Estadistica Circular

Introducción a la Estadística Circular
José Luis Pérez Bote
2020
ÍNDICE
PORTADA ÍNDICE
PORTADA ÍNDICE
PORTADA ÍNDICE
Cáceres
2019
PORTADA ÍNDICE
Cualquier forma de reproducción, distribución, comunicación pública o transformación de esta obra solo
puede ser realizada con la autorización de sus titulares, salvo excepción prevista por la ley. Diríjase a CEDRO
(Centro Español de Derechos Reprográficos, www.cedro.org) si necesita fotocopiar o escanear algún frag-
mento de esta obra.
© José Luis Pérez Bote, para esta edición

© Universidad de Extremadura, para esta edición
Tipografía utilizada: Palatino Linotype (para cubierta), Bembo Std (para páginas iniciales) y Palatino LT Std
(para el texto de la obra)
Edita:
Universidad de Extremadura. Servicio de Publicaciones
Plaza de Caldereros, 2. 10071 Cáceres (España)
Tel. 927 257 041; Fax 927 257 046
[email protected]
http://www.unex.es/publicaciones
I.S.B.N.: 978-84-09-15443-2
Impreso en España - Printed in Spain
Impresión: Dosgraphic, s. l.
PORTADA ÍNDICE
Para Maite y Natalia
PORTADA ÍNDICE
PORTADA ÍNDICE
Índice
Páginas
Prólogo.......................................................................................................................... 13
Abreviaturas................................................................................................................ 15
Capítulo 1. Introducción........................................................................................... 17
1.1. Introducción.................................................................................................. 17
1.2. Antecedentes históricos.............................................................................. 21
1.3. Obras de referencia..................................................................................... 24
1.4. Programas informáticos.............................................................................. 25
1.5. Casos prácticos............................................................................................. 26
Capítulo 2. Los datos................................................................................................ 31

2.1. Introducción.................................................................................................. 31
2.1.1. El Ángulo........................................................................................ 31
2.1.2. Vectores........................................................................................... 33
2.2. Funciones trigonométricas......................................................................... 36
2.3. Tipos de datos.............................................................................................. 37
2.3.1. Ángulos........................................................................................... 37
2.3.2. Radianes.......................................................................................... 37
2.3.3. Datos axiales................................................................................... 37
2.3.4. Direcciones...................................................................................... 39
2.3.5. Tiempo en horas............................................................................ 40
2.3.6. Días de la semana......................................................................... 42
2.3.7. Meses............................................................................................... 42
2.3.8. Días del año.................................................................................... 42
2.3.9. Datos agrupados............................................................................. 42
2.3.10. Datos apareados............................................................................. 42
2.3.11. Datos empatados............................................................................ 43
PORTADA ÍNDICE
10 Índice
Capítulo 3. Estadística descriptiva........................................................................ 45

3.1. Introducción.................................................................................................. 45
3.2. Medidas de centralización.......................................................................... 45
3.2.1. Ángulo medio................................................................................. 45
3.2.2. Media de los ángulos medios...................................................... 50
3.2.3. Mediana angular............................................................................ 52
3.2.4. Moda angular................................................................................. 53
3.2.5. Rango circular................................................................................ 54
3.3. Medidas de dispersión................................................................................ 55
3.3.1. Longitud del vector medio como medida de concentración.... 55
3.3.2. Varianza angular y desviación angular...................................... 56
3.3.3. Distancia angular........................................................................... 57
3.3.4. Límites de confianza para la media............................................ 57
3.4. Medidas de forma........................................................................................ 58
3.4.1. Asimetría......................................................................................... 58
3.4.2. Curtosis........................................................................................... 58
3.5. Representación de los datos....................................................................... 59
3.5.1. Introducción.................................................................................... 59
3.5.2. Gráficos de distribución................................................................ 60
3.5.3. Gráfico de dispersión.................................................................... 62
3.5.4. Histogramas lineales..................................................................... 62
3.5.5. Gráfico de datos originales........................................................... 64
3.5.6. Histogramas circulares (o angulares)......................................... 65
3.5.7. Diagramas de rosa......................................................................... 66
3.5.8. Densidad de Kernel....................................................................... 67
3.5.9. Diagramas de tallo y hoja............................................................ 68
3.6. Distribuciones circulares............................................................................. 68
3.6.1. Introducción.................................................................................... 68
3.6.2. Distribución uniforme................................................................... 72
3.6.3. Distribución de von Mises............................................................ 73
3.6.4. Distribución cardioide................................................................... 77
3.6.5. Distribución wrapped.................................................................... 78
3.6.6. Distribución wrapped normal...................................................... 78
Capítulo 4. Inferencia estadística.......................................................................... 79

4.1. Introducción.................................................................................................. 79
4.2. Una muestra................................................................................................. 79
4.2.1. Test de Rayleigh............................................................................. 80
PORTADA ÍNDICE
Procesos de nacionalización e identidades en la península ibérica11
4.2.2. Test de Hodges-Ajne..................................................................... 83

4.2.3. Test V............................................................................................... 84
4.2.4. Test de Rao (Test del espaciado de Rao).................................... 86
4.2.5. Test de Kuiper................................................................................ 89
4.2.6. Test de la chi-cuadrado................................................................. 91
4.2.7. Test U2 de Watson.......................................................................... 93
4.2.8. Test de Hotellling para una muestra.......................................... 94
4.2.9. Test de Moore para una muestra................................................. 97
4.2.10. Bootstrapping.................................................................................. 98
4.3. Dos o más muestras.................................................................................... 99
4.3.1. Test de Watson-Williams.............................................................. 100
4.3.2. Test de Mardia-Watson-Wheeler................................................. 108
4.3.3. Test U2 de Watson.......................................................................... 113
4.3.4. Test de la chi-cuadrado................................................................. 115
4.3.5. Test de Hotellling para dos muestras apareadas....................... 116
4.3.6. Test de Moore para dos muestras................................................ 118
4.3.7. Test no paramétrico de Wallraff.................................................. 121
4.4. ANOVA Circular.......................................................................................... 122
Capítulo 5. Correlación............................................................................................. 125

5.1. Introducción.................................................................................................. 125
5.2. Correlación circular-circular....................................................................... 125
5.3. Correlación circular-lineal.......................................................................... 128
Capítulo 6. Bibliografía............................................................................................. 131
Anexo I. Tablas........................................................................................................... 133
PORTADA ÍNDICE
PORTADA ÍNDICE
PRÓLOGO
La Estadística Circular se ocupa del análisis de datos circulares, unos datos con unas
características muy particulares. En primer lugar, la escala en la que se desenvuelven
es finita, ya que tiene una amplitud de 0° a 360°. En segundo lugar, la posición del
cero es arbitraria, ya que no existe argumento científico para no poder situarlo en
cualquier punto del círculo. En tercer lugar, no existen magnitudes cuando tratamos
con datos circulares, ya que 270° no son más que 180°, sino que señalan direcciones
diferentes. Estas (y algunas más) hacen que los procedimientos utilizados en estadística
lineal no sean aplicables a los datos circulares, por ello nace la Estadística Circular,
para que se puedan tratar este tipo de datos.
La mayoría de los datos circulares se obtienen en forma de direcciones u orienta-
ciones, pero también son datos circulares fenómenos cíclicos, es decir, aquellos que
pueden acontecer en una hora, un día, una semana o un año. Dada la versatilidad
de los datos circulares son muchas las disciplinas en las que se utilizan datos circu-
lares, quizás en la que más se utilicen sea en Biología o, por ser más exactos, en las
diferentes ramas de la Biología: Botánica, Etología, Fisiología, Geología, Biología Mo-
lecular, etc., pero también son empleados en Medicina, Meteorología, Ciencias de la
Computación, Sociología, Ciencias Políticas, etc. Puede decirse, por tanto, que la Es-
tadística Circular es una herramienta que es utilizada cada vez con mayor frecuencia
por investigadores de, prácticamente, todas las ramas de la Ciencia y la Tecnología.
Esta obra surge con la intención de dar a conocer al lector, preferentemente estu-
diantes e investigadores, los principios básicos de la Estadística Circular. Se asume
que el usuario posee unos conocimientos mínimos de estadística, por ello se han
evitado los complejos y, a veces difíciles de entender, procedimientos matemáticos,
para lo cual existen excelentes obras de referencia que el lector podrá encontrar en
el capítulo de bibliografía. Se ha pretendido, por tanto, desarrollar una obra en la
que predomine la claridad y la sencillez siguiendo un procedimiento “paso a paso”
para que el interesado, de este modo, pueda entender y aplicar los distintos concep-
tos que se exponen. Para facilitar este proceso se ha optado por incluir ejercicios re-
sueltos. En este sentido es conveniente aclarar que los ejercicios se han desarrollado
de modo que el lector pueda realizarlos con la ayuda de una calculadora o una hoja
de cálculo, evitando el empleo de programas informáticos (que existen para tal fin),
que pueden suponer el estudio y aprendizaje de complejos manuales o la compra
de los mismos.
PORTADA ÍNDICE
14 José Luis Pérez Bote
El acceso a los métodos estadísticos se ve dificultado a veces por el reducido nú-

mero de libros de texto sobre el tema, generalmente todos ellos en inglés y además
principalmente dirigidos hacia aspectos teóricos más que a su empleo práctico. Es
importante señalar también que este trabajo contribuye de forma notable a las publi-
caciones en castellano sobre Estadística Circular, circunstancia que puede alentar a
muchos lectores a iniciarse en esta disciplina. Los precedentes de la Estadística Circular
en castellano habría que situarlos en la obra de R. Lahoz-Beltrá, J. Ortega-Escobar
y C. Fernández-Montraveta (1994), Métodos estadísticos en biología del comportamiento,
Madrid, Editorial Complutense, donde hay un capítulo dedicado a la estadística circular.
Además, cabe señalar la obra de M. Mena (2005), Aplicaciones de Estadística Circular a
problemas de Ciencias Naturales, México, Akadia. En esta obra los diferentes temas no
se tratan de un modo exhaustivo sino que se exponen empleando un enfoque ma-
temático simple con el objeto de facilitar su aplicación práctica. Para una mayor
comprensión en cada tema se desarrollan ejemplos como problemas resueltos. Como
puede comprobarse las dos obras citadas son antiguas y es complicado conseguirlas.
Este trabajo ha sido dividido en cinco capítulos. El primero es un capítulo intro-
ductorio donde se explica que es la Estadística Circular, sus orígenes e historia, para
finalizar con una breve reseña sobre las principales obras publicadas sobre el tema,
los principales programas informáticos que se pueden utilizar y una serie de ejemplos
obtenidos de la bibliografía, que permitirán evaluar la importancia y aplicabilidad de
esta disciplina. En capítulo dos está dedicado a los datos empleados en estadística
circular, aspecto sumamente importante ya que, aunque parezca lo contrario, son nu-
merosas las formas de poder expresar datos circulares. El tercer capítulo está dedicado
a la estadística descriptiva (poco hay que decir de ella), a las representaciones gráficas
(muy importantes) y a las distribuciones circulares. En este sentido hay que señalar
que, dada complejidad matemática del desarrollo de las distribuciones circulares, se
ha optado por hacer una presentación básica, a la vez que sencilla, de las mismas.
En este caso vuelvo a remitir al lector a obras especializadas. El capítulo cuarto es-
taña dedicado a la inferencia estadística, básicamente a los test de uniformidad y a
los test de bondad del ajuste. En el capítulo cinco se aborda otro aspecto interesante
de las relaciones entre variables circulares y lineales: la correlación circula-circular
y circular-lineal. Finalmente el apartado de bibliografía recoge los libros y artículos
citados en el texto (obviamente) y que constituyen, sin embrago, las principales obras
de referencia sobre Estadística Circular. Dado que a lo largo del texto se ha seguido
un procedimiento “paso a paso” como ya se ha comentado, se ha incluido un anexo
con las tablas de los valores críticos de los test estadísticos utilizados en el libro.
El seguimiento de la obra no requiere de unos conocimientos estadísticos o ma-
temáticos de gran nivel, simplemente unas nociones básicas de estadística, álgebra
y trigonometría serán suficientes para que el lector se introduzca en este interesante y
cada vez más demandado campo de la Estadística.
Olivenza, abril de 2019
PORTADA ÍNDICE
ABREVIATURAS
arctan arcotangente
a dirección angular
B estadístico del test de Mardia-Watson-Wheeler
cos coseno
C suma de los cosenos de una muestra de n datos angulares
D límite de confianza para la media
D(θˉ) desviación circular estándar
D(α) desviación respecto a un ángulo dado
df grados de libertad
Dα1–α2 distancia angular entre dos ángulos
f(θ) función de probabilidad de densidad
F estadístico del test de Hotelling, estadístico del test de Watson-Williams
F(θ) función de distribución
fˆ(θ) estimador de Kernel
H ventana o banda del estimador de Kernel
k parámetro de Kernel
K̂ curtosis
L1, L2 límites de confianza para la media
m vector medio
r longitud del vector medio
rc longitud del vector medio corregida
r̂ asimetría
raa coeficiente de correlación entre dos variables circulares
ral coeficiente de correlación entre una variable circular y otra lineal
R longitud del vector resultante
R R de Rayleigh
Rˉ longitud resultante media
Rˉ2 longitud resultante media de los ángulos doblados
R’ estadístico del test de Moore
(r p, ϕ) coordenadas polares
PORTADA ÍNDICE
sen seno
S suma de los senos de una muestra de n datos angulares
s desviación angular media
s2 varianza angular
S2 varianza circular
tan tangente
T longitud del arco entre dos observaciones adyacentes
(x, y) coordenadas rectangulares
U estadístico del test de Rao
U2 estadístico de la U de Watson
V varianza circular
V n* estadístico del test de Kuiper
w rango circular
X eje de abscisas
xˉ media de las coordenadas rectangulares x de n datos angulares
Xˉ media de las coordenadas rectangulares x de n datos angulares
Y eje de ordenadas
yˉ media de las coordenadas rectangulares y de n datos angulares
Yˉ media de las coordenadas rectangulares y de n datos angulares
z estadístico del test de Rayleigh
α nivel de significación (normalmente 0,05)
ϕˉ ángulo medio
ϕ˜ mediana
θˉ dirección media
λ longitud del arco de una circunferencia
π número pi: 3,1415192653589
κ parámetro de concentración
ρ longitud resultante media
κ desviación circular estándar
δ̂ dispersión circular
u estadístico del test V
χ2 chi cuadrado
PORTADA ÍNDICE
CAPÍTULO 1
INTRODUCCIÓN
1.1. INTRODUCCIÓN
La Estadística se ha convertido en una herramienta indispensable para la mayoría
de los científicos. Pero ¿qué es la estadística y como pueden utilizarse las técnicas
estadísticas para responder a las cuestiones prácticas propuestas por los científicos?
La Estadística es un conjunto de teorías y métodos científicos que han sido desarro-
llados para tratar la recolección, el análisis y la descripción de datos con el objeto de
extraer conclusiones útiles para la solución de algún problema en particular de algún
universo colectivo. Comúnmente la Estadística apoya al investigador a inferir sobre
los parámetros de la población a partir de estadísticos muestrales.
Podemos decir, por tanto, que en Estadística se trabaja con datos de diversa na-
turaleza. Ahora es importante definir que es un dato. Según Sokal y Rohlf (1979) un
dato es “una observación o medida tomada sobre la más pequeña unidad muestral”.
Si, por ejemplo, medimos el peso de 100 ratas, entonces el peso de cada rata es una
observación individual. El conjunto de los 100 pesos representa una muestra, definida
como “una colección de observaciones individuales seleccionada por un procedimiento
determinado” (Sokal y Rohlf, 1979). Finalmente una variable es una “propiedad con
respecto a la cual los elementos de una muestra se diferencian en algo verificable”
(Sokal y Rohlf, 1979).
En Ciencia y Tecnología los datos son sorprendentemente variados en lo que res-
pecta a sus medición, confiabilidad y replicabilidad. Esto ha permitido que se h ayan
desarrollado métodos más efectivos para enfrentar estos desafíos, entre los que
se incluyen aquellos que permiten cuantificar efectos temporales o espaciales. En
disciplinas como Medicina, Biología, Geología, Meteorología, Sociología, etc. se uti-
lizan los denominados datos circulares para poder interpretar fenómenos y procesos
relacionados con dispersiones o movimientos de animales, la dirección del viento, el
campo magnético terrestre, ciclos biológicos, estructura de proteínas, etc. La Estadís-
tica Circular es la rama de la Estadística que tiene como objeto de estudio aquellos
datos que pueden ser representados en un círculo de radio 1, conocido como círculo
unidad. A este tipo de datos se les denomina datos circulares para diferenciarlos de
los denominados datos lineales. Por tanto, el círculo unidad representa para los datos
circulares lo mismo que la recta real para los datos lineales.
Los datos circulares se obtienen a partir de variables circulares o direccionales.
Estas variables se caracterizan por no tener un cero verdadero y porque la designación
PORTADA ÍNDICE
de valores máximos y mínimos es arbitraria. Estas dos características hacen que la

estadística lineal no sea adecuada para tratar este tipo de datos, ya que las medi-
das son angulares, no escalares y, por tanto, debemos aplicar la estadística circular,
también conocida como estadística de datos circulares (Fisher et al., 1987). Los datos
circulares se pueden obtener de diversas formas. Las dos principales corresponden
a los instrumentos de medición circular clásicos como la brújula y el reloj (Fig. 1),
pero también podemos utilizar el transportador de ángulos o el teodolito. Entre las
observaciones típicas medidas por la brújula se encuentran la dirección de viento, las
direcciones migratorias de las aves o el vuelo de las abejas hacia la colmena. Ejem-
plos que incluyen el reloj como instrumento de medida pueden ser los tiempos de
llegada de los pacientes a una unidad de urgencias de un hospital, las acumulaciones
de tráfico en las carreteras, etc. El caso del reloj nos sirve para hacer constar que no
todos los datos circulares son medidos o estimados como ángulos, como acontece
con el tiempo, por ejemplo. Sin embrago, sabemos que cada “tiempo” corresponde a
una posición en la esfera del reloj y estas posiciones pueden ser convertidas en án-
gulos que, a su vez, pueden ser usados para definir puntos en el círculo unidad. Es
fácil comprobar como, por ejemplo, un periodo de 24 horas equivale a un ciclo de
360°, correspondiendo cada hora a unos 15°. Es posible, por tanto, convertir cualquier
unidad de tiempo en un ángulo (Fig. 1). Otros conjuntos de datos similares surgen al
considerar las veces que un evento acontece (frecuencia) en un año, en un mes, una
semana o un día. Por tanto, los denominados ritmos biológicos pueden considerarse
variables circulares, de modo que los métodos estadísticos aplicados para el estudio
de las direcciones son válidos para el análisis de los biorritmos. No obstante, hay que
ser precavidos en el análisis de este tipo de datos para no confundir biorritmos con
los análisis de series temporales.
Figura 1. Algunos objetos para la medición de datos angulares y su “equivalente”:

un círculo dividido en 360°.
Cuando obtenemos un dato con una brújula, por ejemplo, lo que “medimos” es
una dirección que expresamos en grados sexagesimales o radianes en sentido positivo
o negativo respecto a una dirección cero. Cuando medimos datos circulares es obli-
gatorio establecer previamente el sentido positivo y negativo y la posición del origen
respeto a la que se van a tomar los datos. En estadística circular “podemos” establecer
PORTADA ÍNDICE
Introducción a la Estadística Circular19
arbitrariamente el sentido positivo y el origen, circunstancia que no ocurre con los

datos lineales, pues sabemos que el origen es 0 y a la izquierda de cero se sitúan
los valores negativos, mientras que a la derecha lo hacen los valores positivos. Para los
datos circulares cada ángulo define un punto en el círculo unidad, de igual manera
que cada valor de una variable lineal define un punto en la recta real.
En el párrafo anterior se ha señalado que para expresar una dirección necesitamos
un sistema de referencia que nos permita ubicar un objeto en el espacio y así poder
comparar con otras direcciones. Las direcciones bidimensionales pueden ser represen-
tadas como ángulos respecto a una “dirección cero” (punto de inicio) y un “sentido
de rotación” siguiendo la dirección de las agujas del reloj (considerado como sentido
positivo) o en sentido contrario a las agujas del reloj (dirección negativa). En estudios
de orientación la dirección cero suele establecerse en el norte (0°), aunque también es
frecuente que se utilice como dirección cero el este. Debido a que la direcciones no tiene
magnitud (350° no son más que 125°, solo señalan direcciones diferentes) pueden ser
representadas como puntos en una circunferencia de radio 1 y centrada en el origen,
o como vectores que conectan el centro con los puntos (Fig. 2). Esta circunferencia
de radio 1 es el ya conocido círculo unidad, ¿por qué la circunferencia tiene radio 1?
Muy sencillo: al carecer las direcciones de magnitud podemos simplificar los proce-
dimientos matemáticos utilizando el valor más bajo posible, en este caso el 1.
Figura 2. Dos formas de representar los mismos datos circulares (puntos y vectores).
Los datos direccionales tienen características únicas en lo que respecta a su re-

presentación y tratamiento estadístico, que los hacen distintos a los datos lineales
como ya se ha señalado. Por ejemplo, la representación de una dirección en forma
de ángulo o de vector no es única, ya que va a depender de donde se establezca el
cero y del sentido de giro, como se ha comentado con anterioridad. De este modo,
al observar la figura 3 podemos obtener conclusiones diferentes en función de quien
realice la observación: para un matemático el vector indica 60°, mientras que para un
ornitólogo señala 30°, debido a que la posición del cero difiere: para un matemático el
cero está en la posición este, mientras que para un ornitólogo está en posición norte
PORTADA ÍNDICE
(en estudios con direcciones se acepta generalmente que el norte esté a 0° como ya
se ha comentado). Por tanto, la dirección cero es arbitraria. No existe una justificación
científica que permita posicionar el cero en un lugar determinado del círculo.
Figura 3. La flecha puede indicar dos direcciones diferentes en función de donde

se establezca el punto de origen.
Es interesante destacar también que la “escala” en la que se miden los ángulos

es finita, oscilando entre 0° y 360°, lo que obliga a “reducir” muchos datos circulares
en operaciones algebraicas. Es decir, si nos excedemos de 360°, al doblar ángulos
por ejemplo, nos veremos “obligados” a ajustar los datos hasta poder incluirlos en la
escala 0-360° (esto se hace con una simple resta). Además, para los datos circulares
el “principio” y el “final” de la escala coinciden, ya que 0° y 360° (el origen y final de
la escala para los datos circulares) coinciden en el mismo punto de la circunferencia
siendo, por tanto, el mismo ángulo. En el caso de los números reales 355 está cerca
de 358 y ambos quedan lejos de 0, pero en una circunferencia 355° está también
próximo a 358° pero, a diferencia de lo que ocurre con los números reales, los dos
están próximos a 0°. Finalmente, tenemos que recordar que en el análisis de datos
direccionales las magnitudes no existen, es decir, 250° no son más que 75°, simple-
mente indican direcciones distintas.
Las características anteriormente señaladas hacen que el análisis de datos direc-
cionales sea diferente al de los datos lineales. Muchos investigadores, generalmente
por no estar familiarizados con la estadística circular, aplican erróneamente proce
dimientos de la estadística lineal a datos circulares, obteniendo conclusiones erróneas
ya que, si bien algunos tipos de análisis de la estadística lineal pueden aplicarse a
datos circulares, la mayoría no son apropiados. La media es un estadístico que ilustra
muy bien este caso. Supongamos que un ave vuela en una dirección de 15° y que otra
lo hace en una dirección de 345° ¿Cuál es la dirección media? (hemos tomado el este
como la dirección cero y el sentido contrario a las agujas del reloj como el sentido
positivo de la rotación). Si utilizamos la media aritmética la dirección media es de
180°, pero este dato es totalmente erróneo como se aprecia en la figura 4, ya que si
las aves vuelan hacia el este la media no puede salir hacia el oeste.
PORTADA ÍNDICE
Figura 4. La media aritmética no es apropiada para determinar la “dirección media”.
1.2. ANTECEDENTES HISTÓRICOS
Aunque aún no es muy utilizado, el análisis de datos circulares es una herramienta
matemática con muchos años de historia. Los primeros gráficos que representan
“datos” circulares están datados a finales del primer milenio. Funkhouser (citado por
Fisher, 1993) comenta que en el siglo X u XI se realizaban estudios astrológicos con
base en el movimiento de los planetas a través del zodíaco. Estos movimientos ya
quedaron reflejados en gráficos circulares. También existen gráficos de este tipo en
estudios realizados sobre el campo magnético de la tierra datados en 1510 y 1701. En
este último caso, sir Edmund Halley publicó un mapa que mostraba las líneas de la
declinación magnética para todas las aguas navegables del mundo.
El análisis de datos circulares se inicia a mediados del siglo XVIII. En 1767, el re-
verendo John Mitchell estudiando las separaciones angulares entre las estrellas habla
ya de distribuciones uniformes de trayectorias. Medio siglo después John Playfair
señala la necesidad de analizar los datos direccionales de forma diferente a como se
hace con los “datos ordinarios”. Playfair ya recomienda el método del vector resultante
para obtener direcciones medias en estudios geológicos.
En 1858, la enfermera Florence Nightingale, de la Armada Británica, durante la
guerra de Crimea, aplicó una serie de métodos que le ayudaron a registrar y ana-
lizar de una manera más sencilla los registros sanitarios. En esa época el uso de la
estadística no era muy común, pero se necesitaba avanzar en las reformas médicas
y considerar que los fenómenos sociales podían ser objetivamente medidos haciendo
análisis matemáticos. Uno de estos fue una nueva gráfica, a la que llamó CoxComb,
la cual consistía de un círculo dividido en doce partes iguales, con diferentes colores
que representaban los meses del año (Fig. 5). Este diagrama es una primera referencia
de lo que actualmente se conoce como diagrama de rosa.
Desde estos primeros ejemplos de análisis de datos circulares en Astronomía y
Medicina han aparecido aplicaciones en otras disciplinas científicas como Biología,
Geografía, Geología, Meteorología y Oceanografía, siendo la Biología y la Geología
las disciplinas donde se han realizado más estudios.
PORTADA ÍNDICE
Figura 5. Diagrama diseñado por Florence Nightingale, precursor del diagrama de rosa
actual (<http://economiafeminita.com/florence-nightingale/>).
Batschelet (1981) expone en su libro Circular Stitistics in Biology una amplia me-
todología para analizar datos circulares en un contexto biológico. También aparece
capítulos dedicados a este tema en las publicaciones de Zar (1984, 1996), Upton y
Fingleton (1989) y Cabrera et al. (1991). Son particularmente interesantes los estudios
sobre orientación en libélulas, salamandras, peces, aves y crustáceos que aparecen en
la obra de Upton y Fingleton (1989).
En el campo de la Geología las cosas son bien diferentes. Fisher (1993) atribuye
los escasos métodos de análisis apropiados para esta disciplina a la falta de interés de
los estadísticos por las Ciencias de la Tierra. No obstante, en este campo se hicieron
importantes contribuciones en el análisis de datos, como fueron las aportaciones de
Lord Rayleigh (1880) en el desarrollo de los test de uniformidad, las de Schmidt (1971)
sobre la representación de datos circulares o la de von Mises (1918) la distribución
de probabilidad que hoy lleva su nombre.
En 1939 Krumbein introduce el análisis de datos axiales, ampliamente utilizados.
En 1940-1942 Salvemini desarrolla lo que hoy llamamos varianza circular.
El campo de la estadística direccional ha sido objeto de mucha atención en las
últimas dos décadas debido no solamente a los requerimientos de disciplinas como la
Bioinformática o la Cosmología, sino también a los avances tecnológicos y a la dispo-
nibilidad de grandes cantidades de datos, la mayoría de los cuales requieren técnicas
PORTADA ÍNDICE
estadísticas adaptadas. La estadística direccional es una rama de la estadística que

se ocupa de analizar observaciones (datos) que son direcciones. Este tipo de datos
son típicos en disciplinas como la Meteorología (dirección del viento), Astronomía
(dirección de los rayos cósmicos), Ciencias de la Tierra (localización de los epicen-
tros de los terremotos) o Biología (ritmos circadianos, migraciones, orientaciones) o
las ya mencionadas Geología y Cosmología por citar algunas. La mayoría de estas
observaciones quedan representadas en una circunferencia de radio uno (estadística
circular) o en una esfera también de radio uno (estadística esférica). El principal pro-
blema relacionado con este tipo de datos es la curvatura del espacio muestral ya que
el círculo no es un sistema lineal. Esto implicó que cada concepto de la estadística
circular debía ser reinventado a partir de la estadística clásica.
En los años 50 del siglo XX comenzaron a desarrollarse las técnicas probabilísti-
cas apropiadas para distribuciones de datos circulares. Gumbel investigó la conve-
niencia de aplicar distribuciones en modelación de grupos de datos de diferente tipo.
Sin embargo, el desarrollo de métodos estadísticos para analizar datos circulares se
vuelven razonablemente acertados en 1956, con los trabajos pioneros de Watson y
Williams. Estos autores no solamente unificaron los problemas inferenciales que plan-
teaba von Mises, sino que también aportaron novedosas ideas y resultados. Watson
introdujo el análisis de varianza, pruebas paramétricas y no paramétricas entre otras.
Mardia en 1972 realizó avances en pruebas tales como la correlación y la regresión
y recientemente series de análisis temporal de datos circulares.
Como hemos visto el análisis de los datos direccionales se remonta a principios
del siglo XIX con autores como C. F. Gauss, pero con el trabajo de Fisher (1953) los
investigadores fueron plenamente conscientes de la necesidad considerar la natura-
leza curvilínea del espacio muestral. El impacto del documento de Fisher (1953) pro-
pició que se desarrollaran los estudios metodológicos y sistemáticos de los datos
direccionales, teniendo en cuenta su topología real. Se propusieron y estudiaron nu-
merosos procedimientos y distribuciones direccionales, principalmente extendiéndose
a los conceptos clásicos del ajuste direccional a partir del análisis multivariante, como
la estimación de puntos, los procedimientos de prueba de una y varias muestras, o
la regresión.
Después de este activo periodo hubo casi una pausa en la investigación de los datos
circulares hasta la década de 1990. Afortunadamente, la situación cambió desde el
comienzo del nuevo milenio. Ley y Verdebout (2017) señalan tres razones principales
para el resurgimiento del interés por la estadística circular. En primer lugar, el libro
de Mardia y Jupp (2000) hizo que las estadísticas direccionales fueran muy populares.
La facilidad de exposición, combinada con la versatilidad de los resultados presen-
tados, atrajo el interés tanto de los estadísticos teóricos como de los profesionales.
Además, un año más tarde apareció la obra de Jammalamadaka y SenGupta (2001)
que se centra en las estadísticas circulares. En segundo lugar, y en parte como con
secuencia lo anterior, los investigadores de las ciencias de la vida, la ecología y el
aprendizaje automático, entre otros, reconocieron la importancia de la estadística
circular para sus trabajos. Esto ha generado nuevas demandas y de ahí la necesidad de
nuevos métodos y procedimientos. En tercer y último lugar, los avances tecnológicos
han reconfigurado el campo de la estadística. El aumento exponencial de la potencia
PORTADA ÍNDICE
de cálculo y de la disponibilidad de grandes cantidades de datos han traído métodos

intensivos de computación y descriptivos más potentes a la vanguardia de la investi
gación moderna en estadística y, por lo tanto, también en estadística direccional.
El hecho de que la Estadística Circular esté siendo cada vez más utilizada se re-
fleja en que los trabajos publicados cada año se ven incrementando poco a poco. En
una consulta realizada en marzo de 2019 en Web of Science (WOS) y Scopus con un
criterio de búsqueda generalizado (“Circular statistics”) arrojó un resultado de más
de 1400 trabajos publicados en más de 20 disciplinas científicas (Fig. 6).
Figura 6. Trabajos publicados en el periodo 2015-2019 localizados en WOS con el criterio

de búsqueda “circular statistics”.
1.3. OBRAS DE REFERENCIA
Como resultado de todo ello hoy en día podemos disponer de obras que permi-
ten introducirnos en el análisis de las direcciones tales como las de Mardia (1972),
Batschelet (1981), Upton y Fingleton (1989), Fisher (1993), Zar (1996), Mardia y Jupp
(2000), Jammalamadaka y SenGupta (2001), Pewsey et al. (2013), Ley y Verdebout
(2017). Las tres primeras obras, lamentablemente, están fuera de catálogo y solo
pueden consultarse en librerías universitarias.
Si se desea profundizar en los fundamentos teóricos de la Estadística Circular son
recomendables las obras de Mardia (1972) y especialmente la de Jammalamadaka y
SenGupta (2001) para lo cual es necesario disponer de unos sólidos conocimientos
matemáticos dada la naturaleza de estas obras.
PORTADA ÍNDICE
Las obras de Batschelet (1981) y Fisher (1993) tienen un mayor enfoque práctico,
especialmente la primera, donde se explican con detalle los fundamentos de la es-
tadística circular acompañados de ejemplos ilustrativos. La principal ventaja de este
trabajo es que todos los cálculos se pueden realizar de forma sencilla utilizando una
calculadora científica o con la ayuda de una hoja de cálculo. Sin duda, para todos
aquellos que deseen iniciarse en este campo de la estadística circular la obra de Bats-
chelet debe ser la primera en consultarse. El trabajo de Fisher (1993) sigue las mismas
pautas que el de Batschelet (muchos casos prácticos, posibilidad de realizar cálculos
de forma sencilla), pero es un poco más complejo, lo cual no es impedimento para
considerarla otra obra fundamental para iniciarse en la estadística circular.
El trabajo de Pewsey et al. (2013) sigue, en parte, la estructura de las obras citadas
con anterioridad, pero presenta la novedad de estar enfocada para trabajar con R,
un paquete estadístico bien conocido y cada vez más empleado por investigadores de
todo el mundo. Para aquellos investigadores acostumbrados a trabajar en entorno R
esta es, sin duda, una obra de referencia, ya que además de introducir los conceptos
básicos de estadística circular aporta ejemplos de su aplicación.
La obra de Ley y Verdebout (2017) aborda la estadística direccional presentando
los métodos más robustos que se aplican actualmente en este campo. Es una obra
compleja que también requiere de sólidos conocimientos de estadística.
1.4. PROGRAMAS INFORMÁTICOS
El avance en las ciencias de la computación también ha posibilitado que se hayan

desarrollado paquetes estadísticos que permiten analizar datos circulares:
Oriana (Kovach, 2011) un programa de estadística circular, desarrollado bajo el en-
tono de Windows, que permite analizar orientaciones y otros datos circulares. Pueden
estimarse estadísticos descriptivos, test para determinar si los datos se distribuyen de
forma uniforme y si se ajustan a una distribución determinada, correlaciones, regre-
siones etc. Pero lo más destacable del programa es la gran disponibilidad de gráficos
para representar los datos. Hay una versión de demostración, pero se necesita licencia
para trabajar con él una vez finalizado el periodo de prueba gratuito.
PAST (Paleontological Statistics Software Package for Education and Data Analysis)
fue desarrollado por Hammer et al. (2001) para el análisis de datos paleontológicos,
pero su uso se ha extendido a otras disciplinas científicas. Posee un menú (Geome-
try) donde podemos encontrar un submenú (Directional analysis) con el que pueden
realizarse análisis de datos circulares para una o dos muestras y correlaciones circu-
lares. Es más limitado que Oriana, pero permite realizar los análisis básicos de datos
circulares. Esta desarrollado bajo el entorno de Windows y es gratuito.
R (<www.R-project.org>) es un software libre diseñado para el análisis estadís-
tico y la producción de gráficos. El paquete circular permite analizar y graficar datos
circulares de forma sencilla para aquellos que estén familiarizados con R.
Otros programas que pueden utilizarse para el análisis de datos circulares son
CIRCSTAT Stata (<www.stata.com>) o Matlab (<www.mathworks.com>).
PORTADA ÍNDICE
1.5. CASOS PRÁCTICOS
Una forma de familiarizar a los lectores con la estadística circular es describir

algunos casos publicados, por tanto se presentan a continuación algunos ejemplos
que, a su vez, nos permiten mostrar las diferentes áreas donde se puede aplicar la
estadística circular.
Ciencias Políticas: Gill, J. y Hangartner, D. (2010). Circular data in political science

and how to handle it. Political Analysis, 18: 316-336. Se trata de un estudio pionero
que puso de relevancia la importancia de la estadística circular en Ciencias Políticas.
Según estos autores no se había prestado restado atención a los datos circulares (pu-
ramente cíclicos) en la investigación en ciencias políticas. Estos autores demostraron
que tales datos existían y que eran manejados incorrectamente por modelos que no
tienen en cuenta la naturaleza cíclica de algunos fenómenos. En este estudio aplican
modelos circulares a casos de terrorismo, a las elecciones y diversos tipos de sucesos
como ejemplos de fenómenos cíclicos (Fig. 7).
Figura 7. Densidad de Kernel (ver más adelante) para explicar la concentración

de homicidios con arma de fuego a lo largo del día. Se observa cono es hacia medias noche
cuando se producen más actos violentos (modificado de Gill y Hangartner, 2010).
Botánica: Patricia, L.; Morellato, C.; Alberti, L.F. y Hudson, I.L. (2010). Applications
of circular statistics in plant phenology: a case studies approach. En: I.L. Hudson y M.R.
Keatley (eds.), Phenological Research: 339-359. Springer Science + Business Media. La
fenología se ocupa del estudio de fenómenos biológicos recurrentes y su relación con
el clima. En este trabajo los autores evalúan las aplicaciones de la estadística circular
en fenología vegetal y su potencial en el análisis de datos fenológico, concluyendo
que la estadística circular es una herramienta muy apropiada para determinar las
relaciones entre la floración y otros procesos fenológicos (Fig. 8).
PORTADA ÍNDICE
Figura 8. Diagrama que representa el periodo de pérdida de las hojas de una árbol,
comprobándose como la época de mayor caída de hojas es en junio para luego ir
decreciendo hasta febrero (modificado de Patricia et al., 2010).
Ornitología: Schaaf, A.A.; García, C.G.; Puechagut, P.B.; Silvetti, L.E. y Quaglia,
A.I.E. (2018). Effect of geographical latitude and sun exposure on Rofous Hornero
(Furnarius rufus) nest orientation. Journal of Ornithology, 159: 967-974. La orientación
de los nidos de las aves es determinada por variables ambientales, que a su vez son
debidas a su posición geográfica. Las aves orientan sus nidos para evitar tales fac-
tores adversos como la exposición solar, el viento o la lluvia. Los autores utilizan la
estadística circular para analizar la orientación de los nidos de F. rufus, en función
de las variables anteriormente citadas (Fig. 9).
Figura 9. Orientación de los nidos de F. rufus (modificado de Schaaf et al., 2018).
Entomología: Sopini, F.; Rossano, C.; Marchetti, G.M. y Morgan, E. (2005). The
role of the biological clock in the sun compass orientation of free-running individuals
of Talitrus saltator. Animal Behaviour, 69: 835-843. Estos autores investigan la relación
PORTADA ÍNDICE
entre la orientación del sol y la actividad locomotora diaria en el saltamontes T. saltator

utilizando modelos de regresión circular-circular, encontrando una estrecha relación
entre la orientación del sol y la orientación de los saltamontes (Fig. 10).
Figura 10. Distribución de T. saltator a las 13:00 horas. Se señala la posición del sol
(flecha) y la densidad de Kernel (ver más adelante) (modificado de Sopini et al., 2005).
Ciencias de la Atmósfera: Borycka, K. y Kasprzyk, I. (2018). Hourly pattern of

allergenic alder and birch pollen concentrations in the air: Spatial differentiation and
the effect of meteorological conditions. Atmospheric Environment, 182: 179-192. El
objetivo de este estudio fue el de estudiar la concentración horaria del polen de dos
plantas en una gran ciudad. Con la ayuda de la estadística circular determinan las
concentraciones de polen horarias, concluyendo que las horas de menor exposición
son las de la mañana (Fig. 11).
Figura 11. Concentración diaria de polen en una de las localidades estudiadas. Se observa
como las mayores concentraciones de polen se producen en torno a las 12:00 y las 18:00
horas (modificado de Boryck y Kasprzyk, 2018).
PORTADA ÍNDICE
Medicina: Karoly, Ph.J.; Goldenholz, D.M.; Freestone, D.R.; Mass, R.E.; Grayden,
D.B.; Theodore, W.T. y Cook, M.J. (2018). Circadian and circaseptan rhythms in human
epilepsy: a retrospective cohort study. Lancet Neurology, 17: 977-988. Estos autores
señalan que la epilepsia se manifiesta de forma periódica y utilizan la estadística
circular determinar patrones cíclicos en los brotes de la enfermedad (Fig. 12).
Figura 12. Histograma circular donde se representa en ciclo de temblores semanales

ocasionados por la epilepsia en los pacientes estudiados. Se comprueba cómo el viernes y el
domingo son los días donde se producen más temblores (modificado de Karoly et al., 2018).
PORTADA ÍNDICE
PORTADA ÍNDICE
CAPÍTULO 2
LOS DATOS
2.1. INTRODUCCIÓN
El hecho de que los datos circulares sean medidos en una escala cerrada y cíclica
hace que la mayoría de los estadísticos lineales más comunes sean inapropiados para
tratar este tipo de datos. En la naturaleza existen muchos fenómenos que se pueden
expresar en forma de datos circulares, siendo los más frecuentes los direccionales o
aquellos que determinan orientaciones. Para expresar una dirección en un plano po-
demos utilizar vectores unitarios o puntos sobre un círculo, como vimos en el capítulo
anterior, aunque hay otras dos formas muy útiles de representar las direcciones: como
ángulos o como números complejos, para lo cual será necesario establecer un sistema de
coordenadas que nos permitan situar la posición respecto a este sistema de referencia.
En este capítulo se describirán los diferentes “modos” en los que podemos ex-
presar datos circulares, pero antes se hará un breve apunte sobre ángulos, vectores
y las principales funciones trigonométricas, que ayudarán en la comprensión de los
procedimientos matemáticos empleados en estadística circular.
2.1.1. El Ángulo
La posición de un punto P en un plano solo puede ser determinada por dos coor-
denadas: x e y. El sistema de coordenadas rectangulares o cartesianas con centro en O y
dos ejes perpendiculares, X e Y, que pasan por O, es el que nos permite ubicar estos
puntos (Fig. 13A). No obstante, la localización de P también puede caracterizarse por
un ángulo ϕ. Vamos a introducir una línea  (Fig. 13A) y asumiremos que, en principio,
coincide con el eje X en su parte positiva. Asumimos también que el eje X marca la
dirección cero y lo denominaremos eje polar. Ahora rotamos  en el sentido contrario a
las agujas del reloj hasta P. A la magnitud de la rotación es lo que llamamos ángulo,
en este caso el ángulo polar de P(ϕ) (Fig. 13B). Para determinar la posición de P en el
plano combinamos el ángulo ϕ con la distancia r p desde el origen hasta la posición
de P. Ambos, ϕ y r p, conforman las coordenadas polares del punto P.
Cuando  coincide por primera vez con Y en la zona positiva se forma un ángulo
de 90°. Al continuar con la rotación llegamos a la parte negativa de X, a la parte
negativa de Y y, de nuevo, a la parte positiva de X: se han formado ángulos de 180°,
270° y 360° y así se podría continuar formando ángulos de 450°, 540°, etc. Si rotamos
 en sentido de las agujas del reloj encontremos en primer lugar con Y en su parte
negativa, por tanto tenemos un ángulo de -90°, luego uno de -180°, etc. En definitiva,
PORTADA ÍNDICE
Figura 13. A) Para poder posicionar P en el plano necesitamos establecer un sistema

de coordenadas: x e y; B) Coordenadas polares, r p y ϕ y coordenadas rectangulares X e Y
del punto P. El ángulo ϕ se genera al rotar  en sentido contrario a las agujas del reloj.
los ángulos pueden ser negativos o positivos dependiendo del sentido de rotación.
En este sentido, se denomina azimut al ángulo usado para medir la dirección en el
plano horizontal, siempre que la dirección cero esté dirigida al norte y la rotación se
haga en sentido de las agujas del reloj.
A veces es necesario cambiar la unidad en la que son medidos los ángulos para,
por ejemplo, hacer representaciones gráficas o por facilitar los cálculos. Imaginemos
que tenemos un círculo de radio 1 y centro en O (Fig. 14). Si, como en el caso an-
terior, rotamos  desde el origen hasta P vemos como A y B definen los puntos de
intersección de  con el círculo unidad. Ahora podemos medir la longitud del arco
que une A con B (trazo rojo en la figura 14). Esta medida de longitud es lo que se
denomina radian. Un radián se define, por tanto, como el ángulo central de una
circunferencia que abarca un arco de igual longitud que el radio de la misma. El
radián, en definitiva, nos permite medir ángulos. Dado que la circunferencia de un
círculo de radio r es 2πr, el ángulo 2π radianes, o 6,28 radianes, equivalen a los 360°
de la circunferencia. Por tanto, los ángulos pueden ser convertidos a radianes y los
radianes a ángulos, equivaliendo un radián a 57,2958°.
Figura 14. El círculo unidad y la medida de un ángulo expresada en radianes (línea roja).
PORTADA ÍNDICE
2.1.2. Vectores
Los vectores están ligados a conceptos como velocidad y fuerza en los que no
solo es importante la dirección sino también la magnitud. Son muy utilizados en el
análisis de las direcciones.
Si tenemos dos puntos, Q y P, la línea que une Q con P es un vector y se denota
→
por QP o por una letra en negrita, υ (Fig. 15).
Figura 15. Representación del vector υ.
En estadística circular los vectores son empleados para localizar puntos en el plano.
En tal caso la base del vector Q, coincide con el origen O del sistema de coordenadas,
→
de modo que el vector QP puede quedar definido por sus coordenadas rectangulares
(x, y) o por sus coordenadas polares (r p, ϕ) (Fig. 16):
x
QP = υ = = ( rp ,φ )
y
→
Figura 16. Coordenadas cartesianas y polares del vector QP .
PORTADA ÍNDICE
La longitud r es denominada valor absoluto de υ y se denota:
r = |υ|
El vector cero es un caso especial, ya que no se puede asociar ningún ángulo

polar a este vector:
0
0= = (0,0); |0| = 0
0
En el análisis de datos direccionales es frecuente el uso de vectores unitarios, es

decir, vectores que tienen una longitud igual a 1. Los vectores unitarios determinan
puntos en el círculo unidad y, al contrario, cada punto del círculo unidad está aso-
ciado a un vector unitario.
Una de las operaciones algebraicas más utilizadas en estadística circular es la suma
de vectores. Si tenemos dos vectores unitarios e1 y e2 la suma de los dos vectores se
estima del siguiente modo:
x1 x2
e1 = ; e2 =
y1 y2
x1 + x2
e1 + e2 =
y1 + y2
También es frecuente necesitar multiplicar un vector por un número real, k:
x k⋅x
k⋅e = k⋅ =
y k⋅y
Otro importante concepto relacionado con vectores es el de centro de masas. Ten-

gamos dos puntos con masa, M1 y M2 (M1 > M2), localizados en el extremo de dos
vectores e1 y e2. El centro de masas, C (Fig. 17), se sitúa en la línea que une las dos
masas, estando más próximo a la mayor de ellas. El vector, m, asociado al centro de
masas tiene la siguiente expresión:
1
m= ( M 1 ⋅ e1 + M 2 ⋅ e2 )
M1 + M2
Este vector m se denomina vector medio y puede interpretarse como la media

aritmética de los vectores e1 y e2.
PORTADA ÍNDICE
Figura 17. Representación de centro de masas (C) de dos puntos y el vector medio, m.
Del mismo modo, el vector medio de n puntos de masa M1, M2…… M n vendrá
dado por la expresión:
1
m= ( M 1 ⋅ e1 + M 2 ⋅ e2 +  + M n ⋅ e n )
∑ Mi
Si designamos R a la longitud del vector resultante y r la longitud del vector medio, ten-
dremos que (Fig. 18):
∑ e i = R,
m = r
Por tanto:
R
r=
n
Figura 18. Suma de vectores unitarios para formar un polígono. El vector resultante (R)
es la suma de todos los vectores unitarios. Tras dividir este vector por el número
de vectores unitarios obtenemos el vector medio, m.
PORTADA ÍNDICE
2.2. FUNCIONES TRIGONOMÉTRICAS
Partamos de un sistema de coordenadas rectangulares con x = y = 1. Ahora

introducimos una línea  para generar un ángulo ϕ (Fig. 19). Introducimos también
una circunferencia de radio r = 1 y un punto P, cuyas coordenadas polares (r p, ϕ) son:
(1, ϕ) y con coordenadas rectangulares (x, y).
Con estos antecedentes el coseno y el seno de ϕ son:
cos ϕ = x; sen ϕ = y
Figura 19. Definición de las funciones trigonométricas seno y coseno de ϕ.
Por tanto, el coseno y el seno de ϕ son funciones de ϕ. Por otro lado, si el dominio
de ϕ lo constituyen todos los números reales, x e y son funciones periódicas de ϕ,
dado que cualquier nueva rotación alrededor del círculo unitario genera los mismos
valores de x e y. El periodo es 360°.
Una tercera función trigonométrica utilizada en estadística circular es la tangente:
sen φ
tan φ =
cos φ
Conocida las funciones trigonométricas podemos convertir coordenadas polares

(r, ϕ) en coordenadas rectangulares (x, y) y viceversa:
De coordenadas polares a rectangulares. Si r es la distancia polar tendremos que:
x = r · cos ϕ; y = r · sen ϕ
De coordenadas rectangulares a polares:
r = (x 2 + y2)1 / 2
PORTADA ÍNDICE
Si:
sen φ
tan φ =
cos φ
Entonces:
ϕ = arctan (y / x) si x > 0
ϕ = 180° + arctan (y / x) si x < 0
2.3. TIPOS DE DATOS
2.3.1. Ángulos
Es la forma más frecuente de representar datos circulares. El ángulo de un dato

circular oscila entre 0° y 360°. Los datos circulares no pueden sobrepasar, por tanto,
los 360° y en el caso de que esto ocurra deben ser reducidos a la escala 360°, restando
esta magnitud a la que sobrepase de la misma. Por ejemplo, 450° habría que reducirlos
hasta la escala de 360°, del siguiente modo: 450° – 360° = 90°. Los ángulos negativos,
por ejemplo -10°, también pueden ser convertidos en ángulos positivos, solo hay que
restar a 360° el valor negativo. Por tanto -10° equivaldrían a 350°.
2.3.2. Radianes
Los datos también pueden expresarse en radianes, en un rango de entre 0 y 2μ

radianes. Podemos convertir grados en radianes multiplicando por π / 180°. Por ejemplo
45° equivaldrían a 45° · 3,141516 / 180° = 0,7853 radianes.
2.3.3. Datos axiales
Los datos que expresan direcciones pueden ser de dos tipos: uni o bidireccionales,
que son conocidos como datos vectoriales y datos axiales, respectivamente. Los datos
vectoriales quedan expresados por una línea direccionada, es decir, hay un sentido,
como ocurre, por ejemplo, al desplazarnos en el sentido de la marcha. Los datos
axiales vienen expresados por una línea en la que no se define una dirección como
ocurre, por ejemplo, con una fractura horizontal en el terreno, que puede tener una
dirección de 90 o 270 grados. En el caso de los datos axiales la escala varía entre 0°
y 180° debido a que los datos axiales se caracterizan por poseer direcciones opuestas
y equivalentes (Fig. 20). Si calculamos la media angular de los datos representado en
la figura 20 obtendríamos un valor no válido, por ello es necesario reducir reducir
el módulo (escala) a 180° mediante la duplicación de los ángulos, para así obtener una
muetra circular unimodal que nos permita aplicar los procedimientos estadísticos que
consideremos oportunos.
PORTADA ÍNDICE
Ejercicio 1 (tomado de Mardia y Jupp, 2000). Tenemos una serie de ángulos: 20°,
135°, 145°, 165°, 170° 200°, 300°, 325°, 335°, 350°, 350°, 350° y 355°, que son claramente
axiales (Fig. 20).
Figura 20. Representación de datos axiales.
Para reducir estos datos al módulo 180° se procede al duplicado de los ángulos:
Ángulo Ángulo · 2
20° 40°
135° 270°
145° 290°
165° 330°
170° 340°
200° 400°
300° 600°
325° 650°
335° 670°
350° 700°
350° 700°
350° 700°
355° 710°
Vemos como a partir del sexto dato los ángulos superan los 360°, por lo que
debemos reducirlos al módulo 360°, para lo cual a cada uno de ellos le restamos
360°:
PORTADA ÍNDICE
Ángulo Ángulo · 2
20° 40°
135° 270°
145° 290°
165° 330°
170° 340°
200° 400° – 360° = 40°
300° 600° – 360° = 240°
325° 650° – 360° = 290°
335° 670° – 360° = 310°
350° 700° – 360° = 340°
350° 700° – 360° = 340°
350° 700° – 360° = 340°
355° 710° – 360° = 350°
Ahora se pueden aplicar los estadísticos circulares y comprobamos como la dis-

tribución de los datos se ha convertido en unimodal (Fig. 21).
Figura 21. Ángulos doblados. Como puede apreciarse el módulo queda reducido a 180°.
2.3.4. Direcciones
Son datos que se representan en función de la dirección que marca la brújula. Es

generalmente aceptado que 0° señale la dirección norte (N), el este (E) corresponderá
a 90°, el sur (S) a 180° y el oeste (O) a 270° (Fig. 22). Este tipo de datos son muy
utilizados cuando se quieren expresar direcciones u orientaciones.
PORTADA ÍNDICE
Figura 22. Representación de datos direccionales.
2.3.5. Tiempo en horas
Son datos circulares que se expresan en forma de tiempo en una escala de 24 horas.
De este modo un día queda dividido en 24 intervalos iguales de 1 hora, que equivale
a 15° (360° / 24 = 15°), de manera que 1° de la circunferencia equivalen a 4 minutos.
En general podemos convertir X unidades de tiempo en una dirección angular
(a, en grados) empleando una escala circular con k unidades de tiempo:
360° ⋅ X
a=
k
Por ejemplo ¿cuál es la medida en ángulos de las 6:25 horas?
360° ⋅ X 360° ⋅ 6,25 horas

a= = = 93,75°
k 24 horas
Ejercicio 2 (tomado de Batschelet, 1981). En la siguiente tabla se presentan las

horas en las que se producen los accidentes de tráfico más graves en una ciudad
durante varios días:
00:56 12:08 17:24

03:08 13:28 18:08
04:52 14:16 18:16
07:16 16:20 18:56
08:08 16:44 19:32
10:00 17:04 20:52
11:24 17:20 22:08
PORTADA ÍNDICE
Utilizando el conversor y con la ayuda de Excel obtenemos la siguiente tabla:
Hora (en formato 360 ⋅ horas

Hora a=
decimal) 24 horas
0:56:00 0,56 8,4
3:08:00 3,08 46,2
4:52:00 4,52 67,8
7:16:00 7,16 107,4
8:08:00 8,08 121,2
10:00:00 10,00 150
11:24:00 11,24 168,6
12:08:00 12,08 181,2
13:28:00 13,28 199,2
14:16:00 14,16 212,4
16:20:00 16,20 243
16:44:00 16,44 246,6
17:04:00 17,20 258
17:20:00 17,20 258
17:24:00 17,24 258,6
18:08:00 18,08 271,2
18:16:00 18,16 272,4
18:56:00 18,56 278,4
19:32:00 19,32 289,8
20:52:00 20,52 307,8
22:08:00 22,08 331,2
Con estos datos podemos construir el gráfico (Fig. 23):
Figura 23. Representación de los datos del ejercicio 2. Se ha representado también el valor
medio, que constituye la denominada hora punta o acrofase, que representa el momento en
el que se producen más incidencias.
PORTADA ÍNDICE
2.3.6. Días de la semana
Según el estándar internacional el primer día de la semana es el lunes. Para ex-

presar los días de la semana de forma angular se divide el círculo (360°) por 7, por
tanto cada día suponen 25,7143°. Las semanas completas también se pueden expresar
en forma angular, considerando que el año tiene 52 o 53 semanas. Cada semana
abarca 6,9231° del círculo unitario.
2.3.7. Meses
Igual que en el caso anterior, para expresar los meses de forma angular dividimos
360° entre 12 y obtenemos el valor que correspondería a un mes, es decir, cada sector
tendría una amplitud de 30° (ver ejemplo Botánica capítulo 1).
2.3.8. Días del año
Como en casos anteriores para expresar un día en forma angular basta con dividir
360° entre 365 días, por lo que a cada día le corresponden 0,9863°. El primer día es
el 1 de enero y el último el 31 de diciembre.
Podemos utilizar la fórmula anterior para determinar la correspondencia de un día
cualquiera del año con su ángulo. Por ejemplo ¿Cuál es la correspondencia angular
del 14 de febrero?
360° ⋅ X 360° ⋅ día 45 del año

a= = = 44,38°
k 365 días
2.3.9. Datos agrupados
El agrupamiento de datos angulares ocurre cuando la circunferencia es subdividida

en arcos de igual longitud y en cada uno de esos sectores aparecen más de un dato.
Por ejemplo, las direcciones mensuales del viento estimadas a diario. En cada sector,
que corresponden a cada mes, aparecerán 30 o 31 medidas, siendo el número de arcos
de 12. El círculo, por tanto, quedaría dividido en 12 sectores que corresponderían a
los 12 meses del año.
2.3.10. Datos apareados
Se generan datos apareados cuando sobre un mismo individuo se hace más de

una estimación. Por ejemplo, si queremos determinar cuándo se producen los picos
de fiebre en los pacientes de una unidad hospitalaria. En este caso, a cada paciente
se la tomarán más de una medida de temperatura al día. Estos son datos apareados,
como se muestra en la siguiente tabla:
PORTADA ÍNDICE
Temperatura Temperatura Temperatura Temperatura

Paciente
06:00 h 12:00 h 18:00 h 00:00 h
1 37,5 37,6 37,9 38,2
2 36,0 38,6 37,9 381
3 36,7 37,5 36,9 362
2.3.11. Datos empatados
Algunos test no paramétricos requieren que no existan datos empatados entre las
muestras que se van a analizar. Diremos que tenemos datos empatados cuando un
mismo valor se repite en las dos muestras. Para romper el empate podemos recolocar
los datos en el proceso de asignación de rangos o modificar los valores, pero esto
puede generar alteraciones en los resultados.
PORTADA ÍNDICE
PORTADA ÍNDICE
CAPÍTULO 3
ESTADÍSTICA DESCRIPTIVA
3.1. INTRODUCCIÓN
La Estadística Descriptiva nos permite ordenar, describir y sintetizar la informa-

ción recogida. En este proceso será necesario establecer medidas cuantitativas que
reduzcan a un número manejable de parámetros el conjunto de datos obtenidos. La
realización de gráficos (visualización de los datos en diagramas) también forma parte
de la Estadística Descriptiva dado que proporcionan una manera directa de organizar
la información. La finalidad de la Estadística Descriptiva no es extraer conclusiones
generales sobre el fenómeno que ha producido los datos bajo estudio, sino solamente
su descripción (Gorgas García et al., 2011).
Entre las medidas características de una distribución destacan las llamadas medi-
das de centralización, que nos indicarán el valor promedio de los datos, o en torno a
qué valor se distribuyen estos. Las medidas de centralización reducen la información
recogida de la muestra a un solo valor. Sin embargo, dicho valor central, o medio,
será más o menos representativo de los valores de la muestra dependiendo de la dis-
persión que las medidas individuales tengan respecto a dicho centro. Para analizar la
representatividad de las medidas de centralización se definen las llamadas medidas de
dispersión, que nos indicarán la variabilidad de los datos en torno a su valor promedio,
es decir si se encuentran poco o muy esparcidos en torno a su centro (Gorgas García
et al., 2011). Finalmente, las medidas de forma nos dan una idea precisamente de la
forma que adquiere la distribución de los datos, al medir el aplastamiento lateral y
vertical que pueden experimentar la distribución de datos.
3.2. MEDIDAS DE CENTRALIZACIÓN
3.2.1. Ángulo medio
El ángulo medio es una medida de tendencia central que indica la orientación

preferida en una muestra de n datos angulares. Partamos de un sistema de coorde-
nadas rectangulares con ejes X e Y y centro en O, donde ϕi es uno de n ángulos y ei
su vector unitario. Sabemos que las coordenadas rectangulares de ei son xi e yi. Por
la definición de seno y coseno tendremos que:
x i = cos ϕi; y i = sen ϕi
PORTADA ÍNDICE
Si denominamos x̄ e ȳ a la media de xi e yi (también es frecuente utilizar X e Y para

designar a la media) respectivamente se cumplirá que:
∑ ni cos φi ∑ n sen φi
x= ; y= i
n n
A partir de estas coordenadas se obtiene la longitud del vector medio, r, que nos indica
el grado de concentración de los datos sobre algún punto de la circunferencia (ver
más adelante):
2 2
r= x +y
También podemos calcular el ángulo medio, ϕ:
ϕ = arctan (ȳ / x̄), si ȳ > 0
ϕ = 180° + arctan (ȳ / x̄), si ȳ < 0
De las ecuaciones anteriores se deduce que:
cos ϕ̄ = x̄ / r; sen ϕ̄ = ȳ / r
Ejercicio 3 (tomado de Batschelet, 1981). Vamos a calcular la longitud del vector

medio y el ángulo medio para una serie medidas angulares: 250°, 275°, 285°, 285°,
290°, 290°, 295 °, 300°, 310°, 315°, 320°, 330°, 330° y 5°, que corresponden a la dirección
que toman 15 palomas.
En primer lugar realizaremos una representación gráfica de los datos para tener
una idea de su distribución. En este caso utilizaremos un diagrama circular y obser-
vamos cómo tienen una orientación hacia el noroeste (Fig. 24).
Figura 24. Direcciones que toman las 15 palomas del ejercicio 3.
PORTADA ÍNDICE
A continuación lo que se debe hacer es calcular el coseno y el seno de cada án-

gulo, para ello utilizaremos las siguientes fórmulas de Excel: =cos(radianes(ángulo))
y =seno(radianes(ángulo)). Obtendremos la siguiente tabla:
Ángulo (ϕi) Coseno Seno Ángulo (ϕi) Coseno Seno

250° -0,3420 -0,9397 305° 0,5736 -0,8192
275° 0,0872 -0,9962 310° 0,6428 -0,7660
285° 0,2588 -0,9659 315° 0,7071 -0,7071
285° 0,2588 -0,9659 320° 0,7660 -0,6428
290° 0,3420 -0,9397 330° 0,8660 -0,5000
290° 0,3420 -0,9397 330° 0,8660 -0,5000
295° 0,4226 -0,9063 5° 0,9962 0,0872
300° 0,5000 -0,8660
A partir de aquí obtenemos:
∑ cos φi = 7,2872; ∑ sen φi = −11,3674
Por tanto:
∑ ni cos φi 7,2872 ∑ n sen φi −11,3674

x= = = 0,4858; y= i = = −0,7578
n 15 n 15
La longitud del vector medio es:
2 2
r = x + y = (0,4858)2 + (–0,7578)2 = 0,9001
El ángulo medio es:
ϕ̄ = arctan (ȳ / x̄) = arctan (-0,7578 / 0,4858)= -53,7°
Como ϕ̄ es < 0 calculamos el ángulo equivalente a -53,3°, que es 360° – 53,7° =

302,7°. Por tanto:
ϕ̄ = 302,7°
que representa la dirección media que toman las palomas (Fig. 25).
A menudo los datos circulares están agrupados por frecuencias, de modo que las
medias se calculan a partir de la siguiente fórmula:
∑ f i ⋅ cos φi ∑ f i ⋅ sen φi
x= ; y=
n n
PORTADA ÍNDICE
Figura 25. Direcciones de las 15 palomas del ejercicio 3 y su vector medio, r.
Ejercicio 4 (tomado de Batschelet, 1981). En la siguiente tabla se muestran las

direcciones que toman 100 moscas (se dispersaron por 12 sectores) y los cálculos
necesarios para estimar r y el ángulo medio:
Ángulo (ϕ) Frecuencia (f) Coseno Seno f · Coseno f · Seno

20° 15 0,9397 0,3420 14,0954 5,1303
50° 15 0,6428 0,7660 9,6418 11,4907
80° 13 0,1736 0,9848 2,2574 12,8025
110° 9 -0,3420 0,9397 -3,0782 8,4572
140° 5 -0,7660 0,6428 -3,8302 3,2139
170° 7 -0,9848 0,1736 -6,8937 1,2155
200° 5 -0,9397 -0,3420 -4,6985 -1,7101
230° 1 -0,6428 -0,7660 -0,6428 -0,7660
260° 2 -0,1736 -0,9848 -0,3473 -1,9696
290° 8 0,3420 -0,9397 2,7362 -7,5175
320° 7 0,7660 -0,6428 5,3623 -4,4995
350° 13 0,9848 -0,1736 12,8025 -2,2574
Gráficamente tendríamos la siguiente representación (Fig. 27):
Figura 26. Representación de los datos del ejercicio 4.
PORTADA ÍNDICE
Entonces tendremos que:
∑ f i ⋅ cos φi 27,4049 ∑ f i ⋅ sen φi 23,5899

x= = = 0,2740; y= = = 0,2358
n 100 n 100
2 2
r = x + y = (0,2740)2 + (0,2358)2 = 0,3616
El ángulo medio es:
ϕ̄ = arctan (ȳ / x̄) = arctan (0,2358 / 0,2470)= 40,71°
Como ya vimos, el agrupamiento de datos angulares ocurre cuando la circun-

ferencia es subdividida en arcos de igual longitud y en cada uno de esos sectores
aparecen más de un dato. Es frecuente que cuando los datos están agrupados r tienda
a ser muy pequeño por lo que necesita ser corregido. La media angular no necesita
corrección. Veamos cómo se realiza la corrección. Si llamamos k al número de arcos
de la circunferencia cada arco tendrá una longitud (λ) que es igual a:
2 ⋅π 360°
λ= (radianes) o λ = (grados)
k k
El valor de r corregido (rc) es igual a:
rc = c · r
siendo
λ /2
c=
seno λ / 2
Batschelet (1981) señala que el agrupamiento de datos proporciona buenos resul-

tados para muestras unimodales y con un buen grado de simetría. Además, indica
que si el número de grupos excede de 12 la corrección tiene efectos mínimos y puede
obviarse. Veamos un ejemplo.
En el ejercicio 4 obtuvimos que ϕ̄ = 40,71 y k = 12, por tanto:
360°
λ= = 30°
12
De la siguiente tabla (Batschelet, 1981) obtenemos el valor de c:
PORTADA ÍNDICE
k λ (grados) c
4 90 1,1107
5 72 1,0690
6 60 1,0472
8 45 1,0262
9 40 1,0206
10 36 1,0166
12 30 1,0115
15 24 1,0073
18 20 1,0051
20 18 1,0041
24 15 1,0029
30 12 1,0018
36 10 1,0013
40 9 1,0010
45 8 1,0008
60 6 1,0005
Vemos que a 30° le corresponde un valor de c = 1,0115, por lo que:
rc = c ⋅ r = 1,0115 ⋅ 0,3616 = 0,3658
Efectivamente, se comprueba que la corrección es mínima.
3.2.2. Media de los ángulos medios
Si determinamos el ángulo medio para varios grupos de ángulos obtendremos un

grupo de ángulos medios. Es decir, obtendremos el ángulo medio ϕ̄ de k muestras
de datos circulares. En un momento dado puede interesar calcular la media de las
medias si, por ejemplo, tenemos varias muestras de datos angulares. El cálculo se
realiza de forma similar a cuando solo tenemos una muestra, pero modificando las
coordenadas rectangulares que son:
∑ kj = 1 rj ⋅ cos φ j ∑ kj = 1 rj ⋅ sen φ j
X= ; Y=
k k
Ejercicio 5 (tomado de Zar, 1996). Supongamos que tenemos 7 poblaciones con

10 individuos cada una a los que se les ha determinado su dirección de dispersión
(ϕj) y la longitud del vector medio (r j). Para calcular el ángulo medio de las medias
procedemos del siguiente modo:
PORTADA ÍNDICE
Población (j) ϕj rj Xj = rj · cos ϕj Yj = rj · sen ϕj

1 160° 0,8954 -0,8414 0,3062
2 169° 0,7747 -0,7605 0,1478
3 117° 0,4696 -0,2132 0,4184
4 140° 0,8794 -0,6737 0,5653
5 186° 0,3922 -0,3901 -0,0410
6 134° 0,6952 -0,4829 0,5001
7 171° 0,3338 -0,3297 0,0522
Suma = -3,6914 1,9491
Entonces:
∑ 7j = 1 rj ⋅ cos φ j −3,6914
X= = = −0,5273
7 7
∑ 7j = 1 rj ⋅ sen φ j 1,9491
Y= = = 0,2784
7 7
2 2
r = X + Y = ( −0,5273)2 + (0,2784)2 = 0,5963
El ángulo pedido es:
ϕ̄ = arctan (Ȳ / X̄) = arctan (0,2784 / -0,5273)= -27,83°
Como X̄ < 0 calculamos 180° – 27,83° = 152,17° (Fig. 27).
PORTADA ÍNDICE
3.2.3. Mediana angular
Según Batschelet (1981) la mediana es el ángulo (ϕ̃) que deja la mitad de los án-
gulos de una muestra a un lado y la otra mitad al otro lado (Fig. 28). Si n es impar la
mediana coincidirá con un ángulo de la muestra, si n es par la mediana se localizará
entre dos ángulos.
Figura 28. Representación de la mediana, Md.
En el caso del ejercicio 5 vemos que hay 15 datos en un rango de 205° a 365°. La
mediana es, por tanto ϕ̃ = 300°, que es el ángulo que deja siete ángulos a la derecha
y siete a la izquierda (Fig. 29).
Figura 29. Representación de la mediana del ejercicio 5.
PORTADA ÍNDICE
La mediana es la principal medida de centralización ya que divida la muestra

en dos mitades, cada una de las cuales contiene el 50% de los datos. La mediana
también es el segundo cuartil (Q2) y, además, el percentil 50. Recordamos que los
cuartiles dividen la muestra, una vez ordenada, en cuatro partes iguales, mientras que
los percentiles dividen la muestra en 100 partes. Finalmente, el rango intercuartílico
es igual a Q3 – Q1.
Zar (1996) propone un estadístico para testar la simetría alrededor de la mediana,
que está basado en el test no paramétrico de Wilcoxon (test pareado de Wilcoxon).
Veamos cómo se calcula este estadístico.
Ejercicio 6 (tomado de Zar, 1996). Tenemos una serie de ángulos: 97°, 104°, 121°,
159°, 164°, 172°, 195° y 213°, y queremos testar la siguiente hipótesis:
H0: la distribución de datos es simétrica respecto a la mediana.

H A: la distribución de datos no es simétrica respecto a la mediana.
Como n es par (8), la mediana es igual a:
159° + 164°
mediana = = 161,5°
2
Ahora construimos la siguiente tabla:
Xi di = Xi-mediana Rango de |di| Rango de |di| con signo

97° -64,5° 8 -8
104° -57,5° 7 -7
21° -40,5° 5 -5
159° -2,5° 1,5 -1,5
164° 2,5° 1,5 1,5
172° 10,5° 3 3
195° 33,5° 4 4
213° 51,5° 6 6
Ahora calculamos la suma de los rangos positivos y negativos:
T+ = 1,5 + 3 + 4 + 6 = 14,5; T– = 8 + 7 + 5 + 1,5 = 21,5
Consultando las tablas para el test de Wilcoxon comprobamos que T0,05, (2),8 = 3. Con
este valor no podemos rechazar H0, ya que ni T+ ni T– son menores que T0,05, (2),8. Por
tanto, la distribución es simétrica respecto a la mediana.
3.2.4. Moda angular
La moda angular es el ángulo que más se repite en una muestra, pudiendo haber
más de una. En el caso del ejercicio 3 hay tres modas: 285°, 290° y 330° (estos tres
PORTADA ÍNDICE
ángulos están repetidos dos veces). En Biología, por ejemplo, lo más frecuente es
la mayoría de las muestras sean unimodales (tengan un sola moda), pero también
pueden ser bimodales, tri o polimodales. Un ejemplo típico de distribución bimodal
ocurre cuando a un grupo de animales se le ofrece la posibilidad de elegir entre
dos opciones: algunos elegirán una y otros la contraria. Si representamos las di-
recciones que siguen los animales observaremos dos “picos”, que corresponden a
las modas.
Uno de los casos más frecuentes de distribución bimodal en Biología, por ejemplo,
son los denominados datos axiales, en los que aparece una “moda” y otra idéntica
en el sentido opuesto. Este tipo de muestras necesitan un tratamiento especial, como
veremos más adelante.
3.2.5. Rango circular
El rango circular (w) es la longitud del menor arco que contiene todas las obser-
vaciones que hay en una muestra. Supongamos que tenemos una serie de ángulos:
θ1, θ2…θn y que θ1 ≤ θ2, … ≤ θn. Entonces la longitud del arco entre observaciones
adyacentes es:
T = θ( i + 1) − θ i , con i = 1, 2, 3…n–1
por tanto:
Tn = 2π − θ( n ) – θ i
Siendo el rango circular igual a:
w = 2π − max(T1 …Tn )
Ejercicio 7 (tomado de Mardia y Jupp, 2000). Tenemos los siguientes ángulos

ordenados:
Ángulo T
43° 2
45° 7
52° 9
61° 14
75° 13
88° 0
88° 191
279° 78
357° 98
PORTADA ÍNDICE
Estimamos ahora la longitud del arco entre observaciones adyacentes: T1 = 45° –

43° = 2°; T2 = 52° – 45° = 7°; T3 = 61° – 52° = 9°…… T8 = 279° – 88° = 191°, y com-
probamos que T máximo es T8, con un valor de 191°, de manera que el rango an-
gular es:
w = 2π − max(T1 …Tn ) = 2 ⋅ 180° – 191° = 169°
Esto significa que en un arco de 169° se incluyen los 9 datos de nuestra muestra
(Fig. 30).
Figura 30. El arco delimitado en la zona superior de la línea azul constituye el rango
circular.
3.3. MEDIDAS DE DISPERSIÓN
3.3.1. Longitud del vector medio como medida de concentración
En muestras unimodales la longitud del vector medio (r) sirve como medida de
concentración. Una de las propiedades de r es que varía directamente con la dispersión
de los datos: a mayor r mayor concentración de datos y viceversa (Fig. 31).
Por tanto un valor de r = 1 implica que los datos están concentrados alrededor
de un ángulo en concreto y un valor de r = 0 implica que no hay concentración de
los datos, aunque ello no siempre implique que estemos ante unos datos distribuidos
uniformemente (ver figura 48).
PORTADA ÍNDICE
Figura 31. La longitud del vector medio oscila entre 0 y 1, disminuyendo a medida que la
concentración de puntos es menor.
3.3.2. Varianza angular y desviación angular
Si en la sección anterior se ha señalado que r es una medida de la concentración

de los datos angulares, entonces 1-r es una medida de dispersión. Este valor se utiliza
para el cálculo de las principales medidas de dispersión angular, que son:
a) La varianza angular:
s2 = 2 ⋅ ( 1 − r )
La varianza circular por su parte tiene la siguiente expresión (Mardia y Jupp, 2000):
S2 = (1 − r )
PORTADA ÍNDICE
b) La desviación angular media (Batschelet, 1981) es:
180°
s=
π
[2 ⋅ (1 − r )]1/2
c) Desviación circular estándar:
()
D θ =
1 n
n
(
∑ i=1 π − π − θi − θ )
3.3.3. Distancia angular
Zar (1996) define distancia angular como la distancia más corta, en ángulos, en-
tre dos puntos situados sobre un círculo. De este modo, la distancia angular entre
95° y 120° son 25°. Nos referiremos a la distancia angular entre los ángulos α1 y α2
como dα –α . Así, d95°–120°. La distancia angular es muy útil cuando deseamos obtener,
1 2
por ejemplo, la dispersión de los datos respecto a una dirección determinada, como
sucede cuando queremos saber la desviación de una serie de animales entrenados
para volver siguiendo una determinada dirección (homing).
Mardia y Jupp (2000) proponen que la distancia entre dos ángulos θ y ξ es
igual a:
1 – cos(θ – ξ )
De modo que un modo de medir la dispersión de una serie de ángulos θ1, θ2……θn
respecto a un ángulo dado α es:
1 n
D(α ) =
n i=1
{
∑ 1 – cos (θi – α )}
3.3.4. Límites de confianza para la media
Los límites de confianza para la media (L1, L2) pueden expresarse como:
θ ±d
Donde d varía en función de r. Para r ≤ 0,9:
2 n(2 R 2 – n χα2 ,1 )
4 n – χα2 ,1
d = arcos
R
Donde χα2 ,1 = χ 0,05,1

2
= 3,481 . Se suele tomar α = 0,05.
PORTADA ÍNDICE
Para r ≥ 0,9:
n2 − ( n2 − R 2 ) e
χα2 ,1 / n
d = arcos
R
Siendo R = n · r.
Ejercicio 8 (tomado de Zar, 1996). Tenemos una muestra de 8 datos angulares en

la que: ϕ̄ = 104°, r = 0,8791, por tanto:
R = n · r = 8 · 0,87919 = 7,03352
De modo que:
2 n(2 R 2 – n χα2 ,1 ) 2 ⋅ 8(2 ⋅ (7,03352 ) – 8 ⋅ 3,481)

2
4 n – χα2 ,1 4 ⋅ 8 – 3,481
d = arcos = arcos = 28°
R 7,03352
De modo que el intervalo de confianza al 95% es: 104° ± 28°. Por consiguiente, L1
= 76° y L2 = 132°.
3.4. MEDIDAS DE FORMA
3.4.1. Asimetría
La asimetría mide el sesgo de la distribución, es decir, si existe desplazamiento

de los datos hacia uno de los lados del valor medio. Se calcula mediante la siguiente
expresión:
r =
(
r2 ⋅ sen θ 2 − 2θ )
(1 – r ) 3/2
Donde r2 es el la longitud del vector medio de la muestra una vez se han duplicado
los ángulos; θ̄ 2 es el ángulo medio de la muestra con los ángulos duplicados y r y θ
son, respectivamente, los vectores medio y el ángulo medio de la muestra original.
3.4.2. Curtosis
La curtosis expresa el grado de aplastamiento de una distribución simétrica res-

pecto al que correspondería a una distribución normal. La curtosis tiene la siguiente
expresión:
=
K
(
r2 ⋅ cos θ 2 − 2θ − r 4 )
(1 – r ) 2
PORTADA ÍNDICE
3.5. REPRESENTACIÓN DE LOS DATOS
3.5.1. Introducción
En Estadística es muy recomendable realizar una representación gráfica de los

datos que conforman una muestra antes de realizar cualquier tratamiento estadístico.
Las ventajas que ofrece una representación gráfica son varias:
1. Nos da una idea inicial sobre algunas características importantes de la muestra.

Por ejemplo, si sigue una distribución uniforme, se ajusta a una distribución de
von Mises o es polimodal.
2. Nos sugiere un modelo al cual se pueden ajustar nuestros datos.
3. Permite detectar valores anómalos.
Una idea intuitiva de una distribución circular es un gráfico circular. También

es frecuente emplear gráficos lineales, pero este tipo de representaciones tiene el
inconveniente de que el punto de inicio es arbitrario y ello puede generar confusión
(Fig. 32).
Figura 32. Tres gráficos lineales de la misma distribución. La distribución es unimodal,

con moda en 200° (o de forma equivalente -160°). Los puntos de inicio de los gráficos
son 0° (superior), -180° (centro) y -90° (inferior).
PORTADA ÍNDICE
Disponemos de varias opciones para representar los datos, pudiendo elegir la

que más nos interese en función de la naturaleza de los datos que deseamos re-
presentar.
3.5.2. Gráficos de distribución
Este tipo de gráfico nos permite determinar si nuestros datos se ajustan a una
determinada distribución. El fundamento es sencillo: cada dato es representado frente
al valor esperado bajo una distribución teórica dada (uniforme o von Mises). Si los
datos proceden de una distribución dada deben aparecer alineados en una línea de
45°, que representan los valores teóricos. La desviación de los puntos respecto de esta
línea supondría que los datos observados no se ajustarían a la distribución elegida.
En la figura 33 se representa la orientación de los nidos de un insecto y deseamos
saber si los datos se ajustan a una distribución de von Mises, que representa la distri-
bución “normal” en estadística circular. Como se puede apreciar hay un buen ajuste
de los datos a la línea de 45°, sugiriendo que los nidos se ajustan a una distribución
de von Mises.
Figura 33. Gráfico de distribución de nidos de insectos.
En la figura 34 podemos comprobar como, por el contrario, la orientación de los

nidos de insectos no se ajustan a una distribución uniforme (los puntos no se alinean
con la línea de referencia).
PORTADA ÍNDICE
Figura 34. Gráfico de distribución de nidos de insectos (realizado con Oriana).
El gráfico Q-Q nos permite comparar la distribución de dos muestras. Si poseen

distribuciones similares los puntos estarán próximos a la línea de referencia de 45°.
En la figura 35 comparamos la orientación de nidos de insectos en dos años conse-
cutivos. Podemos comprobar que los puntos se ajustan a la línea de referencia, por
lo que se concluye que las dos muestras tienen distribuciones similares.
Figura 35. Gráfico Q-Q para datos de distribución de nidos de insectos en dos años
consecutivos. Se comprueba que en los dos años los datos tienen distribuciones similares.
PORTADA ÍNDICE
3.5.3. Gráfico de dispersión
Como sucede en estadística lineal este gráfico permite representar puntos (Fig. 36).
En este caso se han representado la dirección del viento (en radianes) en Olivenza
(Badajoz) durante 150 días.
Figura 36. Dirección del viento en Olivenza (Badajoz).
Se puede comprobar como los datos se concentran en torno a los 3-5 radianes,
que corresponden a una dirección este. A pesar de ser muy ilustrativos, este tipo de
gráficos no es una buena opción para para resumir los datos, ya que no refleja la
periodicidad de los mismos, un aspecto muy importante en estadística circular para
determinados tipos de datos.
3.5.4. Histogramas lineales
Se construyen considerando los datos como si fuesen lineales y no angulares,

por lo que se grafican en un sistema de dos ejes (x, y) (Fig. 37). El punto de partida
es 0° si utilizamos una escala de 0° a 360° o 180° si utilizamos una escala de -180°
a +180°. A continuación elegimos un intervalo para el agrupamiento (5°, 10°, 15°)
y procedemos de igual manera que en los histogramas lineales. Se pueden realizar
en Excel.
Cuando generamos un histograma lineal de datos circulares lo que en realidad
hacemos es “cortar” el círculo en un punto determinado y asociar los extremos con
dos puntos del histograma lineal. La interpretación del histograma, en este caso, se ve
dificultada porque perdemos la periodicidad de los datos. Además, la “zona de corte”
PORTADA ÍNDICE
Figura 37. Histograma lineal de datos circulares. En el eje de abscisas se representan

intervalos de ángulos.
sobre el círculo también puede generar problemas. Pewsey et al. (2013) ilustran este
caso de forma muy elegante. Los dos histogramas de la figura 38 representan 310
direcciones de viento sobre un mismo lugar, pero los puntos de “corte” son diferen-
tes. Del gráfico de la izquierda podríamos deducir que existen dos modas, mientras
que en el de la derecha solo se apreciaría una moda, por tanto, es muy importante
precisar bien el punto de corte para no obtener conclusiones erróneas. En el caso que
nos ocupa la opción correcta es la que refleja el segundo histograma.
Figura 38. Dos histogramas realizados con los mismos datos pero con diferentes puntos
de corte.
Para evitar los errores derivados de la elección del punto de corte muchos autores
recomiendan duplicar el histograma (Fig. 39), pero esto puede generar confusión si
no se advierte que el histograma ha sido duplicado.
PORTADA ÍNDICE
Figura 39. Histograma duplicado. Se comprueba cómo, efectivamente,

solo hay una moda.
3.5.5. Gráfico de datos originales
Es la forma más sencilla de presentar los datos. Los datos son representados
mediante círculos, triángulos o líneas que muestren la orientación de los mismos
(desde el origen hasta el dato angular) (Fig. 40). Estos diagramas pueden realizarse
sin necesidad de utilizar programas informáticos complejos. Una forma sencilla de
realizarlos es utilizando powerpoint.
Figura 40. Representación de datos circulares por puntos y por radios.
Este tipo de gráficos nos permite tener una primera impresión sobre la distribu-
ción de los datos. En muestras grandes cada punto puede representar más de una
observación. Se puede elegir entre varias opciones para realizarlos (Fig. 41).
Otra forma de representar los datos es la que se presenta en la figura 42. A la
izquierda podemos ver un diagrama circular en la que el radio del círculo repre-
senta el mayor número de unidades de actividad. Podemos suponer, por ejemplo,
que una serie de animales toman una dirección dada, siendo 47 el mayor grupo que
PORTADA ÍNDICE
sigue una determinada dirección (izquierda). A la derecha se representa la misma

información que a la izquierda, pero en forma de polígono relleno.
Figura 41. Gráfico de datos originales con origen en el centro.
Figura 42. Dos gráficos circulares para representar direcciones. En ambos casos el radio
del círculo lo determina el grupo de mayor actividad.
3.5.6. Histogramas circulares (o angulares)
Se construyen con barras paralelas que muestran el número de observaciones

dentro de cada clase (Fig. 43). Cada barra de un histograma circular está centrada
en el punto medio del correspondiente grupo de ángulos y su área es proporcional
a la frecuencia de cada grupo. La anchura de las barras representa un intervalo de
grados y deben definirse al principio, por ejemplo 10°, 20°, etc. Para construirlos es
necesario utilizar programas específicos (R, Oriana, PAST, etc.).
PORTADA ÍNDICE
Figura 43. Histograma circular. Cada barra representan 20°.
3.5.7. Diagramas de rosa
Básicamente es un histograma circular en el que las barras han sido sustituidas

por sectores (Fig. 44). Cada sección del histograma, que en este caso tienen forma de
cuña, muestra el número de observaciones que aparecen dentro de ese rango. El área
de cada sector es proporcional a la frecuencia del grupo correspondiente, mientras
que el radio del sector es proporcional a la raíz cuadrada de la frecuencia relativa de
cada grupo. Para construirlos es necesario utilizar programas específicos (R, Oriana,
PAST, etc.). Es importante destacar que la elección del número de segmentos es crucial
para una buena interpretación del diagrama de rosas. Como regla general podemos
señalar que la raíz cuadrada del tamaño de la muestra es el mejor indicador para
elegir el número de segmentos.
Figura 44. Diagrama de rosa
PORTADA ÍNDICE
3.5.8. Densidad de Kernel
La densidad de Kernel es una forma cada vez más popular de representar grá-
ficamente datos circulares. La densidad de Kernel es, en definitiva, una estimación
no paramétrica de la densidad muestral, determinando la influencia de cada punto
es su entorno próximo. Según Fisher (1993) el estimador de Kernel se ajusta a la
siguiente expresión:
f (θ ) = 1
n
θ − θi
∑
n h i=1
k
h
Siendo n el tamaño poblacional, h la ventana o banda, que representa el área de

influencia que se pretende dar a cada valor de la muestra y k el parámetro de Kernel
(es una función). Su elección se suele hacer depender de la dispersión de los valores:
la desviación estándar en caso de datos lineales o el factor de concentración (κ) para
datos circulares. Uno de los principales problemas a la hora de estimar la densi-
dad de Kernel con datos circulares es, precisamente, establecer al ancho de banda,
es decir, el área de influencia que damos a cada observación. Queda lejos del objetivo
de esta obra explicar los procedimientos de selección del ancho de banda por lo que
se recomienda consultar a Oliveira et al. (2012) para profundiza en este tema. De
igual modo la estima de la densidad de Kernel requiera de programas informáticos
especializados (R, PAST, etc.).
En la figura 45 se muestra un gráfico circular en la que se refleja la densidad de
Kernel (trazo negro). Como se puede apreciar donde los puntos están más concen-
trados suele formarse un “pico” mayor.
Figura 45. Densidad de Kernel (línea continua).
PORTADA ÍNDICE
3.5.9. Diagramas de tallo y hoja
Básicamente se trata de un histograma de fácil construcción, donde cada tallo

correspondería a cada intervalo (por ejemplo 10°) y las hojas a cada uno de los datos.
Se construyen de forma lineal y luego se “pega” a una circunferencia. Se pueden
realizar en Excel y luego “ajustarlo” a una circunferencia en powerpoint. De la fi-
gura 46 podemos deducir, por ejemplo, que en el intervalo de 30° hay cuatro datos:
30°, 34°, 34° y 38°. De igual modo en el intervalo de 110° hay dos datos: un valor de
113° y otro de 118°.
Figura 46. Diagrama de tallos y hojas de 100 datos angulares.
3.6. DISTRIBUCIONES CIRCULARES
3.6.1. Introducción
En estadística circular, al igual que ocurren en estadística lineal, es complicado

trabajar con grandes cantidades de datos. Por ello, antes de nada, debemos establecer
algún sistema que nos permita organizarlos u ordenarlos de algún modo. Lo más
básico suele ser ordenarlos y plasmarlos en una tabla de recuento. Básicamente con
este proceso lo que obtenemos es su distribución de frecuencias. Por tanto las distri-
buciones nos dan una idea de cómo se van a comportar nuestros datos o, por decirlo
de otro modo, la “forma” que tendrán si hacemos una representación de los mismos:
en forma de línea recta, en forma de campana, etc.
A modo de introducción podemos decir que en estadística circular vamos a
encontrar dos tipos de distribuciones básicas: la uniforme y la de von Mises. Una
distribución uniforme sería aquella en la que los datos se distribuyen de forma más
o menos equidistante a lo largo del círculo, como lo hacen los radios de la rueda
de una bicicleta, por ejemplo. La distribución de von Mises, por el contrario, tiene
forma acampanada siendo muy similar a la distribución normal que conocemos en
PORTADA ÍNDICE
estadística lineal, es decir, los datos suelen estar concentrados en algún punto de la
circunferencia. Muchos autores consideran a la distribución de von Mises como la
“distribución normal” de la estadística circular, de ahí su importancia. Esto supone
que los datos están “orientados” hacia algún lugar o se concentran hacia un deter-
minado punto. La pregunta que deberíamos plantearnos ahora es porque los datos
se concentran hacia un punto determinado o que causa provoca la concentración.
Explicaremos esto con un sencillo experimento. En la figura 47A hemos representado
la orientación que adquieren 12 ramas de un árbol de una determinada especie que
crece a nivel del mar, y en la figura 47B se representa el crecimiento de 15 ramas del
mismo árbol desarrollándose a 3000 m de altitud en la costa norte (se ha marcado
la dirección de los vientos predominantes en la zona).
Figura 47. Distribución uniforme (A) y “orientada” (B).
En el primer caso podemos concluir que las ramas se distribuyen de forma más
o menos uniforme alrededor del tronco, mientras que en el segundo cado se deduce
que hay mayor número de ramas creciendo hacia el sureste: hay direccionalidad. El
paso siguiente sería explicar a que se debe esa direccionalidad ¿a la dirección del
viento?, ¿a la fuerza del viento?, ¿a ambos?
Una distribución circular es una distribución de probabilidad en la que la probab-
ilidad total está concentrada en una circunferencia de radio 1. Dado que cada punto
de la circunferencia representa una dirección, la distribución circular es una forma de
asignar probabilidades a las diferentes direcciones o definir una distribución direc-
cional. El rango de una variable circular aleatoria, medido en radianes, queda com-
prendido, por tanto, entre [0, 2π] o [-π, π].
Ya se ha visto que existen varias formas de representar los datos circulares. Sin
embrago, una forma de especificar una distribución en el círculo unidad es por medio
de su función de distribución y por su función de densidad de probabilidad. La fun-
ción de densidad de probabilidad es una función que permite determinar la proba
bilidad de que una variable aleatoria continua tome una valor entre cierto intervalo.
PORTADA ÍNDICE
Así, para el caso de una variable circular continua la función de probabilidad de

densidad f (θ) cumple los siguientes requisitos:
(i) f(θ) ≥ 0. Es siempre positiva.

2π
(ii) ∫ f (θ ) dθ = 1
0
(iii) f(θ) = f(θ + k · 2π) para cualquier valor de k, por tanto, f es periódica.
La función de distribución F(θ) correspondiente a f(θ) puede definirse sobre cual-

quier intervalo (θ1 – θ2) de la siguiente manera:
θ2
F (θ 2 ) − F (θ 1 ) = ∫ f (θ ) d (θ )
θ1
En la mayoría de los casos utilizaremos distribuciones que se inician en un punto

convenido como 0° (o – 180°) y definir F(θ) del siguiente modo:
θ2
F (θ ) = ∫ f (θ ) d (θ )
θ
Cumpliéndose que: F(2π) = 1.

La función de distribución se utiliza para estimar los momentos trigonométricos,
tales como la dirección media, la varianza circular o los cuartiles, que ya han sido
descritos.
En estadística lineal conocemos una serie de distribuciones cuyo rango puede ser
finito (distribución binomial) o infinito (distribución normal, Poisson). Las distribu-
ciones circulares son siempre finitas y continuas. A la hora de representarlas se suele
utilizar representaciones lineales o circulares.
Vimos en el capítulo anterior algunos conceptos básicos sobre vectores, que
recordaremos ahora para introducir las distribuciones circulares. Vamos a vol-
ver a expresar los momentos circulares pero, en este caso, utilizaremos la nomen-
clatura que podremos encontrar en la mayoría de los textos abordan la estadística
circular.
Sabemos que el mejor modo de obtener la dirección media de una serie de di-
recciones es tratar los datos como vectores unitarios. Supongamos que tenemos una
muestra de n datos θ1, θ2, θ3……θn. Entonces:
n n
C = ∑ cos θ i , S=∑ sen θ i , R 2 = C 2 + S 2 , ( R ≥ 0 )
i=1 i=1
La dirección media del vector resultante, θ̄ de θ1, θ2, θ3……θn viene dada por:
C C
cos θ = ; sen θ =
R R
PORTADA ÍNDICE
S
arctan , si S > 0, C > 0
C
S
θ̄ = arctan + π , si C > 0
C
S
arctan + 2π , si C > 0, S > 0
C
Donde θ̄ es la dirección media. R es la longitud del vector resultante y oscila entre 0

y n. La longitud resultante media, R̄ (también es frecuente que se designe con la letra
griega rho, ρ), se calcula del siguiente modo:
R
R=
n
y oscila entre 0 y 1. R̄ = 1 significa que todos los puntos coinciden, pero R̄ = 0 no implica
que exista una distribución uniforme, como ocurre en la figura 48.
Figura 48. Para esta serie de datos la longitud resultante media toma un valor de cero,
pero como se puede observar la distribución no es uniforme, por eso este parámetro no es
un buen estimador para expresar la concentración o falta de concentración de los datos.
La varianza circular (V) se ajusta a la expresión:
V = 1 – R̄
Al igual que ocurre en la estadística lineal, un elevado valor de la varianza circular

implica una elevada concentración de los datos, sin embargo y, a diferencia de los
que ocurre en estadística lineal, en estadística circular se cumple que 0 ≤ V ≤ 1. Al
igual que ocurre con R̄, un valor de V = 0 no implica necesariamente una distribución
dispersada al máximo.
PORTADA ÍNDICE
La desviación circular estándar (υ) se define como:
υ = { −2 log ( 1 − V )} ( )
1/2
, ∈[ 0, ∞ ]
1/2
= −2 log R
La dispersión circular se ajusta a la siguiente expresión:
δ =
( 1 − R2 )
2
2R
Donde R̄2 es la longitud resultante media de los ángulos doblados.

Finalmente la asimetría (ŝ) y la curtosis (k̂ ) adoptan las siguientes expresiones:
s =
(
R 2 sen θ 2 − 2θ )
(1 − R )
3/2
k =
( )
R 2 cos θ 2 − 2 R − R
4
(1 − R )
2
3.6.2. Distribución uniforme
Una distribución circular uniforme es aquella en la que todos los valores tienen la
misma probabilidad de ser elegidos, o lo que es lo mismo, ningún sector del círculo
es preferido sobre otros. La distribución de probabilidad sobre un círculo con estas
propiedades es lo que se denomina distribución circular uniforme o, simplemente,
distribución uniforme. En esta distribución no existe una dirección media y r = 0
(Fig. 49). Es el modelo más básico de distribución sobre el círculo y a menudo es
utilizada como modelo nulo.
Figura 49. Puntos distribuidos uniformemente en el círculo.
PORTADA ÍNDICE
La función de densidad para esta distribución es (Fig. 50):
1
f (θ ) = , 0 ≤ θ < 2π
2π
Integrando obtenemos su función de distribución:
θ
F(θ ) = , 0 ≤ θ < 2π
2π
Momentos:
Dirección media: μ, indefinida.
Longitud resultante media, R̄ = 0.
Dispersión circular, δ = ∞.
Figura 50. Función de densidad de la distribución uniforme.
3.6.3. Distribución de von Mises
La distribución de von Mises equivaldría, en estadística lineal, a la distribución

normal por eso es tan importante en estadística circular. Se trata de una distribu-
ción unimodal y simétrica con función de probabilidad:
1
f (ϕ ) = exp[κ cos(ϕ −θ 1 )]
2π I 0 (κ )
Con:
1 2π
I 0 (κ ) =
2π ∫0
eκ cosθ dθ
PORTADA ÍNDICE
Donde κ es el parámetro de concentración y θ1 el ángulo promedio. La función alcanza

su valor máximo cuando φ = θ1, por tanto θ1 es la moda.
Como ya se ha señalado esta distribución es unimodal y simétrica con respecto a
θ = μ (Fig. 51). La moda se encuentra en θ = μ y la antimoda en θ = μ + π. El cociente
entre el valor de la densidad en la moda y el valor de la densidad en la antimoda
es e2κ, así que cuanto mayor sea el valor de κ, mayor será la concentración alrededor
de la moda.
Figura 51. Distribución de von Mises.
Para κ = 0 la distribución de von Mises degenera en una distribución uniforme.

Cuanto mayor sea κ mayor concentración de datos hay alrededor del ángulo medio
(Fig. 52).
El cálculo del parámetro de concentración resulta normalmente complicado, por
ello se han propuesto varias aproximaciones para poder estimarlo:
3 5 5
R < 0,53 κ ≈ 2R + R + R
6
0,43
0,53 ≤ R < 0,85 κ ≈ −0,4 + 1,39 R +
1− R
1
R > 0,85 κ=
2(1 − R ) + (1 − R )2 − (1 − R )3
1
R > 0,9 κ=
2(1 − R )
PORTADA ÍNDICE
Figura 52. Distribuciones de von Mises con distintos parámetros de concentración.
En la práctica, podemos encontrar la distribución de von Mises que se ajusta a

nuestros datos. En proceso no es complicado, ya que basta con una hoja de cálculo
para poder completarlo. Vamos a encontrar la distribución de von Mises que corres-
ponde a una muestra.
Ejercicio 9 (tomado de Batschelet, 1981). Partimos de una muestra (n = 714) de

direcciones angulares que corresponden a las que siguen 714 aves.
Sabemos que la función de densidad de la distribución de von Mises es igual a:
1
f (ϕ ) = exp[κ cos(ϕ −θ 1 )]
2π I 0 (κ )
Siendo θ1 el ángulo promedio de la población. Con los datos de la muestra calculamos:
x = 0,5021; y = 0,5125;
r = 0,7176; ϕ = 45,6° ;
Asumimos que:
ϕ = θ 1 = 45,6°
PORTADA ÍNDICE
Calcularemos ahora el valor de κ̃, para lo cual utilizaremos la tabla L (Anexo I), donde
comprobamos que para un valor de r = 0,7176 y n = 714 obtenemos (por aproximación)
un valor de κ̃ = 2,129. Con estos datos tenemos que:
1 1
ϕ= exp[κ cos(ϕ −θ 1 )]
= exp[2 ,129 cos(ϕ − 45,6° )]
2π I 0 (κ ) 2π I 0 (κ )
Ahora calcularemos el valor de I0 (κ) a partir de la siguiente tabla (Batschelet, 1981):
κ I0 (κ)
0,0 1,00000
0,1 1,00250
0,2 1,01003
0,3 1,02263
0,4 1,04040
0,5 1,06348
0,6 1,09204
0,7 1,12630
0,8 1,16652
0,9 1,21299
1,0 1,26607
1,5 1,64672
2,0 2,27959
2,5 3,28984
3,0 4,88079
3,5 7,37820
4,0 11,30192
4,5 17,48117
5,0 27,23987
Así:
I0 (κ) = 2,42
Por tanto:
(ϕ ) = 0,065 exp[2 ,129 cos(ϕ − 45,6° )]
Ahora en una hoja de cálculo dando valores a φ obtenemos el siguiente gráfico:
PORTADA ÍNDICE
Como se puede apreciar la curva se ajusta perfectamente a una distribución de

von Mises. Podemos afirmar, por tanto que los datos de nuestro ejemplo se ajustan a
una distribución de von Mises, o lo que es lo mismo, nuestra muestra se ha obtenido
de una población que se ajusta al modelo de von Mises (normal).
3.6.4. Distribución cardioide
Se trata de una función simétrica cuya función de distribución es:
1
f (θ ) =
2π
{
1 + 2 R cos(θ − μ} , 0≤θ <2π , 0≤ R ≤ 1 / 2
Siendo su función de distribución:
R
F(θ ) = sen(θ − µ ) + θ / 2π , 0≤θ <2π
π
Momentos:
Dirección media: μ
Longitud resultante media, Rˉ < 1/2
1
Dispersión circular, δ = 2
2R
La distribución es simétrica y unimodal en μ (si Rˉ > 0). Si Rˉ = 0 la distribución se
reduce a la distribución uniforme.
PORTADA ÍNDICE
3.6.5. Distribución wrapped
Dada una distribución en la recta real, es posible envolverla alrededor de la circun-

ferencia del círculo de radio uno. Si X es una variable aleatoria en la línea, la variable
aleatoria correspondiente Xw de la distribución wrapped viene dada por:
X w = X ( mod 2π )
Si el círculo es identificado con el conjunto de números complejos de módulo 1,

entonces la función que envuelve se puede escribir como:
X → e iX
Si X tiene función de distribución F, la función de distribución Fw de Xw viene

dada por:
∞
Fw (θ ) = ∑ [ F(θ + 2π k ) − F(2π k )] ,
κ = −∞
0 ≤ θ ≤ 2π
En particular, si la variable aleatoria X tiene función de densidad f, la correspon-

diente función de densidad f w de Xw es:
∞
f w (θ ) = ∑ [ f (θ + 2π k )]
κ = −∞
3.6.6. Distribución wrapped normal
La distribución wrapped normal WN(μ, Rˉ) se obtiene envolviendo en el círculo una

distribución N(μ, σ2), donde:
σ2 = -2log Rˉ
Es decir:
2
R = e −σ
2
Resulta entonces, que la función de densidad de una distribución WN(μ, Rˉ) es:
∞ − ( θ − µ + 2 πκ )2
1
ϕ w (θ ; µ , R ) =
σ 2π
∑
k = −∞
e 2σ 2
PORTADA ÍNDICE
CAPÍTULO 4
INFERENCIA ESTADÍSTICA
4.1. INTRODUCCIÓN
La Inferencia Estadística se ocupa de estudiar los métodos necesarios para extraer,

o inferir, conclusiones válidas e información sobre una población a partir del estudio
experimental de una muestra de dicha población. Los métodos utilizados en la Infe-
rencia Estadística dependen de la información previa que se tenga de la población a
estudiar. Cuando se conoce la forma de la distribución de probabilidad que sigue la
variable aleatoria a estudiar en la población, el problema consiste en determinar los
diferentes parámetros de dicha distribución (ej. media y varianza para la distribución
normal). Para ello se utilizan los métodos paramétricos, consistentes en procedimientos
óptimos para encontrar dichos parámetros. Cuando la distribución de la población
es desconocida, el problema principal es encontrar la forma y características de la
distribución, lo cual se hace mediante los llamados métodos no paramétricos (Gorgas
García et al., 2011). En este capítulo nos limitaremos a estudiar los principales métodos
de inferencia en estadística circular.
Antes de continuar recordaremos algunos conceptos útiles para este tema. Defi-
niremos población como el conjunto de individuos sobre el cual estamos interesados
en extraer conclusiones. Una muestra, por tanto, es un subconjunto de la población
al que tenemos acceso y sobre el que realizamos las observaciones. Un parámetro es
la cantidad numérica calculada sobre la población, mientras que un estadístico es una
cantidad numérica calculada sobre la muestra. Cuando un estadístico conduce a un
valor aproximado de un parámetro se denomina estimador del parámetro:
Estadístico (muestra) Parámetro (población)

Vector medio m μ1
Longitud del vector medio r ρ1
Ángulo medio ϕ θ1
4.2. UNA MUESTRA
En la figura 53 se representa la dirección que tomaron 9 tortugas bobas cuando

emergieron de la arena en la playa que su madre depositó los huevos. La pregunta que
podríamos plantearlos a partir de estas observaciones es la siguiente ¿se dispersaron
PORTADA ÍNDICE
las tortugas bobas de forma uniforme o, por el contrario, siguieron una dirección de-
terminada?, y ¿la población de la que procede la muestra, sigue también una dirección
determinada o no? A simple vista no podemos tomar una decisión exacta sobre la
situación que se presenta: necesitamos aplicar un test estadístico para poder llegar a
una conclusión significativa. Veremos a continuación varios test que nos permitirán
determinar si una serie de datos (una muestra) se distribuye uniformemente alre-
dedor del círculo o, por el contrario, muestran direccionalidad (test de uniformidad).
También nos puede interesar determinar si una muestra se ajusta a una determinada
distribución. Para ello aplicaremos los denominados test de bondad del ajuste.
Figura 53. Dirección que toman las 9 tortugas tras emerger de la arena.
Todo test estadístico requiere un nivel de significación, que proporciona una idea
de cuál es la fortaleza de los datos para contradecir la hipótesis nula que establezca-
mos. Normalmente es predefinido, siendo el más frecuente α = 0,05. Como norma,
los científicos también desean conocer el menor nivel de significancia que permite
rechazar la hipótesis nula (H0), el familiar valor de P (o p). Hay que tener cuidado de
no confundir α con P. El valor de α es predeterminado, es decir, es un valor fijado
antes de realizar los experimentos, mientras que P es determinado por la muestra.
En todos los casos la hipótesis nula, H0, es rechazada si P ≤ α (o p ≤ α). Si P > α
(o p > α) concluimos que no existe evidencia de que H0 sea falsa.
Llegados a este punto, por tanto, tendremos una muestra a la que habremos esti-
mados sus estadísticos descriptivos y de la que deseamos saber si sigue una dirección
determinada o si se ajusta a cierto tipos de distribución. Para ello podemos aplicar
los siguientes test, considerando que unos son paramétricos y otros no. Además, para
poder aplicarlos debemos considerar si los datos se ajustan a los criterios que exige
el test para poder ser aplicado.
4.2.1. Test de Rayleigh
Datos. Una muestra de n valores angulares ϕ1, ϕ2…ϕn, que representan direcciones
en un plano, tiempo o un fenómeno cíclico.
PORTADA ÍNDICE
Propósito. Determinar si la población de la que se ha obtenido la muestra se

distribuye uniformemente o, por el contrario, hay direccionalidad en los datos.
Consideraciones sobre los datos:
a) La muestra debe ser unimodal.

b) Si los datos son axiales, deben doblarse.
c) Si los datos están agrupados deben corregirse (por la agrupación).
Ecuaciones. La longitud del vector medio, r, proporciona información sobre si la

muestra se distribuye uniformemente o, si por el contrario, no lo hace. Si r es muy
pequeño los datos están poco concentrados, eso significa que están distribuidos uni-
formemente. Por el contrario, si r es muy elevado los datos están concentrados con
lo cual hay direccionalidad.
Los estadísticos utilizados son: la R de Rayleigh denotada por R o Rˉ:
R=n·r
y z, que es utilizado para testar la hipótesis nula:
z = R 2 / n o z = n · r2
Hipótesis nula:
H0: Los datos están uniformemente distribuidos.

Que los datos se distribuyan de forma uniforme implica que no existe una “direc-
ción media”. Algunos autores (Zar, 1996), para reflejar que no existe dirección media,
utilizan otra notación:
H0: ρ = 0 (es decir, la muestra está uniformemente distribuida alrededor del círculo).
H A: ρ ≠ 0 (es decir, la muestra no está uniformemente distribuida alrededor del
círculo).
Regla de decisión:
Si el valor crítico de z obtenido en la tabla A (Anexo I) es menor que el nivel de

significancia elegido, α (P < α) la hipótesis nula se rechaza. En este caso la longitud
del vector medio difiere significativamente de 0. Si P > α los datos se distribuyen
uniformemente.
Ejercicio 10 (tomado de Zar, 1996). Se han observado ocho árboles inclinados en

las siguientes direcciones: 45°, 55°, 81°, 96°, 110°, 117°, 132° y 154°. Queremos testar
la siguiente hipótesis:
H0: ρ = 0 (las inclinaciones de los árboles se distribuyen uniformemente a lo largo

del círculo).
H A: ρ ≠ 0 (las inclinaciones de los árboles NO se distribuyen uniformemente a lo
largo del círculo).
PORTADA ÍNDICE
Primero podemos hacer una representación gráfica para tener una primera apro-
ximación de la distribución que siguen los datos (Fig. 54).
Figura 54. Representación de los datos del ejercicio 10. Parece que hay cierta direccionalidad.
Ahora podemos proceder a realizar los cálculos para obtener los estadísticos:
Ángulo Coseno Seno

45° 0,7071 0,7071
55° 0,5736 0,8192
81° 0,1564 0,9877
96° -0,1045 0,9945
110° -0,3420 0,9397
117° -0,4540 0,8910
132° -0,6691 0,7431
154° -0,8988 0,4384
Suma -1,0313 6,5207
Ahora estimamos las medias:
∑ ∑
n n
cos φi −1,0313 sen φi 6,527
x= i
= = −0,1289; y= i
= = 0,8151
n 8 n 8
A partir de aquí obtenemos r:
2 2
r = x + y = 0,82522
Por lo que:
R = n · r = 8 · 0,82522 = 6,60176
z = R 2 / n = (6,60176)2 / 8 = 5,448
PORTADA ÍNDICE
Comprobamos ahora que para un nivel de significación de α = 0,05 y n = 8: z0,05,8 =

2,899 (tabla A). Al ser z0,05 < z rechazamos H0, es decir, la muestra no se distribuye
uniformemente a lo largo del círculo, por tanto hay cierta direccionalidad.
4.2.2. Test de Hodges-Ajne
Propósito. Determinar si la población de la que se ha obtenido la muestra se
distribuye uniformemente o, por el contrario, hay direccionalidad en los datos.
a) La muestra puede ser unimodal, bimodal o multimodal. No tiene las limitaciones

del test de Rayleigh en cuanto a que la muestra tiene que ser unimodal.
Ecuaciones. El procedimiento consiste en encontrar el menor número de datos

en un rango de 180°. Para ello debemos dibujar una línea que pase por el centro de
la circunferencia y “moverla” hasta encontrar una posición en la que a un lado de la
línea quede el menor número posible de observaciones.
El estadístico m, que representa el menor número de observaciones a un lado de
la línea, tiene una probabilidad de:
n
P = 21− n ( n − 2m )
m
siendo n es el tamaño muestral.
Regla de decisión:
Si el valor crítico de m obtenido es mayor que el nivel de significancia elegido en

la tabla B (Anexo I) deberemos aceptar H0 -.
Ejercicio 11 (tomado de Zar, 1996). Disponemos de una serie de datos distribuidos

según se muestra en la figura 55 y queremos testar la siguiente hipótesis:

H A: Los datos no están uniformemente distribuidos.
La línea marcada nos deja 3 observaciones a la derecha, por tanto m = 3. En la ta-

bla B (Anexo II) obtenemos que m0.05,24 = 4, por tanto rechazamos H0. La probabilidad
exacta es:
n 24 24!
P = 21− n ( n − 2m ) = 2 1 − 23 ( 24 − 2 ⋅ 3 ) = 2 −23 = 0,00024
m 3 3!( 24 − 3 )!
PORTADA ÍNDICE
Figura 55. Representación de los datos del ejercicio 11. La línea de puntos deja
a su derecha 3 valores.
4.2.3. Test V
en un plano, tiempo o un fenómeno cíclico. Además, se proporciona una dirección
teórica determinada por el ángulo θ 0.
Propósito. Determinar si las direcciones observadas tienen tendencia a concen-
trarse alrededor del ángulo θ 0, además de determinar si la distribución de ángulos
difiere de la uniformidad.
a) La muestra debe ser unimodal.

b) Si los datos son axiales, deben doblarse.
c) Si los datos están agrupados deben corregirse.
Ecuaciones. En algunas ocasiones nos puede interesar determinar si los datos

se agrupan entorno a un valor dado. Si conocemos la longitud del vector medio, r,
y el ángulo medio, ϕˉ de una serie de datos y además contamos con el ángulo que
determina una dirección hipotética, θ 0, entonces:
υ = r ⋅ cos (φ − θ 0 )
Si los ángulos observados, ϕi no difieren mucho de θ 0 entonces υ estará próximo a 1.
El estadístico utilizado es:
u = (2 ⋅ n)
1/2
⋅υ
PORTADA ÍNDICE
Hipótesis nula:
H0: Los datos están uniformemente distribuidos y se concentran alrededor de

algún punto.
H A: Los datos no están uniformemente distribuidos y no se concentran alrededor
de algún punto.
Regla de decisión:
Si u ≥ u(α) (tabla C, Anexo I) H0 se rechaza, en este caso la longitud del vector

medio difiere de cero y, por tanto, los datos se distribuyen alrededor de la dirección
hipotética.
El test de Rayleigh testa la hipótesis nula de uniformidad frente a una alternativa
no conocida, mientras que el test V testa la hipótesis nula de uniformidad frente
a una alternativa conocida (el que marca la dirección hipotética). Batschelet (1981)
considera que este test es más potente que el de Rayleigh si las direcciones tienden
a concentrarse frente a una dirección hipotética dada.
Ejercicio 12 (tomado de Batschelet, 1989). En un experimento con palomas se

quería determinar si las palomas volvían a la zona donde habían sido criadas tras
ser liberadas a varios kilómetros de distancia. Tras la liberación se comprobó que las
palomas habían tomado las siguientes direcciones: 0°, 175°, 195°, 225°, 240°, 240°, 260°,
295°, 330°, 340° y 345°. La dirección hipotética hacía la que debían dirigirse era 279°.
Deseamos comprobar si hay diferencias entre la dirección hipotética y la seguida por
el grupo de palomas.
Procedemos, en primer lugar a hacer una representación de los datos (Fig. 56):
Figura 56. Representación de los datos del ejercicio 12. En rojo el ángulo medio.
PORTADA ÍNDICE
Realizando los cálculos obtenemos que:
r = 0,5104; ϕˉ = 274°
Ahora calculamos υ:
)
υ = r ⋅ cos (φ − θ 0 = 0,5104 ⋅ cos ( 274° − 279° ) = 0,508
u = (2 ⋅ n) ⋅ υ = ( 2 ⋅ 11)
1/2 1/2
⋅ 0,508 = 2,38
En la tabla C comprobamos que u(11, 00.5)= 1,6479. Como u ≥ u(11, 00.5) rechazamos H0. Por
tanto los datos no se distribuyen uniformemente y se concentran alrededor de 279°.
4.2.4. Test de Rao (Test del espaciado de Rao)
Propósito. Determinar si la distribución de ángulos difiere de la uniformidad. Se
puede aplicar a distribuciones bimodales o multimodales.
a) Los datos no deben estar agrupados.
Ecuaciones. Se supone que en una distribución uniforme los datos deben estar
situados equidistantemente. Si esto es así, el arco entre dos puntos adyacentes debe
tener una longitud de 360° / n, de modo que pequeñas desviaciones pueden ser atri-
buidas al azar, pero grandes desviaciones indican que la distribución no es uniforme.
Partimos de una serie de ángulos ordenados de forma creciente:
ϕ1 ≤ ϕ 2 ≤ ϕ 3 … ≤ ϕ n
La longitud de n arcos (T) entre puntos consecutivos será:
T1 = ϕ2 – ϕ1
T2 = ϕ3 – ϕ2
Tn–1 = ϕn – ϕn–1
Tn = 360° + ϕ1 – ϕn
Sabemos que:
∑ T = 360°
i
La desviación de Ti de su valor esperado es:
|Ti – (360° / n)|, siendo i = 1, 2, 3…n
PORTADA ÍNDICE
El estadístico empleado es:

n
U = 1 / 2∑ Ti − (360° / n )
i=1
U = ∑ Ti − (360° / n )
donde solo se contabilizan los valores positivos.
Hipótesis nula:

H A: Los datos no están uniformemente distribuidos.
Regla de decisión:
Si U excede el valor critico U(α) (tabla D, Anexo I) H0 se rechaza, los datos no se

distribuyen uniformemente.
Ejercicio 13 (tomado de Batschelet, 1989). Disponemos de las direcciones que

tomaron una serie de aves al ser liberadas en un mismo punto (n = 13): 20°, 135°,
145°, 165°, 170°, 200 °, 300° 325°, 335°, 350°, 350°, 350° y 355°. Deseamos saber si las
aves se dispersaron de forma uniforme o, por el contrario, tomaron una determinada
dirección.
Si observamos la figura 57, en la que hemos representado la dirección que toman
las aves, parece muestran una distribución bimodal, pero ¿puede esto excluir la uni-
formidad? Para determinarlo aplicaremos el test de Rao.
PORTADA ÍNDICE
Calcularemos, en primer lugar las diferencias, en valores absolutos de an – an–1,

recordando que el último valor se calcula:
Tn = 360° + ϕ1 – ϕn = 360° + 20° – 355° = 25°
i Ti = |an – an-1| Ti – (360° / 13)

20° 115° 87,3°
135° 10° -17,7°
145° 20° -7,7°
165° 5° -22,7°
170° 30° 2,3°
200° 100° 72,3°
300° 25° -2,7°
325° 10° -17,7°
335° 15° -12,7°
350° 0° -27,7°
350° 0° -27,7°
350° 5° -22,7°
355° 25° -2,7°
Ahora sumamos los valores positivos y negativos por separado:
Desviaciones negativas Desviaciones positivas

17,7° 87,3°
7,7° 2,3°
22,7° 72,3°
2,7° Suma = 161,9°
17,7°
12,7°
27,7°
27,7°
22,7°
2,7°
Suma = 162°
Obviamente ambos valores deben coincidir o ser muy próximos. El valor del estadístico
lo podemos calcular a través de:
U = ∑ Ti − (360° / 13) = 161,9°
En la tabla D (Anexo I) comprobamos que U0,05 = 167,8°. Como U < U0,05 no podemos
rechazar H0, por tanto la distribución es uniforme, aunque de manera bimodal.
PORTADA ÍNDICE
4.2.5. Test de Kuiper
en un plano, tiempo o un fenómeno cíclico. Además, debe considerarse que los datos
se ajustan a una distribución circular determinada (uniforme, de von Mises).
Propósito. Determinar si los datos se ajustan a una distribución determinada.
El procedimiento consiste en graficar la función teórica y la función derivada de los
datos y compararlas. Así obtendremos un valor máximo de desviación de la función
de los datos por encima de la función teórica (D+) y un valor mínimo por debajo de
la función teórica (D –). Si obtenemos:
Vn = D+ + D –
Vn, D+ y D – oscilan entre 0 y 1. Un valor bajo de Vn implicaría un buen ajuste.
a) Los datos no deben estar agrupados.
Ecuaciones. De acuerdo con Mardia y Jupp (2000) el estadístico que emplearemos

es:
0,155 0,24
Vn* = n1/2 Vn ⋅ (1 + + )
n n
Hipótesis nula:
H0: La distribución de los datos coincide con la distribución dada.

H A: La distribución de los datos no coincide con la distribución dada.
Regla de decisión:
H0 se rechaza si el valor crítico obtenido en las tabla E (Anexo I) es menor que el

valor obtenido en el test.
Ejercicio 14 (tomado de Mardia y Jupp, 2000). Queremos determinar si una serie

de aves (i) se distribuyen uniformemente a partir de su liberación en un punto dado.
Los ángulos de dispersión fueron: 55°, 60°, 65°, 90°, 100°, 110°, 260°, 275°, 285° y 290°.
Hacemos, en primer lugar una representación de los datos (Fig. 58).
Para estimar las desviaciones primero debemos calcular:
φi
Ui =
2π
Ui − n
n
PORTADA ÍNDICE
De modo que obtenemos la siguiente tabla:
i θi Ui i/n Ui – i / n
1 55° 0,153 0,1 0,053
2 60° 0,167 0,2 -0,033
3 65° 0,181 0,3 -0,119
4 95° 0,264 0,4 -0,136
5 100° 0,278 0,5 -0,222
6 110° 0,306 0,6 -0,294
7 260° 0,722 0,7 0,022
8 275° 0,764 0,8 -0,036
9 285° 0,792 0,9 -0,108
10 295° 0,819 1 -0,181
Vemos, por tanto, que D+ = 0,053 y D – = -0,294. Entonces:
Vn = D+ + D – = 0,053 + 0,294 + 0,1* = 0,447
De modo que:
1
0,155 0,24 0,155 0,24
Vn* = n1/2 Vn ⋅ (1 + + ) = 10 2 0,447 ⋅ (1 + + ) = 1,517
n n 10 10
*
Como V0,05,10 = 1,625 (tabla E, Anexo V) aceptamos H0, los datos se distribuyen de
forma uniforme.
* Ajuste propuesto por Mardia y Jupp (2000).
PORTADA ÍNDICE
4.2.6. Test de la chi-cuadrado
en un plano, tiempo o un fenómeno cíclico. Además, debe considerarse una distri-
bución circular (uniforme, von Mises).
Propósito. Determinar si los datos se ajustan a una distribución determinada.
El fundamento de este test es dividir el círculo en una serie de arcos, establecer el
número de datos que hay en cada arco y calcular las frecuencias esperadas en cada
arco según la distribución circular establecida. Los datos se ajustarán a la distribución
dada si las frecuencias esperadas no difieren mucho de las frecuencias observadas.
El test de chi-cuadrado también es un test de uniformidad si la distribución dada es
la uniforme. En este sentido el test de la chi-cuadrado es útil para distribuciones bi
y multimodales.
a) Los datos deben estar agrupados.

b) Los intervalos deben ser equidistantes.
c) Las frecuencias esperadas en cada intervalo deben ser, como mínimo, iguales o
mayores a 4. Para cumplir este requisito normalmente son necesarios tamaños
muestrales muy grandes, como mínimo del orden de cinco veces k (ver más
adelante).
Ecuaciones. Partimos de una serie de datos divididos en k grupos, siendo ni y ei

las frecuencias observadas y esperadas del grupo i. Entonces, el estadístico a apli-
car es:
k
( ni − e i )2
χ2 = ∑
i=1 ei
Hipótesis nula:

H0: La distribución de los datos no coincide con la distribución dada.
Regla de decisión:
H0 se rechaza si el valor crítico determinado en la tabla F (Anexo I) es menor que

el valor obtenido en el test.
Ejercicio 15 (tomado de Zar, 1996). Un grupo de hormigas (n = 105) fueron some-

tidas a un estímulo sonoro y se observó la dirección que tomaron (k = 12). Queremos
testar la hipótesis nula de que las hormigas se dispersaron de forma uniforme.
En primer lugar calculamos las frecuencias esperadas para todas las categorías:
n 105
ei = = = 8,75
k 12
PORTADA ÍNDICE
Ahora podemos calcular el estadístico, una vez que tenemos las dos frecuencias:
Frecuencia Frecuencia
Dirección
observada (ni) esperada (ei)
0°-30° 0 8,75
30°-60° 6 8,75
60°-90° 9 8,75
90°-120° 13 8,75
120°-150° 15 8,75
150°-180° 22 8,75
180°-210° 17 8,75
210°-240° 12 8,75
240°-270° 8 8,75
270°-300° 3 8,75
300°-330° 0 8,75
330°-360° 0 8,75
Suma = 105
k
( ni − e i )2 (0 − 8,75)2 (6 − 8,75)2 (0 − 8,75)2
χ2 = ∑ = + +…+ = 66,543
i=1 ei 8,75 8,75 8,75
Ahora debemos consultar en las tablas de chi-cuadrado (Anexo F) el valor crítico

para α = 0,05 y k-1 grados de libertad, obteniendo χ20,05,11 = 19,675. Como 19,675
< 66,543 rechazamos H0, por lo que concluimos que el sonido afecta la orientación
de las hormigas. Si observamos la figura 59 podemos comprobar que hay cierta
direccionalidad.
Figura 59. Datos del ejercicio 15.
PORTADA ÍNDICE
4.2.7. Test U2 de Watson
en un plano, tiempo o un fenómeno cíclico. Además, debe considerarse una distri-
bución circular (uniforme, von Mises).
Propósito. Determinar si los datos se ajustan a una distribución determinada. En el
test de Kuiper vimos que obteníamos unas desviaciones máxima (D+) y mínimas (D–)
respecto a la distribución teórica. Aquí el procedimiento es el mismo, salvo porque
se utilizan los cuadrados de las desviaciones para realizar el test. Se puede aplicar
tanto a distribuciones unimodales como multimodales y es muy potente cuando los
tamaños muestrales son pequeños.
a) Los datos deben estar ordenados en forma ascendente.
Ecuaciones. Para cada dato (i) debemos calcular:
φi
ui =
360°
∑u 2
i ; ∑i⋅u ; i
Y a partir de aquí:
( ∑ ui )2 2 n
U 2 = ∑ ui2 − − ∑ i ⋅ ui + ( n + 1) ⋅ u + 12
n n
Hipótesis nula:

H A: La distribución de los datos no coincide con la distribución dada.
Regla de decisión:
H0 se rechaza si el valor obtenido en el test es menor que el obtenido en las tablas

de la U2 de Watson (tabla G, Anexo I).
Ejercicio 16 (tomado de Zar, 1996). Deseamos saber si un grupo de árboles orien-

tados en las siguientes direcciones: 45°, 55°, 81°, 96°, 110°, 117°, 132° y 154° (Fig. 60)
se distribuyen uniformemente.
PORTADA ÍNDICE
Figura 60. Representación gráfica de los datos del ejercicio 16.
En la siguiente tabla se recogen los cálculos señalados anteriormente:
i θi ui ui2 ui · i
1 45° 0,1250 0,0156 0,1250
2 55° 0,1528 0,0233 0,3056
3 81° 0,2250 0,0506 0,6750
4 96° 0,2667 0,0711 1,0667
5 110° 0,3056 0,0934 1,5278
6 117° 0,3250 0,1056 1,9500
7 132° 0,3667 0,1344 2,5667
8 154° 0,4278 0,1830 3,4222
Suma: 2,1944 0,6771 11,6389
A partir de aquí calculamos el estadístico U2:
( ∑ ui )2 2 n
U 2 = ∑ ui2 − − ∑ i ⋅ ui + ( n + 1) ⋅ u + =
n n 12
0,6771 – (2,1944) / 8 – 2 / 8 (11,6389) + 9 (2,1944 / 8) + 8 / 12 = 0,2989
2
En la tabla G (Anexo VII) obtenemos que: U20,05,7,7 = 0,1986, por tanto rechazamos H0,
los árboles no se distribuyen uniformemente.
4.2.8. Test de Hotellling para una muestra
Datos. Sabemos que a una muestra de n valores angulares ϕ1, ϕ2…ϕn, le podemos
calcular su ángulo medio (ϕˉ ) y su vector medio asociado, r. Imaginemos que tenemos
ahora k grupos de n valores angulares.
Propósito. Determinar si existen diferencias en los ángulos medios.
PORTADA ÍNDICE
Ecuaciones. Sabemos que cuando tenemos una muestra con k ángulos medios
podemos calcular:
∑ kj = 1 rj ⋅ cos φ j ∑ kj = 1 rj ⋅ sen φ j
X= ; Y=
k k
( ∑ X j )2
∑x 2
=∑X − 2
j
k
,
( ∑ Yj )
2
∑ y = ∑Y
2
j
2
−
k
,
∑ X j ⋅ ∑ Yj
∑ x ⋅y = ∑X j ⋅ Yj −
k
Entonces obtenemos el estadístico F:
∑ y − 2X ⋅ Y ∑ x ⋅ y + Y ∑ x
2 2 2 2
k ⋅ ( k − 2) X
F=
2 ∑ x ∑ y − (∑ x ⋅ y )
2 2 2
con 2 y k-2 grados de libertad.

a) Los datos deben ser normales (von Mises).
Hipótesis nula:
H0: No hay una dirección poblacional media, por tanto hay una distribución uni-
forme de los datos.
H A: Hay una dirección poblacional media, por tanto no hay una distribución
uniforme de los datos.
Regla de decisión:
Si el valor crítico en la tabla H (Anexo I) es menor que el nivel de significancia
elegido la hipótesis nula se rechaza.
Ejercicio 17. Retomamos los cálculos del ejercicio 5 donde vimos que:
Población (j) ϕj rj Xj = rj · cos ϕj Yj = rj · sen ϕj

1 160° 0,8954 -0,8414 0,3062
2 169° 0,7747 -0,7605 0,1478
3 117° 0,4696 -0,2132 0,4184
4 140° 0,8794 -0,6737 0,5653
5 186° 0,3922 -0,3901 -0,0410
6 134° 0,6952 -0,4829 0,5001
7 171° 0,3338 -0,3297 0,0522
Suma = -3,6914 1,9491
PORTADA ÍNDICE
Entonces:
∑ 7j = 1 rj ⋅ cos ϕ j −3,6914
X= = = −0,5273
7 7
∑ 7j = 1 rj ⋅ sen ϕ j 1,9491
Y= = = 0,2784
7 7
Con estos datos podemos calcular:
Población (j) ϕj rj Xj = rj cos ϕj Yj = rj sen ϕj Xj2 Yj2 Xj · Yj

1 160° 0,8954 -0,8414 0,3062 0,7080 0,0938 -0,2577
2 169° 0,7747 -0,7605 0,1478 0,5783 0,0219 -0,1124
3 117° 0,4696 -0,2132 0,4184 0,0455 0,1751 -0,0892
4 140° 0,8794 -0,6737 0,5653 0,4538 0,3195 -0,3808
5 186° 0,3922 -0,3901 -0,0410 0,1521 0,0017 0,0160
6 134° 0,6952 -0,4829 0,5001 0,2332 0,2501 -0,2415
7 171° 0,3338 -0,3297 0,0522 0,1087 0,0027 -0,0172
Suma = -3,6914 1,9491 2,2796 0,8647 -1,0828
Por tanto tenemos que:
k = 7; X = −0,5273; ; Y = 0,2784;
∑X j = −3,6914; ∑X 2
j = 2,2796; ∑x 2
= 0,3329;
∑Y j = 1,9490; ∑Y j
2
= 0,8647; ∑y 2
= 0,3220;
∑X Y j j = −1,0828, ∑ x ⋅ y = −0,0550
Finalmente:
7 ⋅ (7 − 2) ( −0,5273)2 ⋅ (0,3220) − 2 ⋅ ( −0,5273) ⋅ (0,2784) ⋅ ( −0,0550) + (0,2784)2 ⋅ (0,3329)

F= = 16,66
2 (0,3329)(0,3220) − ( −0,0550)2
Como F0,05,2,5 = 5,79 rechazamos H0, por tanto hay una dirección poblacional media
(Fig. 61).
PORTADA ÍNDICE
Figura 61. Representación gráfica de los datos del ejercicio 17. Se comprueba que hay una
dirección poblacional media.
4.2.9. Test de Moore para una muestra
Datos. k grupos de n valores angulares.

Propósito. Determinar si la población de la que se han obtenido los ángulos
medios se distribuye uniformemente. A diferencia del test de Hotelling este test es
no paramétrico.
Ecuaciones. Debemos calcular los siguientes estadísticos:
∑ ki = 1 i ⋅ cos φ i ∑ ki = 1 i ⋅ sen φ i
X= ; Y= ;
k k
X2 + Y2
R’ =
k
Donde i son los rangos asignados.
a) La población no es normal (Von Mises).
Hipótesis nula:
H0: La población de la que se han obtenido los ángulos medios se distribuye

uniformemente.
H A: La población de la que se han obtenido los ángulos medios no se distribuye
uniformemente.
PORTADA ÍNDICE
Regla de decisión:
Si el valor crítico obtenido en la tabla I (Anexo I) es menor que el obtenido en

el test la hipótesis nula se rechaza. En este caso la longitud del vector medio difiere
significativamente de 0. Si P > α los datos se distribuyen aleatoriamente.
Ejercicio 18 (tomado de Zar, 1996). Tenemos k = 7 muestras formadas por 10

medidas cada una de las que conocemos su ángulo medio y su vector longitud según
se muestra en la tabla siguiente. Nos preguntamos si la población de la que proceden
las muestras está distribuida uniformemente a lo largo del círculo.
Rango (i) ri Φi cos Φi i · cos Φi seno Φi i · seno Φi

1 0,3338 171° -0,9877 -0,9877 0,1564 0,1564
2 0,3922 186° -0,9945 -1,9890 -0,1045 -0,2091
3 0,4649 117° -0,4540 -1,3620 0,8910 2,6730
4 0,6962 134° -0,6947 -2,7786 0,7193 2,8774
5 0,7747 169° -0,9816 -4,9081 0,1908 0,9540
6 0,8794 140° -0,7660 -4,5963 0,6428 3,8567
7 0,8954 160° -0,9397 -6,5778 0,3420 2,3941
Suma: -23,1996 12,7027
Partiendo de estos datos podemos calcular:
∑ ki = 1 i ⋅ cos φ i −23,196
X= = = −3,3142
k 7
∑ ki = 1 i ⋅ sen φ i 12,7027
Y= = = 1,8146
k 7
( −3,3142)2 + (1,8143)2
R’ = = 1,428
7
Como R’0,05,7 = 1,061 rechazamos H0; es decir la población de la que proceden las
muestras no se distribuye uniformemente a lo largo del círculo.
4.2.10. Bootstrapping
El uso de ordenadores nos permite analizar grandes cantidades de datos en poco

tiempo. El bootstrap es la técnica más versátil y conocida de los llamados métodos
de remuestreo. El fundamento de esta técnica es la repetición, ya que consiste en ge-
nerar un elevado número de muestras como base para estudiar el comportamiento
de determinados estadísticos, como los intervalos de confianza para la media, por
ejemplo. La técnica de bootstrap solo puede realizarse en un ordenador.
PORTADA ÍNDICE
En el caso de la estimación de parámetros, las técnicas bootstrap implican bási-

camente desarrollar un proceso en diferentes pasos (Flores et al., 2007):
1. A partir de la muestra original, se extrae una nueva muestra, por medio de

muestreo con reposición. Es decir, tras la extracción de un primer elemento, este
se repone en la muestra original de tal forma que podría ser elegido de nuevo
como segundo elemento de la muestra extraída. De este modo, cada observación
individual tiene una probabilidad 1 / n de ser elegida cada vez, como si el mues-
treo se realizara sin reposición en un universo infinitamente grande construido
a partir de la información que provee la muestra.
2. Para la muestra obtenida se calcula el valor de un determinado estadístico Â que
se utiliza como estimador del parámetro poblacional A, en cuyo estudio estamos
interesados.
3. Repetimos los dos pasos anteriores, hasta obtener un elevado número de esti-
maciones Â.
4. Se construye una distribución empírica del estadístico Â, que representa una buena
aproximación a la verdadera distribución de probabilidad para ese estadístico. Es
decir, se determina de este modo la distribución muestral de un estadístico sin
haber hecho suposiciones sobre la distribución teórica a la que esta se ajusta y
sin manejar fórmulas analíticas para determinar los correspondientes parámetros
de esa distribución.
De acuerdo con la idea central en que se basa el método bootstrap, el procedimiento

supone utilizar la muestra considerando que en sí misma contiene la información básica
sobre la población. Por tanto, la adecuación de este método será tanto mayor cuanta
más información aporte la muestra sobre la población. Una consecuencia directa es
que a medida que aumenta el tamaño de la muestra mejor será la estimación que
podemos hacer sobre la distribución muestral de un estadístico. No obstante, incluso
con muestras pequeñas, entre 10 y 20 casos, el método bootstrap puede ofrecer re-
sultados correctos.
Ejemplo 19. Con los datos del ejercicio 5 y con el programa PAST obtenemos los
siguientes resultados para el intervalo de confianza para la media:
Media circular: 98,988

Bootstrapped 95%: (73,67, 123,7)
Que no son muy diferentes de los obtenidos en el ejercicio 5: (76°, 132°)
4.3. DOS O MÁS MUESTRAS
Cuando se analizan dos muestras debemos asegurarnos:
1. Que las muestras son elegidas aleatoriamente de la misma población y

2. Que las muestras son independientes una de la otra.
PORTADA ÍNDICE
4.3.1. Test de Watson-Williams
Datos. Dos muestras n1 y n2 con valores angulares ϕ1, ϕ2…ϕn y γ1, γ2…γn que re-
presentan direcciones en un plano, tiempo o un fenómeno cíclico.
Propósito. Determinar si los ángulos medios de las dos muestras difieren signi-
ficativamente uno del otro.
Ecuaciones. Para cada muestra calculamos el vector medio:
x i = cos ϕi; y i = sen ϕi
Si denominamos x̄ e ȳ a la media de xi e yi respectivamente se cumplirá que:
∑ ni cos φi
x1 =
n
∑ ni senφi
y1 =
n
∑ ni cos γ i
x2 =
n
∑ ni senγ i
y2 =
n
Con estas coordenadas se obtiene la longitud del vector medio, r:
2 2 2 2
r1 = x 1 + y 1 ; r2 = x 2 + y 2
Ahora debemos realizar los mismos cálculos pero considerando las dos muestras
combinadas, de modo que:
n = n1 + n2
Para los datos combinados los componentes del vector resultante son:
x = ( x 1 + x 2 ) / n; y = ( y1 + y2 ) / n
2 2
r= x +y
a) Las dos muestras deben proceder de una población que se ajusta a la distribución
de von Mises (normal).
PORTADA ÍNDICE
b) El parámetro de concentración debe ser igual en las dos poblaciones:

κ1 = κ 2 = κ n
c) El parámetro de concentración debe ser suficientemente grande:
κ>2
Hipótesis nula:
Si θ1 y θ2 son los ángulos medios de las dos muestras:

H0: θ1 = θ2; por consiguiente H A: θ1 ≠ θ2.
Estadístico:
r1 + r2 − r
F = g ( n − 2)
n − ( r1 + r2 )
Para calcular la constante g debemos estimar:
r1 + r2
r=
n
y
n1 + n2
n=
2
Conocido r̄ y n̄ empleando la tabla K podemos calcular el valor de κ̃. Entonces:
3
g = 1+
8κ
Regla de decisión:
Si el estadístico F es mayor que F1,n–2 rechazamos la hipótesis nula, por tanto con-
cluimos que las direcciones medias de las dos muestras se desvían significativamente
una de la otra.
También existe una versión de este test para k muestras. En este caso:
( n − k ) ⋅ ( ∑ ri − r )
F=g
( k − 1) ⋅ ( n − ∑ ri )
Para calcular g usaremos las ecuaciones:
n1 + n2 + … nk
n=
k
r = ∑ ri / n
y procederemos como en el caso anterior.
PORTADA ÍNDICE
Ejercicio 20 (tomado de Batschelet, 1981). Disponemos de 20 hormigas entrenadas

para volver a sus nidos bajo diferentes condiciones. Se pide si existen diferencias en
las rutas de que siguieron las hormigas control y las experimentales. Los datos se
exponen a continuación:
Desviación respecto a Frecuencias observadas

la dirección verdadera Experimental Control
-20° 1 0
-10° 7 3
0° 2 3
10° 0 3
20° 0 1
n = 10 n = 10
En primer lugar debemos transformar los ángulos negativos en positivos (-20° = 340°;
-10° = 350°) y crear la tabla de frecuencias, para luego poder calcular los cosenos y
senos de los dos grupos:
Experimental Coseno Seno Control Seno Coseno

340° 0,940 -0,342 350° -0,174 0,985
350° 0,985 -0,174 350° -0,174 0,985
350° 0,985 -0,174 350° -0,174 0,985
350° 0,985 -0,174 0° 0,000 1,000
350° 0,985 -0,174 0° 0,000 1,000
350° 0,985 -0,174 0° 0,000 1,000
350° 0,985 -0,174 10° 0,174 0,985
350° 0,985 -0,174 10° 0,174 0,985
0° 1,000 0,000 10° 0,174 0,985
0° 1,000 0,000 20° 0,342 0,940
Suma = 9,833 -1,558 0,342 9,849
r1 = 9,956; r2 = 9,854; r = 19,719

Por otro lado:
r1 + r2 = 19,810; r1 + r2 – r = 0,091; n – (r1 + r2) = 0,190;
r1 + r2
r= = 0,991
n
n1 + n2
n= = 10
2
PORTADA ÍNDICE
Con r̄ = 0,991 y n̄ = 10 vamos a la tabla L, donde obtenemos que κ̃ = 9,70. Ahora

podemos calcular g:
3
g = 1+ = 1 + 0,03 = 1,003
8κ
Por tanto:
r1 + r2 − r 0,091
F = g ( n − 2) = 1,003 ⋅ 18 = 8,6469
n − ( r1 + r2 ) 0,190
Con un valor de α = 0,01 en la tabla H comprobamos que F1,18 = 8,29. Como F > F1,18
rechazamos H0: hay diferencias en la ruta que siguieron ambos grupos de hormigas.
Zar (1996) propone una modificación para es test. El estadístico a utilizar es:
( N − 2) ⋅ ( R1 + R2 − R )
F=K
N − R1 − R2
Donde N = n1 + n2, R es la R de Rayleigh de las dos muestras en conjunto; R1 y R 2

son la R de Rayleigh de cada una de las dos muestras y K es un factor de corrección
que se estima en la tabla K (Anexo I). El valor crítico para este test es Fα(1),1,N-2.
Ejercicio 21 (tomado de Zar, 1996). Partimos de dos muestras y deseamos saber

si las medias angulares son iguales (H0: μ1 = μ2).
Muestra 1 Muestra 2
αi seno αi coseno αi αi seno αi coseno αi
94° 0,9976 -0,0698 77 ° 0,9744 0,2250
65° 0,9063 0,4226 70 ° 0,9397 0,3420
45° 0,7071 0,7071 61 ° 0,8746 0,4848
52° 0,7880 0,6157 45 ° 0,7071 0,7071
38° 0,6157 0,7880 50 ° 0,7660 0,6428
47° 0,7314 0,6820 35 ° 0,5736 0,8192
73° 0,9563 0,2924 48 ° 0,7431 0,6691
82° 0,9903 0,1392 65 ° 0,9063 0,4226
90° 1,0000 0,0000 36 ° 0,5878 0,8090
40° 0,6428 0,7660
87° 0,9986 0,0523
Suma: 9,3340 4,3956 7,0726 5,1216
Ahora debemos calcular los valores medios:
9,3340 4,39560
Y1 = = 0,8485, X1 = = 0,3996
11 11
PORTADA ÍNDICE
Ahora calculamos r1:
r1 = 0,84852 + 0,39962 = 0,9379
A continuación procedemos a la estima del ángulo medio para la muestra 1:
0,8485
α 1 = arctan = 64,78° ≈ 65°
0,3996
Y el seno y coseno de este ángulo:
sen α 1 = 0,9047; cos α 1 = 0,42605
Finalmente calculamos R1:
R1 = n1 · r1 = 11 · 0,9379 = 10,317
Repetimos los cálculos para la muestra 2, obteniendo los siguientes resultados:
7,07265 5,1216
Y2 = = 0,7858; X2 = = 0,5690
9 9
r2 = 0,97026; α 2 = 54°
sen α 2 = 0,8099, cos α 2 = 0,5865
R2 = n2 ⋅ r2 = 9 ⋅ 0,97026 = 8,7323
Ahora procedemos a realizar los cálculos para las dos muestras combinadas:
N = 11 + 9 = 20
∑ senα i = 9,334 + 7,0726 = 16,4066

∑ senα
∑ cos α i
i
= 9,334 + 7,0726 = 16,4066
= 4,3956 + 5,1216 = 9,5171
∑ cos α i = 4,3956 + 5,1216 = 9,5171
Por tanto:
16,4066 9,5171
Y= = 0,82033; X= = 0,4758
20 20
r = 0,820332 + 0,4758 2 = 0,9483
R = 20 · 0,9843 = 18,967
PORTADA ÍNDICE
Para calcular K necesitamos estimar r w:
n1 ⋅ r1 + n2 ⋅ rr R1 + R2
rw = =
N N
En este caso:
R1 + R2 10,317 + 8,732
rw = = = 0,952
N 20
Con este valor, en la tabla K (Anexo I), obtenemos K = 1,0351. Por consiguiente:
( N − 2) ⋅ ( R1 + R2 − R ) (20 − 2) ⋅ (10,317 + 8,7323 − 18,967)

F=K = 1,0351 = 1,61
N − R1 − R2 20 − 10,317 − 8,7323
En la tabla H (Anexo I) comprobamos que F0.05(1),1,18 = 4,41, por tanto no rechazamos

H0, concluyendo que las medias de las dos muestras son iguales (Fig. 62).
Finalmente podemos calcular el ángulo medio para las dos poblaciones:
Y
sen α = = 0,86500; cos α = X / r = 0,50177
r
Por tanto
α = arcos 0,50177 = 59,88°
Figura 62. Representación gráfica de los datos del ejercicio 21 (a la izquierda muestra 2,
a la derecha muestra 1). Se puede apreciar como las direcciones medias son casi iguales.
El test de Watson-Williams puede generalizarse para muestras múltiples (Zar,

1996). En este caso el estadístico que se aplica es:
( N − k ) ⋅ ( ∑ kj = 1 R j − R )
F=K
( k − 1) − ( N − ∑ kj = 1 R j )
PORTADA ÍNDICE
Donde k es el número de muestras, R es la R de Rayleigh para todas las muestras

combinadas y N es la suma de los tamaños muestrales de cada una de las mues-
tras analizadas. El valor crítico en este caso es Fα(1),k-1,N-k.
Ejercicio 22 (tomado de Zar, 1996). Disponemos de tres muestras angulares

(Fig. 63) y deseamos saber si las medias angulares son iguales (H0: μ1 = μ2 = μ3).
Muestra 1 Muestra 2 Muestra 3

αi seno αi coseno αi αi seno αi coseno αi αi seno αi coseno αi
135° 0,7071 -0,7071 150° 0,5000 -0,8660 140° 0,6428 -0,7660
145° 0,5736 -0,8192 130° 0,7660 -0,6428 165° 0,2588 -0,9659
125° 0,8192 -0,5736 175° 0,0872 -0,9962 185° -0,0872 -0,9962
140° 0,6428 -0,7660 190° -0,1736 -0,9848 180° 0,0000 -1,0000
165° 0,2588 -0,9659 180° 0,0000 -1,0000 125° 0,8192 -0,5736
170° 0,1736 -0,9848 220° -0,6428 -0,7660 175° 0,0872 -0,9962
140° 0,6428 -0,7660
Suma: 3,1751 -4,8166 0,5368 -5,2559 2,3635 -6,0640
Procediendo como en el ejemplo anterior obtenemos:
ᾱ1 = 147°; r1 = 0,9615; R1 = 5,7689
ᾱ2 = 174°; r2 = 0,8805; R 2 = 5,2832
ᾱ3 = 159°; r3 = 0,9297; R 3 = 6,5083
PORTADA ÍNDICE
Para todos los datos combinados tendremos que:
k=3
N = 6 + 6 + 7 = 19
De modo que:
∑ sen α i = 3,1751 + 0,5368 + 2,3635 = 6,0754
∑ cos α i = –4,8162 − 5,2558 − 6,064 = −16,1364
Por tanto:
6,0754 −16,1364
Y= = 0,31976; X= = −0,8492
19 19
r = 0,319762 + ( −0,8492)2 = 0,9075
R = 19 · 0,9075 = 17,2425
Calculamos ahora el valor de r w:
R1 + R2 + R 3 5,7689 + 5,2832 + 6,5083

rw = = = 0,924
N 19
Comprobamos en la tabla K (Anexo I) que para r w = 0,924, K = 1,0546. Ahora:
( N − k ) ⋅ ( ∑ kj = 1 R j − R )
F=K =
( k − 1) − ( N − ∑ kj = 1 R j )
(19 − 3) ⋅ (5,7689 + 5,2832 + 6,5083 − 17,2423)

F = 1,0546 = 1,86
(3 − 1) − (19 − 5,7689 + 5,2832 − 6,5083)
El valor crítico es F0,05(1),2,16 = 3,63 (tabla H, Anexo I), por tanto no rechazamos H0
concluyendo que las tres muestras poseen la misma media, que podemos estimar a
partir de:
Y X
sen α = = 0,3523; cos α = = −0,9358
r r
Por tanto:
ᾱ = arcos (–0,9358) = 159,35°
Como se ha dicho anteriormente este test es paramétrico, por tanto se supone que las
muestras proceden de una población que se ajusta a una distribución de von Mises.
PORTADA ÍNDICE
Afortunadamente este test es muy robusto, pero si las condiciones de normalidad son
severamente violadas es aconsejable utilizar un test no paramétrico.
4.3.2. Test de Mardia-Watson-Wheeler
Datos. Dos muestras de n1 y n2 con valores angulares ϕ1, ϕ2…ϕn y γ1, γ2…γn que
representan direcciones en un plano, tiempo o un fenómeno cíclico.
Propósito. Determinar si las dos muestras difieren significativamente una de la
otra. Las diferencias pueden ser en el ángulo medio, en la varianza angular o en los
dos parámetros. Se trata de un test no paramétrico en el que lo importante es el orden
en el que se disponen los ángulos. El proceso implica alterar la separación existente
entre los ángulos para situarlos equidistantemente. Para calcular la separación entre
ángulos recalculamos:
360°
δ=
n1 + n2
Ecuaciones. Una vez tengamos los datos de la muestra combinada equidistan-

temente separados les asignamos un rango (1, 2, 3, 4…n) a partir de una dirección
arbitraria. Si c1, c2…cn son los rangos de la primera muestra los ángulos correspon-
dientes a cada punto de esta muestra son:
βi = c i · δ
El vector medio de la primera muestra tiene los siguientes componentes:
x 1 = ∑ ni cos φi ; y1 = ∑ in sen φi
Con estas coordenadas se obtiene la longitud del vector medio, r:
r1 = x 12 + y12
Para la segunda muestra se procedería del mismo modo hasta obtener r2.
a) No debe haber datos empatados (valores que se repitan en las dos muestras).
Hipótesis nula:
H0: Las dos muestras proceden de la misma población.

H A: Las dos muestras no proceden de la misma población.
Estadístico:
B = r2
Debe cumplirse que r1 = r2 = r.
PORTADA ÍNDICE
Regla de decisión:
Debemos consultar en una tabla los valores de B(α) (tabla J, Anexo I) cuando n =
8,9…17. Si n > 17 calculamos P en la tabla de chi-cuadrado. Si B > B(α) rechazamos
la hipótesis nula y concluimos que las dos muestras difieren significativamente.
Ejercicio 23 (tomado de Batschelet, 1981). Disponemos dos muestras y queremos

saber si difieren o no.
Muestra 1 Muestra 2
20° 125°
40° 190°
80° 230°
95° 275°
140°
155°
Ahora:
n = n1 + n2 = 6 + 4 = 10
Por tanto:
360° 360°
δ= = = 36°
n1 + n2 10
Ahora asignamos rangos y vemos que la muestra 1 tiene rangos 1, 2, 3, 4, 8 y 9 (Fig. 64):
Figura 64. Datos de la muestra 1 (azul) y 2 (rojo) en la imagen de la izquierda. A la

derecha los rangos asignados a cada punto de la muestra.
PORTADA ÍNDICE
Ahora calculamos los ángulos para cada punto empleando la expresión:
βi = c i · δ
Y tenemos que:
β1 = 1 · 36° = 36°, β2 = 2 · 36° = 72°, β3 = 3 · 36° = 108°, β4 = 4 · 36° = 144°,

β5 = 8 · 36° = 288°, β6 = 9 · 36° = 324°
Con estos nuevos ángulos calculamos la longitud del vector medio, r:

En primer lugar obtenemos la siguiente tabla:
Muestra 1 Coseno Seno

36° 0,8090 0,5878
72° 0,3090 0,9511
108° -0,3090 0,9511
144° -0,8090 0,5878
288° 0,3090 -0,9511
324° 0,8090 -0,5878
Suma: x1 = 1,1180 y1 = 1,5388
Ahora calculamos
r1 = x 12 + y12 = 1,25 + 2,3680 = 3,618 = 1,9021
Ya podemos calcular el estadístico para la muestra 1:
B = r12 = (1,9021)2 = 3,6180
La segunda muestra tiene rangos 5, 6 7 y 10. Por lo que sus ángulos son:
β7 = 5 · 36° = 180°, β8 = 6 · 36° = 216°, β9 = 7 · 36° = 252°, β104 = 10 · 36° = 360°
Por tanto tendríamos:
Muestra 2 Coseno Seno
180° -1 1,2E-16
216° -0,8090 -0,5878
252° -0,3090 -0,9511
360° 1 -2,5E-16
Suma: x2 = -1,1180 y2 = -1,5388
PORTADA ÍNDICE
Y obtenemos que r2 = 1,9021. Por tanto:
B = r22 = 1,90212 = 3,6180
Vemos que r 21 = r 22. De las tablas obtenemos que B (0,05) = 9,47. Como B < B (0,05)
aceptamos la hipótesis nula.
Zar (1996) recoge la modificación del test de test de Wheeler-Watson realizada
por Mardia (que aquí hemos llamado Test de Mardia-Whatson-Wheeler), que implica
asignar rangos a cada uno de los α ángulos de la muestra, de modo que podemos
calcular el rango circular (d):
360° ⋅ (rango de α )
d=
N
Entonces:
ni
Ci = ∑ cos d j
j =1
ni
Si = ∑ sen d j
j =1
El estadístico a utilizar es:
C12 + S12 C22 + S22

W = 2⋅ +
n1 n2
que debe ser comparado con una chi-cuadrado de 2 grados de libertad.

Este test es aplicable si los tamaños muestrales son como mínimo de 10 valores y
si no hay datos repetidos en las dos muestras. Si esto ocurre es recomendable utilizar
el Test U2 de Watson.
Ejemplo 24 (tomado de Zar, 1996). Tenemos dos series de datos (Fig. 65) listados
en la tabla que se detalla a continuación y deseamos determinar:
H0: Las dos muestras proceden de la misma población o tienen la misma dirección.
H A: Las dos muestras no proceden de la misma población o no tienen la misma
dirección.
PORTADA ÍNDICE
Aplicando las fórmulas anteriores calculamos d, Ci y Si:
Muestra 1 Muestra 2
Rango Rango
Dirección Rango C1 S1 Dirección Rango C2 S2
Circular Circular
35° 1 17,14° 0,96 0,29
45° 2 34,29° 0,83 0,56
50° 3 51,43° 0,62 0,78
55° 4 68,57° 0,37 0,93
60° 5 85,71° 0,07 1
70° 6 102,86° -0,22 0,97
75° 7 120° -0,50 0,87
80° 8 137,14° -0,73 0,68
85° 9 154,29° -0,90 0,43
90° 10 171,43° -0,99 0,15
95° 11 188,57° -0,99 -0,15
100° 12 205,71° -0,90 -0,43
105° 13 222,86° -0,73 -0,68
110° 14 240° -0,50 -0,87
120° 15 257,14° -0,22 -0,97
130° 16 274,29° 0,07 -1
135° 17 291,43° 0,37 -0,93
140° 18 308,57° 0,62 -0,78
150° 19 325,71° 0,83 -0,56
160° 20 342,86° 0,96 -0,29
165° 21 360° 1 0
Suma: -0,2225 3,1727 0,2225 -3,1727
PORTADA ÍNDICE
Con estos datos podemos calcular W:
C12 + S12 C22 + S22

W = 2⋅ + =
n1 n2
−0,22252 + 3,1717 2 0,22252 + −3,1727 2

W = 2⋅ + = 3,862
10 11
Como χ 20,05,2 = 5,991, aceptamos H0.

También existe una versión de este test para más de dos muestras. En este caso
el estadístico es:
k
Ci2 + Si2
W = 2∑
i=1 ni
que debe ser comparado con una chi-cuadrado de 2 (k-1) grados de libertad. Tiene
las mismas restricciones que para el caso de dos muestras.
4.3.3. Test U2 de Watson
Datos. Dos muestras de m y n con valores angulares ϕ1, ϕ2…ϕn y γ1, γ2…γn que
representan direcciones en un plano, tiempo o un fenómeno cíclico.
Propósito. Determinar si las dos muestras difieren significativamente una de la
otra en el ángulo medio, en la varianza angular u otro parámetro.
Ecuaciones. Este test también ser basa en las diferencias entre las dos funcio-
nes para cada par de datos de cada una de las distribuciones. El estadístico em-
pleado es:
22
nn⋅ ⋅mm NN 22 11 NN
UU22 == ∑∑ddkk −− NN
NN22 k k==11
∑
∑dd
k k==11
kk
Donde n y m son los tamaños muestrales de los dos grupos de datos que se quieres
comparar, N = n + m y d son las diferencias entre las dos funciones para cada uno
de los N puntos considerados.
a) Los datos deben estar ordenados de forma ascendente. Es un test no paramétrico,

por lo tanto debe emplearse cuando una de las muestras no es unimodal o no se
cumple cualquier otro de los criterios que implican normalidad.
b) Se puede emplear con datos agrupados siempre y cuando la agrupación no sea
mayor de 5°.
PORTADA ÍNDICE
Hipótesis nula:
H0: Las dos muestras proceden de la misma población o de dos poblaciones que
tienen la misma dirección.
H A: Las dos muestras no proceden de la misma población o de dos poblaciones
que tienen distinta dirección.
Regla de decisión:
H0 se rechaza si el valor obtenido en las tablas U2α,m,n es menor que el arrojado

por el estadístico.
Ejercicio 25 (modificado de Zar, 1996). Tenemos dos poblaciones de aves que se

han dispersado según los datos presentados en la siguiente tabla, y queremos saber
si lo han hecho en la misma dirección.
i (m = 10) φi i/m j (n = 11) ωj j/n dk = i / m – j / n dk2

1 35° 0,1 0 0,1 0,01
2 45° 0,2 0 0,2 0,04
3 50° 0,3 0 0,3 0,09
4 55° 0,4 0 0,4 0,16
5 60° 0,5 0 0,5 0,25
6 70° 0,6 0 0,6 0,36
0.6 1 75° 0,0909 0,5091 0,2592
0,6 2 80° 0,1818 0,4182 0,1749
7 85° 0,7 0,1818 0,5182 0,2685
0,7 3 90° 0,2727 0,4273 0,1826
8 95° 0,8 0,2727 0,5273 0,2780
0,8 4 100° 0,3636 0,4364 0,1904
9 105° 0,9 0,3636 0,5364 0,2877
0,9 5 110° 0,4545 0,4455 0,1984
10 120° 1 0,4545 0,5455 0,2976
1 6 130° 0,5455 0,4545 0,2066
1 7 135° 0,6364 0,3636 0,1322
1 8 140° 0,7273 0,2727 0,0744
1 9 150° 0,8182 0,1818 0,0331
1 10 155° 0,9091 0,0909 0,0083
1 11 165° 1 0 0
Suma: 7,8274 3,5019
Sabemos que N = m + n = 10 + 11 = 21. Por tanto:
22
nn⋅ ⋅mm NN 22 11 NN
11 ⋅ 10 1
UU22 == ∑∑ddkk −− NN
NN22 k k==11
∑
∑dd
k k==11
kk =
21 2
3,5019 − (7,8274)2 = 0,1558
21
PORTADA ÍNDICE
Como U20,05,10,11 = 0,1856, aceptamos H0: los dos grupos de aves siguen la misma
dirección (Fig. 66).
Figura 66. Representación gráfica de los datos del ejercicio 25 (en rojo datos de la
muestra 1, en verde datos de la muestra 2).
4.3.4. Test de la chi-cuadrado
Datos. Dos muestras independientes de observaciones circulares con datos agru-

pados.
Propósito. Determinar si existen diferencias entre las dos muestras. No se especifica
qué tipo de diferencias. Es un test muy poderoso para tamaños muestrales grandes.
Ecuaciones. Partimos de los siguientes datos:
Muestra Categorías (k) Total

S1 n1,1 n1,2 n1,3 n1,k M1
S2 n2,1 n2,2 n2,3 n2,k M2
Total N1 N2 N3 Nk N
Las frecuencias esperadas serán:
N j ⋅ Mi
e ij =
N
Con i = 1, 2… y j = 1, 2…k
El estadístico de la chi-cuadrado es:
( nij − e ij )2
χ2 = ∑
ij e ij
PORTADA ÍNDICE
a) Las frecuencias esperadas deben ser, como mínimo, 5.
Hipótesis nula:
H0: La muestras son iguales o proceden de la misma población.

H A: La muestras son no iguales o no proceden de la misma población.
Regla de decisión:
Si el valor crítico de P obtenido en las tablas es menor que el nivel de significancia

elegido, α y con n-1 grados de libertada, la hipótesis nula se rechaza.
Ejercicio 26 (tomado de Batschelet, 1989). Se tienen las direcciones que toman dos
poblaciones de tortugas y se desea saber si se orientan de igual forma.
Frecuencia Frecuencia (Fr. obs - Fr. esp)2 /

Intervalos Total Fr. obs - Fr. esp
observada esperada Fr. esp
S1 S2 S1 S2 S1 S2 S1 S2
0°-45° 0 0 0 0 0 0 0
45°-90° 4 15 19 10,2 8,8 -6,2 6,2 3,8 4,3
90°-135° 0 27 27 14,5 12,5 -14,5 14,5 14,5 16,7
135°-180° 17 21 38 20,4 17,6 -3,4 3,4 0,6 0,6
180°-225° 28 5 33 17,7 15,3 10,3 -10,3 6,0 6,9
225°-271° 11 0 11 5,9 5,1 5,1 -5,1 4,4 5,1
270°-315° 15 0 15 8,0 7,0 7,0 -7,0 6,0 7,0
315°-360° 7 3 10 5,4 4,6 1,6 -1,6 0,5 0,6
Total 82 71 153 82,0 71,0 0,0 0,0 35,7 41,3
Por tanto:
χ2 = 35,7 + 41,4 = 77,3

Como χ20,05,7 = 14,45 rechazamos H0: las orientaciones son diferentes.
4.3.5. Test de Hotellling para dos muestras apareadas
Datos. Dos muestras de datos apareados.

Propósito. Determinar si existen diferencias entre las dos muestras.
Ecuaciones. Se emplean los mismos procedimientos que en el test de Hotelling
visto con anterioridad, ya que podemos obtener una sola muestra al poder calcular
las diferencias entre datos apareados. Si αij es el ángulo i del dato j, entonces α1j y α2j
son datos apareados, entonces podemos obtener las coordenadas rectangulares de
estos datos del siguiente modo:
PORTADA ÍNDICE
Xj = cos α2j – cos α1j
Yj = sen α2j – sen α1j

Ya podemos obtener el estadístico F:
∑ y − 2X ⋅ Y ∑ x ⋅ y + Y ∑ x
2 2 2 2
k ⋅ ( k − 2) X
F=
2 ∑ x ∑ y − (∑ x ⋅ y )
2 2 2
a) Los datos deben estar apareados.
Hipótesis nula:
H0: No hay diferencias entre las dos muestras.

H A: Hay diferencias entre las dos muestras.
Regla de decisión:
Si el valor crítico obtenido en las tablas es menor que el nivel de significancia

elegido la hipótesis nula se rechaza.
Ejercicio 27 (tomado de Zar, 1996). Deseamos sabe si existen diferencias en la

zona donde descansan un grupo de aves por la mañana y por la tarde.
Hacemos los cálculos:
Mañana Tarde Diferencia

Dirección Dirección
Ave (j) sen α1j cos α1j sen α2j cos α2j Yj Xj
(α1j) (α2j)
1 105° 0,9659 -0,2588 205° -0,4226 -0,9063 -1,3885 -0,6475
2 120° 0,8660 -0,5000 210° -0,5000 -0,8660 -1,3660 -0,3660
3 135° 0,7071 -0,7071 235° -0,8192 -0,5736 -1,5263 0,1335
4 95° 0,9962 -0,0872 245° -0,9063 -0,4226 -1,9025 -0,3355
5 155° 0,4226 -0,9063 260° -0,9848 -0,1736 -1,4074 0,7327
6 170° 0,1736 -0,9848 255° -0,9659 -0,2588 -1,1396 0,7260
7 160° 0,3420 -0,9397 240° -0,8660 -0,5000 -1,2080 0,4397
8 155° 0,4226 -0,9063 245° -0,9063 -0,4226 -1,3289 0,4837
9 120° 0,8660 -0,5000 210° -0,5000 -0,8660 -1,3660 -0,3660
10 115° 0,9063 -0,4226 200° -0,3420 -0,9397 -1,2483 -0,5171
Tenemos que:
k = 10; X̄ = 0,0284; Ȳ = –1,3981;
PORTADA ÍNDICE
Con esos datos y siguiendo el mismo procedimiento que en test de Hotelling pata
una muestra llegamos a que:
F = 217 y como F0,05,2,8 = 4,46 rechazamos H0. Hay diferencias en las zonas de
descanso.
4.3.6. Test de Moore para dos muestras
Datos. Dos muestras de n1 y n2 valores angulares ϕ1, ϕ2…ϕn, que representan

direcciones en un plano, tiempo o un fenómeno cíclico. Cada valor se ha medido
sobre el mismo individuo.
Propósito. Determinar si existen diferencias entre ambas muestras. Se trata de
un test no paramétrico.
Ecuaciones. Si tenemos dos muestras apareadas, por tanto con k pares, calculamos
para cada dato su seno y su coseno para obtener las coordenadas rectangulares. Así
las coordenadas rectangulares del par j serán:
Xj = cos α2j – cos α1j
Yj = sen α2j – sen α1j
A continuación para cada diferencia calculamos:
rj = X 2j + X 2j
Xj Yj
cos α j = ; sen α j =
rj rj
Seguidamente asignamos rangos (i) a rj, desde 1 hasta n y calculamos:
∑ ki = 1 i ⋅ cos α i
X=
k
∑ ki = 1 i ⋅ sen α i
Y=
k
X2 + Y2
R’ =
k
a) Los datos deben estar apareados.
PORTADA ÍNDICE
Hipótesis nula:
H0: Los ángulos son iguales.

H A: Los ángulos son diferentes.
Regla de decisión:
Si el valor crítico es menor que el nivel de significancia elegido la hipótesis nula

se rechaza.
Ejercicio 28 (tomado de Zar, 1996). Se marcaron una serie de aves y se deter-

minó la orientación a que descansaban por la mañana y por la tarde. Se pretende
determinar si hay diferencias entre la mañana y la tarde a la hora de elegir la zona
de descanso.
Ave Mañana Tarde

1 105° 205°
2 120° 210°
3 135° 235°
4 95° 245°
5 155° 260°
6 170° 255°
7 160° 240°
8 155° 245°
9 120° 210°
10 115° 200°
En la figura 67 se representan los datos correspondientes a los dos momentos del día.
Figura 67. Datos del ejercicio 28. En azul posiciones ocupadas por las aves durante la
mañana. En verde posiciones ocupadas durante la tarde.
PORTADA ÍNDICE
En primer lugar calculamos las coordenadas rectangulares de cada par:
Mañana Tarde Diferencia

Dirección Dirección
Ave (j) sen α1j cos α1j sen α2j cos α2j Yj Xj
(α1j) (α2j)
1 105° 0,9659 -0,2588 205° -0,4226 -0,9063 -1,3885 -0,6475
2 120° 0,8660 -0,5000 210° -0,5000 -0,8660 -1,3660 -0,3660
3 135° 0,7071 -0,7071 235° -0,8192 -0,5736 -1,5263 0,1335
4 95° 0,9962 -0,0872 245° -0,9063 -0,4226 -1,9025 -0,3355
5 155° 0,4226 -0,9063 260° -0,9848 -0,1736 -1,4074 0,7327
6 170° 0,1736 -0,9848 255° -0,9659 -0,2588 -1,1396 0,7260
7 160° 0,3420 -0,9397 240° -0,8660 -0,5000 -1,2080 0,4397
8 155° 0,4226 -0,9063 245° -0,9063 -0,4226 -1,3289 0,4837
9 120° 0,8660 -0,5000 210° -0,5000 -0,8660 -1,3660 -0,3660
10 115° 0,9063 -0,4226 200° -0,3420 -0,9397 -1,2483 -0,5171
Continuando con los cálculos obtenemos:
Y2j X2j Y2j + X2j r sen αj cos αj rango (i) cos αj · i sen αj · i
1,9281 0,4192 2,3473 1,5321 -0,9063 -0,4226 7,5 -3,170 -6,797
1,8660 0,1340 2,0000 1,4142 -0,9659 -0,2588 4,5 -1,165 -4,347
2,3295 0,0178 2,3473 1,5321 -0,9962 0,0872 7,5 0,654 -7,471
3,6195 0,1125 3,7321 1,9319 -0,9848 -0,1736 10,0 -1,736 -9,848
1,9808 0,5368 2,5176 1,5867 -0,8870 0,4617 9,0 4,156 -7,983
1,2986 0,5271 1,8257 1,3512 -0,8434 0,5373 2,0 1,075 -1,687
1,4594 0,1933 1,6527 1,2856 -0,9397 0,3420 1,0 0,342 -0,940
1,7660 0,2340 2,0000 1,4142 -0,9397 0,3420 6,0 2,052 -5,638
1,8660 0,1340 2,0000 1,4142 -0,9659 -0,2588 4,5 -1,165 -4,347
1,5583 0,2674 1,8257 1,3512 -0,9239 -0,3827 3 -1,148 -2,772
Así pues tendremos que:
∑ ki = 1 i ⋅ cos α i −0,106
X= = = −0,011
k 10
∑ ki = 1 i ⋅ sen α i −51,83
Y= = = −5,183
k 10
Por tanto:
X2 + Y2 ( −0,011)2 + ( −5,183)2
R’ = = = 1,639
k 10
PORTADA ÍNDICE
Como R’0,05,10 = 1,144 rechazamos H0, por tanto concluimos que la dirección en la que
descansan las aves durante la mañana y durante la tarde es diferente.
4.3.7. Test no paramétrico de Wallraff
Este test basado en Wallraff (1979) permite testar la homocedasticidad entre dos
muestras, es decir, si las muestras tienen la misma concentración (o dispersión). El
procedimiento consiste en calcular la dirección media de cada muestra y las distancias
angulares entre los datos de cada muestra y su dirección media. A continuación se
asignan rangos a los resultados y se aplica el test de Mann-Whitney (dos muestras)
o el test de Kruskal-Wallis (más de dos muestras).
Ejercicio 29 (tomado de Zar, 1996). En la siguiente tabla se presentan datos relativos

a la hora de nacimiento de niños y niñas durante un determinado día. También se
ha calculado el ángulo medio: niños, α1 = 7:55 AM; niñas, α12 = 8:15 AM. Con estos
datos la hipótesis que se plantea es la siguiente:
H0: las horas de nacimientos de los niños son tan variables como las de las niñas.
H A: las horas de nacimiento de los niños no son tan variables como las de las niñas.
Para cada muestra calculamos la distancia angular y asignamos rango a cada uno
de los valores.
Niños Niñas
Hora Distancia angular Rango Hora Distancia angular Rango
5:10:00 2:45:00 11 8:15:00 0:00:00 1
6:30:00 1:25:00 4 10:20:00 2:05:00 8,5
9:40:00 1:45:00 6 9:45:00 1:30:00 5
10:20:00 2:25:00 10 6:10:00 2:05:00 8,5
4:20:00 3:35:00 13 4:05:00 4:10:00 14
11:15:00 3:20:00 12 7:50:00 0:25:00 2
9:00:00 0:45:00 3
10:10:00 1:55:00 7
De modo que tenemos: n1 = 6, R1 = 56, n2 = 8, R 2 = 49, con lo que podemos aplicar

el test de Mann-Whitney:
n1 ( n1 + 1) 6(6 + 1)
U = n1 ⋅ n2 + − R1 = 6 ⋅ 8 + − 56 = 13
2 2
Con este resultado P = 0,17, por tanto no rechazamos H0.
PORTADA ÍNDICE
4.4. ANOVA CIRCULAR
Una ANOVA Circular es un análisis de la varianza de una vía que permite testar
la igualdad de direcciones medias en una investigación con datos circulares. Para que
pueda realizarse una ANOVA circular es necesario que las n-muestras independientes
objeto de análisis se ajusten a una distribución de von Mises y que posean medias
direccionales y parámetros de concentración iguales ( Tasdan y Yenisay, 2014). En caso
de que alguno o todos estos condicionantes no se cumplan nos veremos obligados a
utilizar test no paramétricos para poder testar la igualdad de medias.
Vamos a construir la tabla para la ANOVA circular siguiendo el ejemplo pro-
puesto por Firdu y Başpinar (2017). Esta tabla es similar a la utilizada en el caso de
la ANOVA lineal. Como sabemos para poder aplicar una ANOVA lineal la muestra
debe ajustarse a la distribución uniforme. En el caso de la ANOVA circular hemos
señalado que la muestra debe ajustarse a una distribución de von Mises. Ya vimos
cómo podemos comprobar si nuestras muestras se ajustan a una distribución de
von Mises.
Firdu y Başpinar (2017) estudian la incidencia mensual de la fiebre hemorrá-
gica Crimea-Congo en el periodo 2008-2014 en Turquía. Los datos aportados, por
tanto, son frecuencias mensuales (de enero a diciembre) medidos en una escala
circular.
La tabla de ANOVA que utilizaremos para la realización de los cálculos es la
siguiente:
Fuente de variación Grados de libertad Suma de los cuadrados Media cuadrática
Entre muestras p-1 SSB MSB
Dentro de muestras ∑n – p SSW MSW
Total ∑n – 1 SST
Siendo p el número total de muestras o grupos y n los tamaños muestrales de cada

grupo. Para calcular el estadístico debemos obtener previamente los siguientes re-
sultados:
df = p – 1
SSB = ∑ ( R i − R )
i=1
∑ ip= 1 ( R i − R )
MSB =
p−1
PORTADA ÍNDICE
SSW = ∑ ( ni − R )
i=1
SST = n − R
∑ ip= 1 ( ni − R i )
MSW =
∑ ni − p
El valor de F se calcula de acuerdo a la siguiente expresión:
∑ ip= 1 ( R i − R ) / ( p − i )
F=
∑ ip= 1 ( ni − R i ) / ∑ ni − p
Los datos que aportan Firdu y Başpinar (2017) son los siguientes:
Varianza Desviación
Año ni ϕ̃ Rˉi κ
circular estándar circular
2008 1273 2,7329 0,8567 0,3325 0,6675 0,9780
2009 1277 2,8633 0,8402 0,3265 0,6734 0,9859
2010 835 2,6477 0,8476 0,2488 0,7511 1,0992
2011 1053 2,9268 0,8447 0,2903 0,7097 1,0336
2012 777 2,7217 0,8206 0,2287 0,7713 1,1320
2013 863 2,6789 0,8305 0,2493 0,7507 1,0985
2014 931 2,1658 0,8001 0,2530 0,7469 1,0926
2015 684 2,9139 0,8285 0,2099 0,7900 1,1640
Siendo Rˉ = 0,580445 y n total igual a 7693. Utilizando una tabla de Excel podemos
hacer los cálculos fácilmente:
Año ni Rˉi Rˉ Rˉi – Rˉ ni – Rˉ ni – Rˉi ni – p

2008 1273 0,8567 0,580445 0,2762 1272,42 1272,1433 1272
2009 1277 0,8402 0,580445 0,2597 1276,42 1276,1598 1275
2010 835 0,8476 0,580445 0,2671 834,42 834,1524 832
2011 1053 0,8447 0,580445 0,2642 1052,42 1052,1553 1049
2012 777 0,8206 0,580445 0,2401 776,42 776,1794 772
2013 863 0,8305 0,580445 0,2500 862,42 862,1695 857
2014 931 0,8001 0,580445 0,2196 930,42 930,1999 924
2015 684 0,8285 0,580445 0,24805 683,42 683,1715 676
Total: 7693 2,02534 7688,36 7686,3311 7657
PORTADA ÍNDICE
A partir de estos datos podemos calcular parámetros de la ANOVA circular:
Fuente de
Grados de libertad Suma de los cuadrados Media cuadrática
variación
∑ ip= 1 ( R i − R )
MSB = =
Entre SSB = ∑ ( R i − R ) =
p
i=1
p−1
p–1=8–1=7
muestras = 2,02534 2,02354
= = 0,289334
7
∑ ip= 1 ( ni − R i )
MSW = =
Dentro de ∑ n – p = 7693 – 8 SSW = ∑ ip= 1 ( ni − R ) = ∑ ni − p
muestras = 7685 = 7688,36 7688,36
= = 1,00038
7657
Total ∑ n – 1 = 7693 – 1 SST = n – Rˉ = 7693 –

= 7692 0,580445 = 7692,42
Finalmente:
∑ ip= 1 ( R i − R ) / ( p − i ) 0,289334
F= = = 0,2882
∑ i = 1 ( ni − R i ) / ∑ ni − p 1,00038
p
Utilizando Excel (=DISTR.F(valor de F obtenido; p-1; n-1))podemos calcular el valor

teórico para F0,2882;7;7692 = 0, 9588. Como 0,9588 > 0,2882 concluimos que no existen
diferencias en la incidencia de la enfermedad en los diferentes años estudiados.
PORTADA ÍNDICE
CAPÍTULO 5
CORRELACIÓN
5.1. INTRODUCCIÓN
En este capítulo se analizan las relaciones entre dos variable circulares aleatorias
y entre una variable circular aleatoria y una lineal. Por ejemplo nos podría interesar
estudiar si existe alguna relación entre la dirección del viento (circular) y las direc-
ciones que toman las ramas de un árbol (circular) expuesto al citado viento. Otro
caso interesante resultaría de investigar la relación que existe entre la dirección del
viento (circular) y la cantidad de lluvia caída (lineal).
5.2. CORRELACIÓN CIRCULAR-CIRCULAR
Partimos de dos variables circulares donde denotaremos a cada par i de datos

como ai y bi, donde a y, b son ángulos. Entonces, el coeficiente de correlación es:
∑ ni =−11 ∑ nj = i + 1 sen( ai − a j )sen( bi − b j )

raa =
∑ ni =−11 ∑ nj = i + 1 sen2 ( ai − a j ) ∑ ni =−11 ∑ nj = i + 1 sen2 ( bi − b j )
Para determinar si raa es significativo se estima n · raa adicionales, eliminando cada

vez uno de los n pares de a y b, técnica conocida como jackknife. A continuación se
calcula la media y la varianza de estos raa para estimar los límites de confianza para
ρaa, que son:
sr2
L1 = n raa − ( n − r )r aa − Zα (2 ) aa
sr2
L2 = n raa − ( n − r )r aa − Zα (2 ) aa
Si el intervalo de confianza, es decir, el intervalo entre L1 y L2 no incluye al cero,

entonces H0 = ρaa = 0 es rechazada en favor de H A = ρaa ≠ 0.
Ejercicio 30 (tomado de Zar, 1996). Deseamos saber la relación entre la orientación

de los insectos y la dirección de la luz, según la siguiente tabla:
PORTADA ÍNDICE
i Insecto ai luz bi
1 145° 120°
2 190° 180°
3 310° 330°
4 210° 225°
5 80° 55°
Cuya representación gráfica se presenta en la figura 68:
Figura 68. Dirección que toman los insectos (izquierda) y de la luz (derecha).
Por tanto: H0 = ρaa = 0 y H A = ρaa ≠ 0.

El procedimiento a seguir es el siguiente:
i j ai-aj bi-bj sen (ai-aj) sen (bi-bj) sen (ai-aj) · sen (bi-bj) sen2 (ai-aj) sen2 (bi-bj)
1 2 -45 -60 -0,7071 -0,8660 0,6124 0,5000 0,7500
1 3 -165 -210 -0,2588 0,5000 -0,1294 0,0670 0,2500
1 4 -65 -105 -0,9063 -0,9659 0,8754 0,8214 0,9330
1 5 65 65 0,9063 0,9063 0,8214 0,8214 0,8214
2 3 -120 -150 -0,8660 -0,5000 0,4330 0,7500 0,2500
2 4 -20 -45 -0,3420 -0,7071 0,2418 0,1170 0,5000
2 5 110 125 0,9397 0,8192 0,7698 0,8830 0,6710
3 4 100 105 0,9848 0,9659 0,9513 0,9698 0,9330
3 5 230 275 -0,7660 -0,9962 0,7631 0,5868 0,9924
4 4 130 170 0,7660 0,1736 0,1330 0,5868 0,0302
Suma: 5,4718 6,1033 6,1310
PORTADA ÍNDICE
Las diferencias ai-aj para el primer par (1,2) se calcularía:
145° – 190° = -45°

Para el caso bi-bj del primer par (1,2) se calcularía:
120° – 180° = -60°

y así sucesivamente.
Podemos calcular raa:
∑ ni =−11 ∑ nj = i + 1 sen( ai − a j )sen( bi − b j ) 5,4718

raa = = = 0,8945
∑ n−1
i=1 ∑ n
j = i+1 sen ( ai − a j ) ∑
2 n−1
i=1 ∑ n
j = i+1 sen ( bi − b j )
2
6,1033 ⋅ 6,1310
Como se ha señalado el procedimiento continua eliminando cada uno de los i

pares y calculando de nuevo raa. Repetimos los cálculos eliminando i = 1 y tenemos:
i j ai-aj bi-bj sen (ai-aj) sen (bi-bj) sen (ai-aj) · sen (bi-bj) sen2 (ai-aj) sen2 (bi-bj)
2 3 -120 -150 -0,8660 -0,5000 0,4330 0,7500 0,2500
2 4 -20 -45 -0,3420 -0,7071 0,2418 0,1170 0,5000
2 5 110 125 0,9397 0,8192 0,7698 0,8830 0,6710
3 4 100 105 0,9848 0,9659 0,9513 0,9698 0,9330
3 5 230 275 -0,7660 -0,9962 0,7631 0,5868 0,9924
4 4 130 170 0,7660 0,1736 0,1330 0,5868 0,0302
Suma: 3,2920 3,8935 3,3766
Entonces:
3,2920
raa = = 0,9079
3,8935 ⋅ 3,3766
Si eliminamos i = 2, tenemos que raa = 0,87419. De modo que:
i eliminado 1 2 3 4 5
raa 0,908 0,874 0,929 0,891 0,874
Ahora calculamos la media y la varianza para determinar los intervalos de confianza:
r aa = 0,8951; 2
saa = 0,0005552
n ⋅ raa − ( n − 1) ⋅ r aa = 5 ⋅ 0,8941 − (5 − 1) ⋅ 0,8951 = 0,8917
sr2 0,005552
z 0,05(2 ) aa
= 1,96 = 0,0206
n 5
PORTADA ÍNDICE
Por tanto:
L1 = 0,8917 – 0,0206 = 0,8711 y L2 = 0,8917 + 0,0206 = 0,9123.
Como el intervalo de confianza no incluye al cero rechazamos H0: hay correlación.
5.3. CORRELACIÓN CIRCULAR-LINEAL
En muchos casos es necesario poder correlacionar variables lineales y circulares,

por ejemplo entre la dirección y la distancia a la que se desplazan algunos animales.
El coeficiente de correlación circular-lineal es el siguiente:
2
rXC + rXS
2
− 2 ⋅ rXC ⋅ rXS ⋅ rCS
ral =
1 − rCS2
El coeficiente de correlación oscila entre 0 y 1, por tanto no existen correlacio-

nes negativas. Si n es grande el nivel de significación puede obtenerse comparando
n ∙ r2al con una χ2α,2.
Ejercicio 31 (tomado de Zar, 1996). Deseamos saber si existe correlación entre la

dirección tomada por 7 aves y la distancia viajada. En este caso:
H0 = ρal = 0 y H A = ρal ≠ 0, con α = 0,05.
Distancia Dirección
seno coseno sen2 cos2 x2 x · cos x · sen sen · cos
(km) x (α)
48 190° -0,1736 -0,9848 0,0302 0,9699 2304 -47,2709 -8,3347 0,1710
55 160° 0,3420 -0,9397 0,1170 0,8830 3025 -51,6830 18,8111 -0,3214
26 210° -0,5000 -0,8660 0,2500 0,7500 676 -22,5168 -13,0000 0,4330
23 225° -0,7071 -0,7071 0,5000 0,5000 529 -16,2635 -16,2635 0,5000
22 220° -0,6428 -0,7660 0,4132 0,5868 484 -16,8529 -14,1414 0,4924
62 140° 0,6428 -0,7660 0,4132 0,5868 3844 -47,4945 39,8530 -0,4924
64 120° 0,8660 -0,5000 0,7500 0,2500 4096 -32,0000 55,4259 -0,4330
Suma = 300 -0,1727 -5,52972 2,4735 4,5265 14958 -234,0815 62,3504 0,3496
Por tanto disponemos de los siguientes resultados:
∑x i = 300 km; ∑x 2
i = 14952 km 2 ; ∑ senα = −0,1727°;
∑ sen α = 2,4735°;
2
∑ cosα = −5,52972°; ∑ cos α = 4,5265°;
2
Para la suma de los cuadrados aplicamos la siguiente ecuación:
( ∑ x )2
∑x 2
= ∑ x2 −
n
PORTADA ÍNDICE
De modo que:
3002
Suma de los cuadrados de x = 14952 − = 2100,86
7
( −0,1727)2
Suma de los cuadrados de seno α = 2,4735 − = 2,4692
7
( −5,5297)2
Suma de los cuadrados de coseno α = 4,5265 − = 0,1582
7
Suma de los productos de x por cos α = 48 · (–0,98481) + 55 · (–0,96969) + …… + 64

· (–0,5) – 300 · (–5,52972) / 7 = 2,908
Suma de los productos de x por sen α = 48 · (–0,17364) + 55 · (0,34202) + …… + 64
· (0,86603) – 300 · (–0,1727) / 7 = 67,90
Suma de los productos cos α por sen α = (-0,98481) · (–0,17364) + (–0,96969) · (0,34202)
+ …… + (–0,5) · (0,86603) – (–5,52972) (–0,1727) / 7 = 0,2139
Ya podemos obtener los coeficientes de correlación, aplicando la siguiente fórmula:
r=
∑ x ⋅y
∑ x ⋅∑ y
2 2
De modo que:
2,908
rx ,cosα = = 0,1594, por tanto: rx2,cosα = 0,02543
2100,86 ⋅ 0,1582
69,70
rx ,senα = = 0,9677, por tanto: rx2,senα = 0,9366
2100,86 ⋅ 2,4692
0,2139
rcosα ,senα = = 0,3421, por tanto: rcos2 α ,senα = 0,1170
2,4692 ⋅ 0,1582
De aquí obtenemos aplicando la siguiente ecuación, que:
rx2,cosα + rx2,senα − 2 ⋅ rx ,cosα ⋅ rx ,senα ⋅ rcosα ,senα

ral =
1 − rcos2 α ,senα
0,2543 + 0,9366 − 2 ⋅ 0,1594 ⋅ 0,9677 ⋅ 0,3421

ral = = 0,9854
1 − 0,1170
PORTADA ÍNDICE
Ahora calculamos:
n ∙ r nal = 7 · 0,9854 = 6,8978

Como χ20,05,2 = 5,991 no rechazamos H0. No hay correlación entre la dirección tomada
y la distancia en las aves estudiadas.
PORTADA ÍNDICE
CAPÍTULO 6
BIBLIOGRAFÍA
Batschelet, E. (1981). Circular Statistics in Biology. London: Academic Press.

Borycka, K. y Kasprzyk, I. (2018). Hourly pattern of allergenic alder and birch pollen con-
centrations in the air: Spatial differentiation and the effect of meteorological conditions.
Atmospheric Environment, 182: 179-192.
Cabrera, J.; Schmidt-Koening, K. y Watson, G.S. (1991). The statistical analysis of circular
data. En: P.P.G. Bateson y P.H. Kopler (eds): Human Understanding and Animal Awareness,
pp: 285-306. New York: Plenum Press.
Firdu, D. y Başpinar, E. (2017). Application of circular ANOVA on biological data: Case study
on Crimea-Congo hemorrhage fever cases in Turkey. International Annals of Medicine. 2017;
1(3). <https://doi.org/10.24087/IAM.2017.1.3.67>.
Fisher, N.I. (1953). Dispersion on a sphere. Proceedings of the Royal Society, London, 125: 54-59.
Fisher, N.I. (1993). Satistical Anlalysis of Circular Data. Cambridge: Cambridge University Press.
Fisher, N.I.; Lewis, T. y Embleton, B.J.J. (1987). Statistical Analysis of Spherical Data. Cambridge:
Cambridge University Press.
Flores Hernández, D.; Ramos Miranda, J. y Sosa López, A. 2007. Estadística Descriptiva, Pro-
babilidad y Pruebas de Hipótesis I. Universalidad Autónoma de Campeche. Facultad de
Ciencias Químico Biológicas.
Gill, J. y Hangartner, D. (2010). Circular data in political science and how to handle it. Political
Analysis, 18: 316-336.
Gorgas García, J.; Cardiel López, N. y Zamorano Calvo, J. 2011. Estadística básica para estudiantes
de Ciencias. Madrid: Universidad Complutense.
Hammer, O.; Harper, D.A.T. y Ryan, P.O.D. (2001). PAST: Paleontological Statistics Software
Package for Education and Data Analysis. Paleontologica Electronica, 4 (1): 9 pp.
Jammalamadaka, S.R. y SenGupta, A. (2001): Topics in circular statistics. Singapore: World
Scientific Publishing.
Karoly, Ph.J.; Goldenholz, D.M.; Freestone, D.R.; Mass, R.E.; Grayden, D.B.; Theodore, W.T. y
Cook, M.J. (2018). Circadian and circaseptan rhythms in human epilepsy: a retrospective
cohort study. Lancet Neurology, 17: 977-988.
Kovach, W.L. (2011). Oriana-Circular Statistics for Windows, ver. 4. Pentraeth, Wales: Kovach
Computing Services.
Ley, Ch. y Verdebout, Th. (2017). Modern Directional Statistics. London: CRC Press.
Mardia, K.V. (1972). Statistics of directional data. London: Academic Press.
Mardia, K.V. y Jupp, P.E. (2000). Directional statistics. Chichester: Wiley.
Oliveira, M.; Crujeiras, R.M. y Rodríguez-Casal, A. (2012). A plug-in rule for bandwidth selection
in circular density estimation. Computational Statistics and Data Analysis, 56: 3898-3908.
PORTADA ÍNDICE
Patricia, L.; Morellato, C.; Alberti, L.F. y Hudson, I.L., (2010). Applications of circular statis-
tics in plant phenology: a case studies approach. En: I.L. Hudson y M.R. Keatley (eds.),
Phenological Research: 339-359. Springer Science + Business Media.
Pewsey, A.; Neuhäuser,M. y Ruxton, G.D. (2013). Circular Statistics in R. New York: Oxford
University Press.
Schaaf, AA.; García, C.G.; Puechagut, P.B.; Silvetti, L.E. y Quaglia, A.I.E., (2018). Effect of
geographical latitude and sun exposure on Rofous Hornero (Furnarius rufus) nest orien-
tation. Journal of Ornithology, 159: 967-974.
Sokal, R.T.y Rohlf, F.J., (1979). Biometría. Principios y métodos estadísticos en la investigación
biológica. Madrid: Blume.
Sopini, F.; Rossano, C.; Marchetti, G.M. y Morgan, E. (2005). The role of the biological clock
in the sun compass orientation of free-running individuals of Talitrus saltator. Animal
Behaviour, 69: 835-843.
Tasdan, F. y Yenisay, O. (2014). Power study of circular ANOVA test against nonparametric
alternatives. Hacettepe Journal of Mathematics and Statistics, 43: 97-115.
Upton, G.J.G. y Fingleton, B. (1989). Spatial data analysis by example, Vol. 2: categorical and
directional data. New York: Jhon Wiley.
Wallraff, H.G. (1979). Goal-orientated and compass-oriented movements of displayed hom-
ing pigeons after confinement in differentially shielded aviaries. Behavioral Ecology and
Sociobiology, 5: 201-225.
Zar, J.H. (1984). Biostatistical analysis. New Jersey: Prentice Hall.
Zar, J.H. (1996). Biostatistical analysis. (3rd edition).New Jersey: Prentice Hall.
PORTADA ÍNDICE
ANEXO I
TABLAS
PORTADA ÍNDICE
Tabla A. Valores críticos para la z de Rayleigh (tomado de Zar, 1996)

α= α= α= α= α= α=
n α = 0,5 α = 0,2 α = 0,1
0,05 0,02 0,01 0,005 0,002 0,001
6 0,734 1,639 2,274 2,865 3,576 4,058 4,491 4,985 5,297
7 0,727 1,634 2,278 2,885 3,627 4,143 4,617 5,181 5,556
8 0,723 1,631 2,281 2,899 3,665 4,205 4,710 5,322 5,743
9 0,719 1,628 2,283 2,910 3,694 4,252 4,780 5,430 5,885
10 0,717 1,626 2,285 2,919 3,716 4,289 4,835 5,514 5,996
11 0,715 1,625 2,287 2,926 3,735 4,319 4,879 5,582 6,085
12 0,713 1,623 2,288 2,932 3,750 4,344 4,916 5,638 6,158
13 0,711 1,622 2,289 2,937 3,763 4,365 4,947 5,685 6,219
14 0,710 1,621 2,290 2,941 3,774 4,383 4,973 5,725 6,271
15 0,709 1,620 2,291 2,945 3,784 4,398 4,996 5,759 6,316
16 0,708 1,620 2,292 2,948 3,792 4,412 5,015 5,789 6,354
17 0,707 1,619 2,292 2,951 3,799 4,423 5,033 5,815 6,388
18 0,706 1,619 2,293 2,954 3,806 4,434 5,048 5,838 6,418
19 0,705 1,618 2,293 2,956 3,811 4,443 5,061 5,858 6,445
20 0,705 1,618 2,294 2,958 3,816 4,451 5,074 5,877 6,466
21 0,704 1,617 2,294 2,960 3,821 4,459 5,085 5,893 6,491
22 0,704 1,617 2,295 2,961 3,825 4,466 5,095 5,908 6,510
23 0,703 1,616 2,295 2,963 3,829 4,472 5,104 5,922 6,528
24 0,703 1,616 2,295 2,964 3,833 4,478 5,112 5,935 6,544
25 0,702 1,616 2,296 2,966 3,836 4,483 5,120 5,946 6,559
26 0,702 1,616 2,296 2,967 3,839 4,448 5,127 5,957 6,573
27 0,702 1,615 2,296 2,968 3,842 4,492 5,133 5,966 6,586
28 0,701 1,615 2,296 2,969 3,844 4,496 5,139 5,975 6,598
29 0,701 1,615 2,297 2,970 3,847 4,500 5,145 5,948 6,609
30 0,701 1,615 2,297 2,971 3,849 4,504 5,150 5,992 6,619
32 0,700 1,614 2,297 2,972 3,853 4,510 5,159 6,006 6,637
34 0,700 1,614 2,297 2,974 3,856 4,516 5,168 6,018 6,654
36 0,700 1,614 2,298 2,975 3,859 4,521 5,175 6,030 6,668
38 0,699 1,614 2,298 2,976 3,862 4,525 5,182 6,039 6,681
40 0,699 1,613 2,298 2,977 3,865 4,529 5,188 6,048 6,692
42 0,699 1,613 2,298 2,978 3,867 4,533 5,193 6,056 6,703
44 0,698 1,613 2,299 2,979 3,869 4,536 5,198 6,064 6,712
46 0,698 1,613 2,299 2,979 3,871 4,539 5,202 6,070 6,721
48 0,698 1,613 2,299 2,980 3,873 4,542 5,206 6,076 6,729
50 0,698 1,613 2,299 2,981 3,874 4,545 5,210 6,082 6,736
55 0,697 1,612 2,299 2,982 3,878 4,550 5,218 6,094 6,752
60 0,697 1,612 2,300 2,983 3,881 4,555 5,225 6,104 6,765
65 0,697 1,612 2,300 2,984 3,883 4,559 5,231 6,113 6,776
70 0,696 1,612 2,300 2,985 3,885 4,562 5,235 6,120 6,786
75 0,696 1,612 2,300 2,986 3,887 4,565 5,240 6,127 6,794
80 0,696 1,611 2,300 2,986 3,889 4,567 5,243 6,132 6,801
90 0,696 1,611 2,301 2,987 3,891 4,572 5,249 6,141 6,813
100 0,695 1,611 2,301 2,988 3,893 4,575 5,254 6,149 6,822
PORTADA ÍNDICE
Tabla B. Valores críticos para la m del test de Hodges-Ajne (tomado de Zar, 1996)
α= α= α= α= α= α=
n α = 0,5 α = 0,2 α = 0,1
0,05 0,02 0,01 0,005 0,002 0,001
4 0
5 0
6 0 0
7 0 0
8 1 0 0
9 1 0 0 0
10 1 1 0 0 0
11 2 1 1 0 0
12 2 1 1 0 0 0
13 3 2 1 1 0 0 0
14 3 2 1 1 0 0 0 0
15 3 2 2 1 1 0 0 0 0
16 4 3 2 2 1 1 0 0 0
17 4 3 2 2 1 1 1 0 0
18 4 3 3 2 2 1 1 0 0
19 5 4 3 3 2 2 1 1 0
20 5 4 3 3 2 2 1 1 1
21 6 4 4 3 3 2 2 1 1
22 6 5 4 4 3 2 2 2 1
23 6 5 4 4 3 3 2 2 1
24 7 6 5 4 3 3 3 2 2
25 7 6 5 5 4 3 3 2 2
26 8 6 6 5 4 4 3 3 2
27 8 7 6 5 4 4 4 3 3
28 8 7 6 6 5 4 4 3 3
29 9 7 7 6 5 5 4 4 3
30 9 8 7 6 6 5 4 4 3
31 10 8 7 7 6 5 5 4 4
32 10 9 8 7 6 6 5 4 4
33 11 9 8 7 7 6 5 5 4
34 11 9 9 8 7 6 6 5 5
35 11 10 9 8 7 7 6 5 5
36 12 10 9 9 8 7 6 6 5
37 12 11 10 9 8 7 7 6 6
38 13 11 10 9 8 8 7 6 6
39 13 11 10 10 9 8 7 7 6
40 13 12 11 10 9 8 8 7 7
41 14 12 11 10 9 9 8 7 7
42 14 13 12 11 10 9 9 8 7
43 15 13 12 11 10 9 9 8 8
44 15 13 12 12 11 10 9 8 8
45 16 14 13 12 11 10 10 9 8
46 16 14 13 12 11 11 10 9 9
47 16 15 14 13 12 11 10 10 9
48 17 15 14 13 12 11 11 10 9
49 17 15 14 13 12 12 11 10 10
50 18 16 15 14 13 12 11 11 10
PORTADA ÍNDICE
Tabla C. Valores críticos para la u del test de la V (tomado de Bastchelet, 1981)

n α = 0,1 α = 0,05 α = 0,01 α = 0,005 α = 0,001 α = 0,0001
5 1,3051 1,6524 2,2505 2,4459 2,7938 3,0825
6 1,3009 1,6509 2,2640 2,4695 2,8502 3,2114
7 1,2980 1,6499 2,2734 2,4858 2,8886 3,2970
8 1,2958 1,6492 2,2803 2,4978 2,9164 3,3358
9 1,2942 1,6484 2,2856 2,5070 2,9375 3,4034
10 1,2929 1,6482 2,2899 2,5143 2,9540 3,4387
11 1,2918 1,6479 2,2933 2,5201 2,9672 3,4669
12 1,2909 1,6476 2,2961 2,5250 2,9782 3,4899
13 1,2902 1,6474 2,2985 2,5290 2,9873 3,5091
14 1,2895 1,6472 2,3006 2,5325 2,9950 3,5253
15 1,2890 1,6470 2,3023 2,5355 3,0017 3,5392
16 1,2885 1,6469 2,3039 2,5381 3,0075 3,5512
17 1,2881 1,6467 2,3052 2,5404 3,0126 3,5617
18 1,2877 1,6466 2,3064 2,5424 3,0171 3,5710
19 1,2874 1,6465 2,3075 2,5442 3,0211 3,5792
20 1,2871 1,6464 2,3085 2,5458 3,0247 3,5866
21 1,2868 1,6464 2,3093 2,5473 3,0279 3,5932
22 1,2866 1,6463 2,3101 2,5486 3,0308 3,5992
23 1,2864 1,6462 2,3108 2,5498 3,0335 3,6047
24 1,2862 1,6462 2,3115 2,5509 3,0359 3,6096
25 1,2860 1,6461 2,3121 2,5519 3,0382 3,6142
26 1,2858 1,6461 2,3127 2,5529 3,0402 3,6118
27 1,2856 1,6460 2,3132 2,5538 3,0421 3,6293
28 1,2855 1,6460 2,3136 2,5546 3,0439 3,6258
29 1,2853 1,6459 2,3141 2,5553 3,0455 6,6292
30 1,2852 1,6459 2,3145 2,5560 3,0471 3,6323
40 1,2843 1,6456 2,3175 2,5610 3,0580 3,6545
50 1,2837 1,6455 2,3193 2,5640 3,0646 3,6677
60 1,2834 1,6454 2,3205 2,5660 3,0689 3,6764
70 1,2831 1,6453 2,3213 2,5674 3,0720 3,6826
100 1,2826 1,6452 2,3228 2,5699 3,0775 3,6936
500 1,2818 1,6449 2,3256 2,5747 3,0877 3,7140
1000 1,2817 1,6449 2,3260 2,5772 3,0890 3,7165
PORTADA ÍNDICE
Tabla D. Valores críticos para la U del test de Rao (tomado de

Batschelet, 1981)
n α = 0,01 α = 0,05 α = 0,1
4 221,0 186,5 171,7
5 212,0 183,6 168,8
6 206,0 180,7 166,3
7 202,7 177,8 164,9
8 198,4 175,7 163,4
9 195,1 173,5 162,4
10 192,2 172,1 161,3
11 189,7 170,3 160,2
12 187,6 169,2 159,2
13 185,5 167,8 158,4
14 184,0 166,7 157,7
15 182,2 165,6 157,0
16 180,7 164,9 156,6
17 179,6 164,2 155,9
18 178,2 163,1 155,2
19 177,1 162,4 154,8
20 176,0 161,6 154,4
25 171,9 158,9 152,7
30 168,8 156,7 151,4
35 166,4 155,0 150,3
40 164,4 153,6 149,5
45 162,7 152,4 148,7
50 161,2 151,4 148,1
100 152,8 146,8 143,7
200 146,8 142,6 140,4
PORTADA ÍNDICE
Tabla E. Valores críticos para la K del test de Kuiper (tomado de Batschelet, 1981)
α= α= α= α= α= α=
n α = 0,5 α = 0,2 α = 0,1
0,05 0,02 0,01 0,005 0,002 0,001
5 1,102 1,330 1,458 1,565 1,682 1,763 1,838 1,920 1,970
6 1,109 1,341 1,471 1,582 1,711 1,793 1,867 1,957 2,020
7 1,116 1,350 1,483 1,598 1,727 1,814 1,894 1,987 2,051
8 1,122 1,357 1,493 1,608 1,741 1,830 1,911 2,009 2,077
9 1,127 1,364 1,500 1,618 1,752 1,843 1,926 2,027 2,097
10 1,131 1,370 1,507 1,625 1,761 1,854 1,938 2,041 2,113
11 1,134 1,374 1,513 1,631 1,769 1,862 1,948 2,053 2,126
12 1,138 1,378 1,517 1,637 1,776 1,876 1,957 2,062 2,137
13 1,141 1,382 1,522 1,642 1,782 1,870 1,964 2,071 2,146
14 1,143 1,385 1,525 1,646 1,787 1,882 1,970 2,078 2,154
15 1,146 1,388 1,529 1,650 1,791 1,887 1,976 2,085 2,161
16 1,148 1,391 1,532 1,653 1,795 1,892 1,981 2,090 2,168
17 1,150 1,393 1,534 1,657 1,799 1,896 1,986 2,096 2,173
18 1,152 1,396 1,537 1,659 1,802 1,899 1,990 2,100 2,178
19 1,154 1,398 1,539 1,662 1,805 1,903 1,993 2,104 2,183
20 1,155 1,400 1,541 1,664 1,808 1,906 1,997 2,108 2,187
21 1,157 1,401 1,543 1,667 1,810 1,908 2,000 2,112 2,191
22 1,158 1,403 1,545 1,669 1,813 1,911 2,003 2,115 2,194
23 1,159 1,405 1,547 1,670 1,815 1,913 2,005 2,118 2,198
24 1,161 1,406 1,549 1,672 1,817 1,916 2,008 2,121 2,201
25 1,162 1,407 1,550 1,674 1,819 1,918 2,010 2,123 2,203
30 1,167 1,413 1,556 1,681 1,826 1,926 2,019 2,134 2,215
35 1,171 1,417 1,561 1,686 1,832 1,933 2,026 2,141 2,223
40 1,174 1,421 1,565 1,690 1,837 1,938 2,032 2,148 2,23
45 1,177 1,424 1,568 1,694 1,841 1,942 2,036 2,152 2,235
50 1,179 1,427 1,571 1,697 1,844 1,946 2,040 2,157 2,239
100 1,191 1,442 1,588 1,714 1,862 1,965 2,060 2,178 2,262
200 1,200 1,453 1,600 1,726 1,876 1,979 2,075 2,194 2,279
500 1,208 1,462 1,610 1,737 1,887 1,990 2,087 2,207 2,292
∞ 1,216 1,472 1,620 1,747 1,898 2,001 2,098 2,218 2,303
PORTADA ÍNDICE
Tabla F. Valores críticos para la chi-cuadrado

u α = 0,20 0,10 0,05 0,025 0,02 0,01 0,005 0,001
1 1,642 2,706 3,841 5,024 5,412 6,635 7,879 10,828
2 3,219 4,605 5,991 7,378 7,824 9,210 10,597 13,816
3 4,642 6,251 7,815 9,348 9,837 11,345 12,838 16,266
4 5,989 7,779 9,488 11,143 11,668 13,277 14,860 18,467
5 7,289 9,236 11,070 12,833 13,388 15,086 16,750 20,515
6 8,558 10,645 12,592 14,449 15,033 16,812 18,548 22,458
7 9,803 12,017 14,067 16,013 16,622 18,475 20,278 24,322
8 11,030 13,362 15,507 17,535 18,168 20,090 21,955 26,124
9 12,242 14,684 16,919 19,023 19,679 21,666 23,589 27,877
10 13,442 15,987 18,307 20,483 21,161 23,209 25,188 29,588
11 14,631 17,275 19,675 21,920 22,618 24,725 26,757 31,264
12 15,812 18,549 21,026 23,337 24,054 26,217 28,300 32,909
13 16,985 19,812 22,362 24,736 25,472 27,688 29,819 34,528
14 18,151 21,064 23,685 26,119 26,873 29,141 31,319 36,123
15 19,311 22,307 24,996 27,488 28,259 30,578 32,801 37,697
16 20,465 23,542 26,296 28,845 29,633 32,000 34,267 39,252
17 21,615 24,769 27,587 30,191 30,995 33,409 35,718 40,790
18 22,760 25,989 28,869 31,526 32,346 34,805 37,156 42,312
19 23,900 27,204 30,144 32,852 33,687 36,191 38,582 43,820
20 25,038 28,412 31,410 34,170 35,020 37,566 39,997 45,315
21 26,171 29,615 32,671 35,479 36,343 38,932 41,401 46,797
22 27,301 30,813 33,924 36,781 37,659 40,289 42,796 48,268
23 28,429 32,007 35,172 38,076 38,968 41,638 44,181 49,728
24 29,553 33,196 36,415 39,364 40,270 42,980 45,559 51,179
25 30,675 34,382 37,652 40,646 41,566 44,314 46,928 52,620
26 31,795 35,563 38,885 41,923 42,856 45,642 48,290 54,052
27 32,912 36,741 40,113 43,195 44,140 46,963 49,645 55,476
28 34,027 37,916 41,337 44,461 45,419 48,278 50,993 56,892
29 35,139 39,087 42,557 45,722 46,693 49,588 52,336 58,301
30 36,250 40,256 43,773 46,979 47,962 50,892 53,672 59,70
PORTADA ÍNDICE
Tabla G. Valores críticos para la U2 del test de Watson (tomado de Zar, 1996)
n1 n2 α = 0,5 α = 0,2 α = 0,1 α = 0,05 α = 0,02 α = 0,01 α = 0,005 α = 0,002 α = 0,001
4 4 0,1172 0,1875 **** **** **** **** **** **** ****
4 5 0,0815 0,2037 0,2037 **** **** **** **** **** ****
4 6 0,0875 0,1333 0,2167 0,2167 **** **** **** **** ****
4 7 0,0844 0,1299 1,1688 0,2273 **** **** **** **** ****
4 8 0,0903 0,1319 0,1362 0,2631 **** **** **** **** ****
4 9 0,0855 0,1282 0,1752 0,2436 0,2436 **** **** **** ****
4 10 0,0804 0,1232 0,1571 0,2018 0,2500 **** **** **** ****
4 11 0,0828 0,1253 0,1556 0,1949 0,2556 **** **** **** ****
4 12 0,0781 0,1302 0,1563 0,2031 0,2604 0,2604 **** **** ****
4 13 0,0792 0,1244 0,1538 0,1855 0,2647 0,2647 **** **** ****
4 14 0,0780 0,1227 0,1534 0,1931 0,2298 0,2685 **** **** ****
4 15 0,0789 0,1228 0,1561 0,1807 0,2298 0,2719 0,2719 **** ****
4 16 0,0781 0,1250 0,1531 0,1836 0,2281 0,2750 0,2750 **** ****
4 17 0,0775 0,1223 0,1531 0,1839 0,2330 0,2778 0,2778 **** ****
4 18 0,0764 0,1212 0,1490 0,1818 0,2197 0,2481 0,2803 **** ****
4 19 0,0755 0,1213 0,1533 0,1796 0,2220 0,2517 0,2826 **** ****
4 20 0,0764 0,1201 0,1535 0,1842 0,2264 0,2451 0,2847 **** ****
4 21 0,0752 0,1200 0,1514 0,1819 0,2143 0,2486 0,2867 0,2867 ****
4 22 0,0756 0,1211 0,1508 0,1823 0,2185 0,2517 0,2885 0,2885 ****
4 23 0,0751 0,1194 0,1508 0,1814 0,2177 0,2394 0,2636 0,2901 ****
4 24 0,0755 0,1202 0,1499 0,1797 0,2184 0,2411 0,2660 0,2917 ****
4 25 0,0752 0,1200 0,1497 0,1814 0,2152 0,2441 0,2600 0,2931 ****
4 26 0,0752 0,1191 0,1486 0,1816 0,2175 0,2396 0,2624 0,2494 ****
4 27 0,0753 0,1139 0,1505 0,1786 0,2151 0,2360 0,2646 0,2957 0,2957
4 28 0,0748 0,1203 0,1496 0,1775 0,2165 0,2388 0,2667 0,2969 0,2969
4 29 0,0749 0,1198 0,1491 0,1794 0,2165 0,2369 0,2557 0,2980 0,2980
4 30 0,0745 0,1196 0,1493 0,1797 0,2140 0,2395 0,2578 0,2990 0,2990
5 5 0,0890 0,1610 0,2250 0,2250 **** **** **** **** ****
5 6 0,0848 0,1333 0,1818 0,2424 **** **** **** **** ****
5 7 0,0846 0,1284 0,1712 0,1998 0,2569 **** **** **** ****
5 8 0,0855 0,1308 0,1654 0,2154 0,2692 **** **** **** ****
5 9 0,0798 0,1242 0,1591 0,1909 0,2798 0,2798 **** **** ****
5 10 0,0836 0,1236 0,1609 0,1956 0,2409 0,2889 0,2889 **** ****
5 11 0,0810 0,1241 0,1560 0,1901 0,2287 0,2969 0,2969 **** ****
5 12 0,0784 0,1235 0,1549 0,1863 0,2255 0,2608 0,3039 **** ****
5 13 0,0777 0,1256 0,1563 0,1837 0,2298 0,2692 0,3102 **** ****
5 14 0,0782 0,1218 0,1534 0,1820 0,2211 0,2571 0,2767 0,3158 ****
5 15 0,0782 0,1235 0,1515 0,1835 0,2248 0,2515 0,2835 0,3208 ****
5 16 0,7660 0,1206 0,1552 0,1825 0,2230 0,2552 0,2897 0,3254 ****
5 17 0,0761 0,1199 0,1520 0,1820 0,2205 0,2472 0,2782 0,3295 0,3295
5 18 0,0763 0,1208 0,1536 0,1797 0,2164 0,2464 0,2715 0,3338 0,3338
5 19 0,0754 0,1201 0,1517 0,1824 0,2193 0,2526 0,2745 0,3052 0,3368
5 20 0,0760 0,1216 0,1520 0,1824 0,2200 0,2416 0,2664 0,3096 0,3400
PORTADA ÍNDICE
Tabla G. Valores críticos para la U2 del test de Watson (tomado de Zar, 1996) (cont.)
n1 n2 α = 0,5 α = 0,2 α = 0,1 α = 0,05 α = 0,02 α = 0,01 α = 0,005 α = 0,002 α = 0,001
5 21 0,0755 0,1195 0,1510 0,1810 0,2206 0,2448 0,2712 0,2990 0,3429
5 22 0,0756 0,1201 0,1524 0,1820 0,2191 0,2426 0,2689 0,3033 0,3457
5 23 0,0755 0,1196 0,1513 0,1811 0,2178 0,2451 0,2737 0,2963 0,3209
5 24 0,0747 0,1195 0,1511 0,1810 0,2190 0,2437 0,2736 0,2993 0,3241
5 25 0,0754 0,1197 0,1517 0,1810 0,2166 0,2461 0,2674 0,3021 0,3272
5 26 0,0749 0,1186 0,1514 0,1806 0,2189 0,2447 0,2675 0,2943 0,3176
5 27 0,0748 0,1193 0,1508 0,1804 0,2165 0,2443 0,2674 0,2975 0,3207
5 28 0,0746 0,1188 0,1512 0,1802 0,2170 0,2417 0,2694 0,2937 0,3136
5 29 0,0743 0,1189 0,1510 0,1802 0,2171 0,2443 0,2666 0,2790 0,3153
5 30 0,0743 0,1189 0,1512 0,1802 0,2160 0,2419 0,2678 0,2979 0,3181
6 6 0,0880 0,1319 0,1713 0,2060 0,2639 **** **** **** ****
6 7 0,0806 0,1209 0,1538 0,1941 0,2821 0,2821 **** **** ****
6 8 0,0833 0,1265 0,1607 0,1964 0,2455 0,2976 0,2976 **** ****
6 9 0,0815 0,1259 0,1556 0,1926 0,2321 0,2617 0,3111 **** ****
6 10 0,0771 0,1260 0,1563 0,1896 0,2313 0,2479 0,3229 0,3229 ****
6 11 0,0784 0,1212 0,1569 0,1872 0,2246 0,2620 0,2888 0,3333 ****
6 12 0,0802 0,1242 0,1551 0,1829 0,2261 0,2593 0,2747 0,3426 0,3426
6 13 0,0769 0,1215 0,1538 0,1849 0,2213 0,2497 0,2780 0,3509 0,3509
6 14 0,0768 0,1220 0,1536 0,1839 0,2250 0,2506 0,2821 0,3196 0,3583
6 15 0,0762 0,1217 0,1524 0,1852 0,2201 0,2487 0,2730 0,3058 0,3651
6 16 0,0758 0,1212 0,1534 0,1823 0,2235 0,2500 0,2789 0,3073 0,3357
6 17 0,0750 0,1211 0,1526 0,1833 0,2199 0,2472 0,2745 0,3129 0,3427
6 18 0,0760 0,1211 0,1535 0,1840 0,2199 0,2461 0,2739 0,2998 0,3298
6 19 0,0751 0,1200 0,1523 0,1832 0,2204 0,2498 0,2744 0,3060 0,3298
6 20 0,0747 0,1196 0,1526 0,1824 0,2196 0,2490 0,2734 0,3077 0,3333
6 21 0,0758 0,1205 0,1523 0,1834 0,2205 0,2475 0,2734 0,3057 0,3369
6 22 0,0749 0,1204 0,1518 0,1824 0,2202 0,2473 0,2752 0,3036 0,3260
6 23 0,0745 0,1194 0,1514 0,1824 0,2194 0,2469 0,2729 0,3073 0,3273
6 24 0,0743 0,1194 0,1519 0,1826 0,2206 0,2484 0,2715 0,3056 0,3289
6 25 0,0744 0,1191 0,1514 0,1819 0,2202 0,2473 0,2731 0,3015 0,3277
6 26 0,0739 0,1188 0,1510 0,1815 0,2198 0,2464 0,2710 0,3047 0,3265
6 27 0,0741 0,1193 0,1515 0,1822 0,2200 0,2469 0,2731 0,3053 0,3281
6 28 0,0737 0,1190 0,1507 0,1821 0,2201 0,2467 0,2731 0,3039 0,3270
6 29 0,0736 0,1189 0,1511 0,1816 0,2200 0,2473 0,2719 0,3038 0,3258
6 30 0,0736 0,1193 0,1509 0,1823 0,2194 0,2471 0,2725 0,3045 0,3262
7 7 0,0791 0,1345 0,1578 0,1986 0,2511 0,3036 0,3036 **** ****
7 8 0,0794 0,1198 0,1556 0,1817 0,2246 0,2722 0,3222 **** ****
7 9 0,0786 0,1223 0,1560 0,1818 0,2215 0,2552 0,2909 0,3385 ****
7 10 0,0773 0,1227 0,1546 0,1866 0,2269 0,2622 0,2773 0,3529 0,3529
7 11 0,0771 0,1219 0,1551 0,1839 0,2214 0,2532 0,2806 0,3225 0,3657
7 12 0,0764 0,1216 0,1541 0,1855 0,2256 0,2519 0,2757 0,3083 0,3772
7 13 0,0765 0,1216 0,1545 0,1842 0,2227 0,2523 0,2776 0,3150 0,3479
7 14 0,0761 0,1228 0,1568 0,1840 0,2248 0,2530 0,2744 0,3210 0,3337
PORTADA ÍNDICE
n1 n2 α = 0,5 α = 0,2 α = 0,1 α = 0,05 α = 0,02 α = 0,01 α = 0,005 α = 0,002 α = 0,001
7 15 0,0754 0,1213 0,1525 0,1845 0,2235 0,2503 0,2780 0,3118 0,3378
7 16 0,0753 0,1203 0,1530 0,1848 0,2236 0,2508 0,2772 0,3113 0,3432
7 17 0,0749 0,1204 0,1526 0,1827 0,2227 0,2500 0,2752 0,3109 0,3340
7 18 0,0749 0,1200 0,1524 0,1841 0,2235 0,2502 0,2768 0,3117 0,3346
7 20 0,0743 0,1198 0,1526 0,1832 0,2219 0,2499 0,2780 0,3081 0,3330
7 21 0,0751 0,1203 0,1534 0,1840 0,2240 0,2496 0,2782 0,3123 0,3336
7 22 0,0743 0,1196 0,1518 0,1832 0,2221 0,2512 0,2763 0,3090 0,3341
7 23 0,0739 0,1194 0,1522 0,1832 0,2226 0,2499 0,2780 0,3103 0,3327
8 8 0,0781 0,1250 0,1563 0,1836 0,2256 0,2500 0,2959 0,3438 ****
8 9 0,0784 0,1225 0,1552 0,1863 0,2255 0,2582 0,2827 0,3627 0,3627
8 10 0,0775 0,1220 0,1546 0,1852 0,2220 0,2491 0,2796 0,3359 0,3796
8 11 0,0766 0,1220 0,1543 0,1842 0,2249 0,2524 0,2799 0,3194 0,3529
8 12 0,0766 0,1208 0,1557 0,1854 0,2229 0,2521 0,2807 0,3167 0,3396
8 13 0,0754 0,1212 0,1532 0,1853 0,2237 0,2531 0,2778 0,3135 0,3446
8 14 0,0751 0,1205 0,1530 0,1655 0,2224 0,2516 0,2796 0,3137 0,3381
8 15 0,0746 0,1210 0,1536 0,1855 0,2232 0,2507 0,2783 0,3130 0,3341
8 16 0,0761 0,1220 0,1542 0,1854 0,2222 0,2531 0,2795 0,3156 0,3414
8 17 0,0747 0,1200 0,1529 0,1841 0,2241 0,2524 0,2782 0,3124 0,3388
8 18 0,0748 0,1190 0,1528 0,1840 0,2244 0,2513 0,2813 0,3152 0,3397
8 19 0,0742 0,1196 0,1527 0,1839 0,2243 0,2526 0,2799 0,3143 0,3384
8 20 0,0741 0,1196 0,1527 0,1839 0,2239 0,2527 0,2795 0,3134 0,3393
9 9 0,0770 0,1250 0,1152 0,1867 0,2251 0,2663 0,2855 0,3404 0,3843
9 10 0,0760 0,1216 0,1544 0,1860 0,2257 0,2538 0,2865 0,3205 0,3614
9 11 0,0764 0,1208 0,1542 0,1845 0,2249 0,2552 0,2814 0,3168 0,3410
9 12 0,0767 0,1217 0,1543 0,1852 0,2257 0,2540 0,2804 0,3157 0,3395
9 13 0,0755 0,1205 0,1532 0,1850 0,2247 0,2526 0,2798 0,3187 0,3389
9 14 0,0752 0,1201 0,1532 0,1853 0,2243 0,2526 0,2809 0,3168 0,3409
9 15 0,0757 0,1201 0,1535 0,1850 0,2245 0,2541 0,2831 0,3152 0,3393
9 16 0,0744 0,1200 0,1533 0,1850 0,2244 0,2539 0,2822 0,3172 0,3439
10 10 0,0750 0,1225 0,1545 0,1850 0,2250 0,2545 0,2825 0,3170 0,3450
10 11 0,0756 0,1215 0,1544 0,1856 0,2237 0,2548 0,2791 0,3172 0,3405
10 12 0,0758 0,1212 0,1534 0,1848 0,2246 0,2545 0,2818 0,3155 0,3409
10 13 0,0749 0,1204 0,1532 0,1853 0,2254 0,2542 0,2816 0,3184 0,3452
10 14 0,0749 0,1201 0,1535 0,1847 0,2252 0,2550 0,2823 0,3181 0,3439
10 15 0,0747 0,1211 0,1536 0,1856 0,2256 0,2549 0,2837 0,3189 0,3440
11 11 0,0760 0,1211 0,1541 0,1857 0,2232 0,2540 0,2826 0,3194 0,3442
11 12 0,0751 0,1206 0,1535 0,1851 0,2253 0,2543 0,2839 0,3182 0,3439
11 13 0,0746 0,1206 0,1532 0,1853 0,2255 0,2546 0,2838 0,3193 0,3461
12 12 0,0752 0,1215 0,1528 0,1863 0,2266 0,2558 0,2844 0,3192 0,3438
14 14 0,0700 0,1170 0,1510 0,1830 0,2260 0,2580 0,2890 0,3300 0,3610
16 16 0,0700 0,1170 0,1510 0,1840 0,2270 0,2590 0,2910 0,3320 0,3640
18 18 0,0700 0,1170 0,1510 0,1840 0,2280 0,2600 0,2920 0,3340 0,3660
20 20 0,0590 0,1170 0,1510 0,1850 0,2280 0,2610 0,2930 0,3350 0,3670
PORTADA ÍNDICE
n1 n2 α = 0,5 α = 0,2 α = 0,1 α = 0,05 α = 0,02 α = 0,01 α = 0,005 α = 0,002 α = 0,001
25 25 0,0690 0,1170 0,1520 0,1850 0,2290 0,2620 0,2950 0,3380 0,3700
30 30 0,0690 0,1170 0,1520 0,1860 0,2300 0,2630 0,2960 0,3390 0,3720
35 35 0,0690 0,1170 0,1520 0,1860 0,2310 0,2640 0,2970 0,3400 0,3730
40 40 0,0690 0,1170 0,1520 0,1860 0,2310 0,2640 0,2980 0,3410 0,3740
50 50 0,0690 0,1170 0,1520 0,1870 0,2310 0,2650 0,2990 0,3430 0,3760
60 60 0,0690 0,1170 0,1520 0,1870 0,2320 0,2660 0,2990 0,3430 0,3770
80 80 0,0690 0,1170 0,1520 0,1870 0,2320 0,2660 0,3000 0,3440 0,3780
100 100 0,0690 0,1170 0,1520 0,1870 0,2330 0,2670 0,3000 0,3450 0,3780
∞ ∞ 0,0710 0,1167 0,1518 0,1869 0,2333 0,2684 0,3035 0,3500 0,3851
PORTADA ÍNDICE
Tabla H. Valores críticos para la F de Snedecor (α = 0,10)
144
u
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
v
1 39,86 49,50 53,59 55,83 57,24 58,20 58,91 59,44 59,86 60,19 60,71 61,22 61,74 62,00 62,26 62,53 62,79 63,06
2 8,53 9,00 9,16 9,24 9,29 9,33 9,35 9,37 9,38 9,39 9,41 9,42 9,44 9,45 9,46 9,47 9,47 9,48
3 5,54 5,46 5,39 5,34 5,31 5,28 5,27 5,25 5,24 5,23 5,22 5,20 5,18 5,18 5,17 5,16 5,15 5,14
4 4,54 4,32 4,19 4,11 4,05 4,01 3,98 3,95 3,94 3,92 3,90 3,87 3,84 3,83 3,82 3,80 3,79 3,78
5 4,06 3,78 3,62 3,52 3,45 3,40 3,37 3,34 3,32 3,30 3,27 3,24 3,21 3,19 3,17 3,16 3,14 3,12
6 3,78 3,46 3,29 3,18 3,11 3,05 3,01 2,98 2,96 2,94 2,90 2,87 2,84 2,82 2,80 2,78 2,76 2,74
PORTADA
7 3,59 3,26 3,07 2,96 2,88 2,83 2,78 2,75 2,72 2,70 2,67 2,63 2,59 2,58 2,56 2,54 2,51 2,49
8 3,46 3,11 2,92 2,81 2,73 2,67 2,62 2,59 2,56 2,54 2,50 2,46 2,42 2,40 2,38 2,36 2,34 2,32
9 3,36 3,01 2,81 2,69 2,61 2,55 2,51 2,47 2,44 2,42 2,38 2,34 2,30 2,28 2,25 2,23 2,21 2,18
10 3,29 2,92 2,73 2,61 2,52 2,46 2,41 2,38 2,35 2,32 2,28 2,24 2,20 2,18 2,16 2,13 2,11 2,08
11 3,23 2,86 2,66 2,54 2,45 2,39 2,34 2,30 2,27 2,25 2,21 2,17 2,12 2,10 2,08 2,05 2,03 2,00
12 3,18 2,81 2,61 2,48 2,39 2,33 2,28 2,24 2,21 2,19 2,15 2,10 2,06 2,04 2,01 1,99 1,96 1,93
13 3,14 2,76 2,56 2,43 2,35 2,28 2,23 2,20 2,16 2,14 2,10 2,05 2,01 1,98 1,96 1,93 1,90 1,88
14 3,10 2,73 2,52 2,39 2,31 2,24 2,19 2,15 2,12 2,10 2,05 2,01 1,96 1,94 1,91 1,89 1,86 1,83
15 3,07 2,70 2,49 2,36 2,27 2,21 2,16 2,12 2,09 2,06 2,02 1,97 1,92 1,90 1,87 1,85 1,82 1,79
16 3,05 2,67 2,46 2,33 2,24 2,18 2,13 2,09 2,06 2,03 1,99 1,94 1,89 1,87 1,84 1,81 1,78 1,75
17 3,03 2,64 2,44 2,31 2,22 2,15 2,10 2,06 2,03 2,00 1,96 1,91 1,86 1,84 1,81 1,78 1,75 1,72
18 3,01 2,62 2,42 2,29 2,20 2,13 2,08 2,04 2,00 1,98 1,93 1,89 1,84 1,81 1,78 1,75 1,72 1,69
19 2,99 2,61 2,40 2,27 2,18 2,11 2,06 2,02 1,98 1,96 1,91 1,86 1,81 1,79 1,76 1,73 1,70 1,67
20 2,97 2,59 2,38 2,25 2,16 2,09 2,04 2,00 1,96 1,94 1,89 1,84 1,79 1,77 1,74 1,71 1,68 1,64
ÍNDICE
21 2,96 2,57 2,36 2,23 2,14 2,08 2,02 1,98 1,95 1,92 1,87 1,83 1,78 1,75 1,72 1,69 1,66 1,62
22 2,95 2,56 2,35 2,22 2,13 2,06 2,01 1,97 1,93 1,90 1,86 1,81 1,76 1,73 1,70 1,67 1,64 1,60
23 2,94 2,55 2,34 2,21 2,11 2,05 1,99 1,95 1,92 1,89 1,84 1,80 1,74 1,72 1,69 1,66 1,62 1,59
24 2,93 2,54 2,33 2,19 2,10 2,04 1,98 1,94 1,91 1,88 1,83 1,78 1,73 1,70 1,67 1,64 1,61 1,57
25 2,92 2,53 2,32 2,18 2,09 2,02 1,97 1,93 1,89 1,87 1,82 1,77 1,72 1,69 1,66 1,63 1,59 1,56
26 2,91 2,52 2,31 2,17 2,08 2,01 1,96 1,92 1,88 1,86 1,81 1,76 1,71 1,68 1,65 1,61 1,58 1,54
27 2,90 2,51 2,30 2,17 2,07 2,00 1,95 1,91 1,87 1,85 1,80 1,75 1,70 1,67 1,64 1,60 1,57 1,53
Tabla H. Valores críticos para la F de Snedecor (α = 0,10) (cont.)
u
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
v
Introducción
28 2,89 2,50 2,29 2,16 2,06 2,00 1,94 1,90 1,87 1,84 1,79 1,74 1,69 1,66 1,63 1,59 1,56 1,52
a la
29 2,89 2,50 2,28 2,15 2,06 1,99 1,93 1,89 1,86 1,83 1,78 1,73 1,68 1,65 1,62 1,58 1,55 1,51
30 2,88 2,49 2,28 2,14 2,05 1,98 1,93 1,88 1,85 1,82 1,77 1,72 1,67 1,64 1,61 1,57 1,54 1,50
40 2,84 2,44 2,23 2,09 2,00 1,93 1,87 1,83 1,79 1,76 1,71 1,66 1,61 1,57 1,54 1,51 1,47 1,42
60 2,79 2,39 2,18 2,04 1,95 1,87 1,82 1,77 1,74 1,71 1,66 1,60 1,54 1,51 1,48 1,44 1,40 4,35
120 2,75 2,35 2,13 1,99 1,90 1,82 1,77 1,72 1,68 1,65 1,60 1,55 1,48 1,45 1,41 1,37 1,32 1,26
PORTADA
∞ 2,71 2,30 2,08 1,94 1,85 1,77 1,72 1,67 1,63 1,60 1,55 1,49 1,42 1,38 1,34 1,30 1,24 1,17
ÍNDICE
Estadística Circular145
146
u
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
v
1 161,4 199,5 215,7 224,6 230,2 234,0 236,8 238,9 240,5 241,9 243,9 245,9 248,0 249,1 250,1 251,1 252,2 253,3
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40 19,41 19,43 19,45 19,45 19,46 19,47 19,48 19,49
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,74 8,70 8,66 8,64 8,62 8,59 8,57 8,55
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,91 5,86 5,80 5,77 5,75 5,72 5,69 5,66
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,68 4,62 4,56 4,53 4,50 4,46 4,43 4,40
6 6,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 4,00 3,94 3,87 3,84 3,81 3,77 3,74 3,70
PORTADA
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,57 3,51 3,44 3,41 3,38 3,34 3,30 3,27
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,28 3,22 3,15 3,12 3,08 3,04 3,01 2,97
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,07 3,01 2,94 2,90 2,86 2,83 2,79 2,75
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,91 2,85 2,77 2,74 2,70 2,66 2,62 2,58
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,79 2,72 2,65 2,61 2,57 2,53 2,49 2,45
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,69 2,62 2,54 2,51 2,47 2,43 2,38 2,34
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,60 2,53 2,46 2,42 2,38 2,34 2,30 2,25
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,53 2,46 2,39 2,35 2,31 2,27 2,22 2,18
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,48 2,40 2,33 2,29 2,25 2,20 2,16 2,11
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,42 2,35 2,28 2,24 2,19 2,15 2,11 2,06
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,38 2,31 2,23 2,19 2,15 2,10 2,06 2,01
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,34 2,27 2,19 2,15 2,11 2,06 2,02 1,97
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,31 2,23 2,16 2,11 2,07 2,03 1,98 1,93
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,28 2,20 2,12 2,08 2,04 1,99 1,95 1,90
ÍNDICE
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32 2,25 2,18 2,10 2,05 2,01 1,96 1,92 1,87
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,23 2,15 2,07 2,03 1,98 1,94 1,89 1,84
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32 2,27 2,20 2,13 2,05 2,01 1,96 1,91 1,86 1,81
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,18 2,11 2,03 1,98 1,94 1,89 1,84 1,79
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24 2,16 2,09 2,01 1,96 1,92 1,87 1,82 1,77
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,15 2,07 1,99 1,95 1,90 1,85 1,80 1,75
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,25 2,20 2,13 2,06 1,97 1,93 1,88 1,84 1,79 1,73
u
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
v
Introducción
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,12 2,04 1,96 1,91 1,87 1,82 1,77 1,71
a la
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,22 2,18 2,10 2,03 1,94 1,90 1,85 1,81 1,75 1,70
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,09 2,01 1,93 1,89 1,84 1,79 1,74 1,68
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 2,00 1,92 1,84 1,79 1,74 1,69 1,64 1,58
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,92 1,84 1,75 1,70 1,65 1,59 1,53 1,47
120 3,92 3,07 2,68 2,45 2,29 2,17 2,09 2,02 1,96 1,91 1,83 1,75 1,66 1,61 1,55 1,50 1,43 1,35
PORTADA
∞ 3,84 3,00 2,60 2,37 2,21 2,10 2,01 1,94 1,88 1,83 1,75 1,67 1,57 1,52 1,46 1,39 1,32 1,22
ÍNDICE
148
u
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
v
1 647,8 799,5 864,2 899,6 921,8 937,1 948,2 956,7 963,3 968,6 976,7 984,9 993,1 997,2 1001 1006 1010 1014
2 38,51 39,00 39,17 39,25 39,30 39,33 39,36 39,37 39,39 39,40 39,41 39,43 39,45 39,46 39,47 39,48 39,49 39,50
3 17,44 16,04 15,44 15,10 14,88 14,73 14,62 14,54 14,47 14,42 14,34 14,25 14,17 14,12 14,08 14,04 13,99 13,95
4 12,22 10,65 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84 8,75 8,66 8,56 8,51 8,46 8,41 8,36 8,31
5 10,01 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62 6,52 6,43 6,33 6,28 6,23 6,18 6,12 6,07
6 8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46 5,37 5,27 5,17 5,12 5,07 5,01 4,96 4,90
PORTADA
7 8,07 6,54 5,89 5,52 5,29 5,12 4,99 4,90 4,82 4,76 4,67 4,57 4,47 4,42 4,36 4,31 4,25 4,20
8 7,57 6,06 5,42 5,05 4,82 4,65 4,53 4,43 4,36 4,30 4,20 4,10 4,00 3,95 3,89 3,84 3,78 3,73
9 7,21 5,71 5,08 4,72 4,48 4,32 4,20 4,10 4,03 3,96 3,87 3,77 3,67 3,61 3,56 3,51 3,45 3,39
10 6,94 5,46 4,83 4,47 4,24 4,07 3,95 3,85 3,78 3,72 3,62 3,52 3,42 3,37 3,31 3,26 3,20 3,14
11 6,72 5,26 4,63 4,28 4,04 3,88 3,76 3,66 3,59 3,53 3,43 3,33 3,23 3,17 3,12 3,06 3,00 2,94
12 6,55 5,10 4,47 4,12 3,89 3,73 3,61 3,51 3,44 3,37 3,28 3,18 3,07 3,02 2,96 2,91 2,85 2,79
13 6,41 4,97 4,35 4,00 3,77 3,60 3,48 3,39 3,31 3,25 3,15 3,05 2,95 2,89 2,84 2,78 2,72 2,66
14 6,30 4,86 4,24 3,89 3,66 3,50 3,38 3,29 3,21 3,15 3,05 2,95 2,84 2,79 2,73 2,67 2,61 2,55
15 6,20 4,77 4,15 3,80 3,58 3,41 3,29 3,20 3,12 3,06 2,96 2,86 2,76 2,70 2,64 2,59 2,52 2,46
16 6,12 4,69 4,08 3,73 3,50 3,34 3,22 3,12 3,05 2,99 2,89 2,79 2,68 2,63 2,57 2,51 2,45 2,38
17 6,04 4,62 4,01 3,66 3,44 3,28 3,16 3,06 2,98 2,92 2,82 2,72 2,62 2,56 2,50 2,44 2,38 2,32
18 5,98 4,56 3,95 3,61 3,38 3,22 3,10 3,01 2,93 2,87 2,77 2,67 2,56 2,50 2,44 2,38 2,32 2,26
19 5,92 4,51 3,90 3,56 3,33 3,17 3,05 2,96 2,88 2,82 2,72 2,62 2,51 2,45 2,39 2,33 2,27 2,20
20 5,87 4,46 3,86 3,51 3,29 3,13 3,01 2,91 2,84 2,77 2,68 2,57 2,46 2,41 2,35 2,29 2,22 2,16
ÍNDICE
21 5,83 4,42 3,82 3,48 3,25 3,09 2,97 2,87 2,80 2,73 2,64 2,53 2,42 2,37 2,31 2,25 2,18 2,11
22 5,79 4,38 3,78 3,44 3,22 3,05 2,93 2,84 2,76 2,70 2,60 2,50 2,39 2,33 2,27 2,21 2,14 2,08
23 5,75 4,35 3,75 3,41 3,18 3,02 2,90 2,81 2,73 2,67 2,57 2,47 2,36 2,30 2,24 2,18 2,11 2,04
24 5,72 4,32 3,72 3,38 3,15 2,99 2,87 2,78 2,70 2,64 2,54 2,44 2,33 2,27 2,21 2,15 2,08 2,01
25 5,69 4,29 3,69 3,35 3,13 2,97 2,85 2,75 2,68 2,61 2,51 2,41 2,30 2,24 2,18 2,12 2,05 1,98
26 5,66 4,27 3,67 3,33 3,10 2,94 2,82 2,73 2,65 2,59 2,49 2,39 2,28 2,22 2,16 2,09 2,03 1,95
27 5,63 4,24 3,65 3,31 3,08 2,92 2,80 2,71 2,63 2,57 2,47 2,36 2,25 2,19 2,13 2,07 2,00 1,93
u
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
v
Introducción
28 5,61 4,22 3,63 3,29 3,06 2,90 2,78 2,69 2,61 2,55 2,45 2,34 2,23 2,17 2,11 2,05 1,98 1,91
a la
29 5,59 4,20 3,61 3,27 3,04 2,88 2,76 2,67 2,59 2,53 2,43 2,32 2,21 2,15 2,09 2,03 1,96 1,89
30 5,57 4,18 3,59 3,25 3,03 2,87 2,75 2,65 2,57 2,51 2,41 2,31 2,20 2,14 2,07 2,01 1,94 1,87
40 5,42 4,05 3,46 3,13 2,90 2,74 2,62 2,53 2,45 2,39 2,29 2,18 2,07 2,01 1,94 1,88 1,80 1,72
60 5,29 3,93 3,34 3,01 2,79 2,63 2,51 2,41 2,33 2,27 2,17 2,06 1,94 1,88 1,82 1,74 1,67 1,58
120 5,15 3,80 3,23 2,89 2,67 2,52 2,39 2,30 2,22 2,16 2,05 1,94 1,82 1,76 1,69 1,61 1,53 1,43
PORTADA
∞ 5,02 3,69 3,12 2,79 2,57 2,41 2,29 2,19 2,11 2,05 1,94 1,83 1,71 1,64 1,57 1,48 1,39 1,27
ÍNDICE
150
u
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
v
1 4052 5000 5403 5625 5764 5859 5928 5982 6022 6056 6106 6157 6209 6235 6261 6287 6313 6339
2 98,50 99,00 99,17 99,25 99,30 99,33 99,36 99,37 99,39 99,40 99,42 99,43 99,45 99,46 99,47 99,47 99,48 99,49
3 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,35 27,23 27,05 26,87 26,69 26,60 26,50 26,41 26,32 26,22
4 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55 14,37 14,20 14,02 13,93 13,84 13,75 13,65 13,56
5 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05 9,89 9,72 9,55 9,47 9,38 9,29 9,20 9,11
6 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87 7,72 7,56 7,40 7,31 7,23 7,14 7,06 6,97
PORTADA
7 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62 6,47 6,31 6,16 6,07 5,99 5,91 5,82 5,74
8 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81 5,67 5,52 5,36 5,28 5,20 5,12 5,03 4,95
9 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 5,26 5,11 4,96 4,81 4,73 4,65 4,57 4,48 4,40
10 10,04 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94 4,85 4,71 4,56 4,41 4,33 4,25 4,17 4,08 4,00
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63 4,54 4,40 4,25 4,10 4,02 3,94 3,86 3,78 3,69
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39 4,30 4,16 4,01 3,86 3,78 3,70 3,62 3,54 3,45
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19 4,10 3,96 3,82 3,66 3,59 3,51 3,43 3,34 3,25
14 8,86 6,51 5,56 5,04 4,69 4,46 4,28 4,14 4,03 3,94 3,80 3,66 3,51 3,43 3,35 3,27 3,18 3,09
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,67 3,52 3,37 3,29 3,21 3,13 3,05 2,96
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69 3,55 3,41 3,26 3,18 3,10 3,02 2,93 2,84
17 8,40 6,11 5,18 4,67 4,34 4,10 3,93 3,79 3,68 3,59 3,46 3,31 3,16 3,08 3,00 2,92 2,83 2,75
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60 3,51 3,37 3,23 3,08 3,00 2,92 2,84 2,75 2,66
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,30 3,15 3,00 2,92 2,84 2,76 2,67 2,58
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37 3,23 3,09 2,94 2,86 2,78 2,69 2,61 2,52
ÍNDICE
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40 3,31 3,17 3,03 2,88 2,80 2,72 2,64 2,55 2,46
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26 3,12 2,98 2,83 2,75 2,67 2,58 2,50 2,40
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30 3,21 3,07 2,93 2,78 2,70 2,62 2,54 2,45 2,35
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17 3,03 2,89 2,74 2,66 2,58 2,49 2,40 2,31
25 7,77 5,57 4,68 4,18 3,85 3,63 3,46 3,32 3,22 3,13 2,99 2,85 2,70 2,62 2,54 2,45 2,36 2,27
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18 3,09 2,96 2,81 2,66 2,58 2,50 2,42 2,33 2,23
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 3,15 3,06 2,93 2,78 2,63 2,55 2,47 2,38 2,29 2,20
u
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
v
Introducción
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12 3,03 2,90 2,75 2,60 2,52 2,44 2,35 2,26 2,17
a la
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,09 3,00 2,87 2,73 2,57 2,49 2,41 2,33 2,23 2,14
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98 2,84 2,70 2,55 2,47 2,39 2,30 2,21 2,11
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89 2,80 2,66 2,52 2,37 2,29 2,20 2,11 2,02 1,92
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,72 2,63 2,50 2,35 2,20 2,12 2,03 1,94 1,84 1,73
120 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,56 2,47 2,34 2,19 2,03 1,95 1,86 1,76 1,66 1,53
PORTADA
∞ 6,63 4,61 3,78 3,32 3,02 2,80 2,64 2,51 2,41 2,32 2,18 2,04 1,88 1,79 1,70 1,59 1,47 1,32
ÍNDICE
152
u
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
v
1 16211 20000 21615 22500 23056 23437 23715 23925 24091 24224 24426 24630 24836 24940 25044 25148 25253 25359
2 198,5 199,0 199,2 199,2 199,3 199,3 199,4 199,4 199,4 199,4 199,4 199,4 199,4 199,5 199,5 199,5 199,5 199,5
3 55,55 49,80 47,47 46,19 45,39 44,84 44,43 44,13 43,88 43,69 43,39 43,08 42,78 42,62 42,47 42,31 42,15 41,99
4 31,33 26,28 24,26 23,15 22,46 21,97 21,62 21,35 21,14 20,97 20,70 20,44 20,17 20,03 19,89 19,75 19,61 19,47
5 22,78 18,31 16,53 15,56 14,94 14,51 14,20 13,96 13,77 13,62 13,38 13,15 12,90 12,78 12,66 12,53 12,40 12,27
6 18,63 14,54 12,92 12,03 11,46 11,07 10,79 10,57 10,39 10,25 10,03 9,81 9,59 9,47 9,36 9,24 9,12 9,00
PORTADA
7 16,24 12,40 10,88 10,05 9,52 9,16 8,89 8,68 8,51 8,38 8,18 7,97 7,75 7,65 7,53 7,42 7,31 7,19
8 14,69 11,04 9,60 8,81 8,30 7,95 7,69 7,50 7,34 7,21 7,01 6,81 6,61 6,50 6,40 6,29 6,18 6,06
9 13,61 10,11 8,72 7,96 7,47 7,13 6,88 6,69 6,54 6,42 6,23 6,03 5,83 5,73 5,62 5,52 5,41 5,30
10 12,83 9,43 8,08 7,34 6,87 6,54 6,30 6,12 5,97 5,85 5,66 5,47 5,27 5,17 5,07 4,97 4,86 4,75
11 12,23 8,91 7,60 6,88 6,42 6,10 5,86 5,68 5,54 5,42 5,24 5,05 4,86 4,76 4,65 4,55 4,44 4,34
12 11,75 8,51 7,23 6,52 6,07 5,76 5,52 5,35 5,20 5,09 4,91 4,72 4,53 4,43 4,33 4,23 4,12 4,01
13 11,37 8,19 6,93 6,23 5,79 5,48 5,25 5,08 4,94 4,82 4,64 4,46 4,27 4,17 4,07 3,97 3,87 3,76
14 11,06 7,92 6,68 6,00 5,56 5,26 5,03 4,86 4,72 4,60 4,43 4,25 4,06 3,96 3,86 3,76 3,66 3,55
15 10,80 7,70 6,48 5,80 5,37 5,07 4,85 4,67 4,54 4,42 4,25 4,07 3,88 3,79 3,69 3,58 3,48 3,37
16 10,58 7,51 6,30 5,64 5,21 4,91 4,69 4,52 4,38 4,27 4,10 3,92 3,73 3,64 3,54 3,44 3,33 3,22
17 10,38 7,35 6,16 5,50 5,07 4,78 4,56 4,39 4,25 4,14 3,97 3,79 3,61 3,51 3,41 3,31 3,21 3,10
18 10,22 7,21 6,03 5,37 4,96 4,66 4,44 4,28 4,14 4,03 3,86 3,68 3,50 3,40 3,30 3,20 3,10 2,99
19 10,07 7,09 5,92 5,27 4,85 4,56 4,34 4,18 4,04 3,93 3,76 3,59 3,40 3,31 3,21 3,11 3,00 2,89
20 9,94 6,99 5,82 5,17 4,76 4,47 4,26 4,09 3,96 3,85 3,68 3,50 3,32 3,22 3,12 3,02 2,92 2,81
ÍNDICE
21 9,83 6,89 5,73 5,09 4,68 4,39 4,18 4,01 3,88 3,77 3,60 3,43 3,24 3,15 3,05 2,95 2,84 2,73
22 9,73 6,81 5,65 5,02 4,61 4,32 4,11 3,94 3,81 3,70 3,54 3,36 3,18 3,08 2,98 2,88 2,77 2,66
23 9,63 6,73 5,58 4,95 4,54 4,26 4,05 3,88 3,75 3,64 3,47 3,30 3,12 3,02 2,92 2,82 2,71 2,60
24 9,55 6,66 5,52 4,89 4,49 4,20 3,99 3,83 3,69 3,59 3,42 3,25 3,06 2,97 2,87 2,77 2,66 2,55
25 9,48 6,60 5,46 4,84 4,43 4,15 3,94 3,78 3,64 3,54 3,37 3,20 3,01 2,92 2,82 2,72 2,61 2,50
26 9,41 6,54 5,41 4,79 4,38 4,10 3,89 3,73 3,60 3,49 3,33 3,15 2,97 2,87 2,77 2,67 2,56 2,45
27 9,34 6,49 5,36 4,74 4,34 4,06 3,85 3,69 3,56 3,45 3,28 3,11 2,93 2,83 2,73 2,63 2,52 2,41
u
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
v
Introducción
28 9,28 6,44 5,32 4,70 4,30 4,02 3,81 3,65 3,52 3,41 3,25 3,07 2,89 2,79 2,69 2,59 2,48 2,37
a la
29 9,23 6,40 5,28 4,66 4,26 3,98 3,77 3,61 3,48 3,38 3,21 3,04 2,86 2,76 2,66 2,56 2,45 2,33
30 9,18 6,35 5,24 4,62 4,23 3,95 3,74 3,58 3,45 3,34 3,18 3,01 2,82 2,73 2,63 2,52 2,42 2,30
40 8,83 6,07 4,98 4,37 3,99 3,71 3,51 3,35 3,22 3,12 2,95 2,78 2,60 2,50 2,40 2,30 2,18 2,06
60 8,49 5,79 4,73 4,14 3,76 3,49 3,29 3,13 3,01 2,90 2,74 2,57 2,39 2,29 2,19 2,08 1,96 1,83
120 8,18 5,54 4,50 3,92 3,55 3,28 3,09 2,93 2,81 2,71 2,54 2,37 2,19 2,09 1,98 1,87 1,75 1,61
PORTADA
∞ 7,88 5,30 4,28 3,72 3,35 3,09 2,90 2,74 2,62 2,52 2,36 2,19 2,00 1,90 1,79 1,67 1,53 1,36
ÍNDICE
Tabla I. Valores críticos para la R’ del Test de Moore (tomado de Zar 1996)
n α = 0,5 α = 0,1 α = 0,05 α = 0,025 α = 0,01 α = 0,005 α = 0,001
2 0,791 1,049 1,058 1,060 1,061 1,061 1,061
3 0,693 1,039 1,095 1,124 1,143 1,149 1,154
4 0,620 1,008 1,090 1,146 1,192 1,212 1,238
5 0,588 0,988 1,084 1,152 1,216 1,250 1,298
6 0,568 0,972 1,074 1,152 1,230 1,275 1,345
7 0,556 0,959 1,066 1,150 1,238 1,291 1,373
8 0,546 0,949 1,059 1,148 1,242 1,300 1,397
9 0,538 0,940 1,053 1,146 1,245 1,307 1,416
10 0,532 0,934 1,048 1,144 1,248 1,313 1,432
12 0,523 0,926 1,042 1,140 1,252 1,322 1,456
14 0,518 0,920 1,037 1,136 1,252 1,325 1,470
16 0,514 0,914 1,031 1,132 1,250 1,327 1,480
18 0,510 0,910 1,027 1,129 1,248 1,328 1,487
20 0,507 0,906 1,024 1,127 1,247 1,329 1,492
22 0,505 0,903 1,022 1,126 1,246 1,330 1,496
24 0,503 0,901 1,021 1,125 1,246 1,331 1,499
26 0,502 0,899 1,019 1,124 1,246 1,332 1,501
28 0,500 0,897 1,018 1,124 1,246 1,333 1,502
30 0,499 0,896 1,016 1,123 1,245 1,334 1,502
40 0,494 0,891 1,012 1,119 1,243 1,332 1,504
60 0,489 0,887 1,007 1,115 1,241 1,329 1,506
80 0,487 0,883 1,005 1,113 1,240 1,329 1,508
100 0,485 0,881 1,004 1,112 1,240 1,329 1,509
∞ 0,481 0,876 0,999 1,109 1,239 1,329 1,517
PORTADA ÍNDICE
Tabla J. Valores críticos para B del test de Mardia-Watson-Wheeler

(tomado de Batschelet 1981)
n1 n2 α = 0,001 α = 0,01 α = 0,05 α = 0,1
8 4 6,83
9 3 6,41
9 4 8,29 4,88
10 3 6,85
10 4 9,47 6,24
10 5 10,47 6,85
11 3 7,20 5,23
11 4 10,42 7,43
11 5 12,34 8,74 6,6
12 3 7,46 5,73
12 4 11,20 8,46 7,46
12 5 13,93 10,46 7,46
12 6 14,93 11,20 7,46
13 3 7,68 6,15
13 4 11,83 9,35 7,03
13 5 15,26 10,15 7,39
13 6 17,31 10,42 8,04
14 3 7,85 6,49
14 4 12,34 9,30 7,6
14 5 16,39 10,30 7,85
14 6 19,20 15,59 12,21 7,94
14 7 20,20 16,39 11,65 8,85
15 3 7,99 6,78
15 4 12,78 8,74 7,91
15 5 17,35 14,52 10,36 7,91
15 6 20,92 17,48 11,61 9,12
15 7 22,88 16,14 11,57 9,06
16 3 8,11 5,83
16 4 13,14 9,44 7,38
16 5 18,16 15,55 10,44 9,03
16 6 22,43 16,98 11,54 9,11
16 7 25,57 18,16 12,66 9,78
17 3 8,21 7,23 6,14
17 4 13,44 11,76 9,74 7,64
17 5 18,86 16,44 11,03 8,76
17 6 23,73 17,76 12,21 9,41
17 7 27,40 17,98 12,63 10,11
17 8 29,37 19,11 13,36 10,15
PORTADA ÍNDICE
Tabla K. Factor de corrección (K) para el test de Watson-Williams

(tomado de Zar, 1996)
r 0 1 2 3 4 5 6 7 8 9
0 188,4989 94,7472 63,5015 47,8749 38,4992 32,2498 27,7851 24,4367 21,8335
0,01 19,7489 18,0444 16,6239 15,4219 14,3916 13,4986 12,7173 12,0278 11,4150 10,8667
0,02 10,3731 9,9266 9,5206 9,1500 8,8103 8,4976 8,2091 7,9419 7,6338 7,4628
0,03 7,2472 7,0455 6,8564 6,6787 6,5115 6,3539 6,2050 6,0641 5,9306 5,8040
0,04 5,6837 5,5693 5,4603 5,3564 5,2572 5,1625 5,7180 4,9850 4,9017 4,8219
0,05 4,7453 4,6717 4,6009 4,5328 4,4672 4,4039 4,3430 4,2841 4,2273 4,1724
0,06 4,1194 4,0680 4,0184 3,9703 3,9237 3,8785 3,8347 3,7922 3,7510 3,7109
0,07 3,6720 3,6342 3,5974 3,5616 3,5268 3,4930 3,4600 3,4278 3,3965 3,3660
0,08 3,3362 3,3072 3,2789 3,2512 3,2243 3,1979 3,1722 3,1470 3,1224 3,0984
0,09 3,0749 3,0519 3,0294 3,0074 2,9858 2,9668 2,9441 2,9239 2,9041 2,8846
0,10 2,8656 2,8469 2,8286 2,8107 2,7931 2,7758 2,7589 2,7423 2,7259 2,7099
0,11 2,6942 2,6787 2,6636 2,6487 2,6340 2,6196 2,6055 2,5915 2,5779 2,5644
0,12 2,5512 2,5382 2,5254 2,5128 2,5004 2,4882 2,4762 2,4644 2,4528 2,4413
0,13 2,4301 2,4189 2,4080 2,3912 2,3866 2,3792 2,3658 2,3557 2,3457 2,3358
0,14 2,3261 2,3165 2,3070 2,2977 2,2885 2,2794 2,2705 2,2616 2,2529 2,2443
0,15 2,2358 2,2275 2,2192 2,2110 2,2030 2,1950 2,1872 2,1794 2,1718 2,1642
0,16 2,1567 2,1494 2,1421 2,1349 2,1278 2,1208 2,1138 2,1070 2,1002 2,0945
0,17 2,0868 2,0803 2,0738 2,0674 2,0611 2,0549 2,0487 2,0426 2,0365 2,0305
0,18 2,0246 2,0188 2,0230 2,0072 2,0016 1,9960 1,9904 1,9849 1,9795 1,9741
0,19 1,9668 1,9635 1,9583 1,9532 1,9481 1,9430 1,9380 1,9331 1,9282 1,9233
0,20 1,9158 1,9137 1,9090 1,9043 1,8997 1,8951 1,8906 1,8661 1,8817 1,8772
0,21 1,8729 1,8685 1,8643 1,8600 1,8558 1,8516 1,8475 1,8434 1,8393 1,8353
0,22 1,8313 1,8274 1,8234 1,8195 1,8157 1,8119 1,8081 1,8043 1,8006 1,7969
0,23 1,7933 1,7896 1,7860 1,7825 1,7789 1,7754 1,7719 1,7685 1,7651 1,7617
0,24 1,7583 1,7550 1,7516 1,7484 1,7451 1,7419 1,7386 1,7355 1,7323 1,7292
0,25 1,7261 1,7230 1,7199 1,7169 1,7138 1,7108 1,7079 1,7049 1,7020 1,6991
0,26 1,6962 1,6933 1,6905 1,6877 1,6849 1,6821 1,6793 1,6766 1,6739 1,6712
0,27 1,6685 1,6658 1,6632 1,6606 1,6579 1,6554 1,6528 1,6502 1,6477 1,6452
0,28 1,6427 1,6402 1,6377 1,6353 1,6328 1,6304 1,6280 1,6256 1,6233 1,6209
0,29 1,6186 1,6162 1,6139 1,6116 1,6094 1,6071 1,6048 1,6026 1,6004 1,5982
0,30 1,5960 1,5938 1,5916 1,5895 1,5873 1,5852 1,5831 1,5810 1,5789 1,5768
0,31 1,5748 1,5727 1,5707 1,5687 1,5667 1,5647 1,5627 1,5607 1,5587 1,5568
0,32 1,5548 1,5529 1,5510 1,5491 1,5472 1,5453 1,5434 1,5419 1,5397 1,5369
0,33 1,5360 1,5342 1,5324 1,5306 1,5282 1,5270 1,5253 1,5235 1,5217 1,5200
0,34 1,5183 1,5165 1,5148 1,5131 1,5114 1,5097 1,5081 1,5064 1,5047 1,5031
0,35 1,5014 1,4998 1,4988 1,4966 1,4954 1,4934 1,4918 1,4902 1,4886 1,4871
0,36 1,4855 1,4839 1,4824 1,4809 1,4793 1,4778 1,4763 1,4748 1,4733 1,4718
0,37 1,4703 1,4689 1,4674 1,4659 1,4645 1,4630 1,4616 1,4602 1,4587 1,4573
0,38 1,4559 1,4545 1,4531 1,4517 1,4503 1,4490 1,4476 1,4462 1,4419 1,4435
0,39 1,4422 1,4408 1,4395 1,4382 1,4368 1,4355 1,4343 1,4329 1,4316 1,4303
0,40 1,4290 1,4277 1,4265 1,4252 1,4239 1,4227 1,4214 1,4202 1,4189 1,4177
0,41 1,4165 1,4152 1,4140 1,4128 1,4116 1,4104 1,4092 1,4080 1,4068 1,4056
PORTADA ÍNDICE

(tomado de Zar, 1996) (cont.)
r 0 1 2 3 4 5 6 7 8 9
0,42 1,4044 1,4033 1,4021 1,4009 1,3998 1,3986 1,3975 1,3963 1,3952 1,3940
0,43 1,3929 1,3918 1,3907 1,3895 1,3884 1,3873 1,3682 1,3851 1,3840 1,3829
0,44 1,3818 1,3808 1,3797 1,3786 1,3775 1,3765 1,3754 1,3744 1,3733 1,3723
0,45 1,3712 1,3702 1,3691 1,3681 1,3671 1,3660 1,3650 1,3640 1,3630 1,3620
0,46 1,3610 1,3600 1,3590 1,3580 1,357 1,3560 1,3550 1,3540 1,3530 1,3521
0,47 1,3510 1,3501 1,3492 1,3482 1,3472 1,3463 1,3453 1,3444 1,3434 1,3425
0,48 1,3416 1,3406 1,3397 1,3388 1,3378 1,3369 1,3360 1,3551 1,3342 1,3333
0,49 1,3324 1,3315 1,3306 1,3297 1,3288 1,3279 1,3270 1,3261 1,3252 1,3243
0,50 1,3235 1,3226 1,3217 1,3209 1,3200 1,3191 1,3183 1,3174 1,3166 1,3157
0,51 1,3148 1,3140 1,3132 1,3123 1,3115 1,3106 1,3098 1,3090 1,3081 1,3073
0,52 1,3065 1,3057 1,3049 1,3040 1,3032 1,3024 1,3016 1,3008 1,3000 1,2992
0,53 1,2984 1,2976 1,2968 1,2960 1,2952 1,2994 1,2936 1,2929 1,2921 1,2913
0,54 1,2905 1,2897 1,2890 1,2882 1,2874 1,2867 1,2859 1,2851 1,2844 1,2836
0,55 1,2829 1,2821 1,2814 1,2806 1,2799 1,2791 1,2784 1,2776 1,2769 1,2762
0,56 1,2754 1,2747 1,2740 1,2732 1,2725 1,2718 1,2710 1,2703 1,2696 1,2689
0,57 1,2682 1,2674 1,2627 1,2660 1,2653 1,2646 1,2639 1,2632 1,2625 1,2618
0,58 1,2611 1,2604 1,2597 1,2590 1,2582 1,2576 1,2569 1,2562 1,2555 1,2548
0,59 1,2542 1,2535 1,2598 1,2521 1,2514 1,2508 1,2501 1,2494 1,2487 1,2841
0,60 1,2474 1,2467 1,2461 1,2454 1,2447 1,2441 1,2434 1,2428 1,2421 1,2414
0,61 1,2408 1,2401 1,2395 1,2388 1,2382 1,2375 1,2369 1,2362 1,2356 1,2350
0,62 1,2343 1,2337 1,2330 1,2324 1,2318 1,2311 1,2305 1,2298 1,2292 1,2286
0,63 1,2280 1,2273 1,2267 1,2261 1,2254 1,2248 1,2242 1,2236 1,2230 1,2223
0,64 1,2217 1,2211 1,2205 1,2199 1,2192 1,2186 1,2180 1,2174 1,2168 1,2162
0,65 1,2156 1,2150 1,2144 1,2138 1,2132 1,2126 1,2120 1,2114 1,2108 1,2102
0,66 1,2096 1,2090 1,2084 1,2078 1,2072 1,2066 1,2060 1,2054 1,2048 1,2042
0,67 1,2036 1,2030 1,2024 1,2018 1,2013 1,2007 1,2001 1,1995 1,1989 1,1983
0,68 1,1797 1,1972 1,1966 1,1960 1,1954 1,1948 1,1943 1,1937 1,1931 1,1925
0,69 1,1920 1,1914 1,1908 1,1902 1,1897 1,1891 1,1885 1,1879 1,1874 1,1868
0,70 1,1862 1,1857 1,1851 1,1845 1,1840 1,1834 1,1828 1,1823 1,1817 1,1811
0,71 1,1806 1,1800 1,1794 1,1789 1,1783 1,1777 1,1772 1,1766 1,1761 1,1755
0,72 1,7449 1,1744 1,1738 1,1733 1,1727 1,1721 1,1716 1,1710 1,1705 1,1699
0,73 1,1694 1,1688 1,1682 1,1677 1,1671 1,1666 1,1660 1,1665 1,1649 1,1644
0,74 1,1638 1,1633 1,1627 1,1621 1,1616 1,1610 1,16,5 1,1599 1,1594 1,1588
0,75 1,1583 1,1577 1,1572 1,1566 1,1561 1,1555 1,1550 1,1544 1,1539 1,1533
0,76 1,1528 1,1522 1,1517 1,1511 1,1505 1,1500 1,1494 1,1489 1,1483 1,1478
0,77 1,1472 1,1467 1,1461 1,1456 1,1450 1,1445 1,1439 1,1434 1,1428 1,1423
0,78 1,1417 1,1412 1,1406 1,1401 1,1395 1,1389 1,1384 1,1378 1,1373 1,1367
0,79 1,1362 1,1356 1,1351 1,1345 1,1340 1,1334 1,1328 1,1323 1,1317 1,1312
0,80 1,1306 1,1300 1,1295 1,1289 1,1284 1,1278 1,1272 1,1267 1,1261 1,1256
0,81 1,1250 1,1244 1,1239 1,1233 1,1227 1,1222 1,1216 1,1210 1,1205 1,1199
0,82 4,1193 1,1188 1,1182 1,1176 1,1170 1,1165 1,1559 1,1153 1,1147 1,1142
0,83 1,1136 1,1130 1,1124 1,1119 1,1113 1,1107 1,1101 1,0950 1,1090 1,1084
PORTADA ÍNDICE

(tomado de Zar, 1996) (cont.)
r 0 1 2 3 4 5 6 7 8 9
0,84 1,1078 1,1072 1,1066 1,1060 1,1054 1,1049 1,1043 1,1037 1,1031 1,1025
0,85 1,1019 1,1013 1,1007 1,1001 1,0995 1,0989 1,0983 1,0977 1,0971 1,0965
0,86 1,0959 1,0953 1,0947 1,0941 1,0935 1,0928 1,0922 1,0916 1,0910 1,0904
0,87 1,0898 1,0892 1,0885 1,0879 1,0873 1,0867 1,0861 1,0854 1,0848 1,0842
0,88 1,0835 1,0829 1,0823 1,0816 1,0810 1,0804 1,0797 1,0791 1,0785 1,0778
0,89 1,0772 1,0765 1,0759 1,0752 1,0746 1,0740 1,0733 1,0727 1,0720 1,0713
0,90 1,0707 1,0700 1,0694 1,0687 1,0681 1,0674 1,0667 1,0661 1,0654 1,0647
0,91 1,0641 1,0634 1,0627 1,0621 1,0614 1,0607 1,0601 1,0594 1,0587 1,0580
0,92 1,0573 1,0567 1,0560 1,0553 1,0546 1,0539 1,0533 1,0526 1,0519 1,0512
0,93 1,0505 1,0498 1,0491 1,0848 1,0477 1,0470 1,0463 1,0456 1,0449 1,0443
0,94 1,0436 1,0429 1,0422 1,0414 1,0407 1,0400 1,0393 1,0386 1,0379 1,0372
0,95 1,0365 1,0358 1,0351 1,0344 1,0337 1,0330 1,0322 1,0315 1,0308 1,0301
0,96 1,0294 1,0287 1,0279 1,0272 1,0265 1,0258 1,0251 1,0243 1,0236 1,0229
0,97 1,0222 1,0214 1,0207 1,0200 1,0192 1,0185 1,0178 1,0170 1,0163 1,0156
0,98 1,0418 1,0141 1,0134 1,0126 1,0119 1,0112 1,0104 1,0097 1,0890 1,0082
0,99 1,0075 1,0067 1,0060 1,0052 1,0045 1,0037 1,0030 1,0022 1,0000 1,0000
PORTADA ÍNDICE
Tabla L. Estimación de κ̃ (tomado de Batschelet, 1981)
n r = 0,10 r = 0,15 r = 0,20 r = 0,25 r = 0,30 r = 0,35 r = 0,40 r = 0,45 r = 0,50 r = 0,55 r = 0,60 r = 0,65 r = 0,70 r = 0,75 r = 0,80 r = 0,85 r = 090 r = 0,95
5 κ̃ = 0 0 0 0 0 0 0 0,15 0,67 0,94 1,18 1,41 1,68 2,00 2,44 2,10 4,39 8,33
Introducción
6 0 0 0 0 0 0 0 0,56 0,83 1,04 1,25 1,48 1,74 2,07 2,51 3,20 4,54 8,66
a la
7 0 0 0 0 0 0 0,38 0,69 0,90 1,10 1,30 1,52 1,78 2,11 2,56 3,27 4,65 8,89
8 0 0 0 0 0 0 0,53 0,76 0,95 1,13 1,33 1,55 1,81 2,15 2,60 3,32 4,73 9,06
9 0 0 0 0 0 0,31 0,61 0,80 0,98 1,16 1,35 1,57 1,84 2,17 2,63 3,36 4,79 9,19
10 0 0 0 0 0 0,42 0,65 0,83 1,00 1,18 1,37 1,59 1,86 2,19 2,66 3,39 4,84 9,30
11 0 0 0 0 0 0,48 0,69 0,85 1,02 1,19 1,38 1,61 1,87 2,21 2,68 3,42 4,89 9,39
PORTADA
12 0 0 0 0 0,23 0,53 0,71 0,87 1,03 1,20 1,40 1,62 1,88 2,22 2,69 3,44 4,92 9,46
13 0 0 0 0 0,32 0,56 0,73 0,88 1,04 1,21 1,41 1,63 1,89 2,23 2,71 3,46 4,95 9,53
14 0 0 0 0 0,37 0,58 0,74 0,89 1,05 1,22 1,41 1,63 1,90 2,24 2,72 3,47 4,98 9,58
15 0 0 0 0 0,41 0,6 0,75 0,90 1,06 1,23 1,42 1,64 1,91 2,25 2,73 3,49 5,00 9,63
20 0 0 0 0,30 0,50 0,65 0,79 0,93 1,09 1,26 1,45 1,67 1,94 2,28 2,76 3,53 5,07 9,79
25 0 0 0 0,38 0,54 0,67 0,81 0,95 1,10 1,27 1,46 1,68 1,95 2,30 2,79 3,56 5,12 9,88
30 0 0 0,22 0,42 0,56 0,69 0,82 0,96 1,11 1,28 1,47 1,69 1,96 2,31 2,80 3,58 5,15 9,95
35 0 0 0,27 0,44 0,57 0,7 0,83 0,97 1,12 1,29 1,48 1,70 1,97 2,32 2,81 3,60 5,17 9,99
40 0 0 0,31 0,45 0,58 0,7 0,83 0,97 1,12 1,29 1,48 1,70 1,98 2,33 2,82 3,61 5,19 10,03
45 0 0,04 0,33 0,46 0,58 0,71 0,84 0,98 1,13 1,30 1,49 1,71 1,98 2,33 2,82 3,62 5,20 10,06
50 0 0,14 0,34 0,47 0,59 0,71 0,84 0,98 1,13 1,30 1,49 1,71 1,98 2,34 2,83 3,62 5,21 10,08
100 0 0,26 0,38 0,49 0,61 0,73 0,86 1,00 1,15 1,31 1,50 1,73 2,00 2,35 2,85 3,65 5,26 10,18
150 0,18 0,28 0,39 0,50 0,62 0,74 0,86 1,00 1,15 1,32 1,51 1,73 2,00 2,36 2,86 3,66 5,27 10,21
ÍNDICE
200 0,19 0,29 0,4 0,51 0,62 0,74 0,87 1,00 1,15 1,32 1,51 1,73 2,01 2,36 2,86 3,67 5,28 10,22
∞ 0,20 0,30 0,41 0,52 0,63 0,75 0,87 1,01 1,16 1,33 1,52 1,74 2,01 2,37 2,87 3,68 5,31 10,27

Estadistica Circular

Cargado por

Copyright:

Formatos disponibles

Estadistica Circular

Cargado por

Información del documento

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

Estadistica Circular

Cargado por

Copyright:

Formatos disponibles

Introducción a la Estadística Circular

José Luis Pérez Bote

Introducción a la Estadística Circular

© José Luis Pérez Bote, para esta edición

Capítulo 2. Los datos................................................................................................ 31

Capítulo 3. Estadística descriptiva........................................................................ 45

Capítulo 4. Inferencia estadística.......................................................................... 79

4.2.2. Test de Hodges-Ajne..................................................................... 83

Capítulo 5. Correlación............................................................................................. 125

Capítulo 6. Bibliografía............................................................................................. 131

Anexo I. Tablas........................................................................................................... 133

El acceso a los métodos estadísticos se ve dificultado a veces por el reducido nú-

Olivenza, abril de 2019

de valores máximos y mínimos es arbitraria. Estas dos características hacen que la

Figura 1. Algunos objetos para la medición de datos angulares y su “equivalente”:

arbitrariamente el sentido positivo y el origen, circunstancia que no ocurre con los

Los datos direccionales tienen características únicas en lo que respecta a su re-

Figura 3. La flecha puede indicar dos direcciones diferentes en función de donde

Es interesante destacar también que la “escala” en la que se miden los ángulos

Figura 4. La media aritmética no es apropiada para determinar la “dirección media”.

estadísticas adaptadas. La estadística direccional es una rama de la estadística que

de cálculo y de la disponibilidad de grandes cantidades de datos han traído métodos

Figura 6. Trabajos publicados en el periodo 2015-2019 localizados en WOS con el criterio

1.3. OBRAS DE REFERENCIA

El avance en las ciencias de la computación también ha posibilitado que se hayan

Una forma de familiarizar a los lectores con la estadística circular es describir

Ciencias Políticas: Gill, J. y Hangartner, D. (2010). Circular data in political science

Figura 7. Densidad de Kernel (ver más adelante) para explicar la concentración

Figura 9. Orientación de los nidos de F. rufus (modificado de Schaaf et al., 2018).

entre la orientación del sol y la actividad locomotora diaria en el saltamontes T. saltator

Ciencias de la Atmósfera: Borycka, K. y Kasprzyk, I. (2018). Hourly pattern of

Figura 12. Histograma circular donde se representa en ciclo de temblores semanales

Figura 13. A) Para poder posicionar P en el plano necesitamos establecer un sistema

Figura 15. Representación del vector υ.

La longitud r es denominada valor absoluto de υ y se denota:

El vector cero es un caso especial, ya que no se puede asociar ningún ángulo

En el análisis de datos direccionales es frecuente el uso de vectores unitarios, es

También es frecuente necesitar multiplicar un vector por un número real, k:

Otro importante concepto relacionado con vectores es el de centro de masas. Ten-

Este vector m se denomina vector medio y puede interpretarse como la media

Partamos de un sistema de coordenadas rectangulares con x = y = 1. Ahora

cos ϕ = x; sen ϕ = y

Figura 19. Definición de las funciones trigonométricas seno y coseno de ϕ.

Conocida las funciones trigonométricas podemos convertir coordenadas polares

De coordenadas polares a rectangulares. Si r es la distancia polar tendremos que:

x = r · cos ϕ; y = r · sen ϕ

De coordenadas rectangulares a polares:

ϕ = arctan (y / x) si x > 0

ϕ = 180° + arctan (y / x) si x < 0

2.3. TIPOS DE DATOS

Es la forma más frecuente de representar datos circulares. El ángulo de un dato

Los datos también pueden expresarse en radianes, en un rango de entre 0 y 2μ

Figura 20. Representación de datos axiales.

Ahora se pueden aplicar los estadísticos circulares y comprobamos como la dis-

Son datos que se representan en función de la dirección que marca la brújula. Es

Figura 22. Representación de datos direccionales.

2.3.5. Tiempo en horas

Por ejemplo ¿cuál es la medida en ángulos de las 6:25 horas?

360° ⋅ X 360° ⋅ 6,25 horas

Ejercicio 2 (tomado de Batschelet, 1981). En la siguiente tabla se presentan las