Simulación de Sistemas

Pruebas de Bondad de Ajuste

CONTENIDOS

Creación de histogramas.

Prueba de bondad de ajuste Ji

Cuadrado

Prueba de bondad de ajuste

Kolmogorov Smirnov - KS
 Objetivos de la Sesión
• Determinar la función de distribución de probabilidades
(fdp) que puede representar a un conjunto de datos
• Usar los criterios para seleccionar la fdp adecuada.
• Prueba de bondad de ajuste Chi-Cuadrado
• Prueba de bondad de ajuste Kolmogorov Smirnov
 1.- Creación de Histogramas
1. Recolectar los datos.
2. Hallar los estadísticos máximo, mínimo y promedio.
3. Calcular la cantidad de intervalos de clase “K” y el “Ancho de Clase”,
usando la regla de STURGES.

Regla
Reglade
deSTURGES:
STURGES:

KK==11++3.3
3.3Log
Log(n)
(n)

n:n:número
númerode
deobservaciones
observaciones
K:K:número
númerode
deintervalos
intervalos

Ancho
Anchode
declase
clase==
(Max
(Maxvalor
valor––Min
Minvalor)
valor)//kk
 1.- Creación de Histogramas
4. Se requiere K = 6 intervalos de clase y el ancho de clase es
igual a 8.5.
5. Usaremos el ancho de clase para hallar cada intervalo, cada
intervalo de clase tiene un límite inferior y superior.

Límite Límite Frec.

Inferior Superior Obs.

1 1+8.5 = 9.5

9.5 9.5+8.5=18.0

18 18+8.5 =26.5

26.5 26.5 + 8.5 = 35.0

35.0 35.0 + 8.5 = 43.5

43.5 43.5 + 8.5 = 52.0

 1.- Creación de Histogramas
La frecuencia observada (FO) muestra cuántos datos se
encuentran dentro de cada intervalo.
Límite Límite Frecuencia
Inferior Superior Observada

1 9.5 18

9.5 18.0 6

18 26.5 2

26.5 35.0 2

35.0 43.5 1

43.5 52.0 1

Total 30
 1.- Creación de Histogramas
El gráfico de la frecuencia observada nos ayuda a analizar cómo se
distribuyen los datos y dónde están más concentrados.

Límite Límite Frecuencia 18

Inferior Superior Observada
16
14
1 9.5 18 12
10
9.5 18.0 6
8
18 26.5 2 6
4
26.5 35.0 2
2
35.0 43.5 1 0
1 - 9.5 9.5 - 18 18 - 26.5 - 35 - 43.5 -
43.5 52.0 1 26.5 35 43.5 52

Total 30
 1.- Creación de Histogramas
Office 2007: Herramientas / análisis de datos / histograma
Puedes revisar la siguiente guía en youtube (Office 2007):

http://www.youtube.com/watch?v=hjfn68RehEM

Haz clic en “archivo de datos” para obtener el archivo Excel con

los datos y halla el histograma.
 2.- Prueba Ji Cuadrado
Analizando las funciones Uniforme, Exponencial y Normal, notamos que
la exponencial es la que se ajusta al histograma.

18
Uniforme 18
Exponencial 18
Normal
16
16 16
14
14 14
12
12 12
10
10 10
8
8 8
6
6 6
4
4 4
2
2 2
0
1 - 9.5 9.5 - 18 18 - 26.5 - 35 - 43.5 - 0 0
26.5 35 43.5 52 1 - 9.5 9.5 - 18 18 - 26.5 - 35 - 43.5 - 1 - 9.5 9.5 - 18 18 - 26.5 - 35 - 43.5 -
26.5 35 43.5 52 26.5 35 43.5 52

Por lo tanto, la hipótesis es:

Ho: Los datos tienen un comportamiento exponencial (11.53)
H1: Los datos NO tienen un comportamiento exponencial (11.53)
 2.- Prueba Ji Cuadrado
Casi siempre la función exponencial representa los tiempos requeridos
para la ejecución de una actividad o la prestación de un servicio.
Esta función requiere de un parámetro que es el promedio.

Función de distribución de Función de distribución de

probabilidades probabilidades ACUMULADA
x

1 x

F ( x)  1  e
f ( x)  e
 Donde:
Promedio: 
(para los 30 datos  =11.53)
Varianza: 2
 2.- Prueba Ji Cuadrado
El siguiente paso es hallar la probabilidad del intervalo, usando la función
planteada en la hipótesis
Límite Límite Frecuencia Frecuencia ( FOi  FEi) 2
Inferior Superior Observada (FO) P(Li <= X <= Ls) Esperada (FE) FEi
1 9.5 18 0.478
9.5 18.0 6 0.229
18 26.5 2 0.109 P(1  x  9.5)
26.5 35.0 2 0.052  P ( x  9.5)  P( x  1)
35.0 43.5 1 0.025
 [1  e 9.5 /11 .53 ]  [1  e 1/11 .53 ]
43.5 52.0 1 0.012
 0.561  0.083
Total 30
 0.478
 2.- Prueba Ji Cuadrado
El siguiente paso es hallar la frecuencia esperada, multiplicando la
probabilidad por el total de datos.

Límite Límite Frecuencia Frecuencia ( FOi  FEi ) 2

Inferior Superior Observada (FO) P(Li <= X <= Ls) Esperada (FE) FEi
1 9.5 18 0.478 14.35
0.478x30
9.5 18.0 6 0.229 6.86
18 26.5 2 0.109 3.28 0.229x30
26.5 35.0 2 0.052 1.57
35.0 43.5 0 0.025 0.75
43.5 52.0 2 0.012 0.36
Total 30
 2.- Prueba Ji Cuadrado
El siguiente paso es hallar la columna Ji Cuadrado calculado.

Límite Límite Frecuencia Frecuencia ( FOi  FEi) 2

Inferior Superior Observada (FO) P(Li <= X <= Ls) Esperada (FE) FEi
1 9.5 18 0.478 14.35 0.93
9.5 18.0 6  14.35) 2
(180.229 6.86 0.11
18 26.5 2 14.35
0.109 3.28 0.50
26.5 35.0 2 0.052 1.57 0.12
35.0 43.5 0 0.025 0.75 0.08
43.5 52.0La
La suma
suma 2de
de esta
esta columna
0.012 es
columna es llamada0.36
llamada 1.14
“valor
“valorChi-cuadrado
Chi-cuadrado calculado”
calculado”
Total 30 2.88
 2.- Prueba Ji Cuadrado
Los grados de libertad = K – 1 – [cantidad parámetros de la función]
Los grados de libertad = 6 – 1 – 1 = 4
Supongamos un nivel alfa = 10%
Por lo tanto, el valor Chi-cuadrado = 7.7794
 2.- Prueba Ji Cuadrado
Recordemos que la hipótesis planteada es:
Ho: Los datos tienen un comportamiento exponencial (11.53)
H1: Los datos NO tienen un comportamiento exponencial (11.53)
SiSielelvalor
valorChi-cuadrado
Chi-cuadrado(calculado)
(calculado)es
esmenor
menorque
queelelChi-cuadrado
Chi-cuadrado(de
(detabla)
tabla)
No
Norechazamos
rechazamoslalahipótesis
hipótesisHo
Ho
El valor Chi-cuadrado (calculado) = 2.88
El valor Chi-cuadrado (de tabla) = 7.7794

Como 2.88 es menor que 7.7794, NO RECHAZAMOS la hipótesis Ho

Es decir los datos (los tiempos de la actividad) pueden ser
representados por una función EXPONENCIAL con promedio = 11.53
 Pruebas de bondad de ajuste
Desarrollar los casos planteados en el archivo “Ejercicios Ji Cuadrado”
usando la prueba Ji Cuadrado
 CONCLUSIONES

01 El cálculo de la probabilidad del intervalo se realiza usando la función planteada en la hipótesis.

02 El valor Ji Cuadrado calculado es la suma de la última columna calculada.

03 Si el valor Ji Cuadrado calculado, es menor que el valor Ji Cuadrado de tabla, no rechazamos la

hipótesis Ho.
 REFERENCIAS

Cite adecuadamente la información utilizada en los materiales

de aprendizaje.
Las referencias pertenecen exclusivamente a los contenidos de
esta diapositiva.
Ejemplo:
 Bibliográficas: LAW, Averill M. y David Kelton (2014).
Simulation Modeling and Analysis.