Taller: Estadística aplicada: “Pruebas de bondad y ajuste”

Valentina Giraldo Ortega

Ángela María Herrera Correa

Santiago Marín López

María Alejandra Restrepo Gómez

Diana Patricia Yepes Quintero

Estadística aplicada

Horacio Fernández Castaño

Universidad de Medellín

Medellín

2013
Base teórica:

1. Tablas de contingencia [1], [2]:

Una tabla de contingencia es una herramienta muy útil para resumir datos categóricos 1. Si se
definen dos variables categóricas X y Y con I y J categorías respectivamente, cualquier
sujeto podría clasificarse en alguna de las I  J , que es cualquiera de las posibles categorías
que existe. En general una tabla de contingencia tiene dos objetivos:

a) Organizar la información obtenida en un experimento cuando ésta está referida a dos

factores (variables categóricas).
b) Analizar si existe alguna relación de dependencia e independencia entre las variables
categóricas que son objeto de estudio.

Teniendo en cuenta la información anterior, un modelo de tabla de contingencia sería:

Variable B
B1 B2 B3  BJ Total
A1 O11 O12 O13  O1J D1
A2 O21 O22 O23  O2 J D2
A3 O31 O32 O33  O3J D3
Variable A
      
AI OI 1 OI 2 OI 3  OIJ DI
Total C1 C2 C3  CJ n

En donde:

OIJ : Es el número de sujetos que presentan las características AI y BJ a la vez.

CJ : Es la suma de la J-ésima columna, es decir, el total de sujetos que presentan la

BJ .
característica

DI : Es la suma de la I-ésima fila, es decir, el total de sujetos que presentan la característica AI .

n : Es el total de observaciones tomadas.

1
Son datos que sólo pueden tomar un número finito o infinito numerable de posibles valores. Suelen ser los
datos procedentes de los recuentos (frecuencia observada) derivados de información recogida en un
experimento.
1/12
Una vez construida la tabla se pueden realizar dos tipos de prueba para probar la
independencia y homogeneidad:

a) Prueba de independencia: se hace para probar si hay asociación entre las variables A y
B.

Las hipótesis son:

H 0 : No hay asociación entre las variables A y B (hay independencia).
H a : Si hay relación entre las variables A y B.

b) Prueba de homogeneidad: es una generalización de la prueba para la igualdad de dos

proporciones. Se trata de probar si para cada nivel de la variable B, la proporción con
respecto a cada nivel de A es la misma.

Las hipótesis son:

H 0 : Las proporciones de cada valor de la variable A son iguales en cada columna.

H a : Al menos una de las proporciones para cada valor de la variable A no son iguales
en cada columna.

Para probar la independencia se efectúa la prueba Ji-cuadrado, que es de la siguiente forma:

Se calcula el estadístico de prueba:

O  Eij 
2
J I
EP  X  
2 ij

j 1 i 1 Eij

Dónde:

Oij : es la frecuencia observada de la celda que está en la fila i, columna j.

Eij
: es la frecuencia esperada de la celda que está en la fila i, columna j. Se define como:

Di C j
Eij 
n

X 2 ,  J 1 I 1 

Luego, este estadístico de prueba se compara con   .
La regla de decisión es:
 EP  X 2 ,  J 1 I 1  H0 .
Si   se rechaza
P  X 2  EP 
Y el valor-p es igual a: .

2. Pruebas de bondad y ajuste:

Una prueba de bondad y ajuste permite verificar si la población de la cual proviene una muestra
aleatoria sigue una distribución específica o supuesta.

En general lo que se busca es lo siguiente:

Sea:
x : una variable aleatoria.
fS  x 
: la distribución de probabilidad específica o supuesta que sigue la variable aleatoria x .

Se busca probar la hipótesis nula:

H0 : f  x  fS  x
En contraste con la hipótesis alternativa:

H a : f  x   fS  x 
En general se utilizan tres tipos de pruebas de bondad y ajuste:

a) Prueba Ji-Cuadrado [3]:

Esta prueba es aplicable tanto para variables aleatorias discretas y continuas.

Se parte de las hipótesis (siendo x una variable aleatoria):

H0 : f  x  fS  x
H a : f  x  fS  x 

Para tener una mayor facilidad al aplicar este método, los autores recomiendan construir una
tabla con la siguiente estructura.

Frecuencia Frecuencia esperada

x f  x
observada
 FO  Probabilidad=  FE 
Acá se colocan los datos Acá se colocan el Acá se calcula la Cada celda de esta
correspondientes a la número de probabilidad asociada columna es el
variable aleatoria. En observaciones que a cada valor o rango producto de la
caso de tratarse de una corresponden a de la columna x . columna anterior por
variable aleatoria cada valor de la
n . Y lo que se calcula
Para esto se utiliza la
 es la verdadera
frecuencia que
continua acá irían los distribución de
debería tener los
rangos, por ejemplo: columna x probabilidad
datos si siguieran la
0  x 1 supuesta.
distribución
supuesta.
Total n 1 n

NOTA: Se recomienda para evitar problemas en el modelo, que ninguna frecuencia esperada
sea menor a 5, en caso de haber alguna menor a 5 se deben unir las categorías para evitar este
problema. Hay que tener en cuenta que al disminuir las categorías, disminuyen los grados de
libertad.

Una vez se tenga la tabla anterior, se calcula el estadístico de prueba que se calcula como:

 FOi  FEi 
2
k
EP  X 2  
i 1 FEi
Dónde:

k : Es el número de valores o rangos que toma x .

X2
El estadístico de prueba se compara con:   , k  r 1
Dónde r es el número de parámetros poblacionales de la distribución supuesta que debieron
ser calculados con la información muestral.

La regla de decisión es:

EP  X 2 , k r 1 H0
se rechaza
Si

b) Prueba Kolmogorov-Smirnov [4], [5]:

Esta prueba es aplicable sólo para variables aleatorias continuas [6].

Se parte de las hipótesis (siendo x una variable aleatoria):

H0 : f  x  fS  x
H a : f  x  fS  x 
Para tener una mayor facilidad al aplicar este método, los autores recomiendan construir una
tabla con la siguiente estructura, (para construir esta tabla, se debe tener con anterioridad una
tabla con la misma forma que la explicada para la prueba Ji-cuadrada):

Frecuencia Frecuencia
esperada observada FEA FOA Relativa | FEA relativo  FOA relativo |
acumulada
 FEA 
acumulada
 FOA  Relativa

Se calcula Se calcula FEA FOA Se calcula la diferencia

acumulando los acumulando los n n entre las dos columnas
FE FO anteriores.
valores de la valores de la

De la tabla anterior se obtiene el estadístico de prueba que se define como:

EP  D  max  FEA relativa  FOA relativa 

Luego, este estadístico de prueba se compara con el valor crítico D , que se encuentra en la
tabla Kolmogorov-Smirnov (teniendo como base un nivel de significancia y el número de
observaciones).

La regla de decisión es:

H
Si EP  D se rechaza 0 .

c) Test Anderson-Darling [7]:

Este test sólo funciona para las distribuciones: normal, lognormal, exponencial, Weibull y
logística.

Se parte de las hipótesis (siendo x una variable aleatoria):

H0 : f  x  fS  x
H a : f  x   fS  x 

Se siguen los siguientes pasos:

- Se calcula una columna con el dato

 2i  1 . Siendo i el número de la observación.
- Se organizan los datos en orden ascendente en una columna
 Yi  , y en orden

descendente en la otra columna

 Yn1i  .
 F  Yi  F  Yn 1i 
- Se calcula la probabilidad acumulada de cada columna ( y ).
ln  F  Yi   ln  1  F  Yn 1i  
- En dos columnas se calcula: y .
Si que se define como:
- Se calcula
 2i  1 ln F Y  ln 1  F Y
Si   i   n1i   
n 
- Se calcula la sumatoria de la última columna calculada.
- Se calcula el estadístico de prueba definido como:
EP  A2   n  S
 n  2i  1 
EP  A   n   
2
 ln F  Yi   ln  1  F  Yn 1i    
 i 1 n 
- Se compara el estadístico de prueba con el valor tomado de la tabla de Anderson-
Darling.

La regla de decisión es:

Si EP  Valor de la tabla se rechaza 0 .

H

Teniendo en cuenta toda la teoría expuesta anteriormente, se realizará el siguiente taller.

TALLER

1. Cierto tipo de linterna de mano se vende con las cuatro pilas incluidas. Se obtiene una
muestra aleatoria de 152 linternas. Sea X la variable aleatoria que representa el número de
pilas defectuosas de una linterna seleccionada al azar. De las 150 linternas se determina el
número de pilas defectuosas por linterna, resultando los siguientes datos:

Número de pilas defectuosas 0 1 2 3 4

Frecuencia observada 2 54 28 26 10
4

a) Si la variable aleatoria X sigue una distribución binomial con parámetros n  4 y p ,

p
obtener el estimador de máxima verosimilitud de .

b) Pruebe si la variable aleatoria X sigue una distribución binomial con parámetros n  4

encontrado en el inciso (a). Considere   0.01 . ¿Cuál es el

p̂ p̂ p
y , donde es el EMV de
valor-p? Interprete.
Solución:

X  bin  4, p 
a)

k
p  x    px  1 p
kx

 x
n
4
L  x, p      p xi  1  p  i
4 x

i 1  xi 
n
4!
L  x, p    p xi  1  p  i
4 x

i 1 x ! 4  x  !
 n 4!   xi 4 n   xi
L  x, p      p  1  p 
 i 1 x ! 4  x  ! 
 n 4! 
ln  L  x, p    ln      xi ln p   4n   xi  ln  1  p 
 i 1 x ! 4  x  ! 
 ln  L  x, p    xi 4n   xi
 
p p 1 p
Igualando a cero
x i

4n   xi
p 1 p
 x  p x
i i  4np  p  xi

pˆ 
x i

4n
b) Usando el EMV hallado en el punto anterior se tiene:

pˆ 
 0   24    1  54    2   38   3  26    4   10 
 4   152 
pˆ  0.4078

Sean:

H 0 : El número de pilas defectuosas es una variable que sigue una distribución Binomial.

H a : El número de pilas defectuosas es una variable que no sigue una distribución Binomial.

# de pilas defectuosas Frec. Observada Probabilidad Frec. Esperada

0 24 0.1229 18.6827
1 54 0.3386 51.4811
 2 38 0.3499 53.1971
3 4 36 0.1877 28.6387 2
o

Calculando el estadístico de prueba:

 FOi  FEi 
2
n
EP  X  2
 7.87
i 1 FEi

2
Tomando el valor crítico de la tabla X se tiene:

X 20.01,2  9.21

Cómo 7.87  9.21 no hay suficiente información para decir que el número de pilas defectuosas
no sigue una distribución binomial a un nivel de significancia del 0.01 .

Valor  p  P ( X 2  7.87)  0.0195 .

Al ser el valor-p mayor al nivel de significancia, puede justificarse que la hipótesis nula no haya
sido rechazada.

2. Suponga que se tienen las rentabilidades diarias de un activo financiero. La media

muestral y desviación estándar muestral son respectivamente 0.173 y 0.066 . Con base en la
distribución de frecuencia dada, ¿se puede concluir que la rentabilidad diaria del activo

financiero es una variable que sigue una distribución normal? Considere   0.05 . ¿Cuál es el
valor-p? Interprete.

Solución:
Teniendo:   0.173 y   0.066

- Prueba Ji-Cuadrado:

H 0 : La rentabilidad diaria del activo financiero es una variable que sigue una distribución
normal.

2
En este caso se unieron las dos últimas categorías para evitar que la última frecuencia esperada fuera
menor a 5.
1/12
H a : La rentabilidad diaria del activo financiero es una variable que no sigue una distribución
normal.

Rentabilidad (diaria) Frec. Observada Probabilidad3 Frec. Esperada

x  0.1 14 0.1344 11.9616
0.1  x  0.15 18 0.2294 20.4166
0.15  x  0.2 25 0.295 26.255
0.2  x  0.25 18 0.2196 19.5444
0.25  x 14 0.1217 10.8313
Calculando el estadístico de prueba:

 FOi  FEi 
2
n
EP  X   2
 1.7424
i 1 FEi

2
Tomando el valor crítico de la tabla X se tiene:

X 20.05, 2  5.992

Cómo 1.7424  5.992 no hay suficiente información para decir que la rentabilidad diaria del
activo financiero no se ajusta a una distribución normal a un nivel de significancia de 0.05 .

Valor  p  P  X 2  1.7424   0.4184

Al ser el valor-p mayor al nivel de significancia, puede justificarse que la hipótesis nula no haya
sido rechazada.

- Prueba Kolmogorov-Smirnov:

H 0 : La rentabilidad diaria del activo financiero es una variable que sigue una distribución
normal.

H a : La rentabilidad diaria del activo financiero es una variable que no sigue una distribución
normal.

Frecuencia Frecuencia FEA FOA Relativa | FEA relativo  FOA relativo |

esperada observada Relativa

3
Estas probabilidades fueron calculadas estandarizando los rangos de la rentabildad y encontrado las
probabilidad asociadas a cada intervalo.
1/12
acumulada
 FEA  acumulada
 FOA 
11.9616 14 0.1344 0.1573 0.0229
32.3782 32 0.3638 0.3595 0.0043
58.6332 57 0.6588 0.64044 0.01836
78.1776 75 0.8784 0.8426 0.0358
89 89 1 1 0

El estadístico de prueba D es:

D  0.0358

El valor crítico de la tabla Kolmogorov-Smirnov con n  89 :

1.36
Valor critico   0.1441
89

Como 0.0358  0.1441 no hay evidencia suficiente para decir que la rentabilidad diaria del
activo financiero no sigue una distribución normal a un nivel de significancia de 0.05 .

- Prueba de Anderson-Darling: Para poder realizar esta prueba es necesario tener las
observaciones originales. Como no se tienen, lo que se hará, es generar 30 valores aleatorios
para la rentabilidad diaria del activo financiero en Excel, con media 0.173 y desviación 0.066 , y
se hará la prueba sobre esos datos.

Los datos obtenidos son:

0,22771 0,19754 0,23742

0,13234 0,21974 0,09050
0,14452 0,03235 0,16427
0,17941 0,11777 0,24527
0,20722 0,00302 0,08805
0,16984 0,15124 0,04124
0,08121 0,25393 0,19187
0,21389 0,10249 0,17198
0,01335 0,16890 0,11701
0,12673 0,10240 0,19761

Ahora se aplicará la prueba Anderson-Darling para determinar si estos datos se ajustan a una
distribución normal con media 0.173 y desviación 0.066 .
H 0 : La rentabilidad diaria del activo financiero es una variable que sigue una distribución
normal.

H a : La rentabilidad diaria del activo financiero es una variable que no sigue una distribución
normal.

Menor Mayor
       
  a a
   
2i  1 mayor menor F  Yi  F  Yn 1i  ln F  Yi  ln 1  F  Yn 1i    Si
-
0,005 0,250
1 0,0030 0,2539 0 0,8900 -5,2973 -2,2068 1
-
0,007 0,684
3 0,0133 0,2453 8 0,8632 -4,8559 -1,9896 5
-
0,016 0,984
5 0,0323 0,2374 5 0,8355 -4,1019 -1,8047 4
-
0,022 1,252
7 0,0412 0,2277 9 0,7964 -3,7744 -1,5917 1
-
0,082 1,178
9 0,0812 0,2197 2 0,7606 -2,4991 -1,4295 6
-
0,099 1,331
11 0,0881 0,2139 0 0,7322 -2,3123 -1,3176 0
-
0,105 1,492
13 0,0905 0,2072 7 0,6980 -2,2476 -1,1972 7
-
0,142 1,493
15 0,1024 0,1976 4 0,6454 -1,9493 -1,0368 1
-
0,142 1,690
17 0,1025 0,1975 7 0,6450 -1,9472 -1,0356 2
-
0,198 1,625
19 0,1170 0,1919 1 0,6125 -1,6189 -0,9481 7
-
0,201 1,663
21 0,1178 0,1794 4 0,5387 -1,6027 -0,7737 5
-
0,241 1,610
23 0,1267 0,1720 6 0,4939 -1,4203 -0,6809 9
25 0,1323 0,1698 0,268 0,4809 -1,3133 -0,6556 -
 1,640
9 8
-
0,333 1,569
27 0,1445 0,1689 0 0,4752 -1,0995 -0,6448 8
-
0,370 1,532
29 0,1512 0,1643 8 0,4474 -0,9920 -0,5931 2
-
0,447 1,310
31 0,1643 0,1512 4 0,3708 -0,8044 -0,4634 0
-
0,475 1,263
33 0,1689 0,1445 2 0,3330 -0,7439 -0,4050 9
-
0,480 1,219
35 0,1698 0,1323 9 0,2689 -0,7321 -0,3132 6
-
0,493 1,211
37 0,1720 0,1267 9 0,2416 -0,7055 -0,2766 3
-
0,538 1,096
39 0,1794 0,1178 7 0,2014 -0,6186 -0,2248 4
-
0,612 0,971
41 0,1919 0,1170 5 0,1981 -0,4902 -0,2208 7
-
0,645 0,849
43 0,1975 0,1025 0 0,1427 -0,4385 -0,1539 2
-
0,645 0,887
45 0,1976 0,1024 4 0,1424 -0,4379 -0,1536 2
-
0,698 0,738
47 0,2072 0,0905 0 0,1057 -0,3596 -0,1117 3
-
0,732 0,679
49 0,2139 0,0881 2 0,0990 -0,3117 -0,1043 4
-
0,760 0,611
51 0,2197 0,0812 6 0,0822 -0,2737 -0,0857 0
-
0,796 0,443
53 0,2277 0,0412 4 0,0229 -0,2276 -0,0232 2
-
0,835 0,360
55 0,2374 0,0323 5 0,0165 -0,1798 -0,0167 1
 -
0,863 0,294
57 0,2453 0,0133 2 0,0078 -0,1471 -0,0078 2
-
0,890 0,239
59 0,2539 0,0030 0 0,0050 -0,1166 -0,0050 2
-
32,17
TOTAL 4

Calculando el estadístico de prueba:

EP  A2   n  S  30  (32.174)  2.174

Tomando el valor crítico de la tabla de Anderson-Darling, se obtiene:

2
Acritico  0.751

H
Como 2.174  0.751 se rechaza 0 , por lo tanto los datos de las rentabilidades diarias de los
activos no se ajustan a una distribución normal.

3. Durante un periodo de 105 semanas, se observó el número semanal de averías de una

máquina y se anotó en la tabla adjunta. Se observó que el número semanal medio de averías
era 2.1 . Contraste la hipótesis nula de que la distribución poblacional del número de averías es
de Poisson. Considere   0.01 . ¿Cuál es el valor-p? Interprete.

Número de averías 0 1 2 3 4 5 o más

Número de semanas 12 22 33 25 8 5

Solución:

- Prueba Ji-Cuadrado:

H 0 : El número de averías es una variable que sigue una distribución Poisson.

H a : El número de averías es una variable que no sigue una distribución Poisson.

Número de averías Frec. Observada Probabilidad Frec. Esperada

0 12 0.1224 12.852
1 22 0.2571 26.9955
2 33 0.27 28.35
3 25 0.1890 19.845
 4 8 0.0992 10.416
5 5 0.0623 8.5415
o más

Calculando el estadístico de prueba:

 FOi  FEi 
2
n
EP  X   2
 4.0063
i 1 FEi

2
Tomando el valor crítico de la tabla X se tiene:

X 20.01,5  15.085

Cómo 4.0063  15.085 no hay evidencia suficiente para decir que el número de averías no se
ajusta a una distribución Poisson a un nivel de significancia del 0.01 .

Valor  P  P  X 2  4.0063  0.5485

Al ser el valor-p mayor al nivel de significancia, puede justificarse que la hipótesis nula no haya
sido rechazada.

4. En un hospital el número de nacimientos observados para cada mes de cierto año es:

Enero 95 Julio 105

Febrero 105 Agosto 110
Marzo 95 Septiembre 105
Abril 105 Octubre 100
Mayo 90 Noviembre 95
Junio 95 Diciembre 100

¿Existe alguna razón para creer que el número de nacimientos no se encuentra distribuido en
forma uniforme durante todos los meses de año? Considere   0.01 .

Solución:

- Prueba Ji-Cuadrado:

H 0 : El número de nacimientos durante todos los meses del año es una variable que sigue una
distribución uniforme.
H a : El número de nacimientos durante todos los meses del año es una variable que no sigue
una distribución uniforme.

Mes (intervalo) Frec. Observada Probabilidad4 Frec. Esperada

0 1 95 1 12 100
1 2 105 1 12 100
23 95 1 12 100
3 4 105 1 12 100
56 90 1 12 100
67 95 1 12 100
7 8 105 1 12 100
89 110 1 12 100
9  10 105 1 12 100
10  11 100 1 12 100
11  12 95 1 12 100
12  13 100 1 12 100

Calculando el estadístico de prueba:

 FOi  FEi 
2
n
EP  X  
2
4
i 1 FEi

2
Tomando el valor crítico de la tabla X se tiene:

X 20.01,11  24.72

Cómo 4  24.72 no hay evidencia suficiente para decir que el número de nacimientos en todos
los meses del año no se ajusta a una distribución uniforme a un nivel de significancia del 0.01 .

- Prueba Kolmogorov-Smirnov:

H 0 : El número de nacimientos durante todos los meses del año es una variable que sigue una
distribución uniforme.

H a : El número de nacimientos durante todos los meses del año es una variable que no sigue
una distribución uniforme.
4
Al suponer en la hipótesis nula que la variable aleatoria tiene una distribución uniforme, se puede obtener
la probabilidad fácilmente, pues cada mes tiene la misma probabilidad de tener el mismo número de
nacimientos, en este caso la probabilidad es 1/12 .
 Frecuencia Frecuencia
esperada observada FEA FOA Relativa | FEA relativo  FOA relativo |
acumulada
 FEA  acumulada
 FOA  Relativa

100 95 0.0833 0.0791 0.0042

200 200 0.1666 0.1666 0
300 295 0.25 0.2458 0.0042
400 400 0.3333 0.3333 0
500 490 0.4166 0.4083 0.0083
600 585 0.5 0.4875 0.0125
700 690 0.5833 0.575 0.0083
800 800 0.6666 0.6666 0
900 905 0.75 0.7541 0.0041
1000 1005 0.8333 0.8375 0.0042
1100 1100 0.9166 0.9166 0
1200 1200 1 1 0

El estadístico de prueba D es:

D  0.0125

El valor crítico de la tabla Kolmogorov-Smirnov con n  1200 :

1.63
Valor critico   0.047
1200

Como 0.0125  0.047 no hay evidencia suficiente para decir que el número de nacimientos en
todos los meses no sigue una distribución uniforme a un nivel de significancia de 0.01 .

5. El departamento de control de calidad de una compañía cree que el número de

defectos por unidad de cierto componente sigue una distribución de Poisson con   0.5 . En
un estudio realizado por el departamento, se pudo construir la siguiente tabla de frecuencias:

Número de defectos 0 1 2 3 o más

Frecuencia observada 62 24 15 2
¿Existe suficiente evidencia al nivel de significancia del 5% , de que el número de defectos por
unidad efectivamente sigue una distribución de Poisson con   0.5 ?

Solución:

- Prueba Ji-Cuadrado:

H 0 : El número de defectos es una variable que sigue una distribución Poisson.

H a : El número de defectos es una variable que no sigue una distribución Poisson.

Número de defectos Frec. Observada Probabilidad Frec. Esperada

0 62 0.6065 62.4695
1 24 0.3033 31.2399
2 o más 17 0.0902 9.2906 5

Calculando el estadístico de prueba:

 FOi  FEi 
2
n
EP  X   2
 8.0786
i 1 FEi

2
Tomando el valor crítico de la tabla X se tiene:

X 20.05, 2  5.99

H 0 , por lo tanto el número de averías es una variable

Cómo 8.0786  5.99 se rechaza
aleatoria que no sigue una distribución Poisson a un nivel de significancia del 0.01 .

6. Diariamente, de lunes a viernes, un inversionista al abrir el mercado, compra las tres

acciones más baratas al precio de apertura del día, con el objetivo de venderlas al final del día a
un precio superior. Si el precio de venta no es superior al de compra, no vende las acciones el
mismo día y las dona a una fundación de niños. Use los datos mostrados en la tabla siguiente
para probar a un nivel de significancia de 5% si el número de acciones vendidas se puede
considerar como datos de una variable aleatoria binomial.

Número de acciones vendidas 0 1 2 3

Frecuencia observada 1 16 55 228

5 1/12 Las últimas categorías se unieron, para evitar el inconveniente de que la última frecuencia esperada
fuera menor a 5.
Solución:

Primero es necesario calcular el parámetro poblacional p , para eso se usará el hecho de que la
media en una población es igual a np , siendo n  3 y siendo la media (estimada con los datos
muestrales):

X
 1  0    16   1   55   2    228   3  X  2.7
300
Al despejar la proporción se obtiene:
p  0.9

Ahora, se plantean las hipótesis necesarias:

H 0 : El número de acciones vendidas es una variable que sigue una distribución Binomial.

H a : El número de acciones vendidas es una variable que no sigue una distribución Binomial.

# de acciones vendidas Frec. Observada Probabilidad Frec. Esperada

0 17 0.028 8.4
y1
2 55 0.243 72.9
3 228 0.729 218.7

Calculando el estadístico de prueba:

 FOi  FEi 
2
n
EP  X  2
 13.59
i 1 FEi

2
Tomando el valor crítico de la tabla X se tiene:

X 20.05,1  3.84

H 0 , por lo tanto el número de acciones vendidas es una

Cómo 13.59  3.84 se rechaza
variable aleatoria que no sigue una distribución binomial a un nivel de significancia del 0.05 .
 Bibliografía

1. Otero, J.V. and E.M. Moral Análisis de datos cualitativos. 2005.

2. Diazaraque, J.M.M. Tablas de contingencia. 2008.

3. Bioingeniería Prueba Ji-cuadrado. 2009.

4. Raymundo, Prueba de Kolmogorov-Smirnov para una muestra. 1999.

5. Jinete, A.J.A. Prueba de bondad y ajuste Kolmogorov-Smirnov. 2011.

6. Miller, I., Probabilidad Y Estadstica Para Ingenieros2004: Createspace Independent Pub.

7. Beltrán, M.A.L. Prueba de Anderson-Darling. 2011.