UNIVERSIDAD NACIONAL
PEDRO RUIZ GALLO
FACULTAD DE INGENERÍA CIVIL, SISTEMAS Y
ARQUITECTURA
ESCUELA PROFESIONAL DE INGENERÍA DE SISTEMAS
Pruebas de Uniformidad:
Prueba Kolmogorov-Smirnov
INTEGRANTES
Alva Gonzales Angie Maryline
Ayasta Portocarrero Denilson Homero
Flores Perez José Andrés
Mejia Rojas Nélida Yulissa
Reyes Cajo Celso Arcenio
Soplopuco Navarro Erick Xavier
ASIGNATURA
Modelamiento y Simulación
DOCENTE
Ing. Ronald Stalyn Morales Alarcón
Chiclayo 31 de octubre del 2020
ÍNDICE
1. Pruebas de uniformidad...................................................................................................2
2. Prueba de Kolmogorov....................................................................................................2
2.1. Tabla Kolmogorov-Smirnov....................................................................................3
2.2. Pasos a seguir en la prueba de Kolmogorov-Smimov..............................................5
2.3. Suposiciones en la prueba de Kolmogorov-Smimov...............................................5
2.4. Ventajas de la prueba de Kolmogórov-Smirnov......................................................5
2.5. Ejemplos...................................................................................................................6
Referencias y Bibliografía......................................................................................................9
1
Pruebas de Uniformidad:
Prueba Kolmogorov - Smirnov
Según [ CITATION Oxf20 \l 10250 ] uniformidad es la semejanza o igualdad que
presentan las características de los distintos elementos de un conjunto.
1. Pruebas de uniformidad
Una de las propiedades más importantes que debe cumple un conjunto de
números ri es la uniformidad. Para comprobar su acatamiento se han desarrollado
pruebas estadísticas tales como las pruebas Chi-cuadrada y de Kolmogorov-Smirnov.
En cualquiera de ambos casos, para probar la uniformidad de los números de un
conjunto ri es necesario formular las siguientes hipótesis:
Ho: r ∼ U(0,1)
H1: r1 no son uniformes
Existen dos métodos para realizar esta prueba:
Prueba de Kolmogorv-Smirnov.
Prueba de chi-cuadrado.
1. Prueba de Kolmogorov
Propuesta por Kolmogorov y Smirnov, esta es una prueba estadística que nos
sirve para determinar si un conjunto r cumple la propiedad de uniformidad. Es
recomendable aplicarla en conjuntos r, pequeños, por ejemplo, n < 20.
La prueba de Kolmogorov-Smimov es una alternativa para probar que una
muestra "proviene" de una distribución continua (Normal). Esta prueba se basa en la
2
comparación entre la función distribución acumulada de una distribución teórica Ft(X)
con la función distribución acumulada de la muestra Fm(X).
Si las funciones de distribución acumulada teórica y muestral no son
significativamente diferentes, entonces decimos que la muestra proviene de la
distribución cuya función distribución acumulada es Ft(X). Sin embargo, si las
diferencias entre las funciones de distribución acumuladas son muy grandes como para
que no sean debidas solamente al azar, rechazamos Ho.
Denótese por X(1), X(2), ..., X(n) a las observaciones ordenadas de una muestra
aleatoria de tamaño n y defínase la función de distribución acumulada muestral F(n)
como la proporción del número de valores en la muestra que son menores o iguales a x,
es decir,
Número de observaciones de la muestra ≤ x
Fn ( X )=
n
Sea, así F(x) la distribución teórica, completamente especificada, propuesta bajo
la hipótesis nula. Entonces, la estadística de Kolmogorov- Smirnov se define como:
Dn=max∨Fn(x)−F ( x )∨¿
Dn es la diferencia máxima entre la función de distribución amulada muestra
Fn(x) y la función de distribución acumulada hipotética F(x). Por lo que Dn tenderá a
ser pequeño cuando la hipótesis nula Ho es cierta, pero tenderá a ser grande si la
verdadera función de distribución acumulada es distinta de F(x)
La prueba de Kolmogorov-Smirnov se puede aplicar sobre una muestra para
comprobar si una variable (por ejemplo, las notas académicas o los ingresos €) se
distribuyen normalmente. Esto a veces es necesario saberlo, ya que muchas pruebas
paramétricas requieren que las variables que emplean sigan una distribución normal.
1.1. Tabla Kolmogorov-Smirnov
3
4
1.2. Pasos a seguir en la prueba de Kolmogorov-Smimov
a) Plantear la hipótesis:
Ho: Fm(X) = Ft(X) para todo X ∈ R
Ha: Fm(X) ≠ Ft(X) por lo menos para un X
b) Calcular todos los valores Fm(X) de la muestra X1, X2, …, Xn
c) Determinar la desviación máxima, que está dada por el supremo de los valores
absolutos de las diferencias entre los valores de la función acumulada teórica y
de la muestra:
D = sup ∣Fm(X) - Ft(X)∣
d) Escoger un nivel de significancia α (5%, 1% o semejante)
e) No se rechaza Ho si el valor calculado D es menor o igual que el valor de la tabla
de Kolmogorov, y se rechaza Ho si el valor calculado D es mayor que el de la
tabla.
1.3. Suposiciones en la prueba de Kolmogorov-Smimov
a) Muestras aleatorias
b) La población debe ser continua en la variable observada
c) La prueba no es válida si se tienen que estimar uno o más parámetros usando los
datos de la muestra.
1.4. Ventajas de la prueba de Kolmogórov-Smirnov
Es más poderosa que la prueba Chi cuadrado (χ²) (también prueba de bondad de
ajuste).
Es fácil de calcular y usar, y no requiere agrupación de los datos.
5
El estadístico es independiente de la distribución de frecuencias esperada, solo
depende del tamaño de la muestra.
1.5. Ejemplos
Ejemplo 1:
Los siguientes datos son las determinaciones de glucosa en la sangre en
mg/100 ml de 36 hombres adultos no obesos y aparentemente sanos. Deseamos
probar si estos datos provienen de una distribución normal con media de 80 y
desviación estándar de 6.
75 92 80 80 84 72
84 77 81 77 75 81
80 92 72 77 78 76
77 86 77 92 80 78
68 78 92 68 80 81
87 76 80 87 77 86
Planteamos la hipótesis:
Ho: Fm(X) = Ft(X) para todos los valores de X
Ha: Fm(X) ≠ Ft(X) para algún valor de X por lo menos
Realizamos los cálculos en la siguiente tabla:
Fm(X)
Ft(X)
Frecuencia (Frecuencia ( X −80)
x Frecuencia Z= (Probabilidades
acumulada Acumulada 6 acumuladas)
relativa)
68 2 2 0.0556 -2.00 0.0228
72 2 4 0.1111 -1.33 0.0918
75 2 6 0.1667 -0.83 0.2033
76 2 8 0.2222 -0.67 0.2514
77 6 14 0.3889 -050 0.3085
78 3 17 0.4722 -0.33 0.3707
80 6 23 0.6389 0.00 0.5000
81 3 26 0.7222 0.17 0.5675
84 2 28 0.7778 0.67 0.7486
86 2 30 0.8333 1.00 0.8413
6
87 2 32 0.8889 1.17 0.8700
92 4 36 1.000 2.00 0.9772
n=36
En la tabla de a continuación calculamos el valor
D = sup { ∣Ft(X) - Fm(X)∣ } = 0.1547
( X −80)
x Fm(X) Ft(X) ∣Ft(Xi) - Fm(Xi)∣ Z=
6
68 0.0556 0.0228 0.0328 0.0228
72 0.1111 0.0918 0.0193 0.0362
75 0.1667 0.2033 0.0366 0.0922
76 0.2222 0.2514 0.0292 0.0847
77 0.3889 0.3085 0.0804 0.0863
78 0.4722 0.3707 0.1015 0.0182
80 0.6389 0.5000 0.1389 0.0278
81 0.7222 0.5675 0.1547 0.0714
84 0.7778 0.7486 0.0292 0.0264
86 0.8333 0.8413 0.0080 0.0635
87 0.8889 0.8700 0.0099 0.0457
92 1.000 0.9772 0.0228 0.0883
Valor crítico: Para α = 5% y n=36 buscamos el valor teórico en la
tabla de Kolmogorov-Smimov que es 0.2212 (valor interpolado).
Decisión y conclusión: Como D = 0.1547 < 0.2212 no se rechaza H o,
por lo tanto, la muestra proviene de una distribución normal, con los
parámetros dados.
Ejemplo 2:
Las puntuaciones obtenidas por una muestra de sujetos en una prueba de
habilidad han sido las siguientes:
48.1 47.8 45.1 46.3 45.4 47.2 46.6 46
7
Sabiendo que la media en dicha prueba es 40 y su desviación típica es 3,
¿podemos afirmar que la distribución de las puntuaciones sigue una normal, con
un α = 0,01?
1.º Planteamos las hipótesis
H0: F (X) = Fs (X) de una N(µ, σ)
H1: F (X) ≠ Fs (X) de una N(µ, σ)
2.º Muestra: 8 observaciones independientes.
3.º Tipificamos las puntuaciones para poder trabajar con una N (0,1).
Xi Zj
48.1 2.7
47.8 2.6
45.1 1.7
46.3 2.1
45.4 1.8
47.2 2.4
46.6 2.2
46 2
4.º Ordenamos las puntuaciones, obtenemos Fs (X) y S (X) y calculamos la
diferencia entre ambas para cada valor de X
Zi Fs (X) S (X) ∣ Fs (X) - S (X) ∣
1.7 0.9554 0.125 0.8304
1.8 0.9641 0.250 0.7141
2.0 0.9772 0.375 0.6022
2.1 0.9821 0.500 0.4821
2.2 0.9861 0.625 0.3611
2.4 0.9918 0.750 0.2418
2.6 0.9953 0.875 0.1203
2.7 0.9965 1.000 0.0035
8
Para α = 0,01 y n = 8 en la tala encontramos un valor de 0,543, por tanto,
se rechaza H0.
Referencias y Bibliografía
García, E., Garcias, H., & Cárdenas, L. (2006). Simulación y análisis de sistemas
conProModel. México: Pearson Educacion.
Llina, H. (201). Estadística inferencial. Puerto RICO: Universidad Del Norte.
Oxford Languages. (s.f.). Busqueda por Uniformidad. Recuperado el 30 de Octubre de
2020, de https://www.google.com/search?
sxsrf=ALeKk03MwpR1F8IW7Fp7L90d_6xOCqfL3Q
%3A1604123206692&ei=RvqcX9fSKYTY5OUPkI-
rmAU&q=Uniformida&oq=Uniformida&gs_lcp=CgZwc3ktYWIQAzIECCMQJzIECC
MQJzIECCMQJzIFCAAQsQMyAggAMgIIADICCAAyBwgAEBQQhwIyAggAMgIIAD
oGCAAQFhAeUPQFWNoOYNk
