PRUEBAS DE

BONDAD DE AJUSTE
Elaborado por:
Manuel García-Naranjo B.
 INTRODUCCIÓN
En la determinación de valores extremos (caudales máximos o
mínimos, niveles máximos o mínimos, etc.) necesarios para el
análisis y solución de muchos problemas relacionados con la
ingeniería hidráulica, resulta común emplear las distribuciones
probabílisticas más usuales para el estudio de problemas
hidrológicos.  Así, a partir de un registro histórico de valores
extremos, se infiere aquellos valores máximos o mínimos
asociados a un cierto período de retorno de diseño.
 INTRODUCCIÓN
Es relativamente común apreciar estudios en los cuales, a partir de
una data histórica de valores extremos, se haya hecho uso de
distribuciones tales como:  Gumbel,  Normal o Log Pearson tipo III,
para estimar los valores extremos asociados a un periodo de
retorno seleccionado.  En menor medida se observará el empleo
de distribuciones tales como:  log normal de 2 parámetros, log
normal de 3 parámetros o la distribución gamma de 2 ó de 3
parámetros.
 INTRODUCCIÓN
En este sentido cabría preguntarse:  ¿qué ha llevado al
especialista a seleccionar una determinada distribución
probabilística para el análisis efectuado?   ¿se ha verificado que la
distribución escogida sea la que efectivamente mejor se ajusta o
representa a la serie histórica de datos?   ¿cuál de las
distribuciones disponibles debió haberse empleado en verdad en la
estimación requerida de valores extremos?
Estas preguntas nos conducen a la necesidad de revisar los temas
relacionados con las pruebas de bondad de ajuste.
 DEFINICIONES
Las pruebas de bondad de ajuste tienen por objetivo determinar si
los datos disponibles se ajustan a una determinada distribución.  
Se entiende por bondad de ajuste a la asimilación de los datos
observados de una variable a una función matemática previamente
establecida y  reconocida. A través de ésta es posible entonces
predecir el comportamiento de la variable en estudio (Pizarro,
1986)
 DEFINICIONES
Entre las pruebas de bondad de ajuste más conocidas, cabe
mencionar las siguientes:
• Prueba de Chi Cuadrado
• Prueba de Kolmogorov Smirnov
• Prueba de Anderson Darling
 PRUEBA DE CHI CUADRADO
La prueba de Chi Cuadrado se basa en la comparación entre la
frecuencia observada en un intervalo de clase y la frecuencia
esperada en dicho intervalo, calculada de acuerdo con la
distribución teórica considerada.  Es decir, se trata de determinar si
las frecuencias observadas en la muestra están lo suficientemente
cerca de las frecuencias esperadas bajo la hipótesis nula
formulada.
Para aplicar esta prueba se debe agrupar las observaciones de la
muestra en intervalos de clase, preferiblemente del mismo
tamaño.  
 PRUEBA DE CHI CUADRADO
Valor del estadístico Chi-cuadrado calculado
El estadístico de prueba, χ2C queda definido por la expresión:

donde:
Oi:  frecuencia observada en el intervalo i, de acuerdo a la muestra
considerada
Ei:  frecuencia esperada en el intervalo i, de acuerdo a la
distribución seleccionada
k:  número de intervalos de clase en que se han agrupado las
observaciones
 PRUEBA DE CHI CUADRADO
Valor tabular de Chi-cuadrado
El valor tabular del estadístico Chi-cuadrado, χ2t , se determina a
partir del cuadro siguiente, en función de los grados de libertad y
del nivel de significación elegido, esto es, la probabilidad de
exceder el valor extremo.
PRUEBA DE CHI CUADRADO
 PRUEBA DE CHI CUADRADO
Los grados de libertad se determinan con la expresión:  
g.l. = k – 1 – p grados de libertad, donde k es el número de
intervalos de clase y p es el número de parámetros que definen
completamente a la distribución seleccionada.
El nivel de significación, α, usualmente es 5% o 1%
 PRUEBA DE CHI CUADRADO
Criterio de Decisión
El criterio de decisión se fundamenta en la comparación del valor
calculado de Chi-cuadrado con el valor tabular encontrado, esto es:
Si el estadístico Chi-cuadrado calculado es menor o igual que el
valor tabular, es decir:   χ2C  ≤  χ2t
entonces, se acepta la hipótesis nula, que establece que los
valores observados se ajustan a la distribución considerada, al
nivel de significación seleccionado (usualmente α = 5% o 1%)
 PRUEBA DE CHI CUADRADO
Si el estadístico Chi-cuadrado calculado es mayor que el valor
tabular, es decir:   χ2C  >  χ2t
entonces, se rechaza la hipótesis nula y se acepta la hipótesis
alternativa, que establece que los valores observados  no se
ajustan a la distribución considerada, al nivel de significación
seleccionado (usualmente α = 5% o 1%); siendo necesario probar
con otra distribución teórica.
 PRUEBA DE CHI CUADRADO
Comentarios
Algunas consideraciones que hay que tener en cuenta con
respecto a la aplicación de esta prueba son las siguientes:
• El análisis debe efectuarse con datos agrupados en intervalos
de clase.
• El número de intervalos de clase debe ser por lo menos 5.  Se
recomienda también que, para facilidad de los cálculos, el
número de intervalos de clase no sea mayor a 20.
• El número de observaciones esperado (frecuencia observada)
en cada intervalo de clase debe ser por lo menos 5.  Si esta
condición no se cumple, es necesario agrupar en uno los
resultados de varios intervalos de clase.
 PRUEBA DE CHI CUADRADO
• Al efectuar los cálculos de las frecuencias esperadas, debe
considerarse los intervalos extremos como casos especiales.
Así:
 En el primer intervalo, que incluye aquellos valores observados
entre x0 y x1, la probabilidad a considerar debe ser la
correspondiente a que la variable aleatoria sea menor o igual
que x1 (no solo comprendida entre x0 y x1)
 En el último intervalo, que incluye aquellos valores observados
entre xk-1 y xk, la probabilidad a considerar debe ser la
correspondiente a que la variable aleatoria sea mayor que xk-1
(no solo comprendida entre xk-1 y xk).
 APLICACIÓN DE LA PRUEBA DE CHI CUADRADO
Operativamente, para aplicar en un caso práctico la prueba de chi-
cuadrado debe seguirse el siguiente procedimiento:
• Determinar el Número de Intervalos de Clase
El número de intervalos de clase se calcula con la fórmula
propuesta por Yevjevich:
NC = 1 + 1.33 ln(N)
donde:
NC: número de intervalos de clase
N: número de datos
 APLICACIÓN DE LA PRUEBA DE CHI CUADRADO
• Calcular la Amplitud de cada Intervalo
La amplitud de cada intervalo se determina con la ecuación:

El límite inferior del primer intervalo de clase se determina con la

relación:
Límite inferior = Xmin - ΔX/2
 APLICACIÓN DE LA PRUEBA DE CHI CUADRADO
• Calcular los Intervalos de Clase, Marcas de Clase,
Frecuencias Absoluta y Relativa Observadas y Frecuencia
Acumulada
La frecuencia absoluta observada corresponde al número de
valores comprendido en el intervalo de clase.  La suma de todas
las frecuencias absolutas debe ser igual al total de datos, N.
La frecuencia relativa se obtiene de dividir la frecuencia absoluta
entre el número de datos, N
La frecuencia acumulada resulta de acumular los valores
correspondientes a la frecuencia relativa.  La frecuencia acumulada
en el último intervalo de clase debe dar 1.
 APLICACIÓN DE LA PRUEBA DE CHI CUADRADO
• Calcular la Media y Desviación Estándar para los Datos
Agrupados
La media y la desviación estándar de los datos agrupados se
determina mediante las siguientes relaciones: 
 APLICACIÓN DE LA PRUEBA DE CHI CUADRADO
donde:
fi – frecuencia absoluta
xi – marca de clase
k – número de intervalos de clase
N – número total de datos

• Adoptar alguna distribución probabilística y determinar la

frecuencia esperada para cada intervalo de clase
 APLICACIÓN DE LA PRUEBA DE CHI CUADRADO
• Calcular los estadísticos Chi Cuadrado y aplicar el criterio
de decisión
 El estadístico de prueba, χ2C se calcula con la expresión:

 El estadístico tabular χ2t se determina en la tabla de Chi

Cuadrado en función de los grados de libertad y del nivel de
significancia seleccionado
 Finalmente,  si χ2C  ≤  χ2t  se acepta la hipótesis nula que afirma
que la serie de datos se ajusta a la distribución seleccionada
 Si χ2C  >  χ2t   se rechaza la hipótesis nula y se afirma que la serie
de datos no se ajusta a la distribución seleccionada
CASO PRÁCTICO DE CHI CUADRADO
CASO PRÁCTICO DE CHI CUADRADO
CASO PRÁCTICO DE CHI CUADRADO
CASO PRÁCTICO DE CHI CUADRADO
 PRUEBA DE KOLMOGOROV SMIRNOV
Este procedimiento es un test no paramétrico que permite
establecer si dos muestras se ajustan al mismo modelo
probabilístico (Varas y  Bois, 1998). 
Es un test válido para distribuciones continuas y sirve tanto para
muestras grandes como para muestras pequeñas (Pizarro et al,
1986).
Así mismo, Pizarro (1988), hace referencia a que, como parte de la
aplicación de este test, es necesario determinar la frecuencia
observada acumulada y la frecuencia teórica acumulada; una vez
determinadas ambas frecuencias, se obtiene el máximo de las
diferencias entre ambas. 
 PRUEBA DE KOLMOGOROV SMIRNOV
El estadístico Kolmogorov-Smirnov,  D, considera la desviación de
la función de distribución de probabilidades de la muestra P(x) de
la función de probabilidades teórica, escogida Po(x) tal que:
                                       
Dn = max | P(x) – Po(x) |  

La prueba requiere que el valor Dn calculado con la expresión

anterior sea menor que el valor tabulado Dα para un nivel de
significancia (o nivel de probabilidad) requerido. El valor crítico Dα
de la prueba se obtiene de la tabla mostrada, en función del nivel
de significancia α y el tamaño de la muestra n.
PRUEBA DE KOLMOGOROV SMIRNOV

Tabla de valores de Dα
en función del nivel de
significancia y del tamaño
de la muestra.
 PRUEBA DE KOLMOGOROV SMIRNOV
El procedimiento a seguir en la aplicación práctica de la prueba de
Kolmogorov-Smirnov es el siguiente:
• Determinar la frecuencia observada acumulada y la frecuencia
téorica acumulada,  Po(x) y P(x).
• En cada caso, calcular:  Dn = max | P(x) – Po(x) | 
• Así, Dn es la máxima diferencia entre la función de distribución
acumulada de la muestra y la función de distribución acumulada
teórica escogida
• Fijar un nivel de probabilidad o de significancia α.  Los valores
de 0.05 y 0.01 son los más usuales.
 PRUEBA DE KOLMOGOROV SMIRNOV
• Determinar el valor crítico Dα en la tabla correspondiente.
• Aplica el criterio de decisión:
 Si el valor calculado Dn es menor que el Dα, se acepta la
hipótesis nula (Ho) que establece que la serie de datos se ajusta
a la distribución teórica escogida.
 Si el valor calculado Dn es mayor que el Dα, se rechaza la
hipótesis nula (Ho) y se acepta la hipótesis alternativa (Ha) que
establece que la serie de datos no se ajusta a la distribución
teórica escogida.
EJEMPLO PRUEBA DE KOLMOGOROV SMIRNOV
EJEMPLO PRUEBA DE KOLMOGOROV SMIRNOV
 PRUEBA DE ANDERSON-DARLING
Esta prueba no paramétrica es una modificación del test de
Kolmogorov- Smirnov, donde se le da más peso a las colas de la
distribución que la prueba de K-S. 
Fórmula: A2= − N− S
El estadístico para la prueba de Anderson-Darling es:
 PRUEBA DE ANDERSON-DARLING
donde:
n - es el número de datos
F(x) - es la función e distribución de probabilidad teórica
Fn(x) - es la función de distribución empírica
Para definir la regla de rechazo para esta prueba es necesario
obtener el estadístico ajustado para luego compararlo con los
valores críticos de la tabla de Anderson-Darling.  
La tabla siguiente muestra los valores críticos para distintas
distribuciones con parámetros conocidos.
PRUEBA DE ANDERSON-DARLING
 PRUEBA DE ANDERSON-DARLING
Una vez obtenido el estadístico ajustado, la regla de rechazo se
realiza de manera análoga a la prueba de Kolmogorov-Smirnov.
Si An2 es mayor o igual que ao, se acepta la hipótesis nula; siendo ao
el valor asociado al estadístico de prueba An2
 BREVES CONCLUSIONES
¿En que casos es recomendable cada estadístico?
• Chi-Cuadrado:  es recomendable para distribuciones discretas o
continuas cuando existe gran cantidad de datos.  Se
recomienda trabajar con datos agrupados.
• Kolmogorov-Smirnov (K-S): es recomendable para
distribuciones continuas y muestras de cualquier tamaño. No
requiere hacer uso de datos agrupados.
• Anderson-Darling:  es recomendable para distribuciones con
colas pronunciadas.  No requiere hacer uso de datos
agrupados.