ANÁLISIS ESTADÍSTICO 10115

PRUEBA DE BONDAD DE AJUSTE

Estas pruebas permiten verificar que la población de la cual proviene una muestra
tiene una distribución especificada o supuesta.

Sea X: variable aleatoria, f(x) la distribución (o densidad) de probabilidad

especificada o supuesta para X

Se desea probar la hipótesis: Ho:

En contraste con la hipótesis alterna: H1:

Esta prueba es aplicable para variables aleatorias discretas o continuas.

 Se toma una muestra aleatoria de tamaño n de una población con una

distribución especificada.

 Suponer que las observaciones de la muestra están agrupadas en k clases.

 Siendo Oi , la cantidad de observaciones en cada clase (Frecuencias

observadas) i = 1, 2, ..., k

Variable Oi = ni
X1 O 1 = n1
X2 O 2 = n2
X3
. ..
. .
Xk O k = nk

 Con el modelo especificado f0(x) se puede calcular la probabilidad “ pi “ que

un dato cualquiera pertenezca a una clase i.

 Con este valor de probabilidad se puede encontrar la frecuencia esperada “

Ei”, para la clase i, es decir, la cantidad de datos que según el modelo
especificado deberían estar incluidos en la clase i.

En donde Ei = n*pi i = 1, 2, ..., k

Tenemos entonces dos valores de frecuencia para cada clase i

Oi: frecuencia observada (corresponde a los datos de la muestra)

Ei: frecuencia esperada (corresponde al modelo propuesto)

 ANÁLISIS ESTADÍSTICO 10115

Estadístico para la prueba de bondad de ajuste Ji-cuadrado

[ ]
∑

Con distribución Ji-cuadrado con ν =k – r –1 grados de libertad.

Donde “r” es la cantidad de parámetros de la distribución que deben estimarse a

partir de la muestra

Es una condición necesaria para aplicar esta prueba que ∀i, Ei ≥ 5

Si las frecuencias observadas no difieren significativamente de las frecuencias

esperadas calculadas con el modelo propuesto, entonces el valor de estadístico de
prueba será cercano a cero.

Pero si estas diferencias son significativas, entonces el valor del estadístico

estará en la región de rechazo

Es decir, se rechaza la hipótesis nula, si:

𝑿𝟐𝒄𝒂𝒍 > 𝑿𝟐𝟏 𝜶 ;𝒌 𝒓 𝟏

EJEMPLO.

1.- Se ha tomado una muestra aleatoria de 40 baterías y se ha registrado su

duración en años. Los resultados se presentan a continuación

Frec. Frec.
Probabilidad
Observada Esperada [ ]
DURACIÓN (Oi) Pi (Ei)

145 - 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
 ANÁLISIS ESTADÍSTICO 10115

Verificar con 5% de significancia que la duración de las baterías producidas por este
fabricante tiene un comportamiento normal .

2.- la tabla siguiente muestra los registros de 300 días del control de calidad de los
extintores de cierta fábrica. Se tomaron al azar diariamente cuatro extintores de la
producción diaria y se sometieron a prueba, registrando lo siguiente:

N° de extintores N° de pi Ei
defectuosos (X) días
0 233
1 57
2 7
3 2
4 1
Total 300 1.00 300
Con un nivel de significación del 10%. ¿Se puede afirmar que el número de
extintores defectuosos, se distribuye según el modelo binomial?

3.- El departamento de mantención de máquinas y equipos, de una gran industria,

examina el registro del número de máquinas que presentan falla diariamente, en
170 días elegidos al azar, obteniendo la siguiente información:

N° de fallas diarias 0 1 2 3 4 5 y más

N° de días 18 50 52 30 15 5
¿Los datos de la muestra dan evidencia para concluir que el número de máquinas
que presenta fallas diariamente sigue una distribución de Poisson con promedio
dos fallas por día, con un nivel de significación de 0.05?

Solución. Sea X: N° de máquinas que presentan fallas diariamente.

DOCIMAS
𝑒 𝑥

𝑝 𝑥 𝑠𝑖 𝑥 , , , , , ,6, … …
𝑥
𝑒𝑛 𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

[ ]
ESTADISTICA ∑

X N° de días pi Ei = 170 pi
0 18 0.1353 23.001
1 50 0.2707 46.019 𝑥𝑐𝑎𝑙 8
2 52 0.2707 46.019
3 30 0.1804 30.668
4 15 0.0902 15.334
5y más 5 0.0527 8.959
TOTAL 170 1.00
 ANÁLISIS ESTADÍSTICO 10115

Región Critica ; ;

{ ⁄ > ; }

Conclusión: Como la estadística no pertenece a la región crítica. Los datos de la

muestra dan suficiente evidencia para concluir que el número de máquinas que
presentan falla diariamente se distribuye según una Poisson de parámetro 2, con
un nivel de significación de 0.05.

4.- Se quiere analizar si el número de defectos en las tarjetas de circuito impreso

sigue una distribución de Poisson. Para ello se toma una muestra aleatoria de 60
tarjetas de circuito impreso y se observa el número de defectos. Los resultados
obtenidos son los siguientes:

N° de defectos Frecuencia observada

0 32
1 15
2 9
3 4

Realice el test adecuado con un 5% de significación (debe utilizar el estimador MV

para obtener el parámetro )

Solución:

H0:X  P(= 0,75)

H1:X no  P( =0,75 )

(0, 75) x  e0,75

f ( x)  P( X  x)  si x  0,1, 2,3, 4,... 
x!

 (Oi - Ei )2 
Estadístico:  =  
2
  2 (k  n parámetros estimados -1)
i  Ei 

Debe cumplirse Ei > 5

No existe un acuerdo en lo referente al valor mínimo de las frecuencias esperadas, pero generalmente se
emplea como mínimo 5. Si la frecuencia esperada es demasiado pequeña, se combina con la frecuencia
esperada de la clase o categoría adyacente. También se combinan las frecuencias observadas
correspondientes.
 ANÁLISIS ESTADÍSTICO 10115

N° de Frecuencia Probabilidad Frecuencia Esperada

observada
defectos (bajo H0) Ei = npi
Oi
X pi

0 32 0,4724 28,3420 0,4721

1 15 0,3543 21,2565 1,8415

2 9 0,1329 7,9712
13 10,3952 0,6527
>3 4 0,0404 2,4240

 60 1 60 2,9663

k= 3
gl= 3 – 1- 1 = 1

0,05

obs
2
 2,9663  RC, no puede rechazarse la hipótesis nula de que número de
defectos en las tarjetas de circuito impreso sigue una distribución de Poisson.

5.-La vida útil de 75 motores de cierto tipo seleccionados aleatoriamente, ha tenido

la siguiente distribución:
Años de funcionamiento (X) 0-1 1-2 2-3 3-4 4-5

Frecuencia (Oi) 32 24 8 6 5

¿Puede suponerse que la vida útil sigue la distribución exponencial? Nivel de

significación de 0,05

H0:X  Exponencial (α= 0,6494)

H1:X no  Exponencial (α= 0,6494)

 ANÁLISIS ESTADÍSTICO 10115

X O Prob = pi Ei = 70  pi

0–1 32 0,4776 35,8200 0,4074

1–2 24 0,2495 18,7125 1,4941

2–3 8 0,1303 9,7725 0,3215

3–4 6 0,0681 5,1075 0,1560

> 4 5 0,0745 5,5875 0,0618

k=5 75 1 75 2,448

P(0 < X < 1) = F(1) – F(0) = 1 - e-0,6494 = 0,4776

P(1 < X < 2) = F(2) – F(1) = ( 1 - e(-0,64942) ) – (1 - e-0,6494 ) = 0,2495

P(2 < X < 3) = F(3) – F(2) = ( 1 - e(-0,64943) ) – (1 - e(-0,64942) ) = 0,1303

P(3 < X < 4) = F(4) – F(3) = ( 1 - e(-0,64944) ) – (1 - e(-0,64943) ) = 0,0681

gl = 5 – 1 – 1 = 3. RC = {  2 > 0,95;
2
3  7,815 }

obs
2
 2,448  RC. Se puede suponer que la vida útil de los motores sigue la
distribución exponencial.

6.- El número (X) de autos de lujo que vende diariamente cierta automotora, se
modela mediante la siguiente función de probabilidad:

; ;
{ 6

Para analizar si este modelo ha cambiado, debido a la fluctuación del dólar, se

observan las ventas realizadas en 90 días elegidos en forma aleatoria, obteniendo
lo siguiente:

N° de autos
1 2 3 4
vendidos
N° de días 25 34 22 9

Con 5% de nivel de significación ¿concluiría Ud. Que el modelo ha cambiado?