TAREA 1: INTRODUCCIÓN A LOS MODELOS PROBABILÍSTICOS DE

DECISIÓN Y OPTIMIZACIÓN

MAYRA ALEJANDRA DUQUE CORDOBA

CC 1144168279

Tutor:
HECTOR FABIO PADILLA MESA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA
INGENIERIA INDUSTRIAL
METODOS PROBABILISTICOS
2019
 RELACION DE TIEMPOS

Clase Marca de
Clase
No. De Clase𝑰_(𝒊−𝟏)−𝑰_𝒕
𝑰 ̅i
No. TIEMPO ENTRE LLEGADAS (Minutos)
1 2.29605822 1 (2-3) 2.5
2 2.64038321 2 (3-4) 3.5
3 2.82789278 3 (4-5) 4.5
4 2.94268148 4 (5-6) 5.5
5 2.94704029 5 (6-7) 6.5
6 2.99161315 6 (7-8) 7.5
7 3.32207248 7 (8-9) 8.5
8 3.32982001 8 (9-10) 9.5
9 3.57656555 9 (10-11) 10.5
10 3.65154244 10 (11-12) 11.5
11 4.01419252 Total n=
12 4.05449849
13 4.11419974
14 4.34395412
15 4.35736276 Frecuencia relativa empírica vs acum
16 5.12860545
17 5.31193209
18 5.36405873 1.200
19 5.3756722
1.000
20 5.4526527
21 5.80270443 0.800
22 5.92450274
0.600
23 6.31489319
24 6.32526763 0.400
25 6.34899166
0.200
26 6.54267942
27 6.88684044 0.000
1 2 3 4 5 6 7 8 9 10
28 6.91356851
29 6.96799901
30 7.16541103 Media
31 7.33487585
𝑡 ̅=∑_(𝑖=1)^10▒𝑓_𝑡 ∗𝐼 ̅𝑖
32 7.55908596 Siendo: 𝑡 ̅=𝑀𝑒𝑑𝑖𝑑𝑎 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖
33 7.64938554 𝑓_𝑖=𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑎 𝑑𝑒
34 7.78559857 𝐼 ̅𝑖=𝑀𝑎𝑟𝑐𝑎 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
35 7.8608695 𝑖=𝑁𝑜. 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
36 7.90195172 𝑖= 1,10
37 8.27434387 Ahora decimos que:
38 9.03724254 𝑡 ̅ = (𝑓_1∗𝐼 ̅1)+"(" 𝑓_2∗𝐼 ̅2)+(𝑓_3∗𝐼 ̅3)+(𝑓_4∗𝐼 ̅4)+(𝑓_5∗𝐼 ̅5)+(𝑓_
 𝑡 ̅ = (𝑓_1∗𝐼 ̅1)+"(" 𝑓_2∗𝐼 ̅2)+(𝑓_3∗𝐼 ̅3)+(𝑓_4∗𝐼 ̅4)+(𝑓_5∗𝐼 ̅5)+(𝑓_
39 9.07790065
40 9.08129174
41 9.12074982 𝑡 ̅= 7.23333333
42 9.14568446
43 9.27295447 Varianza
44 9.48356636
𝑆^2=∑_(𝑖=1)^10▒ 〖𝑓 _𝑖∗( 〗 𝐼 ̅〖𝑖−𝑡 ̅ ) 〗 ^2
45 9.53720929
46 9.9148878 𝑆^2=𝑉𝑎𝑟𝑖𝑎𝑧𝑎 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐
47 9.92775867 𝑓_𝑖=𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑎 𝑑𝑒
48 10.1635426 𝐼 ̅𝑖=𝑀𝑎𝑟𝑐𝑎 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
49 10.2098261 𝑡 ̅=𝑀𝑒𝑑𝑖𝑑𝑎 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖
50 10.5264426 𝑖=𝑁𝑜. 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
51 10.7965122
52 10.809605 2.24044444
53 10.8518643 0.92918519
54 10.9228672 0.62259259
55 11.3336228 0.35051852
56 11.4830758 0.06274074
57 11.661729 0.0082963
58 11.7089698 0.02674074
59 11.7956269 0.8562963
60 11.9984698 1.24496296
1.82044444
𝑆^2= 8.16222222

Distribución exponencial teórica

𝒇(𝒕)=𝝀 〖 [𝒆 〗 ^((−𝝀∗𝒕))] F(𝑻)=𝟏−𝒆^((−𝝀∗𝑻))

λ= 0.13824885
e= 2.71828183

No. De Clase Clase Marca de

Clase
𝒊=𝒕 𝑰_(𝒊−𝟏)−𝑰_𝒕 𝑻=𝑰 ̅i
1 (2-3) 2.5
2 (3-4) 3.5
3 (4-5) 4.5
4 (5-6) 5.5
5 (6-7) 6.5
6 (7-8) 7.5
7 (8-9) 8.5
8 (9-10) 9.5
9 (10-11) 10.5
 10 (11-12) 11.5

Frecuencia relativa exponencial teórica Vs Frecuencia relativa acumulad

1.2

0.8

0.6

0.4

0.2

0
1 2 3 4 5 6 7 8 9 10

Distribución Chi cuadrado

𝒏_𝒊=𝟔𝟎(𝒆^((−𝝀∗𝑰_(𝒊−𝟏) ) )−𝒆^((−𝝀∗𝑰_𝒊 ) ))
No. De Clase Clase Frecuencia
Observada
𝒊 𝑰_(𝒊−𝟏)−𝑰_𝒕 𝑶_
1 6
𝒊
(2-3)
2 (3-4) 4
3 (4-5) 5
4 (5-6) 7
5 (6-7) 7
6 (7-8) 7
7 (8-9) 1
8 (9-10) 10
9 (10-11) 7
10 (11-12) 6
(12-∞) 0

Prueba de hipótesis

Hipótesis nula 𝑯_𝟎: Aceptar f (t) 𝒔𝒊 𝑿_(𝑵−𝑲−𝟏, 𝟏−∝)^𝟐

 𝑯_𝟎

: No aceptar 𝒇(𝒕)𝒔𝒊 𝑿^𝟐≥𝑿_(𝑵−𝑲−𝟏,

Hipótesis alterna 𝑯_𝟎 𝟏−

𝒇(𝒕)=𝑭𝒓𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂 𝑬𝒙𝒑𝒐𝒏𝒆𝒏𝒄𝒊𝒂𝒍 𝒕𝒆ó𝒓𝒊𝒄𝒂

𝑿^𝟐=𝒗𝒂𝒍𝒐𝒓 𝒐𝒃𝒕𝒆𝒏𝒊𝒅𝒐 𝒆𝒏 𝑿^𝟐 𝒑𝒂𝒓𝒂 𝒆𝒍 𝒕𝒊𝒆𝒎𝒑𝒐 𝒅𝒆
𝑿_(𝑵−𝑲−𝟏, ∝)^𝟐=𝒗𝒂𝒍𝒐𝒓 𝒅𝒆 𝑿^𝟐 𝒅𝒆 𝒍𝒂 𝒕𝒂𝒃𝒍𝒂 𝒅𝒆 𝒅𝒊𝒔

𝑁−𝐾−1=𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑
𝑁=𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒𝑠 𝑢𝑡𝑙𝑖𝑧𝑎𝑑𝑎𝑠 𝑒𝑛 𝑙
𝐾=𝑝𝑟á𝑚𝑒𝑡𝑟𝑜𝑠 𝑢𝑡𝑙𝑖𝑧𝑎𝑑𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖
α=𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎
α=1−𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 confianza
𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 confianza=0,95
α= 1-0,95
α= 0.05

para la hipótesis nula tenemos: f (t) 𝒔𝒊 𝑿_(𝑵−𝑲−𝟏, 𝟏−∝)^𝟐

la hipotesis nula se acepta

loss datos observados se distribuyen de acuerdo a una distribución expo
 Frecuencia Observada Frecuencia Relativa Frecuencia Relativa
empírica empírica acumulada empírica
𝑶_ 𝒇_ 𝑭_
𝒊 𝒊 𝒊
6 0.100 0.100
4 0.067 0.167
5 0.083 0.250
7 0.117 0.367
7 0.117 0.483
7 0.117 0.600
1 0.017 0.617
10 0.167 0.783
7 0.117 0.900
6 0.100 1.000
60 1.000

a relativa empírica vs acumulada empírica

Frecuencia Relativa empírica

Frecuencia Relativa acumulada
empírica

3 4 5 6 7 8 9 10

𝑡 ̅=𝑀𝑒𝑑𝑖𝑑𝑎 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑒𝑚𝑝í𝑟𝑖𝑐𝑎

𝑓_𝑖=𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑎 𝑑𝑒 𝑙𝑎 𝑐𝑙𝑎𝑠𝑒
𝐼 ̅𝑖=𝑀𝑎𝑟𝑐𝑎 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
𝑖=𝑁𝑜. 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
𝑖= 1,10

+(𝑓_3∗𝐼 ̅3)+(𝑓_4∗𝐼 ̅4)+(𝑓_5∗𝐼 ̅5)+(𝑓_6∗𝐼 ̅6)+(𝑓_7∗𝐼 ̅7)+(𝑓_8∗𝐼 ̅8)+(𝑓_9∗𝐼 ̅9)+"(" 𝑓_10∗𝐼 ̅10)
 +(𝑓_3∗𝐼 ̅3)+(𝑓_4∗𝐼 ̅4)+(𝑓_5∗𝐼 ̅5)+(𝑓_6∗𝐼 ̅6)+(𝑓_7∗𝐼 ̅7)+(𝑓_8∗𝐼 ̅8)+(𝑓_9∗𝐼 ̅9)+"(" 𝑓_10∗𝐼 ̅10)

〖𝑖−𝑡 ̅ ) 〗 ^2
Siendo:
𝑆^2=𝑉𝑎𝑟𝑖𝑎𝑧𝑎 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑚 𝑒𝑚𝑝í𝑟𝑖𝑐𝑎
𝑓_𝑖=𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑎 𝑑𝑒 𝑙𝑎 𝑐𝑙𝑎𝑠𝑒
𝐼 ̅𝑖=𝑀𝑎𝑟𝑐𝑎 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
𝑡 ̅=𝑀𝑒𝑑𝑖𝑑𝑎 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑒𝑚𝑝í𝑟𝑖𝑐𝑎
𝑖=𝑁𝑜. 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒

F(𝑻)=𝟏−𝒆^((−𝝀∗𝑻))

Frecuencia exponencial Frecuencia Relativa Frecuencia Relativa

teórica Exponencial teórica acumulada empírica

𝑻=𝑰 ̅i f (t) F (T) 𝑭_

0.120398425939963 0.292220107382711 𝒊 0.100
0.10485281567447 0.383607268622406 0.167
0.091314424329323 0.463194697591427 0.250
0.079524083706852 0.532505952739024 0.367
0.069256088902305 0.592867873614809 0.483
0.060313877588642 0.645435980829945 0.600
0.052526267183659 0.691216596424812 0.617
0.045744177866764 0.731086108097879 0.783
0.039837778713451 0.765807746074873 0.900
 0.034694002315318 0.796046193781264 1.000

ncial teórica Vs Frecuencia relativa acumulada empírica

Frecuencia Relativa
Exponencial teórica
Frecuencia Relativa
acumulada empírica

4 5 6 7 8 9 10

𝒆^((−𝝀∗𝑰_𝒊 ) ))
Agrupamiento de Clases de Frecuencia teórica Agrupamiento de clases
𝑶_ para 𝑿^𝟐 𝒏_𝒊 𝒏_𝒊 para 𝑿^𝟐 𝑿^𝟐= 〖 (𝑶_𝒊−𝒏_𝒊) 〗 ^𝟐/𝒏_𝒊
𝒊
6 7.74708314205612 7.74708314205612 0.393993384256695
9 6.74679485522395 12.6224566990176 1.03959101220597
5.87566184379369
7 5.1170078301524 5.1170078301524
14 4.45630974517335 8.33722945530317 3.84623817945767
3.88091971012981
1 3.37982291576281 3.37982291576281 1.67569640526908
23 2.94342676353212 22.7963999577079 0.001818400155212
2.56337723253818
2.2323989567894
15.0571970048482
60

𝑿^𝟐= 6.95733738134462

r f (t) 𝒔𝒊 𝑿_(𝑵−𝑲−𝟏, 𝟏−∝)^𝟐

 𝒇(𝒕)𝒔𝒊 𝑿^𝟐≥𝑿_(𝑵−𝑲−𝟏, 𝟏−𝜶)^𝟐

𝒏𝒄𝒊𝒂 𝑬𝒙𝒑𝒐𝒏𝒆𝒏𝒄𝒊𝒂𝒍 𝒕𝒆ó𝒓𝒊𝒄𝒂

𝒕𝒆𝒏𝒊𝒅𝒐 𝒆𝒏 𝑿^𝟐 𝒑𝒂𝒓𝒂 𝒆𝒍 𝒕𝒊𝒆𝒎𝒑𝒐 𝒅𝒆 𝒍𝒍𝒆𝒈𝒂𝒅𝒂𝒔
=𝒗𝒂𝒍𝒐𝒓 𝒅𝒆 𝑿^𝟐 𝒅𝒆 𝒍𝒂 𝒕𝒂𝒃𝒍𝒂 𝒅𝒆 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝒅𝒆 𝑿^𝟐

𝑁−𝐾−1=𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑
𝑁=𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒𝑠 𝑢𝑡𝑙𝑖𝑧𝑎𝑑𝑎𝑠 𝑒𝑛 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑋^2
𝐾=𝑝𝑟á𝑚𝑒𝑡𝑟𝑜𝑠 𝑢𝑡𝑙𝑖𝑧𝑎𝑑𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑋^2
α=𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎
α=1−𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 confianza
𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 confianza=0,95

f (t) 𝒔𝒊 𝑿_(𝑵−𝑲−𝟏, 𝟏−∝)^𝟐

stribuyen de acuerdo a una distribución exponencial

〗 ^𝟐/𝒏_𝒊
 RELACION DE TIEMPOS

Clase Marca de
Clase
No. De Clase𝑰_(𝒊−𝟏)−𝑰_𝒕
𝑰 ̅i
No. TIEMPO DE SERVICIO (Minutos)
1 0.14273773 1 (0-1) 0.5
2 0.96597717 2 (1-2) 1.5
3 1.05565618 3 (2-3) 2.5
4 1.22130297 4 (3-4) 3.5
5 1.33263003 5 (4-5) 4.5
6 1.45530983 6 (5-6) 5.5
7 1.80923536 7 (6-7) 6.5
8 2.17584237 8 (7-8) 7.5
9 2.29768463 9 (8-9) 8.5
10 2.41893481 10 (9-10) 9.5
11 2.63577897 Total n=
12 2.91192822
13 3.14910748
14 3.43751265
15 3.60487116 Frecuencia relativa empírica vs acum
16 3.63820104
17 3.65128478
18 3.66483649 1.200
19 3.88399819
1.000
20 4.00999453
21 4.15639863 0.800
22 4.31157802
0.600
23 4.38606488
24 4.51293806 0.400
25 4.87640088
0.200
26 5.17991515
27 5.28178828 0.000
1 2 3 4 5 6 7 8 9 10
28 5.42197341
29 5.73763374
30 5.9292213 Media
31 5.97813849
𝑡 ̅=∑_(𝑖=1)^10▒𝑓_𝑡 ∗𝐼 ̅𝑖 𝑡 ̅=𝑀𝑒𝑑𝑖𝑑𝑎 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖
32 6.08684652 Siendo:
33 6.11123181 𝑓_𝑖=𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑎 𝑑𝑒
34 6.36371178 𝐼 ̅𝑖=𝑀𝑎𝑟𝑐𝑎 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
35 6.58207107 𝑖=𝑁𝑜. 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
36 6.63886268 𝑖= 1,10
37 6.7049702 Ahora decimos que:
38 6.82026929 𝑡 ̅ = (𝑓_1∗𝐼 ̅1)+"(" 𝑓_2∗𝐼 ̅2)+(𝑓_3∗𝐼 ̅3)+(𝑓_4∗𝐼 ̅4)+(𝑓_5∗𝐼 ̅5)+(𝑓_
 𝑡 ̅ = (𝑓_1∗𝐼 ̅1)+"(" 𝑓_2∗𝐼 ̅2)+(𝑓_3∗𝐼 ̅3)+(𝑓_4∗𝐼 ̅4)+(𝑓_5∗𝐼 ̅5)+(𝑓_
39 6.88373755
40 6.95982876
41 7.03152494 𝑡 ̅= 5.58333333
42 7.24073807
43 7.29190447 Varianza
44 7.3569744
𝑆^2=∑_(𝑖=1)^10▒ 〖𝑓 _𝑖∗( 〗 𝐼 ̅〖𝑖−𝑡 ̅ ) 〗 ^2
45 7.67212479
46 8.01356695 𝑆^2=𝑉𝑎𝑟𝑖𝑎𝑧𝑎 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐
47 8.040394 𝑓_𝑖=𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑎 𝑑𝑒
48 8.0787915 𝐼 ̅𝑖=𝑀𝑎𝑟𝑐𝑎 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
49 8.08795326 𝑡 ̅=𝑀𝑒𝑑𝑖𝑑𝑎 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖
50 8.16576504 𝑖=𝑁𝑜. 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
51 8.42818189
52 8.54346647 0.86134259
53 8.84577394 1.38946759
54 8.9465075 0.79224537
55 9.05665375 0.50636574
56 9.36531552 0.11736111
57 9.38151433 0.00069444
58 9.55161631 0.12604167
59 9.58646298 0.30613426
60 9.92659856 1.27604167
1.53402778
𝑆^2= 6.90972222

Distribución exponencial teórica

𝒇(𝒕)=𝝀 〖 [𝒆 〗 ^((−𝝀∗𝒕))] F(𝑻)=𝟏−𝒆^((−𝝀∗𝑻))

λ= 0.17910448
e= 2.71828183

No. De Clase Clase Marca de

Clase
𝒊=𝒕 𝑰_(𝒊−𝟏)−𝑰_𝒕 𝑻=𝑰 ̅i
1 (0-1) 0.5
2 (1-2) 1.5
3 (2-3) 2.5
4 (3-4) 3.5
5 (4-5) 4.5
6 (5-6) 5.5
7 (6-7) 6.5
8 (7-8) 7.5
9 (8-9) 8.5
 10 (9-10) 9.5

Frecuencia relativa exponencial teórica Vs Frecuencia relativa acumulad

1.2

0.8

0.6

0.4

0.2

0
1 2 3 4 5 6 7 8 9 10

Distribución Chi cuadrado

𝒏_𝒊=𝟔𝟎(𝒆^((−𝝀∗𝑰_(𝒊−𝟏) ) )−𝒆^((−𝝀∗𝑰_𝒊 ) ))
No. De Clase Clase Frecuencia
Observada
𝒊 𝑰_(𝒊−𝟏)−𝑰_𝒕 𝑶_
1 2
𝒊
(0-1)
2 (1-2) 5
3 (2-3) 5
4 (3-4) 7
5 (4-5) 6
6 (5-6) 6
7 (6-7) 9
8 (7-8) 5
9 (8-9) 9
10 (9-10) 6
(10-∞) 0

Prueba de hipótesis

Hipótesis nula 𝑯_𝟎: Aceptar f (t) 𝒔𝒊 𝑿_(𝑵−𝑲−𝟏, 𝟏−∝)^𝟐

 𝑯_𝟎

: No aceptar 𝒇(𝒕)𝒔𝒊 𝑿^𝟐≥𝑿_(𝑵−𝑲−𝟏,

Hipótesis alterna 𝑯_𝟎 𝟏−

𝒇(𝒕)=𝑭𝒓𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂 𝑬𝒙𝒑𝒐𝒏𝒆𝒏𝒄𝒊𝒂𝒍 𝒕𝒆ó𝒓𝒊𝒄𝒂

𝑿^𝟐=𝒗𝒂𝒍𝒐𝒓 𝒐𝒃𝒕𝒆𝒏𝒊𝒅𝒐 𝒆𝒏 𝑿^𝟐 𝒑𝒂𝒓𝒂 𝒆𝒍 𝒕𝒊𝒆𝒎𝒑𝒐 𝒅𝒆
𝑿_(𝑵−𝑲−𝟏, ∝)^𝟐=𝒗𝒂𝒍𝒐𝒓 𝒅𝒆 𝑿^𝟐 𝒅𝒆 𝒍𝒂 𝒕𝒂𝒃𝒍𝒂 𝒅𝒆 𝒅𝒊𝒔

𝑁−𝐾−1=𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑
𝑁=𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒𝑠 𝑢𝑡𝑙𝑖𝑧𝑎𝑑𝑎𝑠 𝑒𝑛 𝑙
𝐾=𝑝𝑟á𝑚𝑒𝑡𝑟𝑜𝑠 𝑢𝑡𝑙𝑖𝑧𝑎𝑑𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖
α=𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎
α=1−𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 confianza
𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 confianza=0,95
α= 1-0,95
α= 0.05

para la hipótesis nula tenemos: f (t) 𝒔𝒊 𝑿_(𝑵−𝑲−𝟏, 𝟏−∝)^𝟐

la hipotesis nula se acepta

loss datos observados se distribuyen de acuerdo a una distribución expo
 Frecuencia Observada Frecuencia Relativa Frecuencia Relativa
empírica empírica acumulada empírica
𝑶_ 𝒇_ 𝑭_
𝒊 𝒊 𝒊
2 0.033 0.033
5 0.083 0.117
5 0.083 0.200
7 0.117 0.317
6 0.100 0.417
6 0.100 0.517
9 0.150 0.667
5 0.083 0.750
9 0.150 0.900
6 0.100 1.000
60 1.000

a relativa empírica vs acumulada empírica

Frecuencia Relativa empírica

Frecuencia Relativa acumulada
empírica

3 4 5 6 7 8 9 10

𝑡 ̅=𝑀𝑒𝑑𝑖𝑑𝑎 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑒𝑚𝑝í𝑟𝑖𝑐𝑎

𝑓_𝑖=𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑎 𝑑𝑒 𝑙𝑎 𝑐𝑙𝑎𝑠𝑒
𝐼 ̅𝑖=𝑀𝑎𝑟𝑐𝑎 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
𝑖=𝑁𝑜. 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
𝑖= 1,10

+(𝑓_3∗𝐼 ̅3)+(𝑓_4∗𝐼 ̅4)+(𝑓_5∗𝐼 ̅5)+(𝑓_6∗𝐼 ̅6)+(𝑓_7∗𝐼 ̅7)+(𝑓_8∗𝐼 ̅8)+(𝑓_9∗𝐼 ̅9)+"(" 𝑓_10∗𝐼 ̅10)
 +(𝑓_3∗𝐼 ̅3)+(𝑓_4∗𝐼 ̅4)+(𝑓_5∗𝐼 ̅5)+(𝑓_6∗𝐼 ̅6)+(𝑓_7∗𝐼 ̅7)+(𝑓_8∗𝐼 ̅8)+(𝑓_9∗𝐼 ̅9)+"(" 𝑓_10∗𝐼 ̅10)

〖𝑖−𝑡 ̅ ) 〗 ^2
Siendo:
𝑆^2=𝑉𝑎𝑟𝑖𝑎𝑧𝑎 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑚 𝑒𝑚𝑝í𝑟𝑖𝑐𝑎
𝑓_𝑖=𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑎 𝑑𝑒 𝑙𝑎 𝑐𝑙𝑎𝑠𝑒
𝐼 ̅𝑖=𝑀𝑎𝑟𝑐𝑎 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒
𝑡 ̅=𝑀𝑒𝑑𝑖𝑑𝑎 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑒𝑚𝑝í𝑟𝑖𝑐𝑎
𝑖=𝑁𝑜. 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒

F(𝑻)=𝟏−𝒆^((−𝝀∗𝑻))

Frecuencia exponencial Frecuencia Relativa Frecuencia Relativa

teórica Exponencial teórica acumulada empírica

𝑻=𝑰 ̅i f (t) F (T) 𝑭_

0.149734665606761 0.085659500165419 𝒊 0.033
0.125180957971058 0.235594381453237 0.117
0.104653602925229 0.360942723447587 0.200
0.087492353331915 0.4657362625212 0.317
0.073145230336941 0.55334560506893 0.417
0.061150769379209 0.626588640560399 0.517
0.051123177525639 0.687821176863044 0.667
0.042739924727858 0.739012713053422 0.750
0.03573136988261 0.78180978689303 0.900
 0.02987208802583 0.817588934493159 1.000

ncial teórica Vs Frecuencia relativa acumulada empírica

Frecuencia Relativa
Exponencial teórica
Frecuencia Relativa
acumulada empírica

4 5 6 7 8 9 10

𝒆^((−𝝀∗𝑰_𝒊 ) ))
Agrupamiento de Clases de Frecuencia teórica Agrupamiento de clases
𝑶_ para 𝑿^𝟐 𝒏_𝒊 𝒏_𝒊 para 𝑿^𝟐 𝑿^𝟐= 〖 (𝑶_𝒊−𝒏_𝒊) 〗 ^𝟐/𝒏_𝒊
𝒊
2 9.83888702173491 9.83888702173491 6.24543707065444
10 8.22549205796052 15.1021559983135 1.7237271177727
6.87666394035299
7 5.74901861376014 5.74901861376014
12 4.80628620331619 8.82443062415651 1.14276391195028
4.01814442084033
9 3.35924327094596 3.35924327094596 9.47181668906297
20 2.80838968725661 17.126264471089 0.482204155148174
2.34786587315789
1.96285942202144
10.007149488653
60

𝑿^𝟐= 19.0659489445886

r f (t) 𝒔𝒊 𝑿_(𝑵−𝑲−𝟏, 𝟏−∝)^𝟐

 𝒇(𝒕)𝒔𝒊 𝑿^𝟐≥𝑿_(𝑵−𝑲−𝟏, 𝟏−𝜶)^𝟐

𝒏𝒄𝒊𝒂 𝑬𝒙𝒑𝒐𝒏𝒆𝒏𝒄𝒊𝒂𝒍 𝒕𝒆ó𝒓𝒊𝒄𝒂

𝒕𝒆𝒏𝒊𝒅𝒐 𝒆𝒏 𝑿^𝟐 𝒑𝒂𝒓𝒂 𝒆𝒍 𝒕𝒊𝒆𝒎𝒑𝒐 𝒅𝒆 𝒍𝒍𝒆𝒈𝒂𝒅𝒂𝒔
=𝒗𝒂𝒍𝒐𝒓 𝒅𝒆 𝑿^𝟐 𝒅𝒆 𝒍𝒂 𝒕𝒂𝒃𝒍𝒂 𝒅𝒆 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝒅𝒆 𝑿^𝟐

𝑁−𝐾−1=𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑
𝑁=𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒𝑠 𝑢𝑡𝑙𝑖𝑧𝑎𝑑𝑎𝑠 𝑒𝑛 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑋^2
𝐾=𝑝𝑟á𝑚𝑒𝑡𝑟𝑜𝑠 𝑢𝑡𝑙𝑖𝑧𝑎𝑑𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑋^2
α=𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎
α=1−𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 confianza
𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 confianza=0,95

f (t) 𝒔𝒊 𝑿_(𝑵−𝑲−𝟏, 𝟏−∝)^𝟐

stribuyen de acuerdo a una distribución exponencial

〗 ^𝟐/𝒏_𝒊
Hillier, F. y Lieberman, G. (2010). Introducción a la investigación de operaciones (pp. 807-812). México, México: Editorial McGr
Interamericana. Recuperado de http://bibliotecavirtual.unad.edu.co/login?url=http://search.ebscohost.com/login.aspx?
direct=true&db=edselb&AN=edselb.3214887&lang=es&site=eds-live

Hillier, F. y Lieberman, G. (2015). Introducción a la investigación de operaciones (pp. 1014-1027). México, México: Editorial Mc
Interamericana. Recuperado de http://bibliotecavirtual.unad.edu.co:2053/?il=2269

Rojas, A. y Ospina, A. (2018). Modelos de pronósticos probabilísticos [OVI]. Recuperado de http://hdl.handle.net/10596/22263

Rojas, A. y Ospina, A. (2018). Modelos de inventarios probabilísticos [OVI]. Recuperado de http://hdl.handle.net/10596/22324

Monks, J. (1988). Administración de operaciones (pp. 168-170). Naucalpan de Juárez, México: Editorial McGraw-Hill Interamer
de https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=61&docID=3196010&tm=1541110436872 
México, México: Editorial McGraw-Hill
bscohost.com/login.aspx?

7). México, México: Editorial McGraw-Hill

p://hdl.handle.net/10596/22263

://hdl.handle.net/10596/22324

Editorial McGraw-Hill Interamericana. Recuperado

010&tm=1541110436872