ESTADÍSTICA II

TALLER DE APLICACIÓN DE PRUEBAS NO PARAMÉTRICAS

MEDIANTE LÍNEAS DE ESPERA
MARÍA ANDREA GARZÓN
STIVEN JARAMILLO
GRUPO B1

Realizado una sede bancaria de Colpatria (centro comercial Megamall), que es un grupo
empresarial colombiano, con negocios en banca, seguros, construcción y minería entre
otros.
Datos tomados el 23 (12:45 pm – 1:45 pm) y 24 (12:50 pm – 1:50 pm) de noviembre 2017.

Objetivo: Determinar si el conjunto de datos sigue una distribución de Poisson. La

distribución Poisson representa líneas de espera en el sistema de colas, es muy común
asumir que las llegadas en el sistema son de tipo Poisson.

1. Primer día, en la siguiente tabla se observa el número de clientes observados en

intervalos de tiempo de 5 minutos:

Límite inferior Límite superior Frecuencia observada

12:45:05 p. m. 12:50:05 p. m. 3
12:50:05 p. m. 12:55:05 p. m. 5
12:55:05 p. m. 1:00:05 p. m. 2
1:00:05 p. m. 1:05:05 p. m. 2
1:05:05 p. m. 1:10:05 p. m. 4
1:10:05 p. m. 1:15:05 p. m. 2
1:15:05 p. m. 1:20:05 p. m. 3
1:20:05 p. m. 1:25:05 p. m. 5
1:25:05 p. m. 1:30:05 p. m. 2
1:30:05 p. m. 1:35:05 p. m. 3
1:35:05 p. m. 1:40:05 p. m. 4
1:40:05 p. m. 1:45:05 p. m. 2
Total = 37

En total se observaron n=37 clientes en el rango de tiempo establecido (12:45 pm – 1:45

pm) y se observaron frecuencias entre 2, 3, 4 y 5 clientes.

Paso que dio a que se plantearan las siguientes hipótesis:

𝐻0 = 𝐿𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑞𝑢𝑒 𝑙𝑙𝑒𝑔𝑎𝑛 𝑎𝑙 𝑏𝑎𝑛𝑐𝑜 𝑠𝑒 𝑐𝑜𝑚𝑝𝑜𝑟𝑡𝑎 𝑐𝑜𝑚𝑜 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛

𝑑𝑒 𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑐𝑎𝑑𝑎 5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠

𝐻1 = 𝐿𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑞𝑢𝑒 𝑙𝑙𝑒𝑔𝑎𝑛 𝑎𝑙 𝑏𝑎𝑛𝑐𝑜 𝑛𝑜 𝑠𝑒 𝑐𝑜𝑚𝑝𝑜𝑟𝑡𝑎 𝑐𝑜𝑚𝑜 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛

𝑑𝑒 𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑐𝑎𝑑𝑎 5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
Para resolver la duda de si se rechaza o no la hipótesis nula en primer lugar se calculó la
tasa promedio de llegada de los clientes (𝜆):

Clientes cada 5 min, X Frecuencia observada, 𝜽𝖎 X·𝜽𝖎

0 0 0
1 0 0
2 5 10
3 3 9
4 2 8
5 2 10
6 ó más 0 0
Total 12 37

De donde determinó la media de esta muestra:

(𝟎 ∗ 𝟎) + (𝟏 ∗ 𝟎) + (𝟐 ∗ 𝟓) + (𝟑 ∗ 𝟑) + (𝟒 ∗ 𝟐) + (𝟓 ∗ 𝟐) 𝟑𝟕
̅=𝝀=
𝑿 =
𝟏𝟐 𝟏𝟐
𝒄𝒍𝒊𝒆𝒏𝒕𝒆𝒔
𝝀 = 𝟑, 𝟎𝟖𝟑𝟑 [ ]
𝟓 𝒎𝒊𝒏𝒖𝒕𝒐𝒔

Con esta media puede utilizarse la función Poisson de Excel para determinar las
probabilidades teóricas. Por ejemplo, con la función =POISSON (0;3.0833;) se obtiene el
valor 0,0458; probabilidad de contar 0 clientes, en una distribución Poisson con una media
de 3,0833.

O se puede usar la función:

𝑒 −𝜆 𝜆𝑋 𝑒 −3,0833 ∗ 3.08330
𝑓(𝑋) = 𝑋!
= 0!
= 0,0458

Con esta función se generó la distribución de frecuencias Poisson y su vez la frecuencia

esperada (𝒆𝒊 ) en la siguiente tabla:

Clientes cada 5 min, X 𝜽𝖎 Poisson, P 𝒆𝒊 = 𝒏 ∗ 𝑷

0 0 0,0458 1,6948
1 0 0,1412 5,2257
2 5 0,2177 8,0563
3 3 0,2238 8,2801
4 2 0,1725 6,3826
5 2 0,1064 3,9359
6 ó más 0 0,0926 3,4244
Total 12 1,0000
También se incluyeron las frecuencias observadas y las esperadas agrupadas para
respetar la regla de las 5, que obliga a utilizar al menos 5 frecuencias esperadas en cada
clase (k) y una vez hecho esto se calculó el cuadrado de la diferencia sobre la esperada
agrupada para cada clase k para calcular el estadístico 𝜒02 (Chi cuadrado):

K Clientes cada 𝜽𝖎 𝒆𝒊 (𝜽𝖎 − 𝒆𝒊 )𝟐

5 min, X (agrupada) (agrupada) 𝒆𝒊
1 0a1 0 6,92 6,92
2 2 5 8,06 1,16
3 3 3 8,28 3,37
4 4 2 6,38 3,01
5 5 ó más 2 7,36 3,90
Total 18,36

Estadístico 𝝌𝟐𝟎 :
𝟓
(𝜽𝖎 − 𝒆𝒊 )𝟐
𝝌𝟐𝟎 =∑ = 𝟏𝟖, 𝟑𝟔
𝒆𝒊
𝟏

Regla de decisión (método crítico)

Rechazar 𝐻0 si 𝜒02 ≥ 𝜒𝛼 ,𝑘−𝑝−1 , siendo k el número de clases y p el número de parámetros

estimados (𝜆, p=1)

Por tablas 𝜒𝛼 ,𝑘−𝑝−1 = 𝜒0,05 ; 5−1−1 = 𝜒0,05; 3 = 7.815

Como 𝜒02 = 18,36 > 7,815 se rechaza 𝐻0 , por lo tanto, podemos concluir que la cantidad
de clientes que llegan al banco no presentan un comportamiento Poisson.

Gráfica X vs f(x)
 Media 0,112%
Mediana 0,108%
Desviación estándar 0,000561
Coeficiente de 0,4912149
asimetría

Como la media es mayo a la mediana y el coeficiente de asimetría es mayor a cera, se

asume los datos presentan asimetría positiva.

2. Segundo día, en la siguiente tabla se observa el número de clientes observados en

intervalos de tiempo de 5 minutos:

Límite inferior Límite Frecuencia

superior observada
12:50:33 p. m. 12:55:33 p. m. 2
12:55:33 p. m. 1:00:33 p. m. 3
1:00:33 p. m. 1:05:33 p. m. 2
1:05:33 p. m. 1:10:33 p. m. 3
1:10:33 p. m. 1:15:33 p. m. 5
1:15:33 p. m. 1:20:33 p. m. 2
1:20:33 p. m. 1:25:33 p. m. 4
1:25:33 p. m. 1:30:33 p. m. 2
1:30:33 p. m. 1:35:33 p. m. 3
1:35:33 p. m. 1:40:33 p. m. 3
1:40:33 p. m. 1:45:33 p. m. 2
1:45:33 p. m. 1:50:33 p. m. 3
Total = 34

En total se observaron n=34 clientes en el rango de tiempo establecido (12:50 pm – 1:50

pm) y se observaron frecuencias entre 2, 3, 4 y 5 clientes.

Paso que dio a que se plantearan las siguientes hipótesis:

𝐻0 = 𝐿𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑞𝑢𝑒 𝑙𝑙𝑒𝑔𝑎𝑛 𝑎𝑙 𝑏𝑎𝑛𝑐𝑜 𝑠𝑒 𝑐𝑜𝑚𝑝𝑜𝑟𝑡𝑎 𝑐𝑜𝑚𝑜 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛

𝑑𝑒 𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑐𝑎𝑑𝑎 5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠

𝐻1 = 𝐿𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑞𝑢𝑒 𝑙𝑙𝑒𝑔𝑎𝑛 𝑎𝑙 𝑏𝑎𝑛𝑐𝑜 𝑛𝑜 𝑠𝑒 𝑐𝑜𝑚𝑝𝑜𝑟𝑡𝑎 𝑐𝑜𝑚𝑜 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛

𝑑𝑒 𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑐𝑎𝑑𝑎 5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠

Para resolver la duda de si se rechaza o no la hipótesis nula en primer lugar se calculó la

tasa promedio de llegada de los clientes (𝜆):

Clientes cada 5 min, X Frecuencia observada, 𝜽𝖎 X·𝜽𝖎

 0 0 0
1 0 0
2 5 10
3 5 15

4 1 4

5 1 5

6 ó más 0 0

Total 12 34

De donde determinó la media de esta muestra:

𝟑𝟒 𝒄𝒍𝒊𝒆𝒏𝒕𝒆𝒔
̅=𝝀=
𝑿 = 𝟐, 𝟖𝟑𝟑 [ ]
𝟏𝟐 𝟓 𝒎𝒊𝒏𝒖𝒕𝒐𝒔

Con esta media puede utilizarse la función Poisson de Excel para determinar las
probabilidades teóricas. Por ejemplo, con la función =POISSON (0;2.833;) se obtiene el
valor 0,0588; probabilidad de contar 0 clientes, en una distribución Poisson con una media
de 2,833.

O se puede usar la función:

𝑒 −𝜆 𝜆𝑋 𝑒 −2,833 ∗ 2,8330
𝑓(𝑋) = 𝑋!
= 0!
= 0,0588

Con esta función se generó la distribución de frecuencias Poisson y su vez la frecuencia

esperada (𝒆𝒊 ) en la siguiente tabla:

Clientes cada 5 min, X 𝜽𝖎 Poisson, P 𝒆𝒊 = 𝒏 ∗ 𝑷

0 0 0,0588 1,9998
1 0 0,1666 5,6660
2 5 0,2361 8,0268
3 5 0,2230 7,5809
4 1 0,1579 5,3698
5 1 0,0895 3,0429
6 ó más 0 0,0681 2,3139
Total 12 1,0000

También se incluyeron las frecuencias observadas y las esperadas agrupadas para

respetar la regla de las 5, que obliga a utilizar al menos 5 frecuencias esperadas en cada
clase (k) y una vez hecho esto se calculó el cuadrado de la diferencia sobre la esperada
agrupada para cada clase k para calcular el estadístico 𝜒02 (Chi cuadrado):

K Clientes cada 𝜽𝖎 𝒆𝒊 (𝜽𝖎 − 𝒆𝒊 )𝟐

5 min, X (agrupada) (agrupada) 𝒆𝒊
 1 0a1 0 7,67 7,67
2 2 5 8,03 1,14
3 3 5 7,58 0,88
4 4 1 5,37 3,56
5 5 ó más 1 5,36 3,54
Total 16,79

Estadístico 𝝌𝟐𝟎 :
𝟓
(𝜽𝖎 − 𝒆𝒊 )𝟐
𝝌𝟐𝟎 =∑ = 𝟏𝟔, 𝟕𝟗
𝒆𝒊
𝟏

Regla de decisión (método crítico)

Rechazar 𝐻0 si 𝜒02 ≥ 𝜒𝛼 ,𝑘−𝑝−1 , siendo k el número de clases y p el número de parámetros

estimados (𝜆, p=1)

Por tablas 𝜒𝛼 ,𝑘−𝑝−1 = 𝜒0,05 ; 5−1−1 = 𝜒0,05; 3 = 7.815

Como 𝜒02 = 16,79 > 7,815 se rechaza 𝐻0 , por lo tanto, podemos concluir que la cantidad
de clientes que llegan al banco no presentan un comportamiento Poisson.

Gráfica X vs f(x)

Media 0,126%
Mediana 0,133%
Desviación estándar 0,00086283
Coeficiente de 0,67459734
asimetría

El coeficiente de asimetría es mayor a cera, se asume los datos presentan asimetría

positiva.