APLICACIONES DE LA DISTRIBUCIN

Por Jos Antonio ROMERO LPEZ Profesor de Matemticas del Instituto de Educacin Secundaria "Isidro de Arcenegui y Carmona", de Marchena, Sevilla-Spain. E-MAIL: rljatf@teleline.es

1. Biografas de Von Neumman y de la familia Bernuilli 2. Aplicaciones de la distribucin chi-cuadrado. 2.1. Test de bondad del ajuste. 2.2. Test de independencia. 2.3. Test de homogeneidad. 3. Problemas resueltos. 4. Resolucin de problemas con el ordenador. 5. Problemas propuestos. 6. Resumen. 7. Bibliografa.

1. Biografas de Von Newmann y de la Familia Bernuilli:

Neumann, John von

Vida

1903 matemtico estadounidense nacido en Hungra, que desarroll la rama de las matemticas conocida como teora de juegos. Naci en Budapest y estudi en Zurich y en las universidades de Berln y Budapest.

1930 Viaj a Estados Unidos en 1930 para unirse al claustro de la Universidad de Princeton.

1933 A partir de 1933 se incorpor al Instituto de Estudios Avanzados de Princeton (Nueva Jersey).

1937 Adquiri la nacionalidad estadounidense en 1937 y durante la II Guerra Mundial ejerci como asesor en el proyecto de la bomba atmica de Los lamos.

1955 En marzo de 1955 fue nombrado miembro de la Comisin de Energa Atmica de los Estados Unidos.

Obra Von Neumann fue un gran matemtico. Destac por sus aportaciones fundamentales a la teora cuntica, especialmente el concepto de anillos de operadores (actualmente conocido como lgebra de Neumann) y tambin por su trabajo de iniciacin de las matemticas aplicadas, principalmente la estadstica y el anlisis numrico. Tambin es conocido por el diseo de computadoras electrnicas1 de gran velocidad. En 1952 dise la primera computadora que utilizaba un programa archivado flexible, el MANIAC I. Notas o
1En 1956, la Comisin de Energa Atmica le concedi el premio Enrico Fermi por sus notables aportaciones a la teora y al diseo de las computadoras electrnicas.

Familia Bernouilli El nombre Bernouilli est asociado una familia de sabios suizos que sobresalieron por sus aportaciones a las matemticas y la fsica. Jams ha habido una familia de cientficos que haya aportado tanto como ellos. La familia de Jacobo Bernouilli proceda de la ciudad de Francfort del Main donde se haban visto obligados a refugiarse huyendo de las persecuciones religiosas de la ciudad de Amberes durante la segunda mitad del siglo XVI. Un descendiente suyo, Nicolas Bernouilli, decidi en 1583 trasladarse a Basilea donde naci Nikolaus que lleg a gozar de cierto prestigio en la ciudad. El rbol genealgico de la familia Bernouilli es el siguiente:

Destacamos como matemticos a: Jakob I: estudi teologa, aunque su aficin natural lo inclinaron a los estudios de las matemticas y la astronoma. Se dedic a dar clases de fsica y matemticas en Basilea, siendo uno de sus alumnos su hermano Johann I. Escribi Ars conjectandi (Arte de la conjetura) a finales del siglo XVII, publicado por su sobrino Nikolaus ocho aos despus de su muerte. En esta obra enuncia la ley de los grandes nmeros: "La frecuencia relativa de un suceso tiende a estabilizarse en torno a un nmero, a medida que el nmero de pruebas del experimento crece indefinidamente". Dicha obra consta de cuatro partes. La primera contiene los estudios de Huygens; la segunda se ocupa de las variaciones, permutaciones y combinaciones; en la tercera se aplican los teoremas de la teora de permutaciones al clculo de probabilidades y en la cuarta, a las aplicaciones de ste a cuestiones de la vida poltica y social.

Johann I: desoyendo los consejos de su padre para que estudiase comercio, estudi medicina doctorndose en 1694. No obstante ejerci diez aos el profesorado en matemticas y fsica en Groninga hasta que en 1705 regresa a Basilea para encargarse de una ctedra de griego, pero habiendo muerto su hermano Jacobo, le fue confiada la ctedra de matemticas de ste, la cual desempe durante cuarenta y dos aos, al cabo de los cuales muri. Las universidades de Leiden, Padua, Groninga y Berln hicironle diferentes ofertas llamndole a su seno, ms nunca fueron aceptadas.

Nikolaus II: fue discpulo de Johann I y Jacob I, se dedic al estudio de las matemticas y de la jurisprudencia. A los diez y seis aos se dedica a auxiliar a su padre, Johann. En 1716 es nombrado profesor en Padua; en 1722 se hizo cargo de la ctedra de lgica de Basilea y en 1731 de otra de enseanza del Cdigo. As mismo, estudia pintura en Augsburgo, perteneciendo al gremio de pintores de su ciudad natal.

Nikolaus III: estudi matemticas y derecho, teniendo como discpulo a su hermano Daniel I. Se encarg en 1723 de una ctedra de derecho de Berna.

Daniel I: aunque consigui el ttulo mdico en 1721, su mayor aficin fueron las matemticas. Fue profesor de matemticas en la Academia Rusa de San Petersburgo en 1725 junto con su hermano Nicolas. Nicolas muere al ao y medio de vivir en Rusia, y Daniel, transcurridos los cinco aos de permanencia en San Petersburgo fuse a vivir otra vez a Basilea donde ensea anatoma, botnica, fsica y filosofa especulativa.

Johann II: se dedic a la enseanza de las matemticas en la ctedra que haba hecho famosa su to y padre en Basilea. La Academia de Ciencias de Pars le premi tres memorias escritas en colaboracin con su hermano Daniel. Fue miembro de la Academia de Berln.

Jacob II : Ocupa la ctedra de fsica de su tio Daniel haba poseido. Dedcose a viajar hasta que en San Petersburgo se casa con una nieta de Euler, establecindose en dicha ciudad, a cuya Academia

perteneci, asi como a la Sociedad fsica de Basilea y a la Sociedad real de Turn. Sus primeros trabajos hicieron concebir de l grandes esperanzas, pero muri prematuramente de apoplejia a los treinta aos, bandose en el Neva.

Johann III: Se dedicaron a la enseanza de las matemticas, astronoma y filosofa. A los diez y nueve aos fue nombrado astrnomo de la Academia de Berln. En 1779 es nombrado director de la clase de matemticas de la Academia de Berln. Fue miembro de las academias de Estocolmo y San Petersburgo. Otros miembros de la familia: Cristobal: Naturalista suizo,fue profesor de la Universidad de Halle y de Basilea, donde fund un establecimiento particular de enseanza.

Jernimo: Naturalista suizo que recoge numerosos materiales para un gabinete de historia para un gabinete de historia natural que a su muerte leg a Basilea, y escribi importantes trabajos sobre mineraloga.

Juan Jacobo: Arquelogo suizo, que ejerce como profesor en la Universidad de Basilea.

Nicolas I: Pintor suizo; estudia en Estrasburgo y en Pars, residiendo algunos aos en Italia. En el museo de Basilea se conserva un retrato de su hermano Jacobo.

2. Aplicaciones de la distribucin 2 : Adems de la importancia de la distribucin 2 como la distribucin a la que se ajusta la distribucin muestral de la varianza de una poblacin normal, y su posterior aplicacin en el contraste de la varianza, otras aplicaciones importantes de dicha distribucin son: 2.1. Test de Bondad de Ajuste. 2.2. Test de Independencia. 2.3. Test de Homogeneidad.

A continuacin se especifica la notacin que se utilizar a lo largo del desarrollo de la unidad y a la que se har referencia. n = tamao de la muestra correspondiente. 1- = nivel de confianza = nivel de riesgo o de significacin.

es el valor de una variable chi-cuadrado con (n-1) grados de libertad que deja a su derecha un rea (probabilidad) de valor . OBSERVACIN: En el caso de dos poblaciones se utilizarn subndices.

2.1 Test de bondad de ajuste. Consideramos una poblacin y el carcter X que presenta las siguientes modalidades x1, x2, ......., xk excluyentes con sus correspondientes probabilidades p1, p2, ....., pk. Tenemos una muestra de tamao n en la que observamos el carcter X y nos planteamos hasta qu punto esta muestra se puede considerar como perteneciente a una poblacin con una distribucin terica ya conocida. Independientemente de la distribucin terica que consideremos siempre existirn diferencias entre los valores tericos esperados y los valores observados. El problema est en saber en qu medida dichos valores son debidos al azar o a que los datos no se ajustan a la distribucin terica considerada. Si denotamos por: Oi=n de elementos de la muestra con el carcter xi.

. pi = probabilidad terica de que la variable aleatoria X tome el valor xi verificndose que Si tenemos una muestra de tamao n, el nmero de elementos que cabe esperar que tomen el valor

xi es: ei = n.pi verificndose que

Podremos formar la siguiente tabla:

Variable X Frecuencias observadas Frecuencias esperadas

x1 O1 e1

x2 O2 e2

...................... ...................... ......................

xk OK ek

Consideramos como hiptesis nula e hiptesis alternativa a: HO: la distribucin emprica se ajusta a la distribucin terica considerada. H1: Se rechaza el ajuste.

Evidentemente, si aceptamos la hiptesis nula(aceptamos el ajuste), las diferencias entre los valores observados y los valores esperados son debidas al azar y podemos decir que no existen evidencias para rechazar dicha hiptesis; en otro caso diremos existen diferencias significativas para el nivel de significacin marcado entre ambas distribuciones, no pudiendo atribuirse las diferencias entre las distribuciones empricas y observadas al azar.

El estadstico que se utilizar para dicho contraste ser:

T=

Pearson demostr que la distribucin de dicho estadstico es una c2 con k-1 grados de libertad en el caso de no existir discrepancias entre los valores observados y los esperados. Se acepta Ho si: T < Se rechaza Ho si: T >= (REGIN DE ACEPTACIN) (REGIN CRTICA).

A la hora de aplicarlo correctamente tenemos que realizar las siguientes consideraciones: A.- Las frecuencias esperadas de las distintas modalidades deben ser superiores a cinco; en caso de ocurrir se deben agrupar clases contiguas en una sola clase hasta lograr que la nueva frecuencia sea mayor que cinco. Esto supone cambiar la distribucin terica con la consiguiente prdida de informacin. B.- Si para obtener las frecuencias esperadas se necesitan estimar p parmetros entonces los grados de libertad de la c2 son k-p si son independientes y k-p-1 si son excluyentes las modalidades. C.- Se puede aplicar a las distribuciones continuas como discretas.

Ejemplo : Se desea probar si el nmero de rayos gamma emitidos por segundo por cierta sustancia radiactiva es una variable aleatoria que tiene la distribucin de Poisson de parmetro l =2,4. Utilice los siguientes datos obtenidos en 300 intervalos de segundo para probar dicha hiptesis a un nivel de significacin 0,05.

N de 0 rayos gamma Valores 20 observados

7 o ms

48

65

75

45

34

La

poblacin

en

estudio

son

los

rayos

gamma

emitidos

por

una

sustancia

radiactiva.

Se trata de contrastar las hiptesis: Ho: La distribucin observada sigue una distribucin P(2,4). H1: La distribucin observada no sigue una distribucin P(2,4)

El nivel de confianza es 1-a =0,95 puesto que el nivel de significacin es a =0,05 y el tamao de la muestra n=300 El estadstico del contraste ser el definido anteriormente, para ello deberemos calcular los valores esperados bajo la hiptesis Ho.

Calculamos los valores esperados para una Poisson de parmetro l =2,4. Se tiene que las probabilidades de una Poisson de parmetro l =2,4 son (mirando en la tabla de la distribucin de Poisson):

Valores de X

7 o ms

Probabilidades 0,0907 0,2177 0,2613 0,2090 0,1254 0,0602 0,0241 0,0116

Para hallar los valores esperados bastar con multiplicar las probabilidades por el nmero de observaciones, obtenindose:

Valores de X

7 o ms 3,48

Valores 27,21 65,31 78,39 62,7 esperados

37,62 18,06 7,23

Como se observa, existe un valor esperado menor que 5, por lo que debemos de agrupar dos clases contiguas, en este caso, los clases 6 y 7 o ms, con lo cual las distribuciones quedaran:

Valores de 0 X Valores esperados 27,21

1 65,31 48

2 78,39 65

3 62,7 75

4 37,62 45

5 18,06 34

6 ms 10,71 13

Valores 20 observados

Aplicando la frmula resulta que el valor del estadstico para dicho contraste vale

T=

= 27,2047

Calculamos el valor del punto crtico de una chi-cuadrado con un valor de a =0,05(nivel de significacin) y (7-1) grados de libertad, es decir, c20,05(6) = 12,592 mirando en las tablas La regin crtica es: T mayor o igual que 12,592, es decir, el intervalo (12,592, +infinito)

Como el valor del estadstico T es mayor que el punto crtico se rechaza la hiptesis Ho. T=27,2047 y 12,592 = c20,05(6) Luego tenemos evidencias de que la distribucin emprica no sigue una distribucin P(2,4). OBSERVACIN: En el caso de que el ajuste sea por una distribucin normal es preferible aplicar otro test ms potente: test de Kolmogorov.

2.2. Contraste de dependencia o independencia de caracteres. Deseamos saber si dos caracteres X e Y de una poblacin son dependientes o independientes. Suponemos que las modalidades que presentan cada una de las variables X e Y son: X: x1, x2, .........., xk Y: y1, y2,..........., ym

y se ha tomado una muestra de tamao n midindose dichas caractersticas X e Y en cada uno de los elementos de la muestra.

Si denotamos por: Oij = n de elementos que presentan la caracterstica xi e yj eij = n de elementos esperados que presenten los valores xi , yj si las variables son independientes.

Podramos formar la siguiente tabla de contingencia en la que aparecen las frecuencias empricas y las tericas: Y X x1 O11 e11 .......... xi ......... ...... Oi1 ei1 ....... xk ...... ...... O1j e1j ......... O1m e1m Ox1 y1 ...... Yj ....... ym Frecuencias absolutas X

......... ......... ........ ............ Oij eij ......... Oim eim Oxi

......... ....... ......... ......... ........ ......... Ok1 ek1 ....... Okj ekj ....... Oyj ........ ......... Okm ekm Oym n Oxk

Frecuencias Oy1 absolutas Y

Para el clculo de las frecuencias tericas podemos utilizar la siguiente frmula si las dos variables son independientes

eij = pij.n =

.n =

i=1,2,.....,k j=1,2,.....,m

Consideramos como hiptesis nula e hiptesis alternativa a: HO: X e Y son independientes. H1: X e Y no son independientes.

Si aceptamos la hiptesis nula, podemos considerar que no tenemos evidencias que nos hagan suponer una dependencia entre las dos variables a un nivel de confianza de 1-a . Consideramos como estadstico del contraste:

T=

La distribucin de dicho estadstico es una c2con (k-1)(m-1) grados de libertad en caso de que las variables sean independientes a un nivel de confianza 1-a. Se acepta Ho si: T < Se rechaza Ho si: T >= (REGIN DE ACEPTACIN) (REGIN CRTICA).

Ejemplo El consejo de administracin de Telefnica desea conocer si la opinin, Y, de sus accionistas respecto a una posible fusin es independiente del nmero de acciones, X, que poseen. Una muestra de 500 accionistas proporciona la siguiente tabla:

Y X

A favor

En contra 18

Indecisos Total

Menos 25 de 200 2001000 Ms de 1000 Total 93 82

21

64

62 70

67 62

222 214

200

150

150

500

Contrastar a un nivel de confianza del 99,5% la independencia de las variables X e Y. La poblacin en estudio son los accionistas de Telefnica y deseamos ver si existe dependencia entre el nmero de acciones y la opinin acerca de una posible fusin.

Se trata de un test no paramtrico donde las hiptesis nula y alternativa son: Ho: X e Y son independientes H1: X e Y no son independientes.

El

nivel

de

confianza

es

1-a

=0,995,

luego

=0,005

el

tamao

muestral

n=500

Calculamos los valores esperados eij bajo la hiptesis nula (independencia de X e Y) aplicando la frmula Por ejemplo e11=64.200/500=25,6 donde n es el tamao de la muestra, 500. e12=64.150/500=19,2 ........

La tabla de los valores esperados sera:

Y X Menos de 200 2001000

A favor En contra 25,6 88,8 19,2 66,6 64,2 150

Indecisos Total

19,2 66,6 64,2 150

64 222 214 500

Ms de 85,6 1000 Total 200

El valor del estadstico experimental T vale:

T=

El valor del punto crtico es el valor de una chi-cuadrado con (3-1).(3-1) = 4 grados de libertad y 1a =0,955 que mirando en las tablas 6 nos da: c20,005(4)= 14,860 La regin crtica es, es decir, rechazamos Ho si: T &sup3; Como T=1,53 es menor que 14,86 se acepta Ho y podemos decir que no tenemos evidencias de que X e Y sean dependientes y se acepta la hiptesis de que la opinin de los accionistas es independiente del nmero de acciones que poseen con un riesgo del 0,5%.

2.3. Test de homogeneidad de varias muestras. Se trata de determinar si varias muestras que estudian el mismo carcter A han sido tomadas o no de la misma poblacin, respecto de dicha caracterstica A. Supongamos que tenemos k muestras de tamaos n1, n2, ......,nk siendo y1, y2, ......, yk los elementos de cada muestra que presentan una determinada caracterstica A y el resto no la presentan. Si suponemos que todas las muestras provienen de la misma poblacin, la proporcin de elementos que presentan la caracterstica A sera:

p= Si suponemos que las muestras provienen de la misma poblacin, los valores esperados para la caracterstica A en cada muestra seran: n1.p, n2.p, n3.p ,....... nk.p.

Podramos formar la siguiente tabla de contingencia en la que aparecen los valores observados y los valores esperados:

Muestras

presentan Presentan el carcter A No Se esperan con el carcter A carcter A Se esperan sin carcter A y1 n1.p ......... yi ni.p ......... yk nk.p n1-y1 n1(1-p) ........ ni-yi ni(1-p) ........ nk-yk nk(1-p)

el Tamao de las muestras el n1 ............ ni ......... nk

Primera muestra .......... i-sima muestra ....... k-sima muestra

Consideramos como hiptesis nula e hiptesis alternativa a: HO: todas las muestras provienen de la misma de la poblacin. H1: se rechaza que provengan de la misma poblacin.

Si aceptamos la hiptesis nula, podemos considerar que las muestras provienen de la misma poblacin y las diferencias entre los valores observados y los valores esperados son debidas al azar.

El estadstico que se utilizar ser: T =

La distribucin de dicho estadstico es una c2con k-1 grados de libertad en el caso de no existir discrepancias entre los valores observados y los esperados a un nivel de confianza 1-a Se acepta Ho si: T < Se rechaza Ho si: T >= (REGIN DE ACEPTACIN) (REGIN CRTICA)

En el caso de que los elementos de las muestras se clasifiquen en ms de dos categoras, el anlisis se realiza como en el caso de un test de independencia o dependencia entre variables, donde la tabla que se obtendra sera similar a la anterior, por filas aparecen las muestras y por columnas las distintas categoras. El estadstico sera el mismo que en el caso de independencia de variables y los valores esperados se calcularan de igual forma y la hiptesis nula ser Ho: todas las distribuciones se distribuyen homogneamente. Ejemplo: En un hospital se somete a examen la eficacia de cinco medicamentos a un determinado nmero de pacientes que aparece reflejado en la siguiente tabla, determinndose si al final del tratamiento mejoran o no.

Tratamiento N&ordm; de pacientes Pacientes mejorados

A 50 11

B 52 9

C 46 8

D 54 17

E 48 7

Total 250 50

Existe diferencia entre los diferentes medicamentos a un nivel de significacin 0,05 ? La poblacin son los medicamentos analizados y deseamos comprobar si alguno de los medicamentos es ms eficaz que los otros, es decir, si alguno de ellos puede considerarse que muestra diferencias significativas respecto de los dems.

Se trata de contrastar las hiptesis Ho: no existen diferencias significativas entre los cuatro medicamentos, es decir, provienen de la misma poblacin. H1: existen diferencias significativas en alguno de ellos.

El nivel de confianza es 1-a =0&acute;95, luego a =0&acute;05 y el tamao muestral n=250

Si denominamos yi = nmero de pacientes mejorados con el medicamento i. ni = nmero de pacientes que utilizan el medicamento i.

Y suponemos que no hay diferencias significativas entre los cuatro medicamentos, es decir, provienen de la misma poblacin(Ho cierta) tendramos que:

p = = 50/250 = 0,2 ser la proporcin de pacientes que mejoran si todas las muestras provienen de la misma poblacin, es decir, son homogneas. Calculando los valores esperados, ni.p, tendramos la siguiente tabla:

Tratamiento Pacientes mejorados Pacientes no mejorados Tamao Pacientes esperados que Pacientes esperados sin de mejoren mejora la muestra A B C D E 11 50.02=10 9 52.02=10,4 8 46.02=9,2 17 54.02=10,8 7 48.02=9,6 39 50.(1-02)=40 43 52.(1-02)=41,6 38 46.(1-02)=36,8 37 54.(1-02)=43,2 41 48.(1-02)=37,4 50 52 46 54 48

El valor del estadstico es: T =

= 5,8855

El valor del punto crtico es el valor de una chi-cuadrado con (5-1) = 4 grados de libertad y 0,05 que mirando en las tablas 6 nos da: c20,05(4)= 9488

La regin crtica es, es decir, rechazamos Ho si: T &sup3;

=9488

Luego como T=5,8855 es menor que 9488 aceptamos Ho, es decir, no existe diferencia entre los diferentes medicamentos con un nivel de confianza del 95%, para la mejora de los pacientes al finalizar el tratamiento.

3. Problemas Resueltos. 1. La calificacin final de los estudiantes de un curso de estadstica se clasifica por carreras. Se podra concluir que existe una asociacin entre la carrera y la calificacin final con un nivel de significacin del 0,05?

Psicologa Sobresaliente Notable Aprobado Suspenso 11 20 22 6

Medicina 28 34 8 4

Farmacia 22 30 13 9

2. En un laboratorio se observ el nmero de partculas que llegan a una determinada zona procedentes de una sustancia radiactiva en un corto espacio de tiempo siempre igual, anotndose los resultados en la siguiente tabla: N de partculas N de periodos de tiempo 0 1 2 3 4 5 2 120 200 140 20 10

Se pide: Ajustar a una distribucin de Poisson. Calcular la probabilidad con que llegan. Verificar si el ajuste es correcto mediante una 2, con un nivel de confianza =0,05

3. Una compaa de venta de libros quiere saber si el volumen de ventas, V, de sus distribuidores es independiente del carcter C, de los mismos. Para ello, recoge los siguientes datos de una muestra de 250 vendedores: V C Antipticos Normales Simpticos Bajo 38 30 32 Medio 29 42 59 Alto 9 7 4

Realiza un test de independencia a nivel de significacin de =0,1 Puedes utilizar la opcin Resolucin de problemas con el ordenador [*] para comprobar que las soluciones son: 1.- Test de independencia: Valor del estadstico del contraste T= Valor del punto crtico= 2.- Test de Bondad de Ajuste: Valor del estadstico del contraste T= Valor del punto crtico= 3.- Test de independencia: Valor del estadstico del contraste T= Valor del punto crtico= ; ; ;

[*] Resolucin de problemas con el ordenador Puedes resolver los problemas propuestos (o cualquier otro del mismo tipo), seleccionando la opcin adecuada: Para su resolucin se utiliza un programa en JAVA (test1.html) en el que se pide que se seleccione el tipo de problema a resolver, el nivel de significacin deseado y los datos del problema. Como resultado nos muestra el valor del estadstico experimental y terico del contraste y la decisin que se debe tomar. Para ello basta con pulsar en JAVA.

5. Problemas propuestos:

1. Disponemos de un lote de 400 dispositivos electrnicos, cada uno de los cuales consta de 3 circuitos, observndose el siguiente nmero de defectos en cada dispositivo electrnico. Aproximar dicha distribucin por una binomial, viendo si es un buen ajuste con un nivel de significacin de 0,05.

N de circuitos defectuosos N de dispositivos

0 49

1 153

2 148

3 50

2. Un partido poltico desea conocer si existe relacin entre el grado de aceptacin de su programa electoral(X) y el sueldo medio(Y) expresado en miles de ptas. Para ello selecciona al azar a 50 personas y obtiene los siguientes datos: X Y Menos de 100
Entre 100 y 300

A favor

En contra

Indecisos

Total

3 9 7 19

2 6 7 15

2 7 7 16

7 22 21 50

Ms de 300 Total

Aceptara el partido poltico que el sueldo medio de los electores explicase el grado de aceptacin del programa electoral a un nivel de confianza del 95%.

3. Se han aplicado tres mtodos de empaquetado de dispositivos electrnicos durante un periodo de 4 meses; al final de cada mes se realiza un recuento del nmero de paquetes estropeados, obtenindose los siguientes datos:

Meses Mtodo

Total

A B C Total

6 10 9 25

8 12 11 31

8 9 13 30

8 14 15 37

30 45 48 123

Comprobar con un nivel de confianza del 95% si los tres mtodos de envasado son igualmente buenos (homogneos) o existen diferencias significativas entre ellos.

6. Resumen:

Aplicaciones de la distribucin 2

Test de bondad de ajuste a una distribucin terica:

Estadstico: T =

Regin crtica: T

Test de independencia o dependencia de dos variables:

Estadstico: T =

Regin crtica T

Test de

omogeneidad de muestras:

Estadstico: T =

Regin crtica T

7. Bibliografa:

Encuestas y precios. Nortes Checa, A. Ed. Sntesis Madrid 1995 Prensa y educacin matemtica. Fernndez Cano,A. Rico Romero,L Ed. Sntesis Madrid 1992. Azar y probabilidad. Daz Godino,J. Batanero Bernabe, M&ordf;C. Caizares Castellano, M&ordf;J. Ed. Sntesis Madrid 1996. Introduccin a la teora de probabilidades y sus aplicaciones. Feller,W. Ed LimusaWaley. Mxico 1973 Clculo de probabilidades. Bar llins,J. Ed Paramn Barcelona 1987. Hacer estadstica. Sanchs,C. Salillas,J. Riera,T. Fontanet,G. Ed Alhambra. Madrid 1987. Introduccin a la Estadstica Wonnacott,T.H Wonnacott,R.J. Ed. Limusa Mxico 1989. Introduccin a la Estadstica. Nieto de Alba, U. Ed Aguilar Madrid 1972 Introduccin a la Estadstica terica. Arniz,G. ED. Lex-Nova Valladolid 1978. Introduccin a la Estadstica para las Ciencias Sociales. Pea, D. Romo,J. Ed.Mc-GrawHill Madrid 1997 Estadstica elemental moderna. Garca, A. Ed Ariel. Barcelona 1973 Mtodos Estadsticos. Rios, S. Ed. del Castillo Madrid 1974 Mtodos Estadsticos Aplicados I y II Visauta, B Batalle, P. Ed. PPU Barcelona 1986. Fundamentos y mtodos de Estadstica. Lpez Cachero, M Ed Pirmide Madrid 1993. Anlisis estadstico. Rios, S Ed. Paraninfo. Madrid 1984. Ejercicios resueltos de Estadstica. Sierra, M.A. Ed. Ceura Madrid 1987. Curso de Estadstica descriptiva Calot,G. Ed. Paraninfo Madrid 1988. Mtodos matemticos de Estadstica. Cramer, H. Ed Aguilar. Medrid 1968. Mtodos y aplicaciones del muestreo. Azorn,F. Snchez-Crespo,J.L. Ed. Alianza Madrid 1986 Curso de muestreo y aplicaciones. Azorn,F. Ed Aguilar madrid 1972. Tcnicas de muestreo. Cochran,W.G. Ed CECSA Mxico 1971. Inferencia Estadstica. Bar Llins,J. Ed. Paramn Barcelona 1988 Fundamentos de Estadstica. Arnal, J.I. Omedes, A. Daimn Barcelona 1981 Estadstica aplicada a las Ciencias Humanas. Echevarra, B. Daimn Barcelona 1982 Mtodos estadsticos aplicados a las Ciencias Sociales. Glass, Stanley. Ed Prentice-Hall Internacional Madrid 1978 Estadstica elemental. Johnson, R. Ed Trillas Mxico 1976 Estadstica aplicada a las Ciencias Sociales. Alcaide,A. Ed Pirmide. Madrid 1979 Iniciacin Estadstica. Ros, S. Ed Paraninfo Madrid 1991. Estadstica descriptiva. Bar Llins. Ed Paramn Barcelona 1985 Diccionario prctico Estadstica. Sierra Bravo, R. Ed Paraninfo Madrid 1991.

Jos A. Romero Lpez