Documentos de Académico
Documentos de Profesional
Documentos de Cultura
( )
= =1 2 = =1
Se aproxima a una distribucin chi cuadrado con k-1 grados de libertad.
Es conveniente simbolizar esta aproximacin por
( )2
= =1
La Prueba:
La hiptesis nula y alternativa de la prueba de bondad de ajuste son respectivamente:
Ho: La distribucin de frecuencias de la muestra concuerda con la distribucin terica
propuesta.
H1: La distribucin de la muestra no concuerda con la distribucin terica.
Con las frecuencias observadas y las frecuencias esperadas se calcula el estadstico de
prueba:
( )2
2
= =1
Dado el nivel de significancia alfa y para k-1 grados de libertad, en la tabla Chi.cuadrado
2
se halla el nmero = 1,1 que viene a ser el valor de prueba.
2
La regla de decisin para esta prueba es: Rechazar > , en caso contrario, se
aceptar o al menos no se rechazar Ho.
17,15,8,13,9,12,10,14,11,16
Solucin:
Lenguaje R
Ejemplo 1
#El peso que deben contener ciertas bolsas de detergente es de 750 g,
#con una tolerancia de 5 g. Se desea verificar si es razonable suponer
#que la distribucin del peso es normal. Para ello, se toma una muestra
#aleatoria de 25 productos, se pesan y se obtienen los datos dados en el vector Peso:
Peso <- c(750.0, 749.3, 752.5, 748.9, 749.9, 748.6, 750.2, 748.4, 747.8, 749.3, 749.6,
749.0, 747.7, 748.3, 750.5, 750.6, 750.0, 750.4, 752.0, 750.2, 751.4, 750.9, 752.4, 751.7,
750.6)
#El primer paso para determinar la distribucin de los pesos es realizar
#un anlisis exploratorio de stos. Dado que la variable de inters es
#continua se pueden determinar medidas de resumen y
#realizar grficos descriptivos como histogramas, y densidades.
#As mismo, se puede realizar el grafico de cuantiles tericos vs cuantiles muestrales
#para una distribucin normal.
par(mfrow=c(1,3))
hist(Peso, xlab="Peso", ylab="Frecuencia", las=1, main="")
plot(density(Peso), xlab="Peso", ylab="Densidad", las=1, main="")
qqnorm(Peso, xlab="Cuantiles tericos", ylab="Cuantiles muestrales", las=1,main="")
qqline(Peso)
#Los tres grficos muestran que el comportamiento de los Pesos es simtrico y podran
seguir una distribucin normal.
#El segundo paso es estimar los parmetros de la distribucin hiptetica a partir de la
funcin fitdistr del paquete MASS.
#En este caso la distribucin hiptetica es la normal. Esta funcin permite estimar
parmetros de las siguientes distribuciones: "beta", "cauchy", "chi-squared",
"exponential", "f", "gamma", "geometric", "log-normal", "lognormal", "logistic",
"negative binomial", "normal", "Poisson", "t" y "weibull".
#La funcin fitdistr tiene dos argumentos bsicos, el primero es el nombre de los datos
y el segundo es el nombre de la distribucin hiptetica.
require(MASS)
ajuste <- fitdistr(Peso,"normal")
ajuste
## mean sd
## 750.0080000 1.3233050
## ( 0.2646610) ( 0.1871436)
Ks
#La segunda prueba que se usar ser la prueba de Anderson Darling. La funcin
asociada a
#esta prueba es ad.test del paquete goftest y tiene los mismos argumentos de la
prueba ks.
require(goftest)
## Warning: package 'goftest' was built under R version 3.2.3
Ad<- ad.test(Peso, "pnorm", mean =ajuste$estimate[1], sd= ajuste$estimate[2])
Ad