Mmes U1 A2 R1 Jomh

>
Modelacin estocstica.
Unidad 1. Determinacin del tipo de
distribucin que presenta un proceso
estocstico.
Actividad 2. Pruebas de bondad de ajuste.
http://images.slideplayer.es/3/1052654/slides/slide_51.jpg.png
Joel Alberto Montalvo Hernndez

AL12523631
MODELACION ESTOCASTICA
MTRA.GUADALUPE DEL CARMEN RODRIGUEZ MORENO.
Unidad 1. Determinacin del tipo de distribucin que presenta un
proceso estocstico.
Para realizar las pruebas de bondad de ajuste es necesario:
1. Definir la variable aleatoria, establecer el espacio de estados y paramtrico.
2. Elaborar el histograma
3. Encontrar la media y varianza
4. Es importante que grafique su frecuencia esperada en el histograma. Si es discreta el resultado es
puntual y si es continua es necesario trabajar con integrales.
5. Elaborar el anlisis de acuerdo a la prueba solicitada en el ejercicio.
Aplica la prueba de bondad de ajuste , para verificar que los datos proporcionados en cada caso encajan
2
en el modelo que se propone en los cuatro primeros ejercicios y en los siguientes 4 realiza la prueba
Kolmogorov-Smirnov.
Consideramos si las distribuciones propuestas son continuas o discretas, si no se proporcionan intervalos

en las distribuciones continuas dado E=[A, B] consideramos para el primer intervalo [a, c 1] ; en los histogramas
se indicar el nmero de clase y su frecuencia correspondiente.
Con los intervalos anteriores calcularemos la media y varianza considerando las marcas de clase:
Mc=(Ls-Li)/2.
Para el clculo de media y varianza consideramos las marcas de clase Mc=(Li+Ls)/2
Para las distribuciones discretas tomamos E={0,1,n} para Poison y binomial y E={1,2,n} para la
geomtrica en la tabla se sealarn las FOi=0.
Para la prueba de bondad de ajuste
, elaboramos una tabla de frecuencias observadas FO y
esperadas FE, donde FE=nF(x) para las distribuciones continuas y FE=np(x) para las discretas; se toma el
criterio FEi 5 , si no se cumple el criterio se adjuntan las clases adyacentes, calculamos el parmetro
3
C=
i=1
( FEiFOi )2
FEi
Determinamos los grados de libertad df=m-r-1, m es el nmero de clases, r los parmetros estimados, el
nivel de significancia
si se tiene que
=0.05
, calculamos
2df ,
, planteamos las hiptesis de trabajo Ho y alterna Ha,
C 2df , lahiptesis H o no puede rechazarse , siC 2df , la hiptesis H o se rechaza

15/11/2016
proceso estocstico.
1, Se tom a los tiempos entre llegadas de aviones en la ciudad de Mxico en minutos con los
siguientes datos:
Frecuenci
Clase
0.104959
4.45273909
8.80051917
13.1482993
17.4960793
21.8438594
26.1916395
a
1
23
16
3
4
2
1
Modelo propuesto: Exponencial (lambda=6)
Parauna distribucin exponencial = , 2=2
1
La funcin de densidad de la variable aleatoria x es f ( x ; )= e , x 0
0, en otro caso
1
x
1
En este caso =6, =6 =36, la funcin de densidad es f ( x ,6 )= e 6 ;
6
2
1
F ( x ; a ,b )= e
a 6
1
x
6
dx=e
x
6
b =e 6 e 6
a
X t =Es el tiempo en minutos entre llegadas deltsimo avin

S= [ 0, , 1440 ] continuo ,tiempo entre llegadas en minutos
T ={ 1,.. , 50 } discreto , aviones
La tabla de intervalos de clases e histograma son

15/11/2016
proceso estocstico.
Calculamos la media y la varianza
La media calculada se aproximaa la media propuesta en elmodelo
Parala frecuencia esperadaFE=nF ( x )=50 ( e
a
6
b
6
Generamos una tabla que incluya FO y FE
Graficamos La frecuencia observada y la frecuencia esperada

15/11/2016
proceso estocstico.
Comparando las frecuencias en el grfico notamos que los tiempos de llegadas entre aviones se ajustan a un
modelo exponencial con lambda=6
Como FEi 5 agrupamos las clases adyacentes
Generamos el histograma
Del grfico se observa que los datos se ajustan a la distribucin exponencial propuesta
Determinamos el parmetro C con m=3
3
C=
i=1
( FEiFOi )2 ( 26.1949024 )2 ( 12.2714416 )2 ( 10.898110 )2

=
+
+
=1.390813397
FEi
26.1949
12.27144
10.8981

15/11/2016
proceso estocstico.
Planteamos nuestras hiptesis
H o :eltiempo de llegada entre avionesenla CDMX se ajusta a un modelo exponencial con lambda=6
H o : X Exponencial =6
H a no H o
Si C 2df , lahiptesis H o no puede rechazarse , siC 2df , la hiptesis H o serechaza
La prueba la haremos con nivel de significancia de 0.05 =0.05,
Paralos grados de libertad se tiene df =kr 1

en nuestro caso k =3,r =0 lamedia se propoprcion , df =301=2.
Tomamos 22,0.05=5.991, tenemos que C=1.3908<5.991= 22,0.05

Por lo cual no existe evidencia para rechazar Ho, podemos afirmar que con un nivel de significancia de 0.05
los tiempos entre llegadas de los aviones en la CDMX se ajustan a un modelo exponencial con lambda=6.
2. Se tom el llenado de tinacos con capacidad mnima de 100 y capacidad mxima de 200, se
muestran a continuacin:
Clase
Frecuencia
100.5231
1
110.44621
8
120.36932
11
130.29243
10
140.21554
11
150.13865
10
160.06176
11
169.98487
11
179.90798
17
189.83109
10
Modelo propuesto: Uniforme (100, 200)

Tenemos n=100 tinacos
X t =Es el volumen en litros de llenado deltinaco t

S= [ 100, , 200 ] continuo volumen en litros
T ={ 1, ,100 } discreto , tinacos
Parauna distribucin uniforme continua =
a+ b 2 ( ba )
, =
2
12

15/11/2016
proceso estocstico.
1
La funcin de densidad de la variable aleatoria x es f ( x ; )= ba , a x b
0, en otro caso
2
( 200100 )
200+100
En este caso =
=150, 2=
=833.33
2
12
1
f ( x ; 100,200 )= 1 00 , 100 x 200 ;
0, en otro caso
b
F ( x ; a ,b )=
a
1
ba
dx=
100
100
Construyamos el histograma

15/11/2016
proceso estocstico.
La media calculada se aproxima a la media propuesta
1
La funcin de densidad es f ( x ; 100,200 )= 100 ,100 x 200 ,
0, en otro caso
b
La frecuencia esperadaes FE=nF ( x ) =100

a
1
dx =x|b =ba
100
a
Histograma FE,
FO
10.45
9.92
8
10
9.92
11
9.92
10
9.92
17
11
9.92
11
9.92
9.92
10.17
10
10
10
11
9.92
FE=b-a
Comparando las frecuencias en el grfico notamos que el volumen en litros de llenados de los tinacos se
ajusta a un modelo uniforme (100,200)
Como FEi 5 agrupamos las clases adyacentes

15/11/2016
proceso estocstico.
Generamos el histograma
Del grfico se observa que los datos se ajustan a la distribucin uniforme propuesta
9
C=
i=1
( FEiFOi )2
=11.86440107
FEi

15/11/2016
proceso estocstico.
H o :el volumen de llenado en litros de lostinacos se ajusta aun modelo uniforme (100,200)
H o : X Uniforme (100,200)
H a no H o
Si C 2df , lahiptesis H o no puede rechazarse , siC 2df , la hiptesis H o serechaza
Paralos grados de libertad se tiene df =kr 1
en nuestro caso k =9, r=0 la media se proporcion , df =901=8.

Tomamos 28,0.05=15.507, tenemos que C=11.86440107< 15.507= 28,0.05
Por lo cual no existe evidencia para rechazar Ho, por lo cual podemos afirmar que con un nivel de
significancia de 0.05 el llenado de tinacos con capacidad mnima de 100 y capacidad mxima de 200 se
ajusta a una distribucin uniforme (100,200).
3. En lotes de focos se revis el nmero de focos antes de tener un foco con falla, cada lote tena
30 focos :
Modelo propuesto: Geomtrica (0.3)
1 2 1 p
Parauna distribucin geomtrica = , = 2
p
p
La funcin de densidad de la variable aleatoria x es g ( x ; p )= p q x1 , q=1 p
En este caso =
1
10.3
=3.33, 2=
=7.78, q=1.03=0.7, g ( x ; 0.3 ) =(0.3) 0.7 x1
2
0.3
0.3
El valor cero implica que se obtiene el xito en el primer ensayo, el valor 1 en el segundo, etc.
15/11/2016
proceso estocstico.
Tenemos n=100
X t =Es el nmero de focos revisados antesde tener uno con falla en cada lote de 30 focos
S= { 0,1, 2, ,29 } discreto , focos revisados
T ={ 1,.. , 100 } discreto , son 100 lotes revisados
Nuestra tabla y su histograma son:
Calculamos la media y la varianza:
La media calculada se aproxima a la propuesta

Generamos una tabla que incluya FO y FE,
FE=ng(x ; p)=100(0.3)0.7

x1
15/11/2016
proceso estocstico.
El histograma con FE y FO es
Del grfico se observa que los datos se ajustan a una distribucin geomtrica
Como FEi 5 agrupamos las clases adyacentes y generamos ehisrama comparativo

15/11/2016
proceso estocstico.

8
C=
i=1
( FEiFOi )2
=11.86440107
FEi
H o : Enlos lotes considerados , el nmero de focos revisados antesde uno con falla se ajusta aun modelo
geomtrico g( x ; 0.3)
H o : X Geomtrico g( x ; 0.3)
H a no H o
Si C 2df , la hiptesis H o no puede rech a zarse , siC 2df , la hiptesis H o se rechaza
Paralos grados de libertad se tie n e df =kr1

Tomamos 27,0.05=14.067,tenemos que C=3.6083<14.067= 27,0.05

significancia de 0.05 que en los lotes de focos considerados, el nmero de focos revisados antes de
tener uno con falla se ajusta a un modelo geomtrico con g(x; 0.3).
15/11/2016
proceso estocstico.
4. En cajas de 20 latas se contabilizo el nmero de latas golpeadas:
Modelo propuesto: Binomial (0.3,20)
Parauna distribucin Binomial =np , 2 =npq , q=1 p

La funcin de densidad de la variable aleatoria x es b ( x ; n , p )= n p x qn x , x=1, , n
x
()
En este caso n=20 ; p=0.3 ; q=1.03=0.7 ; =20 ( 0.3 )=6, 2=20 ( 0.3 ) ( 10.3 ) =4.2
b ( x ; 20,0.3 ) = 20 0.3 x 0.720 x
x
( )
X t =N mero de nmero de latas golpeadasen cada caja

S= { 0,1,..,20 } discreto , total de latas golpeadas
T ={ 1,.. , 100 } discreto , son 100 cajas revisados
Nuestras tabla e histograma son:
Calculamos la media y la varianza:

15/11/2016
proceso estocstico.
la media calculada (6.29) se aproxima a la propuesta (6)
Generamos una tabla que incluya FO y FE,
FO= n p x q nx
x
()
Usamos en Excel FO=((FACT(20)/((FACT(B31))*(FACT(20-B31))))*(0.3^(B31))*(0.7^(20-B31)))*100
El histograma con FO y FE es

15/11/2016
proceso estocstico.
Del grfico se observa que los datos se ajustan a una distribucin binomial
Como FEi 5 agrupamos las clases adyacentes y generamos su histograma

8
C=
i=1
( FEiFOi )2
=9.1950
FEi

15/11/2016
proceso estocstico.
H o : El nmero de latas golpeadas en las100 cajas revisadas se ajusta a un modelo binomi a l(0.3, 20)
H o : X Binomial(0.3, 20)
H a no H o
2
Si C df , la hiptesis H o no puede rech a zarse , siC df , la hiptesis H o se rechaza

Paralos grados de libertad se tie n e df =kr1

Tomamos 27,0.05=14.067,tenemos que C=9.1950<14.067= 27,0.05
significancia de 0.05 que en las cajas revisadas, el nmero de latas golpeadas se ajusta a un modelo
binomial (0.3, 20).
En los siguientes problemas consideramos la prueba de Smirnov-Kolmogorov, por medio de los
siguientes pasos.
a) Elaborar la tabla de clases o intervalos y frecuencias observadas FO.
b) Calculamos la probabilidad observada POi=FOi/n.
c) Determinamos la probabilidades observadas acumuladadas POAi.
d) Calculamos las probabilidades esperadas PEi..
e) Calculamos las probabilidades acumuladas esperadas PEAi.
f) Calculamos el valor absoluto de PEAi-POAi, nuestro estimador es la mxima diferencia MD
obtenida.
g) Comparamos MD con el valor correspondiente a los n datos con un nivel de significacin 1-, si
MD es menor o igual al valor de la tabla, entonces no podemos rechazar nuestra hiptesis.
15/11/2016
proceso estocstico.
5. Se obtuvo el nmero de accidentes en la ciudad diarios, teniendo:
Clase
0
1
2
3
4
5
6
7
8
9
10
Frecuencia
2
7
9
19
10
10
16
12
8
3
4
Modelo propuesto: Uniforme discreta (0, 10)
Parauna distribucin uniforme discreta =
a+ b
;
2
( ba+1 )2 1
=
,
12
2
p ( x )=
1
ba+1
2
( 100+1 ) 1
0+ 10
1
1
Ennuestro caso =
=5 ; 2=
=10 ; p ( x )=
= 0.909
2
12
100+1 11
X t =Es el nmero de accidentes en la ciudad en el dat
S= { 0,1,..,10 } discreto , nmero de accidentes que pueden ocurrir
T ={ 1,.. , 100 } discreto , daen el que sucedieron los accidentes
Tenemos 11 clases, 11resultados posibles
De los datos de la tabla generamos el histograma

15/11/2016
proceso estocstico.
Delos datos de la tabla =

i=1
=
2
xi f i
k=11, n=100
n
02+17+ 29+319+ 410+510+616+712+ 88+93+104 483

=
=4.83
100
100
1
2
1
2
2
2
2
2
2
2
( xx ) =
[
2 ( 04.83 ) + 7 (14.83 ) +9 ( 24.83 ) +19 ( 34.83 ) +10 ( 44.83 ) +10 ( 54.83 ) +16 ( 64.83 )
n i=1
100
La
tabla de frecuencias observadas (FO) y esperadas (FE=np(x) )
Generamos la tabla de frecuencia observada FO, PO=FO/100, POA, PE y PEA

15/11/2016
proceso estocstico.
H o : El nmero de accidentes diarios en laciudad seajusta a una distribucin uniforme discreta ( 0,10 ) .
H o : X Uniforme discreta(0,10)
H a no H o
1.36 1.36 1.36
=
=
=0.136
n 100 10
Como MD=0.1228 0.136=D0.05,100 , no existe evidencia para rechazar Ho , por lo cual podemos afirmar
Para =0.05 con n=100, como n>50 se tiene para D 0.05,100 =
que con un nivel de significancia de 0.05 el nmero de accidentes diarios en laciudad se ajusta a un modelo
uniforme discrteo ( 0,10 ) .
6. Se obtiene el promedio de calificaciones de los alumnos de quinto grado en una escuela

primaria:
7.46
8.09
4.48
7.30
4.03
5.93
7.18
5.09
8.47
4.48
6.00
10.00
6.20
6.49
3.81
7.60
5.36
7.44
7.68
6.36
6.40
10.00
6.07
6.96
6.20
5.91
7.00
4.51
3.40
4.28
7.24
7.37
6.56
8.95
5.44
4.28
8.20
8.42
3.31
10.00
5.48
6.44
5.48
5.01
6.89
7.23
3.21
7.96
7.54
5.27
9.22
6.23
5.25
7.46

15/11/2016
proceso estocstico.
9.62
4.33
7.07
8.44
5.97
6.85
Modelo propuesto: Normal (miu= 6.5, desviacin estndar= 2)
X n =Promedio de calificacin del alumno n de quinto grado

S= [ 3.21 ; 10 ] continuo ,es el promedio que obtuvieron los alumnos .
T ={ 1,.. , 60 } discreto , se tienen 60 alumnos
Calculamos el rango R=10.003.21=6.79
Calculamos el nmero de clases k = n= 60=7.7459de donde k =8

La amplitud del intervalo es A=
6.79
=0.84875
8
Nuestratabla es
considearndo C1 <4.06 y C8 <9.15

Elaboramos el histograma correspondiente con GeoGebra 5.0
Considerandolos 60 datos =6.515, 2=2.887735, lamedia calculada seaproxima a la propuesta

15/11/2016
proceso estocstico.
Elaboramos una tabla para comparar FO/FE con FE=60*PE(los clculos de PE se realizan ms adelante)
Elaboramos una tabla de FO, FeCalculamos POi=FOi/n, y generamos una tabla con IC, FO, POi, POAi

15/11/2016
proceso estocstico.
3.216.5
=1.645
2
4.066.5
z 2=
=1.22
2
4.916.5
z3 =
=0.795
2
5.766.5
z4 =
=0.37
2
x
Para calcular PEi consideramos z i= i
, z 5= 6.616.5 =0.055
2
7.456.5
z6 =
=0.475
2
8.36.5
z7 =
=0.9
2
9.156.5
z8 =
=1.325
2
106.5
z 9=
=1.75
2
z 1=
PE 1=P ( z 1.22 ) =0.1112

PE 2=P (1.22 z 0.795 )=0.1021
PE 3 =P (0.795 z 0.37 )=0.1424
PE 4=P (0.37 z 0.055 )=0.1662
Calculamos las Pei
PE 5 =P ( 0.055 z 0.475 )=0.1607
PE 6 =P ( 0.475 z 0.9 ) =0.1333
PE 7=P ( 0.9 z 1.325 )=0.0915
PE 3=P ( z 1.325 )=0.0926
Elaboramos la tabla de intervalos y frecuencias observadas, esperadas y acumuladas.

15/11/2016
proceso estocstico.
Calculamos |PEAi-POAi| y sealamos Max{|PEAi-POAi|}
MD=0.03033333
H o : e l promedio de calificaciones de los alumnos de quinto grado en una escuela primaria se ajusta a una
distribucin normal ( 6.5, 2 ) .
H o : X normal (6.5, 2)
H a no H o
Para =0.05 con n=60, como n>50 se tiene para D 0.05,60=
1.36 1.36
=
=0.17557525
n 60
Como MD=0.03033333 0.17557525=D0.05,60 , no existe evidencia para rechazar Ho , por lo cual

podemosafirmar que con un nivel de significancia de 0.05 el promedio de calificacionesde losalumnos de
quinto grado de una primaria sejusta a una distribucin normal ( 6.5,2 ) .

7. Se tom el tiempo en minutos entre llegada de personas a Walt Mart, teniendo los siguientes datos:
12.
89
3.0
8
3.8
0
5.7
1
7.3
3
11.
18
0.2
7
2.7
5
6.1
5
3.3
2
7.2
5
13.
65
9.6
1
1.4
2
0.4
4
1.8
6
5.9
1
8.2
9
4.2
6
2.7
4
2.2
1
11.
21
3.7
4
11.
44
0.0
9
7.3
1.8
2.8
1.3
7.2

15/11/2016
proceso estocstico.
3
2.8
6
0.5
4
4.7
5
2.8
3
1.2
7
13.
41
5.2
0
4.5
7
3.5
3
0.2
9
2.1
3
3.4
4
0.5
7
5.3
6
2.2
9
7.3
0
2.8
7
2.4
2
7.7
1
1.9
4
Modelo propuesto: Exponencial (lambda= 5)

2
Parauna distribucin exponencial = , =
1
La funcin de densidad de la variable aleatoria x es f ( x ; )= e , x 0
0, en otro caso
1
2
2
En este caso =5, =5 =25, la funcin de densidad es f ( x , 5 ) = e
5
b
1
F ( x ; a ,b )= e 6 dx =e
a 5
x
5
b =e 5 e
a
x
5
b
5
X t =Es el tiempo en minutos entre llegadas a WALMART delnsimo cliente

S= continuo ,tiempo entre llegadas en minutos
T ={ 1,.. , 50 } discreto , 50 clientes

El rango R=MinMax=13.650.09=13.56
Nmero de clases k = 50=7.07 de donde k =7
Amplitud delintervalo A=
13.56
=1.93714 1.94
7
Elaboramos la tabla de frecuencias:

15/11/2016
proceso estocstico.
considerando C1 como <2.03 y C7 como >11.72

El histograma correspondiente
x
662.2202
( i) =
=13.244404
50
n
n
1
1
1
2
= xi = ( 236.5 )=4.73 =
n 1
50
n 1
2
La media calculada se aproximaa la media propuesta en elmodelo
Parala frecuencia esperadaFE=nF ( x )=50 e 5 e
b
5

15/11/2016
proceso estocstico.
FO/FE
FO
FE
Comparando las frecuencias en el grfico notamos que los tiempos de llegadas entre aviones se ajustan a un
modelo exponencial con lambda=5
Elaboramos la tabla de intervalos y frecuencias observadas, esperadas y acumuladas.
Calculamos |PEAi-POAi| y sealamos Max{|PEAi-POAi|}

15/11/2016
proceso estocstico.
MD=0.093689833
H o :e l tiempode llegadas entre clientes en Walmart se ajusta a una distribucin exponencial ( =5 ) .

H o : X exponencial normal ( =5 )
H a no H o
Para =0.05 con n=0, como n=50 se tiene para D0.05,50=0.18841
Como MD=0.093689833 0.18841=D 0.05,50 , no existe evidencia para rechazar Ho , por locual
podemosafirmar que con un nivel de significancia de 0.05 el tiempoentre clientes en Walmart se ajusta
a una distribucin exponencial ( =5 ) .
8. En una cafetera se contabilizan el nmero de tazas de caf que se preparan:
Modelo propuesto: Uniforme (6, 20)

2
Parauna distribucin uniforme discreta =
a+ b 2 ( ba+1 ) 1
1
; =
, p (x )=
2
12
ba+ 1
2
( 206+1 ) 1
6 +20
1
1
Ennuestro caso =
=13 ; 2=
=18.66 ; p ( x ) =
=
2
12
206+1 15
X t =Es el nmero de tazas que se preparan en el dat
S= {6,. .,20 } discreto , nmero de tazas que se pueden servir enun da
15/11/2016
proceso estocstico.
T ={ 1,.. , 100 } discreto , daen el que se sirvieron lastazas de caf
Tenemos 15 clases, 15 resultados posibles
De los datos de la tabla generamos el histograma
Calculamos lamedia y laavarianza =

i=1
k
xi f i
1
2
k=15, n=100, 2 = f i ( xx )
n
n i=1
tabla de frecuencias observadas (FO) y esperadas (FE=np(x)=100(1/15) ) e histograma

15/11/2016
proceso estocstico.
Generamos la tabla de frecuencia observada FO, PO=FO/100, POA, PE y PEA, |PEAi-POAi| yMD
MD=0.2233
H o : El nmero de tazas de caf que se preparandiariamente se ajusta a una distribucin uniforme discreta ( 6,20 )
H o : X Uniforme discreta(0,10)
H a no H o
Para =0.05 con n=100, como n>50 se tiene para D 0.05,100 =
1.36 1.36 1.36

=
=
=0.136
n 100 10

15/11/2016
proceso estocstico.
Como MD=0.1228 0.136=D0.05,100 , se rechazar Ho, por lo cual podemos afirmar que con un nivel
de significancia de 0.05 elnmero de tazas de caf servidas diariamenteno se ajusta a un modelo
uniforme discreta ( 6,20 ) .
Referencias
Walpole, R., Myers, R., Myers, S., & Ye, K. (2013). Probabilidad y estadstica para ingeniera y ciencias 9a. ed.
Mxico: Pearson.
Frias, M.. (2014). Estadstica II tablas estadsticas. noviembre 15, 2016, de Universidad de jan Sitio web:
http://www4.ujaen.es/~mpfrias/TablasInferencia.pdf.
Mrquez, C.. (2012). Prueba de bondad de ajuste. noviembre 13, 2016, de Wordpress Sitio web:
https://carlosmarquez.files.wordpress.com/2012/02/prueba-de-bondad-de-ajuste.pdf

15/11/2016

Mmes U1 A2 R1 Jomh

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Mmes U1 A2 R1 Jomh

Enviado por

Direitos autorais:

Formatos disponíveis

>

Joel Alberto Montalvo Hernndez

Consideramos si las distribuciones propuestas son continuas o discretas, si no se proporcionan intervalos

, elaboramos una tabla de frecuencias observadas FO y

, planteamos las hiptesis de trabajo Ho y alterna Ha,

C 2df , lahiptesis H o no puede rechazarse , siC 2df , la hiptesis H o se rechaza

Joel Alberto Montalvo Hernndez

Modelo propuesto: Exponencial (lambda=6)

Parauna distribucin exponencial = , 2=2

X t =Es el tiempo en minutos entre llegadas deltsimo avin

Joel Alberto Montalvo Hernndez

Calculamos la media y la varianza

La media calculada se aproximaa la media propuesta en elmodelo

Parala frecuencia esperadaFE=nF ( x )=50 ( e

Generamos una tabla que incluya FO y FE

Graficamos La frecuencia observada y la frecuencia esperada

Joel Alberto Montalvo Hernndez

Como FEi 5 agrupamos las clases adyacentes

( FEiFOi )2 ( 26.1949024 )2 ( 12.2714416 )2 ( 10.898110 )2

Joel Alberto Montalvo Hernndez

Paralos grados de libertad se tiene df =kr 1

Tomamos 22,0.05=5.991, tenemos que C=1.3908<5.991= 22,0.05

Modelo propuesto: Uniforme (100, 200)

X t =Es el volumen en litros de llenado deltinaco t

Joel Alberto Montalvo Hernndez

Calculamos la media y la varianza

Joel Alberto Montalvo Hernndez

La frecuencia esperadaes FE=nF ( x ) =100

Generamos una tabla que incluya FO y FE

Graficamos La frecuencia observada y la frecuencia esperada

Como FEi 5 agrupamos las clases adyacentes

Joel Alberto Montalvo Hernndez

Planteamos nuestras hiptesis

en nuestro caso k =9, r=0 la media se proporcion , df =901=8.

Modelo propuesto: Geomtrica (0.3)

Calculamos la media y la varianza:

La media calculada se aproxima a la propuesta

Joel Alberto Montalvo Hernndez

Como FEi 5 agrupamos las clases adyacentes y generamos ehisrama comparativo

Joel Alberto Montalvo Hernndez

Determinamos el parmetro C con m=8

Planteamos nuestras hiptesis

Paralos grados de libertad se tie n e df =kr1

Tomamos 27,0.05=14.067,tenemos que C=3.6083<14.067= 27,0.05

Modelo propuesto: Binomial (0.3,20)

Parauna distribucin Binomial =np , 2 =npq , q=1 p

X t =N mero de nmero de latas golpeadasen cada caja

Calculamos la media y la varianza:

la media calculada (6.29) se aproxima a la propuesta (6)

Generamos una tabla que incluya FO y FE,

Usamos en Excel FO=((FACT(20)/((FACT(B31))*(FACT(20-B31))))*(0.3^(B31))*(0.7^(20-B31)))*100

Joel Alberto Montalvo Hernndez

Como FEi 5 agrupamos las clases adyacentes y generamos su histograma

Determinamos el parmetro C con m=8

Joel Alberto Montalvo Hernndez

Planteamos nuestras hiptesis

Si C df , la hiptesis H o no puede rech a zarse , siC df , la hiptesis H o se rechaza

en nuestro caso k =8, r=0 la media se proporcion , df =801=7.

Modelo propuesto: Uniforme discreta (0, 10)

Parauna distribucin uniforme discreta =

Joel Alberto Montalvo Hernndez

Delos datos de la tabla =

02+17+ 29+319+ 410+510+616+712+ 88+93+104 483

Usamos en Excel FO=((FACT(20)/((FACT(B31))(FACT(20-B31))))(0.3^(B31))(0.7^(20-B31)))100