MMES U1 EA JOMH - Corr2

>
24-11-2016
Modelacin estocstica.
Unidad 1. Determinacin del tipo de distribucin que
presenta un proceso estocstico.
Evidencia de Aprendizaje. Modelacin de comportamiento de
procesos estocsticos.
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.
Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.
Introduccin
En las ciencias cuando se analiza, se estudia un fenmeno se busca de ser posible determinar las
causas del mismo y describir su comportamiento, para ello elaboramos un modelo matemtico que describa el
comportamiento actual del fenmeno y su desarrollo posterior al momento en que se observa. En Mecnica
primero Galileo sent las bases de la cinemtica, lo cual permiti describir distintos tipos de movimiento y
describir su comportamiento pasado, presente y futuro; posteriormente Newton desarroll la dinmica y esto
permiti conocer las causas del movimiento y sus efectos en el mismo. En diversas reas del conocimiento
humano se estudian fenmenos que presentan un comportamiento aleatorio, analizamos el problema y tratamos
de determinar sus causas o comportamiento, para este ltimo punto se requiere elaborar un modelo matemtico
que describa de la mejor manera el mismo permitindonos con ello realizar un mejor anlisis. Una vez planteado
el modelo se verifica que describa de manera aproximada el fenmeno, para ello medimos las diferencias entre
los valores observados y los esperados en base al modelo propuesto.
Si estamos interesados en determinar si los datos disponibles de una muestra aleatoria simple de tamao
n corresponden a cierta distribucin terica. El primer paso a realizar consiste en descomponer el recorrido de
la distribucin terica en un nmero finito de subconjuntos: A1, A2, ..., Ak. Despus, clasificar las observaciones
muestrales, segn el subconjunto a que pertenezcan y por ltimo, comparar las frecuencias observadas de cada
Ai con las probabilidades que les corresponderan con la distribucin terica a contrastar. Una prueba de bondad
de ajuste nos permite determinar la validez del modelo propuesto, entre las pruebas de bondad de ajuste
tenemos:
Prueba de bondad de ajuste Ji-cuadrada.
Es la prueba ms conocida de las pruebas estadsticas y es adecuada para comprobar, distribuciones
de tipo discreto, o bien, cuando las observaciones que se realizan caen en clases determinadas; es una funcin
de distancia, ya que lo que hace es medir la distancia entre la funcin de densidad de la variable emprica y la
terica. La prueba Ji cuadrada hace uso de la distribucin del mismo nombre para probar la bondad del ajuste
al comparar el estadstico de prueba X2 con el valor en tablas de la mencionada distribucin, con df grados de
libertad y un nivel de significancia alfa.
Supongamos que tenemos un nmero k de clases en las cuales se han ido registrado un total de n
observaciones (n ser pues el tamao muestral). Denotaremos las frecuencias observadas en cada clase por
O1, O2, ..., Ok (Oi es el nmero de valores en la clase Ai ). Se cumplir: O1 + O2 + ... + O k = n, compararemos
las frecuencias observadas con las frecuencias esperadas (tericas), a las que denotaremos por E1, E2, ..., E k
. Se cumplir: E1 + E2 + ... + E k = n.

15/11/2016

En base al histograma de los datos de la muestra elaboramos un histograma y en base a este, el tipo
de variable (uniforme o discreta) proponemos un tipo de distribucin. Determinamos las FEi y elaboramos una
tabla de Clases, FOi, FEi, calculamos nuestro estimador:
=
=1
Calculamos
2
,
( )2
,
df=k-r-1, df son los grados de libertad, r los parmetros estimados a partir de la muestra,
2
k es el total de clases, el nivel de confianza es 1-, si C<,
, no se puede rechazar nuestra propuesta de
modelo.
Si las frecuencias observadas son menores que 5, se agrupan las clases adyacentes y se suman las
()2
de las clases adyacentes.
Si la variable es continua se agrupan adecuadamente los valores en un nmero adecuado de subintervalos

o clases k. La regala emprica para seleccionar el nmero de clases es = .
Prueba de Kolmogorov-Smirnov
La prueba de Kolmogorov-Smirnov, para una muestra es un procedimiento de bondad de ajuste, porque
permite medir el grado de concordancia existente entre la distribucin de un conjunto de datos y una distribucin
terica especfica. Su objetivo es sealar si los datos provienen de una poblacin que tiene la distribucin terica
propuesta, se compara la distribucin acumulada de las frecuencias tericas con la distribucin acumulada de
las frecuencias observadas; se determina el valor absoluto mximo de dichas diferencias, y se determina qu
probabilidad existe de que una diferencia de esa magnitud se deba al azar.
Nuestro estimador es {| |} lo comparamos con la probabilidad correspondiente para n datos
con un nivel de confianza 1- en la tabla K-S, si el valor del estimador es menor que el valor de la tabla nuestra
hiptesis propuesta no se puede rechazar.
Pruebas de normailidad
Prueba de JarqueBera (JB)
La prueba de bondad de ajuste JarqueBera (JB) es una prueba asinttica de normalidad, se usa para
determinar si una muestra o grupo de datos se ajusta a una distribucin normal tratando de vavalidar la hiptesis
0 =
~(0,1)
Se basa en determinar que tanto se desvan los coeficientes de asimetra y curtosis de la muestra de los de la
distribucin normal los cuales son 0 y 3 para la asimetra y la curtosis respectivamente.
15/11/2016

Para la asimetra se determina mediante:
Si S>0 la distribucin es asimtrica hacia la derecha si es menor que cero es asimtrica hacia la derecha.
La curtosis determina el grado de concentracin que presentan los valores en la parte central de la distribucin
y se calcula mediante
Cuando el valor de la curtosis es diferente de 3 se tienen los siguientes casos
El estadstico de Jarque-Bera se calcula mediante

=
2 1 2
( + )
6
4
Para un n demasiado grande el estadstico se distribuye chi-cuadrado con dos grados de libertad, realizar la
prueba se considera

15/11/2016

Considerando Ho, la probabilidad de la parte sombreada corresponde al valor p asociado al estadstico JB si
este valor es mayor que alfase dice que no hay suficiente evidencia para rechazar la hiptesis nula por lo tanto
los datos se ajustan a una distribucin normal, de lo contrario no existe normalidad.
Test de Shapiro y Wilk
Publicada en 1965 por Samuel S. Shapiro y Martin B. Wilk, determina si una muestra aleatoria presenta
distribucin normal se basa en las desviaciones que presentan las estadsticas de orden de la muestra
respecto a los valores esperados de los estadsticos de orden de la distribucin normal estndar, se considera
una muestra menor a 50 datos, observaciones independientes, muestreo aleatorio, avriables en escala
intervalar o razn.
Las hipteis a probar son Ho: XNormal, Ha: X no es normal, el estadstico es
=
2
2
si n es par
N impar
Si Wc<Wt se rechaza Ho.
Prueba de Anderson Darling

Tiene como propsito corroborar si una muestra de variables aleatorias proviene de una poblacin con una
distribucin de probabilidad especfica.
Es una modificacin de la prueba de kolmogorov-Smirnov, aunque tiene la virtud de detectar las discrepancias
en los extremos de las distribuciones.
Su principal desventaja que es necesario calcular los valores crticos para cada distribucin. Es muy sensible
en los extremos de la distribucin, por lo que debe ser usada con mucho cuidado en distribuciones con lmite
inferior acotado, y no es confiable para distribuciones de tipo discreto.
Prueba de Anderson_Darling
La prueba de Anderson-Darling es usada para probar si una muestra viene de una distribucin especifica. Esta
prueba es una modificacin de la prueba de Kolmogorov- Smirnov donde se le da ms peso a las colas de la
distribucin que la prueba de Kolmogorov-Smirnov.

15/11/2016

En estadstica, la prueba de Anderson-Darling es una prueba no paramtrica sobre si los datos de una muestra
provienen de una distribucin especfica. La frmula para el estadstico determina si los datos vienen de una
distribucin con funcin acumulativa F. se usa en distribuciones normal, lognormal, exponencial, Weibull y
logstica
N es el nmero de datos, f(x) es la funcin de distribucin terica, Fs(x) es la funcin de distribucin propuesta
El estadstico de la prueba se puede entonces comparar contra las distribuciones del estadstico de prueba
(dependiendo que se utiliza) para determinar el P-valor
Si A2>AD la hiptesis nula se rechaza, AD se toma de la tabla anterior, dependiendo del tipo de distribucin y
el nivel de significancia.

15/11/2016

1) Distribucin Beta
2) Problema Prototipo. Busca datos (mnimo 50 datos) de un fenmeno en particular y realiza lo siguiente:
a) Establece el planteamiento de tus datos
b) Define Xt, S y T
c) Elabora una grfica de tus datos (diagrama de dispersin)
d) Elabora el histograma de Frecuencias
e) Obtiene la varianza y media
f) Realiza la prueba de bondad de ajuste con 2.
g) Realiza la prueba de bondad de ajuste con la prueba de Bondad de Ajuste de
Kolmogorov Smirnov.
h) Concluye considerando tu anlisis anterior.
Para un auto nuevo se considera como duracin de sus llantas el kilometraje que seala el odmetro al
momento que requiera cambiarlas por el desgaste asociado al rodamiento (los neumticos cuentan con
unas marcas las cuales sealan el momento idneo para su cambio).
Nacional de Llantas, proveedor de neumticos para los vehculos Journey fabricados en Mxico por
Chrysler, otorga una garanta duracin de 40,000 kms para su modelo GTS 4, necesita saber si su
producto cumple con lo ofrecido, para ello solicita a sus concesionarios informacin sobre la duracin
de dicho modelo en kilmetros, anotando el kilometraje del odmetro cuando el cliente acude a cambiar
sus llantas, los datos proporcionados se consideran en la siguiente tabla. Tambin desea conocer si es
recomendable ampliar la garanta del producto a 50 o 60 mil kms.
15/11/2016

52452
48698
44411
63692
84588
55643
47012
79426
48240
74239
51179
61979
80502
50432
65854
41886
40003
40709
55912
71360
67662
57884
60727
74582
43068
35342
37748
75850
34754
65996
50238
46681
78635
53324
55257
56155
58708
41539
44719
51861
36950
59880
55989
61390
66520
41720
49010
84566
86070
48035
62215
37402
53808
65550
59449
49677
85600
59168
72655
29840
48662
50356
67124
51269
25875
61065
69010
45500
57840
45313
66310
41460
41250
35850
53571
41830
32819
35807
61477
89116
67430
46850
47950
49860
51360
43250
25860
48950
57277
65585
= 4
= [9116; 86076],
= {1, . . , 100} 4,
El diagrama de dispersin es:
Duracin en kms del modelo de llanta GTS 4

100000
90000
80000
70000
60000
50000
40000
30000
20000
10000
1
4
7
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
97
100
La tabla de frecuencias e histograma son

15/11/2016
59483
64398
28625
33142
42158
68829
58267
37864
61030
55521

Intervalo
Frecuencia
Mnimo Mximo
9,116 16,812
1
16,812 24,508
1
24,508 32,204
4
32,204 39,900
10
39,900 47,596
18
47,596 55,292
21
55,292 62,988
20
62,988 70,684
13
70,684 78,380
5
78,380 86,076
7
Total
100
Por la forma del histograma proponemos una distribucin normal.
Estimamos la media y la varianza de la muestra
1
1
1
22231119178
(5327100) = 53271 2 = ( )2 =
= =
= 222,311,191.78
100
100
= 14,910.10
=
= , , . ,
, . .
16812 53271
= 2.44526
14910.10
24508 53271
2 =
= 1.92909
14910.10
32204 53271
3 =
= 1.41293
14910.10
39900 53271
4 =
= 0.89677
14910.10
47596 53271
5 =
= 0.38061
14910.10
55292 53271
6 =
= 0.13555
14910.10
62988 53271
7 =
= 0.65171
14910.10
70684 53271
8 =
= 1.16787
14910.10
78380 53271
4 =
= 1.68403
14910.10
1 =

15/11/2016

1 = ( 2.44525) = 0.0072
2 = (2.44525 1.92909) = 0.0196
3 = (1.92909 1.41293) = 0.0520
4 = (1.41293 0.89677) = 0.1061
= (0.89677 0.38061) = 0.1668
5
6 = (0.38061 0.13555) = 0.2022
7 = (0.13555 0.65171) = 0.1888
8 = (0.65171 1.16787) = 0.1359
9 = (1.16787 1.68403) = 0.0753
10 = ( 1.68403) = 0.0461
La tabla de FOi y FEi e histograma, con FEi=100*PEi

FO i
1
1
4
10
18
21
20
13
5
7
100
Fei/Foi
FE i
0.72
1.96
5.20
10.61
16.68
20.22
18.88
13.59
7.53
4.61
100.00
25
20
15
10
5
FE i
10
FO i
Determinamos el parmetro C con m=10
=
=1
( )2
Intervalo
Mnimo Mximo
9,116 16,812
16,812 24,508
24,508 32,204
32,204 39,900
39,900 47,596
47,596 55,292
55,292 62,988
62,988 70,684
70,684 78,380
78,380 86,076
Total
FO i
FE i
1
0.72
1
1.96
4
5.20
10 10.61
18 16.68
21 20.22
20 18.88
13 13.59
5
7.53
7
4.61
100 100.00
(Fei-Foi)^2/Fei
0.1089
0.4702
0.2769
0.0351
0.1045
0.0301
0.0664
0.0256
0.8501
1.2391
3.2068

15/11/2016

5
Intervalo
<32204
32204-39900
39900-47596
47596-55292
55292-62988
62988-70684
70684-78830
>78380
FO i
FE i
(Fei-Foi)^2/Fei
6
7.88
10
10.61
18
16.68
21
20.22
20
18.88
13
13.59
5
7.53
7
4.61
100 100.00
0.8560
0.0351
0.1045
0.0301
0.0664
0.0256
0.8501
1.2391
3.2068
Planteamos nuestras hiptesis

: 4 (53271,14910.1)
: ~ (53271, 14910.10)

2
2
,
, ,

0.05 = 0.05,
= 1
= 8, = 2 , = 8 2 1 = 5.
2
2
5,0.05
= 11.070, = 2.7993 < 11.070 = 5,0.05
Por lo cual no existe evidencia para rechazar Ho, podemos afirmar que con un nivel de significancia
de 0.05 que la duracin de llantas del modelo GTS 4 se ajusta a un modelo normal (53271,14910.10).
Para la prueba de Kolmogorov-Smirnov

Elaboramos la tabla de frecuencias observadas, esperadas, acumuladas y el valor absoluto de la diferencia de
las mismas.
Intervalo
FO i
Poi=Foi/100
POA i
PE i
PEA i
<32204
0.06
0.06
0.0688
0.0788
32204-39900
10
0.10
0.16
0.1061
0.1849
39900-47596
18
0.18
0.34
0.1668
0.3517
47596-55292
21
0.21
0.55
0.2022
0.5539
55292-62988
20
0.20
0.75
0.1888
0.7427
62988-70684
13
0.13
0.88
0.1359
0.8786
70684-78830
0.05
0.93
0.0753
0.9539
>78380
0.07
1.00
0.0461
1.0000
|PEAi-POAi|
0.0188
0.0249
0.0117
0.0039
0.0073
0.0014
0.0239
0.0000
= 0.0249
: 4 (53271,14910.1)
15/11/2016

: ~ (53271, 14910.10)

= 0.05 = 100,
0.05,100 =
1.36
100
= 0.0136
= 0.0249 0.136 = 0.05,100 , ,

0.05 4
(53,271, 14,910.10).
Como la media es de 53,271 kilmetros vemos que el modelo GTS 4 cumple con la garanta de duracin de
40,000 kilmetros, para determinar si esta se pude ampliar debemos calcular P(x>50,000) y P(x>60,000)
( > 50,000) = 0.5868 = 58.68% 50,000
( > 60,000) = 0.3259 = 32.59% 60,000

15/11/2016

15/11/2016

Para los siguientes ejercicios considera:
a) Define de la variable aleatoria
b) Establece S y T.
c) Elabora el histograma de Frecuencias
d) Encuentra media y varianza
e) Establece la propuesta de distribucin de probabilidad estableciendo los usos de la
distribucin de probabilidad planteada.
f) Realiza la prueba de acuerdo a lo solicitado.
Analiza los datos dados en cada caso, y determina su comportamiento probando tu propuesta a travs
de la prueba de Bondad de Ajuste .
2
Para la prueba de bondad de ajuste 2 , 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
( )2
=
=1
Determinamos los grados de libertad df=m-r-1, m es el nmero de clases, r los parmetros estimados, el
2
nivel de significancia = 0.05 , calculamos ,
, planteamos las hiptesis de trabajo Ho y alterna Ha, si se
2
2
tiene que ,
, ,

3) El encargado de calidad en una fbrica de cajas lpices, cada caja trae 40 lpices, se revisaron el nmero
de lpices sin punta, se consideraron 50 cajas.
En qu modelo probabilstico encaja mejor el comportamiento que presentan los lpices sin punta?
= sin ,
= {15, 32},
sin ,
= {1, . . , 50} ,
15/11/2016

Nuestra tabla e histograma son
Xi
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
Frecuencia
1
1
1
0
0
1
4
5
7
11
2
7
3
3
1
1
0
2
12
11
10
8
7
4
4
2
1
2
1
0
15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
Por la forma del histograma y considerando que la variable aleatoria es discreta propongo una distribucin
binomial b(x; n, p)
Calculamos la media y la varianza
Xi
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
Frecuencia
1
1
1
0
0
1
4
5
7
11
2
7
3
3
1
1
0
2
50
Media
XiFi
15
16
17
0
0
20
84
110
161
264
50
182
81
84
29
30
0
64
1207
24.14
Varianza
Fi(Xi- )^2
83.5396
66.2596
50.9796
0
0
17.1396
39.4384
22.898
9.0972
0.2156
1.4792
24.2172
24.5388
44.6988
23.6196
34.3396
0
123.5592
566.02
11.3204
1
1
1
566.02
(1207) = 24.14 2 = ( )2 =
= =
= 11.3204
50
50
15/11/2016
(, , ); = , = ; 2 = ; = 1
(; , ) = ( ) , = 0,1, , ; (; , ) = 1
24.14
= 0.4828; = 1 = 1 0.4828 = 0.5172,
50
2 = 50(0.4828)(0.5172) = 12.425208
50
(; , ) = ( ) 0.4828 0.517250
50
= 50 ( ) 0.48258 0.517250 , 5.0
La tabla de frecuencia esperadas y observadas es y su histograma son

Xi
0-15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32-50
Foi
1
1
1
0
0
1
4
5
7
11
2
7
3
3
1
1
0
2
50
Poi
0.02
0.02
0.02
0.00
0.00
0.02
0.08
0.10
0.14
0.22
0.04
0.14
0.06
0.06
0.02
0.02
0.00
0.04
1.00
Pei
FEi=50*Poi
0.0067
0.335
0.0079
0.395
0.0147
0.735
0.0252
1.260
0.0396
1.980
0.0573
2.865
0.0765
3.825
0.0941
4.705
0.1069
5.345
0.1123
5.615
0.1090
5.450
0.0978
4.890
0.0812
4.060
0.0622
3.110
0.0441
2.205
0.0288
1.440
0.0173
0.865
0.0184
0.920
1.0000
50
Foi/Fei
12
10
0-15
16
17
18
19
20
21
22
Foi
23
24
25
26
27
28
29
30
31
Fei=50*Poi
Al comparar Fe i Fo en el histograma se observa que los datos se ajustan a un modelo binomial.

5
El histograma correspondiente es
Xi
0-21
22
23
24
25-26
27-50
Foi
8
5
7
11
9
10
50
Fei=50*Poi
11.395
4.705
5.345
5.615
10.340
12.600
50.00

15/11/2016
32-50

6
=
=1
( )2
= 7.4170
Xi
0-21
22
23
24
25-26
27-50
Foi
8
5
7
11
9
10
50
Fei=50*Poi (Foi-Fei)^2/Fei
11.395
1.011498464
4.705
0.018496281
5.345
0.512446211
5.615
5.164421193
10.340
0.173655706
12.600
0.536507937
50.000
7.417025792

: sin 40 = 6
: ~ (, 50, 0.4828)

2
2
,
, ,

0.05 = 0.05,
= 1
= 6, = 1 , = 6 1 1 = 4.
2
2
4,0.05
= 9.448, = 7.417 < 9.4478 = 4,0.05
Por lo cual no existe evidencia para rechazar Ho, podemos afirmar que con un nivel de significancia
de 0.05 que el nmero de lpices sin puntas en cajas de 40 lpices de ajusta a un modelo binomial
b(x;50 ,0.4828).
4) Se hace un experimento con una urna de 12 bolas blancas y 8 bolas negras y se extraen 12 bolas, se
hace el experimento 50 veces teniendo como resultado, se contabilizan las bolas blancas:

15/11/2016
Qu modelo probabilstico representa al nmero de bolas extradas de la urna?

= 12
8 12 ,
= {1, ,12}, ,
= {1, . . , 50} , ()
Como en la urna se tienen 8 bolas negras y la extraccin es de 12 entonces como mnimo se tendrn 4 bolas
blancas y como mximo se pueden tener 12 bolas blancas.
Nuestra tabla e histograma son
Xi
5
6
7
8
9
Frecuencia
4
7
18
19
2
19
18
7
4
5
2
6
Por la forma del histograma y considerando que la variable aleatoria es discreta y el experimento consiste en
extraer una muestra sin reemplazo proponemos una distribucin hipergeomtrica h(x; N,n,k), donde N es el
tamao de la poblacin, n el tamao de la muestra, k el nmero de xitos, en este caso N=20 (bolas en total),
n=12 el tamao de la extraccin, k=12 (12 bolas blancas en la urna)
Calculamos la media y la varianza
Xi
5
6
7
8
9
Frecuencia
4
7
18
19
2
50
Media
XiFi
20
42
126
152
18
358
7.16
Varianza
Fi(Xi- )^2
18.6624
9.4192
0.4608
13.4064
6.7712
48.72
0.9744
1
1
1
48.72
(358) = 7.16 2 = ( )2 =
= =
= 0.9744
50
50
(; , , ); =
2 = ( 1 ) () (1 )
15/11/2016

( )(
)
(; , , ) = , {0, ( )} {, }
( )
(; , , ) = 1
=1
12 12 144
=
=
= 7.2
50
20

20 12 12
12
8
8
2 = (
) ( ) (1 ) = 12 (
) ( ) (1 ) = 12 ( ) ( ) = 2.021
1
20 1 12
20
19 20
= 20, = 12, = 12, =
{0,12 (20 12)} {12,12} {0,4} 12 4 12

12
8
( )(
)
12
, 4 12
(; 20,12,12) =
20
( )
12
12!
8!
12
8
( )(
)
(12!)2 (8!)2
(12
(12
(8
!
)!
)!
+ 12)!
= 50 12 = 50
=
2,
20
20!
20! ! ((12 )!)
( )
12! 8!
12
La tabla de frecuencias esperadas y observadas as como su histograma son:
Xi
5
6
7
8
9
Foi
4
7
18
19
2
Fei
2.71
10.27
17.60
13.76
5.66
19
18
17.60
13.76
10.27
7
5.66
4
2.71
2
3
Fei
Foi
Al comparar Fei y Foi en el histograma se observa que los datos se ajustan a un modelo hipergeomtrico..
15/11/2016

5
=
=1
( )2
= 6.0265
Xi
Fei
2.71
7
10.27
18
17.60
19
13.76
2
5.66
50
50.00
Parmetro C
6
7
8
9
Total
Foi
(Fei-Foi)^2/Foi
0.6141
1.0412
0.0091
1.9955
2.3667
6.0265

: 12 8 12
.
: ~ (; 20,12,12)

2
2
,
, ,

0.05 = 0.05,
= 1
= 5, = 1 , = 5 1 1 = 3.
2
2
3,0.05
= 7.815, = 6.0265 < 7.815 = 3,0.05
Por lo cual no existe evidencia para rechazar Ho, podemos afirmar que con un nivel de significancia de
0.05 que el nmero de bolas blancas en una muestra de 12 extrada de una urna con 8 negras y 12
blancas se ajusta a un modelo hipergeomtrico h(x; 20, 12, 12).
Analiza los datos dados en cada caso, y determina su comportamiento probando tu propuesta a travs de la
prueba de Bondad de Ajuste de Kolmogorov - Smirnov.
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.
15/11/2016

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.
5) Se contabiliza el tiempo que tarda en reparacin el wifi en horas, teniendo los siguientes resultados:
8.94
0.58
0.33
3.45
8.27
0.75
0.70
9.50
0.34
11.61
3.58
8.32
1.34
3.75
0.87
23.61
6.03
11.40
0.80
8.47
2.14
10.00
5.59
1.21
2.70
1.65
0.49
4.14
3.04
0.83
2.00
2.92
0.86
6.33
0.16
7.51
1.06
13.35
1.45
2.34
0.73
1.46
3.08
2.87
1.09
17.39
13.73
20.89
9.26
5.13
Cul es el modelo probabilstico que se ajusta al tiempo de falla del Wifi?

= ,
= [0, ) ,
= {1, . . , 50} ,
= = 23.61 0.16 = 23.45 = 50 = 7.07~7, =
23.45
= 3.35
7
La tabla de intervalos de clases e histograma son
28
Clase
1
2
3
4
5
6
7
Intervalo
Frecuencia
0.16-3.51
28
3.51-6.86
7
6.86-10.21
8
10.21-13.56
3
13.56-16.91
1
16.91-20.26
2
20.26-23.61
1
50
8
7
0.16-3.51
3.51-6.86

6.86-10.21
10.21-13.56
13.56-16.91
16.91-20.26
20.26-23.61
15/11/2016

En el histograma se observa que las frecuencias decrecen rpidamente y como tenemos una variable aleatoria
continua con espacio de estado continuo considero que los datos se ajustan a un modelo exponencial.
= , 2 = 2
1
(; ) = { , 0
0,
100
100
=1
=1
258.04
1
1482.23
=
=
= 5.16; , 2 =
( )2 =
= 29.645
100
50
100
50
= 5.16, 2 = 29.645, (, 6) =
(; , ) =
1
5.16 ;
5.16
5.16 = 5.16 | = 5.16 5.16
5.16
= () = 50 ( 5.16 5.16 )
Generamos una tabla que incluya FO y FE
Para el primer intervalo consideramos 0-3.51, para el stimo >20.26
Intervalo
0.00-3.51
3.51-6.86
6.86-10.21
10.21-13.56
13.56-16.91
16.91-20.26
>20.26
Foi
28
7
8
3
1
2
1
50
Clase
Intervalo
1
0.00-3.51
2
3.51-6.86
3
6.86-10.21
4
10.21-13.56
5
13.56-16.91
6
16.91-20.26
7
>20.26
Total
Foi
28
7
8
3
1
2
1
50
Fei
24.68
12.09
6.32
3.30
1.72
0.90
0.99
50.00
Graficamos La frecuencia observada y la frecuencia esperada

Fei/Foi
28
24.68
12.09
8
7
6.32
3.30
1
1
4
Foi
1.72
5
0.90
6
0.99
7
Fei

15/11/2016

Comparando las frecuencias en el grfico notamos que los tiempos de reparacin del wifi se ajustan a un modelo
exponencial con lambda=5.16
Elaboramos una tabla de FO, FeCalculamos POi=FOi/n, y generamos una tabla con IC, FO, POi, POAi
Clase
Intervalo
1
0.00-3.51
2
3.51-6.86
3
6.86-10.21
4
10.21-13.56
5
13.56-16.91
6
16.91-20.26
7
>20.26
Total
Foi
28
7
8
3
1
2
1
50
Poi
0.56
0.14
0.16
0.06
0.02
0.04
0.02
POAi
0.56
0.70
0.86
0.92
0.94
0.98
1.00
= 5.16 5.16 , ; | | {| |},

Intervalo
0.00-3.51
3.51-6.86
6.86-10.21
10.21-13.56
13.56-16.91
16.91-20.26
>20.26
Total
Foi
28
7
8
3
1
2
1
50
Poi
0.56
0.14
0.16
0.06
0.02
0.04
0.02
POAi
0.56
0.70
0.86
0.92
0.94
0.98
1.00
Pei
0.4935
0.2419
0.1264
0.0660
0.0345
0.0180
0.0197
PEAi
0.4935
0.7354
0.8617
0.9278
0.9623
0.9803
1.0000
|PEAi-Poi|
0.0665
0.0354
0.0017
0.0078
0.0223
0.0003
0.0000
= 0.0665
: = 5.16
: ~ = 5.16

= 0.05 = 50 0.05,50 = 0.18841
= 0.0665 0.18841 = 0.05,50 , ,
0.05
( = 5.16).
6) En una universidad se tom el peso a 50 alumnos en kilogramos, con los resultados:
67.98 68.10 65.80 74.73 70.13
74.13 70.14 68.00 66.18 69.18
75.87 76.03 67.54 69.83 65.74
15/11/2016

69.83 70.94 74.89 66.87 64.96
71.58 66.11 73.40 68.85 73.31
62.91 69.73 69.96 77.72 70.55
67.71 63.38 72.34 61.61 70.41
68.83 72.15 63.96 60.35 66.56
64.84 70.14 59.97 64.78 70.28
73.46 74.26 69.67 79.64 70.66
Determina el modelo probabilstico que presenta el peso de los alumnos.

=
= [59.97, ,79.64] ,
= {1, . . , 50} ,
= = 79.64 59.97 = 19.67 = 50 = 7.07~7, =
19.67
= 2.81
7
La tabla de frecuencias e histograma son:
Mnimo Mximo Frecuencia

59.97
62.78
3
62.78
65.59
6
65.59
68.40
11
68.40
71.21
16
71.21
74.02
6
74.02
76.83
6
76.83
79.64
2
50
=
=1
3465.99
=
= 69.3198
50
50
50
2 =
1
918.4070098
( 69.3198)2 =
= 18.36814196; = 4.2858
50
50
=1
Tenemos una variable continua con un espacio de estados continuo, considerando la media se tienen
23 datos a izquierda y 27 a la derecha de la misma, podemos considerarla casi simtrica; en el intervalo
( ; + ) = (65.03; 73.60) contiene 32 de los datos el 64% contra el 68.26% esperado en una distribucin
normal, por lo anterior proponemos un modelo normal (69.3198, 4.2858).
15/11/2016

Para elaborar la tabla de frecuencias FO,FE debemos calcular FE=nF(x)=nP(a<x<b)
62.78 69.3198
= 1.5259
4.2858
65.59 69.3198
2 =
= 0.8703
4.2858
68.40 69.3198
3 =
= 0.2146
4.2858
71.21 69.3198
4 =
= 0.4410
4.2858
74.02 69.3198
5 =
= 1.0967
4.2858
76.83 69.3198
6 =
= 1.7523
4.2858
79.64 69.3198
7 =
= 2.4080
4.2858
1 =
1 = ( 1.5259) = 0.0635
2 = (1.5259 0.8703) = 0.1286
3 = (0.8703 0.2146) = 0.2230
4 = (0.2146 0.4410) = 0.2554
5 = (0.4410 1.0967) = 0.1932
6 = (1.0967 1.7523) = 0.0965
7 = ( 1.7523) = 0.0399
Elaboramos la tabla de frecuencias observadas y esperadas as como su histograma
FO/FE
16
FO
3
6
11
16
6
6
2
50
FE
3.175
6.430
11.145
12.770
9.660
4.825
1.995
50.000
12.770
11 11.145
9.660
6 6.430
4.825
3 3.175
1
2 1.995
2
4
FO
FE
En el histograma se observa que en los intervalos 1, 2, 3, 6 y 7 las frecuencias observadas y esperadas tienen
valores muy cercanos y la suma de las frecuencias en los intervalos 4 y 5 presentan de igual modo valores muy
cercanos.
15/11/2016
Elaboramos la tabla de intervalos y frecuencias observadas, esperadas y acumuladas, as como de

probabilidades observadas, observadas acumuladas, probabilidades esperadas y esperadas acumuladas;
donde POi=FOi/50., as como |PEAi-POAi|, sealamos Max{|PEAi-POAi|}
Mnimo Mximo
59.97
62.78
62.78
65.59
65.59
68.40
68.40
71.21
71.21
74.02
74.02
76.83
76.83
79.64
FO
3
6
11
16
6
6
2
50
FE
3.175
6.430
11.145
12.770
9.660
4.825
1.995
50.000
PO i
0.06
0.12
0.22
0.32
0.12
0.12
0.04
POAi
0.06
0.18
0.40
0.72
0.84
0.96
1.00
PE i
0.0635
0.1286
0.2229
0.2554
0.1932
0.0965
0.0399
PEAi |PEAi-POAi|
0.0635
0.0035
0.1921
0.0121
0.4150
0.0150
0.6704
0.0496
0.8636
0.0236
0.9601
0.0001
1.0000
0.0000
= 0.0496
: (69.3198, 4.2858).
: ~ (69.3198, 4.2858)

= 0.05 = 50, 0.05,50 = 0.18841
= 0.0496 0.18841 = 0.05,50 , ,
0.05
(69.3198, 4.2858).
7) El tiempo en minutos que tarda un persona en llegar a la fila para hacer la actualizacin de la placas
del auto son las siguientes:
16.09 19.92 15.95 16.75 16.32
17.91 23.82 16.64 16.49 15.74
20.55 20.40 20.57 23.37 15.63
23.94 23.12 21.73 23.50 17.15
19.92 23.94 19.39 22.84 22.22
22.72 21.39 17.74 20.12 23.37
23.57 21.34 21.94 15.34 16.16

15/11/2016

18.27 16.55 20.56 22.22 21.37
19.34 16.46 16.10 20.01 16.58
23.05 22.04 16.65 17.48 18.32
Establece el modelo probabilstico que represente a los tiempos entre llegadas de las personas para
actualizar su placa.
=
= [0, ,1440] ,
= {1, . . , 50} ,
= = 23.94 15.34 = 8.60 = 50 = 7.07~7, =
8.60
= 1.23
7
La tabla de frecuencias e histograma son:
Intervalo
Mnimo
Mximo
15.34
16.57
16.57
17.80
17.80
19.03
19.03
20.25
20.25
21.48
21.48
22.71
22.71
23.94
FO
11
7
3
6
7
5
11
50
=
=1
982.59
=
= 19.6518,
50
50
1
395.5403
=
( 19.6518)2 =
= 7.9108
50
50
2
=1
Tenemos una variable continua y en el histograma se observan las frecuencias ms altas en los intervalos de
los extremos, sugerimos un modelo uniforme continuo.
=
( )2
+
; 2 =
,
2
12
1

() = { , , () =
=
|

0,
(23.94 15.34)2
15.34 + 23.94
= 19.64 ; 2 =
= 6.1633, (, ) =
2
12
8.60

15/11/2016

La media observada (19.6518) y la esperada (19.64) presentan valores muy prximos, para la varianza
observada (7.9168) y la esperada (6.1633) presentan valores prximos.
Elaboramos la tabla de FO y FE=50F(x) e histograma.
FO/Fe
Intervalo
Mnimo
Mximo
15.34
16.57
16.57
17.80
17.80
19.03
19.03
20.25
20.25
21.48
21.48
22.71
22.71
23.94
FO
11
7
3
6
7
5
11
FE
7.151
7.151
7.151
7.093
7.151
7.151
7.151
50.000
50
11
11
7.151
7 7.151
7.151
7.093
7 7.151
7.151
7.151
3
1
4
FO
5
FE
Generamos la tabla de frecuencia observada FO, PO=FO/100, POA, PE y PEA, |PEAi-POAi| yMD
Intervalo
Mnimo
Mximo
15.34
16.57
16.57
17.80
17.80
19.03
19.03
20.25
20.25
21.48
21.48
22.71
22.71
23.94
FO
11
7
3
6
7
5
11
FE
7.151
7.151
7.151
7.093
7.151
7.151
7.151
PO i
0.22
0.14
0.06
0.12
0.14
0.10
0.22
POAi
0.22
0.36
0.42
0.54
0.68
0.78
1.00
PE i
0.1430
0.1430
0.1430
0.1420
0.1430
0.1430
0.1430
PEAi |PEAi-POAi|
0.143
0.077
0.286
0.074
0.429
0.009
0.571
0.031
0.714
0.034
0.857
0.077
1.000
0.000
= 0.077
:
(15.34, 23.94)
: ~ (15.34, 23.94)

= 0.05 = 50, 0.05,50 = 0.18841

= 0.077 0.18841 = 0.05,50 , ,
0.05
(15.34, 23.94).

15/11/2016

Conclusiones.
Para poder determinar l modelo adecuado para una muestra de variables aleatorias debemos de:
Elaborar la tabla de frecuencias observadas FOI.
Elaborar el histograma correspondiente.
En base a este y al tipo de variable (continua o discreta) se propone un tipo de distribucin.
Se debe efectuar una prueba de bondad de ajuste para aceptar o rechazar el modelo propuesto con un
nivel de confianza 1-.
Para variables aleatorias discretas la prueba de Chi-cuadrada es adecuada, pero se puede usar para
variables continuas definiendo k intervalos de clases y calculando para ambos tipos de variables las
frecuencias esperadas.
La prueba de Smirnov-Kolmogorov se sugiere para variables aleatorias continuas, se basa en el clculo

de las probabilidades acumulas y determinando la mxima diferencia con respecto a las observadas.
Para variables continuas se pueden considerar ambas pruebas.
Las pruebas de bondad ajuste nos permiten validar con un determinado nivel de confianza modelo que elegimos
para representar un proceso estocstico, con ello consideramos que el anlisis, estudio del proceso es
completo.
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
Mutis, J.. (2014). Prueba de normalidad Jarque-Bera. noviembre 24, 2016, de prezi Sitio web:
https://prezi.com/lt2jzea26lyu/prueba-de-normalidad-jarque-bera/
Montalvn, L. (2014). Prueba de Shapiro-Wilk para probar normalidad. noviembre 24, 2016, de prezi Sitio web:
Cuba, E. (2014). Chequeo de aondad de ajuste Anderson-Darling. noviembre 24, 2016, de prezi Sitio web:

15/11/2016

MMES U1 EA JOMH - Corr2

Загружено:

Сведения о документе

Исходное описание:

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

MMES U1 EA JOMH - Corr2

Загружено:

Авторское право:

Доступные форматы

>

Joel Alberto Montalvo Hernndez

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

Joel Alberto Montalvo Hernndez

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

de las clases adyacentes.

Si la variable es continua se agrupan adecuadamente los valores en un nmero adecuado de subintervalos

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

Cuando el valor de la curtosis es diferente de 3 se tienen los siguientes casos

El estadstico de Jarque-Bera se calcula mediante

Joel Alberto Montalvo Hernndez

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

Prueba de Anderson Darling

Joel Alberto Montalvo Hernndez

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

Joel Alberto Montalvo Hernndez

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

Duracin en kms del modelo de llanta GTS 4

La tabla de frecuencias e histograma son

Joel Alberto Montalvo Hernndez

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

Joel Alberto Montalvo Hernndez

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

La tabla de FOi y FEi e histograma, con FEi=100*PEi

Determinamos el parmetro C con m=10

Joel Alberto Montalvo Hernndez

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

Planteamos nuestras hiptesis

Para la prueba de Kolmogorov-Smirnov

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

= 0.0249 0.136 = 0.05,100 , ,

( > 50,000) = 0.5868 = 58.68% 50,000

( > 60,000) = 0.3259 = 32.59% 60,000

Joel Alberto Montalvo Hernndez

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

Joel Alberto Montalvo Hernndez

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

La tabla de frecuencia esperadas y observadas es y su histograma son

Al comparar Fe i Fo en el histograma se observa que los datos se ajustan a un modelo binomial.

Determinamos el parmetro C con m=6

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

Planteamos nuestras hiptesis

Joel Alberto Montalvo Hernndez

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

Qu modelo probabilstico representa al nmero de bolas extradas de la urna?

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

{0,12 (20 12)} {12,12} {0,4} 12 4 12

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

Planteamos nuestras hiptesis

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

Cul es el modelo probabilstico que se ajusta al tiempo de falla del Wifi?

La tabla de intervalos de clases e histograma son

Joel Alberto Montalvo Hernndez

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

5.16 = 5.16 | = 5.16 5.16

Graficamos La frecuencia observada y la frecuencia esperada

Joel Alberto Montalvo Hernndez

Evidencia de Aprendizaje. Modelacin de comportamiento de procesos estocsticos.

= 5.16 5.16 , ; | | {| |},