3 Parcial

Preguntas de respuesta abierta

1. Defina y explique cuando se deben aplicar las pruebas de bondad o ajuste.
Adicionalmente, explique el modelo de pruebas K-S y sus ventajas:

 Estas herramientas se pueden usar para evaluar si una muestra de datos

se ajusta a una distribución de probabilidad específica. Estas pruebas se
aplican cuando se tiene interés en conocer si una muestra de datos sigue
una distribución teórica determinada (como la distribución normal, la
distribución exponencial
 es una de las pruebas más comunes de bondad de ajuste. Esta prueba se
utiliza para determinar si una muestra de datos sigue una distribución
específica comparándola con una distribución teórica o de referencia. El
procedimiento de la prueba K-S implica calcular la diferencia acumulativa
máxima entre la función de distribución acumulativa (CDF) empírica de la
muestra y la función de distribución acumulativa teórica asumida. Si los
datos se ajustan a la distribución teórica, se espera que esta diferencia
sea pequeña y no significativa estadísticamente.

Sus ventajas son las siguientes:

a) Universalidad: La prueba K-S es aplicable a una amplia gama de
distribuciones de probabilidad, lo que la hace versátil y útil en
diferentes contextos.

b) Simplicidad: Es relativamente fácil de entender y de implementar.

c) No requiere parámetros adicionales: A diferencia de algunas otras

pruebas de bondad de ajuste, la prueba K-S no requiere
estimaciones adicionales de parámetros.

2. Defina y explique las ventajas del modelo de Montecarlo y los estimativos

puntuales. Sea lo más detallado posible.
 El método de Montecarlo es una técnica numérica que utiliza el
muestreo aleatorio para resolver problemas mediante la generación
de múltiples muestras de números aleatorios que representan
posibles valores de variables involucradas en el problema. Estos
valores aleatorios se utilizan para realizar simulaciones que
permiten estimar resultados numéricos complejos o difíciles de
obtener mediante métodos analíticos directos.

Las ventajas del método de Montecarlo son diversas:

a) Flexibilidad: Puede aplicarse a una amplia gama de problemas en
diversos campos, desde finanzas hasta física, biología y ciencias
sociales.

b) Resolución de problemas complejos: Permite abordar problemas

que no tienen solución analítica o cuyas soluciones analíticas son
difíciles de obtener debido a la complejidad matemática o a la
cantidad de variables involucradas.

c) Precisión y aproximación de resultados: A medida que se generan

más muestras aleatorias, la precisión de los resultados tiende a
mejorar, ya que se reducen los errores de muestreo y se obtienen
estimaciones más precisas.

d) Modelado de incertidumbre: Permite modelar y comprender la

incertidumbre asociada a los resultados, ya que se generan
múltiples escenarios posibles basados en la variabilidad de los
números aleatorios.

e) Adaptabilidad a recursos computacionales: Es escalable en

términos de recursos computacionales. Se puede ajustar la cantidad
de iteraciones o muestras según la capacidad de cómputo
disponible para obtener resultados aceptables.

f) Aplicabilidad a problemas estocásticos: Es especialmente útil en

problemas que involucran variables aleatorias o procesos
estocásticos, como en la valoración de opciones financieras o en la
predicción de resultados en investigaciones científicas.

 En cuanto a los estimativos puntuales, se refieren a valores

numéricos específicos que se calculan a partir de los datos
observados en una muestra. Estos estimativos se utilizan para
hacer inferencias sobre parámetros poblacionales o para describir
características de interés en la población basándose en la muestra
disponible.

Los estimativos puntuales en estadística ofrecen varias ventajas

significativas en el análisis de datos y la inferencia sobre
poblaciones a partir de muestras. Algunas de estas ventajas
incluyen:

a) Simplicidad interpretativa: Los estimativos puntuales proporcionan

valores numéricos simples y fáciles de interpretar, lo que facilita la
comunicación de resultados a audiencias no técnicas.
 b) Facilidad de cálculo: Muchos estimativos puntuales tienen fórmulas
directas y simples para su cálculo, lo que los hace
computacionalmente eficientes y rápidos de obtener.

c) Base teórica sólida: Muchos estimadores puntuales se derivan de

principios estadísticos sólidos, como el método de máxima
verosimilitud, lo que les otorga propiedades estadísticas deseables,
como eficiencia y consistencia.

d) Inferencias sobre la población: Permiten realizar inferencias sobre

parámetros desconocidos de la población a partir de la información
contenida en la muestra. Por ejemplo, la media muestral se utiliza
para estimar la media poblacional, lo que proporciona una idea de la
ubicación central de la población.

e) Guía para la toma de decisiones: Los estimativos puntuales sirven

como puntos de referencia para la toma de decisiones. Por ejemplo,
en estudios clínicos, los estimativos puntuales de la eficacia de un
tratamiento pueden ayudar a determinar su utilidad práctica.

f) Comparaciones y análisis de tendencias: Facilitan la comparación

de diferentes grupos o la evaluación de cambios en el tiempo, ya
que los estimativos puntuales permiten cuantificar y comparar
características específicas de cada grupo o periodo.

g) Implementación en modelos estadísticos: Los estimativos puntuales

se utilizan como componentes fundamentales en la construcción de
modelos estadísticos para predecir o explicar fenómenos y realizar
análisis predictivos.

h) Robustez en muestras grandes: En general, los estimativos

puntuales tienden a ser más precisos y confiables a medida que el
tamaño de la muestra aumenta, lo que aumenta la confianza en las
conclusiones obtenidas.

Ejercicio de aplicación
1) Se dispone de un conjunto de datos que registra la resistencia a la compresión de
diferentes muestras de concreto utilizadas en la construcción de un puente. El
objetivo es determinar si estos datos siguen una distribución normal. Se solicita
realizar la prueba de Kolmogórov-Smirnov (K-S) y probar dos modelos de
significancia.
a) Para 0,05 el valor critico es = 0.29
 Mi valor estadístico es = 0.094
 RTA= ES ACEPTADO PORQUE MI VALOR CRITICO ES MAYOR
b) Para el 0,01 el valor critico es = 0.36
 Mi valor estadístico es= 0.094
  RTA= ES ACEPTADO PORQUE MI VALOR CRITICO ES MAYOR

Entonces
Para el nivel de significancia del 5% (valor crítico: 0.29):

Si el mayor estadístico obtenido (0.094720166) es menor o igual al valor crítico (0.29),

entonces los datos no rechazan la hipótesis nula de que se ajustan a la distribución (en
este caso, normal o lognormal) para un nivel de significancia del 5%. En otras palabras,
los datos podrían ser consistentes con la distribución especificada al 5% de nivel de
significancia.

Para el nivel de significancia del 1% (valor crítico: 0.36):

Si el mayor estadístico obtenido (0.094720166) es menor o igual al valor crítico (0.36),

entonces los datos no rechazan la hipótesis nula de que se ajustan a la distribución para
un nivel de significancia del 1%. En este caso, también indicaría que los datos podrían ser
consistentes con la distribución especificada al 1% de nivel de significancia.
En resumen, con el mayor estadístico obtenido siendo (0.094720166) y los valores críticos
dados, los datos no superan ninguno de los valores críticos para ambos niveles de
significancia. Por lo tanto, no se rechaza la hipótesis nula de que los datos se ajustan a la
distribución especificada tanto al 5% como al 1% de nivel de significancia.
2) Punto 2
a)
Relación entre las variaciones de las variables y su impacto en γT:

(Gs):
Según la aproximación lineal, el peso unitario total γT parece aumentar directamente con
incrementos en la gravedad específica del suelo. Un aumento en Gs tiende a aumentar
γT, como se muestra por el término constante en la aproximación lineal (5.18).

(e):
La aproximación lineal sugiere una relación inversa entre la relación de vacíos e y γT. A
medida que e aumenta, γT disminuye. Esto se refleja en el término negativo (-3.611) en la
aproximación lineal, lo que indica que un incremento en e disminuye γT.

(ω):
La aproximación lineal muestra que un aumento en el contenido de agua ω también
aumenta el peso unitario total γT. Esto se refleja en el término positivo (7.671) en la
aproximación lineal, lo que indica que un aumento en ω tiende a aumentar γT.