominador es cero y no se puede
hacer ninguna comparacion, si Y1 = Y2 y X1 6= X2 (Y2 Y1 )/(X2 X1 ) = 0,
en este caso el par es considerado 21 concordante y 12 discordante.
Nc Nd
En el caso de empates podemos usar =
, el cual es llamado por
Nc + Nd
algunos autores el coeficiente GAM M A.
En resumen,
Yj
Xj
Yj
Si
Xj
Yj
Si
Xj
Si
Yi
> 0, hay concordancia
Xi
Yi
< 0, hay discordancia
Xi
Yi
= 0, hay 12 concordancia y
Xi
1
2
discordancia

CAPITULO 4. METODOS
BASADOS EN RANGOS
79
Si Xi = Xj no se hace comparacion.
El calculo de Nc y Nd se hace mas sencillo si las observaciones (Xi , Yi ) son
arregladas de acuerdo con valores crecientes de X, y luego con respecto a
valores crecientes de Y , as cada Y es comparado con los de abajo.
Test de hipotesis
El de Kendall tambien es usado como un test estadstico para probar la
hipotesis de independencia entre X y Y .
Si se usa T = Nc Nd como test estadstico, se puede evitar algunos calculos, pero solo se puede usar en el caso de no empates.
Distribucion Nula Los cuantiles superiores exactos para y T cuando X e
Y son independientes estan dados en la tabla A8 para n 60, en el caso
de no empates. Los cuantiles inferiores son los negativos de los cuantiles
superiores dados en la tabla A8. Para n grande o muchos empates el cuantil
p aproximado de esta dado por:
p
2(2n + 5)
Wp = Zp p
, donde Zp es el cuantil p de una n(0, 1).
3 n(n 1)
r
n(n 1)(2n + 5)
El cuantil p de es aproximadamente Wp = Zp
18
Hipotesis
A) (Test de 2 colas)
H0 : X e Y son independientes.
H1 : Los pares de observaciones tienden a ser concordantes o discordantes.
Rc = { (| < W/2 o > W1/2 }
Rc = {T |T < W/2 o T > W1/2 }
!
!)
(
(T + 1) 18
(T 1) 18
VP = 2 mn P Z p
,P Z p
,
n(n 1)(2n + 5)
n(n 1)(2n + 5)
donde T = Nc Nd .
H1 : Los pares de observaciones tienden a ser discordantes.

CAPITULO 4. METODOS
BASADOS EN RANGOS
Rc = { | < W }
Rc = {T |T <W }
Valor P = P
(T + 1) 18
80
Zp
n(n 1)(2n + 5)

H1 : Los pares de observaciones tienden a ser concordantes.
Rc = { | > W1 }
Rc = {T |T >W1 }
!
(T 1) 18
Valor P = P Z p
n(n 1)(2n + 5)
Ejemplo 4.6.2. Usando de nuevo los datos del ejemplo 4.6.1, hallar el valor
de de kendall, y realice un test de independencia.
Solucion
H0 : El puntaje de admision (Adm) y el puntaje promedio (P.M) son independientes.
H1 : Hay una relacion de rango positiva entre (Adm) y (P.M)
Xi , Y i )
(530,3.5)
(540,3.3)
(545,3.7)
(560,3.2)
(560,3.5)
(560,3.6)
(570,3.2)
(580,3.8)
(610,3.5)
(610,4.0)
(640,3.9)
(710,4.0)
=
Pares Concordantes
7
8
4
5.5
4.5
4
5
3
2
0.5
1
0
Nc = 44.5
Pares Discordantes
4
2
5
0.5
1.5
2
0
1
0
1.5
0
0
Nd = 17.5
Nc Nd
44.5 17.5
=
= 0.4355
Nc + Nd
44.5 + 17.5

CAPITULO 4. METODOS
BASADOS EN RANGOS
81
T = Nc Nd = 44.5 17.5 = 27
Rc = {T |T > W0.95 }
De la tabla A8, con n = 12 y P = 0.95 se obtiene que W0.95 = 24, si no
hubiera empates, pero como hay empates se usa:
r
12(11)(24 + 5)
= 23.959
18
Como T = 27 > W0.95 , se rechaza H0 , es decir, hay evidencia muestral suficiente para sugerir que hay una relacion de rango positiva entre Adm y P.M,
con = 0.05.
(27 1) 18
Valor P = P (T 27) P Z p
= P (Z 1.7829)
(12)(11)(29)
Valor P 0.037
W0.95 = Z0.95
Tanto el de Spearman, como el de Kendall dan resultados similares,

por lo que no se puede decidir cual de los dos es mejor.
S-Plus o R
Adm< c(710,610,640,580,545,560,610,530,560,540,570,560)
PM< c(4,4,3.9,3.8,3.7,3.6,3.5,3.5,3.5,3.3,3.2,3.2)
cor.test(Adm,PM,alternative=greater,method=k)
SAS
Data correla;
input ADM PM @@;
cards;
710 4.0 610 4.0 640 3.9 580 3.8 545 3.7 560 3.6
610 3.5 530 3.5 560 3.5 540 3.3 570 3.2 560 3.2
;
run;
proc corr kendall;
var ADM PM;
run;

CAPITULO 4. METODOS
BASADOS EN RANGOS
4.7.
82
M
etodos de regresi
on lineal no param
etrica
4.7.1.
Repaso de regresi
on lineal
La regresion de Y sobre X es E[Y |X = x]

La ecuacion de regresion es y = E[Y |X = x]
Si la ecuacion de regresion es conocida, podemos representar la regresion sobre un grafico de Y en la ordenada y X en la abscisa.
La regresion de Y sobre X es una regresion lineal, si la ecuacion de
regresion es de la forma E[Y |X = x] = + x, donde es llamado el
intercepto con el eje Y y es llamada la pendiente.
Usualmente y son desconocidas y se estiman con los datos, y por
lo general se usa el metodo de mnimos cuadrados.
El metodo de mnimos cuadrados para elegir estimaciones a y b de
y , en la ecuacion de regresion yP
= + x, minimiza la suma
n
2
de cuadrados de los errores, SS =
i=1 [Yi ( + Xi )] , donde
(Xi , Yi ) i = 1, 2, . . . , n son las observaciones.
4.7.2.
M
etodos no param
etricos para regresi
on lineal
Datos
Los datos consisten de una muestra aleatoria (X1 , Y1 ), (X2 , Y2 ), . . . , (Xn , Yn ),
de alguna distribucion bi-variada.
Supuestos
1. La muestra es una muestra aleatoria Estos metodos son validos, si
los valores de X son cantidades no aleatorias y los valores de Y son
variables aleatorias independientes, con distribuciones condicionales
identicas.
2. La regresion de Y sobre X es lineal. Esto implica una escala de medida
de intervalo tanto de X como de Y .
Estimacion por mnimos cuadrados
El metodo de mnimos cuadrados da la estimacion, Y = a + bx, de la

CAPITULO 4. METODOS
BASADOS EN RANGOS
83
lnea de regresion verdadera y = + x, donde a y b son halladas por:

Pn
i=1 Xi Yi nX Y
b= P
n
2 nX
2 , y a = Y bX
X
i=1 i
Inferencia sobre la pendiente
Para realizar pruebas de hipotesis respecto a , adicionamos el siguiente supuesto:
3. El residual y E[Y |x] es independiente de x.
Para probar hipotesis sobre , se puede utilizar el de Spearman de
la siguiente manera:
Sea 0 un valor especfico del parametro , para cada par (Xi , Yi ) halle,
ui = Yi 0 Xi , y luego halle el de Spearman entre los pares (Xi , ui )
i = 1, 2, . . . , n.
H0 : = 0 vs H1 : 6= 0
Rc = {| < W/2 o > W1/2 }
H0 : = 0 vs H1 : < 0
Rc = {| < W }
H0 : = 0 vs H1 : > 0
Rc = {| > W1 }
Intervalos de confianza para

Se necesitan los supuestos 1.,2.,3., para cada par de puntos(Xi , Yi ), (Xj , Yj ),
tales que i < j y Xi 6= Xj , halle la pendiente entre los 2 puntos.
Yj Yi
Defina Sij =
Xj Xi
Sea N el n
umero de pendientes halladas, ordene las pendientes obtenidas,
(1)
(2)
S S . . . S (N ) , para hallar un intervalo de confianza, para , del
(1 )100 %, halle W1/2 , de T = Nc Nd de la tabla A8, y haga:
r = 12 (N W1/2 )
s = 12 (N + W1/2 ) + 1 = N + 1 r,

CAPITULO 4. METODOS
BASADOS EN RANGOS
84
redondee r al entero mas cercano por debajo, y redondee s al entero mas

cercano por encima. Un intervalo de confianza del (1 )100 % para es:
[S (r) , S (s) ], esto es, P (S (r) S (s) ) 1 .
Ejemplo 4.7.1. De nuevo usaremos los datos del ejemplo 4.6.1, referente
a los 12 graduados de una universidad, donde Adm la denotamos por Xi y
P.M la denotamos por Yi . Las 12 observaciones (X, Y ) son :
(710, 4), (610, 4), (640, 3.9), (580, 3.8), (545, 3.7), (560, 3.6), (610, 3.5), (530, 3.5),
(560, 3.5), (540, 3.3), (570, 3.2), (560, 3.2).
La recta de regresi
on ajustada es:
Y = 1.4287 + 0.003714x
Podemos usar la lnea de regresi
on como una estimaci
on de la media condicional de Y dado X = x, E[Y |X = x], es decir, si un estudiante tiene
un puntaje de admisi
on de 550, podemos predecir que el puntaje promedio
del estudiante puede estar al rededor de 1.4287 + 0.003714(550) = 3.47, esta
lnea de regresi
on s
olo da una estimaci
on puntual. Suponga que un estudio
nacional reporta que un incremento de 40 puntos en el porcentaje de Adm,
resulta en al menos un incremento de 0.4 del P.M., es nuestra muestra consistente con el estudio nacional?.
Solucion
Como la pendiente es un cambio en Y debido a un cambio en x, esto es
equivalente a decir, que la pendiente de la regresion del P.M sobre el Adm
es de al menos 0.4/40 = 0.01.
Para ver si nuestra muestra de 12 graduados es consistente con el estudio
nacional, podemos realizar la prueba de hipotesis:
H0 : = 0.01 vs H1 : < 0.01
El de Spearman se calcula entre Adm(x) y los residuales muestrales
u = y 0.01x, con y el valor de P.M.
xi
ui
R(xi )
R(ui )
xi
ui
R(xi )
R(ui )
710
-3.1
12
1
610
-2.6
9.5
2
610
-2.1
9.5
7
530
-1.8
1
11
640
-2.5
11
3.5
560
-2.1
5
7
580
-2
8
9.5
540
-2.1
2
7
545
-1.75
3
12
570
-2.5
7
3.5
560
-2
5
9.5
560
-2.4
5
5

CAPITULO 4. METODOS
BASADOS EN RANGOS
Pn
i=1 R(xi )R(ui )
= "
Pn
i=1 R
2 (x )
i
n+1
2
2 #1/2 "
Pn
n+1
2
85
i=1 R
2 (u
i)
n+1
2
2 #1/2
= 0.7273
Valor P = P (Z 0.7273 11) = P (Z 2.4121) 0.008

Como el valor P < 0.05, se rechaza H0 , es decir, esta muestra de graduados
no es consistente con los resultados del promedio nacional.
Para formar un intervalo de confianza de 95 % para , hay que obtener todas
las pendientes con 2 puntos
Yj Yi
Sij =
Xi 6= Xj ,
Xj Xi
Sea:
P1=(710 ,4), P2=( 610,4), P3=(640,3.9), P4=(580,3.8), P5=(545,3.7),
P6=(560,3.6), P7=(610,3.5),P8=(530,3.5), P9=(560,3.5), P10=(540,3.3),
P11=(570,3.2), P12=(560,3.2).
Luego las pendientes son:
P12
P11
P10
P9
P8
P7
P6
P5
P4
P3
P2
28
41
19
53
33
27
57
15
50
0
14
P1
36
60
21
87
50
37
100
17
133
-33
P2
62
100
46
160
100
80
200
67
NA
P3
0
29
-31
60
0
-20
75
-100
P4
60
125
29
300
150
100
600
P5
-75
-33
-200
0
-300
-400
P6
33
150
-67
NA
NA
P7
0
100
-133
NA
P8
-100
-50
-333
P9
833
800
P10
-200
P11
De la tabla A7, para n = 12, se tiene que el cuantil 0.975 para T es

W0.975 = 28

(11)(12)
N = 12
4 = 66 4 = 62
2 4=
2
N = 62, luego
r = 12 (N W1/2 ) = 12 (62 28) = 17

CAPITULO 4. METODOS
BASADOS EN RANGOS
86
s = N + 1 r = 62 + 1 17 = 46
Un I.C del 95 % para es:
[S (17) , S (46) ] = (0, 0.008),
donde las pendientes ordenadas son:
0.0400, 0.0333, 0.0300, 0.0200, 0.0200, 0.0133, 0.0100, 0.0100, 0.0075,
0.0067, 0.005, 0.0033, 0.0033, 0.0031, 0.002, 0, 0, 0, 0, 0, 0.0014, 0.0015,
0.0017, 0.0018, 0.0021, 0.0027, 0.0028, 0.0029, 0.0029, 0.0033, 0.0037, 0.0033, 0.0041,
0.0046, 0.0050, 0.0050, 0.0053, 0.0057, 0.0060, 0.0060, 0.0060, 0.0062, 0.0067, 0.0075,
0.0080, 0.0087, 0.0100, 0.0100, 0.0100, 0.0100, 0.0100, 0.0125, 0.0133, 0.0133, 0.0150,
0.0150, 0.0160, 0.0200, 0.0300, 0.0600, 0.0800.
4.8.
M
etodos no param
etricos para regresi
on mon
otona
Datos
Los datos consisten de una muestra aleatoria (X1 , Y1 ), (X2 , Y2 ), . . . , (Xn , Yn )
de alguna distribucion bivariada.
Supuestos
2. La regresion de Y sobre X es monotona
Estimaci
on de E[Y |x] para un punto
Para estimar la regresion de Y sobre X para un valor x0 de X, se deben
seguir los siguientes pasos:
1. Obtenga los rangos , R(xi ), de los xi , y R(Yi ), de los Yi , en caso de
empates use el rango promedio.
2. Halle la regresion por mnimos cuadrados de los rangos: y = a2 + b2 x
donde,

CAPITULO 4. METODOS
BASADOS EN RANGOS
87
Pn
2
i=1 R(xi )R(yi ) n(n + 1) /4
b2 = P
y
n
2
2
i=1 R (xi ) n(n + 1) /4
a2 = (1 b2 )(n + 1)/2.
3. Obtenga el rango para x0 , R(x0 ), como sigue:
a) Si x0 es igual a uno de los xi observados, haga R(x0 ) = R(xi )
b) Si x0 esta entre 2 valores adyacentes de x, interpole para hallar
R(x0 ), es decir, si xi < x0 < xj , entonces,
x0 xi
R(x0 ) = R(xi ) +
[R(xj ) R(xi )], este rango algunas veces
xj xi
no es entero.
c) Si x0 < mn(xi ) o x0 > max(xi ) no se puede interpolar.
4. Halle R(y0 ) = a2 + b2 R(x0 )
5. Use R(y0 ) para hallar una estimacion de E[Y |X = x0 ] as:
a) Si R(y0 ) esta entre 2 rangos de 2 valores adyacentes de Y , digamos yi y yj , donde yi < yj , interpole entre yi y yj , as:
b |X = x0 ] = Yi + R(y0 ) R(yi ) (yj yi ).
E[Y
R(yj ) R(yi )
b |X = x0 ] = yi .
b) Si R(y0 ) = R(yi ) para alg
un i, haga E[Y
b |X = x0 ] = max yi .
c) Si R(y0 ) > max R(yi ), haga E[Y
b |X = x0 ] = mn yi .
d ) Si R(y0 ) < mn R(yi ), haga E[Y
Estimacion de la regresion de Y sobre X

Para hacer una estimacion de la curva de regresion, se procede de la siguiente
manera:

CAPITULO 4. METODOS
BASADOS EN RANGOS
88
1. Para cada Xi , use el procedimiento anterior para estimar E[Y |X = xi ],

el cual llamamos ybi .
b i ) as:
2. Para cada rango de Yi , R(Yi ), halle el rango estimado de xi , R(x
1
b
R(xi ) = b2 [R(Yi ) a2 ] i = 1, 2, . . . , n.
b i ) para hallar una estimacion de xi , xbi , as:
3. Use R(x
b i ) = R(xj ) para alg
a) Si R(x
un j, haga xbi = xj .
b i ) esta entre los rangos de 2 observaciones adyacentes, digab) Si R(x
mos xj < xk , entonces, interpole, as:
b i ) R(xj )
R(x
xbi = xj +
(xk xj ).
R(xk ) R(xj )
b i ) < mn R(xi ) o R(x
b i ) > m
c) Si R(x
ax R(xi ) no halle xbi .
4. Grafique cada uno de los puntos hallados en los pasos (a) y (c), es
decir, grafique los puntos (xi , ybi ), (xbi , yi ).
5. Conecte los puntos adyacentes del paso 4., con lneas rectas, esta serie
de segmentos de recta, es la regresion estimada de Y sobre X.
Ejemplo 4.8.1. Se dispone de 17 jarras de jugo de uva para estudiar cuanto tiempo toma el jugo de uva en convertirse en vino, como funci
on de que
tanta az
ucar se le adiciona al jugo. A cada jarra se le adiciona una cantidad
diferente de az
ucar, y al cabo de 30 das aun hay 3 jarras sin fermentar. Se
desea obtener una estimaci
on de la curva de regresi
on de Y (el n
umero de
das hasta la fermentaci
on) y X(la cantidad de az
ucar en libras adicionadas), los datos son:
xi
yi
xi
yi
0
> 30
5.6
12
0.5
> 30
6.0
6
1.0
> 30
6.5
8
1.8
28
7.3
4
2.2
24
8.0
5
2.7
19
8.8
6
4.0
17
9.3
4
Ajuste una regresi

on mon
otona no parametrica.
4.0
9
9.8
6
4.9
12

CAPITULO 4. METODOS
BASADOS EN RANGOS
89
Solucion
xi
0
0.5
1.0
1.8
2.2
2.7
4.0
4.0
4.9
5.6
6.0
6.5
7.3
8.0
8.8
9.3
9.8
yi
> 30
> 30
> 30
28
24
19
17
9
12
12
6
8
4
5
6
4
6
R(xi )
1
2
3
4
5
6
7.5
7.5
9
10
11
12
13
14
15
16
17
R(yi )
16
16
16
14
13
12
11
8
9.5
9.5
5
7
1.5
3
5
1.5
5
b i)
R(y
16.47
15.54
14.6
13.67
12.74
11.8
10.4
10.4
9
8.07
7.13
6.2
5.27
4.33
3.4
2.46
1.53
ybi
> 30
29.54
28.6
26.67
22.67
18.6
15
15
11
9.13
8.13
7.2
6.26
5.67
5.2
4.64
4.02
b i)
R(x
1.5
1.5
1.5
3.64
4.71
5.78
6.85
10.06
8.46
8.46
13.28
11.13
17.03
15.42
13.28
17.03
13.28
xbi
0.25
0.25
0.25
1.52
2.09
2.59
3.44
5.63
4.58
4.58
7.5
6.07
No
9.01
7.5
No
7.5
Luego se grafican los puntos (xi , ybi ), (xbi , yi ) y se unen con segmentos de
recta, para obtener la estimacion de la curva de regresion monotona no
parametrica. En este caso la regresion de los rangos de yi contra xi , es:
R(yi ) = 17.4037 0.9337R(xi ) i = 1, 2, . . . , n.
Para realizar la grafica se utiliza el codigo de R:
x=c(0,0.5,1,1.8,2.2,2.7,4,4,4.9,5.6,6,6.5,7.3,8,8.8,9.3,9.8,0.25,0.25,0.25,
1.52,2.09,2.59,3.44,5.63,4.58,4.58,7.5,6.07,9.01,7.5,7.5)
y=c(30,29.54,28.6,26.67,22.67,18.6,15,15,11,9.13,8.13,7.2,6.26,5.67,5.2,
4.64,4.02,30,30,30,28,24,19,17,9,12,12,6,8,5,6,6)
x1=x[order(x)]
y1=y[order(x)]
x2=c(0,0.5,1,1.8,2.2,2.7,4,4,4.9,5.6,6,6.5,7.3,8,8.8,9.3,9.8)
y2=c(30,30,30,28,24,19,17,9,12,12,6,8,4,5,6,4,6)
plot(x1,y1,type=l,xlab=libras de az
ucar, ylab=Das de fermentaci
on)
points(x2,y2)
title(main=C
urva de regresion no parametrica)

CAPITULO 4. METODOS
BASADOS EN RANGOS
90
La grafica se presenta a continuaci

on:
10
15
20
Das de fermentacin
25
30
Curva de regresin no parametrica
10
libras de azucar
4.9.
El test de rangos signados de Wilcoxon
Datos
Los datos consisten de n0 observaciones (x1 , y1 ), . . . , (xn0 , yn0 ) sobre las respectivas variables aleatorias bi-variadas (Xi , Yi ), . . . , (Xn0 , Yn0 ). Hallar las n0
diferencias Di = yi xi (en el caso de una muestra, las Di son las observaciones en la muestra), las diferencias absolutas |Di | = |Yi Xi | i = 1, 2, . . . , n0
son calculadas para cada uno de los n0 pares, se omiten los pares con diferencia cero. Denotemos por n el n
umero de pares con diferencia diferente
de cero, n n0 . Asigne los rangos de 1 a n a estos n pares as: asigne
rango 1 al par (x1 , y1 ) con el menor |Di | =
6 0, el rango 2 al siguiente, y
as sucesivamente, y si hay empates asigne el rango promedio.
Supuestos
1. La distribucion de cada Di es simetrica.
2. Los Di0 s son mutuamente independientes.

CAPITULO 4. METODOS
BASADOS EN RANGOS
91
3. Todos los Di0 s tienen la misma media.

4. La escala de medida de los Di0 s es de intervalo o de razon.
El rango asignado a (Xi , Yi ), si Di > 0

Ri =
El negativo del rango asignado a (Xi , Yi ), si Di < 0
El estad
Pstico de prueba, es la suma de los rangos signados positivos.
+
T = i:Di >0 Ri .
Distribucion Nula
Los cuantiles inferiores de la distribucion exacta de T + cuando no hay empates y n 50 estan dados en la tabla A9, bajo la hipotesis nula de que los
Di0 s tienen media cero.
Los cuantiles superiores son:
Wp = n(n+1)
W1p
2
Si hay muchos empates, o si n > 50, se usa una aproximaci
on normal, usando: Pn
Ri
T = qPi=1
n
2
i=1 Ri
En caso de P
que no hallan empates se simplifica a :
n
i=1 Ri
T = r
el cual tiene aproximadamente una distribucion
n(n + 1)(2n + 1)
6
normal estandar, T n(0, 1)
Hipotesis
H0 : E[D] = 0, es decir H0 : E[Xi ] = E[Yi ]
H1 : E[D] 6= 0, es decir H1 : E[Xi ] 6= E[Yi ]
Rc = {T + /T + < W/2 o T + < W1/2 }
Rc = {T /T < Z/2 o T < Z1/2 },
donde W/2 es hallado
T +.
en la tabla A9 para
Pn
Pn
Ri + 1
Z qi=1 Ri 1
,
P
Valor P = 2 mn P Z qi=1
Pn
Pn
2
2
i=1 Ri
i=1 Ri

CAPITULO 4. METODOS
BASADOS EN RANGOS
92

H0 : E[D] 0, (es decir E[Xi ] E[Yi ])
H1 : E[D] < 0, (es decir E[Xi ] < E[Yi ])
Rc = {T + /T + < W }
Rc = {T /T < Z }
donde W es
hallado en la tabla
A9 para T + .
Pn
Ri + 1
Valor P = P Z qi=1
Pn
2
i=1 Ri
C) (test de cola izquierda)
H0 : E[D] 0 H1 : E[D] > 0
Rc = {T + /T + > W1 }
n(n+1)
+
donde W1 =
es hallado de la tabla A9 para T .
2 W y W
Pn
Ri 1
Valor P = P Z qi=1
Pn
2
i=1 Ri
Ejemplo 4.9.1. Doce conjuntos de gemelos son analizados mediante test
psicol
ogicos para medir en alg
un sentido que tan agresivos son. Los resultados son los siguientes, donde el mayor puntaje indica mayor agresividad.
Primero xi
Segundo yi
1
86
88
2
71
77
3
77
76
4
68
64
5
91
96
6
72
72
7
77
65
8
91
90
9
70
65
10
71
80
11
88
81
12
87
72
Hay evidencia muestral suficiente para sugerir que el primer recien nacido
tiende a ser m
as agresivo que el segundo?.
Solucion
Las hipotesis son:
H0 : El primer recien nacido no tiende a ser mas agresivo que el segundo.
H1 : El primer recien nacido tiende a ser mas agresivo que el segundo.
Equivalentemente.
H0 : E[yi ] E[xi ]
H1 : E[yi ] < E[xi ]

CAPITULO 4. METODOS
BASADOS EN RANGOS
Primero xi
Segundo yi
Di
R|Di |
Ri
1
86
88
2
3
3
2
71
77
6
7
7
3
77
76
-1
1.5
-1.5
4
68
64
-4
4
-4
5
91
96
5
5.5
5.5
6
72
72
0
7
77
65
-12
10
-10
8
91
90
-1
1.5
-1.5
93
9
70
65
-5
5.5
-5.5
10
71
80
9
9
9
11
88
81
-7
8
-8
12
87
72
-15
11
-11
Pn
Ri
T = qPi=1
= 0.7565
= 17
505
n
2
R
i=1 i
Rc = {T /T < W0.05 } = 0.05
Rc = {T /T < 1.6449} W0.05 = 1.6449
Como T = 0.7565
> W0.05 , no
rechazamos H0 , ademas,
Pn
Ri + 1
16
=
P
Z
= P (Z 0.71)
valor P = P Z qi=1
Pn
505
2
R
i=1 i
valor P = 0.238
Como valor P > 0.1, no rechazamos H0 , es decir, no hay evidencia muestral
suficiente para sugerir que el primer recien nacido, de una pareja de gemelos,
tiende a ser mas agresivo que el segundo.
S-Plus o R
primero < c(86,71,77,68,91,72,77,91,70,71,88,87)
segundo < c(88,77,76,64,96,72,65,90,65,80,81,72)
wilcox.test(segundo, primero, alternative = less, paired=T)
Usa la aproximacion de Lehmann.
Ahora suponga que Y es una variable aleatoria con la misma distribucion
de las Yi0 s, y las Yi0 s son una muestra aleatoria de tama
no n0 , y sea m una
constante especfica, se desea probar:
H0 : la mediana de Y es m
H1 : la mediana de Y no es m

CAPITULO 4. METODOS
BASADOS EN RANGOS
94

H0 : me(Y ) m
H1 : me(Y ) < m
C) (test de cola izquierda)
H0 : me(Y ) m
H1 : me(Y ) > m
la palabra mediana puede sustituirse por media en estas hipotesis, por el
supuesto de simetra (me(Y ) = y ) de la distribucion de Y .
Se forman los pares (m, Y1 ), . . . , (m, Yn0 ), y los pares son tratados exactamente como en el test de rangos signados de wilcoxon.
Ejemplo 4.9.2. Treinta observaciones sobre una variable aleatoria Y dio
como resultado: 23.8, 26, 26.9, 27.4, 28, 30.3, 30.7, 31.2, 31.3, 32.8, 33.2,
33.9, 34.3, 34.9, 35, 35.9, 36.1, 36.4, 36.6, 37.2, 37.3, 37.9, 38.2, 39.6, 40.6,
41.1, 42.3, 42.8, 44, 45.8. Hay evidencia muestral suficiente para sugerir que
E[Y ] > 30.
Solucion
H0 : E[Y ] 30, H1 : E[Y ] > 30.
La muestra aleatoria por conveniencia fue ordenada en orden creciente, y
los resultados fueron:

CAPITULO 4. METODOS
BASADOS EN RANGOS
Yi
23.8
26.0
26.9
27.4
28.0
30.3
30.7
31.2
31.3
32.8
33.2
33.9
34.3
34.9
35.0
Di
-6.2
-4.0
-3.1
-2.6
-2.0
0.3
0.7
1.2
1.3
2.8
3.2
3.9
4.3
4.9
5.0
Rango |Di |
17
11
8
6
5
1
2
3
4
7
9
10
12
13
14
Ri
-17
-11
-8
-6
-5
1
2
3
4
7
9
10
12
13
14
Yi
35.9
36.1
36.4
36.6
37.2
37.3
37.9
38.2
39.6
40.6
41.1
42.3
42.8
44.0
45.8
Di
5.9
6.1
6.4
6.6
7.2
7.3
7.9
8.2
9.6
10.6
11.1
12.3
12.8
14.0
15.8
Rango |Di |
15
16
18
19
20
21
22
23
24
25
26
27
28
29
30
95
Ri
15
16
18
19
20
21
22
23
24
25
26
27
28
29
30
El cuantil W0.05 de la tabla A9 es 152, as W0.95 = 465 152 = 313

n(n+1)
= (15)(31) = 465
2
Rc = {T + /T + > 313}
T + = 465 47 = 418
Como T + Rc, se rechaza H0 , es decir, hay fuerte evidencia muestral para
sugerir de quela media de la variable Y es mayor que 30 con = 0.05.
Pn
i=1 Ri 1
Valor P P Z r
n(n + 1)(2n + 1)
6
P
como ni=1 Ri = 418 47 = 371
Valor P P Z
3711
9455
= P (Z 3.8051) < 0.0001
S-Plus o R
primero< c(23.8,26,26.9,27.4,28,30.3,30.7,31.2,31.3,32.8,33.2,33.9,34.3,
34.9,35,35.9,36.1,36.4,36.6,37.2,37.3,37.9,38.2,39.6,40.6,41.1,42.3,42.8,
44,45.8)
segundo< c(rep(30,30))

CAPITULO 4. METODOS
BASADOS EN RANGOS
96
wilcox.test(primero, segundo, alternative = greater, paired=T)
4.10.
Test de Friedman
Datos
Los datos consisten de b variables aleatorias k-variables mutuamente independientes (Xi1 , Xi2 , . . . , Xik ), llamadas b bloques i = 1, 2, . . . , b. La variable
aleatoria Xij esta en el bloque i y esta asociada con el tratamiento j. Los b
bloques son arreglados como sigue:
Bloques
1
2
..
.
1
X11
X21
..
.
Tratamientos
2
3
...
X12 X13 . . .
X22 X23 . . .
..
..
.
.
k
X1k
X2k
..
.
Xb1
Xb2
Xbk
Xb3
...
Sea R(Xij ) el rango, desde 1 hasta k, asignado a Xij dentro del bloque (fila)
i, los rangos son asignados a todos y cada uno de los bloques.
P
Sea Rj = bi=1 R(Xij ) j = 1, . . . , k, la suma de rangos para cada uno de
los tratamientos.
Supuestos
1. Las b variables aleatorias k-variables son mutuamente independientes,
los resultados dentro de un bloque, no influencian los resultados dentro
de otro bloque.
2. Dentro de cada bloque, las observaciones pueden ser rankeadas, de
acuerdo a alg
un criterio de interes.
Friedman sugiere usar el estadstico.
2
Pk
b(k+1)
12
T1 = bk(k+1)
j=1 Rj
2
Si se presentan empates se necesita hacer ajustes.

CAPITULO 4. METODOS
BASADOS EN RANGOS
Sea A1 =
C1 =
Pb
i=1
bk(k+1)2
,
4
Pk
j=i R
2 (X
ij )
97
factor de correccion.
El estadstico T1 , ajustado por la presencia de empates es:

i
hP
2
P
k
2
(k 1)
(k 1) kj=1 Rj b(k+1)
j=1 Rj bC1
2
T1 =
=
A1 C1
A1 C1
Debido a que la distribucion aproximada del estadstico T1 es muy mala, se
(b1)T1
recomienda usar el estadstico T2 , T2 = b(k1)T
.
1
Distribucion Nula
La distribucion exacta de T1 (o T2 ) es difcil de hallar, y usualmente se
usa una distribucion aproximada. T1 2(k1) , la cual por lo general es
una aproximacion muy pobre, por lo que se recomienda usar el estadstico
T2 F (k1 , k2 ) donde k1 = k 1, k2 = (b 1)(k 1), cuando H0 es cierta.
Hipotesis
H0 : los tratamientos tienen efectos identicos.
H1 : Al menos uno de los tratamientos tiende a tomar valores observados
mas grandes que al menos uno de los otros tratamientos.
Rc = {T2 /T2 > f1 (k1 , k2 )}, donde f1 (k1 , k2 ) se encuentra en la tabla
A18
Comparaciones M
ultiples
Si el test de Friedman resulta en un rechazo de la hipotesis nula, los tratamientos individuales se pueden comprar usando el siguiente metodo.
Los tratamientos i y j son diferentes si se satisface la siguiente desigualdad.
"
#1/2
P
2(bA1 kj=1 Rj2 )
|Rj Ri | > t1/2
(b 1)(k 1)
donde t1/2 es el cuantil 1 /2 de la distribucion t dada en la tabla
A16 con (b 1)(k 1) grados de libertad. El valor de es el mismo que el
usado en el test de Friedman.
Alternativamente, la desigualdad puede expresarse como una funcion de T1 ,
as:

CAPITULO 4. METODOS
BASADOS EN RANGOS
|Rj Ri | > t1/2
(A1 C1 )2b
(b 1)(k 1)
T1
b(k 1)
98
1/2
Si no hay empates, A1 = bk(k + 1)(2k + 1)/6 y A1 C1 = bk(k + 1)(k 1)/12
Ejemplo 4.10.1. 12 propietarios son seleccionados aleatoriamente para

participar en un experimento con viveros, cada propietario selecciona 4
areas
bastante identicas en su extensi
on y planta 4 diferentes tipos de cesped, uno
en cada
area.
Al final de un tiempo especfico cada propietario rankea los tipos de cesped en
orden de preferencia, con un criterio de importancia tal como costo, mantenimiento, belleza, preferencia de las mujeres, etc.
El rango 1 es asignado al menos preferido y el 4 al favorito. Los resultados
son:
Propietario
1
2
3
4
5
6
7
8
9
10
11
12
1
4
4
3
3
4
2
1
2
3.5
4
4
3.5
Cesped
2
3
3
2
2
3
1.5 1.5
1
2
2
1
2
2
3
2
4
1
1
2
1
3
2
3
1
2
4
1
1
4
4
3
4
4
3
3.5
2
1
3.5
Hay evidencia suficiente para sugerir que algunos tipos de cesped son preferidos sobre otros?.
Solucion
H0 : Todos los tipos de cesped son igualmente preferidos.
H1 : Algunos tipos de cesped son preferidos sobre otros.

CAPITULO 4. METODOS
BASADOS EN RANGOS
Propietario
1
2
3
4
5
6
7
8
9
10
11
12
Rj
1
4
4
3
3
4
2
1
2
3.5
4
4
3.5
38
Cesped
2
3
3
2
2
3
1.5
1.5
1
2
2
1
2
2
3
2
4
1
1
2
1
3
2
3
1
2
23.5 24.5
99
4
1
1
4
4
3
4
4
3
3.5
2
1
3.5
34
Primero
A1
P hallamos
P
A1 = bi=1 kj=i R2 (Xij ) = 356.5
C1 =
T1 =
T1 =
bk(k+1)2
4
)
= (12)(4)(5
= 300
4
hP
i
k
2 bC
(k 1)
R
1
j=1 j
A1 C1
3[(38)2 +(23.5)2 +(24.5)2 +(34)2 12(300)]
356.5300
T1 = 8.097
T2 =
(b1)T1
b(k1)T1
(11)(8.097)
(12)(3)8.097
= 3.19
Si = 0.05
Rc = {T2 /T2 > f0.95 (3, 33)}
f0.95 (3, 33) 2.92 de la tabla A18, como T2 > 2.92 se rechaza la hipotesis
nula, por lo que podemos concluir que hay evidencia muestral suficiente para
sugerir que algunos tipos de cesped son preferidos sobre otros, con = 0.05.
Valor P = P (T2 > 3.19) = 1 P (T2 3.19)
0.95 < P (T2 3.19) < 0.975
0.025 < valor P < 0.05.

CAPITULO 4. METODOS
BASADOS EN RANGOS
100
Como el valor P < 0.05 se rechaza H0 .

Como se rechaza H0 , se pueden comparar los diferentes tipos de cesped, as:
Como = 0.05, se calcula t0.975,30 (33) 2.042,
#1/2
"
P
2(bA1 kj=1 Rj2 )
11.49.
t0.975,30
(b 1)(k 1)
"
Cesped
|Rj Ri |
t0.975
1,2
1,3
1,4
2,3
2,4
3,4
|38 23.5| = 14.5

|38 24.5| = 13.5
|38 34| = 4
|23.5 24.5| = 1
|23.5 34| = 10.5
|24.5 34| = 9.5
>
>
<
<
<
<
2(bA1
#1/2
2
j=1 Rj )
Pk
(b 1)(k 1)
11.49
11.49
11.49
11.49
11.49
11.49
Los tipos de cesped 1,2 y 1,3 son significativamente diferentes. Las demas
comparaciones no son significativas, por lo que se podra concluir que hay
evidencia muestral suficiente para sugerir que el tipo de cesped 1 es mas
preferido que los tipos de cesped 2 y 3.
S-Plus o R
y=c(4,4,3,3,4,2,1,2,3.5,4,4,3.5,3,2,1.5,1,2,2,3,4,1,1,2,1,2,3,1.5,2,1,2,2,
1,2,3,3,2,1,1,4,4,3,4,4,3,3.5,2,1,3.5)
bloques=c(rep(1:12,4))
grupos=c(rep(1,12),rep(2,12),rep(3,12),rep(4,12))
friedman.test(y, grupos, bloques)
4.11.
Extensi
on del test de Friedman: Caso de varias observaciones por tratamiento
Que hacer en caso de tener varias observaciones para cada tratamiento

dentro de cada bloque en vez de solo una observaci
on?
Una ligera modificacion del test de Friedman sirve para para probar
la hipotesis de no diferencia entre los tratamientos.

CAPITULO 4. METODOS
BASADOS EN RANGOS
101
Datos: Se tienen b bloques, k tratamientos y m observaciones dentro de cada

combinacion bloque tratamiento. Los datos son como sigue:
Bloques
1
..
.
b
1
X111
..
.
Tratamientos
2
3
...
X121 X131 . . .
..
..
..
.
.
.
k
X1k1
..
.
X11m
X211
..
.
X12m
X221
..
.
X13m
X231
..
.
...
...
..
.
X1km
X2k1
..
.
X21m
..
.
X22m
..
.
X23m
..
.
...
X2km
..
.
Xb11
..
.
Xb21
..
.
Xb31
..
.
...
..
.
Xbk1
..
.
Xb1m
Xb2m
Xb3m
...
Xbkm
Las observaciones dentro de cada bloque se ranquean desde 1 hasta

mk (pues dentro de cada bloque hay mk datos).
La suma de rangos Rj se define como la suma de los rangos asignados
a todas las observaciones relacionadas con el tratamiento j.
Sean Xij1 , Xij2 , . . . , Xijm las m observaciones en el bloque i y el tratamiento j.
De la teora de probabilidad, si una v.a. discreta X puede asumir cualquier
valor del conjunto {1, 2, . . . , N } con igual probabilidad, se dice que X se
distribuye como una v.a. Discreta Uniforme y su f.d.p esta dada por:
P (X = k) =
1
, k = 1, 2, . . . , N.
N
Entonces, si una v.a X puede asumir cualquiera de 1 hasta N posibles

rangos, se puede suponer que su distribucion es Uniforme Discreta.

CAPITULO 4. METODOS
BASADOS EN RANGOS
102
Ahora, si X es una v.a Uniforme Discreta, su valor esperado es

E(X) =
=
N
X
k=1
N
X
kP (X = k)
k=1
1
N
N
1 X
k
N
k=1
=
=
1 N (N + 1)
N
2
(N + 1)
2
En general, se puede probar que si X es la suma de n enteros seleccionados

al azar, sin reemplazo, de los primeros N naturales, entonces,
E(X) =
n(N + 1)
2
V (X) =
n(N + 1)(N n)
12
El valor esperado de la v.a Rj esta dado por:

E(Rj ) =
m
b X
X
E[R(Xijn )]
i=1 n=1
=
=
b X
m
X
mk + 1
i=1 n=1
b
X
i=1
mk + 1
2
bm(mk + 1)
2
(Resultado anterior)

CAPITULO 4. METODOS
BASADOS EN RANGOS
103
La varianza de la v.a Rj esta dada por:

V (Rj ) =
=
b
X
i=1
b
X
i=1
m
X
!
R(Xijn )
n=1
m(mk + 1)(mk m)
(Resultado anterior con n = m y N = mk)
12
bm2 (mk + 1)(k 1)

12
La varianza de la v.a Rj en presencia de empates esta dada por:
X
m(k 1)
R(Xijn ) mkb(mk + 1)2 /4
V (Rj ) =
k(mk 1)
#Rangos
El test estadstico:
T =
k
X
(k 1) [Rj E(Rj )]2
2(k1)
k
V (Rj )
j=1
Para hacer comparaciones m

ultiples se usa la desigualdad:
|Rj Ri | > t1/2
1/2
2kb(mk 1)V (Rj )
T
1
(k 1)(mbk k b + 1)
b(mk 1)
Donde la t tiene mbk k b + 1 grados de libertad.

Ejemplo 4.11.1. Se seleccionan al azar 3 concesionarios de vehculos usados. Al final de las semanas 1 y 2 se registran el n
umero de automoviles tipo
familiar de la marca chevrolet y renault vendidos por cada concesionario. Se
observaron los siguientes resultados 1
N
umero de autos vendidos
Tienda
1
2
3
Datos ficticios
Marca
CHEVROLET
3
5
2
1
5
6
RENAULT
4
3
2
2
4
3

CAPITULO 4. METODOS
BASADOS EN RANGOS
104
Hay evidencia para pensar que los compradores prefieren Chevrolet a Renault?
Solucion:
Los rangos por bloque y tratamiento se presentan a continuaci
on:
N
umero de autos vendidos (rango)
Tienda
1
2
3
Rj =
Marca
CHEVROLET
3 (1.5)
5 (4)
2 (3)
1 (1)
5 (3)
6 (4)
16.5
RENAULT
4 (3)
3 (1.5)
2 (3)
2 (3)
4 (2)
3 (1)
13.5
En este problema, k = 2, b = 3 y m = 2.
E(Rj ) =
=
=
=
V (Rj ) =
=
=
=
bm(mk + 1)
2
3 2(4 + 1)
2
30
2
15 . Como hay empates,
2
X
m(k 1)
mkb(mk + 1)
R(Xijn )2
k(mk 1)
4
#Rangos
2(2 1)
2 2 3(4 + 1)2
87.5
2(4 1)
4
2
2
12(5)
87.5
6
4
1
[87.5 75] = 4.167
3
El test estadstico,
T
k
X
(k 1) [Rj E(Rj )]2
=
k
V (Rj )
j=1
(2 1) [16.5 15]2 (2 1) [13.5 15]2

+
2
4.167
2
4.167
= 0.53996
=

CAPITULO 4. METODOS
BASADOS EN RANGOS
105
Ahora, 2(k1) (1 /2) = 2(1) (0.975) = 5.024. Como 0.53996 < 5.024 no se
rechaza H0 y por lo tanto, estos datos no contienen suficiente evidencia para
concluir que hay una preferencia por los autos Chevrolet.
4.12.
El test de Quade
Se relaciona con el dise

no en bloques completamente aleatorizados.
La hipotesis nula es la de igualdad de medias en los tratamientos.
Use informacion acerca del rango de los bloques en relacion a los otros
bloques y da mas peso a aquellos bloques que exhiben un rango mayor.
Al igual que el test de Friedman, tambien usa los rangos dentro del
bloque.
Datos:
Los datos consisten de b variables aleatorias k-dimensionales mutuamente
independientes (Xi1 , Xi2 , . . . , Xik ), llamadas b bloques i = 1, 2, . . . , b. La
variable aleatoria Xij esta en el bloque i y esta asociada con el tratamiento
j. Los b bloques son arreglados como sigue:
Bloques
1
2
..
.
1
X11
X21
..
.
Tratamientos
2
3
...
X12 X13 . . .
X22 X23 . . .
..
..
.
.
Xb1
Xb2
Xb3
...
k
X1k
X2k
..
.
Xbk
Sea R(Xij ) el rango, desde 1 hasta k, asignado a Xij dentro del bloque (fila)
i, los rangos son asignados a todos y cada uno de los bloques.
Luego, use de nuevo las observaciones originales Xij a fin de calcular los
rangos muestrales dentro de cada bloque. Los rangos se asignan a los bloques
de acuerdo al tama
no del rango muestral dentro de cada bloque. Recuerde
que el rango muestral del bloque i est
a dado por
Rango muestral bloque i = max Xij mn Xij
j
Como hay b bloques, hay b rangos muestrales (uno por cada bloque).

CAPITULO 4. METODOS
BASADOS EN RANGOS
106
Asigne el rango 1 al bloque con el rango mas peque

no, el rango 2 al
siguiente mas peque
no y as sucesivamente hasta asignarle el rango b
al de rango mas grande (en caso de empate use promedios).
Sean Q1 , Q2 , . . . , Qb los rangos asignados a los bloques 1, 2, . . . , b respectivamente.
(es decir, el producto

Calcule el producto Sij = Qi R(Xij ) k+1
2
entre el rango del bloque i y la diferencia entre el rango dentro del
bloque i, R(Xij ) y el rango promedio dentro de los bloques, (k + 1)/2)
Sij es un estadstico que representa el tama
no relativo de cada observaci
on
dentro del bloque, ajustado de manera que refleje la significancia relativa del
bloque en el cual aparece. Sea Sj la suma de los Sij para cada tratamiento:
Sj =
b
X
Sij , i = 1, 2, . . . , k
i=1
Nota: Hay tantos Sij como observaciones.

Supuestos
1. Las b variables aleatorias k-dimensionales son mutuamente independientes, los resultados dentro de un bloque, no influencian los resultados dentro de otro bloque.
2. Dentro de cada bloque, las observaciones pueden ser ranqueadas, de
acuerdo a alg
un criterio de interes.
3. El rango muestral puede determinarse dentro de cada bloque de manera que los bloques se puedan ranquear.
Test Estadstico
Por conveniencia, primero se calcula el termino:
A2 =
b X
k
X
2
Sij
i=1 j=1
Donde Sij esta dada por la expresion de arriba. Este termino se conoce como
la Suma de cuadrados total. Cuando no hay empates A2 = b(b + 1)(2b +
1)k(k + 1)(k 1)/72. Luego, calcule el termino:
k
1X 2
B=
Sj
b
j=1

CAPITULO 4. METODOS
BASADOS EN RANGOS
107
Donde Sj tambien se definio arriba. Este termino se conoce como Suma de

cuadrados de los tratamientos.
El test estadstico esta dado por:
T3 =
(b 1)B
A2 B
Si A2 = B considere el valor del estadstico en la region crtica y calcule el

valor-p como (1/k!)b1 . Note que el test T3 es el mismo test de un analisis
de varianza de dos vas calculado con los scores Sij .
Distribucion nula
Este test no tiene una distribucion exacta y por lo tanto se usa como aproximacion una F de Snedecor con k1 = k1 grados de libertad en el numerador
y k2 = (b 1)(k 1) en el denominador.
Hipotesis H0 :
los tratamientos tienen efectos identicos.
H1 : Al menos uno de los tratamientos tiende a tomar valores observados
mas grandes que al menos uno de los otros tratamientos.
Rechace H0 al nivel si T3 excede el cuantil 1 de la distribucion F con
los grados de libertad previamente estipulados.
Comparaciones m
ultiples.
Solo si la hipotesis nula se rechaza se deben hacer comparaciones m
ultiples.
Los tratamientos i y j son distintos si se cumple la desigualdad:
2b(A2 B) 1/2
|Si Sj | > t1 2
(b 1)(k 1)
Esta comparacion se hace para todos los pares de tratamientos, usando el
mismo del test de Quade.
Ejemplo 4.12.1. Se seleccionan 7 tiendas para una encuesta de mercados.
En cada tienda, 5 marcas distintas de un nuevo tipo de crema para las manos
se colocan una junto a otra. Al final de la semana, el n
umero de botellas
de crema vendidas de cada marca se registra. Se observaron los siguientes
resultados
N
umero de consumidores (rango dentro de la tienda)
Marca
Tienda
A
B
C
D
E
1
5 (2)
4 (1)
7 (3)
10 (4)
12 (5)
2
1 (2.5)
3 (5)
1 (2.5)
0 (1)
2 (4)
3
16 (2)
12 (1)
22 (3.5)
22 (3.5)
35 (5)
4
5 (4.5)
4 (2.5)
3 (1)
5 (4.5)
4 (2.5)
5
10 (3.5)
9 (2)
7 (1)
13 (5)
10 (3.5)
6
19 (2)
18 (1)
28 (3)
37 (4)
58 (5)
7
10 (5)
7 (2.5)
6 (1)
8 (4)
7 (2.5)

CAPITULO 4. METODOS
BASADOS EN RANGOS
108
Hay evidencia para pensar que unas marcas se prefiere sobre otras?
Solucion:
Los rangos R(Xij ) aparecen en parentesis en la tabla anterior. Ahora se
deben calcular los rangos muestrales dentro de cada tienda (o bloque). Por
ejemplo, en la tienda 1, el rango muestral es 12-4=8. La siguiente
tabla mues
tra los rangos muestrales, los rangos Qi y los scores Sij = Qi R(Xij ) k+1
2 :
Tienda
1
2
3
4
5
6
7
Rango
muestral
8
3
23
2
6
40
4
Rango
Qi
5
2
6
1
4
7
3
Sj =
A
-5
-1
-6
1.5
2
-7
6
-9.5
B
-10
4
-12
-0.5
-4
-14
-1.5
-38
0 s
Sij
Marca
C
0
-1
3
-2
-8
0
-6
-14
D
5
-4
3
1.5
8
7
3
23.5
E
10
2
12
-0.5
2
14
-1.5
38
Usando la informacion de esta tabla:

A2 =
7 X
5
X
2
Sij
i=1 j=1
2
= (5) + (10)2 + + (1.5)2

= 1366.5
y
5
B =
1X 2
Sj
7
j=1
= 532.4
As,
T3 =
6(532.4)
= 3.83
1366.5 532.4
El valor crtico esta dado por F[k1][(b1)(k1)] (1 0.05) = F[4][24] (0.95) =

2.78. Como 3.83 > 2.78 se rechaza H0 , por lo que hay evidencia de que
algunas marcas se prefieren sobre otras. Ahora, como H0 se rechaza, se
deben hacer comparaciones m
ultiples:

CAPITULO 4. METODOS
BASADOS EN RANGOS
h
Marca
|Si Sj |
A,B
A,C
A,D
A,E
B,C
B,D
B,E
C,D
C,E
D,E
| 9.5 + 38| = 28.5

| 9.5 + 14| = 4.5
| 9.5 23.5| = 33
| 9.5 38| = 47.5
| 38 + 14| = 24
| 38 23.5| = 61.5
| 38 38| = 76
| 14 23.5| = 37.5
| 14 38| = 52
|23.5 38| = 14.5
t0.975
<
<
<
>
<
>
>
<
>
<
45.53
45.53
45.53
45.53
45.53
45.53
45.53
45.53
45.53
45.53
2b(A2 B)
(b1)(k1)
i1/2
109
h
= 2.064
14(834.1)
24
i1/2
**
**
**
**
Se observan diferencias entre las marcas A,E; B,D; B,E; y C,E.

Usando R
## Ventas en 7 tiendas durante una semana de cinco
## marcas de una crema
y <- matrix(c( 5, 4, 7, 10, 12,
1, 3, 1, 0, 2,
16, 12, 22, 22, 35,
5, 4, 3, 5, 4,
10, 9, 7, 13, 10,
19, 18, 28, 37, 58,
10, 7, 6, 8, 7),
nrow = 7, byrow = TRUE,
dimnames =
list(Store = as.character(1:7),
Brand = LETTERS[1:5]))
y
quade.test(y)
4.13.
test de Durbin
Recuerde que en el dise

no en bloques completamente aleatorizado,
cada tratamiento se aplica en cada bloque.
Sin embargo, aplicar todos los tratamientos dentro de cada bloque
puede en algunas ocasiones no ser practico, especialmente, cuando el
n
umero de tratamientos es grande y el de bloques peque
no.

CAPITULO 4. METODOS
BASADOS EN RANGOS
110
Por ejemplo, si se van a aprobar 20 comidas distintas, cada juez puede encontrar muy dificil ranquear de manera adecuada todas ellas en
orden de preferencia.
Aquellos dise
nos experimentales en los que no es posible aplicar todos los tratamientos a cada bloque se denominan dise
nos en bloques
incompletos.
Ademas, si el dise
no se balancea de manera que 1) Cada bloque contenga k unidades experimentales, 2) Cada tratamiento aparece en r
bloques y 3) cada tratamiento aparece con cualquier otro tratamiento
un n
umero igual de veces2 , se denomina Dise
no en bloques balanceado
imcompleto.
Durbin (1951)3 presenta un test de rangos que puede usarse para probar la hipotesis nula de no diferencias entre los tratamientos en un
dise
no en bloques balanceado incompleto.
En realidad existen metodos parametricos para analizar este tipo de dise
nos,
pero se basan en supuestos de normalidad lo cual justifica el uso del metodo
no parametrico en caso de que dicho supuesto no se cumpla. Otra justificacion para usar el metodo no parametrico, es que las observaciones iniciales
pueden consistir de rangos. El test de Friedman es un caso particular del test
de Durbin cuando el n
umero de tratamiento iguala el n
umero de unidades
experimentales dentro del bloque.
Datos: Se usara la siguiente notacion:
t = N
umero de tratamientos
k = N
umero de unidades experimentales por bloque (k < t)
b = N
umero de bloques
r = N
umero de veces que cada tratamiento aparece (r < b)
= N
umero de bloques en los que los tratamientos l y m aparecen juntos.
es el mismo para todos los pares de tratamientos
Los datos se arreglan en un dise
no en bloques balanceado incompleto. Sea
Xij el resultado observado en el tratamiento j y en el bloque i, si el tratamiento j aparece en el i-esimo bloque. Ranquee los Xij s dentro de cada
2
A
un si esta condici
on no se satisface, este test que se propone puede ser v
alido en
muchas situaciones
3
Durbin, J. Incomplete blocks in ranking experiments. British Journal of Psycology
(Statistical Section), 4, 85-90 (5.9)

CAPITULO 4. METODOS
BASADOS EN RANGOS
111
bloque, asignando el rango 1 a la mas peque

na, el rango 2 a la segunda mas
peque
na y as sucesivamente hasta asignar el rango k a la mayor. Sea R(Xij )
es rango de Xij dado que este existe.
Calcule la suma de los rangos asignados a los r valores observados en el
tratamiento j y denote esta suma por Rj :
Rj =
b
X
R(Xij )
i=1
Donde solo r valores de R(Xij ) existen bajo el tratamiento j, por lo tanto

solo r rangos se suman para obtener Rj
Si las observaciones son no numericas pero son tales que se dejan ordenar
y ranquear dentro de los bloques de acuerdo a alg
un criterio de interes, los
ranqueos se asignan a cada observaci
on y los valores Rj para j = 1, 2, . . . , t
se calculan de la manera que se acaba de describir.
Los empates se rompen usando rangos medios (es decir el promedio de los
rangos). Cuando el n
umero de empates no es muy alto, la presencia de estos
no afecta de manera seria la distribucion del estadstico de prueba.
Supuestos:
1. Los bloques son mutuamente independientes
2. Dentro de cada bloque las observaciones tiene una escala de medicion
ordinal. Los empates, siempre y cuando no sean excesivos, no afectan
de manera seria el proceso inferencial.
Test estadstico: Durbin (1951) suguiere usar la siguiente funcion de los datos:
t
X
12(t 1)
r(k + 1) 2
T1 =
Rj
rt(k 1)(k + 1)
2
j=1
Si hay presencia de empates dentro de los bloques, se usan rangos medios

(midranks en ingles) y se necesita hacer un ajuste a este estadstico. Este
ajuste es como sigue:
Sea A la suma de los cuadrados de los rangos definida como:
A=
t
k X
X
i=1 j=1
R2 (Xij )

CAPITULO 4. METODOS
BASADOS EN RANGOS
112
Para que este ajuste sea efectivo, se debe calcular la cantidad C (conocida
como factor de correccion) como:
bk(k + 1)2
4
De esta manera, el estadstico de prueba, corregido por empates, esta dado
por:
hP
i
t
2 rC
(t 1)
R
j=1 j
T1 =
AC
C=
Un procedimiento equivalente, consiste en aplicar el metodo parametrico de

ANOVA a los rangos de las observaciones. Este procedimiento produce la
siguiente funcion de T1 :
T2 =
T1 /(t 1)
(b(k 1) T1 ) /(bk b t + 1)
De acuerdo a Conover, este estadstico es mejor que T1 ya que este es muy

conservador. Por lo que se recomienda calcular primero T1 y luego T2 y
fundamentar la decision en este u
ltimo.
Distribucion nula:
La distribucion nula de T1 o T2 no es facil de encontrar por lo que se usan
una 2(t1) para T1 y una F(t1,bkbt+1) pata T2 .
Hipotesis:
H0 : Cada ranqueo de las variables aleatorias dentro de cada bloque es
igualmente probable (es decir, los tratamientos tienen efectos identicos). vs.
H1 : Al menos un tratamiento tiende a producir valores mas grandes que al
menos otro de los tratamientos.
Rechace H0 al nivel si T2 excede una F(t1,bkbt+1) (1 ).
Comparaciones m
ultiples:
Si se rechaza la hipotesis nula H0 , se deben hacer comparaciones m
ultiples entre pares de tratamientos. Asuma que los tratamientos i y j tienen
distintas medias si las respectivas sumas de rangos satisfacen la siguiente
desigualdad:
1/2
2r(A C)
T1
|Ri Rj | > t(bkbt+1) (1 /2)
1
bk b t + 1
b(k 1)
En caso de que no hayan empates, se recomienda usar:
1/2
rk(k + 1)
|Ri Rj | > t(bkbt+1) (1 /2)
(b(k 1) T1 )
6(bk b t + 1)

CAPITULO 4. METODOS
BASADOS EN RANGOS
113
Ejemplo 4.13.1. Suponga que un productor de helado quiere probar las

preferencias de sabor que algunas personas tienen por sus 7 variedades de
helado. Ella le pide a cada persona que pruebe 3 variedades y que las ranquee
como 1,2 y 3 de acuerdo a la su valoraci
on del sabor (1 representa el sabor
favorito). A fin de dise
nar el experimento de manera que cada variedad se
compare con cada una de las otras un n
umero igual de veces, se usa un
dise
no de cuadrados Youden propuesto por Federer (1963) 4 A cada una de
las 7 personas se les da tres variedades para probar. Los rangos resultantes
aparecen a continuaci
on:
Persona
1
2
3
4
5
6
7
Rj =
Variedad helado
2 3 4 5 6
3
1
3 1
2
2 1
3
1 2
3
1 2
3
1
3
1
8 9 4 3 5 6
1
2
3
2
2
7
Hay evidencia en estos datos de que hay preferencia por alg

un tipo de helado?
Solucion:
Observe que:
t = 7 = N
umero de variedades de helado
k = 3 = N
umero de variedades comparadas en un tiempo
b = 7 = N
umero de personas (bloques)
r = 3 = N
umero de veces que cada variedad se prueba
= 1 = N
umero de veces que cada variedad
1 = se compara con cada una de las otras
Como se observa, este experimento tiene las caractersticas de un dise

no
en bloques balanceado incompleto y por lo tanto se puede usar el test de
Durbin. Las hipotesis son:
4
Federer, W.T. (1963). Experimental Design. Macmillan, New York (5.9).

CAPITULO 4. METODOS
BASADOS EN RANGOS
114
H0 : No hay una variedad de helado preferida por las personas vs. H1 :

Algunos helados se prefieren sobre otros. Como no hay empates, se calcula
t
X
12(t 1)
r(k + 1) 2
T1 =
Rj
rt(k 1)(k + 1)
2
j=1
(12)(6)
=
(8 6)2 + (9 6)2 + (4 6)2 + + (7 6)2
(3)(7)(2)(4)
= 12
Como 2(71) (1 0.05) = 2(6) (0.95) = 12.59 y 12.59 > 12 no se rechaza H0 .
Pero si se calcula T2 :
T1 /(t 1)
(b(k 1) T1 ) /(bk b t + 1)
12/(7 1)
=
(7(3 1) 12) /((7)(3) 7 7 + 1)
12/(6)
=
(14 12) /(8)
= 8
T2 =
Como F(t1,bkbt+1) (1 ) = F6,8 (0.95) = 3.58 y 8 > 3.58 se rechaza H0 ,

es decir hay evidencia de que algunos helados se prefieren sobre otros. Ahora
se deben realizar las 21 comparaciones m
ultiples.
h
i1/2
rk(k+1)
Comparacion |Ri Rj |
t(bkbt+1) (1 /2) 6(bkbt+1)
(b(k 1) T1 )
1,2
1,3
1,4
1,5
1,6
1,7
2,3
2,4
2,5
2,6
2,7
3,4
3,5
3,6
3,7
|8 9| = 1
|8 4| = 4
|8 3| = 5
|8 5| = 3
|8 6| = 2
|8 7| = 1
|9 4| = 5
|9 3| = 6
|9 5| = 4
|9 6| = 3
|9 7| = 2
|4 3| = 1
|4 5| = 1
|4 6| = 2
|4 7| = 3
<
>
>
>
<
<
>
>
>
>
<
<
<
<
>
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
2.824
**
**
**
**
**
**
**
**

CAPITULO 4. METODOS
BASADOS EN RANGOS
h
Comparacion
|Ri Rj |
4,5
4,6
4,7
5,6
5,7
6,7
|3 5| = 2
|3 6| = 3
|3 7| = 4
|5 6| = 1
|5 7| = 2
|8 9| = 1
t(bkbt+1) (1 /2)
<
>
>
<
<
<
115
rk(k+1)
6(bkbt+1)
i1/2
(b(k 1) T1 )
2.824
2.824 **
2.824 **
2.824
2.824
2.824
Usando R Para implementar en R el test de Durbin para el dise

no en bloques balanceado incompleto, se debe descargar primero una libreria llamada
agricolae que se encuentra en:
http://cran.r-project.org/web/packages/agricolae/index.html
El archivo que se debe bajar es:
Windows binary:
agricolae_1.0-9.zip
Este archivo se guarda, por ejemplo en el escritorio. Para cargarlo en R,

vaya al men
u tal como se indica en el siguiente grafico: Produce

CAPITULO 4. METODOS
BASADOS EN RANGOS
116
Luego, en la ventana que aparece, seleccione el archivo con extension .ZIP:

Produce

CAPITULO 4. METODOS
BASADOS EN RANGOS
117
Si la descarga al R fue exitosa, bebe aparecer un mensaje similar a este:

> utils:::menuInstallLocal()
package agricolae successfully unpacked and MD5 sums checked
Una vez cargado el paquete, se puede correr el siguiente programa con los
datos del ejemplo sobre preferencia de helado:
library(agricolae)
persona<-gl(7,3) #gl:generate levels. Genera 3 niveles para los 7 bloques
variedad<-c(1,2,4,2,3,5,3,4,6,4,5,7,1,5,6,2,6,7,1,3,7)
preferencia<-c(2,3,1,3,1,2,2,1,3,1,2,3,3,1,2,3,1,2,3,1,2)
comparacion<-durbin.test(persona,variedad,preferencia,group=F,
main="Preferencias por 7 variedades de helado")
group=F se usa para obtener las comparaciones m
ultiples. El output es:
Study: variedad, Sum of ranks
sum
1
8
2
9
3
4
4
3
5
5
6
6
7
7
Durbin Test
===========
Value
: 12
Df 1
: 6
P-value
: 0.0619688
Alpha
: 0.05
Df 2
: 8
t-Student : 2.306004
Least Significant Difference
between the sum of ranks: 2.824267
Parameters BIB
Lambda
: 1
treatmeans : 7
Block size : 3
Blocks
: 7
Replication: 3

CAPITULO 4. METODOS
BASADOS EN RANGOS
118
Comparison between treatments sum of the ranks

Difference
pvalue sig
2 - 1
1 0.437852
1 - 3
4 0.011424
*
1 - 4
5 0.003522 **
1 - 5
3 0.039968
*
1 - 6
2 0.141114
1 - 7
1 0.437852
2 - 3
5 0.003522 **
2 - 4
6 0.001196 **
2 - 5
4 0.011424
*
2 - 6
3 0.039968
*
2 - 7
2 0.141114
3 - 4
1 0.437852
5 - 3
1 0.437852
6 - 3
2 0.141114
7 - 3
3 0.039968
*
5 - 4
2 0.141114
6 - 4
3 0.039968
*
7 - 4
4 0.011424
*
6 - 5
1 0.437852
7 - 5
2 0.141114
7 - 6
1 0.437852
4.14.
Ejercicio 4.14.1. La cantidad de pantano del suelo de una granja causado

por el agua y el viento es examinado por diferentes granjeros, al mismo
tiempo que se cultiv
o en cada granja, los resultados fueron:
Cant. Pantano
Sin pantano
Leve
Moderado
Severo
Tipo de cultivo
Mn. Labranza Contorno Terraza
17
19
4
3
10
4
0
2
2
0
0
2
Otro
21
42
34
6
El tipo de cultivo afecta el grado de pantano?, si es as, cu

ales son los tipos
de cultivo significativamente diferentes?
Ejercicio 4.14.2. Una clase de inversi
on fue dividida en tres grupos de estudiantes. El primer grupo se encargo de invertir en bonos, el segundo grupo
en acciones y el tercero en emisiones especulativas, cada clase invirti
o 10000
d
olares y evalu
o el beneficio hipotetico o perdida al final de tres meses con
los siguientes resultados:
Bonos
Acciones
Especulativas
146
176
-540
180
110
1052
192
212
642
185
108
-281
153
196
67

CAPITULO 4. METODOS
BASADOS EN RANGOS
119
Son las varianzas significativamente diferentes?. Si es as, cuales grupos

son significativamente diferentes?
Ejercicio 4.14.3. Se examina una muestra aleatoria de aspirantes a graduarse del colegio. Probar la hip
otesis de que la regresi
on del puntaje en la
prueba verbal (Y ) sobre el puntaje de la prueba en Matem
aticas (X) tiene
pendiente 1 contra la hip
otesis alterna de que la pendiente sea menor que 1.
Los resultados fueron:
Estudiante
Matem
aticas X
Verbal Y
1
650
640
2
720
580
3
580
500
4
670
570
5
600
630
6
510
630
7
480
520
8
610
610
Estudiante
Matem
aticas X
Verbal Y
9
460
510
10
520
500
11
740
680
12
450
600
13
530
550
14
570
500
15
680
510
16
740
570
Ejercicio 4.14.4. A cinco estudiantes de doctorado se les hizo una prueba

sobre temas de actualidad. Las edades de los estudiantes de doctorado y los
resultados de la prueba se dan a continuaci
on:
Edad
Puntaje
24
68
31
85
38
84
45
92
45
90
Los estudiantes m
as viejos tienden a tener puntajes m
as altos?
a) Use el de Spearman.
b) Use el de Kendall.
Ejercicio 4.14.5. Se desea ver si la temperatura en la ciudad 1 es superior
a la temperatura en la ciudad 2, las temperaturas tomadas en las dos ciudades, en el verano, son las siguientes:
Ciudad 1
Ciudad 2
83
77
89
78
89
79
90
80
91
81
91
1
92
81
94
82
96
Ejercicio 4.14.6. En un laboratorio de ambiente controlado, fueron examinados 10 hombres y 10 mujeres para determinar la temperatura m
as confortable del cuarto, los resultados fueron los siguientes:

CAPITULO 4. METODOS
BASADOS EN RANGOS
Hombres
Mujeres
74
75
72
77
77
78
76
79
73
77
75
73
73
78
120
74
79
75
78
76
80
Asumiendo que estas temperaturas se asemejan a una muestra aleatoria de

sus respectivas poblaciones, es la temperatura confortable promedio la misma
para los hombres y las mujeres?.
Ejercicio 4.14.7. Siete estudiantes aprendieron Algebra

usando el metodo
presente y seis estudiantes aprendieron Algebra

usando un metodo nuevo,
halle un intervalo de confianza del 90 % para la diferencia entre los puntajes
promedio de los 2 metodos, los resultados fueron:
Metodo presente
Metodo nuevo
68
64
72
60
79
68
69
73
84
72
80
70
78
Ejercicio 4.14.8. La dieta A fue dada a cuatro ni

nas con sobrepeso y la
dieta B se le dio a las otras cinco ni
nas con sobrepeso, encontrar un intervalo de confianza del 90 % para la diferencia de las dos medias, los pesos
perdidos usando las dos dietas fueron:
Dieta A
Dieta B
7
6
2
5
-1
2
4
8
Ejercicio 4.14.9. En una campa

na se usaron 10 carpas con un camuflaje
claro y 10 con un camuflaje dibujado, probados en un
area arborizada y es
enviado un grupo de observadores para encontrarlas. Los observadores reportan las distancias a la cual observaron las carpas. El prop
osito es determinar
si el camuflaje dibujado es m
as difcil de detectar que el camuflaje claro, los
resultados fueron:
Claro
Dibujado
25
26
28
12
16
16
34
21
38
20
21
14
29
10
43
18
32
22
36
20
Ejercicio 4.14.10. Un investigador piensa que los individuos de diversas

profesiones tendr
an distintos grados de susceptibilidad a ser hipnotizados.
Para el experimento se eligen al azar a 6 abogados, 6 medicos, y 6 bailarines
profesionales. A cada uno se le aplica un examen de susceptibilidad hipn
otica. Los resultados aparecen aqu. Mientras mayor sea la calificaci
on, mayor

CAPITULO 4. METODOS
BASADOS EN RANGOS
121
ser
a la susceptibilidad a ser hipnotizados. Suponga que los datos violan los
supuestos necesarios para el uso de la prueba F, pero al menos presentan
una escala ordinal.
Abogados
26
17
27
32
20
25
Medicos
14
19
28
22
25
15
Bailarines
30
21
35
29
37
34
Los individuos de diversas profesiones tienen distintos grados de susceptibilidad a ser hipnotizados?
Ejercicio 4.14.11. Una sic
ologa investiga la hip
otesis de que el orden de
nacimiento en una familia afecta la asertividad. Los sujetos del experimento
son 20 j
ovenes adultos entre 20 y 25 a
nos de edad. Hay 7 primogenitos, 6
individuos que nacieron en segundo lugar y 7 que en tercero. Cada sujeto
presenta una prueba de asertividad con los siguientes resultados. Las calificaciones altas indican una mayor asertividad. Suponga que los datos no se
distribuyen de manera normal, por lo que la prueba F no puede utilizarse,
pero los datos presentan al menos una escala ordinal.
Primogenito
18
8
4
21
28
32
10
Nacido en segundo lugar

18
12
3
24
22
1
Nacido en tercer lugar

7
19
2
30
18
5
14
Ejercicio 4.14.12. Una muestra aleatoria de tres diferentes tipos de bombillas de luz fueron examinadas para ver cuanto tiempo duran las bombillas,
los resultados son:
Tipo A
Tipo B
Tipo C
73
84
82
64
80
79
67
81
71
62
77
75
70

CAPITULO 4. METODOS
BASADOS EN RANGOS
122
Estos resultados indican una diferencia entre marcas?, cu

al parece diferir?
Ejercicio 4.14.13. Se realiza un experimento con grupos independientes
para ver si el tratamiento A difiere del B. Se asigna de manera aleatoria
8 sujetos al tratamiento A y 7 al tratamiento B, se re
unen los siguientes
datos:
Tratamiento A
30
35
34
40
19
32
21
23
Tratamiento B
14
8
25
16
26
28
9
Son los tratamientos A y B diferentes?.

Ejercicio 4.14.14. Un consejero universitario cree que la hipnosis es m
as
eficaz que el tratamiento usual dado a los estudiantes que tienen una alta ansiedad durante los ex
amenes. Para probar esto el divide al azar a los
alumnos con alta ansiedad en dos grupos. Uno de ellos recibe el tratamiento
de hipnosis y el otro el tratamiento usual. Al concluir los tratamientos, cada
estudiante recibe un cuestionario para medir la ansiedad que le provoca los
ex
amenes. Los puntajes altos del cuestionario indican una mayor ansiedad.
Los siguientes son los resultados:
Tratamiento de hipnosis
20
21
33
40
24
43
48
31
22
44
30
Tratamiento usual
42
35
30
53
57
26
37
30
51
62
59

CAPITULO 4. METODOS
BASADOS EN RANGOS
123
Es el tratamiento de hipnosis m
as eficaz que el tratamiento usual?
Ejercicio 4.14.15. Cuatro programas de entrenamiento fueron ensayados
en 20 empleados, donde 5 empleados fueron asignados de manera aleatoria a
cada programa de entrenamiento. A los 20 empleados se les asign
o el mismo
supervisor y al final de cierto periodo, el supervisor organiz
o por rangos a
los empleados de acuerdo a la habilidad para trabajar, donde el rango m
as
peque
no es asignado al trabajador con menor habilidad, los resultados son:
Programa
Programa
Programa
Programa
1
2
3
4
4
1
20
18
6
8
19
15
7
12
16
17
2
3
14
13
10
11
5
9
Hay diferencia en la efectividad de los programas?

Ejercicio 4.14.16. La cantidad de hierro presente en el hgado de las ratas
blancas se mide despues de que los animales han sido alimentados con una
de las 5 dietas durante un periodo de tiempo, Diez animales fueron asignados
aleatoriamente a cada una de las 5 dietas, los resultados fueron:
Dieta A
1
1.01
1.13
1.14
1.35
1.64
1.7
2.01
2.23
2.63
Dieta B
0.96
1.23
1.54
1.61
1.96
2.59
2.94
3.68
5.59
6.96
Dieta C
2.07
3.72
3.92
4.5
4.9
6
6.42
6.84
8.23
10.33
Dieta D
0.68
0.69
0.74
0.84
0.96
1.06
1.16
1.34
1.35
2.08
Dieta E
1.36
1.4
1.51
1.59
1.74
2.49
3
4.81
5.12
5.21
hay diferencia significativa en las dietas de tal forma que afecte la cantidad
de hierro presente en el hgado?.
Ejercicio 4.14.17. Para cada uno de los tres planes para reducir peso fueron
asignados doce voluntarios. La asignaci
on de los 12 voluntarios fue aleatoria
y se asume que todos los 36 voluntarios se asemejan a una muestra aleatoria
de personas que podran intentar un programa de reducci
on de peso, se desea
ver si hay una diferencia significativa entre los tres programas para reducir
peso, los resultados fueron:

CAPITULO 4. METODOS
BASADOS EN RANGOS
Plan A
2 17
12 4
5 25
4
6
26 21
8
6
Plan B
17 5
15 6
3 19
19 4
5
9
14 7
124
Plan C
29 5
3 25
25 32
28 24
11 36
7 20
Ejercicio 4.14.18. Un banco de sangre report

o la velocidad de latidos para
varios donantes, los resultados fueron:
Hombres
Mujeres
58
66
76
74
82
69
74
76
79
72
65
73
74
75
86
67
68
Es la variaci
on entre los hombres significativamente m
as grande que la variaci
on entre las mujeres.
Ejercicio 4.14.19. Una lnea divisoria de aguas ha aumentado su extensi
on
los u
ltimos a
nos. Se toma una muestra aleatoria de los flujos de corriente de
la lnea divisoria y se compar
o con otra muestra aleatoria de epocas pasadas
para ver si la variabilidad ha cambiado, los resultados fueron:
Presente
Pasada
32
39
36
21
41
58
27
46
35
30
48
22
31
17
28
19
Hay diferencia significativa en la varianza de las dos muestras?.

Ejercicio 4.14.20. Tres diferentes metodos de instrucci
on son comparados
por estudiantes de quinto grado, asignados aleatoriamente, a tres diferentes
aulas. El nivel del grado del talento (medido por un examen est
andar) de
cada estudiante es medido al comienzo de cada a
no y nuevamente al final
de a
no, y se mide el incremento de cada estudiante, los resultados fueron:

CAPITULO 4. METODOS
BASADOS EN RANGOS
125
Metodo de instrucci
on
Clases estructuradas Estudios individuales
0.7
1.7
1
2.1
2
-0.4
1.4
0
0.5
1.1
0.8
0.9
1
2.3
1.1
1.3
1.9
0.4
1.2
0.5
1.5
1.0
No aulas
0.9
0.9
1
0
0.1
-0.6
2.2
-0.3
0.6
2.4
2.5
Hay diferencias en varianza asociada con los tres metodos de instrucci

on?,
de ser as, que metodos son diferentes en variabilidad?.
Ejercicio 4.14.21. Una pareja de esposos salieron a jugar bolos y guardaron
sus resultados para ver si exista alguna relaci
on entre dichos resultados, los
puntajes fueron:
Esposo
Esposa
147
122
158
128
131
125
142
123
183
115
151
120
196
108
129
143
155
124
158
123
Use el tau de Kendall y el rho de Spearman para realizar una prueba de

independencia entre estos puntajes.
Ejercicio 4.14.22. Un trabajador es asignado a una m
aquina que fabrica
tornillos, cada da se toma una muestra aleatoria de tornillos y se analiza
el porcentaje de defectuosos, los resultados fueron:
Da
Porcentaje
1
6.1
2
7.5
3
7.7
4
5.9
5
5.2
6
6.1
7
5.3
8
4.5
9
4.9
10
4.6
11
3
12
4
Los datos indican una mejora significativa sobre el tiempo para este trabajador?, use el de Spearman y el de Kendall.
Ejercicio 4.14.23. Cada vez que un carro tanqueaba, un dispositivo llev
o el
control de la cantidad de gasolina en galones puestos en el tanque, y la
distancia en millas recorridas, los resultados fueron:
13
3.7

CAPITULO 4. METODOS
BASADOS EN RANGOS
Millas
Galones
142
11.1
116
5.7
194
14.2
250
15.8
88
7.5
157
12.5
255
17.4
126
154
8.8
43
3.4
208
15.2
a) Ajuste una recta de regresi

on lineal usando el metodo de mnimos cuadrados.
b) Suponga que la EPA estima que el millaje de este carro es 18 millas
por gal
on. Pruebe la hip
otesis de que esta cifra se aplica a este carro en
particular.
c) Encuentre un intervalo de confianza del 95 % para la pendiente de la recta
obtenida en a).
Ejercicio 4.14.24. Una muestra aleatoria de colegios y universidades de
America dio lugar a los siguientes n
umeros de estudiantes por facultades:
Facultades
Estudiantes
129
2546
75
1335
87
1019
99
1858
Facultades
Estudiantes
64
1063
40
267
61
753
300
4500
190
3164
109
1141
77
784
90
1189
a) Ajuste una recta de regresi

on lineal usando el metodo de mnimos cuadrados.
b) Probar la hip
otesis de que un aumento de un miembro en la facultad va
acompa
nado de un aumento promedio de 15 estudiantes.
c) Encuentre un intervalo de confianza del 95 % para la pendiente de la recta
obtenida en a).
Ejercicio 4.14.25. La volatilidad de las acciones ordinarias de una empresa
se define como la pendiente de su desempe
no(Y ) comparado con el rendimiento de un ndice de 500 acciones S&P500, a continuaci
on se presentan
las medidas del desempe
no en los u
ltimos 8 trimestres:
Rendimiento en %
S&P500 en %
4.5
2.6
5.1
2.7
8
3.1
2.2
0.8
-4.6
-2.5
-0.6
0.1
10.3
4.9
Encuentre un intervalo de confianza del 95 % para la pendiente.
2.2
1

CAPITULO 4. METODOS
BASADOS EN RANGOS
127
Ejercicio 4.14.26. En un test para determinar la probabilidad de que una

mina explote dada una cierta intensidad de estimulo, se probaron 17 minas,
a las cuales se les dio diferentes intensidades de estimulo de choque y se
observ
o si la mina explot
o o no. 8 minas explotaron y 9 no. Las respectivas
intensidades de estmulo de choque para cada mina son las siguientes:
Explot
o
No explot
o
10.7
4
13.9
4.4
15.8
4.7
17
5.1
18.1
9.3
19.9
11.2
20.7
13.7
21.6
15
19.7
Use una regresi

on mon
otona para estimar la probabilidad de que una mina
explote dado un estimulo de choque de intensidad de 20. Ayuda, sea Y = 0
si la mina explota, y sea Y = 1 si la mina explota.
Ejercicio 4.14.27. Una muestra aleatoria de 20 personas que conducen
autom
oviles fue seleccionada para ver si el alcohol afecta el tiempo de reacci
on, el tiempo de reacci
on de cada conductor fue medido en un laboratorio
antes y despues de tomar una cantidad especfica de alcohol. El tiempo de
reacci
on en segundos es la siguiente:
Antes
Despues
0.68
0.73
0.64
0.62
0.68
0.66
0.82
0.92
0.58
0.68
0.8
0.87
0.72
0.77
0.65
0.7
0.84
0.88
0.73
0.79
Antes
Despues
0.65
0.72
0.59
0.6
0.78
0.78
0.67
0.66
0.65
0.68
0.76
0.77
0.61
0.72
0.86
0.86
0.74
0.72
0.88
0.97
El alcohol afecta el tiempo de reacci

on?
Ejercicio 4.14.28. A cada miembro de un equipo de Basketball femenino se
le dio un breve periodo de calentamiento y despues realizaron 25 lanzamientos cada una. Se registr
o el n
umero X de lanzamientos exitosos, luego se
les hizo un exhaustivo entrenamiento y despues de un breve descanso hacen
de nuevo otros 25 lanzamientos y se registra Y el n
umero de lanzamientos
exitosos despues del entrenamiento exhaustivo, los resultados fueron:
X
Y
18
16
12
10
7
8
21
23
19
13
14
10
8
8
11
13
19
9
16
8
8
8
11
5
Indican los datos que las porcentajes de lanzamientos exitosos tienden a

bajar cuando las jugadoras se encuentran cansadas?

CAPITULO 4. METODOS
BASADOS EN RANGOS
128
Ejercicio 4.14.29. Se inspeccionaron siete hospitales de una ciudad en

particular y se report
o el n
umero de bebes nacidos en un periodo de 12
meses, los resultados fueron:
Hospital
A
B
C
D
E
F
G
N
umero de nacimientos
Invierno Primavera Verano Oto
no
92
112
94
77
9
11
10
12
98
109
92
81
19
26
19
18
21
22
23
24
58
71
51
62
42
49
44
41
Se quiere ver si el porcentaje de nacimientos es constante para las cuatro

estaciones.
Ejercicio 4.14.30. Se seleccionan doce estudiantes aleatoriamente y a cada uno se les da cuatro listas de palabras, cada lista contiene 20 pares de
palabras pero se usaron diferentes metodos de apareamiento en las cuatro
listas. A cada estudiante se le entrega una lista, se le dan 5 minutos para
estudiar y Lugo se examina su capacidad para recordar las palabras. Este
procedimiento se repite para las 4 listas para cada estudiante, el orden de
la lista esta rotando de un alumno a otro, los resultados se encuentran a
continuaci
on, donde el puntaje de 20 es perfecto:
Lista
1
2
3
4
1
18
14
16
20
2
7
6
5
10
3
13
14
16
17
4
15
10
12
14
5
12
11
12
18
Estudiante
6
7
11 15
9 16
9 10
16 14
8
10
8
11
16
9
14
12
13
15
10
9
9
9
10
11
8
6
9
14
12
10
11
13
16
Son algunas listas m

as f
aciles de aprender que otras?.
Ejercicio 4.14.31. Las curvas de dosis respuesta son muy usadas en estudios biol
ogicos y en la industria farmaceutica. Suponga que cierta medicina
X, medida en milimetros, es administrada a unos ratones de laboratorio,
para observar si ocurre una reacci
on particular (c
ancer, dietetes, etc.), cinco ratones fueron tratados con varios niveles de dosificaci
on de la droga,
y el porcentaje de animales que mostraron reacciones son registrados en la
siguiente tabla:

CAPITULO 4. METODOS
BASADOS EN RANGOS
X (D
osis)
Y (Porc. de reacci
on)
0.5
0
1
0
1.5
20
2
0
2.5
40
3
60
129
3.5
40
4
80
4.5
100
5
100
a) Realizar el diagrama de dispersi

on de los datos.
b) Estimar E[Y |X] cuando X = 3 mililitros.
c) Estimar la regresi
on mon
otona no parametrica de Y sobre X.
d) Estimar E[Y |X] cuando X = 3.3 mililitros.
Ejercicio 4.14.32. Diez empresas informaron sobre el porcentaje de aumento en gastos de publicidad X, y su aumento porcentual en las ventas,
Y , para el u
ltimo a
no en comparaci
on con el a
no anterior. Los resultados
fueron:
X (Publicidad)
Y (Ventas)
1
4
10
2
62
33
3
31
39
4
-11
-14
Compa
na
5
6
7
47 88 16
37 39 18
8
-1
-8
9
74
45
10
21
33
a) Realizar el diagrama de dispersi

on de los datos.
b) Estimar la regresi
on mon
otona no parametrica de Y sobre X.
c) Estime el porcentaje de incremento esperado en las ventas, cuando se
tiene un 25 % de aumento en la publicidad.
Ejercicio 4.14.33. Una tienda de comestibles desea ver si el n
umero promedio de artculos comprados en cada venta podra ser 10, por lo que se
observan 12 clientes en la caja, los resultados son:
Cliente
Artculos
1
22
2
9
3
4
4
5
5
1
6
16
7
15
8
26
9
47
10
8
11
31
12
7
Se puede usar el test de Wilcoxon?, cuales supuestos del modelo son violados
en este problema?
Ejercicio 4.14.34. A cada miembro del equipo de baloncesto de ni
nas, se le
dio un breve periodo de calentamiento y luego se les dijo que dispararan 25
tiros libres, y se registr
o el n
umero de cestas, X, marcadas por cada ni
na.

CAPITULO 4. METODOS
BASADOS EN RANGOS
130
Luego el quipo recibi

o un entrenamiento extenso y despues de un breve periodo de descanso seles dijo que de nuevo hicieran 25 tiros libres cada una, y
se registr
o el n
umero de cestas anotadas, Y . Los datos indican que el porcentaje de encestar tiende a disminuir cuando las jugadoras est
an cansadas?.
El n
umero de cestas anotadas por cada ni
na se encuentran a continuaci
on:
Xi Antes
Yi Despues
1
18
16
2
12
10
3
7
8
4
21
23
5
19
13
6
14
10
7
8
8
8
11
13
9
19
9
10
16
8
11
8
8
12
11
5
Ejercicio 4.14.35. Se llevo a cabo una prueba de durabilidad de siete tipos

de neum
aticos. Para decidir cu
al es mejor los neum
aticos se pusieron a
funcionar en condiciones reales. Sin embargo, s
olo cuatro tipos pueden ser
comparados a la vez porque los vehculos tienen solo cuatro ruedas para la
prueba. Por lo tanto, el experimento est
a dise
nado usando un dise
no en
bloques balanceado incompleto. A cada uno de los siete conductores se les
dieron cuatro ruedas que se colocan en cada coche en un orden aleatorio
y se rotaron con regularidad durante el experimento. Los neum
aticos son
reemplazados cuando sea necesario, y se asignan rangos a los neum
aticos
originales seg
un el orden de sustituci
on. Los resultados fueron:
Conductor
1
2
3
4
5
6
7
1
1
2
1
2
Tipo de neum
atico
2 3 4 5 6
3
1 4
3
4
1
3
2 4
3
1 4 3
4 1 3
1
2 3 4
7
2
2
4
2
Los resultados indican diferencias en la durabilidad de los neum

aticos?. Si
es as, determine cuales tipos de neum
aticos son m
as durables.
Ejercicio 4.14.36. Un experimento est
a dise
nado para determinar cual de
los cinco olores tiende a ser m
as atractivo a los coyotes, para propositos de
control de depredadores. El experimento fue observado solo para tres olores
para cada Coyote, ya que muchos olores al tiempo tienden a confundir los
Coyotes y produce resultados inconsistentes. Una vez se libera el Coyote
se mide el tiempo, en segundos, en que el Coyote ubica el olor. Los olores
son rotados acorde a un dise
no en bloques balanceado incompleto, con los
siguientes resultados:

CAPITULO 4. METODOS
BASADOS EN RANGOS
Coyote
1
2
3
4
5
6
7
8
9
10
1
12
16
8
22
28
15
Olor
3 4
14
2
1 6
42
10
6
31
16 4
7
67 5 18
6 16
2
23
17
131
5
2
0
1
0
4
1
Existe una diferencia significativa entre los olores?. Si es as, cuales son los
mejores olores?
Ejercicio 4.14.37. La raz
on de emisiones de Oxido Nitroso por uso de
automobiles es medido con un dinamometro, donde un conductor sigue las
directrices sobre las tasas de aceleraci
on y desaceleraci
on por un periodo de
15 minutos. Ver si hay diferencia en las mediciones debido a los diferentes conductores, seis automobiles son probados repetidamente por estos tres
conductores de una estaci
on, con los siguientes resultados:
Carro
1
2
3
4
5
6
Conductor
1
2
3
6.2
6.3
6.0
12.6 12.9 12.7
10.2 10.6 9.8
13.0 13.1 13.0
5.6
5.9
5.5
8.1
8.1
7.8
Algunos conductores tienden a tener menores razones de emisi

on de Oxido
Nitroso que otros?
Captulo 5
Estadsticos del tipo

Kolmogorov-Smirnov
5.1.
Test de Bondad de ajuste de Kolmogorov
Datos
Consisten de una muestra X1 , . . . , Xn de tama
no n, asociada con una funcion de distribucion desconocida, denotada F (x).
Supuestos
1. La muestra es una muestra aleatoria.
Sea S(x) la funcion de distribucion emprica basada en la muestra aleatoria
X1 , . . . , Xn , el estadstico de prueba depende del test estadstico que se desee
probar.
Hipotesis
H0 : F (x) = F (x) vs
H1 : F (x) 6= F (x)
el estadstico de prueba es:

T = sup |F (x) S(x)|, mayor distancia vertical entre S(x) y F (x),
132
CAPITULO 5. ESTADISTICOS KOLMOGOROV-SMIRNOV
133
donde F (x) es una funcion de distribucion acumulada especfica.

Rc = {T /T > W1 }, donde W1 es calculado de la tabla A10 para
el test de 2 colas.
H0 : F (x) = F (x) H1 : F (x) < F (x)
T + = sup[F (x) S(x)]
Rc = {T + /T + > W1 }, donde W1 es calculado de la tabla A10
para el test de una cola.
H0 : F (x) = F (x) H1 : F (x) > F (x)
T = sup[S(x) F (x)]
Rc = {T /T > W1 }, donde W1 es calculado de la tabla A10
para el test de una cola.
Distribucion Nula
Cuando F (x) es continua y la hipotesis nula es cierta, la distribucion exacta
de T + y T esta dada por:
nj
j1
PJn(1x)K n
j
j
G(x) = 1 x j=0
x
+
, donde Jn(1 x)K
1
n
n
j
es el mayor entero menor o igual a n(1 x), la distribucion asint
otica
2
de T + y T es H(x) = 1 e2x , la distribucion aproximada de T es
P (T x) = [G(x)]2 .
Los cuantiles exactos de T + , T y T se encuentran tabulados en la tabla A10.
Valores P
nj
j1
PJn(1t)K n
j
j
Valor P = 2t j=0
t
+
1
n
n
j
B) C) (test de cola izquierda o cola derecha)
nj
j1
PJn(1t)K n
j
j
Valor P = t j=0
1
t
+
j
n
n
134
Si F (x) es una distribucion discreta, estos valores P son solo aproximados.

Ejemplo 5.1.1. Sea X1 = 0.621, X2 = 0.503, X3 = 0.203, X4 = 0.477,
X5 = 0.710, X6 = 0.581, X7 = 0.329, X8 = 0.480, X9 = 0.554,
X10 = 0.382, una muestra aleatoria de tama
no 10. Se quiere ver si esta muestra aleatoria proviene de una distribuci
on uniforme en el intervalo
[0, 1].
Solucion
H0 : F (x) = F (x) F (x) 6= F (x)
donde,
x
0.203
0.329
0.382
0.477
0.480
0.503
0.554
0.581
0.621
0.710
x
F (x) =
0
si
0.1
si
0.2 si
0.3 si
0.4 si
0.5 si
S(x) =
0.6
si
0.7 si
0.8
si
0.9 si
1
si
S (x)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
S + (x)
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
F (x)
0.203
0.229
0.382
0.477
0.480
0.503
0.554
0.581
0.621
0.710
si x < 0
si 0 x 1
si x > 1
x < 0.203
0.203 x < 0.329
0.329 x < 0.382
0.382 x < 0.477
0.477 x < 0.48
0.48 x < 0.503
0.503 x < 0.554
0.554 x < 0.581
0.581 x < 0.621
0.621 x < 0.710
x 0.710
|S (x) F (x)|
0.203
0.229
0.182
0.177
0.080
0.003
0.046
0.119
0.179
0.190
|S + (x) F (x)|
0.103
0.129
0.082
0.077
0.020
0.097
0.146
0.219
0.279
0.290
135
T = sup |F (x) S(x)| = 0.29

Rc = {T /T > W0.95 } de la tabla A10 para n = 10 W0.95 = 0.409 para el
test de 2 colas. Como T obs = 0.29 < W0.95 = 0.409, T obs
/ Rc, luego se
acepta H0 , es decir, hay evidencia muestral suficiente para sugerir que los
datos son compatibles con una distribucion uniforme en el intervalo [0, 1].
Jn(1 t)K = J10(0.71)K = J7.1K = 7
10j
j1

P
j
j
Valor P = 2(0.29) 7j=0 10
0.71
0.29
+
j
10
10
Valor P = 2(0.29)(0.112 + 0.117 + 0.101 + 0.081 + 0.061 + 0.04 + 0.017 + 0)
Valor P = 0.307
S-Plus
x=c(0.621,0.503,0.203,0.477,0.71,0.581,0.329,0.48,0.554,0.382)
ks.gof(x,alternative=two.sided,distribution=unif orm,min=0,max=1)
R
x=c(0.621,0.503,0.203,0.477,0.71,0.581,0.329,0.48,0.554,0.382)
ks.test(x,punif ,min=0,max=1))
5.2.
5.2.1.
Test de bondad de ajuste para familias de distribuciones

Test de Lilliefors para normalidad
Datos
Consisten de una muestra aleatoria X1 , . . . , Xn de tama
no n asociada con
alguna funcion de distribucion desconocida, denotada
por F (x). Calcule la
1 Pn
2
media muestral x y la varianza muestral S 2 = n1
i=1 (Xi X) .
Para estimar y 2 respectivamente y luego estandarice los Xi como:
Xi X
Zi =
i = 1, 2, . . . , n y el test es aplicado a los Zi s en lugar de la
S
muestra original Xi .
Supuestos
136

Se usa el estadstico de prueba de Kolmogorov de 2 colas, definido como la
maxima distancia vertical entre la funcion de distribucion emprica de las
Xi s y la funcion de distribucion normal con media x y varianza S 2 . Pero
por facilidad, primero se estandarizan las observaciones, y a las observaciones estandarizadas, se les ajusta una distribucion n(0, 1), el estadstico de
prueba es:
T1 = sup |F (x) S(x)|
Distribucion nula
La distribucion nula ha sido obtenida aproximadamente por simulaci
on, los
cuantiles estimados de la funcion de distribucion emprica de T1 estan dados
en la tabla A11, los cuantiles exactos y la forma matematica exacta de la
distribucion nula, son desconocidos.
Hipotesis
H0 : La muestra aleatoria proviene de una poblacion normal con media y
varianza desconocidas.
H1 : La funcion de distribucion de las Xi s no es normal.
Rc = {T1 /T1 > W1 }, donde W1 esta dado en la tabla A11.
Valor P = P (T1 > T1 obs ) se puede hallar aproximadamente de la tabla A11.
Ejemplo 5.2.1. Se tienen los dos u
ltimos dgitos de 50 n
umeros telef
onicos,
los cuales se seleccionaron al azar de un directorio telef
onico. Los resultados
fueron:
23, 23, 24, 27, 29, 31, 32, 33, 33, 35, 36, 37, 40, 42, 43, 43, 44, 45, 48, 48, 54, 54, 56, 57,
57, 58, 58, 58, 58, 59, 61, 61, 62, 63, 64, 65, 66, 68, 68, 70, 73, 73, 74, 75, 77, 81, 87, 89,
93, 97.
Se desea ver si los datos provienen de una poblaci
on normal.
Solucion
H0 : los datos se distribuyen normal.
H1 : los datos no se distribuyen normal.
137
Si sustituimos por x = 55.04 y por S = 19 entonces hallamos los Zi as:

x
23
24
27
29
31
32
33
35
36
37
40
42
43
44
45
48
54
56
57
58
59
61
62
63
64
65
66
68
70
73
74
75
77
81
87
89
93
97
Z
-1.69
-1.63
-1.48
-1.37
-1.27
-1.21
-1.16
-1.05
-1.00
-0.95
-0.79
-0.69
-0.63
-0.58
-0.53
-0.37
-0.05
0.05
0.10
0.16
0.21
0.31
0.37
0.42
0.47
0.52
0.58
0.68
0.79
0.95
1.00
1.05
1.16
1.37
1.68
1.79
2.00
2.21
F (x)
0.046
0.052
0.069
0.085
0.102
0.113
0.123
0.147
0.159
0.171
0.215
0.245
0.264
0.281
0.298
0.356
0.480
0.520
0.540
0.564
0.583
0.622
0.644
0.663
0.681
0.699
0.719
0.752
0.785
0.829
0.841
0.853
0.877
0.915
0.954
0.963
0.977
0.986
S (x)
0.00
0.04
0.06
0.08
0.10
0.12
0.14
0.18
0.20
0.22
0.24
0.26
0.30
0.32
0.34
0.36
0.40
0.44
0.46
0.50
0.58
0.60
0.64
0.66
0.68
0.70
0.72
0.74
0.78
0.80
0.84
0.86
0.88
0.90
0.92
0.94
0.96
0.98
S + (x)
0.04
0.06
0.08
0.10
0.12
0.14
0.18
0.20
0.22
0.24
0.26
0.30
0.32
0.34
0.36
0.40
0.44
0.46
0.50
0.58
0.60
0.64
0.66
0.68
0.70
0.72
0.74
0.78
0.80
0.84
0.86
0.88
0.90
0.92
0.94
0.96
0.98
1.00
|S (x) F (x)|
0.046
0.012
0.009
0.005
0.002
0.007
0.017
0.033
0.041
0.049
0.025
0.015
0.036
0.039
0.042
0.004
0.080
0.080
0.080
0.064
0.003
0.022
0.004
0.003
0.001
0.001
0.001
0.012
0.005
0.029
0.001
0.007
0.003
0.015
0.034
0.023
0.017
0.006
138
|S + (x) F (x)|
0.006
0.008
0.011
0.015
0.018
0.027
0.057
0.053
0.061
0.069
0.045
0.055
0.056
0.059
0.062
0.044
0.040
0.060
0.040
0.016
0.017
0.018
0.016
0.017
0.019
0.021
0.021
0.028
0.015
0.011
0.019
0.027
0.023
0.005
0.014
0.003
0.003
0.014
139
T1 = sup |F (x) S(x)| = 0.08

Rc = {T1 /T1 > W0.95 }
de la tabla A11 con n = 50 se tiene W0.95 = 0.895
dn , donde
0.83
dn = ( n 0.01 + n )
Como n= 50
0.83
0.895
d50 = ( 50 0.01 +
) = 7.17845 W0.95 = 0.895
d50 = 7.17845 = 0.1247
50
Como T1
/ Rc, no se rechaza H0 , es decir, los datos son compatibles con
una distribucion normal.
S-plus
x=c(23,23,24,27,29,31,32,33,33,35,36,37,40,42,43,43,44,45,48,48,54,54,56,
57,57,58,58,58,58,59,61,61,62,63,64,65,66,68,68,70,73,73,74,75,77,81,87,89,
93,97)
ks.gof(x,alternative=two.sided,distribution=normal)
SAS
data shapiro;
input x @@;
cards;
23 23 24 27 29 31 32 33
36 37 40 42 43 43 44 45
54 54 56 57 57 58 58 58
61 61 62 63 64 65 66 68
73 73 74 75 77 81 87 89
;
run;
proc univariate normal;
var x;
run;
5.3.
33
48
58
68
93
35
48
59
70
97
El test de Lilliefors para la distribuci

on exponencial
Para obtener el test de Llilliefors es necesario:
140
1. Calcular la media muestral X

2. Para cada Xi calcular un Zi =
zacion)1
Xi
(es como una especie de estandari-
Test estadstico
Para su calculo se recomienda graficar la distribucion emprica S(x) basada
en los Z1 , . . . , Zn . Luego, sobre ese mismo grafico, graficar F (x) = 1 ex
para x > 0 (en realidad, solo los valores para los n puntos se requieren,
x = Z1 , x = Z2 , . . . , x = Zn ). La maxima distancia vertical entre F (x) y
S(x),
T2 = sup |F (x) S(x)|
es el test estadstico (del tipo K-S).
Hipotesis:
H0 : La muestra aleatoria proviene de una distribucion exponencial:
1 ex/t x > 0
F (x) =
0
x<0
Donde t es un parametro desconocido.
H1 : La distribucion de X no es exponencial.
Rechace H0 a un nivel si T2 excede el cuantil 1 dado en la tabla A15.
Ejemplo 5.3.1. El tiempo entre llamadas telef
onicas de larga distancia que
llegan a una central tiene una distribuci
on exponencial. Un cierto lunes,
las primeras 10 llamadas despues de la 1:00 p.m. ocurrieron a las 1:06,
1:08, 1:16, 1:22, 1:23, 1:34, 1:44, 1:47, 1:51 y 1:57. De esta manera, los
tiempos sucesivos entre llamadas (en minutos) son 6,2,8,6,1,11,10,3,4 y 6.
Es razonable pensar que estos tiempos siguen una distribuci
on exponencial?
Solucion:
= 5.7.
X
1
Ejercicio: Si X e() pruebe que Y =
e(1)
141
1 ezi S (x) S + (x) |S (x) F (x)| |S + (x) F (x)|

x Zi = Xi /X
1
0.175
0.161
0.0
0.1
0.161
0.061
2
0.351
0.296
0.1
0.2
0.196
0.096
3
0.526
0.409
0.2
0.3
0.209
0.109
4
0.702
0.504
0.3
0.4
0.204
0.104
6
1.05
0.651
0.4
0.7
0.251
0.049
8
1.40
0.754
0.7
0.8
0.054
0.046
10
1.75
0.827
0.8
0.9
0.027
0.073
11
1.93
0.855
0.9
1.0
0.045
0.145
La mayor desviacion absoluta entre S(x) y F (x) es T2 = 0.251. De la
tabla A15, el valor crtico es 0.3244 (n = 10 y 1 = 0.95). Como
T2 < 0.3244 no se rechaza H0 : Los datos proviene de una exponencial.
(0.7 < valor p < 0.8).
5.3.1.
El test de Shapiro-Wilk para normalidad
Datos
Los datos consisten de una muestra aleatoria X1 , X2 , . . . , Xn de tama
no n
asociados a alguna funcion de distribucion desconocida F (x).
Supuestos
1. La muestra es una muestra aleatoria.

i2
h
P
1 Pk
(ni+1) X (i) )
a
(X
donde D = ni=1 (Xi X)2
T3 = D
i
i=1
X (1) X (2) . . . X (n) son los estadsticos de orden.
a1 , . . . , ak son obtenidos de la tabla A12 para un tama
no muestral n y k n2 .
Este estadstico de prueba es algunas veces denotado por W , y el test es algunas veces llamado el test W de Shapiro Wilk.
Distribucion Nula
Los cuantiles de T3 estan dados en la tabla A13.
Hipotesis
H0 : F (x) es una funcion de distribucion normal, con media y varianza no
especificadas.
142
H1 : F (x) no es normal.
Rc = {W/W < W }
El valor P= P (T3 < T3 obs ), el cual se puede aproximar usando la tabla A14.
Ejemplo 5.3.2. Considere los 50 n
umeros de 2 dgitos del ejemplo anterior. Use el test de Shapiro-Wilk, para verificar si estos datos siguen una
distribuci
on normal.
Solucion
H0 : los datos se distribuyen normal.
H1 : los datos no se distribuyen normal.
143
ai
X (ni+1) X (i) ai (X (ni+1) X (i) )
0.3751
97-23=74
27.7574
0.2574
93-23=70
18.018
0.2260
89-24=65
14.69
0.2032
87-27=60
12.192
0.1847
81-29=52
9.6044
0.1691
77-31=46
7.7786
0.1554
75-32=43
6.6822
0.1430
74-33=41
5.863
0.1317
73-33=40
5.268
0.1212
73-35=38
4.6056
0.1113
70-36=34
3.7842
0.1020
68-37=31
3.162
0.0932
68-40=28
2.6096
0.0846
66-42=24
2.0304
0.0764
65-43=22
1.6808
0.0685
64-43=21
1.4385
0.0608
63-44=19
1.1552
0.0532
62-45=17
0.9044
0.0459
61-48=13
0.5967
0.0386
61-48=13
0.5018
0.0314
59-54=5
0.157
0.0244
58-54=4
0.0976
0.0174
58-56=2
0.0348
0.0104
58-57=1
0.0104
0.0035
58-57=1
0.0035
Total
130.6261
P50
D = i=1 (Xi X)2 = 17698
hP
i2
25
(ni+1) X (i) )
a
(X
= (130.6261)2 = 17063.178
i
i=1
17063.178
T3 =
= 0.96413
17698
De la Tabla A13 con n = 50, W0.05 = 0.947.
Como Tobs = 0.96413
/ Rc, se acepta H0 , es decir, hay evidencia muestral
suficiente para sugerir que los datos son compatibles con una distribucion
normal, con = 0.05.
Para calcular el valor P usamos la tabla A14, con n = 50, se obtiene
144
T3 d50
n(0, 1), donde b50 = 7.677 c50 = 2.212
1 T3
d50 = 0.1436.
0.9642 0.1436
G = 7.677 + 2.212 ln
1 0.9642
G = 0.7488
G = b50 + c50 ln
Valor P P (Z 0.7488) = 0.227

Valor P 0.227
R o S-Plus
x=c(23,23,24,27,29,31,32,33,33,35,36,37,40,42,43,43,44,45,48,48,54,54,56,
57,57,58,58,58,58,59,61,61,62,63,64,65,66,68,68,70,73,73,74,75,77,81,87,89,
93,97)
shapiro.test(x)
SAS
data shapiro;
input x @@;
cards;
23 23 24 27 29 31 32 33
36 37 40 42 43 43 44 45
54 54 56 57 57 58 58 58
61 61 62 63 64 65 66 68
73 73 74 75 77 81 87 89
;
Run;
proc univariate normal;
var x;
run;
5.4.
33
48
58
68
93
35
48
59
70
97
Test de Smirnov
Datos
Los datos consisten de 2 muestras aleatorias independientes, una de tama
no
145
n, X1 , . . . , Xn y otra de tama
no m, Y1 , . . . , Ym . Sean F (x) y G(x) que representan sus respectivas funciones de distribucion.
Supuestos
1. Las 2 muestras son muestras aleatorias.
2. Las 2 muestras aleatorias son mutuamente independientes.
4. Para que este test sea exacto se necesita que las variables aleatorias
sean continuas.
Sea S1 (x) la funcion de distribucion emprica basada en la muestra aleatoria
X1 , X2 , . . . , Xn , y sea S2 (x) la funcion de distribucion emprica basada en la
otra muestra aleatoria Y1 , . . . , Ym , el estadstico de prueba se define diferente
para cada una de las hipotesis a probar.
T1 = sup |S1 (x) S2 (x)|
H0 : F (x) = G(x) x R
H1 : F (x) 6= G(x) para alg
un x.
Rc = {T1 /T1 > W1 } donde el W1 esta dado en la tabla A15 para
n = m o en la tabla A16 para n 6= m, para el test de 2 colas. Si los
valores de m o n no aparecen en las tablas, use la aproximaci
on normal
que aparece al final de la tabla. Si m = n el valor P exacto se puede
hallar como:
2 2n
donde c = JnTobs K
Valor P = n+c
2n
n
B) (test de cola derecha)

T1+ = sup[S1 (x) S2 (x)]
H0 : F (x) G(x) x R
H1 : F (x) > G(x) para alg
un x.
+
+
Rc = {T1 /T1 > W1 }, donde W1 es el cuantil 1 para el test
de una cola, dados en la tabla A15 para n = m y en la tabla A16
para n 6= m. Si los valores de m o n no aparecen en las tablas use la
146
aproximacion normal que aparece al final de la tabla.

Si n = m elvalor
P exacto es:
2n
Valor P = n+c
2n , donde c = JnTobs K
n

T1 = sup[S2 (x) S1 (x)]
H0 : F (x) G(x) x R
H1 : F (x) < G(x) para alg
un x.
Rc = {T1 /T1 > W1 }, donde W1 es el cuantil 1 para el test
de una cola, dado en la tabla A15 para n = m y en la tabla A16 para
n 6= m. Si los valores de m o n no aparecen en las tablas use la aproximacion normal que aparece al final de la tabla.
Si n = m el valor P exacto es:
2n
donde c = JnTobs K
Valor P = n+c
2n
n
Ejemplo 5.4.1. Se obtuvieron 2 muestras aleatorias, una de tama

no 9
X1 , X2 , . . . , X9 de una poblaci
on, y otra de tama
no 15, Y1 , Y2 , . . . , Y15 de una
segunda poblaci
on, las 2 muestras aleatorias son independientes. Se quiere
ver si las 2 muestras aleatorias provienen de la misma distribuci
on, los datos
son los siguientes:
Xi
Yi
Xi
Yi
7.6
5.2
11.2
10.8
8.4
5.7
8.6
5.9
8.7
6.5
9.3
6.8
9.9
8.2
10.1
9.1
11.3
11.5
12.3
12.5
13.4
14.6
10.6
9.8
Solucion
Denotemos por F (x), la funcion de distribucion acumulada de la primera
muestra, y por G(x), la funcion de distribucion acumulada de la segunda
muestra.
H0 : F (x) = G(x) x
un x.
Luego se tiene que:

Xi
Yi
5.2
5.7
5.9
6.5
6.8
7.6
8.2
8.4
8.6
8.7
9.1
9.3
S1 (x) S2 (x)
1/15
2/15
3/15
4/15
5/15
2/9
13/45
8/45
1/15
2/45
1/15
4/45
Xi
Yi
9.8
9.9
10.1
10.6
10.8
11.2
11.3
11.5
12.3
12.5
13.4
14.6
147
S1 (x) S2 (x)
1/45
2/15
11/45
16/45
13/45
2/5
1/3
4/15
1/5
2/15
1/15
0
T1 = sup |S1 (x) S2 (x)| = 25 = 0.4 ocurre cuando x=11.2

Tobs = 0.4
8
Como n = 9, m = 15 usamos la tabla A16. W0.95 = 15
0.533 con
N1 = mn{n, m} y N2 = max{n, m}, como Tobs
/ Rc, se acepta H0 , es
decir, hay evidencia muestral suficiente para sugerir que, los datos son consistentes con que las 2 muestras aleatorias provienen de la misma poblacion.
El valor P exacto, no se puede calcular.
S-Plus
X=c(7.6, 8.4,8.6,8.7,9.3,9.9,10.1,10.6,11.2)
Y=c(5.2,5.7,5.9,6.5,6.8,8.2,9.1,9.8,10.8,11.3,11.5,12.3,12.5,13.4,14.6)
ks.gof(X,Y, alternative=two.sided)
R
x=c(7.6, 8.4,8.6,8.7,9.3,9.9,10.1,10.6,11.2)
y=c(5.2,5.7,5.9,6.5,6.8,8.2,9.1,9.8,10.8,11.3,11.5,12.3,12.5,13.4,14.6)
ks.test(x,y, alternative=two.sided)
5.5.
148
Test de Cram
er-Von Mises para 2 muestras
Datos
Los datos consisten de 2 muestras aleatorias independientes, X1 , . . . , Xn y
Y1 , . . . , Ym con funciones de distribucion desconocidas F (x) y G(x), respectivamente.
Supuestos
1. Las 2 muestras son muestras aleatorias independientes la una de la

otra.
3. Para que el test sea exacto, las variables aleatorias deben ser continuas.
Sean S1 (x) y S2 (x) las funciones de distribucion empricas de las 2 muestras.
mn P
[S1 (x) S2 (x)]2 o mas claramente,
(m + n)2 X=Xi ,X=Yj
i
Pm
mn hPn
2+
2
T2 =
[S
(x
)
S
(x
)]
[S
(y
)
S
(y
)]
1
i
2
i
1
j
2
j
i=1
j=1
(m + n)2
T2 =
Hipotesis
H0 : F (x) = G(x) x
un x R.
Rc = {T2 /T2 > W1 }, donde W1 es hallado de la siguiente tabla para m
y n grandes.
W0.10
W0.20
W0.30
W0.40
= 0.046
= 0.062
= 0.079
= 0.097
W0.50
W0.60
W0.70
W0.80
= 0.119
= 0.147
= 0.184
= 0.241
W0.90 = 0.347
W0.95 = 0.461
W0.99 = 0.743
W0.999 = 1.168
Ejemplo 5.5.1. En el ejemplo anterior, usar el test de Cramer Von Mises

para ver si las muestras provienen de la misma distribuci
on.
149
Solucion
Denotemos por F (x), la funcion de distribucion acumulada de la primera
muestra, y por G(x), la funcion de distribucion acumulada de la segunda
muestra.
H0 : F (x) = G(x) x
un x.
Luego se tiene que:
Xi
Yi
5.2
5.7
5.9
6.5
6.8
7.6
8.2
8.4
8.6
8.7
9.1
9.3
P9
i=1 [S1 (xi )
P15
j=1 [S1 (yj )
T2 =
(S1 (x) S2 (x))2

0.00444
0.01778
0.04
0.07111
0.11111
0.04938
0.08346
0.0316
0.00444
0.00197
0.00444
0.0079
Xi
Yi
9.8
9.9
10.1
10.6
10.8
11.2
11.3
11.5
12.3
12.5
13.4
14.6
(S1 (x) S2 (x))2

0.0005
0.01778
0.05975
0.12642
0.08346
0.16
0.11111
0.07111
0.04
0.01778
0.00444
0
S2 (xi )]2 = 0.45924

S2 (yj )]2 = 0.66074
(15)(9)
(0.45924 + 0.66074) = 0.2625
(24)2
Como w0.95 = 0.461 y T2 = 0.2625, T2

/ Rc, luego no se rechaza H0 , es
decir, hay evidencia muestral suficiente para sugerir que las dos muestras
provienen de la misma distribucion, con = 0.05.
R
library(boot)
library(cramer)
x=c(7.6,8.4,8.6,8.7,9.3,9.9,10.1,10.6,11.2)
150
y=c(5.2,5.7,5.9,6.5,6.8,8.2,9.1,9.8,10.8,11.3,11.5,12.3,12.5,13.4,14.6)
cramer.test(x,y)
5.6.
Ejercicio 5.6.1. Se seleccionaron 5 ni

nos de grado cuarto y se les tom
o el
tiempo que demoraron en realizar una carrera corta, los tiempos en segundos
fueron: 6.3, 4.2, 4.7, 6.0, y 5.7. pruebe la hip
otesis de que los tiempos se
distribuyen uniformemente en el intervalo [4,8], use el valor p.
Ejercicio 5.6.2. Datos previos indican que el n
umero de huevos rechazados
de cada caja, sigue una distribuci
on Poisson con media 1.5. Suponga que
una tienda distribuye ocho cajas de huevos con 144 huevos en cada caja y
se obtuvo el siguiente n
umero de huevos rechazados: 4, 0, 2, 0, 2, 0, 2, 0.
Pruebe que estas 8 cajas provienen de la misma funci
on de distribuci
on.
Ejercicio 5.6.3. Un jugador olmpico es medido en 10 pr
acticas con las
siguientes mediciones: 1.7, 5.3, 7.6, 8.9, 9.0, 9.1, 9.3, 9.6, 9.9, 9.9. Pruebe
la hip
otesis de que la funci
on de distribuci
on de sus puntajes esta dada por:
0
F (x) =
x2
100
si x < 0
si 0 x 10
si x > 10
Ejercicio 5.6.4. Las emisiones de

oxido nitroso de los u
ltimos a
nos de un
autom
ovil ha sido medida para miles de autom
oviles y es aproximadamente
normal, con media 5.6 y desviaci
on est
andar 1.2. Un autom
ovil se prob
o durante doce a
nos y se obtuvo los siguientes resultados: 4.8, 6.2, 6.0, 5.9, 6.6,
5.5, 5.8, 5.9, 6.3, 6.6, 6.2, 5.0. El autom
ovil probado parece tener la misma
distribuci
on.
Ejercicio 5.6.5. El retorno de inversi
on a 12 meses en 20 acciones seleccionadas aleatoriamente es: 9.1, 5.0, 7.3, 7.4, 5.5, 8.6, 7.0, 4.3, 4.7, 8.0,
4.0, 8.5, 6.4, 6.1, 5.8, 9.5, 5.2, 6.7, 8.3, 9.2. Use los tests de Lilliefords
y de Shapiro Wilk, para probar que este retorno de inversi
on se distribuye
normalmente.
Ejercicio 5.6.6. Quince estudiantes de primer a
no obtuvieron los siguientes
puntajes: 481, 562, 525, 620, 395, 584, 642, 615, 540, 515, 516, 580, 740,
618, 598. Pruebe si estos puntajes siguen una distribuci
on normal.
151
Ejercicio 5.6.7. Algunas veces se asume que la cantidad de agua que fluye
hacia un riachuelo o rio, se distribuye como una lognormal. Se seleccionaron
8 riachuelos de varios tama
nos y se les midi
o la afluencia, en pies c
ubicos
por segundo, tomados una vez por semana, por varias semanas, y se us
o el
test de Shapiro Wilk sobre los logaritmos de las afluencias en cada riachuelo,
obteniendose:
Riachuelo
1
2
3
4
5
6
7
8
Semanas
8
10
6
14
9
10
14
12
T3
0.972
0.858
0.875
0.840
0.966
0.924
0.881
0.868
Los resultados combinados indican que la afluencia de los ros, tienden a

seguir una distribuci
on lognormal.
Ejercicio 5.6.8. A veces se asume que la lluvia anual total sigue una distribuci
on normal. Para probar este supuesto, se seleccionan diez ciudades de
los Estados Unidos, se analizan los archivos de lluvia anuales, y se usa el
test de Shapiro Wilk para cada ciudad, y se obtiene lo siguiente:
Ciudad
1
2
3
4
5
6
7
8
9
10
A
nos
18
34
26
43
40
29
35
38
42
47
T3
0.875
0.874
0.948
0.980
0.937
0.915
0.915
0.890
0.963
0.941
Los resultados combinados indican que la lluvia anual sigue una distribuci
on
normal.
152
Ejercicio 5.6.9. Pruebe la hip

otesis de que F (x) G(x), si las observaciones de F (x) son: 0.6, 0.8, 0.8, 1.2, 1.4, y las observaciones de G(x) son:
1.3, 1.3, 1.8, 2.4, 2.9.
Ejercicio 5.6.10. Se seleccion
o una muestra de 5 ni
nos de grado sexto de
un colegio de la ciudad y se les realiz
o una prueba de alfabetizaci
on con los
siguientes resultados: 82, 74, 87, 86, 75. En otra muestra de 8 ni
nos de
sexto grado de un colegio de otro sector de la ciudad se realiz
o la prueba
con los siguientes resultados: 88, 77, 91, 88, 94, 93, 83, 94. Use los tests
de Smirnov, y de Cramer Von Mises para ver si hay diferencias en las dos
poblaciones de sexto grado.
Ejercicio 5.6.11. Un grupo de pacientes voluntarios con presi
on arterial
alta son aleatoriamente asignados para el tratamiento A, que es un medicamento para controlar la presi
on arterial, o el tratamiento B, el cual involucra
una dieta baja en sal y ejercicio regular. Hay alguna diferencia en la efectividad de los dos tratamientos, como una medida del cambio de la medida de
la presi
on arterial despues de seis meses. Los resultados fueron:
A
B
-14
-51
-62
-31
-38
+14
-19
-12
-21
-27
-28
-38
-32
-10
-40
+6
Ejercicio 5.6.12. Los due

nos de 20 casas participaron en un estudio de
metodos para reducir el consumo de energa. Los 20 fueron asignados aleatoriamente al programa A, un programa de educaci
on dise
nado para inculcar
el h
abito de ahorro de energa en sus estilos de vida, o el programa B, donde
se instalan seis pulgadas de aislamiento adicional en el
atico de su casa, los
ahorros de energa en los pr
oximos 12 meses son:
Casa
1
2
3
4
5
6
7
8
9
10
Programa
A
A
B
B
B
A
B
A
A
A
Ahorro
143
106
182
158
161
108
131
138
101
83
Casa
11
12
13
14
15
16
17
18
19
20
Programa
B
B
B
A
A
A
A
B
B
B
Ahorro
175
142
111
82
12
58
42
96
90
144
153
Hay diferencia en la efectividad de los dos programas.

Ejercicio 5.6.13. Se inyectan celulas de c
ancer en 15 ratones de laboratorio para estudiar la efectividad de un tratamiento propuesto. Se le dio a
seis ratones el tratamiento de prevenci
on del c
ancer y a los otros nueve se
les dio un placebo. Despues de varios meses el tama
no de los tumores se ha
reducido en cada animal, los resultados fueron:
Tratamiento
Control
0.8
0.6
0.0
1.6
Tama
no del tumor
0.6 1.1 1.2 0.5
1.7 1.3 2.2 1.5 0.7
0.7
1.6
El tratamiento es eficaz para reducir el tama

no del tumor.
Ejercicio 5.6.14. Veinte accidentes ocurrieron a lo largo de un tramo de la
autopista interestatal durante un mes. Las 19 distancias entre los accidentes,
en miles, son las siguientes: 0.3, 6.1, 4.3, 3.3, 1.9, 4.8, 0.3, 1.2, 0.8, 10.3,
1.2, 0.1, 10, 1.6, 27.6, 12, 14.2, 19.7, 15.5. Los accidentes se distribuyen
aleatoriamente a lo largo de la va.
Ejercicio 5.6.15. El gerente de una tienda quera poner a prueba la hip
otesis de que los clientes llegaron aleatoriamente a su tienda, as el midi
o los
tiempos entre llegadas sucesivas de los clientes una ma
nana. Estos tiempos
en minutos son los siguientes: 3.6, 6.2, 12.7, 14.2, 38, 3.8, 10.8, 6.1, 10.1,
22.1, 4.2, 4.6, 1.4, 3.3, 8.2. Pruebe la hip
otesis de que estos tiempos entre
llegadas siguen una distribuci
on exponencial.
Ap
endice A
Tablas Estadsticas
Tabla A1 Cuantiles de la distribucion Normal
Tabla A2 Cuantiles de la distribucion chi cuadrado
Tabla A3 Cuantiles de la distribucion Binomial
Tabla A4 Cuantiles del Estadstico de Mann - Whitney
Tabla A5 Cuantiles de Kruskal Wallis
Tabla A6 Cuantiles del Test de Varianza
Tabla A7 Cuantiles del Estadstico de Spearman
Tabla A8 Cuantiles del Estadstico de Kendall
Tabla A9 Cuantiles del Estadstico de Wilcoxon
Tabla A10 Cuantiles del Estadstico de Kolmogorov
Tabla A11 Cuantiles de Lilliefors para Normalidad
154

APENDICE
A. TABLAS ESTADISTICAS
155
Tabla A12 Cuantiles de Lilliefors para la distribucion Exponencial

Tabla A13 Coeficientes del Estadstico de Shapiro Wilk
Tabla A14 Cuantiles del Estadstico de Shapiro Wilk
Tabla A15 Convertir Shapiro Wilk en una normal
Tabla A16 Cuantiles del test de Smirnov para 2 muestras con igual tama
no
Tabla A17 Cuantiles de Smirnov para 2 muestras con diferente tama
no
Tabla A18 Cuantiles de la distribucion t
Tabla A19 Cuantiles de la distribucion F

APENDICE
Tabla A1 Cuantiles
Z
0.00
0.01
0.0 0.500 0.504
0.1 0.540 0.544
0.2 0.579 0.583
0.3 0.618 0.622
0.4 0.655 0.659
0.5 0.692 0.695
0.6 0.726 0.729
0.7 0.758 0.761
0.8 0.788 0.791
0.9 0.816 0.819
1.0 0.841 0.844
1.1 0.864 0.867
1.2 0.885 0.887
1.3 0.903 0.905
1.4 0.919 0.921
1.5 0.933 0.935
1.6 0.945 0.946
1.7 0.955 0.956
1.8 0.964 0.965
1.9 0.971 0.972
2.0 0.977 0.978
2.1 0.982 0.983
2.2 0.986 0.986
2.3 0.989 0.990
2.4 0.992 0.992
2.5 0.994 0.994
2.6 0.995 0.996
2.7 0.997 0.997
2.8 0.997 0.998
2.9 0.998 0.998
3.0 0.999 0.999
3.1 0.999 0.999
3.2 0.999 0.999
de la distribucion Normal
0.02
0.03
0.04
0.05
0.508 0.512 0.516 0.520
0.548 0.552 0.556 0.560
0.587 0.591 0.595 0.599
0.626 0.629 0.633 0.637
0.663 0.666 0.670 0.674
0.699 0.702 0.705 0.709
0.732 0.736 0.739 0.742
0.764 0.767 0.770 0.773
0.794 0.797 0.800 0.802
0.821 0.824 0.826 0.829
0.846 0.849 0.851 0.853
0.869 0.871 0.873 0.875
0.889 0.891 0.893 0.894
0.907 0.908 0.910 0.912
0.922 0.924 0.925 0.927
0.936 0.937 0.938 0.939
0.947 0.948 0.950 0.951
0.957 0.958 0.959 0.960
0.966 0.966 0.967 0.968
0.973 0.973 0.974 0.974
0.978 0.979 0.979 0.980
0.983 0.983 0.984 0.984
0.987 0.987 0.988 0.988
0.990 0.990 0.990 0.991
0.992 0.993 0.993 0.993
0.994 0.994 0.995 0.995
0.996 0.996 0.996 0.996
0.997 0.997 0.997 0.997
0.998 0.998 0.998 0.998
0.998 0.998 0.998 0.998
0.999 0.999 0.999 0.999
0.999 0.999 0.999 0.999
0.999 0.999 0.999 0.999
156
0.06
0.524
0.564
0.603
0.641
0.677
0.712
0.745
0.776
0.805
0.832
0.855
0.877
0.896
0.913
0.928
0.941
0.952
0.961
0.969
0.975
0.980
0.985
0.988
0.991
0.993
0.995
0.996
0.997
0.998
0.999
0.999
0.999
0.999
0.07
0.528
0.568
0.606
0.644
0.681
0.716
0.749
0.779
0.808
0.834
0.858
0.879
0.898
0.915
0.929
0.942
0.953
0.962
0.969
0.976
0.981
0.985
0.988
0.991
0.993
0.995
0.996
0.997
0.998
0.999
0.999
0.999
1.000
0.08
0.532
0.571
0.610
0.648
0.684
0.719
0.752
0.782
0.811
0.837
0.860
0.881
0.900
0.916
0.931
0.943
0.954
0.963
0.970
0.976
0.981
0.985
0.989
0.991
0.993
0.995
0.996
0.997
0.998
0.999
0.999
0.999
1.000
0.09
0.536
0.575
0.614
0.652
0.688
0.722
0.755
0.785
0.813
0.839
0.862
0.883
0.902
0.918
0.932
0.944
0.955
0.963
0.971
0.977
0.982
0.986
0.989
0.992
0.994
0.995
0.996
0.997
0.998
0.999
0.999
0.999
1.000

APENDICE
Tabla A2 Cuantiles de la distribucion chi cuadrado
k
p = 0.750 0.900 0.950 0.975 0.990 0.995 0.999
1
1.323
2.706 3.841 5.024 6.635 7.879 10.83
2
2.773
4.605 5.991 7.378 9.21
10.6 13.82
3
4.108
6.251 7.815 9.348 11.34 12.84 16.27
4
5.385
7.779 9.488 11.14 13.28 14.86 18.47
5
6.626
9.236 11.07 12.83 15.09 16.75 20.51
6
7.841
10.64 12.59 14.45 16.81 18.55 22.46
7
9.037
12.02 14.07 16.01 18.48 20.28 24.32
8
10.22
13.36 15.51 17.53 20.09 21.96 26.13
9
11.39
14.68 16.92 19.02 21.67 23.59 27.88
10
12.55
15.99 18.31 20.48 23.21 25.19 29.59
11
13.7
17.28 19.68 21.92 24.73 26.76 31.26
12
14.85
18.55 21.03 23.34 26.22 28.3 32.91
13
15.98
19.81 22.36 24.74 27.69 29.82 34.53
14
17.12
21.06 23.68 26.12 29.14 31.32 36.12
15
18.25
22.31
25
27.49 30.58 32.8
37.7
16
19.37
23.54 26.3 28.85
32
34.27 39.25
17
20.49
24.77 27.59 30.19 33.41 35.72 40.79
18
21.6
25.99 28.87 31.53 34.81 37.16 42.31
19
22.72
27.2 30.14 32.85 36.19 38.58 43.82
20
23.83
28.41 31.41 34.17 37.57
40
45.32
21
24.93
29.62 32.67 35.48 38.93 41.4
46.8
22
26.04
30.81 33.92 36.78 40.29 42.8 48.27
23
27.14
32.01 35.17 38.08 41.64 44.18 49.73
24
28.24
33.2 36.42 39.37 42.98 45.56 51.18
25
29.34
34.38 37.65 40.65 44.31 46.93 52.62
26
30.43
35.56 38.89 41.92 45.64 48.29 54.05
27
31.53
36.74 40.11 43.19 46.96 49.64 55.48
28
32.62
37.92 41.34 44.46 48.28 50.99 56.89
29
33.71
39.09 42.56 45.72 49.59 52.34 58.3
30
34.8
40.26 43.77 46.98 50.89 53.67 59.7
40
45.62
51.81 55.76 59.34 63.69 66.77 73.4
50
56.33
63.17 67.5 71.42 76.15 79.49 86.66
60
66.98
74.4 79.08 83.3 88.38 91.95 99.61
70
77.58
85.53 90.53 95.02 100.4 104.2 112.3
80
88.13
96.58 101.9 106.6 112.3 116.3 124.8
90
98.65
107.6 113.1 118.1 124.1 128.3 137.2
100
109.1
118.5 124.3 129.6 135.8 140.2 149.4
Zp
0.675
1.282 1.645 1.96 2.326 2.576 3.09
q 3
2
2
Si k > 100 use la aproximaci
on Wp = k 1 9k
+ Zp 9k
157

APENDICE
Tabla A3 Cuantiles de la
n y p = 0.05 0.10
1 0
0.950
0.900
1
1.000
1.000
2 0
0.903
0.810
1
0.998
0.990
2
1.000
1.000
3 0
0.857
0.729
1
0.993
0.972
2
1.000
0.999
3
1.000
1.000
4 0
0.815
0.656
1
0.986
0.948
2
1.000
0.996
3
1.000
1.000
4
1.000
1.000
5 0
0.774
0.591
1
0.977
0.919
2
0.999
0.991
3
1.000
1.000
4
1.000
1.000
5
1.000
1.000
6 0
0.735
0.531
1
0.967
0.886
2
0.998
0.984
3
1.000
0.999
4
1.000
1.000
5
1.000
1.000
6
1.000
1.000
7 0
0.698
0.478
1
0.956
0.850
2
0.996
0.974
3
1.000
0.997
4
1.000
1.000
5
1.000
1.000
6
1.000
1.000
7
1.000
1.000
distribucion Binomial
0.15
0.20
0.30
0.850 0.800 0.700
1.000 1.000 1.000
0.723 0.640 0.490
0.978 0.960 0.910
1.000 1.000 1.000
0.614 0.512 0.343
0.939 0.896 0.784
0.997 0.992 0.973
1.000 1.000 1.000
0.522 0.410 0.240
0.891 0.819 0.652
0.988 0.973 0.916
1.000 0.998 0.992
1.000 1.000 1.000
0.444 0.328 0.168
0.835 0.737 0.528
0.973 0.942 0.837
0.998 0.993 0.969
1.000 1.000 0.998
1.000 1.000 1.000
0.377 0.262 0.118
0.777 0.655 0.420
0.953 0.901 0.744
0.994 0.983 0.930
1.000 0.998 0.989
1.000 1.000 0.999
1.000 1.000 1.000
0.321 0.210 0.082
0.717 0.577 0.329
0.926 0.852 0.647
0.988 0.967 0.874
0.999 0.995 0.971
1.000 1.000 0.996
1.000 1.000 1.000
1.000 1.000 1.000
158
0.35
0.650
1.000
0.423
0.878
1.000
0.275
0.718
0.957
1.000
0.179
0.563
0.874
0.985
1.000
0.116
0.428
0.765
0.946
0.995
1.000
0.075
0.319
0.647
0.883
0.978
0.998
1.000
0.049
0.234
0.532
0.800
0.944
0.991
0.999
1.000
0.40
0.600
1.000
0.360
0.840
1.000
0.216
0.648
0.936
1.000
0.130
0.475
0.821
0.974
1.000
0.078
0.337
0.683
0.913
0.990
1.000
0.047
0.233
0.544
0.821
0.959
0.996
1.000
0.028
0.159
0.420
0.710
0.904
0.981
0.998
1.000
0.45
0.550
1.000
0.303
0.798
1.000
0.166
0.575
0.909
1.000
0.092
0.391
0.759
0.959
1.000
0.050
0.256
0.593
0.869
0.982
1.000
0.028
0.164
0.442
0.745
0.931
0.992
1.000
0.015
0.102
0.316
0.608
0.847
0.964
0.996
1.000

APENDICE
Tabla A3 Cuantiles de la
n y p = 0.50 0.55
1 0
0.500
0.450
1
1.000
1.000
2 0
0.250
0.203
1
0.750
0.698
2
1.000
1.000
3 0
0.125
0.091
1
0.500
0.425
2
0.875
0.834
3
1.000
1.000
4 0
0.063
0.041
1
0.313
0.242
2
0.688
0.609
3
0.938
0.909
4
1.000
1.000
5 0
0.031
0.019
1
0.188
0.131
2
0.500
0.407
3
0.812
0.744
4
0.969
0.950
5
1.000
1.000
6 0
0.016
0.008
1
0.109
0.069
2
0.344
0.255
3
0.656
0.559
4
0.891
0.836
5
0.984
0.972
6
1.000
1.000
7 0
0.008
0.004
1
0.063
0.036
2
0.227
0.153
3
0.500
0.392
4
0.773
0.684
5
0.938
0.898
6
0.992
0.985
7
1.000
1.000
distribucion Binomial (
0.60
0.65
0.75
0.400 0.350 0.250
1.000 1.000 1.000
0.160 0.123 0.063
0.640 0.578 0.438
1.000 1.000 1.000
0.064 0.043 0.016
0.352 0.282 0.156
0.784 0.725 0.578
1.000 1.000 1.000
0.026 0.015 0.004
0.179 0.127 0.051
0.525 0.437 0.262
0.870 0.822 0.684
1.000 1.000 1.000
0.010 0.005 0.001
0.087 0.054 0.016
0.317 0.235 0.104
0.663 0.572 0.367
0.922 0.884 0.763
1.000 1.000 1.000
0.004 0.002 0.000
0.041 0.022 0.005
0.179 0.117 0.038
0.456 0.353 0.169
0.767 0.681 0.466
0.953 0.925 0.822
1.000 1.000 1.000
0.002 0.001 0.000
0.019 0.009 0.001
0.096 0.056 0.013
0.290 0.200 0.071
0.580 0.468 0.244
0.841 0.766 0.555
0.972 0.951 0.867
1.000 1.000 1.000
159
continuacion )
0.80
0.85
0.200 0.150
1.000 1.000
0.040 0.023
0.360 0.278
1.000 1.000
0.008 0.003
0.104 0.061
0.488 0.386
1.000 1.000
0.002 0.001
0.027 0.012
0.181 0.110
0.590 0.478
1.000 1.000
0.000 0.000
0.007 0.002
0.058 0.027
0.263 0.165
0.672 0.556
1.000 1.000
0.000 0.000
0.002 0.000
0.017 0.006
0.099 0.047
0.345 0.224
0.738 0.623
1.000 1.000
0.000 0.000
0.000 0.000
0.005 0.001
0.033 0.012
0.148 0.074
0.423 0.283
0.790 0.679
1.000 1.000
0.90
0.100
1.000
0.010
0.190
1.000
0.001
0.028
0.271
1.000
0.000
0.004
0.052
0.344
1.000
0.000
0.001
0.009
0.082
0.410
1.000
0.000
0.000
0.001
0.016
0.114
0.469
1.000
0.000
0.000
0.000
0.003
0.026
0.150
0.522
1.000
0.95
0.050
1.000
0.003
0.097
1.000
0.000
0.007
0.143
1.000
0.000
0.001
0.014
0.185
1.000
0.000
0.000
0.001
0.023
0.226
1.000
0.000
0.000
0.000
0.002
0.033
0.265
1.000
0.000
0.000
0.000
0.000
0.004
0.044
0.302
1.000

APENDICE
Tabla A3 Cuantiles de la distribucion Binomial ( continuacion )
n
y p = 0.05 0.10
0.15
0.20
0.25
0.30
0.35
8
0
0.663
0.431 0.273 0.168 0.100 0.058 0.032
1
0.943
0.813 0.657 0.503 0.367 0.255 0.169
2
0.994
0.962 0.895 0.797 0.679 0.552 0.428
3
1.000
0.995 0.979 0.944 0.886 0.806 0.706
4
1.000
1.000 0.997 0.990 0.973 0.942 0.894
5
1.000
1.000 1.000 0.999 0.996 0.989 0.975
6
1.000
1.000 1.000 1.000 1.000 0.999 0.996
7
1.000
1.000 1.000 1.000 1.000 1.000 1.000
8
1.000
1.000 1.000 1.000 1.000 1.000 1.000
9
0
0.630
0.387 0.232 0.134 0.075 0.040 0.021
1
0.929
0.775 0.600 0.436 0.300 0.196 0.121
2
0.992
0.947 0.859 0.738 0.601 0.463 0.337
3
0.999
0.992 0.966 0.914 0.834 0.730 0.609
4
1.000
0.999 0.994 0.980 0.951 0.901 0.828
5
1.000
1.000 0.999 0.997 0.990 0.975 0.946
6
1.000
1.000 1.000 1.000 0.999 0.996 0.989
7
1.000
1.000 1.000 1.000 1.000 1.000 0.999
8
1.000
1.000 1.000 1.000 1.000 1.000 1.000
9
1.000
1.000 1.000 1.000 1.000 1.000 1.000
10 0
0.599
0.349 0.197 0.107 0.056 0.028 0.014
1
0.914
0.736 0.544 0.376 0.244 0.149 0.086
2
0.989
0.930 0.820 0.678 0.526 0.383 0.262
3
0.999
0.987 0.950 0.879 0.776 0.650 0.514
4
1.000
0.998 0.990 0.967 0.922 0.850 0.752
5
1.000
1.000 0.999 0.994 0.980 0.953 0.905
6
1.000
1.000 1.000 0.999 0.997 0.989 0.974
7
1.000
1.000 1.000 1.000 1.000 0.998 0.995
8
1.000
1.000 1.000 1.000 1.000 1.000 1.000
9
1.000
1.000 1.000 1.000 1.000 1.000 1.000
10
1.000
1.000 1.000 1.000 1.000 1.000 1.000
160
0.40
0.017
0.106
0.315
0.594
0.826
0.950
0.992
0.999
1.000
0.010
0.071
0.232
0.483
0.733
0.901
0.975
0.996
1.000
1.000
0.006
0.046
0.167
0.382
0.633
0.834
0.945
0.988
0.998
1.000
1.000
0.45
0.008
0.063
0.220
0.477
0.740
0.912
0.982
0.998
1.000
0.005
0.039
0.150
0.361
0.621
0.834
0.950
0.991
0.999
1.000
0.003
0.023
0.100
0.266
0.504
0.738
0.898
0.973
0.996
1.000
1.000

APENDICE
Tabla A3
n
y
8
0
1
2
3
4
5
6
7
8
9
0
1
2
3
4
5
6
7
8
9
10 0
1
2
3
4
5
6
7
8
9
10
Cuantiles de la
0.50
0.55
0.004 0.002
0.035 0.018
0.145 0.089
0.363 0.260
0.637 0.523
0.856 0.780
0.965 0.937
0.996 0.992
1.000 1.000
0.002 0.001
0.020 0.009
0.090 0.050
0.254 0.166
0.500 0.379
0.746 0.639
0.910 0.851
0.981 0.962
0.998 0.995
1.000 1.000
0.001 0.000
0.011 0.005
0.055 0.027
0.172 0.102
0.377 0.262
0.623 0.496
0.828 0.734
0.945 0.900
0.989 0.977
0.999 0.998
1.000 1.000
distribucion Binomial continuacion

0.60
0.65
0.70
0.75
0.80
0.001 0.000 0.000 0.000 0.000
0.009 0.004 0.001 0.000 0.000
0.050 0.025 0.011 0.004 0.001
0.174 0.106 0.058 0.027 0.010
0.406 0.294 0.194 0.114 0.056
0.685 0.572 0.448 0.322 0.203
0.894 0.831 0.745 0.633 0.497
0.983 0.968 0.942 0.900 0.832
1.000 1.000 1.000 1.000 1.000
0.000 0.000 0.000 0.000 0.000
0.004 0.001 0.000 0.000 0.000
0.025 0.011 0.004 0.001 0.000
0.099 0.054 0.025 0.010 0.003
0.267 0.172 0.099 0.049 0.020
0.517 0.391 0.270 0.166 0.086
0.768 0.663 0.537 0.399 0.262
0.930 0.879 0.804 0.700 0.564
0.990 0.979 0.960 0.925 0.866
1.000 1.000 1.000 1.000 1.000
0.000 0.000 0.000 0.000 0.000
0.002 0.001 0.000 0.000 0.000
0.012 0.005 0.002 0.000 0.000
0.055 0.026 0.011 0.004 0.001
0.166 0.095 0.047 0.020 0.006
0.367 0.249 0.150 0.078 0.033
0.618 0.486 0.350 0.224 0.121
0.833 0.738 0.617 0.474 0.322
0.954 0.914 0.851 0.756 0.624
0.994 0.987 0.972 0.944 0.893
1.000 1.000 1.000 1.000 1.000
161
0.85
0.000
0.000
0.000
0.003
0.021
0.105
0.343
0.728
1.000
0.000
0.000
0.000
0.001
0.006
0.034
0.141
0.401
0.768
1.000
0.000
0.000
0.000
0.000
0.001
0.010
0.050
0.180
0.456
0.803
1.000
0.90
0.000
0.000
0.000
0.000
0.005
0.038
0.187
0.570
1.000
0.000
0.000
0.000
0.000
0.001
0.008
0.053
0.225
0.613
1.000
0.000
0.000
0.000
0.000
0.000
0.002
0.013
0.070
0.264
0.651
1.000
0.95
0.000
0.000
0.000
0.000
0.000
0.006
0.057
0.337
1.000
0.000
0.000
0.000
0.000
0.000
0.001
0.008
0.071
0.370
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.012
0.086
0.401
1.000

APENDICE
n
y p = 0.05 0.10
0.15
0.20
0.25
0.30
0.35
11 0
0.569
0.314 0.167 0.086 0.042 0.020 0.009
1
0.898
0.697 0.492 0.322 0.197 0.113 0.061
2
0.985
0.910 0.779 0.617 0.455 0.313 0.200
3
0.998
0.982 0.931 0.839 0.713 0.570 0.426
4
1.000
0.997 0.984 0.950 0.885 0.790 0.668
5
1.000
1.000 0.997 0.988 0.966 0.922 0.851
6
1.000
1.000 1.000 0.998 0.992 0.978 0.950
7
1.000
1.000 1.000 1.000 0.999 0.996 0.988
8
1.000
1.000 1.000 1.000 1.000 0.999 0.998
9
1.000
1.000 1.000 1.000 1.000 1.000 1.000
10
1.000
1.000 1.000 1.000 1.000 1.000 1.000
11
1.000
1.000 1.000 1.000 1.000 1.000 1.000
12 0
0.540
0.282 0.142 0.069 0.032 0.014 0.006
1
0.882
0.659 0.444 0.275 0.158 0.085 0.042
2
0.980
0.889 0.736 0.558 0.391 0.253 0.151
3
0.998
0.974 0.908 0.795 0.649 0.493 0.347
4
1.000
0.996 0.976 0.927 0.842 0.724 0.583
5
1.000
1.000 0.995 0.981 0.946 0.882 0.787
6
1.000
1.000 0.999 0.996 0.986 0.961 0.915
7
1.000
1.000 1.000 0.999 0.997 0.991 0.975
8
1.000
1.000 1.000 1.000 1.000 0.998 0.994
9
1.000
1.000 1.000 1.000 1.000 1.000 0.999
10
1.000
1.000 1.000 1.000 1.000 1.000 1.000
11
1.000
1.000 1.000 1.000 1.000 1.000 1.000
12
1.000
1.000 1.000 1.000 1.000 1.000 1.000
162
0.40
0.004
0.030
0.119
0.296
0.533
0.754
0.901
0.971
0.994
0.999
1.000
1.000
0.002
0.020
0.083
0.225
0.438
0.665
0.842
0.943
0.985
0.997
1.000
1.000
1.000
0.45
0.001
0.014
0.065
0.191
0.397
0.633
0.826
0.939
0.985
0.998
1.000
1.000
0.001
0.008
0.042
0.135
0.304
0.527
0.739
0.888
0.964
0.992
0.999
1.000
1.000

APENDICE
Tabla A3 Cuantiles de la distribucion Binomial continuacion
n
y p = 0.50 0.55
0.60
0.65
0.70
0.75
0.80
11 0
0.001
0.000 0.000 0.000 0.000 0.000 0.000
1
0.006
0.002 0.001 0.000 0.000 0.000 0.000
2
0.033
0.015 0.006 0.002 0.001 0.000 0.000
3
0.113
0.061 0.029 0.012 0.004 0.001 0.000
4
0.274
0.174 0.099 0.050 0.022 0.008 0.002
5
0.500
0.367 0.247 0.149 0.078 0.034 0.012
6
0.726
0.603 0.467 0.332 0.210 0.115 0.050
7
0.887
0.809 0.704 0.574 0.430 0.287 0.161
8
0.967
0.935 0.881 0.800 0.687 0.545 0.383
9
0.994
0.986 0.970 0.939 0.887 0.803 0.678
10
1.000
0.999 0.996 0.991 0.980 0.958 0.914
11
1.000
1.000 1.000 1.000 1.000 1.000 1.000
12 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000
1
0.003
0.001 0.000 0.000 0.000 0.000 0.000
2
0.019
0.008 0.003 0.001 0.000 0.000 0.000
3
0.073
0.036 0.015 0.006 0.002 0.000 0.000
4
0.194
0.112 0.057 0.026 0.010 0.003 0.001
5
0.387
0.261 0.158 0.085 0.039 0.014 0.004
6
0.613
0.473 0.335 0.213 0.118 0.054 0.019
7
0.806
0.696 0.562 0.417 0.276 0.158 0.073
8
0.927
0.866 0.775 0.653 0.508 0.351 0.205
9
0.981
0.958 0.917 0.849 0.747 0.609 0.442
10
0.997
0.992 0.980 0.958 0.915 0.842 0.725
11
1.000
0.999 0.998 0.994 0.986 0.968 0.931
12
1.000
1.000 1.000 1.000 1.000 1.000 1.000
163
0.85
0.000
0.000
0.000
0.000
0.000
0.003
0.016
0.069
0.221
0.508
0.833
1.000
0.000
0.000
0.000
0.000
0.000
0.001
0.005
0.024
0.092
0.264
0.557
0.858
1.000
0.90
0.000
0.000
0.000
0.000
0.000
0.000
0.003
0.019
0.090
0.303
0.686
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.004
0.026
0.111
0.341
0.718
1.000
0.95
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.015
0.102
0.431
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.002
0.020
0.118
0.460
1.000

APENDICE
n
y p = 0.05 0.10
0.15
0.20
0.25
0.30
0.35
13 0
0.513
0.254 0.121 0.055 0.024 0.010 0.004
1
0.865
0.621 0.398 0.234 0.127 0.064 0.030
2
0.976
0.866 0.692 0.502 0.333 0.203 0.113
3
0.997
0.966 0.882 0.747 0.584 0.421 0.278
4
1.000
0.994 0.966 0.901 0.794 0.654 0.501
5
1.000
0.999 0.993 0.970 0.920 0.835 0.716
6
1.000
1.000 0.999 0.993 0.976 0.938 0.871
7
1.000
1.000 1.000 0.999 0.994 0.982 0.954
8
1.000
1.000 1.000 1.000 0.999 0.996 0.987
9
1.000
1.000 1.000 1.000 1.000 0.999 0.998
10
1.000
1.000 1.000 1.000 1.000 1.000 1.000
11
1.000
1.000 1.000 1.000 1.000 1.000 1.000
12
1.000
1.000 1.000 1.000 1.000 1.000 1.000
13
1.000
1.000 1.000 1.000 1.000 1.000 1.000
14 0
0.488
0.229 0.103 0.044 0.018 0.007 0.002
1
0.847
0.585 0.357 0.198 0.101 0.048 0.021
2
0.970
0.842 0.648 0.448 0.281 0.161 0.084
3
0.996
0.956 0.854 0.698 0.521 0.355 0.221
4
1.000
0.991 0.953 0.870 0.742 0.584 0.423
5
1.000
0.999 0.989 0.956 0.888 0.781 0.641
6
1.000
1.000 0.998 0.988 0.962 0.907 0.816
7
1.000
1.000 1.000 0.998 0.990 0.969 0.925
8
1.000
1.000 1.000 1.000 0.998 0.992 0.976
9
1.000
1.000 1.000 1.000 1.000 0.998 0.994
10
1.000
1.000 1.000 1.000 1.000 1.000 0.999
11
1.000
1.000 1.000 1.000 1.000 1.000 1.000
12
1.000
1.000 1.000 1.000 1.000 1.000 1.000
13
1.000
1.000 1.000 1.000 1.000 1.000 1.000
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
164
0.40
0.001
0.013
0.058
0.169
0.353
0.574
0.771
0.902
0.968
0.992
0.999
1.000
1.000
1.000
0.001
0.008
0.040
0.124
0.279
0.486
0.693
0.850
0.942
0.983
0.996
0.999
1.000
1.000
1.000
0.45
0.000
0.005
0.027
0.093
0.228
0.427
0.644
0.821
0.930
0.980
0.996
1.000
1.000
1.000
0.000
0.003
0.017
0.063
0.167
0.337
0.546
0.741
0.881
0.957
0.989
0.998
1.000
1.000
1.000

APENDICE
n
y p = 0.50 0.55
0.60
0.65
0.70
0.75
0.80
13 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000
1
0.002
0.001 0.000 0.000 0.000 0.000 0.000
2
0.011
0.004 0.001 0.000 0.000 0.000 0.000
3
0.046
0.020 0.008 0.003 0.001 0.000 0.000
4
0.133
0.070 0.032 0.013 0.004 0.001 0.000
5
0.291
0.179 0.098 0.046 0.018 0.006 0.001
6
0.500
0.356 0.229 0.130 0.062 0.024 0.007
7
0.710
0.573 0.426 0.284 0.165 0.080 0.030
8
0.867
0.772 0.647 0.500 0.346 0.206 0.099
9
0.954
0.907 0.831 0.722 0.579 0.416 0.253
10
0.989
0.973 0.942 0.887 0.798 0.667 0.498
11
0.998
0.995 0.987 0.970 0.936 0.873 0.766
12
1.000
1.000 0.999 0.996 0.990 0.976 0.945
13
1.000
1.000 1.000 1.000 1.000 1.000 1.000
14 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000
1
0.001
0.000 0.000 0.000 0.000 0.000 0.000
2
0.007
0.002 0.001 0.000 0.000 0.000 0.000
3
0.029
0.011 0.004 0.001 0.000 0.000 0.000
4
0.090
0.043 0.018 0.006 0.002 0.000 0.000
5
0.212
0.119 0.058 0.024 0.008 0.002 0.000
6
0.395
0.259 0.150 0.075 0.032 0.010 0.002
7
0.605
0.454 0.308 0.184 0.093 0.038 0.012
8
0.788
0.663 0.514 0.360 0.220 0.112 0.044
9
0.910
0.833 0.721 0.577 0.416 0.259 0.130
10
0.971
0.937 0.876 0.780 0.645 0.479 0.302
11
0.994
0.983 0.960 0.916 0.839 0.719 0.552
12
0.999
0.997 0.992 0.980 0.953 0.899 0.802
13
1.000
1.000 0.999 0.998 0.993 0.982 0.956
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
165
0.85
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.008
0.034
0.118
0.308
0.602
0.879
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.012
0.047
0.147
0.352
0.643
0.897
1.000
0.90
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.007
0.034
0.134
0.379
0.746
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.009
0.044
0.158
0.415
0.771
1.000
0.95
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.003
0.025
0.135
0.487
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.004
0.030
0.153
0.512
1.000

APENDICE
n
y p = 0.05 0.10
0.15
0.20
0.25
0.30
0.35
15 0
0.463
0.206 0.087 0.035 0.013 0.005 0.002
1
0.829
0.549 0.319 0.167 0.080 0.035 0.014
2
0.964
0.816 0.604 0.398 0.236 0.127 0.062
3
0.995
0.944 0.823 0.648 0.461 0.297 0.173
4
0.999
0.987 0.938 0.836 0.687 0.516 0.352
5
1.000
0.998 0.983 0.939 0.852 0.722 0.564
6
1.000
1.000 0.996 0.982 0.943 0.869 0.755
7
1.000
1.000 0.999 0.996 0.983 0.950 0.887
8
1.000
1.000 1.000 0.999 0.996 0.985 0.958
9
1.000
1.000 1.000 1.000 0.999 0.996 0.988
10
1.000
1.000 1.000 1.000 1.000 0.999 0.997
11
1.000
1.000 1.000 1.000 1.000 1.000 1.000
12
1.000
1.000 1.000 1.000 1.000 1.000 1.000
13
1.000
1.000 1.000 1.000 1.000 1.000 1.000
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
15
1.000
1.000 1.000 1.000 1.000 1.000 1.000
16 0
0.440
0.185 0.074 0.028 0.010 0.003 0.001
1
0.811
0.515 0.284 0.141 0.064 0.026 0.010
2
0.957
0.789 0.561 0.352 0.197 0.099 0.045
3
0.993
0.932 0.790 0.598 0.405 0.246 0.134
4
0.999
0.983 0.921 0.798 0.630 0.450 0.289
5
1.000
0.997 0.977 0.918 0.810 0.660 0.490
6
1.000
1.000 0.994 0.973 0.920 0.825 0.688
7
1.000
1.000 0.999 0.993 0.973 0.926 0.841
8
1.000
1.000 1.000 0.999 0.993 0.974 0.933
9
1.000
1.000 1.000 1.000 0.998 0.993 0.977
10
1.000
1.000 1.000 1.000 1.000 0.998 0.994
11
1.000
1.000 1.000 1.000 1.000 1.000 0.999
12
1.000
1.000 1.000 1.000 1.000 1.000 1.000
13
1.000
1.000 1.000 1.000 1.000 1.000 1.000
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
15
1.000
1.000 1.000 1.000 1.000 1.000 1.000
16
1.000
1.000 1.000 1.000 1.000 1.000 1.000
166
0.40
0.001
0.005
0.027
0.091
0.217
0.403
0.610
0.787
0.905
0.966
0.991
0.998
1.000
1.000
1.000
1.000
0.000
0.003
0.018
0.065
0.167
0.329
0.527
0.716
0.858
0.942
0.981
0.995
0.999
1.000
1.000
1.000
1.000
0.45
0.000
0.002
0.011
0.042
0.120
0.261
0.452
0.654
0.818
0.923
0.975
0.994
0.999
1.000
1.000
1.000
0.000
0.001
0.007
0.028
0.085
0.198
0.366
0.563
0.744
0.876
0.951
0.985
0.997
0.999
1.000
1.000
1.000

APENDICE
n
y p = 0.50 0.55
0.60
0.65
0.70
0.75
0.80
15 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000
1
0.001
0.000 0.000 0.000 0.000 0.000 0.000
2
0.004
0.001 0.000 0.000 0.000 0.000 0.000
3
0.018
0.006 0.002 0.001 0.000 0.000 0.000
4
0.059
0.026 0.009 0.003 0.001 0.000 0.000
5
0.151
0.077 0.034 0.012 0.004 0.001 0.000
6
0.304
0.182 0.095 0.042 0.015 0.004 0.001
7
0.500
0.347 0.213 0.113 0.050 0.017 0.004
8
0.696
0.548 0.390 0.245 0.131 0.057 0.018
9
0.849
0.739 0.597 0.436 0.278 0.148 0.061
10
0.941
0.880 0.783 0.648 0.485 0.314 0.164
11
0.982
0.958 0.910 0.827 0.703 0.539 0.352
12
0.996
0.989 0.973 0.938 0.873 0.764 0.602
13
1.000
0.998 0.995 0.986 0.965 0.920 0.833
14
1.000
1.000 1.000 0.998 0.995 0.987 0.965
15
1.000
1.000 1.000 1.000 1.000 1.000 1.000
16 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000
1
0.000
0.000 0.000 0.000 0.000 0.000 0.000
2
0.002
0.001 0.000 0.000 0.000 0.000 0.000
3
0.011
0.004 0.001 0.000 0.000 0.000 0.000
4
0.038
0.015 0.005 0.001 0.000 0.000 0.000
5
0.105
0.049 0.019 0.006 0.002 0.000 0.000
6
0.227
0.124 0.058 0.023 0.007 0.002 0.000
7
0.402
0.256 0.142 0.067 0.026 0.008 0.002
8
0.598
0.437 0.284 0.159 0.074 0.027 0.007
9
0.773
0.634 0.473 0.312 0.175 0.080 0.027
10
0.895
0.802 0.671 0.510 0.340 0.190 0.082
11
0.962
0.915 0.833 0.711 0.550 0.370 0.202
12
0.989
0.972 0.935 0.866 0.754 0.595 0.402
13
0.998
0.993 0.982 0.955 0.901 0.803 0.648
14
1.000
0.999 0.997 0.990 0.974 0.937 0.859
15
1.000
1.000 1.000 0.999 0.997 0.990 0.972
16
1.000
1.000 1.000 1.000 1.000 1.000 1.000
167
0.85
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.004
0.017
0.062
0.177
0.396
0.681
0.913
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.006
0.024
0.079
0.210
0.439
0.716
0.926
1.000
0.90
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.013
0.056
0.184
0.451
0.794
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.003
0.017
0.068
0.211
0.485
0.815
1.000
0.95
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.006
0.036
0.171
0.537
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.007
0.043
0.189
0.560
1.000

APENDICE
n
y p = 0.05 0.10
0.15
0.20
0.25
0.30
0.35
17 0
0.418
0.167 0.063 0.023 0.008 0.002 0.001
1
0.792
0.482 0.253 0.118 0.050 0.019 0.007
2
0.950
0.762 0.520 0.310 0.164 0.077 0.033
3
0.991
0.917 0.756 0.549 0.353 0.202 0.103
4
0.999
0.978 0.901 0.758 0.574 0.389 0.235
5
1.000
0.995 0.968 0.894 0.765 0.597 0.420
6
1.000
0.999 0.992 0.962 0.893 0.775 0.619
7
1.000
1.000 0.998 0.989 0.960 0.895 0.787
8
1.000
1.000 1.000 0.997 0.988 0.960 0.901
9
1.000
1.000 1.000 1.000 0.997 0.987 0.962
10
1.000
1.000 1.000 1.000 0.999 0.997 0.988
11
1.000
1.000 1.000 1.000 1.000 0.999 0.997
12
1.000
1.000 1.000 1.000 1.000 1.000 0.999
13
1.000
1.000 1.000 1.000 1.000 1.000 1.000
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
15
1.000
1.000 1.000 1.000 1.000 1.000 1.000
16
1.000
1.000 1.000 1.000 1.000 1.000 1.000
17
1.000
1.000 1.000 1.000 1.000 1.000 1.000
18 0
0.397
1.150 0.054 0.018 0.006 0.002 0.000
1
0.774
0.450 0.224 0.099 0.040 0.014 0.005
2
0.942
0.734 0.480 0.271 0.135 0.060 0.024
3
0.989
0.902 0.720 0.501 0.306 0.165 0.078
4
0.999
0.972 0.879 0.716 0.519 0.333 0.189
5
1.000
0.994 0.958 0.867 0.718 0.534 0.355
6
1.000
0.999 0.988 0.949 0.861 0.722 0.549
7
1.000
1.000 0.997 0.984 0.943 0.859 0.728
8
1.000
1.000 1.000 0.996 0.981 0.940 0.861
9
1.000
1.000 1.000 0.999 0.995 0.979 0.940
10
1.000
1.000 1.000 1.000 0.999 0.994 0.979
11
1.000
1.000 1.000 1.000 1.000 0.999 0.994
12
1.000
1.000 1.000 1.000 1.000 1.000 0.999
13
1.000
1.000 1.000 1.000 1.000 1.000 1.000
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
15
1.000
1.000 1.000 1.000 1.000 1.000 1.000
16
1.000
1.000 1.000 1.000 1.000 1.000 1.000
17
1.000
1.000 1.000 1.000 1.000 1.000 1.000
18
1.000
1.000 1.000 1.000 1.000 1.000 1.000
168
0.40
0.000
0.002
0.012
0.046
0.126
0.264
0.448
0.641
0.801
0.908
0.965
0.989
0.998
1.000
1.000
1.000
1.000
1.000
0.000
0.001
0.008
0.033
0.094
0.209
0.374
0.563
0.737
0.865
0.942
0.980
0.994
0.999
1.000
1.000
1.000
1.000
1.000
0.45
0.000
0.001
0.004
0.018
0.060
0.147
0.290
0.474
0.663
0.817
0.917
0.970
0.991
0.998
1.000
1.000
1.000
1.000
0.000
0.000
0.003
0.012
0.041
0.108
0.226
0.392
0.578
0.747
0.872
0.946
0.982
0.995
0.999
1.000
1.000
1.000
1.000

APENDICE
n
y p = 0.50 0.55
0.60
0.65
0.70
0.75
0.80
17 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000
1
0.000
0.000 0.000 0.000 0.000 0.000 0.000
2
0.001
0.000 0.000 0.000 0.000 0.000 0.000
3
0.006
0.002 0.001 0.000 0.000 0.000 0.000
4
0.025
0.009 0.003 0.001 0.000 0.000 0.000
5
0.072
0.030 0.011 0.003 0.001 0.000 0.000
6
0.166
0.083 0.035 0.012 0.003 0.001 0.000
7
0.315
0.183 0.092 0.038 0.013 0.003 0.001
8
0.500
0.337 0.199 0.099 0.040 0.012 0.003
9
0.686
0.526 0.360 0.213 0.105 0.040 0.011
10
0.834
0.710 0.552 0.381 0.225 0.107 0.038
11
0.928
0.853 0.736 0.580 0.403 0.235 0.106
12
0.976
0.940 0.874 0.765 0.611 0.426 0.242
13
0.994
0.982 0.954 0.897 0.798 0.647 0.451
14
0.999
0.996 0.988 0.967 0.923 0.836 0.690
15
1.000
0.999 0.998 0.993 0.981 0.950 0.882
16
1.000
1.000 1.000 0.999 0.998 0.993 0.978
17
1.000
1.000 1.000 1.000 1.000 1.000 1.000
18 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000
1
0.000
0.000 0.000 0.000 0.000 0.000 0.000
2
0.001
0.000 0.000 0.000 0.000 0.000 0.000
3
0.004
0.001 0.000 0.000 0.000 0.000 0.000
4
0.015
0.005 0.001 0.000 0.000 0.000 0.000
5
0.048
0.018 0.006 0.001 0.000 0.000 0.000
6
0.119
0.054 0.020 0.006 0.001 0.000 0.000
7
0.240
0.128 0.058 0.021 0.006 0.001 0.000
8
0.407
0.253 0.135 0.060 0.021 0.005 0.001
9
0.593
0.422 0.263 0.139 0.060 0.019 0.004
10
0.760
0.609 0.437 0.272 0.141 0.057 0.016
11
0.881
0.774 0.626 0.451 0.278 0.139 0.051
12
0.952
0.892 0.791 0.645 0.466 0.2825 0.133
13
0.985
0.959 0.906 0.811 0.667 0.4813 0.284
14
0.996
0.988 0.967 0.922 0.835 0.6943 0.499
15
0.999
0.998 0.992 0.976 0.940 0.8647 0.729
16
1.000
1.000 0.999 0.995 0.986 0.9605 0.901
17
1.000
1.000 1.000 1.000 0.998 0.9944 0.982
18
1.000
1.000 1.000 1.000 1.000 1.000 1.000
169
0.85
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.008
0.032
0.099
0.244
0.480
0.748
0.937
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.003
0.012
0.042
0.121
0.280
0.520
0.776
0.946
1.000
0.90
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.005
0.022
0.083
0.238
0.518
0.833
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.006
0.028
0.098
0.266
0.550
0.850
1.000
0.95
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.009
0.050
0.208
0.582
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.011
0.058
0.227
0.603
1.000

APENDICE
n
y p = 0.05 0.10
0.15
0.20
0.25
0.30
0.35
19 0
0.377
0.135 0.046 0.014 0.004 0.001 0.000
1
0.755
0.420 0.199 0.083 0.031 0.010 0.003
2
0.934
0.705 0.441 0.237 0.111 0.046 0.017
3
0.987
0.885 0.684 0.455 0.263 0.133 0.059
4
0.998
0.965 0.856 0.673 0.465 0.282 0.150
5
1.000
0.991 0.946 0.837 0.668 0.474 0.297
6
1.000
0.998 0.984 0.932 0.825 0.666 0.481
7
1.000
1.000 0.996 0.977 0.923 0.818 0.666
8
1.000
1.000 0.999 0.993 0.971 0.916 0.815
9
1.000
1.000 1.000 0.998 0.991 0.967 0.913
10
1.000
1.000 1.000 1.000 0.998 0.990 0.965
11
1.000
1.000 1.000 1.000 1.000 0.997 0.989
12
1.000
1.000 1.000 1.000 1.000 0.999 0.997
13
1.000
1.000 1.000 1.000 1.000 1.000 0.999
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
15
1.000
1.000 1.000 1.000 1.000 1.000 1.000
16
1.000
1.000 1.000 1.000 1.000 1.000 1.000
17
1.000
1.000 1.000 1.000 1.000 1.000 1.000
18
1.000
1.000 1.000 1.000 1.000 1.000 1.000
19
1.000
1.000 1.000 1.000 1.000 1.000 1.000
20 0
0.359
0.122 0.039 0.012 0.003 0.001 0.000
1
0.736
0.392 0.176 0.069 0.024 0.008 0.002
2
0.925
0.677 0.405 0.206 0.091 0.036 0.012
3
0.984
0.867 0.648 0.411 0.225 0.107 0.044
4
0.997
0.957 0.830 0.630 0.415 0.238 0.118
5
1.000
0.989 0.933 0.804 0.617 0.416 0.245
6
1.000
0.998 0.978 0.913 0.786 0.608 0.417
7
1.000
1.000 0.994 0.968 0.898 0.772 0.601
8
1.000
1.000 0.999 0.990 0.959 0.887 0.762
9
1.000
1.000 1.000 0.997 0.986 0.952 0.878
10
1.000
1.000 1.000 0.999 0.996 0.983 0.947
11
1.000
1.000 1.000 1.000 0.999 0.995 0.980
12
1.000
1.000 1.000 1.000 1.000 0.999 0.994
13
1.000
1.000 1.000 1.000 1.000 1.000 0.999
14
1.000
1.000 1.000 1.000 1.000 1.000 1.000
15
1.000
1.000 1.000 1.000 1.000 1.000 1.000
16
1.000
1.000 1.000 1.000 1.000 1.000 1.000
17
1.000
1.000 1.000 1.000 1.000 1.000 1.000
18
1.000
1.000 1.000 1.000 1.000 1.000 1.000
19
1.000
1.000 1.000 1.000 1.000 1.000 1.000
20
1.000
1.000 1.000 1.000 1.000 1.000 1.000
170
0.40
0.000
0.001
0.006
0.023
0.070
0.163
0.308
0.488
0.668
0.814
0.912
0.965
0.988
0.997
0.999
1.000
1.000
1.000
1.000
1.000
0.000
0.001
0.004
0.016
0.051
0.126
0.250
0.416
0.596
0.755
0.873
0.944
0.979
0.994
0.998
1.000
1.000
1.000
1.000
1.000
1.000
0.45
0.000
0.000
0.002
0.008
0.028
0.078
0.173
0.317
0.494
0.671
0.816
0.913
0.966
0.989
0.997
1.000
1.000
1.000
1.000
1.000
0.000
0.000
0.001
0.005
0.019
0.055
0.130
0.252
0.414
0.591
0.751
0.869
0.942
0.979
0.994
0.999
1.000
1.000
1.000
1.000
1.000

APENDICE
n
y p = 0.50 0.55
0.60
0.65
0.70
0.75
0.80
0.85
19 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000
1
0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000
2
0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000
3
0.002
0.001 0.000 0.000 0.000 0.000 0.000 0.000
4
0.010
0.003 0.001 0.000 0.000 0.000 0.000 0.000
5
0.032
0.011 0.003 0.001 0.000 0.000 0.000 0.000
6
0.084
0.034 0.012 0.003 0.001 0.000 0.000 0.000
7
0.180
0.087 0.035 0.011 0.003 0.001 0.000 0.000
8
0.324
0.184 0.089 0.035 0.011 0.002 0.000 0.000
9
0.500
0.329 0.186 0.088 0.033 0.009 0.002 0.000
10
0.676
0.506 0.333 0.186 0.084 0.029 0.007 0.001
11
0.820
0.683 0.512 0.334 0.182 0.078 0.023 0.004
12
0.917
0.827 0.692 0.519 0.335 0.175 0.068 0.016
13
0.968
0.922 0.837 0.703 0.526 0.332 0.163 0.054
14
0.990
0.972 0.930 0.850 0.718 0.535 0.327 0.144
15
0.998
0.992 0.977 0.941 0.867 0.737 0.545 0.316
16
1.000
0.999 0.995 0.983 0.954 0.889 0.763 0.559
17
1.000
1.000 0.999 0.997 0.990 0.969 0.917 0.802
18
1.000
1.000 1.000 1.000 0.999 0.996 0.986 0.954
19
1.000
1.000 1.000 1.000 1.000 1.000 1.000 1.000
20 0
0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000
1
0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000
2
0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000
3
0.001
0.000 0.000 0.000 0.000 0.000 0.000 0.000
4
0.006
0.002 0.000 0.000 0.000 0.000 0.000 0.000
5
0.021
0.006 0.002 0.000 0.000 0.000 0.000 0.000
6
0.058
0.021 0.007 0.002 0.000 0.000 0.000 0.000
7
0.132
0.058 0.021 0.006 0.001 0.000 0.000 0.000
8
0.252
0.131 0.057 0.020 0.005 0.001 0.000 0.000
9
0.412
0.249 0.128 0.053 0.017 0.004 0.001 0.000
10
0.588
0.409 0.245 0.122 0.048 0.014 0.003 0.000
11
0.748
0.586 0.404 0.238 0.113 0.041 0.010 0.001
12
0.868
0.748 0.584 0.399 0.228 0.102 0.032 0.006
13
0.942
0.870 0.750 0.583 0.392 0.214 0.087 0.022
14
0.979
0.945 0.874 0.755 0.584 0.383 0.196 0.067
15
0.994
0.981 0.949 0.882 0.763 0.585 0.370 0.170
16
0.999
0.995 0.984 0.956 0.893 0.775 0.589 0.352
17
1.000
0.999 0.996 0.988 0.965 0.909 0.794 0.595
18
1.000
1.000 1.000 0.998 0.992 0.976 0.931 0.824
19
1.000
1.000 1.000 1.000 0.999 0.997 0.989 0.961
20
1.000
1.000 1.000 1.000 1.000 1.000 1.000 1.000
Si Y b(n, p), con n > 20, el cuantil r de Y se puede aproximar con:
p
Yr = np + Zr np(1 p), donde Zr es el cuantil r de la normal estandar
171
0.90
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.009
0.035
0.115
0.295
0.580
0.865
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.011
0.043
0.133
0.323
0.608
0.878
1.000
0.95
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.002
0.013
0.067
0.245
0.623
1.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.003
0.016
0.076
0.264
0.642
1.000

APENDICE
Tabla A4 Cuantiles
n
p
m=2
0.001
3
0.005
3
0.01
3
2 0.025
3
0.05
3
0.10
3
0.001
6
0.005
6
0.01
6
3 0.025
6
0.05
6
0.10
7
0.001
10
0.005
10
0.01
10
4 0.025
10
0.05
10
0.10
11
0.001
15
0.005
15
0.01
15
5 0.025
15
0.05
16
0.10
17
0.001
21
0.005
21
0.01
21
6 0.025
21
0.05
22
0.10
23
0.001
28
0.005
28
0.01
28
7 0.025
28
0.05
29
0.10
30
del Estadstico
3
4
5
3
3
3
3
3
3
3
3
3
3
3
3
3
3
4
4
4
5
6
6
6
6
6
6
6
6
6
6
6
7
7
7
8
8
8
9
10 10 10
10 10 10
10 10 11
10 11 12
11 12 13
12 14 15
15 15 15
15 15 16
15 16 17
16 17 18
17 18 20
18 20 21
21 21 21
21 22 23
21 23 24
23 24 25
24 25 27
25 27 29
28 28 28
28 29 30
29 30 32
30 32 34
31 33 35
33 35 37
de Mann
6
7
3
3
3
3
3
3
3
3
4
4
5
5
6
6
6
6
6
7
8
8
9
9
10 11
10 10
11 11
12 12
13 14
14 15
16 17
5 15
17 17
18 19
19 21
21 22
23 24
21 21
24 25
25 26
27 28
29 30
31 33
29 30
32 33
33 35
35 37
37 40
40 42
172
- Whitney
8
9 10
3
3
3
3
3
3
3
3
3
4
4
4
5
5
5
6
6
7
6
6
6
6
7
7
7
8
8
9
9 10
10 11 11
12 12 13
10 10 11
12 12 13
13 14 14
15 15 16
16 17 18
18 20 21
16 17 17
18 19 20
20 21 22
22 23 24
24 25 27
26 28 29
23 24 25
26 27 28
28 29 30
30 32 33
32 34 36
35 37 39
31 32 34
35 36 38
36 38 40
39 41 43
42 44 46
45 47 50
11
3
3
3
5
5
7
6
7
8
10
12
14
11
13
15
17
19
22
18
21
23
25
28
31
26
29
31
35
38
41
35
39
41
45
48
52

APENDICE
Tabla A4 Cuantiles del Estadstico
n
p
m = 12 13 14 15
0.001
3
3
3
3
0.005
3
3
3
3
0.01
3
4
4
4
2 0.025
5
5
5
5
0.05
6
6
7
7
0.10
8
8
8
9
0.001
6
6
6
6
0.005
8
8
8
9
0.01
9
9
9 10
3 0.025
11
11 12 12
0.05
12
13 14 14
0.10
15
16 17 17
0.001
11
12 12 12
0.005
14
14 15 16
0.01
16
16 17 18
4 0.025
18
19 20 21
0.05
20
21 22 23
0.10
23
24 26 27
0.001
18
19 19 20
0.005
22
23 23 24
0.01
24
25 26 27
5 0.025
27
28 29 30
0.05
29
31 32 34
0.10
33
34 36 38
0.001
26
27 28 29
0.005
31
32 33 34
0.01
33
34 35 37
6 0.025
36
38 39 41
0.05
39
41 43 45
0.10
43
45 47 49
0.001
36
37 38 39
0.005
41
42 44 45
0.01
43
45 46 48
7 0.025
47
49 51 53
0.05
50
53 55 57
0.10
55
57 60 62
de Mann
16 17
3
3
3
3
4
4
5
6
7
7
9 10
6
7
9
9
10 11
13 13
15 16
18 19
13 13
16 17
18 19
22 22
25 26
28 29
21 21
25 26
28 29
31 33
35 36
39 41
30 31
35 37
38 40
43 44
47 48
51 53
40 42
47 48
50 52
55 57
59 62
65 67
173
- Whitney
18 19
3
3
3
4
4
5
6
6
8
8
10 11
7
7
9 10
11 11
14 14
16 17
20 21
14 14
17 18
20 20
23 24
27 28
31 32
22 23
27 28
30 31
34 35
38 39
43 44
32 33
38 39
41 42
46 47
50 52
56 58
43 44
50 51
53 55
59 61
64 66
70 72
(continuaci
on)
20
3
4
5
6
8
11
7
10
12
15
18
22
14
19
21
25
29
33
23
29
32
36
41
46
34
40
44
49
54
60
45
53
57
63
68
75

APENDICE
Tabla A4 Cuantiles del
n
p
2
3
0.001 36 36
0.005 36 36
0.01 36 37
8 0.025 37 39
0.05 38 40
0 10 39 42
0.001 45 45
0.005 45 46
0.01 45 47
9 0.025 46 48
0.05 47 50
0.10 48 51
0.001 55 55
0.005 55 56
0.01 55 57
10 0.025 56 59
0.05 57 60
0.10 59 62
0.001 66 66
0.005 66 67
0.01 66 68
11 0.025 67 70
0.05 68 72
0.10 70 74
0.001 78 78
0.005 78 80
0.01 78 81
12 0.025 80 83
0.05 81 84
0.10 83 87
0.001 91 91
0.005 91 93
13 0.01 92 94
0.025 93 96
0.05 94 98
0.10 96 101
Estadstico
4
5
36
37
38
39
39
41
41
43
42
45
44
47
45
47
47
49
49
51
50
53
52
55
55
58
56
57
58
60
59
62
61
64
63
67
66
69
67
69
69
72
71
74
73
76
75
79
78
82
79
81
82
85
84
87
86
90
88
92
91
96
93
95
95
99
97 101
100 104
102 107
105 110
de Mann 6
7
38
39
41
43
43
44
45
47
47
50
50
53
48
49
51
53
53
55
56
58
58
61
61
64
59
61
62
65
64
67
67
70
70
73
73
77
71
73
74
77
76
79
80
83
83
86
86
90
83
86
88
91
90
93
93
97
96 100
100 105
97 100
102 105
104 108
108 112
111 116
115 120
174
Whitney (continuaci
on)
8
9
10
11
41
42
43
45
44
46
48
50
46
48
50
52
50
52
54
56
52
55
57
60
56
59
61
64
51
53
54
56
55
57
59
62
57
60
62
64
61
63
66
69
64
67
70
73
68
71
74
77
62
64
66
68
67
69
72
74
69
72
75
78
73
76
79
82
76
80
83
87
80
84
88
92
75
77
79
82
80
83
85
88
82
85
89
92
86
90
93
97
90
94
98 101
94
98 103 107
88
91
93
96
94
97 100 103
96 100 103 107
101 105 108 112
105 109 111 117
109 114 118 123
103 106 109 112
109 112 116 119
112 115 119 123
116 120 125 129
120 125 129 134
125 130 135 140

APENDICE
Tabla A4 Cuantiles del Estadstico de Mann - Whitney (continuaci
on)
n
p
12
13
14
15
16
17
18
19
20
0.001 46
48
49
51
52
54
55
57
58
0.005 52
54
55
57
59
61
63
65
67
0.01
54
56
59
61
63
65
67
69
71
8 0.025 59
61
63
66
68
71
73
75
78
0.05
63
65
68
70
73
76
78
81
84
0 10
67
70
73
76
79
82
85
88
91
0.001 58
60
61
63
65
67
69
71
72
0.005 64
66
68
70
73
75
77
79
82
0.01
67
69
72
74
77
79
82
84
86
9 0.025 72
74
77
80
83
85
88
91
94
0.05
76
79
82
85
88
91
94
97 100
0.10
81
84
87
91
94
98 101 104 108
0.001 70
73
75
77
79
81
83
85
88
0.005 77
80
82
85
87
90
93
95
98
0.01
80
83
86
89
92
94
97 100 103
10 0.025 85
89
92
95
98 101 104 108 111
0.05
90
93
97 100 104 107 111 114 118
0.10
95
99 103 107 110 114 118 122 126
0.001 84
87
89
91
94
96
99 101 104
0.005 91
94
97 100 103 106 109 112 115
0.01
95
98 101 104 108 111 114 117 120
11 0.025 100 104 107 111 114 118 122 125 129
0.05 105 109 113 117 121 124 128 132 136
0.10 111 115 119 124 128 132 136 140 145
0.001 98 102 104 106 110 113 116 118 121
0.005 106 110 113 116 120 123 126 130 133
0.01 110 114 117 121 125 128 132 135 139
12 0.025 116 120 124 128 132 136 140 144 148
0.05 121 126 130 134 139 143 147 151 156
0.10 128 132 137 142 146 151 156 160 165
0.001 115 118 121 124 127 130 134 137 140
0.005 123 126 130 134 137 141 145 149 152
13 0.01 127 131 135 139 143 147 151 155 159
0.025 133 137 142 146 151 155 159 164 168
0.05 139 143 148 153 157 162 167 172 176
0.10 145 150 155 160 166 171 176 181 186
175

APENDICE
Tabla A4 Cuantiles
n
p
2
0.001 105
0.005 105
14 0.01
106
0.025 107
0.05
109
0.10 1 10
0.001 120
0.005 120
0.01
121
15 0.025 122
0.05
124
0.10
126
0.001 136
0.005 136
0.01
137
16 0.025 138
0.05
140
0.10
142
0.001 153
0.005 I53
0.01
154
17 0.025 156
0.05
157
0.10
160
0.001 171
0.005 171
0.01
172
18 0.025 174
0.05
176
0.10
178
del Estadstico de
3
4
5
105 107 109
107 110 113
108 112 116
111 1 15 119
113 1 17 122
116 121 126
120 122 125
123 126 129
124 128 132
126 131 135
128 133 139
131 137 143
136 139 142
139 142 146
140 144 149
143 148 152
145 151 156
148 154 160
154 156 159
156 160 164
158 162 167
160 165 171
163 169 174
166 172 179
172 175 178
174 178 183
176 181 186
179 184 190
181 188 194
185 192 199
Mann - Whitney
6
7
8
112 115 118
117 121 124
119 123 128
123 128 132
127 132 137
131 137 142
128 133 135
133 137 141
136 140 145
140 145 150
144 149 154
148 154 160
145 148 152
150 155 159
153 158 163
158 163 168
162 167 173
166 173 179
163 167 171
169 173 178
172 177 182
176 182 188
180 187 193
185 192 199
182 186 190
188 193 198
191 196 202
196 202 208
200 207 213
206 213 220
176
(continuaci
on)
9
10
11
121 125 128
128 132 136
132 136 140
137 142 146
142 147 152
147 153 158
138 142 145
145 150 154
149 154 158
155 160 165
160 165 171
166 172 178
156 160 164
164 168 173
168 173 178
174 179 184
179 185 191
185 191 198
175 179 183
183 188 193
187 192 198
193 199 205
199 205 211
206 212 219
195 199 204
203 209 214
208 213 219
214 220 227
220 227 233
227 234 241

APENDICE
on)
n
p
12
13
14
15
16
17
18
19
20
0.001 131 135 138 142 145 149 152 156 160
0.005 140 144 148 152 156 160 164 169 173
14 0.01 144 149 153 157 162 166 171 175 179
0.025 151 156 161 165 170 175 180 184 189
0.05 157 162 167 172 177 183 188 193 198
0.10 164 169 175 180 186 191 197 203 208
0.001 149 153 157 161 164 168 172 176 180
0.005 158 163 167 172 176 181 185 190 194
0.01 163 168 172 177 182 187 191 196 201
15 0.025 170 175 180 185 191 196 201 206 211
0.05 176 182 187 193 198 204 209 215 221
0.10 184 189 195 201 207 213 219 225 231
0.001 168 172 176 180 185 189 193 197 202
0.005 178 182 187 192 197 202 207 211 216
0.01 183 188 193 198 203 208 213 219 224
16 0.025 190 196 201 207 212 218 223 229 235
0.05 197 202 208 214 220 226 232 238 244
0.10 204 211 217 223 230 236 243 249 256
0.001 188 192 197 201 206 211 215 220 224
0.005 198 203 208 214 219 224 229 235 240
0.01 203 209 214 220 225 231 236 242 247
17 0.025 211 217 223 229 235 241 247 253 259
0.05 218 224 231 237 243 250 256 263 269
0.10 226 233 239 246 253 260 267 274 281
0.001 209 214 218 223 228 233 238 243 248
0.005 219 225 230 236 242 247 253 259 264
0.01 225 231 237 242 248 254 260 266 272
18 0.025 233 239 246 252 258 265 271 278 284
0.05 240 247 254 260 267 274 281 288 295
0.10 249 256 263 270 278 285 292 300 307
177

APENDICE
178

on)
n
p
2
3
4
5
6
7
8
9
10
11
0.001 190 191 194 198 202 206 211 216 220 225
0.005 191 194 198 703 208 213 219 224 230 236
0.01 192 95 200 206 211 217 223 229 235 241
19 0.025 193 98 204 210 216 223 229 236 243 249
0.05 195 201 208 214 221 228 235 242 249 256
0.10 198 205 212 2!9 227 234 242 249 257 264
0.001 210 211 214 218 223 227 232 237 243 248
0.005 211 214 219 224 229 235 241 247 253 259
0.01 212 216 221 227 233 239 245 251 258 264
20 0.025 213 219 225 231 238 245 251 259 266 273
0.05 215 222 229 236 243 250 258 265 273 280
0.10 218 226 233 241 249 257 265 273 281 289
n
19
20
p
0.001
0.005
0.01
0.025
0.05
0.10
0.001
0.005
0.01
0.025
0.05
0.10
12
231
242
247
256
263
272
253
265
271
280
288
297
13
236
248
254
263
271
280
259
271
278
287
295
305
14
241
254
260
269
278
288
265
278
284
294
303
313
15
246
260
266
276
285
295
270
284
291
301
311
321
16
251
265
273
283
292
303
276
290
298
309
318
330
17
257
272
279
290
300
311
281
297
304
316
326
338
18
262
278
285
297
307
319
287
303
311
323
334
346
19
268
284
292
304
314
326
293
310
318
330
341
354
20
273
290
298
310
321
334
299
316
325
338
349
362
Para n o m mayores que 20, el cuantil p de Mann Whitney se puede hallar

aproximadamente conqla relacion:
Wp = n(n+m+1)
+ Zp nm(n+m+1)
2
12
donde Zp es el cualtil p de la distribucion normal estandar.

APENDICE
Tabla A5 Cuantiles de Kruskal Wallis
tama
nos muestrales W0.90
W0.95
2,2,2
3.7143 4.5714
3,2,1
3.8571 4.2857
3,2,2
4.4643 4.5000
3,3,1
4.0000 4.5714
3,3,2
4.2500 5.1389
3,3,3
4.6000 5.0667
4,2,1
4.0179 4.8214
4,2,2
4.1667 5.1250
4,3,1
3.8889 5.0000
4,3,2
4.4444 5.4000
4,3,3
4.7000 5.7273
4,4,1
4.0667 4.8667
4,4,2
4.1455 5.2364
4,4,3
1.7730 5.5758
4,4,4
4.5000 5.6538
5,2,1
4.0500 4.4500
5,2,2
4.2933 5.0400
5,3,1
3.8400 4.8711
5,3,2
4.4946 5.1055
5,3,3
4.4121 5.5152
5,4,1
3.9600 4.8600
5,4,2
4.5182 5.2682
5,4,3
4.5731 5.6308
5,4,4
4.6187 5.6176
5,5,1
4.0364 4.9091
5,5,2
4.5077 5.2462
5,5,3
4.5363 5.6264
5,5,4
4.5200 5.6429
5,5,5
4.5000 5.6600
179
W0.99
4.5714
4.2857
5.3571
5.1429
6.2500
6.4889
4.8214
6.0000
5.8333
6.3000
6.7091
6.1667
6.8727
7.1364
7.5385
5.2500
6.1333
6.4000
6.8218
6.9818
6.8400
7.1182
7.3949
7.7440
6.8364
7.2692
7.5429
7.7914
7.9800

APENDICE
Tabla A6 Cuantiles del test de
n
p
m=3
4
5
0.005
14
14
14
0.01
14
14
14
0.025
14
14
21
0.05
21
21
26
3
0.1
26
29
35
0.9
65
90 117
0.95
70
101 129
0.975
77
110 138
0.99
77
110 149
0.995
77
110 149
0.005
30
30
30
0.01
30
30
39
0.025
30
39
50
0.05
39
50
57
4
0.1
50
62
71
0.9
111
142 182
0.95
119
154 197
0.975
126
165 206
0.99
126
174 219
0.995
126
174 230
0.005
55
55
66
0.01
55
66
75
0.025
66
79
88
0.05
75
88 103
5
0.1
87
103 121
0.9
169
214 264
0.95
178
228 282
0.975
183
235 297
0.99
190
246 310
0.995
190
255 319
0.005
91
104 115
0.01
91
115 124
0.025
115
130 143
0.05
124
139 164
6
0.1
136
163 187
0.9
243
300 364
0.95
255
319 386
0.975
259
331 406
0.99
271
339 424
0.995
271
346 431
la varianza
6
7
14
14
14
21
26
29
30
38
42
50
149 182
161 197
170 213
194 230
194 245
39
39
46
50
54
63
66
78
85
99
222 270
246 294
255 311
270 334
281 351
75
79
82
90
100 114
120 135
142 163
319 379
342 410
363 433
382 459
391 478
124 136
139 155
164 184
187 211
215 247
435 511
463 545
486 574
511 607
526 624
180
8
14
21
30
42
59
221
238
257
285
302
46
51
71
90
114
321
350
374
401
414
88
103
130
155
187
445
479
508
543
559
152
175
208
239
280
592
634
670
706
731
9
21
26
35
49
69
260
285
308
329
346
50
62
78
102
130
375
413
439
470
494
99
115
I4S
175
212
514
558
592
631
654
167
191
231
268
315
679
730
771
817
847
10
21
26
41
54
77
305
333
362
394
413
54
66
90
114
149
435
476
510
545
567
110
127
162
195
239
591
639
680
727
754
182
210
255
299
352
772
831
880
935
970

APENDICE
Tabla A6 Cuantiles
n
p
m=3
0.005
140
0.01
155
0.025
172
0.05
188
7
0.1
203
0.9
335
0.95
347
0.975
356
0.99
364
0.995
371
0.005
204
0.01
221
0.025
249
0.05
268
8
0.1
285
0.9
447
0.95
464
0.975
476
0.99
485
0.995
492
0.005
304
0.01
321
0.025
342
0.05
365
9
0.1
390
0.9
581
0.95
601
0.975
615
0.99
624
0.995
629
0.005
406
0.01
425
0.025
457
0.05
486
10
0.1
514
0.9
742
0.95
765
0.975
778
0.99
793
0.995
798
del test de la
4
5
155 172
172 191
195 217
212 240
236 271
407 487
428 515
443 536
456 560
467 571
236 260
249 276
276 311
300 340
329 374
536 632
560 664
579 689
599 716
604 731
325 361
349 384
380 423
406 457
444 501
689 603
717 840
741 870
757 900
769 916
448 486
470 513
505 560
539 601
580 649
866 1001
901 1045
925 1078
949 1113
961 1130
varianza Continuaci
on
6
7
8
9
195
212
235
257
212
236
260
287
245
274
305
338
274
308
344
384
308
350
394
440
572
665
764
871
608
707
814
929
635
741
856
979
664
779
900 1032
683
803
929 1067
284
311
340
368
309
340
372
408
345
384
425
468
381
426
473
524
423
476
531
590
735
846
965 1091
776
896 1023 1159
807
93S 1071 1215
840
980 1124 1277
863 1005 1156 1319
393
429
466
508
423
464
508
553
469
517
570
624
510
567
626
689
561
625
694
766
925 1056 1195 1343
972 1112 1261 1420
1009 1158 1317 1485
1049 1209 1377 1556
1073 1239 1417 1601
526
573
620
672
561
613
667
725
616
677
741
808
665
734
806
883
724
801
885
972
1144 1296 1457 1627
1197 1360 1533 1715
1241 1413 1596 1788
1286 1470 1664 1869
1314 1505 1708 1921
181
10
280
315
372
425
489
984
1051
1106
1172
1212
401
445
513
576
652
1224
1303
1368
1442
1489
549
601
682
755
843
1498
1587
1662
1745
1798
725
785
879
963
1064
1806
1907
1991
2085
2145

APENDICE
Tabla A7 Cuantiles del Estadstico de Spearman
n p = 0.900
0.95
0.975
0.99
0.995
4
0.8000
0.8000
5
0.7000
0.8000 0.9000 0.9000
6
0.6000
0.7714 0.8286 0.8857 0.9429
7
0.535
0.6786 0.7500 0.8571 0.8929
8
0.5000
0.6190 0.7143 0.8095 0.8571
9
0.4667
0.5833 0.6833 0.7667 0.8167
10
0.4424
0.5515 0.6364 0.7333 0.7818
11
0.4182
0.5273 0.6091 0.7000 0.7455
12
0.3986
0.4965 0.5804 0.6713 0.7203
13
0.3791
0.4780 0.5549 0.6429 0.6978
14
0.3626
0.4593 0.5341 0.6220 0.6747
15
0.3500
0.4429 0.5179 0.6000 0.6500
16
0.3382
0.4265 0.5000 0.5794 0.6324
17
0.3260
0.4118 0.4853 0.5637 0.6152
18
0.3148
0.3994 0.4696 0.5480 0.5975
19
0.3070
0.3895 0.4579 0.5333 0.5825
20
0.2977
0.3789 0.4451 0.5203 0.5684
21
0.2909
0.3688 0.4351 0.5078 0.5545
22
0.2829
0.3597 0.4241 0.4963 0.5426
23
0.2767
0.3518 0.4150 0.4852 0.5306
24
0.2704
0.3435 0.4061 0.4748 0.5200
25
0.2646
0.3362 0.3977 0.4654 0.5100
26
0.2588
0.3299 0.3894 0.4564 0.5002
27
0.2540
0.3236 0.3822 0.4481 0.4915
28
0.2490
0.3175 0.3749 0.4401 0.4828
29
0.2443
0.3113 0.3685 0.4320 0.4744
30
0.2400
0.3059 0.3620 0.4251 0.4665
182
0.999
0.9643
0.9286
0.9000
0.8667
0.8364
0.8112
0.7857
0.7670
0.7464
0.7265
0.7083
0.6904
0.6737
0.6586
0.6455
0.6318
0.6186
0.6070
0.5962
0.5856
0.5757
0.5660
0.5567
0.5479

APENDICE
Tabla A8 Cuantiles del Estadstico T y de
n p = 0.900
0.95
0.975
4
4(0.6667)
4(0.6667)
6(1.0000)
5
6(0.6000)
6(0.6000)
8(0.8000)
6
7(0.4667)
9(0.6000)
11(0.7333)
7
9(0.4286)
11(0.5238)
13(0.6190)
8 10(0.3571) 14(0.5000)
16(0.5714)
9 12(0.3333) 16(0.4444)
18(0.5000)
10 15(0.3333) 19(0.4222)
21(0.4667)
11 17(0.3091) 21(0.3818)
25(0.4545)
12 18(0.2727) 24(0.3636)
28(0.4242)
13 22(0.2821) 26(0.3333)
32(0.4103)
14 23(0.2527) 31(0.3407)
35(0.3846)
15 27(0.2571) 33(0.3143)
39(0.3714)
16 28(0.2333) 36(0.3000)
44(0.3667)
17 32(0.2353) 40(0.2941)
48(0.3529)
18 35(0.2288) 43(0.2810)
51(0.3333)
19 37(0.2164) 47(0.2749)
55(0.3216)
20 40(0.2105) 50(0.2632)
60(0.3158)
21 42(0.2000) 54(0.2571)
64(0.3048)
22 45(0.1948) 59(0.2554)
69(0.2987)
23 49(0.1937) 63(0.2490)
73(0.2885)
24 52(0.1884) 66(0.2391)
78(0.2826)
25 56(0.1867) 70(0.2333)
84(0.2800)
26 59(0.1815) 75(0.2308)
89(0.2738)
27 61(0.1738) 79(0.2251)
93(0.2650)
28 66(0.1746) 84(0.2222)
98(0.2593)
29 68(0.1675) 88(0.2167) 104(0.2562)
30 73(0.1678) 93(0.2138) 109(0.2506)
31 75(0.1613) 97(0.2086) 115(0.2473)
32 8(0.1613) 102(0.2056) 120(0.2419)
33 84(0.1591) 106(0.2008) 126(0.2386)
34 87(0.1551) 111(0.1979) 131(0.2335)
35 91(0.1529) 115(0.1933) 137(0.2303)
36 94(0.1492) 120(0.1905) 144(0.2286)
37 98(0.1471) 126(0.1892) 150(0.2252)
183
Kendall en parentesis
0.99
0.995
6(1.0000)
6(1.0000)
8(0.8000)
10(1.0000)
11(0.7333)
13(0.8667)
15(0.7143)
17(0.8095)
18(0.6429)
20(0.7143)
22(0.6111)
24(0.6667)
25(0.5556)
27(0.6000)
29(0.5273)
31(0.5636)
34(0.5152)
36(0.5455)
38(0.4872)
42(0.5285)
41(0.4505)
45(0.4945)
47(0.4476)
51(0.4857)
50(0.4167)
56(0.4667)
56(0.4118)
62(0.4559)
61(0.3987)
67(0.4379)
65(0.3801)
73(0.4269)
70(0.3684)
78(0.4105)
76(0.3619)
84(0.4000)
81(0.3506)
89(0.3853)
87(0.3439)
97(0.3834)
92(0.3333) 102(0.3696)
98(0.3267) 108(0.3600)
105(0.3231) 115(0.3538)
111(0.3162) 123(0.3504)
116(0.3069) 128(0.3386)
124(0.3054) 136(0.3350)
129(0.2966) 143(0.3287)
135(0.2903) 149(0.3204)
142(0.2863) 158(0.3185)
150(0.284!) 164(0.3106)
155(0.2763) 173(0.3084)
163(0.2739) 179(0.3008)
170(0.2698) 188(0.2984)
176(0.2643) 198(0.2943)

APENDICE
184
Tabla A8 Cuantiles del Estadstico T y de Kendall ( continuaci

on )
n
p = 0.900
0.95
0.975
0.99
0.995
38 103(0.1465) 131(0.1863) 155(0.2205) 183(0.2603) 203(0.2888)
39 107(0.1444) 137(0.1849) 161(0.2173) 191(0.2578) 211(0.2848)
40 110(0.1372) 142(0.1821) 168(0.2154) 198(0.2538) 220(0.2821)
41 114(0.1390) 146(0.1780) 174(0.2122) 206(0.2512) 228(0.2780)
42 119(0.1382) 151(0.1754) 181(0.2102) 213(0.2474) 235(0.2729)
43 123(0.1362) 157(0.1739) 187(0.2071) 221(0.2447) 245(0.2713)
44 128(0.1353) 162(0.1712) 194(0.2051) 228(0.2410) 252(0.2664)
45 132(0.1333) 168(0.1697) 200(0.2020) 236(0.2383) 262(0.2646)
46 135(0.1304) 173(0.1671) 207(0.2000) 245(0.2367) 271(0.2618)
47 141(0.1304) 179(0.1656) 213(0.1970) 253(0.2340) 279(0.2581)
48 144(0.1277) 186(0.1649) 220(0.1950) 260(0.2305) 288(0.2553)
49 150(0.1276) 190(0.1616) 228(0.1939) 268(0.2279) 296(0.2517)
50 153(0.1249) 197(0.1608) 233(0.1902) 277(0.2261) 305(0.2490)
51 159(0.1247) 203(0.1592) 241(0.1890) 285(0.2235) 315(0.2471)
52 162(0.1222) 208(0.1569) 248(0.1870) 294(0.2217) 324(0.2443)
53 168(0.1219) 214(0.1553) 256(0.1858) 302(0.2192) 334(0.2424)
54 173(0.1209) 221(0.1544) 263(0.1838) 311(0.2173) 343(0.2397)
55 177(0.1192) 227(0.1529) 269(0.1811) 319(0.2148) 353(0.2377)
56 182(0.1182) 232(0.1506) 276(0.1792) 328(0.2130) 362(0.2351)
57 186(0.1165) 240(0.1504) 284(0.1779) 336(0.2105) 372(0.2331)
58 191(0.1155) 245(0.1482) 291(0.1760) 345(0.2087) 381(0.2305)
59 197(0.1151) 251(0.1467) 299(0.1748) 355(0.2075) 391(0.2285)
60 202(0.1 141 258(0.1458) 306(0.1729) 364(0.2056) 402(0.2271)
Para n > 60 los cuantiles aproximados de T se obtienen por:
q
Wp Zp
n(n1)(2n5)
18
donde Zp es el cuantil p de la distribucion normal estandar.

Los cuantiles aproximados de pueden ser obtenidos por:
2(2n+5)
Wp Zp
3
n(n1)

APENDICE
Tabla A9 Cuantiles del Estadstico de Wilcoxon
n W0.005 W0.01 W0.025 W0.05 W0.10 W0.20
4
0
0
0
0
1
3
5
0
0
0
1
3
4
6
0
0
1
3
4
6
7
0
1
3
4
6
9
8
1
2
4
6
9
12
9
2
4
6
9
11
15
10
4
6
9
11
15
19
11
6
8
11
14
18
23
12
8
10
14
18
22
28
13
10
13
18
22
27
33
14
13
16
22
26
32
39
15
16
20
26
31
37
45
16
20
24
30
36
43
51
17
24
28
35
42
49
58
18
28
33
41
48
56
66
19
33
38
47
54
63
74
20
38
44
53
61
70
83
21
44
50
59
68
78
91
22
49
56
67
76
87
100
23
55
63
74
84
95
110
24
62
70
82
92
105
120
25
69
77
90
101
114
131
26
76
85
99
III
125
142
27
84
94
108
120
135
154
28
92
102
117
131
146
166
29
101
111
127
141
158
178
30
110
121
138
152
170
191
31
119
131
148
164
182
205
32
129
141
160
176
195
219
33
139
152
171
188
208
233
34
149
163
183
201
222
248
35
160
175
196
214
236
263
36
172
187
209
228
251
279
37
184
199
222
242
266
295
38
196
212
236
257
282
312
39
208
225
250
272
298
329
40
221
239
265
287
314
347
41
235
253
280
303
331
365
42
248
267
295
320
349
384
43
263
282
311
337
366
403
44
277
297
328
354
385
422
45
292
313
344
372
403
442
46
308
329
362
390
423
463
47
324
346
379
408
442
484
48
340
363
397
428
463
505
49
357
381
416
447
483
527
50
374
398
435
467
504
550
185
W0.30
3
5
8
11
14
18
22
27
32
38
44
51
58
65
73
82
91
100
110
120
131
143
155
167
180
193
207
221
236
251
266
283
299
316
334
352
371
390
409
429
450
471
492
514
536
559
583
W0.40
4
6
9
12
16
20
25
30
36
42
48
55
63
71
80
89
98
108
119
130
141
153
165
178
192
206
220
235
250
266
282
299
317
335
353
372
391
411
431
452
473
495
517
540
563
587
611
W0.50
5
7.5
10.5
14
18
22.5
27.5
33
39
45.5
52.5
60
68
76.5
85.5
95
105
115.5
126.5
138
150
162.5
175.5
189
203
217.5
232.5
248
264
280.5
297.5
315
333
351.5
370.5
390
410
430.5
451.5
473
495
517.5
540.5
564
588
612.5
637.5
n(n+1)
2
10
15
21
28
36
45
55
66
78
91
105
120
136
153
171
190
210
231
253
276
300
325
351
378
406
435
465
496
528
561
595
630
666
703
741
780
820
861
903
946
990
1035
1081
1128
1176
1225
1275

APENDICE
Tabla A10 Cuantiles del Estadstico
Test de una cola p = 0.90 0.95
Test de 2 colas p = 0.80
0.9
n=1
0.9
0.95
2
0.684
0.776
3
0.565
0.636
4
0.493
0.565
5
0.447
0.509
6
0.41
0.468
7
0.381
0.436
8
0.358
0.41
9
0.339
0.387
10
0.323
0.369
11
0.308
0.352
12
0.296
0.338
13
0.285
0.325
14
0.275
0.314
15
0.266
0.304
16
0.258
0.295
17
0.25
0.286
18
0.244
0.279
19
0.237
0.271
20
0.232
0.265
21
0.226
0.259
22
0.221
0.253
23
0.216
0.247
24
0.212
0.242
25
0.208
0.238
26
0.204
0.233
27
0.2
0.229
28
0.197
0.225
29
0.193
0.221
30
0.19
0.218
31
0.187
0.214
32
0.184
0.211
33
0.182
0.208
34
0.179
0.205
35
0.177
0.202
36
0.174
0.199
37
0.172
0.196
38
0.17
0.194
39
0.168
0.191
40
0.165
0.189
1.07
1.22
n > 40
n
n
186
de Kolmogorov
0.975 0.99
0.95
0.98
0.975 0.99
0.842
0.9
0.708 0.785
0.624 0.689
0.563 0.627
0.519 0.577
0.483 0.538
0.454 0.507
0.43
0.48
0.409 0.457
0.391 0.437
0.375 0.419
0.361 0.404
0.349 0.39
0.338 0.377
0.327 0.366
0.318 0.355
0.309 0.346
0.301 0.337
0.294 0.329
0.287 0.321
0.281 0.314
0.275 0.307
0.269 0.301
0.264 0.295
0.259 0.29
0.254 0.284
0.25 0.279
0.246 0.275
0.242 0.27
0.238 0.266
0.234 0.262
0.231 0.258
0.227 0.254
0.224 0.251
0.221 0.247
0.218 0.244
0.215 0.241
0.213 0.238
0.21 0.235
1.36
1.52
0.995
0.99
0.995
0.929
0.829
0.734
0.669
0.617
0.576
0.542
0.513
0.489
0.468
0.449
0.432
0.418
0.404
0.392
0.381
0.371
0.361
0.352
0.344
0.337
0.33
0.323
0.317
0.311
0.305
0.3
0.295
0.29
0.285
0.281
0.277
0.273
0.269
0.265
0.262
0.258
0.255
0.252
1.63

APENDICE
Tabla A11 Cuantiles de Lilliefors para Normalidad

n
p = 0.80 0.85
0.9
0.95
0.99
4
0.303
0.32 0.344 0.374
0.414
5
0.29
0.302 0.319 0.344
0.398
6
0.268
0.28 0.295 0.321
0.371
7
0.252
0.264 0.28 0.304
0.353
8
0.239
0.251 0.266 0.29
0.333
9
0.227
0.239 0.253 0.275
0.319
10
0.217
0.228 0.241 0.262
0.303
11
0.209
0.219 0.232 0.252
0.291
12
0.201
0.21 0.223 0.243
0.281
13
0.193
0.203 0.215 0.233
0.27
14
0.187
0.196 0.209 0.227
0.264
15
0.18!
0.19 0.202 0.219
0.256
16
0.176
0.184 0.195 0.212
0.248
17
0.17
0.179 0.19 0.207
0.241
18
0.166
0.174 0.185 0.201
0.234
19
0.162
0.171 0.181 0.197
0.23
20
0.159
0.167 0.177 0.192
0.223
21
0.155
0.163 0.173 0.188
0.219
22
0.152
0.16
0.17 0.185
0.214
23
0.149
0.156 0.165 0.181
0.21
24
0.145
0.153 0.162 0.177
0.205
25
0.144
0.151 0.159 0.173
0.202
26
0.141
0.147 0.156 0.17
0.198
27
0.138
0.145 0.153 0.166
0.193
28
0.136
0.142 0.151 0.165
0.191
29
0.134
0.14 0.149 0.162
0.188
30
0.132
0.138 0.146 0.159
0.183
0.741
0.775
0.819
0.895
1.035
n > 30
dn
dn
dn
dn
dn
0.83
donde dn = n 0.01 + n
187

APENDICE
Tabla A12 Cuantiles
n
p = 0.05
2
0.3127
3
0.2299
4
0.2072
5
0.1884
6
0.1726
7
0.1604
8
0.1506
9
0.1426
10
0.1359
12
0.1249
14
0.1162
16
0.1091
18
0.1032
20
0.0982
22
0.0939
24
0.0901
26
0.0868
28
0.0638
30
0.0811
35
0.0754
40
0.0707
45
0.0668
50
0.0636
60
0.0582
70
0.0541
80
0.0507
90
0.0479
100
0.0455
0.455
n > 100
n
188
de Lillifors para la distribucion Exponencial

0.10
0.20
0.30
0.70
0.80
0.3200 0.3337 0.3617 0.5034 0.5507
0.2544 0.2899 0.3166 0.4122 0.4508
0.2281 0.2545 0.2766 0.3685 0.4007
0.2052 0.229 0.2483 0.3317 0.3603
0.1882 0.2102 0.229 0.3045 0.332
0.175 0.1961 0.2136 0.2838 0.3098
0.1646 0.1845 0.2006 0.2671 0.2914
0.1561 0.1746 0.1897 0.2529 0.2758
0.1486 0.1661 0.1805 0.2407 0.2626
0.1364 0.1524 0.1657 0.2209 0.2411
0.1268 0.1418 0.1542 0.2054 0.2242
0.1191 0.1332 0.1448 0.1929 0.2105
0.1127 0.126 0.1369 0.1824 0.1990
0.1073 0.1199 0.1303 0.1735 0.1893
0.1025 0.1146 0.1245 0.1657 0.1809
0.0984 0.1099 0.1195 0.159 0.1735
0.0947 0.1058 0.115
0.153 0.1670
0.0914 0.1021 0.111 0.1477 0.1611
0.0885 0.0988 0.1074 0.1428 0.1559
0.0822 0.0918 0.0997 0.1326 0.1447
0.0771 0.0861 0.0935 0.1243 0.1356
0.0729 0.0814 0.0884 0.1174 0.1281
0.0693 0.0774 0.0840 0.1116 0.1217
0.0635 0.0708 0.0769 0.1021 0.1114
0.0589 0.0658 0.0714 0.0946 0.1033
0.0553 0.0616 0.0669 0.0887 0.0968
0.0522 0.0582 0.0632 0.0838 0.0914
0.0496 0.0553 0.0600 0.0796 0.0868
0.4959
0.553
0.6
0.7957
0.8678
0.90
0.5934
0.5111
0.4442
0.4045
0.3732
0.3481
0.3274
0.3101
0.2955
0.2714
0.2525
0.2371
0.2242
0.2132
0.2038
0.1954
0.1881
0.1815
0.1756
0.1630
0.1528
0.1443
0.1371
0.1255
0.1164
0.1090
0.1029
0.0977
0.95
0.6133
0.5508
0.4844
0.442
0.4085
0.3811
0.3590
0.3404
0.3244
0.2981
0.2774
0.2606
0.2465
0.2345
0.2241
0.215
0.2069
0.1997
0.1932
0.1793
0.1681
0.1588
0.1509
0.1381
0.1281
0.1200
0.1132
0.1075
0.99
0.6284
0.6003
0.5574
0.5127
0.4748
0.4459
0.4208
0.3995
0.3813
0.3511
0.3272
0.3076
0.2911
0.2271
0.2649
0.2547
0.2447
0.2362
0.2286
0.2123
0.1990
0.1880
0.1787
0.1635
0.1517
0.1421
0.1341
0.1274
0.9773
1.0753
1.2743

APENDICE
189
Tabla A13 Coeficientes del Estadstico de Shapiro Wilk

i
n=2
3
4
5
6
7
1 0.7071 0.7071 0.6872 0.6646 0.6431 0.6233
2
0.0000 0.1667 0.2413 0.2806 0.3031
3
0.0000 0.0875 0.1401
4
0.0000
5
-
8
0.6052
0.3164
0.1743
0.0561
-
9
0.0588
0.3244
0.1976
0.0947
0.0000
10
0.5739
0.3291
0.2141
0.1224
0.0399
i
1
2
3
4
5
6
7
8
9
10
11
0.560
0.332
0.226
0.143
0.070
0.000
-
12
0.548
0.333
0.235
0.159
0.092
0.030
-
13
0.536
0.333
0.241
0.171
0.110
0.054
0.000
-
14
0.525
0.332
0.246
0.180
0.124
0.073
0.024
-
15
0.515
0.331
0.250
0.188
0.135
0.088
0.043
0.000
-
16
0.506
0.329
0.252
0.194
0.145
0.101
0.059
0.020
-
17
0.497
0.327
0.254
0.199
0.152
0.111
0.073
0.036
0.000
-
18
0.489
0.325
0.255
0.203
0.159
0.120
0.084
0.050
0.016
-
19
0.481
0.323
0.256
0.206
0.164
0.127
0.093
0.061
0.030
0.000
20
0.473
0.321
0.257
0.209
0.169
0.133
0.101
0.071
0.042
0.014
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
21
0.464
0.319
0.258
0.212
0.174
0.140
0.109
0.080
0.053
0.026
0.000
-
22
0.459
0.316
0.257
0.213
0.176
0.144
0.115
0.088
0.062
0.037
0.012
-
23
0.454
0.313
0.256
0.214
0.179
0.148
0.120
0.094
0.070
0.046
0.023
0.000
-
24
0.449
0.310
0.255
0.215
0.181
0.151
0.125
0.100
0.076
0.054
0.032
0.011
-
25
0.445
0.307
0.254
0.215
0.182
0.154
0.128
0.105
0.082
0.061
0.040
0.020
0.000
-
26
0.441
0.304
0.253
0.215
0.184
0.156
0.132
0.109
0.088
0.067
0.048
0.028
0.009
-
27
0.437
0.302
0.252
0.215
0.185
0.158
0.135
0.113
0.092
0.073
0.054
0.036
0.018
0.000
-
28
0.433
0.299
0.251
0.215
0.186
0.160
0.137
0.116
0.097
0.078
0.060
0.042
0.025
0.008
-
29
0.429
0.297
0.250
0.215
0.186
0.162
0.140
0.119
0.100
0.082
0.065
0.048
0.032
0.016
0.000
30
0.425
0.294
0.249
0.215
0.187
0.163
0.142
0.122
0.104
0.086
0.070
0.054
0.038
0.023
0.008

APENDICE
Tabla A13 Coeficientes de Shapiro Wilk (continuacion )
i
31
32
33
34
35
36
37
1 0.422 0.419 0.416 0.413 0.410 0.407 0.404
2 0.292 0.290 0.288 0.285 0.283 0.281 0.279
3 0.248 0.246 0.245 0.244 0.243 0.242 0.240
4 0.215 0.214 0.214 0.213 0.213 0.212 0.212
5 0.187 0.188 0.188 0.188 0.188 0.188 0.188
6 0.164 0.165 0.166 0.167 0.167 0.168 0.168
7 0.143 0.145 0.146 0.148 0.149 0.150 0.151
8 0.124 0.127 0.128 0.130 0.132 0.133 0.134
9 0.107 0.109 0.112 0.114 0.116 0.118 0.120
10 0.090 0.093 0.096 0.099 0.101 0.104 0.106
11 0.074 0.078 0.081 0.084 0.087 0.090 0.092
12 0.059 0.063 0.067 0.071 0.074 0.077 0.080
13 0.044 0.049 0.053 0.057 0.061 0.065 0.068
14 0.029 0.034 0.040 0.044 0.048 0.052 0.056
15 0.014 0.021 0.026 0.031 0.036 0.040 0.044
16 0.000 0.007 0.013 0.019 0.024 0.029 0.033
17
0.000 0.006 0.012 0.017 0.022
18
0.000 0.006 0.011
19
0.000
20
-
190
38
0.402
0.277
0.239
0.211
0.188
0.169
0.151
0.136
0.121
0.108
0.095
0.082
0.071
0.059
0.048
0.037
0.026
0.016
0.005
-
39
0.399
0.276
0.238
0.210
0.188
0.169
0.152
0.137
0.123
0.109
0.097
0.085
0.073
0.062
0.052
0.041
0.031
0.020
0.010
0.000
40
0.396
0.274
0.237
0.210
0.188
0.169
0.153
0.138
0.124
0.111
0.099
0.087
0.076
0.065
0.055
0.044
0.034
0.024
0.015
0.005

APENDICE
Tabla A13 Coeficientes de Shapiro Wilk ( continuacion )
i
41
42
43
44
45
46
47
1 0.394 0.392 0.389 0.387 0.385 0.383 0.381
2 0.272 0.270 0.268 0.267 0.265 0.264 0.262
3 0.236 0.235 0.233 0.232 0.231 0.230 0.229
4 0.209 0.209 0.208 0.207 0.207 0.206 0.205
5 0.188 0.187 0.187 0.187 0.187 0.186 0.186
6 0.169 0.169 0.170 0.170 0.170 0.170 0.170
7 0.153 0.154 0.154 0.154 0.155 0.155 0.155
8 0.138 0.139 0.140 0.141 0.141 0.142 0.142
9 0.125 0.126 0.127 0.128 0.129 0.129 0.130
10 0.112 0.114 0.115 0.116 0.117 0.118 0.119
11 0.100 0.102 0.104 0.105 0.106 0.107 0.109
12 0.089 0.091 0.093 0.094 0.096 0.097 0.099
13 0.078 0.080 0.082 0.084 0.086 0.088 0.089
14 0.068 0.070 0.072 0.075 0.077 0.078 0.080
15 0.058 0.060 0.063 0.065 0.067 0.069 0.071
16 0.048 0.051 0.053 0.056 0.058 0.061 0.063
17 0.038 0.041 0.044 0.047 0.050 0.052 0.055
18 0.028 0.032 0.035 0.038 0.041 0.044 0.047
19 0.019 0.023 0.026 0.030 0.033 0.036 0.039
20 0.009 0.014 0.018 0.021 0.025 0.028 0.031
21 0.000 0.005 0.009 0.013 0.016 0.020 0.023
22
0.000 0.004 0.008 0.012 0.015
23
0.000 0.004 0.008
24
0.000
25
-
191
48
0.379
0.260
0.228
0.205
0.186
0.169
0.155
0.142
0.131
0.120
0.110
0.100
0.091
0.082
0.073
0.065
0.057
0.049
0.041
0.034
0.026
0.019
0.011
0.004
-
49
0.377
0.259
0.227
0.204
0.185
0.169
0.155
0.143
0.131
0.121
0.111
0.101
0.092
0.083
0.075
0.067
0.059
0.051
0.044
0.036
0.029
0.022
0.014
0.007
0.000
50
0.375
0.257
0.226
0.203
0.185
0.169
0.155
0.143
0.132
0.121
0.111
0.102
0.093
0.085
0.076
0.069
0.061
0.053
0.046
0.039
0.031
0.024
0.017
0.010
0.004

APENDICE
Tabla A14
n
0.01
3 0.753
4 0.687
5 0.686
6 0.713
7 0.730
8 0.749
9 0.764
10 0.781
11 0.792
12 0.805
13 0.814
14 0.825
15 0.835
16 0.844
17 0.851
18 0.858
19 0.863
20 0.868
21 0.873
22 0.878
23 0.881
24 0.884
Cuantiles del Estadstico de Shapiro Wilk

0.02
0.05
0.1
0.5
0.9
0.95
0.756 0.767 0.789 0.959 0.998 0.999
0.707 0.748 0.792 0.935 0.987 0.992
0.715 0.762 0.806 0.927 0.979 0.986
0.743 0.788 0.826 0.927 0.974 0.981
0.760 0.803 0.838 0.928 0.972 0.979
0.778 0.818 0.851 0.932 0.972 0.978
0.791 0.829 0.859 0.935 0.972 0.978
0.806 0.842 0.869 0.938 0.972 0.978
0.817 0.850 0.876 0.940 0.973 0.979
0.828 0.859 0.883 0.943 0.973 0.979
0.837 0.866 0.889 0.945 0.974 0.979
0.846 0.874 0.895 0.947 0.975 0.980
0.855 0.881 0.901 0.950 0.975 0.980
0.863 0.887 0.906 0.952 0.976 0.981
0.869 0.892 0.910 0.954 0.977 0.981
0.874 0.897 0.914 0.956 0.978 0.982
0.879 0.901 0.917 0.957 0.978 0.982
0.884 0.905 0.920 0.959 0.979 0.983
0.888 0.908 0.923 0.960 0.980 0.983
0.892 0.911 0.926 0.961 0.980 0.984
0.895 0.914 0.928 0.962 0.981 0.984
0.898 0.916 0.930 0.963 0.981 0.984
192
0.98
1.000
0.996
0.991
0.986
0.985
0.984
0.984
0.983
0.984
0.984
0.984
0.984
0.984
0.985
0.985
0.986
0.986
0.986
0.987
0.987
0.987
0.987
0.99
1.000
0.997
0.993
0.989
0.988
0.987
0.986
0.986
0.986
0.986
0.986
0.986
0.987
0.987
0.987
0.988
0.988
0.988
0.989
0.989
0.989
0.989

APENDICE
Tabla A14
n
0.01
25 0.888
26 0.891
27 0.894
28 0.896
29 0.898
30 0.900
31 0.902
32 0.904
33 0.906
34 0.908
35 0.910
36 0.912
37 0.914
38 0.916
39 0.917
40 0.919
41 0.920
42 0.922
43 0.923
44 0.924
45 0.926
46 0.927
47 0.928
48 0.929
49 0.929
50 0.930
Cuantiles de Shapiro Wilk ( continuaci

on )
0.02
0.05
0.10
0.50
0.90
0.95
0.901 0.918 0.931 0.964 0.981 0.985
0.904 0.920 0.933 0.965 0.982 0.985
0.906 0.923 0.935 0.965 0.982 0.985
0.908 0.924 0.936 0.966 0.982 0.985
0.910 0.926 0.937 0.966 0.982 0.985
0.912 0.927 0.939 0.967 0.983 0.985
0.914 0.929 0.940 0.967 0.983 0.986
0.915 0.930 0.941 0.968 0.983 0.986
0.917 0.931 0.942 0.968 0.983 0.986
0.919 0.933 0.943 0.969 0.983 0.986
0.920 0.934 0.944 0.969 0.984 0.986
0.922 0.935 0.945 0.970 0.984 0.986
0.924 0.936 0.946 0.970 0.984 0.987
0.925 0.938 0.947 0.971 0.984 0.987
0.927 0.939 0.948 0.971 0.984 0.987
0.928 0.940 0.949 0.972 0.985 0.987
0.929 0.941 0.950 0.972 0.985 0.987
0.930 0.942 0.951 0.972 0.985 0.987
0.932 0.943 0.951 0.973 0.985 0.987
0.933 0.944 0.952 0.973 0.985 0.987
0.934 0.945 0.953 0.973 0.985 0.988
0.935 0.945 0.953 0.974 0.985 0.988
0.936 0.946 0.954 0.974 0.985 0.988
0.937 0.947 0.954 0.974 0.985 0.988
0.937 0.947 0.955 0.974 0.985 0.988
0.938 0.947 0.955 0.974 0.985 0.988
193
0.98
0.988
0.988
0.988
0.988
0.988
0.988
0.988
0.988
0.989
0.989
0.989
0.989
0.989
0.989
0.989
0.989
0.989
0.989
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.99
0.989
0.989
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.990
0.991
0.991
0.991
0.991
0.991
0.991
0.991
0.991
0.991
0.991
0.991
0.991

APENDICE
Tabla A15 Convertir Shapiro Wilk en una normal G
n
3
4
5
6
(dn )
(0.7500) (0.6297) (0.5521)
(0.4963)
v = 7
-3.29
-5.4
-2.81
-5
-2.68
-4.6
-2.54
-4.2
-2.40
-3.8
-2.25
-3.50
-3.4
-2.10
-3.27
-3
-1.94
-3.05
-4.01
-2.6
-1.77
-2.84
-3.70
-2.2
-1.59
-2.64
-3.38
-1.8
-1.40
-2.44
-3.11
-1.4
-1.21
-2.22
-2.87
-1
-1.01
-1.96
-2.56
-3.72
-0.6
-0.80
-1.66
-2.20
-2.88
-0.2
-0.60
-1.31
-1.81
-2.27
0.2
-0.39
-0.94
-1.41
-1.85
0.6
-0.19
-0.57
-0.97
-1.38
1
0.00
-0.19
-0.51
-0.84
1.4
0.18
0.15
-0.06
-0.33
1.8
0.35
0.45
0.37
0.18
2.2
0.52
0.74
0.75
0.64
2.6
0.67
1.00
1.09
1.06
3
0.81
1.23
1.40
1.45
3.4
0.95
1.44
1.67
1.83
3.8
1.07
1.65
1.91
2.17
4.2
1.19
1.85
2.15
2.50
4.6
1.31
2.03
2.47
111.00
5
1.42
2.19
2.85
3.09
5.4
1.52
2.34
3.24
3.54
5.8
1.62
2.48
3.64
6.2
1.72
2.62
6.6
1.81
2.75
7
1.90
2.87
7.4
1.98
2.97
7.8
2.07
3.08
8.2
2.15
3.22
8.6
2.23
3.36
9
2.31
9.4
2.38
9.8
2.45
3 dn
Para 3 n 6, primero hallamos v = ln T1T
3
194

APENDICE
Tabla A15 Convertir Shapiro Wilk en una normal G

n
bn
cn
dn
n
bn
cn
dn
7 -2.356 1.245 0.453 29 -6.074 1.934 0.191
8 -2.696 1.333 0.419 30 -6.150 1.949 0.187
9 -2.968 1.400 0.390 31 -6.248 1.965 0.184
10 -3.262 1.471 0.360 32 -6.324 1.976 0.181
11 -3.485 1.515 0.345 33 -6.402 1.988 0.178
12 -3.731 1.571 0.327 34 -6.480 2.000 0.176
13 -3.936 1.613 0.311 35 -6.559 2.012 0.173
14 -4.155 1.655 0.297 36 -6.640 2.024 0.170
15 -4.373 1.695 0.284 37 -6.721 2.037 0.168
16 -4.567 1.724 0.273 38 -6.803 2.049 0.166
17 -4.713 1.739 0.262 39 -6.887 2.062 0.163
18 -4.885 1.770 0.253 40 -6.961 2.075 0.161
19 -5.018 1.786 0.244 41 -7.035 2.088 0.159
20 -5.153 1.802 0.236 42 -7.111 2.101 0.157
21 -5.291 1.818 0.226 43 -7.188 2.114 0.155
22 -5.413 1.835 0.221 44 -7.266 2.128 0.153
23 -5.508 1.848 0.216 45 -7.345 2.141 0.152
24 -5.605 1.862 0.211 46 -7.414 2.155 0.150
25 -5.704 1.876 0.206 47 -7.484 2.169 0.148
26 -5.803 1.890 0.202 48 -7.555 2.183 0.147
27 -5.905 1.905 0.198 49 -7.615 2.198 0.145
28 -5.988 1.919 0.194 50 -7.677 2.212 0.144
Para 7 n 50 hallamos bn , cn , dn , y luego calculamos
3 dn
G = bn + cn ln T1T
3
con G que se distribuye aproximadamente como una normal estandar.
195

APENDICE
no
Test de una cola p = 0.90 p = 0.95 p = 0.975 p = 0.99
p = 0.995
Test de 2 colas
p = 0.80 p = 0.90 p = 0.95 p = 0.98
p = 0.99
n=3
2/3
2/3
4
3/4
3/4
3/4
5
3/5
3/5
4/5
4/5
4/5
6
3/6
4/6
4/6
5/6
5/6
7
4/7
4/7
5/7
5/7
5/7
8
4/8
4/8
5/8
5/8
6/8
9
4/9
5/9
5/9
6/9
6/9
10
4/10
5/10
6/10
6/10
7/10
11
5/11
5/11
6/11
7/11
7/11
12
5/12
5/12
6/12
7/12
7/12
13
5/13
6/13
6/13
7/13
8/13
14
5/14
6/14
7/14
7/14
8/14
15
5/15
6/15
7/15
8/15
8/15
16
6/16
6/16
7/16
8/16
9/16
17
6/17
7/17
7/17
8/17
9/17
18
6/18
7/18
8/18
9/18
9/18
19
6/19
7/19
8/19
9/19
9/19
20
6/20
7/20
8/20
9/20
10/20
21
6/21
7/21
8/21
9/21
10/21
22
7/22
8/22
8/22
10/22
10/22
23
7/23
8/23
9/23
10/23
10/23
24
7/24
8/24
9/24
10/24
11/24
25
7/25
8/25
9/25
10/25
11/25
26
7/26
8/26
9/26
10/26
11/26
27
7/27
8/27
9/27
11/27
11/27
28
8/28
9/28
10/28
11/28
12/28
29
8/29
9/29
10/29
11/29
12/29
30
8/30
9/30
10/30
11/30
12/30
196

APENDICE
no
Test de una cola p = 0.90 p = 0.95 p = 0.975 p = 0.99
p = 0.995
Test de 2 colas
p = 0.80 p = 0.90 p = 0.95 p = 0.98
p = 0.99
31
8/31
9/31
10/31
11/31
12/31
32
8/32
9/32
10/32
12/32
12/32
33
8/33
9/33
11/33
12/33
13/33
34
8/34
10/34
11/34
12/34
13/34
35
8/35
10/35
11/35
12/35
13/35
36
9/36
10/36
11/36
12/36
13/36
37
9/37
10/37
11/37
13/37
13/37
38
9/38
10/38
11/38
13/38
14/38
39
9/39
10/39
11/39
13/39
14/39
40
9/40
10/40
12/40
13/40
14/40
1.52
1.73
1.92
2.15
2.30
n > 40
n
n
n
n
n
197

APENDICE
198

no
Test de una cola p = 0.90 p = 0.95 p = 0.975 p = 0.99 p = 0.995
Test de 2 colas p = 0.80 p = 0.90 p = 0.95 p = 0.98 p = 0.99
N1 = 1 N2 = 9
17/18
N1 = 1 N2 = 10
9/10
N1 = 2 N2 = 3
5/6
N1 = 2 N2 = 4
3/4
N1 = 2 N2 = 5
4/5
4/5
N1 = 2 N2 = 6
5/6
5/6
N1 = 2N2 = 7
5/7
6/7
N1 = 2 N2 = 8
3/4
7/8
7/8
N1 = 2 N2 = 9
7/9
8/9
8/9
N1 = 2 N2 = 10
7/10
4/5
9/10
N1 = 3 N2 = 4
3/4
3/4
N1 = 3 N2 = 5
2/3
4/5
4/5
N1 = 3 N2 = 6
2/3
2/3
5/6
N1 = 3 N2 = 7
2/3
5/7
6/7
6/7
N1 = 3 N2 = 8
5/8
3/4
3/4
7/8
N1 = 3 N2 = 9
2/3
2/3
7/9
8/9
8/9
N1 = 3 N2 = 10
3/5
7/10
4/5
9/10
9/10
N1 = 3 N2 = 12
7/12
2/3
3/4
5/6
11/12
N1 = 4 N2 = 5
3/5
3/4
4/5
4/5
N1 = 4 N2 = 6
7/12
2/3
3/4
5/6
5/6
N1 = 4 N2 = 7
17/28
5/7
3/4
6/7
6/7
N1 = 4 N2 = 8
5/8
5/8
3/4
7/8
7/8
N1 = 4 N2 = 9
5/9
2/3
3/4
7/9
8/9
N1 = 4 N2 = 10
11/20
13/20
7/10
4/5
4/5
N1 = 4 N2 = 12
7/12
2/3
2/3
3/4
5/6
N1 = 4 N2 = 16
9/16
5/8
11/16
3/4
13/16
N1 = 5 N2 = 6
3/5
2/3
2/3
5/6
5/6
N1 = 5 N2 = 7
4/7
23/35
5/7
29/35
6/7
N1 = 5 N2 = 8
11/20
5/8
27/40
4/5
4/5
N1 = 5 N2 = 9
5/9
3/5
31/45
7/9
4/5
N1 = 5 N2 = 10
1/2
3/5
7/10
7/10
4/5
N1 = 5 N2 = 15
8/15
3/5
2/3
11/15
11/15
N1 = 5 N2 = 20
1/2
11/20
3/5
7/10
3/4
N1 = 6 N2 = 7
23/42
4/7
29/42
5/7
5/6
N1 = 6 N2 = 8
1/2
7/12
2/3
3/4
3/4
N1 = 6 N2 = 9
1/2
5/9
2/3
13/18
7/9
N1 = 6 N2 = 10
1/2
17/30
19/30
7/10
11/15
N1 = 6 N2 = 12
1/2
7/12
7/12
2/3
3/4
N1 = 6 N2 = 18
4/9
5/9
11/18
2/3
13/18
N1 = 6 N2 = 24
11/24
1/2
7/12
5/8
2/3

APENDICE
199

no continuacion
Test de una cola
p = 0.90
p = 0.95
p = 0.975
p = 0.99
p = 0.995
Test de 2 colas
p = 0.80
p = 0.90
p = 0.95
p = 0.98
p = 0.99
N1 = 7 N2 = 8
27/56
33/56
5/8
41/56
3/4
N1 = 7 N2 = 9
31/63
5/9
40/63
5/7
47/63
N1 = 7 N2 = 10
33/70
39/70
43/70
7/10
5/7
N1 = 7 N2 = 14
3/7
1/2
4/7
9/14
5/7
N1 = 7 N2 = 28
3/7
13/28
15/28
17/28
9/14
N1 = 8 N2 = 9
4/9
13/24
5/8
2/3
3/4
N1 = 8 N2 = 10
19/40
21/40
23/40
27/40
7/10
N1 = 8 N2 = 12
11/24
1/2
7/12
5/8
2/3
N1 = 8 N2 = 16
7/16
1/2
9/16
5/8
5/8
N1 = 8 N2 = 32
13/32
7/16
1/2
9/16
19/32
N1 = 9 N2 = 10
7/15
1/2
26/45
2/3
31/45
N1 = 9 N2 = 12
4/9
1/2
5/9
11/18
2/3
N1 = 9 N2 = 15
19/45
22/45
8/15
3/5
29/45
N1 = 9 N2 = 18
7/18
4/9
1/2
5/9
11/18
N1 = 9 N2 = 36
13/36
5/12
17/36
19/36
5/9
N1 = 10 N2 = 15
2/5
7/15
1/2
17/30
19/30
N1 = 10 N2 = 20
2/5
9/20
1/2
11/20
3/5
N1 = 10 N2 = 40
7/20
2/5
9/20
1/2
N1 = 12 N2 = 15
23/60
9/20
1/2
11/20
7/12
N1 = 12 N2 = 16
3/8
7/16
23/48
13/24
7/12
N1 = 12 N2 = 18
13/36
5/12
17/36
19/36
5/9
N1 = 12 N2 = 20
11/30
5/12
7/15
31/60
17/30
N1 = 15 N2 = 20
7/20
2/5
13/30
29/60
31/60
N1 = 16 N2 = 20
27/80
31/80
17/40
19/40
41/80
q
q
q
q
q
m+n
m+n
m+n
m+n
Muestras grandes 1.07 mn
1.22 mn
1.36 mn
1.52 mn
1.63 m+n
mn

APENDICE
Tabla A18 Cuantiles de la distribucion t
g.l. r
p = 0.6 0.75
0.9
0.95
1
0.325
1.000 3.078 6.314
2
0.289
0.816 1.886 2.920
3
0.277
0.765 1.638 2.353
4
0.271
0.741 1.533 2.132
5
0.267
0.727 1.476 2.015
6
0.265
0.718 1.440 1.943
7
0.263
0.711 1.415 1.895
8
0.262
0.706 1.397 1.860
9
0.261
0.703 1.383 1.833
10
0.260
0.700 1.372 1.812
11
0.260
0.697 1.363 1.796
12
0.259
0.695 1.356 1.782
13
0.259
0.694 1.350 1.771
14
0.258
0.692 1.345 1.761
15
0.258
0.691 1.341 1.753
16
0.258
0.690 1.377 1.746
17
0.257
0.689 1.333 1.740
18
0.257
0.688 1.330 1.734
19
0.257
0.688 1.328 1.729
20
0.257
0.687 1.325 1.725
21
0.257
0.686 1.323 1.721
22
0.256
0.686 1.321 1.717
23
0.256
0.685 1.319 1.714
24
0.256
0.685 1.318 1.711
25
0.256
0.684 1.316 1.708
26
0.256
0.684 1.315 1.706
27
0.256
0.684 1.314 1.703
28
0.256
0.683 1.313 1.701
29
0.256
0.683 1.311 1.699
30
0.256
0.683 1.310 1.697
40
0.255
0.681 1.303 1.684
60
0.254
0.679 1.296 1.671
120
0.254
0.677 1.289 1.658
r > 120
0.253
0.674 1.282 1.645
0:975
12.706
4.303
3.182
2.776
2.571
2.447
2.365
2.306
2.262
2.228
2.201
2.179
2.160
2.145
2.131
2.120
2.110
2.101
2.093
2.086
2.080
2.074
2.069
2.064
2.060
2.056
2.052
2.048
2.045
2.042
2.021
2.000
1.980
1.960
200
0.99
31.821
6.965
4.541
3.747
3.365
3.143
2.998
2.896
2.821
2.764
2.718
2.681
2.650
2.624
2.602
2.583
2.567
2.552
2.539
2.528
2.518
2.508
2.500
2.492
2.485
2.479
2.473
2.467
2.462
2.457
2.423
2.390
2.358
2.326
0.995
63.657
9.925
5.841
4.604
4.032
3.707
3.499
3.355
3.250
3.169
3.106
3.055
3.012
2.977
2.947
2.921
2.898
2.878
2.861
2.845
2.831
2.819
2.807
2.797
2.787
2.779
2.771
2.763
2.756
2.750
2.704
2.660
2.617
2.576
0.9975
127.320
14.089
7.453
5.598
4.773
4.317
4.029
3.833
3.690
3.581
3.497
3.428
3.372
3.326
3.286
3.252
3.222
3.197
3.174
3.153
3.135
3.119
3.104
3.091
3.078
3.067
3.057
3.047
3.038
3.030
2.971
2.915
2.860
2.807

APENDICE
Tabla A19 Cuantiles de la distribucion F
r1 =grados de libertad del numerador
r2
1
2
3
4
5
6
0.9
39.86
49.5
53.59
55.83
57.24
58.2
0.95 161.45
199.5
215.71 224.58 230.16 233.99
1
0.99 4052.2 4999.5 5403.4 5624.6 5763.6
5859
0.999 405284 500000 540379 562500 576405 585937
0.9
8.53
9
9.16
9.24
9.29
9.33
0.95
18.51
19
19.16
19.25
19.3
19.33
2
0.99
98.5
99
99.17
99.25
99.3
99.33
0.999 998.5
999
999.17 999.25
999.3
999.33
0.9
5.54
5.46
5.39
5.34
5.31
5.28
0.95
10.13
9.55
9.28
9.12
9.01
8.94
3
0.99
34.12
30.82
29.46
28.71
28.24
27.91
0.999 167.03
148.5
141.11
137.1
134.58 132.85
0.9
4.54
4.32
4.19
4.11
4.05
4.01
0.95
7.71
6.94
6.59
6.39
6.26
6.16
4
0.99
21.2
18
16.69
15.98
15.52
15.21
0.999 74.14
61.25
56.18
53.44
51.71
50.53
0.9
4.06
3.78
3.62
3.52
3.45
3.4
0.95
6.61
5.79
5.41
5.19
5.05
4.95
5
0.99
16.26
13.27
12.06
11.39
10.97
10.67
0.999 47.18
37.12
33.2
31.09
29.75
28.83
0.9
3.78
3.46
3.29
3.18
3.11
3.05
0.95
5.99
5.14
4.76
4.53
4.39
4.28
6
0.99
13.75
10.92
9.78
9.15
8.75
8.47
0.999 35.51
27
23.7
21.92
20.8
20.03
0.9
3.59
3.26
3.07
2.96
2.88
2.83
0.95
5.59
4.74
4.35
4.12
3.97
3.87
7
0.99
12.25
9.55
8.45
7.85
7.46
7.19
0.999 29.25
21.69
18.77
17.2
16.21
15.52
0.9
3.46
3.11
2.92
2.81
2.73
2.67
0.95
5.32
4.46
4.07
3.84
3.69
3.58
8
0.99
11.26
8.65
7.59
7.01
6.63
6.37
0.999 25.41
18.49
15.83
14.39
13.48
12.86
0.9
3.36
3.01
2.81
2.69
2.61
2.55
0.95
5.12
4.26
3.86
3.63
3.48
3.37
9
0.99
10.56
8.02
6.99
6.42
6.06
5.8
0.999 22.86
16.39
13.9
12.56
11.71
11.13
201
7
58.91
236.77
5928.4
592873
9.35
19.35
99.36
999.36
5.27
8.89
27.67
131.58
3.98
6.09
14.98
49.66
3.37
4.88
10.46
28.16
3.01
4.21
8.26
19.46
2.78
3.79
6.99
15.02
2.62
3.5
6.18
12.4
2.51
3.29
5.61
10.7

APENDICE
Tabla A19 Cuantiles de la distribucion F ( continuaci
on )
r2
8
9
10
12
15
20
0.9
59.44
59.86
60.19
61.22
61.22
61.74
0.95 238.88 240.54 241.88 245.95 245.95 248.01
1
0.99 5981.1 6022.5 6055.8 6157.3 6157.3 6208.7
0.999 598144 602284 605621 615764 615764 620908
0.9
9.37
9.38
9.39
9.42
9.42
9.44
0.95
19.37
19.38
19.4
19.43
19.43
19.45
2
0.99
99.37
99.39
99.4
99.43
99.43
99.45
0.999 999.37 999.39
999.4
999.43 999.43 999.45
0.9
5.25
5.24
5.23
5.2
5.2
5.18
0.95
8.85
8.81
8.79
8.7
8.7
8.66
3
0.99
27.49
27.35
27.23
26.87
26.87
26.69
0.999 130.62 129.86 129.25 127.37 127.37 126.42
0.9
3.95
3.94
3.92
3.87
3.87
3.84
0.95
6.04
6
5.96
5.86
5.86
5.8
4
0.99
14.8
14.66
14.55
14.2
14.2
14.02
0.999
49
48.47
48.05
46.76
46.76
46.1
0.9
3.34
3.32
3.3
3.24
3.24
3.21
0.95
4.82
4.77
4.74
4.62
4.62
4.56
5
0.99
10.29
10.16
10.05
9.72
9.72
9.55
0.999 27.65
27.24
26.92
25.91
25.91
25.39
0.9
2.98
2.96
2.94
2.87
2.87
2.84
0.95
4.15
4.1
4.06
3.94
3.94
3.87
6
0.99
8.1
7.98
7.87
7.56
7.56
7.4
0.999 19.03
18.69
18.41
17.56
17.56
17.12
0.9
2.75
2.72
2.7
2.63
2.63
2.59
0.95
3.73
3.68
3.64
3.51
3.51
3.44
7
0.99
6.84
6.72
6.62
6.31
6.31
6.16
0.999 14.63
14.33
14.08
13.32
13.32
12.93
0.9
2.59
2.56
2.54
2.46
2.46
2.42
0.95
3.44
3.39
3.35
3.22
3.22
3.15
8
0.99
6.03
5.91
5.81
5.52
5.52
5.36
0.999 12.05
11.77
11.54
10.84
10.84
10.48
0.9
2.47
2.44
2.42
2.34
2.34
2.3
0.95
3.23
3.18
3.14
3.01
3.01
2.94
9
0.99
5.47
5.35
5.26
4.96
4.96
4.81
0.999 10.37
10.11
9.89
9.24
9.24
8.9
202
25
62.05
249.26
6239.8
624017
9.45
19.46
99.46
999.46
5.17
8.63
26.58
125.84
3.83
5.77
13.91
45.7
3.19
4.52
9.45
25.08
2.81
3.83
7.3
16.85
2.57
3.4
6.06
12.69
2.4
3.11
5.26
10.26
2.27
2.89
4.71
8.69

APENDICE
Tabla A19 Cuantiles de la distribucion F (continuaci
on )
r2
30
40
50
60
120
0.9
62.26
62.53
62.69
62.79
63.06
0.95
250.1
251.14 251.77
252.2
253.25
1
0.99 6260.6 6286.8 6302.5
6313
6339.4
0.999 626099 628712 630285 631337 633972
0.9
9.46
9.47
9.47
9.47
9.48
0.95
19.46
19.47
19.48
19.48
19.49
2
0.99
99.47
99.47
99.48
99.48
99.49
0.999 999.47 999.47 999.48 999.48 999.49
0.9
5.17
5.16
5.15
5.15
5.14
0.95
8.62
8.59
8.58
8.57
8.55
3
0.99
26.5
26.41
26.35
26.32
26.22
0.999 125.45 124.96 124.66 124.47 123.97
0.9
3.82
3.8
3.8
3.79
3.78
0.95
5.75
5.72
5.7
5.69
5.66
4
0.99
13.84
13.75
13.69
13.65
13.56
0.999 45.43
45.09
44.88
44.75
44.4
0.9
3.17
3.16
3.15
3.14
3.12
0.95
4.5
4.46
4.44
4.43
4.4
5
0.99
9.38
9.29
9.24
9.2
9.11
0.999 24.87
24.6
24.44
24.33
24.06
0.9
2.8
2.78
2.77
2.76
2.74
0.95
3.81
3.77
3.75
3.74
3.7
6
0.99
7.23
7.14
7.09
7.06
6.97
0.999 16.67
16.44
16.31
16.21
15.98
0.9
2.56
2.54
2.52
2.51
2.49
0.95
3.38
3.34
3.32
3.3
3.27
7
0.99
5.99
5.91
5.86
5.82
5.74
0.999 12.53
12.33
12.2
12.12
11.91
0.9
2.38
2.36
2.35
2.34
2.32
0.95
3.08
3.04
3.02
3.01
2.97
8
0.99
5.2
5.12
5.07
5.03
4.95
0.999 10.11
9.92
9.8
9.73
9.53
0.9
2.25
2.23
2.22
2.21
2.18
0.95
2.86
2.83
2.8
2.79
2.75
9
0.99
4.65
4.57
4.52
4.48
4.4
0.999
8.55
8.37
8.26
8.19
8
203
1000
63.3
254.19
6362.7
636301
9.49
19.49
99.5
999.5
5.13
8.53
26.14
123.53
3.76
5.63
13.47
44.09
3.11
4.37
9.03
23.82
2.72
3.67
6.89
15.77
2.47
3.23
5.66
11.72
2.3
2.93
4.87
9.36
2.16
2.71
4.32
7.84

APENDICE
on )
r2
1
2
3
4
5
6
7
0.9
3.29
2.92
2.73
2.61
2.52 2.46 2.41
0.95
4.96
4.1
3.71
3.48
3.33 3.22 3.14
10 0.99 10.04 7.56
6.55
5.99
5.64 5.39 5.2
0.999 21.04 14.91 12.55 11.28 10.48 9.93 9.52
0.9
3.23
2.86
2.66
2.54
2.45 2.39 2.34
0.95
4.84
3.98
3.59
3.36
3.2
3.09 3.01
11 0.99
9.65
7.21
6.22
5.67
5.32 5.07 4.89
0.999 19.69 13.81 11.56 10.35 9.58 9.05 8.66
0.9
3.18
2.81
2.61
2.48
2.39 2.33 2.28
0.95
4.75
3.89
3.49
3.26
3.11
3
2.91
12 0.99
9.33
6.93
5.95
5.41
5.06 4.82 4.64
0.999 18.64 12.97 10.8
9.63
8.89 8.38
8
0.9
3.14
2.76
2.56
2.43
2.35 2.28 2.23
0.95
4.67
3.81
3.41
3.18
3.03 2.92 2.83
13 0.99
9.07
6.7
5.74
5.21
4.86 4.62 4.44
0.999 17.82 12.31 10.21 9.07
8.35 7.86 7.49
0.9
3.1
2.73
2.52
2.39
2.31 2.24 2.19
0.95
4.6
3.74
3.34
3.11
2.96 2.85 2.76
14 0.99
8.86
6.51
5.56
5.04
4.69 4.46 4.28
0.999 17.14 11.78 9.73
8.62
7.92 7.44 7.08
0.9
3.07
2.7
2.49
2.36
2.27 2.21 2.16
0.95
4.54
3.68
3.29
3.06
2.9
2.79 2.71
15 0.99
8.68
6.36
5.42
4.89
4.56 4.32 4.14
0.999 16.59 11.34 9.34
8.25
7.57 7.09 6.74
0.9
3.05
2.67
2.46
2.33
2.24 2.18 2.13
0.95
4.49
3.63
3.24
3.01
2.85 2.74 2.66
16 0.99
8.53
6.23
5.29
4.77
4.44
4.2 4.03
0.999 16.12 10.97 9.01
7.94
7.27
6.8 6.46
0.9
3.03
2.64
2.44
2.31
2.22 2.15 2.1
0.95
4.45
3.59
3.2
2.96
2.81
2.7 2.61
17 0.99
8.4
6.11
5.19
4.67
4.34
4.1 3.93
0.999 15.72 10.66 8.73
7.68
7.02 6.56 6.22
0.9
3.01
2.62
2.42
2.29
2.2
2.13 2.08
0.95
4.41
3.55
3.16
2.93
2.77 2.66 2.58
18 0.99
8.29
6.01
5.09
4.58
4.25 4.01 3.84
0.999 15.38 10.39 8.49
7.46
6.81 6.35 6.02
204
8
2.38
3.07
5.06
9.2
2.3
2.95
4.74
8.35
2.24
2.85
4.5
7.71
2.2
2.77
4.3
7.21
2.15
2.7
4.14
6.8
2.12
2.64
4
6.47
2.09
2.59
3.89
6.19
2.06
2.55
3.79
5.96
2.04
2.51
3.71
5.76
9
2.35
3.02
4.94
8.96
2.27
2.9
4.63
8.12
2.21
2.8
4.39
7.48
2.16
2.71
4.19
6.98
2.12
2.65
4.03
6.58
2.09
2.59
3.89
6.26
2.06
2.54
3.78
5.98
2.03
2.49
3.68
5.75
2
2.46
3.6
5.56

APENDICE
Tabla A19 Cuantiles de la distribucion F ( continuacion )
r2
10
12
15
20
25
30
40
50
60
0.9
2.32 2.28 2.24 2.2 2.17 2.16 2.13 2.12 2.11
0.95 2.98 2.91 2.85 2.77 2.73 2.7 2.66 2.64 2.62
10 0.99 4.85 4.71 4.56 4.41 4.31 4.25 4.17 4.12 4.08
0.999 8.75 8.45 8.13 7.8
7.6 7.47 7.3 7.19 7.12
0.9
2.25 2.21 2.17 2.12 2.1 2.08 2.05 2.04 2.03
0.95 2.85 2.79 2.72 2.65 2.6 2.57 2.53 2.51 2.49
11 0.99 4.54 4.4 4.25 4.1 4.01 3.94 3.86 3.81 3.78
0.999 7.92 7.63 7.32 7.01 6.81 6.68 6.52 6.42 6.35
0.9
2.19 2.15 2.1 2.06 2.03 2.01 1.99 1.97 1.96
0.95 2.75 2.69 2.62 2.54 2.5 2.47 2.43 2.4 2.38
12 0.99
4.3 4.16 4.01 3.86 3.76 3.7 3.62 3.57 3.54
0.999 7.29
7
6.71 6.4 6.22 6.09 5.93 5.83 5.76
0.9
2.14 2.1 2.05 2.01 1.98 1.96 1.93 1.92 1.9
0.95 2.67 2.6 2.53 2.46 2.41 2.38 2.34 2.31 2.3
13 0.99
4.1 3.96 3.82 3.66 3.57 3.51 3.43 3.38 3.34
0.999 6.8 6.52 6.23 5.93 5.75 5.63 5.47 5.37 5.3
0.9
2.1 2.05 2.01 1.96 1.93 1.91 1.89 1.87 1.86
0.95
2.6 2.53 2.46 2.39 2.34 2.31 2.27 2.24 2.22
14 0.99 3.94 3.8 3.66 3.51 3.41 3.35 3.27 3.22 3.18
0.999 6.4 6.13 5.85 5.56 5.38 5.25 5.1
5
4.94
0.9
2.06 2.02 1.97 1.92 1.89 1.87 1.85 1.83 1.82
0.95 2.54 2.48 2.4 2.33 2.28 2.25 2.2 2.18 2.16
15 0.99
3.8 3.67 3.52 3.37 3.28 3.21 3.13 3.08 3.05
0.999 6.08 5.81 5.54 5.25 5.07 4.95 4.8
4.7 4.64
0.9
2.03 1.99 1.94 1.89 1.86 1.84 1.81 1.79 1.78
0.95 2.49 2.42 2.35 2.28 2.23 2.19 2.15 2.12 2.11
16 0.99 3.69 3.55 3.41 3.26 3.16 3.1 3.02 2.97 2.93
0.999 5.81 5.55 5.27 4.99 4.82 4.7 4.54 4.45 4.39
0.9
2
1.96 1.91 1.86 1.83 1.81 1.78 1.76 1.75
0.95 2.45 2.38 2.31 2.23 2.18 2.15 2.1 2.08 2.06
17 0.99 3.59 3.46 3.31 3.16 3.07
3
2.92 2.87 2.83
0.999 5.58 5.32 5.05 4.78 4.6 4.48 4.33 4.24 4.18
0.9
1.98 1.93 1.89 1.84 1.8 1.78 1.75 1.74 1.72
0.95 2.41 2.34 2.27 2.19 2.14 2.11 2.06 2.04 2.02
18 0.99 3.51 3.37 3.23 3.08 2.98 2.92 2.84 2.78 2.75
0.999 5.39 5.13 4.87 4.59 4.42 4.3 4.15 4.06
4
205
120
2.08
2.58
4
6.94
2
2.45
3.69
6.18
1.93
2.34
3.45
5.59
1.88
2.25
3.25
5.14
1.83
2.18
3.09
4.77
1.79
2.11
2.96
4.47
1.75
2.06
2.84
4.23
1.72
2.01
2.75
4.02
1.69
1.97
2.66
3.84
1000
2.06
2.54
3.92
6.78
1.98
2.41
3.61
6.02
1.91
2.3
3.37
5.44
1.85
2.21
3.18
4.99
1.8
2.14
3.02
4.62
1.76
2.07
2.88
4.33
1.72
2.02
2.76
4.08
1.69
1.97
2.66
3.87
1.66
1.92
2.58
3.69

APENDICE
on )
r2
1
2
3
4
5
6
7
8
0.9
2.99
2.61
2.4 2.27 2.18 2.11 2.06 2.02
0.95
4.38
3.52 3.13 2.9 2.74 2.63 2.54 2.48
19 0.99
8.18
5.93 5.01 4.5 4.17 3.94 3.77 3.63
0.999 15.08 10.16 8.28 7.27 6.62 6.18 5.85 5.59
0.9
2.97
2.59 2.38 2.25 2.16 2.09 2.04
2
0.95
4.35
3.49
3.1 2.87 2.71 2.6 2.51 2.45
20 0.99
8.1
5.85 4.94 4.43 4.1 3.87 3.7 3.56
0.999 14.82 9.95
8.1
7.1 6.46 6.02 5.69 5.44
0.9
2.96
2.57 2.36 2.23 2.14 2.08 2.02 1.98
0.95
4.32
3.47 3.07 2.84 2.68 2.57 2.49 2.42
21 0.99
8.02
5.78 4.87 4.37 4.04 3.81 3.64 3.51
0.999 14.59 9.77 7.94 6.95 6.32 5.88 5.56 5.31
0.9
2.95
2.56 2.35 2.22 2.13 2.06 2.01 1.97
0.95
4.3
3.44 3.05 2.82 2.66 2.55 2.46 2.4
22 0.99
7.95
5.72 4.82 4.31 3.99 3.76 3.59 3.45
0.999 14.38 9.61
7.8 6.81 6.19 5.76 5.44 5.19
0.9
2.94
2.55 2.34 2.21 2.11 2.05 1.99 1.95
0.95
4.28
3.42 3.03 2.8 2.64 2.53 2.44 2.37
23 0.99
7.88
5.66 4.76 4.26 3.94 3.71 3.54 3.41
0.999 14.2
9.47 7.67 6.7 6.08 5.65 5.33 5.09
0.9
2.93
2.54 2.33 2.19 2.1 2.04 1.98 1.94
0.95
4.26
3.4
3.01 2.78 2.62 2.51 2.42 2.36
24 0.99
7.82
5.61 4.72 4.22 3.9 3.67 3.5 3.36
0.999 14.03 9.34 7.55 6.59 5.98 5.55 5.23 4.99
0.9
2.92
2.53 2.32 2.18 2.09 2.02 1.97 1.93
0.95
4.24
3.39 2.99 2.76 2.6 2.49 2.4 2.34
25 0.99
7.77
5.57 4.68 4.18 3.85 3.63 3.46 3.32
0.999 13.88 9.22 7.45 6.49 5.89 5.46 5.15 4.91
0.9
2.91
2.52 2.31 2.17 2.08 2.01 1.96 1.92
0.95
4.23
3.37 2.98 2.74 2.59 2.47 2.39 2.32
26 0.99
7.72
5.53 4.64 4.14 3.82 3.59 3.42 3.29
0.999 13.74 9.12 7.36 6.41 5.8 5.38 5.07 4.83
0.9
2.9
2.51
2.3 2.17 2.07
2
1.95 1.91
0.95
4.21
3.35 2.96 2.73 2.57 2.46 2.37 2.31
27 0.99
7.68
5.49
4.6 4.11 3.78 3.56 3.39 3.26
0.999 13.61 9.02 7.27 6.33 5.73 5.31
5
4.76
206
9
1.98
2.42
3.52
5.39
1.96
2.39
3.46
5.24
1.95
2.37
3.4
5.11
1.93
2.34
3.35
4.99
1.92
2.32
3.3
4.89
1.91
2.3
3.26
4.8
1.89
2.28
3.22
4.71
1.88
2.27
3.18
4.64
1.87
2.25
3.15
4.57

APENDICE
Tabla A19 Cuantiles de la distribucion F ( continuacion )
r2
10
12
15
20
25
30
40
50
60
0.9
1.84 1.79 1.74 1.69 1.65 1.63 1.59 1.57 1.56
0.95 2.19 2.12 2.04 1.96 1.91 1.87 1.82 1.79 1.77
28
0.99 3.03 2.9 2.75 2.6 2.51 2.44 2.35 2.3 2.26
0.999 4.35 4.11 3.86 3.6 3.43 3.32 3.18 3.09 3.02
0.9
1.83 1.78 1.73 1.68 1.64 1.62 1.58 1.56 1.55
0.95 2.18 2.1 2.03 1.94 1.89 1.85 1.81 1.77 1.75
29
0.99
3
2.87 2.73 2.57 2.48 2.41 2.33 2.27 2.23
0.999 4.29 4.05 3.8 3.54 3.38 3.27 3.12 3.03 2.97
0.9
1.82 1.77 1.72 1.67 1.63 1.61 1.57 1.55 1.54
0.95 2.16 2.09 2.01 1.93 1.88 1.84 1.79 1.76 1.74
30
0.99 2.98 2.84 2.7 2.55 2.45 2.39 2.3 2.25 2.21
0.999 4.24
4
3.75 3.49 3.33 3.22 3.07 2.98 2.92
0.9
1.76 1.71 1.66 1.61 1.57 1.54 1.51 1.48 1.47
0.95 2.08
2
1.92 1.84 1.78 1.74 1.69 1.66 1.64
40
0.99
2.8 2.66 2.52 2.37 2.27 2.2 2.11 2.06 2.02
0.999 3.87 3.64 3.4 3.14 2.98 2.87 2.73 2.64 2.57
0.9
1.73 1.68 1.63 1.57 1.53 1.5 1.46 1.44 1.42
0.95 2.03 1.95 1.87 1.78 1.73 1.69 1.63 1.6 1.58
50
0.99
2.7 2.56 2.42 2.27 2.17 2.1 2.01 1.95 1.91
0.999 3.67 3.44 3.2 2.95 2.79 2.68 2.53 2.44 2.38
0.9
1.71 1.66 1.6 1.54 1.5 1.48 1.44 1.41 1.4
0.95 1.99 1.92 1.84 1.75 1.69 1.65 1.59 1.56 1.53
60
0.99 2.63 2.5 2.35 2.2
2.1 2.03 1.94 1.88 1.84
0.999 3.54 3.32 3.08 2.83 2.67 2.55 2.41 2.32 2.25
0.9
1.66 1.61 1.56 1.49 1.45 1.42 1.38 1.35 1.34
0.95 1.93 1.85 1.77 1.68 1.62 1.57 1.52 1.48 1.45
100
0.99
2.5 2.37 2.22 2.07 1.97 1.89 1.8 1.74 1.69
0.999 3.3 3.07 2.84 2.59 2.43 2.32 2.17 2.08 2.01
0.9
1.63 1.58 1.52 1.46 1.41 1.38 1.34 1.31 1.29
0.95 1.88 1.8 1.72 1.62 1.56 1.52 1.46 1.41 1.39
200
0.99 2.41 2.27 2.13 1.97 1.87 1.79 1.69 1.63 1.58
0.999 3.12 2.9 2.67 2.42 2.26 2.15
2
1.9 1.83
0.9
1.61 1.55 1.49 1.43 1.38 1.35 1.3 1.27 1.25
0.95 1.84 1.76 1.68 1.58 1.52 1.47 1.41 1.36 1.33
1000 0.99 2.34 2.2 2.06 1.9 1.79 1.72 1.61 1.54 1.5
0.999 2.99 2.77 2.54 2.3 2.14 2.02 1.87 1.77 1.69
207
120
1.52
1.71
2.17
2.86
1.51
1.7
2.14
2.81
1.5
1.68
2.11
2.76
1.42
1.58
1.92
2.41
1.38
1.51
1.8
2.21
1.35
1.47
1.73
2.08
1.28
1.38
1.57
1.83
1.23
1.3
1.45
1.64
1.18
1.24
1.35
1.49
1000
1.48
1.66
2.08
2.72
1.47
1.65
2.05
2.66
1.46
1.63
2.02
2.61
1.38
1.52
1.82
2.25
1.33
1.45
1.7
2.05
1.3
1.4
1.62
1.92
1.22
1.3
1.45
1.64
1.16
1.21
1.3
1.43
1.08
1.11
1.16
1.22

Estadistica No Parametrica

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Estadistica No Parametrica

Загружено:

Авторское право:

Доступные форматы

Notas de clase

Por: Mario Cesar Jaramillo Elorza

Universidad Nacional de Colombia

1.1. Escalas de medida . . . . . . . . . . . . . . . . . . . . . . . .

1.1.1. Escala nominal . . . . . . . . . . . . . . . . . . . . . .

1.1.2. Escala ordinal . . . . . . . . . . . . . . . . . . . . . . .

1.1.3. Escala de intervalo . . . . . . . . . . . . . . . . . . . .

1.1.4. Escala de razon . . . . . . . . . . . . . . . . . . . . . .

2. Pruebas basadas en la binomial

2.1. Test Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2. Test cuantil . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3. Test de McNemar de significancia de cambios . . . . . . . . .

2.4. Test del signo . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.5. Ejercicios del captulo . . . . . . . . . . . . . . . . . . . . . .

3.1. Test 2 para diferencia de probabilidades . . . . . . . . . . .

3.2. Test Exacto de Fisher . . . . . . . . . . . . . . . . . . . . . .

3.3. Test de Mantel - Haenszel . . . . . . . . . . . . . . . . . . . .

3.4. Test 2 para independencia . . . . . . . . . . . . . . . . . . .

con totales marginales fijos . . . . . . . . . . . . . . .

3.6. Medidas de dependencia . . . . . . . . . . . . . . . . . . . . .

3.6.1. Coeficiente de contingencia de Cramer . . . . . . . . .

3.6.2. Coeficiente de contingencia de Pearson . . . . . . . . .

3.6.3. Coeficiente de contingencia de Media Cuadratica de

3.6.4. El coeficiente Phi . . . . . . . . . . . . . . . . . . . . .

3.7. Test de bondad de ajuste

3.8. Test de Cochran para observaciones relacionadas . . . . . . .

3.9. Ejercicios del captulo . . . . . . . . . . . . . . . . . . . . . .

4.1. El test de Mann-Whitney . . . . . . . . . . . . . . . . . . . .

4.2. Intervalo de confianza para la diferencia de medias . . . . . .

4.3. El test de Kruskall-Wallis . . . . . . . . . . . . . . . . . . . .

4.4. Un test para igualdad de varianzas . . . . . . . . . . . . . . .

4.5. Test para comparar las varianzas de mas de dos poblaciones .

4.6. Medidas de correlacion por medio de rangos . . . . . . . . . .

4.6.2. Tau de Kendall . . . . . . . . . . . . . . . . . . . . . .

4.7. Metodos de regresion lineal no parametrica . . . . . . . . . .

4.7.1. Repaso de regresion lineal . . . . . . . . . . . . . . . .

4.7.2. Metodos no parametricos para regresion lineal . . . .

4.8. Metodos no parametricos para regresion monotona . . . . . .

4.9. El test de rangos signados de Wilcoxon . . . . . . . . . . . . .

4.10. Test de Friedman . . . . . . . . . . . . . . . . . . . . . . . . .

4.11. Extension del test de Friedman: Caso de varias observaciones

4.13. test de Durbin . . . . . . . . . . . . . . . . . . . . . . . . . . 109

5.1. Test de Bondad de ajuste de Kolmogorov . . . . . . . . . . . 132

5.3.1. El test de Shapiro-Wilk para normalidad . . . . . . . 141

al menos uno de los siguientes criterios:

No se necesita ser un experto en teora de la probabilidad para entender

Es aquella que asigna n

Es aquella que tiene en cuenta, no solo el orden relativo de las mediciones,

Es aquella que se usa no solo cuando el orden y el tama

alturas, ingresos, etc. La diferencia entre las escalas de intervalo y razon, es

Algunas pruebas basadas en

Su interes es el de determinar la proporcion de individuos que tienen cierta

CAPITULO 2. PRUEBAS BASADAS EN LA BINOMIAL

CAPITULO 2. PRUEBAS BASADAS EN LA BINOMIAL

Ejemplo 2.1.1. Bajo la teora Mendeliana en un cruce entre plantas de

CAPITULO 2. PRUEBAS BASADAS EN LA BINOMIAL

Valor P = 2P (Z 0.8922) = 2(0.186) = 0.372

CAPITULO 2. PRUEBAS BASADAS EN LA BINOMIAL

Su interes es el de realizar hipotesis con respecto a los cuantiles de la distribucion.

CAPITULO 2. PRUEBAS BASADAS EN LA BINOMIAL

Para n > 20 o valores

B. (test de cola izquierda)

CAPITULO 2. PRUEBAS BASADAS EN LA BINOMIAL

C. (test de cola derecha)