Mmes U1 Ea Lapb 2

Modelacin Estocstica
Unidad 1 Evidencia de Aprendizaje
MODELACIN DE COMPORTAMIENTO DE PROCESOS ALEATORIOS

27 de abril de 2016
Autor: Laura Pontn
Modelacin Estocstica
Unidad 1 Evidencia de Aprendizaje
Introduccin
En la actualidad es ampliamente reconocida la importancia de la estadstica aplicada en el desarrollo de investigaciones en muy

diversos campos de estudio o trabajo; cada vez son ms los profesionales de diferentes disciplinas que se asisten de los diversos
mtodos estadsticos como lo pueden ser el muestreo, la simulacin, el diseo de experimentos, el modelamiento estadstico y
la inferencia, para poder llevar a cabo la recoleccin, el compendio y el anlisis de datos, as entonces lograr la interpretacin,
el anlisis y la prediccin de eventos, sucesos o comportamientos futuros.
Por ejemplo, en el caso de la sismologa, los mtodos estadsticos son de amplio uso; as como en la estimacin del riesgo
ssmico, prediccin ssmica, localizacin de sismos, determinacin de magnitudes y cuantificacin de incertidumbres.
Los principales modelos estocsticos usados para describir los procesos relacionados con los sismos se basan en series de tiempo
y procesos puntuales. Los modelos de series de tiempo se usan generalmente para describir procesos que son muestreados en
puntos de tiempo discretos, mientras que procesos puntuales se usan para modelar fenmenos que se presentan normalmente
de manera irregular, sin que exista un patrn temporal, y que frecuentemente pueden ocurrir en cualquier momento o espacio
dado.
La simulacin, considerada como un mtodo de experimentacin controlada, es el proceso de imitacin de aspectos importantes
del comportamiento de un sistema, mediante la construccin de un modelo implementado en un computador de tal forma que
permita generar observaciones dadas ciertas entradas.
Mediante el anlisis estadstico de dichas observaciones es posible estimar medidas del comportamiento de un sistema, sin
embargo, as, no es posible encontrar resultados ptimos, sino ms bien, resultados satisfactorios a problemas de difcil, costosa
o imposible resolucin mediante otros mtodos.
Modelacin Estocstica | 27/04/2016
Para entrar en materia definimos Estocstico (del griego stockhastes: adivino) es decir que se encuentra ligado al azar. Se le
define como un proceso en el cual, a cada instante, existe una probabilidad bien determinada de ocurrencia de cada uno de los
estados en los que se puede encontrar el sistema; esta probabilidad depende, en general, de cules hayan sido los estados
efectivamente alcanzados en instantes anteriores.
En un anlisis de dependencias, primeramente, definimos que los procesos con variables dependientes que evolucionan en el
tiempo y/o espacio requieren tcnicas propias de anlisis para modelizarlas y as poder obtener predicciones de valores futuros.
As la dependencia entre observaciones (), en la teora de los procesos estocsticos que es la base para el anlisis de variables
que varan en funcin del t, del espacio, o de ambos,
Donde un proceso estocstico es un conjunto o familia de variables aleatorias indexadas por un conjunto T, ()/
}, } Si T es de R, ser variacin en una dimensin -como es el caso de las series de tiempo-.
Si = {(, ) 2 } En este caso, T es un conjunto de ndices y las () se conocen como campos aleatorios (random
fields). As el conocimiento de estos procesos permitir el estudio y prediccin de procesos espaciales.
El Teorema de Kolmogorov, determina las condiciones necesarias para el conocimiento del proceso en los casos en lo que es
posible determinar la distribucin de cualquier subconjunto finito de variables aleatorias. La condicin es que la distribucin de
la variable aleatoria ( 1) dimensiones obtenida a travs del proceso, coincide con la distribucin marginal de la variable
aleatoria ( 1), obtenida de la distribucin de la variable aleatoria de n dimensiones.
Una muestra es un conjunto formado por los valores que toma la ( ) al repetir m veces el experimento en un pinto fijo ( ),
del conjunto de ndices, siendo que en cada instante t la variable () tendr su distribucin de probabilidad
Una trayectoria es el resultado de ejecutar el experimento, una sola vez, en distintos puntos del conjunto de ndices y el
resultado de una trayectoria es la medicin del experimento aleatorio en los instantes 1 , 2 , . . . , o en las coordenadas
1 , 2 , . . . ,
Una serie de N datos ser una muestra de un vector de N variables ordenadas en el conjunto de subndices = 1,2, . . . , y la
serie observada es una realizacin o trayectoria del proceso.
Anlisis de series temporales

Las series temporales son una secuencia de observaciones ordenadas por una variable, en R, (tiempo, longitud,...).
Pueden ser:
Continuas: seal de un sensor, de radio,...
Discretas: temperaturas, caudales, nivel de contaminante (diario, semanal, anual,...).
Series discretas
Notacin: ()
Las observaciones se toman a intervalos regulares de t:
(), ( + ), ( + 2), . ..
El objetivo es determinar la estructura de dependencia entre las observaciones para obtener un modelo que sirva para explicar,
predecir la evolucin futura de la variable observada y, en su caso, controlar el proceso.
Pruebas de bondad de ajuste
En contraste con la hiptesis alterna: : () = 0 () (negacin de Ho).
La validacin de modelos busca detectar si una distribucin de probabilidades supuesta es congruente con un conjunto de datos
dado. Para esto se utilizan pruebas de bondad de ajuste tales como la prueba chicuadrado o la prueba de KolmogorovSmirnov.
Sea 1 , . . . , los resultados obtenidos a partir de una muestra aleatoria de la cual se ha asumido que su distribucin de
probabilidades est determinada por la funcin de probabilidad () o la funcin de densidad de probabilidad 0 (), se
plantea la hiptesis nula : () = 0 (), especificada de manera completa con respecto a todos los parmetros.
La evaluacin de este supuesto se hace sobre los datos obtenidos a partir de una muestra de tamao n los cuales se clasifican en
k categoras (en caso discreto, en caso continuo los datos deben ser discretizados), el nmero de datos que caen en la isima
categora es fi , = ; la frecuencia observada en la isima categora se compara con , el nmero de datos que se
Estas pruebas permiten verificar que la poblacin de la cual proviene una muestra tiene una distribucin especificada o supuesta.
Sea X: variable aleatoria poblacional y 0 () la distribucin (o densidad) de probabilidad especificada o supuesta para X. Se
desea probar la hiptesis:
: () = 0 ()
espera observar en la isima categora si la hiptesis nula es correcta. es rechazada si existe una diferencia significativa entre
lo observado y lo esperado. La prueba de bondad de ajuste Chicuadrado ( 2 ) es calculada de, 2 = =1
( )2
y tiene k
1 grados de libertad. 2 tiende a cero si 0 es cierta. La potencia de la prueba aumenta si el nmero (k) de categoras
aumenta
Prueba Chi-Cuadrado
Esta prueba es aplicable para variables aleatorias discretas o continuas. Tomando una muestra aleatoria de tamao n de una
poblacin con una distribucin especificada 0 (), suponiendo que las observaciones de la muestra estn agrupadas en k clases,
siendo la cantidad de observaciones en cada clase = 1, 2, . . . , . Mediante el modelo especificado 0 () es posible calcular
la probabilidad que un dato cualquiera pertenezca a una clase i.
Con este valor de probabilidad se puede encontrar la frecuencia esperada para la clase i, es decir, la cantidad de datos que
segn el modelo especificado deberan estar incluidos en la clase i: = , = 1, 2, . . . ,
Tenemos entonces dos valores de frecuencia para cada clase i.
: ( )
: ( )
Dado un nivel de significancia se define un valor crtico 2 para el rechazo de la hiptesis propuesta 0 : () = 0 (). Si
las frecuencias observadas no difieren significativamente de las frecuencias esperadas calculadas con el modelo propuesto,
entonces el valor de estadstico de prueba 2 ser cercano a cero, pero si estas diferencias son significativas, entonces el valor
del estadstico 2 estar en la regin de rechazo de 0
Prueba de Bondad de Ajuste de

Kolmogorov-Smirnov (KS)
Hiptesis a contrastar:
0 : .
1 : .
Estadstico de contraste:
Donde:
es el i-simo valor observado en la muestra (cuyos valores se han ordenado previamente de menor a mayor).
( )es un estimador de la probabilidad de observar valores menores o iguales que .
0 () es la probabilidad de observar valores menores o iguales que xi cuando 0 es cierta.
As pues, D es la mayor diferencia absoluta observada entre la frecuencia acumulada observada () y la frecuencia
acumulada terica 0 () , obtenida a partir de la distribucin de probabilidad que se especifica como hiptesis nula.
Si los valores observados () son similares a los esperados 0 (), el valor de D ser pequeo. Cuanto mayor sea la
discrepancia entre la distribucin emprica 0 () y la distribucin terica , mayor ser el valor de D.
( 0 |0 ) = ( > | ) =
siendo el nivel de significacin del contraste.
Para el clculo prctico del estadstico D deben obtenerse:
Y a partir de estos valores
Por tanto, el criterio para la toma de la decisin entre las dos hiptesis ser de la forma:
0
> 0
donde el valor se elige de tal manera que:
A su vez, el valor D depende del tipo de distribucin a probar y se encuentra tabulado, en general es de la forma:
Donde C y K(n) se encuentran en las tablas.
Ventajas y desventajas de las dos pruebas de bondad de ajuste .

Ventajas de Chi Cuadrado
Es muy til para valores grandes de n,

La distribucin lmite chi-cuadrado de la estadstica, es independiente de la forma que tenga
la distribucin 0 () propuesta en la hiptesis 0 . Por ello, la prueba de bondad se utiliza
tambin para distribuciones de probabilidad en las que 0 () es continua.
Es un procedimiento razonablemente adecuado para probar suposiciones de normalidad
siempre y cuando el tamao de la muestra sea suficientemente grande .
Desventajas de Chi Cuadrado
La prueba de bondad es discreta, en el sentido de que sta compara frecuencias que se

observan y se esperan para un nmero finito de categoras.
Si 0 () es continua, la prueba no compara las frecuencias que se observan aisladas con la
funcin de densidad propuesta tal y como implica la hiptesis nula; en realidad, la
comparacin se lleva a cabo aproximando la distribucin continua bajo 0 con un nmero
finito de intervalos de clase.
Ventajas de Kolmogorov -Smirnov
No requiere que los datos se agrupen de determinada manera.

Su versatilidad ayuda a juzgar qu tan cerca se encuentra la distribucin de frecuencias
observada de la distribucin de frecuencias esperada, porque la distribucin de probabilidad
- estadstica de distribucin libre o desviacin absoluta mxima entre las
frecuencias observadas y tericas- tal que sta dependa del tamao de muestra n, pero es
independiente de la distribucin de frecuencia esperada.
Desventajas de Kolmogorov -Smirnov

De manera general, al ser una prueba no paramtrica tiene las siguientes desventajas fundamentalmente:
1. Si se puede utilizar una prueba paramtrica y se usa una no paramtrica hay una prdida de informacin.
2. En muestras grandes las pruebas no paramtricas son muy laboriosas
3. No utilizan toda la informacin que proporciona la muestra, y por ello una prueba no paramtrica ser menos eficiente que
el procedimiento paramtrico correspondiente, cuando se pueden aplicar ambos mtodos, por lo que para lograr resultados
ms efectivos, una prueba no paramtrica requerir la correspondiente prueba paramtrica cuando sea posible.
4. En varios casos se requiere transformar los datos a rangos, perdiendo la informacin puntual (continuos)
5. Con n grande es menos potente que la paramtrica
6. Con n muy pequea ( < 6) es inconsistente.
Otros posibles ajuste s

Prueba de JarqueBera (JB)
La prueba de bondad de ajuste JarqueBera (JB) usada para determinar si una muestra tiene distribucin normal con
media y varianza no especificadas, corresponde a una prueba Chicuadrado con dos grados de libertad y es definida
como, = 6 [ 2 +
(3)2
4
] donde S es el sesgo, C es la curtosis y n es el tamao de la muestra.
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.
Analiza los datos dados en cada caso, y determina su comportamiento probando tu propuesta
2
a travs de la prueba de Bondad de Ajuste .
2. El administrador de una tienda est analizando la venta de refrescos light por da

teniendo los siguientes resultados:
C u l es el m od e lo pr ob ab i ls t ic o qu e r e p res en t a a l as c ant ida d es d e r ef r es c o l ig ht

v e nd id as po r d a? Uniforme
Define de la variable aleatoria
Establece S y T.
Elabora el histograma de Frecuencias
Encuentra media y varianza
Establece la propuesta de distribucin de probabilidad estableciendo los usos de la distribucin de probabilidad
planteada.
Realiza la prueba de acuerdo a lo solicitado.
Indica si se ajusta o no y justificando tu respuesta.
Variable aleatoria:
: Nmero de refrescos light que son vendidos en el da t
Espacio de estados:
: {1,2,3, 14}
Nmero de refrescos que se venden

Discreto.
Espacio paramtrico:
: {1,2,3, ,65}
Nmero de das
Discreto.
fi
5
6
7
8
9
10
11
12
13
14
Recoleccin de datos
6
4
3
10
7
8
6
6
9
6
65
Clculo de la media y la varianza
(5 + 14)
= 9.5
2
Entonces para la varianza tenemos que:

=
( 1)2 1 (14 5 1)2 1 64 1 63

=
=
=
= 5.25
12
12
12
12
frmula de distribucin de probabilidad

1
1
= = 0.2
() 5
Frecuencia esperada
=
= (0.2)(65)
= 13
Lmite Inferior
1
2
3
4
5
Amplitud
5
7
9
11
13
Lmite Superior
1
1
1
1
1
Foi
6
8
10
12
14
(FEi-FOi) 2
FEi
10
13
15
12
15
65
13
13
13
13
13
9
0
4
1
4
(FOi-FOi) 2/FEi
0.692307692
0
0.307692308
0.076923077
0.307692308
1.384615385
Comparativo de frecuencias
Foi
16
FEi
15
14
13
13
15
13
13
13
13
12
12
10
10
Foi
10
13
15
12
15
FEi
13
13
13
13
13
Hiptesis
:
:
Comprobacin por chi cuadrado

2
Por lo que tomando en consideracin que para calcular ,
Con un nivel de confianza del 95% y con = 0.05, =
1 donde = 5 = 5 2 1 = 2
De acuerdo a los clculos en excel, con la frmula = . . (0.05,4)
Tenemos que:
2 = 1.38461538461538
2 0.05,6 = 5.99146
Tal que 2 2 5%,6 es decir, es verdad que 1.38461538461538 5.99146 as entonces es verdadera la , y se rechaza la hiptesis alternativa
:
:
Por lo que el modelo es el adecuado.
3.
El encargado de la calidad en una empresa que fabrica focos led, realiza la inspeccin diaria de 60 focos teniendo el nmero
de focos sin falla, se consideraron 50 das.

Establece S y T.

planteada.
Variable aleatoria:
: Nmero de focos sin falla en el da t.
Espacio de estados:
: {0,1,2,3 57}
Focos sin falla en un da t determinado

Discreto.
Espacio paramtrico:
: {1,2,3, ,50}
Nmero de das, es decir,0 el n-simo da
Discreto.
FOCOS SIN FALLA

42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
FRECUENCIA
1
0
0
0
0
3
6
3
6
3
7
8
5
4
3
1
50
En qu modelo probabilstico encaja mejor el comportamiento que presentan los focos sin falla en el
periodo establecido? Binomial
10
7
7
5
5
4
4
0
Series1
10
11
12
13
14
15
16
Clculo de Probabilidad
=
=
=1
(42 1) + (47 3) + (48 6) + (49 3) + (50 6) + (51 3) + (52 7) + (53 8) + (54 5) + (55 4) + (56 3) + (57 1)
(50 60)
= 2574/3000 = 0.858

Media: =
= 50 0.858 = 42.9
Varianza: 2 = = (1 )
2 = 50 0.858 (1 0.858) = 6.0918
frmula de distribucin binomial: ( = | = ) = () | = 1
Tabla de frecuencias
11
i
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
fi
1
0
0
0
0
3
6
3
6
3
7
8
5
4
3
1
Columna1
9.2503E+14
3.87222E+14
1.49608E+14
5.31941E+13
1.73459E+13
5.16686E+12
1.39936E+12
3.427E+11
75394027566
14783142660
2558620845
386206920
50063860
5461512
487635
34220
p
0.858
0.858
0.858
0.858
0.858
0.858
0.858
0.858
0.858
0.858
0.858
0.858
0.858
0.858
0.858
0.858
q
0.142
0.142
0.142
0.142
0.142
0.142
0.142
0.142
0.142
0.142
0.142
0.142
0.142
0.142
0.142
0.142
pi
0.0016
0.0014
0.0012
0.0010
0.0009
0.0007
0.0006
0.0006
0.0005
0.0004
0.0003
0.0003
0.0003
0.0002
0.0002
0.0002
q N-i
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0004
0.0029
Columna2
0.0
0.0
0.0
0.0
0.0
0.0
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.0
0.0
1.0
i
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
fOi
1
0
0
0
0
3
6
3
6
3
7
8
5
4
3
1
Columna2
0.0
0.0
0.0
0.0
0.0
0.0
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.0
0.0
(Fe i-Foi)2
0.92
0.01
0.06
0.27
1.05
1.34
8.89
2.15
0.00
16.27
0.13
1.67
0.06
0.29
1.28
0.04
FEi
0.04
0.10
0.24
0.52
1.02
1.84
3.02
4.47
5.94
7.03
7.36
6.71
5.25
3.46
1.87
0.79
(Fe i-Foi)2/Fe i
22.43
0.10
0.24
0.52
1.02
0.72
2.95
0.48
0.00
2.31
0.02
0.25
0.01
0.08
0.69
0.05
31.89
Comparativo de Frecuencias
9
8
8
7.36
7.03
6.71
6
6 5.94
5
5
5.25
4.47
4
3.46
3.02
1.02
1
1
0.79
0.52
0.04
0
1.87
1.84
0 0.10
0.24
10
11
12
13
14
15
Series1
Series2
0.04
0.10
0.24
0.52
1.02
1.84
3.02
4.47
5.94
7.03
7.36
6.71
5.25
3.46
1.87
0.79
Series1
16
Series2
Hiptesis
:
:
Por lo que tomando en consideracin que para calcular

2
,
1 donde = 16 1 teniendo 1 parmetro tenemos
que = 16 1 1 = 14
De acuerdo a los clculos en excel, con la frmula =

. . (0.05,14)
Comprobacin por Chi cuadrado
12
Tenemos que:
2 = 31.89
Tal que
2
5%,6
2
0.05,6
= 23.6848
es decir, no es verdad que 31.89 23.6848 as entonces no es verdadera la , y se acepta la hiptesis alternativa
:
:
Por lo que el modelo no es el adecuado.
13
4. Se hace un experimento con una urna de 8 bolas blancas y 10 bolas negras y se extraen 7 bolas, se hace el experimento 50
veces teniendo como resultado, se contabilizan las bolas blancas:
Qu modelo probabilstico representa al nmero de bolas extradas de

la urna? BINOMIAL
*Para el cuarto, la distribucin hipergemetrica puede ser la opcin y no la binomial propuesta.
Reconsidera tu anlisis
Establece S y T.

planteada.
Variable aleatoria:
: Nmero de bolas blancas extradas en el experimento n
Espacio de estados:
: {0,1,2,3 7}
Nmero de bolas extradas en cada experimento

Discreto.
Espacio paramtrico:
: {1,2,3, ,50}
Nmero de eventos de extraccin
Discreto.
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.
14
i
1
2
3
4
5
6
fi
1
8
21
18
1
1
50
25
21
20
18
15
10
8
1
0
fi
21
18
Clculo de Probabilidad
(1)(1) + (2)(8) + (3)(21) + (4)(18) + (5)(1) + (6)(1)

= 163/350 = 0.4657
(50 7)
15
Media: =
= 50 0.4657 = 23.285
Varianza:
= = (1 )
2 = 50 0.4657 (1 0.4657) = 23.285 0.5343 = 12.4411
frmula de distribucin binomial: ( = | = ) = () | = 1
=
=1
i
1
2
3
4
5
6
fi
1
8
21
18
1
1
Columna1
7
21
35
35
21
7
p
0.4657
0.4657
0.4657
0.4657
0.4657
0.4657
q
0.5343
0.5343
0.5343
0.5343
0.5343
0.5343
pi
0.4657
0.2169
0.1010
0.0470
0.0219
0.0102
q N-i
0.0233
0.0435
0.0815
0.1525
0.2855
0.5343
Columna2
0.1
0.2
0.3
0.3
0.1
0.0
1.0
Frecuencias Esperadas
i
fOi
Pi
FEi
(Fei-Foi)2
(Fei-Foi)2/Fei
0.0758
3.7921
7.7961
2.0559
0.1983
9.9158
3.6703
0.3701
21
0.2881
14.4045
43.5009
3.0200
18
0.2511
12.5551
29.6475
2.3614
5
6
1
1
0.1313
0.0382
6.5658
1.9076
30.9787
0.8238
4.7182
0.4318
12.9573
25
20
15
10
21
18
Series2
3.7921
9.9158
14.4045
12.5551
6.5658
1.9076
Series1
Series2
HIPTESIS
:
:
0
Series1
16
Comprobacin por Kolmogorov Smirnov

i
lmite inferior
amplitud
lmite superior
24
fOi
1
8
21
18
1
1
1 = 0.05
POI
0.02
0.16
0.42
0.36
0.02
0.02
POAi
0.02
0.18
0.6
0.96
0.98
1
PEi
0.075842969
0.198315949
0.288089517
0.251101044
0.131316964
0.038152293
PEAi
0.075842969
0.274158917
0.562248434
0.813349478
0.944666442
0.982818734
Mxima Diferencia
= 50
Valor en tablas 0.18841
0.146650522188004 0.18841 es VERDADERO por lo que el modelo es el adecuado

:
:
es verdadera la , y se rechaza la hiptesis alternativa
17
|PEAi-POAi|
0.055842969
0.094158917
0.037751566
0.146650522
0.035333558
0.017181266
0.146650522
5. Se contabiliza el tiempo que tarda en reparacin el wifi en horas, teniendo los siguientes resultados:
1.71
1.84
1.77
1.39
3.20
2.46
2.07
1.37
2.13
1.89
1.40
2.37
1.49
1.56
2.21
1.58
2.04
3.23
1.19
2.57
3.09
1.48
1.47
2.13
2.13
2.76
1.93
2.19
1.47
2.55
2.91
2.05
1.71
1.42
2.13
2.02
1.23
1.84
2.29
1.56
2.83
1.51
2.43
2.28
3.00
2.08
2.32
1.64
1.96
1.28
Cul es el modelo probabilstico que se ajusta al tiempo de falla del

Wifi? Uniforme

Establece S y T.


planteada.
Variable aleatoria:
: Horas que tarda en repararse el wifi en el tiempo t
Espacio de estados:
: [1, 4]
Horas que tarda en repararse el wifi

Continuo.
Espacio paramtrico:
: {1,2,3, ,50}
Nmero de clientes a los que se les ha reparado el wifi
Discreto.
10
10
frecuencia
6
5
4
4
3
2
1
0
Series1
10
10
5
10
4
8
8
4
4
1
3
3
50
12
18
intervalo
1
2
3
4
5
6
7
8
9
10
Lmite
inferior
1.19
1.394
1.598
1.802
2.006
2.21
2.414
2.618
2.822
3.026
amplitud
0.204
0.204
0.204
0.204
0.204
0.204
0.204
0.204
0.204
0.204
Lmite
superior
1.394
1.598
1.802
2.006
2.21
2.414
2.618
2.822
3.026
3.23
fi
xi
fixi
xi-
(xi-)
5
10
4
8
8
4
4
1
3
3
50
1.292
1.496
1.7
1.904
2.108
2.312
2.516
2.72
2.924
3.128
6.46
14.96
6.8
15.232
16.864
9.248
10.064
2.72
8.772
9.384
100.504
2.01008
-0.71808
-0.51408
-0.31008
-0.10608
0.09792
0.30192
0.50592
0.70992
0.91392
1.11792
0.515638886
0.264278246
0.096149606
0.011252966
0.009588326
0.091155686
0.255955046
0.503986406
0.835249766
1.249745126
= 1.19
= 3.23
[, ] = [1.19, 3.23]
=
+ 1.19 + 3.23 4.42

=
=
= 2.21
2
2
2
2 =
( )2 (3.23 1.19)2
=
= 0.3468
12
12
() =
() =

= =
= 0.204
= 1.19
0.204
() =
0
= 3.23
0.204
0.204
1
1
=
= 0.1
(3.23 1.19) 0
0
Que al ser uniforme, es la misma para cada intervalo:

Calculando las frecuencias esperadas:
19
intervalo
1
2
3
4
5
6
7
8
9
10
Lmite
inferior
1.19
1.394
1.598
1.802
2.006
2.21
2.414
2.618
2.822
3.026
amplitud
0.204
0.204
0.204
0.204
0.204
0.204
0.204
0.204
0.204
0.204
Lmite
superior
1.394
1.598
1.802
2.006
2.21
2.414
2.618
2.822
3.026
3.23
FOi
Pi(x)
Fe i
5
10
4
8
8
4
4
1
3
3
50
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
5
5
5
5
5
5
5
5
5
5
50
fi(xi-)
2.578194432
2.642782464
0.384598426
0.090023731
0.076706611
0.364622746
1.023820186
0.503986406
2.505749299
3.749235379
13.91971968
0.284075912
Comparativo de Freciencias
12
10
10
10
Series1
10
Series2
HIPTESIS
:
:
Lmite
inferior
1.19
1.394
1.598
1.802
2.006
2.21
2.414
2.618
2.822
3.026
amplitud
0.204
0.204
0.204
0.204
0.204
0.204
0.204
0.204
0.204
0.204
Lmite
superior
1.394
1.598
1.802
2.006
2.21
2.414
2.618
2.822
3.026
3.23
FOi
POI
POAi
PEi
PEAi
|PEAi-POAi|
5
10
4
8
8
4
4
1
3
3
50
0.1
0.2
0.08
0.16
0.16
0.08
0.08
0.02
0.06
0.06
0.1
0.3
0.38
0.54
0.7
0.78
0.86
0.88
0.94
1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0.0000
0.1000
0.0800
0.1400
0.2000
0.1800
0.1600
0.0800
0.0400
0.0000
Mxima Diferencia
1 = 0.05
= 50

0.2 0.18841 es falso por lo que el modelo no es el adecuado
:
:
no es verdadera la , y se acepta la hiptesis alternativa
0.2
intervalo
1
2
3
4
5
6
7
8
9
10
20
6. En una universidad se tom el peso a 50 alumnos, con los resultados:

66.83 73.30 53.52 72.06 67.89 65.60
79.00
74.71
78.17
70.91
77.49
79.27
76.16
67.73
62.74
71.21
78.25
83.36
74.20
82.44
64.60
74.36
81.37
62.81
71.91
70.71
66.95
69.69
68.32
69.17
56.74
77.70
57.31
74.10
64.34
69.15
74.72
74.05
81.26
64.32
66.49
72.87
66.02
65.77
70.69
71.40
72.24
69.09
79.95
62.09
Determina el modelo probabilstico que presenta el peso de los alumnos.

Normal

Establece S y T.
planteada.
Variable aleatoria:
: El peso del alumno n
Espacio de estados:
: [1,84]
El peso del alumno n

Continuo.
Espacio paramtrico:
: {1,2,3, ,50}
n-simo paciente de la observacin
Discreto.
fi
21
1
2
1
5
9
9
9
3
7
4
10
9
8
7
6
5
5
4
4
50
3
3
2
2
1
0
Series1
10
intervalo
Lmite inferior
amplitud
Lmite superior
fi
xi
fixi
xi-
(xi-)
1
2
3
4
5
53.52
56.504
59.488
62.472
65.456
2.984
2.984
2.984
2.984
2.984
56.504
59.488
62.472
65.456
68.44
1
2
1
5
9
55.012
57.996
60.98
63.964
66.948
55.012
115.992
60.98
319.82
602.532
-15.93456
-12.95056
-9.96656
-6.98256
-3.99856
253.910202
167.717004
99.3323182
48.7561442
15.9884821
253.910202
335.434009
99.3323182
243.780721
143.896339
6
7
8
9
10
68.44
71.424
74.408
77.392
80.376
2.984
2.984
2.984
2.984
2.984
71.424
74.408
77.392
80.376
83.36
9
9
3
7
4
69.932
72.916
75.9
78.884
81.868
629.388
656.244
227.7
552.188
327.472
-1.01456
1.96944
4.95344
7.93744
10.92144
1.02933199
3.87869391
24.5365678
63.0029538
119.277852
9.26398794
34.9082452
73.6097035
441.020676
477.111407
50
3547.328
fi(xi-)
2112.26761
2
70.94656
43.1075022
= () = 70.94656
2 = 43.1075022
= 6.5656
Funcin de densidad
() =
() =
1
2
1 () 2
2( )
1
(6.5656) 2
1 70.94656 2
(
)
6.5656
Lmite
Inferior
Lmite
Superior
53.52
56.504
1 () =
56.504
59.488
2 () =
59.488
62.472
3 () =
62.472
65.456
4 () =
65.456
68.44
5 () =
68.44
71.424
71.424
74.408
74.408
77.392
77.392
80.376
10
80.376
83.36
1
2
3
4
5
6
7
Funcin de densidad
1
(6.5656) 2
1
(6.5656) 2
1
(6.5656) 2
1
(6.5656) 2
1
56.504
1 70.94656 2
(
)
6.5656
1 70.94656 2
2( 6,5656 )
1 70.94656 2
2( 6,5656 )
1 70.94656 2
2( 6,5656 )
53.52
59.488
56.04
62.472
59.488
65.456
62.472
68.44
()
1 70.94656 2
2( 6,5656 )
(6.5656) 2 65.456
2
71.424
1 70.94656
1
)
(
6 () =
2 6,5656
(6.5656) 2 68.44
2
74.408
1
70.94656
1
)
(
7 () =
2 6,5656
(6.5656) 2 71.424
2
77.392
1 70.94656
1
)
(
8 () =
2 6,5656
(6.5656) 2 74.408
2
80.376
1
70.94656
1
)
(
9 () =
2 6,5656
(6.5656) 2 77.392
2
83.36
1 70.94656
1
)
(
10 () =
2 6,5656
(6.5656) 2 80.736
0.00993838
0.0288798
0.0579235
0.103109
0.149812
0.17767
0.171991
0.1359
0.0876498
0.0386445
22
intervalo
1
Lmite inferior
amplitud
Lmite superior
FOi
Pi(x)
Fe i
53.52
2.984
56.504
0.00993838
0.496919
2
3
4
5
6
56.504
59.488
62.472
65.456
68.44
2.984
2.984
2.984
2.984
2.984
59.488
62.472
65.456
68.44
71.424
2
1
5
9
9
0.0288798
0.0579235
0.103109
0.149812
0.17767
1.44399
2.896175
5.15545
7.4906
8.8835
7
8
9
10
71.424
74.408
77.392
80.376
2.984
2.984
2.984
2.984
74.408
77.392
80.376
83.36
9
3
7
4
50
0.171991
0.1359
0.0876498
0.0386445
1.0
8.59955
6.795
4.38249
1.932225
48.075899
10
8.8835
9
8.59955
8
7.4906
7
7
6.795
5.15545
5
4.38249
4
4
2.896175
1.932225
1.44399
1
1
0.496919
10
Series1
Series2
0.496919
1.44399
2.896175
5.15545
7.4906
8.8835
8.59955
6.795
4.38249
1.932225
Series1
Series2
HIPTESIS
:
:
23

Lmite inferior
amplitud
Lmite superior
FOi
POI
POAi
PEi
PEAi
|PEAi-POAi|
53.52
56.504
59.488
62.472
65.456
2.984
2.984
2.984
2.984
2.984
56.504
59.488
62.472
65.456
68.44
1
2
1
5
9
0.02
0.04
0.02
0.1
0.18
0.02
0.06
0.08
0.18
0.36
0.00993838
0.0288798
0.0579235
0.103109
0.149812
0.00993838
0.03881818
0.09674168
0.19985068
0.34966268
0.0101
0.0212
0.0167
0.0199
0.0103
68.44
71.424
74.408
77.392
80.376
2.984
2.984
2.984
2.984
2.984
71.424
74.408
77.392
80.376
83.36
9
9
3
7
4
0.18
0.18
0.06
0.14
0.08
0.54
0.72
0.78
0.92
1
0.17767
0.171991
0.1359
0.0876498
0.0386445
0.52733268
0.69932368
0.83522368
0.92287348
0.96151798
0.0127
0.0207
0.0552
0.0029
0.0385
Mxima Diferencia
0.0552
50
1 = 0.05
= 50
0.0552 0.18841 es Verdadero por lo que el modelo es el adecuado

:
:
24
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:
0.92
0.91
3.29
14.09
2.73
0.04
6.41
29.95
2.15
11.94
2.20
10.76
6.27
0.91
0.64
20.49
4.27
1.59
5.76
7.61
4.72
11.34
1.60
4.94
3.03
4.08
6.24
16.14
13.55
30.22
1.89
5.43
1.08
1.27
3.31
5.38
0.86
4.63
4.33
5.40
33.39
4.90
19.26
6.10
4.11
0.53
3.81
41.97
6.95
8.33
Establece el modelo probabilstico que represente a los tiempos entre

llegadas de las personas para actualizar su placa . Exponencial

Establece S y T.


planteada.
Variable aleatoria:
: Los minutos que tarda una persona en llegar a la fila para hacer la actualizacin de las placas del auto en el tiempo t
Espacio de estados:
: [1,4]
Los minutos que tarda una persona en llegar a la fila para hacer la actualizacin de las placas del auto
Continuo.
Espacio paramtrico:
: {1,2,3, ,50}
n-sima persona de la observacin
Discreto.
25
fi
21
17
3
3
2
0
0
3
0
1
50
25
21
20
17
15
10
5
3
3
2
1
0
Series1
0
9
10
21
17
Lmite inferior
0.04
4.233
8.426
12.619
16.812
21.005
25.198
29.391
33.584
37.777
amplitud
4.193
4.193
4.193
4.193
4.193
4.193
4.193
4.193
4.193
4.193
Lmite superior
4.233
8.426
12.619
16.812
21.005
25.198
29.391
33.584
37.777
41.97
fi
21
17
3
3
2
0
0
3
0
1
50
xi
2.1365
6.3295
10.5225
14.7155
18.9085
23.1015
27.2945
31.4875
35.6805
39.8735
fixi
xi-
(xi-)
44.8665
107.6015
31.5675
44.1465
37.817
0
0
94.4625
0
39.8735
400.335
-5.8702
-1.6772
2.5158
6.7088
10.9018
15.0948
19.2878
23.4808
27.6738
31.8668
34.459248
2.81299984
6.32924964
45.0079974
118.849243
227.852987
372.019229
551.347969
765.839206
1015.49294
723.644209
47.8209973
18.9877489
135.023992
237.698486
0
0
1654.04391
0
1015.49294
3832.71228
78.218618
8.0067
fi(xi-)
Funcin de densidad
Despejando:
Tal que: () =
Como el dato que se nos proporciona es = 6.2 tenemos entonces que para sustituir consideramos este dato-
i
1
Lmite Inferior
0.04
Lmite Superior
4.233

1 1
1 1
=
8.00
8.00

Funcin de densidad
4.233
1 () =
0.04
4.233
8.426
1 1
8
8
8.426
2 () =
4.233
8.426
12.619
12.619
16.812
16.812
21.005
1 1
8
8
0.142286
1 1
8
8
0.0842436
1 1
8
8
0.0498784
1 1
8
8
0.0295317
1 1
8
8
0.0174849
1 1
8
8
0.0103523
1 1
8
8
0.00612934
1 1
8
37.777 8
0.00362902
16.812
4 () =
12.619
21.005
5 () =
16.812
21.005
25.198
25.198
29.391
29.391
33.584
25.198
6 () =
21.005
29.391
7 () =
25.198
33.584
8 () =
29.391
33.584
37.777
10
37.777
41.97
0.240318
1 1
8
8
12.619
3 () =
8.426
()
0.405892
37.777
9 () =
33.584
41.97
10 () =
() =
26
intervalo
1
2
3
4
5
6
7
8
9
10
Lmite inferior
amplitud
Lmite superior
FOi
Pi(x)
Fe i
0.04
4.233
8.426
12.619
16.812
21.005
25.198
29.391
33.584
37.777
4.193
4.193
4.193
4.193
4.193
4.193
4.193
4.193
4.193
4.193
4.233
8.426
12.619
16.812
21.005
25.198
29.391
33.584
37.777
41.97
21
17
3
3
2
0
0
3
0
1
50
0.405892
0.240318
0.142286
0.0842436
0.0498784
0.0295317
0.0174849
0.0103523
0.00612934
0.00362902
1.0
20.2946
12.0159
7.1143
7.1143
4.21218
2.49392
1.476585
0.874245
0.517615
0.306467
56.420112
25
21
20.2946
20
17
15
12.0159
10
7.1143
7.1143
4.21218
3
3
2.49392
2
1.476585
1
0.874245
0
0
0.517615
0.306467
10
Series1
21
17
Series2
20.2946
12.0159
7.1143
7.1143
4.21218
2.49392
1.476585
0.874245
0.517615
0.306467
Hiptesis
:

27

intervalo
1
2
3
4
5
6
7
8
9
10
Lmite inferior
amplitud
Lmite superior
FOi
POI
POAi
PEi
PEAi
|PEAi-POAi|
0.04
4.233
8.426
12.619
16.812
21.005
25.198
29.391
33.584
37.777
4.193
4.193
4.193
4.193
4.193
4.193
4.193
4.193
4.193
4.193
4.233
8.426
12.619
16.812
21.005
25.198
29.391
33.584
37.777
41.97
21
17
3
3
2
0
0
3
0
1
50
0.42
0.34
0.06
0.06
0.04
0
0
0.06
0
0.02
0.42
0.76
0.82
0.88
0.92
0.92
0.92
0.98
0.98
1
0.405892
0.240318
0.142286
0.0842436
0.0498784
0.0295317
0.0174849
0.0103523
0.00612934
0.00362902
1.0
0.405892
0.64621
0.788496
0.8727396
0.922618
0.9521497
0.9696346
0.9799869
0.98611624
0.98974526
0.0141
0.1138
0.0315
0.0073
0.0026
0.0321
0.0496
0.0000
0.0061
0.0103
Mxima Diferencia
1 = 0.05
= 50
0.1138

0.1138 0.18841 es verdadero por lo que el modelo es el adecuado
:

:

8. Se revis los proyectos terminales de un alumno poco experto en la escritura y se contabilizo el nmero
de errores por pgina, su trabajo tena 50 paginas:
5 6 6
8
1 3 6 7 8
4
4
11
11
11
13
Determina cul es el modelo probabilstico que se ajusta a los datos,

ajusta: Geomtrica
Realiza el anlisis con la prueba de Bondad de Ajuste de Kolmogorov Smirnov

Compara resultados.

Establece S y T.
planteada.

Espacio de estados:
: {1,2.3 13}
Nmero de errores contenidos en el proyecto terminal de un alumno en la pgina n

Discreto.
Espacio paramtrico:
: {1,2,3, ,50}
Realiza el anlisis con la prueba de Bondad de Ajuste
Variable aleatoria:
: Nmero de errores contenidos en el proyecto terminal de un alumno en la pgina n
2 .
28
n-sima pgina del proyecto terminal

Discreto.
I
0
1
2
3
4
5
6
7
8
9
10
11
12
13
frecuencia
1
1
0
5
7
9
3
11
5
4
0
3
0
1
Frecuencias
12
11
10
9
8
7
6
5
4
4
3
2
1
1
0
0
Series1
I
0
1
2
3
4
5
6
7
8
9
10
11
12
13
frecuencia
1
1
0
5
7
9
3
11
5
4
0
3
0
1
50
=E[X]
29
ifi
0
1
0
15
28
45
18
77
40
36
0
33
0
13
306
6.12
10
11
12
13
14
11
1
1
1
= =
= 0.1634
[] 6.12
() = (1 ) = (0.1634)(1 0.1634)
2 = = (1 )
2
= 50 0.16339869 (1 0.16339869) = 6.83497790531
frecuencia
ifi
1-P
(1-P)I
p(1-p)i
FEi
0
1
2
3
4
5
6
7
8
9
10
11
12
13
1
1
0
5
7
9
3
11
5
4
0
3
0
1
0
1
0
15
28
45
18
77
40
36
0
33
0
13
306
6.12
0.16339869
0.16339869
0.16339869
0.16339869
0.16339869
0.16339869
0.16339869
0.16339869
0.16339869
0.16339869
0.16339869
0.16339869
0.16339869
0.16339869
0.836601
0.836601
0.836601
0.836601
0.836601
0.836601
0.836601
0.836601
0.836601
0.836601
0.836601
0.836601
0.836601
0.836601
1.000000
0.836601
0.699902
0.585539
0.489862
0.409820
0.342856
0.286833
0.239965
0.200755
0.167952
0.140509
0.117550
0.098342
0.163399
0.136700
0.114363
0.095676
0.080043
0.066964
0.056022
0.046868
0.039210
0.032803
0.027443
0.022959
0.019208
0.016069
0.917727
8.16993464
6.834978
5.71815153
4.78381304
4.00214425
3.34819911
2.80110775
2.34341041
1.96050021
1.64015704
1.37215752
1.14794878
0.96037545
0.80345135
45.8863291
50
=E[X]
FOi
PI
FEi
(FEi-FOi)2
0
1
2
3
4
5
6
7
8
9
10
11
12
13
1
1
0
5
7
9
3
11
5
4
0
3
0
1
0.163399
0.136700
0.114363
0.095676
0.080043
0.066964
0.056022
0.046868
0.039210
0.032803
0.027443
0.022959
0.019208
0.016069
8.169934641
6.834978
5.718151529
4.783813044
4.002144246
3.348199108
2.80110775
2.343410406
1.960500209
1.640157037
1.372157521
1.147948776
0.960375447
0.803451354
51.40796275
34.04696826
32.69725691
0.0467368
8.987139121
31.94285332
0.039558127
74.93654341
9.238558982
5.568858809
1.882816263
3.430093736
0.922320998
0.03863137
(FEi-FOi)2/FEi
6.292334641
4.98128425
5.718151529
0.00976978
2.245581011
9.540308774
0.014122315
31.97755853
4.71234787
3.395320498
1.372157521
2.988019856
0.960375447
0.048081779
74.2554138
50
12
11
10
8.169934641
8
6.834978
5.718151529
5
4.783813044
4.002144246
4
3.348199108
3
2.80110775
2.343410406
1.960500209
1.640157037
1.372157521
1
1.147948776
0
0
0
3
10
0.960375447
0.803451354
0
11
12
13
14
Series1
11
Series2
8.169934641
6.834978
5.718151529
4.783813044
4.002144246
3.348199108
2.80110775
2.343410406
1.960500209
1.640157037
1.372157521
1.147948776
0.960375447
0.803451354
Series1
Series2
:

:

Haciendo entonces la comprobacin por Chi -Cuadrado

2
Por lo que tomando en consideracin que para calcular ,
1 donde = 13 = 13 1 1 = 11
De acuerdo a los clculos en excel, con la frmula = . . (0.05,5)

Tenemos que:
HIPTESIS
30
2 = 74.255
Tal que
2
5%,6
2
0.05,6
= 19.6751
es decir, no es verdad que 74.255 19.6751 as entonces no es verdadera la , y se acepta la hiptesis alternativa
:

:

Por lo que el modelo no es el adecuado.
Por Kolmogorov Smirnov
31
FOi
POI
POAi
PEi
PEAi
|PEAi-POAi|
0
1
2
3
4
5
6
7
8
9
10
11
12
13
1
1
0
5
7
9
3
11
5
4
0
3
0
1
50
0.02
0.02
0
0.1
0.14
0.18
0.06
0.22
0.1
0.08
0
0.06
0
0.02
0.02
0.04
0.04
0.14
0.28
0.46
0.52
0.74
0.84
0.92
0.92
0.98
0.98
1
0.16339869
0.13669956
0.11436303
0.09567626
0.08004288
0.06696398
0.05602216
0.04686821
0.03921
0.03280314
0.02744315
0.02295898
0.01920751
0.01606903
0.163398693
0.300098253
0.414461283
0.510137544
0.590180429
0.657144411
0.713166566
0.760034774
0.799244779
0.832047919
0.85949107
0.882450045
0.901657554
0.917726581
Mxima Diferencia
0.143398693
0.260098253
0.374461283
0.370137544
0.310180429
0.197144411
0.193166566
0.020034774
0.040755221
0.087952081
0.06050893
0.097549955
0.078342446
0.082273419
0.3745
1 = 0.05
= 50

0.3745 0.18841 es falso por lo que el modelo no es el adecuado
:

:

no es verdadera la , y se acepta la hiptesis alternativa
Conclusiones
Un modelo es una representacin de la realidad con la finalidad de poder estudiarla, de tal manera que en algunos
casos no es necesario considerar todos y cada uno de los detalles de la realidad, por lo que un modelo no es una
copia idntica sino una simplificacin de la misma, as en los modelos estocsticos o probabilsticos, los valores de
las variables dentro de un modelo estocstico sufren modificaciones con respecto a un valor promedio; tales
variaciones pueden ser manejadas mediante distribuciones de probabilidad.
Las pruebas de bondad de ajuste de un modelo estadstico nos permiten verificar el ajuste en un conjunto de
observaciones, tal que, sea visible la discrepancia entre los valores observados y los valores esperados en el modelo
en cuestin.
Bibliografa
Chatfield, C., 1989. The Analysis of Time Series. Chapman and Hall, Londres.
Millard, S.P.; Neerchal, N.K. (2001). Environmental Statistics with S-PLUS. CRC Press. Florida
Pea Snchez de Rivera, D. (1994, 2001). Fundamentos de Estadstica.Alianza Editorial. Madrid

Pea Snchez de Rivera, D. 2005. Anlisis de Series Temporales. Alianza Editorial. Madrid
Gonzlez Garca, C. (1989). Anlisis Estadstico Comparativo de Series
32
http://cran.r-project.org/doc/contrib/Saez-Castillo-RRCmdrv21.pdf
http://www.r-project.org/
https://www.youtube.com/watch?v=kkcLnDT1Oa0
https://www.youtube.com/watch?v=u6eLvDyEyo0
33

Mmes U1 Ea Lapb 2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Mmes U1 Ea Lapb 2

Diunggah oleh

Hak Cipta:

Format Tersedia

Modelacin Estocstica

Unidad 1 Evidencia de Aprendizaje

MODELACIN DE COMPORTAMIENTO DE PROCESOS ALEATORIOS

En la actualidad es ampliamente reconocida la importancia de la estadstica aplicada en el desarrollo de investigaciones en muy

Modelacin Estocstica | 27/04/2016

Anlisis de series temporales

Pruebas de bondad de ajuste

En contraste con la hiptesis alterna: : () = 0 () (negacin de Ho).

Modelacin Estocstica | 27/04/2016

Modelacin Estocstica | 27/04/2016

Prueba de Bondad de Ajuste de

Y a partir de estos valores

Modelacin Estocstica | 27/04/2016

Donde C y K(n) se encuentran en las tablas.

Ventajas y desventajas de las dos pruebas de bondad de ajuste .

Es muy til para valores grandes de n,

Desventajas de Chi Cuadrado

Modelacin Estocstica | 27/04/2016

La prueba de bondad es discreta, en el sentido de que sta compara frecuencias que se

Ventajas de Kolmogorov -Smirnov

No requiere que los datos se agrupen de determinada manera.

Desventajas de Kolmogorov -Smirnov

Otros posibles ajuste s

] donde S es el sesgo, C es la curtosis y n es el tamao de la muestra.

Prueba de Anderson Darling

Modelacin Estocstica | 27/04/2016

Modelacin Estocstica | 27/04/2016

2. El administrador de una tienda est analizando la venta de refrescos light por da

C u l es el m od e lo pr ob ab i ls t ic o qu e r e p res en t a a l as c ant ida d es d e r ef r es c o l ig ht

Define de la variable aleatoria

Realiza la prueba de acuerdo a lo solicitado.

Indica si se ajusta o no y justificando tu respuesta.

Nmero de refrescos que se venden

Clculo de la media y la varianza

Entonces para la varianza tenemos que:

( 1)2 1 (14 5 1)2 1 64 1 63

frmula de distribucin de probabilidad

Modelacin Estocstica | 27/04/2016

Comprobacin por chi cuadrado

De acuerdo a los clculos en excel, con la frmula = . . (0.05,4)

Modelacin Estocstica | 27/04/2016

Define de la variable aleatoria

Establece la propuesta de distribucin de probabilidad estableciendo los usos de la distribucin de probabilidad

Indica si se ajusta o no y justificando tu respuesta.

Focos sin falla en un da t determinado

FOCOS SIN FALLA

Modelacin Estocstica | 27/04/2016

Clculo de la media y la varianza

frmula de distribucin binomial: ( = | = ) = () | = 1

Modelacin Estocstica | 27/04/2016

Por lo que tomando en consideracin que para calcular

De acuerdo a los clculos en excel, con la frmula =

Modelacin Estocstica | 27/04/2016

Comprobacin por Chi cuadrado

Modelacin Estocstica | 27/04/2016

Por lo que el modelo no es el adecuado.

Qu modelo probabilstico representa al nmero de bolas extradas de

Define de la variable aleatoria

Encuentra media y varianza

Nmero de bolas extradas en cada experimento

Modelacin Estocstica | 27/04/2016

Analiza los datos dados en cada caso, y determina su comportamiento probando

(1)(1) + (2)(8) + (3)(21) + (4)(18) + (5)(1) + (6)(1)