Está en la página 1de 31

Simulacin de Sistemas Semestre 2008 -1

Abrril 2009
Simulacin de Sistemas

Generacin de Nmeros y Variables Aleatorias
Ing. Eduardo Carbajal L.
Agenda
Generacin de nmeros y variables aleatorias
1. Generacin de Nmeros Aleatorios
2. Pruebas de aleatoriedad.
3. Generacin de variables aleatorias
4. Pruebas de bondad de ajuste: Kolmogorov - Smirnov y Chi
cuadrado (_
2
)



Lecturas: Ross, Cap. 3, 4 y 5
Banks, Cap. 8 y 9
Law, Cap. 6
Tomando en cuenta los nmeros aleatorios generados previamente
Ri que siguen una distribucin uniforme, es posible emplear mtodo
que permitan generar variables aleatorias.
Mtodos y variables generadas
Qu mtodos existen?
Existen mtodos generales as como mtodos particulares para
distribuciones especficas
Qu mtodos emplearemos
Mtodo de la transformada inversa
Mtodo de Aceptacin y rechazo
Mtodo de Convolucin
Qu tipo de variables aleatorias pueden generarse?
Mayoritariamente variables aleatorias continuas y discretas,
aunque algunos mtodos permiten generar variables que no
pertenecen enteramente a ninguna de las categoras
mencionadas previamente
Generacin de variables aleatorias
El mtodo de la transformada inversa utiliza la distribucin acumulada F(x)
de la distribucin que se desea simular.
Generacin de variables aleatorias
Mtodo de la Transformada Inversa
Una de las caractersticas de F(x) es que se encuentra definida en el
intervalo (0,1). Por tanto, se puede generar un nmero aleatorio uniforme
R ~ U(0,1), con el cual se ingresa por la ordenada (eje y) y se intercepta
la curva F(x). El nmero X correspondiente a la abscisa (eje x) del punto de
interseccin, es un nmero aleatorio que tiene la distribucin deseada.
x
x=F (R)
-1
1
R
) ( ) (
1
R x R x F
F

= =
Distribuciones continuas
Generacin de variables aleatorias
Mtodo de la Transformada Inversa
La funcin de probabilidad acumulada F(x) para una distribucin
continua presenta una grfica continua. En este caso se aplica
directamente la funcin inversa sobre Ri para calcular el valor de la
variable.
OBS: F(x) es la funcin de probabilidad acumulada
f(x) para las dist. continuas se llama funcin de densidad
F(x) se calcula integrando f(x)
x
x=F (R)
-1
1
R
) ( ) (
1
R x R x F
F

= =
Distribuciones discretas
Generacin de variables aleatorias
Mtodo de la Transformada Inversa
La funcin de probabilidad acumulada F(x) para una distribucin
continua presenta una grfica discontinua. En este caso se emplea la
funcin inversa generalizada, debido a que por estas discontinuidades
no tiene funcin inversa propiamente dicha.
Dado un R, se procede a tomar como la inversa de R, al menor x, tal que
F(x) = R
OBS: F(x) es la funcin de probabilidad acumulada
f(x) para las dist. continuas se llama funcin de densidad
F(x) se calcula como la sumatoria de f(x) desde 0 hasta x
R1
x1
R2
x2
Generacin de variables aleatorias
Mtodo de la Transformada Inversa
Notacin: X ~ Bernoulli (p)

Distribucin de Bernoulli
1. Generar un nmero aleatorio R ~ U(0,1)
2. Si R <= p x = 1 , en caso contrario x = 0
Mtodo de generacin:
Funcin de probabilidad:

donde p : probabilidad de xito
( )
. 1 , 0 ,
1 ) (
1
=
=

x
p p x P
x x
Generacin de variables aleatorias
Mtodo de la Transformada Inversa
Notacin: X ~ Uniforme(a,b)

Distribucin Uniforme
1. Generar un nmero aleatorio R ~ U(0,1)
2. Hallar X = a + (b-a)*R.
Mtodo de generacin:
Funcin de probabilidad:

0 , si x < a
F(x) = (x-a)/(b-a) , si x [a,b]
1 , si x > b
Generacin de variables aleatorias
Mtodo de la Transformada Inversa
Notacin: X ~ Exponencial(b)

Distribucin Exponencial
1. Generar un nmero aleatorio R ~ U(0,1)
2. Hallar X = (-
1
/
b
)*ln(1 R)
Mtodo de generacin:
Funcin de probabilidad:

F(x)= 1 e
-bx
, x 0
Generacin de variables aleatorias
Mtodo de la Transformada Inversa
Notacin: X ~ Weibull(a,B)

Distribucin Weibull
1. Generar un nmero aleatorio R ~ U(0,1)
2. Hallar X = (- ln( 1 R))^(1/)
Mtodo de generacin:
Funcin de probabilidad:

F(x) = 1 e
-(x/)^

Generacin de variables aleatorias
Mtodo de la Transformada Inversa
Notacin: X ~ Triangular(a,b,c)

Distribucin Triangular
1. Generar un nmero aleatorio R ~ U(0,1)
2. Hallar
Mtodo de generacin:
Funcin de probabilidad:

(x-a)
2
/ [(b-a)(c-a)] para axb
F(x)=
1 - (x-c)
2
/[(c-b)(c-a)] para bxc
R 0.46 0.37 0.04 0.01 0.58
Genere variables aleatorias triangulares con parmetros a=0, b=1, y c=2 empleando los siguientes
nmeros aleatorios

La inversa en funcin de R de la distribucin triangular es:
Reemplazando los parmetros:
0 +((1-0)(2-0) R )
0.5
, R <= (1-0)/(2-0) (2R)
0.5
,R <= 0.5


X =
2 - [(2-1)(2-0)(1-R)]
0.5
,R <= (1-0)/(2-0) 2 - (2-2R)
0.5
,R >= 0.5


Empleando entonces los aleatorios dados:
R1=0.46
R2=0.37
R3=0.04
R4=0.01
R5=0.58
< 0.5
< 0.5
< 0.5
< 0.5
>0.5
X1 = (2(0.46))
0.5
= 0.96


X2 = (2(0.37))
0.5
= 0.86


X3 = (2(0.04))
0.5
= 0.28


X4 = (2(0.01))
0.5
= 0.14


X5 = 2-(2(1-0.58))
0.5
= 1.08


El mtodo de aceptacin y rechazo utiliza la funcin de densidad f(x)
de la distribucin que se desea generar.
Generacin de variables aleatorias
Mtodo de Aceptacin y Rechazo
Procedimiento a seguir:
1. Obtener tres valores que
acoten dicha funcion f(x):

C, que la acote superiormente, es decir
C f(x) para todo x
A, que la acote por la izquierda , es
decir A x, para todo x,
B, que la acote por la derecha, es decir
x B para todo x.

Generalmente, el eje x
acota inferiormente a la
funcin.
x
f(x)
y
C
A B
2. Generar un nmero
aleatorio R entre [0,1].
3. Si R cumple con la regla de
transformacin, R f(x) /
C, entonces el valor de x
sigue la distribucin
requerida y es aceptado,
de lo contrario, se rechaza
dicho nmero.
4. Se repite el algoritmo
hasta generar la cantidad
de variables deseadas.
R
x
Cada par de nmeros
aleatorios generados, no
necesariamente genera un
valor de una variable aleatoria.
Depende si cae en la regin de
aceptacin (debajo de la curva
f(x)) o de rechazo (por encima
de la curva f(x)). Por lo tanto,
se necesitan en promedio,
tres nmeros aleatorios para
generar un valor de la variable
aleatoria.
El mtodo de convolucin permite generar variables aleatorias en funcin
a una combinacin lineal ponderada de otras variables aleatorias. El
mtodo entonces requiere que la variable aleatoria a ser generada Yi,
pueda expresarse como una suma lineal ponderada de otras variables
aleatorias Xi.
Generacin de variables aleatorias
Mtodo de Convolucin
bi es una constante que refleja la ponderacin de la variable xi
en la combinacin lineal.
Procedimiento a seguir:
1. Se generan nmeros aleatorios (R
1
,R
2
,...,R
k
, )
2. Con uno (o mas, dependiendo del mtodo a utilizar) de los nmeros
aleatorios, se generan las variables aleatorias componentes
(x
1
,x
2
,...x
k
) usando alguno de los mtodos anteriores.
3. Se obtiene un valor de la variable por suma lineal de las variables
aleatorias componentes.
Y = b
1
*x
1
+ b
2
*x
2
++b
k
*x
k

Variables que se generan con este mtodo:
Normal, Binomial, Poisson, Gamma, Erlang
Generacin de variables aleatorias
Mtodo de Convolucin
Notacin: X ~ B (n,p)

Distribucin Binomial
1. Generar las variables X
1
, X
2
,............X
n
~ Bernoulli (p)
2. Generar Y como la suma de (X
1
+ X
2
+ .... + X
n
)
Mtodo de generacin:
Funcin de probabilidad:

( )

=
|
|
.
|

\
|
=


. . ; 0
,...., 1 , 0 ;
) (
1
c c en
n x
x
n
x P
p p
x n x
donde p : probabilidad de xito
Generacin de variables aleatorias
Mtodo de Convolucin
Notacin: X ~ P ()

Distribucin Poisson
1. Se inicializa x=0 y t=0.
2. Se genera una variable aleatoria X~ exp(1/ ).
3. Se actualiza t = t + X
4. Si t T entonces Y = Y+1
5. Se repite el algoritmo a partir del 2do punto, hasta que t > T.
El valor de Y generado, sigue una distribucin Poisson.
Mtodo de generacin:
Funcin de probabilidad:

=
=

. . 0
,... 2 , 1 , 0
!
) (
c c en
x
x
x P
e
x
o
Donde
x : nmero de eventos que ocurren en un intervalo de tiempo
: nmero promedio de eventos en un tiempo dado
) ( ~
1
~
1

o
Poisson x Exp
Y

|
.
|

\
|
Generacin de variables aleatorias
Mtodo de Convolucin
Notacin: X ~ N( , )

Distribucin Normal
1. Se generan doce nmeros aleatorios X con distribucin U(0,1).
2. Generar Z como la suma Z = ( X
1
+ X
2
+ + X
12
) 6
3. Donde Z es una variable normal estndar con media igual 0 y
varianza igual a 1. Esto se obtiene, ya que la media de cada
variable X es y la varianza es igual a
1
/
12
.
4. Para generar una variable Y~ N( , ), utilizar la regla de
transformacin Y = (Z * ) +
Mtodo de generacin:
Generacin de variables aleatorias
Mtodo de Convolucin
Distribucin Chi cuadrado
1. Generar Z, que son variables aleatorias normales estndar.
2. Elevar al cuadrado cada variable Z generada.
3. Para generar una variable chi-cuadrado de grado de libertad
n, suma n variables Z
2.

Mtodo de generacin:
o
_
o
2
,r crtico

=
=
k
i
i
k
Z
1
2
2
_
Z Z Z Z
2
4
2
3
2
2
2
1
2
4
+ + + =
_
Por ejemplo:

Generacin de variables aleatorias
Mtodos para la Distr. Normal Estndar
Notacin: X ~ N (0,1)


1. Propuesta de Marsaglia-Brax
2. Propuesta de Box Muller
Funcin de probabilidad:

}

=
x
dt
t
x F
e
2
2
2
1
) (
t
Dado que la inversa resulta complicada de calcular se emplean otros
mtodos en este caso particular. Los mtodos son:
Generacin de variables aleatorias
Mtodos para la Distr. Normal Estndar
1. Se generan dos nmeros aleatorios R1 y R2.
2. Se calcula v1= 2R1 1 y v2=2R2 1
3. Se calcula s = v1
2
+ v2
2

4. Si s1, entonces se calcula Zi = vi * [ -2 ln(s) / s]
0.5

Propuesta de Marsaglia Brax
Mtodo de generacin:
OBS: Los Zi que se obtiene bajo este mtodo son
variables aleatorias normales estndar
Generacin de variables aleatorias
Mtodos para la Distr. Normal Estndar
1. Generamos dos nmeros aleatorios R
1
y R
2
, obteniendo el valor
de Z
1
Z
2
(usar solo una de las dos frmulas)






OBSERVACIN:
A partir de Z
i
(obtenidos por cualquiera de ambos mtodos) podemos
hallar una variable que se ajuste a una distribucin .
Propuesta de Box Muller
Mtodo de generacin:
) , ( o N
) 1 , 0 ( ~
) 2 ( ) ln( 2
) 2 ( ) ln( 2
2 1 2
2 1 1
N
Sen Sen
Cos Cos
R R Z
R R Z

= =
.
= =
t 0 |
t 0 |
o

=
X
Z
o + = Z x
Sabemos que Despejando obtenemos:
Ejercicios Propuestos:
1. Usando el algoritmo discutido en clase y los siguientes nmeros aleatorios, genere tres
valores de una variable aleatoria Poisson con media 1.35. Muestre sus clculos y use en orden
los nmeros aleatorios.

Orden 1 2 3 4 5 6 7 8
R 0.3551 0.7798 0.9458 0.5903 0.3161 0.8578 0.7891 0.9019
Orden 9 10 11 12 13 14 15 16
R 0.0819 0.3291 0.8250 0.8486 0.7983 0.8845 0.7132 0.0630
2. Generar 10 variables aleatorias normales (utilizando ambos mtodos) con parmetros =
5 y o = 1, a partir de los siguientes nmeros aleatorios (por par de columnas)
0.0717 0.4407 0.6028 0.4347
0.0586 0.3652 0.1870 0.4518
0.9935 0.6713 0.4459 0.8944
0.7855 0.0377 0.8648 0.6402
0.8240 0.4240 0.9294 0.9358
Pruebas de Bondad de Ajuste
Definicin
Son pruebas de hiptesis que permiten validar si la distribucin de la frecuencia
observada de conjunto de datos puede aproximarse a una distribucin terica dada. Las
hiptesis que emplean estas pruebas son:
H
0
: La variable aleatoria se ajusta a la distribucin candidata con
los parmetros estimados
H
1
: La variable aleatoria no se ajusta.
Las pruebas de hiptesis que emplearemos son:
Kolmogorov Smirnov
Chi Cuadrado
Caractersticas
Pruebas de Bondad de Ajuste
Prueba Kolmogorov-Smirnov (K-S)

No depende de una distribucin especfica, no se sabe a priori la forma de
la distribucin de donde se sacan los datos.
Aplicable solamente a variables aleatorias continuas, pues es un
supuesto de la prueba.
Calcula las diferencias en valor absoluto entre las frecuencias acumuladas
relativas observadas y las esperadas en cada clase.
Se busca la mayor diferencia (D
max
) y se compara con valor crtico de
tablas.
Se puede aplicar para todo tamao de muestras, pequeas o
grandes
Otra ventaja es que permite construir lmites de confianza para la
distribucin acumulada completa.


Procedimiento (1)
Pruebas de Bondad de Ajuste
Prueba Kolmogorov-Smirnov (K-S)
Se halla una tabla de frecuencias para los n datos histricos. Se sugiere
tomar k intervalos donde k siga la regla siguiente:





Para cada uno de los k intervalos obtenidos, se halla la frecuencia observada
Oi, para i=1,k.

Se divide cada frecuencia observada por el nmero total de datos n. A este
resultado se le llama la probabilidad observada del intervalo i. (POi)

Se calcula la probabilidad acumulada observada de cada intervalo (OAi).

Se propone una distribucin de probabilidad de acuerdo con la forma de la
tabla de frecuencias obtenida. (Elaborar histograma)

+
= =
caso otro en ) log( 2 . 3 1
grande muy es no n si
intervalos de Nmero
n
n
k
Procedimiento (2)
Pruebas de Bondad de Ajuste
Prueba Kolmogorov-Smirnov (K-S)
Con la distribucin propuesta se calcula la probabilidad esperada para cada uno
de los intervalos (PEi).

Se calcula la probabilidad acumulada esperada (EAi) para cada intervalo de clase

Se calcula la diferencia absoluta entre OAi y EAi para cada intervalo y se
selecciona la mxima diferencia, llamndola D
max
.

D
mx
= | OAi EAi|
mx

Donde: OAi: frecuencia acumulada relativa de la clase i observada
EAi: frecuencia acumulada relativa de la clase i esperada

El estimado Dmax se compara con un valor lmite porporcionado en tabla, con n
datos y a un nivel de confiabilidad de (1 ). Si el estimador D
max
es menor o
igual al valor lmite de la tabla, entonces no se puede rechazar que la
informacin histrica sigue la distribucin propuesta.
12.36 14.15 6.76 14.46 7.47
5.71 16.83 5.17 0.03 19.65
16.79 19.33 17.46 15.45 16.08
18.01 11.99 10.72 11.51 11.99
5.12 20.18 11.53 19.8 9.51
7.69 18.73 20.41 15.1 8.04
19.41 6.31 6.21 9.83 14.66
8.58 15.83 12.52 16.39 6.57
8.42 12.87 8.03 9.6 5.42
15.56 18.04 8.97 17.11 7.79
10 12 16 18 14
18 17 15 19 13
n = 60
k = raz(60) = 7.74 8
Se toman 8 intervalos, se calcula el valor mximo y mnimo
observados en los datos:
Mnimo = 0.03
Mximo =20.41
Rango de valores =20.41 -0.03 = 20.38
Amplitud de cada intervalo = Rango/k = 20.38/8 =2.5475
Lmite de
Clase
Inferior
Lmite de
Clase
Superior
Nmero de
Datos en
Clase
Frecuencia
Relativa
Observada
Frecuencia
Acumulada
Observada
Frecuencia
Acumulada
Terica
Estadstico
K-S








Verifique si los datos siguientes siguen una distribucin uniforme empleando una prueba K-S
0.03 2.5775
2.5775 5.125
5.125 7.6725
7.6725 10.22
10.22 12.768
12.768 15.315
15.315 17.863
17.863 20.41
12.36 14.15 6.76 14.46 7.47
5.71 16.83 5.17 0.03 19.65
16.79 19.33 17.46 15.45 16.08
18.01 11.99 10.72 11.51 11.99
5.12 20.18 11.53 19.8 9.51
7.69 18.73 20.41 15.1 8.04
19.41 6.31 6.21 9.83 14.66
8.58 15.83 12.52 16.39 6.57
8.42 12.87 8.03 9.6 5.42
15.56 18.04 8.97 17.11 7.79
10 12 16 18 14
18 17 15 19 13
1
12.36 14.15 6.76 14.46 7.47
5.71 16.83 5.17 0.03 19.65
16.79 19.33 17.46 15.45 16.08
18.01 11.99 10.72 11.51 11.99
5.12 20.18 11.53 19.8 9.51
7.69 18.73 20.41 15.1 8.04
19.41 6.31 6.21 9.83 14.66
8.58 15.83 12.52 16.39 6.57
8.42 12.87 8.03 9.6 5.42
15.56 18.04 8.97 17.11 7.79
10 12 16 18 14
18 17 15 19 13
1
12.36 14.15 6.76 14.46 7.47
5.71 16.83 5.17 0.03 19.65
16.79 19.33 17.46 15.45 16.08
18.01 11.99 10.72 11.51 11.99
5.12 20.18 11.53 19.8 9.51
7.69 18.73 20.41 15.1 8.04
19.41 6.31 6.21 9.83 14.66
8.58 15.83 12.52 16.39 6.57
8.42 12.87 8.03 9.6 5.42
15.56 18.04 8.97 17.11 7.79
10 12 16 18 14
18 17 15 19 13
8
12.36 14.15 6.76 14.46 7.47
5.71 16.83 5.17 0.03 19.65
16.79 19.33 17.46 15.45 16.08
18.01 11.99 10.72 11.51 11.99
5.12 20.18 11.53 19.8 9.51
7.69 18.73 20.41 15.1 8.04
19.41 6.31 6.21 9.83 14.66
8.58 15.83 12.52 16.39 6.57
8.42 12.87 8.03 9.6 5.42
15.56 18.04 8.97 17.11 7.79
10 12 16 18 14
18 17 15 19 13
11
12.36 14.15 6.76 14.46 7.47
5.71 16.83 5.17 0.03 19.65
16.79 19.33 17.46 15.45 16.08
18.01 11.99 10.72 11.51 11.99
5.12 20.18 11.53 19.8 9.51
7.69 18.73 20.41 15.1 8.04
19.41 6.31 6.21 9.83 14.66
8.58 15.83 12.52 16.39 6.57
8.42 12.87 8.03 9.6 5.42
15.56 18.04 8.97 17.11 7.79
10 12 16 18 14
18 17 15 19 13
8
12.36 14.15 6.76 14.46 7.47
5.71 16.83 5.17 0.03 19.65
16.79 19.33 17.46 15.45 16.08
18.01 11.99 10.72 11.51 11.99
5.12 20.18 11.53 19.8 9.51
7.69 18.73 20.41 15.1 8.04
19.41 6.31 6.21 9.83 14.66
8.58 15.83 12.52 16.39 6.57
8.42 12.87 8.03 9.6 5.42
15.56 18.04 8.97 17.11 7.79
10 12 16 18 14
18 17 15 19 13
8
12.36 14.15 6.76 14.46 7.47
5.71 16.83 5.17 0.03 19.65
16.79 19.33 17.46 15.45 16.08
18.01 11.99 10.72 11.51 11.99
5.12 20.18 11.53 19.8 9.51
7.69 18.73 20.41 15.1 8.04
19.41 6.31 6.21 9.83 14.66
8.58 15.83 12.52 16.39 6.57
8.42 12.87 8.03 9.6 5.42
15.56 18.04 8.97 17.11 7.79
10 12 16 18 14
18 17 15 19 13
11
12
Dividir
cada
trmino
entre n
0.017
0.017
0.133
0.183
0.133
0.133
0.183
0.200
0.017
0.033
0.167
0.350
0.483
0.617
0.800
1.000
La frecuencia relativa de la uniforme hace que
cada intervalo sea equiprobable, con
probabilidad 1/k = 1/8 = 0.125
0.125
0.250
0.375
0.500
0.625
0.750
0.875
1.000
D
mx
= | OAi
EAi|
mx

0.108
0.217
0.208
0.150
0.142
0.133
0.075
0.000
Estadstico es el valor absoluto
de la diferencia entre la
Observada Acumulada y la
Acumulada Terica
= 0.217
Valor crtico de tablas para 60 datos y a 0.05 = 0.17
Como Dmax = 0.217 > Valor crtico de tablas = 0.17 -> Se rechaza Ho
Es decir hay evidencias para rechazar la hiptesis nula que afirma que la muestra sigue una
distribucin exponencial
Caractersticas
Pruebas de Bondad de Ajuste
Prueba Chi Cuadrado

Para probar hiptesis que muestra aleatoria de tamao n de la V.A X
sigue una distribucin especfica.
Formaliza la idea intuitiva de comparar el histograma de la
informacin con la forma de la densidad o masa candidata.
Vlida para tamaos de muestra grande, para distribuciones
discretas o continuas.
Intuitivamente: compara frecuencias observadas contra frecuencias
tericas o esperadas mediante. Dicho estadstico es mayor o igual
acero. Si las observadas y tericas se parecen entonces el valor ser
pequeo.
Estadstico: Medida de discrepancia


Procedimiento (1)
Pruebas de Bondad de Ajuste
Prueba Chi Cuadrado
Hallar la tabla de frecuencias para los n datos con k intervalos



Para cada uno de los k intervalos obtenidos hallar la frecuencia
observada O
i
.
Se propone una distribucin de probabilidad de acuerdo con la forma
de la tabla.
Con la distribucin candidata calcular frecuencia esperada de cada
intervalo E
i
.
Si dicha frecuencia es menor a 5, agrupar.

+
= =
caso otro en ) log( 2 . 3 1
grande muy es no n si
intervalos de Nmero
n
n
k
Observaciones
Pruebas de Bondad de Ajuste
Prueba Chi Cuadrado
Si la distribucin candidata es discreta entonces pi = p(xi) = P(X=xi) y cada
valor en Rx de la V.A debera ser un intervalo.
Si la distribucin es continua utilizar la diferencia de acumuladas.
Para cada clase:


Estadstico terico:
2

, k`-r-1
donde r es el nmero de parmetros
estimados y k es el nmero final de intervalos luego de revisar que
ninguno tenga frecuencia esperada menor a 5
Se acepta Ho, si X2 observado X2 terico
( )
E
E O
X
i
i
i i

=
2
2
Procedimiento (2)
0.46 0.67 0.12 0.21 0.44 0.87 0.89 0.25 0.9 0.34
0.22 0.74 0.94 0.74 0.81 0.7 0.64 0.79 0.76 0.83
0.99 0.02 0.52 0.73 0.41 0.56 0.67 0.77 0.99 0.96
0.78 0.05 0.45 0.31 0.05 0.56 0.82 0.17 0.3 0.47
0.39 0.42 0.65 0.37 0.93 0.82 0.19 0.23 0.71 0.79
0.18 0.49 0.1 0.42 0.66 0.05 0.46 0.99 0.17 0.99
0.75 0.49 0.69 0.34 0.28 0.81 0.01 0.54 0.51 0.37
0.73 0.05 0.96 0.58 0.94 0.3 0.97 0.56 0.43 0.72
0.79 0.62 0.4 0.19 0.64 0.4 0.24 0.84 0.39 0.06
0.29 0.78 0.6 0.11 0.47 0.64 0.88 0.97 0.26 0.18
Verifique si los datos siguientes siguen una distribucin uniforme empleando una prueba Chi-Cuadrado
n = 100
k = raz(100) = 10
Se toman 10 intervalos, se calcula el valor
mximo y mnimo observados en los datos:
Mnimo = 0.01
Mximo = 0.99
Rango de valores =0.99 -0.01 = 0.98
Amplitud de cada intervalo = Rango/k =
0.98/10 = 0.098
Intervalo
Lmite de Clase
Inferior
Lmite de Clase
Superior
Oi
Ei
Oi - Ei
(Oi - Ei)
2

(O
i
- E
i
)
2

Ei
1
2
3
4
5
6
7
8
9
10

0.01
0.108
0.206
0.304
0.402
0.500
0.598
0.696
0.794
0.892
0.108
0.206
0.304
0.402
0.500
0.598
0.696
0.794
0.892
0.99
0.46 0.67 0.12 0.21 0.44 0.87 0.89 0.25 0.9 0.34
0.22 0.74 0.94 0.74 0.81 0.7 0.64 0.79 0.76 0.83
0.99 0.02 0.52 0.73 0.41 0.56 0.67 0.77 0.99 0.96
0.78 0.05 0.45 0.31 0.05 0.56 0.82 0.17 0.3 0.47
0.39 0.42 0.65 0.37 0.93 0.82 0.19 0.23 0.71 0.79
0.18 0.49 0.1 0.42 0.66 0.05 0.46 0.99 0.17 0.99
0.75 0.49 0.69 0.34 0.28 0.81 0.01 0.54 0.51 0.37
0.73 0.05 0.96 0.58 0.94 0.3 0.97 0.56 0.43 0.72
0.79 0.62 0.4 0.19 0.64 0.4 0.24 0.84 0.39 0.06
0.29 0.78 0.6 0.11 0.47 0.64 0.88 0.97 0.26 0.18
8
0.46 0.67 0.12 0.21 0.44 0.87 0.89 0.25 0.9 0.34
0.22 0.74 0.94 0.74 0.81 0.7 0.64 0.79 0.76 0.83
0.99 0.02 0.52 0.73 0.41 0.56 0.67 0.77 0.99 0.96
0.78 0.05 0.45 0.31 0.05 0.56 0.82 0.17 0.3 0.47
0.39 0.42 0.65 0.37 0.93 0.82 0.19 0.23 0.71 0.79
0.18 0.49 0.1 0.42 0.66 0.05 0.46 0.99 0.17 0.99
0.75 0.49 0.69 0.34 0.28 0.81 0.01 0.54 0.51 0.37
0.73 0.05 0.96 0.58 0.94 0.3 0.97 0.56 0.43 0.72
0.79 0.62 0.4 0.19 0.64 0.4 0.24 0.84 0.39 0.06
0.29 0.78 0.6 0.11 0.47 0.64 0.88 0.97 0.26 0.18
8
0.46 0.67 0.12 0.21 0.44 0.87 0.89 0.25 0.9 0.34
0.22 0.74 0.94 0.74 0.81 0.7 0.64 0.79 0.76 0.83
0.99 0.02 0.52 0.73 0.41 0.56 0.67 0.77 0.99 0.96
0.78 0.05 0.45 0.31 0.05 0.56 0.82 0.17 0.3 0.47
0.39 0.42 0.65 0.37 0.93 0.82 0.19 0.23 0.71 0.79
0.18 0.49 0.1 0.42 0.66 0.05 0.46 0.99 0.17 0.99
0.75 0.49 0.69 0.34 0.28 0.81 0.01 0.54 0.51 0.37
0.73 0.05 0.96 0.58 0.94 0.3 0.97 0.56 0.43 0.72
0.79 0.62 0.4 0.19 0.64 0.4 0.24 0.84 0.39 0.06
0.29 0.78 0.6 0.11 0.47 0.64 0.88 0.97 0.26 0.18
10
0.46 0.67 0.12 0.21 0.44 0.87 0.89 0.25 0.9 0.34
0.22 0.74 0.94 0.74 0.81 0.7 0.64 0.79 0.76 0.83
0.99 0.02 0.52 0.73 0.41 0.56 0.67 0.77 0.99 0.96
0.78 0.05 0.45 0.31 0.05 0.56 0.82 0.17 0.3 0.47
0.39 0.42 0.65 0.37 0.93 0.82 0.19 0.23 0.71 0.79
0.18 0.49 0.1 0.42 0.66 0.05 0.46 0.99 0.17 0.99
0.75 0.49 0.69 0.34 0.28 0.81 0.01 0.54 0.51 0.37
0.73 0.05 0.96 0.58 0.94 0.3 0.97 0.56 0.43 0.72
0.79 0.62 0.4 0.19 0.64 0.4 0.24 0.84 0.39 0.06
0.29 0.78 0.6 0.11 0.47 0.64 0.88 0.97 0.26 0.18
9
0.46 0.67 0.12 0.21 0.44 0.87 0.89 0.25 0.9 0.34
0.22 0.74 0.94 0.74 0.81 0.7 0.64 0.79 0.76 0.83
0.99 0.02 0.52 0.73 0.41 0.56 0.67 0.77 0.99 0.96
0.78 0.05 0.45 0.31 0.05 0.56 0.82 0.17 0.3 0.47
0.39 0.42 0.65 0.37 0.93 0.82 0.19 0.23 0.71 0.79
0.18 0.49 0.1 0.42 0.66 0.05 0.46 0.99 0.17 0.99
0.75 0.49 0.69 0.34 0.28 0.81 0.01 0.54 0.51 0.37
0.73 0.05 0.96 0.58 0.94 0.3 0.97 0.56 0.43 0.72
0.79 0.62 0.4 0.19 0.64 0.4 0.24 0.84 0.39 0.06
0.29 0.78 0.6 0.11 0.47 0.64 0.88 0.97 0.26 0.18
12
0.46 0.67 0.12 0.21 0.44 0.87 0.89 0.25 0.9 0.34
0.22 0.74 0.94 0.74 0.81 0.7 0.64 0.79 0.76 0.83
0.99 0.02 0.52 0.73 0.41 0.56 0.67 0.77 0.99 0.96
0.78 0.05 0.45 0.31 0.05 0.56 0.82 0.17 0.3 0.47
0.39 0.42 0.65 0.37 0.93 0.82 0.19 0.23 0.71 0.79
0.18 0.49 0.1 0.42 0.66 0.05 0.46 0.99 0.17 0.99
0.75 0.49 0.69 0.34 0.28 0.81 0.01 0.54 0.51 0.37
0.73 0.05 0.96 0.58 0.94 0.3 0.97 0.56 0.43 0.72
0.79 0.62 0.4 0.19 0.64 0.4 0.24 0.84 0.39 0.06
0.29 0.78 0.6 0.11 0.47 0.64 0.88 0.97 0.26 0.18
7
0.46 0.67 0.12 0.21 0.44 0.87 0.89 0.25 0.9 0.34
0.22 0.74 0.94 0.74 0.81 0.7 0.64 0.79 0.76 0.83
0.99 0.02 0.52 0.73 0.41 0.56 0.67 0.77 0.99 0.96
0.78 0.05 0.45 0.31 0.05 0.56 0.82 0.17 0.3 0.47
0.39 0.42 0.65 0.37 0.93 0.82 0.19 0.23 0.71 0.79
0.18 0.49 0.1 0.42 0.66 0.05 0.46 0.99 0.17 0.99
0.75 0.49 0.69 0.34 0.28 0.81 0.01 0.54 0.51 0.37
0.73 0.05 0.96 0.58 0.94 0.3 0.97 0.56 0.43 0.72
0.79 0.62 0.4 0.19 0.64 0.4 0.24 0.84 0.39 0.06
0.29 0.78 0.6 0.11 0.47 0.64 0.88 0.97 0.26 0.18
10
0.46 0.67 0.12 0.21 0.44 0.87 0.89 0.25 0.9 0.34
0.22 0.74 0.94 0.74 0.81 0.7 0.64 0.79 0.76 0.83
0.99 0.02 0.52 0.73 0.41 0.56 0.67 0.77 0.99 0.96
0.78 0.05 0.45 0.31 0.05 0.56 0.82 0.17 0.3 0.47
0.39 0.42 0.65 0.37 0.93 0.82 0.19 0.23 0.71 0.79
0.18 0.49 0.1 0.42 0.66 0.05 0.46 0.99 0.17 0.99
0.75 0.49 0.69 0.34 0.28 0.81 0.01 0.54 0.51 0.37
0.73 0.05 0.96 0.58 0.94 0.3 0.97 0.56 0.43 0.72
0.79 0.62 0.4 0.19 0.64 0.4 0.24 0.84 0.39 0.06
0.29 0.78 0.6 0.11 0.47 0.64 0.88 0.97 0.26 0.18
15
0.46 0.67 0.12 0.21 0.44 0.87 0.89 0.25 0.9 0.34
0.22 0.74 0.94 0.74 0.81 0.7 0.64 0.79 0.76 0.83
0.99 0.02 0.52 0.73 0.41 0.56 0.67 0.77 0.99 0.96
0.78 0.05 0.45 0.31 0.05 0.56 0.82 0.17 0.3 0.47
0.39 0.42 0.65 0.37 0.93 0.82 0.19 0.23 0.71 0.79
0.18 0.49 0.1 0.42 0.66 0.05 0.46 0.99 0.17 0.99
0.75 0.49 0.69 0.34 0.28 0.81 0.01 0.54 0.51 0.37
0.73 0.05 0.96 0.58 0.94 0.3 0.97 0.56 0.43 0.72
0.79 0.62 0.4 0.19 0.64 0.4 0.24 0.84 0.39 0.06
0.29 0.78 0.6 0.11 0.47 0.64 0.88 0.97 0.26 0.18
9
12
Cada intervalo tiene una probabilidad Esperada o Tericade 1/k = 10
pues se esta probando si ajustan a una distribucin exponencial. Ei
se expresa en termino de frecuencia por lo tanto es el producto de la
probabilidad y el nmero total de datos analizados
10
10
10
10
10
10
10
10
10
10
-2
-2
0
-1
2
-3
0
5
-1
2
Como no hay ningn Ei menor que 5 no es necesario agrupar
intervalos k = k = 10
4
4
0
1
4
9
0
25
1
4
0.4
0.4
0
0.1
0.4
0.9
0
2.5
0.1
0.4
Total = 5.2
El valor de tablas que corresponde a
2

0.05, 10-2-1
es 6.346




Como
2
observado (5.2) es menor que
2
terico (6.346) no se rechaza Ho, es decir no hay
evidencias para rechazar que la muestra sigue una distribucin uniforme entre 0.01 y 0.99