Estadística Inferencial

Bondad de Ajuste
EJERCICIOS EXPLICATIVOS

La intención de los estudiantes es saber a qué distribución teórica se puede ajustar los daros
encontrados. Se realizó un estudio en un supermercado muy conocido que consistió en evaluar 600
bolsas de peras, cada una de las bolsas contiene 3 peras de las cuales algunas se encuentran en buen
estado y otras en mal estado. Los resultados al evaluar 600 bolsas son los siguientes:

Número de peras en mal

estado por bolsa 0 1 2 3
Frecuencia (Número de
bolsas) 300 150 100 50

Use nivel de significación del 5%

EJERCICIOS PROPUESTOS

1. Para analizar el número de artículos defectuosos en una fábrica en la

ciudad de Medellín, tomamos una muestra aleatoria de n=60 artículos y se
observó el número de defectuosos y se obtuvieron los siguientes resultados:

Número de artículos defectuosos(Xi) Frecuencia observada(Oi)

0 32
1 15
2 9
3 4
total 60
Se propuso una distribución de poissón
Use un nivel de significación del 5% para comprobar el supuesto

2. Los datos representan el número de reclamos por día que se dan en una pequeñas fábrica en el norte
de Inglaterra.

Número de reclamos (Xi) Frecuencia observada ( Oi)

0 144
1 91
2 32
3 11
4 2
Mayor a 5 0
¿qué distribución de probabilidad podríamos usar? Use un nivel de significación del 5%

Nota: para hallar la probabilidad de la última categoría siga estos pasos

1 Estadística Inferencial
 𝑷(𝑿 > 𝟓) = 𝟏 − 𝑷(𝑿 ≤ 𝟓)
𝑷(𝑿 > 𝟓) = 𝟏 − 𝑷(𝑷(𝑿 = 𝟎) + 𝑷(𝑿 = 𝟏) + 𝑷(𝑿 = 𝟐) + 𝑷(𝑿 = 𝟑) + 𝑷(𝑿 = 𝟒))

3. En una empresa de acuicultura se quiere hacer un estudio sobre el nivel de parásitos en la

producción de doradas. Para ello, se tomó una
muestra de 5 individuos cada día, repitiendo el experimento durante 550 días. De cada muestra se
analizaron los peces determinando cuántos de ellos contenían parásitos. ¿Se ajusta a un modelo de
distribución Binomial?

Número de reclamos (Xi) Frecuencia observada ( Oi)

0 17
1 81
2 152
3 180
4 104
5 16
Use un nivel de significación del 5%

4. Cierta máquina de última tecnología de empresa embotelladora produce muchos artículos, se ha

contabilizado la cantidad de artículos en función a los defectos producidos como se puede ver en el
siguiente cuadro. Un ingeniero Industrial sospecha que los defectos producidos por la máquina se
ajustan a una distribución binomial con parámetro 0.8, Para verificar ello se muestrea a 3 artículos.

Número de defectos Frecuencia Observada

0 5
1 82
2 251
3 200
Total 538
Probar la sospecha del ingeniero industrial use un nivel de significación 10%

2 Estadística Inferencial
 EJERCICIOS RESUELTO

1) El número de accidentes automovilísticos en Lima sigue una distribución poisson. En el siguiente

cuadro se presenta para una muestra de 80 días del año 2018.
Se puede afirmar que el número de accidentes por día sigue una distribución Poisson
Use nivel de significación de 5%
Número de accidentes(𝑋𝑖 ) Número de días(𝑂𝑖 )
0 34
1 25
2 11
3 7
4 3
Total 80
Solución:
 Sea la variable aleatoria X: Número de accidentes
X ~ Poisson(  ??)
e   X
Distribución poisson: P( X  x) 
X!
n=80
Se sabe que 𝜆 = 𝑃̅

entonces
∑ 𝑋𝑖 𝑂𝑖 (0)(34) + (1)(25) + (2)(11) + (3)(7)
𝜆= = =1
𝑁 80

Paso1: plantear hipótesis:

𝐻𝑜: 𝐸𝑙 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒𝑠 𝑆𝑖𝑔𝑢𝑒 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑃𝑜𝑖𝑠𝑠𝑜𝑛
𝐻1: 𝐸𝑙 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒𝑠 𝑛𝑜 𝑆𝑖𝑔𝑢𝑒 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑃𝑜𝑖𝑠𝑠𝑜𝑛

Paso2: Determinar Nivel de significancia

Paso3: Estadístico de Prueba

∑(𝑂𝑖 − 𝐸𝑖 )2
𝑋𝐶 2 =
𝐸𝑖

Hallemos las probabilidad para cada X según la distribución poisson

𝒆−𝟏 (𝟏)𝟎
𝑷(𝑿 = 𝟎) = = 𝟎. 𝟑𝟔𝟕𝟗
𝟎!
𝒆−𝟏 (𝟏)𝟏
𝑷(𝑿 = 𝟏) = = 𝟎. 𝟑𝟔𝟕𝟗
𝟏!
𝒆−𝟏 (𝟏)𝟐
𝑷(𝑿 = 𝟐) = = 𝟎. 𝟏𝟖𝟑𝟗
𝟐!
𝒆−𝟏 (𝟏)𝟑
𝑷(𝑿 = 𝟑) = = 𝟎. 𝟎𝟔𝟏𝟑
𝟑!
3 Estadística Inferencial
 𝒆−𝟏 (𝟏)𝟒
𝑷(𝑿 = 𝟒) = = 𝟎. 𝟎𝟏𝟗𝟎
𝟒!
n f. Obs (Oi) Probabilidades Frec. Esperada (Ei=Np)

0 34 𝟎. 𝟑𝟔𝟕𝟗 𝟎. 𝟑𝟔𝟕𝟗 *80=29.43

1 25 𝟎. 𝟑𝟔𝟕𝟗 𝟎. 𝟑𝟔𝟕𝟗 *80=29.43

2 11 𝟎. 𝟏𝟖𝟑𝟗 𝟎. 𝟏𝟖𝟑𝟗 *80=14.71

3 7 𝟎. 𝟎𝟔𝟏𝟑 𝟎. 𝟎𝟔𝟏𝟑 ∗ 𝟖𝟎 =4.905

6.424
4 3 𝟎. 𝟎𝟔𝟏𝟑 𝟎. 𝟎𝟔𝟏𝟑 ∗ 𝟖𝟎 =1.519

Esperado < 5, por lo tanto, se suman estas Ei

XC 2

 (O  E )i i
2


(34  29.43) 2 (25  29.43) 2 (11  14.71) 2 (10  6.424) 2
   .  4.304
Ei 29.43 29.43 14.71 6.424

Paso4: Región Crítica (Zona de Aceptación o rechazo) Dato:   0,1

Como el estadístico de Prueba 17.26 cae en la Región de rechazo

m es igual a 1 debido 𝑋 2 (1−𝛼,𝐾−𝑚−1) = 𝑋 2 (0.95,4−1−1) = 5.99 a que se ha

estimado el parámetro con
∑ 𝑋𝑖 𝑂 𝑖
la 𝜆 = 𝑛

si el parámetro hubiese sido dato del problema m seria 0, debido a que ya no se estima ( calcula)

Paso5: Conclusión
Por lo tanto, a un nivel de significación del 10% existe evidencia estadística para No rechazar
hipótesis nula, por lo tanto el número de defectos sigue una distribución Binomial

5. Si un ingeniero de control de calidad toma una muestra de 4 neumáticos que salen de una línea de
ensamblaje y él desea verificar sobre la base de los datos que estos siguen una distribución
binomial, los números de llantas con defectos observadas en 150 días:

Número Frecuencia
4 Estadística Inferencial
 Defectos Observada
0 28
1 62
2 46
3 10
4 4
Total 150
Ayude a verificar al ingeniero usando nivel de significación 10%, asuma p = 1/3 (neumáticos con
defecto):
n
Solución: Datos: N=150, n=4, P=1/3 P( X  x)    P X (1  P) n  x x  0,1, 2,3,.., n
 x
Paso1: Plantear la Hipótesis
𝐻𝑜: 𝐿𝑜𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑜𝑠 𝑆𝑖𝑔𝑢𝑒𝑛 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙
𝐻1: 𝐿𝑜𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑜𝑠 𝑁𝑜 𝑆𝑖𝑔𝑢𝑒𝑛 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙
Paso2: Encontrar las Frecuencias Esperadas
 4 10 1 n f. Obs (Oi) Probabilidades Frec. Esperada (Ei)
P( X  0)    (1  ) 40 , X  0,1975
0 3 3 0 28 0,1975 0,1975*150=29,625
1 62 0,3950 0,3950*150=59,25
 4  11 1
P( X  1)    (1  ) 41 , X  0,3950 2 46 0,2963 44,445
1  3 3
3 10 0,0988 14,82
 4 12 1 4 4 0,0123 1,845 16,665
P( X  2)    (1  ) 4 2 , X  0, 2963
 2 3 3 Total 150
 4  13 1
P( X  3)    (1  ) 43 , X  0, 0988
3 3 3
Esperado < 5, por lo tanto se suman estas Ei
 4 14 1
P( X  4)    (1  ) 4 4 , X  0, 0123
 4 3 3
Paso3: Calculo del Estadístico de Prueba
Del cuadro:

XC2 
 (Oi  Ei )2  (28  29, 625)2  ..  (14  16, 665)2  0, 6973
Ei 29, 625 16, 665
Paso4: Región Crítica (Zona de Aceptación o rechazo) Dato:   0,1
Como el estadístico de Prueba 0.69 cae en la Región de No rechazo

5 Estadística Inferencial
𝑋 2 (1−𝛼,𝐾−𝑚−1) = 𝑋 2 (0.95,5−0−1) = 9.48
Donde: K: # categorias
m: es la cantidad de Parámetros a
Estimar, m=0 debido a que no se ha estimado o calculado dicho parámetro ( dato del
problema)
Paso5: Conclusión
Por lo tanto a un nivel de significación del 10% existe evidencia estadística para NO RHO, por lo
tanto el número de defectos sigue una distribución Binomial

6 Estadística Inferencial