Taller: Estadstica aplicada: Pruebas de bondad y ajuste

Valentina Giraldo Ortega

ngela Mara Herrera Correa

Santiago Marn Lpez

Mara Alejandra Restrepo Gmez

Diana Patricia Yepes Quintero

Estadstica aplicada

Horacio Fernndez Castao

Universidad de Medelln

Medelln

2013
Base terica:

1. Tablas de contingencia [1], [2]:

Una tabla de contingencia es una herramienta muy til para resumir datos categricos 1. Si se
definen dos variables categricas X y Y con I y J categoras respectivamente, cualquier
sujeto podra clasificarse en alguna de las I J , que es cualquiera de las posibles categoras
que existe. En general una tabla de contingencia tiene dos objetivos:

a) Organizar la informacin obtenida en un experimento cuando sta est referida a dos

factores (variables categricas).
b) Analizar si existe alguna relacin de dependencia e independencia entre las variables
categricas que son objeto de estudio.

Teniendo en cuenta la informacin anterior, un modelo de tabla de contingencia sera:

Variable B
B1 B2 B3 BJ Total
A1 O11 O12 O13 O1J D1
A2 O21 O22 O23 O2 J D2
A3 O31 O32 O33 O3J D3
Variable A

AI OI 1 OI 2 OI 3 OIJ DI
Total C1 C2 C3 CJ n

En donde:

OIJ : Es el nmero de sujetos que presentan las caractersticas AI y BJ a la vez.

C J : Es la suma de la J-sima columna, es decir, el total de sujetos que presentan la

caracterstica BJ .

DI : Es la suma de la I-sima fila, es decir, el total de sujetos que presentan la caracterstica AI .

n : Es el total de observaciones tomadas.

Una vez construida la tabla se pueden realizar dos tipos de prueba para probar la
independencia y homogeneidad:

1
Son datos que slo pueden tomar un nmero finito o infinito numerable de posibles valores. Suelen ser los
datos procedentes de los recuentos (frecuencia observada) derivados de informacin recogida en un
experimento.
 a) Prueba de independencia: se hace para probar si hay asociacin entre las variables A y
B.

Las hiptesis son:

H 0 : No hay asociacin entre las variables A y B (hay independencia).
H a : Si hay relacin entre las variables A y B.

b) Prueba de homogeneidad: es una generalizacin de la prueba para la igualdad de dos

proporciones. Se trata de probar si para cada nivel de la variable B, la proporcin con
respecto a cada nivel de A es la misma.

Las hiptesis son:

H 0 : Las proporciones de cada valor de la variable A son iguales en cada columna.

H a : Al menos una de las proporciones para cada valor de la variable A no son iguales
en cada columna.

Para probar la independencia se efecta la prueba Ji-cuadrado, que es de la siguiente forma:

Se calcula el estadstico de prueba:

O Eij
2
J I
EP X
2 ij

j 1 i 1 Eij

Dnde:

Oij : es la frecuencia observada de la celda que est en la fila i, columna j.

Eij : es la frecuencia esperada de la celda que est en la fila i, columna j. Se define como:

Di C j
Eij
n

2
Luego, este estadstico de prueba se compara con X , J 1I 1 .

La regla de decisin es:

Si EP X , J 1I 1 se rechaza H 0 .
2

Y el valor-p es igual a: P X 2 EP .
2. Pruebas de bondad y ajuste:
Una prueba de bondad y ajuste permite verificar si la poblacin de la cual proviene una muestra
aleatoria sigue una distribucin especfica o supuesta.

En general lo que se busca es lo siguiente:

Sea:
x : una variable aleatoria.
f S x : la distribucin de probabilidad especfica o supuesta que sigue la variable aleatoria x .

Se busca probar la hiptesis nula:

H0 : f x fS x
En contraste con la hiptesis alternativa:

Ha : f x fS x
En general se utilizan tres tipos de pruebas de bondad y ajuste:

a) Prueba Ji-Cuadrado [3]:

Esta prueba es aplicable tanto para variables aleatorias discretas y continuas.

Se parte de las hiptesis (siendo x una variable aleatoria):

H0 : f x fS x
Ha : f x fS x

Para tener una mayor facilidad al aplicar este mtodo, los autores recomiendan construir una
tabla con la siguiente estructura.
Frecuencia Frecuencia esperada
Probabilidad= f x
observada FO FE
x
Cada celda de esta
columna es el
Ac se colocan los datos Ac se calcula la
producto de la
correspondientes a la Ac se colocan el probabilidad asociada
columna anterior por
variable aleatoria. En nmero de a cada valor o rango
n . Y lo que se calcula
caso de tratarse de una observaciones que de la columna x .
es la verdadera
variable aleatoria corresponden a Para esto se utiliza la
frecuencia que
continua ac iran los cada valor de la distribucin de
debera tener los
rangos, por ejemplo: columna x probabilidad
datos si siguieran la
0 x 1 supuesta.
distribucin
supuesta.
Total n 1 n
NOTA: Se recomienda para evitar problemas en el modelo, que ninguna frecuencia esperada
sea menor a 5, en caso de haber alguna menor a 5 se deben unir las categoras para evitar este
problema. Hay que tener en cuenta que al disminuir las categoras, disminuyen los grados de
libertad.

Una vez se tenga la tabla anterior, se calcula el estadstico de prueba que se calcula como:

FOi FEi
2
k
EP X 2
i 1 FEi
Dnde:

k : Es el nmero de valores o rangos que toma x .

El estadstico de prueba se compara con: X 2 , k r 1

Dnde r es el nmero de parmetros poblacionales de la distribucin supuesta que debieron
ser calculados con la informacin muestral.

La regla de decisin es:

Si EP X 2 , k r 1 se rechaza H 0

b) Prueba Kolmogorov-Smirnov [4], [5]:

Esta prueba es aplicable slo para variables aleatorias continuas [6].

Se parte de las hiptesis (siendo x una variable aleatoria):

H0 : f x fS x
Ha : f x fS x
Para tener una mayor facilidad al aplicar este mtodo, los autores recomiendan construir una
tabla con la siguiente estructura, (para construir esta tabla, se debe tener con anterioridad una
tabla con la misma forma que la explicada para la prueba Ji-cuadrada):

Frecuencia Frecuencia
esperada observada FEA | FEA relativo FOA relativo |
FOA Relativa
acumulada FEA acumulada FOA Relativa
Se calcula Se calcula FEA FOA Se calcula la diferencia
acumulando los acumulando los n n entre las dos columnas
valores de la FE valores de la FO anteriores.
De la tabla anterior se obtiene el estadstico de prueba que se define como:

EP D max FEA relativa FOA relativa

Luego, este estadstico de prueba se compara con el valor crtico D , que se encuentra en la
tabla Kolmogorov-Smirnov (teniendo como base un nivel de significancia y el nmero de
observaciones).

La regla de decisin es:

Si EP D se rechaza H 0 .

c) Test Anderson-Darling [7]:

Este test slo funciona para las distribuciones: normal, lognormal, exponencial, Weibull y
logstica.

Se parte de las hiptesis (siendo x una variable aleatoria):

H0 : f x fS x
Ha : f x fS x

Se siguen los siguientes pasos:

- Se calcula una columna con el dato 2i 1 . Siendo i el nmero de la observacin.

- Se organizan los datos en orden ascendente en una columna Yi , y en orden

descendente en la otra columna Yn 1i .

- Se calcula la probabilidad acumulada de cada columna ( F Yi y F Yn1i ) .

-
En dos columnas se calcula: ln F Yi y ln 1 F Yn1i .
- Se calcula Si que se define como:
2i 1 ln F
Si Yi ln 1 F Yn1i
n
- Se calcula la sumatoria de la ltima columna calculada.
- Se calcula el estadstico de prueba definido como:
EP A2 n S
n 2i 1
EP A2 n ln F Yi ln 1 F Yn 1i
i 1 n
 - Se compara el estadstico de prueba con el valor tomado de la tabla de Anderson-
Darling.

La regla de decisin es:

Si EP Valor delatabla se rechaza H 0 .

Teniendo en cuenta toda la teora expuesta anteriormente, se realizar el siguiente taller.

TALLER

1. Cierto tipo de linterna de mano se vende con las cuatro pilas incluidas. Se obtiene una
muestra aleatoria de 152 linternas. Sea X la variable aleatoria que representa el nmero de
pilas defectuosas de una linterna seleccionada al azar. De las 150 linternas se determina el
nmero de pilas defectuosas por linterna, resultando los siguientes datos:

Nmero de pilas defectuosas 0 1 2 3 4

Frecuencia observada 24 54 28 26 10

a) Si la variable aleatoria X sigue una distribucin binomial con parmetros n 4 y p ,

obtener el estimador de mxima verosimilitud de p .
b) Pruebe si la variable aleatoria X sigue una distribucin binomial con parmetros n 4
y p , donde p es el EMV de p encontrado en el inciso (a). Considere 0.01 . Cul es el
valor-p? Interprete.

Solucin:

a) X bin 4, p
 k
p x p x 1 p
k x

x
n
4
L x, p p xi 1 p i
4 x

i 1 xi
n
4!
L x, p p xi 1 p i
4 x

i 1 x ! 4 x !
n 4! xi 4 n xi
L x, p p 1 p
i 1 x ! 4 x !
n
xi ln p 4n xi ln 1 p
4!
ln L x, p ln
i 1 x ! 4 x !
ln L x, p xi 4n xi

p p 1 p
Igualando a cero
x i

4n xi
p 1 p
x p x i i 4np p xi

p
x i

4n
b) Usando el EMV hallado en el punto anterior se tiene:

p
0 24 1 54 2 38 3 26 4 10
4 152
p 0.4078

Sean:

H 0 : El nmero de pilas defectuosas es una variable que sigue una distribucin Binomial.

H a : El nmero de pilas defectuosas es una variable que no sigue una distribucin Binomial.

# de pilas defectuosas Frec. Observada Probabilidad Frec. Esperada

0 24 0.1229 18.6827
1 54 0.3386 51.4811
2 38 0.3499 53.1971
3o4 36 0.1877 28.6387 2

2
En este caso se unieron las dos ltimas categoras para evitar que la ltima frecuencia esperada fuera
menor a 5.
Calculando el estadstico de prueba:

FOi FEi
2
n
EP X 2
7.87
i 1 FEi

Tomando el valor crtico de la tabla X 2 se tiene:

X 20.01,2 9.21

Cmo 7.87 9.21 no hay suficiente informacin para decir que el nmero de pilas defectuosas
no sigue una distribucin binomial a un nivel de significancia del 0.01 .

Valor p P( X 2 7.87) 0.0195 .

Al ser el valor-p mayor al nivel de significancia, puede justificarse que la hiptesis nula no haya
sido rechazada.

2. Suponga que se tienen las rentabilidades diarias de un activo financiero. La media

muestral y desviacin estndar muestral son respectivamente 0.173 y 0.066 . Con base en la
distribucin de frecuencia dada, se puede concluir que la rentabilidad diaria del activo
financiero es una variable que sigue una distribucin normal? Considere 0.05 . Cul es el
valor-p? Interprete.

Solucin:
Teniendo: 0.173 y 0.066

- Prueba Ji-Cuadrado:

H 0 : La rentabilidad diaria del activo financiero es una variable que sigue una distribucin
normal.

H a : La rentabilidad diaria del activo financiero es una variable que no sigue una distribucin
normal.

Rentabilidad (diaria) Frec. Observada Probabilidad3 Frec. Esperada

x 0.1 14 0.1344 11.9616
0.1 x 0.15 18 0.2294 20.4166
0.15 x 0.2 25 0.295 26.255
0.2 x 0.25 18 0.2196 19.5444

3
Estas probabilidades fueron calculadas estandarizando los rangos de la rentabildad y encontrado las
probabilidad asociadas a cada intervalo.
 0.25 x 14 0.1217 10.8313
Calculando el estadstico de prueba:

FOi FEi
2
n
EP X 2
1.7424
i 1 FEi

Tomando el valor crtico de la tabla X 2 se tiene:

X 20.05,2 5.992

Cmo 1.7424 5.992 no hay suficiente informacin para decir que la rentabilidad diaria del
activo financiero no se ajusta a una distribucin normal a un nivel de significancia de 0.05 .

Valor p P X 2 1.7424 0.4184

Al ser el valor-p mayor al nivel de significancia, puede justificarse que la hiptesis nula no haya
sido rechazada.

- Prueba Kolmogorov-Smirnov:

H 0 : La rentabilidad diaria del activo financiero es una variable que sigue una distribucin
normal.

H a : La rentabilidad diaria del activo financiero es una variable que no sigue una distribucin
normal.

Frecuencia Frecuencia
esperada observada FEA | FEA relativo FOA relativo |
FOA Relativa
acumulada FEA acumulada FOA Relativa

11.9616 14 0.1344 0.1573 0.0229

32.3782 32 0.3638 0.3595 0.0043
58.6332 57 0.6588 0.64044 0.01836
78.1776 75 0.8784 0.8426 0.0358
89 89 1 1 0

El estadstico de prueba D es:

D 0.0358
El valor crtico de la tabla Kolmogorov-Smirnov con n 89 :

1.36
Valor critico 0.1441
89

Como 0.0358 0.1441 no hay evidencia suficiente para decir que la rentabilidad diaria del
activo financiero no sigue una distribucin normal a un nivel de significancia de 0.05 .

- Prueba de Anderson-Darling: Para poder realizar esta prueba es necesario tener las
observaciones originales. Como no se tienen, lo que se har, es generar 30 valores aleatorios
para la rentabilidad diaria del activo financiero en Excel, con media 0.173 y desviacin 0.066 , y
se har la prueba sobre esos datos.

Los datos obtenidos son:

0,22771 0,19754 0,23742

0,13234 0,21974 0,09050
0,14452 0,03235 0,16427
0,17941 0,11777 0,24527
0,20722 0,00302 0,08805
0,16984 0,15124 0,04124
0,08121 0,25393 0,19187
0,21389 0,10249 0,17198
0,01335 0,16890 0,11701
0,12673 0,10240 0,19761

Ahora se aplicar la prueba Anderson-Darling para determinar si estos datos se ajustan a una
distribucin normal con media 0.173 y desviacin 0.066 .

H 0 : La rentabilidad diaria del activo financiero es una variable que sigue una distribucin
normal.

H a : La rentabilidad diaria del activo financiero es una variable que no sigue una distribucin
normal.

Menor a Mayor a
2i 1 mayor menor F Yi F Yn1i ln F Yi ln 1 F Yn1i Si
1 0,0030 0,2539 0,0050 0,8900 -5,2973 -2,2068 -0,2501
3 0,0133 0,2453 0,0078 0,8632 -4,8559 -1,9896 -0,6845
5 0,0323 0,2374 0,0165 0,8355 -4,1019 -1,8047 -0,9844
7 0,0412 0,2277 0,0229 0,7964 -3,7744 -1,5917 -1,2521
9 0,0812 0,2197 0,0822 0,7606 -2,4991 -1,4295 -1,1786
11 0,0881 0,2139 0,0990 0,7322 -2,3123 -1,3176 -1,3310
 13 0,0905 0,2072 0,1057 0,6980 -2,2476 -1,1972 -1,4927
15 0,1024 0,1976 0,1424 0,6454 -1,9493 -1,0368 -1,4931
17 0,1025 0,1975 0,1427 0,6450 -1,9472 -1,0356 -1,6902
19 0,1170 0,1919 0,1981 0,6125 -1,6189 -0,9481 -1,6257
21 0,1178 0,1794 0,2014 0,5387 -1,6027 -0,7737 -1,6635
23 0,1267 0,1720 0,2416 0,4939 -1,4203 -0,6809 -1,6109
25 0,1323 0,1698 0,2689 0,4809 -1,3133 -0,6556 -1,6408
27 0,1445 0,1689 0,3330 0,4752 -1,0995 -0,6448 -1,5698
29 0,1512 0,1643 0,3708 0,4474 -0,9920 -0,5931 -1,5322
31 0,1643 0,1512 0,4474 0,3708 -0,8044 -0,4634 -1,3100
33 0,1689 0,1445 0,4752 0,3330 -0,7439 -0,4050 -1,2639
35 0,1698 0,1323 0,4809 0,2689 -0,7321 -0,3132 -1,2196
37 0,1720 0,1267 0,4939 0,2416 -0,7055 -0,2766 -1,2113
39 0,1794 0,1178 0,5387 0,2014 -0,6186 -0,2248 -1,0964
41 0,1919 0,1170 0,6125 0,1981 -0,4902 -0,2208 -0,9717
43 0,1975 0,1025 0,6450 0,1427 -0,4385 -0,1539 -0,8492
45 0,1976 0,1024 0,6454 0,1424 -0,4379 -0,1536 -0,8872
47 0,2072 0,0905 0,6980 0,1057 -0,3596 -0,1117 -0,7383
49 0,2139 0,0881 0,7322 0,0990 -0,3117 -0,1043 -0,6794
51 0,2197 0,0812 0,7606 0,0822 -0,2737 -0,0857 -0,6110
53 0,2277 0,0412 0,7964 0,0229 -0,2276 -0,0232 -0,4432
55 0,2374 0,0323 0,8355 0,0165 -0,1798 -0,0167 -0,3601
57 0,2453 0,0133 0,8632 0,0078 -0,1471 -0,0078 -0,2942
59 0,2539 0,0030 0,8900 0,0050 -0,1166 -0,0050 -0,2392
TOTAL -32,174

Calculando el estadstico de prueba:

EP A2 n S 30 (32.174) 2.174

Tomando el valor crtico de la tabla de Anderson-Darling, se obtiene:

2
Acritico 0.751

Como 2.174 0.751 se rechaza H 0 , por lo tanto los datos de las rentabilidades diarias de los
activos no se ajustan a una distribucin normal.

3. Durante un periodo de 105 semanas, se observ el nmero semanal de averas de una

mquina y se anot en la tabla adjunta. Se observ que el nmero semanal medio de averas
era 2.1 . Contraste la hiptesis nula de que la distribucin poblacional del nmero de averas es
de Poisson. Considere 0.01 . Cul es el valor-p? Interprete.
 Nmero de averas 0 1 2 3 4 5 o ms
Nmero de semanas 12 22 33 25 8 5

Solucin:

- Prueba Ji-Cuadrado:

H 0 : El nmero de averas es una variable que sigue una distribucin Poisson.

H a : El nmero de averas es una variable que no sigue una distribucin Poisson.

Nmero de averas Frec. Observada Probabilidad Frec. Esperada

0 12 0.1224 12.852
1 22 0.2571 26.9955
2 33 0.27 28.35
3 25 0.1890 19.845
4 8 0.0992 10.416
5 o ms 5 0.0623 8.5415

Calculando el estadstico de prueba:

FOi FEi
2
n
EP X 2
4.0063
i 1 FEi

Tomando el valor crtico de la tabla X 2 se tiene:

X 20.01,5 15.085

Cmo 4.0063 15.085 no hay evidencia suficiente para decir que el nmero de averas no se
ajusta a una distribucin Poisson a un nivel de significancia del 0.01 .

Valor P P X 2 4.0063 0.5485

Al ser el valor-p mayor al nivel de significancia, puede justificarse que la hiptesis nula no haya
sido rechazada.

4. En un hospital el nmero de nacimientos observados para cada mes de cierto ao es:

Enero 95 Julio 105

Febrero 105 Agosto 110
Marzo 95 Septiembre 105
 Abril 105 Octubre 100
Mayo 90 Noviembre 95
Junio 95 Diciembre 100

Existe alguna razn para creer que el nmero de nacimientos no se encuentra distribuido en
forma uniforme durante todos los meses de ao? Considere 0.01 .

Solucin:

- Prueba Ji-Cuadrado:

H 0 : El nmero de nacimientos durante todos los meses del ao es una variable que sigue una
distribucin uniforme.

H a : El nmero de nacimientos durante todos los meses del ao es una variable que no sigue
una distribucin uniforme.

Mes (intervalo) Frec. Observada Probabilidad4 Frec. Esperada

0 1 95 1 12 100
1 2 105 1 12 100
23 95 1 12 100
3 4 105 1 12 100
56 90 1 12 100
67 95 1 12 100
7 8 105 1 12 100
89 110 1 12 100
9 10 105 1 12 100
10 11 100 1 12 100
11 12 95 1 12 100
12 13 100 1 12 100

Calculando el estadstico de prueba:

FOi FEi
2
n
EP X
2
4
i 1 FEi

2
Tomando el valor crtico de la tabla X se tiene:
4
Al suponer en la hiptesis nula que la variable aleatoria tiene una distribucin uniforme, se puede obtener
la probabilidad fcilmente, pues cada mes tiene la misma probabilidad de tener el mismo nmero de
nacimientos, en este caso la probabilidad es 1/12 .
 X 20.01,11 24.72

Cmo 4 24.72 no hay evidencia suficiente para decir que el nmero de nacimientos en todos
los meses del ao no se ajusta a una distribucin uniforme a un nivel de significancia del 0.01 .

- Prueba Kolmogorov-Smirnov:

H 0 : El nmero de nacimientos durante todos los meses del ao es una variable que sigue una
distribucin uniforme.

H a : El nmero de nacimientos durante todos los meses del ao es una variable que no sigue
una distribucin uniforme.

Frecuencia Frecuencia
esperada observada FEA | FEA relativo FOA relativo |
FOA Relativa
acumulada FEA acumulada FOA Relativa

100 95 0.0833 0.0791 0.0042

200 200 0.1666 0.1666 0
300 295 0.25 0.2458 0.0042
400 400 0.3333 0.3333 0
500 490 0.4166 0.4083 0.0083
600 585 0.5 0.4875 0.0125
700 690 0.5833 0.575 0.0083
800 800 0.6666 0.6666 0
900 905 0.75 0.7541 0.0041
1000 1005 0.8333 0.8375 0.0042
1100 1100 0.9166 0.9166 0
1200 1200 1 1 0

El estadstico de prueba D es:

D 0.0125

El valor crtico de la tabla Kolmogorov-Smirnov con n 1200 :

1.63
Valor critico 0.047
1200
Como 0.0125 0.047 no hay evidencia suficiente para decir que el nmero de nacimientos en
todos los meses no sigue una distribucin uniforme a un nivel de significancia de 0.01 .

5. El departamento de control de calidad de una compaa cree que el nmero de

defectos por unidad de cierto componente sigue una distribucin de Poisson con 0.5 . En
un estudio realizado por el departamento, se pudo construir la siguiente tabla de frecuencias:

Nmero de defectos 0 1 2 3 o ms
Frecuencia observada 62 24 15 2

Existe suficiente evidencia al nivel de significancia del 5% , de que el nmero de defectos por
unidad efectivamente sigue una distribucin de Poisson con 0.5 ?

Solucin:

- Prueba Ji-Cuadrado:

H 0 : El nmero de defectos es una variable que sigue una distribucin Poisson.

H a : El nmero de defectos es una variable que no sigue una distribucin Poisson.

Nmero de defectos Frec. Observada Probabilidad Frec. Esperada

0 62 0.6065 62.4695
1 24 0.3033 31.2399
2 o ms 17 0.0902 9.2906 5

Calculando el estadstico de prueba:

FOi FEi
2
n
EP X 2
8.0786
i 1 FEi

2
Tomando el valor crtico de la tabla X se tiene:

X 20.05,2 5.99

5
Las ltimas categoras se unieron, para evitar el inconveniente de que la ltima frecuencia esperada fuera
menor a 5.
Cmo 8.0786 5.99 se rechaza H 0 , por lo tanto el nmero de averas es una variable
aleatoria que no sigue una distribucin Poisson a un nivel de significancia del 0.01 .

6. Diariamente, de lunes a viernes, un inversionista al abrir el mercado, compra las tres

acciones ms baratas al precio de apertura del da, con el objetivo de venderlas al final del da a
un precio superior. Si el precio de venta no es superior al de compra, no vende las acciones el
mismo da y las dona a una fundacin de nios. Use los datos mostrados en la tabla siguiente
para probar a un nivel de significancia de 5% si el nmero de acciones vendidas se puede
considerar como datos de una variable aleatoria binomial.

Nmero de acciones vendidas 0 1 2 3

Frecuencia observada 1 16 55 228

Solucin:

Primero es necesario calcular el parmetro poblacional p , para eso se usar el hecho de que la
media en una poblacin es igual a np , siendo n 3 y siendo la media (estimada con los datos
muestrales):

X
1 0 16 1 55 2 2283 X 2.7
300
Al despejar la proporcin se obtiene:
p 0.9

Ahora, se plantean las hiptesis necesarias:

H 0 : El nmero de acciones vendidas es una variable que sigue una distribucin Binomial.

H a : El nmero de acciones vendidas es una variable que no sigue una distribucin Binomial.

# de acciones vendidas Frec. Observada Probabilidad Frec. Esperada

0 y1 17 0.028 8.4
2 55 0.243 72.9
3 228 0.729 218.7

Calculando el estadstico de prueba:

 FOi FEi
2
n
EP X 2
13.59
i 1 FEi

Tomando el valor crtico de la tabla X 2 se tiene:

X 20.05,1 3.84

Cmo 13.59 3.84 se rechaza H 0 , por lo tanto el nmero de acciones vendidas es una
variable aleatoria que no sigue una distribucin binomial a un nivel de significancia del 0.05 .
 Bibliografa

1. Otero, J.V. and E.M. Moral Anlisis de datos cualitativos. 2005.

2. Diazaraque, J.M.M. Tablas de contingencia. 2008.

3. Bioingeniera Prueba Ji-cuadrado. 2009.

4. Raymundo, Prueba de Kolmogorov-Smirnov para una muestra. 1999.

5. Jinete, A.J.A. Prueba de bondad y ajuste Kolmogorov-Smirnov. 2011.

6. Miller, I., Probabilidad Y Estadstica Para Ingenieros2004: Createspace Independent Pub.

7. Beltrn, M.A.L. Prueba de Anderson-Darling. 2011.