Estadistica Circular
Estadistica Circular
Estadistica Circular
2020
ÍNDICE
PORTADA ÍNDICE
Introducción a la Estadística Circular
PORTADA ÍNDICE
PORTADA ÍNDICE
José Luis Pérez Bote
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.
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
PORTADA ÍNDICE
10 Índice
PORTADA ÍNDICE
Procesos de nacionalización e identidades en la península ibérica11
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
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
16 José Luis Pérez Bote
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
18 José Luis Pérez Bote
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
Figura 2. Dos formas de representar los mismos datos circulares (puntos y vectores).
PORTADA ÍNDICE
20 José Luis Pérez Bote
(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.
PORTADA ÍNDICE
Introducción a la Estadística Circular21
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
22 José Luis Pérez Bote
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
Introducción a la Estadística Circular23
PORTADA ÍNDICE
24 José Luis Pérez Bote
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
Introducción a la Estadística Circular25
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
PORTADA ÍNDICE
26 José Luis Pérez Bote
1.5. CASOS PRÁCTICOS
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
Introducción a la Estadística Circular27
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).
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
28 José Luis Pérez Bote
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).
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
Introducción a la Estadística Circular29
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).
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
32 José Luis Pérez Bote
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
Introducción a la Estadística Circular33
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).
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
34 José Luis Pérez Bote
r = |υ|
0
0= = (0,0); |0| = 0
0
x1 x2
e1 = ; e2 =
y1 y2
x1 + x2
e1 + e2 =
y1 + y2
x k⋅x
k⋅e = k⋅ =
y k⋅y
1
m= ( M 1 ⋅ e1 + M 2 ⋅ e2 )
M1 + M2
PORTADA ÍNDICE
Introducción a la Estadística Circular35
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
36 José Luis Pérez Bote
2.2. FUNCIONES TRIGONOMÉTRICAS
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
r = (x 2 + y2)1 / 2
PORTADA ÍNDICE
Introducción a la Estadística Circular37
Si:
sen φ
tan φ =
cos φ
Entonces:
2.3.1. Ángulos
2.3.2. 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
38 José Luis Pérez Bote
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).
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
Introducción a la Estadística Circular39
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°
Figura 21. Ángulos doblados. Como puede apreciarse el módulo queda reducido a 180°.
2.3.4. Direcciones
PORTADA ÍNDICE
40 José Luis Pérez Bote
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
PORTADA ÍNDICE
Introducción a la Estadística Circular41
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
42 José Luis Pérez Bote
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).
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?
2.3.9. Datos agrupados
2.3.10. Datos apareados
PORTADA ÍNDICE
Introducción a la Estadística Circular43
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
3.2.1. Ángulo medio
PORTADA ÍNDICE
46 José Luis Pérez Bote
∑ 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
PORTADA ÍNDICE
Introducción a la Estadística Circular47
Por tanto:
2 2
r = x + y = (0,4858)2 + (–0,7578)2 = 0,9001
El ángulo medio es:
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
48 José Luis Pérez Bote
PORTADA ÍNDICE
Introducción a la Estadística Circular49
2 2
r = x + y = (0,2740)2 + (0,2358)2 = 0,3616
2 ⋅π 360°
λ= (radianes) o λ = (grados)
k k
rc = c · r
siendo
λ /2
c=
seno λ / 2
360°
λ= = 30°
12
PORTADA ÍNDICE
50 José Luis Pérez Bote
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
∑ kj = 1 rj ⋅ cos φ j ∑ kj = 1 rj ⋅ sen φ j
X= ; Y=
k k
PORTADA ÍNDICE
Introducción a la Estadística Circular51
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
PORTADA ÍNDICE
52 José Luis Pérez Bote
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.
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).
PORTADA ÍNDICE
Introducción a la Estadística Circular53
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:
159° + 164°
mediana = = 161,5°
2
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
54 José Luis Pérez Bote
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
w = 2π − max(T1 …Tn )
Ángulo T
43° 2
45° 7
52° 9
61° 14
75° 13
88° 0
88° 191
279° 78
357° 98
PORTADA ÍNDICE
Introducción a la Estadística Circular55
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.
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
56 José Luis Pérez Bote
Figura 31. La longitud del vector medio oscila entre 0 y 1, disminuyendo a medida que la
concentración de puntos es menor.
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
Introducción a la Estadística Circular57
180°
s=
π
[2 ⋅ (1 − r )]1/2
()
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 )}
Los límites de confianza para la media (L1, L2) pueden expresarse como:
θ ±d
2 n(2 R 2 – n χα2 ,1 )
4 n – χα2 ,1
d = arcos
R
PORTADA ÍNDICE
58 José Luis Pérez Bote
Para r ≥ 0,9:
n2 − ( n2 − R 2 ) e
χα2 ,1 / n
d = arcos
R
Siendo R = n · r.
R = n · r = 8 · 0,87919 = 7,03352
De modo que:
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°.
3.4.1. Asimetría
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
=
K
(
r2 ⋅ cos θ 2 − 2θ − r 4 )
(1 – r ) 2
PORTADA ÍNDICE
Introducción a la Estadística Circular59
3.5.1. Introducción
PORTADA ÍNDICE
60 José Luis Pérez Bote
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.
PORTADA ÍNDICE
Introducción a la Estadística Circular61
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
62 José Luis Pérez Bote
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.
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
PORTADA ÍNDICE
Introducción a la Estadística Circular63
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
64 José Luis Pérez Bote
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.
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
Introducción a la Estadística Circular65
Figura 42. Dos gráficos circulares para representar direcciones. En ambos casos el radio
del círculo lo determina el grupo de mayor actividad.
PORTADA ÍNDICE
66 José Luis Pérez Bote
PORTADA ÍNDICE
Introducción a la Estadística Circular67
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
PORTADA ÍNDICE
68 José Luis Pérez Bote
3.6. DISTRIBUCIONES CIRCULARES
3.6.1. Introducción
PORTADA ÍNDICE
Introducción a la Estadística Circular69
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).
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
70 José Luis Pérez Bote
(iii) f(θ) = f(θ + k · 2π) para cualquier valor de k, por tanto, f es periódica.
θ2
F (θ 2 ) − F (θ 1 ) = ∫ f (θ ) d (θ )
θ1
θ2
F (θ ) = ∫ f (θ ) d (θ )
θ
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
Introducción a la Estadística Circular71
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
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.
V = 1 – R̄
PORTADA ÍNDICE
72 José Luis Pérez Bote
υ = { −2 log ( 1 − V )} ( )
1/2
, ∈[ 0, ∞ ]
1/2
= −2 log R
δ =
( 1 − R2 )
2
2R
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.
PORTADA ÍNDICE
Introducción a la Estadística Circular73
1
f (θ ) = , 0 ≤ θ < 2π
2π
θ
F(θ ) = , 0 ≤ θ < 2π
2π
Momentos:
Dirección media: μ, indefinida.
Longitud resultante media, R̄ = 0.
Dispersión circular, δ = ∞.
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
74 José Luis Pérez Bote
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
Introducción a la Estadística Circular75
1
f (ϕ ) = exp[κ cos(ϕ −θ 1 )]
2π I 0 (κ )
x = 0,5021; y = 0,5125;
r = 0,7176; ϕ = 45,6° ;
Asumimos que:
ϕ = θ 1 = 45,6°
PORTADA ÍNDICE
76 José Luis Pérez Bote
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 )
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:
PORTADA ÍNDICE
Introducción a la Estadística Circular77
3.6.4. Distribución cardioide
1
f (θ ) =
2π
{
1 + 2 R cos(θ − μ} , 0≤θ <2π , 0≤ R ≤ 1 / 2
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
78 José Luis Pérez Bote
3.6.5. Distribución wrapped
X w = X ( mod 2π )
X → e iX
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
4.2. UNA MUESTRA
PORTADA ÍNDICE
80 José Luis Pérez Bote
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.
Datos. Una muestra de n valores angulares ϕ1, ϕ2…ϕn, que representan direcciones
en un plano, tiempo o un fenómeno cíclico.
PORTADA ÍNDICE
Introducción a la Estadística Circular81
R=n·r
z = R 2 / n o z = n · r2
Hipótesis nula:
Regla de decisión:
PORTADA ÍNDICE
82 José Luis Pérez Bote
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:
∑ ∑
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
Introducción a la Estadística Circular83
Datos. Una muestra de n valores angulares ϕ1, ϕ2…ϕn, que representan direcciones
en un plano, tiempo o un fenómeno cíclico.
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:
n
P = 21− n ( n − 2m )
m
Regla de decisión:
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
84 José Luis Pérez Bote
Figura 55. Representación de los datos del ejercicio 11. La línea de puntos deja
a su derecha 3 valores.
4.2.3. Test V
Datos. Una muestra de n valores angulares ϕ1, ϕ2…ϕn, que representan direcciones
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.
Consideraciones sobre los datos:
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
Introducción a la Estadística Circular85
Hipótesis nula:
Regla de decisión:
Figura 56. Representación de los datos del ejercicio 12. En rojo el ángulo medio.
PORTADA ÍNDICE
86 José Luis Pérez Bote
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°.
Datos. Una muestra de n valores angulares ϕ1, ϕ2…ϕn, que representan direcciones
en un plano, tiempo o un fenómeno cíclico.
Propósito. Determinar si la distribución de ángulos difiere de la uniformidad. Se
puede aplicar a distribuciones bimodales o multimodales.
Consideraciones sobre los datos:
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
PORTADA ÍNDICE
Introducción a la Estadística Circular87
U = ∑ Ti − (360° / n )
Hipótesis nula:
Regla de decisión:
Figura 57. Representación de los datos del ejercicio 9. En rojo el ángulo medio.
PORTADA ÍNDICE
88 José Luis Pérez Bote
Obviamente ambos valores deben coincidir o ser muy próximos. El valor del estadístico
lo podemos calcular a través de:
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
Introducción a la Estadística Circular89
Datos. Una muestra de n valores angulares ϕ1, ϕ2…ϕn, que representan direcciones
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 –
0,155 0,24
Vn* = n1/2 Vn ⋅ (1 + + )
n n
Hipótesis nula:
Regla de decisión:
φi
Ui =
2π
Ui − n
n
PORTADA ÍNDICE
90 José Luis Pérez Bote
Figura 58. Representación de los datos del ejercicio 14. En rojo el ángulo medio.
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
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.
PORTADA ÍNDICE
Introducción a la Estadística Circular91
Datos. Una muestra de n valores angulares ϕ1, ϕ2…ϕn, que representan direcciones
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.
Consideraciones sobre los datos:
Hipótesis nula:
Regla de decisión:
n 105
ei = = = 8,75
k 12
PORTADA ÍNDICE
92 José Luis Pérez Bote
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
PORTADA ÍNDICE
Introducción a la Estadística Circular93
4.2.7. Test U2 de Watson
Datos. Una muestra de n valores angulares ϕ1, ϕ2…ϕn, que representan direcciones
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.
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:
Regla de decisión:
PORTADA ÍNDICE
94 José Luis Pérez Bote
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
( ∑ 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.
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
Introducción a la Estadística Circular95
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
A partir de aquí obtenemos:
( ∑ 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
PORTADA ÍNDICE
96 José Luis Pérez Bote
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
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:
Como F0,05,2,5 = 5,79 rechazamos H0, por tanto hay una dirección poblacional media
(Fig. 61).
PORTADA ÍNDICE
Introducción a la Estadística Circular97
Figura 61. Representación gráfica de los datos del ejercicio 17. Se comprueba que hay una
dirección poblacional media.
∑ ki = 1 i ⋅ cos φ i ∑ ki = 1 i ⋅ sen φ i
X= ; Y= ;
k k
X2 + Y2
R’ =
k
Hipótesis nula:
PORTADA ÍNDICE
98 José Luis Pérez Bote
Regla de decisión:
∑ 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
PORTADA ÍNDICE
Introducción a la Estadística Circular99
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:
PORTADA ÍNDICE
100 José Luis Pérez Bote
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:
∑ ni cos φi
x1 =
n
∑ ni senφi
y1 =
n
∑ ni cos γ i
x2 =
n
∑ ni senγ i
y2 =
n
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
Introducción a la Estadística Circular101
Estadístico:
r1 + r2 − r
F = g ( n − 2)
n − ( r1 + r2 )
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 )
n1 + n2 + … nk
n=
k
r = ∑ ri / n
PORTADA ÍNDICE
102 José Luis Pérez Bote
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:
r1 + r2
r= = 0,991
n
n1 + n2
n= = 10
2
PORTADA ÍNDICE
Introducción a la Estadística Circular103
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
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
9,3340 4,39560
Y1 = = 0,8485, X1 = = 0,3996
11 11
PORTADA ÍNDICE
104 José Luis Pérez Bote
0,8485
α 1 = arctan = 64,78° ≈ 65°
0,3996
R1 = n1 · r1 = 11 · 0,9379 = 10,317
7,07265 5,1216
Y2 = = 0,7858; X2 = = 0,5690
9 9
r2 = 0,97026; α 2 = 54°
R2 = n2 ⋅ r2 = 9 ⋅ 0,97026 = 8,7323
Ahora procedemos a realizar los cálculos para las dos muestras combinadas:
N = 11 + 9 = 20
Por tanto:
16,4066 9,5171
Y= = 0,82033; X= = 0,4758
20 20
R = 20 · 0,9843 = 18,967
PORTADA ÍNDICE
Introducción a la Estadística Circular105
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:
Y
sen α = = 0,86500; cos α = X / r = 0,50177
r
Por tanto
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.
( N − k ) ⋅ ( ∑ kj = 1 R j − R )
F=K
( k − 1) − ( N − ∑ kj = 1 R j )
PORTADA ÍNDICE
106 José Luis Pérez Bote
PORTADA ÍNDICE
Introducción a la Estadística Circular107
k=3
N = 6 + 6 + 7 = 19
De modo que:
Por tanto:
6,0754 −16,1364
Y= = 0,31976; X= = −0,8492
19 19
R = 19 · 0,9075 = 17,2425
( N − k ) ⋅ ( ∑ kj = 1 R j − R )
F=K =
( k − 1) − ( N − ∑ kj = 1 R j )
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:
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
108 José Luis Pérez Bote
Afortunadamente este test es muy robusto, pero si las condiciones de normalidad son
severamente violadas es aconsejable utilizar un test no paramétrico.
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
βi = c i · δ
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:
Estadístico:
B = r2
PORTADA ÍNDICE
Introducción a la Estadística Circular109
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.
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):
PORTADA ÍNDICE
110 José Luis Pérez Bote
βi = c i · δ
Y tenemos que:
Ahora calculamos
La segunda muestra tiene rangos 5, 6 7 y 10. Por lo que sus ángulos son:
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
Introducción a la Estadística Circular111
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
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
112 José Luis Pérez Bote
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
Introducción a la Estadística Circular113
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.
PORTADA ÍNDICE
114 José Luis Pérez Bote
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:
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
Introducción a la Estadística Circular115
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).
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
116 José Luis Pérez Bote
Hipótesis nula:
Regla de decisión:
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.
Por tanto:
PORTADA ÍNDICE
Introducción a la Estadística Circular117
∑ y − 2X ⋅ Y ∑ x ⋅ y + Y ∑ x
2 2 2 2
k ⋅ ( k − 2) X
F=
2 ∑ x ∑ y − (∑ x ⋅ y )
2 2 2
Hipótesis nula:
Regla de decisión:
Tenemos que:
PORTADA ÍNDICE
118 José Luis Pérez Bote
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.
rj = X 2j + X 2j
Xj Yj
cos α j = ; sen α j =
rj rj
∑ ki = 1 i ⋅ cos α i
X=
k
∑ ki = 1 i ⋅ sen α i
Y=
k
X2 + Y2
R’ =
k
PORTADA ÍNDICE
Introducción a la Estadística Circular119
Hipótesis nula:
Regla de decisión:
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
120 José Luis Pérez Bote
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
∑ 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
Introducción a la Estadística Circular121
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.
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).
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
n1 ( n1 + 1) 6(6 + 1)
U = n1 ⋅ n2 + − R1 = 6 ⋅ 8 + − 56 = 13
2 2
PORTADA ÍNDICE
122 José Luis Pérez Bote
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:
Total ∑n – 1 SST
df = p – 1
SSB = ∑ ( R i − R )
i=1
∑ ip= 1 ( R i − R )
MSB =
p−1
PORTADA ÍNDICE
Introducción a la Estadística Circular123
SSW = ∑ ( ni − R )
i=1
SST = n − R
∑ ip= 1 ( ni − R i )
MSW =
∑ ni − p
∑ 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:
PORTADA ÍNDICE
124 José Luis Pérez Bote
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
Finalmente:
∑ ip= 1 ( R i − R ) / ( p − i ) 0,289334
F= = = 0,2882
∑ i = 1 ( ni − R i ) / ∑ ni − p 1,00038
p
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
sr2
L1 = n raa − ( n − r )r aa − Zα (2 ) aa
sr2
L2 = n raa − ( n − r )r aa − Zα (2 ) aa
PORTADA ÍNDICE
126 José Luis Pérez Bote
i Insecto ai luz bi
1 145° 120°
2 190° 180°
3 310° 330°
4 210° 225°
5 80° 55°
Figura 68. Dirección que toman los insectos (izquierda) y de la luz (derecha).
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
Introducción a la Estadística Circular127
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
i eliminado 1 2 3 4 5
raa 0,908 0,874 0,929 0,891 0,874
r aa = 0,8951; 2
saa = 0,0005552
sr2 0,005552
z 0,05(2 ) aa
= 1,96 = 0,0206
n 5
PORTADA ÍNDICE
128 José Luis Pérez Bote
Por tanto:
5.3. CORRELACIÓN CIRCULAR-LINEAL
2
rXC + rXS
2
− 2 ⋅ rXC ⋅ rXS ⋅ rCS
ral =
1 − rCS2
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
∑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
( ∑ x )2
∑x 2
= ∑ x2 −
n
PORTADA ÍNDICE
Introducción a la Estadística Circular129
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
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
PORTADA ÍNDICE
130 José Luis Pérez Bote
Ahora calculamos:
PORTADA ÍNDICE
CAPÍTULO 6
BIBLIOGRAFÍA
PORTADA ÍNDICE
132 José Luis Pérez Bote
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
134 José Luis Pérez Bote
PORTADA ÍNDICE
Introducción a la Estadística Circular135
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
136 José Luis Pérez Bote
PORTADA ÍNDICE
Introducción a la Estadística Circular137
PORTADA ÍNDICE
138 José Luis Pérez Bote
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
Introducción a la Estadística Circular139
PORTADA ÍNDICE
140 José Luis Pérez Bote
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
Introducción a la Estadística Circular141
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
142 José Luis Pérez Bote
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
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
Introducción a la Estadística Circular143
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
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
José Luis Pérez Bote
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
Tabla H. Valores críticos para la F de Snedecor (α = 0,05) (cont.)
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
José Luis Pérez Bote
Tabla H. Valores críticos para la F de Snedecor (α = 0,05) (cont.)
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
Estadística Circular147
Tabla H. Valores críticos para la F de Snedecor (α = 0,025) (cont.)
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
José Luis Pérez Bote
Tabla H. Valores críticos para la F de Snedecor (α = 0,025) (cont.)
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
Estadística Circular149
Tabla H. Valores críticos para la F de Snedecor (α = 0,01) (cont.)
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
José Luis Pérez Bote
Tabla H. Valores críticos para la F de Snedecor (α = 0,01) (cont.)
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
Estadística Circular151
Tabla H. Valores críticos para la F de Snedecor (α = 0,005) (cont.)
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
José Luis Pérez Bote
Tabla H. Valores críticos para la F de Snedecor (α = 0,005) (cont.)
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
Estadística Circular153
154 José Luis Pérez Bote
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
Introducción a la Estadística Circular155
PORTADA ÍNDICE
156 José Luis Pérez Bote
PORTADA ÍNDICE
Introducción a la Estadística Circular157
PORTADA ÍNDICE
158 José Luis Pérez Bote
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
Estadística Circular159