Академический Документы
Профессиональный Документы
Культура Документы
net/publication/313141518
CITATIONS READS
5 3,937
2 authors, including:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
EXCELCON. Excellence in Research and Innovation for the project-construction process in civil engineering View project
All content following this page was uploaded by Andrés Carrión García on 31 January 2017.
CONCEPTOS BÁSICOS
DE ESTADÍSTICA
ANEXOS............................................................................................... 103
CONCEPTOS BÁSICOS DE ESTADÍSTICA 7
Podríamos decir que “la Estadística es la ciencia que se encarga del estudio
de los fenómenos aleatorios”. Así pues, la Estadística no es una simple descripción
numérica como podría ser una encuesta previa a las elecciones, sino que puede te-
ner un campo ilimitado de aplicaciones que va desde la ciencia y la ingeniería hasta
las leyes y la medicina.
Sin embargo, también hemos dicho que se caracterizan por la llamada regula-
ridad estadística: si llamamos n al número de repeticiones, ν a la frecuencia absoluta
(número de veces que ocurre un determinado suceso A), la frecuencia relativa con la
8 Especialista en Gestión y Control de la Calidad
Dicho de otra forma, a pesar de que con una sola realización de una experien-
cia no podemos predecir el resultado del fenómeno, sabemos que éste tiene un cier-
to comportamiento, que es precisamente su regularidad, lo cual nos permite reducir,
hasta cierto punto, su incertidumbre.
1.2.- VARIABILIDAD
exactamente iguales.
2.2.- TABULACIONES
Si los datos son cuantitativos discretos dependerá del número de posibles va-
lores que puede tomar la variable: si tiene muchos posibles valores los dividiremos
en intervalos; si, por el contrario, son pocos, entonces estudiaremos las frecuencias
para cada uno de ellos.
Por último, si son datos cualitativos tendremos que estudiar las frecuencias de
cada uno de los posibles valores puesto que, en este caso, no hay posibilidad de
agrupamiento. Por ejemplo:
Desplazado 3 1 2 6
Ausente 2 5 2 9
Torcido 4 3 5 12
Roto 0 2 1 3
Erróneo 1 3 2 6
Total 10 14 12 36
en el que se ha representado las frecuencias para cada tipo de defecto y para cada
máquina. A partir de aquí podemos determinar las frecuencias relativas con respecto
a cualquier fila o columna.
Si tenemos que representar los datos para tres variables distintas una opción
podría ser:
24
20
F 16
r
12
e
c. 8
4
0
3,9 3,92 3,94 3,96 3,98 4 4,02 4,04 4,06 4,08 4,1
Figura 2.1.
Aunque no es el caso de la Estadística Descriptiva, muchas veces el histo-
grama se utiliza para realizar comprobaciones de cómo es una determinada pobla-
ción a partir de un grupo pequeño de datos de ésta. Por ello debemos utilizar una
16 Especialista en Gestión y Control de la Calidad
serie de normas para poder dibujarlo, puesto que si no el resultado podría no ser re-
presentativo de la realidad de dicha población. El método que utilizaremos para reali-
zar el histograma será:
3. Calculamos el Rango a través del valor más pequeño y el más grande del grupo
de datos:
R=xmáx-xmín.
6. A partir de aquí decidimos cuál va a ser el límite inferior del histograma (que sea
“fácilmente sumable” con la escala e’) y dibujamos el histograma tendiendo en
cuenta que los valores que coincidan con los límites del intervalo deben ir siem-
pre en el intervalo superior. Podemos representar las frecuencias absolutas, las
relativas o las acumuladas según nos interese.
32.194 32.224 32.223 32.207 32.207 32.225 32.239 32.185 32.205 32.179
32.203 32.218 32.216 32.191 32.207 32.219 32.196 32.181 32.216 32.197
32.196 32.208 32.174 32.191 32.193 32.221 32.197 32.205 32.197 32.188
32.182 32.210 32.203 32.193 32.216 32.208 32.196 32.205 32.205 32.211
32.191 32.203 32.196 32.179 32.204 32.216 32.202 32.177 32.183 32.203
32.209 32.216 32.191 32.180 32.189 32.214 32.230 32.187 32.220 32.207
32.205 32.167 32.195 32.189 32.181 32.203 32.206 32.213 32.193 32.188
32.206 32.199 32.169 32.202 32.219 32.224 32.195 32.196 32.225 32.224
32.187 32.227 32.201 32.208 32.195 32.204 32.196 32.199 32.197 32.190
32.186 32.197 32.207 32.199 32.225 32.219 32.169 32.184 32.215 32.195
0'072
e’=0’01 k' = = 7'2 ≈ 8
0'01
5. Decidimos que el límite inferior del histograma debe ser 32’16 porque así los
límites de separación entre intervalos tendrá valores sencillos. Realizamos el
histograma de la figura 2.2:
30
25
20
15
10
0
32,16 32,17 32,18 32,19 32,20 32,21 32,22 32,23 32,24
Figura 2.2.
Figura 2.3.
mente debido a que eran piezas defectuosas. Y por último, los histogramas e), f) y g)
son debidos a que en los datos hay mezcla de poblaciones.
Figura 2.4.
lidades más importantes de este tipo de Diagrama es que nos ayuda a identificar
los pocos defectos vitales, que podemos encontrar en un proceso, en los que cen-
trar esfuerzos, diferenciándolos de otros muchos defectos triviales, por lo tanto, es
una herramienta muy útil para el Control del Proceso. Un ejemplo de Diagrama de
Pareto es el de la figura 2.5.
Frec. 80 42,38
40
0
S. I. G.S. C Ag Am CC C. F. C. S
Figura 2.5.
120 55,91
Frec.
80
40
0
Tensión Rayado Burbuja Fractura Mancha Rajadura
Figura 2.6.
• Hemos llamado cnc al coste de no calidad por unidad, es decir, a todas aquellas
24 Especialista en Gestión y Control de la Calidad
• Suponiendo que existe alguna herramienta que puede evitar que se produzca el
defecto, incluimos otro factor que es el cs (coste de la solución por unidad). Evi-
dentemente, cuanto mayor sea el coste de la solución menor prioridad queremos
que tenga el defecto.
• Otro factor a considerar podría ser p (probabilidad de éxito) que no es más que
una probabilidad subjetiva que se basa en la esperanza que tenemos de que el
defecto se elimine.
Así pues, teniendo en cuenta todos los factores anteriores, el defecto sobre el
que centraremos esfuerzos será aquel que mejor se acople a todas las condiciones a
la vez: el más frecuente, el que mayor coste de no calidad tenga, el que tenga menor
coste y tiempo de solución y el que tenga mayor probabilidad de éxito.
Siguiendo con el ejemplo anterior, supongamos que los valores de los factores
que hemos considerado en el IPP son:
Defecto f cnc cs p ts
Fractura 10 50 500 0.7 35
Rayado 42 50 2000 0.9 20
Mancha 6 90 10 1 3
Rajadura 4 120 1500 0.2 103
Tensión 104 50 30 0.1 2
Burbuja 20 130 1200 0.8 40
Figura 2.7.
12
f 9
r
e
c
u
6
e
n
c
i
a 3 103
83
0
63
160
170
180
190 43
Figura 2.8.
outliers
180
150
120
W
90
60
30
0
15 25 35 45 55
mpg
Figura 2.9
De aquí en adelante consideraremos que los datos son x1, x2, ···, xn donde ca-
28 Especialista en Gestión y Control de la Calidad
~ n +1 n + 1
x = xi + − i ⋅( xi +1 − xi ) donde i = INT
2 2
∑ (x − x)
i
2
s2 = i =1
n
En Inferencia Estadística, por motivos que justificaremos en el capítulo
correspondiente, normalmente se utiliza la varianza calculada como:
n
∑ (x − x)
i
2
s2 = i =1
n −1
que en Estadística Descriptiva se le suele llamar cuasivarianza. Una forma de
diferenciarlas es indicando mediante un subíndice el valor del denominador. Así,
sn será la varianza y sn-1 es la cuasivarianza.
s = + s2
problema que tiene es que es una medida muy poco robusta ante valores
anómalos.
R=Xmax-Xmin
• Recorrido intercuartílico: Es más robusta que la anterior puesto que utiliza los
cuartiles:
R.I.= q3-q1
2.9.- EJERCICIOS
1.- En la tabla siguiente se recoge las medidas del diámetro de 100 ejes fabricados
consecutivamente cuyas especificaciones son 32’21±0’05 mm.
32’20 32’23 32’20 32’22 32’18 32’23 32’17 32’19 32’21 32’19
32’23 32’21 32’21 32’24 32’21 32’23 32’20 32’21 32’19 32’20
32’22 32’25 32’20 32’24 32’19 32’18 32’21 32’17 32’22 32’23
32’18 32’21 32’22 32’24 32’23 32’20 32’19 32’18 32’17 32’20
32’22 32’22 32’22 32’20 32’17 32’20 32’22 32’23 32’18 32’25
32’21 32’22 32’20 32’25 32’17 32’21 32’22 32’20 32’19 32’19
32’18 32’25 32’22 32’21 32’24 32’22 32’19 32’25 32’23 32’20
32’25 32’18 32’23 32’21 32’21 32’24 32’22 32’16 32’22 32’21
32’19 32’19 32’20 32’19 32’20 32’22 32’23 32’24 32’19 32’20
32’21 32’20 32’21 32’23 32’21 32’19 32’26 32’23 32’21 32’21
Determinar el número de intervalos, el ancho de cada uno, los límites del histograma
de frecuencias y representarlo analizando el resultado.
12’7 12’6 12’9 12’8 12’3 12’7 12’6 12’4 12’6 12’3 12’5 12’4 12’2 12’2 12’1
12’8 12’5 12’6 12’6 12’3 12’4 12’1 12’2 12’7 12’6 12’6 12’5 12’3 12’8 12’2
12’9 12’4 12’8 12’8 12’9 12’2 12’5 12’8 12’8 12’7 12’5 12’1 12’1 12’6 12’7
12’7 12’3 12’6 12’5 12’5 12’7 12’3 12’6 12’1 12’4 12’6 12’4 12’8 12’6 12’8
12’5 12’3 12’1 12’3 12’4 12’9 12’2 12’1 12’4 12’8 12’3 12’9 12’6 12’5 12’5
12’4 12’7 12’9 12’4 12’7 12’3 12’5 12’8 12’6 12’4 12’6 12’9 12’2 12’2 12’8
12’6 12’6 12’4 12’3 12’5 12’3 12’4 12’4 12’5 12’9 12’4 12’4 12’4 12’1 12’3
12’2 12’7 12’2 12’4 12’9 12’5 12’1 12’3 12’2 12’5 12’5 12’2 12’6 12’5 12’1
12’8 12’4 12’5 12’8 12’3 12’2 12’3 12’7 12’7 12’7 12’6 12’8 12’2 12’7 12’3
12’9 12’8 12’9 12’4 12’2 12’5 12’7 12’3 12’7 12’3 12’5 12’1 12’2 12’1 12’4
12’7 12’7 12’4 12’5 12’5 12’7 12’5 12’6 12’3 12’4 12’5 12’6 12’6
68500 100
1 00 .0
94 .9
80
62.8 60
40
40 .9
20
0
0
D e f.3 D e f.4 D e f.1 D e f.2 O tro s
CAPÍTULO 3: PROBABILIDAD
3.1.- INTRODUCCIÓN
• Espacio muestral finito o discreto finito: el conjunto de todos los posibles resulta-
34 Especialista en Gestión y Control de la Calidad
dos es un conjunto discreto y finito. Por ejemplo, el espacio muestral del lanza-
miento de un dado es E={1,2,3,4,5,6}.
Sabemos que
P( A ∩ B) P( A ∩ B)
P(B / A ) = P( A / B) =
P( A ) P(B)
por lo tanto, si despejamos las intersecciones de cada una de las ecuaciones ten-
dremos que:
P(A∩B)=P(A/B)·P(B)=P(B/A)·P(A)
que es el llamado Teorema de la Intersección para dos sucesos.
E
A3
A2
A4
B A1
A5
Figura 3.1
Donde el suceso B es la unión de:
B=U(Ai∩B) con (Ai∩B)∩(Aj∩B)=∅ ∀ i≠j
P( A i ∩ B)
P( A i / B) =
P(B)
Aplicando el Teorema de la Intersección en el numerador y el Teorema de la
Partición en el denominador, obtenemos que:
P( A i ) ⋅P(B / A i )
P( A i / B) = n
∑ P( A )⋅P(B / A )
i =1
i i
A los sucesos Ai se les suele llamar causa y al suceso B efecto. Por lo tanto, el
Teorema de Bayes determina la probabilidad de que haya sido la causa de Ai la que
ha provocado el efecto B.
3.4.- COMBINATORIA
Para el caso en que sí que importa el orden con el que salgan los resultados
utilizaremos:
• Sin repetición:
− Variaciones: grupos de m elementos tomados de un grupo mayor constituido
por n elementos
m!
Vmn =
(m − n)!
− Permutaciones: ordenaciones de n elementos
Pn=n!
• Con repetición:
− Variaciones con repetición: m elementos en grupos de n
VRnm = mn
− Permutaciones con repetición: ordenaciones con elementos repetidos
n!
PRnn1 ,...,n k =
n1!⋅...⋅ nk !
Por ejemplo, si tenemos n libros y los queremos colocar en una estantería, ten-
dremos:
a) si caben todos Pn
b) si no caben más de n libros, habría Vmn formas diferentes de colocarlos.
Si no importa el orden con el que salen:
• Sin repetición:
− Combinaciones: grupos de n elementos formado a partir de un efectivo de m
unidades (m>n)
CONCEPTOS BÁSICOS DE ESTADÍSTICA 41
m!
Cnm =
(m − n)!⋅n!
• Con repetición:
− Combinaciones con repetición: id.
(m + n −1)!
CRnm =
n!⋅(m −1)!
3.5.- EJERCICIOS
1.- Una caja contiene 100 chips, de los cuales 75 funcionan correctamente y 25 son
defectuosos. Se seleccionan aleatoriamente 12 chips. Calcular la probabilidad de que
al menos un chip seleccionado sea defectuoso.
2.- Un sistema recibe energía eléctrica el 30% de tiempo, energía hidráulica el 60% y
energía mecánica el 10% restante. Cuando funciona eléctricamente, la probabilidad
de avería es 0’002, cuando lo hace hidráulicamente es 0’001 y cuando lo hace
mecánicamente es 0’05. Hallar la probabilidad de avería.
3.- Dos cajas contienen cerrojos grandes y cerrojos pequeños. Supongamos que una
caja tiene 60 grandes y 40 pequeños y que la otra contiene 10 grandes y 20 peque-
ños. Seleccionamos una caja al azar y extraemos un cerrojo de la misma. Calcular la
probabilidad de que sea grande.
5.- Supongamos dos líneas de fabricación del mismo producto. La primera línea fa-
brica 20 piezas/hora, de las cuales el 90% son apropiadas para una segunda opera-
ción. La segunda produce 90 piezas/hora, de las cuales sólo el 20% son apropiadas
para esa segunda operación. Todas las unidades van a un almacén común. Si al ex-
traer una pieza al azar, ha resultado ser apropiada, ¿Cuál es la probabilidad de que
provenga de la primera línea?
CONCEPTOS BÁSICOS DE ESTADÍSTICA 43
4.1.- DEFINICIÓN
Las variables aleatorias se denotan con una letra mayúscula, tal como X, y
con una letra minúscula x, a un valor posible de X. Por ejemplo, podemos llamar X al
peso de los hombres españoles y un valor de ésta variable aleatoria podría ser x=70
kg.
tomar infinitas piezas veríamos que la variable aleatoria tiene una cierta distribución.
Ésta distribución es, precisamente, la que nos permite hallar las probabilidades de
que ocurran determinados sucesos: por ejemplo, podríamos hallar la proporción de
piezas que miden como máximo 3 cm., o lo que es lo mismo, la probabilidad de que
X sea menor o igual que 3, que denotaríamos como P(X≤3).
x x x x
f(x)
x x x
Figura 4.1.
Otros parámetros de interés a estudiar de una variable aleatoria son los que
describen la posición de ésta y su dispersión. En la figura 4.2. se ha representado
una interpretación de éstos parámetros.
Figura 4.2.
Las variables aleatorias pueden ser de dos tipos: continuas, que en Control
CONCEPTOS BÁSICOS DE ESTADÍSTICA 45
Ejemplos de variables aleatorias continuas son: las alturas y los pesos de los
españoles, la longitud de una pieza, la resistencia a la rotura de una pieza, el nivel de
ácido úrico y de colesterol en la sangre, etc.
Veamos cada uno de éstos tipos de variable con un poco más de detalle:
∑ P ( x ) =1
i
X i
PX(x)
PX(3)=P(X=3)
0 1 2 3 4 5 6 7 8 9 10
Figura 4.3.
P(2≤X≤4)=PX(2)+PX(3)+PX(4)
Las variables aleatorias continuas pueden tomar cualquier valor de la recta re-
al. Es por ello por lo que su distribución viene definida por una función continua que
llamamos función de densidad y que denotamos por fX(x).
CONCEPTOS BÁSICOS DE ESTADÍSTICA 47
T1 T T2 X X a b X
Figura 4.4.
son los que miden alrededor del valor T y que a medida que nos acercamos a los
extremos, la frecuencia con la que se dan estos valores es menor. La función de
densidad de la figura 4.4.(c) nos estaría indicando que la frecuencia con la que espe-
raremos “a” minutos a que venga el autobús es la misma con la que esperaremos “b”
minutos.
fX(x)
P(x1≤X≤x2)
x1 x2 X
Figura 4.5.
Por lo tanto, si el área que hay por debajo de la función de densidad sirve para
determinar la probabilidad en un intervalo de valores, deberá cumplirse que el área
total por debajo de ella debe ser 1, es decir
CONCEPTOS BÁSICOS DE ESTADÍSTICA 49
+∞
∫−∞
f ( x ) ⋅ dx = 1
Por otra parte, y como consecuencia de que X sea continua, es que para cual-
quier valor x de la variable su probabilidad es nula, es decir, P(X=x)=0. Este resultado
se desprende de que
x
P(X=x)= ∫ fX ( x ) ⋅ dx =0
x
Nótese que la definición de FX(x) puede cambiarse por P(X<x) puesto que la
probabilidad en un punto vale 0.
50 Especialista en Gestión y Control de la Calidad
f X(x)
P(X≤a)
FX(x)
P(X≤a)
Figura 4.6
P(X>a)=P(X≥a)=1-P(X≤a)=1-FX(a) y P(a≤X≤b)=FX(b)-FX(a)
FX ( x ) = P( X ≤ x ) = ∑ PX ( xi )
xi ≤ x
Figura 4.7.
P(X>a)=1-P(X≤a)=1-FX(a) y P(X≥a)=1-P(X<a)=1-P(X≤a-1)=1-FX(a-1)
P(a≤X≤b)=FX(b)-FX(a-1)
dor de la posición de la variable, es decir, nos dirá el orden de magnitud que tienen
los valores de ésta. En la analogía mecánica, la media se considera como el centro
de gravedad de la distribución.
µ g( x ) = E[g( x )]= ∫
∞ ∞
µ X = E( X) = ∫ x ⋅ fX ( x ) ⋅ dx g( x ) ⋅ fX ( x ) ⋅ dx
−∞ −∞
1. E(X+Y)=E(X)+E(Y) y E(X-Y)=E(X)-E(Y)
2. Si k es una constante, E(k·X)=k·E(X)
3. Si X e Y son independientes, entonces, E(X·Y)=E(X)·E(Y)
σ2x = D2 ( X) = ∑ ( xi − µ x )2 ⋅PX ( xi )
i
CONCEPTOS BÁSICOS DE ESTADÍSTICA 53
σ X = + σ2X
4.6.- EJERCICIOS
1.- La longitud de una cierta pieza se distribuye con la siguiente función de densidad:
k 1≤ x < 2
f X ( x ) = k − ( x − 2) 2
2 ≤ x ≤ 2.5
0 otros valores
y se consideran correctas las piezas de longitud comprendida entre 1’5 y 2’1. Hallar
el valor de la constante k y de la proporción de piezas correctas
Calcular los tiempos medios y las desviaciones típicas de los dos métodos y compa-
rarlos.
CONCEPTOS BÁSICOS DE ESTADÍSTICA 55
Sea A un suceso que tiene una probabilidad “p” de ocurrir. Repitamos n veces
la realización de la experiencia de la que se trate con el fin de observar si en cada
repetición ha ocurrido el suceso A o su complementario A . Supongamos, además,
que las repeticiones son independientes, es decir, que después de cada repetición la
probabilidad “p” de que ocurra el suceso A no se ha modificado.
PX(x) 0,4
0,3
0,2
0,1
0
0 1 2 3 4 5 6 7 8 9 10
X
Figura 5.1.
Los valores que se dan en esta figura no son valores estándares aunque sí
que son suficientes para hacer una buena aproximación. Dependiendo de la publica-
ción éstos valores cambian: AENOR recomienda que el paso de Binomial a Poisson
debe ser λ≥15, sin embargo, en otras publicaciones se recomienda que sea λ≥18.
CONCEPTOS BÁSICOS DE ESTADÍSTICA 61
HIPERGEOMÉTRICA
H(N,n,p)
N/n≥10
BINOMIAL
B(n,p)
n≥50
p≤0’1
n·p≥5
POISSON
Ps(n·p)=Ps(λ)
Figura 5.2.
5.5.- EJERCICIOS
1.- Una nave de fabricación está integrada por un número considerable de máquinas
idénticas. Se sabe por experiencia que por término medio, las que se averían, tienen
5 fallos semanales. Calcular la probabilidad de que haya más de 3 averiadas en la
misma semana. ¿Cuál es el número de reserva que se precisa en una semana para
tener una probabilidad de al menos de 0’99 de que al averiarse cualquier máquina
podrá sustituirse?
2.-Se seleccionan por separado tres muestras aleatorias de una línea de producción
que produce un 5% de piezas defectuosas. Las dos primeras muestras tienen un ta-
62 Especialista en Gestión y Control de la Calidad
3.- Una partida de bujías con un 20% inservibles sale al mercado en paquetes de 4
unidades y en cajas de 10 paquetes. Calcular la probabilidad de que elegida un pa-
quete al azar contenga 2 o más bujías inservibles. Calcular la probabilidad de que
elegida una caja al azar contenga 3 paquetes sin bujías inservibles.
4.- Una industria recibe lotes en gran número de unidades. Se desea preparar un
plan de control de calidad de tal forma que tomando al azar n unidades del lote, si se
observa alguna defectuosa se rechaza el lote. Determinar n para que si el lote tiene
un 5% de piezas defectuosas, la probabilidad de aceptarlo sea menor de 0’01.
CONCEPTOS BÁSICOS DE ESTADÍSTICA 63
Diremos en tal caso que X≡Exp(λ). Esta variable aleatoria suele representar la
vida o duración de las unidades de producto estudiadas.
f X(x)
0 X
Figura 6.1.
La distribución Normal, también conocida como variable de Gauss, es, sin du-
da, la más importante de las variables aleatorias continuas, pues se usa eficazmente
en el estudio de numerosos fenómenos reales. Para nosotros será la más útil de la
distribuciones continuas puesto que es prácticamente la base del Control Estadístico
del Proceso.
Su función de densidad es
( x −µ )2
1 −
fX ( x ) = ⋅e 2σ 2
con -∞<x<+∞
σ 2π
como se muestra en la figura 6.2
µ X
Figura 6.2.
Su media y su varianza son:
E(X)= µ D2(X)=σ2
Que coinciden con el eje de simetría de la distribución y con la distancia desde el eje
al punto de inflexión, respectivamente.
34’13% 34’13%
68’26%
95’44%
99’73%
Figura 6.3.
El problema que tiene la distribución Normal es que para poder calcular pro-
babilidades necesitamos, como en cualquier variable continua, integrar la función de
densidad, pero en este caso no existe su integral exacta. Sería, por lo tanto, necesa-
rio recurrir a métodos de aproximación relativamente complicados. Para evitarlo, se
han tabulado los valores de la Función de Distribución, como se muestra en el anexo
3, pero sólo para un caso particular que es de una Normal con media 0 y desviación
típica 1 que llamamos Normal Tipificada.
Z=N(0,1)
Esta decisión es justificable puesto que no podemos obtener todos los valores
de Función de Distribución para cualquier distribución Normal porque ésta depende
de los valores de media y desviación típica y existen infinitos posibles valores de ca-
da uno de ellos.
x2
1 −
fZ ( z ) = ⋅e 2
con -∞<x<+∞
2π
Si queremos calcular cualquier otra probabilidad no habrá más que aplicar las
propiedades correspondientes:
P(X>x)=1-P(X≤x)
P(x1≤X≤x2)=P(X≤x2)-P(X≤x1)
Nos falta por ver la adición de distribuciones normales: Si tenemos dos varia-
bles normales independientes con medias µ1 y µ2 y desviaciones típicas σ1 y σ2, su
suma es otra distribución normal donde:
68 Especialista en Gestión y Control de la Calidad
(
N(µ1, σ1 ) + N(µ 2 , σ2 ) = N µ1 + µ 2 , σ12 + σ22 )
y su diferencia es
(
N(µ1, σ1 ) − N(µ 2 , σ2 ) = N µ1 − µ 2 , σ12 + σ22 )
P(Z>zp)=1-φ(zp)=p
φ(zp)=1-p σ
p
µ zp
Figura 6.4
El Teorema Central del Límite engloba una serie de teoremas cuyo objetivo fi-
nal es determinar las condiciones bajo las cuales una sucesión de variables aleato-
rias convergen a una distribución Normal.
fX(x)
n=6
n=10
n=20
Figura 6.5.
Es el cociente entre una Normal Tipificada N(0,1) y la raíz cuadrada de una χn2
dividida por sus grados de libertad:
z
tn = con -∞≤ tn≤+∞
χ n2
n
t4
t1
Figura 6.6.
Es el cociente entre dos Chi cuadrado divididas por sus grados de libertad
χn21 /n1
Fn1 ,n 2 = con Fn1 ,n 2 ≥ 0
χn22 / n2
0 2 4 6
Figura 6.7
Al igual que en caso de las variables aleatorias discretas, entre las continuas
72 Especialista en Gestión y Control de la Calidad
también existen aproximaciones. No sólo eso, sino que entre las discretas y las con-
tinuas también se pueden realizar aproximaciones obteniéndose resultados bastante
aceptables. En la figura 6.8 se muestra el esquema de las aproximaciones.
Los criterios que se utilizan no son estándares, de hecho, un criterio más exi-
gente es λ>15 o n·p>15 (Norma UNE).
HIPERGEOMÉTRICA
H(N,n,p)
N/n≥10
BINOMIAL
n1≥30
n≥50 n·p≥5 n≥30 n≥30
n2≥30
p≤0’1
POISSON NORMAL
λ≥5
Ps(n·p)=Ps(λ) N(µ,σ)
Figura 6.8
6.6.- EJERCICIOS
4.- Los límites medios de tolerancia de un interruptor son 40±0’5 amperios por lo que
si un interruptor se dispara a una intensidad menor de 39’5 o mayor de 40’5 se con-
sidera defectuoso. Si los puntos de ruptura de un interruptor se distribuye normal-
mente con media 39’5 y desviación típica 0’2 ¿Cuál es el porcentaje de interruptores
defectuosos de la partida?
5.- En la producción de piezas para un motor de combustión interna, los pesos pre-
sentan bastante dispersión. Una dispersión muy grande provoca un mal funciona-
miento. Supongamos que un fabricante concreto desea rechazar el 3% de los cojine-
tes de menor peso y el 3% de los de mayor peso. Si el peso tiene una distribución
normal con un peso medio de 4’72 Kg y la desviación típica de 0’006 Kg, determinar
el peso máximo y el mínimo que tendrán las piezas para ser aceptadas.
6.- El contenido efectivo de un paquete es una variable aleatoria N(20,2) Kg. y el del
envase es una variable aleatoria N(1,0’2) Kg. Colocamos 13 de estos paquetes sobre
un soporte de madera que pesa 50 Kg. ¿Cuál es la probabilidad de que al ponerlos
en un montacargas, cuya carga límite es 300Kg, no arranque?
7.- Los diámetros de los tornillos de una caja, medidos en centímetros, siguen una
74 Especialista en Gestión y Control de la Calidad
distribución N(2,0’03) y los diámetros interiores de las tuercas de otra caja siguen
una distribución N(2’02,0’04). Un tornillo y una tuerca ajustarán si el diámetro interior
de la tuerca es mayor que el diámetro del tornillo y si la diferencia entre ellos no es
mayor que 0’05 cm. Calcular la probabilidad de que cogidos un tornillo y una tuerca al
azar éstos se ajusten.
CONCEPTOS BÁSICOS DE ESTADÍSTICA 75
7.1.- INTRODUCCIÓN
Antes de continuar debemos de dejar claros una serie de conceptos que utili-
zaremos a lo largo de estos dos últimos capítulos:
Pues bien, una m.a.s. de tamaño n está formada por n variables aleatorias
independientes (X1, X2, …, Xn) que tienen la misma distribución de probabilidad ϕ(xi).
la proporción muestral:
X1 + X2 + L + Xn X
p̂ = =
n n
en este último caso cada Xi sólo puede tomar los valores 0 ó 1 dependiendo de si ha
ocurrido o no ha ocurrido el suceso A. Por lo tanto, X es el número de veces que ha
ocurrido el suceso A.
Nótese que entonces, los estadísticos también son variables aleatorias puesto
que dependen de (X1, X2, …, Xn) y por ello tienen su propia distribución. A estas dis-
tribuciones se les llama Distribuciones en el Muestreo y son precisamente las que
veremos a lo largo de este capítulo.
mediante:
n
Xi
x=∑
i =1 n
Calculamos, la media de la media muestral es:
n X n E( Xi ) n ⋅ µ
E( x ) = E ∑ i = ∑ = =µ
i =1 n i =1 n n
es decir, la media poblacional de la media muestral coincide con la media poblacional
de X.
n
( Xi − x )2 n
( Xi − x )2
sn2−1 = ∑ ó sn2 = ∑
i =1 n −1 i =1 n
∑i =1
( X i − x )2 = ∑[( X − µ) + (µ − x)] = ∑( X − µ)
i =1
i
2
i =1
i
2
+ (µ − x )2 + 2 ⋅ ( X i − µ ) ⋅ ( µ − x ) = ∑( X − µ) − n⋅(x − µ)
i =1
i
2 2
Así pues, tenemos la suma de n-1 Normales Tipificadas elevadas al cuadrado, luego
se cumple que:
(n −1) ⋅ sn2−1 2 n ⋅ sn2
≡ χn −1 ó ≡ χn2−1
σ2 σ 2
[ ]
E sn2−1 = σ2 ó [ ]
E sn2 =
n −1 2
n
⋅σ
2
σ2
2
D s [ ]
2
n −1 =
2 ⋅ σ4
n −1
ó 2
[ ]
D s = 2 ⋅(n −1) ⋅
2
n
n
x −µ Z
=
sn −1 / n χn2−1
n −1
que es equivalente a:
x −µ
= t n −1
s/ n
sn −1 χ2 sn χ2
= n −1 ≡Un-1 o = n −1 ≡Un
σ n −1 σ n
Al igual que en los casos anteriores es un estadístico, del cual debemos de-
terminar su distribución, su media y su varianza. La distribución del Rango es:
R=σ·Vn
donde Vn es otro tipo de distribución que no hemos desarrollado pero que se encuen-
tra tabulada en el anexo 9.
x1 − x 2 = N µ1 + µ 2 , + n 22
σ 12 σ2
n1
CONCEPTOS BÁSICOS DE ESTADÍSTICA 83
Hasta aquí no hemos tenido ningún tipo de problema para determinar las dis-
tribuciones de los estadísticos, puesto que trabajábamos con variables continuas y
habíamos supuesto que tenían una distribución Normal. Sin embargo, para calcular
la distribución de una proporción muestral debemos tener en cuenta cuál es la distri-
bución discreta con la que estamos trabajando. Recordemos que el número de pie-
zas defectuosas no tenía la misma distribución que la del número de defectos:
84 Especialista en Gestión y Control de la Calidad
8.1.- INTRODUCCIÓN
8.2.- ESTIMACIÓN
M
E
D
I
A
D
I
S
P
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
x1 0.25 0.24 0.23 · · · · · · · · · 0.23 0.23
x2 0.22 0.23 0.21 0.23 0.23
x3 · · · · ·
x4 · · · · ·
x5 0.23 0.25 0.22 · · · · · · · · · 0.23 0.23
Figura 8.1
m
xi m n xi
µˆ = x = ∑ = ∑∑
i =1 m i =1 j =1 m ⋅ n
Otra forma más sencilla sería utilizar, en el caso del ejemplo, los rangos ya
calculados en el gráfico de control: puesto que E(R)=σ·d2,n podemos obtener una es-
timación de la desviación típica mediante la media muestral de los rangos:
R
σˆ =
d2,n
m
p ∑ np i
p̂1 = ∑ i o p̂2 = i =1
m
i =1 m
∑n
i =1
i
m
u ∑c i
p̂1 = ∑ i o p̂2 = i =1
m
i =1 m
∑n
i =1
i
Los dos estimadores son insesgados, pero el primero tiene mayor varianza que el
segundo, luego normalmente utilizaremos p̂2 para hacer la estimación de la propor-
ción.
Así pues, para poder determinar el tamaño de muestra, debemos fijar el valor
del error ε que nos podemos permitir cometer y la probabilidad α de cometer un error
superior a ε, es decir, plantear la siguiente ecuación:
P (X > ε ) ≤ α
donde X es la diferencia entre el parámetro poblacional y el estimador y α es lo que
se llama nivel de significación. A (1-α) se le llama nivel de confianza. Si sabemos la
distribución de X, podremos despejar el tamaño de la muestra.
2
σ ⋅ zα / 2
n≥
ε
En el caso de que partiéramos de un gráfico de control no habría más que sustituir n
por m·n y con lo que podríamos determinar cuántas muestras y de qué tamaño
hacen falta para hacer nuestra estimación.
Hasta ahora hemos considerado que las poblaciones son de tamaño infinito. Si
las poblaciones son finitas, el tamaño de muestra para la estimación de la media
poblacional es:
z α2 / 2 ⋅ σ2
n=
(N − 1) ⋅ ε 2 z α2 / 2 ⋅ σ 2
+
N N
z α2 / 2 ⋅ (p ⋅ q)
Si X es Binomial: n =
( N − 1) ⋅ ε 2 z α2 / 2 ⋅ (p ⋅ q)
+
N N
z 2α / 2 ⋅ λ
Si X es Poisson: n =
(N −1) ⋅ ε 2 z 2α / 2 ⋅ λ
+
N N
8.2.2.- Estimación por intervalos de confianza
nal:
r r
P[L1( x ) ≤ θ ≤ L 2 ( x )]=1− α
donde 1-α es el Nivel de Confianza y α es el nivel de significación.
• Para la media:
σ
− Si σ es conocida: x ± z α / 2 ⋅
n
s
− Si σ es desconocida: x ± t (nα−/12 ) ⋅
n
• Para la varianza:
(n −1) ⋅ s2 (n −1) ⋅ s2
2( α / 2 ) , 2(1− α / 2 )
χ n −1 χn −1
σ12 σ22
− Si σ1 y σ2 son conocidas: ( x1 − x 2 ) ± z α / 2 ⋅ +
n1 n2
1 1
− Si σ1=σ2=σ son desconocidas: ( x1 − x 2 ) ± t nα1/ +2n 2 −1 ⋅ s * ⋅ +
n1 n2
Pues bien, en los test de hipótesis, podemos cometer dos tipos de error: error
de primera especie o tipo I que es tomar la decisión de que la hipótesis nula es falsa
cuando en la realidad es cierta y error de segunda especie o tipo II que es decidir
que es cierta la hipótesis nula cuando realmente no lo es. En la figura 8.2 se han re-
presentado estos dos tipos de error.
CONCEPTOS BÁSICOS DE ESTADÍSTICA 95
Aceptar Correcto
Verdadera
Rechazar Error 1ª Especie α
H0
Aceptar Error 2ª Especie β
Falsa
Rechazar Correcto
Figura 8.2
Veamos la zona de aceptación de la hipótesis nula para los test más utiliza-
dos:
• H0(µ=µ0) vs H1(µ≠µ0)
r σ σ r x − µ 0
− Si σ es conocida: A = x / µ 0 − z α /2 ⋅ ≤ x ≤ µ 0 + z α /2 ⋅ o A = x / ≤ z α/2
n n σ / n
r s s r x − µ 0
− Si σ es desconocida: A = x / µ 0 − t nα−/21 ⋅ ≤ x ≤ µ 0 + t nα−/21 ⋅ o A = x / ≤ t nα−/ 21
n n s / n
96 Especialista en Gestión y Control de la Calidad
• H0(µ=µ0) vs H1(µ>µ0)
r σ r x − µ0
− Si σ es conocida: A = x / x ≤ µ0 + z α ⋅ o A = x / Z = ≤ zα
n σ/ n
r s r x − µ0 α
− Si σ es desconocida: A = x / x ≤ µ 0 + t nα−1 ⋅ o A = x / t n −1 = ≤ t n −1
n s/ n
• H0(µ1=µ2) vs H1(µ1≠µ2)
r σ2 σ2 σ2 σ2
− Si σ1, σ2 son conocidas: A = x / − zα / 2 ⋅ 1 + 2 ≤ x1 − x 2 ≤ z α / 2 ⋅ 1 + 2
n1 n2 n1 n2
− {r r
Si σ1=σ2=σ son desconocidas: A = x1,x 2 / − t nα /+2n −2 ⋅s *
1 2
1
n1 + n1 ≤ x1 − x 2 ≤ t nα /+2n −2 ⋅ s *
2 1 2
1
n1 + n1
2
}
(n1 −1) ⋅ s12 + (n2 − 1) ⋅ s22
con s * 2 =
n1 + n2 − 2
r χ 2(1− α / 2 ) 2 χ 2( α / 2 )
• H0(σ=σ0) vs H1(σ≠σ0) : A = x / σ02 ⋅ n −1 ≤ sn −1 ≤ σ02 ⋅ n −1
n −1 n −1
r χ 2( α ) r s2 ⋅(n −1) 2( α )
• H0(σ=σ0) vs H1(σ>σ0): A = x / sn2−1 ≤ σ02 ⋅ n −1 o A = x / n −1 2 ≤ χn −1
n −1 σ0
r r 1 s12
• H0(σ1=σ2) vs H1(σ1≠σ2): A = x1,x 2 / ( α / 2 ) ≤ 2 ≤ Fn(1α−/12,n) 2 −1
Fn1 −1,n 2 −1 s2
r r s2
• H0(σ1=σ2) vs H1(σ1>σ2): A = x1, x 2 / 12 ≤ Fn(1α−)1,n 2 −1
s2
CONCEPTOS BÁSICOS DE ESTADÍSTICA 97
•
r
{
H0(σ=σ0) vs H1(σ≠σ0) : A = x / σ0 ⋅ v (n1− α / 2 ) ≤ R ≤ σ02 ⋅ v (nα / 2 ) }
•
r
{
H0(σ=σ0) vs H1(σ>σ0): A = x / R ≤ σ02 ⋅ v (nα ) }
{
A = np0 − z α / 2 np0q0 ≤ x ≤ np0 + z α / 2 np0q0 }
• H0(p=p0) vs H1(p>p0) (Binomial)
{
A = x ≤ np0 + z α np0q0 }
• H0(p1=p2) vs H1(p1≠p2) (Binomial)
p̂ − p̂ n p̂ − n p̂
A = 1 2 ≤ z α / 2 con p̂ = 1 1 2 2
p̂ ⋅ n1 + n 2
1 1
n1 + n2
Así pues, el gráfico de control para la media comprueba las hipótesis H0(µ=µ0)
vs H1(µ≠µ0) para cada una de las m muestras. El gráfico de control para la desviación
típica comprueba las hipótesis H0(σ=σ0) vs H1(σ≠σo) que resuelve mediante el rango
o la desviación típica muestral según sea el caso.
98 Especialista en Gestión y Control de la Calidad
Pa
1-α
n=4
n=6
µ0 µ
Figura 8.3
Pa
1-α
n=6
n=4
µ0 µ
Figura 8.4.
En el caso del ejemplo, lo ideal sería que cuando la media fuese µ0 la probabi-
lidad de aceptar la hipótesis nula, Pa, fuese 1 y que cuando la media no sea µ0 la
probabilidad de aceptar H0 fuese 0, cosa que conseguiríamos si tomásemos toda la
población para tomar la decisión.
Por ejemplo, supongamos que estamos fabricando piezas que deben tener
una longitud media de 20 cm. El contraste de hipótesis a plantear para comprobar
que la media es 20 cm. es:
H0(µ=20) vs H1(µ≠20)
100 Especialista en Gestión y Control de la Calidad
µ0 − µ1
llamamos descentrado relativo a d = , entonces
σ
( ) ( ) (
Pa(µ1 ) = P d⋅ n − z α / 2 ≤ Z ≤ d⋅ n + z α / 2 = φ d ⋅ n + z α / 2 − φ d ⋅ n − zα / 2 )
el primer término será prácticamente 1 puesto que α suele ser muy pequeño, enton-
ces
( ) (
Pa(µ1 ) ≈1− φ d⋅ n − z α / 2 = φ z α / 2 − d ⋅ n )
CONCEPTOS BÁSICOS DE ESTADÍSTICA 101
2.- Una muestra de 16 transistores ha presentado una vida media de 734 horas. Si
suponemos que la vida tiene una distribución normal ¿Puede aceptarse que la media
poblacional es de 740 horas si σ=12?¿Y si σ es desconocida y sabemos que sn-1 es
12?. Tomar α=0’05
3.- Sea X una variable aleatoria con distribución N(m,1). Con el fin de contrastar las
102 Especialista en Gestión y Control de la Calidad
5.- Para contrastar las hipótesis H0(λ=1) vs H1(λ=2) se dispone de una única obser-
vación x que proviene de una distribución de Poisson, Ps(λ). Si se toma como región
de rechazo x≥4, calcular las probabilidades de los errores de tipo I y tipo II.
ANEXO 1
n c p = 0,01 p = 0,02 p = 0,03 p = 0,04 p = 0,05 p = 0,06 p = 0,07 p = 0,08 p = 0,09 p = 0,10
n=3 0 0,9700 0,9410 0,9130 0,8850 0,8570 0,8310 0,8040 0,7790 0,7540 0,7290
1 0,0290 0,0580 0,0850 0,1110 0,1350 0,1590 0,1820 0,2030 0,2240 0,2430
2 0,0000 0,0010 0,0030 0,0050 0,0070 0,0100 0,0140 0,0180 0,0220 0,0270
3 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0010 0,0010 0,0010
n=4 0 0,9610 0,9220 0,8850 0,8490 0,8150 0,7810 0,7480 0,7160 0,6860 0,6560
1 0,0390 0,0750 0,1100 0,1420 0,1710 0,1990 0,2250 0,2490 0,2710 0,2920
2 0,0010 0,0020 0,0050 0,0090 0,0140 0,0190 0,0250 0,0330 0,0400 0,0490
3 0,0000 0,0000 0,0000 0,0000 0,0000 0,0010 0,0010 0,0020 0,0030 0,0040
4 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
n=5 0 0,9510 0,9040 0,8590 0,8150 0,7740 0,7340 0,6960 0,6590 0,6240 0,5900
1 0,0480 0,0920 0,1330 0,1700 0,2040 0,2340 0,2620 0,2870 0,3090 0,3280
2 0,0010 0,0040 0,0080 0,0140 0,0210 0,0300 0,0390 0,0500 0,0610 0,0730
3 0,0000 0,0000 0,0000 0,0010 0,0010 0,0020 0,0030 0,0040 0,0060 0,0080
4 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
5 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
n=6 0 0,9410 0,8860 0,8330 0,7830 0,7350 0,6900 0,6470 0,6060 0,5680 0,5310
1 0,0570 0,1080 0,1550 0,1960 0,2320 0,2640 0,2920 0,3160 0,3370 0,3540
2 0,0010 0,0060 0,0120 0,0200 0,0310 0,0420 0,0550 0,0690 0,0830 0,0980
3 0,0000 0,0000 0,0000 0,0010 0,0020 0,0040 0,0060 0,0080 0,0110 0,0150
4 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0010 0,0010 0,0010
5 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
6 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
n=7 0 0,9320 0,8680 0,8080 0,7510 0,6980 0,6480 0,6020 0,5580 0,5170 0,4780
1 0,0660 0,1240 0,1750 0,2190 0,2570 0,2900 0,3170 0,3400 0,3580 0,3720
2 0,0020 0,0080 0,0160 0,0270 0,0410 0,0550 0,0720 0,0890 0,1060 0,1240
3 0,0000 0,0000 0,0010 0,0020 0,0040 0,0060 0,0090 0,0130 0,0170 0,0230
4 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0010 0,0010 0,0020 0,0030
5 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
6 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
n=8 0 0,9230 0,8510 0,7840 0,7210 0,6630 0,6100 0,5600 0,5130 0,4700 0,4300
1 0,0750 0,1390 0,1940 0,2400 0,2790 0,3110 0,3370 0,3570 0,3720 0,3830
2 0,0030 0,0100 0,0210 0,0350 0,0510 0,0700 0,0890 0,1090 0,1290 0,1490
3 0,0000 0,0000 0,0010 0,0030 0,0050 0,0090 0,0130 0,0190 0,0250 0,0330
4 0,0000 0,0000 0,0000 0,0000 0,0000 0,0010 0,0010 0,0020 0,0030 0,0050
5 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
6 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
z
α
∫
t2
1 -
φ( z) = P( Z ≤ z) = ⋅e 2
dt
2π
−∞
z 0 1 2 3 4 5 6 7 8 9
-3 0,0013 0,0010 0,0007 0,0005 0,0003 0,0002 0,0002 0,0001 0,0001 0,0000
-2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
-2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1057 0,1038 0,1020 0,1003 0,0985
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,7 0,2420 0,2389 0,2358 0,2327 0,2297 0,2266 0,2236 0,2207 0,2177 0,2148
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
-0.0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
José Jabaloyes - Vicente Chirivella
DISTRIBUCIÓN NORMAL TIPIFICADA
∫
t2
1 -
φ( z) = P( Z ≤ z) = ⋅e 2
dt
2π
−∞
z 0 1 2 3 4 5 6 7 8 9
0.0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3 0,9987 0,9990 0,9993 0,9995 0,9997 0,9998 0,9998 0,9999 0,9999 1,0000
José Jabaloyes - Vicente Chirivella
ANEXO 4
n 0.9995 0.999 0.995 0.99 0.975 0.95 0.90 0.50 0.10 0.050 0.025 0.01 0.005 0.001 0.0005
1 0.000 0.000 0.000 0.000 0.001 0.004 0.016 0.455 2.706 3.842 5.024 6.635 7.879 10.827 12.115
2 0.001 0.002 0.010 0.020 0.051 0.103 0.211 1.386 4.605 5.992 7.378 9.210 10.597 13.815 15.201
3 0.015 0.024 0.072 0.115 0.216 0.352 0.584 2.366 6.251 7.815 9.348 11.345 12.838 16.266 17.731
4 0.064 0.091 0.207 0.297 0.484 0.711 1.064 3.357 7.779 9.488 11.143 13.277 14.860 18.466 19.998
5 0.158 0.210 0.412 0.554 0.831 1.146 1.610 4.352 9.236 11.071 12.833 15.086 16.750 20.515 22.106
6 0.299 0.381 0.676 0.872 1.237 1.635 2.204 5.348 10.645 12.592 14.449 16.812 18.548 22.457 24.102
7 0.485 0.599 0.989 1.239 1.690 2.167 2.833 6.346 12.017 14.067 16.013 18.475 20.278 24.321 26.018
8 0.710 0.857 1.344 1.647 2.180 2.733 3.490 7.344 13.362 15.507 17.535 20.090 21.955 26.124 27.867
9 0.972 1.152 1.735 2.088 2.700 3.325 4.168 8.343 14.684 16.919 19.023 21.666 23.589 27.877 29.667
10 1.265 1.479 2.156 2.558 3.247 3.940 4.865 9.342 15.987 18.307 20.483 23.209 25.188 29.588 31.419
11 1.587 1.834 2.603 3.054 3.816 4.575 5.578 10.341 17.275 19.675 21.920 24.725 26.757 31.264 33.138
12 1.935 2.214 3.074 3.571 4.404 5.226 6.304 11.340 18.549 21.026 23.337 26.217 28.300 32.909 34.821
13 2.305 2.617 3.565 4.107 5.009 5.892 7.042 12.340 19.812 22.362 24.736 27.688 29.819 34.527 36.477
14 2.697 3.041 4.075 4.660 5.629 6.571 7.790 13.339 21.064 23.685 26.119 29.141 31.319 36.124 38.109
15 3.107 3.483 4.601 5.229 6.262 7.261 8.547 14.339 22.307 24.996 27.488 30.578 32.802 37.698 39.717
16 3.536 3.942 5.142 5.812 6.908 7.962 9.312 15.339 23.542 26.296 28.845 32.000 34.267 39.252 41.308
17 3.980 4.416 5.697 6.408 7.564 8.672 10.085 16.338 24.769 27.587 30.191 33.409 35.718 40.791 42.881
18 4.439 4.905 6.265 7.015 8.231 9.390 10.865 17.338 25.989 28.869 31.526 34.805 37.156 42.312 44.434
19 4.913 5.407 6.844 7.633 8.907 10.117 11.651 18.338 27.204 30.144 32.852 36.191 38.582 43.819 45.974
20 5.398 5.921 7.434 8.260 9.591 10.851 12.443 19.337 28.412 31.410 34.170 37.566 39.997 45.314 47.498
21 5.895 6.447 8.034 8.897 10.283 11.591 13.240 20.337 29.615 32.671 35.479 38.932 41.401 46.796 49.010
22 6.404 6.983 8.643 9.543 10.982 12.338 14.042 21.337 30.813 33.925 36.781 40.289 42.796 48.268 50.510
23 6.924 7.529 9.260 10.196 11.689 13.091 14.848 22.337 32.007 35.173 38.076 41.638 44.181 49.728 51.999
24 7.453 8.085 9.886 10.856 12.401 13.848 15.659 23.337 33.196 36.415 39.364 42.980 45.558 51.179 53.478
25 7.991 8.649 10.520 11.524 13.120 14.611 16.473 24.337 34.382 37.653 40.647 44.314 46.928 52.619 54.948
26 8.537 9.222 11.160 12.198 13.844 15.379 17.292 25.337 35.563 38.885 41.923 45.642 48.290 54.051 56.407
27 9.093 9.803 11.808 12.879 14.573 16.151 18.114 26.336 36.741 40.113 43.195 46.963 49.645 55.475 57.856
28 9.656 10.391 12.461 13.565 15.308 16.928 18.939 27.336 37.916 41.337 44.461 48.278 50.994 56.892 59.299
29 10.227 10.986 13.121 14.256 16.047 17.708 19.768 28.336 39.088 42.557 45.722 49.588 52.336 58.301 60.734
30 10.804 11.588 13.787 14.954 16.791 18.493 20.599 29.336 40.256 43.773 46.979 50.892 53.672 59.702 62.160
40 16.906 17.917 20.707 22.164 24.433 26.509 29.051 39.335 51.805 55.759 59.342 63.691 66.766 73.403 76.096
50 23.461 24.674 27.991 29.707 32.357 34.764 37.689 49.335 63.167 67.505 71.420 76.154 79.490 86.660 89.560
60 30.339 31.738 35.534 37.485 40.482 43.188 46.459 59.335 74.397 79.082 83.298 88.379 91.952 99.608 102.69
70 37.467 39.036 43.275 45.442 48.758 51.739 55.329 69.335 85.527 90.531 95.023 100.43 104.22 112.32 115.58
80 44.792 46.520 51.172 53.540 57.153 60.392 64.278 79.334 96.578 101.88 106.62 112.32 116.32 124.84 128.26
90 52.277 54.156 59.196 61.754 65.647 69.126 73.291 89.334 107.56 113.15 118.14 124.11 128.29 137.20 140.78
100 59.895 61.918 67.328 70.065 74.222 77.929 82.358 99.334 118.49 124.34 129.56 135.81 140.17 149.45 153.16
n 0.001 0.002 0.01 0.02 0.05 0.1 0.2 0.4 0.5 0.6 0.8 0.9 0.95
Probabilidad de dos colas
1 161.45 4052.2 199.50 4999.3 215.71 5403.5 224.58 5624.3 230.16 5763.9 233.99 5858.9 236.77 5928.3 238.88 5980.9
2 18.51 98.50 19.00 99.00 19.16 99.16 19.25 99.25 19.30 99.30 19.33 99.33 19.35 99.36 19.37 99.38
3 10.13 34.12 9.55 30.82 9.28 29.46 9.12 28.71 9.01 28.24 8.94 27.91 8.89 27.67 8.85 27.49
4 7.71 21.20 6.94 18.00 6.59 16.69 6.39 15.98 6.26 15.52 6.16 15.21 6.09 14.98 6.04 14.80
5 6.61 16.26 5.79 13.27 5.41 12.06 5.19 11.39 5.05 10.97 4.95 10.67 4.88 10.46 4.82 10.29
6 5.99 13.75 5.14 10.92 4.76 9.78 4.53 9.15 4.39 8.75 4.28 8.47 4.21 8.26 4.15 8.10
7 5.59 12.25 4.74 9.55 4.35 8.45 4.12 7.85 3.97 7.46 3.87 7.19 3.79 6.99 3.73 6.84
8 5.32 11.26 4.46 8.65 4.07 7.59 3.84 7.01 3.69 6.63 3.58 6.37 3.50 6.18 3.44 6.03
9 5.12 10.56 4.26 8.02 3.86 6.99 3.63 6.42 3.48 6.06 3.37 5.80 3.29 5.61 3.23 5.47
10 4.96 10.04 4.10 7.56 3.71 6.55 3.48 5.99 3.33 5.64 3.22 5.39 3.14 5.20 3.07 5.06
11 4.84 9.65 3.98 7.21 3.59 6.22 3.36 5.67 3.20 5.32 3.09 5.07 3.01 4.89 2.95 4.74
12 4.75 9.33 3.89 6.93 3.49 5.95 3.26 5.41 3.11 5.06 3.00 4.82 2.91 4.64 2.85 4.50
13 4.67 9.07 3.81 6.70 3.41 5.74 3.18 5.21 3.03 4.86 2.92 4.62 2.83 4.44 2.77 4.30
14 4.60 8.86 3.74 6.51 3.34 5.56 3.11 5.04 2.96 4.69 2.85 4.46 2.76 4.28 2.70 4.14
15 4.54 8.68 3.68 6.36 3.29 5.42 3.06 4.89 2.90 4.56 2.79 4.32 2.71 4.14 2.64 4.00
16 4.49 8.53 3.63 6.23 3.24 5.29 3.01 4.77 2.85 4.44 2.74 4.20 2.66 4.03 2.59 3.89
17 4.45 8.40 3.59 6.11 3.20 5.19 2.96 4.67 2.81 4.34 2.70 4.10 2.61 3.93 2.55 3.79
18 4.41 8.29 3.55 6.01 3.16 5.09 2.93 4.58 2.77 4.25 2.66 4.01 2.58 3.84 2.51 3.71
19 4.38 8.18 3.52 5.93 3.13 5.01 2.90 4.50 2.74 4.17 2.63 3.94 2.54 3.77 2.48 3.63
20 4.35 8.10 3.49 5.85 3.10 4.94 2.87 4.43 2.71 4.10 2.60 3.87 2.51 3.70 2.45 3.56
21 4.32 8.02 3.47 5.78 3.07 4.87 2.84 4.37 2.68 4.04 2.57 3.81 2.49 3.64 2.42 3.51
22 4.30 7.95 3.44 5.72 3.05 4.82 2.82 4.31 2.66 3.99 2.55 3.76 2.46 3.59 2.40 3.45
23 4.28 7.88 3.42 5.66 3.03 4.76 2.80 4.26 2.64 3.94 2.53 3.71 2.44 3.54 2.37 3.41
24 4.26 7.82 3.40 5.61 3.01 4.72 2.78 4.22 2.62 3.90 2.51 3.67 2.42 3.50 2.36 3.36
25 4.24 7.77 3.39 5.57 2.99 4.68 2.76 4.18 2.60 3.85 2.49 3.63 2.40 3.46 2.34 3.32
26 4.23 7.72 3.37 5.53 2.98 4.64 2.74 4.14 2.59 3.82 2.47 3.59 2.39 3.42 2.32 3.29
27 4.21 7.68 3.35 5.49 2.96 4.60 2.73 4.11 2.57 3.78 2.46 3.56 2.37 3.39 2.31 3.26
28 4.20 7.64 3.34 5.45 2.95 4.57 2.71 4.07 2.56 3.75 2.45 3.53 2.36 3.36 2.29 3.23
29 4.18 7.60 3.33 5.42 2.93 4.54 2.70 4.04 2.55 3.73 2.43 3.50 2.35 3.33 2.28 3.20
30 4.17 7.56 3.32 5.39 2.92 4.51 2.69 4.02 2.53 3.70 2.42 3.47 2.33 3.30 2.27 3.17
31 4.16 7.53 3.30 5.36 2.91 4.48 2.68 3.99 2.52 3.67 2.41 3.45 2.32 3.28 2.25 3.15
32 4.15 7.50 3.29 5.34 2.90 4.46 2.67 3.97 2.51 3.65 2.40 3.43 2.31 3.26 2.24 3.13
33 4.14 7.47 3.28 5.31 2.89 4.44 2.66 3.95 2.50 3.63 2.39 3.41 2.30 3.24 2.23 3.11
34 4.13 7.44 3.28 5.29 2.88 4.42 2.65 3.93 2.49 3.61 2.38 3.39 2.29 3.22 2.23 3.09
38 4.10 7.35 3.24 5.21 2.85 4.34 2.62 3.86 2.46 3.54 2.35 3.32 2.26 3.15 2.19 3.02
42 4.07 7.28 3.22 5.15 2.83 4.29 2.59 3.80 2.44 3.49 2.32 3.27 2.24 3.10 2.17 2.97
46 4.05 7.22 3.20 5.10 2.81 4.24 2.57 3.76 2.42 3.44 2.30 3.22 2.22 3.06 2.15 2.93
50 4.03 7.17 3.18 5.06 2.79 4.20 2.56 3.72 2.40 3.41 2.29 3.19 2.20 3.02 2.13 2.89
60 4.00 7.08 3.15 4.98 2.76 4.13 2.53 3.65 2.37 3.34 2.25 3.12 2.17 2.95 2.10 2.82
80 3.96 6.96 3.11 4.88 2.72 4.04 2.49 3.56 2.33 3.26 2.21 3.04 2.13 2.87 2.06 2.74
100 3.94 6.90 3.09 4.82 2.70 3.98 2.46 3.51 2.31 3.21 2.19 2.99 2.10 2.82 2.03 2.69
200 3.89 6.76 3.04 4.71 2.65 3.88 2.42 3.41 2.26 3.11 2.14 2.89 2.06 2.73 1.98 2.60
1000 3.85 6.66 3.00 4.63 2.61 3.80 2.38 3.34 2.22 3.04 2.11 2.82 2.02 2.66 1.95 2.53
∞ 3.84 6.63 3.00 4.61 2.60 3.78 2.37 3.32 2.21 3.02 2.10 2.80 2.01 2.64 1.94 2.51
DISTRIBUCIÓN F de Snedecor ( Fn(1p,)n2 )
(Continuación)
1 241.88 6055.9 243.90 6106.7 246.47 6170.0 248.02 6208.7 250.10 6260.4 251.77 6302.3 253.04 6333.9 254.31 6365.6
2 19.40 99.40 19.41 99.42 19.43 99.44 19.45 99.45 19.46 99.47 19.48 99.48 19.49 99.49 19.50 99.50
3 8.79 27.23 8.74 27.05 8.69 26.83 8.66 26.69 8.62 26.50 8.58 26.35 8.55 26.24 8.53 26.13
4 5.96 14.55 5.91 14.37 5.84 14.15 5.80 14.02 5.75 13.84 5.70 13.69 5.66 13.58 5.63 13.46
5 4.74 10.05 4.68 9.89 4.60 9.68 4.56 9.55 4.50 9.38 4.44 9.24 4.41 9.13 4.37 9.02
6 4.06 7.87 4.00 7.72 3.92 7.52 3.87 7.40 3.81 7.23 3.75 7.09 3.71 6.99 3.67 6.88
7 3.64 6.62 3.57 6.47 3.49 6.28 3.44 6.16 3.38 5.99 3.32 5.86 3.27 5.75 3.23 5.65
8 3.35 5.81 3.28 5.67 3.20 5.48 3.15 5.36 3.08 5.20 3.02 5.07 2.97 4.96 2.93 4.86
9 3.14 5.26 3.07 5.11 2.99 4.92 2.94 4.81 2.86 4.65 2.80 4.52 2.76 4.41 2.71 4.31
10 2.98 4.85 2.91 4.71 2.83 4.52 2.77 4.41 2.70 4.25 2.64 4.12 2.59 4.01 2.54 3.91
11 2.85 4.54 2.79 4.40 2.70 4.21 2.65 4.10 2.57 3.94 2.51 3.81 2.46 3.71 2.40 3.60
12 2.75 4.30 2.69 4.16 2.60 3.97 2.54 3.86 2.47 3.70 2.40 3.57 2.35 3.47 2.30 3.36
13 2.67 4.10 2.60 3.96 2.51 3.78 2.46 3.66 2.38 3.51 2.31 3.38 2.26 3.27 2.21 3.17
14 2.60 3.94 2.53 3.80 2.44 3.62 2.39 3.51 2.31 3.35 2.24 3.22 2.19 3.11 2.13 3.00
15 2.54 3.80 2.48 3.67 2.38 3.49 2.33 3.37 2.25 3.21 2.18 3.08 2.12 2.98 2.07 2.87
16 2.49 3.69 2.42 3.55 2.33 3.37 2.28 3.26 2.19 3.10 2.12 2.97 2.07 2.86 2.01 2.75
17 2.45 3.59 2.38 3.46 2.29 3.27 2.23 3.16 2.15 3.00 2.08 2.87 2.02 2.76 1.96 2.65
18 2.41 3.51 2.34 3.37 2.25 3.19 2.19 3.08 2.11 2.92 2.04 2.78 1.98 2.68 1.92 2.57
19 2.38 3.43 2.31 3.30 2.21 3.12 2.16 3.00 2.07 2.84 2.00 2.71 1.94 2.60 1.88 2.49
20 2.35 3.37 2.28 3.23 2.18 3.05 2.12 2.94 2.04 2.78 1.97 2.64 1.91 2.54 1.84 2.42
21 2.32 3.31 2.25 3.17 2.16 2.99 2.10 2.88 2.01 2.72 1.94 2.58 1.88 2.48 1.81 2.36
22 2.30 3.26 2.23 3.12 2.13 2.94 2.07 2.83 1.98 2.67 1.91 2.53 1.85 2.42 1.78 2.31
23 2.27 3.21 2.20 3.07 2.11 2.89 2.05 2.78 1.96 2.62 1.88 2.48 1.82 2.37 1.76 2.26
24 2.25 3.17 2.18 3.03 2.09 2.85 2.03 2.74 1.94 2.58 1.86 2.44 1.80 2.33 1.73 2.21
25 2.24 3.13 2.16 2.99 2.07 2.81 2.01 2.70 1.92 2.54 1.84 2.40 1.78 2.29 1.71 2.17
26 2.22 3.09 2.15 2.96 2.05 2.78 1.99 2.66 1.90 2.50 1.82 2.36 1.76 2.25 1.69 2.13
27 2.20 3.06 2.13 2.93 2.04 2.75 1.97 2.63 1.88 2.47 1.81 2.33 1.74 2.22 1.67 2.10
28 2.19 3.03 2.12 2.90 2.02 2.72 1.96 2.60 1.87 2.44 1.79 2.30 1.73 2.19 1.65 2.06
29 2.18 3.00 2.10 2.87 2.01 2.69 1.94 2.57 1.85 2.41 1.77 2.27 1.71 2.16 1.64 2.03
30 2.16 2.98 2.09 2.84 1.99 2.66 1.93 2.55 1.84 2.39 1.76 2.25 1.70 2.13 1.62 2.01
31 2.15 2.96 2.08 2.82 1.98 2.64 1.92 2.52 1.83 2.36 1.75 2.22 1.68 2.11 1.61 1.98
32 2.14 2.93 2.07 2.80 1.97 2.62 1.91 2.50 1.82 2.34 1.74 2.20 1.67 2.08 1.59 1.96
33 2.13 2.91 2.06 2.78 1.96 2.60 1.90 2.48 1.81 2.32 1.72 2.18 1.66 2.06 1.58 1.93
34 2.12 2.89 2.05 2.76 1.95 2.58 1.89 2.46 1.80 2.30 1.71 2.16 1.65 2.04 1.57 1.91
38 2.09 2.83 2.02 2.69 1.92 2.51 1.85 2.40 1.76 2.23 1.68 2.09 1.61 1.97 1.53 1.84
42 2.06 2.78 1.99 2.64 1.89 2.46 1.83 2.34 1.73 2.18 1.65 2.03 1.57 1.91 1.49 1.78
46 2.04 2.73 1.97 2.60 1.87 2.42 1.80 2.30 1.71 2.13 1.62 1.99 1.55 1.86 1.46 1.73
50 2.03 2.70 1.95 2.56 1.85 2.38 1.78 2.27 1.69 2.10 1.60 1.95 1.52 1.82 1.44 1.68
60 1.99 2.63 1.92 2.50 1.82 2.31 1.75 2.20 1.65 2.03 1.56 1.88 1.48 1.75 1.39 1.60
80 1.95 2.55 1.88 2.42 1.77 2.23 1.70 2.12 1.60 1.94 1.51 1.79 1.43 1.65 1.32 1.49
100 1.93 2.50 1.85 2.37 1.75 2.19 1.68 2.07 1.57 1.89 1.48 1.74 1.39 1.60 1.28 1.43
200 1.88 2.41 1.80 2.27 1.69 2.09 1.62 1.97 1.52 1.79 1.41 1.63 1.32 1.48 1.19 1.28
1000 1.84 2.34 1.76 2.20 1.65 2.02 1.58 1.90 1.47 1.72 1.36 1.54 1.26 1.38 1.08 1.11
∞ 1.83 2.32 1.75 2.18 1.64 2.00 1.57 1.88 1.46 1.70 1.35 1.52 1.24 1.36 1.01 1.01
DISTRIBUCIÓN Un ( Un(p ) )
DISTRIBUCIÓN Vn ( Vn(p) )
p
n 0.10 0.05 0.01 0.001 0.90 0.95 0.99 0.9995 0.995 0.975 0.025 0.005 0.0005
2 2.326 2.771 3.641 4.630 0.178 0.089 0.018 0.0009 0.0089 0.044 3.170 3.969 4.915
3 2.902 3.314 4.123 5.059 0.619 0.432 0.190 0.042 0.136 0.303 3.682 4.418 5.283
4 3.240 3.633 4.404 5.305 0.980 0.760 0.434 0.155 0.342 0.595 3.984 4.690 5.549
5 3.478 3.858 4.603 5.483 1.261 1.030 0.664 0.301 0.554 0.850 4.197 4.888 5.721
6 3.661 4.029 4.757 5.593 1.488 1.253 0.868 0.468 0.749 1.065 4.360 5.032 5.840
7 3.808 4.170 4.885 5.729 1.676 1.440 1.048 0.603 0.924 1.251 4.494 5.155 5.958
8 3.931 4.286 4.987 5.837 1.836 1.600 1.205 0.751 1.072 1.410 4.605 5.254 6.047
9 4.037 4.386 5.078 5.888 1.973 1.740 1.343 0.881 1.212 1.550 4.700 5.341 6.107
10 4.129 4.473 5.157 5.972 2.095 1.863 1.466 0.995 1.335 1.674 4.783 5.419 6.191