UNIVERSIDAD DE EL SALVADOR

FACULTAD DE CIENCIAS NATURALES Y MATEMTICA

ESCUELA DE MATEMTICA

COMPARACIN DEL EVENTO: FRECUENCIA CON LA QUE

TRANSITAN LOS AUTOBUSES DE LA RUTA 44-M Y 44-T, EN
INTERVALOS DE 15 MINUTOS, EN LA PARADA DE LA UNIVERSIDAD
DE EL SALVADOR, FRENTE A ANDA, ENTRE LA 1:00 PM Y 2:00 PM;
CON DISTINTOS MODELOS DE DISTRIBUCIONES DISCRETOS
DOCENTE:
MSC. ROLANDO LEMUS GMEZ
PROYECTO DE INVESTIGACIN
DE LA ASIGNATURA ESTADSTICA II PRESENTADO POR:
-GMEZ JUREZ CESAR OMAR
GJ12001
-SOLA GUTIRRES VITELIO ALEXANDER
SG12031

CIUDAD UNIVERSITARIA, OCTUBRE 2013

INDICE
Captulo 1......

3-15

1.1 Resumen del informe

1.2 Introduccin..

5-6

1.2.1 Descripcin del Trabajo

1.2.2 Objetivos..

1.3 Fundamentos.

7-12

1.3.1 Distribucin de Poisson ..

7-8

1.3.2 Distribucin Binomial.

8-9

1.3.3 Distribucin Hipergeomtrica.

9-11

1.3.4 Distribucin Binomial Negativa..

11-12

1.4 Mtodo..

13-15

Captulo 2......

16-29

2.1 Comparacin de probabilidad emprica y terica..

16-26

2.2 Conclusiones.

27

2.3 Recomendaciones.

28

2.4 Bibliografa..

29

CAPTULO I

1.1 RESUMEN DEL INFORME

Introduccin: En el presente trabajo se realiz la comparacin de la
probabilidad emprica y terica para el evento observado: Frecuencia con la
que transitan los autobuses de la ruta 44-M y 44-T en la parada de la
Universidad de El Salvador, frente a Anda, entre la 1:00 pm y 2:00 pm.
Objetivo: Comparar la probabilidad emprica y terica del evento: Frecuencia
con la que transitan los autobuses de la ruta 44-M y 44-T, en intervalos de 15
minutos, en la parada de la Universidad de El Salvador, frente a Anda, entre la
1:00 pm y 2:00 pm; por medio de la realizacin de tablas de probabilidad y
grficas puntuales, de las mismas; para asignar, si es posible, un modelo
estadstico que permita describir, de la mejor manera, al evento.

Metodologa: Anotar el nmero de autobuses de la ruta 44-M y ruta 44-T, que

transitan en dicha parada, en intervalos de quince minutos entre la 1:00 pm y
2:00 pm., este proceso se realizar en una semana especfica comenzando el
lunes y terminando el viernes.

Conclusiones: La variable aleatoria x= nmero de autobuses de la ruta 44-M

que transitan en intervalos de 15 minutos entre la 1:00 y 2:00 p.m. puede ser
descrita por un modelo de distribucin Binomial.

1.2 INTRODUCCIN
1.2.1 DESCRIPCIN DEL TRABAJO
En el presente trabajo se realiz la comparacin, de la probabilidad emprica y
terica, del

evento observado: Frecuencia con la que transitan los

autobuses de la ruta 44-M y 44-T, en intervalos de 15 minutos, en la

parada de la Universidad de El Salvador, frente a Anda, entre la 1:00 pm
y 2:00 pm, tomando como variables aleatorias las siguientes:
a) X=nmero de autobuses de la ruta 44-M que transitan en intervalos de
15 minutos entre la 1:00 y 2:00 p.m.
b) X=nmero de autobuses de la ruta 44-T que transitan en intervalos de
15 minutos entre la 1:00 y 2:00 p.m.
La probabilidad terica se calcul utilizando las distribuciones de Poisson y
Binomial e Hipergeomtrica, ya que se consider que el evento pudiera ser
descrito por estos modelos estadsticos, tomando como base la teora
planteada as como la forma en que se obtuvieron los datos.

1.2.2 OBJETIVOS
1.2.2.1 Objetivo General:
Comparar la probabilidad emprica y terica del evento: Frecuencia con la que
transitan los autobuses de la ruta 44-M y 44-T, en intervalos de 15 minutos, en
la parada de la Universidad de El Salvador, frente a Anda, entre la 1:00 pm y
2:00 pm; por medio de la realizacin de tablas de probabilidad y grficas
puntuales, de las mismas; para asignar, si es posible, un modelo estadstico
que permita describir, de la mejor manera, al evento.
1.2.2.2

Objetivos Especficos

1) Comparar la probabilidad emprica y terica para las variables

aleatorias:
a) X=nmero de autobuses de la ruta 44-M que transitan en intervalos
de 15 minutos entre la 1:00 y 2:00 p.m.
b) X=nmero de autobuses de la ruta 44-T que transitan en intervalos
de 15 minutos entre la 1:00 y 2:00 p.m.

1.3

FUNDAMENTOS

1.3.1 DISTRIBUCIN DE POISSON

Es una distribucin de probabilidad discreta que expresa, a partir de una
frecuencia de ocurrencia media, la probabilidad que ocurra un determinado
nmero de eventos durante cierto periodo de tiempo.
Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en su
trabajo Recherches sur la probabilit des jugements en matires criminelles et
matire civile (Investigacin sobre la probabilidad de los juicios en materias
criminales y civiles).
La funcin de masa o densidad de la distribucin de Poisson es:

Dnde:

k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da

la probabilidad de que el evento suceda precisamente k veces).

es un parmetro positivo que representa el nmero de veces que se

espera que ocurra el fenmeno durante un intervalo dado.

e es la base de los logaritmos naturales (e = 2,71828...)

Tanto el valor esperado como la varianza de una variable aleatoria con

distribucin de Poisson son iguales a .
7

La distribucin de Poisson se aplica a varios fenmenos discretos de la

naturaleza (esto es, aquellos fenmenos que ocurren 0, 1, 2, 3,... veces durante
un periodo definido de tiempo o en un rea determinada) cuando la
probabilidad de ocurrencia del fenmeno es constante en el tiempo o el
espacio.
1.3.2 DISTRIBUCIN BINOMIAL
Es una distribucin de probabilidad discreta que mide el nmero de xitos en
una secuencia de n ensayos de Bernoulli independientes entre s, con una
probabilidad fija p de ocurrencia del xito entre los ensayos. Un experimento
de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos
resultados. A uno de estos se denomina xito y tiene una probabilidad de
ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En la
distribucin binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado
nmero de xitos. Paran = 1, la binomial se convierte, de hecho, en
una distribucin de Bernoulli.
El resultado de cada experimento ha de admitir slo dos categoras (a las que
se denomina xito y fracaso).
Para representar que una variable aleatoria X sigue una distribucin binomial
de parmetros n y p, se escribe:

Su funcin de probabilidad es

Donde
8

Siendo
(Las combinaciones de

en

( elementos tomados de

en )

Propiedades:
La media:
La varianza:
1.3.3 DISTRIBUCIN HIPERGEOMTRICA
En teora de la probabilidad la distribucin hipergeomtrica es una
distribucin discreta relacionada con muestreos aleatorios y sin reemplazo.
Los experimentos que tienen este tipo de distribucin tienen las siguientes
caractersticas:
a) Al realizar un experimento con este tipo de distribucin, se esperan dos
tipos de resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son
constantes.
c) Cada ensayo o repeticin del experimento no es independiente de los
dems.
d) El nmero de repeticiones del experimento (n) es constante.
Supngase que hay un lote relativamente pequeo que consiste en N artculos,
de los cuales k tienen defectos. Si se muestrean dos de ellos en forma
sucesiva, entonces el resultado de la segunda extraccin depende en gran
medida de lo que haya sucedido en la primera, siempre que el primer objeto
9

extrado no se regrese al lote. Se debe crear una nueva distribucin para

manejar este caso en el que intervienen pruebas o ensayos dependientes.
Supngase tambin que se extraen n artculos al azar y en forma sucesiva del
lote, y que n se regresa ninguno de los artculos que se tomaron como muestra.
A esto se le llama muestreo sin remplazo.
Para determinar la probabilidad de que, de manera exacta, se seleccionen x
artculos defectuosos y k-x del otro tipo, se proceder de la siguiente forma: el
nmero de maneras distintas en que puede seleccionarse una muestra de n
artculos de un total de N es

seleccin igual a

1
N
n

( )

( Nn )

; y cada muestra tiene una probabilidad de

. De manera similar, la seleccin de x artculos

defectuosos es un evento que puede ocurrir de

(kx )

maneras distintas, y la

seleccin de n-x artculos del otro tipo es un evento que puede suceder de

( Nk
nx )

maneras. El nmero total de maneras en que ambos eventos pueden

ocurrir es

k
(kx )( Nnx
)

. De esta forma, la probabilidad de seleccionar x

artculos defectuosos es:

10

k N k
(
x )( nx )
p ( x )=
( Nn )

Definicin: Sea N el nmero total de objetos en una poblacin finita, de

manera tal que k de stos es de un tipo y N-k de otros. Si se selecciona una
muestra aleatoria de la poblacin constituida por n objetos, la probabilidad de
que x sea de un tipo exactamente y n-x sea del otro, est dada por la funcin
de probabilidad hipergeomtrica:

k
(kx)( Nnx
) , x=0,1, , n ; x k , nk Nk ;
p ( x ; N , n ,k )=
( Nn )
0, para cualquier otro valor

1.3.4 DISTRIBUCIN BINOMIAL NEGATIVA

De la distribucin de Pascal

1p

, obtenida a partir de un
p ( n; k , p ) = n1 p k
k1

( )

escenario binomial en que se observa una secuencia de ensayos

independientes; la probabilidad de xito en cada ensayo es constante e igual a
p,y en lugar de fijar el nmero de ensayos en n y observar el nmero de xitos,
supngase que se continun los ensayos hasta que han ocurrido exactamente k
xitos.
11

Puede obtenerse la distribucin binomial negativa sustituyendo, n=x+k en la

distribucin de Pascal, donde x es el valor de una variable aleatoria que
representa el nmero de fracasos hasta que se observan, de manera exacta, k
xitos. As pues x es una variable binomial negativa con funcin de
probabilidad
P ( x ; k , p )=

x1 p ( 1 p ) , x=0,1,2 , k=1,2,
( k +k1
)
k

0, para cualquier otro valor

Debe notarse que si k=1 en la distribucipon binomial negaitva, surge un caso

especial de la distribucin binomial negativa, que se conoces con el nombre de
distribucin geomtrica y cuya funcin de probabilidad est dada por
x

P ( x ; p )= p(1p) , x=0,1,2, .

La variable aleatoria geomtrica representa el nmero de fallas que ocurren

antes de que se presente el primer xito.
Observacin: La aplicacin primaria de la distribucin binomial negativa es
una alternativa adecuada para el modelo de Poisson cuando la frecuencia de
ocurrencia no es constante sobre el tiempo o el espacio. Tambin se emplea de
manera frecuente para modelar las estadsticas de accidentes, datos
psicolgicos, compras del consumidor y otras situaciones similares en donde
la frecuencia de ocurrencia entre grupos o individuos no se espera que sea la
misma.

12

1.4 METODOLOGA
1.4.1 INFORMACIN RELEVANTE DE LOS FUNDAMENTOS
Las distribuciones consideran los siguientes parmetros para describir su
funcin de probabilidad:
1. La distribucin de Poisson tiene como media E(x)=
2. La distribucin Binomial considera la probabilidad de xito p en un ensayo
y el nmero de ensayos n.
3. La distribucin Hipergeomtrica considera el nmero total de elementos N;
el nmero de elementos que se toma como muestra n y el nmero de
elementos de un tipo (los que llevan a xito si son seleccionados) k.
4. La distribucin Binomial Negativa, considera el nmero de xitos k y la
probabilidad de xito p.
1.4.2 INSTRUMENTO DE RECOLECCIN DE DATOS
Desde el da lunes 7 hasta el da 11 de octubre de 2013, se anot, en la parada
que corresponde a la Universidad de El Salvador frente al edificio de Anda, las
frecuencias de los autobuses de las rutas 44-M y 44-T en la siguiente tabla:
Fecha:
Ruta:
I
N [1:00-1:15)
T
E
R [1:15-1:30)
V
A
L
[1:30-1:45)
O
S
p
m

44-M

44-T

44-M

44-T

[1:45-2:00)

13

44-M

44-T

44-M

44-T

44-M

44-T

1.4.3 DEFINICIN DE VARIABLES ALEATORIAS

Se toman en cuenta las siguientes variables aleatorias y sus correspondientes
modelos comparados:
x
nmero de autobuses de la ruta 44-M que transitan
en intervalos de 15 minutos entre la 1:00 y 2:00
p.m.
nmero de autobuses de la ruta 44-T que transitan
en intervalos de 15 minutos entre la 1:00 y 2:00
p.m.

Modelo comparado
a) Poisson
b) Binomial
c) Hipergeomtrica

No se considera realizar una comparacin con la Distribucin Binomial

Negativa ya que los datos se obtuvieron anotando, nicamente, la cantidad de
autobuses que circulaban en periodos de 15 minutos; mas no, la cantidad de
buses de un tipo hasta que apareciera el bus a considerarse como variable
aleatoria.
1.4.4 ESPACIO MUESTRAL
El Espacio Muestral est conformado por: Los autobuses de la ruta 44-M y los
autobuses de la ruta 44-T que transitan entre 1:00 p.m. y 2 p.m. en la parada
de la Universidad de El Salvador, frente a Anda.
1.4.4 DESCRIPCIN DEL PROCESO DE COMPARACIN DEL
EVENTO CON EL MODELO
a) Los parmetros que cada modelo necesita se obtuvieron de acuerdo a las
siguientes relaciones:
1) Variable aleatoria de Poisson: =media emprica para la variable
aleatoria x.
2) Variable aleatoria Binomial:

14

- p=k/K, K=nmero de autobuses de la ruta 44 contabilizados

durante el tiempo de recoleccin de datos, en la semana y
k=nmero de autobuses de la ruta 44 (M o T) contabilizados
durante el tiempo de recoleccin de datos, en la semana.
- n=promedio de autobuses de la ruta 44 que transitan en
intervalos de 15 minutos
3) Variable aleatoria Hipergeomtrica
-N=promedio de autobuses de la ruta 44 que transitan en
intervalos de 15 minutos.
-k=promedio de autobuses de la ruta 44 (M o T) que transitan en
intervalos de 15 minutos.
b) Para cada modelo se realiz una comparacin en tabla de las probabilidades
empricas (frecuencias relativas) y la probabilidad terica de la distribucin en
cuestin; as como tambin las probabilidades acumuladas respectivas.
Adems se realiz la grfica correspondiente a la tabla y se realiz anlisis
comparativos de datos: por su error y valores mximos.

15

CAPTULO II

16

2.1 COMPARACIN DE PROBABILIDADES EMPRICAS Y

TERICAS.
2.1.1RESUMEN DE FRECUENCIAS OBTENIDAS
FRECUENCIAS OBSERVADAS
Fecha:
Ruta:
I
N [1:00-1:15)
T
E
R [1:15-1:30)
V
A
L
[1:30-1:45)
O
S
p
m

7-10-13
44-M 44-T
||
|||

8-10-13
44-M 44-T
||||

9-10-13
44-M 44-T
||
|||

10-10-13
44-M 44-T
|
|||

11-10-13
44-M 44-T
||
||

|||

|||

|||

||

|||

|||

||

|||

|||

|||

||

|||

||

||

||

|||

|||

|||

[1:45-2:00)

RESUMEN DE FRECUENCIAS OBSERVADAS

Nmero de autobuses
por intervalo
0
1
2
3
4
5
6

Frecuencia (44-M)
2
5
8
5
0
0
0

Frecuencia
(44-T)
1
6
2
10
1
0
0

Frecuencia
(44)
1
0
1
2
10
4
2

RESUMEN DE FRECUENCIAS TOTALES

Ruta
Total buses

44-M
36

44-T
44

2.1.2 DISTRIBUCIN DE POISSON

17

44
80

2.1.2.1 Comparacin para la variable aleatoria x= nmero de autobuses

de la ruta 44-M que transitan en intervalos de 15 minutos entre la 1:00 y
2:00 p.m.
Frecuencia relativa f(xi)) para la variable aleatoria x
x
0
1
2
3
tota
l

Frecuencia
2
5
8
5
20

f(xi)
0.1
0.25
0.4
0.25
1

Parmetro =E(X)=

xi f ( xi )
i=0

=1.8
Comparacin de la probabilidad emprica y terica de la funcin de
probabilidad de Poisson, y sus correspondientes acumulativas
X f(xi)

F(xi)

0 0.1
1 0.2

0.1
0.35

0.1653
0.2975

0.1653
0.4628

5
0.4
0.2
5

0.75
1

0.2678
0.1607

0.7306
0.8913

2
3

P ( X=x )=

(1.8) 1.8
e
x!

18

Fp(xi) (Poisson)

0.5
0.4
0.3

Probabilidad
emprica

0.2

Poisson

0.1
0
0 0.5 1 1.5 2 2.5 3 3.5

Comparacin grfica de la
probabilidad emprica y terica de la funcin de probabilidad de Poisson.

Comparacin grfica de la probabilidad emprica y terica (acumuladas) de la

distribucin de Poisson.
1.2
1
0.8
Probabilidad emprica

0.6

Poisson
0.4
0.2
0
0

0.5

1.5

2.5

19

3.5

Anlisis: El error ms grande entre probabilidad terica y emprica se da para

x=2 con error =0.4-0.2678=0.1322. Mientras que el error ms pequeo se da
en x=1 con error=0.2975-.25=0.0475.
Grficamente se observa que x alcanza su mximo en x=2 para la probabilidad
emprica mientras que la distribucin de Poisson lo obtiene en x=1. En la
distribucin acumulativa emprica se obtienen 1 para x=3 mientras que para
este mismo valor se obtiene 0.8913 en la distribucin de Poisson, con una
diferencia de 0.1087 con la probabilidad emprica para obtenerlo.
Conclusin: La variable aleatoria x no se comporta como la distribucin de
Poisson.

20

2.1.2.2 Comparacin para la variable aleatoria x=nmero de autobuses

de la ruta 44-T que transitan en intervalos de 15 minutos entre la 1:00 y
2:00 p.m., entre los da Lunes y Viernes.
Frecuencia relativa (f(xi)) para la variable aleatoria x
X
0
1
2
3
4
tota
l

frecuencia
1
6
2
10
1
20

f(xi)
0.05
0.30
0.1
0.5
0.05
1

Parmetro =E(X)=

xi f ( xi )
i=0

=2.2
Comparacin de la probabilidad emprica y terica de la funcin de
probabilidad de Poisson, y sus correspondientes acumulativas.
X f(xi)

F(xi
)

0 0.0
5
1 0.3
0
2 0.1
3 0.5
4 0.0
5

0.05

0.1108

0.1108

0.35

0.2438

0.3546

0.45
0.95
1

0.2681
0.1966
0.1081

0.6227
0.8193
0.9274

(2.2) 2.2
P ( X=x )=
e
x!

21

Fp(xi)

Comparacin grfica de la probabilidad emprica y terica de la funcin de

probabilidad de Poisson.

0.6
0.5
0.4
Probabilidad emprica

0.3

Poisson

0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

Comparacin grfica de la probabilidad emprica y terica (acumuladas) de la

distribucin de Poisson.
1.2
1
0.8
Valores Y

0.6

Poisson
0.4
0.2
0
0

0.5

1.5

2.5

22

3.5

4.5

Anlisis: El error ms grande entre probabilidad terica y emprica se da para

x=3 con error =0.5-0.1966=0.3034. Mientras que el error ms pequeo se da
en x=1 con error=0.3-.2438=0.0562.
Grficamente se observa que para x alcanza su mximo en x=3 para la
probabilidad emprica mientras que la distribucin de Poisson lo obtiene en
x=2. Adems de observarse dos picos para la probabilidad emprica. En la
distribucin acumulativa emprica se obtienen 1 para x=4 mientras que para
este mismo valor se obtiene 0.9272 en la distribucin de Poisson con una
diferencia de 0.0726 para obtenerlo. Adems de observarse dos picos para la
distribucin
Conclusin: La variable aleatoria x no se comporta como la distribucin de
Poisson.

23

2.1.3 DISTRIBUCIN BINOMIAL

2.1.3.1 Comparacin para la variable aleatoria x= nmero de autobuses
de la ruta 44-M que transitan en intervalos de 15 minutos entre la 1:00 y
2:00 p.m.
Parmetros:
N:
Frecuencia relativa (f(xi)) de autobuses de la ruta 44 (M y T)
Xi
0
1
2
3
4
5
6
tota
l

Frecuencia
1
0
1
2
10
4
2
20

f(xi)
0.05
0
0.05
0.1
0.5
0.2
0.1
1.0

N= x i f ( x i )=4
i=0

p:

Para el valor p (probabilidad de xito) lo consideraremos como el cociente del

nmero de autobuses de la ruta 44-M que transitan durante la semana en la
hora antes dicha dividido por el nmero de autobuses de la ruta 44 que
transitan durante la semana en la hora antes dicha.
As

p=

36
80

Comparacin de la probabilidad emprica y terica de la funcin de

probabilidad Binomial, y sus correspondientes acumulativas (F(xi))
X f(xi) F(xi)
0
1

0.1
0.2

36
80

44
80

( )( ) ( )

p( X =x)= N
X

0.1
0.35

0.0915
0.2995
24

4x

Fp(xi)
0.0915
0.391

2
3
4

5
0.4
0.2
5
0

0.75
1

0.3675
0.2005

0.7585
0.959

0.0410

Comparacin grfica de la probabilidad emprica y terica de la funcin de

probabilidad de Binomial.
0.45
0.4
0.35
0.3
0.25

Probabilidad emprica

0.2

Binomial

0.15
0.1
0.05
0
0

0.5

1.5

2.5

3.5

4.5

Comparacin grfica de la probabilidad emprica y terica (acumuladas) de la

distribucin Binomial.

25

1.2
1
0.8
Probabilidad emprica

0.6

Poisson
0.4
0.2
0
0

0.5

1.5

2.5

3.5

4.5

Anlisis: El error ms grande entre probabilidad terica y emprica se da para

x=1 y x=3 con error =0.495. Mientras que el error ms pequeo se da en x=0
con error=0.0085.
Grficamente se observa que x alcanza su mximo en x=2 para la probabilidad
emprica y tambin para la distribucin binomial. En la distribucin
acumulativa emprica se obtienen 1 para x=3 mientras que en la distribucin
binomial se obtiene 1 en x=4, observndose para x=3 el valor de 0.959, es
decir una diferencia de 0.041 respecto a la probabilidad geomtrica.
Conclusin: La variable aleatoria x puede ser descrita por la variable aleatoria
binomial.

26

2.1.4 DISTRIBUCIN HIPERGEOMTRICA

2.1.4.1 Comparacin para la variable aleatoria x=nmero de autobuses de
la ruta 44-T que transitan en intervalos de 15 minutos entre la 1:00 y 2:00
p.m., entre los da Lunes y Viernes.
Parmetros:
N:

FRECUENCIA RELATIVA DE AUTOBUSES DE LA RUTA 44 (M y

T)
Xi
0
1
2
3
4
5
6
tot
al

Frecuenci
a
1
0
1
2
10
4
2
20

F. Relativa f(Xi)
0.05
0
0.05
0.1
0.5
0.2
0.1
1.0

xi f ( xi )
As el promedio N=
i=0

Entonces

N=4

n y k:
Frecuencia relativa (f(xi)) de autobuses de la ruta 44-T
X
0
1
2
3
4
tot
al

Frecuen
cia
1
6
2
10
1
20

Frecuencia
Relativa
0.05
0.30
0.1
0.5
0.05
1

Media (emprica)=k

27

k=

xi f ( xi )
i=0

k=2.2
k aproximadamente = 2
k=2

y N-k=2, as el n que puede tomarse es 2.

Comparacin de la probabilidad emprica y terica de la funcin de

probabilidad Binomial, y sus correspondientes acumulativas (F(xi))
X

f(xi)

F(xi)
P(X=x)

2
( 2x)( N2x
)
( 42)

0.05

0.05

0.1667

0.30

0.35

0.6667

2
3
4

0.1
0.5
0.05

0.45
0.95
1

0.1667
0
0

F(xi)

0.166
7
0.833
3
1
1
1

Comparacin grfica de la probabilidad emprica y terica de la funcin de

probabilidad de Hipergeomtrica.

28

0.8
0.7
0.6
0.5
Probabilidad empirica

0.4

Hipergeometrica
0.3
0.2
0.1
0
0

0.5

1.5

2.5

3.5

4.5

Anlisis: El error ms grande entre probabilidad terica y emprica se da para

x=3, que es de 0.5. Y el valor mnimo de error se da para x=4, que es de 0.05.
Para la distribucin acumulativa, la probabilidad de 1 se alcanza en x=4, para
la probabilidad hipergeomtrica se alcanza en x=2.
Conclusin: la variable aleatoria x no puede ser descrita por un modelo de
distribucin hipergeomtrico.

29

2.2 CONCLUSIONES
1) La variable aleatoria x= nmero de autobuses de la ruta 44-M que transitan
en intervalos de 15 minutos entre la 1:00 y 2:00 p.m. puede ser no puede ser
descrita por el modelo de distribucin de Poisson
2) La variable aleatoria x=nmero de autobuses de la ruta 44-T que transitan
en intervalos de 15 minutos entre la 1:00 y 2:00 p.m., entre los da Lunes y
Viernes no puede ser descrita por el modelo de distribucin de Poisson.
3) La variable aleatoria x= nmero de autobuses de la ruta 44-M que transitan
en intervalos de 15 minutos entre la 1:00 y 2:00 p.m. puede ser descrita por un
modelo de distribucin Binomial.
4) La variable aleatoria x=nmero de autobuses de la ruta 44-T que transitan
en intervalos de 15 minutos entre la 1:00 y 2:00 p.m., entre los da Lunes y
Viernes no puede ser descrita por un modelo de distribucin hipergeomtrico.

30

2.3 RECOMENDACIONES
1) Para realizar una comparacin con un modelo de distribucin Binomial
Negativo, es necesario, en la contabilizacin de las frecuencias, el orden en
que aparecen los dos tipos de autobuses (para el caso que aqu se trat).

31

2.4 BIBLIOGRAFA
1) Probabilidad y Estadstica para Ingeniera, Richar L. Scheaffer, James T.
Mc Clave. Grupo Editorial Iberoamrica.
2) Probabilidad y Estadstica, Aplicaciones y Mtodos, George Canavos 1988,
Mc Graw Hill.
3)http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/03Ddistr
%20Hipergeometrica.htm
4) es.wikipedia.org/wiki/Distribucin_Binomial
5) es.wikipedia.org/wiki/Distribucin_Poisson

32