UNIVERSIDAD DEL NORTE
SIMULACION DE SISTEMAS
presenta:
INVESTIGACION BONDAD DEL AJUSTE
Alumna:
Mariana Gpe Gonzalez Zavala (44514)
30 de Enero del 2025
CHI CUADRADO
Chi Cuadrado o de Pearson, ésta es una distribución probabilística continua
que se apoya en un parámetro que representa los grados de libertad, la utilidad
de este tipo de distribución es que permite determinar la relación entre dos
variables, es decir, si existe o no, dependencia estadística entre ellas.
Una prueba de chi-cuadrado es una prueba de hipótesis que compara la
distribución observada de los datos con una distribución esperada de los datos.
La distribución de chi-cuadrada es una distribución continua que se especifica
por los grados de libertad y el parámetro de no centralidad. La distribución es
positivamente asimétrica, pero la asimetría disminuye al aumentar los grados de
libertad.
Cuando los grados de libertad son 30 o más, la distribución de chi-cuadrada
puede aproximarse razonablemente con una distribución normal, como se ilustra
en las siguientes gráficas:
Se denomina la prueba χ² (chi cuadrado) a cualquier prueba en la que el
estadístico utilizado sigue una distribución χ² si la hipótesis nula es cierta. Es
una prueba de hipótesis que compara la distribución observada de los datos
con una distribución esperada de los datos. Chi-Cuadrado es el nombre de una
prueba de hipótesis que determina si dos variables están relacionadas o no.
Se usa cuando se quiere probar la hipótesis de que unos datos muéstrales
provienen de una determinada distribución.
La prueba chi2 se basa en la comparación entre la frecuencia observada en un
intervalo de clase y la frecuencia esperada en dicho intervalo, calculada de
acuerdo con la hipótesis nula formulada. Es decir, se quiere determinar si las
frecuencias observadas en la muestra están lo suficientemente cerca de las
frecuencias esperadas bajo la hipótesis nula.
Para esta prueba es necesario agrupar o distribuir las observaciones de la muestra en
intervalos de clase, preferiblemente del mismo tamaño. El estadístico de prueba está
definido como:
Dónde: Oi = Total de valores que caen en el intervalo i.
Ei = Número esperado de valores en el intervalo i.
k = Número de intervalos de clase en que se distribuyen las observaciones.
PRUEBA DE KOLMOROV – SMIRNOV
Kolmorov es un tipo de prueba de Uniformidad
Desarrollada en la década de los treinta del siglo xx, esta prueba permite-al igual que
la prueba Chi-cuadrada- determinar la distribución de probabilidad de una serie de
datos. Una limitante de la prueba de Kolmogorov-Smirnov estriba en que solamente se
puede aplicar al análisis de variables continuas. El procedimiento general de la prueba
es:
1. Obtener al menos 30 datos de la variable aleatoria a analizar.
2. Calcular la media y la varianza de los datos.
3. Crear un histograma de m = √n intervalos, y obtener la frecuencia observada en
cada intervalo O.
4. Calcular la probabilidad observada en cada intervalo PO, = 0;/n, esto es, dividir la
frecuencia observada O, entre el número total de datos, n.
La prueba de Kolmogorov-Smirnov para una muestra es un procedimiento de "bondad
de ajuste", que permite medir el grado de concordancia existente entre la distribución
de un conjunto de datos y una distribución teórica específica. Su objetivo es señalar si
los datos provienen de una población que tiene la distribución teórica especificada, es
decir, contrasta si las observaciones podrían razonablemente proceder de la distribución
especificada.
Esta prueba se utiliza para contrastar la hipótesis nula de que dos muestras
independientes de tamaños n1 y n2 proceden de la misma población. El contraste se
basa en las diferencias entre las frecuencias relativas acumuladas hasta los mismos
puntos de corte correspondientes a las dos muestras. Si H0 es cierta es de esperar que
dichas diferencias sean pequeñas. Cuando la hipótesis alternativa no es direccional el
contraste es sensible a cualquier diferencia existente entre las dos poblaciones, no sólo
en cuanto a tendencia central, sino también en cuanto a forma, asimetría, etc.
EXTRA:
PRUEBA DE ANDERSON-DARLING
El estadístico Anderson-Darling mide qué tan bien siguen los datos una distribución
específica. Para un conjunto de datos y distribución en particular, mientras mejor se
ajuste la distribución a los datos, menor será este estadístico. Por ejemplo, usted puede
utlizar el estadístico de Anderson-Darling para determinar si los datos cumplen el
supuesto de normalidad para una prueba t.
Las hipótesis para la prueba de Anderson-Darling son:
H0: Los datos siguen una distribución especificada
H1: Los datos no siguen una distribución especificada
Utilice el valor p correspondiente (si está disponible) para probar si los datos provienen
de la distribución elegida. Si el valor p es menor que un nivel de significancia elegido
(por lo general 0.05 o 0.10), entonces rechace la hipótesis nula de que los datos
provienen de esa distribución. Minitab no siempre muestra un valor p para la prueba de
Anderson-Darling, porque este no existe matemáticamente para ciertos casos.
También puede utilizar el estadístico de Anderson-Darling para comparar el ajuste de
varias distribuciones con el fin de determinar cuál es la mejor. Sin embargo, para concluir
que una distribución es la mejor, el estadístico de Anderson-Darling debe ser
sustancialmente menor que los demás. Cuando los estadísticos están cercanos entre
sí, se deben usar criterios adicionales, como las gráficas de probabilidad, para elegir
entre ellos.
