4.5.

3 MUESTRAS GRANDES: PRUEBA DE KARL PEARSON PARA

AJUSTE DE UNA DISTRIBUCIÓN DE PROBABILIDADES HIPOTÉTICA,
DISCRETA O CONTINUA
La prueba chi-cuadrado, también llamada Ji cuadrado (Χ2), se encuentra dentro de las pruebas
pertenecientes a la estadística descriptiva, concretamente la estadística descriptiva aplicada al
estudio de dos variables. Por su parte, la estadística descriptiva se centra en extraer
información sobre la muestra. En cambio, la estadística inferencial extrae información sobre la
población.
El nombre de la prueba es propio de la distribución Chi-cuadrado de la probabilidad en la que
se basa. Esta prueba fue desarrollada en el año 1900 por Karl Pearson.
La prueba chi-cuadrado es una de las más conocidas y utilizadas para analizar variables
nominales o cualitativas, es decir, para determinar la existencia o no de independencia entre
dos variables. Que dos variables sean independientes significa que no tienen relación, y que
por lo tanto una no depende de la otra, ni viceversa.
Así, con el estudio de la independencia, se origina también un método para verificar si las
frecuencias observadas en cada categoría son compatibles con la independencia entre ambas
variables.
Para evaluar la independencia entre las variables, se calculan los valores que indicarían la
independencia absoluta, lo que se denomina “frecuencias esperadas”, comparándolos con las
frecuencias de la muestra.
Como es habitual, la hipótesis nula (H0) indica que ambas variables son independientes,
mientras que la hipótesis alternativa (H1) indica que las variables tienen algún grado de
asociación o relación.
Así, como otras pruebas para el mismo fin, la prueba chi-cuadrado se utiliza para ver el sentido
de la correlación entre dos variables nominales o de un nivel superior (por ejemplo, la podemos
aplicar si queremos conocer si existe relación entre el sexo [ser hombre o mujer] y la presencia
de ansiedad [sí o no]).
Para determinar este tipo de relaciones, existe una tabla de frecuencias a consultar (también
para otras pruebas como por ejemplo el coeficiente Q de Yule).
Si las frecuencias empíricas y las frecuencias teóricas o esperadas coinciden, entonces no hay
relación entre las variables, es decir, éstas son independientes. En cambio, sí coinciden, no son
independientes (existe relación entre las variables, por ejemplo, entre X e Y).

La prueba χ² de Pearson se considera una prueba no paramétrica que mide la

discrepancia entre una distribución observada y otra teórica (bondad de ajuste), indicando en
qué medida las diferencias existentes entre ambas, de haberlas, se deben al azar en el
contraste de hipótesis. También se utiliza para probar la independencia de dos variables entre
sí, mediante la presentación de los datos en tablas de contingencia.
la fórmula que da el estadístico es la siguiente:

Cuanto mayor sea el valor de x2, menos verosímil es que la hipótesis nula (que asume la
igualdad entre ambas distribuciones) sea correcta. De la misma forma, cuanto más se aproxima
a cero el valor de chi-cuadrado, más ajustadas están ambas distribuciones.

Ilustración 1 la distribución de probabilidad de una variable aleatoria es una función que asigna a cada
suceso definido sobre la variable la probabilidad de que dicho suceso ocurra.
Ilustración 2 Ejemplo de correlación Pearson

Ilustración 3 datos recabados

Ilustración 4 realización de tabla y suma de subgrupos

Ilustración 5 localizar funcion

Ilustración 6 meter datos

Ilustración 7 resultado, intencidad medio-alta

4.5.4 OTRAS PRUEBAS: ANDERSON DARLING Y PRUEBA G

Anderson-Darling:
El estadístico Anderson-Darling mide qué tan bien siguen los datos una distribución específica.
Para un conjunto de datos y distribución en particular, mientras mejor se ajuste la distribución a
los datos, menor será este estadístico. Por ejemplo, usted puede utilizar el estadístico de
Anderson-Darling para determinar si los datos cumplen el supuesto de normalidad para una
prueba t.
Las hipótesis para la prueba de Anderson-Darling son:
H0: Los datos siguen una distribución especificada
H1: Los datos no siguen una distribución especificada
Utilice el valor p correspondiente (si está disponible) para probar si los datos provienen de la
distribución elegida. Si el valor p es menor que un nivel de significancia elegido (por lo general
0.05 o 0.10), entonces rechace la hipótesis nula de que los datos provienen de esa distribución.
Minitab no siempre muestra un valor p para la prueba de Anderson-Darling, porque este no
existe matemáticamente para ciertos casos.
También puede utilizar el estadístico de Anderson-Darling para comparar el ajuste de varias
distribuciones con el fin de determinar cuál es la mejor.
Sin embargo, para concluir que una distribución es la mejor, el estadístico de Anderson-Darling
debe ser sustancialmente menor que los demás. Cuando los estadísticos están cercanos entre
sí, se deben usar criterios adicionales, como las gráficas de probabilidad, para elegir entre
ellos.

Ilustración 8 valor de P de distribuciones

Distribucion exponencial Distribucion normal

 Disdribucion Weibull

Ilustración 9 Ejemplo de comparación de distribuciones

Estas gráficas de probabilidad son para los mismos datos. Tanto la distribución normal como la
distribución de Weibull de 3 parámetros ofrecen un ajuste adecuado a los datos.
Minitab calcula el estadístico de Anderson-Darling usando la distancia al cuadrado ponderada
entre la línea ajustada de la gráfica de probabilidad (con base en la distribución elegida y
usando el método de estimación de máxima verosimilitud o las estimaciones de mínimos
cuadrados) y la función de paso no paramétrica. El cálculo tiene mayor ponderación en las
colas de la distribución.

Pruebas G:
Las pruebas G son pruebas de significación estadística de razón de verosimilitud o de máxima
verosimilitud que se utilizan cada vez más en situaciones en las que anteriormente se
recomendaban las pruebas de ji cuadrado.
La fórmula general para G es: dónde O> es el conteo observado en una celda, es el recuento
esperado bajo la hipótesis nula, denota el logaritmo natural, y la suma se toma sobre todas las
celdas no vacías. Además, el recuento total observado debe ser igual al recuento total
esperado: dónde es el número total de observaciones.

4.6 Simulación de los comportamientos aleatorios del proyecto y su

verificación.
Simular el funcionamiento de distintos tipos de instalaciones o procesos. A la instalación o
proceso que se pretende estudiar se le denomina sistema y para poderlo analizar se realiza
una serie de supuestos sobre su funcionamiento. Estos supuestos, que normalmente se
expresan mediante relaciones matemáticas o relaciones lógicas, constituyen un modelo del
sistema. Este modelo se utiliza para comprender y prever el comportamiento del sistema real.
Si las relaciones matemáticas o lógicas que comprende el modelo son sencillas, entonces será
posible utilizar un procedimiento analítico para obtener una solución o respuesta exacta sobre
las características de interés del sistema analizado. No obstante, si las relaciones son
complejas, puede ocurrir que no se pueda evaluar analíticamente el problema. En este caso,
será necesario acudir a la simulación del sistema, evaluando numéricamente el modelo y
analizando los datos obtenidos para estimarlas características de dicho sistema. Sistemas,
modelos y simulación
Un sistema se puede definir como un conjunto de elementos unidos por relaciones de
interacción o interdependencia. En el ámbito de los sistemas productivos estos elementos
normalmente tienen un objetivo común. Los elementos que forman parte del sistema vienen
condicionados por el objetivo del estudio que se pretende realizar, ya que un sistema definido
para un estudio determinado puede ser una parte de un sistema más amplio definido para otro
estudio particular. Por ejemplo, si se quiere determinar cuál es el número más adecuado de
operarios y máquinas en la sección de mecanizado de una empresa que tiene una determinada
cartera de pedidos, estos elementos serán los que formen parte del sistema a analizar,
mientras que, si lo que se desea es estudiar la capacidad productiva de la empresa, los
elementos mencionados anteriormente sólo serán una parte del sistema. A ellos habrá que
añadir montaje, embalaje, almacenaje, etc. Sé pueden realizar las siguientes definiciones:
−Atributo: propiedad de un elemento del sistema. −Actividad: todo proceso que provoque un
cambio en el sistema. El estado del sistema en un instante de tiempo determinado se puede
definir como la descripción de todos los elementos, atributos y actividades en dicho instante.
Por ejemplo, el estado de una oficina bancaria en un instante se podría definir mediante el
número de cajeros en él, el número de clientes, el instante de llegada de cada cliente y el tipo
de operación que desea realizar cada uno. Este conjunto constituiría las variables de estado del
sistema. Tipos de sistemas Evidentemente, las características del sistema real que se desea
estudiar van a condicionar el tipo de simulación que se va a desarrollar. Por lo tanto, conviene
hacer una clasificación de los sistemas de acuerdo con los aspectos que van a condicionar su
análisis posterior. Así, es útil realizar una clasificación de los sistemas atendiendo a tres
aspectos fundamentales:

Sistemas estáticos y sistemas dinámicos.

Un sistema se considera estático cuando sus variables de estado no cambian a lo largo del
tiempo, es decir, cuando el tiempo no juega ningún papel en sus propiedades. Por el contrario,
en un sistema dinámico los valores que toman todas o algunas de sus variables de acción
evolucionan a lo largo del tiempo.
Sistemas deterministas y sistemas estocásticos. Si un sistema no tiene ningún componente de
carácter estocástico (es decir, aleatorio) se considera determinista. En un sistema de una
cierta complejidad puede ocurrir que existan simultáneamente variables de estado continuas y
discretas. En este caso, dependiendo de la predominancia de una y otras y del objetivo del
estudio que se pretende realizar, se considerará el sistema como perteneciente a uno de los
dos tipos. Tipos de modelos para estudiar un sistema, la forma más inmediata sería
experimentar sobre él. Sin embargo, esto puede ser desaconsejable, e incluso imposible, por
diversos motivos.
Por otra parte, si el sistema modelado es similar a alguno ya existente, se puede contrastar el
funcionamiento del modelo con el del sistema real.
Ventajas de la simulación: Ya se ha comentado previamente que la simulación es una técnica
cada vez más utilizada en el estudio de sistemas complejos. Entre los argumentos a favor de la
utilización de la simulación se encuentran los siguientes:
−La mayoría de los sistemas complejos reales con elementos estocásticos no se pueden
describir con suficiente precisión mediante un modelo matemático que se pueda resolver
analíticamente. Por lo tanto, con frecuencia la simulación es el único método posible de estudio
de dichos sistemas.
−La simulación permite estimar el comportamiento de un sistema existente bajo un conjunto
previsto de condiciones operativas.
−Mediante la simulación se pueden comparar diseños alternativos (o políticas de operación
alternativas para un determinado diseño) para especificar cuál es el que cumple de forma más
adecuada con los objetivos formulados.
−En la simulación se puede tener un control mucho mejor sobre las condiciones del
experimento que si se realizase sobre el propio sistema.
−La simulación permite estudiar un sistema cuya evolución es muy dilatada en el tiempo (por
ejemplo, un sistema económico) en un periodo de tiempo reducido. Alternativamente, también
permite estudiar de forma detallada la evolución de un sistema en un corto periodo de tiempo.
Conclusión: El proceso de validación de un modelo de simulación siempre está sujeto al
experimento frente al que se vaya a realizar el estudio. Por lo que no se puede asegurar
estrictamente si el modelo es válido o no, habrá que señalar siempre el experimento frente al
que es válido o no. Sirve por lo tanto como una guía en el diseño de experimentos. Para
realizar la validación de cualquier modelo de simulación, no es necesario ser un experto del
sistema que el modelo represente, bastaría con tener ciertos conocimientos estadísticos y estar
apoyado por en el sistema.

 Fullana Belda, C. (2009, 4 mayo). LOS MODELOS DE SIMULACIÓN: UNA HERRAMIENTA

MULTIDISCIPLINAR DE INVESTIGACIÓN. multidisciplinares.org. Recuperado 20 de noviembre de
2021, de http://www.encuentrosmultidisciplinares.org/Revistan
%C2%BA32/Carmen_Fullana_Belda_y_Elena_Urqu%C3%ADa_Grande.pdf
 VELAS, J. M. (2014, 2 mayo). Blogspot. Blogspot. Recuperado 26 de noviembre de 2019, de
https://josemartinvelascotenoriosimulacion.blogspot.com/2020/06/unidad-4-segunda-
parte.htm
 G. (s. f.). Unidad 4 Completa simulación - PDFCOFFEE.COM. Pdfcoffee.Com. Recuperado 20 de
noviembre de 2021, de https://pdfcoffee.com/unidad-4-completa-simulacion-2-pdf-free.html