Professional Documents
Culture Documents
1. MARCO TEORICO
(Fuente, http://fisicamatematic.wordpress.com)
FIGURA 2
(Fuente, https://sites.google.com/site/metalmetnumericos/home/unidad-3/3-9-metodo-de-
minimos-cuadrados)
La ecuación de la recta de la figura anterior es:
𝑌̂𝑖 = 𝑎𝑋𝑖 + 𝑏
Donde:
La distancia vertical entre el 𝑌𝑖 , que es el valor observado o real de las ordenadas de los
datos, e "𝑒𝑖 " se le denomina error y está representado por:
𝑒𝑖 = 𝑌𝑖 − 𝑌̂𝑖
2
𝑒𝑖2 = (𝑌𝑖 − 𝑌̂𝑖 )
𝑛 𝑛
2
∑ 𝑒𝑖2 = ∑(𝑌𝑖 − 𝑌̂𝑖 )
𝑖 𝑖
¿Por qué?
- Lo que se busca es minimizar el valor de la sumatoria del error cuadrático, si
esto se aproxima más a cero significa que se ha encontrado la recta que mejor
se ajuste a los datos.
El valor de ∑𝑛 2
𝑖 𝑒𝑖 va a depender de los valores de “a” y “b” para que sea mínimo por lo
que se puede representar la ecuación anterior como una función que depende de los
valores de “a” y “b”.
𝑛 𝑛
Para encontrar los valores de “a” y “b” los cuales hagan que el valor de F(a,b) sea
mínimo se tiene que desarrollar las derivadas parciales de la función respecto a “a” y “b”
e igualar a cero.
𝜕𝐹(𝑎, 𝑏)
=0
𝜕𝑎
𝜕𝐹(𝑎, 𝑏)
=0
𝜕𝑏
Desarrollando la derivada parcial de F(a,b) respecto a “b” se obtiene:
𝑛
𝜕𝐹(𝑎, 𝑏)
= ∑ −2 ∗ (𝑌𝑖 − 𝑎 ∗ 𝑋𝑖 − 𝑏) = 0
𝜕𝑏
𝑖
𝑛 𝑛 𝑛
∑ 𝑌𝑖 − ∑ 𝑎 ∗ 𝑋𝑖 − ∑ 𝑏 = 0
𝑖 𝑖 𝑖
∑ 𝑌𝑖 − 𝑎 ∗ ∑ 𝑋𝑖 − 𝑏 ∗ ∑ 1 = 0
𝑖 𝑖 𝑖
∑ 𝑌𝑖 − 𝑎 ∗ ∑ 𝑋𝑖 − 𝑏 ∗ 𝑛 = 0
𝑖 𝑖
∑ 𝑌𝑖 = 𝑎 ∗ ∑ 𝑋𝑖 + 𝑏 ∗ 𝑛 … … . . (1)
𝑖 𝑖
𝑛
𝜕𝐹(𝑎, 𝑏)
= ∑ −2 ∗ (𝑌𝑖 − 𝑎 ∗ 𝑋𝑖 − 𝑏) ∗ 𝑋𝑖 = 0
𝜕𝑎
𝑖
𝑛 𝑛 𝑛
∑(𝑌𝑖 ∗ 𝑋𝑖 ) − ∑ 𝑎 ∗ 𝑋𝑖2 − ∑ 𝑏 ∗ 𝑋𝑖 = 0
𝑖 𝑖 𝑖
Extrayendo “a” y “b” de la sumatorias:
𝑛 𝑛 𝑛
∑(𝑌𝑖 ∗ 𝑋𝑖 ) − 𝑎 ∗ ∑ 𝑋𝑖2 − 𝑏 ∗ ∑ 𝑋𝑖 = 0
𝑖 𝑖 𝑖
𝑛 𝑛 𝑛
Para poder resolver las ecuaciones (1) y (2) y encontrar los valores de “a” y “b” se
resuelve por medio de matrices.
𝑛 𝑛 𝑛
∑ 𝑋𝑖2 ∑ 𝑋𝑖 ∑(𝑌𝑖 ∗ 𝑋𝑖 )
𝑖 𝑖 𝑎 𝑖
𝑛 ∗[ ]= 𝑛
𝑏
∑ 𝑋𝑖 𝑛 ∑ 𝑌𝑖
[ 𝑖 ] [ 𝑖 ]
El sistema de ecuaciones anterior puede ser resuelto por la regla de Cramer, mediante
el uso de determinantes.
𝑛 𝑛
∑ 𝑋𝑖2 ∑ 𝑋𝑖 𝑛 𝑛 2
𝑖 𝑖
𝑛 = 𝑛 ∗ ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 ) … … … … … . (3)
𝑖 𝑖
∑ 𝑋𝑖 𝑛
[ 𝑖 ]
𝑛 𝑛
∑(𝑌𝑖 ∗ 𝑋𝑖 ) ∑ 𝑋𝑖 𝑛 𝑛 𝑛
𝑖 𝑖
𝑛 = 𝑛 ∗ ∑(𝑌𝑖 ∗ 𝑋𝑖 ) − ∑ 𝑋𝑖 ∗ ∑ 𝑌𝑖 … … … … … . (4)
𝑖 𝑖 𝑖
∑ 𝑌𝑖 𝑛
[ 𝑖 ]
𝑛 𝑛
∑ 𝑋𝑖2 ∑(𝑌𝑖 ∗ 𝑋𝑖 ) 𝑛 𝑛 𝑛 𝑛
𝑖 𝑖
𝑛 𝑛 = ∑ 𝑌𝑖 ∗ ∑ 𝑋𝑖2 − ∑ 𝑋𝑖 ∗ ∑(𝑌𝑖 ∗ 𝑋𝑖 ) … … . (5)
𝑖 𝑖 𝑖 𝑖
∑ 𝑋𝑖 ∑ 𝑌𝑖
[ 𝑖 𝑖 ]
Una vez ajustada la recta de regresión, es importante disponer de una medida que mida
la bondad del ajuste realizado y que permita decidir si el ajuste lineal es correcto. Como
medida de bondad del ajuste se utiliza el coeficiente de determinación, definido por:
2
2∑𝑛𝑖(𝑌̂𝑖 − 𝑌̅)
R = 𝑛
∑𝑖 (𝑌𝑖 − 𝑌̅)2
𝑟 = √𝑅 2
𝑡−𝛾 𝛽
−( )
𝐹(𝑡) = 1 − 𝑒 𝜂
𝑡−𝛾 𝛽
−( )
1 − 𝐹(𝑡) = 𝑒 𝜂
1 𝑡−𝛾 𝛽
( )
=𝑒 𝜂
1 − 𝐹(𝑡)
1
ln (ln ( )) = 𝛽 ∗ ln(𝑡 − 𝛾) − 𝛽 ∗ ln(𝜂)
1 − 𝐹(𝑡)
Si igualamos a la ecuación de la recta:
1
𝑌 = ln (ln ( ))
1 − 𝐹(𝑡)
𝑋 = ln(𝑡 − 𝛾)
𝑎=𝛽
𝑏 = −𝛽 ∗ ln(𝜂)
Para resolver estas ecuaciones se recurrirá a la fórmula de Bernard y que es igual a:
𝑖 − 0.3
𝐹(𝑖) =
𝑛 + 0.4
a= 2.28
b= -19.11
𝛽 = 𝑎 = 2.28
𝑏 = −𝛽 ∗ ln(𝜂)
𝑏 −19.11
𝜂 = 𝑒 −𝑎 = 𝑒 −( 2.28
)
= 4449.64
𝑡−𝛾 𝛽
−( )
𝐹(𝑡) = 1 − 𝑒 𝜂
𝑡−𝛾 𝛽
−( )
fallas Horas (t) 𝐹(𝑡) = 1 − 𝑒 𝜂
1 520 0.0075
2 575 0.0095
3 1039 0.0359
4 1052 0.0369
5 1283 0.0573
6 1880 0.1314
7 2224 0.1865
8 2409 0.2193
9 2517 0.2393
10 2715 0.2774
11 2945 0.3236
12 3000 0.3349
13 3154 0.3668
14 3179 0.3721
15 3201 0.3767
16 3256 0.3882
17 3341 0.4061
18 3353 0.4086
19 3353 0.4086
20 3422 0.4232
21 3450 0.4291
22 3542 0.4485
23 3582 0.4569
24 3592 0.4590
25 3611 0.4630
26 3613 0.4634
27 3695 0.4807
28 3812 0.5051
29 3824 0.5076
30 3865 0.5161
31 3870 0.5171
32 3918 0.5270
33 3918 0.5270
34 3955 0.5346
35 3976 0.5389
36 4150 0.5740
37 4230 0.5898
38 4232 0.5902
39 4251 0.5940
40 4299 0.6033
41 4325 0.6084
42 4343 0.6118
43 4367 0.6164
44 4413 0.6252
45 4467 0.6354
46 4508 0.6430
47 4545 0.6499
48 4735 0.6840
49 4765 0.6892
50 4803 0.6957
51 4885 0.7096
52 4985 0.7261
53 5126 0.7484
54 5149 0.7519
55 5348 0.7812
56 6005 0.8616
57 6129 0.8741
58 6350 0.8942
59 6850 0.9307
60 7683 0.9687
Horas 𝑡−𝛾 𝛽
−( )
fallas (t) 𝐹(𝑡) = 1 − 𝑒 𝜂 Ŷi=ln(ln(1/1- 𝐹(𝑡)))
1 520 0.0075 -4.8843
2 575 0.0095 -4.6556
3 1039 0.0359 -3.3094
4 1052 0.0369 -3.2812
5 1283 0.0573 -2.8295
6 1880 0.1314 -1.9602
7 2224 0.1865 -1.5779
8 2409 0.2193 -1.3961
9 2517 0.2393 -1.2963
10 2715 0.2774 -1.1240
11 2945 0.3236 -0.9390
12 3000 0.3349 -0.8969
13 3154 0.3668 -0.7830
14 3179 0.3721 -0.7651
15 3201 0.3767 -0.7494
16 3256 0.3882 -0.7106
17 3341 0.4061 -0.6520
18 3353 0.4086 -0.6438
19 3353 0.4086 -0.6438
20 3422 0.4232 -0.5975
21 3450 0.4291 -0.5789
22 3542 0.4485 -0.5190
23 3582 0.4569 -0.4935
24 3592 0.4590 -0.4872
25 3611 0.4630 -0.4752
26 3613 0.4634 -0.4739
27 3695 0.4807 -0.4228
28 3812 0.5051 -0.3519
29 3824 0.5076 -0.3448
30 3865 0.5161 -0.3205
31 3870 0.5171 -0.3175
32 3918 0.5270 -0.2895
33 3918 0.5270 -0.2895
34 3955 0.5346 -0.2681
35 3976 0.5389 -0.2561
36 4150 0.5740 -0.1586
37 4230 0.5898 -0.1152
38 4232 0.5902 -0.1141
39 4251 0.5940 -0.1039
40 4299 0.6033 -0.0784
41 4325 0.6084 -0.0646
42 4343 0.6118 -0.0552
43 4367 0.6164 -0.0427
44 4413 0.6252 -0.0188
45 4467 0.6354 0.0089
46 4508 0.6430 0.0296
47 4545 0.6499 0.0482
48 4735 0.6840 0.1414
49 4765 0.6892 0.1558
50 4803 0.6957 0.1739
51 4885 0.7096 0.2124
52 4985 0.7261 0.2585
53 5126 0.7484 0.3219
54 5149 0.7519 0.3321
55 5348 0.7812 0.4184
56 6005 0.8616 0.6820
57 6129 0.8741 0.7285
58 6350 0.8942 0.8091
59 6850 0.9307 0.9816
60 7683 0.9687 1.2427
Del cuadro anterior obtenemos 𝑌̅, que es igual al promedio de la columna Ŷi:
𝑌̅ = −0.563
Yi=ln(ln(1/1- Ŷi=ln(ln(1/1-
Fi)) 𝐹(𝑡))) (Ŷi- Ῡ)^2 (Yi-Ῡ)^2
-4.452 -4.8843 18.672 15.122
-3.556 -4.6556 16.748 8.958
-3.085 -3.3094 7.542 6.359
-2.761 -3.2812 7.387 4.831
-2.513 -2.8295 5.136 3.803
-2.311 -1.9602 1.952 3.056
-2.141 -1.5779 1.030 2.489
-1.992 -1.3961 0.694 2.043
-1.861 -1.2963 0.538 1.684
-1.743 -1.1240 0.315 1.391
-1.635 -0.9390 0.141 1.148
-1.536 -0.8969 0.111 0.946
-1.444 -0.7830 0.048 0.775
-1.358 -0.7651 0.041 0.631
-1.277 -0.7494 0.035 0.509
-1.201 -0.7106 0.022 0.406
-1.128 -0.6520 0.008 0.319
-1.059 -0.6438 0.007 0.246
-0.993 -0.6438 0.007 0.185
-0.929 -0.5975 0.001 0.134
-0.868 -0.5789 0.000 0.093
-0.809 -0.5190 0.002 0.061
-0.752 -0.4935 0.005 0.036
-0.697 -0.4872 0.006 0.018
-0.643 -0.4752 0.008 0.006
-0.590 -0.4739 0.008 0.001
-0.539 -0.4228 0.020 0.001
-0.488 -0.3519 0.045 0.006
-0.439 -0.3448 0.048 0.015
-0.390 -0.3205 0.059 0.030
-0.343 -0.3175 0.060 0.049
-0.296 -0.2895 0.075 0.072
-0.249 -0.2895 0.075 0.099
-0.203 -0.2681 0.087 0.130
-0.157 -0.2561 0.094 0.165
-0.112 -0.1586 0.164 0.204
-0.067 -0.1152 0.201 0.247
-0.022 -0.1141 0.202 0.293
0.023 -0.1039 0.211 0.344
0.068 -0.0784 0.235 0.399
0.114 -0.0646 0.249 0.458
0.159 -0.0552 0.258 0.522
0.205 -0.0427 0.271 0.590
0.251 -0.0188 0.296 0.663
0.298 0.0089 0.327 0.742
0.346 0.0296 0.351 0.826
0.394 0.0482 0.374 0.917
0.444 0.1414 0.496 1.015
0.496 0.1558 0.517 1.121
0.549 0.1739 0.543 1.236
0.604 0.2124 0.601 1.362
0.661 0.2585 0.675 1.500
0.723 0.3219 0.783 1.653
0.788 0.3321 0.802 1.826
0.859 0.4184 0.964 2.022
0.937 0.6820 1.551 2.252
1.027 0.7285 1.669 2.529
1.134 0.8091 1.883 2.880
1.273 0.9816 2.386 3.370
1.495 1.2427 3.261 4.235
𝑛 𝑛
2
∑(𝑌̂𝑖 − 𝑌̅) = 80.294 ∑(𝑌𝑖 − 𝑌̅)2 = 89.019
𝑖 𝑖
Reemplazando:
2
2∑𝑛𝑖(𝑌̂𝑖 − 𝑌̅) 80.294
R = 𝑛 = = 0.902
∑𝑖 (𝑌𝑖 − 𝑌̅) 2 89.019
Grados de libertad: 𝒓 = 𝑵 − 𝟏 − 𝒑
𝑡−𝛾 𝛽
−( )
Fi=(i-0.3)/(n+0.4) F̂ i = 1 − 𝑒 𝜂 (Fi-F̂i)^2/(F̂i)
0.012 0.0075 0.0022
0.028 0.0095 0.0369
0.045 0.0359 0.0022
0.061 0.0369 0.0161
0.078 0.0573 0.0073
0.094 0.1314 0.0104
0.111 0.1865 0.0306
0.127 0.2193 0.0384
0.144 0.2393 0.0379
0.161 0.2774 0.0492
0.177 0.3236 0.0663
0.194 0.3349 0.0595
0.210 0.3668 0.0668
0.227 0.3721 0.0567
0.243 0.3767 0.0472
0.260 0.3882 0.0424
0.276 0.4061 0.0414
0.293 0.4086 0.0327
0.310 0.4086 0.0240
0.326 0.4232 0.0222
0.343 0.4291 0.0174
0.359 0.4485 0.0177
0.376 0.4569 0.0144
0.392 0.4590 0.0097
0.409 0.4630 0.0063
0.425 0.4634 0.0031
0.442 0.4807 0.0031
0.459 0.5051 0.0043
0.475 0.5076 0.0021
0.492 0.5161 0.0011
0.508 0.5171 0.0002
0.525 0.5270 0.0000
0.541 0.5270 0.0004
0.558 0.5346 0.0010
0.575 0.5389 0.0024
0.591 0.5740 0.0005
0.608 0.5898 0.0005
0.624 0.5902 0.0020
0.641 0.5940 0.0037
0.657 0.6033 0.0048
0.674 0.6084 0.0070
0.690 0.6118 0.0101
0.707 0.6164 0.0133
0.724 0.6252 0.0155
0.740 0.6354 0.0172
0.757 0.6430 0.0201
0.773 0.6499 0.0234
0.790 0.6840 0.0164
0.806 0.6892 0.0199
0.823 0.6957 0.0232
0.839 0.7096 0.0237
0.856 0.7261 0.0232
0.873 0.7484 0.0206
0.889 0.7519 0.0250
0.906 0.7812 0.0198
0.922 0.8616 0.0043
0.939 0.8741 0.0048
0.955 0.8942 0.0042
0.972 0.9307 0.0018
0.988 0.9687 0.0004
∑(Fi-
F̂i)^2/(F̂i)=1.0790
X^2= 1.0790
GRADO DE LIBERTAD DE 56
(Fuente: ttp://www.davidgiuliodori.com.ar/IUA_Estadistica_Superior.html)
Por lo que sí se puede usar la distribución de Weibull para los datos analizados.
b. PRUEBA DE KOLMOGOROV-SMIRNOV
𝐷 + 𝑛=max(Fn(x)−F(x))
𝐷 − 𝑛 =max(F(x)−Fn(x))
D=max[𝐷 + 𝑛, 𝐷 − 𝑛]
Donde:
Fn(x) es la frecuencia observada
Fn es la frecuencia esperada
𝑡−𝛾 𝛽
−( )
Fi=(i-0.3)/(n+0.4) 𝑒 𝜂
F̂ i = 1 − Fi-F̂i F̂i-Fi
0.012 0.0075 0.00405 -0.0041
0.028 0.0095 0.01868 -0.0187
0.045 0.0359 0.00882 -0.0088
0.061 0.0369 0.02437 -0.0244
0.078 0.0573 0.02048 -0.0205
0.094 0.1314 -0.03699 0.0370
0.111 0.1865 -0.07557 0.0756
0.127 0.2193 -0.09181 0.0918
0.144 0.2393 -0.09528 0.0953
0.161 0.2774 -0.11685 0.1169
0.177 0.3236 -0.14648 0.1465
0.194 0.3349 -0.14120 0.1412
0.210 0.3668 -0.15657 0.1566
0.227 0.3721 -0.14524 0.1452
0.243 0.3767 -0.13328 0.1333
0.260 0.3882 -0.12826 0.1283
0.276 0.4061 -0.12959 0.1296
0.293 0.4086 -0.11557 0.1156
0.310 0.4086 -0.09901 0.0990
0.326 0.4232 -0.09701 0.0970
0.343 0.4291 -0.08636 0.0864
0.359 0.4485 -0.08921 0.0892
0.376 0.4569 -0.08109 0.0811
0.392 0.4590 -0.06663 0.0666
0.409 0.4630 -0.05408 0.0541
0.425 0.4634 -0.03794 0.0379
0.442 0.4807 -0.03860 0.0386
0.459 0.5051 -0.04646 0.0465
0.475 0.5076 -0.03240 0.0324
0.492 0.5161 -0.02434 0.0243
0.508 0.5171 -0.00881 0.0088
0.525 0.5270 -0.00215 0.0022
0.541 0.5270 0.01440 -0.0144
0.558 0.5346 0.02337 -0.0234
0.575 0.5389 0.03563 -0.0356
0.591 0.5740 0.01706 -0.0171
0.608 0.5898 0.01777 -0.0178
0.624 0.5902 0.03394 -0.0339
0.641 0.5940 0.04677 -0.0468
0.657 0.6033 0.05396 -0.0540
0.674 0.6084 0.06548 -0.0655
0.690 0.6118 0.07857 -0.0786
0.707 0.6164 0.09052 -0.0905
0.724 0.6252 0.09831 -0.0983
0.740 0.6354 0.10469 -0.1047
0.757 0.6430 0.11360 -0.1136
0.773 0.6499 0.12332 -0.1233
0.790 0.6840 0.10577 -0.1058
0.806 0.6892 0.11710 -0.1171
0.823 0.6957 0.12710 -0.1271
0.839 0.7096 0.12977 -0.1298
0.856 0.7261 0.12987 -0.1299
0.873 0.7484 0.12414 -0.1241
0.889 0.7519 0.13717 -0.1372
0.906 0.7812 0.12444 -0.1244
0.922 0.8616 0.06054 -0.0605
0.939 0.8741 0.06467 -0.0647
0.955 0.8942 0.06112 -0.0611
0.972 0.9307 0.04120 -0.0412
0.988 0.9687 0.01969 -0.0197
D+max 0.137
D-max 0.157
D 0.157
GRADO DE CONFIANZA DE 95%
Por lo que:
D<Dcritico
0.157<0.176
Entonces, se demuestra que se puede usar la distribución weibull para los datos
analizados.
c. PRUEBA DE ANDERSON-DARLING
S= -62.5834762
A^2= 2.58347616
Comparando el valor anterior con los datos que aparecen en la tabla para una
distribución weibull, es mayor por lo que se descarta con esta prueba de ajuste el uso
de la distribución weibull para los datos analizados.
d. PRUEBA DE BONDAD DE AJUSTE DE SHAPIRO-WILKS
,
Siendo s2 la varianza muestral,
Frente a la alternativa:
H1: Si W > W tabla "la muestra no procede de una población normal".
Instrucciones
27 3695 3955
29 3824 3918
30 3865 3870
31 3870 3865
32 3918 3824
33 3918 3812
34 3955 3695
35 3976 3613
36 4150 3611
37 4230 3592
38 4232 3582
39 4251 3542
40 4299 3450
41 4325 3422
42 4343 3353
43 4367 3353
44 4413 3341
45 4467 3256
46 4508 3201
47 4545 3179
48 4735 3154
49 4765 3000
50 4803 2945
51 4885 2715
52 4985 2517
53 5126 2409
54 5149 2224
55 5348 1880
56 6005 1283
57 6129 1052
58 6350 1039
59 6850 575
60 7683 520
Analizamos el estadístico:
W>W tabla
4.57>0.974
CONCLUSIÓN
La muestra proviene de una distribución normal, por lo tanto podemos usar la
distribución de weibull.
COEFICIENTES a PARA LA PRUEBA DE NORMALIDAD DE SHAPIROWILK.