Documente Academic
Documente Profesional
Documente Cultură
ajuste de modelo al
comportamiento de una
variable de estudio.
Estadstica aplicada.
Bondad de Ajuste.
Ajuste
a
Distribuciones
Probabilidad.
Univariantes
de
NDICE DE CONTENIDOS
1. INTRODUCCIN
1.1. Importancia y Objetivos
1.2. Marco terico
2. DESARROLLO
2.1. Bondad de ajuste
2.1.1.
2.1.2.
2.1.3.
2.1.4.
2.1.5.
2.1.6.
2.1.7.
2.1.8.
2.1.9.
MODELO NORMAL
MODELO LOGNORMAL
MODELO EXPONENCIAL
MODELO de WEIBULL
MODELO GUMBEL del MNIMO
MODELO GUMBEL del MXIMO
MODELO de PARETO
MODELO GAMMA
TABLA DE CONTRASTES
3. CONCLUSIONES
FUENTES
1. INTRODUCCIN
En el presente trabajo se identifica, sobre un caso real, una variable de estudio y se realiza un
anlisis exploratorio sobre cul sera el mejor modelo estadstico que se adecua al
comportamiento de dicha variable.
1.1. Importancia y Objetivos
Se pretende determinar, mediante el anlisis de bondad de ajuste y ajuste a distribuciones
univariantes, la distribucin de probabilidad que mejor responde a una variable aleatoria
continua de una problemtica real.
La variable aleatoria X definida en nuestro estudio es la venta mensual (en millones
de pesos) durante enero de 2003 hasta septiembre de 2011 correspondiente a una
Planta de Alimentos Balanceados radicada en Salto |Bs As| Argentina1.
Para establecer las relaciones entre el comportamiento de la variable de estudio y los modelos
continuos, se emplearn procedimientos estadsticos. Se exhibirn algunas tablas y grficos
que permitan comprimir la informacin de modo tal que faciliten el entendimiento.
La importancia del problema radica en la cantidad de inconvenientes que podra representar el
incorrecto ajuste de una variable a un modelo determinado.
1.2. Marco terico
En la seccin 2 se procede al desarrollo. En primer lugar, se realiza Bondad de Ajuste a cada
uno de los modelos desarrollados y estudiados en Estadstica general; se comparan las
frecuencias observadas (FOi) con las frecuencias esperadas (FE i) que debera tomar la variable
si siguiera el modelo estudiado en cada caso. Este contraste es luego comparado con 2(1-; )
(siendo la probabilidad mxima de equivocarnos del 5%) que nos permite calcular el mximo
de variabilidad admisible que tendra la variable si siguiera el modelo. Dependiendo de ambos
valores, se concluye en rechazar o no la hiptesis nula planteada.
La variable elegida se contrasta con los siguientes modelos continuos:
MODELO
MODELO
MODELO
MODELO
MODELO
MODELO
MODELO
NORMAL
LOGNORMAL
de WEIBULL
GUMBEL del MNIMO
GUMBEL del MXIMO
de PARETO
GAMMA
Luego de realizados los contrastes, se recurre el software MOVAC para hallar los coeficientes
de correlacin corregidos, que indican el modelo que mejor se ajusta a la variable de estudio.
Con el anlisis de Bondad de Ajuste y los datos del software, se rechazarn los modelos que no
sigue la variable y, de no poder asegurar que sigue un nico modelo, cules de estos es el que
mejor se ajusta a la variable.
En la seccin 3 se resumen las conclusiones y finalmente se enumeran las fuentes utilizadas
para producir este trabajo prctico.
2. DESARROLLO
2.1. Bondad de Ajuste
2.1.1. MODELO NORMAL
= 9,1047619 millones de $
= 4,55584148 millones de $
ENSAYO DE HIPTESIS.
Ho) La variable X sigue una distribucin Normal.
(= 0.05)
2CALC = 18,3711
2(0,95; 3) = 7,8147
(= 6 1 2 = 3)
Como 18,3711 > 2(0,95; 3) = 7,8147, la hiptesis nula se rechaza y podemos asegurar, con
probabilidad mxima de equivocarnos del 5%, que esta variable no tiene distribucin Normal.
ENSAYO DE HIPTESIS.
Ho) La variable X sigue una distribucin Log-Normal.
(= 0.05)
2CALC = 8,3209
2(0,95; 3) = 7,8147
(= 6 1 2 = 3)
Como 8,3209 > 2(0,95; 3) = 7,8147, la hiptesis nula se rechaza y podemos asegurar, con
probabilidad mxima de equivocarnos del 5%, que esta variable no tiene distribucin LogNormal.
2.1.3. MODELO EXPONENCIAL
= 9,1047619
= 0,109832636
ENSAYO DE HIPTESIS.
H0) La variable X sigue una distribucin Exponencial.
( : 0.05 )
2CALC = 57,8471
2(0,95; 5) = 11,0705
(= 7 1 1 = 5)
Como 57,8471 >>> 2(0,95; 5) = 11,0705, la hiptesis nula se rechaza y podemos asegurar, con
probabilidad mxima de equivocarnos del 5%, que esta variable no tiene distribucin
Exponencial.
2.1.4. MODELO de WEIBULL
ESTIMACIN DE PARMETROS.
Este es un sistema de ecuaciones para las incgnitas y que no puede resolverse en forma
elemental. La estimacin de los parmetros se hizo a travs de tablas diseadas para este fin
(Ajuste por Momentos de la Distribucin de Weibull).
Las tablas, tienen como columnas a
/.
, y
luego la estimacin de
de la primera
valor, y el de
= 9,1047619
= 4,55584148
d=
= 0,50038
' = 2,10
'/' = /' = 0,8857 ' = 10,2797
ENSAYO DE HIPTESIS.
H0) La variable X sigue una distribucin de Weibull.
( : 0.05 )
2CALC = 8,1323
2(0,95; 3) = 7,8147
(= 6 1 2 = 3)
Como 8,1323 > 2(0,95; 3) = 7,8147, la hiptesis nula se rechaza y podemos asegurar, con
probabilidad mxima de equivocarnos del 5%, que esta variable no tiene distribucin de
Weibull.
ESTIMACIN DE PARMETROS.
ENSAYO DE HIPTESIS.
H0) La variable X sigue una distribucin Gumbel del Mnimo.
( : 0.05 )
2CALC = 32,2118
2(0,95; 2) = 5,9915
(= 5 1 2 = 2)
Como 32,2118 >>> 2(0,95; 2) = 5,9915, la hiptesis nula se rechaza y podemos asegurar, con
probabilidad mxima de equivocarnos del 5%, que esta variable no tiene distribucin Gumbel
del mnimo.
2.1.6. MODELO GUMBEL del MXIMO
ESTIMACIN DE PARMETROS.
ENSAYO DE HIPTESIS.
H0) La variable X sigue una distribucin Gumbel del Mximo.
( : 0.05 )
2CALC = 6,4991
2(0,95; 3) = 7,8147
(= 6 1 2 = 3)
Como 6,4991 no es mayor que 2(0,95; 3) = 7,8147, la hiptesis nula no se rechaza, con lo cual
no se rechaza el modelo Gumbel del mximo.
2.1.7. MODELO de PARETO
ESTIMACIN DE PARMETROS.
Para estimar los parmetros se utiliza el Ajuste por momentos al modelo de Pareto.
d=
= 0,50038
'= 6,2900542
b'= 3,2347096
ENSAYO DE HIPTESIS.
H0) La variable X sigue una distribucin de Pareto.
( : 0.05 )
ESTIMACIN DE PARMETROS.
ENSAYO DE HIPTESIS.
H0) La variable X sigue una distribucin de Gamma.
( : 0.05 )
2CALC = 5,2544
2(0,95; 3) = 7,8147
(= 6 1 2 = 3)
Como 5,2544 no es mayor que 2(0,95; 3) = 7,8147, la hiptesis nula no se rechaza, con lo cual
no se rechaza el modelo Gamma.
2.1.9. TABLA DE CONTRASTES
3. CONCLUSIONES
Luego de comparar los diferentes modelos continuos, mediante el anlisis de Bondad de
Ajuste, con los coeficientes de correlacin de distribuciones univariantes de probabilidad y las
rectas de regresin, se concluye en que, el modelo que mejor se ajusta a los datos de la
variable de estudio, venta mensual (en millones de pesos), es el modelo Gamma.
Se llega a esta conclusin ya que, de los modelos que la prueba de Bondad de Ajuste no
rechaza (Gamma y Gumbel del Mximo), la distribucin Gamma es el modelo que el software
MOVAC seala con el mayor coeficiente de correlacin. Cabe destacar que, a pesar de que
Gumbel del Mximo es el segundo modelo con el mayor coeficiente de correlacin, no cumple
con la asimetra.
En cuanto al anlisis de las rectas de regresin de los tres posibles candidatos (Gamma,
LogNormal y Normal), los puntos muestrales del modelo Gamma son los que se encuentran
ms prximos a la recta, es decir, es el modelo que posee menos error.
FUENTES
GARCA, Roberto Mariano. Inferencia estadstica y diseo de experimentos.1a ed., 2a reimpr.
Buenos Aires : EUDEBA, 2008. 734 p. Manuales. ISBN: 9502312958
Osvaldo L. Mermoz Y Roberto M. Garca. Distribuciones univariantes de probabilidad: modelos
y su identificacin. 1a ed. Buenos Aires: Nueva Librera, 2006. 218 p. ISBN: 987-1104-44-8