INTRODUCCION
PLANTEAMIENTO
Ho : X presenta F (x)
Pasos a seguir
Donde:
Oi es la frecuencia observada
ei es la frecuencia esperada
5. Regla de decisin:
Donde:
K: cantidad de clases
P: parmetros a estimar
Pasos a seguir
1. Establecer las hiptesis nula y alternativa.
Oi en los datos.
( o
km
e ) 2
2 i i
i 1 ei
Donde: Oi es la frecuencia observada y ei es la frecuencia esperada.
5. Regla de decisin :
Donde
k: cantidad de clases
p: parmetros a estimar
i FE
-Si hay un acercamiento entre las grficas existe una probabilidad de que la
distribucin terica se ajusta a los datos.
1.1 Encuentre la amplitud del intervalo de clase por medio de la siguiente relacin
Numero de Frecuencia
defectos observada
0 32
1 15
2 9
3 o mas 4
Muestran estos datos suficiente evidencia para decir que provienen de una
distribucin Poisson? Haga la prueba de la bondad del ajuste con un =
0.05.
Solucin:
Con esta frmula se calculan las probabilidades, mismas que se multiplican por 60
para obtener los valores esperados.
0 0.472 28.32 32
1 0.354 21.24 15
2 0.133 7.98 9
1 21.24 15
2 o mas 10.44 13
Regla de decisin:
Clculos:
Interpretacion: Como el 2.94 no es mayor a 3.84, no se rechaza H 0 y se
concluye con un = 0.05 que la distribucin de defectos en las tarjetas de
circuito impreso es Poisson
LIMITES DE FRECUENCIAS
CLASE OBSERVADAS
1.45-1.95 2
1.95-2.45 1
2.45-2.95 4
2.95-3.45 15
3.45-3.95 10
3.95-4.45 5
4.45-4.95 3
Solucin:
La razn por la cual se comienza con el lmite de 1.95 y se termina con el lmite de
4.45, es porque la suma de todas las probabilidades debe ser 1, bajo la curva
normal.
Regla de decisin:
Clculos:
Interpretacin:
g,l=k-m-
Nivel de significancia = 0.05 1=2
2 2
Zona de rechazo = x /x 5.99
m = 0 porque no se necesit estimar ningn parmetro
1
Y la probabilidad de 2 o ms= 1.0-0.05999-0.086
Ahora ya podemos encontrar las frecuencias esperadas:
200(0.0599)=119.8 2000(0.315)=63 200(0.086)=17.2
0 138 119,8
1 53 63
2 o mas 9 17,2
Como 8.26 es mayor que 5.99, se rechaza la hiptesis nula con un nivel de
significancia de 0.05.
Conclusin
Se concluye que el porcentaje verdadero de neumticos con defecto no es
el 5%
Y asi sucesivamente.
LS= limite superior de cada intervalo
Luego que se ha encontrado que los datos se pueden modelar por una distribucin
uniforme se busca entonces generar variables aleatorias uniformes como entradas
estocsticas para un modelo de simulacin a travs la formula.
Para estimar los parmetros a y b utilizamos los mtodos de los momentos en
base a los datos histricos. Como se tienen dos momentos se deben usar los dos
primeros de la media y la varianza.
2
Es decir, igualamos la media y la varianza de la poblacin ( y ) a la media de
2
la muestra X y s .
a+b
Se sabe que la media para una distribucin uniforme = = y que la
2
2
2 (ba) 2
varianza es = =s . Despejando a y b de las dos expresiones
2
anteriores:
De la primera ecuacin despejamo b, b = 2 a
De la segunda despejamos b,
2. Encontramos el valor de
3. Hallar la amplitud.
La Dm=0,030208 se compara con d (50%,5) =0.2150 lo cual indica que los datos
de caf en el eje cafetero siguen una distribucin exponencial con media de =6
toneladas/das. Es decir,
Luego =6
x =84 y S=3
BIBLIOGRAFIA: