EI.

Contenido
3. Bondad de Ajuste
3.1. Prueba Ji-Cuadrada
3.2. Prueba Kolmogorov-Smirnov
Objetivo
Aplicar bondad de ajuste para probar los supuestos acerca
de la distribución de la población de la que se extrae una
muestra
 Prueba Ji-cuadrado de INDEPENDENCIA
Estamos interesados en investigar si dos variables categóricas (factores) están
relacionadas o asociadas (dependientes); de esta manera asumimos que NO LO
SON hasta que se tenga evidencia de que son dependientes.

𝐻0 : El factor A es estocásticamente independiente del factor B

𝐻1 : Los factores A y B no son estocásticamente independientes
 Prueba Ji-cuadrado de INDEPENDENCIA (2)
Supongamos que se tienen los datos de afiliación a un partido político (factor A con 2
niveles) y la opinión sobre una reforma tributaria (factor B con 3 niveles) de “n” personas.
Podríamos construir un Tabla de Contingencia detallando las 6 dimensiones…

Partido Político Opinión respecto a reforma tributaria (Factor B)

(Factor A) A favor Indiferente Opuesto
Izquierda 𝑛11 𝑛12 𝑛13
Derecha 𝑛21 𝑛22 𝑛23

Donde:
𝑛 = 𝑛11 + 𝑛12 + 𝑛13 + 𝑛21 + 𝑛22 + 𝑛23
 Prueba Ji-cuadrado de INDEPENDENCIA (3)
A partir de los datos mencionados podemos estimar la probabilidad 𝑝𝑖𝑗 de que una
persona se encuentre en el 𝑛𝑖𝑣𝑒𝑙 𝑖 y al mismo tiempo en el 𝑛𝑖𝑣𝑒𝑙 𝑗, de manera que:
𝑛𝑖𝑗
𝑝𝑖𝑗 =
𝑛
Factor B Marginal del
Factor A A favor Indiferente Opuesto Factor A
Izquierda 𝑝11 𝑝12 𝑝13 𝑝11 + 𝑝12 + 𝑝13
Derecha 𝑝21 𝑝22 𝑝23 𝑝21 + 𝑝22 + 𝑝23
Marginal del
Factor B 𝑝11 + 𝑝21 𝑝12 + 𝑝22 𝑝13 + 𝑝23 1
Estimación de la Distribución conjunta y marginales de dos factores
 Prueba Ji-cuadrado de INDEPENDENCIA (4)
Supongamos que A toma r valores (r niveles) y que B toma c valores (c niveles); en esta
clasificación “cruzada” podemos construir la tabla de contingencia en el que se detalle cada
una de las 𝑟 𝑥 𝑐 celdas y dentro de ellas el valor de 𝑛𝑖𝑗 , 𝑖 = 1; 2; … ; 𝑟 𝑗 = 1; 2; … ; 𝑐 Así como
las sumas de los valores en las celdas dadas por 𝑛𝑖. y 𝑛.𝑗

Factor B 𝑛𝑖.
Factor A 1 2 … c 𝑐 𝑟

1 𝑛11 𝑛12 … 𝑛1𝑐 𝑛1. 𝑛𝑖. = 𝑛𝑖𝑗 𝑛.𝑗 = 𝑛𝑖𝑗

𝑗=1 𝑖=1
2 𝑛21 𝑛22 … 𝑛2𝑐 𝑛2.
𝑟 𝑐
𝑛𝑖𝑗
…

…
𝑛.. = 𝑛𝑖𝑗 = 𝑛
r 𝑛𝑟1 𝑛𝑟2 … 𝑛𝑟𝑐 𝑛𝑟. 𝑖=1 𝑗=1
𝑛.𝑗 𝑛.1 𝑛.2 … 𝑛.𝑐 𝑛

Tabla de contingencia para dos factores

 Prueba Ji-cuadrado de INDEPENDENCIA (5)
Pregunta: ¿Son los factores A y B independientes?
𝐻0 : El factor A es estocásticamente independiente del factor B
𝐻1 : Los factores A y B no son estocásticamente independientes

Si la fuera 𝐻0 cierta, debe cumplirse que:

𝑝𝑖𝑗 = 𝑝𝑖 ∗ 𝑝𝑗 ; 𝑝𝑎𝑟𝑎 𝑖 = 1,2, … , 𝑟; 𝑦, 𝑝𝑎𝑟𝑎 𝑗 = 1,2, … , 𝑐
Donde:
𝑛𝑖. 𝑛.𝑗
𝑝𝑖 = 𝑝𝑗 =
𝑛 𝑛

Por tanto: 𝐻0 : 𝑝𝑖𝑗 = 𝑝𝑖. ∗ 𝑝.𝑗 Ɐ(i,j)

𝑛𝑖𝑗 = 𝑛𝑝𝑖𝑗 𝐻1 : 𝑝𝑖𝑗 ≠ 𝑝𝑖. ∗ 𝑝.𝑗
 Prueba Ji-cuadrado de INDEPENDENCIA (6)
Bajo el supuesto de que 𝐻0 es verdadera, la variable aleatoria 𝑛𝑖𝑗 se espera tenga:

𝐸𝑖𝑗 = 𝐸(𝑛𝑖𝑗 ) = 𝑛 𝑥 𝑝𝑖𝑗

𝑛𝑖. 𝑛.𝑗 𝑛𝑖. 𝑛.𝑗

= 𝑛 𝑥 𝑝𝑖 𝑥 𝑝𝑗 = 𝑛 =
𝑛 𝑛 𝑛

De esta manera se espera leer 𝑬𝒊𝒋 bajo 𝐻0 verdadera; sin embargo lo que se observa
está dado por 𝒏𝒊𝒋 , valor que de cumplirse el supuesto de independencia de los
factores A y B debe ser cercano a 𝐸𝑖𝑗
 Prueba Ji-cuadrado de INDEPENDENCIA (7)
Basados en que:
𝑋𝑖 − 𝑛𝑖 𝑝𝑖
𝑍𝑖 = ; 𝑖 = 1,2, … , 𝑘
𝑛𝑖 𝑝𝑖 (1 − 𝑝𝑖 )

Converge en Distribución a una normal estándar. Por lo que, el tamaño de la muestra debe
ser grande y 𝑍𝑖2 es Ji-Cuadrado con 1 grado de libertad. Bajo estas condiciones el estadístico:
𝑟 𝑐
(𝑛𝑖𝑗 − 𝐸𝑖𝑗 )2
𝜒2 =
𝐸𝑖𝑗
𝑖=1 𝑗=1

Puede ser aproximado a una variable aleatoria Ji-cuadrado con (r-1)(c-1) grados de libertad.
 Prueba Ji-cuadrado de INDEPENDENCIA (8)
Finalmente la 𝐻0 debe ser rechazada en favor de 𝐻1 si el estadístico de prueba 𝝌𝟐
es mayor que el percentil 1 − 𝛼 100% de la distribución 𝜒 2 que tiene (r-1)(c-1)
2
grados de libertad y que está denotado por 𝜒(𝛼,(𝑟−1)(𝑐−1))

RECHAZO 𝐻0 , si:
2
𝝌𝟐 ≥ 𝜒(𝛼,(𝑟−1)(𝑐−1))

2
𝜒(𝛼,(𝑟−1)(𝑐−1))

Nota: Para aplicar la prueba de independencia es necesario

que en cada celda existan observaciones, y se sugiere que
exista un mínimo de éstas (al menos 5)
 Prueba Ji-cuadrado de INDEPENDENCIA (9)
Ejemplo:
Vamos a aplicar la Prueba de Independencia Chi-cuadrado a una muestra aleatoria de 500 adultos
que son interrogados sobre su afiliación política y su opinión sobre un proyecto de ley de reforma
tributaria. Comprobaremos si la afiliación política y la opinión sobre el proyecto de ley dependen a un
nivel de significancia del 5%.
Partido Opinión respecto a reforma tributaria
Político (Factor B) Total
(Factor A) A favor Indiferente Opuesto
Izquierda 138 83 64 𝑛1. = 285
Derecha 64 67 84 𝑛2. = 215
Total 𝑛.1 = 202 𝑛.2 = 150 𝑛.3 = 148 500

285(202) 285(150) 285(148)

𝐸11 = = 115,14 𝐸12 = = 85,5 𝐸13 = = 84,36
500 500 500
215(202) 215(150) 215(148)
𝐸21 = = 86,86 𝐸22 = = 64,5 𝐸23 = = 63,64
500 500 500
 Prueba Ji-cuadrado de INDEPENDENCIA (10)
Ejemplo:
Partido Opinión respecto a reforma tributaria
Político (Factor B) Total
(Factor A) A favor Indiferente Opuesto
Izquierda 138 83 64 𝑛1. = 285
Derecha 64 67 84 𝑛2. = 215
Total 𝑛.1 = 202 𝑛.2 = 150 𝑛.3 = 148 500

𝑟 𝑐 2 3
2
(𝑛𝑖𝑗 − 𝐸𝑖𝑗 )2 (𝑛𝑖𝑗 − 𝐸𝑖𝑗 )2
𝜒 = =
𝐸𝑖𝑗 𝐸𝑖𝑗
𝑖=1 𝑗=1 𝑖=1 𝑗=1

(138−115,14)2 (83−85,50)2 (64−84,36)2 64−86,86)2 (67−64,50)2 (84−63,64)2

= + + + + + = 22,15
115,14 85,50 84,36 86,86 64,50 63,64
 Prueba Ji-cuadrado de INDEPENDENCIA (11)
Ejemplo:

RECHAZO 𝐻0 , si:

2
𝝌𝟐 ≥ 𝜒(𝛼,(𝑟−1)(𝑐−1))
𝟐𝟐, 𝟏𝟓 > 5,991
2
𝜒(0.05, 2) = 5,991 Calculando el p-valor:
2 2
𝜒(𝛼,(𝑟−1)(𝑐−1)) = 𝜒(0.05,(2−1)(3−1)) 𝑃 = 𝑃 χ2 > 22.15 ≈ 0,00

Dado que el p-valor es menor que 0.05 Rechazamos la

𝐻0 de que la afiliación política y la opinión sobre la
reforma tributaria son independientes.
 Método Ji-cuadrado de Pearson para BONDAD DE
AJUSTE
¿Qué es Bondad de Ajuste?
Es un procedimiento que permite determinar, con cierto nivel de confianza, si es que la
muestra con la que trabajamos posibilita afirmar, que ha sido tomada de una u otra
población específica.
A partir de la teoría de prueba de independencia de variables categóricas, utilizando Tablas
de contingencia, el método ji-cuadrado de Pearson para bondad de ajuste supone que:
𝑿𝑇 = (𝑋1 𝑋2 𝑋3 … 𝑋𝑛 )
Cada 𝑋𝑖 puede ser clasificada en una de las k categorías (𝐴1 , 𝐴2 , 𝐴3 , … , 𝐴𝑘 ) en las
que se particiona el soporte S de la población X de la que se toma la muestra X.
La probabilidad de que 𝑋𝑖 ϵ 𝐴𝑗 (𝑖 = 1,2, . . , 𝑛 ; 𝑗 = 1,2, . . , 𝑘 ), viene determinada
por un modelo probabilístico que se postula en la hipótesis nula del contraste.
 Método Ji-cuadrado de Pearson para BONDAD DE
AJUSTE (2)
El contraste de hipótesis para Bondad de Ajuste se establece así:
𝑯𝟎 : La muestra X ha sido tomada de una población X que tiene distribución 𝐹0
𝑯𝟏 : No es verdad que la muestra X ha sido tomada de una población X que tiene distribución 𝐹0

Con 1 − 𝛼 100% de confianza, la hipótesis nula debe ser rechazada si:

𝑘
(𝑛𝑗 − 𝐸𝑗 )2 2 𝐸𝑖 = 𝑛𝑝𝑖
𝜒2 = > 𝜒(𝛼; 𝑘−𝑝−1)
𝐸𝑗 𝑝𝑖 = 𝑃 𝑋ϵ𝐴𝑖 bajo 𝑯𝟎 verdadera
𝑗=1

Donde:
𝑛: 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎
𝑘: 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑟𝑒𝑔𝑖𝑜𝑛𝑒𝑠 𝑒𝑛 𝑙𝑜𝑠 𝑞𝑢𝑒 𝑠𝑒 𝑝𝑎𝑟𝑡𝑖𝑐𝑖𝑜𝑛𝑎 𝑒𝑙 𝑠𝑜𝑝𝑜𝑟𝑡𝑒 𝑆 𝑑𝑒 𝑋
𝑝: 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑎𝑟á𝑚𝑒𝑡𝑟𝑜𝑠 𝑞𝑢𝑒 𝑠𝑒 𝑒𝑠𝑡é𝑛 𝑒𝑠𝑡𝑖𝑚𝑎𝑛𝑑𝑜 𝑏𝑎𝑗𝑜 𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑑𝑎𝑑𝑜
 Método Ji-cuadrado de Pearson para BONDAD DE
AJUSTE (3)
Ejemplo 1: Accidentes de tránsito
A continuación se presenta la cantidad de accidentes de tráfico que involucran a niños,
dentro de un perímetro de 2 km de las escuelas.

1.- Establecer el Contraste de hipótesis

Día No. Accidentes
(observados) 𝑯𝟎 : Hay la misma cantidad de accidentes cada día de la semana
Lunes 23 𝑯𝟏 : NO hay la misma cantidad de accidentes cada día de la semana
Martes 18
Miércoles 17 Si esperamos que ocurra el mismo número de accidentes
Jueves 19 por día, asumimos que el número de accidentes es
Viernes 23 20/día
 Método Ji-cuadrado de Pearson para BONDAD DE
AJUSTE (4)
Ejemplo 1: Accidentes de tránsito
2.- Calculamos el estadístico de prueba

Día No. Accidentes No. Accidentes (𝑛𝑗 − 𝐸𝑗 )2 𝑘

(observados) (esperados) 𝐸𝑗 (𝑛𝑗 − 𝐸𝑗 )2
𝜒2 = = 0,45 + 0,2 + 0,45
Lunes 23 20 0,45 𝐸𝑗
𝑗=1
Martes 18 20 0,20
= 0,45 + 0,20 + 0,45 + 0,05 + 0,45
Miércoles 17 20 0,45
Jueves 19 20 0,05 𝜒 2 = 1,60
Viernes 23 20 0,45
 Método Ji-cuadrado de Pearson para BONDAD DE
AJUSTE (5)
Ejemplo 1: Accidentes de tránsito
2
3.- Determinamos el valor teórico/crítico 𝜒(𝛼; 𝑘−𝑝−1)
𝑣 = 𝑘−𝑝−1= 5−0−1= 𝟒

Con 4 grados de libertad y los siguientes niveles de confianza

obtenemos:
Nivel de significancia 10% 5% 1%
Valor teórico 7,779 9,488 13,277
𝑘
(𝑛𝑗 − 𝐸𝑗 )2
𝜒2 = = 𝟏, 𝟔𝟎
𝐸𝑗
𝑗=1 No hay evidencia para rechazar 𝑯𝟎 , concluimos que el
número de accidentes es, en general, el mismo para
cada día de la semana…
 Método Ji-cuadrado de Pearson para BONDAD DE
AJUSTE (6)
Ejemplo 2: Accidentes laborales
Los datos representan el número de pequeñas fábricas en el norte de Inglaterra en las cuales
las lesiones laborales resultaron en reclamos de compensación entre abril de 2003 y marzo
de 2004.
No. Reclamaciones Frecuencia Observada
0 144
1 91
Podríamos usar una distribución de
2 32
probabilidad para representar el número
3 11 de accidentes que podríamos esperar.
4 2 Pero, ¿qué distribución de probabilidad
5+ 0 podríamos usar?
Total 280
 Método Ji-cuadrado de Pearson para BONDAD DE
AJUSTE (7)
Ejemplo 2: Accidentes laborales

1.- Establecer el contraste de hipótesis

𝑯𝟎 : Las reclamaciones siguen una distribución Poisson
𝑯𝟏 : Las reclamaciones NO siguen una distribución Poisson

2.- Calcular el estadístico de prueba de bondad de ajuste

𝑒 −λ λ𝑥
𝐸𝑖 = 𝑛𝑝𝑖 𝑃 𝑋=𝑥 =
𝑥!
Es preciso calcular λ:
(0 ∗ 144) + (1 ∗ 91) + (2 ∗ 32) + (3 ∗ 11) + (4 ∗ 2)
λ= = 0,7
280
 Método Ji-cuadrado de Pearson para BONDAD DE
AJUSTE (8)
Ejemplo 2: Accidentes laborales

2.- Calcular el estadístico de prueba de bondad de ajuste

λ = 0,7 𝑒 −0,7 0,70 𝑒 −0,7 0,71

𝑃 𝑋=0 = = 0,497 𝑃 𝑋=1 = = 0,348
𝑒 −λ λ𝑥 0! 1!
𝑃 𝑋=𝑥 = 𝑒 −0,7 0,72 𝑒 −0,7 0,73
𝑥!
𝑃 𝑋=2 = = 0,122 𝑃 𝑋=3 = = 0,028
2! 3!
𝐸𝑖 = 𝑛𝑝𝑖
𝑒 −0,7 0,74 𝑒 −0,7 0,75
𝑃 𝑋=4 = = 0,005 𝑃 𝑋=5 = = 0,0007
4! 5!
 Método Ji-cuadrado de Pearson para BONDAD DE
AJUSTE (9)
Ejemplo 2: Accidentes laborales

2.- Calcular el estadístico de prueba de bondad de ajuste

No. Frecuencia Probabilidad Frecuencia Esperada
Reclamaciones Observada Esperada 𝐸𝑖 = 𝑛𝑝𝑖
0 144 0,497 139,05
1 91 0,348 97,33
2 32 0,122 34,07
3 11 0,028 7,95 ¿Es válido realizar una
4 2 0,005 1,4 prueba Ji-cuadrado con
5+ 0 0,0007 0,20 esta disposición de
Total 280 280
datos?
 Método Ji-cuadrado de Pearson para BONDAD DE
AJUSTE (10)
Ejemplo 2: Accidentes laborales

2.- Calcular el estadístico de prueba de bondad de ajuste

No. Frecuencia Probabilidad Frecuencia Esperada (𝑛𝑗 − 𝐸𝑗 )2
Reclamaciones Observada Esperada 𝐸𝑖 = 𝑛𝑝𝑖 𝐸𝑗

0 144 0,497 139,05 0,176

1 91 0,348 97,33 0,411
2 32 0,122 34,07 0,126
3+ 13 0,034 9,55 1,248
Total 280 1,961
 Método Ji-cuadrado de Pearson para BONDAD DE
AJUSTE (11)
Ejemplo 2: Accidentes laborales
2
3.- Determinamos el valor teórico/crítico 𝜒(𝛼; 𝑘−𝑝−1)
𝑣 =𝑘−𝑝−1=4−1−1=𝟐

Con 4 grados de libertad y los siguientes niveles de confianza

obtenemos:
Nivel de significancia 10% 5% 1%
Valor teórico 4,61 5,99 9,21
𝑘
(𝑛𝑗 − 𝐸𝑗 )2
𝜒2 = = 0,176 + 0,411 + 0,126 + 1,248 No hay evidencia para rechazar 𝑯𝟎 , podemos
𝐸𝑗 decir que los valores observados coinciden con
𝑗=1
los que esperaríamos ver de una distribución de
𝜒 2 = 𝟏, 𝟗𝟔𝟏 Poisson con un valor de λ = 0,7
 Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE
Suponga que tenemos observaciones 𝑋1 , 𝑋2 , 𝑋3 ,…, 𝑋𝑛 , las cuales pensamos que
tienen una distribución 𝐹0 . Se utiliza el Test de Kolmogorov-Smirnov para el
siguiente contraste:

𝑯𝟎 : Las muestras provienen de una distribución 𝐹0

𝑯𝟏 : ⅂𝑯𝟎
 Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE (2)
Recordar:
La función de distribución acumulada de una v.a. X se denota como:
𝑭 𝒙 = 𝑷(𝑿 ≤ 𝒙)

Dadas las observaciones 𝑋1 ,…, 𝑋𝑛 , la función de distribución empírica nos indica la proporción
de datos que se encuentra por debajo de 𝑥

# 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑜𝑟 𝑑𝑒𝑏𝑎𝑗𝑜 𝑑𝑒 𝑥

𝑭𝒐𝒃𝒔 (𝒙) =
# 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠
 Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE (3)
El propósito es comparar la función de distribución empírica de los datos,
𝑭𝒐𝒃𝒔 o 𝑭 𝒙 , con la función de distribución acumulada bajo 𝑯𝟎 , es decir,
𝑭𝒆𝒔𝒑 o 𝑭(𝒙) . Por tanto, el estadístico de Kolmogorov-Smirnov se expresa como:

𝑫𝒏 = 𝐦𝐚𝐱 𝑭 𝒙 − 𝑭 𝒙
𝒙

Con (1-α)100% de confianza, la hipótesis nula del contraste debe ser rechazada si:
𝑚𝑎𝑥 𝐹 𝑥 − 𝐹 𝑥 > 𝐷𝑛,𝛼
𝑥
 Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE (4)
Ejemplo:
Suponga que se le han entregado estos 100 datos, y debe probar si éstos vienen
de una distribución N(0,1)…
 Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE (5)
Ejemplo:
1.- Ordenamos los datos
 Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE (6)
Ejemplo:
2.- Calculamos la función de distribución empírica (lo OBSERVADO):
1
𝑭 −𝟑, 𝟔𝟖 =
100
2
𝑭 −𝟐, 𝟐𝟖 =
100
3
𝑭 −𝟏, 𝟗𝟕 =
100

𝑖
𝑭 𝒙𝒊 =
100
 Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE (7)
Ejemplo:
3.- Calculamos la función de distribución acumulada bajo Ho (lo ESPERADO):

Dado que en este caso nos indican

que los datos provienen de una
N(0,1), utilizaremos la tabla de la
normal estándar…
 Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE (8)
Ejemplo:
4.- Calculamos las diferencias absolutas entre ambas tablas y obtenemos:

𝑫𝒏 = 𝐦𝐚𝐱 𝑭 𝒙 − 𝑭 𝒙
𝒙
 Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE (9)
Ejemplo:
5.- Contrastamos el estadístico de prueba y el valor crítico/teórico
Recurrimos a la Tabla K-S, en el que para muestras mayores a 50 y un nivel de significación α = 0,05,
obtenemos el valor crítico mediante:
1,36 1,36
𝐷𝑛,𝛼 = = = 0,136
𝑛 100

Con (1 - 0,05)100% de confianza, la hipótesis nula del contraste debe ser rechazada si:
𝑚𝑎𝑥 𝐹 𝑥 − 𝐹 𝑥 > 𝐷𝑛,𝛼
𝑥 No rechazamos Ho, por
0,092 < 0,136 tanto, los datos provienen
de una N(0,1)
 Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE (10)
Ejemplo: La información actual que
tiene como media 66,51 y
desviación estándar 18,26

Esta es la densidad de una

distribución teórica normal
calculada, de unos datos que
tienen media 66,51 y
desviación estándar 18,26

¿La información actual es estadísticamente diferente que el

calculado a partir de una curva normal?
 Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE (11)
Para saber si ajustan o no una distribución normal, existen varios métodos
que pueden ser gráficos o estadísticos…
Gráficos:
 Q-Q Plots
 P-P Plots - Frecuencia acumulada

Estadísticos:
 W-S test
 P-P Plots - Frecuencia acumulada
 Shapiro-Wilks test
 Kolmogorov-Smirnov test
 Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE (12)
A continuación se presenta el Q-Q Plot de los valores observados vs. Datos
distribuidos normalmente (representados por la línea)…
 Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE (13)
Los métodos gráficos no son usualmente confiables cuando trabajamos con
una muestra pequeño. Este gráfico no parecería normal pero…

Estos datos NO SON

SIGNIFICATIVAMENTE diferentes de
una normal…
Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE (14)
Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE (15)
Método Kolmogorov-Smirnov para BONDAD DE
AJUSTE (16)