Distribucindeprobabilidad 1

Simulacin
Distribucin de Probabilidad
Prof. Andrs Lillo
Simulacin Prof. Andrs Lillo
Si algunos de los elementos del sistema se comportan estocsticamente, un problema que surge varias veces durante un estudio de simulacin tpico es aquel de la prueba de compatibilidad de un conjunto de frecuencias observadas con algunas frecuencia terica. Es decir, deseamos contestar la pregunta pudieron haberse originado los valores de las muestras o datos que observ, de cierta distribucin probabilidad especifica. Si la frecuencia de los datos observados se asemeja de manera conveniente con la frecuencia terica o esperada, entonces podemos usar la distribucin terica en el modelo para representar la poblacin principal. Por lo general, no podemos formular una hiptesis o suposicin razonable acerca de la distribucin de una variable aleatoria, hasta que hayamos compilado y analizado los datos (ya sean histricos y experimentales).
Simulacin
Usualmente los datos compilados se agrupan en una distribucin de frecuencia. Si estamos manejando un variable discreta, registramos la frecuencia con la que ocurre cada valor individual. Si la variable es continua dividimos la gama de valores en intervalos o clases iguales y registramos la frecuencia que tiene lugar dentro de cada intervalo o clase. Usualmente el numero de intervalos de clases se toma enre 5 y 20; esto depende de los datos. Entonces, la frecuencia relativa de cada intervalo, es la suma de las frecuencias observadas en cada intervalo, dividida entre el nmero total de elementos de datos. A continuacin se presentan algunos ejemplos:
Distribucin de frecuencia
Ejemplo: Tabla 1. Distribucin de frecuencia de consultas telefnicas por intervalos de una hora (valores discretos)
Nmero de consultas 0 1 2 3 4 5 total Frecuencia Relativa 315 142 40 9 2 1 509 Probabilidad 0.619 0.279 0.078 0.018 0.004 0.002 1.000
Simulacin
Grafica de la distribucin de frecuencia
Distribucin de frecuencia
Ejm: Tabla 2. Distribucin de frecuencia de la produccin semanal (valores continuos).
Produccin Semanal menos de 46 46 - 55 56 - 65 66 - 75 76 - 85 86 - 95 96 - 105 106 - 115 116 - 125 126 - 135 136 - 145 146 o ms Frecuencia 1 1 3 7 11 21 28 16 22 7 1 2 P(x) 0,008 0,008 0,025 0,058 0,092 0,175 0,234 0,134 0,183 0,058 0,008 0,017 Simulacin Prof. Andrs Lillo
Simulacin
Grafica de la distribucin de frecuencia
Despus de que el analista obtiene una distribucin de frecuencia relativa, la seleccin de posibles distribuciones de probabilidad a partir de las cuales se deriv, se vuelve un asunto de juicio y experiencia. Una ayuda es comparar visualmente la distribucin de frecuencia observada con aquellas distribuciones tericas. Las comparaciones visuales de las distribuciones solo sirven para sugerir cuales distribuciones se quiere probar; stas nunca representan un justificacin suficiente para aceptar la hiptesis o distribucin terica.
Simulacin
Algunas distribuciones de probabilidad
Algunas distribuciones de probabilidad
Simulacin
Prueba Ji-cuadrada de la bondad del ajuste

Despus que el analista identific una o ms distribuciones tericas, tales como la normal, la Poisson, la binomial, la gamma, etc, que podran ajustarse a sus datos empricos, entonces debe determinar los parmetros de la distribucin de manera que pueda proseguir con la prueba estadstica. Para probar estadsticamente la hiptesis de que un conjunto de datos empricos o de muestra no difieren significativamente de aquellas que se esperan a partir de alguna distribucin terica especifica, podemos considerar una prueba de bondad de ajuste. Una medida o prueba de discrepancia que existe entre un frecuencia observada y una esperada, es proporcionada por el estimador X2 (ji-cuadrada). La prueba ji-cuadrada la propuso Karl Pearson en 1903, sin embargo, Sir Ronald Fisher la desarroll totalmente y public en 1924 la tabla de valores crticos que se utiliza en la actualidad.

El estimador ji-cuadrada lo proporciona:
k
( f0
fe ) fe
Donde: f0 = frecuencia observada para cada clase o intervalo. fe = frecuencia esperada para cada clase o intervalo predicho por la distribucin terica.
Simulacin

Al usar la prueba de bondad de ajuste X2, deben considerarse varios asuntos: 1. Las frecuencias relativas o porcentajes no pueden usarse, es decir, debemos usar conteos de nmeros o frecuencias reales. 2. Las frecuencias esperadas para cada intervalo de clase deben equivaler a 5 o ms. Si no es as, entonces deben agruparse o compilarse en clases o intervalos adyacentes. 3. Los grados de libertad estn dados por v = k 1 m, donde: a) v = grados de libertad, b) k = nmero de clases o intervalos, y c) m = nmero de datos empricos o de muestra de los parmetros de la poblacin necesarios para calcular las frecuencias esperadas.

La hiptesis que siempre vamos a probar es H0: La distribucin de los resultados de la muestra se asemeja a una distribucin terica. Si las frecuencias observadas se acercan a las correspondientes frecuencias esperadas, el valor de X2 ser pequeo, lo que indica un buen ajuste. Si las frecuencias observadas difieren considerablemente de las frecuencias esperadas, el X2 ser grande y el ajuste muy pobre. Un buen ajuste conduce a H0 y un mal ajuste conduce a su rechazo. La regin critica, por lo tanto caer en la cola derecha de la distribucin ji cuadrada. Nota: No debe utilizarse el criterio de decisin descrito aqu a no ser que cada una de las frecuencias esperadas sea al menos igual a 5. Esta decisin puede requerir la combinacin de celdas adyacentes, lo que resulta en una reduccin del nmero de grados de libertad. Simulacin Prof. Andrs Lillo
Simulacin

Ejemplo: Consideremos el lanzamiento de un dado. Se formula la hiptesis de que la distribucin de resultados es uniforme discreta: f(x) = 1/6, x= 1,2,3,4 ,5,6. Supngase que el dado se lanza 120 veces y se registra cada uno de los resultados. Tericamente, si el dado no est cargado, se esperara que cada lado cayera 20 veces.
Tabla 3
Cara 1 Observada Esperada 20 20 2 22 20 3 17 20 4 18 20 5 19 20 6 24 20

k
Aplicamos:
20 +
( f0
fe ) fe
20 +
X2 =
(20 20)2 + (22 20)2 + (17 20)2 +

20
2
(18 20)
20
(19 20)
20
(24 20)
20
= 1.7
Al buscar en la tabla de la distribucin X2 se encuentra que X20.05 = 11.070 con v=5 grados de libertad. Dado que 1.7 es menor que el valor critico, no se rechaza H0. Se concluye que no hay evidencia suficiente para rechazar la hiptesis de que la distribucin del muestreo es uniforme.
Simulacin

Para muestras de nmeros continuos se deben construir una distribucin de frecuencias agrupadas en clases o intervalos. Ejemplo: a continuacin se presenta un muestreo de la vida promedio de 40 bateras de vehculos:
Duracin de las bateras de automvil
2,2 3,4 2,5 3,3 4,7 4,1 1,6 4,3 3,1 3,8 3,5 3,1 3,4 3,7 3,2 4,5 3,3 3,6 4,4 2,6 3,2 3,8 2,9 3,2 3,9 3,7 3,1 3,3 4,1 3 3 4,7 3,9 1,9 4,2 2,6 3,7 3,1 3,4 3,5

Se ordenan las muestras de manera ascendentes, se construyen los intervalos de clases, se agrupan y calculan las frecuencias.
Tabla 4. Distribucin de Frecuencias Intervalo de clase 1,45 - 1,95 1,95 - 2,45 2,45 - 2,95 2,95 - 3,45 3,45 - 3,95 3,95 - 4,45 4,45 - 4,95 Punto medio 1,7 2,2 2,7 3,2 3,7 4,2 4,7 Frecuencia 2 1 4 15 10 5 8 Probabilidad 0,050 0,025 0,100 0,375 0,250 0,125 0,075
Simulacin

Luego se construye un histograma para tener nocin de cual es el tipo de distribucin terica que se quiere probar. En este ejemplo el histograma se asemeja a una distribucin normal.

Se plantea la hiptesis de que la distribucin de frecuencia de las duraciones de las bateras dadas en la tabla anterior pueden aproximarse a una distribucin normal con = 3.5 y una desviacin estndar de = 0.7. Las frecuencias esperadas para las 7 clases se obtienen calculando las reas bajo la curva normal hipottica que caen entre los varios limites de la clase.
Frecuencias observadas y esperadas Intervalo de clases 1,45 - 1,95 1,95 - 2,45 2,45 - 2,95 2,95 - 3,45 3,45 - 3,95 3,95 - 4,45 4,45 - 4,95 Frecuencia Observadas (fo) 2 1 4 15 10 5 3 Frecuencia Esperadas (fe) 0.5 2.1 5.9 10.3 10.7 7.0 3.5 Simulacin Prof. Andrs Lillo
10
Simulacin

Como las frecuencias esperadas de las primeras dos clases no son mayores o iguales a 5 (0.5 y 2.1), se agrupan junto a la tercera clase para cumplir con la condicin. Igual sucede con la ltima clase (3.5), en este caso se agrupa con clase con la anterior.
Frecuencias observadas y esperadas Intervalo de clases 1,45 2.95 2,95 - 3,45 3,45 - 3,95 3,95 - 4,95 Frecuencia Observadas (fo) 7 15 10 8 Frecuencia Esperadas (fe) 8.5 10.3 10.7 10.5

Se plantea la hiptesis de que la distribucin de frecuencia de las duraciones de las bateras dadas en la tabla anterior pueden aproximarse a una distribucin normal con = 3.5 y una desviacin estndar de = 0.7. Las frecuencias esperadas para las 7 clases se obtienen calculando las reas bajo la curva normal hipottica que caen entre los varios limites de la clase.
X2 =
(7 8.5)2 + (15 10.3)2 + (10 10.7 )2 + (8 10.5)2

8. 5 10.3 10.7 10.5
= 3.05
Dado que el valor calculado de X2 es menor que X20.05=7.815 para 3 grados de libertar, no hay razon para rechazar la hiptesis nula y se concluye que una distribucin normal con = 3.5 y = 0.7 proporciona un buen ajuste a la distribucin de la muestra.
11
Simulacin

Ejemplo: Supongamos que deseamos probar las tabla de las frecuencias de las llamadas telefnicas (tabla 1) para ajustarnos a una distribucin de Poisson a un nivel de significancia de 0.95. Sabemos que la distribucin de Poisson es como sigue:
P {x = n } = Px ( n ) =
n e
n!
Donde: P{x=n}=probabilidad de obtener n ocurrencias. e = 2.71828 = una constante positiva (que es tanto la media como la varianza)

Cuando la distribucin elaborada mediante la hiptesis es una funcin de dos parmetros , usualmente se pueden estimar estos parmetros a partir de la media y la varianza de la muestra. Para datos agrupados, podemos calcular la media y la varianza de la siguiente manera:
k
Media = X =
i =1
M i Fi n
M
Varianza = S 2 =
i =1
2 i
Fi n X
Donde: n = total del tamao de la muestra k = nmero de clases o intervalos Mi = punto medio del isismo intervalo o valor de la isima clase si los datos son discretos Fi = frecuencia del isimo intervalo o en la isima clase.
n 1
12
Simulacin

Clculo de parmetros para la tabla de llamadas telefnicas
Mi 0 1 2 3 4 5 Total Fi 315 142 40 9 2 1 509 MiFi 0 142 80 27 8 5 262 M2iFi 0 142 160 81 32 25 440
X =
262 = 0 . 5147 509
S2 =
440 509 ( 0 . 5147 ) 2 = 0 . 6007 509 1


Sabemos, con base en la estadstica, que para la distribucin de Poisson, la media = y tambin que la varianza = ; es decir, la media y la varianza son iguales. Como se observa en los clculos anteriores la media y la varianza no son iguales para los datos observados (es decir, 0.5147 < 0.6007), lo cual podra llevarnos a rechazar la hiptesis de una distribucin de Poisson. Sin embargo, en este caso en particular tenemos razones tericas y practicas para sospechar que es de tipo Poisson. Si deseamos continuar considerando a la distribucin de Poisson como una posibilidad, podramos hacerlo dejando que equivalga al promedio de la media y de la varianza de la muestra, o sea:
0.5147 + 0.6007 = 0.5577 2 Simulacin Prof. Andrs Lillo
13
Simulacin

Para este ejemplo = 0.5577 para los datos de las muestra, por lo tanto H0 es no existe una diferencia significativa entre los datos observados y aquellos que seran proporcionados por las distribucin de Poisson con media = 0.5577
n
0 1 2 3 4 5
Px(n)
0,571 0,319 0,089 0,017 0,003 0,001 1,000
fe
291 162 45 9 1 1 509
fo
315 142 40 9 2 1 509
(fo - fe)2 / fe
1,98 2,47 0,56
0,09
5,1

Para obtener Fe, multiplicamos la probabilidad calculada por 509. Por lo tanto nuestra X2 calculada = 5.10. Consultando el valor critico en la tabla Ji-cuadrada para un nivel de confianza de 0.95 y grados de libertad = 4-1-1=2, encontramos que X2 = 5.99. Por lo tanto, debido a que nuestra X2 calculada es menor al valor critico tabulado de X2, no rechazamos la Hiptesis nula H0 de no diferencia. Las ltimas tres clases se agruparon en los clculos para obtener una frecuencia de por lo menos 5 en cada clase; por lo tanto tenemos 4 clases en vez de las 6 originales. Adems, al determinar los grados de libertad, quitamos un grado adicional de libertad debido a que utilizamos de los datos observados para calcular la frecuencia esperada.
14
Simulacin

Ejemplo: Los siguientes datos son las edades de una muestra de personas seleccionadas entre los visitantes de un Bingo: 32, 23, 64, 31, 74, 44, 61, 33, 66, 73, 27, 65, 40, 54, 23, 43, 58, 87, 58, 62. 68, 89, 93, 24, 73, 42, 33, 63, 36, 48, 77, 75, 37, 59, 70, 61, 43, 68, 54, 29, 48, 81, 57, 97, 35, 58, 56, 58, 57, 45 Ordenamos los datos de menor a mayor y realizamos una tabla de frecuencias con 4 clases.
Clase Frecuencia 20-40 12 40-60 18 60-80 15 80-100 5 Total 50

Tenemos que hallar una estimacin para la media y la desviacin tpica. Usamos en esta ocasin la media y la desviacin tpica de la muestra como estimadores. Para realizar los clculos, y con el propsito de simplificarlos se han empleado la tabla de datos agrupados en lugar de los datos primitivos, resultando: = x = 55.2, = S = 18.7
15
Simulacin

Calculamos ahora la probabilidad para cada clase usando la distribucin Normal(55.2, 18.7) La probabilidad que correspondera a las distintas clases si se cumple la hiptesis nula de que los datos siguen una distribucin Normal (55.2, 18.7) es:
1. 2. 3. 4. P(x 40) = Normal(40; 55.2, 18.7) = 0.20816 P(40 < x 60) = Normal (60; 55.2, 8.7) - Normal (40; 55.2, 18.7) = 0.60129 0.20816 = 0.39313 P(60 < x 80) = Normal (80; 55.2,18.7) - Normal (60; 55.2, 18.7) = 0.90761 0.60129 = 0.30632 P(80 < x) = 1 - Normal (80; 55.2, 18.7) = 9.2386 10-2

Multiplicamos por el nmero total de datos estas probabilidades para obtener la frecuencia esperada:
Clase
Frecuencia Observada (Fo) Probabilidad Calculada Frecuencia Esperada (Fe)
< 40 12 0,21 10,5
40-60 18 0,39 19,66
60-80 15 0,31 15,32
>80 5 0,09 4,5
Total 50 1 50
El valor experimental de Ji es:

X2 =
(12 10.5)2 + (18 19.66)2 + (15 15.32)2 + (5 4.5)2

10.5 19.66 15.32 4.5
= 0.41569
16
Simulacin

Hallando el valor crtico que corresponde a X2 421,0.95 = 3. 84, resulta que el intervalo de aceptacin es (0, 3.84). Como el valor experimental, 0.41669, pertenece a este intervalo se decide aceptar que los datos siguen una distribucin Normal con media =55.2 y desviacin estndar de =18.7
Prueba de Kolmogorov - Smirnov

Otra prueba de ajuste de bondad ampliamente utilizada es la prueba de Kolmogorov-Smirnov. Esta la sugiri Smirnov en 1939 y desarrollaron Kolmogorov y Smirnov quienes supusieron que la distribucin de probabilidad que se encontraba a prueba, era continua y que se conoca la media y la varianza de la poblacin. La tabla de Smirnov de los valores crticos de public en 1948. Igual que la prueba Ji-cuadrada, la prueba Kolmogorov-Smirnov puede emplearse para probar el grado de concordancia entre la distribucin del conjunto de datos empricos o de muestra de alguna distribucin terica especifica. La prueba se realiza desarrollando o especificando la distribucin de probabilidad acumulativa que podra resultar de la distribucin terica y comparndola con la distribucin de probabilidad acumulativa de los datos empricos o de muestra.
17
Simulacin

El procedimiento de Kolmogorov-Smirnov prueba la hiptesis de que la distribucin acumulada de una variable aleatoria x es F0(x). Para probar esta hiptesis, una muestra de tamao n es obtenida distribucin F(x). En seguida, se determina la distribucin acumulada de la muestra, la cual se denota por Fn(x). Posteriormente Fn(x) es comparada con la distribucin hipottica F0(x). Si Fn(x) difiere demasiado de F0(x), entonces esto es una amplia evidencia de que Fn(x) no es igual a F0(x).

La aplicacin de esta prueba puede ser descrita en los siguientes pasos: 1. Obtener los valores de la muestra. 2. Ordenar dichos valores en orden ascendente. 3. Calcula la distribucin acumulada de los nmeros con la siguiente expresin: i
Fn ( x ) =
4. 5.
donde i es la posicin que ocupa el nmero xi. Calcular el estadstico Kolmogorov-Smirnov del modo siguiente: Dn = mx |Fn(x) - xi| para toda xi. Si Dn < d,n , entonces no se puede rechazar la hiptesis de que los valores observados proviene de una distribucin hipottica Simulacin Prof. Andrs Lillo
18
Simulacin

Ejemplo: Tabla 1. Distribucin de frecuencia de consultas telefnicas por intervalos de una hora (valores discretos)
Nmero de consultas 0 1 2 3 4 5 total Frecuencia 315 142 40 9 2 1 509 Probabilidad 0.619 0.279 0.078 0.018 0.004 0.002 1.000

Utilizaremos los datos de la tabla 1 para ejemplificar el mtodo. La hiptesis H0 es no existe ninguna diferencia significativa entre los datos observados y aquellos que podran proporcionar una distribucin de Poisson con media = 0.5577 y n = 509. Primero debemos obtener las distribuciones acumulativas tanto para los datos observados como para aquellos que podra proporcionar la distribucin terica.
Num. de Consultas 0 1 2 3 4 5 I Frecuencia observada 315 142 40 9 2 1 II Probabilidad observada 0,619 0,279 0,078 0,018 0,004 0,002 III Probabilidad Terica 0,571 0,319 0,089 0,017 0,003 0,001 IV Acumulativo II 0,619 0,898 0,976 0,994 0,998 1,000 V Acumulativo III 0,571 0,890 0,979 0,996 0,999 1,000 VI |D| (IV - V) 0,048 0,008 0,003 0,002 0,001 0,000
19
Simulacin

Segn la tabla anterior la mayor desviacin absoluta es de 0.048 para cero consultas. Esta es la desviacin que se quiere comparar con los valores crticos que se presentan en la tabla de Kolmogorov-Smirnov. En esta tabla se puede observar que para n = 509 y =0.05 el valor critico est dado por:
D0.05 , n > 100 =
Dcrtica
1.36 n 1.36 1.36 = = = 0.0603 509 22.56
Debido a que nuestra desviacin ms grande fue de 0.048, y 0.048 < 0.0603 no rechazamos la hiptesis nula.

La pregunta referente a cundo usar la prueba ji-cuadrada y cunado usar la pruba de Kolmogorov-Smirnov, surge de manera natural. En general, para muestras muy pequeas la prueba jicuadrada no es del todo aplicable y debe usarse la de Kolmogorov-Smirnov. Tambin, cuando el tamao de la muestra es lo suficientemente pequeo de modo que tengamos que combinar clases adyacentes a fin de usar la prueba X 2, se pierde cierta potencia. Por otra parte, si el tamao de la muestra es grande la prueba X2 es probablemente preferible. Cada prueba tiene ciertos puntos fuertes y ciertos puntos dbiles y slo se pueden proporcionar guas generales para escoger entre ellas. La prueba ji-cuadada es muy poderosa para muestras grandes (n100), no existe razn alguna para no usar la prueba de Kolmogorov-Smirnov en el rango 99 n 0.Simulacin Prof. Andrs Lillo
20
Simulacin

En las pruebas ji-cuadrada de bondad de ajuste y KolmogorovSmirnov, el analista debe especificar el nmero de clases. Esta eleccin es importante, ya que determina los grados de libertad para cada prueba, y, en general, mientras ms grados de libertad pueda usar uno, ms discriminadora ser la prueba. En la prueba ji-cuadrada, el nmero de clases o intervalos a menudo se determina por la necesidad de un mnimo de cinco elementos de datos de cada clase. La prueba de Kolmogorov-Smirnov, puede usar un grupo de datos o emplear cada observacin como una clase individual, lo que permite as al anlisis efectivo de muestras ms pequeas.
21

Distribucindeprobabilidad 1

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Distribucindeprobabilidad 1

Hochgeladen von

Copyright:

Verfügbare Formate

Simulacin

Simulacin Prof. Andrs Lillo

Simulacin Prof. Andrs Lillo

Grafica de la distribucin de frecuencia

Simulacin Prof. Andrs Lillo

Grafica de la distribucin de frecuencia

Simulacin Prof. Andrs Lillo

Simulacin Prof. Andrs Lillo

Algunas distribuciones de probabilidad

Simulacin Prof. Andrs Lillo

Algunas distribuciones de probabilidad

Simulacin Prof. Andrs Lillo

Prueba Ji-cuadrada de la bondad del ajuste

Prueba Ji-cuadrada de la bondad del ajuste

Simulacin Prof. Andrs Lillo

Prueba Ji-cuadrada de la bondad del ajuste

Prueba Ji-cuadrada de la bondad del ajuste

Prueba Ji-cuadrada de la bondad del ajuste

Simulacin Prof. Andrs Lillo

Prueba Ji-cuadrada de la bondad del ajuste

(20 20)2 + (22 20)2 + (17 20)2 +

Prueba Ji-cuadrada de la bondad del ajuste

Simulacin Prof. Andrs Lillo

Prueba Ji-cuadrada de la bondad del ajuste

Simulacin Prof. Andrs Lillo

Prueba Ji-cuadrada de la bondad del ajuste

Simulacin Prof. Andrs Lillo

Prueba Ji-cuadrada de la bondad del ajuste

Prueba Ji-cuadrada de la bondad del ajuste

Simulacin Prof. Andrs Lillo

Prueba Ji-cuadrada de la bondad del ajuste

(7 8.5)2 + (15 10.3)2 + (10 10.7 )2 + (8 10.5)2

Prueba Ji-cuadrada de la bondad del ajuste

Prueba Ji-cuadrada de la bondad del ajuste

Prueba Ji-cuadrada de la bondad del ajuste

262 = 0 . 5147 509

440 509 ( 0 . 5147 ) 2 = 0 . 6007 509 1

Prueba Ji-cuadrada de la bondad del ajuste

0.5147 + 0.6007 = 0.5577 2 Simulacin Prof. Andrs Lillo

Prueba Ji-cuadrada de la bondad del ajuste

Simulacin Prof. Andrs Lillo

Prueba Ji-cuadrada de la bondad del ajuste

Prueba Ji-cuadrada de la bondad del ajuste

Simulacin Prof. Andrs Lillo

Prueba Ji-cuadrada de la bondad del ajuste

Simulacin Prof. Andrs Lillo

Prueba Ji-cuadrada de la bondad del ajuste

Simulacin Prof. Andrs Lillo

Prueba Ji-cuadrada de la bondad del ajuste

< 40 12 0,21 10,5

40-60 18 0,39 19,66

60-80 15 0,31 15,32

>80 5 0,09 4,5

El valor experimental de Ji es:

(12 10.5)2 + (18 19.66)2 + (15 15.32)2 + (5 4.5)2

Simulacin Prof. Andrs Lillo

Prueba Ji-cuadrada de la bondad del ajuste

Simulacin Prof. Andrs Lillo

Prueba de Kolmogorov - Smirnov

Prueba de Kolmogorov - Smirnov

Simulacin Prof. Andrs Lillo

Prueba de Kolmogorov - Smirnov

Prueba de Kolmogorov - Smirnov