You are on page 1of 52

INSTITUTO TECNOLOGICO DE

CHILPANCINGO

ESTADISTICA ADMINISTRATIVA
CONTADOR PUBLICO
GRUPO:M-7

CATEDRATICO: MIGUEL ANGEL GOMEZ BARBOSA

ALUMNAS:
BAUTISTA NAVA AMAIRANY
CABAAS RAMIRES VICTORIA
NAVA CHAVEZ YANETH
NAVA SALMERON MARICRUZ



Chilpancingo Gro, a 11 de abril del 2014




INDICE
INTRODUCCION
I. DISTRIBUCION BINOMIAL
II. DISTRIBUCION HIPERGEOMETRICA
III. DISTRIBUCION DE POISSON
IV. DISTRIBUCION NORMAL
V. DISTRIBUCION T (STUDENT)
VI. DISTRIBUCION F
CONCLUSION
FUENTES CONSULTADAS











INTRODUCCIN


En estadstica, la distribucin maestral es lo que resulta de considerar
todas las muestras posibles que pueden ser tomadas de una
poblacin. Su estudio permite calcular la probabilidad que se tiene,
dada una sola muestra, de acercarse al parmetro de la poblacin.
Mediante la distribucin muestral se puede estimar el error para un
tamao de muestra dado.
Estas distribuciones pueden ser aplicadas a contabilidad como se
muestra en este trabajo.














DISTRIBUCIN BINOMIAL
Definicin
Cuando se dispone de una expresin matemtica, es factible calcular la
probabilidad de ocurrencia exacta correspondiente a cualquier resultado especfico
para la variable aleatoria.
La distribucin de probabilidad binomial es uno de los modelos matemticos
(expresin matemtica para representar una variable) que se utiliza cuando la
variable aleatoria discreta es el nmero de xitos en una muestra compuesta por n
observaciones.
Propiedades
- La muestra se compone de un nmero fijo de observaciones n
- Cada observacin se clasifica en una de dos categoras, mutuamente
excluyentes (los eventos no pueden ocurrir de manera simultnea. Ejemplo: Una
persona no puede ser de ambos sexos) y colectivamente exhaustivos (uno de los
eventos debe ocurrir. Ejemplo: Al lanzar una moneda, si no ocurre cruz, entonces
ocurre cara). A estas categoras se las denomina xito y fracaso.
- La probabilidad de que una observacin se clasifique como xito, p, es constante
de una observacin o otra. De la misma forma, la probabilidad de que una
observacin se clasifique como fracaso, 1-p, es constante en todas las
observaciones.
- La variable aleatoria binomial tiene un rango de 0 a n
Ecuacin:
PX=n!X!n-X!pX1-pn-X
Donde
PX=Probabilidad de X xitos, dadas y
n = Nmero de observaciones
p = Probabilidad de xitos
1-p = Probabilidad de fracasos
X = Nmero de xitos en la muestra (= 0, 1, 2, 3, 4,)










Ejemplo
Determine P(X=5) para n = 6 y p = 0,83
Solucin:
Aplicando la ecuacin se obtiene:
PX=n!X!n-X!pX1-pn-X
PX=5=6!5!6-5!0,8351-0,836-5=0,4018
En Excel se calcula de la siguiente manera:
a) Se escribe los datos y se inserta la funcin DISTR.BINOM. Clic en Aceptar. Los
argumentos de la funcin escribir como se muestra en la figura:
b) Clic en Aceptar

Ejemplo
Determinar P(X=4) para n =5 y p = 0,45
Solucin:

Se puede aplicar la ecuacin para cada probabilidad, pero para ahorrar tiempo se
recomienda encontrar las probabilidades con lectura en la tabla de probabilidades
binomiales. Realizando la lectura en la tabla de la distribucin binomial para
P(X=0) con n=5 y p=0,5 se obtiene 0,0503. Continuando con la respectivas
lecturas en la tabla se obtiene: 0,2059 para P(X=1), 0,3369 para P(X=2), 0,2757
para P(X=3) y 0,1128 para P(X=4),
Por lo tanto PX=4=0,0503+0,2059+0,3369+0,2757+0,1128=0,9816
Los clculos realizados en Excel se muestran en la siguiente figura:

Media de la distribucin binomial
La media de la distribucin binomial es igual a la multiplicacin del tamao de la
muestra por la probabilidad de xito
El modelo de distribucin Binomial define experimentos consistentes en realiz
ar ensayos repetidos e independientes. Cada uno de estos experimentos pre
senta posibles resultados que denominamos xito o fracaso, cuya probabilidad se
mantiene constante en las diferentes pruebas.
La variable binomial es una variable aleatoria discreta, slo puede tomar los valore
s 0,1,2,3,4,....., n suponiendo que se han realizado n pruebas.
La variable se define como X~ "n de veces que ocurre el suceso A en n experime
ntos, y viene determinada por dos parmetros:
n = tamao maestral, nmero de experimentos realizados.
p = P(A) = probabilidad de que tenga lugar el suceso A.



En consecuencia, la distribucin Binomial se suele representar por B (n,p) siendo
n y p los parmetros caractersticos de dicha distribucin.


EJEMPLOS

Un agente de seguros vende pl i zas a ci nco personas de la mi sma edad
y que disfrutan de buena salud. Segn las tablas actual es, la
probabi l idad de que una persona en estas condi ci ones vi va 30 aos o
ms es 2/3. Hl lese la probabi l idad de que, transcurri dos 30 aos,
vi van:
1 Las cinco personas
2 Al menos tres personas
3 Exactamente dos personas
1 Las cinco personas
B(5, 2/3) p = 2/3 q = 1/3

2 Al menos tres personas


3 Exactamente dos personas



7 La probabi l i dad de que un artculo producido por una fabri ca sea
defectuoso es p = 0.02. Se envi un cargamento de 10.000 artcul os a
unos almacenes. Hal lar el nmero esperado de artcul os defectuosos, la
vari anza y la desvi aci n tpica



La probabil i dad de que un artculo producido por una fabrica sea
defectuoso es p = 0.02. Se envi un cargamento de 10.000 artcul os a
unos almacenes. Hal lar el nmero esperado de artcul os defectuosos, la
vari anza y la desvi aci n tpica.














DISTRIBUCIN HIPERGEOMTRICA.
La distribucin hipergeometrica la cual se relaciona son situaciones con dos o ms
resultados en las que la probabilidad de tener xito cambio de ensayo a ensayo.
Es decir se aplica al muestreo sin repeticin o remplazo para cada uno de los
elementos que se toma de una poblacin finita de ejemplos por lo tanto cuando el
tamao la muestra sea sin repeticin y la finita esta debe ser formada.
Los experimentos que tienen este tipo de distribucin tienen las siguientes
caractersticas:
a) Al realizar un experimento con este tipo de distribucin, se
esperan dos tipos de resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son
constantes.
c) Cada ensayo o repeticin del experimento no es independiente de
los dems.
d) El nmero de repeticiones del experimento (n) es constante.

EJEMPLO
En una urna o recipiente hay un total de N objetos, entre los cuales hay una
cantidad a de objetos que son defectuosos, si se seleccionan de esta urna n
objetos al azar, y sin reemplazo, cul es la probabilidad de obtener x objetos
defectuosos?
Solucin:

Luego;






Dnde:
p(x,n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados

muestras de n objetos en donde hay x que son defectuosos y n-x
buenos
todas las muestras posibles de seleccionar de n objetos tomadas de
entre N objetos en total = espacio muestral
Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son
defectuosos, si de seleccionan 4 objetos al azar, cul es la probabilidad de que 2
sean defectuosos?
Solucin:
N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra








Dnde:


Probabilidad asociada a cada muestra de 4 objetos que se
seleccionaron, con lo que se demuestra que las probabilidades no son
constantes

Formas o maneras de obtener 2 objetos defectuosos entre los 4
seleccionados = muestras de 4 objetos entre los que 2 son defectuosos
Como se observa en el desarrollo de la solucin del problema, la pretensin es
demostrar que las probabilidades asociadas a cada uno de los resultados no
son constantes.
Luego la probabilidad de obtener 2 objetos defectuosos entre los 4
seleccionados al azar sera:






Ejemplos:
1. Para evitar que lo descubran en la aduana, un viajero ha colocado 6
tabletas de narctico en una botella que contiene 9 pldoras de vitamina
que son similares en apariencia. Si el oficial de la aduana selecciona 3
tabletas aleatoriamente para analizarlas, a) Cul es la probabilidad de que
el viajero sea arrestado por posesin de narcticos?, b) Cul es la
probabilidad de que no sea arrestado por posesin de narcticos?.





Solucin:
a) N = 9+6 =15 total de tabletas
a = 6 tabletas de narctico
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narctico = variable que nos indica el nmero de
tabletas de narctico que se puede encontrar al seleccionar las 3 tabletas

p(viajero sea arrestado por posesin de narcticos) = p(de que entre las 3
tabletas seleccionadas haya 1 o ms tabletas de narctico)






otra forma de resolver;

p(el viajero sea arrestado por posesin de narcticos) = 1 p(de que entre las
tabletas seleccionadas no haya una sola de narctico)






b) p(no sea arrestado por posesin de narcticos)





2. De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el
lote contiene 3 proyectiles defectuosos que no explotarn, cul es la
probabilidad de que , a) los 4 exploten?, b) al menos 2 no exploten?

Solucin:
a) N = 10 proyectiles en total
a = 7 proyectiles que explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2, 3 o 4 proyectiles que explotan = variable que nos define el nmero
de proyectiles que explotan entre la muestra que se dispara









b) N = 10 proyectiles en total
a = 3 proyectiles que no explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2 o 3 proyectiles que no explotan

p(al menos 2 no exploten) = p( 2 o ms proyectiles no exploten) = p(x = 2 o 3; n=4)
=



3. a)Cul es la probabilidad de que una mesera se rehse a servir bebidas
alcohlicas nicamente a dos menores de edad si verifica aleatoriamente
solo 5 identificaciones de entre 9 estudiantes, de los cuales 4 no tienen la
edad suficiente?, b) Cal es la probabilidad de que como mximo 2 de las
identificaciones pertenezcan a menores de edad?
Solucin:

a) N = 9 total de estudiantes
a = 4 estudiantes menores de edad
n = 5 identificaciones seleccionadas
x = variable que nos define el nmero de identificaciones que pertenecen a
personas menores de edad
x = 0, 1, 2, 3 o 4 identificaciones de personas menores de edad




b) N = 9 total de estudiantes
a = 4 estudiantes menores de edad
n = 5 identificaciones seleccionadas
x = variable que nos define el nmero de identificaciones que pertenecen a
personas menores de edad
x = 0, 1, 2, 3 o 4 identificaciones de personas menores de edad







De 6 empleados 3 han estado en la compaa durante 5 o mas aos , si se
eligen 4 empleados al azar de ese grupo Cul es la probabilidad de que
exactamente dos de ellos tengan una antigedad de 5 aos o mas?
X=2
n=4
T=3
N= 6





Un cargamento de 20 grabadoras contiene 5 defectuosas, si diez de ellas son
aleatoriamente elegidas , Cul es la probabilidad de que 2 estn
defectuosas?
X=2
n = 10
T= 5
N=20

( = 2, = 20, = 5, = 10) =
(

)(

)
(

)
= .3482




















DISTRIBUCIN DE POISSON.

Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad de
rea, tiempo, pieza, etc, etc,:
- # de defectos de una tela por m
2

- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
- # de bacterias por cm
2
de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo,
rea, o producto, la frmula a utilizar sera:


donde:
p(x, ) = probabilidad de que ocurran x xitos, cuando el nmero promedio de
ocurrencia de ellos es
= media o promedio de xitos por unidad de tiempo, rea o producto
c = 2.718
x = variable que nos denota el nmero de xitos que se desea que ocurra

Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por
unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de
tiempo es independiente de otro intervalo dado, as como cada rea es
independiente de otra rea dada y cada producto es independiente de otro
producto dado.


EJEMPLOS
1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son
las probabilidades de que reciba, a) cuatro cheques sin fondo en un da
dado, b) 10 cheques sin fondos en cualquiera de dos das consecutivos?


Solucin:
a) x = variable que nos define el nmero de cheques sin fondo que
llegan al banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc.
= 6 cheques sin fondo por da
c = 2.718




b)
x= variable que nos define el nmero de cheques sin fondo que llegan al
banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en
dos das consecutivos
Nota: siempre debe de estar en funcin de x siempre o dicho de otra
forma, debe hablar de lo mismo que x.






2. En la inspeccin de hojalata producida por un proceso electroltico continuo,
se identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar a) una imperfeccin en 3 minutos, b) al menos
dos imperfecciones en 5 minutos, c) cuando ms una imperfeccin en 15
minutos.
Solucin:
a) x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la
hojalata





b) x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la
hojalata


=1-(0.367918+0.367918) = 0.26416






c) x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
= 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la
hojalata




=
0.0498026 + 0.149408 = 0.1992106


















DISTRIBUCION NORMAL
Esta distribucin resulta til no slo porque un gran nmero de distribuciones de
frecuencias presentan formas aproximadamente normales, sino tambin por su
gran significado terico en el campo de la estadstica inferencial. En resumen, la
importancia de la distribucin normal se debe principalmente a que hay muchas
variables asociadas a fenmenos naturales que siguen el modelo de la normal:
- Caracteres morfolgicos de individuos: talla, peso,..
- Caracteres sociolgicos: consumo de un cierto producto por un grupo de
individuos, puntuaciones de examen
- Caracteres psicolgicos: cociente intelectual, grado de adaptacin a un
medio,..
- Valores estadsticos muestrales: la media.
- Otras distribuciones como la binomial o la de Poisson son aproximaciones
normales.
No obstante, hay que tener cuidado al suponer que un determinado conjunto de
observaciones se puede aproximar por una distribucin normal.
La distribucin normal la obtuvo inicialmente De Moivre en 1733 como lmite o
aproximacin de la distribucin cuando . Posteriormente Gauss en
1809 y Laplace en 1812 llegaron a obtenerla empricamente al estudiar la
distribucin de errores accidentales en Astronoma y Geodesia.
Una justificacin de la frecuente aparicin de la distribucin normal es el teorema
central del limite, que veremos ms tarde, que establece que cuando los
resultados de un experimento son debidos a un conjunto muy grande de causas
independientes, que actan sumando sus efectos, siendo cada efecto individual de
poca importancia respecto al conjunto, es esperable que los resultados sigan una
distribucin normal
La curva normal responde al tipo de curva perfectamente simtrica, y unimodal
basada en un nmero infinito de casos, por lo que slo puede ser tratada de forma
aproximada cuando se opera con datos reales. Por tratarse de una curva simtrica
coinciden la media, la moda y la mediana.
Diremos que la variable aleatoria, de tipo continuo, sigue una distribucin Normal
de parmetros , si su funcin de densidad es:
, donde y tales que y
La funcin de densidad depende de dos parmetros: media y varianza de la
distribucin, y puede verse por la definicin que no hay una nica distribucin
normal sino una familia completa de distribuciones.


Abreviadamente esta distribucin la indicaremos por:
Se observa que tiene forma de campana, de aqu que frecuentemente se le llame
curva o campana de Gauss.
Los parmetros:
- , es el centro de la distribucin y tambin se corresponde con el punto
mximo de la distribucin.
- , nos da una idea del grado de apertura de la distribucin.


Veamos los siguientes ejemplos:
- En este caso tenemos dos curvas normales y que
tienen distintas medias pero tienen la misma desviacin tpica, por tanto sus
centros estn en diferentes lugares pero el grado de apertura de ambas
distribuciones es el mismo.


- En este segundo caso tenemos dos curvas normales
y que tienen distintas desviaciones tpicas pero tienen la misma
media. Ahora las curvas estn centradas en el mismo punto m pero su
grado de apertura es distinto. Como d 1 < d 2 la curva de mayor desviacin
tpica, en este caso d 2 tendr una mayor dispersin.
Caractersticas de sta distribucin:
Funcin de distribucin:

La integral correspondiente a esta funcin de distribucin slo puede calcularse
mediante mtodos numricos aproximados. Una manera de simplificar estos
clculos es mediante el proceso de tipificacin de una variable aleatoria normal,
que nos permite pasar de una a una
La variable normal con media cero y desviacin tpica la unidad se denomina
normal estndar ; su funcin de distribucin est tabulada. Para calcular
probabilidades en el caso general, transformaremos la variable aleatoria normal
en la variable normal estndar , mediante:

Si aplicamos el cambio de variable tenemos como funcin de densidad:

y su funcin de distribucin es:

Las caractersticas que presenta la normal tipificada son:
- No depende de ningn parmetro.
- La curva es tambin es simtrica respecto del eje OY.
- Para realizar la representacin grfica de la funcin de densidad
correspondiente a la normal procederamos de forma anloga a
como se hizo para la distribucin .
Media y Varianza




Clculo de probabilidades
Sea una variable aleatoria normal con funcin de distribucin acumulada
, y sean y dos posibles valores que verifican que . Entonces:


Cualquier probabilidad puede obtenerse a partir de la funcin de distribucin
acumulada, sin embargo, como vimos anteriormente calcular la integral
correspondiente a esta funcin de distribucin slo puede hacerse mediante
mtodos numricos aproximados. No obstante cualquier distribucin
normal puede expresarse como una normal estndar :

Donde es una variable aleatoria normal estndar que est tabulada. En esta tabla


encontraremos los valores de:


No debemos olvidar que se trata de una distribucin simtrica y que el rea bajo la
curva normal es igual a la unidad. Por tanto:
-
-
-
Valoracin de la normalidad
La decisin de describir una distribucin mediante una curva normal puede
determinar el anlisis que posteriormente se haga de los datos. Una forma de ver


si los datos son aproximadamente normales es observando su histograma. Este
nos puede revelar de forma clara caractersticas no normales de una distribucin:
las asimetras prolongadas, los vacos entre datos, etc.
Una forma de valorar si una distribucin es normal es sealando los puntos
en el eje de ordenadas y observando la probabilidad
comprendida en estos intervalos. En el caso de una distribucin normal :
El 68,3 % de las observaciones se encuentran entre
El 95,5 % de las observaciones se encuentran entre
El 97,7 % de las observaciones se encuentran entre

Propiedades de sta distribucin
Si son variables aleatorias independientes, distribuidas segn una
, y si , entonces la variable aleatoria:
, sigue una
distribucin:
La suma de n variables aleatorias independientes, y distribuidas
segn una sigue una distribucin:

Si son n variables aleatorias independientes e idnticamente
distribuidas segn una , entonces la variable aleatoria suma de las n
variables: , sigue una distribucin:
Si son n variables aleatorias independientes e idnticamente
distribuidas segn una , entonces la variable aleatoria media aritmtica de
estas n variables: , sigue una distribucin:
Aproximacin a la distribucin normal la distribucin binomial
El teorema de Moivre (1.756) permite realizar esta aproximacin considerando que
las variables aleatorias sigan una distribucin binomial con: . Este
teorema fue generalizado posteriormente por Laplace en 1.810 para
distribuciones no simtricas .


Vimos que la variable aleatoria binomial era el nmero de xitos que tienen lugar
cuando se realizan n repeticiones independientes de un experimento o prueba de
Bernoulli. La variable aleatoria puede escribirse como la suma de n variables
aleatorias de Bernoulli:
Si es una variable aleatoria binomial, , con media y desviacin
tpica entonces, cuando la variable aleatoria:
, es decir:
En la prctica, decir que n es lo suficientemente grande, se traduce en:

Lo que se hace es aproximar una distribucin discreta, como es la binomial, a una
distribucin normal que es continua, y ya que en el caso continuo la probabilidad o
masa asociada a un valor concreto de la variable aleatoria es nulo, tendremos que
utilizar la correccin de continuidad de Fisher para calcular la probabilidad
deseada:
Probabilidad en Correccin de continuidad




Aproximacin a la distribucin normal la distribucin de Poisson
En el caso de la distribucin de Poisson, la variable aleatoria nos establece el
nmero de veces que ocurre un suceso en un determinado intervalo de tiempo,
sabemos que la media y la varianza de esta distribucin coincide con el
parmetro .
Si el nmero de ocurrencias esperadas es elevado y el intervalo de tiempo se
divide en subintervalos de idntica longitud. En ese caso, el nmero total de
ocurrencias es la suma de las ocurrencias de cada subintervalo, y puede verse
como la suma de un nmero moderadamente grande de variables aleatorias, cada
una de las cuales representa el nmero de ocurrencias en un subintervalo del
periodo de tiempo, puede utilizarse la distribucin normal como una aproximacin
a la distribucin de Poisson. En la prctica la aproximacin es aceptable si .


El procedimiento prctico es anlogo al caso de la binomial, as pues si tenemos
una variable aleatoria que se distribuye segn una distribucin de Poisson de
parmetro , entonces cuando la variable aleatoria:
, es decir:
Al igual que en el caso de la distribucin binomial es necesario aplicar la
correccin de continuidad para calcular las probabilidades.



DISTRIBUCIN T DE STUDENT
en probabilidad y estadstica, la distribucin t (de student) es una distribucin de
probabilidad que surge del problema de estimar la media de una poblacin
normalmente distribuida cuando el tamao de la muestra es pequeo.

aparece de manera natural al realizar la prueba t de student para la determinacin
de las diferencias entre dos medias mustrales y para la construccin del intervalo
de confianza para la diferencia entre las medias de dos poblaciones cuando se
desconoce la desviacin tpica de una poblacin y sta debe ser estimada a partir
de los datos de una muestra.
historia
la distribucin de student fue descrita en 1908 por william sealy gosset. gosset
trabajaba en una fbrica de cerveza, guinness, que prohiba a sus empleados la
publicacin de artculos cientficos debido a una difusin previa de secretos
industriales. de ah que gosset publicase sus resultados bajo el seudnimo de
student.

distribucin t-student

ejemplo, en 16 recorridos de prueba de una hora cada uno, el consumo de
gasolina de un motor es de 16.4 gal, con una desviacin estndar de 2.1 gal.
demuestre que la afirmacin que el consumo promedio de gasolina de este motor
es 12.0 gal/hora



solucin, sustituyendo n=16, =12.0, =16.4 y s=2.1 en la formula de t-student, se
tiene

para el cual en las tablas, para o=5% y 15 gl es insignificante, y por tanto
se puede concluir que el consumo de 12 gal/h es real

ejemplo, encuentre los valores de la funcin para:
a. 14 gl, o=97.5%t
0.975
=-t
2.5%
=-2.145
b. p(-t
0.025
<t<t
0.05
)=0.925



ejemplo. se desea saber si un instrumento de medicin cualquiera est calibrado,
desde el punto de vista de la exactitud. para ello se consigue un valor patrn y se
lo mide 10 veces (por ejemplo: una pesa patrn para una balanza, un suero
control para un mtodo clnico, etc.). suponiendo que el resultado de estas
mediciones arroja una media de 52,9 y una desviacin de 3, usando un patrn de
valor 50, se debe determinar si el instrumento est calibrado y la estimacin de su
error sistemtico, si es que se prueba su existencia (no se usan unidades para
generalizar este ejemplo).

h
o
: = 50 el instrumento est calibrado en exactitud
h
1
: 50 no est calibrado. hay un error sistemtico



se trata de un ensayo de dos colas donde hay v =101=9 grados de libertad. de la
tabla t-student se obtienen los valores crticos para el 95% de t
0,05; 9
= 2,262, para el
99% de t
0,01; 9
= 3,25 y para un nivel del 99,9% es t
0,001; 9
= 4,781. lo que permite
establecer las zonas de aceptacin y rechazo:


dibujando las zonas con los valores crticos, el valor de t cae en la de rechazo para
el 95% y no alcanza para las otras. la conclusin es que se ha probado la
existencia de un error sistemtico con una confianza del 95%.

ejemplo. se midi colesterol total a 11 pacientes varones adultos escogidos al
azar los resultados obtenidos arrojan una media de 235 mg/dl y un desviacin
estndar de 35 mg/dl. ensayar la hiptesis de que se mantienen por debajo del
valor lmite de referencia de 220 mg/dl
.
h
o
: 220 mg/dl
h
1
: 220 ,g/dl



el valor t-student para una sola cola es,


valor no significativo pues t
0.05,10
=1.81, entonces cae dentro del intervalo del 95%

para el caso de una cola, el valor de tablas para el 95% debe ser el que est en la
tabla t-student para el 90% en dos colas. la idea es que el 10% en dos colas
significa el 5% en cada una, por la simetra de la curva de t-student. luego,
para v =10, el lmite para el 95% ser t = 1,812 en una cola y t = 2,228 para dos
colas. la conclusin es que no puede rechazar la hiptesis nula, por lo que debe
considerarse un colesterol total admisible desde el punto de vista clnico, por estar
por debajo del lmite de referencia.

ejemplo. un analgsico de plaza, afirma en su propaganda que alivia el dolor en el
90% de los casos antes de la primera hora luego de su ingesta. para validar esa
informacin, se hace un experimento en 20 individuos con cefalea. se observa que
fue efectivo en 15 de ellos.

h
o
: 0.9
h
1
: 0.9

el valor t-student para una sola cola es, siendo p el porcentaje de xitos
p=15/20=0.75 y la media de =0.90 con desviacin


valor es significativo pues t
0.999,19
=-3.579 o t
0.99,19
=-2.539 o t
0.95,19
=-1.729,
entonces cae fuera del intervalo del 95%. de todas formas la evidencia no
alcanza para rechazar la hiptesis a los niveles del 99% y 99,9%. se la rechaza al
nivel de 95% nicamente. si bien no es tan terminante, se puede afirmar que la
aseveracin es falsa con un 95% de confianza.

ejemplo. se aplica un medicamento a 15 pacientes que padecen cierta
enfermedad, escogidos al azar, y un placebo a 20 pacientes. en el primer grupo, la
desaparicin del estado febril se observa a las 19 horas de tratamiento en
promedio (con una desviacin de 2 h.). en el grupo control, la mejora se observa
en promedio las 25 horas con un desviacin de 3 horas. decidir si el medicamento
modifica el tiempo de curacin.


h
o
:
1
=
2

h
1
:
1

2


el valor t-student para dos colas para 33 gl, siendo




valor cae fuera del intervalo, como el valor hallado de t es mucho ms grande que
el valor crtico de tablas para 33 grados de libertad: t
;
=t
0,999;33
=3,44 (ensayo de
dos colas y un 99,9% de confianza), por tanto se obtuvieron resultados altamente
significativos como para rechazar la hiptesis nula. se tiene una prueba cientfica
del efecto del medicamento.

ejemplo. se desea verificar si hay diferencia en las mediciones a travs de dos
mtodos clnicos diferentes. se toma una muestra de suero lo suficientemente
grande como para obtener 10 alcuotas. se distribuyen al azar 5 alcuotas para
cada mtodo. efectuadas las mediciones, con el primero se tuvo una media de 85
mg/dl con un desviacin de 8 mg/dl. mientras que con el segundo se tuvo una
media de 83 mg/dl con un desviacin de 6 mg/dl.



h
o
:
1
=
2

h
1
:
1

2


el valor t-student para dos colas para 33 gl, siendo


por tanto, no se puede rechazar h
0
, pues hay diferencia entre ambos mtodos

ejemplo. se escogen al azar dos grupos formados por 20 individuos cada uno,
entre los que padecen cierta alergia. se administra una droga curativa al primer
grupo y se observa una mejora en 15 de los casos. al segundo grupo se le
administra un placebo y mejoran 13 de ellos. ensayar la hiptesis que la droga
sirve para curar ese tipo de alergia. se emplean las hiptesis siguientes:

h
0
:
1-2
= 0 las diferencias observadas se deben al azar
h
1
:
1-2
0 la droga produce efecto.

si se supone que ambas muestras fueron extradas de la misma poblacin, y por lo
tanto no hay diferencias entre las muestras observadas (h
0
)
1-2
= 0, eso significa
que el porcentaje de curados en dicha poblacin ser =
1
=
2
y habr que
estimarlo con los datos mustrales, calculando la proporcin ponderada con:
p=( total de curados en las muestras / total muestral ) = (15+13) / 40 = 0,7

entonces, sacando factor comn en la frmula de la varianza, esta resulta: o
2
() =
(1.) [2 / n] =(0,7 . 0,3) (2/20) = 0,021
y es o() = 0,145; de los datos del problema surgen p
1
=15/20 = 0,75 y p
2
= 13/20
= 0, 65
t = ( 0,75 0,65 ) / (0,021)1/2= 0,69 < t
0,95 ; 38
=2,02.
1-2
= 0 cae dentro de 95%.

un resultado no significativo. las diferencias observadas no se deben a la droga
sino al azar.



Ejemplo. sea el ndice cardaco ci (respuesta cardiaca normalizada para la
superficie del cuerpo) el cual se mide con un procedimiento invasivo como es el
colocar un catter en el corazn del paciente llamado termo-dilucin (el mtodo
viejo) y la unidad de medicin son litros por minuto tomado por m2 de superficie
del cuerpo humano. se ha propuesto una nueva manera de medir esa magnitud
con una tcnica no invasiva, llamada el mtodo de la bioimpedancia, en la cual se
le adosa un instrumento al cuerpo de paciente en forma externa, y mide en forma
elctrica el valor del ci usando una escala adecuada (el mtodo nuevo). el criterio
clnico de aceptacin es: el nuevo mtodo se considerar equivalente al viejo
cuando, en promedio, el valor obtenido difiera en un 20% respecto al promedio
aceptado de 2,75 l / min. / m2 para el mtodo del catter. esto significa que el 20%
de tal valor es = 0,55. luego el planteo se hace as:

h
o
: .
v

n
. = ... > = 0,55 o lo que es lo mismo (
v

n
) = = 0,55
h
1
: .
v

n
. = ... < = 0,55 cuyo equivalente es (
v

n
) = 0,55


se toma una muestra de n=96 individuos a los cuales se le aplica el mtodo
nuevo, los valores encontrados fueron un promedio de 2,68 l / min. / m2, y un
desviacin estndar de 0,26 l / min. / m2 luego ser,


como se observa t=-2.642 es mayor que t
0.99,95
=-2.62, lo que indica que hay
evidencia significativa como para rechazar a h
0


ejemplo. se escogen 5 pacientes al azar, del grupo que concurre diariamente al
laboratorio de anlisis clnicos a efectuarse una determinacin de uremia. las
muestras extradas se miden con el procedimiento habitual y adems con una
nueva tcnica clnica que se desea probar. ver si hay diferencia entre ambas
tcnicas. los resultados expresados en g/l fueron:

paciente 1 2 3 4 5
Vieja 0.38 0.54 0.22 0.11 0.23
nueva 0.33 0.45 0.15 0.09 0.22
diferencia 0.05 0.09 0.07 0.02 0.01

promedio y desviacin estndar, respectivamente: 0.048 y 0.033

con los valores de las diferencias se calculan, luego


que obviamente es mayor que t
0.95,4
=2.776, entonces o cae por fuera del intervalo,
y entonces se tienen evidencia significativa de que hay diferencia entre ambas
tcnicas.






















DISTRIBUCION "F" FISHER
La necesidad de disponer de mtodos estadsticos para comparar las varianzas de
dos poblaciones es evidente a partir del anlisis de una sola poblacin.
Frecuentemente se desea comparar la precisin de un instrumento de medicin
con la de otro, la estabilidad de un proceso de manufactura con la de otro o hasta
la forma en que vara el procedimiento para calificar de un profesor universitario
con la de otro.
Intuitivamente, podramos comparar las varianzas de dos
poblaciones, y , utilizando la razn de las varianzas mustrales s
2
1
/s
2
2
.
Si s
2
1
/s
2
2
es casi igual a 1, se tendr poca evidencia para indicar
que y no son iguales. Por otra parte, un valor muy grande o muy
pequeo para s
2
1
/s
2
2
, proporcionar evidencia de una diferencia en las varianzas
de las poblaciones.
La variable aleatoria F se define como el cociente de dos variables aleatorias ji-
cuadrada independientes, cada una dividida entre sus respectivos grados de
libertad. Esto es,

donde U y V son variables aleatorias ji-cuadrada independientes con grados de
libertad
1
y
2
respectivamente.
Sean U y V dos variables aleatorias independientes que tienen distribucin ji
cuadradas con grados de libertad, respectivamente. Entonces la
distribucin de la variable aleatoria est dada por:




y se dice que sigue la distribucin F con grados de libertad en el numerador
y grados de libertad en el denominador.
La media y la varianza de la distribucin F son:
para
para

La variable aleatoria F es no negativa, y la distribucin tiene un sesgo hacia la
derecha. La distribucin F tiene una apariencia muy similar a la distribucin ji-
cuadrada; sin embargo, se encuentra centrada respecto a 1, y los dos
parmetros proporcionan una flexibilidad adicional con respecto a la forma
de la distribucin.
Si s
1
2
y s
2
2
son las varianzas muestrales independientes de tamao n
1
y
n
2
tomadas de poblaciones normales con varianzas
1
2
y
2
2
,
respectivamente, entonces:

Para manejar las tablas de Fisher del libro de Introduccin a la Inferencia
Estadstica del autor Genther, se tendr que buscar primero los grados de
libertad dos para luego localizar el rea correspondiente, relacionndola con los
grados de libertad uno, para calcular el valor de F.






Las tablas tienen la siguiente estructura:


P 1 2 3 . .. 500
6 0.0005
0.001
0.005
.
.
0.9995 30.4
El valor de 30.4 es el correspondiente a una Fisher que tiene 3 grados de libertad
uno y 6 grados de libertad dos con un rea de cero a Fisher de 0.995. Si lo vemos
graficamente:

Como nos podemos imaginar existen varias curvas Fisher, ya que ahora su forma
depende de dos variables que son los grados de libertad.


Ejemplos :
1. Encontrar el valor de F, en cada uno de los siguientes casos:


a. El rea a la derecha de F, es de 0.25 con =4 y =9.
b. El rea a la izquierda de F, es de 0.95 con =15 y =10.
c. El rea a la derecha de F es de 0.95 con con =6 y =8.
d. El rea a la izquierda de F, es de 0.10 con con =24 y
=24
Solucin:
a. Como el rea que da la tabla es de cero a Fisher, se tiene que localizar
primero los grados de libertad dos que son 9, luego un rea de 0.75 con 4
grados de libertad uno.

b. En este caso se puede buscar el rea de 0.95 directamente en la tabla con
sus respectivos grados de libertad.




c. Se tiene que buscar en la tabla un rea de 0.05, puesto que nos piden un
rea a la derecha de F de 0.95.

d. Se busca directamente el rea de 0.10, con sus respectivos grados de
libertad.

1. Si s
1
2
y s
2
2
son las varianzas muestrales de muestras aleatorias
independientes de tamaos n
1
=10 y n
2
=20, tomadas de poblaciones
normales que tienen las mismas varianzas, encuentre P(s
1
2
/s
2
2
2.42).
Solucin:
Primero se establecen los grados de libertad. Como en el numerador est la
poblacin uno y en el denominador la poblacin dos, entonces los grados
de libertad uno equivalen a 10-1=9 y los grados de libertad dos a 20-1=19.
Se procede a ir a la tabla a buscar los grados de libertad dos que son 19 y
se observa que no estn, por lo tanto se tiene que interpolar entre 15 y 20
grados de libertad, buscando el valor de fisher que quedara:



Este valor de 2.42 se busca en la columna de 9 grados de libertad uno, con
15 grados de libertad dos, y se encuentra los siguiente:
Area

0.90 2.09
0.95 2.59
Al interpolar entre estos dos valores nos queda un rea de 0.933.
Se procede a hacer lo mismo pero con 20 grados de libertad dos:
Area

0.95 2.39
0.975 2.84
Al interpolar entre estos dos valores nos queda un rea de 0.9516.
Ahora ya se tienen las dos reas referentes a los grados de libertad dos,
por lo que se interpolar para ver cunto le corresponde a los grados
libertad dos con un valor de 19.

Area
15 0.933
20 0.9516





Al interpolar nos queda que para 9 grados de libertad uno y 19 grados de
libertad dos con un valor de Fisher de 2.42 el rea a la izquierda es de
0.9478.

2. Si s
1
2
y s
2
2
representan las varianzas de las muestras aleatorias
independientes de tamao n
1
= 25 y n
2
= 31, tomadas de poblaciones
normales con varianzas
1
2
=10 y
2
2
= 15, respectivamente, encuentre P(s
1
2
/s
2
2
> 1.26).
Solucin:
Calcular el valor de Fisher:

Luego se va a la tabla de Fisher a buscar 30 grados de libertad 2 con 24 grados
de libertad uno. Cuando se este en esta posicin se busca adentro de la tabla el
valor de Fisher de 1.89. Al localizarlo y ver a la izquierda de este valor se obtiene
un rea de 0.95, pero esta rea correspondera a la probabilidad de que las
relaciones de varianzas muestrales fueran menor a 1.26, por lo que se calcula su
complemento que sera 0.05, siendo esta la probabilidad de que s
1
2
/s
2
2
> 1.26.

Intervalo de Confianza para el Cociente de Varianzas de Dos Distribuciones
Normales


Supngase que se tienen dos poblaciones normales e independientes con
varianzas desconocidas
1
2
y
2
2
, respectivamente. De este par de
poblaciones, se tienen disponibles dos muestras aleatorias de tamaos n
1
y n
2
,
respectivamente, sean s
1
2
y s
2
2
las dos varianzas muestrales. Se desea conocer
un intervalo de confianza del 100( ) por ciento para el cociente de las dos
varianzas,
1
2
/
2
2
.
Para construir el intervalo de confianza para el cociente de dos varianzas
poblacionales, se coloca la varianza muestral mayor en el numerador del
estadstico F.
Ejemplos:
1. Un fabricante de automviles pone a prueba dos nuevos mtodos de
ensamblaje de motores respecto al tiempo en minutos. Los resultados se
muestran el la tabla:
Mtodo 1 Mtodo 2
n
1
= 31 n
2
= 25
s
1
2
= 50 s
2
2
= 24
Construya un intervalo de confianza del 90% para
1
2
/
2
2
.
Solucin:
Por la recomendacin de que la varianza muestral mayor va en el
numerador se tiene la siguiente frmula:

al despejar: .





F toma dos valores dependiendo del nivel de confianza y de los grados de
libertad. En este caso los grados de libertad uno valen 30 y los grados de
libertad dos 24.

y
Estos resultados los podemos interpretar de la siguiente manera:
Con un nivel de confianza del 90% se sabe que la relacin de varianzas
1
2
/
2
2
esta entre 1.07 y 3.93. Esto supondra que la varianza de la
poblacin 1 es mayor a la varianza de la poblacin 2 entre 1.07 y 3.93.

Cundo usar esta distribucin?
Esta es la distribucin de probabilidad de la razn de dos varianzas
provenientes de dos poblaciones diferentes. Por medio de esta distribucin
es posible determinar la probabilidad de ocurrencia de una razn especfica
con v
1
=n
1
-1 y v
2
=n
2
-1 grados de libertad en muestras de tamao n
1
y n
2
.
Es la distribucin ms importante en experimentacin pues permite hacer
clculos sobre varianzas diseminadas determinando si las diferencias
mostradas son significativas y por lo tanto atribuibles a cambios importantes
en el comportamiento de las poblaciones en estudio.






Frmula :
Donde :
N
1
: N de datos de la muestra 1
N
2
: N de datos de la muestra 2
S
1
2
: Varianza muestral del grupo 1
S
2
2
: Varianza muestral del grupo 2

1
2
: Varianza del grupo 1

2
2
: Varianza del grupo 2

















NIVEL DE SIGNIFICANCIA ()




REPRESENTACIN GRFICA
conjunta de U y V.
0. Es evidente, por su construccin, que solo puede tomar
valores positivos, como la chi cuadrado.
que si m y n tienden a infinitos, dicha distribucin se asemeja a la distribucin
normal.
de Fisher con n
viene dada por :






e la funcin de densidad con 25 grados de libertad en el numerador
y 10
grados de libertad en el denominador, se da en la siguiente figura.






0
1 * *
2
*
2
* *
2
) (
2
2
1 2 1
1
2
2
2
1 2 1
2 1
1
1
>
(

+
|
.
|

\
|
I
|
.
|

\
|
I
|
|
.
|

\
|
|
.
|

\
| +
I
=
+

x
x
v
v v v
x
v
v v v
x f
densidad Funcin
v v
v
v














GRADO DE LIBERTAD ( v
1
y v
2
)
Para calcular los valores del grado de libertad:
v
1
= N
1
1
v
2
= N
2
1
Nivel de Significancia ( )
F(, v
1 ,
v
2
)
Conclusin :
Fc > Ft Se Rechaza Ho
Fc < Ft Se Acepta Ho
Donde :
Fc = F calculado ( Por Frmula)
Ft = F tabla ( Ver tabla F(, v
1 ,
v
2
) )


GRAFICA DE LA DISTRIBUCION F




EJEMPLOS
Una compaa fabrica propulsores para uso en motores de turbina. Al ingeniero de
manufactura le gustara seleccionar el proceso que tenga la menor variabilidad en
la rugosidad de la superficie. Para ello toma una muestra de n
1
=16 partes del
primer proceso, la cual tiene una desviacin estndar s
1
= 4.7 micropulgadas, y
una muestra aleatoria de n
2
=12 partes del segundo proceso, la cual tiene una
desviacin estndar s
2
= 5.1 micropulgadas. Se desea encontrar un intervalo de
confianza del 90% para el cociente de las dos varianzas
1
2
/


2
2
. Suponga que los dos procesos son independientes y que la rugosidad de la
superficie est distribuida de manera normal.
Solucin:
Por la recomendacin de que la varianza muestral mayor va en el numerador se
tiene la siguiente frmula:

al despejar: .
En este caso los grados de libertad uno valen 11 y los grados de libertad dos 15.

y
Estos resultados los podemos interpretar de la siguiente manera:
Puesto que este intervalo de confianza incluye a la unidad, no es posible afirmar
que las desviaciones estndar de la rugosidad de la superficie de los dos procesos
sean diferentes con un nivel de confianza del 90%.




















1.- Averiguar si la variabilidad del salario por hora es la misma en dos sucursales,
o si la variabilidad de la sucursal 1 es mayor que la de la sucursal 2. La
comparacin de la variabilidad de las dos sucursales constituye el primer paso en
un estudio detallado sobre ingresos.
Se toman muestras aleatorias de los salarios por hora en cada sucursal para
determinar las varianzas muestrales y elegimos un nivel de significancia de 0,05.
La hiptesis nula y alternativa son:
H0 : 12 - 22 0
H1 : 12 - 22 > 0
Los resultados de la muestra son:
S1 = $3,79 S12 = 14,3641 n1 = 21 (Sucursal 1)
S2 = $2,48 S22 = 6,1504 n2 = 25 (Sucursal 2)

15 15 1 . 0 9 . 0 1 ) 97 . 1 (
2 1
= = = = > v y v para F P
15 15 99 . 0 ) 52 . 3 (
2 1
= = = s v y v para F P
En un proceso hay dos mquinas cortadoras diferentes en antigedad lo que hace pensar que las
varianzas de corte no son iguales. Se toma una muestra de 16 partes de cada mquina, cul es
la probabilidad de que la razn de varianzas sea:
a. mayor a 1.97?
b. menor a 3.52?

SOLUCIN
a. La probabilidad de que la razn de varianzas sea mayor a 1.97 es 0.1.


b. La probabilidad de que la razn de varianzas sea menor a 3.52 es 0.99.




El estadstico F se calcula mediante la ecuacin anteriormente explicada:
S12 14,3641
F = ------- = ---------------- = 2,34
S22 6,1504
El cociente F indica que la varianza muestral de la poblacin 1 es 2,34 veces la
varianza muestral de la poblacin 2. Sin embargo, dados los tamaos de las
muestras Es suficiente esta evidencia para rechazar la hiptesis de que las
poblaciones tiene la misma varianza?. Se necesita el valor crtico de F para
contestar esta pregunta. Primero, se calculan los grados de libertad para el
numerador y el denominador:
Gl (numerador) = (n1 - 1) = (21 - 1) = 20
Gl (denominador) = (n2 - 1) = (25 - 1) = 24
Se usa la tabla F para encontrar el valor crtico. Hay dos valores de F en la tabla:
uno para el nivel de significancia de 0,05 y otro para el nivel de 0,01. Al ser sta
una prueba de una cola, como sugiere la hiptesis alternativa, toda el rea de 0,05
o de 0,01 estar en el extremo superior de la curva.
Las columnas de la tabla F representan los grados de libertad del numerador, por
lo que se selecciona la columna 20. Las filas corresponden a los grados de
libertad del denominador, as que se elige la fila 24. El valor crtico de F a un nivel
de significancia de 0,05 para 20 grados de libertad en el numerador y 24 grados
de libertad en el denominador es 2,02.
El cociente F calculado a partir de los datos de la muestra es 2,34. Segn este
valor de prueba, la hiptesis nula se rechaza (2,34 > 2,02). Si acepta un riesgo del
5% de un error de tipo I, las poblaciones no tienen la misma varianza.









EJEMPLO
2.- Son iguales las varianzas de dos poblaciones de edades de los artculos en
inventario, o la poblacin 2 tiene una mayor varianza? Se toman muestras
aleatorias de 53 artculos de cada poblacin de inventario y se calculan las
varianzas muestrales. La prueba ha de llevarse a cabo con un nivel de
significancia de 0,01. Las hiptesis nula y alternativa son:
H0 : 22 - 12 0
H1 : 22 - 12 > 0
Los grados de libertad del numerador y denominador son 52 (53-1). En
La tabla F abreviada, la fila 50 y la columna 50 se usan como aproximaciones de
los grados de libertad. La regla de decisin es:
Si el cociente F calculado es mayor que 1,94, se rechaza la hiptesis
nula (se rechaza H0 si F > 1,94).
Los resultados de la muestra son:
S12 = 489 n1 = 53 (inventario 1)
S22 = 1,37 n2 = 53 (inventario 2)
El estadstico F se calcula mediante la ecuacin anteriormente
explicada:
S12 1,370 S22 489
F = ------------ = ----------- = 2,8
Una de las varianzas muestrales es 2,8 veces mas grande que la otra.
La hiptesis nula se rechaza ya que el estadstico de prueba (2,8) excede al
valor crtico (1,94) de la tabla F. Se puede concluir que el inventario 2 tiene mas
variabilidad en el tiempo que el inventario 1.









CONCLUSIN
La distribucin de probabilidad nos describe el comportamiento de
fenmenos estadsticos esto quiere decir que es un listado de las
probabilidades de todos los resultados posibles si se efecta un
experimento nos da la facilidad de dar una respuestas correcta a las
interrogantes.
En la contadura pblica esto nos permite describir la probabilidad de
que un evento se realice en el futuro ya que la utilizamos como
herramienta para la prospectiva, ya que esto nos permite el diseo de
un escenario de acontecimientos futuros y esto nos permite la toma de
decisiones.














FUENTES CONSULTADAS

Contraste sobre varianzas
e-stadistica.bio.ucm.es
http://speroconsulting.com/es/perspectiva/ilustraciones/gesti%C3%B3n-de-la-
incertidumbre/#sthash.Mtw4Xeud.dpbs
speroconsulting.com
https://www.google.com.mx/search?q=distribucion+f+ejemplos&sa=X&rlz=1C1KM
ZB_enMX565MX565&espv=2&es_sm=93&tbm=isch&tbo=u&source=univ&ei=q_h
GU4f7L4Wb2QXZ7YGwBw&ved=0CC4QsAQ&biw=1366&bih=624#facrc=_&imgdii
=_&imgrc=XTBPTHqnJ5hOQM%253A%3BghIQDxtgzl1GIM%3Bhttp%253A%252F
%252Fhtml.rincondelvago.com%252F000440911.jpg%3Bhttp%253A%252F%252
Fhtml.rincondelvago.com%252Fanalisis-de-la-varianza_1.html%3B600%3B269
informaciona.com
https://www.google.com.mx/search?q=distribucion+f+ejemplos&sa=X&rlz=1C1KM
ZB_enMX565MX565&espv=2&es_sm=93&tbm=isch&tbo=u&source=univ&ei=q_h
GU4f7L4Wb2QXZ7YGwBw&ved=0CC4QsAQ&biw=1366&bih=624#facrc=_&imgdii
=ROyis0U8Gwm5aM%3A%3BZheWucnlV_hvsM%3A%3BROyis0U8Gwm5aM%3
A&imgrc=ROyis0U8Gwm5aM%253A%3Bw4ft9qPpKfKlaM%3Bhttp%253A%252F
%252F0701.static.prezi.com%252Fpreview%252Fnl2eyv5gcmrxuvbdzst5g5qivead
w6rhlm5vs2oll757hbaoaxlq_0_0.png%3Bhttp%253A%252F%252Fprezi.com%252
Fc6qr0tliqykq%252Fproyecciones-cartograficas%252F%3B269%3B160
Proyecciones Cartogrficas de Alisson Rodriguez en Prezi
https://www.google.com.mx/search?q=distribucion+f+ejemplos&sa=X&rlz=1C1KM
ZB_enMX565MX565&espv=2&es_sm=93&tbm=isch&tbo=u&source=univ&ei=q_h
GU4f7L4Wb2QXZ7YGwBw&ved=0CC4QsAQ&biw=1366&bih=624#facrc=_&imgdii
=_&imgrc=ROyis0U8Gwm5aM%253A%3Bw4ft9qPpKfKlaM%3Bhttp%253A%252F
%252F0701.static.prezi.com%252Fpreview%252Fnl2eyv5gcmrxuvbdzst5g5qivead
w6rhlm5vs2oll757hbaoaxlq_0_0.png%3Bhttp%253A%252F%252Fprezi.com%252
Fc6qr0tliqykq%252Fproyecciones-cartograficas%252F%3B269%3B160


Ejercicios Resueltos De Distribucion F De Fisher - docuteka
docuteka.net
Ejercicios Resueltos De Distribucion F De Fisher - docuteka
docuteka.net
Temas 1 y 2 - enunciados - ULPGC - Universidad de Las Palmas de ... PDF -
docuteka
docuteka.net
APENDICE 1: TABLAS ESTADISTICAS TABLA 2: DIST

You might also like