4.5.1.

ESTADÍSTICAS DESCRIPTIVAS
 ESTADÍSTICAS DESCRIPTIVAS Discretas
Continuas

Es la técnica matemática que obtiene, organiza, presenta

y describe un conjunto de datos con el propósito de
facilitar su uso generalmente con el apoyo de tablas,
medidas numéricas o gráficas.

Permiten mostrar información

resumida de un conjunto de
datos, que puede ser una
representación de toda la
población o una muestra de
ella.
 BONDAD DE AJUSTE (EASYFIT)
Pruebas de Kolmogórov-Smirnov
Describe lo bien que se ajusta
un conjunto de observaciones, en Criterio de Cramér-Von Mises
general resumen la discrepancia
entre los valores observados y Prueba de Anderson-Darling
los que valores esperados en el
modelo de estudio.
Test de Shapiro-Wilk

Chi cuadrada

Criterio de Información de Akaike

 Prueba de prueba de
Kolmogórov-Smirnov para ajuste

4.5.2. MUESTRAS PEQUEÑAS de una distribución de

probabilidades continua hipotética
(en una hoja de cálculo o un
paquete estadístico).
 SOLAMENTE se
puede aplicar al
PRUEBA DE KOLMOGÓROV-SMIRNOV análisis de
variables continuas.

Ventajas Se trata de un método sencillo para

probar si existe una diferencia
significativa entre una distribución de
No requiere frecuencias observada y una
que los datos se
Es una prueba más poderosa y es más fácil de usar. agrupen de distribución de frecuencia teórica.
alguna manera.
Consiste en determinar la distribución
de probabilidad de una serie de
Independiente
Dn es un
estadístico de También de la distribución datos.
“distribución representado en de frecuencias
libre” . “c”. esperadas.
 LIBRO:
SIMULACIÓN y
análisis de
sistema con
PROCEDIMIENTO GENERAL Promodel.
Pág. 65-66

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 𝑂𝑖 .
4. Calcular la probabilidad observada en cada intervalo 𝑃𝑂𝑖 =
𝑂𝑖Τ
𝑛.

5. Acumular las probabilidades 𝑃𝑂𝑖 para obtener la probabilidad

observada hasta el i-esimo intervalo, 𝑃𝑂𝐴𝑖 .
 LIBRO:
SIMULACIÓN y
análisis de
6. Establecer la hipótesis nula, con la distribución de probabilidad que sistema con
se ajuste a la forma del histograma. Promodel.
7. Calcular la probabilidad esperada acumulada para cada intervalo, Pág. 65-66
𝑃𝐸𝐴𝑖 , a partir de la función de la probabilidad propuesta.
8. Calcular el estadístico de prueba

𝑐 = 𝑚á𝑥|𝑃𝐸𝐴𝑖 − 𝑃𝑂𝐴𝑖 | i= 1,2 ,3,...,k,....,m

9. Definir el nivel de significancia de la prueba ∝, y determinar el
valor critico de la prueba, 𝐷∝,𝑛 (Tabla).
10.Comparar el estadístico de prueba con el valor crítico. Si el
estadístico de prueba es menor que el valor crítico no se puede
rechazar la hipótesis nula.
 El valor del estadístico de prueba, c = 0.0375, comparado
con el valor de tablas crítico, 𝐷0.0.5,50 = 0.1923 indica que
NO PODEMOS RECHAZAR LA HIPÓTESIS de que la variable
aleatoria se comporta de acuerdo con una distribución de
Weibull con parámetro de escala 5.19 y parámetro deforma
1.38.
 AJUSTE DE DATOS CON STAT::FIT
La herramienta Stat: :Fit de
ProModel se utiliza para analizar
y determinar el tipo de
distribución de probabilidad de un
conjunto de datos. Esta programa
permite comparar los resultados
entre varias distribuciones
analizadas mediante una
calificación
Estadística descriptiva:
Muestra el resumen
estadístico de la
variable.
Pruebas de Bondad de Ajuste
más conocidas, como son:
a. Anderson-Darling.
b. Chi-Cuadrada.
c. Kolmogórov-Smirnov
 Usando el menú de Ajuste del Stat::Fit;
hacemos clic en el menú Fit y luego en la
opción Goodness of Fit (Ajuste) para
realizar las pruebas.

Automatic Fitting, donde se describen las

distribuciones de probabilidades
analizadas, su posición de acuerdo con
el ajuste, y si los datos siguen o no
algunas de las distribuciones conocidas.
 Prueba de Karl-Pearson para
ajuste de una distribución de

4.5.3. MUESTRAS GRANDES

probabilidades hipotética,
discreta o continua (en una hoja
de cálculo o un paquete
estadístico).
PRUEBA DE CHI-CUADRADA
Se trata de una prueba de hipótesis a partir de
datos, basadas en el calculo de un valor llamado
estadístico de prueba, el cual suele comparársele
con un valor conocido como valor crítico, mismo que
se obtiene, generalmente, de tablas estadísticas.
 LIBRO:
SIMULACIÓN y
análisis de
sistema con
PROCEDIMIENTO GENERAL Promodel.
Pág. 63

1. Obtener al menos datos de la variable aleatoria analizar.

2. Calcular la media y varianza de los datos.
3. Crear un histograma de m= 𝑛 intervalos, y obtener la
frecuencia observada en cada intervalo 𝑂𝑖 .
4. Establecer explícitamente la hipótesis nula, mediante una
distribución de probabilidad que se ajusta a la forma del
histograma.
5. Calcular la frecuencia esperada, Ei , a partir de la función de
probabilidad propuesta.
6. Calcular el estadístico de prueba

7. Definir el nivel de significancia de la prueba, 𝛼, y determinar el

2
valor crítico de la prueba 𝜒𝛼,𝑚−𝑘−1 (es el número de
parámetros estimados para la distribución propuesta).
8. Comparar el estadístico de prueba con el valor critico. Si el
estadístico de prueba es menor que el valor critico no se puede
rechazar la hipótesis nula.
 Anderson-Darling,
4.5.4. OTRAS PRUEBAS Prueba G.
 LIBRO:
SIMUALCIÓN y
análisis de
sistema con
PRUEBA ANDERSON-DARLING Promodel.
Pág. 68

 Se dio a conocer en 1954.

 Tiene como propósito corroborar si una muestra de variables
aleatorias proviene de una población con una distribución de
probabilidad específica.
 En realidad se trata de una modificación de la prueba de
Kolmogórov-Smirnov, aunque tiene la virtud de detectar las
discrepancias en los extremos de las distribuciones.
 La principal desventaja es que es necesario calcular los valores críticos
para cada distribución.
 La prueba es muy sensible en los extremos de la distribución, por lo
que debe usarse con mucho cuidado en distribuciones con límite inferior
acotado.
 No es confiable para distribuciones de tipo discreto.
 En la actualidad es posible encontrar tablas de valores críticos para
las distribuciones normal, log-normal, exponencial, log-logística, de
Weibull y valor extremo tipo I.
 LIBRO:
Handbook of
Biological

PRUEBA G DE BONDAD DE AJUSTE Statistics.

Pág. 53

 También se conoce como la prueba de razón de verosimilitud, la

prueba log-verosimilitud de la razón o la prueba de G2.
Se utiliza cuando se tiene una variable nominal con dos o más
valores (por ejemplo, las flores macho y hembras, o rojo, rosados y
blanco), se quiere ver si el número de observaciones en cada
categoría se ajusta una expectativa teórica (como una proporción de
sexos con ratio de 1:1 o el ratio de 1:2:1 en un cruce genético), y el
tamaño de muestra es grande.
 Si el número esperado de observaciones en cualquier categoría es
demasiado pequeño, la prueba puede dar resultados inexactos.
Es una alternativa a la prueba de Chi-cuadrado de bondad de
ajuste; cada una tiene ventajas y desventajas, los resultados son
generalmente muy similares.
La hipótesis nula es que el número de observaciones en cada
categoría es igual a la predicha por una teoría biológica, y la hipótesis
alternativa es que los números observados son diferentes de lo
esperado.
 REFERENCIAS
 https://www.enciclopediafinanciera.com/definicion-estadistica-descriptiva.html
 https://www2.ulpgc.es/hege/almacen/download/5/5015/Complemento_3_Prueba_de_Bon
dad_de_Ajuste_de_Kolmogorov_Smirnov.pdf
 https://es.slideshare.net/carlosbehe/pruebas-de-bondad-de-ajuste
 https://jrvargas.files.wordpress.com/2010/02/guia1_industrial.pdf
 http://www.biostathandbook.com/gtestgof.html

 García Duna, Eduardo; García Reyes, Heriberto y Cadenas Barrón, Leopoldo, E. Simulación
y análisis de sistemas con Promodel. Segunda edición. PEARSON. México, 2013.
 Levin, Richard I. y Rubin, David S. Estadística para administración y economía. Séptima
edición revisada. PEARSON EDUCACIÓN, México, 2010.
 McDonald, J.H. (2014). "G–test of goodness-of-fit". Handbook of Biological Statistics (Third
ed.). Baltimore, Maryland: Sparky House Publishing.