Libro Araya Estadistica para Quimica

Editorial de la Universidad de Costa Rica
542.1
A663e Araya Alpízar, Carlo Magno, 1961-
Estadística para laboratorista químico / Carlomagno
Araya A. – 1. ed. – San José, C.R. : Editorial de la
Universidad de Costa Rica, 2004.
1 disco óptico de computador : col. ; 43/4 plg.
ISBN: 9977-67-849-9
1. QUÍMICA – PROBLEMAS, EJERCICIOS –

DISCOS COMPACTOS. 2. ESTADÍSTICA
MATEMÁTICA. I. Título.
CIP/1298
CC/SIBDI.UCR
Edición aprobada por la Comisión Editorial de la Universidad de Costa Rica.
Primera edición: 2004.
Diseño de portada: Elisa Giacomin V.
© Editorial de la Universidad de Costa Rica, Ciudad Universitaria “Rodrigo Facio”.

Apdo. 75-2060. Fax: 207-5257, e-mail: editucr@cariari.ucr.ac.cr • San José, Costa Rica.
Prohibida la reproducción total o parcial. Todos los derechos reservados. Hecho el depósito de ley.
Contenido
Presentación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi
CAPÍTULO 1. INTRODUCCIÓN
1.1 Historia de la estadística . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Poblaciones y muestras . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Estadística descriptiva e inferencial . . . . . . . . . . . . . . . . 6
1.4 Tipos de variables aleatorias . . . . . . . . . . . . . . . . . . . . . 6
1.5 Error experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6 Diseño estadístico de experimentos . . . . . . . . . . . . . . . 8
1.7 Exactitud y precisión . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
CAPÍTULO 2. ESTADÍSTICA DESCRIPTIVA

2.1 Medidas de posición . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.1 La media aritmética . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.2 La media geométrica. . . . . . . . . . . . . . . . . . . . . . 15
2.1.3 La mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.4 La moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.5 Proporciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1 Medidas de variabilidad . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.1 El recorrido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.2 La varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.3 La desviación estándar . . . . . . . . . . . . . . . . . . . . 22
2.2.4 El coeficiente de variación . . . . . . . . . . . . . . . . . . 23
2.3 Distribución de frecuencias . . . . . . . . . . . . . . . . . . . . . . 25
2.3.1 Selección del número de clases . . . . . . . . . . . . . 25
2.3.2 Cálculo del intervalo de clase . . . . . . . . . . . . . . . 25
2.3.3 Definición de los límites de clase . . . . . . . . . . . . . 27
2.3.4 Conteo del número de observaciones por clase . 27
2.3.5 Representación gráfica de distribuciones
de frecuencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
CAPÍTULO 3. PROBABILIDADES
3.1 Introducción a las probabilidades . . . . . . . . . . . . . . . . . 45
3.2 Definición axiomática de probabilidad . . . . . . . . . . . . . . 47
3.3 Teoremas fundamentales del calculo de probabilidades 49
3.3.1 Teorema de la adición . . . . . . . . . . . . . . . . . . . . . 49
3.3.2 Teorema de la multiplicación . . . . . . . . . . . . . . . . 50
3.4 Distribuciones de probabilidad . . . . . . . . . . . . . . . . . . . 51
3.5 Distribuciones discretas. . . . . . . . . . . . . . . . . . . . . . . . . 52
3.5.1 Distribución binomial . . . . . . . . . . . . . . . . . . . . . . 52
3.5.2 Distribución Poisson . . . . . . . . . . . . . . . . . . . . . . 54
3.6 Distribuciones continuas . . . . . . . . . . . . . . . . . . . . . . . . 55
3.6.1 Distribución normal o Gaussiana . . . . . . . . . . . . . 55
3.6.2 Uso de la tabla normal estándar . . . . . . . . . . . . . 58
3.7 Aplicaciones de la distribución normal estándar . . . . . . 61
3.8 Distribución t de Student. . . . . . . . . . . . . . . . . . . . . . . . 63
3.9 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
vi
CAPÍTULO 4. ESTIMACIÓN
4.1 Propiedades deseables de un estimador. . . . . . . . . . . . 73
4.2 Distribuciones muestrales . . . . . . . . . . . . . . . . . . . . . . . 75
4.3 Tipos de estimación: puntual o por intervalo . . . . . . . . . 77
4.4 El concepto de estimación aplicado a la química . . . . . 79
4.5 Explicación sobre intervalos de confianza . . . . . . . . . . . 80
4.6 Intervalos de confianza para la distribución normal . . . . 81
4.7 Intervalo para la media si se conoce la varianza . . . . . . 81
4.8 Intervalos de confianza para la media con varianza
desconocida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.9 Intervalo de confianza para la varianza . . . . . . . . . . . . . 85
4.10 Estimación de tamaño muestral . . . . . . . . . . . . . . . . . 87
4.11 Muestras para la estimación de medias . . . . . . . . . . . 88
4.12 Intervalos de confianza para variables dicotómicas . . . 90
4.13 Intervalos de confianza para una proporción . . . . . . . . 90
4.14 Elección del tamaño muestral para una proporción . . . 92
4.15 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
CAPÍTULO 5. PRUEBA DE HIPÓTESIS

5.1 Método de pruebas de hipótesis . . . . . . . . . . . . . . . . . . 106
5.1.1 Formulación de las hipótesis . . . . . . . . . . . . . . . . 106
5.1.2 Errores posibles al tomar una decisión errónea . . 107
5.1.3 Determinación del valor observado del
estadístico de prueba. . . . . . . . . . . . . . . . . . . . . . . . . . . 109
5.1.4 Determinación del valor crítico del estadístico
de prueba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
vii
5.1.5 Comparación del valor observado del estadístico
de prueba con el valor crítico . . . . . . . . . . . . . . . . . . . . . 110
5.2 Pruebas de hipótesis paramétricas en una población
normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.2.1 Prueba de hipótesis para una media con varianza
conocida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.2.2 Prueba de hipótesis para una media con varianza
desconocida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.3 Contrastes de dos distribuciones normales
independientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5.3.1 Contrastes de medias con varianzas conocidas . 117
5.3.2 Contraste de medias con varianzas desconocidas119
5.4 Contrastes para la diferencia de medias pareadas . . . . 123
5.5 Contrastes de una proporción . . . . . . . . . . . . . . . . . . . . 128
5.6 Contrastes sobre la diferencia de proporciones. . . . . . . 131
5.7 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
CAPÍTULO 6. REGRESIÓN LINEAL SIMPLE Y CORRELACIÓN

6.1 Regresión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
6.2 Regresión lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
6.3 Ajuste del modelo de regresión lineal. . . . . . . . . . . . . . . 152
6.4 Uso de la ecuación de regresión . . . . . . . . . . . . . . . . . . 156
6.5 Error estándar de estimación. . . . . . . . . . . . . . . . . . . . . 156
6.6 Prueba de hipótesis sobre el coeficiente de regresión . . 157
6.7 Bondad de un ajuste . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
6.8 Intervalo de predicción . . . . . . . . . . . . . . . . . . . . . . . . . 160
6.9 Análisis de regresión: comentarios finales . . . . . . . . . . . 162
viii
6.10 Análisis de correlación lineal . . . . . . . . . . . . . . . . . . . . 162
6.11 Análisis colorimétrico . . . . . . . . . . . . . . . . . . . . . . . . . . 164
6.12 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
APÉNDICE A.
FÓRMULAS ESTADÍSTICAS . . . . . . . . . . . . . . . . . . . . . . . . . 181
APÉNDICE B.
TABLAS ESTADÍSTICAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
APÉNDICE C.
GLOSARIO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
APÉNDICE D.
RESPUESTAS A LOS EJERCICIOS IMPARES. . . . . . . . . . . 223
BIBLIOGRAFÍA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
ACERCA DEL AUTOR. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
ix
Presentación
Siempre que se planea un nuevo libro de texto, se deben resolver los

aspectos de cómo diferirá de los ya disponibles y qué contribuciones apor-
tará al campo en estudio. Este libro fue escrito para usarse en un curso in-
troductorio a la probabilidad y estadística, dando énfasis primordial a con-
ceptos y aplicaciones de los métodos estadísticos básicos en el área de la
química, con el fin de proporcionar al estudiante el enlace necesario entre
los conceptos teóricos vistos en clase y las aplicaciones en la vida real. Tam-
bién pretende que los profesionales en química utilicen la ventaja que ofre-
ce la Estadística, la cual les puede facilitar el diseño de experimentos, la re-
colección de los datos, mayor exactitud y precisión en los resultados.
Existe la creencia de que la estadística es muy complicada o consu-
me demasiado tiempo cuando se la utiliza. Nuestro propósito es aportar téc-
nicas que sean simples y rápidas, además de adecuadas para que el quími-
co analice sus propios datos.
En esta primera edición, se incluyen los temas fundamentales de la
estadística descriptiva e inferencial. Además, como una ayuda tanto para el
instructor como para el estudiante, aparecen al final de la obra las solucio-
nes a los problemas de número impar. El desarrollo de los temas está acom-
pañado de ejemplos, que ilustran al lector sobre el alcance de las definiciones
y sobre el desarrollo de las técnicas de cálculo. Asimismo, cada capítulo fina-
liza con una buena colección de problemas propuestos, muchos de ellos
originales, en los que se combinan ejercicios prácticos con resultados com-
plementarios de los obtenidos en el texto.
El capítulo primero ofrece una introducción a la estadística por me-
dio de los conceptos básicos. El capítulo segundo introduce al lector en
la estadística descriptiva. El tercer capítulo se centran en el desarrollo axio-
mático del concepto de probabilidad y en el estudio de sus propiedades
más interesantes desde el punto de vista de los cálculos. En el primero de
ellos se estudian las operaciones básicas con los sucesos y sus probabilida-
des, y a continuación las distribuciones de probabilidades como la normal.
La presentación es rigurosa y formal, lo que proporciona al estudio una cier-
ta aridez, aunque los resultados vienen acompañados de ejemplos que ilus-
tran su utilización práctica. En los capítulos cuarto al sexto se estudian los
métodos básicos de la estadística inferencial; estimación, prueba de hipóte-
sis, regresión y correlación. Cada capítulo finaliza con una amplia colección
de ejercicios, a través de los cuales el lector podrá medir el grado de com-
prensión de los contenidos de cada tema.
Este texto ha sido utilizado, con carácter experimental, en el curso
de Estadística para Laboratoristas Químicos del Recinto de Tacares de la
Sede de Occidente de la Universidad de Costa Rica. El libro está pensado
no sólo para el curso anteriormente mencionado, sino que puede resultar
también interesante para alumnos de disciplinas, como Ingeniería Industrial
y Matemáticas, por ejemplo.
Se agregaron en los anexos fórmulas y tablas estadísticas de las
principales distribuciones, tablas que permiten el cálculo aproximado y rápi-
do de probabilidades. y rápido de probabilidades.
Para el estudio completo del libro se precisan unos conocimientos
moderados de Cálculo diferencial e integral, algunas nociones del cálculo de
límites y de las técnicas de sucesión de series numéricas sencillas, así co-
mo ciertos conceptos y desarrollos de Algebra lineal. No obstante, las defi-
niciones y resultados básicos (y muchos no tan básicos) van acompañados
de observaciones que permiten que el lector poco avezado en las lides ma-
temáticas pueda valorar su contenido, haciéndose, al menos, una idea intui-
tiva de ellos.
Esperamos que este texto, haga el estudio de la estadística más sa-
tisfactorio, compresible y significativo para los estudiantes que lo utilicen.
Carlo Magno Araya Alpízar
xii
Capítulo 1
Introducción
1.1 Historia de la estadística

1.2 Poblaciones y muestras
1.3 Estadística descriptiva e inferencial
1.4 Tipos de variables aleatorias
1.5 Error experimental
1.6 Diseño estadístico de experimentos
1.7 Exactitud y precisión
Introducción
El análisis de los datos debe presentarse de manera que sea fácil-

mente comprensible. Con demasiada frecuencia, el lenguaje puramente es-
tadístico significa poco o nada para los químicos; expresiones tales como
“existe una diferencia significativa” puede ser verdadera, pero es demasiado
general para ser útil.
En este capítulo se revisan algunos de los conceptos básicos que
servirán de fundamento para gran parte del material del resto del texto.
En la sección 1.1 se presenta la historia y la definición de estadísti-
ca. Describe la diferencia entre población y muestra en la sección 1.2. A
continuación, en la sección 1.3 se estudia qué se entiende por estadística
descriptiva e inferencia estadística. Seguidamente, se estudian los tipos de
variables aleatorias, el error experimental, las medidas invalidadas y los di-
seños de experimentos. Por último, en la sección 1.7, se analiza la diferen-
cia entre exactitud y precisión de las mediciones.
1.1 Historia de la estadística
Desde los comienzos de la civilización han existido formas sencillas

de estadísticas, pues ya se utilizaban representaciones gráficas y otros sím-
bolos en pieles, rocas, palos de madera y paredes de cuevas para contar el
número de personas, animales o ciertas cosas.
Hacia el año 3000 A. C. los babilonios usaban ya pequeñas tablillas
de arcilla para recopilar datos en tablas sobre la producción agrícola y de los
géneros vendidos o cambiados mediante trueque. Los egipcios analizaban
los datos de la población y la renta del país mucho antes de construir las pi-
rámides en el siglo XXXI A. C.
Los libros bíblicos de Numéricos incluyen, en algunas partes, tra-
bajos de estadística. El primero contiene dos censos de la población de Is-
rael y el segundo describe el bienestar material de las diversas tribus judías.
En China existían registros numéricos con anterioridad al año 2000 A. C. Los
griegos clásicos realizaban censos cuya información se utilizaba hacia el año
594 A. C. para cobrar impuestos.
El Imperio romano fue el primer gobierno que recopiló una gran can-
tidad de datos sobre la población, superficie y renta de todos los territorios
bajo su control. Durante la Edad Media sólo se realizaron algunos censos
exhaustivos en Europa. Los reyes carolingios Pipino el Breve y Carlomagno
ordenaron hacer estudios minuciosos de las propiedades de la Iglesia en los
años 758 y 762, respectivamente.
Después de la conquista normanda de Inglaterra en 1066, el rey Gui-
llermo I de Inglaterra encargó un censo. La información obtenida con este
censo, llevado a cabo en 1086, se recoge en el Domesdat Book. El registro
de nacimientos y defunciones comenzó en Inglaterra a principios del siglo
XVI, y en 1662 apareció el primer estudio estadístico notable de población,
titulado “Observations on the London Bills of Mortality” (Comentarios sobre
las partidas de defunción en Londres).
Un estudio similar sobre la tasa de mortalidad en la ciudad de Bres-
lau, en Alemania, realizado en 1691, fue utilizado por el astrónomo inglés
Edmund Halley como base para la primera tabla de mortalidad. En el siglo
XIX, con la generalización del método científico para estudiar todos los fenó-
menos de las ciencias naturales y sociales, los investigadores aceptaron la
necesidad de reducir la información a valores numéricos para evitar la am-
bigüedad de las descripciones verbales.
En nuestros días, la estadística se ha convertido en un método efec-
tivo para describir con exactitud los valores de los datos económicos, polí-
ticos, sociales, psicológicos, biológicos y físicos, y sirve como herramienta
para relacionar y analizar dichos datos.
El trabajo del experto estadístico no consiste ya sólo en reunir y tabu-
lar los datos, sino sobre todo el proceso de interpretación de esa informa-
ción. El desarrollo de la teoría de la probabilidad ha aumentado el alcance de
las aplicaciones de la estadística. Muchos conjuntos de datos se pueden
aproximar, con gran exactitud, utilizando determinadas distribuciones pro-
babilísticas; los resultados de éstas se pueden utilizar para analizar datos
estadísticas.
La probabilidad es útil para comprobar la fiabilidad de las inferencias
estadísticas y para predecir el tipo y la cantidad de datos necesarios en un
determinado estudio estadístico.
En Química, incluye tareas tan diversas como calcular el promedio
aritmético de la cantidad de sólidos suspendidos en muestras de agua,
4 • CAPÍTULO 1 Introducción
determinar cuántos compuestos de tres elementos pueden elaborarse con
cinco sustancias, comparar dos métodos de determinación del porcentaje
de calcio, el crecimiento del número de bacterias según días de inoculación.
Por tanto, la ciencia de la estadística se puede considerar como la
aplicación del método científico en el análisis de datos numéricos con el fin
de tomar decisiones racionales.
1.2 Poblaciones y muestras

A fin de entender cómo se puede aplicar los métodos estadísticos,
se debe distinguir entre población y muestra. Una población o universo es
cualquier colección finita o infinita de individuos o elementos, para cada uno
de los cuales se tiene que contar o medir una o varias características. Los
elementos son los objetos que poseen la información que busca el investi-
gador y acerca del cual deben hacerse las inferencias. Entre posibles ele-
mentos se tiene: una sustancia, un compuesto, un mineral, etc.
Aunque existe la libertad de llamar población a un grupo cualquiera
de elementos definidos en el tiempo y el espacio, en la práctica depende del
contexto en el cual se observarán los elementos. Suponga, por ejemplo, el
número de total de compuestos que pueden elaborarse con 5 sustancias,
puede considerarse como una población.
Una muestra es un subconjunto de elementos de la población que
puede servir de base para generalizaciones válidas En trabajos químicos, se
toman muestras de un material, se ensayan y se hacen deducciones para la
totalidad de dicho material, a partir de los resultados obtenidos. La muestra
no es exactamente la población, sino que se supone que la representa, y la
validez de cualquier conclusión obtenida de ella depende de la verdadera re-
presentatividad que tenga.
La muestra debería ser seleccionada en forma aleatoria, es decir, ca-
da elemento tiene una probabilidad conocida y no nula de selección. No
siempre es posible obtener una muestra aleatoria. Esto es especialmente
cierto cuando el estadístico puede confiar en su propio “juicio” o “convenien-
cia” al seleccionar los elementos de la muestra. Con la aleatoriedad se per-
sigue que la muestra sea “representativa” de la población, para que concen-
tre todas las características y particularidades de interés. Sin embargo, la
aleatoriedad no garantiza necesariamente la representatividad.
Los factores que determinan la selección de muestras son: costo,
tiempo y la imposibilidad práctica (o destrucción de la unidad de estudio). En
tanto, el tamaño de la muestra queda determinado por la variabilidad de la
población, el nivel de confianza y el error máximo permisible. Cuando los
CAPÍTULO 1 Introducción • 5
elementos de una población tienen cierto grado de heterogeneidad entre
ellos, el tamaño de la muestra tiende a ser grande. Cabe destacar, que
es completamente erróneo asegurar que la muestra depende del tamaño
de la población.
Cuando se hace una investigación con todos los elementos de la
población, se llama censo o enumeración total. En tanto, cuando se ela-
bora con base en una muestra, se le denomina estudio por muestreo. En
la mayoría de los casos los químicos no están interesados en los datos de
enumeración total (o censo) sino en datos muestrales.
1.3 Estadística descriptiva e inferencial
La estadística descriptiva se puede definir como los métodos es-

tadísticos que pretenden describir las características más importantes de un
conjunto de datos, sea que provenga de una muestra o de una población.
Utiliza técnicas estadísticas, como la representación gráfica, cuadros esta-
dísticos, medidas de posición y de variabilidad.
Uno de los propósitos fundamentales de los métodos estadísticos
es utilizar estadísticos muestrales para estimar los parámetros de la pobla-
ción. A este proceso de utilizar los estadísticos muestrales para llegar a con-
clusiones acerca de los verdaderos parámetros de la población, se le llama
inferencia estadística.
La estadística inferencial generaliza los resultados observados en
una muestra a toda la población bajo estudio, por medio del planteamiento
y pruebas de hipótesis y cálculo de intervalos de confianza; se aplica a pro-
blemas como estimar, mediante pruebas, el rendimiento promedio de un
proceso químico, verificar las especificaciones de producción a partir de
mediciones efectuadas sobre muestras o predecir los residuos de cloro en
una piscina basándose en una muestra de datos tomados en ciertos perio-
dos de tiempo.
1.4 Tipos de variables aleatorias
Cada unidad que compone la población está caracterizada por uno

o varios valores. Estas características, con los valores que toma, se deno-
minan variables. Se distingue entre variables cuantitativas y cualitativas.
Las primeras representan características con valor aritmético, mientras que
las segundas hacen referencia a cualidades que sólo pueden ser contadas
u ordenadas. Por ejemplo: color, sabor, textura, punto de fusión, solubilidad,
diámetro y peso.
Si S es un espacio de muestra con una medida de
probabilidad y x es una función con valor real definida con
respecto a los elementos de S, entonces x se denomina
variable aleatoria.
La diferencia entre ellas es que las variables aleatorias cuantitativas

toman valores numéricos, mientras que las variables aleatorias cualitativas
asumen valores categóricos, por ejemplo, el color de una sustancia.
Por otra parte, las variables aleatorias cuantitativas pueden dividirse
en discretas y continuas. Las variables aleatorias discretas asumen va-
lores aislados y surgen de un proceso de conteo. “El número de bacteria de
una muestra de agua” es un ejemplo de una variable cuantitativa discreta ya
que toma un número finito de valores que se pueden contar
Las variables aleatorias continuas toman valores sobre un inter-
valo o una colección de intervalos, que surgen de un proceso de medición.
La información importante para un químico no viene, generalmente del pro-
ceso de contar, sino de la medida de volúmenes y de los instrumentos de
medidas. Todas las operaciones citadas entrañan medidas y éstas tienen un
cierto grado de incertidumbre. La “conductividad térmica del cloruro de meti-
lo” es un ejemplo de una variable aleatoria continua, ya que la respuesta pue-
de tomar cualquier valor según la precisión del instrumento para la medición.
1.5 Error experimental
En Química Analítica se clasifican los errores en determinados e in-

determinados. Los errores determinados se definen como aquellos que
pueden ser evitados una vez que son conocidos. Este tipo de error es origi-
nado por factores como los siguientes:
1. Inadecuada calibración de los aparatos o inadecuada estanda-

rización de los reactivos.
2. Error personal, tal como la dificultad de una analista para
juzgar un cambio de color.
3. Avería del aparato.
4. Error del método.
Los errores determinados introducen un sesgo en las medidas. Por

ejemplo, si el analista no está centrado en la escala del instrumento, su lectu-
ra será más alta o más baja de la debida a causa del paralaje.
Los errores indeterminados, por el contrario, no pueden ser elimina-
dos, sino que existen por la propia naturaleza del dato medido. Por ejemplo,
los ligeros errores obtenidos en la interpolación son indeterminados y el ana-
lista no conoce su magnitud, ni si son positivos o negativos. Son llamados
errores experimentales o estadísticamente errores de muestreo.
En lo relativo a la precisión, los resultados de estudios por muestreo
siempre están sujetos a cierta incertidumbre debido a que sólo una parte de
la población ha sido investigada y debido a los errores de medición. Esta in-
certidumbre puede ser reducida, tomando muestras más grandes y usando
métodos de medición adecuados.
1.6 Diseño estadístico de experimentos
El hombre ha ido diseñando experimentos cada vez que ha formu-

lado preguntas acerca del mundo que lo rodea, por lo cual el concepto
“diseño de experimentos” no es nada nuevo. Ha desarrollado, también un
sistema para la resolución de problemas, que ha llegado a ser conocido
como “método científico”. Esencialmente, este plan consta de los siguien-
tes elementos:
1. Situación y definición del problema

2. Formulación de una hipótesis por explicarla
3. Obtención de datos.
4. Confrontación de la hipótesis con los datos.
5. Aceptación o rechazo de la hipótesis según esté o no de
acuerdo con los datos.
La confrontación de la hipótesis con los datos y la aceptación o re-

chazo de ella son materias de juicio crítico, y cualquier camino es bueno pa-
ra ello, si el juicio puede ser hecho en forma más objetiva que subjetiva.
Un experimento diseñado estadísticamente proporciona una estima-
ción del error que puede servir como norma por la que pueden ser medidos
los resultados del experimento.
1.7 Exactitud y precisión
La diferencia entre el resultado obtenido con base en el análisis de

muestras y el “verdadero”, se toma como medida de la exactitud de la
técnica que se estudia. La precisión representa la probabilidad de que los
resultados sucesivos caigan dentro un intervalo estrecho de valores centra-
do alrededor del valor medio. Este valor medio puede diferir apreciablemente
del valor “verdadero”, esto es, puede existir un sesgo, positivo o negativo, en
el método de estudio.
Un método satisfactorio de análisis debe poseer a la vez una exac-
titud y una precisión razonables. Es esencial que los químicos distingan cui-
dadosamente estos dos conceptos. Todos los instrumentos de alta tecno-
logía que se emplean actualmente están construidos para funcionar con un
alto grado de precisión. Así, si se somete repetidamente la misma muestra
a un instrumento determinado, las lecturas tienden a ser iguales cada vez.
Estadísticamente, la precisión de un estimador* es un concepto que
expresa la concentración de las estimaciones con respecto a su valor me-
dio. Se mide por la raíz cuadrada de la varianza del estimador. Un estima-
dor será más preciso cuanto menor sea su varianza.
* En el capítulo 3, se estudian las propiedades los estimadores.
Capítulo 2
Estadística Descriptiva
2.1 Medidas de posición

2.2 Medidas de variabilidad
2.3 Distribución de frecuencias
2.4 Problemas
Estadística Descriptiva
La finalidad de este capítulo es mostrar cómo un método estadístico

puede ser aplicado a problemas del analista químico que realiza trabajos de
rutina. Estos problemas son resueltos algunas veces caprichosamente, otras
mediante la intuición (la cual se encuentra, a menudo, altamente desarrollada
en un analista de experiencia) y otras, también, permanecen sin resolver.
En la sección 2.1 se estudian las medidas de posición y seguidamen-
te, en la sección 2.2, las medidas de variabilidad o dispersión de los datos ob-
tenidos por experimentación o que son simplemente un conjunto de medicio-
nes. A continuación, la sección 2.4 trata el problema relacionado con el agru-
pamiento de datos y su presentación gráfica y la finalmente, se analiza el pro-
blema de la detección de valores extremos en conjuntos de datos.
2.1 Medidas de posición
La característica más importante que describe un grupo de datos es

su posición en la recta numérica. La mayor parte de los conjuntos de datos
muestran una tendencia definida a agruparse alrededor de cierto punto. Por
ello, para cualquier conjunto particular de datos, suele ser posible seleccio-
nar un valor típico para describir o resumir todo el conjunto de datos, de-
pendiendo de la característica de estudio y de la muestra seleccionada.
2.1.1 La media aritmética
La media de la muestra, llamada también media aritmética o prome-

dio aritmético, no es más que la suma de los valores observados divididos
entre el número total de elementos de la misma. Es la medida de mayor uso
de la centralidad de un conjunto de datos.
Si las observaciones en una muestra de tamaño n son x1,...,xn la me-
dia es el valor que se escribe de las siguientes formas equivalentes:
n
∑ xi
i =1
x=
n
x1 +...+ x n
=
n (2.1)
La media de una población de N elementos se calcula de la misma

forma, solamente que la suma de los valores se dividen entre el tamaño de
la población. El estadístico muestral es el estimador1 del parámetro2 de la
población, µ
La media aritmética de una serie de observaciones se expresa en las
mismas unidades de medición que los datos; esto es, si la observación es
en gramos, el valor medio resulta en gramos. Por ejemplo, supóngase que
se determinó que a 22°C una pipeta de 5,00 mililitros, después de pesar por
seis ocasiones, su volumen vertido, generó los siguientes pesos aparentes
de agua en gramos:
4,995 4,993 4,994 4,996 4,998 4,992
La media para esta muestra se calcula como:
4 ,995 + 4 ,993 + 4 ,994 + 4 ,996 + 4 ,998 + 4 ,992

x=
6
29 ,968
=
6
= 4 ,995
1 Estimador: en términos generales es una función de la muestra, que proporciona un valor

representativo de la característica poblacional.
2 Parámetros: conjunto de valores poblacionales que definen la función de densidad de

probabilidad de una variable aleatoria.
14 • CAPÍTULO 2 Estadística Descriptiva

Se diría que la pipeta escurre a una temperatura de 22°C en prome-
dio 4,995 gramos de agua.
La principal debilidad de este estadístico como representante de un
conjunto de datos es su susceptibilidad a valores extremos, ya que todas
las observaciones intervienen en el cálculo de la media, la aparición de una
observación extrema, hará que la media se desplace en esa dirección.
Al promediar estos datos, los resultados se vuelven dudosos como
una descripción razonable respecto a la tendencia central de los datos. Se
debe utilizar otras medidas de posición cuando se presenta este problema.
2.1.2 La media geométrica
La media geométrica de un grupo de mediciones es la raíz enésima

de su producto. Expresado matemáticamente
x = n X1 ⋅ X 2 ⋅ X 3 ⋅ ⋅ ⋅ X n
(2.2)
Cuando los valores de las mediciones están comprendidos dentro

de un intervalo amplio y muchos de ellos se acumulan hacia un extremo, la
media geométrica resulta ser una expresión de la tendencia central más
adecuada que la media aritmética por la precisión de los resultados.
2.1.3 La mediana
Dado que los valores extremos en un conjunto de datos distorsionan

la media aritmética, no es una buena medida de tendencia central en esas
circunstancias. Por ello, siempre que está presente un valor extremo, es más
apropiado utilizar la mediana, al no ser afectada por la presencia de valores
extremos en un conjunto de datos, tal que todos los valores tienen igual im-
portancia en su cálculo.
La mediana de un conjunto de datos es el valor del centro cuando las
observaciones están ordenadas en forma ascendente del mínimo hasta el má-
ximo valor, es decir, dispuestos en orden de magnitud. Es decir, el 50% de las
observaciones en conjunto de datos son menores o iguales y el otro 50% de
las observaciones son mayores o iguales a la mediana.
Para calcular la mediana, primero hay que ordenar los datos en for-
ma ascendente. Si el tamaño de la muestra es un número impar, la media-
na se representa con el valor numérico de observación ordenado (n+1)/2.
CAPÍTULO 2 Estadística Descriptiva • 15

Por otra parte, si el tamaño de la muestra es un número par, la mediana
se representa con la media de los dos valores centrales en el arreglo or-
denado de datos.
Por ejemplo, suponga que las siguientes observaciones representan el
punto de ebullición de un compuesto de silicio (en grados Celsius):
166 141 136 153 170 162 155 148 132 160 175 150
Para obtener el punto ebullición del compuesto del silicio de 12 ob-
servaciones realizadas, los datos ordenados serían como sigue:
132 136 141 148 150 153 155 160 162 166 170 175
Por tanto, dado que la mediana representa el punto medio en el arre-
glo ordenado y el número de observaciones en la muestra es par, la media-
na se calcula como el promedio de los dos valores centrales de la siguiente
manera:
153+ 155
Me =
2
= 154
Este resultado, indica que el 50% de los puntos de ebullición del

compuesto de silicio observados son menores a 154 grados Celsius.
Entre las propiedades de la mediana, a destacar están las siguientes:
• Como medida descriptiva, tiene la ventaja de no estar afecta-

da por las observaciones extremas, ya que no depende de los
valores que toma la variable, sino del orden de las mismas. Por
ello es adecuado su uso en distribuciones asimétricas.
• Es de cálculo rápido y de interpretación sencilla. A diferencia

de la media, la mediana de una variable discreta es siempre un
valor de la variable que estudiamos . La mediana de una varia-
ble número de bacterias toma siempre valores enteros.
• Si una población está formada por 2 subpoblaciones de me-

dianas mediana 1 y mediana 2, sólo se puede afirmar que la
mediana de la población está comprendida entre mediana 1 y
mediana 2.

• El mayor defecto de la mediana es que tiene unas propiedades
matemáticas complicadas, lo que hace que sea muy difícil de
utilizar en inferencia estadística.
2.1.4 La moda
La moda se define simplemente como el valor que se presenta con

la más alta frecuencia absoluta en un conjunto de datos. No requiere hacer
operaciones de cálculo, solamente hay que contar y puede determinarse en
relación con variables cualitativas y cuantitativas.
Un conjunto de datos puede tener más de una moda (o sea puede
ser multimodal), esto un signo de la falta de homogeneidad en los datos.
También es posible que en algunos conjuntos de datos no hay moda.
Debe ser usada como medida de posición cuando el tamaño de muestra
es grande.
Por ejemplo, los siguientes son resultados en porcentaje obtenidos
de oxígeno disuelto al muestrear un río en 36 ocasiones diferentes:
7,1 6,7 6,2 6,1 3,4 5,9 8,7 7,1 6,5 3,9 7,2 8,1
3,3 7,1 8,0 5,4 7,4 7,0 4,0 5,5 5,1 7,1 6,4 7,1
7,7 4,5 7,6 5,8 7,1 7,1 6,3 6,1 6,3 5,8 5,8 7,5
En este caso, el valor más típico o valor modal es 7,1%. Como se

mencionó anteriormente, la moda tiene una característica distintiva, pues es
la única medida de tendencia central que se puede utilizar con datos cuali-
tativos. Por ejemplo, puede ser usada para determinar el color más frecuen-
te en un conjunto de compuestos químicos.
2.1.5 Proporciones
La proporción de la muestra describe la parte de un todo que po-

see característica de interés determinado como el porcentaje de carbono
presente en el clorhidrato de efedrina. La facción molar de un componen-
te, es el número de moles del mismo dividido por el número total de mo-
les de todos los componentes presentes en el sistema. La suma de las
fracciones molares de todos los componentes evidentemente es siempre
igual a la unidad.

El mineral dolomita es una mezcla de CaCO3 ( PM =100,07 g/mol)
y MgCO3 ( PM =84,32 g/mol), con pequeñas cantidades de impurezas que
no son importantes. Una muestra de 1,000 g de dolomita se calcina para
volatilizar el CO2, y el residuo obtenido consistente en CaO ( PM = 56,08
g/mol) y MgO ( PM =40,31 g/mol) pesa 0,5200 g. ¿Cuál es la composición
de la muestra?.
Estableciendo que,
X = gramos de CaCO3 en la muestra de 1,0000 g

Y = gramos de MgCO3 en la muestra de 1,0000 g
Entonces, x + y =1000, que es la primera ecuación del par. Al apli-

car los factores químicos se obtiene
CaO MgO
x +y = 0,5200 g
CaCO 3 MgCO3
y sustituyendo los valores numéricos,
0,5608x + 0,4780y = 0,5200 g
y resolviendo,
x = 0,5090 g CaC03 y = 0,4910 g MgC03
Por lo que la composición del mineral es 0,5090 g de CaCO3 y

0,4910 g de MgCO3. , los resultados del análisis generalmente se expresan
en porcentajes. Esto es la proporción se multiplica por 100. Para los resul-
tados anteriores, serían expresados de la siguiente forma:
0,5090 g (100)
= 51% de CaCO3
1000
. g
0,4910 g (100)
= 49% de MgCO 3
1.000 g

2.2 Medidas de variabilidad
La variabilidad en química analítica afecta la precisión y la exactitud

de los resultados, por consiguiente, influye en nuestros juicios. Carece de
sentido decir que un análisis está “dentro de los límites del error experimen-
tal”, si no tiene una idea de la magnitud del mismo.
Las medidas de variabilidad (o dispersión) describen el grado en que
los valores no son iguales o en como varían entre sí. Los valores de estas
medidas serán grandes cuando los datos son muy heterogéneos y peque-
ños, cuando los datos son muy homogéneos.
Dos conjuntos de datos pueden diferir tanto en tendencia central co-
mo en dispersión o, pueden tener las mismas medidas de posición, pero di-
ferir en términos de la variabilidad. Por tanto, al analizar un conjunto de da-
tos es insuficiente resumir los datos únicamente presentando medidas de
tendencia. Los datos deben ser estudiados en términos de su dispersión
para evitar sacar conclusiones falsas de los mismos.
Hay cuatro maneras ordinarias de evaluar la variabilidad: el recorrido,
la variancia, la desviación estándar y el coeficiente de variación.
2.2.1 El recorrido
La expresión más sencilla de la dispersión es el recorrido, esto es, la

diferencia entre los valores máximo y mínimo.
Rx = máximo(x) – mínimo(x) (2.3)
donde x representa la variable de estudio. Como el recorrido destaca los va-

lores más extremos, no influye en él la dispersión típica de los datos.
Para muestras pequeñas, de pocas observaciones, el recorrido da
aproximadamente tanta información acerca de la variabilidad de las obser-
vaciones como otras medidas de variabilidad más elaboradas. Dado que
para su cálculo se utilizan los dos valores extremos, se desperdicia el resto
de los datos; para muestras mayores no debería utilizarse el recorrido sino
otras medidas de la dispersión. Otro inconveniente es que el rango aumen-
ta con el número de observaciones, o bien se queda igual. En cualquier ca-
so nunca disminuye.
Por ejemplo, considérese el estudio de J.J. Thompson (1856-
1940), que descubrió el electrón aislando partículas cargadas negativa-
mente para las cuales midió la relación carga a masa. Esta relación parecía

ser constante en un amplio margen de condiciones experimentales y, en
consecuencia, podría ser una característica de esa nueva partícula. Sus
observaciones de dos tubos distintos de rayos catódicos que usaban aire
como gas dentro de ellos son:
Tubo 1 0,57 0,34 0,43 0,32 0,48 0,40 0,40

Tubo 2 0,53 0,47 0,47 0,51 0,63 0,61 0,48
Se encuentra que el recorrido es,
Rx = 0,63 – 0,32=0,31
En este ejemplo, el recorrido puede ser considerado como una bue-

na medida de la variabilidad porque tanto 0,63 y 0,32 no son valores extre-
mos comparados con las otras observaciones de ambos tubos.
Aunque no es tan eficiente como la desviación estándar, lo fácil de
su cálculo ha hecho muy popular al recorrido. La relación existente entre él
y la desviación estándar ha sido estudiada por TIPPETT3, quien ha demos-
trado que, para pequeños grupos de medidas (que es el caso usual en la-
boratorios químicos), el recorrido es, en la práctica, suficientemente cerca-
no a la desviación estándar.
2.2.2 La varianza
La varianza es una medida de la dispersión de los valores de una dis-

tribución alrededor del valor medio. Se define como la media aritmética de
los cuadrados de la diferencia entre los valores que toma la variable aleato-
ria y la media de la distribución. El conocimiento del investigador podrá ayu-
darle a analizar la varianza según el problema de estudio.
Si x1,x2,...,xn es una muestra de n observaciones, entonces la varian-
za muestral está representada por,
3 TIPPETT, L. H. C.: “On the extreme individuals and range of samples taken from a normal
population”, Biometrika, 17, 364, (1925).

1 n
s2 = ∑ ( xi − x)
2
n − 1 i =1
 n  
2
  ∑x  
1  n 2  i =1 i   (2.4)
= ∑ xi −
n − 1 n=1 n 
 
 
El divisor (n-1), denominado grados de libertad, indica que sola-

mente hay n-1 desviaciones de la media que son independientes. Dividi-
mos entre (n-1) porque se desea utilizar la varianza muestral s2 como un
estimador insesgado de la varianza poblacional s2. Las estimaciones ob-
tenidas al dividir la suma de los cuadrados de las desviaciones entre n
tienden a subestimar s2.
Por ejemplo, para encontrar el efecto de la carga de polvo en la sa-
lida de un sistema con un precipitante, se efectuaron las siguientes medicio-
nes (en gramos por m3 en el tubo del gas):
1,5 1,5 1,4 1,1 1,7 1,8 1,6 1,5 1,6 2,2
1,7 1,4 1,9 1,9 1,5 1,4 1,9 2,2 1,8 2,0
La variancia se calcula de la siguiente manera:
1
s = 57,95 −
2 (336, ) 2

19  20 
1,502
=
19
= 0,07905
El valor 1,502 representa las desviaciones con respecto a la media

aritmética al cuadrado.
La varianza no tiene la misma magnitud que las observaciones
(ejemplo, si las observaciones se miden en metros, la varianza lo hace en
metros2). Si quiere que la medida de dispersión sea de la misma dimensio-
nalidad que las observaciones bastará con tomar su raíz cuadrada.

2.2.3 La desviación estándar
La desviación estándar de un conjunto de datos representa la va-

riabilidad de los datos muestrales y constituye nuestra estimación de la
desviación estándar de la población. Para obtener la desviación estándar
simplemente se toma la raíz cuadrada de la variancia. Por tanto,
n
∑ ( xi − x ) 2
i =1
s= (2.5)
n −1
La desviación estándar del ejemplo presentado para calculo de la
variancia sobre la salida de polvo de un sistema precipitante, sería,
s = 0,07905 = 0,2812
Las unidades de medición para s son las mismas de los datos origi-
nales. Por otra parte, la desviación estándar se utiliza para medir la variación
promedio alrededor a la media aritmética.
Además de las propiedades citadas de la variancia y desviación es-
tándar, será conveniente tener siempre en mente otras que enunciadas a
continuación:
• Ambas son sensibles a la variación de cada una de las puntua-

ciones, es decir, si una puntuación cambia, cambia con ella la
varianza. La razón es que si miramos su definición, la varianza
es función de cada una de las puntuaciones.
• Si se calculan a través de los datos agrupados en una tabla,

dependen de los intervalos elegidos. Es decir, se comete cier-
to error en el cálculo de la varianza cuando los datos han sido
resumidos en una tabla estadística mediante intervalos, en lu-
gar de haber sido calculados directamente como datos no
agrupados.
• No es recomendable el uso de ellas, cuando tampoco lo sea

el de la media como medida de tendencia central.

2.2.4 El coeficiente de variación
El coeficiente de variación es una medida de variabilidad relativa, tal

que expresa la magnitud de la desviación estándar como un porcentaje de
la media. Se expresa como porcentaje en vez de las mismas unidades que
los datos. La fórmula de cálculo es,
sx
CV x = ∗100 (2.6)
x
El coeficiente de variación se utiliza para comparar variabilidad entre
dos o más variables que se miden en diferentes unidades o cuya media es
muy diferente. Por ejemplo, las siguientes cifras son las horas de estudio de
10 alumnos para presentar un examen de Química General 1 y las califica-
ciones que obtuvieron:
Horas de estudio: 7 5 10 12 10 6 18 15 4 9
Calificación: 60 44 80 75 70 65 90 90 35 65
Por medio de las fórmulas 2.1, 2.4 y 2.5 se obtiene para las varia-
bles horas de estudio y calificación el promedio aritmético, la varianza y la
desviación estándar:
Sustancia x S2 s CV
Horas de estudio 9,6 19,8222 4,4522 46,4%
Calificación 67,4 323,156 17,9765 26,7%
Un error sería comparar la variabilidad absoluta usando la varianza

o la desviación estándar entre las variables, tal que están medidas en dife-
rentes unidades, con lo cual, podría concluirse que las calificaciones tienen
mayor variabilidad.
Sin embargo, al calcular el coeficiente de variación, se observa que
en realidad las horas de estudio presentan una mayor variabilidad relativa.
Se podría decir que entre los alumnos existe una mayor variabilidad con res-
pecto a las horas de estudio en relación a las calificaciones obtenidas en el
examen de Química General 1.

Otras consideraciones que deben ser tenidas en cuenta son:
• Sólo se debe calcular para variables con todos los valores

positivos. Todo indicador de variabilidad es esencialmente no
negativo. Las observaciones pueden ser positivas o nulas,
pero su variabilidad debe ser siempre positiva.
• No es invariante ante cambios de origen. Es decir, si a los re-

sultados de una medida le sumamos una cantidad positiva,
b>0, para tener Y=X+b, la desviación estándar no es sensible
ante cambios de origen, pero si la media.
• Es invariante a cambios de escala. Si multiplicamos X por una

constante a, para obtener Y=a X, para ver que las siguientes
consideraciones
= / X = CVX
SY SaX aS
CVY = =
y ax /
ax
2.3 Distribución de frecuencias
Es un método para resumir grandes cantidades de datos en cla-

ses apropiadas, mostrando el número de observaciones en cada clase.
En esta forma resumida, posibilita que los datos sean más manejables y
compresibles, se logra destacar las características sobresalientes de la
variable de estudio.
Los resultados experimentales se representan muchas veces en for-
ma de distribuciones de frecuencia, agrupados o no. En las distribuciones de
frecuencia no agrupadas, los valores observados se disponen en orden as-
cendente de magnitud. Las distribuciones de frecuencia agrupadas se dispo-
nen de modo que se pongan de manifiesto las frecuencias con que se pre-
sentan los valores de la variable dentro de determinadas clases ordenadas.
Cuando los datos se agrupan según su magnitud numérica, la tabla re-
sultante recibe el nombre de distribución numérica o cuantitativa. En cons-
trate, si los datos se agrupan en categorías que difieren en tipo y no en grado,
la tabla resultante se denomina distribución categórica o cualitativa.

La construcción de una distribución cuantitativa consta esencial-
mente de cuatro pasos:
1. Selección del número de clases

2. Cálculo del intervalo de clase
3. Definición de los límites de clase
4. Conteo del número de observaciones por clase
2.3.1 Selección del número de clases
El número de clases a utilizar, depende en forma primordial de tres

factores: interés del investigador, costumbre y cálculo estadístico. Primera-
mente, podría ser de preferencia para el investigador agrupar los datos en
número determinado de clases, porque su conocimiento del problema así lo
indica o simplemente por interés personal. En tanto, la costumbre en las di-
ferentes disciplinas científicas, guían al analista de datos en la selección del
número apropiado de clases.
El número exacto que se utilice en una situación dada dependerá de
la naturaleza, magnitud y orden de los datos. Con certeza, perderíamos más
de lo que ganaríamos si agrupamos cinco observaciones en 12 clases, tal
que la mayor parte de ellas quedarían vacías y por el contrario sería incon-
veniente agrupar 1000 mediciones en dos clases. No obstante, en general,
la distribución de frecuencias debe tener el número de clases que permita
una concentración o agrupamiento de los datos de modo conveniente para
los propósitos del estudio.
Por otro lado, el número de clases puede ser definido al utilizar un
cálculo estadístico, que relaciona la amplitud general, es decir, la diferen-
cia entre el máximo y mínimo valor que tomó la característica y el intervalo
de clase seleccionado o calculado previamente.
Número de clases = Amplitud general

(2.7)
Intervalo de clase
2.3.2 Cálculo del intervalo de clase
Al construir una distribución de frecuencia, es deseable que cada

clase tenga la misma longitud o intervalo de clase. Para determinar el ancho

de cada clase, la amplitud general de los datos (la diferencia entre la ob-
servación más grande y la más pequeña), se divide entre el número de
clases deseadas:
Amplitud general (2.8)

Intervalo de clase =
Número de clases
Por ejemplo, los siguientes datos son los tiempos de ignición de

ciertos materiales expuestos al fuego, dados a la más cercana centésima de
segundo:
2,58 5,50 6,75 2,65 7,60 6,25 3,78 4,90 5,21 2,51
6,20 5,92 5,84 7,86 8,79 4,79 3,90 3,75 3,49 4,04
3,87 6,90 4,72 9,45 7,41 2,45 3,24 5,15 3,81 2,50
1,52 4,56 8,80 4,71 5,92 5,33 3,10 6,77 9,20 6,43
1,38 2,46 7,40 6,25 9,64 8,64 6,43 5,62 1,20 1,58
Suponga, que se tiene interés de construir cinco clases. Con el

arreglo ordenado de los tiempos se determina que la observación más
grande es de 9,65 y la más pequeña, de 1,20. Por tanto, la amplitud se
calcula como:
Amplitud general = Observación mayor - observación menor

= 9,64 - 1,20
= 8,44
y se tiene la aproximación al intervalo de clase con
8,44
Intervalo de clase = = 1,688 ≅ 1,69
5
Como regla general, el intervalo de clase tendrá igual número de

decimales que los datos. Si el resultado del cálculo del intervalo tiene más
dígitos, se debe redondear utilizando el criterio de redondeo hacia arriba.

2.3.3 Definición de los límites de clase
Para construir la tabla de distribución de frecuencia, es necesario es-

tablecer con claridad límites para cada clase, a fin de que las observaciones
puedan ser ubicadas en una sola categoría. Las clases deben ser mutua-
mente excluyentes para evitar la superposición de ellas.
Como el intervalo de clase para los tiempos de ignición se ha esta-
blecido en 1.69, se deben establecer los “límites o fronteras” de las diversas
clases con el propósito de incluir toda la amplitud de las observaciones.
Siempre que sea posible, estos límites se deben seleccionar para facilitar la
lectura e interpretación de los datos. Por tanto, el límite inferior y superior de
la primera clase se establece desde 1,20 hasta 2,88, la segunda clase que-
daría definida entre los límites de 2,89 hasta 4,57, etc.
2.3.4 Conteo del número de observaciones por clase
Siempre debe asegurarse que cada elemento (medición u observa-

ción) esté solamente en una clase. Para ello, el valor menor y el mayor de-
ben estar dentro de la clasificación definida y las clases deben ser mutua-
mente excluyentes. Los datos ordenados para cada clase y su frecuencia
absoluta serían:
Tiempos Conteo Frecuencia

de ignición Absoluta (fi)
1,20 – 2,88 //// //// // 10
2,89 – 4,57 //// //// / 9
4,58 – 6,26 //// //// //// //// 16
6,27 – 7,95 //// //// / 9
7,96 – 9,64 //// // 6
Al establecer los límites de cada clase como se indica arriba, las 50

observaciones se han contado y separado en cinco clases, cada una de las
cuales tiene un intervalo de 1,69 sin existir traslapamiento entre ellas una ob-
servación no podría ser contabilizada en dos clases a la vez.
La elaboración de esta tabla de resumen o distribución de frecuencia
permite saber cómo se distribuyen las observaciones dentro de una clase en
particular, sin tener necesidad de analizar los datos originales. Por tanto, pa-
ra 10 materiales expuestos al fuego el tiempo de ignición se encuentra entre

1,20 y 2,88 centésima de segundo, sin embargo la tabla de resumen no in-
dica con exactitud si las observaciones están distribuidas en forma uniforme
en el intervalo, si todas son cercanas a 1,20 o todas están cercanas a 2,88.
Por ello, el punto medio del intervalo de clase, es el valor utilizado
para representar todos los datos resumidos en una clase particular. El pun-
to medio para el intervalo “1,2 – 2,88” es 2,04. Los otros puntos medios de
clase, respectivamente, son:
3,73 5,42 7,11 8,8
Por otra parte, la ventaja principal de utilizar una distribución de fre-

cuencias es que las características de los datos más sobresalientes son cla-
ramente identificadas por los usuarios de la información. Se observa que la
mayoría de tiempos de ignición tienden a agruparse entre 4,58 y 6,26 cen-
tésima de segundo. La distribución de frecuencias es, en realidad, una tabla
de resumen en la cual se agrupan los datos para facilitar el análisis.
Ahora bien, para facilitar todavía más el análisis de los datos, se
pueden calcular las frecuencias relativas o porcentajes, según si el in-
vestigador prefiere proporciones o porcentajes. Las frecuencias relativas se
calculan dividiendo la frecuencia absoluta de cada clase entre número total
de observaciones o tamaño de la muestra. La distribución con las frecuen-
cias absolutas y relativas se presentan a continuación:
Tiempos fi Frecuencia Porcentajes

de ignición relativa (fi/n) %
1,20 – 2,88 10 0,20 20

2,89 – 4,57 9 0,18 18
4,58 – 6,26 16 0,32 32
6,27 – 7,95 9 0,18 18
7,96 – 9,64 6 0,12 12
Con esta tabla, se pueden calcular los porcentajes por clase al mul-
tiplicar por 100 cada frecuencia relativa. Un 32% de los materiales fueron
consumidos por el fuego entre 4,58 y 6,26 centésima de segundo. En rea-
lidad, el uso de las frecuencias relativas o distribución porcentual de las ob-
servaciones se vuelve importante siempre que un conjunto de datos se
compara con otro conjunto, sobre todo si difieren el número de observacio-
nes en cada conjunto.

Por tanto, para comparar los tiempos de ignición de 50 materiales
con respecto a otro conjunto de 25 materiales, se hace necesario estable-
cer, ya sea la distribución de las frecuencias relativas o de los porcentajes
para este último conjunto.
2.3.5 Representación gráfica de distribuciones de frecuencias
Como anteriormente se ha citado, las distribuciones de frecuencias

resume los datos que se dispone de una población, de forma que ésta se
puede analizar de una manera más sistemática y resumida. Para darse
cuenta de un sólo vistazo de las características de la población resulta aún
más esclarecedor el uso de gráficos, cuya construcción abordamos en es-
ta sección.
Histograma
Un histograma se construye a partir de la distribución de frecuen-

cias, representando sobre cada intervalo, un rectángulo que tiene a este
segmento como base. El criterio para calcular la altura de cada rectángulo
es el de mantener la proporcionalidad entre las frecuencias absolutas (o re-
lativas) de cada intervalo y su área. Los histogramas, son gráficas de barras
verticales, construidos sobre los límites reales de cada clase.
Al dibujar el histograma, la variable aleatoria de interés se represen-
ta a lo largo del eje horizontal; el eje vertical representa la frecuencia abso-
luta o la relativa por clase. A continuación se presenta el histograma para los
tiempos de ignición de los materiales.

Sin embargo, cuando un análista de información quiera comparar
dos o más conjuntos de datos, no se pueden construir dos histogramas en
la misma gráfica, porque la superposición de las barras verticales ocasiona-
ría dificultades en el análisis. Una forma de solucionar este problema, es
construir un polígono de frecuencias absolutas o relativas.
Polígono de frecuencias
Al igual que con los histogramas, al dibujar el polígono de frecuen-

cias, la variable aleatoria de interés se representa a lo largo del eje horizon-
tal, pero dada en puntos medios y en el eje vertical es representada la fre-
cuencia absoluta o la relativa. El polígono se construye al representar las fre-
cuencias absolutas o relativas con sus respectivos puntos medios y, luego,
al conectar la sucesión de puntos medios por medios líneas rectas. El si-
guiente gráfico muestra el polígono de frecuencias utilizando las frecuencias
relativas para los tiempos de ignición de los materiales.

Se debe tener en cuenta que el polígono es una representación de
la forma de la distribución de probabilidad de la variable aleatoria particu-
lar. Dado que el área debajo de la totalidad de la curva o distribución de
las frecuencias relativas debe ser 1, es necesario conectar el primero y el
último puntos medios con el eje horizontal y modificar el eje vertical divi-
diendo por el intervalo de clase que es 1,69 a fin de encerrar el área de la
distribución observada.
El procedimiento consiste en conectar el primer punto medio obser-
vado con el punto medio de una clase anterior ficticia, que tenga 0 de fre-
cuencia absoluta y al conectar el último punto medio observado con el pun-
to medio de una clase posterior ficticia, que tenga 0 observaciones.
Se debe mencionar, que cuando construimos un polígono de fre-
cuencia o histograma, el eje vertical debe mostrar el cero real (origen) a fin
de representar correctamente las características de la distribución de los da-
tos. Sin embargo, el eje horizontal no necesita especificar el punto cero pa-
ra la variable de interés. El recorrido de la variable aleatoria debe constituir
la mayor parte del gráfico y, cuando se tienen problemas de presentación de
los valores es apropiado hacer cortes de escala y denotarlos simbólicamen-
te con “7 “ en el eje.
2.4 Problemas
2.1 A. A. Michelson (1852-1931) efectuó muchas series de medi-

ciones de la velocidad de la luz. Empleando una técnica de es-
pejo giratorio, obtuvo
12 30 30 27 30 27 48 24 18 25 39
para las diferencias (velocidad de la luz en aire) – (299 700 km/s

(Fuente: The Astrophysical Journal, 65 (1927): 11).
a) Calcule el promedio aritmético y la mediana.

b) Calcule la variancia y la desviación estándar.
c) Calcule el coeficiente de variación.

2.2 Un analista desea determinar el número de moles de cobre II
en un volumen dado de una solución, por electrólisis. Supon-
ga que el químico empleó sólo 9 muestras de la solución para
el experimento y que los resultados fueron, en moles de la sus-
tancia en referencia, como sigue:
0,15 0,17 0,19 0,15 0,18 0,16 0,17 0,18 0,19
2.3 Para estimar la cantidad de alimentos contaminados en las fies-

tas de Zapote, un inspector del Ministerio de Salud, decide con-
tar el número de muestras contaminadas con alguna bacteria en
los lugares de venta. Para ello, decidió tomar 70 muestras de ali-
mentos durante un día. Los resultados fueron son los siguientes:
7 10 4 8 6 9 6 4 9 10 9 8 3 9 5 9 9 8
2 7 4 8 5 10 9 6 8 8 8 7 8 6 11 9 11 7
1 8 8 5 9 9 8 8 9 10 7 7 7 5 8 7 9 9
9 5 8 8 7 9 3 8 7 8 7 10 7 11 6 8
a) Construya una distribución de frecuencias con cincos clases.

b) Calcule las frecuencias acumuladas, absolutas y relativas.
c) Construya un histograma de las frecuencias absolutas.
2.4 La contaminación con petróleo de los mares estimula el creci-

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

b) Calcule el coeficiente de variación.
2.5 A continuación se dan 15 mediciones del punto de ebullición

de un compuesto de silicio (en grados Celsius):
166 141 136 153 170 162 155 146 183 157 148 132 160 175 150
Calcule el promedio aritmético y la desviación estándar.

2.6 Los siguientes datos son los tiempos de ignición de ciertos
materiales expuestos al fuego, dados a la más cercana centé-
sima de segundo:
2,58 5,50 6,75 2,65 7,60 6,25 3,78 4,90 5,21 2,51
6,20 5,92 5,84 7,86 8,79 4,79 3,90 3,75 3,49 4,04
3,87 6,90 4,72 9,45 7,41 2,45 3,24 5,15 3,81 2,50
1,52 4,56 8,80 4,71 5,92 5,33 3,10 6,77 9,20 6,43
1,38 2,46 7,40 6,25 9,65 8,64 6,43 5,62 1,20 1,58
a) Construya una distribución de frecuencias utilizando un inter-

valo de clase de 2 minutos.
b) Represente la distribución de frecuencias por medio de un
polígono de frecuencias.
c) Calcule gráficamente la mediana.
2.7 Un ingeniero químico vigila la calidad del agua midiendo la can-

tidad de sólidos suspendidos en una muestra de agua pluvial.
En 11 días distintos observó los sólidos suspendidos (partes
por millón).
14 12 21 28 30 63 29 63 55 19 20
a) Calcule e interprete la media aritmética y la mediana

b) Calcule el coeficiente de variación
2.8 Los siguientes son los pesos en gramos (redondeados al gra-

mo más próximo) de 30 ratones, de un ensayo realizado en un
Laboratorio de Química usadas en un estudio de deficiencias
vitamínicas:
136 92 115 118 121 137 132 120 104 125

119 115 101 129 85 108 110 133 135 126
127 103 110 126 118 82 104 137 120 148
a) Construya una distribución de frecuencia con 6 clases que

incluya límites dados y reales.
b) Interprete la frecuencia absoluta de la clase 3.
c) Construya el polígono de frecuencias.

2.9 Los siguientes son los resultados para la medida de oxígeno
disuelto en diferentes ocasiones en un punto de muestreo de
un río, en gramos por litro.
7,1 6,7 6,2 6,1 3,4 5,9 8,7 6,8 6,5 3,9 7,2 8,1
3,3 7,1 8,0 5,4 7,4 7,0 4,0 5,5 5,1 8,9 6,0 7,2
7,7 4,5 7,6 5,8 7,1 7,1 6,3 6,1 6,3 5,8 5,8 7,5
a) Construya una distribución de frecuencia que tenga 5 clases.

(incluya los limites dados, las frecuencias absolutas y relativas).
b) Calcule e interprete el valor de la tercera clase de la frecuen-
cia absoluta acumulada a “más de”.
c) Represente gráficamente la distribución de frecuencias por
medio de un polígono de frecuencia.
2.10 Ocho determinaciones de la densidad de un líquido orgánico

dieron los resultados (en g/cm3). Calcule e interprete la media
aritmética y la mediana.
0,913 0,943 0,959 0,901 0,951 0,917 0,961 0,943
2.11 Se le pide a un analista experimentado la evaluación de dos

métodos diferentes para la determinación de trazas de plomo
en ácido acético glacial, y se le entrega una muestra que
contiene precisamente 1.282 ppm. de Pb, por litro (dato des-
conocido por el analista). Se realizaron cinco determinacio-
nes mediante cada método, que dieron los siguientes resul-
tados para la concentración del plomo, en partes por millón
(ppm):
Método A: 1,34 1,33 1,32 1,34 1,31

Método B: 1,30 1,26 1,30 1,33 1,24
Compare ambos métodos en cuanto a su exactitud y variabilidad.
2.12 Un estudiante de química preparó una serie de compuestos

que contienen las siguientes masas de nitrógeno y oxígeno (en
gramos):

Compuesto N2 O2
A 16,8 19,2
B 17,1 39,0
C 33,6 57,3
D 25,4 28,2
E 27,9 26,1
F 14,3 45,8
G 35,2 53,5
a) Calcule e interprete la masa de nitrógeno promedio de los

compuestos.
b) Calcule e interprete la mediana de la masa de oxígeno de los
compuestos.
c) ¿Cuál elemento de los compuestos presenta una menor varia-
bilidad relativa? Justifique la respuesta.
2.13 El espectro de masa de una muestra de óxido de plomo con-

tiene iones de fórmula Pb0. El óxido de plomo ha sido prepa-
rado a partir de 16O isotópicamente puro. Las masas de los io-
nes en gramos por mol, se listan a continuación:
220,03 220,90 226,92 225,20 216,80 229,56

222,15 232,11 235,00 223,50 224,30 227,23
224,78 218,45 231,45 222,62 228,56 224,05
230,30 215,00 223,06 228,92 223,82 230,82
225,62 229,10 224,05 232,50 221,95 218,42
a) Construya una distribución de frecuencias con 4 clases.

Incluya en la tabla la frecuencia absoluta y la relativa.
b) Calcule la frecuencia absoluta acumulada “a menos de” y la
frecuencia relativa “a más de”. Interprete el valor de la terce-
ra clase de ambas frecuencias acumuladas.
c) Represente gráficamente la distribución de frecuencias por
medio de un polígono de frecuencias.
2.14 A continuación se presenta las medidas de pH y los porcenta-

jes de Cl y SO4 en muestra de agua del túnel Arenal 2, a dife-
rentes distancias de la estación.

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

de SO4
b) ¿Qué variable -pH o CL- tiene menor variabilidad relativa?
2.15 Un ingeniero químico está investigando sobre el rendimiento

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

b) Determine cuál de las dos variables: temperatura o rendi-
miento, tiene mayor variabilidad relativa.
2.16 En una muestra de tabletas de aspirinas, de las cuales se

cuantifica su peso expresado en gramos, se obtiene:
1,19 1,23 1,18 1,21 1,27 1,17 1,15 1,14 1,19
Calcule e interprete la mediana del peso de las tabletas de

aspirinas.

2.17 Para retardar la fermentación de cierta cerveza se agrega un in-
grediente en el proceso de elaboración. Para controlar el tiempo
de fermentación, se llevó un seguimiento por días como sigue:
14 17 16 25 24 24 30 36 15 28 29 23 31 34 25 31 26
24 19 28 26 23 37 29 28 27 29 29 16 23 32 28 29 18
a) Construya una distribución de frecuencias con 6 clases.

Incluya los limites dados, la frecuencia absoluta y la relativa.
b) Represente gráficamente la distribución de frecuencias utili-
zando un histograma.
c) Calcule e interprete la moda.
2.18 Un estudiante obtiene los datos que siguen del volumen de ai-
re como función de la temperatura a presión constante.
Temperatura (ºC): 16 55 85 103 126 163

Volumen (cm3) 31 35 38 40 43 47
¿Cuál variable tiene menor variabilidad relativa?
2.19 Se está investigando un método para producir gasolina a par-

tir de desechos orgánicos. La planta ha proporcionado los si-
guientes datos referentes al rendimiento, en porcentaje del
combustible:
24,1 21,0 26,6 26,0 25,7 21,8 20,9 20,4 20,0

28,8 20,2 25,9 21,2 26,2 22,0 24,2 24,7 20,7
25,9 26,7 30,0 24,0 21,3 26,6 21,0 22,1 21,8
21,8 22,9 21,6 25,3 24,9 25,9 26,5 25,4 22,4
a) Construya una distribución de frecuencia con 5 clases. Inclu-

ya los limites dados, la frecuencia absoluta y la frecuencia re-
lativa acumulada “a menos de”.
b) Dibuje el polígono de frecuencias.

2.20 La distribución siguiente corresponde a las lecturas con un
contador Geiger del número de partículas emitidas por una
sustancia radiactiva en 100 intervalos sucesivos de 40 se-
gundos:
Número de partículas Frecuencia

5-9 1
10-14 10
15-19 37
20-24 36
25-29 13
30-34 2
35-39 1
a) Calcule la frecuencia absoluta acumulada “a menos de” y la

frecuencia relativa “a más de”. Interprete el valor de la terce-
ra clase de ambas frecuencias acumuladas.
b) Represente gráficamente la distribución de frecuencias por
medio de un histograma.
c) Calcule e interprete: el promedio aritmético, la moda y la
mediana.
d) Calcule la desviación estándar y el coeficiente de variación.
e) Calcule e interprete el percentil 75%.
2.21 De las siguientes determinaciones en porcentaje de humedad

(H2O):
0,48 0,37 0,47 0,40 0,44 0,46 0,43 %
Calcule e interprete:
a) El promedio aritmético
b) La desviación estándar
c) El rango
2.22 A continuación se presenta los siguientes valores de pH de un

conjunto de muestras de agua:

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

truya el histograma utilizando las frecuencias relativas.
2.23 El análisis de una mezcla indica que contiene 32,55% de Fe2O3

y pierde 1,25% de peso al secarse. Calcule el porcentaje de
Fe2O3 en base seca.
2.24 El CaCO3 (100,09) es el único componente de una mezcla que

pierde peso por calcinación, al desprender CO2, peso molecu-
lar 44,01 g/mol. Al calcinar una muestra de 0,4532 g de esta
mezcla, el peso del residuo resulta ser 0,4289 g.
a) ¿Cuál es el porcentaje de pérdida por calcinación?.

b) ¿Cuál es el porcentaje de CaCO3?.
2.25 A continuación se presentan los resultados obtenidos en la de-

terminación del % de nitrógeno en cinco muestras de heno to-
madas al azar, como sigue:
1,24 1,37 1,29 1,28 1,33
a) Calcule el promedio aritmético

b) Calcule el recorrido y la desviación estándar. Compare los
resultados
c) Calcule la variabilidad relativa
2.26 Los siguientes datos representan los porcentajes de zinc de un

conjunto de aleaciones:

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

ta de la quinta clase.
b) Calcule e interprete el valor correspondiente de la frecuencia
relativa acumulada a “más de” de la cuarta clase.
c) Representa gráficamente la distribución de frecuencias utili-
zando un histograma.
2.27 Varios análisis de una aleación dieron los siguientes porcenta-

jes de cobre:
3,27 3,31 3,29 3,42 3,32
Calcular la media aritmética, la media geométrica y la mediana.
¿Cuál de estos valores se puede tomar como el mejor valor del
contenido real en cobre de la aleación analizada?.
2.28 Los datos siguientes representan el tanto por ciento de cenizas

de diferentes muestras de un cargamento de carbón.
% de cenizas Frecuencia
4,0-4,9 7
5,0-5,9 28
6,0-6,9 75
7,0-7,9 85
8,0-8,9 45
9,0-9,9 27
10,0-10,9 7
11,0-11,9 2

Calcular el promedio aritmético del contenido de cenizas de las
muestras y representar la distribución utilizando un polígono de
frecuencias.
2.29 Se analizó volumétricamente una cierta muestra para deter-

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

media, el recorrido y la desviación estándar del método.
2.30 Cinco determinaciones de mercurio sobre una muestra deter-

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

para determinar el valor del contenido en el constituyente ma-
yor. Los resultados en porcentajes fueron:
38,64 38,61 38,55 38,78
¿Qué valor debe darse como resultado?
2.32 Los siguientes resultados de sendas microdeterminaciones de

C y H en ácido benzoico e hidrocloruro de efedrina, fueron ob-
tenidos por diversos analistas.
Acido benzoico Hidrocloruro de efedrina

%C %H %C %H
69,03 5,00 59,22 8,19
68,96 4,91 59,66 8,31
69,18 5,22 59,27 7,86
69,22 5,19 59,22 7,87
68,88 4,89 59,51 8,24
69,04 4,76 59,60 8,00

a) Calcular la media de cada determinación.
b) Calcular la mediana de cada determinación.
c) Para cada muestra calcular el estimador de la desviación es-
tándar de la media.
2.33 Se obtuvieron los siguientes resultados del porcentaje de nitró-

geno en una muestra paralelamente con el porcentaje de nitró-
geno en un blanco.
Análisis (% N) Blanco (% N)
18,16 0,10
18,20 0,14
18,07 0,07
18,30 0,12
a) Calcular la desviación estándar para el blanco y el propio

análisis.
b) Calcular la variabilidad relativa con ambos métodos.
2.34 Se obtuvieron los siguientes resultados en la valoración de una

disolución de ácido clorhídrico en moles por litro, según el mé-
todo de determinación volumétrica, frente a carbonato de so-
dio puro, y otro frente a hidróxido de sodio, obteniéndose los
siguientes resultados:
Molaridad con Molaridad con

NaOH Na2C03
0,1052 0,1060
0,1051 0,1055
0,1047 0,1049
0,1052 0,1062
0,1049 0,1059
a) Calcular la media de cada método.

b) Calcular la desviación estándar de la media de cada método.
c) ¿Cuál método presenta mayor variabilidad relativa?

Capítulo 3
Probabilidades
3.1 Introducción a las probabilidades

3.2 Definición axiomática de probabilidad
3.3 Teoremas fundamentales del cálculo
de probabilidades
3.4 Distribuciones de probabilidad
3.5 Distribuciones discretas
3.6 Distribuciones continuas
3.7 Aplicaciones de la distribución normal
estándar
3.8 La distribución t de Student
3.9 Problemas
Probabilidades
En los dos capítulos anteriores se han examinado los conceptos bá-

sicos de estadística y los métodos de análisis descriptivo de datos. En este
capítulo se empieza el estudio de diversas reglas de probabilidad básica y
modelos de probabilidades, que son utilizados para hacer inferencias rela-
cionadas con una población, basándose tan sólo en muestreo estadístico.
En la sección 3.1, se introduce los conceptos básicos de probabili-
dades y sus métodos de cálculo.
Seguidamente, en la sección 3.2 se presentan las distribuciones de
probabilidades y sus aplicaciones en el análisis de datos. Se detalla en las
siguientes secciones las características de las distribuciones Binomial, Pois-
son, Normal y t de Student.
Es importante estudiar el eslabón que une la teoría de la probabili-
dad y la estadística aplicada: la noción de variable aleatoria, mostrando de
esta manera, como puede emplearse la teoría de la probabilidad para sacar
conclusiones precisas acerca de una población con base en una muestra
extraída de ella.
3.1 Introducción a las probabilidades
La teoría de probabilidades proporciona las bases matemáticas y el

lenguaje de la estadística usada en este libro. En la mayoría de los proble-
mas estadísticos de probabilidades, nos interesa saber el número de ele-
mentos en un espacio muestral finito, sin embargo resulta muy difícil deter-
minar todo el conjunto de eventos factibles, por medio de la enumeración
directa. A la vez, es importante conocer los resultados posibles de un expe-
rimento y sus probabilidades. Por ejemplo, podría interesar cuantificar el nú-
mero de productos defectuosos producidos por una máquina, y las proba-
bilidades de tener x artículos defectuosos.
En estadística se acostumbra designar como un experimento a un
proceso de observación o medición cualquiera. En ese sentido, un experi-
mento consiste en determinar el número de elementos a combinar para en-
contrar un compuesto anhelado. Lo que se obtiene de un experimento, ya
sea lectura de instrumentos o valores obtenidos a través de operaciones, se
denomina resultados del experimento.
Cuando se estudian los resultados de un experimento, por lo gene-
ral se identifican las diversos resultados posibles con números, puntos u
otras clases de símbolos, de manera que podamos tomar en cuenta todos
los aspectos concernientes a los resultados desde un punto de vista mate-
mático, sin tener que recorrer largas descripciones verbales de lo que ha su-
cedido, lo que está sucediendo o lo que ocurrirá.
Hay tres definiciones de las probabilidades de ocurrencia de un
evento particular. La probabilidad estadística está basada en un conoci-
miento previo del proceso aleatorio, la probabilidad de un evento (resultado
o acontecimiento), es la proporción de las veces en que ocurrirán a la larga
eventos del mismo tipo.
La probabilidad clásica se define como el número de resultados fa-
vorables a A, dividido entre el número total de posibles resultados del expe-
rimento aleatorio, o sea:
Número de casos favorables A

P[ A] = (3.1)
Número de casos posibles
Una desventaja importante del concepto clásico de probabilidad es

su limitada aplicación, ya que hay muchas situaciones en que las posibilida-
des que se presentan no pueden considerarse igualmente probables.
La probabilidad subjetiva son probabilidades que expresan la fuerza
de nuestra creencia en relación con incertidumbres que están asociadas
“suposiciones razonadas”, quizá intuición y otros factores subjetivos del fe-
nómeno de estudio, está puede ser muy diferente a la probabilidad asigna-
da por otra persona.
Los elementos básicos de la teoría de probabilidad son los resulta-
dos del proceso o fenómeno en estudio. Cada posible resultado de un ex-
perimento se llama evento.
Un evento simple esta formado solamente por un resultado posible.
En tanto, un evento compuesto es la unión de conjunto de eventos simples.
46 • CAPÍTULO 3 Probabilidades
El conjunto de todos los eventos posibles se llama espacio probabilístico. La
forma en que se divide el espacio probabilístico, depende del tipo de proba-
bilidades que se van a determinar.
La probabilidad simple significa la probabilidad de ocurrencia de un
evento simple.
La probabilidad compuesta resulta la ocurrencia que contiene dos o
más eventos simples.
Esos términos se podrán comprender mejor mediante el siguiente
ejemplo. Considere el experimento aleatorio del lanzamiento de un dado al
aire, que tiene 6 resultados posibles (1 punto, 2 puntos, 3 puntos, 4 puntos,
5 puntos y 6 puntos):
E = {1, 2 ,3,4 ,5,6}
El evento 3 puntos, es un evento simple porque está formado por

solo un resultado. En tanto, el evento un número par es compuesto porque
es la unión de los eventos simples: 2 puntos, 4 puntos y 6 puntos.
3.2 Definición axiomática de probabilidad
Para hacer una definición rigurosa de la probabilidad, necesitamos

precisar ciertas leyes o axiomas que deba cumplir una función de probabili-
dad. Intuitivamente estos axiomas deberían implicar, entre otras, las siguien-
tes cuestiones, que nos parecen lógicas en términos de lo que se puede es-
perar de una función de probabilidad:
• La probabilidad sólo puede tomar valores comprendidos entre

0 y 1(no puede haber sucesos cuya probabilidad de ocurrir sea
1,5 ni -0,50.
• La probabilidad del suceso seguro es 1.
• La probabilidad del suceso imposible debe ser 0.
• La probabilidad de la intersección de dos sucesos debe ser

menor o igual que la probabilidad de cada uno de los sucesos
por separado, es decir,
CAPÍTULO 3 Probabilidades • 47
P[A I B]≤ P[ A] (3.2)
P[A I B]≤ P[B] (3.3)
• La probabilidad de la unión de sucesos debe ser mayor que la

de cada uno de los sucesos por separado:
P[A U B]≥ P[B] (3.4)
P[A U B]≥ P[B] (3.5)
• La probabilidad del suceso contrario de A, deber ser
[]
P A ≤ 1 − P[A] (3.6)
• La probabilidad de la unión numerable de sucesos disjuntos es

la suma de sus probabilidades.
∞  ∞
i =1  i =1
[ ]
A1 , A2 ,..., An ,... ∈ A ⇒ P r ob  U Ai  = ∑ P r ob Ai (3.7)
En las últimas líneas fueron mencionadas ciertas propiedades que

debería cumplir una función que quiera llamarse de probabilidad. Debe te-
nerse en cuenta entonces que se han de seguir los siguientes enunciados:
1. La función de probabilidad debe calcularse sobre subconjuntos

del espacio probabilístico. No es estrictamente necesario que
sean todos, pero sí es necesario que si se puede calcular sobre
un conjunto, lo pueda ser también sobre su complementario, y
que si se puede calcular sobre dos conjuntos A y B, que tam-
bién se pueda calcular sobre su unión y su intersección.
2. Entre las leyes que cumplen una función de probabilidad, co-
mo ya fue citado, algunas son redundantes pues se pueden
deducir de las demás.
Con la definición axiomática de la probabilidad se pretende dar el

menor conjunto posible de estas reglas, para que las demás se deduzcan
como una simple consecuencia de ellas.
3.3 Teoremas fundamentales del cálculo de probabilidades
Hay algunos resultados importantes del cálculo de probabilidades

que son conocidos bajo los nombres de teorema de la adición y teorema de
la multiplicación. Veamos cuales son estos teoremas.
3.3.1 Teorema de la adición
La probabilidad de la unión de sucesos indica que la probabilidad de

ocurrencia de un evento “A” o “B”, es igual a la probabilidad de ocurrencia
de “A”, más la probabilidad de ocurrencia de “B”, menos la probabilidad que
los dos eventos se presenten al mismo tiempo. Esta regla se expresa sim-
bólicamente en los siguientes términos:
P[AU B] = P[A]+ P[B]− P[A I B] (3.8)
Siempre que la ocurrencia de A y B a la vez sea imposible, la proba-

bilidad P(AB) es igual a cero; estos eventos se llaman mutuamente excluyen-
tes, porque la ocurrencia de un evento impide la ocurrencia del otro.
Ejemplo 1. Un químico está interesado en analizar muestras de agua

en una planta eléctrica de vapor. Las pruebas serán engañosas si se en-
cuentra presente nitrógeno o silicio en las muestras. Los dispositivos auto-
máticos indican que la probabilidad de que ambos elementos se encuentren
presentes simultáneamente es despreciable. ¿Escriba una expresión gene-
ral para la probabilidad de que las pruebas hayan sido engañosas?
P[N o Si ] = P[N ] + P[Si ]
Ejemplo 2. En una universidad el 65% de los alumnos practican el
balompié, el 25% la natación y el 12% los dos deportes. ¿Cuál es la proba-
bilidad de encontrar alumno que practique balompie o natación?.
Solución:
Sea A el suceso practicar balompié: Prob(A)=0,65
Sea B el suceso practicar natación: Prob(B)=0,25
El suceso practicar balompié y natación es A∩B: Prob(A∩B)=0,12
Así:
P[A U B]= P[A]+ P[B]− P[A I B]

= 0,65+ 0,25- 0,12
= 0,88
3.3.2 Teorema de la multiplicación
Se refiere a dos o más eventos que podrían presentarse al mismo

tiempo. Si la ocurrencia de uno no afecta la probabilidad que suceda otro
evento cualquiera, se dice que son eventos estadísticamente independien-
tes. En forma matemática, lo anterior puede expresarse como el producto
de las probabilidades marginales así:
P[AB] = P[A]⋅ P[B] (3.9)
La dependencia estadística existe cuando la probabilidad de un

evento depende o está asociada a la ocurrencia de otros eventos. La pro-
babilidad conjunta en condiciones de dependencia estadística:
P[AB] = P[A]⋅ P[B A] (3.10)
Entonces, la probabilidad conjunta de que los eventos A y B ocurran

simultáneamente o en sucesión, es igual a la probabilidad que suceda el even-
to A, multiplicada por la probabilidad del evento B si ya tuvo lugar el evento A.
Ejemplo. En una planta productora de plástico, 3 tuberías vacían dis-
tintos productos químicos en un recipiente mezclador. Cada tubería tiene un
control de 2 posiciones que mide la tasa de flujo que se hace llegar al reci-
piente. Cierto día, al experimentar con varias mezclas, se obtuvo una solu-
ción que emitió un gas venenoso. No se registraron las posiciones de los
controles. ¿Cuál es la probabilidad de obtener de nuevo esta solución al ex-
perimentar aleatoriamente?.
Suponiendo que las probabilidades de cada posición de las tuberías

sean iguales (1/2) y usando la ecuación 3.9, se puede establecer la solución
del problema en la siguiente forma:
1 1 1
P[( T1 T2 T3 ] = ⋅ ⋅
2 2 2
2
 1
= 
 2
= 0 ,125
3.4 Distribuciones de probabilidad
En el capítulo 2, se trató de las distribuciones empíricas de frecuen-

cia de muestras. Ahora, se estudia las distribuciones teóricas de frecuencia
y sus propiedades. Cuando una distribución de frecuencia se basa en una
muestra, se trata, en cierto sentido, de una estimación de la distribución de
población correspondiente.
En la mayoría de los problemas estadísticos la muestra no es lo su-
ficientemente grande para poder determinar la distribución de población con
mucha precisión. Sin embargo, existe, por lo general, bastante información
en la muestra, junto con la información obtenida de otras fuentes, para pos-
tular la naturaleza general de la distribución de población. Estos postulados
dan lugar a las distribuciones de probabilidad.
Una distribución de probabilidad o teórica es un modelo matemáti-
co para la distribución de frecuencia real. En efecto, puede concebirse una
distribución de probabilidad como una distribución teórica de frecuencia.
Una distribución teórica de frecuencia es una distribución de probabi-
lidad que describe cómo se espera que varíen los resultados del experimento
aleatorio. Dado que estas clases de distribuciones se ocupan de las expec-
tativas, son modelos de gran utilidad para hacer inferencias y tomar decisio-
nes en condiciones de incertidumbre.
Las distribuciones de probabilidades están formadas por los valores
que toma la variable aleatoria y su respectiva probabilidad. Una variable
aleatoria es una función con valor numérico sobre un espacio de muestreo.
Atendiendo a la clasificación de las variables aleatorias discretas y
continuas se describen las principales leyes de probabilidad de cada una de
ellas, las cuales constituirán el soporte subyacente de la inferencia estadísti-
ca y a las que será necesario hacer referencia en el estudio de dicho bloque.
3.5 Distribuciones discretas
Se inicia esta sección con el estudio de las distribuciones para varia-

bles aleatorias discretas.
3.5.1 Distribución binomial
Existen muchos problemas aplicados en los que interesa la probabi-

lidad de que un evento ocurra “x veces en n ensayos”. En otras palabras, se
esta interesado en lograr x aciertos y n-x fracasos en n ensayos.
Una variable discreta tiene distribución binomial cuando cumple con
las siguientes condiciones:
1. El experimento consta de n ensayos o pruebas idénticas.
2. Cada ensayo puede tener uno de dos resultados. Un resulta-

do se llama “éxito”, y al otro, “fracaso”.
3. La probabilidad de un éxito en un ensayo es igual a p y perma-

nece constante de una a otro ensayo. La probabilidad de un
fracaso es q = 1-p.
4. Los ensayos son estadísticamente independientes.
5. Interesa conocer x, el número de éxitos observados en n

pruebas.
El resultado éxito no tiene que verse como un acierto o logro, en el
sentido usual de la palabra. Además, los ensayos independientes significan
que el resultado de uno de ellos no afecta la probabilidad de éxito de cual-
quier otro en el experimento. La fórmula de la distribución binomial es:
 n
f ( x) =   ⋅ p x ⋅ q n − x x = 0, 1,..,n (3.11)
 x
Los cálculos necesarios para obtener las probabilidades de valores

particulares de n y x, resultan bastante tediosos; razón por lo cual sean in-
cluido la Tabla 1 en el apéndice, con la Distribución Binomial para n ≤ 20 y
valores disponibles de p que principian con 0,05 y proceden por pasos de
0,05 hasta el valor 0,95. Aun cuando esta tabla proporciona rápidamente los
valores de las probabilidades binomiales, se usa para resolver el siguiente
problema ilustrativo la ecuación 3.4.
Ejemplo. Un agente químico produce la decoloración del 5% de los

rollos de papel producido por cierta compañía. ¿Cuál es probabilidad de que
en una muestra aleatoria de 7 rollos de papel, 1 rollo presente decoloración
debido al agente químico?.
Este problema se puede considerar como un problema de distribu-

ción binomial para el cual n=7 y p=0,05. Por medio de la fórmula 3.4 la pro-
babilidad de 1 rollo decolorado está dada por,
 7
P ( x = 1) =   (0 ,05) (0, 95)
1 7 −1
 1
7!
(0 ,05)(0 ,95)
6
=
6!1!
= 7(0,05)(0, 7351)
= 0,257
Por lo tanto, hay una probabilidad de 0,257 de que de los 7 rollos de

papel ocurra que uno presente decoración debido al agente químico.
Utilizando la tabla 1, se tiene que encontrar primero n=7 y la proba-
bilidad de 0,05. Después se recorre hacia abajo esa columna hasta llegar al
renglón x=1. La respuesta allí es 0,956, cifra que representa la probabilidad
de 0 o 1 rollo decolorado. Hay que restar 0,698, la probabilidad de ningún
rollo decolorado; entonces resulta 0,258.
En general, la distribución binomial tiene poca aplicación en el análi-
sis químico de laboratorio, su principal uso está en el control estadístico de
calidad, en la detección de porcentajes de productos “defectuosos” en lo-
tes de producción.
3.5.2 Distribución Poisson
La distribución de Poisson representa la probabilidad de que un

evento aislado (o variable aleatoria discreta) ocurra un número específico de
veces en un intervalo de tiempo, espacio o distancia, dado un promedio por
unidad de medida.
Un rasgo característico de esta distribución es el hecho de que la
ocurrencia de un evento puede ser cuantificada; no así su no-ocurrencia,
dada su falta de significado en términos físicos. De este modo, no puede
medirse el número total de eventos n, en consecuencia, no es posible apli-
car con precisión la distribución binomial.
Los detectores de radiación como, por ejemplo, los contadores de
Geiger, siguen generalmente una distribución de Poisson. En este tipo de
distribución, la varianza es de igual magnitud que la media. Si x es el núme-
ro de ocurrencias cuya probabilidad es necesario conocer, puede expresar-
se la distribución de Poisson como
λx e− λ
f (x) = x = 0,1,... (3.12)
x!
Los términos de tal distribución, se derivan de un proceso que cons-

tituye un mecanismo físico aleatorio, en el cual los eventos ocurren al azar
en una escala de tiempo (o de espacio y distancia). Lambda (λ) representa
el número medio de ocurrencias por intervalo de tiempo.
Ejemplo. Supóngase que partículas radiactivas dan en cierto blanco a

una tasa promedio de 3 partículas por minuto. ¿Cuál es la probabilidad de que
2 partículas den en el blanco durante un minuto cualquiera?. Aplicando la fór-
mula 3.5, se puede calcular la probabilidad de exactamente dos partículas:
32 e−3
P( x = 2) =
2!
6(0,04979)
=
2
= 0,224
Desde luego, puede resolverse este problema utilizando la tabla 2

del apéndice; la distribución de Poisson para diversos valores de lambda.
Primero, se localiza el valor de λ=3, la probabilidad asociada con
x=2. Sin embargo, la tabla presenta la función de probabilidades acumula-
das, por lo cual se debe restarle la probabilidad correspondiente a x=1, de
la siguiente forma,
P( x = 2 ) = 0,4232 - 0,1991
= 0,224
3.6 Distribuciones continuas
En esta sección se estudia las distribuciones más importantes de

v.a.(variable aleatoria) continuas unidimensionales. El soporte de una v.a.
continua se define como aquella región de ℜ donde su densidad es no nu-
la, f(x)≠0. Para las distribuciones ha estudiar, podrá ser bien todo ℜ,
ℜ+=(0,∞ )o bien un segmento de la forma [a,b]⊂. ℜ.
3.6.1 Distribución normal o Gaussiana
Desde hace 300 años se ha estudiado la distribución de los datos

experimentales y se han propuesto muchas fórmulas para representar esta
distribución. Estas fórmulas expresan de diferentes maneras la distribución
de las frecuencias de mediciones repetidas o de otros acontecimientos que
se basan en la probabilidad.
La distribución normal, o de Gauss, es una de las más útiles, y gran
parte de la estadística matemática se basa en ella. La normal es en mucho
aspectos la piedra angular de la estadística. La gráfica tiene una forma se-
mejante al perfil de una campana.
El soporte de la distribución es todo ℜ, de modo que la mayor par-
te de la masa de probabilidad (área comprendida entre la curva y el eje de
abcisas) se encuentra concentrada alrededor de la media, y las ramas de la
curva se extienden asintóticamente a los ejes, de modo que cualquier valor
``muy alejado” de la media es posible (aunque poco probable). La forma de
la campana de Gauss depende de los parámetros µ y σ
Distribuciones gaussianas con igual media pero varianza diferente
Se ha encontrado experimentalmente que la función de distribución
normal describe satisfactoriamente aquellos sistemas en los que las medi-
ciones en estudio vienen afectadas por un número grande de errores que
actúan todos independientemente.
La distribución normal es una aproximación bastante buena a la
distribución real de las fluctuaciones debidas al azar en los fenómenos fí-
sicos. La ecuación de la ley de distribución normal se puede escribir co-
mo sigue:
2
−1  x − µ 
1  
2  σ  ,−∞< x <∞
f (x) = e
σ 2π (3.13)
El área bajo la curva representan la probabilidad de que ocurra una

observación dentro de los límites del área. El punto central en la distribución
es la media, mientras que las distancias de la media se expresan en función
de las desviaciones estándar. La siguiente figura ejemplifica la forma de la
curva y las áreas correspondientes a los múltiples de la desviación estándar
a la izquierda y a la derecha de la media.
La distribución normal se define por la media de la población µ y la

desviación estándar de la población σ. Puesto que existe infinito número de
combinaciones de µ y σ, existe un número infinito de distribuciones norma-
les. Un método de soluccionar el problema es la estandarización los datos
con el fin de obtener la distribución normal estándar.
(3.14)
z2
1 −
f ( z) = e 2 −∞< z <∞
(3.15)
2π
Para la utilización en problemas prácticos de la función de la distri-
bución normal estándar, existen tablas donde se ofrecen (con varios decima-
les de precisión) los valores de la función de distribución de la normal para una
serie limitada de valores x dados.
3.6.2 Uso de la tabla normal estándar
La Tabla 3 del apéndice ofrece las áreas bajo la curva normal están-
dar que corresponden a los diversos valores de Z. Puesto que la curva es
simétrica (un lado es la imagen del otro), en la tabla se presentan primero las
áreas con valores de Z negativos y en la siguiente página las áreas para va-
lores de Z positivos.
Para usar la Tabla 3, se debe tener en cuenta que los valores Z se
deben calcular con dos decimales.
Ejemplo 1. Calcular la probabilidad de Z menor a 0,55, P(Z≤0,55).

Para determinar la probabilidad o área bajo la curva desde −∞ a 0,55, se si-
gue hacia abajo la columna Z de la tabla normal estándar, hasta que se en-
cuentra el valor de Z de interés (en décimas).
Por tanto, hay que detenerse en la fila Z=0,5. Después se lee esta
hilera en sentido horizontal hasta que se intercepta con la columna que con-
tiene valor de Z en centésimas, 0,05. Entonces, en el cuerpo de la tabla, se
encuentra que la probabilidad P(Z≤0,55) = 0,70884.
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586
0,1 0,53983 0,54395 0,54776 0,55172 0,55567 0,55962 0,56356 0,56750 0,57124 0,57534
0,2 0,57926 0,58617 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3 0,61781 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8 0,78814 0,79103 0,79389 0,79373 0,79955 0,80234 0,80510 0,80785 0,81057 0,81327
0,9 0,81594 0,81859 0,82124 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
Ejemplo 2. ¿Cuál es la probabilidad de que Z sea mayor o igual a

2,38, P(Z≥2,38)?. Primero, para encontrar esta probabilidad hay que re-
cordar la regla del complemento para el cálculo de probabilidades (fórmu-
la 3.6).
Entonces,
P( Z ≥ 2,38) = 1 − P ( Z ≤ 2,38)
Segundo, se busca en la primera columna, la fila que corresponda a

Z=2,3. Seguidamente, en la columna que corresponda al segundo decimal,
0,08. Entonces, la probabilidad es 0,99158.
Finalmente,
P( Z ≥ 2,38) = 1 − P( Z ≤ 2,38)
= 1- 0,99158
= 0,00842
Gráficamente, la probabilidad se representa como,
Ejemplo 3. ¿Cuál es la probabilidad de que Z se encuentre entre
–3,45 y –1,10, P(-3,45 ≤ Z ≤ -1,10)?.
Como regla general para calcular probabilidades utilizando un inter-

valo, se tiene que,
P(Z1 ≤ Z ≤ Z2 ) = P(Z ≤ Z2 ) − P(Z ≤ Z1 ) (3.16)
Seguidamente, se encuentra en la tabla las probabilidades asocia-

das a valores de Z que componen el intervalo. Como los valores de inte-
rés tienen signo negativo, es utilizada la parte negativa de la tabla normal
estándar.
En la tabla se encuentre que la probabilidad asociada a -3,45 es
0,00039, y para –1,10 es 0,13567.
Entonces,
P ( − 3, 45 ≤ Z ≤ − 1,10 ) = P ( Z ≤ −1,10) − P ( Z ≤ − 3,45 )

= 0,13567 - 0,00039
= 0,13528
3.7 Aplicaciones de la distribución normal estándar
Ahora que ya se ha aprendido a usar la tabla normal estándar, pue-

den resolver problemas relacionados con la distribución normal.
Ejemplo 1. Suponga que el tiempo medio de reacción de una sus-

tancia es de 30 segundos y la desviación estándar de 4 segundos. ¿Cuál es
la probabilidad de que en cierto experimento, la reacción se produzca en
menos de 25 segundos?.
Para resolver el problema, se utiliza la fórmula 3.8 para estandarizar

el tiempo de reacción de la sustancia de la siguiente manera,
 25 − 30
P( x ≤ 25) = P Z ≤ 
 4 
= P(Z ≤ −1,25)
= 0 ,10565
La probabilidad que la reacción se produzca en menos de 25 segun-

dos es 0,10565.
Ejemplo 2. Una analista químico realiza un gran número de medidas
de una solución con absorbancia media de 0,435 y una desviación están-
dar de 0,005. ¿Qué porcentaje de las lecturas se estima fuera del intervalo
0,425 y 0,445?.
Los cálculos dan
 0 ,425 − 0 ,435 0,445 − 0 ,435 

P (0 ,425 ≤ x ≤ 0 ,445) = P  ≤Z≤ 
 0,005 0 ,005 
= P(-2,00 ≤ Z ≤ 2,00)
= 0,97725 - 0,02275
= 0,9545
Así pues, el porcentaje de lecturas fuera de intervalo 0,425 y 0,445

es 4,55%. Simplemente, se calcula restando 1-0,9545. Gráficamente, el
porcentaje fuera del intervalo es,
3.8 La distribución t de Student
La teoría de la distribución normal se desarrolla a partir de tamaños

de muestra suficientemente grandes, generalmente mayores a 30 observa-
ciones y no aplicable a muestras pequeñas.
En el laboratorio no hay libertad de realizar un gran número de ob-
servaciones y, por ello, las pruebas de hipótesis estadísticas basadas en la
distribución normal llevarían al químico a falsas conclusiones.
El hecho fue reconocido por W. S. Gosset, un químico irlandés que
en 1908 publicó, bajo el pseudónimo de Student, un trabajo titulado “El error
probable de una medida”. En parte por consideraciones teóricas y, en parte,
por el uso de muestras aleatorias, obtuvo la distribución teórica del promedio
de tamaños de muestra pequeñas (n≤30), ajustada a una distribución normal.
La distribución de Student tiene propiedades parecidas a N(0,1):
• Es de media cero, y simétrica con respecto a la misma;
• Es algo más dispersa que la normal, pero la varianza decrece

hasta 1 cuando el número de grados de libertad aumenta;
• Para un tamaño de muestra grande se puede aproximar la dis-

tribución de Student por la normal, es decir,
t n n→∞
→ N ( 0,1)
La curva t presenta menos dispersión que la curva normal, pero se
aproxima a ella cuando crece el tamaño de la muestra y se hace igual cuan-
do “n” tiende a infinito. Para fines prácticos es usada, corrientemente, la dis-
tribución normal con muestras de tamaño mayor a 30.
La teoría en la que está basada la distribución t, requiere presuponer
que la variable básica x posee una distribución normal y, por consiguiente, el
empleo de la distribución t sólo puede justificarse cuando es posible asegu-
rar que x se distribuye por lo menos, en una forma aproximadamente normal.
Comparación entre las funciones de densidad de t y N(0,1)
La Tabla 4 del apéndice, da los valores de t asociados a los grados

de libertad y a varias probabilidades o “valores críticos”. Los grados de liber-
tad están dados por la fórmula n-1. Esto equivale al empleo del divisor n-1
en vez de n al definir la desviación estándar de una muestra, tal como se hi-
zo en el capítulo 2.
3.9 PROBLEMAS
3.1 Suponga que el número de moles de sulfato de cobre II, en un

volumen dado de una solución, tiene una media de 0,17 mo-
les de esa sustancia y la desviación estándar de 0,01 moles.
¿Cuál es la probabilidad de que el número de moles de cobre
II sea mayor a 0,18?
3.2 Según una asociación de protección ambiental, el cloroformo,

del cual se sospecha que en forma gaseosa sea un agente cau-
sante de cáncer, está presente en pequeñas cantidades en to-
das las fuentes de agua públicas. Si la media y la desviación es-
tándar de las cantidades de cloroformo presentes en las fuentes
de agua son de 34 y 53 microgramos por litro, respectivamen-
te. Suponga que se toman 30 muestras de agua, ¿cuántas ten-
drán entre 33 y 37 microgramos por litro de cloroformo?
3.3 Dada la distribución de probabilidad para la variable aleatoria y:
Y 0 1 2 3 4
P(y) 1/9 2/9 3/9 2/9 1/9
Calcule las siguientes probabilidades:
a) P(y≤2).
b) P(y>1).
c) P(1≤y≤3).
3.4 Un dispositivo para la detección de incendios utiliza tres célu-

las sensibles a la temperatura, que actúan independientemen-
te, de manera que una o varias de ellas pueden accionar la
alarma. Cada célula tiene una probabilidad de 0,80 de accio-
nar la alarma cuando la temperatura llega a los 60 grados o
más. Sea x igual al número de células que accionan la alarma
cuando la temperatura llega a los 60 grados.
a) Encuentre la distribución de probabilidad de x.

b) Calcule el valor esperado y la varianza.
3.5 Se ha encontrado que el número de cierto tipo de bacterias en

el agua de servicio público tiene una distribución de Poisson.
Supongamos que el número máximo permisible por muestra
de agua para este tipo de bacteria es 5 y que el número me-
dio de bacterias por muestra que reciben las viviendas son 2.
Si fuera analizada una muestra, ¿cuál es probabilidad de que
el número exceda el máximo tolerable?
3.6 Usando una técnica de trasplante nuclear, el núcleo de una cé-

lula de uno de los estados finales del desarrollo de un embrión
se trasplanta a un huevo fertilizado para ver si ese puede de-
sarrollarse normalmente. Si la probabilidad de que un trasplan-
te tenga éxito es 0,683, ¿cuál es probabilidad de que como
máximo 20 trasplantes de un total de 75 fracasen?
3.7 Se realiza un experimento para comparar la efectividad de un

compuesto químico para producir resistencia en porcentaje de
humedad en productos textiles. Suponga que las medidas de
resistencia a la humedad tienen una distribución normal con
media de 11,9 y variancia 1,21. ¿Qué porcentaje de las medi-
das de resistencia a la humedad es menor que 11,8?
3.8 Se realiza un experimento para investigar el efecto tóxico de

una sustancia química sobre la piel de las ratas. La sustancia
se aplicó en secciones de piel de una pulgada cuadrada y pa-
ra cada sección se anotó una puntuación entre 0 y 10, depen-
diendo del grado de irritación. Por experiencia anterior se sabe
que la puntuación sigue una distribución de Poisson con me-
dia de 3,5 por pulgada cuadrada. ¿Cuál es la probabilidad de
encontrar una puntuación de 4 en 2 pulgadas cuadrada?
3.9 Una compañía de productos químicos elimina sus residuos en

un río situado en la vecindad de su ubicación. Para verificar el
grado de contaminación creado por estos residuos, se desea
obtener algunas estimaciones. Suponga que los residuos de
contaminante tienen una distribución normal con media de 1,7
gramos por litro (g/l) y desviación estándar de 0,223 gramos
por litro (g/l) ¿Cuál es la probabilidad de que los residuos del
contaminante?
a) Sean mayores de 1,72

b) Entre 1,46 y 1,88
c) Inferiores de 2,05
3.10 Sí la probabilidad de que el vapor se condense en un tubo del-

gado de aluminio a 10 atm de presión es 0,30. ¿Cuál es pro-
babilidad de que en las condiciones establecidas el vapor se
condense?
a) En 5 de 9 de tales tubos
b) Entre 20 y 30 (inclusive) de 40 de tales tubos
3.11 Al inspeccionar la aplicación de estaño por un proceso electro-

lito continuo, se descubren en promedio 1,4 imperfecciones
por minuto. Calcule las probabilidades de encontrar:
a) Una imperfección en 2 minutos.
b) Al menos dos imperfecciones en 4 minutos.
3.12 El número de rayos gamma que emite por segundo cierta sus-
tancia radiactiva es una variable aleatoria que tiene distribución
de Poisson con lambda igual a 5,5. Si un detector deja de ope-
rar cuando hay más de 10 rayos por segundo, ¿cuál es la pro-
babilidad de que este instrumento deje de funcionar durante
un segundo cualquiera?
3.13 El 73% de todas las nubes impregnadas con yoduro de plata

muestran un significativo crecimiento, ¿cuál es de que proba-
bilidad de que entre 60 nubes impregnadas con yoduro de pla-
ta, de 20 a 40 (inclusive) muestren un crecimiento?
3.14 Como parte de un análisis de riesgo con respecto a una plan-

ta de energía nuclear, los ingenieros deben modelar la resisten-
cia de los soportes de un generador de vapor en función de su
capacidad de resistir la aceleración máxima ocasionada por
temblores. La opinión de los expertos sugiere que la acelera-
ción se distribuye normalmente con promedio 4,0 y variancia
0,09. ¿Cuál es la probabilidad de que los soportes resistan una
aceleración máxima de 3,3?
3.15 En ciertos experimentos el error cometido al determinar la den-

sidad en g/ml de una sustancia es una variable aleatoria cuya
distribución es normal con promedio 0,015 y desviación están-
dar de 0,045. Cuáles son las probabilidades de que tal error:
a) Este entre 0,011 y 0,013

b) Sea como máximo 0,017
3.16 Una compañía que fabrica purificadores de agua, desea esti-

mar el número medio de gramos por litro de impurezas que eli-
mina su máquina. La cantidad que elimina tiene una distribu-
ción normal con µ=6,6 y σ2=3,2 gramos. ¿Cuál es la probabi-
lidad de que el purificador elimine entre 5,5 y 7,3 gramos de
impurezas del agua por litro?
3.17 El 90% de los químicos determinan en forma correcta el porcen-
taje de calcio en cierto compuesto químico. Se pide a cinco quí-
micos seleccionados aleatoriamente que determinen el porcen-
taje de calcio del compuesto. ¿Cuál es la probabilidad de que
tres químicos calculen el verdadero contenido de calcio?
3.18 Una muestra aleatoria de tamaño 70 se extrae de una pobla-

ción con media 76,1 y variancia 256,34. ¿Cuál es la probabili-
dad de obtener una media muestral entre 75,0 y 78,5?
3.19 Se sabe que un componente electrónico tiene una tasa media

de 0,0024 fallas por hora. ¿Cuál es probabilidad de fallen 3
componentes en 1000 horas de funcionamiento del sistema?
3.20 El punto de vaporización de algunas sustancias se distribuye

normalmente con promedio de 64,5 y desviación estándar de
25,8. ¿Cuál es la probabilidad de que el punto de vaporización
de las sustancias fuera al menos 65,7?
3.21 La probabilidad de que un experimento de laboratorio tenga un

resultado exitoso es 0,65. ¿Cuál es la probabilidad de que en
15 ensayos del experimento 5 resultados sean positivos?
3.22 Si las mediciones del peso específico de un metal pueden con-

siderarse como una muestra de una población normal cuya
desviación estándar es de 0,04, ¿cuál es probabilidad de que
la media de una muestra aleatoria de tamaño 60 difiera a lo su-
mo por 0,003 del promedio de la población?
3.23 Se está estudiando el rendimiento de un proceso químico. Se

sabe, debido a experiencias anteriores, que la variancia y el
promedio respectivamente del rendimiento con este proceso
son 2,32 y 90,48 (unidades porcentuales). ¿Cuál es la proba-
bilidad de encontrar un rendimiento durante un ensayo entre
89,95 y 91,30?
3.24 La tensión superficial de un líquido está representada por

T(dinas/cm), y bajo ciertas condiciones, T≅2(1-0,005X)1,2, en
donde X es la temperatura del líquido en grados centígrados.
Si X tiene función de densidad de probabilidad, f(x)=3000x-4
para x ≥10, calcule el promedio teórico y su variancia.
3.25 Una empresa envasa un cierto producto en frascos cuyos con-

tenidos cuantificados por su peso en gramos, tienen distribu-
ción aproximadamente normal, con desviación estándar 5,50
g. Si el 10% de los frascos tienen un peso menor de 139 gra-
mos, ¿cuál es el peso promedio de ellos?
3.26 La concentración del reactivo en un proceso químico es una

variable aleatoria que tiene distribución de probabilidad,
f(x)=6r(1-r) para 0 ≤r ≤1. Calcule la probabilidad de que la con-
centración sea menor a 0,50.
3.27 Un agente químico produce la decoloración en 7% de los ro-

llos de papel producido por cierta compañía. ¿Cuál es proba-
bilidad de que en una muestra aleatoria de 15 rollos de papel,
9 no presenten decoloración debido al agente químico?
3.28 El contenido del porcentaje de magnesio en una aleación es

una variable aleatoria, dada por la siguientes función de densi-
dad de probabilidad,
x
f (x ) = 0≤x≤6
18
Calcule el contenido de magnesio esperado y su variancia
3.29 En promedio se encuentran 3 glóbulos rojos por unidad cua-

drada. ¿Cuál es la probabilidad de que más de 4 glóbulos ro-
jos sean visibles para un observador con un microscopio en
dos unidades cuadradas?
3.30 Para estudiar la regulación hormonal de una línea metabólica se

inyectan ratas albinas con un fármaco que inhibe la síntesis de
proteínas del organismo. En general, 4 de cada 20 ratas mueren
a causa del fármaco antes de que el experimento haya conclui-
do. Si se trata a 10 animales con el fármaco, ¿cuál es la proba-
bilidad de que al menos 8 lleguen vivas al final del experimento?
Capítulo 4
Estimación
4.1 Propiedades deseables de un estimador

4.2 Distribuciones muestrales
4.3 Tipos de estimación: puntual o por intervalo
4.4 El concepto de estimación aplicado a la química
4.5 Explicación sobre intervalos de confianza
4.6 Intervalos de confianza para la distribución normal
4.7 Intervalo para la media si se conoce la varianza
desconocida
4.9 Intervalo de confianza para la varianza
4.10 Estimación de tamaño muestral
4.11 Muestras para la estimación de medias
4.12 Intervalos de confianza para variables dicotómicas
4.13 Intervalos de confianza para una proporción
4.14 Elección del tamaño muestral para una proporción
4.15 Problemas
Estimación
El propósito de un estudio estadístico suele ser extraer conclusiones

acerca de la naturaleza de una población. Al ser la población grande y no
poder ser estudiada en su integridad en la mayoría de los casos, las conclu-
siones obtenidas deben basarse en el examen de solamente una parte de
ésta, lo que nos lleva a la necesidad de estudiar diferentes métodos de la
estadística inferencial.
En este capítulo, se examinarán los procedimientos estadísticos bá-
sicos para la estimación que pretende medir cierta característica particular
de una población, como la media aritmética o la proporción.
4.1 Propiedades deseables de un estimador
Los primeros términos obligados a los que se debe hacer referencia,

serán los de estadístico y estimador. Un estimador es una variable alea-
toria con una determinada distribución, y que será la pieza clave en las dos
amplias categorías de la inferencia estadística: la estimación y el contraste
de hipótesis.
Estimador. En términos generales es una función de la

muestra, que proporciona un valor representativo de la
característica poblacional que se quiere conocer.
El concepto de estimador, como herramienta fundamental, lo carac-

terizamos mediante una serie de propiedades que nos servirán para elegir el
“mejor” para un determinado parámetro de una población, así como algu-
nos métodos para la obtención de ellos, tanto en la estimación puntual co-
mo por intervalos.
Un estimador no es un valor concreto sino una variable aleatoria, ya
que aunque depende unívocamente de los valores de la muestra observa-
dos, la elección de la muestra es un proceso aleatorio. Una vez que la mues-
tra ha sido elegida, se denomina estimación el valor numérico que toma el
estimador sobre esa muestra.
Intuitivamente, las características que serían deseables para esta
nueva variable aleatoria (que se usa para estimar el parámetro desconocido)
deben ser:
Consistencia
Cuando el tamaño de la muestra crece, el valor estimado se aproxi-

ma al parámetro desconocido. Decimos que θ√es un estimador consistente
con el parámetro θ si:
∀∈ > 0, lim Ρ[ θ√− θ< ∈ ] = 1

n→∞ (4.1)
Cuando el número de observaciones n tiende a infinito, es lo que se

denomina propiedades asintóticas.
Insesgado
Un estimador es insesgado cuando su esperanza matemática coin-

cide con el valor del parámetro poblacional. A efectos de esta aplicación un
estimador será insesgado cuando al repetirse el proceso de muestreo, me-
diante reiteraciones1, un número suficiente de veces la diferencia entre el va-
lor medio de estas reiteraciones y el valor objetivo poblacional converja a ce-
ro. Se dice que un estimador θ√ de un parámetro θ es insesgado si:
E(θ√) = θ
(4.2)
1 Reiteraciones: o número de muestras, se definen como repeticiones del proceso de

selección de una muestra. Esto es, con esta expresión se identifica el número de veces
que se va a repetir el proceso de selección de muestras. Evidentemente en el trabajo de
campo de los estudios por muestreo, únicamente se investiga una muestra.
74 • CAPÍTULO 4 Estimación
La carencia de sesgo puede interpretarse del siguiente modo. Su-
ponga que se tiene un número indefinido de muestras de una población, to-
das ellas del mismo tamaño n. Sobre cada muestra el estimador nos ofrece
una estimación concreta del parámetro. Pues bien, el estimador es insesga-
do, si sobre dicha cantidad indefinida de estimaciones, el valor medio obte-
nido en las estimaciones es q (el valor que se desea conocer).
Eficiencia
Al estimador, al ser v.a., no puede exigírsele que para una muestra

cualquiera se obtenga como estimación el valor exacto del parámetro. Sin
embargo, se puede esperar que su dispersión con respecto al valor central
(varianza) sea tan pequeña como sea posible.
Entonces, dados dos estimadores θ√1 y θ√2 de un mismo parámetro
θ√ , se dice que θ√1 es más eficiente que θ√2 si
Var(θ√1 ) < Var(θ√2 ) (4.3)
Suficiencia
El estimador debería aprovechar toda la información existente en

la muestra.
Más adelante, en este capítulo, se presentarán los tipos de estima-
ción. A continuación, se estudia las distribuciones muestrales.
4.2 Distribuciones muestrales
Una distribución muestral es la distribución de todos los posibles

valores del estadístico de la muestra, que se pueden obtener de la pobla-
ción para un determinado tamaño de muestra. Por ejemplo, se podría to-
mar, de una población de desodorantes antitranspirante producidos por una
empresa farmacéutica, una muestra aleatoria de 10 unidades y pesarlas pa-
ra calcular después la media de su peso neto.
Puede pensarse en esta media muestral x– como si se hubieran ex-
traído de la distribución de todas las medias muestrales posibles, para
muestras de tamaño 10 que pudieran tomarse de la población. En forma
CAPÍTULO 4 Estimación • 75
similar, cada estadístico muestral a ser calculado, a partir de datos
muestrales, puede considerarse como que ha sido extraído de una dis-
tribución muestral.
El teorema del límite central establece que, al hacerse más
grande la muestra, la distribución de muestreo de las medias de la mues-
tra tiende hacia la distribución normal, con media aritmética µ y desviación
estándar es σ n (a este valor se le conoce como error estándar de la dis-
tribución muestral). Esta distribución muestral tenderá hacia la normalidad,
sin importar la forma de la distribución de la población de la que se extra-
jeron los elementos de la muestra. La siguiente figura muestra cómo luci-
rá dicha distribución muestral.
El teorema del límite central es de particular importancia en las esta-
dísticas, ya que permite al analista calcular la probabilidad de diversos resul-
tados de muestras a través del conocimiento de las posibilidades de las pro-
babilidades de la curva normal.
Ejemplo. ¿Cuál es la probabilidad de que la media de una muestra

aleatoria de 10 unidades, extraídos de una población, se encuentre en un
margen de 2 gramos de la media real del peso de la población, si la desvia-
ción estándar de la población se estima en 3,5 gramos?. La figura muestra
la distribución apropiada:
El error estándar es:
σ = 35
. = 1107
,
n 10
Luego
Z=2 = 1,82
1107
.
con lo que se obtiene en la tabla de la normal estándar un área 0,93124.

La probabilidad de que la media muestral esté en un margen de 2
gramos de la media real, es de alrededor del 93%, reflejando un tamaño de
muestra de 10 unidades y la variabilidad estimada de la población de 3,5
gramos. Como se verá, esta capacidad para calcular probabilidades de re-
sultados de muestras permitirá al analista llegar a útiles resultados en la es-
timación y en la prueba de hipótesis.
4.3 Tipos de estimación: puntual o por intervalo
Hay dos tipos de estimación; puntual y por intervalo. Una estima-

ción puntual utiliza un solo valor de la muestra para estimar el parámetro de
la población de estudio. Por ejemplo, la media de la muestra x– es una esti-
mación puntual de la media µ de la población. La variancia s2 de la muestra
es una estimación puntual de la variancia σ2 de la población.
La estimación por intervalo de confianza consiste en determinar un
posible rango de valores o intervalo, en los que pueda precisarse –con una
determinada probabilidad– que el valor de un parámetro se encuentra den-
tro de esos límites.
Evidentemente esta técnica no tiene porqué dar siempre un resul-
tado correcto. A la probabilidad de acertar al decir que el parámetro esta-
ba contenido en dicho intervalo se la denomina nivel de confianza. Tam-
bién se denomina nivel de significación a la probabilidad de no atinar
con la estimación.
Intervalos de confianza del 95% para la media de una población

media verdadera µ=20
Verdadera µ = 20
4.4 El concepto de estimación aplicado a la química
El fin principal de un análisis químico es estimar el verdadero valor µ

de alguna propiedad de la materia, en una muestra relativamente pequeña.
Cada análisis tiene una variabilidad proveniente de las pequeñas e inevita-
bles variaciones usuales de manipulación, medio ambiente y medida.
La precisión del análisis está limitada por esta variabilidad y puede
ser perfeccionada sólo por el mejoramiento del método, o por el incremen-
to del número de observaciones de dicho objeto.
Si el método ha sido mejorado hasta un máximo en cuanto a la téc-
nica del analista y del equipo, la alternativa en el mejoramiento de la preci-
sión es lo que llamamos replicación en química y en estadística, tamaño de
la muestra.
Es común entre químicos en la práctica, realizar el análisis por dupli-
cado o triplicado. Se promedian entonces los resultados y se juzga el error
experimental por la cercanía de lo hallado en los dos o tres análisis. Si el ran-
go de los resultados es pequeño, se piensa en forma intuitiva que el análisis
es exacto y preciso, lo que no es necesariamente cierto, porque la precisión
de resultados, no necesariamente conduce a una buena exactitud.
Por ejemplo, si el análisis consistiera en pesar una muestra, disolver-
la y analizar porciones alícuotas de la solución, los resultados quizá se repe-
tirían a la perfección, a pesar de lo cual el análisis podría haber enmascara-
do algún error en la pesada, así como otros circunstanciales. Si se hacen
dos pesadas y, simultánea-mente, dos análisis, se habrá aumentado la po-
sibilidad de desenmascarar los errores de pesada, pero pueden persistir los
ambientales y de manipulación.
POWERS2 encontró, por otra parte, que un químico que hace varios
análisis obtiene mejores resultados análogos que varios químicos analizan-
do la misma muestra. Ambos estudios demuestran con claridad la impor-
tancia de efectuar de forma independiente la repetición de análisis. El térmi-
no “repetición” se refiere a la repetición de observaciones hechas de forma
independiente.
2 POWERS, R. F.: “Determination of the precision of analytical control methods”. Ind. Eng.
Chem., Anal, Ed., 15, 361 (1943)
Si el analista realiza un segundo análisis verdaderamente indepen-
diente, aumentará sus conocimientos en dos sentidos:
• El promedio de los dos análisis dará una mejor estimación del

verdadero valor, µ, que si se hiciera uno sólo.
• La diferencia entre las dos medidas encontradas dará una es-

timación del error.
• El analista puede entonces hacer dos estimaciones:
• Una estimación puntual de µ utilizando x– , el promedio de las

replicaciones. Es la mejor estimación insesgada que puede te-
ner de µ.
• Una estimación por intervalo en la que puede afirmar que se

halla el verdadero valor µ.
4.5 Explicación sobre intervalos de confianza
Se presenta el siguiente ejemplo para explicar el cálculo de los lími-

tes de confianza. Suponga que un químico analizando una sustancia me-
diante un método de variabilidad desconocida, obtiene el resultado de
49,69, el cual es una estimación del verdadero valor, pero como no tiene
idea de la magnitud del error experimental tampoco puede tener idea de la
confianza que puede poner en esta estimación.
Repite el ensayo y obtiene como resultado 50,90, con lo cual ahora
tiene otra estimación de µ (50,3) y un rango (50,9-49,69=1,21), a partir del
cual estima la región en la que se encuentra el verdadero valor desconoci-
do. Puede tener el 50 de 100 de seguridad de que este valor verdadero se
halla entre 50,90 y 49,69 y alrededor del 80 por 100 de confianza en que
está 52,11 y 48,48.
Si continua repitiendo los análisis y obteniendo resultados como
48,99, 51,23, 51,47 y 48,80, mejora su estimación de µ y la confianza que
puede depositar en esta estimación.
Algunos químicos rechazan como “discrepantes” los resultados que
caen por fuera de los límites de probabilidad del 95%; otros rechazan los
que caen fuera de los límites de ±3s. Cualquiera que sea el criterio escogi-
do. El cálculo del intervalo de confianza proporciona una cierta justificación
estadística para el rechazo de resultados.
4.6 Intervalos de confianza para la distribución normal
Dada una variable aleatoria de distribución gaussiana,
x → N (µ,σ 2 )
interesa en primer lugar, en calcular intervalos de confianza para sus

dos parámetros, µ y σ2. He aquí un resumen de las situaciones a considerar:
• Intervalo para la media si se conoce la varianza. Este no

es un caso práctico (no se puede conocer σ2 sin conocer pre-
viamente µ), pero sirve para introducir en el problema de la es-
timación confidencial de la media;
• Intervalos de confianza para la media (caso general). Este

se trata del caso con verdadero interés práctico. Por ejemplo
sirve para estimar intervalos que contenga la media del coles-
terol en sangre en una población, la altura, el peso, etc, cuan-
do se dispone de una muestra de la variable.
• Intervalo de confianza para la varianza. Este es otro caso

de interés en las aplicaciones. El objetivo es calcular un inter-
valo de confianza para σ2 , cuando sólo se dispone de una
muestra.
• Estimación de tamaño muestral. La utilidad consiste en de-

cidir cuál deberá ser el tamaño necesario de una muestra pa-
ra obtener intervalos de confianza para una media, con precisión
y significación dadas de antemano. Para que esto sea posible es
necesario poseer cierta información previa, que se obtiene a par-
tir de las denominadas muestras piloto.
4.7 Intervalo para la media si se conoce la varianza
Este caso que se plantea es más a nivel teórico que práctico: difícil-
mente vamos a poder conocer con exactitud σ2 mientras que µ es desco-
nocido. Sin embargo nos aproxima del modo más simple a la estimación por
intervalo de la medias.
En una situación real, la media de la población es desconocida y es
el parámetro que se debe estimar con base en la información de la muestra.
La desviación estándar de la población rara vez se conoce, pero por medio
del teorema del límite central, se podría estimar si el tamaño de la mues-
tra es mayor a 30.
Al trabajar con un nivel de confianza del 95%, esto implica que se
tendría 95% de confianza de que la muestra seleccionada es una en la cual
la media real se encuentra dentro del intervalo encontrado. El 95% no sig-
nifica que exactamente 95 de cada 100 muestras incluirán la media de la
población dentro del intervalo de confianza, sino sólo que en el promedio de
todas las posibles muestras, 95% incluirá la media real.
Ya que µ es desconocida, no se sabe en realidad si el intervalo es-

pecífico incluye o no la media de la población. Para una muestra particular,
se puede establecer el nivel de confianza(1 - α) de que el intervalo incluya la
media de la población. De este modo, fijado α∈(0,1), considere la v.a. nor-
mal estándar y un intervalo que contenga una de probabilidad de 1 - α.
Este intervalo es tan pequeño como sea posible. Por ello lo mejor es
tomarlo simétrico con respecto a la media (0) (véase la figura). Así las dos
colas de la distribución (zonas más alejadas de la media) se repartirán a par-
tes iguales el resto de la masa de probabilidad, α.
La fórmula de cálculo para obtener la estimación del intervalo de
confianza de la media cuando se conoce σ, se define como
N -n σ x
Li = x ± Z α / 2 (4.1)
N -1 n
En el caso, de estar muestreando con reemplazo o si el factor de
corrección,
N −n
fc =
N −1
es menor al 5%, se puede ignorar este término de la fórmula de cálculo.
Ejemplo. La conductividad térmica del grafito varía con la tempera-

tura según la ecuación K=K0-αT. Experimentalmente, solo es posible obte-
ner una conductividad media en un intervalo de temperatura. Se requiere es-
timar la conductividad promedio con un intervalo de confianza del 95%, da-
do que una muestra aleatoria de 35 ensayos, resultó una media aritmética
1,2825 y una desviación estándar de 0,1315 Km, determinado T y 25°C en
kilo-ergio/cm2 seg.°C cm-1.
Al suponer una población infinita (muestreo con reemplazo) y, por

medio de la fórmula 4.1, se obtiene:
0,1315
1,2825 ± 1,96
35
1,2825 ± 0,04357
Entonces,
L1 = 1,2825 − 0,04357 = 1,2389
L2 = 1,2825 + 0,04357 = 1,3260
El valor 1,96 se obtiene de la distribución normal estándar. Por lo

cual, se puede estimar la conductividad promedio entre el 1,2389 y 1,3260
Km, con un nivel de confianza del 95%.
desconocida
Como sea ha mencionado, los casos anteriores se presentarán po-

co en la práctica, ya que lo usual es que sobre una población quizás se pue-
de conocer si se distribuye normalmente, pero el valor exacto de los pará-
metros µ y σ2 no son conocidos. De ahí nuestro interés en buscar interva-
los de confianza para ellos.
En tales situaciones, es necesario utilizar x– y s2 para obtener una es-
timación del intervalo de confianza de µ. La distribución que se ha desarro-
llado para aplicarla a esta situación es la distribución t de Student.
El intervalo de confianza para la media con σ desconocida, se expre-
sa como
N - n sx
Li = x ± t α / 2(n-1)gl (4.2)
N -1 n
Los valores críticos de la distribución t, para algunos grados de li-

bertad, se pueden obtener haciendo uso de la tabla 4 del apéndice. El va-
lor en la parte superior de cada columna de la tabla de t indica el nivel de
significancia utilizado, mientras la primera columna representa el valor parti-
cular de los grados de libertad. Por ejemplo, con 5 grados de libertad, si se
desea 99% de confianza, el valor crítico de t sería 3,3649.
Con el fin de estudiar cómo se calcula el intervalo de confianza para
una media, cuando se desconoce la desviación estándar de la población, se
examinará el siguiente problema.
Ejemplo. Se analizó gravimétricamente una cierta muestra para de-

terminar sulfatos y se obtuvieron los siguientes resultados en partes por millón:
3,390 6,990 5,71 5,930 5,350 5,810 5,520 5,910 5,460 5,810
¿Cuáles son los limites de confianza al 99% sobre el contenido pro-

medio de sulfatos?
0,89496
5,588 ± 2,8214
10
5,588 ± 0,2525
Finalmente,
L1 = 5,588 − 0,2525 = 5,335
L 2 = 5,588 + 0,2525 = 5,840
Con resultados anteriores, se estima que el contenido promedio de

sulfatos se encuentra comprendido entre 5,335 y 5,840, a un nivel de con-
fianza del 99%.
4.9 Intervalo de confianza para la varianza
Para compensar cualquier incertidumbre que pueda existir en la es-

timación de la varianza, se pueden calcular sus límites de confianza em-
pleando las tablas de valores de la distribución de probabilidad Ji-cuadrada.
En estas tablas se dan los valores numéricos del terminó χ2 para diferentes
grados de libertad y probabilidades.
región de confianza
1−α χ2
n-1
α/2 α/2
χ2 χ2
α/2 1−α/2
Considere dos cuantiles de esta distribución que dejen una probabi-

α en la ``zona central’’ de la distribución.
lidad 1-α
En vista de la imposibilidad práctica de tener la variancia de la pobla-
ción, en muchos procedimientos estadísticos como los límites de confianza
para el promedio con muestras pequeñas, se tiene que sustituir σ2 por s2.
Se puede asegurar con una probabilidad de 1-α que la variancia de pobla-
cional, σ2, se encuentre los límites;
(n − 1) s 2 (n − 1) s 2
≤σ ≤
2
(4.3)
χ α2 χ2α
2 1− 2
Al extrar la raíz cuadrada a cada miembro de esta desigualdad se

obtiene un intervalo correspondiente con un nivel de confianza de (1-
α)100% para σ.
Nótese que los intervalos de confianza para σ o σ2 considerando
“colas iguales”, como en la fórmula anterior, en realidad no dan los interva-
los de confianza más reducidos, debido a que la distribución Ji-cuadrada no
es simétrica. Sin embargo, son utilizados en la mayoría de las aplicaciones
a fin de evitar cálculos complicados.
Ejemplo. Cinco determinaciones de la densidad de un líquido orgá-

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

la desviación estándar de la población.
Para 5-1=4 grados de libertad,
χ02,975 = 0,4844
χ02,025 = 11,143
de acuerdo con la tabla 5; así la sustitución en la fórmula produce,
4 (1,13 × 10 −7 ) , × 10 − 7 )
4(113
≤σ2 ≤
11,852 0,4844
3,8137 × 10 − 4 ≤ σ 2 ≤ 9,3311 × 10 −7
y en consecuencia
1,95287 × 10 −4 ≤ σ ≤ 9,65978 × 10 −4
Esto significa que se tiene un 95% de confianza que el intervalo

comprendido ente 1,95287x10-4 y 9,65978x10-4 contiene a s, la desviación
estándar verdadera de la densidad de un líquido orgánico.
El método que expuesto se aplica sólo a muestras aleatorias de po-
blaciones normales o al menos a las poblaciones que pueden aproximarse
a la distribución normal.
4.10 Estimación de tamaño muestral
El químico, especialmente el químico analista, se pregunta con fre-

cuencia qué tamaño de muestra le conviene usar, lo que no es tanto una
pregunta como una exclamación, a menudo desesperado. Lo que el quími-
co en realidad quiere decir es: “¿Cuál es el tamaño de muestra más econó-
mico que puedo tomar par estar razonablemente seguro de que las deduc-
ciones que se obtienen de la muestra son válidas para la población?”.
Siempre que se trabaje con muestreo, es necesario de contar con
un plan preciso para delimitar el tamaño de la muestra ha extraer de la po-
blación para cumplir con los objetivos de la investigación. Un error común
consiste en pensar que una muestra debe ser grande para que realmente
sea representativa de la población.
Hay que puntualizar que sólo las muestras probabilísticas pueden
abordarse mediante las técnicas de delimitación del tamaño de la muestra
que serán expuestas aquí. Recuérdese que las muestras no probabilísticas
hacen imposible al cálculo de error muestral.
El conocimiento previo de la población es una ayuda para decidir el
tamaño de la muestra. Si sabe que se muestrea una población homogénea
(poca variabilidad), tal como una solución bien mezclada, se entiende que
una muestra tomada de cualquier parte da tanta información como diez
muestras tomadas de diez diferentes partes de la solución. Por el contrario,
si se sospecha o hay certeza de que el material que se muestrea no es ho-
mogéneo (tiende a tener mucha variabilidad), se tiene que tomar muestras
de varias partes del material. El conocimiento previo respecto al error del
muestreo permite al analista trabajar con muestras más pequeñas.
El método que hay que seguir para tomar muestras para el análisis,
viene determinado por el estado de la sustancia a estudiar. Los productos
gaseosos y líquidos en general son esencialmente homogéneos, siendo su-
ficiente en tal caso recoger de ellos una sola muestra discreta. Una forma de
suprimir la posibilidad de toma de muestras subjetivas, es empleando un
procedimiento de muestreo aleatorio.
4.11 Muestras para la estimación de medias
En cada uno de los ejemplos relacionados con la estimación del in-

tervalo de confianza, el tamaño de muestra se determinó en forma arbitra-
ria. La determinación del tamaño de muestra es un procedimiento más rigu-
roso, se tendría que fijar una magnitud de error de muestreo permisible dis-
puestos a aceptar al estimar el parámetro de la población.
El error de muestreo es igual a la diferencia entre la estimación de
la muestra y el parámetro. También hay que determinar por anticipado un ni-
vel de confianza deseada para la estimación correcta del parámetro de la
población.
La mayor dificultad al determinar el tamaño de la muestra necesaria
para estimar la media de la población consiste en calcular la desviación es-
tándar de la población. Después de todo, si tiene un conocimiento comple-
to sobre la población, no habría necesidad de realizar una investigación so-
bre sus parámetros.
Al dudar de trabajos anteriores para calcular la desviación estándar
de la población, las alternativas incluyen el juicio del investigador o el empleo
de estudios exploratorios con muestras pequeñas y emplear los resultados
para obtener una estimación de la desviación estándar.
De manera alternativa, el rango de una variable con distribución nor-
mal es aproximadamente igual a más o menos tres desviaciones estándar y,
así, se puede estimar la desviación estándar al dividir el rango entre seis.
Con la frecuencia, el investigador puede estimar el rango con base en el co-
nocimiento del fenómeno.
Luego el tamaño de muestra para la estimación de la media de la
población se obtiene como,
2
Z σ
n =  α /2  (4.4)
 d 
donde:
Zα / 2σ= es valor de la distribución normal estándar asociado al nivel
de confianza.
d = error de muestreo permitido o diferencia máxima entre la

media muestra y la media de la población que se está dis-
puestos a aceptar en el nivel de confianza que es indicado.
σ = desviación estándar de la población (conocida o estimada

a partir de estudios anteriores)
Ejemplo. Un investigador desea probar la hipótesis de que el punto

de fusión del estaño es 232,0 grados Celsius. Se considera un margen de
error de muestreo de 0,10 grados y un nivel de confianza del 98%. Además,
se puede asumir que el punto de fundición es una variable aleatoria distri-
buida normalmente, con una desviación estándar de 0,18 grados. ¿Cuán-
tas determinaciones deberán realizarse?.
Sustituyendo d=0,10, σ=0,18 y Z0,99=2,33 en la fórmula 5.6 para n,

se tiene
2
 2 ,33(0 ,18) 
n=  ≅ 18
 ,
010 
Por tanto, el químico si desea realizar un estudio con toda la precisión
requerida en el enunciado se debería tomar una muestra de 18 determina-
ciones, para estimar la verdadera media del punto de fundición con una con-
fianza del 98%, con un margen de error a lo sumo de 0,10 grados Celsius.
Esto es una indicación de gran utilidad antes de comenzar el estu-
dio. Una vez que el muestreo haya sido realizado, se debe confirmar que el
error para el nivel de significación dado es inferior o igual a 1 cm, utilizando
la muestra obtenida.
Como regla empírica a utilizar en la determinación del tamaño de la
muestra, se considera conveniente redondear al siguiente entero a fin de so-
brestimar ligeramente el tamaño y así satisfacer los criterios deseados.
4.12 Intervalos de confianza para variables dicotómicas
Cuando se tiene una variable dicotómica (o de Bernoulli) a menudo

interesa saber en qué proporción de casos, p, ocurre el éxito en la realiza-
ción de un experimento. También es de interés calcular para un nivel de sig-
nificación dado, el tamaño muestral necesario para calcular un intervalo de
confianza cuya amplitud sea menor que cierta cantidad.
4.13 Intervalos de confianza para una proporción
El concepto de estimación se puede extender a los datos dicotómi-

cos para estimar la proporción de la población con base en los datos de la
muestra. La distribución del número de éxitos es binomial, y puede ser apro-
ximada a la normal cuando el tamaño de la muestra n es grande, y p no es
una cantidad muy cercana a cero o uno.
≈ Ν( np, npq)
X → Β( n, p) ⇒ X → (4.5)
Es decir, al considerar como estimación de p la proporción de éxitos

obtenidos en las n pruebas, p√
X
p√ = (4.6)
n
El estimador p√no es más que un cambio de escala de X, por tanto
(4.7)
Para encontrar el intervalo de confianza al nivel de significación a pa-

ra p se considera el intervalo que hace que la distribución normal estándar
deje a fuera del mismo. Esto se resume en la siguiente expresión.
N-n pq
√√
Li = p√ ± Z α/2 (4.8)
N -1 n
Intervalo de confianza para una proporción
En caso de tamaños de muestras pequeñas o si la proporción es

muy pequeña, se debe utilizar la distribución binomial en lugar de la distri-
bución normal. A fin de ver la forma en que se puede utilizar esta estimación
del intervalo de confianza para la proporción de la población, se examinará
el siguiente problema.
Ejemplo. En un estudio sobre seguridad de explosivos usada en

ciertas minas, los explosivos que contenían nitrato de potasio se utilizaron
en 95 de 250 casos estudiados. Construya un intervalo de confianza del
90% sobre la proporción de empresas que utilizan nitrato de potasio en los
explosivos.
0 ,38(0 ,62)
0,38 ± 164
.
250
0,38 ± 0 ,05
L1 = 0 ,38 − 0,05 = 0,33
L 2 = 0,38 + 0,05 = 0,43
La proporción de empresas que utilizan nitrato de potasio en los explo-
sivos se encuentra entre el 33% y el 43%, con un nivel de confianza del 90%.
4.14 Elección del tamaño muestral para una proporción
Los métodos para determinar el tamaño de muestra que se utilizan

en la estimación de una proporción real son similares a los empleados en la
estimación del promedio aritmético. La fórmula apropiada es:
2
Z PQ 
n =  α /2 

(4.9)
 d 
donde
Zα / 2σ= es valor de la distribución normal estándar asociado al nivel

de confianza
d = error de muestreo permitido o diferencia máxima entre la

proporción muestral y la proporción de la población que se
está dispuestos a aceptar en el nivel de confianza escogido
P = proporción de la población que posee la característica de

interés (sí puede estimar la proporción, hágalo y utilícela co-
mo P; en caso contrario, sea conservador y use P = 0,5 en
la fórmula).
Al aplicar está fórmula, primero hay que decidir si es posible estimar

en forma aproximada el valor de la proporción de la población. En caso,
aceptar con seguridad que esa proporción difiere mucho de 0,5 en una u
otra dirección, se está en condiciones de obtener la precisión deseada con
un tamaño de muestra más pequeño (y de menos costo) de la muestra.
Así pues, reducir por lo menos el valor de la proporción de la pobla-
ción, se ahorra dinero al poder valerse de un tamaño de muestra más pe-
queño de la muestra. Por ello, este camino de estimar P debería utilizarse
con precaución y no como solución simplista.
Ejemplo. Se está estudiando el contenido de cobre en una aleación
con la esperanza de reducir finalmente el costo de manufactura. Por estu-
dios anteriores se estima que la proporción es 0,12. ¿Cuánto mezclas de-
ben estudiarse para estimar la proporción de cobre en una aleación con un
error de muestreo de 10%, a un nivel de confianza de 95%?.
Sustituyendo d=0,10, P=0,12 y en la fórmula 5.6, se obtiene
2
 1,96 0,12( 0,88 ) 
n=  ≅ 40
 0,10 
El investigador tendrá que observar 40 mezclas para estimar la pro-

porción de cobre en una aleación, con un nivel de confianza del 95% y mar-
gen de error de muestreo del 10%.
4.15 Problemas
4.1 Cinco determinaciones de la densidad de un líquido orgánico

dieron los resultados 0,9132, 0,9138, 0,9129, 0,9131 y 0,9133
g/cm3. Calcule un intervalo de confianza del 95% para el pro-
medio real de la densidad del líquido orgánico.
4.2 De acuerdo con un método de análisis del contenido de plomo

en el agua, el promedio aritmético y desviación estándar del
agua son 20,2 y 10,8 µg/L, respectivamente. Un estudio de 40
muestras de agua produce una media de 24,75 µg/L. Halle el
intervalo de confianza del 93% para la media.
4.3 Una investigadora quiere determinar el tiempo promedio que

un mecánico tarda en cambiar las llantas en un automóvil. Es-
to con una confianza del 95% que la media de su muestra di-
fiera a lo sumo de 1,2 minutos de la poblacional. Se puede pre-
sumir por experiencia que la desviación estándar es 3,4 minu-
tos. ¿Qué tamaño debe tener la muestra?
4.4 Nueve repeticiones de la determinación de la solubilidad
molar de un ácido orgánico en agua a 25°C, dieron un va-
lor medio de 0,00673 mol/L, con una desviación estándar
de 0,00008 mol/L. Calcule un intervalo de confianza del
90% para el verdadero valor medio de la solubilidad molar
del ácido.
4.5 Observando la cantidad de contaminantes atmosféricos en

una ciudad durante 500 días, se encontró un exceso de 200
microgramos en sólo 15 días. Construya un intervalo para la
probabilidad de que la contaminación exceda 200 microgra-
mos por metro cúbico en un día cualquiera. α=0,01
4.6 Se determinó que a 22°C una pipeta volumétrica presenta los

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

valor del volumen promedio de agua escurrida.
4.7 La validación de un método para la determinación de cobre II,

mostró una desviación estándar de 0,08%. Los resultados pa-
ra un análisis de 6 réplicas de una muestra se presentan a
continuación:
Réplica 1 2 3 4 5 6
Contenido Cu (%) 3,25 3,68 3,27 3,30 3,98 3,46
Calcule e interprete un intervalo de confianza del 90% para la

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

minas, los explosivos que contenían nitrato de potasio se utili-
zaron en 95 de 250 casos estudiados. Construya un intervalo
de confianza del 97,5% sobre la proporción de empresas que
utilizan nitrato de potasio en los explosivos.
4.9 Se desea estimar el número de horas de uso continuo antes de
que cierto equipo de mezcla de pintura produzca una inconsis-
tencia. Se puede suponer que la desviación estándar es 5,3
horas, ¿cuántas observaciones del equipo se necesitan, con
una confianza del 90% y un error de muestreo de 2,2 horas?
4.10 Un método para la determinación de cobre tiene una desvia-

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

ción de plomo en partículas suspendidas en el aire en µg/m3:
2,4 2,1 1,6 2,2 1,9 2,5 2,8 3,7 3,5 3,9
Encuentre el intervalo del 99% de confianza para el promedio

real del plomo.
4.12 Se quiere estimar la proporción de productos defectuosos

dentro de una cadena de producción; por experiencia se sabe
que aproximadamente el 10% de los productos presenta algún
defecto. De qué tamaño debe ser la muestra para estimar la
proporción de artículos que presentan algún defecto con un
error de muestreo de 5% y un nivel de confianza del 98%.
4.13 En una muestra al azar de 60 secciones de tubo en una plan-

ta química, 8 de ellos mostraron señales de corrosión seria.
Construya un intervalo de confianza del 93% para la parte de
los tramos de tubo con corrosión seria.
4.14 En 6 determinaciones del punto de fusión del estaño, un quí-

mico obtuvo una media de 232,26 grados Celsius con una
desviación estándar de 0,14 grados. Si utiliza esta media co-
mo punto de fusión real del estaño, ¿qué puede asegurar el
químico con una confianza del 90% acerca del error máximo?
4.15 En un estudio sobre la contaminación del aire efectuado por
una estación experimental, se recolectaron cantidades de ben-
ceno soluble suspendido en materia orgánica (en microgramos
por metro cúbico) en 12 diferentes muestras de aire:
2,2 2,6 1,8 1,9 3,1 2,0 3,3 2,4 2,0 2,6 1,2 2,0
Suponiendo que la población de estudio sea normal, constru-

ya un intervalo con un nivel de confianza del 93% para la me-
dia real correspondiente.
4.16 La reacción de un individuo al estímulo durante un experimen-

to psicológico puede tomar una de dos formas, A o B. Si un
experimentador desea estimar la probabilidad p de que una
persona reaccione a favor de A, ¿cuántas personas deben in-
cluirse en el experimento?. Suponga que el investigador que-
dará satisfecho si el error de estimación es menor que 0,10
con una confianza del 90%. Además, también que él espera
que p tenga un valor cercano de 0,6
4.17 Debido tanto a las variaciones en las técnicas de laboratorio,

como a las impurezas de los materiales y a otros factores des-
conocidos, los resultados de un experimento en un laboratorio
de química no siempre dan las mismas respuestas numéricas.
En un experimento de electrólisis, una clase mide la cantidad
de cobre precipitado de una solución saturada de sulfato de
cobre, durante un período de 30 minutos. Los 40 estudiantes
consiguieron una media de 0,145 moles y una desviación es-
tándar de 0,051 moles. Encuentre un intervalo de confianza del
90% para la cantidad media de cobre precipitado.
4.18 Un químico ha preparado un producto diseñado para matar el

98% de un tipo particular de insectos. ¿De qué tamaño debe
ser la muestra si él desea tener un 95% de confianza de que
su estimación se aleja menos de 0,01 de la verdadera fracción
de insectos eliminados?
4.19 En un experimento realizado para probar el efecto de un am-

biente presurizado de oxígeno sobre los pacientes que padecen
de osteomielitis se encontró que de 70 pacientes sometidos
al tratamiento, todos mejoraron y 63% se liberó de la enfer-
medad. Si las personas tratadas representan una muestra
aleatoria de 600 pacientes con osteomielitis, estime la pro-
porción de los pacientes tratados que se liberarán de la en-
fermedad. α=0,05
4.20 Un experimentador ha preparado una droga para inducir el

sueño a la población de pacientes con problemas mentales
(N=2500). ¿Cuántas personas deben ser tratadas si se desea
estimar la verdadera fracción con un error menor que 0,05 a un
nivel de significación del 10%?
4.21 Un informe del Ministerio de Salud indica que cierta marca de

cigarrillo con filtro tiene un contenido de alquitrán y nicotina de
5 y 0,4 mg por cigarrillo, respectivamente. Sin embargo, no in-
dica cuántos cigarrillos se analizaron para obtener estos resul-
tados ni da una medida de la variación de las observaciones
de cigarrillo a cigarrillo. Consideré que la desviación estándar
del contenido de alquitrán es aproximadamente igual a 1 mg
por cigarrillo, ¿cuántos cigarrillos habría que analizar?. Supón-
gase que se desea un error de estimación menor que 0,1 mg
con un nivel de confianza del 99%.
4.22 Se desea estimar la producción media por hora de un proceso

para la fabricación de un antibiótico. El proceso se observa du-
rante 100 períodos de una hora escogidos al azar, resultando
una media muestral de 34 gramos/hora y una variancia de 400
gramos/hora. Estime la producción por hora usando un inter-
valo de confianza. α=0,025
4.23 ¿De qué tamaño debe ser una muestra para estimar el pará-
metro binomial, p, con un error de muestreo de 0,03, con un
nivel de confianza del 90%?. Supóngase que el valor de p es
aproximadamente 0,15 y el tamaño de la población de 500
elementos.
4.24 Al intentar determinar las calorías por ración de lasaña en una

asignación de laboratorio de nutrición, 13 estudiantes obtuvieron:
239 335 347 318 316 322 330 351 362 315
342 353 327

media de calorías por ración de lasaña.
4.25 Como parte de una investigación acerca de la contaminación

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

mariscos de este río, con un intervalo de confianza del 95%.
b) ¿Qué suposiciones deben hacerse para que las inferencias
sean válidas?
4.26 Los químicos orgánicos a menudo purifican los compuestos

orgánicos por un método conocido como cristalización frac-
cionada. Un experimentador deseaba preparar y purificar 4,85
gramos de anilina. Se prepararon individualmente diez cantida-
des de anilina de 4,85 gramos y se purificaron convirtiéndose
en acetanilida. Las cantidades obtenidas fueron las siguientes:
3,85 3,88 3,90 3,62 3,72 3,80 3,85 3,36 4,01 3,83
Estime el número medio de gramos de acetanilida que se pue-

den recuperar de una cantidad inicial de 4,85 gramos de anili-
na. Use un intervalo de confianza del 90%.
4.27 Un investigador desea probar la hipótesis de que el punto de

fusión de una aleación es de 1000°C. Si el verdadero punto di-
fiere de éste por más de 5°C deberá cambiarse la composición
de la aleación. Si se considera que el punto de fusión es una
variable aleatoria distribuida normalmente, con una desviación
estándar de 10°C. ¿Cuántas observaciones deberán realizar-
se? Utilice α=0,01
4.28 Las mediciones de la cantidad de cloroformo (microgramos
por litro) de 40 muestras de agua potable de una ciudad pro-
dujeron los siguientes resultados: x = 34 .8 y s2=24,01. Calcule
e interprete un intervalo de confianza de 97,5%, para la canti-
dad promedio de cloroformo del agua potable de esta ciudad.
4.29 En un experimento de Química General, se desea determinar

la cantidad (en mililitros) de una solución de hidróxido de so-
dio (NaOH) que se necesita para neutralizar 1 ml de cierto áci-
do. Al realizar el experimento en el laboratorio habrá variación
debida al error experimental, por lo que llevan a cabo 35 aná-
lisis volumétricos, usando fenolftaleína como indicador, pro-
duciendo x = 77.97 ml. y s2=3,6618. Calcule e interprete un in-
tervalo de confianza del 90% para estimar el número medio de
mililitros que se requieren para neutralizar 1 ml de ácido.
4.30 El punto de ebullición del azufre tiene una variancia de 0,6889

grados Celsius. ¿Qué tamaño debe tener la muestra para ase-
gurar con una confianza del 99% que el error para estimar el
punto promedio de ebullición del azufre sea a lo más de 0,15
grados Celsius?
4.31 Los siguientes datos representan el contenido de colesterol (en

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

promedio de colesterol del alimento.
4.32 Se sabe que la concentración de un componente en una mez-

cla líquida se distribuye aproximadamente en forma normal,
con una variancia de 2,3095. Se desea obtener una confianza
del 97,5% de que el error al estimar la concentración media
sea de 0,7. ¿Qué tamaño de muestra debería emplearse?
4.33 Se está estudiando el contenido de cobre en una aleación con

la esperanza de reducir finalmente el costo de manufactura.
Por estudios anteriores se estima que la proporción es 0,12.
¿Cuánto mezclas deben estudiarse para estimar la proporción
de cobre en una aleación con un error de muestreo de 0,04, a
un nivel de confianza de 90%?
4.34 Un ingrediente para retardar la fermentación de cierta cerveza

se agrega en el proceso de elaboración. El tiempo de fermen-
tación en semanas fueron los siguientes:
2 4 6 2 4 6 2 4 6 2 4 6
Suponiendo que el tiempo de fermentación de la cerveza es

normal, ¿calcule e interpretar un intervalo de confianza del
95% para el promedio en semanas del tiempo de fermentación
de la cerveza después de agregarle el ingrediente?
4.35 Se sabe por un estudio elaborado anteriormente, que el por-

centaje de calcio en cierto compuesto tiene una desviación es-
tándar de 8,047 (puntos porcentuales). Se pide a 20 de los 60
estudiantes de un curso de Química General, que determinen
el porcentaje de calcio de igual número de mezclas del mismo
compuesto. Los resultados mostraron que el promedio de cal-
cio encontrado por los estudiantes era de 84,715. ¿Calcule e
interprete un intervalo de confianza del 90% para el verdadero
promedio del porcentaje de calcio del compuesto?
4.36 El contenido de cobre en una aleación tiene una variancia de

43,81 (puntos porcentuales). Con la esperanza de reducir el
costo de manufactura, se quiere analizar una mezcla reciente
que tenga un error de estimación de 2 puntos al estimar el pro-
medio poblacional, a un nivel de confianza del 97%. Calcule el
número de mezclas necesarias que deben analizarse para
cumplir con las condiciones antes citadas.
4.37 Según la experiencia del gerente de producción de una em-

presa, el 12,5% de los artículos presentan algún defecto de
elaboración o de empaque. ¿Calcule un tamaño de muestra

necesario para estimar el porcentaje real de artículos defectuo-
sos producidos por la empresa, con un error de muestreo del
2% y nivel de significación del 10%?
4.38 La conductividad térmica del grafito varía con la temperatura

según la ecuación K=K0-αT. Experimentalmente, solo es posi-
ble obtener una conductividad media en un intervalo de tem-
peratura. Se requiere estimar la conductividad promedio con
un intervalo de confianza del 93%, dado que de una muestra
aleatoria de 35 ensayos, resultó una media aritmética 1,2825 y
una desviación estándar de 0,1315 Km, determinado T y 25°C
en kilo-ergio/cm2 seg.°C cm-1.
4.39 Considere los puntos de ebullición en grados centígrados de

algunas sustancias como sigue:
80,2 78,3 34,6 65,2 48,9 78,5
Calcule e interprete un intervalo de confianza del 95% para el

punto promedio de ebullición de las sustancias.
4.40 Considere la carga iónica para algunos iones metálicos, como

se establece a continuación:
1,0 1,5 2,1 3,1 2,7 2,8 6,7 4,8 4,7

media de la carga iónica.

Capítulo 5
Prueba de Hipótesis
5.1 Método de pruebas de hipótesis

5.2 Pruebas de hipótesis paramétricas
en una población normal
5.3 Contrastes de dos distribuciones
normales independientes
5.4 Contrastes para la diferencia de
medias pareadas
5.5 Contrastes de una proporción
5.6 Contrastes sobre la diferencia de
proporciones
5.7 Problemas
Prueba de hipótesis
Pueden presentarse en la práctica, situaciones en las que exista una

teoría preconcebida relacionada con la característica de la población some-
tida a estudio. Tal sería el caso, por ejemplo, se piensa que un método de
producción nuevo puede tener un porcentaje de rendimiento mayor que otro
estándar, o cuando se plantea si los contenidos de alcohol de distintas cer-
vezas vendidas en el mercado nacional son similares.
Este tipo de circunstancias es el que nos lleva al estudio de la Es-
tadística Inferencial y, especificamente, a la prueba de Hipótesis. Implica,
en cualquier investigación, la existencia de dos teorías o hipótesis implíci-
tas, que se denomina hipótesis nula e hipótesis alternativa, que de alguna
manera reflejarán esa idea a priori que se tiene y que es contrastada con
la ``realidad’’.
De la misma manera, aparecen, implícitamente, diferentes tipos de
errores que es posible cometer durante el procedimiento. No puede olvi-
darse que, habitualmente, el estudio y las conclusiones obtenidas para
una población cualquiera, se habrán apoyado exclusivamente en el análi-
sis de sólo una parte de ésta. De la probabilidad con la que se está dis-
puestos a asumir estos errores, dependerá, por ejemplo, el tamaño de la
muestra requerida.
Son estudiadas en este capítulo las pruebas de hipótesis para los
parámetros más usuales que fueron citadas en los capítulos anteriores:
medias, varianzas y proporciones, para una o dos poblaciones. Los con-
trastes desarrollados se apoyan en que los datos de partida siguen una
distribución normal.
5.1 Método de pruebas de hipótesis
El método general de la prueba de significancia contempla las si-

guientes etapas:
5.1.1 Formulación de las hipótesis
Hipótesis Nula
Tiene un carácter negativo y escéptico, reta al investigador a de-
mostrar que el enunciado es erróneo. Cuando no es rechazada la hipóte-
sis nula implica que no existe suficiente información estadísticamente
abrumadora que la refute. En tanto, el rechazo de la hipótesis nula impli-
cará la aceptación de la hipótesis alternativa. En general, la hipótesis nula
se formula de manera que su rechazo lleva a la aceptación de la conclu-
sión deseada.
Hipótesis Alternativa
Es la afirmación que plantea el investigador. Establece que el pará-
metro poblacional tiene un valor diferente, de alguna manera, al establecido
en la hipótesis nula.
Ejemplo. Suponga que se debe realizar un estudio sobre la altura

media de los estudiantes universitarios. Antes de tomar una muestra, lo ló-
gico es hacer la siguiente suposición a priori, (hipótesis a contrastar y que
es representada como H0):
H0: La altura media no difiere de la resto del país
Al obtener una muestra de tamaño n=8, se podría encontrar los si-

guientes casos:
Muestra 1 1,50 1,52 1,48 1,55 1,57 1,60 1,53 1,45
Muestra 2 1,65 1,74 1,68 1,75 1,85 1,78 1,65 1,70
106 • CAPÍTULO 5 Prueba de Hipótesis

Intuitivamente, en el caso de la muestra 1 sería lógico suponer que
salvo que la muestra obtenida sobre los habitantes del pueblo sea muy po-
co representativa, la hipótesis H0 debe ser rechazada. En el caso de la
muestra 2 tal vez no pueda afirmarse con rotundidad que la hipótesis H0 sea
cierta; sin embargo, no se podría descartar y la aceptarla por una cuestión
de simplicidad.
Este ejemplo sirve como introducción de los siguientes conceptos:
En una prueba de hipótesis (también denominado Constraste de Hipótesis)
se decide si cierta hipótesis H0 que es denominada hipótesis nula puede
ser rechazada o no a la vista de los datos suministrados por una muestra de
la población. Para realizar el contraste es necesario establecer previamente
una hipótesis alternativa (H1) que será admitida cuando H0 sea rechazada.
Normalmente H1 es la negación de H0, aunque esto no es necesariamente
así.
5.1.2. Errores posibles al tomar una decisión errónea
La decisión de rechazar o no la hipótesis nula está al fin y al cabo

basada en la elección de una muestra tomada al azar y, por tanto, es posi-
ble cometer decisiones erróneas. Los errores que se pueden cometer se
clasifican como sigue:
Error Tipo I
Es el error que consiste en rechazar H0 cuando es cierta. La probabi-
lidad de cometer este error es lo que recibe el nombre de nivel de significan-
cia. Es una costumbre establecida el denotarlo siempre con la letra griega alfa
(α). En la práctica de análisis de datos, se presenta cuando los resultados de
la muestra llevan al rechazo de la hipótesis nula que en realidad es verdadera.
α = P 
rechazar H 0
 H 0 es cierta
(5.1)
Error Tipo II
Es el error que consiste en no rechazar H0 cuando es falsa. La pro-
babilidad de cometer este error es representada con la letra β. A diferencia
de α, que especifica el investigador, la magnitud de β depende del valor real
CAPÍTULO 5 Prueba de Hipótesis • 107

del parámetro de la población.
β =  no rechzar H 0 H es falsa (5.2)

 0 
Observaciones importantes sobre los errores:
1. Los errores de tipo I y II no están relacionados más que del

siguiente modo: Cuando α decrece β crece. Por tanto, no es
posible encontrar una contraste que hagan tan pequeños am-
bos errores simultáneamente. De este modo, es siempre nece-
sario privilegiar a una de las hipótesis, de manera que no será
rechazada, a menos que su falsedad se haga muy evidente. En
los contrastes, la hipótesis privilegiada es H0 que sólo será re-
chazada cuando la evidencia de su falsedad supere el umbral
del 100(1-α)%.
2. Al tomar α muy pequeño el valor de β tiende aproximarse a

uno. Lo ideal a la hora de definir un prueba es encontrar un
compromiso satisfactorio entre α y β (aunque siempre a favor
de H0). Se denomina potencia de un contraste a la cantidad
1- β, es decir
Potencia del contraste = 1 - β = P  rechazar H 00 

 H 0 es falsa (5.3)
3. En el momento de elegir una hipótesis privilegiada es posible

titubear entre si elegir una dada o bien su contraria. Criterios a
tener en cuenta en estos casos son los siguientes:
• Simplicidad científica: A la hora de elegir entre dos hipó-

tesis científicamente razonables, se toma como H0 aquella
que sea más simple.
• Las consecuencias de equivocarse: Por ejemplo, al juz-

gar el efecto que puede causar cierto tratamiento médico
que está en fase de experimentación, en principio, se ha de
tomar como hipótesis nula aquella cuyas consecuencias

por no rechazarla siendo falsa son menos graves, y como
hipótesis alternativa aquella en la que el aceptarla siendo fal-
sa trae peores consecuencias. Es decir,
H0:el paciente empeora o queda igual ante el tratamiento

H1:el paciente mejora con el tratamiento
Otro ejemplo claro es cuando acaban de instalar un nuevo as-

censor en un edificio y se quiere saber si el ascensor caerá o no
al vacío las personas dentro. Una persona prudente es la que
espera a que un número suficiente de personas hayan usado el
ascensor (muestra aleatoria) y realiza un contraste del tipo:
H0:el ascensor se caerá

H1:el ascensor no se caerá
y sólo aceptará la hipótesis alternativa para α≈0 aunque para

ello tenga que ocurrir que β≈1, ya que las consecuencias del
error de tipo I (ir al hospital) son mucho más graves que las del
error del tipo II (subir a pie varios pisos).
Es decir, a la hora de decidirse por una de las dos hipótesis no

basta con elegir la más probable (nadie diría ``voy a tomar el as-
censor pues la probabilidad de que no se caiga es del 0,65”).
Hay que elegir siempre la hipótesis H0 a menos que la eviden-
cia a favor de H1 sea muy significativa.
5.1.3. Determinación del valor observado del estadístico de prueba
En la tercera etapa se establece el valor real del estadístico que se

utilizará en la prueba. El estadístico de prueba es una medida de cuánto se
acercan los resultados obtenidos en la muestra a la hipótesis nula. Con fre-
cuencia, el estadístico sigue una distribución conocida, como la Normal, t
de Student, Ji Cuadrada o Fisher.

Según la finalidad de ésta, el estadístico puede ser uno de los si-
guientes:
• Una media muestral

• Una proporción de la muestra
• La diferencia entre dos medias muestrales
• La diferencia entre dos proporciones de muestras
• El estadístico calculado de Ji cuadrada
• La razón F calculada
5.1.4. Determinación del valor crítico del estadístico de prueba
En esta etapa es calculado el valor crítico que el estadístico deberá

rebasar a fin de rechazar la hipótesis nula. Este valor se obtiene consultan-
do la tabla correspondiente del estadístico.
Para las pruebas de hipótesis bilaterales destinadas a determinar di-
ferencias entre dos medias aritméticas o proporciones muestrales, habrá dos
valores críticos, uno en cada dirección de la distribución de probabilidad.
5.1.5. Comparación del valor observado del estadístico de prueba

con el valor crítico
El valor crítico definirá las regiones de aceptación y rechazo de la hi-

pótesis nula. Si el valor observado del estadístico supera al valor crítico, la
hipótesis nula será rechazada. En caso contrario, no se rechaza.
Cuanto más pequeño es el nivel de significancia elegido, más difícil
será que un estadístico observado logre alcanzar la región de “rechazo”.
5.2 Pruebas de hipótesis paramétricas en una población

normal
Suponga que la característica X estudiada sobre la población sigue

una distribución normal y es seleccionada una muestra de tamaño n,
→
X = X 1 , X 2 ,..., X n
mediante muestreo aleatorio simple. Son estudiadas las técnicas para con-
trastar hipótesis sobre los parámetros que rigen X.

5.2.1 Prueba de hipótesis para una media con varianza conocida
Suponiendo que X → N ( µ , σ ) donde σ2 es conocido y se quie-

2
re contrastar si es posible que m (desconocida) sea en realidad cierto valor

µ0 fijado. Esto es un supuesto teórico que nunca se dará en la realidad pe-
ro servirá para introducir la teoría sobre contrastes. La prueba se escribe en-
tonces como:
µ < µ 0

H0: µ = µ 0 H 1: µ > µ 0
µ ≠ µ
 0
Como fue mencionado anteriormente, la técnica para hacer el con-

traste consiste en suponer que H0 es cierta. Si H0 es cierta, el valor Zobs ob-
tenido sobre la muestra es,
x - µ0
Z obs = (5.4)
σ
n
esté con una gran probabilidad cercana a cero. Esto se expresa fijando un
nivel de significación a, y tomando como región teórica(C) a los valores
que son extremos, con probabilidad total a, según sea el tipo de contras-
te: una cola o dos colas. Para contraste de dos colas la región teórica es-
tá definida por,
{
C = Z obs: Z obs ≤ Z1− α 2 } (5.5)
Luego es rechazada la hipótesis nula si
Zobs>Z1-α/2

Consideré un contraste donde ahora la hipótesis alternativa sea
compuesta: H1:µ<µ0 y H1:µ>µ0. La región crítica está formada por los va-
lores extremadamente bajos o altos respectivamente de Zobs, con probabi-
lidad a. Entonces la región de aceptación, o de modo más correcto, de no
rechazo de la hipótesis nula es Zobs>Zα para los contrastes unilaterales con
la cola izquierda de la distribución y Zobs< Z1-α para la prueba con la cola
derecha.
Regiones críticas para la prueba bilateral y unilateral

de una media con varianza conocida
Ejemplo. Un investigador desea contrastar la hipótesis que el límite

de concentración del isótopo radiactivo estroncio 90 en la leche es de 5 por
litro. Para tal efecto, selecciona aleatoriamente una muestra de lecherías. La
hipótesis nula considera el límite de referencia µ=5, contra la hipótesis alter-
nativa que es mayor a 5.
Para verificar si las especificaciones se cumplían en cierta región del
país, fueron seleccionadas aleatoriamente 40 lecherías, encontrándose una
media aritmética de 5,4 y una desviación estándar de la muestra de 0,493
por litro. ¿Existe una diferencia en la concentración promedio con el
límite tolerable?. Realizar la prueba con un nivel de confianza del 90%.
Simbólicamente, se puede escribir las hipótesis como;
H0:µ=5
Ha:µ>5
y para los datos en uso,

5,4 − 5
Zobs =
0,493
40
0,4
=
0,07795
= 5,13
El valor teórico de la distribución normal al nivel significancia estable-

cido de 0,10, resulta aproximadamente 1,64. Dado que 5,13 es mayor a
1,64, entonces la decisión sería rechazar la hipótesis nula H0.
La conclusión a que se llegaría al nivel de confianza del 90% es que

la concentración del isótopo radiactivo estroncio 90 en todas las lecherías
es significativamente mayor al límite tolerable.
5.2.2 Prueba de hipótesis para una media con varianza desconocida
En la sección anterior, el valor de σ2 estaba a nuestra disposición por

experiencia pasada o con base en el teorema del límite central y bajo el su-
puesto de normalidad de la distribución del promedio muestral. Esto es sa-
tisfactorio para muestras grandes (n>30), pero el error que resulte puede ser
muy considerable si n es pequeña.

Sea X → N ( µ , σ ) donde ni µ ni σ2 son conocidos y se quiere
2
realizar el contraste
µ < µ 0

H0: µ = µ 0 H 1: µ > µ 0
µ ≠ µ
 0
Al no conocer σ2 va a ser necesario estimarlo a partir de su estima-

dor insesgado: la varianza muestral σ2. Por ello la distribución del estimador
del contraste será una t de Student.
Para dar una forma homogénea a todas la pruebas de hipótesis es
costumbre denominar al valor del estadístico del contraste calculado sobre
la muestra como valor observado y a los extremos de la región crítica, co-
mo valores teóricos.
Definiendo entonces
x - µ0 (5.6)
t obs = s
n
Para la prueba bilateral, H0:µ=µ0 el valor teórico está definido como

kt teo = t( n − 1)(1− α 2 ) . En tanto, cuando el contraste es unilateral de la for-
ma H1:µ<µ0 o H1:µ>µ0, el valor teórico es .

de una media con varianza desconocida

Ejemplo. Cinco determinaciones de mercurio metálico sobre una
muestra dieron como resultados:
21,0 20,0 20,5 20,8 21,2 % Hgo
El verdadero valor del porcentaje en Hgo es 20,0%. ¿Difiere la de-

terminación media de las muestras del verdadero valor, al nivel de confian-
za del 95%?.
Las hipótesis nula y alternativa para este problema se expresarían

como sigue:
H0:µ=20
Ha:µ≠20
La región de rechazo estaría dividida en las dos colas de la distribu-

ción, esto implica que el nivel de significancia (1-0,95)100=5% se divide en
dos partes iguales de 2,5%. La media aritmética y la desviación estándar de
las cinco determinaciones resulta 20,7 y 0,469, respectivamente.
Para estos datos se tiene,
20,7 - 20
t obs =
0,469
5
0,7
=
0,2097
= 3,34
Dado que el valor teórico determinado con la tabla t de Student pa-

ra un área de 0,025 en cada cola de la distribución con 4 grados de liber-
tad es 2,7764, entonces se rechaza H0.

La conclusión es que las determinaciones medias de las muestras
difieren del verdadero valor, a un nivel de confianza del 95%.
Es importante mencionar que, conforme aumenta el número de gra-
dos de libertad, la distribución t se aproxima a la normal. Para muestras de
tamaño grande, los valores críticos de la distribución t serán virtualmente los
mismos que la distribución normal.
El valor crítico al nivel de significancia de 0,01 (dos colas) de la dis-
tribución normal es 2,58. El valor correspondiente de la distribución t es de
2,75 para 30 grados de libertad, 2,6603 para 60 grados de libertad, 2,6259
para 100 grados de libertad y 2,609 para 150 grados de libertad. Por tanto,
se podría decir que cuando hay, por lo menos, 150 grados de libertad, la
distribución normal se puede intercambiar con la distribución t para obtener
los valores críticos correctos.
5.3 Contrastes de dos distribuciones normales independientes
Se considera a lo largo de toda esta sección a dos poblaciones nor-

males que representadas mediante
X2 → N (µ2,σ22)
X1 → N (µ1,σ21)
De las que, de manera independiente, se extraen muestras de tama-

ño respectivo n1 y n2. La prueba a realizar está relacionada con la diferen-
cias existentes entre ambas medias.

5.3.1 Contraste de medias con varianzas conocidas
De manera similar al caso del contraste para una media, se quiere

en esta ocasión contrastar la hipótesis de que las dos poblaciones (cuyas
varianzas se suponen conocidas) sólo difieren en una cantidad ∆
H0: µ1 - µ2 = ∆
frente a hipótesis alternativas que darán lugar a contrastes unilaterales o bila-

terales como se estudiará más tarde. Para ello se tiene la distribución del si-
guiente estadístico de prueba calculado bajo el supuesto que las poblaciones
(o variables consideradas en cada población) tienen aproximadamente una
distribución normal y las variancias poblacionales σ 21 y σ 22 son conocidas.
( x1 - x2 ) − ∆
Z=
σ 12 σ 22 (5.7)
+
n1 n 2
Consideré en primer lugar el contraste de dos colas
H 0: µ 1 − µ 2 = ∆
H1: µ1 − µ 2 ≠ ∆
Se define entonces el
( x1 - x2 ) − ∆
Z obs =
σ 21 σ 22
+
n1 n 2
Z teo = Z
1−α 2
y la prueba consiste en
No rechazar H0 si Zobs≤ Zteo
Rechazar H0 si Zobs>Zteo

Para el contraste
H0 : µ1 − µ2 =∆
H1: µ1 − µ 2 <∆
Dado que Zteo=Za=-Z1-α el contraste consiste en
No rechazar H0 si Zobs ≥ Zteo

Rechazar H0 si Zobs < Zteo
Para el contraste de significación contrario
H0 : µ1 − µ2 =∆
H1: µ1 − µ 2 >∆
se tiene que Zteo=Z1-α

No rechazar H0 si Zobs ≤ Zteo
Rechazar H0 si Zobs > Zteo
Ejemplo. Se obtuvieron los resultados siguientes de la normalidad de

una disolución de ácido clorhídrico según el método de determinación gravimé-
trica de cloruros y el método de valoraciones frente a carbono sódico puro.
Método Números de Media Desviación

muestras aritmética estándar
Gravimétrica 35 0,10505 2,38E-04

Volumétrica 40 0,1055 6,04E-04
El estudio deseaba saber si había alguna diferencia significativa en-

tre los valores medios de las normalidades obtenidas por los dos métodos,
con un nivel de significación del 95%. Las hipótesis nula y alternativa para
este ejemplo serían,

H0: µgra - µvol=0
H1: µgra - µvol≠0
Para los datos con que se trabaja se tiene,
0,10505 − 0 ,1055
Zobs =
(2 ,38 E − 04 )2 + (6,04 E − 04 )2
35 40
− 4,5E − 04
=
1,6184 E − 09 + 9,1204 E − 09
− 4,5E − 04
=
1,03626 E − 04
= −4,34
Al nivel de confianza del 95%, el valor tabular en la distribución nor-

mal estándar corresponde a ±1,96. Como se observa, al comparar el valor
observado y el teórico, − 4 ,34 > 1.96 , se toma la decisión de rechazar H0.
Se concluye que se tiene evidencia estadística para afirmar que exis-

te una diferencia significativa entre los valores medios de las normalidades
obtenidas por los dos métodos.
5.3.2 Contraste de medias con varianzas desconocidas
Ahora considere el problema de contrastar
H0: µ1 - µ2 = ∆
cuando sólo es conocida que las varianzas de ambas poblaciones son igua-
les ( σ 12 = σ 22 o sea, homocedasticidad), pero desconocidas. El estadístico
que a usar para el contraste es

( x1 − x 2 ) − ∆ n1 n 2 ( n1 + n 2 − 2 )
t obs = (5.8)
( n1 − 1) s12 + (n 2 − 1) s22 n1 + n 2
Para el contraste de significación
H 0: µ 1 − µ 2 = ∆
H1: µ1 − µ 2 ≠ ∆
el valor teórico se calcula como, tteo = t( n1 + n 2 − 2 ),(1 −α 2 ) y tiene que

rechazarse o admitir la hipótesis nula siguiendo el criterio
No rechazar H0 si tobs ≤ tteo

Rechazar H0 si tobs > tteo
Cuando el contraste es unilateral del modo
H0 : µ1 − µ2 =∆
H1: µ1 − µ 2 <∆
el contraste se realiza siguiendo el mismo proceso que en otros realizados

anteriormente, lo que lleva a calcular como, t teo = − t ( n1 +n2 − 2),( 1−α ) y
tomar la decisión de:
No rechazar H0 si tobs ≥ tteo

Rechazar H0 si tobs < tteo
Cuando el contraste de significación es el contrario
H0 : µ1 − µ2 =∆
H1: µ1 − µ 2 >∆

el valor teórico se define como: t teo = t ( n1 +n2 − 2),( 1−α ) , tomando la de-
cisión de:
No rechazar H0 si tobs ≤ tteo

Rechazar H0 si tobs > tteo
El caso más problemático para el contraste de medias, es cuando

sólo es conocido de las dos poblaciones que su distribución es normal, y
que sus varianzas no son conocidas y significativamente diferentes(no ho-
mocedasticidad).
En este caso el estadístico de contraste tendrá una ley de distribución
muy particular. Consistirá en una distribución t de Student, con un número de
grados de libertad que en lugar de depender de modo determinista de la
muestra (a través de su tamaño), depende de un modo aleatorio mediante las
varianzas muestrales. Concretamente, el estadístico que interesa es
(x1 − x2 ) − ∆
t obs =
s12 s22 (5.9)
+
n1 n2
El número de grados de libertad que se calcula mediante la fórmula

de Welch,
2
 s12 s22 
 + 
 n 1 n2  (5.10)
f = 2 2
−2
1   s12 1   s22
  +  
n1 + 1  n1  n2 + 1  n 2 
No es desarrollado en detalle los cálculos a realizar, pues la técnica

para efectuar los contrastes son análogos a los vistos anteriormente cuan-
do las varianzas son desconocidas e iguales.

Finalmente, si las medias poblacionales de dos muestras indepen-
dientes obtenidas de poblaciones normales son idénticas, esto se reduce a
los casos anteriores tomando ∆=0, es decir, realizando el contraste:
H0 : µ1 − µ2 = 0
H1: µ1 − µ 2 ≠ 0
Ejemplo. Diez muestras de piedra caliza, tomadas del suministro de

materia prima almacenada en un tajo, dieron los siguientes resultados ana-
líticos en % de CaO:
50,6 50,9 48,5 50,0 46,5 50,5 49,2 49,7 43,0 50,5
Otras diez muestras se tomaron después de haber sometido a mo-

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

una diferencia significativa antes y después de someter la materia prima a
molienda en los porcentajes de Ca0, a un nivel de confianza del 99%. Los
resultados se pueden resumir como sigue:
Tratamiento Tamaño de Promedio Variancia Desviación

Muestra Aritmético Estándar
Antes 10 48,94 6,0738 2,4645

Después 10 50,42 0,344 0,5865
La prueba es de dos colas para determinar si hay alguna diferencia

entre las medias, entonces las hipótesis nula y alternativa serán,
H0: µantes = µdespués
H1: µantes ≠ µdespués

Con los datos de la tabla anterior se tiene,
48,94 − 50,42 10(10)(18 )

tc =
9( 6,0738) + 9(0,344 ) 20
− 1,48
= 90
57 ,7602
= −1,8474
El valor teórico de la tabla de t-student, se encuentra calculando los

grados de libertad como la suma de los tamaños de muestra menos dos
(10+10-2=18) y tal que, es una prueba de dos colas con un nivel de signifi-
cancia del 1% este se divide entre 2. Se obtiene el valor tabular de 2,8784
y puesto que el estadístico de prueba es inferior no se rechaza H0. Esto es,
no se tiene fuerte evidencia para concluir que existe una diferencia significa-
tiva promedio antes y después de someter la materia prima a molienda, pa-
ra determinar los porcentajes de Ca0.
5.4 Contrastes para la diferencia de medias pareadas
El procedimiento consiste en tomar dos observaciones de un mismo

sujeto, en condiciones homogéneas.Un ejemplo de observaciones pareadas
consiste en considerar a un conjunto de n personas a las que se le aplica
un tratamiento médico y se mide por ejemplo el nivel de insulina en la san-
gre antes (X) y después del mismo (Y).
Paciente xi yi di
1 140 130 20
2 190 150 40
... ...
n 155 120 35
No es posible considerar a X e Y como variables independientes ya

que va a existir una dependencia clara entre las dos variables. Cuando se

quiere contrastar el que los pacientes han experimentado o no una mejoría
con el tratamiento, simbólicamente di es la diferencia entre las observacio-
nes antes y después del tratamiento.
di = xi − yi
Suponga que la v.a. que define la diferencia entre el antes y después
del tratamiento es una v.a. que se distribuye normalmente, pero cuyas me-
dia y varianza son desconocidas.
d → N (µd,σ d2 )
Luego se contrasta la hipótesis de que el tratamiento ha produci-

do cierto efecto ∆, utilizando la media observada de las diferencias parea-
das resultantes.
H0 : µd = ∆
El estadístico de contraste está definido por,
d−∆
t obs = (5.11)
Sd / n
donde d es la media muestral de las diferencias di y Sd representa la des-
viación estándar muestral de las mismas. Sin embargo, generalmente se
calcula la varianza de las diferencias y luego su la raíz cuadrada con propó-
sito de obtener la desviación estándar.
2
s2d =
1 n
(
∑ d −d
n − 1 i =1 i
)
(5.12)

 n  
2
  ∑d  
1  n 2  i =1 i  
= ∑d −
n -1 i =1 i n 
 
 
Ahora, considere el contraste bilateral de tipo,
H0 : µd = ∆
H1: µd ≠ ∆
Entonces se define t teo = ± t( n − 1)( 1−α 2 ), y se rechaza la hipótesis

nula cuando: tobs<tteo ó tobs>tteo.
Si el contraste es unilateral,
H 0: µd =∆
H 0: µd <∆
entonces se rechaza H0 si tobs < tteo. Para el test contrario,
H 0: µd =∆
H1: µd >∆
se rechaza H0 si tobs > tteo. Finalmente, no supone ninguna dificultad el ha-

ber realizado el contraste con conocida, ya que entonces el estadístico del
contraste es,
d −∆
Z obs = (5.13)
σd / n

Ejemplo. Considere un análisis realizados por dos diferentes labo-
ratorios, donde se estudian nueve muestras de peróxido de hidrógeno
(H202), como sigue:
Muestra Lab. A Lab. B di=A - B

1 93,08 92,97 0,11
2 92,59 92,85 -0,26
3 91,36 91,86 -0,50
4 91,60 92,17 -0,57
5 91,91 92,33 -0,42
6 93,49 93,28 0,21
7 92,03 92,30 -0,27
8 92,80 92,70 0,10
9 91,03 91,50 -0,47
Se desea determinar si existe diferencia en los análisis de los labo-

ratorios. En este caso, ∆=0, donde las hipótesis nula y alternativa pueden
expresarse como sigue:
H0: µd = 0
H1: µd ≠ 0
Para estos datos, el promedio de las diferencias es,
n
∑ di
i= 1
d=
n
d =
(0,11 − 0,26 − 0,50 − 0,57+...+ − 0,47)
9
- 2.04
= = −0,23
9

La variancia de la diferencia es,
1 (− 2,07) 
2
= 1,1789 − 
2
sd
8 9 
 
1
= [1,1789 − 0 ,4761]
8
1
= 0 ,7028
8
= 0,08785
de modo que,
sd = 0,08785 = 0,296
Utilizando la fórmula 5.11, el estadístico de prueba resultaría,
−0,23
t=
0,296
9
− 0,23
=
0,0987
= -2,33
El valor teórico de la distribución t, con 8 grados de libertad y un ni-

vel de significancia del 5% es ± 2,306. Dado que -2,33 < -2,306, se recha-
za H0. Entonces, se concluye que existe una diferencia en las mediciones
entre los laboratorios, a un nivel de confianza del 95%.

5.5 Contrastes de una proporción
En las secciones anteriores se utilizaron procedimientos de contras-

te de hipótesis para datos cuantitativos. El concepto de la prueba de hipó-
tesis también se puede utilizar en relación con datos cualitativos, esto per-
mite decidir con base en los datos muestrales, si la proporción poblacional
P, es igual, mayor o menor que una constante determinada.
Suponga que se tiene una sucesión de observaciones independien-
tes, de modo que cada una de ellas se comporta como una distribución de
Bernoulli de parámetro P:
→
X = X 1 , X 2 ,..., X n
La v.a. X, definida como el número de éxitos obtenidos en una

muestra de tamaño n es por definición una v.a. de distribución binomial,
n
X = ∑ Xi (5.14)
i =1
La proporción muestral (estimador del verdadero parámetro P a par-

tir de la muestra) es,
X
p√ = (5.15)
n
Interesa el contraste de significación de,
H0: P = P0
donde P0 es un valor prefijado, frente a otras hipótesis alternativas. El esta-

dístico de contraste sigue una distribución aproximadamente normal para
tamaños muestrales suficientemente grandes, si:
[np y (1 - p) ≥ 5]

Cuando n es pequeña, las pruebas referentes a proporciones se
pueden hacer directamente con la distribución binomial.
p√- P0
Z obs =
P0Q0 (5.16)
n
Para el contraste bilateral,
H 0 : P = P0
H 1: P ≠ P0
Entonces se define Zobs como la ecuación (5.16) y el valor teórico,

Zteo=Z1-α⁄2. Siendo el criterio de no rechazo o rechazo de la hipótesis nula,
No rechazar H0 si Zobs≤Zteo
Rechazar H0 si Zobs>Zteo
Considerar un contraste unilateral del tipo,
H0: P = P0
H1: P < P0
El valor teórico es, Zteo=Za y el criterio de rechazo a seguir es:
No rechazar H0 si Zobs > Zteo

Rechazar H0 si Zobs ≤ Zteo
Para la prueba unilateral contrario (H1 : P > P0), el valor teórico es,
Z1-α y el criterio de decisión es,
No rechazar H0 si Zobs ≤ Zteo

Rechazar H0 si Zobs > Zteo

de una proporción
Ejemplo. Una compañía farmacéutica afirma que un antibiótico tie-

ne 80% de efectividad. Se somete a prueba una muestra aleatoria de 50 ca-
sos de estudio y se obtiene una proporción de 75,7%. ¿Presentan los da-
tos suficiente evidencia para refutar la afirmación de la compañía?. Para es-
te problema, si se selecciona un nivel de significación α de 0,05.
Las hipótesis nula y alternativa para este problema se pueden expre-

sar como sigue:
H0: P = 0,80
H1: P < 0,80
Con los datos que se tienen,
0,757 − 0,80
Z obs =
0,8( 0,2)
50
− 0,043
=
0,0566
= −0,76
Al 95% de confianza el valor teórico Z es -1,645; por tanto, la hipó-

tesis nula no se rechazaría porque el estadístico de prueba(-0,76) no ha caí-
do en la región de rechazo, o simplemente comparando los valores absolu-
tos, se observa que 1,645 es mayor 0,76. Se llegaría a la conclusión de que
no hay suficiente evidencia para refutar la afirmación de la compañía.

5.6 Contrastes sobre la diferencia de proporciones
En lugar de preocuparse por las diferencias entre dos poblaciones

en términos de una variable cuantitativa, el interés podría estar, centrarse en
las diferencias en alguna característica cualitativa. Entonces, el problema se-
ría decidir si la diferencia observada entre dos proporciones, proveniente de
dos muestras independientes es significativas, o pueden ser atribuidas al
azar y también concluir que las proporciones son iguales.
Suponga dos muestras independientes tomadas sobre dos pobla-
ciones, en la que se estudia una variable de tipo dicotómico (Bernoulli):
→
X1 = X11, X12 ,..., X1n1
→
X 2 = X 21, X 22 ,..., X 2 n 2
→ →
Si X 1 y X 2 contabilizan en cada caso el número de éxitos en ca-
da muestra se tiene que cada una de ellas se distribuye como una variable
aleatoria binomial, de modo que los estimadores de las proporciones en ca-
da población tienen distribuciones aproximadamente normales (cuando n1 y
n2 son bastante grandes).
X1  PQ 
p√1 = ≈ N P1, 1 1 
n1  n1 
X2  PQ 
p√2 = ≈ N P2 , 2 2 
n2  n2 
El contraste que interesa realizar es si la diferencia entre las propor-

ciones en cada población es una cantidad conocida ∆.
H0 : P1 − P2 = ∆
Si H0 fuese cierta se tendría que,
 PQ P2Q2 
p√1 − p√2 ≈ N P1 − P2 , 1 1
+ 
 n1 n 2 

Desafortunadamente ni P1 ni P2 son conocidos de antemano y son
utilizados sus estimadores, lo que da lugar a un error que es pequeño cuan-
do los tamaños muestrales son grandes. El estadístico se define como,
( p√1 − p√2 ) − ∆
Z obs =
p√1q√1 p√2q√2 (5.17)
+
n1 n2
x1
donde: p√1 = proporción muestral en la población 1
n1
x2
p√2 = proporción muestral en la población 2
n2
x1= números de éxitos en la muestra 1
x2= números de éxitos en la muestra 2
n1= tamaño de la muestra en la población 1
n2= tamaño de la muestra en la población 2
q√1 = 1 − p√1 proporción muestral de fracasos en la muestra 1

q√2 = 1 − p√2 proporción muestral de fracasos en la muestra 2
El contraste bilateral sobre la diferencia de proporciones es,
H0 : P1 − P2 = ∆
H1: P1 − P2 ≠ ∆
Entonces se define el estadístico de prueba como la ecuación (5.17)

y se rechaza la hipótesis nula si Zobs< -Zα/2 o si Zobs > -Z1-α/2.

En el contraste unilateral
H 0 : P1 − P2 = ∆
H1 : P1 − P2 f ∆
se rechazará H0 si Zobs< -Zα.
Para el test contrario,
H 0 : P1 − P2 = ∆
H1 : P1 − P2 f ∆
se rechaza H0 si Zobs> Z1-α.
Ejemplo. Una planta de energía eléctrica operada con carbón ha con-

siderado dos sistemas diferentes para reducir la contaminación del aire. El pri-
mer sistema redujo la emisión de contaminantes a niveles de 68% del tiempo,
según se determinó de 200 muestras de aire. El segundo sistema, a niveles
de 76% de las veces, según quedó determinado en 250 muestras de aire.
¿Pruebe la hipótesis de que no hay diferencia entre los sistemas, a
un nivel de confianza de 97,5%?.
Las hipótesis nula y alternativa para este problema son:
H0: P1 - P2 = 0
H1: P1 - P2 ≠ 0
Para los datos en uso:
0,68 − 0,76
Z obs =
0,68( 0,32) 0,76( 0,24 )
+
200 250

− 0,08
=
0,2176 01824
,
+
200 250
−0,08
=
0,0018176
−0,08
=
0,04263
= −1,876
El valor teórico de la prueba con dos colas según la distribución nor-

mal estándar para una confianza del 97,5% es ±2,24. Resulta que -1,876 >
-2,24, por tanto, se toma la decisión de no rechazar H0. La conclusión es
que no hay pruebas de diferencias entre los sistemas en la reducción de la
contaminación del aire, a un nivel de confianza del 95%.
5.7 Problemas
5.1 Se le pide a una analista experimentada la evaluación de dos

métodos diferentes para la determinación de trazas de plomo
en ácido acético glacial. Se realizaron ocho determinaciones
mediante cada método, que dieron los siguientes resultados
para la concentración del plomo (en ppm):
Método A 1,34 1,33 1,32 1,35 1,32 1,43 1,34 1,31

Método B 1,30 1,26 1,30 1,33 1,20 1,24 1,24 1,33
¿Existe una diferencia significativa en el promedio de trazas de

plomo determinado por ambos métodos?. a=0,05
5.2 Un biólogo sostiene que las concentraciones altas de actino-

misina D inhiben la síntesis de ARN en las células y, por consi-
guiente, también la producción de proteínas. En un experimen-
to realizado para probar esta teoría, se compara la síntesis del

ARN en células tratadas con dos concentraciones de actinomi-
sina D, 0,6 y 0,7 microgramo por milímetro, respectivamente.
De las 70 células tratadas con la concentración más baja, 55
se desarrollaron normalmente, mientras que sólo 28 de las 50
tratadas con la concentración alta se desarrollaron normal-
mente. ¿Proporcionan estos datos suficiente evidencia para
concluir que hay diferencia entre las tasas de síntesis del ARN
normales para las células expuestas a las dos concentraciones
de actinomisina D? α=0,10
5.3 De acuerdo con las normas establecidas para un examen de

actitud mecánica, las personas de 18 años deberían promediar
73,2 puntos con una desviación estándar de 8,6 puntos. Si 45
personas escogidas en forma aleatoriamente promediaron
76,7 puntos. Pruebe la hipótesis de que la media de la pobla-
ción en realidad es mayor a un nivel de significación de 0,05.
5.4 Una solución que contiene 102,2 mg/L de plomo, es el están-

dar de referencia certificado. Si 17 muestras dieron como re-
sultado x =98,6 mg/L y s=3,5 mg/L. ¿Existe diferencia entre la
media obtenida y la media poblacional? a=0,01
5.5 Se desea comparar un nuevo método enzimático para deter-

minar colesterol con el método estándar de Lieberman (colori-
métrico). Para ello, se observó una muestra para ambos méto-
dos con los resultados siguientes: (en mg/dl)
Enzimático 305 385 193 162 478 455 238

Colorimétrico 300 392 185 152 480
¿Existe diferencia significativa al nivel de confianza del 99% en-

tre los métodos?
5.6 Un organismo de control farmacéutico investiga una muestra de

20 frascos de cierto medicamento para controlar el contenido
de cierta droga que afecta el ritmo cardíaco. Se pretende deter-
minar si se están cumpliendo las especificaciones del caso, que
establecen que ese contenido no debe diferir de 0,12 gr/100 ml.

Al evaluar la muestra, se encontró que el contenido medio es
de 0,10 gr /100 ml, con una desviación estándar de 0,02
gr/100 ml. Se estarán o no infringiendo las especificaciones?
α = 0,01).
5.7 Las pruebas efectuadas en una muestra de 40 motores diesel

producidos por un fabricante mostraron que tenían una defi-
ciencia térmica promedio de 31,4% con una desviación están-
dar 1,6%. Dado un nivel de significación de 0,05, pruebe la hi-
pótesis nula de que µ=32,3% contra la hipótesis alternativa de
que es diferente.
5.8 Se utilizaron dos métodos diferentes para determinar la con-

centración (ppm) de Mg en agua natural. Se hallan los siguien-
tes resultados:
Método A 5,65 5,75 5,64 5,73 5,69 5,71

Método B 5,83 5,78 5,79 5,92 5,95 5,82
¿Existe diferencia significativa al nivel de confianza del 90% en-

tre los métodos?
5.9 Una fábrica de productos químicos ha producido en promedio

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

de cigarrillos producen los resultados:
14,5 14,2 14,4 14,3 14,6 mg por cigarrillo
Pruebe que la diferencia entre promedio de esta muestra y la
media del contenido de alquitrán que indica el fabricante,
µ=14, es significativa en =0,10.
5.11 Considere los datos del ejercicio 4.39, una vez seleccionada la
muestra aleatoria de 195 artículos, 30 tenían algún defecto.

Probar la hipótesis, que la proporción de defectuosos es dife-
rente al 10%?. a=0,05
5.12 Las observaciones de la cantidad de agua tomada por una

muestra de 17 ratas que habían sido inyectadas con una solu-
ción de cloruro de sodio, tuvieron una media y una desviación
estándar de 31,7 y 6,4 centímetros cúbicos, respectivamente.
Dado que la cantidad promedio de agua ingerida por las ratas
que no han sido inyectadas, en un período de tiempo compa-
rable, es de 27,0 centímetros cúbicos, ¿indican los datos que
las ratas inyectadas beben más que las no inyectadas? Haga
la prueba usando un nivel de significación del 1%.
5.13 Los desechos industriales y la basura que se descargan en

los ríos absorben oxígeno, y por lo tanto, reducen la cantidad
de oxígeno disuelto disponible para los peces y otras formas
de vida acuática. Según investigadores de la Escuela de Bio-
logía de una universidad estatal se requiere un mínimo de 5
ppm de oxígeno disuelto para que sea suficiente para la vida
acuática. Durante los meses de diciembre y enero se toma-
ron 45 muestras de agua, dando como resultado una media
aritmética de 4,352 ppm y una desviación estándar de 1,261
ppm. ¿Hay suficiente evidencia en los datos que indique que
el contenido de oxígeno disuelto es menor que 5 ppm?
α=0,025.
5.14 Un fabricante puede tolerar una pequeña cantidad (0,05 mili-

gramos por litro) de impurezas en una materia prima que ne-
cesita para fabricar su producto. Debido a que los análisis de
laboratorio para detectar las impurezas están sujetos a erro-
res experimentales, el fabricante analiza cada lote 10 veces.
Suponga que el valor medio del error experimental es cero y
que, por lo tanto, el valor medio de los 10 análisis constituye
una estimación insesgada de la verdadera cantidad de impu-
rezas en el lote. Para un lote de la materia prima, la media de
los 10 análisis es 0,058 mg/l, con una desviación estándar de
0,012 mg/l. ¿Proporcionan los datos suficiente evidencia que
indique que la cantidad de impurezas en el lote excede los
0,05 mg/l? α=0,10

5.15 Un método de impregnar nubes tuvo éxito en 57 de 150 inten-
tos, mientras que otro tuvo éxito en 33 de 100 intentos. Con
un nivel significación de 0,05, ¿se puede concluir que el primer
método es mejor que el segundo?.
5.16 La variabilidad de la cantidad de impurezas presentes en un

compuesto químico usado para un proceso particular, depen-
de del tiempo en que el proceso esté en operación. Un fabri-
cante que usa las líneas de producción 1 y 2, ha introducido
un ligero ajuste al proceso 2, con la esperanza de reducir tan-
to la variabilidad como el promedio de la cantidad de impure-
zas en el compuesto químico. Muestras aleatorias de 35 ob-
servaciones de los dos procesos tuvieron las medias y varian-
zas siguientes:
y1 = 32
. s12 = 114
.
. s22 = 151
y 2 = 30 .
¿Presentan los datos suficiente evidencia que indique que el pro-

medio del proceso 2 es menor que la del proceso 1? α=0,01
5.17 Cierto estudio sugiere que la aspirina puede proteger a los pa-
cientes de cirugía de la formación de coágulos postoperatorios
en las venas. De 43 individuos que recibieron 4 tabletas de as-
pirina por día, sólo 5 tuvieron coágulos de sangre en compa-
ración con 8 de 50 individuos que tomaron placebos. ¿Propor-
cionan estos datos suficiente evidencia para concluir que hay
relación entre el uso de la aspirina y la frecuencia de la forma-
ción de coágulos postoperatorios? α=0,01
5.18 Los límites de emisión de hidrocarburos para automóviles el

año pasado eran de 1,5 gramos por milla. Los análisis de la
emisión de hidrocarburos de una muestra aleatoria de 12 au-
tos, produjeron una media aritmética de 1,394 y una desvia-
ción estándar de 0,175 gramos por milla. ¿Proporcionan los
datos suficiente evidencia para concluir que la emisión media
de hidrocarburos para este modelo de automóvil es menor que
el límite de 1,5 gramos por milla? α=0,05

5.19 Cierto producto lleva escrito en su envase: “contenido 16 on-
zas netas”. Un agente del Departamento de Protección del
Consumidor del Ministerio de Economía, selecciona 70 unida-
des del producto y pesa su contenido, encontrando que el
promedio aritmético es 14,5 onzas y una desviación estándar
de 1,04 onzas. ¿Presentan los datos suficiente evidencia que in-
dique que el peso neto es menor que lo indicado en el envase?
α=0,02
5.20 Se realiza un experimento para comparar la resistencia(en on-

zas) de dos tipos de papel. Se seleccionó una muestra aleato-
ria de tiras papel de cada tipo. El tipo 1, papel estándar, una
muestra de tamaño 60 presentó una resistencia media aritmé-
tica de 1,364 y una desviación estándar de 0,112. El tipo 2,
tratado con una sustancia química, el promedio aritmético y
desviación estándar de una muestra de tamaño 50 resultaron,
1,442 y 0,123, respectivamente. Pruebe la hipótesis de que no
hay diferencia entre la resistencia de los dos tipos de papel.
α=0,10
5.21 El fabricante de un producto para remover manchas afirma que

su producto remueve cuando menos el 90% de todas las man-
chas. ¿Qué puede concluir acerca de esta afirmación, si el pro-
ducto sólo eliminó 34 de 50 manchas elegidas al azar de la ro-
pa llevada a una lavandería? α=0,025
5.22 Los datos que se muestran a continuación son los grados de

dureza Brinell obtenidos para muestras de dos aleaciones de
magnesio:
Aleación 1: 66,3 63,5 64,9 61,8 64,3 64,7 65,1 64,5

Aleación 2: 71,3 60,4 62,6 63,9 68,8 70,1
¿Existe una diferencia significativa en los grados dureza de las

dos aleaciones? α=0,10
5.23 La dureza del agua en la salida de cierta planta de energía eléc-

trica tiene una distribución normal con µ=55 ppm. Doce mues-
tras de agua dieron como resultado una media aritmética de

53 y una variancia de 97,4 ppm. ¿Se puede concluir que la du-
reza media del agua es inferior a 55 ppm? α=0,10
5.24 El gerente de producción de una empresa de productos deri-

vados de la leche afirma que cuando mucho el 2% de las bol-
sas de leche se descomponen en los lugares de venta. Prue-
be esta aseveración con α=0,01, si una revisión hecha en 10
establecimientos, 2 de 50 bolsas estaban en mal estado.
5.25 Según las especificaciones de producción el peso de las bol-

sas de jabón en polvo llenadas por una máquina se distribuye
normalmente con promedio aritmético de 2 lbs. El encargado
de control de calidad seleccionó aleatoriamente 25 bolsas, en-
contrando que tenían un peso promedio de 1,95 y una desvia-
ción estándar de 0,145 lbs. ¿Qué se puede concluir acerca del
peso promedio de las cajas? α=0,10
5.26 Se instala un nuevo dispositivo de filtrado en una unidad quími-

ca. Antes y después de su instalación, una muestra aleatoria
proporcionó la siguiente resultados acerca del porcentaje de
impurezas:
Tiempo Tamaño de Promedio Variancia

muestra aritmético
Antes 40 12,5 101,17
Después 35 10,2 94,73
¿Ha reducido significativamente el porcentaje de impurezas el

dispositivo de filtrado? a=0,05
5.27 El límite de concentración del isótopo radiactivo estroncio 90

es 5 por litro. Para verificar si las especificaciones se cumplían
en cierta región del país, fueron seleccionadas aleatoriamente
60 lecherías, encontrándose una media aritmética de 6,6 y una
desviación estándar de 0,7958 por litro. ¿Existe alguna diferen-
cia significativa en la concentración promedio con el límite to-
lerable? α=0,10

5.28 Una compañía dedicada a pintar casas encontró que de 83 ca-
sas pintadas con pintura de la marca A, 20 mostraron indicios
de resquebrajaduras y de 58 casas pintadas con pintura de la
marca B, 15 presentaron el mismo problema transcurrir un
año. ¿Determine con un nivel de significación de 0,03 si la mar-
ca A tiene más durabilidad?
5.29 En un laboratorio se ha estado utilizando el método de absor-

ción atómica para determinar el contenido de calcio en sangre.
En una publicación reciente, es presentado un método colori-
métrico que promete ser rápido y barato. Se toman 8 mues-
tras de sangre, siendo analizadas por ambos métodos. A con-
tinuación se presentan los resultados:
Absorción 10,9 10,1 10,6 11,2 9,7 10,0 10,6 10,7

Colorimétrico 9,2 10,5 9,7 11,5 11,6 9,3 10,1 11,2
¿Existe una diferencia promedio en la determinación del conte-

nido de calcio entre los métodos? α=0,01
5.30 Un ingeniero químico sospecha que el porcentaje de sulfato de

sodio de una reacción es superior al 93,4%. Para poner a
prueba su hipótesis toma una muestra aleatoria 35 reacciones,
determinando que el porcentaje promedio del Na2SO4 es
95,5%. ¿Qué puede concluirse acerca del porcentaje de sulfa-
to de sodio de la reacción? α=0,04
5.31 Se encontró que la molécula de piridina, C5H5N, se absorbe

en la superficie de ciertos óxidos metálicos. En una muestra
aleatoria 12 porciones de 5 g de ZnO, la absorción promedio
fue 0,068 g, con una desviación estándar 0,0272 g. Pruebe la
hipótesis nula de que µ=0,067 g contra la hipótesis alternativa
de que µ<0,067 g con un nivel de significancia de 0,05.
5.32 Se pide a dos estudiantes de la carrera de Laboratorista Químico

de la Universidad de Costa Rica, que determinen el porcentaje de
calcio de cierto compuesto. Cada estudiante realiza 6 determina-
ciones. Utilizando los datos que se presentan a continuación:

Estudiante 1: 84,99 84,04 84,38 84,24 85,13 84,75
Estudiante 2: 84,72 84,48 83,78 85,15 84,33 87,92
¿Difieren significativamente los resultados encontrados por los

dos estudiantes? α=0,01
5.33 Una empresa de embutidos ubicada en Alajuela elabora tortas

de pollo. La compañía asegura que, a lo sumo, el 5% de las
tortas presentan algún defecto de peso, empaque o de forma.
Una muestra aleatoria de 80 tortas seleccionados en los esta-
blecimientos de venta, indicó que 10 tenían alguno de los pro-
blemas anteriormente citados. ¿Pruebe la hipótesis de la com-
pañía? α=0,02
5.34 Los siguientes datos son los niveles del residuo de plaguicida
(ppb) en la sangre de dos muestras aleatorias de personas de
cierta comunidad:
Muestra A 27 35 5 11 9 33 8 4 14 16
Muestra B 12 32 30 20 44 18 25 17 13 21
Con un 0,05 de probabilidad máxima de rechazar la hipótesis

nula siendo verdadera, pruebe la hipótesis de que no hay dife-
rencia entre los dos promedios.
5.35 Al comparar la resistencia a la tensión de dos tipos de acero

para estructuras, un experimento dio los siguientes resultados.
Tipo Tamaño de muestra Variancia Promedio

Acero A: 43 19,3 14,64
Acero B: 36 13,5 11,48
Suponiendo que las mediciones constituyen muestras toma-

das al azar de dos poblaciones normales, ¿existe una diferen-
cia significativa en el promedio de resistencia a la tensión de
los dos tipos de acero? α=0,10

5.36 Se ensayan dos métodos para la determinación del calor de fu-
sión del hielo en calorías por gramo. Se desea conocer si existe
diferencia entre los métodos a un nivel de significación del 5%.
Método A 79,9 80,0 79,9 80,2 80,5 80,4 80,3 80,1

Método B 80,0 79,9 80,3 79,9 79,9 79,9
5.37 Para comparar las cualidades de dos procesos de fabricación

se escoge 100 unidades de la producción obtenida por cada
proceso, resultando:
PROCESO DEFECTUOSOS
A 6
B 11
¿Qué conclusión puede extraerse de estos datos? α=0,01
5.38 Los propietarios de una empresa agrícola de exportación, es-

tán estudiando el efecto de la temperatura de almacenamien-
to en la conservación de tomates. Interesa cuantificar el núme-
ro de tomates que se pudren después de una semana de al-
macenamiento. Deciden usar dos niveles de temperatura a 50
°C y 60 °C, divididos en 7 lotes de 10 unidades. Los resulta-
dos que se presentan a continuación son el número de toma-
tes podridos por lote.
50 °C 8 7 4 6 5 6 7
60 °C 7 3 3 6 5 4 3
¿Son significativos los efectos de la temperatura? α=0,05
5.39 Un fabricante sospecha que el contenido de nitrógeno en un

producto varía de un lote a otro. Selecciona una muestra alea-
toria de cuatro lotes y realiza cinco determinaciones del conte-
nido de nitrógeno en cada lote. ¿Existe una diferencia signifi-
cativa en el contenido de nitrógeno de un lote a otro? α=0,05

Lote Observaciones
1 26,15 26,25 26,39 26,18 26,20
2 24,95 25,01 24,89 24,85 25,13
3 25,00 25,36 25,20 25,09 25,12
4 26,81 26,75 26,15 26,50 26,70
5.40 Una compañía química produce cierta droga cuyo peso tiene
una desviación estándar de 4 mg. Se ha propuesto un nuevo
método de producción aun cuando está involucrado un cierto
costo adicional. La gerencia autorizará un cambio en la técni-
ca de producción solamente si el promedio aritmético del pe-
so del nuevo proceso es menor de 16,625 mg.
Supóngase que los investigadores seleccionan n=10 y obtie-
nen los datos que a continuación se presentan. Asumiendo
que el peso se distribuye normalmente y que a=0,05, ¿Cuál
debería ser su decisión?
16,628 16,623 16,615 16,634 16,622

16,622 16,617 16,630 16,624 16,636
5.41 Los siguientes son los datos de un estudio de la seguridad y

exactitud de las determinaciones microanalíticas de carbono e
hidrógeno, hechas por dos analistas distintos:
Pedro 59,09 59,17 59,27 59,13 59,10 59,14

Ana 59,51 59,75 59,61 59,60
¿Existe una diferencia significativa promedio al 95% de con-

fianza entre las determinaciones de los dos analistas?
5.42 El límite superior especificado de impurezas de una sustancia

es 0,01 por 100. El analista repite el análisis cinco veces y en-
cuentra los siguientes resultados:
0,009 0,012 0,0113 0,0821 0,0915

Teniendo en cuenta el error experimental, ¿es significativamen-
te superior el promedio de impurezas al especificado del
0,01%? α=0,01
5.43 Los resultados de varias determinaciones de cobre en un mine-

ral son los que siguen(en % Cu). El primer grupo de determina-
ciones fue realizado por el analista A, el segundo por el analista
B. Comparar las precisiones de los dos analista. α=0,10
A 6,2 5,7 6,5 6,0 6,3 5,8 5,7 6,0 6,0 5,8
B 5,6 5,9 5,6 5,8 6,0 5,5 5,7 5,5
5.44 Considere dos yacimientos de mineral de cobre. Los yacimien-

tos se dividieron en secciones, y se analizaron muestras pro-
cedentes de secciones correspondientes, determinando su
contenido en cobre como muestras en paralelo. Los datos ob-
tenidos fueron los siguientes:
Yacimiento 1 25,5 23,1 28,2 24,4 31,5 25,7 27,9 28,7

Yacimiento 2 24,8 21,6 21,6 17,5 25,2 19,2 15,1 27,8
¿Existe una diferencia significativa entre los dos yacimientos en

lo que refiere a su contenido en metal? α=0,05
5.45 Muestras de tamaño 60 y 70 produjeron proporciones de 0,25

y 0,28, respectivamente. ¿Pruebe la igualdad de las proporcio-
nes de la población al nivel de significación del 0,05?
5.46 Los resultados que se dan a continuación son varios análisis

de proteínas en una misma variedad de trigo cultivado en dos
lugares diferentes. ¿Hay una diferencia significativa entre las
dos medias? α=0,01
Lugar A 12,5 11,9 12,7 13,3

Lugar B 13,2 12,9 13,5 12,7 12,3 13,3
5.47 Un estudio tenía el objetivo de comparar las proporciones de

dos poblaciones. Muestras de tamaño 160 y 110 dieron como
resultado proporciones de 0,425 y 0,345. ¿Pruebe la igualdad
entre las verdaderas proporciones de la población? α=0,10

5.48 Los siguientes resultados de dos determinaciones de C e H en
ácido benzoico e hidrocloruro de efedrina, fueron obtenidos
por diversos analistas.
Acido benzoico Hidrocloruro de efedrina

%C %H %C %H
69,03 5,00 59,22 8,19
68,96 4,91 59,66 8,31
69,18 5,22 59,27 7,86
69,22 5,19 59,22 7,87
68,88 4,89 59,51 8,24
69,04 4,76 59,60 8,00
¿Cómo podría compararse las determinaciones de carbono y

las de hidrógeno entre sí para ver si unas son significativamen-
te más precisas que las otras?

Capítulo 6
Regresión Lineal Simple y Correlación
6.1 Regresión
6.2 Regresión lineal
6.3 Ajuste del modelo de regresión lineal
6.4 Uso de la ecuación de regresión
6.5 Error estándar de estimación
6.6 Prueba de hipótesis
6.7 Bondad de un ajuste
6.8 Intervalo de predicción
6.9 Análisis de regresión: comentarios
finales
6.10 Análisis de correlación lineal
6.11 Análisis colorimétrico
6.12 Problemas
Regresión lineal simple y correlación
En trabajos científicos es necesario, a menudo, determinar el efecto

que una variable ejerce sobre otra. Así, por ejemplo, se desea comprobar si
una reacción colorimétrica sigue la ley de Beer-Lambert, medir la velocidad
de una reacción química o conocer la validez de nuevo método en relación
con una serie de normas conocidas. Un experimento de laboratorio es una
medida del efecto de una variable sobre la otra; con base a una cantidad de
muestra, se efectúa la reacción y posteriormente, se cuantifica la respuesta.
En el presente capítulo se ocupará exclusivamente de la regresión y
correlación lineal simple que utiliza dos variables. Al discutir sobre estas va-
riables se examinarán varias medidas como el coeficiente de regresión y de-
terminación, pruebas de hipótesis e intervalos de confianza, con el propósi-
to de sacar conclusiones acerca de ellas.
6.1 Regresión
La regresión es una técnica estadística para estudiar la naturaleza de

la relación entre dos o más variables. Aunque puede utilizarse en esto las
ecuaciones no lineales, el capítulo de limitará a la explicación a las ecuacio-
nes de regresión del tipo lineal (línea recta).
Un caso práctico de análisis es construir las curvas de calibración
utilizadas en los métodos fotométricos: hay que proceder a la medición de
la respuesta de un aparato en relación con cantidades variables del consti-
tuyente a estudiar. En análisis gravimétrico, puede presentarse la necesidad
de relacionar el peso de precipitado con la temperatura, el pH, el contenido
en electrolito inerte o con otras variables.
Los objetivos de la regresión son mostrar la forma como la variable in-
dependiente (X) se relaciona con la variable dependiente (Y), hacer pronósticos
sobre los valores de la variable dependiente, con base en el conocimiento de
los valores de la variable independiente. Matemáticamente se expresa así:
Y√ = f ( X )
Esto es conocido como la relación funcional. El criterio para cons-
truir, tal que la diferencia entre Y e Y√ sea pequeña.
Y√ = f ( X )
El término que se denomina error debe ser tan pequeño como sea
posible. El objetivo será buscar la función (también llamada modelo de re-
gresión) Y√ = f ( X ) que lo minimice. Véase las figuras de la seguiente página
(o diagramas de dispersión).
Como se observa en las figuras, el diagrama de dispersión es la re-
presentación gráfica de dos variables, que tiene el objetivo de examinar la
dispersión de los datos observados, para determinar visualmente el patrón
de comportamiento de los puntos (pares de datos x, y). Con ayuda de esta
técnica, podemos establecer la clase de relación que existe entre las varia-
bles, ésta puede ser una línea recta, una parábola, una exponencial, etc.
Diferentes nubes de puntos y modelos

de regresión para ellas.
150 • CAPÍTULO 6 Regresión Lineal Simple y Correlación

6.2 Regresión lineal
La forma de la función de regresión en principio podría ser arbitra-

ria, y tal vez se tenga que la relación más exacta entre las variables X e Y
sea la siguiente,
Y√ = f ( x ) = 3, 2746e x + senx
Por el momento no se pretende encontrar relaciones tan complica-
das entre variables, pues la discusión se limitará al caso de la regresión lineal.
Con este tipo de regresiones será suficiente hallar relaciones funcionales de
tipo lineal, es decir, se busca cantidades a y b tales que se pueda escribir,
Y√ = a + bx (6.1)
con el menor error posible entre Y√ e Y, de forma que Yi - Y√ sea una va-
i
riable que toma valores próximos a cero.
El problema que se plantea es entonces el de cómo calcular las can-
tidades a y b a partir de un conjunto de n observaciones,
 ( x1 , y1 )
( x , y )
 2 2

 ...
 ( xn , yn )
de forma que se minimice el error. Las etapas en que se divide el proceso

que vamos a desarrollar son, de forma esquemática, las que siguen:
1. Dadas dos variables X, Y, sobre las que definimos Y√ = a + bx,

se cuantifica el error que se comete al aproximar Y median-
te Y√ calculando la suma de las diferencias entre los valores
reales y los aproximados al cuadrado (para que sean positi-
vas y no se compensen los errores):
n n
∑ (y i − y
√ i ) 2
= ∑ e 2
i
(6.2)
i =1 i =1
CAPÍTULO 6 Regresión Lineal Simple y Correlación • 151

2. Una aproximación de Y, se define a partir de dos cantidades a
y b. Se calcula aquellas que minimizan la función,
n 2 n 2
Error( a,b ) = ∑ ( y i − y√i ) = ∑ ( y i − a − bx i ) (6.3)

i =1 i =1
3. Posteriormente se encuentran las fórmulas para el cálculo di-

recto de a y b que sirvan para cualquier problema.
6.3 Ajuste del modelo de regresión lineal
Para calcular la recta de regresión de Y sobre X se utiliza el método

de mínimos cuadrados, el que garantiza que la ecuación escogida minimi-
zará la suma de cuadrados de las desviaciones entre cada valor de Y y su
valor correspondiente predicho por la ecuación( Y√)1.
Los errores a minimizar son las cantidades
1 Estas desviaciones son llamados también errores o residuos de estimación; y se parte

del supuesto que los errores se hallan distribuidos normalmente y tienen una variancia
constante.

Una vez definido el error de aproximación mediante la relación mos-
trada en la figura, las cantidades que lo minimizan se calculan derivando con
respecto a ambas e igualando a cero (procedimiento de los mínimos cuadra-
dos). Obteniéndose dos ecuaciones normales. La primera se escribe como,
n n
∑ yi − an − b ∑ xi = 0
i =1 i =1 (6.4)
⇒ a = y − bx
Mediante la segunda ecuación normal,
n n n 2
∑ yi xi − a ∑ xi − b ∑ xi = 0 (6.5)
i =1 i =1 i =1
y sustituyendo, se obtiene que
n n n
n ∑ xi yi - ∑ xi ∑ yi
i=1 i=1 i=1
b= 2 (6.6)
n   n
n ∑ xi2 -  ∑ xi
i=1  i=1 
La constante a de regresión indica el valor pronosticado de Y cuan-

do X es cero. El coeficiente de regresión b representa la cantidad de cam-
bio (bien, puede ser aumento o disminución) que se pronostica en Y para un
aumento de una unidad en X. Un signo negativo en el coeficiente b indica
que medida que aumenta X, disminuye Y. Gráficamente, b es la pendiente
de la línea de regresión.
Ejemplo. Un investigador tiene interés de estudiar la elasticidad de

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

presentado los valores, que es razonable suponer que la relación entre

temperatura y elasticidad del plástico es lineal; esto es, una línea recta da
una buena aproximación sobre el rango2 de los datos disponibles.
Diagrama de dispersión entre la temperatura

y la elasticidad de cierto plástico
Las cantidades que necesitamos para sustituir en las fórmulas 6.4

y 6.6 son:
10 10 10
∑ xi yi = 203690
. ∑ x i = 1470
. ∑ y i = 1.360
i =1 i =1 i =1
10 10
∑ xi2 = 225.450 ∑ yi2 = 186.674 n=10
i =1
2 Temperaturas entre el valor minimo (100) y la máxima (200).

Al utilizar estos resultados, se calcula b como,
10(203.690)− 1470
. (1.360)
b=
10(225.450)− (1.470)
2
2.036.900 − 1999
. .200
=
2.254.500 − 2.160.900
37.700
=
93.600
= 0,40278
y la constante de regresión, a, sería:
1360
. 1470
.
a= − 0,40278
10 10
= 136 − 0,40278 (147)
= 76,79167
Por tanto, la ecuación de la línea recta que mejor ajusta los datos en
el sentido de mínimos cuadrados es,
y√ = 76,79167 + 0, 40278 X
El coeficiente de regresión resultó 0,40278. Este valor significa que,

para aumento de un grado en la temperatura, hay un cambio en la elastici-
dad del plástico de 0,40 grados, es decir un aumento. Se puede considerar
que esta pendiente representa la parte variable de la elasticidad, la cual va-
ría con la temperatura de fabricación del plástico.
La intersección con el eje Y se calculó que era 76,79167. Esta se
puede considerar que representa la parte fija de la elasticidad del plástico, o
sea, la elasticidad que no varía en función de la temperatura.

6.4 Uso de la ecuación de regresión
La ecuación de regresión que se ha ajustado a los datos, se puede

utilizar ahora para predecir el valor de la elasticidad para un valor dado de la
temperatura. Por ejemplo, para x=115 ∞F predecimos que la elasticidad se-
rá 123,1 grados, que se calcula de la siguiente forma,
y√ = 76,79167 + 0, 40278(115) = 123,1
Cuando se utiliza el análisis de regresión para predicciones, es

importante considerar sólo el rango de variación de la variable indepen-
diente al hacer las predicciones. Este rango abarca todos los valores de
X, desde el mínimo hasta el máximo utilizados para encontrar la ecuación
de regresión.
Predecir Y para un valor dado de X, se llama interpolar dentro de
este rango de los valores de X, pero no se puede extrapolar más allá del
rango de los valores de X. Cualquier predicción de Y fuera del rango de X,
supone que la relación ajustada es válida fuera de este recorrido de 113 y
200 grados. Este supuesto necesariamente no se cumple, existen muchos
problemas de investigación donde después de ciertos valores de X, la for-
ma de la relación es curvilínea.
6.5 Error estándar de estimación
El error estándar de la estimación se parece al utilizado para de-

terminar un intervalo de confianza para una media o proporción de la po-
blación, salvo que en este caso el intervalo está en la dirección vertical.
Por ejemplo, si sustituyéramos X=10 en la ecuación de regresión
y√ = 76.79167 + 0.40278 X se calcula que el valor de Y es de 3,9. No obs-
bbbbbbbbbbbbbbbbbbbb,
tante, se trata de una mera estimación puntual y necesariamente hay cierta
incertidumbre respecto al nivel probable de Y cuando X sea igual a 10. Es
imprescindible conocer el error estándar de estimación para calcular un in-
tervalo más “apropiado” en sentido estadístico.
El error de la estimación puede calcularse por,
n n n
2
∑ yi - a ∑ yi -b ∑ x i yi (6.7)
i=1 i=1 i=1
Se =
n -2

donde: a= la intersección de la recta
b= el coeficiente de regresión
n= tamaño de la muestra
Con el uso de la ecuación (6.7) y el problema de la elasticidad del

plástico, el error estándar de la estimación se calcula como,
186.674 - 76,79167(1.360) - 0 ,40278( 203,690)

Se =
8
186.674 − 104.436,6712 − 82.042,2582

=
8
195,0706
=
8
= 24 ,383825
= 4.9378
Este error estándar de la estimación, igual a 4,94378 (grados), repre-

senta una medida de la variación en torno a la recta ajustada de regresión.
Se mide en la unidad de medición de la variable Y dependiente. La interpre-
tación del error estándar de estimación, es semejante al de la desviación es-
tándar. Así como la desviación estándar mide la variabilidad alrededor del
promedio, el error estándar de estimación mide la variabilidad en torno a la
recta ajustada de regresión.
6.6 Prueba de hipótesis sobre el coeficiente de regresión
Una vez estimada la ecuación de regresión es conveniente determi-

nar el aporte de la variable independiente al modelo ajustado. Hay que to-
mar la decisión de eliminarla y incluir otras que podrían contribuir con más
información sobre la variabilidad de Y.
La hipótesis nula plantea que la pendiente de la recta es cero contra
la hipótesis alternativa que es diferente. Simbólicamente se denota como,

H0:β=0 (no hay relación lineal)
H1:β≠0 (si hay relación lineal)
La hipótesis nula implica que no existe ninguna relación lineal entre

las variables. La hipótesis alternativa es que existe una relación lineal, posi-
tiva o negativa. Podríamos decir, que cuando no se rechaza, entonces indi-
ca que la variable independiente no aporta información para predecir la va-
riabilidad de Y. Para realizar la prueba se utiliza una estadística t con n-2
grados de libertad, donde
b
t obs =
(6.8)
Se / SC x
Donde SCx son la suma de cuadrados de la variable independiente
X y se tiene que,
2
 n 
 ∑ xi 
n  i=1 
SC x = ∑ x 2i - (6.9)
i=1 n
Para los datos de temperatura y elasticidad del plástico, según las

ecuaciones 6.8 y 6.9, se obtiene
(1470) 2
scx = 225450 −
10
= 225450 − 216090
= 9360
0.40278
t obs =
4.94378
9360
0.40278
=
0.0511
= 7.882
Si se deseó un nivel de confianza del 99%, se tendría un valor teóri-
co con 8 grados de libertad de 3,3554. Ahora, como el valor observado es
mayor al teórico, (3,3554 < 7,882), se rechaza H0. Entonces, la conclusión
a que se llegó es rechazar la hipótesis nula y decir que hay alguna relación
entre la temperatura de fabricación y la elasticidad del plástico.

6.7 Bondad de un ajuste
Si el ajuste de Y mediante la ecuación de regresión Y√ = f ( x ) es

bueno, cabe esperar que la varianza del error de estimación debe ser pe-
queña (en comparación con la de Y). Ello se puede expresar definiendo una
nueva variable E que mida las diferencias entre los auténticos valores de Y
y los teóricos suministrados por la regresión,
Dicho de otro modo, E debe ser una variable cuya media debe ser
2 2
0, y la varianza SE pequeña en comparación con S Y . Por ello, se define el
coeficiente de determinación de la regresión de Y sobre X, como
S E2
r2 =1−
SY2 (6.10)
Variancia de Y explicada
explicada por X
=
Variancia total de Y
donde,
n n n
n ∑ xi yi - ∑ xi ∑ y i
i =1 i =1 i =1 (6.11)
r=
 n  n  
2  n  n  
2
n ∑ xi2 -  ∑ xi  ⋅ n ∑ yi2 -  ∑ yi  
 i =1  i=1    i=1  i=1  
 
2
Si el ajuste es bueno se debe tener r que tome un valor próxi-
mo a 1. El coeficiente de determinación sirve entonces para medir de
qué modo las diferencias entre los verdaderos valores de una variable y
los de su aproximación mediante una ecuación de regresión son peque-
ños en relación con los de la variabilidad de la variable que intentamos
aproximar. Por esta razón, estas cantidades miden el grado de bondad
del ajuste.

En el problema tratado en las secciones anteriores y utilizando la
ecuación 6.11, se calcula:
10(203.690) − 1.470(1.360)
r=
[10(225.450 − (1.470) ]− [10(186.674 − (1360
2
. ) ] 2
2.036.900 − 1999
. .200
=
[2.254.500 − 2.160.900][1866 . .600]
. .740 − 1849
37.700
=
93.600(17.140)
37.700
=
40.053,76
= 0 ,94
entonces r 2 = 0 ,8836 . El 88,36% de la variabilidad de la elasticidad del plás-

tico se encuentra explicada por relación lineal con la temperatura de fabrica-
ción. Esto implica, que el restante 11,64% está explicado por otras variables
que afectan la elasticidad, no consideradas en el modelo de regresión lineal.
6.8 Intervalo de predicción
El intervalo de confianza alrededor de la recta de regresión se refie-

re a la verdadera respuesta media en x = x0 (esto es un parámetro de la po-
blación), y no a observaciones futuras. La fórmula de cálculo del intervalo de
predicción sería,
( )
2
1 x0 - x
y√ ± t α/2(n-2)gl ⋅ S e + (6.10)
n SC x
donde: tα/2(n-2)gl = valor de la distribución t para el nivel de confianza de-
seado y (n-2) grados de libertad
Se = error estándar de estimación
y√ = valor de Y calculado a partir de X a partir de la línea de

regresión

x = la media de los valores de X en los datos de la muestra
SCx = suma de cuadrados de X (véase ecuación 6.9).
Una vez presentada la ecuación 6.10, se puede desarrollar estima-

ciones del intervalo de confianza para el problema que se ha venido comen-
tando. Por ejemplo, si se desea una estimación del intervalo con 95% de
confianza de la elasticidad promedio real para una temperatura de fabrica-
ción de 145 grados, se calcula lo siguiente:
y√ = 76,79167 + 0, 40278(145) = 135, 2
Además, tα/2(n-2)gl = 3,3554
x = 147
x0=145
SCx = 9.360
Por tanto,
2
1 (145 − 147)
135,2 ± 3,3554 ( 4,94378) +
10 9.360
135,2 ± 16,588 0,10
135,2 ± 16,588(0,316)
135,2 ± 5,24
De modo que:
130.0 < µ y x0 < 140.4
Por consiguiente, se estima que la elasticidad promedio real del

plástico fabricado a 145 grados es entre 130,0 y 140,4. Se tiene 95% de
confianza de que el intervalo estima correctamente la verdadera elasticidad
promedio del plástico.

6.9 Análisis de regresión: comentarios finales
Un problema potencial es tratar de hacer predicciones con relación

a los valores de X que se encuentran fuera de los límites de los datos sobre
los que se calcula la línea de regresión. La linearidad de la relación no siem-
pre se extiende a esta región, haciendo que una predicción realizada a par-
tir de esta extensión muestre un grave error. Es muy posible que un mode-
lo que ajusta bien en la región de los datos originales ya no se ajuste igual
fuera de esa región.
Por último, cuando un diagrama de dispersión indica que una rela-
ción posiblemente no sea lineal, puede incluir un término X2 en la ecuación,
por ejemplo:
y√1 = b0 + b1x + b2 x 2
quizá dividirlo en varios intervalos de X y luego calcular una ecuación de mí-

nimos cuadrados para cada uno de los intervalos. La alternativa consiste en
el análisis de regresión no lineal, la cual rebasa el ámbito de este libro. Con
todo, una alternativa práctica es emplear varias líneas de regresión para
aproximar una relación no lineal.
6.10 Análisis de correlación lineal
En las anteriores secciones fueron estudiados los aspectos básicos

de la identificación de la naturaleza de una relación lineal ajustada a un con-
junto de datos para dos variables. Así pues, es necesario definir una medi-
da de la relación entre ellas, y que no esté afectada por los cambios de uni-
dad de medida. Una forma posible de conseguir este objetivo es dividir la
covarianza3 por el producto de las desviaciones estándares de cada varia-
ble, ya que así se obtiene un coeficiente adimensional, r, que se denomina
coeficiente de correlación lineal de Pearson (véase la fórmula de cálculo en
la ecuación 6.11).
S xy
r=
Sx Sy
3 La covarianza es una medida de la variación conjunta (covariación) de las variables X e

Y. Esta medida no debe ser utilizada de modo exclusivo para medir la relación entre las
dos variables, ya que es sensible al cambio de unidad de medida.

El coeficiente de correlación lineal posee las siguientes propiedades:
• Es invariante para transformaciones lineales (cambio de origen

y escala) de las variables.
• Sólo toma valores comprendidos entre –1 y 1, −1 ≤ r ≤ 1
• Carece de unidades de medida (adimensional).
• Cuando |r| esté próximo a uno, existe una relación lineal muy
fuerte entre las variables.
• Cuando r≅0, puede afirmarse que no existe relación lineal en-

tre ambas variables.
La figura 1 ilustra una correlación lineal positiva, perfecta, entre X e

Y. Por tanto, hay una asociación perfecta uno a uno entre X e Y, de modo
que Y aumentará en una forma perfectamente predecible según aumenta X.
La gráfica 2 ilustra una correlación negativa perfecta entre X e Y. En es-

te caso, Y disminuirá en una forma perfectamente predecible según aumenta X.
La gráfica 3 y 4 ilustran el caso donde no hay relación entre X e Y.
Según aumenta X no hay cambio en Y o bien, al mantenerse constante X
hay un incremento en Y, de modo que no hay asociación entre el valor de X
y el valor de Y.

Para los datos de temperatura y elasticidad del plástico, se obtiene
una r=0,94 (ver el procedimiento de cálculo en la página 170). El coeficien-
te de correlación indica una asociación positiva alta, es decir, el aumento en
la temperatura de fabricación del plástico tiene una fuerte asociación con el
aumento de la elasticidad del plástico.
Hay que tener presente que la fuerza de asociación no significa
necesariamente causalidad. El simple hecho de que los cambios en X
parezca explicar gran parte de la variación en Y no significa automática-
mente que X sea la causa de Y. En efecto, lo inverso puede suceder o
bien ambas variables pueden ser causadas por una tercera que no ha si-
do identificada.
Algunas veces los altos valores de correlación se registran para va-
riables que, según el sentido común, no parecerían tener relación directa en-
tre sí. Se refieren a correlaciones espurias. Un estudio de correlación proba-
blemente descubre que el tiempo del almacenamiento del químico, guarda
estrecha correlación con el porcentaje de impurezas de ciertas sustancias.
Pero la causalidad en una u otra dirección parece poco probable.
Una segunda consideración es que un alto valor del coeficiente de
correlación puede no indicar realmente una relación muy significativa; por
ejemplo, bastan dos puntos para determinar una recta. Por consiguiente,
con sólo dos puntos de datos, automáticamente se tendría un coeficiente
de correlación igual a +1 o –1. Una recta sería entonces un ajuste perfecto
de los “datos”.
6.11 Análisis colorimétrico
Los ensayos colorimétricos implican la preparación de una serie de

disoluciones estándar y la comparación de la intensidad del color con la pro-
ducida en la solución de concentración desconocida. Esta concentración es
deducida de su absorbancia en comparación con las de las soluciones es-
tándar, medidas en un colorímetro o espectrofotómetro. La relación de ab-
sorbancia a concentración es lineal (ley de Beer) y, como tal, sigue las leyes
que se han discutido antes para la regresión lineal simple.
En colorimetría, la concentración de la sustancia que se está midien-
do es la variable X, y la absorbancia la variable Y. La pendiente es la medi-
da del cambio de absorbancia por unidad de cambio en la concentración, y
la ordenada (a) es la medida del ensayo en blanco.
Hay dos técnicas de uso general en colorimetría. Una implica la in-
terpretación de la concentración desconocida en una curva estándar. La
otra hace uso de la relación entre la solución problema y la estándar, apro-
ximadamente, a la misma concentración. La hipótesis es que la pendiente
de la curva problema es igual a la pendiente de la estándar.

El siguiente ejemplo se desarrolla usando los datos de un análisis ci-
tado en métodos calorimétricos de análisis, de Snell y Snell4.
Sílice (mg) Absorbancia

X Y
0 0,032
0,02 0,135
0,04 0,187
0,06 0,268
0,08 0,359
0,10 0,435
0,12 0,511
El diagrama de dispersión presenta una tendencia marcada en la re-

lación entre sílice y la absorbancia, indicando que un modelo de regresión li-
neal es adecuado para el análisis de la relación entre las dos variables.
Los autores encuentran un contenido de 0,053 mg de silicio en la
muestra cuando usan el método gráfico y de 0,0243 mg cuando utilizan el mé-
todo aritmético. La pendiente de la recta de regresión es 0,971 mg; al aumen-
tar la cantidad sílice en un miligramo, la absorbancia se incrementa en 0,971.
El modelo de regresión lineal permite describir el 94,3% de la variabi-

lidad de la absorbancia utilizando como variable independiente el contenido
de sílice. La correlación entre las variables de estudio, como puede observar-
se en el diagrama de dispersión es positiva o directa y bastante alta (0,97).
4 Snell, F.D. y Snell, C.: Colorimetric Methods of Analysis, 3ª. Edición, vol. 1, pág. 151. Van
Nostranda-Reinhold, Pricenton, New Jersey (1.951).

6.12 Problemas
6.1 Los siguientes datos corresponden al tiempo de secado (en

horas) de cierto barniz y la cantidad de un aditivo (en gramos)
con el que se intenta reducir el tiempo de secado:
Aditivo 1 1,5 2 2,5 3 3,5

Tiempo 2 4 6 8 9 11
a) Construya el diagrama de dispersión.

b) Calcule el coeficiente de correlación.
c) Estime el tiempo de secado del barniz cuando se han utili-
zado 4 gramos del aditivo.
6.2 Los siguientes datos son las mediciones de la velocidad del ai-
re, X, (cm/seg.) y el coeficiente de evaporación (mm2/seg), Y,
de las gotitas de combustible en una turbina de propulsión.
X 20 60 100 140 180 220 260 300 340

Y 0,18 0,37 0,35 0,78 0,56 0,75 1,18 1,36 1,17
a) Ajuste la recta de regresión por el método de mínimos

cuadrado.
b) Calcule e interprete el coeficiente de determinación.
c) Con un nivel de significación de 0,01, ¿hay una relación lineal
entre la velocidad del aire y el coeficiente de evaporación?
6.3 Las materias primas empleadas en la producción de una fibra

sintética son almacenadas en un lugar en donde no se tiene
control sobre la humedad. Las mediciones de la humedad re-
lativa en el lugar de almacenamiento y su contenido en una
muestra de las materias primas (ambas en porcentajes) en 12
días dieron los siguientes resultados:
Humedad 42 35 50 43 48 62 31 36 44 39 55 48
Contenido 12 8 14 9 11 16 7 9 12 10 13 11
a) Encuentre la ecuación de regresión lineal.

b) Interprete la pendiente de la recta en términos del problema.

c) Encuentre un intervalo con un nivel de confianza del 95% pa-
ra el contenido de humedad de las materias primas cuando
la humedad del lugar de almacenamiento es del 40%.
d) Encuentre una estimación de intervalo con 95% de confian-
za para la pendiente real.
6.4 Los datos siguientes se refieren a los días desde la inoculación(X)

y al crecimiento de una colonia de bacterias(Y) en un cultivo.
X 3 6 9 12 15 18
Y 115 147 239 356 579 864
a) Calcule el coeficiente de correlación

b) Calcule e interprete el coeficiente de determinación
c) Interprete la constante de regresión en términos del problema
d) Calcule el error estándar de estimación
6.5 La mayoría de los estudiantes universitarios de física realizan

experimentos para verificar la ley de Hooke. La ley de Hooke
establece que cuando se aplica una fuerza a un cuerpo que es
largo en comparación con su área transversal, el cambio de su
longitud(mm) es proporcional a la fuerza(Kg). En la siguiente ta-
bla se muestran los resultados de un experimento de laborato-
rio. Se usaron seis piezas de alambre de acero de 0,34 mm de
diámetro y 3 m de largo para obtener las mediciones de fuer-
za y cambio de longitud.
Fuerza 29,4 39,2 49,0 58,8 68,6 78,4

Cambio 4,25 5,25 6,50 7,85 8,75 10,0
a) Dibuje el diagrama de dispersión.

b) Ajuste el modelo de regresión lineal.
c) Encuentre un intervalo de confianza del 95% para la pen-
diente de la recta.
d) De acuerdo a la ley de Hooke, la recta debe pasar por el ori-
gen, es decir, la constante debe ser igual a 0. Pruebe esta
hipótesis, use un nivel de significación del 1%.
e) Encuentre una predicción del aumento de longitud de un
alambre de 2 m de largo cuando se le aplica una fuerza de
55 kg. Use un intervalo de predicción del 95%.

6.6 Se considera que el rendimiento de un proceso químico es una
función de la cantidad de catalizador agregada a la reacción.
Se realiza un experimento y se obtienen los siguientes datos:
X= catalizador (lb) Y= rendimiento (%)
X 0,9 14 1,6 1,7 1,8 2,0 2,1 2,3

Y 60,54 63,86 63,76 60,15 66,66 71,66 70,81 65,72
a) Calcule e interprete el coeficiente de regresión lineal.

b) Pruebe la significación de la regresión. α=0,10
c) Calcule e interprete el coeficiente de correlación
6.7 Los siguientes datos pertenecen al residuo de cloro en partes

por millón, que hay en una piscina en diferentes momentos
después de ser tratada con sustancias químicas:
Número de horas 2 4 6 8 10 12 14 16
Residuo (ppm) Cl2 1,8 1,5 1,4 1,1 1,0 0,9 0,7 0,4
a) Determine la bondad de ajuste del modelo de regresión lineal.

b) Encuentre una estimación de intervalo del 99% de confian-
za del residuo de cloro promedio para cinco horas después
del tratamiento químico.
c) Pruebe la significación de la regresión. α=0,05
6.8 El objetivo de un experimento consistió en determinar la rela-

ción entre los porcentajes de manganeso en la resistencia a la
ruptura (pies/libra), obteniéndose los siguientes resultados:
Manganeso 0,1 0,2 1,0 1,2 1,4 3,0 3,2 3,4

Resistencia 26,7 27,5 30,6 34,1 47,8 33,2 20,5 15,4
a) Construya el diagrama de dispersión para verificar la utilidad

del modelo de regresión lineal.
b) Calcule e interprete el coeficiente de determinación.
c) Calcule un intervalo de confianza del 90% para el promedio de
la resistencia cuando el porcentaje de manganeso es 1,35.

6.9 Reversiones inducidas a la independencia por 107 células so-
brevivientes (ergs/bacterias), X, 10-5 de Escherichia coli estrep-
tomicina, Y, dependiente sometida a radiación ultravioleta mo-
nocromática de 2,967 = A longitud de onda.
X Y X Y
13,6 52 39,8 130
13,9 78 40,1 139
21,1 72 43,9 173
25,6 89 51,9 208
26,4 80 53,2 225
30,1 11 265,2 259
a) Construya el diagrama de dispersión.

b) Ajuste la recta de regresión lineal de mínimos cuadrados.
c) Calcule el coeficiente de correlación.
6.10 Un investigador tiene interés de estudiar la elasticidad de cier-

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

b) Pruebe la significación de la temperatura a un nivel de con-
fianza del 95%.
c) Analice la bondad de ajuste de la regresión lineal.
d) Calcule e interprete un intervalo de confianza del 99% para
el promedio de elasticidad a una temperatura de 130.
6.11 De una muestra hipótetica de 10 pacientes en los que se ha re-

cogido los siguientes datos: edad (en años), nivel de colesterol
en plasma sanguíneo (en mg/100 ml) y consumo de grasas sa-
turadas (en gr/semana).

Edad Colesterol Grasas
80 350 35
30 190 40
42 263 15
50 320 20
45 280 35
35 198 50
18 232 70
32 320 40
49 303 45
35 220 35
a) Calcule el coeficiente de correlación lineal entre el nivel de

colesterol y consumo de grasas saturadas.
b) Estime el nivel de colesterol para una persona de 60 años.
Utilice el modelo de regresión lineal.
c) Calcule el coeficiente de determinación para el modelo anterior.
6.12 En una compañía de helados se sospecha que el almacena-

miento del helado a temperaturas bajas durante largos perío-
dos tiene un efecto en la pérdida de peso del producto. En la
planta de almacenamiento de la compañía se obtuvieron los si-
guientes datos:
Pérdida (onzas): 1,01 1,32 1,30 1,06 1,00 1,30 1,26

Tiempo(días): 10 15 25 30 35 40 50
a) Dibuje y comente el diagrama de dispersión.

b) Ajuste un modelo de regresión lineal simple.
c) Interprete el coeficiente de regresión.
d) Estime la pérdida de peso a 20 días de almacenamiento.
6.13 Una muestra de agua contaminada se oxidó a 25°C. El por-

centaje de materia orgánica en la muestra que se oxidó varió
con el tiempo como sigue:
X = tiempo (en días) Y= materia oxidada (%)

X 1 2 3 4 5 6 7 10 12
Y 21 37 50 60 68 75 80 90 99
a) Encuentre la ecuación de regresión lineal.

b) Calcule e interprete el coeficiente de correlación.
c) Estime el porcentaje de materia oxidada a 8 días.
d) Calcule el error estándar del coeficiente regresión.
6.14 Los siguientes datos representan la conductividad térmica del

cloruro de metilo a las temperaturas (°C).
X= temperaturas Y= conductividad térmica
X 100 37,7 65,5 93,3 121,1 148,8 176,6 204,4

Y 0,085 0,103 0,121 0,137 0,155 0,73 0,189 0,207
Estime la conductividad térmica a 211,6 °C.
6.15 En la fabricación de cierto compuesto se sabe que el porcen-

taje de impurezas está relacionado con la temperatura a que
se realiza la mezcla de sus componentes. Se llevó a cabo un
experimento y se encontró la ecuación de regresión:
donde x= temperatura en grados centígrados

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

b) ¿Qué significa en términos del problema la constante de re-
gresión?
c) ¿Cuál sería el porcentaje de impurezas para una temperatu-
ra de 50 °C?
6.16 Un estudiante de química preparó una serie de compuestos

que contienen nitrógeno y oxígeno.

Compuesto Masa de nitrógeno Masa de oxígeno
A 16,8 19,2
B 17,1 39,0
C 33,6 57,3
D 22,5 45,1
E 30,4 50,0
F 35,7 51,8
G 22,6 34,9
Calcule e interprete el coeficiente de correlación entre la masa

de nitrógeno y la masa de oxígeno.
6.17 A continuación se presenta algunas propiedades físicas y quí-

micas de los metales alcalinotérreos.
Elemento Número Masa Punto de Densidad

atómico Atómica congelación
Berilio 4 9,0 11283 1,85
Magnesio 12 24,30 650 1,74
Calcio 20 40,08 851 1,54
Estroncio 38 87,62 757 2,58
Bario 56 137,33 704 3,65
a) Calcule e interprete el coeficiente de determinación entre el

punto de congelación y la densidad de los metales.
b) Ajuste el modelo de regresión lineal entre el número y su ma-
sa atómica.
c) Interprete el coeficiente de regresión de la recta.
d) Pruebe la significancia del modelo. α=0,05
6.18 Un estudiante obtiene los datos que siguen del volumen de ai-
re como función de la temperatura a presión constante:
Temperatura (°C): 16 55 85 103 126 163

Volumen (cm3): 31 35 38 40 43 47
a) Dibuje y comente el diagrama de dispersión.

b) Ajuste un modelo de regresión lineal simple.
c) Interprete el coeficiente de regresión.
d) Estime la el volumen del aire a 70 °C de temperatura.

6.19 Los siguientes datos representan a la viscosidad y tensión su-
perficial de algunas sustancias (10-3).
Viscosidad 0,65 1,20 0,23 1,55 0,652 0,466 0,356

Tensión 2,89 2,23 1,70 7,29 6,99 6,70 6,40
a) Ajuste el modelo de regresión lineal simple.

b) Calcule e interprete el coeficiente de correlación.
c) ¿Qué significa en términos del problema la constante de re-
gresión?
d) ¿Cuál sería la tensión superficial para una viscosidad de 1,0?
6.20 Se determinaron valores para una magnitud experimental Y,

mediante el empleo de varios valores controlados de una va-
riable X. Se esperan que exista una relación lineal. Los datos
obtenidos fueron los siguientes:
X 1 2 6 10 4 5 3 9 8
Y 0,16 0,21 0,26 0,30 0,25 0,23 0,22 0,29 0,27
a) Dibuje el diagrama de dispersión de Y en función de X. Tra-

ce “a ojo” la mejor recta a través de los puntos. Lea él inter-
cepto y calcule la pendiente de su línea.
b) Use el método de método de mínimos cuadrados para ha-
llar el ajuste lineal de los datos. Compare los resultados pa-
ra la pendiente e intercepto con sus estimaciones en a).
c) ¿Qué valor pediría para Y, cuando X=5?. ¿Qué incertidum-
bre habría de agregarle?
6.21 La estandarización del nitrito de sodio se realiza por una valo-

ración de una cantidad pesada de novocaína en solución áci-
da fría. El ácido nitroso realiza la diazotación del grupo amino
de la novocaína y un exceso del mismo forma un anillo azúl
cuando se ensaya en papel de yoduro de almidón. Para mani-
festar el punto final se requiere una cantidad en blanco, de 0,1
– 0,2 ml. Supongamos que un analista pesa seis muestra de
novocaína y valora esta muestra con la solución, defectuosa-
mente estandarizada, de nitrito de sodio, obteniendo los resul-
tados que se muestran a continuación:

Novocaína (mg) Nitrito sódico (ml)
200 7,50
300 11,3
400 14,9
500 17,6
600 22,25
700 26,1
800 29,65
a) Calcule la ecuación lineal que mejor ajusta la relación entre

mililitros de nitrito de sodio y miligramos de novocaína, bajo
las condiciones del experimento.
b) Interprete el coeficiente de regresión.
c) Para conocer la precisión de estos resultados, calcule el
error estándar de estimación.
d) Pruebe si el factor (b) es significativamente diferente de 1,00.
Use α=0,05
e) Pruebe si la ordenada (a) es una medida de la valoración en
blanco. Use α=0,01
6.22 Suponga que un analista efectúa un análisis calorimétrico de

sílice y el ensayo en blanco, le da 0,032 nanómetros de absor-
bancia, y los estándares de 0,02, 0,04 y 0,06 mg, generan los
resultados de absorbancia que a continuación se presentan en
el cuadro siguiente:
Sílice Absorbancia
Mg (X) (Y)
0,00 0,032
0,02 0,135
0,04 0,187
0,06 0,268
Calcule la ecuación de regresión lineal. Interprete la constante

y el coeficiente de regresión.

6.23 La hidrólisis de cierto compuesto orgánico da lugar a un pro-
ducto que es relativamente insoluble. Cuando el 1 por 100 de
los productos de la hidrólisis está presente en la solución, se
forman cristales que impiden su comercialización. Se diseño
un experimento para predecir la durabilidad del producto. La
hidrólisis era una reacción monomolecular y, por tanto, se es-
tudió en función del tiempo (meses).
Tiempo (meses) Hidrólisis (%)

X Y
3 0,220
5 0,255
7 0,304
9 0,402
Analice la conveniencia de utilizar el modelo de regresión li-

neal para describir la hidrólisis en función del tiempo. Poste-
riormente, ajuste el modelo no lineal, log Y=a+bX, análisis
los resultados.
6.24 Los pesos de hidrogenoftalato de potasio, C6H5K04, ( Peso

Molecular 204,23), que se dan a continuación, requieren los
volúmenes de solución de NaOH que se señalan para titularse
al punto final de la fenolftaleína. Analice la bondad de ajuste de
modelo de regresión lineal.
C6H5K04 Solución
gramos NaOH, ml
1,0000 45,64
1,1263 39,25
0,8567 28,75
0,8169 40,00
0,0679 8,96
1,1212 35,62

6.25 Algunas reacciones irreversibles siguen la ecuación de Nernst
razonablemente bien, y como ejemplo se puede citar la reduc-
ción del permanganato. El valor del factor en la ecuación de
Nernst, varía con la temperatura en la siguiente forma:
Temperatura Valor del

°C factor
10 0,05618
15 0,05717
20 0,05816
25 0,05916
30 0,06014
35 0,06114
40 0,06213
Suponiendo un modelo de regresión lineal, estime el valor del

factor a una temperatura de 28°C, utilizando un nivel signifi-
cancia de 1%.
6.26 La calibración de un método espectroquímico dio los siguien-

tes resultados:
Mg plomo 1 2 3 4 5
Absorbancia 0,33 0,55 0,96 1,21 1,47
Calcular la línea recta correspondiente según el método de los

mínimos cuadrados. Una muestra problema presentó una ab-
sorbancia de 0,78. ¿Cuál era su contenido en plomo?
6.27 Una muestra de 1,0255 g de un ácido orgánico soluble en

agua, se disuelve y se diluye con agua hasta un volumen de
exactamente 250 ml. Una alícuota de 25,00 ml se transfiere a
una celda de conductividad y sin ninguna otra dilución, se titu-
la con NaOH 0,1000 Molar. Se obtiene la siguiente informa-
ción, donde R es la resistencia medida en ohms y V es el vo-
lumen de solución de NaOH en mililitros.

R V R V R V
29,4 0,00 32,5 1,80 23,8 3,60
32,6 0,20 31,7 2,00 23,0 3,80
34,1 0,40 31,1 2,20 22,3 4,00
38,0 0,60 30,1 2,40 21,7 4,20
36,9 0,80 29,1 2,60 21,0 4,40
35,8 1,00 27,7 2,80 20,4 4,60
34,9 1,20 26,7 3,00 19,6 4,80
34,1 1,40 25,7 3,20 18,5 5,00
33,3 1,60 24,7 3,40 17,3 5,20
Calcule e interprete el coeficiente de correlación la resisten-

cia(R) y el volumen de solución(V).
6.28 Los datos tabulados representan la variación del voltaje de un

sistema en función de un agente acomplejante, concretamen-
te la variación del potencial de semi-onda de los iones cadmio
en función de la concentración de ion cloruro. Como los poten-
ciales de reducción en los datos polarográficos se toman ne-
gativos, en todos los cálculos arrastramos este signo. Ade-
más, el gráfico que nos interesa es el del potencial de semi-on-
da en función del logaritmo de la concentración del ion acom-
plejante, por lo cual en el cálculo de la constante de regresión
(a) y del coeficiente de regresión (b) tenemos que tomar el lo-
garitmo de esta concentración.
[ ]
Xχ = Log [CI −] Y = E1
2
-1,1938 -0,710
-0,7959 -0,750
-0,5918 -0,772
-0,4949 -0,782
-0,4157 -0,794
-0,3188 -0,808
-0,2396 -0,814
-0,1938 -0,824

a) Calcule la ecuación de regresión lineal.
b) Calcule el error de estimación.
c) Calcular e interpretar el coeficiente de determinación
6.29 Bennett, Brooks y Glasstone (J. Chem. Soc. 1935, 1821) ob-
tuvieron los siguientes resultados en la valoración del fluorofe-
nol en alcohol al 30% a 25° C. Al agregar x ml de NaOH 0.01
Molar a 50,00 ml de una disolución 0,01 Molar del fluorofenol
se obtuvieron los valores de pH siguientes:
ml NaOH 0,01 N 10 15 20 3 040

pH 8,73 9,01 9,20 9,56 10,00
Calcular la constante de disociación del o-fluorofenol. Suponer

que el coeficiente de actividad del ácido no disociado es la unidad.
6.30 En disoluciones acuosas diluidas, el valor de la constante Ho

tiende a aumentar el pH cuando la fuerza iónica tiende a cero.
Para todos los otros disolventes Ho es una constante empírica
que disminuye cuando la acidez de la disolución aumente y
que mide, en una escala logarítmica, el poder de una disolu-
ción o de un disolvente para dar protones a una base no car-
gada (neutra). A continuación se presenta los valores de Ho
para varias mezclas H2SO4H2O:
% H2SO4 en peso Ho
5,96 +0,44
10,59 0,08
15,92 -0,33
23,9 -0,87
31,9 -1,34
41,4 -2,18
50,8 -3,04
75 -6,16
80 -6,85
85 -7,60
90 -8,19
95 -8,75
100 -1,60

a) Ajustar el modelo de regresión lineal a los datos.
b) Calcular la bondad de ajuste del modelo.
c) Calcular e interpretar el coeficiente de correlación.
6.31 La determinación de níquel en aceites vegetales hidrogenados

se puede realizar calcinando la muestra a cenizas, añadiendo
molibdeno como patrón interno y analizando por espectrosco-
pia de emisión.
Ni (ppm) 0,2 0,4 0,6 0,8 1,0

Razón 0,43 0,70 0,9 31,15 1,34
a) Dibujar el diagrama de dispersión.

b) Se encontró que un aceite hidrogenado problema daba una
razón de intensidad de 0,85. ¿determinar la cantidad de níquel
(en ppm.) en dicha muestra, suponga un modelo de regresión
lineal?.
6.32 Se analizaron muestras de mayonesas para determinar su con-

tenido graso; los análisis se efectuaron por un método rápido
(x) y también por el método estándar de la Asociación de Quí-
micos Agrícolas(y).
x 80,5 30,3 25,2 77,4 48,1 38,7 18,6

y 79,3 30,4 26,0 77,9 47,5 35,5 16,7
a) Marcar estos puntos en un diagrama de dispersión y ajustar

al conjunto una línea de regresión utilizando el método de
mínimos cuadrados.
b) Calcule e interprete la bondad de ajuste del modelo.
c) Calcular un intervalo de confianza del 99% para el método
estándar, cuando el método rápido es 50%.
6.33 Curva patrón para una determinación cuantitativa de la espec-

trofotometría de absorción. Se hace la reacción coloreada con
concentraciones conocidas de un compuesto y se mide la
densidad óptica obtenida con distintas concentraciones.
Concentración g/l 0.8 0.9 1.0 1.5 2.8 3.0 4.0 4.5
Densidad óptica 0.09 0.15 0.29 0.30 0.45 0.53 0.60 0.59

Se unen los puntos gráficamente y la figura resultante es una
recta si la coloración obedece a la ley de Beer-Lambert. Dibu-
je el diagrama de dispersión y represente aproximadamente la
recta de regresión lineal.

Apéndice A
Fórmulas Estadísticas
Medidas de posición
Medidas de variabilidad
Muestreo aleatorio simple
Estadístico de prueba de hipótesis
Análisis de regresión lineal simple
Análisis de correlación
MEDIDAS DE POSICIÓN
Datos sin agrupar Datos agrupados

Promedio aritmético de muestras
n k
∑ xi f i
∑ xi i=1
i =1 x =
x= k
∑ fi
n i=1
Promedio ponderado Mediana

n
∑ x i wi n 
 - F i-1 
i =1 2
x= n
M e = Li +  *c
 fi 
∑ wi  
i=1
Mediana para n impar Moda
M e = X  n+ 1  d1 
  M o = Li +  *c
 2   d 1+ d 2 
d 1 = f i − f i− 1
d 2 = f i − f i+ 1
Mediana para n par Percentiles

X n + X n   m. n 
   +1  - F i-1 
2 2  100
Me = Pm = L i +   *c
2  fi 
 
Percentiles
Pm = X  m 
 100 ( n + 1) 
 
Mediana para n par Media armónica

n
xa =
n
xg = x1 . x2 .... x n n 1
∑
i =1 xi
APÉNDICE A Fórmulas Estadísticas • 183

MEDIDAS DE VARIABILIDAD
Datos sin agrupar Datos agrupados

Variancia de una muestra
1 n
∑ (xi − x )
2 1 k
s2x = sx2 = ∑ (x − x) 2 . f i
n − 1 i =1 n − 1 i =1 i
  n  
2
  
2
n  ∑ xi    k
1  2  i= 1   k  ∑ xi f i 
2 1   i=1  
sx = ∑ xi − s 2x = . ∑ x2i f i -
n − 1 i =1 n  n - 1 i=1 n 
   
   
Variancia de la población
( )
1 k 2
1 N
∑ (xi − µ )
2
σ x2 = σ 2x = ∑ xi − µ . f i
N i =1 N i =1
   
2
N    k
2
N  ∑ xi   k  ∑ xi f i  
 i=1   1  i=1  
σ x = .  ∑ x2i -
2 1 σ 2x = .  ∑ xi2 f i -

N i=1 N  N  i=1 N 
   
   
Coeficiente de variación Coeficiente de variación

de una población de una muestra
σx sx
CV x = * 100 CV x = * 100
µ x
MEDIDAS DE VARIABILIDAD ENTRE Y DENTRO DE GRUPOS

Variancia entre grupos Variancia dentro de grupos
k k
2
∑ N i (µi - µ ) ∑ N i σ 2i
i=1 2 i=1
2
σe = σd =
N N
Coeficiente de determinación Promedio total

σ 2e N1 µ1+ N2 µ2 +...+ Nk µ k
R2 = * 100 µ=
σ2 N
Medida de variabilidad para Variancia para variables

muestras pareadas dicotómicas
1 n  s2 = pq
2
sd = .  ∑ d 2i  d i = X 1i - X 2i σ
2
= PQ √√
n -1 i =1 
184 • APÉNDICE A Fórmulas Estadísticas

MUESTREO ALEATORIO SIMPLE
Población finita Población infinita

Variancia del promedio
N - n s 2x s2x
s 2x = . s2x =
N -1 n n
N - n σ 2x 2 = σx
2
σ 2x = . σx
N -1 n n
Variancia de una proporción
2 N - n pq
√√ 2 pq
√√
s p√ = . s p√ =
N -1 n n
N - n PQ PQ
σ 2p√ = . σ 2p√ =
N -1 n n
Tamaño de muestra para la estimación
De un promedio y una proporción poblacional
n1 2
donde n1 =  Zα /2 σ  Z σ
2
n=
n n =  α /2 
1+ 1  d   d 
N
2 2
n1  Z α / 2 PQ   Z α / 2 PQ 
n= donde n1 =   n= 
n  d   
1+ 1    d 
N
Intervalos de confianza para el promedio cuando

la variancia de la población es conocida
N -n σ x σx
x ± Z α / 2* * x ± Zα / 2 *
N -1 n n
Intervalos de confianza para el promedio cuando la variancia
de la población es desconocida y n≤30
sx
x ± t α / 2(n-1)gl *
N - n sx
* x ± t α / 2(n -1)gl *
N -1 n n
Intervalos de confianza para una proporción si np>5 y nq>5
N-n pq
√√ pq
√√
p√ ± Z α/2 * * p√ ± Z α/2 *
N -1 n n

ESTADÍSTICO PARA PRUEBA DE HIPÓTESIS
Promedios Proporciones
Para un promedio: variancia conocida Para una proporción
x-µ p√- P
Z obs = Z obs =
σ PQ
n
n
Para un promedio: Diferencia de proporciones

variancia desconocida
p√1 − p√2
x-µ Z obs =
t obs = p√1 q√1 p√2 q√2
s +
n n1 n2
Diferencia de dos promedios: Otra alternativa de cálculo:

variancia conocida x1 x2
−
n1 n2
x 1 - x2 Z obs =
Z obs = 1 1
2 2
σ 1 σ 2 p(1− p)  − 
+  n1 n2 
n1 n2
x1 + x 2
p=
n1 + n2
Diferencia de dos promedios: variancia desconocida
x1 - x2 n1 n 2 ( n1 + n2 - 2)
t obs = donde k =
( n1 - 1)S 21 + ( n 2 -1)S 22 n1 + n 2
Estadístico de prueba de independen- Estadístico de prueba para

cia y de homogeneidad Ji-Cuadrada muestras pareadas
χ2 = ∑ ∑
(O
rij - E c
ij )2
t obs =
d
i=1 j=1 E ij Sd / n
Ni N j
E ij =
N
186 • APÉNDICE A Fórmulas Estadísticas

REGRESIÓN LINEAL SIMPLE
Constante de regresión Coeficiente regresión lineal

n n n
a = y − bx n ∑ x i yi - ∑ x i ∑ yi
i =1 i=1 i=1
b= 2
n   n
n ∑ x 2i -  ∑ x i
i=1  i=1 
Intervalos de confianza para el Intervalos de confianza para una
promedio de y dado un x0 observación de y dado un x0
( ) ( )
2 2
1 x0 - x 1 x0 - x
y√ ± t α/2(n-2)gl * S e + y√ ± t α/2(n-2)gl * S e 1+ +
n SC x n SC x
Error estándar de estimación Suma de cuadrados de x
2
n n n  n 
∑ y2i - a ∑ yi -b ∑ xi yi n
 ∑ xi 
 i=1 
i=1 i=1 i=1 2
SC x = ∑ x i -
Se = n
n -2 i =1
Inferencia sobre la constante y coeficiente de regresión

Intervalos de confianza Estadístico de prueba de hipótesis
a
1 x2 tc =
a ± t ( n − 2 ) gl S e + 1 x2
n SC x Se +
n SCx
Se
b ± t ( n −2 ) gl b
SC x tc =
Se / SC x
REGRESIÓN LINEAL SIMPLE

Coeficiente de correlación lineal
n n n
n ∑ xi yi - ∑ xi ∑ yi
i=1 i=1 i=1
r=
 n n    n 2 n  
2 2
 n ∑ x2i -  ∑ x i  *  n ∑ y i -  ∑ yi 
 i=1  i=1    i=1  i=1  
  
Estadístico para prueba de hipótesis Coeficiente de correlación parcial

sobre el coeficiente de correlación
r−ρ r12 − r13 r23
t obs = r12 . 3 =
1− r
(1 − r )(1 − r )
2
2 2
13 23
n−2

Apéndice B
Tablas Estadísticas
Tabla 1. Distribución binomial

Tabla 2. Distribución de Poisson
Tabla 3. Distribución normal estandar
Tabla 4. Distribución t de Student
Tabla 5. Distribución ji cuadrada
Tabla 1. Distribución Binomial
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
1 0 0,950 0,900 0,850 0,800 0,750 0,700 0,650 0,600 0,550 0,500 0,450 0,400 0,350 0,300 0,250 0,200 0,150 0,100 0,05
2 0 0,903 0,810 0,723 0,640 0,563 0,490 0,423 0,360 0,303 0,250 0,203 0,160 0,123 0,090 0,063 0,040 0,023 0,010 0,003
1 0,998 0,990 0,978 0,960 0,938 0,910 0,878 0,840 0,798 0,750 0,698 0,640 0,578 0,510 0,438 0,360 0,278 0,190 0,098
3 0 0,857 0,729 0,614 0,512 0,422 0,343 0,275 0,216 0,166 0,125 0,091 0,064 0,043 0,027 0,016 0,008 0,003 0,001 0,000
1 0,993 0,972 0,939 0,896 0,844 0,784 0,718 0,648 0,575 0,500 0,425 0,352 0,282 0,216 0,156 0,104 0,061 0,028 0,007
2 1,000 0,999 0,997 0,992 0,984 0,973 0,957 0,936 0,909 0,875 0,834 0,784 0,725 0,657 0,578 0,488 0,386 0,271 0,143
4 0 0,815 0,656 0,522 0,410 0,316 0,240 0,179 0,130 0,092 0,063 0,041 0,026 0,015 0,008 0,004 0,002 0,001 0,000 0,000
1 0,986 0,948 0,891 0,819 0,738 0,652 0,563 0,475 0,391 0,313 0,242 0,179 0,127 0,084 0,051 0,027 0,012 0,004 0,001
2 1,000 0,996 0,988 0,973 0,949 0,916 0,874 0,821 0,759 0,688 0,609 0,525 0,437 0,348 0,262 0,181 0,110 0,052 0,014
3 1,000 1,000 1,000 0,998 0,996 0,992 0,985 0,974 0,959 0,938 0,909 0,870 0,822 0,760 0,684 0,590 0,478 0,344 0,186
5 0 0,774 0,591 0,444 0,328 0,237 0,168 0,116 0,078 0,050 0,031 0,019 0,010 0,005 0,002 0,001 0,000 0,000 0,000 0,000
1 0,977 0,919 0,835 0,737 0,633 0,528 0,428 0,337 0,256 0,188 0,131 0,087 0,054 0,031 0,016 0,007 0,002 0,001 0,000
2 0,999 0,991 0,973 0,942 0,897 0,837 0,765 0,683 0,593 0,500 0,407 0,317 0,235 0,163 0,104 0,058 0,027 0,009 0,001
3 1,000 1,000 0,998 0,993 0,984 0,969 0,946 0,913 0,869 0,813 0,744 0,663 0,572 0,472 0,367 0,263 0,165 0,082 0,023
4 1,000 1,000 1,000 1,000 0,999 0,998 0,995 0,990 0,982 0,969 0,950 0,922 0,884 0,832 0,763 0,672 0,556 0,410 0,226
6 0 0,735 0,531 0,377 0,262 0,178 0,118 0,075 0,047 0,028 0,016 0,008 0,004 0,002 0,001 0,000 0,000 0,000 0,000 0,000
1 0,967 0,886 0,777 0,655 0,534 0,420 0,319 0,233 0,164 0,109 0,069 0,041 0,022 0,011 0,005 0,002 0,000 0,000 0,000
2 0,998 0,984 0,953 0,901 0,831 0,744 0,647 0,544 0,442 0,344 0,255 0,179 0,117 0,071 0,038 0,017 0,006 0,001 0,000
3 1,000 0,999 0,994 0,983 0,962 0,930 0,883 0,821 0,745 0,656 0,559 0,456 0,353 0,256 0,169 0,099 0,047 0,016 0,002
APÉNDICE B
4 1,000 1,000 1,000 0,998 0,995 0,989 0,978 0,959 0,931 0,891 0,836 0,767 0,681 0,580 0,466 0,345 0,224 0,114 0,033
5 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,996 0,992 0,984 0,972 0,953 0,925 0,882 0,822 0,738 0,623 0,469 0,265
7 0 0,698 0,478 0,321 0,210 0,134 0,082 0,049 0,028 0,015 0,008 0,004 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000
1 0,956 0,850 0,717 0,577 0,445 0,329 0,234 0,159 0,102 0,063 0,036 0,019 0,009 0,004 0,001 0,000 0,000 0,000 0,000
2 0,996 0,974 0,926 0,852 0,756 0,647 0,532 0,420 0,316 0,227 0,153 0,096 0,056 0,029 0,013 0,005 0,001 0,000 0,000
3 1,000 0,997 0,988 0,967 0,929 0,874 0,800 0,710 0,608 0,500 0,392 0,290 0,200 0,126 0,071 0,033 0,012 0,003 0,000
4 1,000 1,000 0,999 0,995 0,987 0,971 0,944 0,904 0,847 0,773 0,684 0,580 0,468 0,353 0,244 0,148 0,074 0,026 0,004
5 1,000 1,000 1,000 1,000 0,999 0,996 0,991 0,981 0,964 0,938 0,898 0,841 0,766 0,671 0,555 0,423 0,283 0,150 0,044
6 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,996 0,992 0,985 0,972 0,951 0,918 0,867 0,790 0,679 0,522 0,302
Tablas Estadísticas • 191

n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
8 0 0,663 0,431 0,273 0,168 0,100 0,058 0,032 0,017 0,008 0,004 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1 0,943 0,813 0,657 0,503 0,367 0,255 0,169 0,106 0,063 0,035 0,018 0,009 0,004 0,001 0,000 0,000 0,000 0,000 0,000
2 0,994 0,962 0,895 0,797 0,679 0,552 0,428 0,315 0,220 0,145 0,089 0,050 0,025 0,011 0,004 0,001 0,000 0,000 0,000
3 1,000 0,995 0,979 0,944 0,886 0,806 0,706 0,594 0,477 0,363 0,260 0,174 0,106 0,058 0,027 0,010 0,003 0,000 0,000
192 • APÉNDICE B
4 1,000 1,000 0,997 0,990 0,973 0,942 0,894 0,826 0,740 0,637 0,523 0,406 0,294 0,194 0,114 0,056 0,021 0,005 0,000
5 1,000 1,000 1,000 0,999 0,996 0,989 0,975 0,950 0,912 0,856 0,780 0,685 0,572 0,448 0,322 0,203 0,105 0,038 0,006
6 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,992 0,982 0,965 0,937 0,894 0,831 0,745 0,633 0,497 0,343 0,187 0,057
7 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,996 0,992 0,983 0,968 0,942 0,900 0,832 0,728 0,570 0,337
9 0 0,630 0,387 0,232 0,134 0,075 0,040 0,021 0,010 0,005 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1 0,929 0,775 0,600 0,436 0,300 0,196 0,121 0,071 0,039 0,020 0,009 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000
2 0,992 0,947 0,859 0,738 0,601 0,463 0,337 0,232 0,150 0,090 0,050 0,025 0,011 0,004 0,001 0,000 0,000 0,000 0,000
3 0,999 0,992 0,966 0,914 0,834 0,730 0,609 0,483 0,361 0,254 0,166 0,099 0,054 0,025 0,010 0,003 0,001 0,000 0,000
4 1,000 0,999 0,994 0,980 0,951 0,901 0,828 0,733 0,621 0,500 0,379 0,267 0,172 0,099 0,049 0,020 0,006 0,001 0,000
5 1,000 1,000 0,999 0,997 0,990 0,975 0,946 0,901 0,834 0,746 0,639 0,517 0,391 0,270 0,166 0,086 0,034 0,008 0,001
6 1,000 1,000 1,000 1,000 0,999 0,996 0,989 0,975 0,950 0,910 0,851 0,768 0,663 0,537 0,399 0,262 0,141 0,053 0,008
7 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,991 0,981 0,962 0,930 0,879 0,804 0,700 0,564 0,401 0,225 0,071
8 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,995 0,990 0,979 0,960 0,925 0,866 0,768 0,613 0,370
10 0 0,599 0,349 0,197 0,107 0,056 0,028 0,014 0,006 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1 0,914 0,736 0,544 0,376 0,244 0,149 0,086 0,046 0,023 0,011 0,005 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000
2 0,989 0,930 0,820 0,678 0,526 0,383 0,262 0,167 0,100 0,055 0,027 0,012 0,005 0,002 0,000 0,000 0,000 0,000 0,000
3 0,999 0,987 0,950 0,879 0,776 0,650 0,514 0,382 0,266 0,172 0,102 0,055 0,026 0,011 0,004 0,001 0,000 0,000 0,000
4 1,000 0,998 0,990 0,967 0,922 0,850 0,752 0,633 0,504 0,377 0,262 0,166 0,095 0,047 0,020 0,006 0,001 0,000 0,000
5 1,000 1,000 0,999 0,994 0,980 0,953 0,905 0,834 0,738 0,623 0,496 0,367 0,249 0,150 0,078 0,033 0,010 0,002 0,000
6 1,000 1,000 1,000 0,999 0,997 0,989 0,974 0,945 0,898 0,828 0,734 0,618 0,486 0,350 0,224 0,121 0,050 0,013 0,001
7 1,000 1,000 1,000 1,000 1,000 0,998 0,995 0,988 0,973 0,945 0,900 0,833 0,738 0,617 0,474 0,322 0,180 0,070 0,012
8 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,996 0,989 0,977 0,954 0,914 0,851 0,756 0,624 0,456 0,264 0,086
9 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,994 0,987 0,972 0,944 0,893 0,803 0,651 0,401
11 0 0,569 0,314 0,167 0,086 0,042 0,020 0,009 0,004 0,001 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1 0,898 0,697 0,492 0,322 0,197 0,113 0,061 0,030 0,014 0,006 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
2 0,985 0,910 0,779 0,617 0,455 0,313 0,200 0,119 0,065 0,033 0,015 0,006 0,002 0,001 0,000 0,000 0,000 0,000 0,000
3 0,998 0,982 0,931 0,839 0,713 0,570 0,426 0,296 0,191 0,113 0,061 0,029 0,012 0,004 0,001 0,000 0,000 0,000 0,000
4 1,000 0,997 0,984 0,950 0,885 0,790 0,668 0,533 0,397 0,274 0,174 0,099 0,050 0,022 0,008 0,002 0,000 0,000 0,000
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
5 1,000 1,000 0,997 0,988 0,966 0,922 0,851 0,754 0,633 0,500 0,367 0,247 0,149 0,078 0,034 0,012 0,003 0,000 0,000
6 1,000 1,000 1,000 0,998 0,992 0,978 0,950 0,901 0,826 0,726 0,603 0,467 0,332 0,210 0,115 0,050 0,016 0,003 0,000
7 1,000 1,000 1,000 1,000 0,999 0,996 0,988 0,971 0,939 0,887 0,809 0,704 0,574 0,430 0,287 0,161 0,069 0,019 0,002
8 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,994 0,985 0,967 0,935 0,881 0,800 0,687 0,545 0,383 0,221 0,090 0,015
9 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,994 0,986 0,970 0,939 0,887 0,803 0,678 0,508 0,303 0,102
10 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,991 0,980 0,958 0,914 0,833 0,686 0,431
12 0 0,540 0,282 0,142 0,069 0,032 0,014 0,006 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1 0,882 0,659 0,444 0,275 0,158 0,085 0,042 0,020 0,008 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
2 0,980 0,889 0,736 0,558 0,391 0,253 0,151 0,083 0,042 0,019 0,008 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000
3 0,998 0,974 0,908 0,795 0,649 0,493 0,347 0,225 0,135 0,073 0,036 0,015 0,006 0,002 0,000 0,000 0,000 0,000 0,000
4 1,000 0,996 0,976 0,927 0,842 0,724 0,583 0,438 0,304 0,194 0,112 0,057 0,026 0,010 0,003 0,001 0,000 0,000 0,000
5 1,000 1,000 0,995 0,981 0,946 0,882 0,787 0,665 0,527 0,387 0,261 0,158 0,085 0,039 0,014 0,004 0,001 0,000 0,000
6 1,000 1,000 0,999 0,996 0,986 0,961 0,915 0,842 0,739 0,613 0,473 0,335 0,213 0,118 0,054 0,019 0,005 0,001 0,000
7 1,000 1,000 1,000 0,999 0,997 0,991 0,975 0,943 0,888 0,806 0,696 0,562 0,417 0,276 0,158 0,073 0,024 0,004 0,000
8 1,000 1,000 1,000 1,000 1,000 0,998 0,994 0,985 0,964 0,927 0,866 0,775 0,653 0,508 0,351 0,205 0,092 0,026 0,002
9 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,992 0,981 0,958 0,917 0,849 0,747 0,609 0,442 0,264 0,111 0,020
10 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,992 0,980 0,958 0,915 0,842 0,725 0,557 0,341 0,118
11 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,994 0,986 0,968 0,931 0,858 0,718 0,460
13 0 0,513 0,254 0,121 0,055 0,024 0,010 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1 0,865 0,621 0,398 0,234 0,127 0,064 0,030 0,013 0,005 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
2 0,976 0,866 0,692 0,502 0,333 0,203 0,113 0,058 0,027 0,011 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
3 0,997 0,966 0,882 0,747 0,584 0,421 0,278 0,169 0,093 0,046 0,020 0,008 0,003 0,001 0,000 0,000 0,000 0,000 0,000
4 1,000 0,994 0,966 0,901 0,794 0,654 0,501 0,353 0,228 0,133 0,070 0,032 0,013 0,004 0,001 0,000 0,000 0,000 0,000
5 1,000 0,999 0,993 0,970 0,920 0,835 0,716 0,574 0,427 0,291 0,179 0,098 0,046 0,018 0,006 0,001 0,000 0,000 0,000
APÉNDICE B
6 1,000 1,000 0,999 0,993 0,976 0,938 0,871 0,771 0,644 0,500 0,356 0,229 0,130 0,062 0,024 0,007 0,001 0,000 0,000
7 1,000 1,000 1,000 0,999 0,994 0,982 0,954 0,902 0,821 0,710 0,573 0,426 0,284 0,165 0,080 0,030 0,008 0,001 0,000
8 1,000 1,000 1,000 1,000 0,999 0,996 0,987 0,968 0,930 0,867 0,772 0,647 0,500 0,346 0,206 0,099 0,034 0,007 0,000
9 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,992 0,980 0,954 0,907 0,831 0,722 0,579 0,416 0,253 0,118 0,034 0,003
10 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,989 0,973 0,942 0,887 0,798 0,667 0,498 0,308 0,134 0,025
11 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,995 0,987 0,970 0,936 0,873 0,766 0,602 0,379 0,135
12 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,990 0,976 0,945 0,879 0,746 0,487

n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
14 0 0,488 0,229 0,103 0,044 0,018 0,007 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1 0,847 0,585 0,357 0,198 0,101 0,048 0,021 0,008 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
2 0,970 0,842 0,648 0,448 0,281 0,161 0,084 0,040 0,017 0,007 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
3 0,996 0,956 0,854 0,698 0,521 0,355 0,221 0,124 0,063 0,029 0,011 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000
194 • APÉNDICE B
4 1,000 0,991 0,953 0,870 0,742 0,584 0,423 0,279 0,167 0,090 0,043 0,018 0,006 0,002 0,000 0,000 0,000 0,000 0,000
5 1,000 0,999 0,989 0,956 0,888 0,781 0,641 0,486 0,337 0,212 0,119 0,058 0,024 0,008 0,002 0,000 0,000 0,000 0,000
6 1,000 1,000 0,998 0,988 0,962 0,907 0,816 0,693 0,546 0,395 0,259 0,150 0,075 0,032 0,010 0,002 0,000 0,000 0,000
7 1,000 1,000 1,000 0,998 0,990 0,969 0,925 0,850 0,741 0,605 0,454 0,308 0,184 0,093 0,038 0,012 0,002 0,000 0,000
8 1,000 1,000 1,000 1,000 0,998 0,992 0,976 0,942 0,881 0,788 0,663 0,514 0,360 0,220 0,112 0,044 0,012 0,002 0,000
9 1,000 1,000 1,000 1,000 1,000 0,998 0,994 0,983 0,957 0,910 0,833 0,721 0,577 0,416 0,259 0,130 0,047 0,009 0,000
10 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,989 0,971 0,937 0,876 0,780 0,645 0,479 0,302 0,147 0,044 0,004
11 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,994 0,983 0,960 0,916 0,839 0,719 0,552 0,352 0,158 0,030
12 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,992 0,980 0,953 0,899 0,802 0,643 0,415 0,153
13 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,993 0,982 0,956 0,897 0,771 0,512
15 0 0,463 0,206 0,087 0,035 0,013 0,005 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1 0,829 0,549 0,319 0,167 0,080 0,035 0,014 0,005 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
2 0,964 0,816 0,604 0,398 0,236 0,127 0,062 0,027 0,011 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
3 0,995 0,944 0,823 0,648 0,461 0,297 0,173 0,091 0,042 0,018 0,006 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000
4 0,999 0,987 0,938 0,836 0,687 0,516 0,352 0,217 0,120 0,059 0,026 0,009 0,003 0,001 0,000 0,000 0,000 0,000 0,000
5 1,000 0,998 0,983 0,939 0,852 0,722 0,564 0,403 0,261 0,151 0,077 0,034 0,012 0,004 0,001 0,000 0,000 0,000 0,000
6 1,000 1,000 0,996 0,982 0,943 0,869 0,755 0,610 0,452 0,304 0,182 0,095 0,042 0,015 0,004 0,001 0,000 0,000 0,000
7 1,000 1,000 0,999 0,996 0,983 0,950 0,887 0,787 0,654 0,500 0,347 0,213 0,113 0,050 0,017 0,004 0,001 0,000 0,000
8 1,000 1,000 1,000 0,999 0,996 0,985 0,958 0,905 0,818 0,696 0,548 0,390 0,245 0,131 0,057 0,018 0,004 0,000 0,000
9 1,000 1,000 1,000 1,000 0,999 0,996 0,988 0,966 0,923 0,849 0,739 0,597 0,436 0,278 0,148 0,061 0,017 0,002 0,000
10 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,991 0,975 0,941 0,880 0,783 0,648 0,485 0,314 0,164 0,062 0,013 0,001
11 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,994 0,982 0,958 0,910 0,827 0,703 0,539 0,352 0,177 0,056 0,006
12 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,989 0,973 0,938 0,873 0,764 0,602 0,396 0,184 0,036
13 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,995 0,986 0,965 0,920 0,833 0,681 0,451 0,171
14 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,995 0,987 0,965 0,913 0,794 0,537
16 0 0,440 0,185 0,074 0,028 0,010 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1 0,811 0,515 0,284 0,141 0,064 0,026 0,010 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
2 0,957 0,789 0,561 0,352 0,197 0,099 0,045 0,018 0,007 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
3 0,993 0,932 0,790 0,598 0,405 0,246 0,134 0,065 0,028 0,011 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
4 0,999 0,983 0,921 0,798 0,630 0,450 0,289 0,167 0,085 0,038 0,015 0,005 0,001 0,000 0,000 0,000 0,000 0,000 0,000
5 1,000 0,997 0,977 0,918 0,810 0,660 0,490 0,329 0,198 0,105 0,049 0,019 0,006 0,002 0,000 0,000 0,000 0,000 0,000
6 1,000 1,000 0,994 0,973 0,920 0,825 0,688 0,527 0,366 0,227 0,124 0,058 0,023 0,007 0,002 0,000 0,000 0,000 0,000
7 1,000 1,000 0,999 0,993 0,973 0,926 0,841 0,716 0,563 0,402 0,256 0,142 0,067 0,026 0,008 0,002 0,000 0,000 0,000
8 1,000 1,000 1,000 0,999 0,993 0,974 0,933 0,858 0,744 0,598 0,437 0,284 0,159 0,074 0,027 0,007 0,001 0,000 0,000
9 1,000 1,000 1,000 1,000 0,998 0,993 0,977 0,942 0,876 0,773 0,634 0,473 0,312 0,175 0,080 0,027 0,006 0,001 0,000
10 1,000 1,000 1,000 1,000 1,000 0,998 0,994 0,981 0,951 0,895 0,802 0,671 0,510 0,340 0,190 0,082 0,024 0,003 0,000
11 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,995 0,985 0,962 0,915 0,833 0,711 0,550 0,370 0,202 0,079 0,017 0,001
12 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,989 0,972 0,935 0,866 0,754 0,595 0,402 0,210 0,068 0,007
13 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,993 0,982 0,955 0,901 0,803 0,648 0,439 0,211 0,043
14 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,990 0,974 0,937 0,859 0,716 0,485 0,189
15 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,990 0,972 0,926 0,815 0,560
17 0 0,418 0,167 0,063 0,023 0,008 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1 0,792 0,482 0,253 0,118 0,050 0,019 0,007 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
2 0,950 0,762 0,520 0,310 0,164 0,077 0,033 0,012 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
3 0,991 0,917 0,756 0,549 0,353 0,202 0,103 0,046 0,018 0,006 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
4 0,999 0,978 0,901 0,758 0,574 0,389 0,235 0,126 0,060 0,025 0,009 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000
5 1,000 0,995 0,968 0,894 0,765 0,597 0,420 0,264 0,147 0,072 0,030 0,011 0,003 0,001 0,000 0,000 0,000 0,000 0,000
6 1,000 0,999 0,992 0,962 0,893 0,775 0,619 0,448 0,290 0,166 0,083 0,035 0,012 0,003 0,001 0,000 0,000 0,000 0,000
7 1,000 1,000 0,998 0,989 0,960 0,895 0,787 0,641 0,474 0,315 0,183 0,092 0,038 0,013 0,003 0,001 0,000 0,000 0,000
8 1,000 1,000 1,000 0,997 0,988 0,960 0,901 0,801 0,663 0,500 0,337 0,199 0,099 0,040 0,012 0,003 0,000 0,000 0,000
9 1,000 1,000 1,000 1,000 0,997 0,987 0,962 0,908 0,817 0,686 0,526 0,360 0,213 0,105 0,040 0,011 0,002 0,000 0,000
10 1,000 1,000 1,000 1,000 0,999 0,997 0,988 0,965 0,917 0,834 0,710 0,552 0,381 0,225 0,107 0,038 0,008 0,001 0,000
11 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,989 0,970 0,928 0,853 0,736 0,580 0,403 0,235 0,106 0,032 0,005 0,000
APÉNDICE B
12 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,991 0,976 0,940 0,874 0,765 0,611 0,426 0,242 0,099 0,022 0,001
13 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,994 0,982 0,954 0,897 0,798 0,647 0,451 0,244 0,083 0,009
14 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,988 0,967 0,923 0,836 0,690 0,480 0,238 0,050
15 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,993 0,981 0,950 0,882 0,748 0,518 0,208
16 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,993 0,978 0,937 0,833 0,582
18 0 0,397 0,150 0,054 0,018 0,006 0,002 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1 0,774 0,450 0,224 0,099 0,040 0,014 0,005 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
2 0,942 0,734 0,480 0,271 0,135 0,060 0,024 0,008 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000

n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
3 0,989 0,902 0,720 0,501 0,306 0,165 0,078 0,033 0,012 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
4 0,999 0,972 0,879 0,716 0,519 0,333 0,189 0,094 0,041 0,015 0,005 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
5 1,000 0,994 0,958 0,867 0,718 0,534 0,355 0,209 0,108 0,048 0,018 0,006 0,001 0,000 0,000 0,000 0,000 0,000 0,000
6 1,000 0,999 0,988 0,949 0,861 0,722 0,549 0,374 0,226 0,119 0,054 0,020 0,006 0,001 0,000 0,000 0,000 0,000 0,000
196 • APÉNDICE B
7 1,000 1,000 0,997 0,984 0,943 0,859 0,728 0,563 0,392 0,240 0,128 0,058 0,021 0,006 0,001 0,000 0,000 0,000 0,000
8 1,000 1,000 1,000 0,996 0,981 0,940 0,861 0,737 0,578 0,407 0,253 0,135 0,060 0,021 0,005 0,001 0,000 0,000 0,000
9 1,000 1,000 1,000 0,999 0,995 0,979 0,940 0,865 0,747 0,593 0,422 0,263 0,139 0,060 0,019 0,004 0,001 0,000 0,000
10 1,000 1,000 1,000 1,000 0,999 0,994 0,979 0,942 0,872 0,760 0,609 0,437 0,272 0,141 0,057 0,016 0,003 0,000 0,000
11 1,000 1,000 1,000 1,000 1,000 0,999 0,994 0,980 0,946 0,881 0,774 0,626 0,451 0,278 0,139 0,051 0,012 0,001 0,000
12 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,994 0,982 0,952 0,892 0,791 0,645 0,466 0,283 0,133 0,042 0,006 0,000
13 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,995 0,985 0,959 0,906 0,811 0,667 0,481 0,284 0,121 0,028 0,002
14 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,988 0,967 0,922 0,835 0,694 0,499 0,280 0,098 0,011
15 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,992 0,976 0,940 0,865 0,729 0,520 0,266 0,058
16 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,995 0,986 0,961 0,901 0,776 0,550 0,227
17 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,994 0,982 0,946 0,850 0,603
19 0 0,377 0,135 0,046 0,014 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1 0,755 0,420 0,199 0,083 0,031 0,010 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
2 0,934 0,705 0,441 0,237 0,111 0,046 0,017 0,006 0,002 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
3 0,987 0,885 0,684 0,455 0,263 0,133 0,059 0,023 0,008 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
4 0,998 0,965 0,856 0,673 0,465 0,282 0,150 0,070 0,028 0,010 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000
5 1,000 0,991 0,946 0,837 0,668 0,474 0,297 0,163 0,078 0,032 0,011 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000
6 1,000 0,998 0,984 0,932 0,825 0,666 0,481 0,308 0,173 0,084 0,034 0,012 0,003 0,001 0,000 0,000 0,000 0,000 0,000
7 1,000 1,000 0,996 0,977 0,923 0,818 0,666 0,488 0,317 0,180 0,087 0,035 0,011 0,003 0,001 0,000 0,000 0,000 0,000
8 1,000 1,000 0,999 0,993 0,971 0,916 0,815 0,668 0,494 0,324 0,184 0,089 0,035 0,011 0,002 0,000 0,000 0,000 0,000
9 1,000 1,000 1,000 0,998 0,991 0,967 0,913 0,814 0,671 0,500 0,329 0,186 0,088 0,033 0,009 0,002 0,000 0,000 0,000
10 1,000 1,000 1,000 1,000 0,998 0,990 0,965 0,912 0,816 0,676 0,506 0,333 0,186 0,084 0,029 0,007 0,001 0,000 0,000
11 1,000 1,000 1,000 1,000 1,000 0,997 0,989 0,965 0,913 0,820 0,683 0,512 0,334 0,182 0,078 0,023 0,004 0,000 0,000
12 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,988 0,966 0,917 0,827 0,692 0,519 0,335 0,175 0,068 0,016 0,002 0,000
13 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,989 0,968 0,922 0,837 0,703 0,526 0,332 0,163 0,054 0,009 0,000
14 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,990 0,972 0,930 0,850 0,718 0,535 0,327 0,144 0,035 0,002
15 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,992 0,977 0,941 0,867 0,737 0,545 0,316 0,115 0,013
16 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,995 0,983 0,954 0,889 0,763 0,559 0,295 0,067
17 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,990 0,969 0,917 0,802 0,580 0,245
18 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,986 0,954 0,865 0,623
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
20 0 0,359 0,122 0,039 0,012 0,003 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
1 0,736 0,392 0,176 0,069 0,024 0,008 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
2 0,925 0,677 0,405 0,206 0,091 0,036 0,012 0,004 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
3 0,984 0,867 0,648 0,411 0,225 0,107 0,044 0,016 0,005 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
4 0,997 0,957 0,830 0,630 0,415 0,238 0,118 0,051 0,019 0,006 0,002 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
5 1,000 0,989 0,933 0,804 0,617 0,416 0,245 0,126 0,055 0,021 0,006 0,002 0,000 0,000 0,000 0,000 0,000 0,000 0,000
6 1,000 0,998 0,978 0,913 0,786 0,608 0,417 0,250 0,130 0,058 0,021 0,007 0,002 0,000 0,000 0,000 0,000 0,000 0,000
7 1,000 1,000 0,994 0,968 0,898 0,772 0,601 0,416 0,252 0,132 0,058 0,021 0,006 0,001 0,000 0,000 0,000 0,000 0,000
8 1,000 1,000 0,999 0,990 0,959 0,887 0,762 0,596 0,414 0,252 0,131 0,057 0,020 0,005 0,001 0,000 0,000 0,000 0,000
9 1,000 1,000 1,000 0,997 0,986 0,952 0,878 0,755 0,591 0,412 0,249 0,128 0,053 0,017 0,004 0,001 0,000 0,000 0,000
10 1,000 1,000 1,000 0,999 0,996 0,983 0,947 0,873 0,751 0,588 0,409 0,245 0,122 0,048 0,014 0,003 0,000 0,000 0,000
11 1,000 1,000 1,000 1,000 0,999 0,995 0,980 0,944 0,869 0,748 0,586 0,404 0,238 0,113 0,041 0,010 0,001 0,000 0,000
12 1,000 1,000 1,000 1,000 1,000 0,999 0,994 0,979 0,942 0,868 0,748 0,584 0,399 0,228 0,102 0,032 0,006 0,000 0,000
13 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,994 0,979 0,942 0,870 0,750 0,583 0,392 0,214 0,087 0,022 0,002 0,000
14 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,994 0,979 0,945 0,874 0,755 0,584 0,383 0,196 0,067 0,011 0,000
15 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,994 0,981 0,949 0,882 0,763 0,585 0,370 0,170 0,043 0,003
16 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,995 0,984 0,956 0,893 0,775 0,589 0,352 0,133 0,016
17 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,988 0,965 0,909 0,794 0,595 0,323 0,076
18 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,998 0,992 0,976 0,931 0,824 0,608 0,264
19 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,989 0,961 0,878 0,642
APÉNDICE B
Tabla 2. Distribución de Poisson
X 0,01 0,05 0,10 0,20 0,30 0,40 0,50 0,60

0 0,9900 0,9512 0,9048 0,8187 0,7408 0,6703 0,6065 0,5488
1 1,0000 0,9988 0,9953 0,9825 0,9631 0,9384 0,9098 0,8781
2 1,0000 1,0000 0,9998 0,9989 0,9964 0,9921 0,9856 0,9769
3 1,0000 1,0000 1,0000 ,9999 0,9997 0,9992 0,9982 0,9966
4 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9996
5 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
X 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40

0 0,4966 0,4493 0,4066 0,3679 0,3329 0,3012 0,2725 0,2466
1 0,8442 0,8088 0,7725 0,7358 0,6990 0,6626 0,6268 0,5918
2 0,9659 0,9526 0,9371 0,9197 0,9004 0,8795 0,8571 0,8335
3 0,9942 0,9909 0,9865 0,9810 0,9743 0,9662 0,9569 0,9463
4 0,9992 0,9986 0,9977 0,9963 0,9946 0,9923 0,9893 0,9857
5 0,9999 0,9998 0,9997 0,9994 0,9990 0,9985 0,9978 0,9968
6 1,0000 1,0000 1,0000 0,9999 0,9999 0,9997 0,9996 0,9994
7 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
X 1,50 1,60 1,70 1,80 1,90 2,00 2,10 2,20

0 0,2231 0,2019 0,1827 0,1653 0,1496 0,1353 0,1225 0,1108
1 0,5578 0,5249 0,4932 0,4628 0,4337 0,4060 0,3796 0,3546
2 0,8088 0,7834 0,7572 0,7306 0,7037 0,6767 0,6496 0,6227
3 0,9344 0,9212 0,9068 0,8913 0,8747 0,8571 0,8386 0,8194
4 0,9814 0,9763 0,9704 0,9636 0,9559 0,9473 0,9379 0,9275
5 0,9955 0,9940 0,9920 0,9896 0,9868 0,9834 0,9796 0,9751
6 0,9991 0,9987 0,9981 0,9974 0,9966 0,9955 0,9941 0,9925
7 0,9998 0,9997 0,9996 0,9994 0,9992 0,9989 0,9985 0,9980
8 1,0000 1,0000 0,9999 0,9999 0,9998 0,9998 0,9997 0,9995
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
X 2,30 2,40 2,50 2,60 2,70 2,80 2,90 3,00

0 0,1003 0,0907 0,0821 0,0743 0,0672 0,0608 0,0550 0,0498
1 0,3309 0,3084 0,2873 0,2674 0,2487 0,2311 0,2146 0,1991
2 0,5960 0,5697 0,5438 0,5184 0,4936 0,4695 0,4460 0,4232
3 0,7993 0,7787 0,7576 0,7360 0,7141 0,6919 0,6696 0,6472
4 0,9162 0,9041 0,8912 0,8774 0,8629 0,8477 0,8318 0,8153
5 0,9700 0,9643 0,9580 0,9510 0,9433 0,9349 0,9258 0,9161
6 0,9906 0,9884 0,9858 0,9828 0,9794 0,9756 0,9713 0,9665
7 0,9974 0,9967 0,9958 0,9947 0,9934 0,9919 0,9901 0,9881
8 0,9994 0,9991 0,9989 0,9985 0,9981 0,9976 0,9969 0,9962
9 0,9999 0,9998 0,9997 0,9996 0,9995 0,9993 0,9991 0,9989
10 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9998 0,9997
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
198 • APÉNDICE B Tablas Estadísticas

X 3,50 4,00 4,50 5,00 5,50 6,00 6,50 7,00
0 0,0302 0,0183 0,0111 0,0067 0,0041 0,0025 0,0015 0,0009
1 0,1359 0,0916 0,0611 0,0404 0,0266 0,0174 0,0113 0,0073
2 0,3208 0,2381 0,1736 0,1247 0,0884 0,0620 0,0430 0,0296
3 0,5366 0,4335 0,3423 0,2650 0,2017 0,1512 0,1118 0,0818
4 0,7254 0,6288 0,5321 0,4405 0,3575 0,2851 0,2237 0,1730
5 0,8576 0,7851 0,7029 0,6160 0,5289 0,4457 0,3690 0,3007
6 0,9347 0,8893 0,8311 0,7622 0,6860 0,6063 0,5265 0,4497
7 0,9733 0,9489 0,9134 0,8666 0,8095 0,7440 0,6728 0,5987
8 0,9901 0,9786 0,9597 0,9319 0,8944 0,8472 0,7916 0,7291
9 0,9967 0,9919 0,9829 0,9682 0,9462 0,9161 0,8774 0,8305
10 0,9990 0,9972 0,9933 0,9863 0,9747 0,9574 0,9332 0,9015
11 0,9997 0,9991 0,9976 0,9945 0,9890 0,9799 0,9661 0,9467
12 0,9999 0,9997 0,9992 0,9980 0,9955 0,9912 0,9840 0,9730
13 1,0000 0,9999 0,9997 0,9993 0,9983 0,9964 0,9929 0,9872
14 1,0000 1,0000 0,9999 0,9998 0,9994 0,9986 0,9970 0,9943
15 1,0000 1,0000 1,0000 0,9999 0,9998 0,9995 0,9988 0,9976
16 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9996 0,9990
17 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9996
18 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
19 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
20 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
X 7,50 8,00 8,50 9,00 9,50 10,0 15,0 20,0

0 0,0006 0,0003 0,0002 0,0001 0,0001 0,0000 0,0000 0,0000
1 0,0047 0,0030 0,0019 0,0012 0,0008 0,0005 0,0000 0,0000
2 0,0203 0,0138 0,0093 0,0062 0,0042 0,0028 0,0000 0,0000
3 0,0591 0,0424 0,0301 0,0212 0,0149 0,0103 0,0002 0,0000
4 0,1321 0,0996 0,0744 0,0550 0,0403 0,0293 0,0009 0,0000
5 0,2414 0,1912 0,1496 0,1157 0,0885 0,0671 0,0028 0,0001
6 0,3782 0,3134 0,2562 0,2068 0,1649 0,1301 0,0076 0,0003
7 0,5246 0,4530 0,3856 0,3239 0,2687 0,2202 0,0180 0,0008
8 0,6620 0,5925 0,5231 0,4557 0,3918 0,3328 0,0374 0,0021
9 0,7764 0,7166 0,6530 0,5874 0,5218 0,4579 0,0699 0,0050
10 0,8622 0,8159 0,7634 0,7060 0,6453 0,5830 0,1185 0,0108
11 0,9208 0,8881 0,8487 0,8030 0,7520 0,6968 0,1848 0,0214
12 0,9573 0,9362 0,9091 0,8758 0,8364 0,7916 0,2676 0,0390
13 0,9784 0,9658 0,9486 0,9261 0,8981 0,8645 0,3632 0,0661
14 0,9897 0,9827 0,9726 0,9585 0,9400 0,9165 0,4657 0,1049
15 0,9954 0,9918 0,9862 0,9780 0,9665 0,9513 0,5681 0,1565
16 0,9980 0,9963 0,9934 0,9889 0,9823 0,9730 0,6641 0,2211
17 0,9992 0,9984 0,9970 0,9947 0,9911 0,9857 0,7489 0,2970
18 0,9997 0,9993 0,9987 0,9976 0,9957 0,9928 0,8195 0,3814
19 0,9999 0,9997 0,9995 0,9989 0,9980 0,9965 0,8752 0,4703
20 1,0000 0,9999 0,9998 0,9996 0,9991 0,9984 0,9170 0,5591
APÉNDICE B Tablas Estadísticas • 199

Tabla 3. Distribución normal estándar
Z 0,09 0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 0,00
-3,9 0,00005 0,00005 0,00005 0,00005 0,00006 0,00006 0,00006 0,00006 0,00007 0,00007
-3,8 0,00007 0,00007 0,00008 0,00008 0,00008 0,00009 0,00009 0,00010 0,00010 0,00010
-3,7 0,00011 0,00011 0,00012 0,00012 0,00013 0,00013 0,00014 0,00014 0,00015 0,00015
-3,6 0,00016 0,00016 0,00017 0,00018 0,00018 0,00019 0,00020 0,00021 0,00021 0,00022
-3,5 0,00023 0,00024 0,00025 0,00026 0,00027 0,00028 0,00029 0,00030 0,00031 0,00032
-3,4 0,00034 0,00034 0,00036 0,00038 0,00039 0,00040 0,00042 0,00043 0,00045 0,00047
-3,3 0,00048 0,00050 0,00052 0,00054 0,00056 0,00058 0,00060 0,00062 0,00064 0,00066
-3,2 0,00069 0,00071 0,00074 0,00076 0,00079 0,00082 0,00084 0,00087 0,00090 0,00093
-3,1 0,00097 0,00100 0,00103 0,00107 0,00111 0,00114 0,00118 0,00122 0,00126 0,00131
-3,0 0,00100 0,00103 0,00107 0,00111 0,00114 0,00118 0,00122 0,00126 0,00131 0,00135
-2,9 0,00139 0,00144 0,00149 0,00154 0,00159 0,00164 0,00169 0,00175 0,00181 0,00187
-2,8 0,00193 0,00199 0,00205 0,00212 0,00219 0,00226 0,00233 0,00240 0,00248 0,00255
-2,7 0,00263 0,00272 0,00280 0,00289 0,00298 0,00307 0,00317 0,00326 0,00336 0,00347
-2,6 0,00357 0,00368 0,00379 0,00391 0,00402 0,00414 0,00427 0,00440 0,00453 0,00466
-2,5 0,00489 0,00494 0,00508 0,00523 0,00539 0,00554 0,00570 0,00587 0,00604 0,00621
-2,4 0,00639 0,00657 0,00676 0,00695 0,00714 0,00734 0,00755 0,00776 0,00798 0,00820
-2,3 0,00842 0,00866 0,00889 0,00914 0,00939 0,00964 0,00990 0,01017 0,01044 0,01072
-2,2 0,01101 0,01130 0,01160 0,01191 0,01222 0,01254 0,01287 0,01321 0,01355 0,01390
-2,1 0,01426 0,01463 0,01500 0,01539 0,01578 0,01618 0,01659 0,01700 0,01743 0,01786
-2,0 0,01831 0,01876 0,01923 0,01970 0,02018 0,02067 0,02118 0,02169 0,02222 0,02275
-1,9 0,02329 0,02385 0,02442 0,02500 0,02559 0,02619 0,02680 0,02743 0,02807 0,02872
-1,8 0,02938 0,03005 0,03074 0,03144 0,03216 0,03288 0,03362 0,03438 0,03515 0,03593
-1,7 0,03673 0,03754 0,03837 0,03920 0,04006 0,04093 0,04181 0,04272 0,04363 0,04456
-1,6 0,04551 0,04648 0,04746 0,04846 0,04947 0,05050 0,05155 0,05262 0,05370 0,05480
-1,5 0,05592 0,05705 0,05821 0,05938 0,06057 0,06178 0,06301 0,06425 0,06552 0,06681
-1,4 0,06811 0,06944 0,07078 0,07214 0,07353 0,07493 0,07636 0,07780 0,07927 0,08076
-1,3 0,08226 0,08379 0,08534 0,08691 0,08851 0,09012 0,09176 0,09342 0,09510 0,09680
-1,2 0,09852 0,10027 0,10204 0,10383 0,10565 0,10749 0,10935 0,11123 0,11314 0,11507
-1,1 0,11702 0,11900 0,12100 0,12302 0,12507 0,12714 0,12924 0,13136 0,13350 0,13567
-1,0 0,13786 0,14007 0,14231 0,14457 0,14686 0,14917 0,15150 0,15386 0,15625 0,15865
-0,9 0,16109 0,16354 0,16602 0,16853 0,17105 0,17361 0,17619 0,17879 0,18141 0,18406
-0,8 0,18673 0,18943 0,19215 0,19489 0,19766 0,20045 0,20327 0,20611 0,20897 0,21185
-0,7 0,21476 0,21769 0,22065 0,22363 0,22663 0,22965 0,23269 0,23576 0,23885 0,24196
-0,6 0,24510 0,24825 0,25143 0,25463 0,25785 0,26109 0,26435 0,26763 0,27093 0,27425
-0,5 0,27759 0,28096 0,28434 0,28774 0,29116 0,29460 0,29806 0,30153 0,30503 0,30854
-0,4 0,31207 0,31561 0,31918 0,32276 0,32635 0,32997 0,33360 0,33724 0,34090 0,34459
-0,3 0,34827 0,35197 0,35569 0,35942 0,36317 0,36693 0,37070 0,37448 0,37828 0,38209
-0,2 0,38591 0,38974 0,39358 0,39743 0,40129 0,40516 0,40905 0,41294 0,41683 0,42074
-0,1 0,42465 0,42858 0,43250 0,43644 0,44038 0,44433 0,44828 0,45224 0,45620 0,46017
-0,0 0,46414 0,46812 0,47210 0,47609 0,48006 0,48405 0,48803 0,49202 0,49601 0,50000

Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586
0,1 0,53983 0,54395 0,54776 0,55172 0,55567 0,55962 0,56356 0,56750 0,57124 0,57534
0,2 0,57926 0,58617 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3 0,61781 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8 0,78814 0,79103 0,79389 0,79373 0,79955 0,80234 0,80510 0,80785 0,81057 0,81327
0,9 0,81594 0,81859 0,82124 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
1,0 0,84134 0,84375 0,84614 0,84849 0,85083 0,85314 0,85543 0,85769 0,85993 0,86214
1,1 0,86433 0,86650 0,86864 0,87076 0,87286 0,87923 0,87698 0,87900 0,88100 0,88298
1,2 0,88493 0,88686 0,88877 0,89065 0,89251 0,89435 0,89616 0,89796 0,89973 0,90147
1,3 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91308 0,91466 0,91621 0,91774
1,4 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92785 0,92922 0,93056 0,93189
1,5 0,93319 0,93448 0,93574 0,93699 0,93822 0,93943 0,94062 0,94179 0,94295 0,94408
1,6 0,94520 0,94630 0,94738 0,94845 0,94950 0,95053 0,95154 0,95254 0,95352 0,95449
1,7 0,95543 0,95637 0,95728 0,95818 0,95907 0,95994 0,96079 0,96164 0,96246 0,96327
1,8 0,96407 0,96485 0,96562 0,96637 0,96712 0,96784 0,96856 0,96926 0,96995 0,97062
1,9 0,97128 0,97193 0,97257 0,97320 0,97381 0,97441 0,97500 0,97558 0,97615 0,97670
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98299 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99001 0,99036 0,99061 0,99086 0,99110 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99491 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99597 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99830 0,99836 0,99841 0,99846 0,99851 0,99856 0,99860
3,0 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99897 0,99900
3,1 0,99903 0,99906 0,99910 0,99913 0,99916 0,99918 0,99921 0,99924 0,99926 0,99929
3,2 0,99931 0,99934 0,99936 0,99938 0,99940 0,99942 0,99944 0,99946 0,99948 0,99950
3,3 0,99952 0,99953 0,99955 0,99957 0,99958 0,99960 0,99961 0,99962 0,99964 0,99965
3,4 0,99956 0,99968 0,99969 0,99970 0,99971 0,99972 0,99973 0,99974 0,99975 0,99976
3,5 0,99977 0,99978 0,99978 0,99979 0,99980 0,99981 0,99981 0,99982 0,99983 0,99983
3,6 0,99984 0,99985 0,99985 0,99986 0,99986 0,99987 0,99987 0,99988 0,99988 0,99989
3,7 0,99989 0,99990 0,99990 0,99990 0,99991 0,99991 0,99992 0,99992 0,99992 0,99992
3,8 0,99993 0,99993 0,99993 0,99994 0,99994 0,99994 0,99994 0,99995 0,99995 0,99995
3,9 0,99995 0,99995 0,99996 0,99996 0,99996 0,99996 0,99996 0,99996 0,99997 0,99997

Tabla 4. Distribución T-student
Grados de
libertad α=0,25 α=0,10 α=0,075 α=0,05 α=0,025 α=0,01 α=0,005 α=0,0001
1 1,0000 3,0777 4,1653 6,3138 12,7062 31,8217 63,657 318,31
2 0,8165 1,8856 2,2819 2,9200 4,3027 6,9646 9,9248 22,327
3 0,7649 1,6377 1,9243 2,3534 3,1824 4,5407 5,8409 10,215
4 0,7407 1,5332 1,7782 2,1318 2,7764 3,7469 4,6041 7,1732
5 0,7267 1,4759 1,6994 2,0150 2,5706 3,3649 4,0321 5,8934
6 0,7176 1,4398 1,6502 1,9432 2,4469 3,1427 3,7074 5,2076

7 0,7111 1,4149 1,6166 1,8946 2,3646 2,9980 3,4995 4,7853
8 0,7064 1,3968 1,5922 1,8595 2,3060 2,8965 3,3554 4,5008
9 0,7027 1,3830 1,5737 1,8331 2,2622 2,8214 3,2498 4,2968
10 0,6998 1,3722 1,5592 1,8125 2,2281 2,7638 3,1693 4,1437
11 0,6974 1,3634 1,5476 1,7959 2,2010 2,7181 3,1058 4,0247

12 0,6955 1,3562 1,5380 1,7823 2,1788 2,6810 3,0545 3,9296
13 0,6938 1,3502 1,5299 1,7709 2,1604 2,6503 3,0123 3,8520
14 0,6924 1,3450 1,5231 1,7613 2,1448 2,6245 2,9768 3,7874
15 0,6912 1,3406 1,5172 1,7531 2,1314 2,6025 2,9467 3,7328
16 0,6901 1,3368 1,5121 1,7459 2,1199 2,5835 2,9208 3,6862

17 0,6892 1,3334 1,5077 1,7396 2,1098 2,5669 2,8982 3,6458
18 0,6884 1,3304 1,5037 1,7341 2,1009 2,5524 2,8784 3,6105
19 0,6876 1,3277 1,5002 1,7291 2,0930 2,5395 2,8609 3,5794
20 0,6870 1,3253 1,4970 1,7247 2,0860 2,5280 2,8453 3,5518
21 0,6864 1,3232 1,4942 1,7207 2,0796 2,5176 2,8314 3,5272

22 0,6858 1,3212 1,4916 1,7171 2,0739 2,5083 2,8188 3,5050
23 0,6853 1,3195 1,4893 1,7139 2,0687 2,4999 2,8073 3,4850
24 0,6848 1,3178 1,4871 1,7109 2,0639 2,4922 2,7969 3,4668
25 0,6844 1,3163 1,4852 1,7081 2,0595 2,4851 2,7874 3,4502
26 ,6840 1,3150 1,4834 1,7056 2,0555 2,4786 2,7787 3,4350

27 0,6837 1,3137 1,4817 1,7033 2,0518 2,4727 2,7707 3,4210
28 0,6834 1,3125 1,4801 1,7011 2,0484 2,4671 2,7633 3,4082
29 0,6830 1,3114 1,4787 1,6991 2,0452 2,4620 2,7564 3,3962
30 0,6828 1,3104 1,4774 1,6973 2,0423 2,4573 2,7500 3,3852
40 0,6807 1,3031 1,4677 1,6839 2,0211 2,4233 2,7045 3,3069

50 0,6794 1,2987 1,4620 1,6759 2,0086 2,4033 2,6778 3,2614
60 0,6786 1,2958 1,4582 1,6706 2,0003 2,3901 2,6603 3,2317
120 0,6765 1,2886 1,4488 1,6577 1,9799 2,3578 2,6174 3,1595
∞ 0,6745 1,2842 1,4430 1,6496 1,9674 2,3381 2,5913 3,1159

Tabla 5. Distribución Ji-cuadrada
Grados de
libertad a=0,995 a=0,99 a=0,975 a=0,95 a=0,90 a=0,10 a=0,05 a=0,025 a=0,01 a=0,005
1 0,0000 0,0002 0,0010 0,0039 0,0158 2,7055 3,8415 5,0239 6,6349 7,8794
2 0,0100 0,0201 0,0506 0,1026 0,2107 4,6052 5,9915 7,3778 9,2103 10,597
3 0,0717 0,1148 0,2158 0,3518 0,5844 6,2514 7,8147 9,3484 11,345 12,838
4 0,2070 0,2971 0,4844 0,7107 1,0636 7,7794 9,4877 11,143 13,277 14,860
5 0,4117 0,5543 0,8312 1,1455 1,6103 9,2364 11,070 12,833 15,086 16,750
6 0,6757 0,8721 1,2373 1,6354 2,2041 10,645 12,592 14,449 16,812 18,548
7 0,9893 1,2390 1,6899 2,1673 2,8331 12,017 14,067 16,013 18,475 20,278
8 1,3444 1,6465 2,1797 2,7326 3,4895 13,362 15,507 17,535 20,090 21,955
9 1,7349 2,0879 2,7004 3,3251 4,1682 14,684 16,919 19,023 21,666 23,589
10 2,1559 2,5582 3,2470 3,9403 4,8652 15,987 18,307 20,483 23,209 25,188
11 2,6032 3,0535 3,8157 4,5748 5,5778 17,275 19,675 21,920 24,725 26,757
12 3,0738 3,5706 4,4038 5,2260 6,3038 18,549 21,026 23,337 26,217 28,300
13 3,5650 4,1069 5,0088 5,8919 7,0415 19,812 22,362 24,736 27,688 29,819
14 4,0747 4,6604 5,6287 6,5706 7,7895 21,064 23,685 26,119 29,141 31,319
15 4,6009 5,2293 6,2621 7,2609 8,5468 22,307 24,996 27,488 30,578 32,801
16 5,1422 5,8122 6,9077 7,9616 9,3122 23,542 26,296 28,845 32,000 34,267
17 5,6972 6,4078 7,5642 8,6718 10,085 24,769 27,587 30,191 33,409 35,718
18 6,2648 7,0149 8,2307 9,3905 10,865 25,989 28,869 31,526 34,805 37,156
19 6,8440 7,6327 8,9065 10,117 11,651 27,204 30,144 32,852 36,191 38,582
20 7,4338 8,2604 9,5908 10,851 12,443 28,412 31,410 34,170 37,566 39,997
21 8,0337 8,8972 10,283 11,591 13,240 29,615 32,671 35,479 38,932 41,401
22 8,6427 9,5425 10,982 12,338 14,041 30,813 33,924 36,781 40,289 42,796
23 9,2604 10,196 11,689 13,091 14,848 32,007 35,172 38,076 41,638 44,181
24 9,8862 10,856 12,401 13,848 15,659 33,196 36,415 39,364 42,980 45,559
25 10,520 11,524 13,120 14,611 16,473 34,382 37,652 40,646 44,314 46,928
26 11,160 12,198 13,844 15,379 17,292 35,563 38,885 41,923 45,642 48,290
27 11,808 12,879 14,573 16,151 18,114 36,741 40,113 43,195 46,963 49,645
28 12,461 13,565 15,308 16,928 18,939 37,916 41,337 44,461 48,278 50,993
29 13,121 14,256 16,047 17,708 19,768 39,087 42,557 45,722 49,588 52,336
30 13,787 14,953 16,791 18,493 20,599 40,256 43,773 46,979 50,892 53,672
40 20,707 22,164 24,433 26,509 29,051 51,805 55,758 59,342 63,691 66,766
50 27,991 29,707 32,357 34,764 37,689 63,167 67,505 71,420 76,154 79,490
60 35,534 37,485 40,482 43,188 46,459 74,397 79,082 83,298 88,379 91,952
70 43,275 45,442 48,758 51,739 55,329 85,527 90,531 95,023 100,43 104,21
80 51,172 53,540 57,153 60,391 64,278 96,578 101,88 106,63 112,33 116,32
90 59,196 61,754 65,647 69,126 73,291 107,57 113,15 118,14 124,12 128,30
100 67,328 70,065 74,222 77,929 82,358 118,50 124,34 129,56 135,81 140,17

Apéndice C
Glosario
Glosario
Al Azar o Aleatorio. Son todos aquellos eventos fortuitos o pro-

ductos de la suerte.
Aleatoriamente. Actividades o métodos producidos o llevados

a cabo simulando un comportamiento al azar.
Aleatoriedad. Método para controlar las variables extrínse-

cas que comprende la asignación aleatoria
de las unidades de prueba a los grupos ex-
perimentales, con el uso de números aleato-
rios. Las condiciones de tratamiento se asig-
nan al azar a los grupos experimentales.
Alfa (α). Probabilidad de cometer un error de tipo I.
Análisis de Técnica para determinar el grado hasta el cual

correlación lineal. las variables están linealmente asociadas.
Análisis de Procedimiento estadístico para analizar las

regresión. relaciones de relación entre una variable de-
pendiente métrica y una o más variables in-
dependientes.
Análisis de Técnica estadística utilizada para probar la

variancia (ANOVA). igualdad de tres o más medias de población
y, de este modo, hacer inferencias sobre si
las muestras provienen de poblaciones que
tienen la misma media.
Análisis exploratorio Métodos para analizar datos que requieren

de datos. de muy pocas suposiciones principales.
Arreglo de datos. Organización de los datos sin procesar por
observación, tomados en orden descenden-
te o ascendente.
Asimetría. Característica de una distribución que evalúa

su simetría con respecto de la media.
Atributos. Variables cualitativas que sólo poseen cate-

gorías.
Beta (β). Probabilidad de cometer un error de tipo II.
Censo. Conteo completo de los elementos de una

población u objetos de estudio.
Clase de extremo Clase que permite que el extremo superior o

abierto. inferior de un esquema de clasificación cuan-
titativo no tenga límite.
Clase mediana. Clase de una distribución de frecuencias que

contiene el valor mediano de un conjunto de
datos.
Confiabilidad. Grado hasta el cual el proceso de medición

está libre de errores aleatorios.
Correlación. Es una medida de la relación entre dos o más

variables. La correlación puede tomar valores
entre –1 y +1. El valor de –1 representa una
correlación negativa perfecta mientras un va-
lor de +1 representa una correlación perfecta
positiva. Un valor de 0 representa una falta
de correlación.
Curtosis. El grado de agudeza de una distribución de

puntos.
Datos continuos. Datos que pueden pasar de una clase a la

siguiente sin interrumpirse y que pueden
expresarse mediante números enteros o
fraccionarios.
208 • APÉNDICE C Glosario

Datos discretos. Datos que no pasan de una clase a la si-
guiente sin que haya una interrupción; esto
es, en donde las categorías representan va-
lores o cuentas distintas que pueden repre-
sentarse mediante números enteros.
Datos métricos. Datos que tienen naturaleza de intervalo o

razón.
Datos no métricos. Datos que se derivan de una escala nominal

u ordinal.
Datos. Son los valores cualitativos o cuantitativos

mediante los cuales se miden las caracterís-
ticas de los objetos, sucesos o fenómenos a
estudiar.
Dependencia Condición en la que la probabilidad de pre-

estadística. sentación de un evento depende de la pre-
sentación de algún otro evento, o se ve afec-
tada por ésta.
Desviación estándar. Raíz cuadrada positiva de la varianza; medida

de dispersión con las misma unidades que los
datos originales, más bien que en las unida-
des al cuadrado en que está la varianza.
Diagrama de Gráfica de puntos en una red rectangular; las

dispersión. coordenadas X y Y de cada punto corres-
ponden a las dos mediciones hechas sobre
un elemento particular de muestra, y el pa-
trón de puntos ilustra la relación entre las dos
variables.
Distribución Se presenta cuando la distribución de un con

asimétrica. junto de datos resulta con un promedio, una
mediana y una moda con valores diferentes.
Distribución Distribución de puntos de datos en la que

bimodal. dos valores se presentan con mas frecuen-
cias que los demás elementos del conjunto
de datos.
APÉNDICE C Glosario • 209
Distribución Distribución que describe los resultados de
binomial. un experimento conocido como proceso de
Bernoulli.
Distribución de Distribución matemática cuyo objetivo es ob-

frecuencias. tener un conteo del número de respuestas
asociadas con los distintos valores de una
variable y expresar estos conteos en térmi-
nos de porcentajes.
Distribución de Distribución asimétrica cuya forma depende

ji cuadrada. únicamente del número de grados de liber-
tad. Conforme se incrementa el número de
grados de libertad, la distribución de ji cua-
drada se hace más simétrica.
Distribución de La distribución de los valores de la estadísti-

la muestra. ca de una muestra (calculada para cada
muestra posible), que pueda tomarse de la
población meta de acuerdo con un plan de
muestreo específico.
Distribución de Distribución discreta en la que la probabili-

Poisson. dad de presentación de un evento en un in-
tervalo muy pequeño es un número también
pequeño, la probabilidad de que dos o más
de estos eventos se presenten dentro del
mismo intervalo es efectivamente igual a ce-
ro, y la probabilidad de presentación del
evento dentro del periodo dado es indepen-
diente de cuándo se presenta dicho periodo.
Distribución de Lista de los resultados de un experimento

probabilidad. con las probabilidades que se esperarían ver
asociadas con cada resultado.
Distribución Distribución normal de probabilidad con me-

normal estándar. dia cero y una desviación estándar de 1.

Distribución normal. Distribución de una variable aleatoria conti-
nua que una curva de un solo pico y con for-
ma de campana. La media cae en el centro
de la distribución y la curva es simétrica con
respecto a una línea vertical que pase por la
media. Los dos extremos se extienden inde-
finidamente, sin tocar nunca el eje horizontal.
Base para la inferencia estadística clásica
que tiene forma de campana y apariencia si-
métrica. Todas sus medias de tendencias
central son idénticas.
Distribución t de Familia de distribución de probabilidad que

Student. se distinguen por sus grados de libertad indi-
viduales; es parecida, en forma, a la distribu-
ción normal; y se utiliza cuando se descono-
ce la desviación estándar de la población y el
tamaño de la muestra es relativamente pe-
queño (n£30).
Ecuación de Fórmula matemática que relaciona la variable

estimación. desconocida con las variables conocidas en
el análisis de regresión.
Eficiencia Comparación de los errores estándar gene-

estadística. rados por los diferentes procedimientos de
muestreo.
Error aleatorio. Error que surge de diferencias o cambios

aleatorios en los entrevistados o las situacio-
nes de medición.
Error de medición. La variación en la información que el investi-

gador y la información que genera el proceso
de medición empleado.
Error de muestreo. Error o variación entre estadísticas de mues-

tra debido al azar; es decir, diferencias entre
cada muestra y la población, y entre varias
muestras que se deben únicamente a los ele-
mentos que elegimos para la muestra.

Error estándar de Medida de la confiabilidad de la ecuación de
la estimación. estimación, que indica la variabilidad de los
puntos observados alrededor de la línea de
regresión, esto es, hasta qué punto los valo-
res observados difieren de sus valores predi-
chos sobre la línea de regresión.
Error estándar de La desviación estándar de la distribución de

la media. muestreo de la media; una medida del grado
en que se espera que varíen las medias de
las diferentes muestras de la media de la po-
blación, debido al error aleatorio en el proce-
so de muestreo.
Error muestral. Diferencia entre el estadístico observado de

la muestra probabilística y el parámetro de la
población.
Error sistemático. Error que afecta la medición de manera

constante y representa los factores estables
que afectan, de la misma forma, la clasifica-
ción observada cada vez que se realiza la
medición.
Error tipo 1. Error que se presenta cuando los resultados

de la muestra llevan al rechazo de la hipóte-
sis nula que en realidad es verdadera. Tam-
bién se conoce como error alfa.
Error tipo 2. Error que se presenta cuando los resultados

de la muestra llevan a la aceptación de la hi-
pótesis nula que en realidad es falsa. Tam-
bién se conoce como error beta.
Escala de razón. Escala de medición que tiene todas las pro-
piedades de una escala de intervalo más un
punto cero absoluto.
Escala nominal. Escala cuyos números sirven sólo como eti-

quetas o señales para identificar y clasificar
los objetos, con una correspondencia estricta
de uno a uno entre los números y los objetos.

Escala ordinal. Escala de clasificación en la que los números
se asignan a los objetos para indicar el grado
relativo con que se posee cierta característi-
ca. De modo, que es posible determinar si un
objeto tiene mayor o menor cantidad de la
característica que algún otro.
Espacio muestral. Conjunto de todos los resultados posibles de

un experimento.
Esperanza. La esperanza (valor esperado o media) de

una variable aleatoria discreta es la suma de
los productos de sus valores por sus proba-
bilidades asociadas.
Estadística Rama de la estadística que proporciona a los

descriptiva. investigadores las mediciones resumidas pa-
ra los datos en las muestras.
Estadística Rama de la estadística que permite a los in-

inferencial. vestigadores hacer juicios de la población
con base en los resultados generados por las
muestras.
Estadística. Ciencia que trata del desarrollo y aplicación

de métodos eficientes de recolección, elabo-
ración, presentación, análisis e interpretación
de datos numéricos.
Estadísticas. Mediciones que describen las características

de una muestra.
Estadístico. Descripción resumida de una medida en la

muestra seleccionada.
Estimación por Estimación del parámetro de la población uti-

intervalo. lizando un conjunto de valores comprendidos
dentro de un intervalo.

Estimación puntual. Estimación del parámetro de la población
con valor un solo valor calculado con la infor-
mación de la muestra.
Estimación. Valor específico observado de un estimador.
Estimador coherente. Estimador que produce valores que se acer-

can más al parámetro de la población confor-
me aumenta el tamaño de la muestra.
Estimador consistente. Estadístico que se aproxima al parámetro de

la población a medida que aumenta el tama-
ño de la muestra.
Estimador eficiente. Estimador con un menor error estándar que

algún otro estimador del parámetro de la po-
blación, esto es, cuando más pequeño sea el
error estándar de un estimador, más eficien-
te será ese estimador.
Estimador insesgado. Estimador cuyo valor esperado es el paráme-

tro o valor de la población.
Estimador suficiente. Estimador que utiliza toda la información dis-

ponible en los datos correspondientes a un
parámetro.
Estimador. Estadística de muestra utilizada para estimar

un parámetro de población.
Evento. Uno o más de los resultados posibles de ha-

cer algo, o uno de los resultados posibles de
realizar un experimento.
Eventos Dos eventos evento son independientes si el

independientes. conocimiento de que uno ocurrirá o ya ha
ocurrido no afecta la probabilidad del otro;
más precisamente, si la probabilidad condi-
cional de cada uno dada por el otro es la mis-
ma que la probabilidad incondicional.

Eventos mutua- Eventos que no se pueden presentar juntos.
mente excluyentes.
Fracción de muestreo. La fracción o porción de la población conte-

nida en la muestra.
Frecuencia absoluta. Número total de elementos que aparecen en

una determinada categoría.
Frecuencia relativa. Porcentaje de elementos totales que apare-

cen en una determinada categoría.
Grados de libertad. Número de valores de una muestra que po-

demos especificar libremente, después de
que ya sabemos algo sobre dicha muestra.
Gráfica lineal. Presentación gráfica de magnitud en el con-

junto de datos mostrado por la pendiente de
una línea (o líneas) que ha sido situada con
respecto a una escala horizontal o vertical.
Gráfico circular. Círculo que divide en secciones de tal mane-

ra que el tamaño de cada una de éstas co-
rresponde a una proporción del total.
Gráfico de barras. Presentación gráfica de magnitud en el con-

junto de datos, representada por la longitud
de diferentes barras trazadas con referencia
a una escala horizontal o vertical.
Hipótesis alternativa. Afirmación de que se espera alguna diferen-

cia o efecto. La aceptación de la hipótesis al-
ternativa dará lugar a cambios en las opinio-
nes o acciones.
Hipótesis nula. Afirmación en la cual no se espera ninguna

diferencia ni efecto. Si la hipótesis nula no se
rechaza, no se hará ningún cambio.

Hipótesis. Enunciado o proposición no probados acer-
ca de un factor o fenómeno de interés para el
investigador. Una hipótesis estadística a un
enunciado respecto a una población y usual-
mente es un enunciado respecto a uno a
más parámetros de la población.
Histograma. Gráfica de un conjunto de datos compuesta

de una serie de rectángulos cada uno con un
ancho proporcional al alcance de los valores
de cada clase y altura proporcional al núme-
ro de elementos que entran en la clase, o al-
tura proporcional a la fracción de elementos
de la clase.
Incertidumbre. Falta de un conocimiento completo acerca

de los posibles resultados de las acciones,
con desconocimiento de las probabilidades
de los posibles resultados.
Independencia Condición en la que presentación de algún

estadística. evento no tiene efecto sobre la probabilidad
de presentación de otro evento.
Inferencia Proceso de generalizar los resultados de la

estadística. muestra a los resultados de la población.
Intersección. Constante para cualquier línea recta dada

cuyo valor representa el valor de la variable Y
cuando la variable X tiene un valor de 0.
Intervalo de Intervalo de valores que tiene designada una

confianza. probabilidad de que incluya el valor real del
parámetro de la población.
Línea de regresión. Una línea ajustada a un grupo de puntos pa-

ra estimar la relación entre dos variables.
Media. El promedio; valor que se obtiene al sumar

todos los elementos en un conjunto y dividir-
los entre el número de elementos.

Mediana. Medida de tendencia central que se da como
el valor arriba del cual caen la mitad de los
valores y abajo del cuál cae la otra mitad.
Medibilidad. Es una característica de los diseños que per-

mite calcular, a partir de la propia muestra,
estimaciones válidas o aproximaciones de su
variabilidad de muestreo.
Medición. Asignación de números u otros signos a las

características de los objetos, de acuerdo con
ciertas reglas especificadas con anterioridad.
Medidas de Estadística que describe una ubicación dentro

tendencia. de un conjunto de datos. Las medidas de la
tendencia describen el centro de la distribución.
Método de mínimos Técnicas para ajustar una línea recta a través

cuadrados. de un conjunto de puntos de tal manera que
la suma de las distancias verticales cuadra-
das desde los n puntos a la línea se minimiza.
Moda. Medida de tendencia central que se da como

el valor que ocurre con mayor frecuencia en
la distribución de una muestra.
Muestra Muestra que contiene las características im-

representativa. portantes de la población en las mismas
proporciones en que están contenidas en la
población.
Muestra. Colección de algunos elementos, pero no de

todos, de la población bajo estudio, utilizada
para describir poblaciones.
Muestras pareadas. En la prueba de hipótesis se parean las obser-

vaciones de modo que los dos conjuntos
de observación se relacionan con los mis-
mos sujetos.

Muestreo aleatorio Métodos de selección de muestras que per-
simple. miten a cada muestra posible una probabili-
dad igual de ser elegida y a cada elemento
de la población una oportunidad igual de ser
incluidos en la muestra.
Muestreo aleatorio. Las técnicas de muestreo aleatorio aseguran

que cada elemento en la población de interés
tenga una probabilidad (no nula) de ser inclui-
do en la muestra.
Muestreo con Procedimiento de muestreo en el que los ele-

reemplazo. mentos se regresan a la población después
de ser elegidos, de tal forma que algunos ele-
mentos de la población pueden aparecer en
la muestra más de una vez.
Muestreo de Método para seleccionar una muestre de una

aleatorio. población en el que todos los elementos de
la población tienen igual oportunidad de ser
elegidos en la muestra.
Muestreo no Técnicas de muestreo que no utilizan proce-

probabilístico. dimientos de selección por casualidad, sino
que más bien dependen del juicio personal
del investigador.
Muestreo Procedimiento de muestreo en el cual cada

probabilístico. elemento de la población tiene una oportuni-
dad probabilística fija de ser seleccionado
para la muestra.
Muestreo Un método de muestreo aleatorio usado en

sistemático. estadística en el que los elementos que se
muestran seleccionando de la población en
un intervalo uniforme que se mide con res-
pecto al tiempo, al orden o el espacio.

Nivel de confianza. Probabilidad que los estadísticos asocian
con una estimación de intervalo de un pará-
metro de población. Ésta indica qué tan se-
guros están de que la estimación de interva-
lo incluirá al parámetro de la población.
Nivel de Valor que indica el porcentaje de valores de

significancia. muestra que están fuera ce ciertos límites,
suponiendo que la hipótesis nula es correcta,
es decir, se trata de la probabilidad de recha-
zar la hipótesis nula cuando es cierta.
Ojiva. Gráfica de una distribución de frecuencias

acumuladas.
Parámetros. Valores que describen las características de

una población.
Pendiente. Constante para cualquier recta dada cuyo

valor representa qué tanto el cambio de uni-
dad de la variable independiente cambia la
variable dependiente.
Población finita. Población que tiene un tamaño establecido o

limitado.
Población infinita. Población en el que es teóricamente imposi-

ble observar todos los elementos.
Población. Conjunto de todos los elementos que com-

parten un grupo común de características, y
forman el universo para el propósito del pro-
blema de investigación. Esta debe definirse
en términos de: el contenido, las unidades, la
extensión y el tiempo.

Polígono de Línea que une los puntos medios de cada
frecuencias. clase de un conjunto de datos, trazada a la
altura correspondiente a la frecuencia de
los datos.
Porcentaje. Cociente de un valor actual entre un valor ba-

se cuyo resultado es multiplicado por cien.
Precisión. El grado de exactitud con el que la media

de la muestra puede estimar la media de la
población, según revela el error estándar de
la media.
Probabilidad clásica. Número de resultados favorables a la presen-

tación de un evento dividido entre el número
total de resultados posibles.
Probabilidad Probabilidad de que se presente un evento,

condicional. dado que otro evento ya se ha presentado.
Probabilidad Probabilidad de que se presentan dos o más

conjunta. eventos simultáneamente o en sucesión.
Probabilidad Probabilidad incondicional de que se presen-

marginal. te un evento; probabilidad de que se presen-
te un sólo evento.
Probabilidad Probabilidad basada en las creencias per

subjetiva. sonales de quien hace la estimación de
probabilidad.
Probabilidad. La posibilidad de que algo suceda.
Prueba t. Prueba de hipótesis univariada que utiliza la

distribución t y que se utiliza cuando se des-
conoce la desviación estándar y el tamaño
de la muestra es pequeño.
Prueba z. Prueba de hipótesis univariada que utiliza la

distribución normal estándar.

Pruebas de dos Pruebas de hipótesis basadas en muestras
muestras. tomadas de dos poblaciones con el fin de
comparar sus medias o proporciones.
Rango. Diferencia entre los valores más bajo y más

alto de una distribución.
Razón. Es una frecuencia relativa que relaciona la fre-

cuencia absoluta de una categoría con la fre-
cuencia absoluta de otra categoría.
Regresión múltiple. Técnica estadística que desarrolla simultá-

neamente una relación matemática entre dos
o más variables independientes y una varia-
ble dependiente con escala de intervalo.
Relación directa. Relación entre dos variables en las que, al in-

crementares el valor de la variable indepen-
diente, se incrementa el valor de la variable
dependiente.
Relación espuria. Relación observada entre variables cuando

una existe; la relación desaparece cuando se
presenta una variable.
Relación inversa. Relación entre dos variables en la que, al in-

crementares la variable independiente, de-
crece la variable dependiente.
Relación lineal. Tipo particular de asociación entre dos varia-

bles que puede describirse matemáticamen-
te mediante una línea recta.
Sesgo. Es el error humano, intencional o no inten-

cional que se comete al ejecutar el muestreo
y que generalmente es sistemático. Este
error se minimiza a través de programas de
entrenamiento, capacitación y motivación de
inspectores y recolectores de información
estadística.

Teorema del Resultado que asegura que la distribución de
límite central. muestreo de la media se acerca a la norma-
lidad cuando el tamaño de la muestra se in-
crementa, sin importar la forma de la distribu-
ción de la población que se selecciona la
muestra.
Valor esperado. Es el valor promedio de una variable aleatoria

en muchas pruebas u observaciones.
Valor z. Número de errores estándar en que un pun-

to se encuentra alejado de la media.
Variable aleatoria Variable aleatoria que puede tomar cualquier

continua. valor dentro de un intervalo dado de valores.
Variable aleatoria Variable aleatoria que puede tomar sólo un

discreta. número limitado de valores.
Variable aleatoria. Es una función real en un espacio probabilís-

tico: hace corresponder a cada evento ele-
mental con un número real, el valor de la va-
riable aleatoria en ese evento elemental.
Variable aleatoria. Variable que toma diferentes valores como

resultado de un experimento aleatorio.
Variable confusa. Variable externa sin control, cuyo efecto es

invalidar las conclusiones de un experimento.
Variable La variable que tratamos de predecir en el

dependiente. análisis de regresión.
Variables Variables con valores numéricos que resultan

cuantitativas. de medir o de contar.
Variables Variables (s) conocida(s) en el análisis de re-

independientes. gresión.
Variancia. Desviación cuadrada media de todos los va-

lores de la media.

Apéndice D
Respuestas a los Problemas Impares
Respuestas a los problemas impares
CAPÍTULO 2
2.1 a) x = 27.33 Me = 27
b) s2=91,88 s=9,59
c) cv = 35,1%
2.3 Respuestas al punto a) y b).
Árboles fi fi/n Fi Fi↑ Fi/n Fi/n↑

2-3 3 0,043 3 70 0,043 1,000
4-5 8 0,114 11 67 0,157 0,957
6-7 17 0,243 28 59 0,400 0,843
8-9 33 0,471 61 42 0,871 0,600
10-11 9 0,129 70 9 1,000 0,129
2.5 x = 155,6 s=14,26184

19,07259
2.7 a) x = 32 ,18182 Me = 28 b) cv = * 100 = 59,265%
32,18182
2.9 a)
Oxígeno fi fi/n
3,3-4,4 4 0,111
4,5-5,6 4 0,111
5,7-6,8 12 0,334
6,9-8,0 13 0,361
8,1-9,2 3 0,083
b) F3=28
Interpretación: 28 muestras presentaron una medida
de oxígeno superior a 5,6
Respuesta 2.9 c), polígono de frecuencias
2.11 x A = 1,328 x B = 1,286

Presenta mayor exactitud el Método B, el promedio arit-
mético de las trazas de plomo es prácticamente igual al
verdadero valor 1,282 mg Pb por litro.
sA=0,013 sB=0,0358
El Método A tiene menor variabilidad, su desviación es-

tándar es menor.
226 • Respuestas a los Problemas Impares

2.13 Respuesta al punto a) y b).
Masas fi fi/n Fi Fi/n↑

215,00 – 220,24 5 0,167 5 1,000
220,25 – 225,49 12 0,400 17 0,833
225,50 – 230,74 7 0,233 24 0,433
230,75 - 235,99 6 0,200 30 0,200
Interpretación:
24 iones presentaron una masa inferior a 230,75.
Un 0,433 de los iones tienen una masa superior a 227.
Respuesta al punto c), polígono de frecuencias
2.15 a) Me=68
b) cvT = 30,28 * 100 = 20,88% cvR =

14,652
*100 = 21,77%
145 67,3
El rendimiento(B) presenta mayor variabilidad relativa

que la temperatura(A).
Respuestas a los Problemas Impares • 227

2.17 Respuesta al punto a)
Días fi fi/n
14-17 5 0,147
18-21 2 0,059
22-25 8 0,235
26-29 12 0,353
30-33 4 0,118
34-37 3 0,088
c) Mo=29. La mayoría de muestras de cerveza se fer-

mentaron a los 5 días.
2.19 Respuesta al punto a).
Días fi Fi/n
20,0-22,0 14 0,389
22,1-24,1 5 0,528
24,2-26,2 11 0,834
26,3-28,3 4 0,945
28,4-30,4 2 1,000
Respuesta al punto 2.19 b), polígono de frecuencias.

2.21 a) 0,436 b) 0,0395 c) 0,11
2.23 32,96%
2.25 a) 1,302 b) R= 0,13 S=0,0497 c) 3,82%
2.27 x = 3,3222 x g = 3,3218 Me=3,31
2.29 Rechazar el resultado 6,99; puede ser considerado co-

mo un valor extremo (o anormal)
x = 5,897 S= 0,514 R= 1,64
2.31 38,645
2.33 a) 0,0953 0,0299

b) 52,4% 27,8%

CAPÍTULO 3
3.1 0,15866
3.3 a) 2 3
b) 2
3
c) 7
9
3.5 0,0166
3.7 0,46414
3.9 a) 0,46414
b) 0,65096
c) 0,94179
3.11 a) 0,1703
b) 0,9756
3.13 0,16853
3.15 a) 0,01991
b) 0,51595
3.17 0,073
3.19 0,209

3.21 0,141
3.23 0,34223
3.25 146,04
3.27 3,0643E-04
3.29 0,7149
CAPÍTULO 4
4.1 x = 0,91326 s=3,36155e-4 t=2,7764 d=0,00042

L1=0,91284 L2=0,91368
4.3 n=31
4.5 pˆ = 0, 03 z=2,57 d=0,0196 L1=0,0104 L2=0,0496
4.7 x = 3.49 s=0,289 d=0,2377 L1=3,25 L2=3,73

Se estima que la verdadera media del contenido de co-
bre se encuentra entre 3,25% y 3,73%, con un nivel de
confianza del 90%.
4.9 n=16
4.11 x = 2,66 s=0,7933 d=0,815 L1=1,845 L2=3,475

4.13 pˆ = 0,133 z=1,81 d=0,079 L1=0,054 L2=0,212
4.15 x = 2,258 s=0,581 d=0,369 L1=1,889 L2=2,627
4.17 x = 0,145 s=0,051 d=0,013 L1=0,132 L2=0,158
4.19 pˆ = 0, 63 z=1,96 d=0,106 L1=0,524 L2=0,736
4.21 n=660
4.23 n=216
4.25 a) x = 15,556 s=4,275 t=2,306 d=3,286

L1=12,27 L2=18,84
b) Los niveles de contaminación por la sustancia de es-

tudio tienen aproximadamente una distribución normal.
4.27 n=26
4.29 d=0,5305 L1=77,44 L2=78,50

Se requieren en promedio entre 77,44 y 78,50 mililitros
para neutralizar 1 gramo de ácido, con un nivel de con-
fianza del 90%.
4.31 d=0,189 L1=2,38 L2=2,76
4.33 n=178

4.35 d=2,562 L1=82,153 L2=87,277
Se estima que el verdadero promedio del porcentaje de
calcio del compuesto se encuentra entre 82,153% y
87,277%, a un nivel de significancia del 10%.
4.37 n=735
4.39 x = 64,28 s=18,818 t=2,5706 d=19,748

L1=44,5 L2=84,0
El punto promedio de vaporización de las sustancias se
estima que se encuentra entre 44,5 y 84,0, con un nivel
de confianza del 95%.
CAPÍTULO 5
5.1 H0:µA=µB H1:µA≠µB Tobs=3,16 Tteo=±2,1448

Rechazar H0.. Sí existe una diferencia significativa en el
promedio de trazas de plomo determinado por ambos
métodos, a un nivel de confianza del 95%.
5.3 H0:µ=73,2 H1:µ>73,2 Zobs=2,73 Zteo=1,64

Rechazar H0. Se tiene evidencia estadística, para ase-
gurar que la media de la población en realidad es ma-
yor a 73,2 puntos, con nivel de confianza del 95%.
5.5 H0:µA=µB H1:µA≠µB Tobs =0,118 Tteo =±3,1693

No rechazar H0. No existe evidencia estadística, para
suponer que existe una diferencia significativa entre am-
bos métodos de determinación del colesterol, a un nivel

5.7 H0:µ=32,3 H1:µ≠32,3 Zobs =-3,55 Zteo =±1,96
Rechazar H0. El promedio resulta significativamente di-
ferente a 32,3, con nivel de confianza del 95%.
5.9 H0:µ=800 H1:µ<800 Tobs =-1,341 Tteo =-2,1318

No rechazar H0. No hay suficiente evidencia estadística
para asegurar que el rendimiento de la planta ha dismi-
nuido, a un nivel de confianza del 95%.
5.11 H0:P=0,10 H1:P≠0,10 Zobs =2,51 Zteo =±1,96

Rechazar H0. La proporción de artículos defectuosos es
significativamente diferente al 10%, a un nivel de con-
fianza del 95%.
5.13 H0:µ=5 H1:µ<5 Zobs=-3,44 Zteo=-1,96

Rechazar H0. Si hay suficiente evidencia estadística que
indique que el contenido de oxígeno disuelto es menor
que 5 ppm, a un nivel de confianza del 97,5%.
5.15 H0:P1=P2 H1 : P1>P2 Zobs=0,807 Zteo=1,64

No rechazar H0. No existe suficiente evidencia estadís-
tica para suponer que el primer método de impregnar
nubes es mejor que el segundo, con un nivel de con-
fianza del 95%.
5.17 H0:P1=P2 H1: P1≠P2 Zobs=-0,618 Zteo= ±2,57

No rechazar H0. Los resultados no proporcionan su-
ficiente evidencia para concluir que hay relación
entre el uso de la aspirina y la frecuencia de la forma-
ción de coágulos postoperatorios, a un nivel de con-
fianza del 99%.

5.19 H0:µ=16 H1:µ<16 Zobs=-12,07 Zteo= -2,06
Rechazar H0. Existe evidencia estadística para concluir
que el peso neto es menor al indicado en el envase del
producto, con un nivel de confianza del 98%.
5.21 H0:P=0,90 H1:P<0,90 Zobs=-5,185 Zteo= -1,96

Rechazar H0. Se puede concluir que la afirmación del fa-
bricante resulta falsa, a un nivel de confianza del 97,5%.
La proporción de manchas removidas, 0,68, resulta sig-
nificativamente inferior al 90%, dada por el fabricante.
5.23 H0:µ=55 H1:µ<55 Tobs=-0,702 Tteo=-1,3664

No rechazar H0. Existe evidencia estadística para concluir
que la dureza media del agua en la salida de la planta, no
es inferior a 55 ppm, a un nivel de confianza del 90%.
5.25 H0:µ=2 H1:µ≠ 2 Tobs=-1,72 Tteo=±1,3178

Rechazar H0. Se tiene evidencia estadística para con-
cluir con un nivel de confianza del 90%, que el peso
promedio de las cajas es diferente a las especificacio-
nes de producción.
5.27 H0:µ=5 H1:µ>5 Zobs=15,57 Zteo=1,28

Rechazar H0. Se puede concluir que el límite tolerable
de estroncio 90, no se cumple para esta región del país,
con un nivel de confianza del 90%.
5.29 H0:µ1=µ2 H1:µ1≠µ2 Tobs=0,2275 Tteo =±2,9768

No rechazar H0. No existe evidencia estadística para
concluir que la determinación del contenido del calcio
de la sangre por ambos métodos resulta significativa-
mente diferente, a un nivel de confianza del 99%.

5.31 H0:µ=0,067 H1:µ<0,067 Tobs =0,1273 Tteo =-1,7959
No rechazar H0. Se tiene evidencia estadística para
concluir que la absorción promedio es 0,067, con un ni-
vel de confianza del 95%.
5.33 H0:P=0,05 H1: P>0,05 Zobs =3,08 Zteo =2,25

Rechazar H0. Existe suficiente evidencia estadística pa-
ra concluir, que lo afirmado por la compañía es falso,
por lo cual la proporción de tortas de pollo que se pre-
sentan algún defecto es superior al 5%, con un nivel de
confianza del 98%.
5.35 H0:µ1=µ2 H1:µ1≠µ2 zobs=3,48 zteo=±1,645

Rechazar H0. Sí existe una diferencia significativa en el
promedio de resistencia a la tensión de los dos tipos de
acero, a un nivel de confianza del 90%.
5.37 H0:P1=P2 H1: P1≠P2 Zobs=-1,02 Zteo=±2,57

No rechazar H0. No existe una diferencia significativa
en la proporción de defectuosos producidos por los
procesos de fabricación, a un nivel de confianza del
99%.
5.39 Del análisis de variancia de una vía, razón de Fisher re-

sulta 11,567 y la probabilidad observada 5,366E-11.
Por tanto, se puede concluir que existe una diferencia
significativa en el contenido de nitrógeno de un lote a
otro, con un nivel de significancia del 5%.
5.41 H0:µ1=µ2 H1:µ1≠µ2 tobs=-9,138 tteo=±2,3060

Rechazar H0. Si hay una diferencia significativa en las
determinaciones promedios de los analistas, a un nivel

5.43 H0:µA=µB H1:µA≠µB tobs=2,69 tteo=±1,7459
Rechazar H0. Existe una diferencia significativa de las
determinaciones de cobre de los analistas, a un nivel de
confianza del 95%.
5.45 H0:P1=P2 H1: P1≠P2 Zobs=-0,39 Zteo=±1,96

No rechazar H0. Se concluye que no existe una diferen-
cia significativa entre las proporciones de las poblacio-
nes, a un nivel de confianza del 95%.
5.47 H0:P1=P2 H1: P1≠P2 Zobs=1,315 Zteo=±2,57

No rechazar H0. Se concluye que no existe una diferen-
cia significativa entre las proporciones de las poblacio-
nes, a un nivel de confianza del 99%.
CAPÍTULO 6
6.1 a) Diagrama de dispersión

b) 0,996
c) 12,867

6.3 a) a=-0,950 b=0,269
b) Se espera que al incrementarse en 1% la humedad
de almacenamiento, el contenido de humedad de la fi-
bra sintética aumenta en 0,269%
c) L1=9,232 L2=10,388
d) L1=0,185 L2=0,353
b) a=0,720 b=0,118
c) L1=0,111 L2=0,126
d) H0:α=0 H1:α≠0 tobs=4,548 tteo=4,604
No rechazar H0. Se comprueba la validez de la ley de
Hooke, al no rechazarse la hipótesis que la constante es
igual a cero, es decir, la recta debe pasar por el origen,
con un nivel de significación del 99%.
e) L1=7,08 L2=7,34

6.7 a) r2=0,9803
b) L1=1,347 L2=1,586
c) H0:β=0 H1:β≠0 tobs=-17,290 tteo= ±2,4469
que existe algún grado de relación lineal entre el tiempo
y los residuos de cloro, con un nivel de confianza del 99
b) a=12,033 b=3,567
c) r=0,956
6.11 a) r=-0.3585
b) a=168,436 b=2,384 c) yˆ = 311
c) r2=0,502

6.13 a) a=27,7929 b=6,5973
b) r=0,9538. Existe una correlación positiva de 0,9538
entre el porcentaje de materia orgánica oxidada y el
tiempo en días de exposición.
c) 80,6%
d) Se= 0,7857
6.15 a) El porcentaje de impurezas del compuesto se au-

menta 0,5% al modificarse la temperatura en un grado
a la que se realiza la mezcla de sus componentes.
b) Que existe un porcentaje de impurezas constante 2,2%.
c) 37,2
6.17 a) ) r2=0,122
b) a=-5,22 b=2,496
c) Al aumentar el número atómico en una unidad la ma-
sa se incrementa en 2,496.
d) H0:β=0 H1:β≠0 tobs=25,325 tteo= ±3,1824
que existe algún grado de relación lineal entre las varia-
bles de estudio, a un nivel de confianza del 95%.
6.19 a) a=4,209 b=0,928

b) r=0,1782
c) El nivel de tensión constante a un nivel de viscosidad
de cero.
d) 5,137
6.21 a) a=0,00714 b=0,0369

b) Al aumentar la novacaína en un mg el nitrito de sódi-
co se incrementa en 0,0369 ml
c) 0,4261

6.23 y=a+bx a=0,117 b=0,02975 r=0,9715 r2=0,9438
logY=a+bx a=-1,841 b=0,099 r=0,988 r2=0,977
6.25 a=0,054 b=0,0002 y=0,0596
6.27 r=-0,933
6.29 8,358
6.31 b) a=0,229 b=1,135

c) 0,54
6.33 Diagrama de dispersión

Bibliografía
ALEGRE MARTÍN, J. Aplicaciones Económicas de Estadística Descriptiva.

Universitat de les Illes Balears, Palma de Mallorca, 1999.
ARCE CONSTANTINO REAL EULOGIO. Introducción al Análisis Estadístico

con SPSS para Windows. Editorial Manantial, 2001.
BAIRD D. C. Experimentación. Editorial Prentice-Hall, 1991.
BERENSON Mark L. y David M. Levine. Estadística para la Administración y

Economía, México: Mc Graw Hill, 1991.
BERENSON, M. L. y LEVIN, D.M. Estadística para Administración y Econo-

mía. Editorial Prentice Hall, segunda edición, 2001.
BRUNK, H.D., Introduccion a la Matemática Estadistica. Edit. Trillas 5a. Edi-

ción, 1991.
COCHRAN. Técnicas de Muestreo. Editorial C.E.C.S.A., 1995.
DEL PINO, M. GUIDO. Estadística Teoría y Metodos. Editorial Manantial,

1995.
FERNÁNDEZ. M. FRANCISCO. Introduccion a la Estadistica y sus Aplicacio-

nes. Editorial Piramide. 2001.
FONTANET G. , REIRA J. , SALILLAS J. Hacer Estadística Breda. Editorial

Addison-Wesley Iberoa, 1998.
GÓMEZ BARRANTES, MIGUEL. Elementos de Estadística Descriptiva. Edi-

torial UNED, tercera edición, 1998.
HANKE, E. JOHN y REITSCH, G. ARTHUR. Pronósticos en los Negocios.

Editorial Hispanoamericana, S. A., 1996.

HINES, W-MONTGOMERY, D.C., Probabilidad y Estadística para la Ingenie-
ría y Administración. 2ª ed. CECSA, México, 1995.
KAZMIER L. Y A. Díaz Mata. Estadística aplicada a la administración y a la

economía, México: Mc Graw Hill, 1993.
KISH, L. Diseño estadístico para la investigación, Centro de Investigaciones

Sociológicas, Madrid, 1995.
KUEHL ROBERT O. Diseño de Experimentos. Editorial Thomson Internatio-

nal, 2001.
KURINCIC GABRIELA. Estadistica Herramientas de Inferencia. Editorial Edi-

ciones Cooperativas, 2001.
LIPSCHUTZ SEYMOUR. Probabilidad Teoría y Problemas. Editorial Schaum,

2001.
LOHR SHARON L. Muestreo Diseño y Analisis. Editorial Thomson Interna-

tional, 2000.
LUQUE MARTÍNEZ, T.. Técnicas de análisis de datos en investigación de

mercados. Ed. Pirámide, 2000.
MALHOTRA, N.K. Investigación de Mercados. Un Enfoque Práctico. Prenti-

ce Hall, 1997.
MENDENHALL WILLIAM. Estadística Matemática con Aplicaciones. Editorial

Iberoamericana, 1994.
MENDENHALL, W.; WACKERLY, D.; SCHEAFFER, R. Estadística Matemáti-

ca con Aplicaciones, 2ª. ed., Iberoamericana, 1994.
MILLER, I.-FREUND, J.-JOHNSON, R., Probabilidad y Estadística para In-

genieros. 3ª ed. Prentice Hall, México, 1992.
MOREU JALON PEDRO. Estadística Informatizada. Editorial Paraninfo,

1999.
NEWBOLD, P. Estadística para los Negocios y la Economía. Prentice Hall,

Madrid, 1996.
NEWBOLD, P. Statistics for Business and Economics, third edition, Prentice

Hall, 1994.

PEÑA, D. Estadística, Modelos y métodos, Fundamentos, 2ª. ed. revisada,
Alianza, 1995.
PEÑA, D. Estadística. Modelos y Métodos. 2. Modelos lineales y series tem-

porales. Alianza Universidad, Madrid, 1992.
PEÑA, D. y ROMO, J. Introducción a la Estadística para las Ciencias socia-

les. MacGraw Hill, Madrid., 1997.
PEREZ LÓPEZ CESAR. Técnicas de Muestreo Estadístico. Editorial RA-MA,

1999.
PÉREZ SUAREZ, R. Análisis de datos económicos I. Métodos descriptivos.

Pirámide, Madrid, 1993.
PÉREZ, C. Estadística práctica con Statgraphics. Prentice Hall, Madrid,

2001.
PILAR PESTAÑA DE MARTÍNEZ. ESTADÍSTICA: Conceptos básicos, termi-

nología y metodología de la Estadística Descriptiva .Colección Miner-
va, 2001.
SMIRNOV N. DUNIN-BARKOVSKI. Cálculo de Probabilidades y Estadistica

Matemática, Editorial Paraninfo, 1998.
SPIEGEL MURRAY R. Estadística. Editorial Schaum, 1991.
VISAUTA, B. Análisis estadístico con SPSS para Windows. McGraw Hill, Ma-
drid, 1997.
VISAUTA, B. Análisis Estadístico con SPSS para Windows. Estadística Mul-

tivariante,. McGraw Hill, 1998.
WALPOLE, R.-MYERS, R., Probabilidad y Estadítica. 3ª ed. McGraw-Hill,

México, 1992.
WEBSTER, ALLEN. Estadística Aplicada a los Negocios y la Economía. Edi-

torial McGraw-Hill, tercera edición, 2000
ZAR, J. H. Biostatistical Analysis. 3ª ed. Prentice Hall Inc, 1996.
ZIKMUND, WG. Investigación de Mercados. Sexta Edición. Prentice Hall,

1998.

Acerca del autor
Nació el 6 de junio de 1961 en San Ramón, Alajuela. Cursó la educa-

ción primaria en la Escuela “Federico Salas Carvajal”, de San Juan de San Ra-
món. La educación secundaria la recibió en el Instituto Julio Acosta García.
Ingreso en la Universidad de Costa Rica en 1982, donde se graduó
de bachiller en Estadística en 1988; posteriormente obtuvo la licenciatura en
1990. Bachiller en Ciencias Políticas en 1994 y se graduó en 1998 como
Magíster en Estadística con énfasis en Investigación de Mercados.
Profesor de Estadística en la Universidad de Costa Rica desde 1988,
en la Escuela de Estadística (1988-98), y en la Sede Occidente hasta la fe-
cha, donde imparte cursos de Estadística aplicada y teórica.
Ha trabajado con consultor estadístico para instituciones públicas y
privadas, como la Sociedad Centroamericana de Ginecología, Hospital Na-
cional de Niños, Instituto Nacional de Seguros, Estadística y Mercadeo,
CNN Negocios y Respuestas de Mercado.
Ha publicado un artículo sobre la segmentación de mercados y un
libro relacionado con el paquete estadístico Microstat.
Esta edición bajo demanda de 100
ejemplares, fue realizada en la Sección de
Impresión del SIEDIN en el mes de
febrero de 2004.
Ciudad Universitaria Rodrigo Facio
San José, Costa Rica, A.C.

Libro Araya Estadistica para Quimica

Cargado por

Copyright:

Formatos disponibles

Libro Araya Estadistica para Quimica

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Libro Araya Estadistica para Quimica

Cargado por

Copyright:

Formatos disponibles

Editorial de la Universidad de Costa Rica

1. QUÍMICA – PROBLEMAS, EJERCICIOS –

Edición aprobada por la Comisión Editorial de la Universidad de Costa Rica.

Primera edición: 2004.

Diseño de portada: Elisa Giacomin V.

© Editorial de la Universidad de Costa Rica, Ciudad Universitaria “Rodrigo Facio”.

CAPÍTULO 2. ESTADÍSTICA DESCRIPTIVA

CAPÍTULO 5. PRUEBA DE HIPÓTESIS

CAPÍTULO 6. REGRESIÓN LINEAL SIMPLE Y CORRELACIÓN

ACERCA DEL AUTOR. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247

Siempre que se planea un nuevo libro de texto, se deben resolver los

Carlo Magno Araya Alpízar

1.1 Historia de la estadística

El análisis de los datos debe presentarse de manera que sea fácil-

1.1 Historia de la estadística

Desde los comienzos de la civilización han existido formas sencillas

1.2 Poblaciones y muestras

1.3 Estadística descriptiva e inferencial

La estadística descriptiva se puede definir como los métodos es-

1.4 Tipos de variables aleatorias

Cada unidad que compone la población está caracterizada por uno

La diferencia entre ellas es que las variables aleatorias cuantitativas

1.5 Error experimental

En Química Analítica se clasifican los errores en determinados e in-

1. Inadecuada calibración de los aparatos o inadecuada estanda-

Los errores determinados introducen un sesgo en las medidas. Por

1.6 Diseño estadístico de experimentos

El hombre ha ido diseñando experimentos cada vez que ha formu-

1. Situación y definición del problema

La confrontación de la hipótesis con los datos y la aceptación o re-

1.7 Exactitud y precisión

La diferencia entre el resultado obtenido con base en el análisis de

* En el capítulo 3, se estudian las propiedades los estimadores.

2.1 Medidas de posición

La finalidad de este capítulo es mostrar cómo un método estadístico

2.1 Medidas de posición

La característica más importante que describe un grupo de datos es

2.1.1 La media aritmética

La media de la muestra, llamada también media aritmética o prome-

La media de una población de N elementos se calcula de la misma

4,995 4,993 4,994 4,996 4,998 4,992

La media para esta muestra se calcula como:

4 ,995 + 4 ,993 + 4 ,994 + 4 ,996 + 4 ,998 + 4 ,992

1 Estimador: en términos generales es una función de la muestra, que proporciona un valor

2 Parámetros: conjunto de valores poblacionales que definen la función de densidad de

14 • CAPÍTULO 2 Estadística Descriptiva

2.1.2 La media geométrica

La media geométrica de un grupo de mediciones es la raíz enésima

Cuando los valores de las mediciones están comprendidos dentro

Dado que los valores extremos en un conjunto de datos distorsionan

CAPÍTULO 2 Estadística Descriptiva • 15

Este resultado, indica que el 50% de los puntos de ebullición del

• Como medida descriptiva, tiene la ventaja de no estar afecta-

• Es de cálculo rápido y de interpretación sencilla. A diferencia

• Si una población está formada por 2 subpoblaciones de me-

16 • CAPÍTULO 2 Estadística Descriptiva

La moda se define simplemente como el valor que se presenta con

En este caso, el valor más típico o valor modal es 7,1%. Como se

La proporción de la muestra describe la parte de un todo que po-