Beruflich Dokumente
Kultur Dokumente
GERENCIAL
Modelos estadsticos en Simulacin 2
2.
3.
4.
1. ndice
Distribuciones
de
Probabilidad
Continuas
1.1. Distribucin
Exponencial
1.2. Distribucin
Uniforme
Continua
1.3. Distribucin
Normal
1.4. Distribucin
Triangular.
Estimacin
Puntual
Estimacin
por
Intervalos
de
Confianza
3.1. Intervalos
de
Confianza
Para
una
sola
Muestra:
Estimacin
de
la
Media
3.2. Intervalos
de
Confianza
Para
dos
Muestras:
Estimacin
de
la
diferencia
entre
dos
Medias
Pruebas
de
Hiptesis
4.1. Pruebas
Para
una
sola
Media
4.2. Pruebas
Para
dos
Medias
2. Introduccin
El
propsito
del
presente
documento
es
presentar
a
los
estudiantes
los
conceptos
bsicos
de
estadstica
necesarios
para
desarrollar
una
simulacin
de
Montecarlo.
La
estadstica
ser
una
herramienta
esencial
para
el
soporte
de
la
construccin
de
modelo,
tanto
al
inicio
como
al
final
para
realizar
el
anlisis
de
resultados.
Por
otra
parte,
teniendo
en
cuenta
que
el
objetivo
general
del
mdulo
es
que
los
estudiantes
desarrollen
las
capacidades
necesarias
para
llevar
a
cabo
un
estudio
completo
de
simulacin,
en
esta
unidad,
se
har
un
repaso
de
las
principales
funciones
de
probabilidad
continuas
que
se
emplean
frecuentemente
en
la
construccin
de
estos
tipos
de
modelo.
Adicionalmente,
se
presentarn
dos
de
los
conceptos
de
la
estadstica
inferencial
ms
utilizados
en
la
Simulacin.
Los
Intervalos
de
Confianza
y
las
Pruebas
de
Hiptesis.
Finalmente,
se
presentar
al
estudiante
una
serie
de
ejercicios
relacionados
para
reforzar
los
conocimientos
adquiridos
en
el
desarrollo
del
mdulo.
3. Objetivo
general
Al
finalizar
el
mdulo
los
estudiantes
sabrn
cules
son
los
conceptos
bsicos
de
estadstica
relacionados
con
la
simulacin
de
Montecarlo,
as
como
las
principales
funciones
de
probabilidad
continuas
aplicadas
en
la
construccin
de
este
tipo
de
modelos
y
la
aplicacin
de
tcnicas
de
estimacin
por
intervalo
y
pruebas
de
hiptesis.
[ POLITCNICO GRANCOLOMBIANO]
4. Desarrollo temtico.
4.1
Recomendaciones
acadmicas.
Se
recomienda
al
estudiante
realizar
la
lectura
de
la
cartilla,
en
la
cual
se
encuentra
toda
la
informacin
relevante
que
se
ver
en
la
semana.
Adicional
a
la
lectura
de
la
cartilla
es
necesario
que
revise
las
teleconferencias
as
como
las
video-diapositivas,
pues
estas
son
un
medio
que
puede
aclarar
las
dudas
generadas
con
la
lectura
o
tambin
dar
soporte
a
los
temas
expuestos
en
la
misma.
Finalmente,
se
recomienda
al
estudiante
realizar
los
ejercicios
planteados
y
sugeridos
por
el
tutor
ya
que
estos
a
pesar
de
no
tener
un
valor
porcentual
en
la
nota
s
harn
que
su
formacin
sea
completa
y
pueda
ser
reforzada
de
forma
prctica.
4.2
Desarrollo
de
cada
una
de
las
unidades
temticas.
1. DISTRIBUCIONES
DE
PROBABILIDAD
CONTINUAS
A
continuacin
se
presentarn
las
distribuciones
de
probabilidad
continuas
ms
empleadas
en
el
modelaje
de
sistemas
a
travs
de
la
simulacin
de
eventos
discretos,
aunque
existen
otro
tipo
de
distribuciones
que
tambin
pueden
emplearse,
aqu
solo
presentaremos
las
ms
relevantes.
1.1
Distribucin
Exponencial
Considrese
un
Proceso
de
Poisson
de
parmetro
observado
a
partir
de
un
instante
t0,
y
defnase
la
VA
continua
XE
como:
XE
=
tiempo
que
transcurre
entre
el
instante
t0
y
la
prxima
llegada
del
proceso
La
funcin
de
distribucin
acumulada,
F(X)
de
la
VA
XE
estar
dada
por:
!!! !; ! = ! !! ! = 1 ! !! > !
!!! !; ! = ! !! ! = 1 !(!"! 0 !!"#$%$& !" !" !"#$%& !
[ SIMULACIN GERENCIAL ]
!!!
!" ! !!"
!; ! = ! !! ! = 1
!
0!
!; ! = ! !! ! = 1 ! !!"
!!!
Por
lo
tanto,
la
funcin
de
distribucin
acumulada
de
la
VA
exponencial
se
expresa
como:
!!! !; ! = ! !! ! = 1 ! !!" ! > 0
Se
sabe
que
la
funcin
de
distribucin
de
probabilidad
de
una
VA
continua
se
obtiene
calculando
la
derivada
de
la
funcin
de
distribucin
acumulada.
Por
lo
tanto,
dicha
funcin,
fXE(t;
)
se
expresa
como:
!!! !; ! = !! !!" ! > 0
Su
media
y
varianza
estn
dadas
por:
1
! ! =
!
1
!"# ! = !
!
Ejemplo:
Suponga
que
la
vida
til
de
una
lmpara
industrial,
en
miles
de
horas,
se
distribuye
exponencialmente
con
tasa
de
falla
=1/3
(una
falla
cada
3000
horas,
en
promedio).
[ POLITCNICO GRANCOLOMBIANO]
La
probabilidad
de
que
la
lmpara
dure
ms
de
esta
vida
til
est
dada
por:
! ! > 3 = 1 ! ! 3
En
Excel,
se
busca
la
funcin
DISTR.EXP,
con
parmetros:
X=3;
=1/3;
Acumulado
=
1.
El
resultado
de
esta
funcin
sera
de
0,632;
luego
la
probabilidad
de
que
la
lmpara
dure
ms
que
la
vida
til
diseada
es
de
1-0,632
=
0,368.
1.2
Distribucin
Uniforme
Una
VA
X
se
distribuye
uniformemente
en
el
intervalo
(a,
b)
si
su
funcin
de
distribucin
de
probabilidad
est
dada
por:
1
! ! = ! ! , ! ! !
0, !. !. !.
La
funcin
de
distribucin
acumulada
est
dada
por:
0 ! < !
!!!
F(X)
=
!!! ! ! < !
1 ! !
Su
media
y
varianza,
estn
dadas
respectivamente
por:
!+!
! ! =
2
(! !)!
!"# ! =
12
[ SIMULACIN GERENCIAL ]
Se
puede
demostrar,
en
efecto,
que
si
se
realizan
N
experimentos
independientes
de
Bernoulli
de
parmetro
p,
para
un
valor
de
N
suficientemente
grande,
se
obtiene:
La
aproximacin
anterior
dio
lugar
a
la
definicin
de
una
VA
continua
conocida
como
la
distribucin
Normal
de
parmetros
y
,
cuya
funcin
de
probabilidad
est
dada
por:
Esta
expresin
no
se
puede
evaluar
mediante
mtodos
numricos
tradicionales;
de
hecho
estos
mtodos
se
podran
aplicar
pero
la
integral
debera
evaluarse
para
cada
par
(,
).
Sin
embargo,
una
transformacin
de
variables,
z
=
(x-
)/
,
permite
la
evaluacin
de
esa
integral,
independiente
de
dichos
valores.
Si
!~! !, ! , !"# ! = (! !)/!,
para
obtener:
[ POLITCNICO GRANCOLOMBIANO]
F ( x) = P( X x ) = P Z
z
1 t 2 / 2
( x ) /
1 z2 / 2
donde ( z ) =
e dt
=
e
dz
2
( x ) /
=
( z )dz = ( x )
La
funcin
(z)
es
la
funcin
de
distribucin
de
probabilidad
de
una
VA
normal
con
media
cero
y
varianza
1.
A
esta
distribucin
se
le
conoce
como
la
distribucin
normal
estndar,
y
ha
sido
tabulada
en
distintos
formatos
para
una
mejor
comprensin
y
resolucin
de
situaciones
que
involucren
VA
normales.
Dentro
de
los
recursos
adicionales
encontrar
la
tabla
donde
se
resumen
los
valores
que
toma
la
distribucin
normal
estndar.
Ejemplo:
El
tiempo
requerido
en
horas
para
cargar
un
container
se
distribuye
normalmente
con
media
=
12
y
varianza
=
4.
La
probabilidad
de
que
el
container
se
cargue
en
menos
de
10
horas,
estara
dada
por
10 12
F (10) =
= (1) = 0.1587
2
[ SIMULACIN GERENCIAL ]
2( x a )
(b a )(c a ) a x c
2(b x)
f ( x) =
c x b
(b a )(b c)
0
dlc
El
nombre
de
esta
distribucin
viene
dado
por
la
forma
de
su
funcin
de
densidad,
cuyo
comportamiento
grfico
est
dado
por:
La
funcin
de
distribucin
acumulada
est
dada
por:
( x a ) 2
axc
(b a )(c a)
(b x) 2
F ( x) = 1
c x b
(b a)(b c)
1
x>b
Su
media
y
varianza,
estn
dadas
respectivamente
por:
a+b+c
E ( x) =
3
[ POLITCNICO GRANCOLOMBIANO]
V ( x) =
a 2 + b 2 + c 2 ab ac bc
18
La
distribucin
triangular
juega
un
papel
fundamental
en
simulacin.
Esta
distribucin
proporciona
una
aproximacin
cuando
hay
poca
informacin
disponible,
de
forma
que
slo
se
necesita
conocer
el
mnimo
(valor
pesimista
(a)),
el
mximo
(valor
optimista
(b))
y
la
moda
(valor
ms
probable
(c)).
Estos
tres
valores
son
los
parmetros
que
caracterizan
a
la
distribucin.
Un
ejemplo
del
uso
de
esta
distribucin
se
encuentra
en
el
anlisis
del
riesgo,
donde
la
distribucin
ms
apropiada
es
la
beta
pero
dada
su
complejidad,
tanto
en
la
su
comprensin
como
en
la
estimacin
de
sus
parmetros,
se
utiliza
la
distribucin
triangular
como
aproximacin.
2. ESTIMACIN
PUNTUAL
Un
estimador
es
un
estadstico
aleatorio,
es
decir,
una
funcin
de
una
muestra
aleatoria
de
algunos
datos
observados.
Un
valor
cualquiera
del
estimador
se
le
conoce
como
un
estimado.
Cabe
aclarar
que
un
estimador
es
una
variable
aleatoria,
mientras
que
un
estimado
es
uno
de
sus
resultados.
Los
buenos
estimadores
son
insesgados,
lo
que
quiere
decir
que
en
la
medida
que
el
tamao
de
muestra
tiende
a
infinito,
las
esperanzas
de
dichos
estimadores
convergen
hacia
el
valor
real
del
parmetro.
Comnmente,
los
momentos
y
las
estadsticas
relacionadas
se
calculan
a
partir
de
datos
muestrales
utilizando
estimadores.
Consideremos
una
muestra
finita
Y
=
{Y1,
Y2,
,
YN},
donde
las
observaciones
aleatorias
{j
=
1,
,
N}
tienen
una
distribucin
comn
con
media
y
varianza
2.
Un
estimador
insesgado
para
la
media,
,
basado
en
la
muestra
Y,
es
la
media
muestral
1
Y=
N
Y!
!!!
Un
estimador
insesgado
para
la
varianza,
2,
basado
en
la
muestra
Y,
es
la
varianza
muestral
1
S ! =
N1
Y! Y ! ,
!!!
Donde
la
desviacin
estndar
muestral,
S,
es
simplemente
la
raz
cuadrada
de
S2.
[ SIMULACIN GERENCIAL ]
Cabe
anotar
que
estos
estimadores
son
puntuales,
lo
que
quiere
decir
que
proveen
un
estimado
escalar
de
algn
parmetro
desconocido.
3. ESTIMACIN
POR
INTERVALOS
DE
CONFIANZA
Es
muy
poco
probable
que,
incluso
el
estimador
Insesgado
ms
eficiente
estime
con
exactitud
el
parmetro
poblacional.
A
pesar
que,
dicha
precisin
aumenta
con
muestras
grandes,
no
existe
ninguna
razn
por
la
cual
deberamos
considerar
que
el
estimador
puntual
de
una
muestra
aleatoria
sea
exactamente
igual
al
parmetro
poblacional
que
se
est
estimando.
Por
lo
tanto,
sera
ms
conveniente
pensar
que
se
debera
estimar
un
Intervalo,
es
decir,
un
lmite
inferior
y
un
lmite
superior
en
el
cual,
se
esperara
encontrar
el
valor
del
parmetro.
Este
intervalo
se
le
conoce
como
estimacin
por
intervalo.
La
estimacin
por
intervalo
de
un
parmetro
poblacional
(Denotado
por
),
es
un
intervalo
de
la
forma
!"# < < !"# ,
donde
!"#
y
!"#
dependen
del
valor
del
estimador
para
una
muestra
y
de
su
distribucin
de
muestreo.
Como
muestras
distintas,
darn
como
resultado
diferentes
valores
de
!"#
y
!"# ,
dichos
valores
sern
aleatorios.
Por
lo
tanto,
si
queremos
realizar
dicha
estimacin
con
algn
grado
de
certeza,
deberamos
realizar
la
estimacin
de
la
forma:
! !"# < < !"# = 1
Donde
es
algn
valor
entre
0
y
1.
Esto,
en
palabras
significa
que
tenemos
una
probabilidad
1-
de
seleccionar
una
Variable
(Aleatoria)
que
contenga
el
parmetro.
Por
lo
tanto,
el
intervalo
de
la
forma
!"# < < !"#
calculado
a
partir
de
la
muestra
aleatoria
se
le
denomina
Intervalo
de
Confianza,
el
Porcentaje
1
se
le
denomina
Nivel
de
Confianza
y
los
valores
!"#
y
!"#
se
denominan
lmites
Inferior
y
Superior
del
Intervalo,
respectivamente.
3.1
Intervalos
de
confianza
para
una
sola
muestra:
Estimacin
de
la
Media
Cuando
se
realiza
la
estimacin
por
intervalo
para
la
media,
debemos
recordar
que,
de
acuerdo
al
Teorema
del
Limite
Central,
la
distribucin
muestral
de
!
ser
aproximadamente:
!!
!~! !;
!
Siempre
y
cuando
el
tamao
de
la
muestra
sea
grande.
Por
lo
tanto,
la
forma
lmite
de
la
distribucin
de
:
10
[ POLITCNICO GRANCOLOMBIANO]
Z=
Cuando n
es
la
distribucin
Normal
estndar
n
(z;
0,
1).
Adicionalmente,
otro
de
los
elementos
a
tener
en
cuenta
es
el
conocimiento
de
la
varianza
poblacional
! ! .
En
este
caso,
si
conocemos
la
varianza
poblacional,
el
intervalo
de
confianza
de
1
de
una
muestra
aleatoria
de
tamao
n
para
el
parmetro
poblacional
estimado
por
!
ser:
P X Z / 2
< < X + Z / 2
= 1
n
n
Es
claro
que
los
lmites
Inferior
y
Superior
del
Intervalo
son:
LI = X Z / 2
LS = X + Z / 2
En
el
caso
de
no
conocer
la
varianza
poblacional
! ! ,
debemos
estimarla
por
medio
de
la
varianza
muestral
! ! .
Si
la
muestra
aleatoria
proviene
de
una
distribucin
normal,
la
distribucin
de:
[ SIMULACIN GERENCIAL ]
11
T=
X
S
Es
la
distribucin
t
de
Student
t(n-1).
Se
debe
tener
en
cuenta
que
S
es
la
desviacin
estndar
de
la
muestra
y
(n-1)
corresponde
a
los
grados
de
libertad
de
la
distribucin
t.
En
este
caso,
si
no
conocemos
la
varianza
poblacional,
el
intervalo
de
confianza
de
1
de
una
muestra
aleatoria
de
tamao
n
para
el
parmetro
poblacional
estimado
por
!
ser:
S
S
P X t / 2
< < X + t v , / 2
= 1
n
n
Donde
!!/!
es
el
valor
de
!
con
v=n-1
grados
de
libertad.
Es
claro
que
los
lmites
Inferior
y
Superior
del
Intervalo
son:
S
LI = X t
n
S
LS = X + t
n
t
Donde
es
el
valor
t
que
tiene
un
rea
a
la
derecha.
12
[ POLITCNICO GRANCOLOMBIANO]
3.2.
21 2 2
21 2 2
P (X 1 X 2 ) Z / 2
+
< 1 2 < ( X 1 X 2 ) + Z / 2
+
= 1
n1
n2
n1
n2
Por
el
contrario,
si
!! ! !!
son
las
medias
de
dos
muestras
aleatorias
independientes
de
tamao
n1
y
n2
respectivamente,
de
poblaciones
aproximadamente
normales
con
varianzas
desconocidas
(!! y
!! )
pero
iguales,
el
intervalo
de
confianza
de
1
para
la
diferencia
!! !!
es:
1
1
1
1
P (X 1 X 2 ) t / 2 S p
+
< 1 2 < (X 1 X 2 ) + t / 2 S p
+ = 1
n1 n2
n1 n2
Donde
t / 2
es
el
valor
de
la
distribucin
t
con
un
nivel
de
significancia
de
!/2
con
v=n1+n2-2
grados
de
libertad
y
Sp
es
la
estimacin
de
la
unin
de
la
desviacin
estndar
poblacional.
Dicha
estimacin
se
calcula
por
medio
de:
Sp =
Se
debe
tener
en
cuenta
que
S 21
y
S 2 2
son
las
varianzas
muestrales
de
las
muestras
n1
y
n2
respectivamente.
[ SIMULACIN GERENCIAL ]
13
4. PRUEBAS
DE
HIPTESIS
Las
pruebas
de
hiptesis
constituyen
uno
de
los
elementos
ms
importantes
de
la
Simulacin
de
Montecarlo
y
en
la
estadstica
inferencial,
ya
que
representan
la
formalizacin
de
los
intervalos
de
confianza
y
su
principal
objetivo
es
generar
un
procedimiento
de
decisin
basado
en
un
postulado
o
conjeturas
y
muestras
aleatorias
que
permitan
concluir
sobre
algn
sistema
bajo
estudio
con
un
nivel
de
confianza
1 !.
Para
entender
la
estructura
de
las
pruebas
de
hiptesis,
se
deben
definir
ciertos
conceptos:
-
Hiptesis
Estadstica:
Una
hiptesis
estadstica
(HE)
es
una
afirmacin
acerca
del
valor
de
los
parmetros
de
la
distribucin
de
una
poblacin
si
dicha
distribucin
se
conoce
o
sobre
el
tipo
de
distribucin
si
sta
es
desconocida.
Si
la
hiptesis
caracteriza
completamente
la
distribucin,
se
le
llama
hiptesis
simple,
de
lo
contrario
decimos
que
es
una
hiptesis
compuesta.
Prueba
estadstica
(de
H0
contra
H1):
Una
prueba
para
confrontar
una
hiptesis
estadstica
H0
contra
una
hiptesis
estadstica
H1
(dichas
hiptesis
deben
ser
excluyentes)
es
una
regla
que
permite
tomar
la
decisin
de
aceptar
o
rechazar
la
hiptesis
H0
(y
consecuentemente
rechazar
o
aceptar
H1),
segn
los
valores
obtenidos
en
la
muestra
aleatoria
y
de
acuerdo
con
cierto
porcentaje
admisible
de
error.
Hiptesis
nula
e
hiptesis
alterna:
En
pruebas
de
hiptesis
estadsticas,
se
acostumbra
a
llamar
hiptesis
nula
(H0)
a
aquella
que
se
asume
hasta
el
momento
como
verdadera,
e
hiptesis
alterna
(H1)
a
aquella
que
se
presenta
como
nueva
alternativa
a
la
hiptesis
H0
que
hasta
el
momento
apareca
como
verdadera.
Se
debe
tener
en
cuenta
que,
al
momento
de
plantear
las
hiptesis
estadsticas,
dichas
pruebas
pueden
ser
a
1
o
2
colas.
En
otras
palabras,
la
regin
de
aceptacin
y
de
rechazo
de
las
pruebas
puede
ser
una
o
dos,
dependiendo
del
planteamiento
de
la
Hiptesis
alterna.
Dichas
alternativas
son:
1. Pruebas
de
2
colas
basadas
en
un
estimador
apropiado
del
parmetro.
!": ! = !"
!": ! !"
2. Pruebas
de
cola
superior
(1
Cola)
basadas
en
un
estimador
apropiado
del
parmetro.
!": ! = !"
!": ! > !"
14
[ POLITCNICO GRANCOLOMBIANO]
3. Pruebas
de
cola
inferior
(1
Cola)
basadas
en
un
estimador
apropiado
del
parmetro.
!": ! = !"
!": ! < !"
Nota:
Se
debe
tener
en
cuenta
que,
segn
la
presentacin
de
las
alternativas
anteriores,
las
Hiptesis
Nulas
(Ho)
en
cualquier
caso
siempre
se
presentan
en
Igualdad.
-
Regin
crtica
(C):
La
regin
crtica
(C)
asociada
a
la
prueba
de
una
hiptesis
estadstica
es
el
conjunto
de
todos
los
posibles
resultados
de
la
muestra
aleatoria
para
los
cuales
la
hiptesis
nula
es
rechazada,
de
acuerdo
con
la
prueba
aplicada.
El
Procedimiento
general
para
realizar
las
pruebas
de
hiptesis
es:
1.
2.
3.
4.
5.
[ SIMULACIN GERENCIAL ]
15
Zp =
X 0
Bajo
la
Hiptesis
nula
(Ho),
dicho
estadstico
se
distribuye
Normal
Estndar
N(0,1).
El
rechazo
de
Ho
a
un
nivel
de
significancia
!
resulta
cuando
el
estadstico
de
prueba
Zp
excede
a
!!/!
o
es
menor
a
!!/!
siempre
y
cuando
la
prueba
sea
de
dos
colas.
Si
la
prueba
es
de
una
cola
se
rechazar
Ho
a
un
nivel
de
significancia
!
cuando
el
estadstico
de
prueba
Zp
excede
a
!!
o
es
menor
a
!! ,
siempre
y
cuando
la
prueba
sea
de
cola
superior
o
inferior,
respectivamente.
Por
otro
lado,
si
la
varianza
poblacional
es
desconocida
(! ! )
el
estadstico
de
prueba
para
la
hiptesis
de
contraste
de
una
media
ser:
X 0
tp =
n
S
Bajo
la
Hiptesis
nula
(Ho),
dicho
estadstico
se
distribuye
t
de
Student
con
n-1
grados
de
libertad
t(n-1).
Nuevamente,
el
rechazo
de
Ho
a
un
nivel
de
significancia
!
resulta
cuando
el
estadstico
de
prueba
tp
excede
a
!!/!,!!!
o
es
menor
a
!!/!,!!!
siempre
y
cuando
la
prueba
sea
de
dos
colas.
Si
la
prueba
es
de
una
cola
se
rechazar
Ho
a
un
nivel
de
significancia
!
cuando
el
estadstico
de
prueba
tp
excede
a
!!,!!!
o
es
menor
a
!!,!!! ,
siempre
y
cuando
la
prueba
sea
de
cola
superior
o
inferior,
respectivamente.
Ejemplo:
En
cierto
estudio
sobre
la
duracin
de
las
llamadas
en
un
centro
de
quejas
y
reclamos,
se
recolect
una
muestra
aleatoria
de
100
llamadas.
Dicha
muestra
aleatoria
mostr
que,
la
duracin
promedio
de
una
llamada
es
de
71,8
minutos
con
una
desviacin
estndar
poblacional
de
8.9
minutos.
Dicha
informacin
indicar
que
el
tiempo
promedio
de
duracin
de
las
llamadas
es
superior
a
70
minutos?
Indicar
que
el
tiempo
promedio
de
duracin
de
las
llamadas
es
diferente
a
70
minutos?
Valide
dichas
afirmaciones
con
un
nivel
de
confianza
del
95%
(1 !)
Solucin:
Para
solucionar
el
problema
anterior,
se
construirn
dos
pruebas
de
hiptesis.
La
primera
con
el
objetivo
de
validar
si
la
duracin
de
las
llamadas
es
superior
a
70
minutos
y
la
siguiente
con
el
objetivo
de
validar
si
la
duracin
de
las
llamadas
es
diferente
a
70
minutos.
Adicionalmente,
se
utilizar
el
procedimiento
presentado
anteriormente
para
la
construccin
de
las
pruebas
de
hiptesis:
Prueba
1:
Validar
si
la
duracin
de
las
llamadas
es
superior
a
70
minutos
Utilizando
el
procedimiento
para
la
construccin
de
las
pruebas
de
hiptesis,
los
resultados
son:
16
[ POLITCNICO GRANCOLOMBIANO]
1. Establezca
las
hiptesis
Nula
y
Alterna.
Teniendo
en
cuenta
que
la
afirmacin
que
se
quiere
validar
es
que
la
duracin
promedio
de
las
llamadas
sea
mayor
a
70
minutos,
las
hiptesis
para
esta
prueba
son:
!": ! = 70
!": ! > 70
Nota:
La
hiptesis
nula
siempre
debe
ir
en
igualad.
La
hiptesis
alterna
se
plantea
de
acuerdo
con
la
afirmacin
a
verificar,
que
en
este
caso,
hace
referencia
a
que
la
duracin
promedio
de
las
llamadas
es
mayor
a
70
minutos.
2. Defina
el
nivel
de
significancia
de
la
prueba
(!).
Para
este
problema,
se
quiere
validar
la
hiptesis
con
un
nivel
de
confianza
del
95%.
Por
lo
tanto,
el
nivel
de
significancia
es
! = 5% o
! = 0,05
3. Seleccione
un
estadstico
de
prueba
adecuado.
Para
seleccionar
el
estadstico
de
prueba
adecuado,
se
debe
analizar
la
informacin
disponible
en
el
problema.
En
este
caso,
en
la
informacin
inicial
tenemos
la
varianza
poblacional
! = 8.9
o
! ! = 8.9 ! .
Teniendo
en
cuenta
esto,
usamos
como
estadstico
de
prueba:
X 0
71.8 70
Zp =
n Zp =
100 Z p = 2.02
8.9
4. Establezca
la
regin
crtica
con
base
en
(!).
Teniendo
en
cuenta
que
la
Hiptesis
alterna
es
de
orientacin
mayor
(>),
se
puede
establecer
que
la
prueba
es
a
una
cola,
en
este
caso,
a
una
cola
superior.
Por
lo
tanto,
se
debe
encontrar
el
valor
crtico
de
la
distribucin.
En
este
caso,
como
el
estadstico
de
prueba
se
distribuye
normal
estndar,
se
debe
encontrar
el
valor
en
la
distribucin
normal
que
acumula
en
la
cola
superior
el
nivel
de
significancia
del
5%.
Grficamente,
este
anlisis
ser:
[ SIMULACIN GERENCIAL ]
17
Por
lo
tanto,
buscando
en
la
tabla
de
la
distribucin
Normal
Estndar,
el
valor
de
la
distribucin
que
acumula
el
95%
de
probabilidad
es
1.645.
En
Excel,
este
valor
se
calcula
por
medio
de
la
siguiente
funcin:
18
[ POLITCNICO GRANCOLOMBIANO]
8.9
4. Establezca
la
regin
crtica
con
base
en
(!).
Teniendo
en
cuenta
que
la
Hiptesis
alterna
es
de
orientacin
mayor
(),
se
puede
establecer
que
la
prueba
es
a
dos
colas.
Por
lo
tanto,
en
este
caso
se
deben
encontrar
los
valores
crticos
de
la
distribucin.
En
este
caso,
como
el
estadstico
de
prueba
se
distribuye
normal
estndar,
se
debe
encontrar
el
valor
en
la
distribucin
normal
que
acumula
en
la
cola
superior
el
nivel
de
significancia
del
2.5%,
ya
que
el
nivel
de
significancia
se
reparte
equitativamente
entre
las
dos
colas.
Grficamente,
este
anlisis
ser:
[ SIMULACIN GERENCIAL ]
19
Por
lo
tanto,
buscando
en
la
tabla
de
la
distribucin
Normal
Estndar,
el
valor
de
la
distribucin
que
acumula
el
97.5%
de
probabilidad
es
1.959
y
el
valor
de
la
distribucin
que
acumula
el
2.5%
de
probabilidad
es
-1.959.
En
Excel,
estos
valores
se
calculan
por
medio
de
la
siguiente
funcin:
Al
igual
que
en
los
intervalos
de
confianza,
el
objetivo
de
la
prueba
de
hiptesis
para
dos
medias
busca
contrastar
si
la
diferencia
de
los
parmetros
poblacionales
(!! !! )
es
igual
a
un
valor
especfico
de
una
muestra
aleatoria,
denotado
como
!",
con
un
nivel
de
confianza
1-
.
20
[ POLITCNICO GRANCOLOMBIANO]
Teniendo
en
cuenta
que
los
estadsticos
utilizados
en
los
intervalos
de
confianza
para
la
diferencia
de
medias
se
distribuan
Normal
o
t
de
Student,
bajo
la
afirmacin
del
conocimiento
de
las
varianzas
poblacionales
(! !! y
! ! ! ),
los
estadsticos
de
prueba
de
las
pruebas
de
hiptesis
tendrn
el
mismo
comportamiento.
Por
lo
tanto,
si
las
varianzas
poblacionales
son
conocidas
(! !! y
! ! ! )
y
teniendo
en
cuenta
que
el
modelo
se
centra
en
un
experimento
con
X1,
X2,.,
Xn
de
dos
muestras
aleatorias
de
una
distribucin
con
media
!
y
varianza
! !
el
estadstico
de
prueba
para
la
hiptesis
de
contraste
de
una
diferencia
de
medias
(!! : !! !! = !! ),
ser:
X X 2 d0
Zp = 1
21
n1
22
n2
Bajo
la
Hiptesis
nula
(Ho),
dicho
estadstico
se
distribuye
Normal
Estndar
N(0,1).
El
rechazo
de
Ho
a
un
nivel
de
significancia
!
resulta
cuando
el
estadstico
de
prueba
Zp
excede
a
!!/!
o
es
menor
a
!!/!
siempre
y
cuando
la
prueba
sea
de
dos
colas.
Si
la
prueba
es
de
una
cola
se
rechazar
Ho
a
un
nivel
de
significancia
!
cuando
el
estadstico
de
prueba
Zp
excede
a
!!
o
es
menor
a
!! ,
siempre
y
cuando
la
prueba
sea
de
cola
superior
o
inferior,
respectivamente.
Por
otro
lado,
si
las
varianzas
poblacionales
son
desconocidas
(! !! y
! ! ! ),
el
estadstico
de
prueba
para
la
hiptesis
de
contraste
de
una
diferencia
de
medias
(!! : !! !! = !! ),
ser:
X X 2 d0
tp = 1
1
1
Sp
+
n1 n2
Donde,
Sp
se
calcula
por
medio
de:
S 21 (n1 1) + S 2 2 (n2 1)
Sp =
n1 + n2 2
Bajo
la
Hiptesis
nula
(Ho),
dicho
estadstico
se
distribuye
t
de
Student
con
n1+n2-2
grados
de
libertad
t(n1+n2-2).
Nuevamente,
el
rechazo
de
Ho
a
un
nivel
de
significancia
!
resulta
cuando
el
estadstico
de
prueba
tp
excede
a
!!/!,!!!!!!!
o
es
menor
a
!!/!,!!!!!!!
siempre
y
cuando
la
prueba
sea
de
dos
colas.
Si
la
prueba
es
de
una
cola
se
rechazar
Ho
a
un
nivel
de
significancia
!
cuando
el
estadstico
de
prueba
tp
excede
a
!!,!!!!!!!
o
es
menor
a
!!,!!!!!!! ,
siempre
y
cuando
la
prueba
sea
de
cola
superior
o
inferior,
respectivamente.
[ SIMULACIN GERENCIAL ]
21