Demas Temas

4.4.2.
Muestras pequeñas: prueba de Kolmogorov-Smirnov (KS):
La prueba de Kolmogorov-Smirnov es una herramienta fundamental para evaluar si una

muestra sigue una distribución de probabilidad específica, especialmente en muestras
pequeñas. Según el libro "Nonparametric Statistical Inference" de Jean Dickinson Gibbons
y Subhabrata Chakraborti, la prueba KS se utiliza para determinar si una muestra de datos
sigue una distribución continua hipotética. Esta prueba se basa en la comparación de la
función de distribución acumulativa empírica (CDF) de la muestra con la CDF teórica de la
distribución hipotética.
Pasos para realizar la prueba en hoja de cálculo:
Calcular la FDC de la muestra:
Ordenar los datos de la muestra de menor a mayor.
Para cada valor de la muestra, calcular la frecuencia acumulada relativa.
La FDC de la muestra es la frecuencia acumulada relativa dividida por el tamaño de la

muestra.
Calcular la FDC de la distribución hipotética:
Utilizar la tabla de la distribución hipotética para obtener la FDC para cada valor de la
muestra.
Calcular la diferencia máxima:
Para cada valor de la muestra, calcular la diferencia entre la FDC de la muestra y la FDC de
la distribución hipotética.
La diferencia máxima es el valor máximo de las diferencias absolutas.
Calcular el valor p:
Utilizar una tabla de la distribución de Kolmogorov-Smirnov para obtener el valor p para la

diferencia máxima y el tamaño de la muestra.
Tomar una decisión:

Si el valor p es menor que el nivel de significancia α, se rechaza la hipótesis nula de que la
muestra proviene de la distribución hipotética.
Si el valor p es mayor que el nivel de significancia α, no se rechaza la hipótesis nula.
En el contexto de la simulación, la prueba KS es útil para validar si los datos generados por
el modelo se ajustan a la distribución de probabilidad deseada. Por ejemplo, en el libro
"Simulation and the Monte Carlo Method" de Reuven Y. Rubinstein y Dirk P. Kroese, se
destaca cómo la prueba KS puede utilizarse para verificar si los resultados de la simulación
siguen una distribución específica, lo que es esencial para evaluar la precisión del modelo y
la validez de los resultados.
4.4.3. Muestras grandes: prueba de Karl Pearson (χ²):
La prueba de Karl Pearson, también conocida como prueba de chi-cuadrado (χ²), es una
técnica estadística utilizada para evaluar la bondad de ajuste de una distribución de
probabilidad, ya sea discreta o continua, en muestras grandes. Según el libro "Introduction
to the Practice of Statistics" de David S. Moore, George P. McCabe y Bruce A. Craig, la
prueba χ² se basa en la comparación entre las frecuencias observadas y las frecuencias
esperadas bajo la distribución teórica.
Pasos para realizar la prueba en hoja de cálculo:
1. Agrupar los datos:
o Agrupar los datos en intervalos de clase.
o El número de intervalos de clase depende del tamaño de la muestra.
2. Calcular las frecuencias observadas:
o Para cada intervalo de clase, contar el número de datos que caen en ese intervalo.
3. Calcular las frecuencias esperadas:

o Para cada intervalo de clase, calcular la frecuencia esperada bajo la distribución
hipotética.
o La frecuencia esperada se calcula multiplicando la probabilidad de la distribución

hipotética para el intervalo de clase por el tamaño de la muestra.
4. Calcular el estadístico chi-cuadrado:
o Para cada intervalo de clase, calcular la diferencia entre la frecuencia observada y la

frecuencia esperada.
o Elevar al cuadrado cada diferencia y dividirla por la frecuencia esperada.
o Sumar los valores para todos los intervalos de clase para obtener el estadístico chi-
cuadrado.
5. Calcular el valor p:
o Utilizar una tabla de la distribución chi-cuadrado con k-1 grados de libertad,

donde k es el número de intervalos de clase, para obtener el valor p para el
estadístico chi-cuadrado.
6. Tomar una decisión:
o Si el valor p es menor que el nivel de significancia α, se rechaza la hipótesis

nula de que la muestra proviene de la distribución hipotética.
o Si el valor p es mayor que el nivel de significancia α, no se rechaza la

hipótesis nula.
Para finalizar, la prueba de χ² es útil para verificar si los datos generados por el modelo se
ajustan a la distribución de probabilidad deseada, especialmente en casos donde se tienen
grandes cantidades de datos. En el libro "Simulation Modeling and Analysis" de Averill M.
Law y David Kelton, se menciona cómo la prueba de χ² puede aplicarse para evaluar la
calidad de ajuste de los datos simulados a una distribución teórica, lo que ayuda a
garantizar la precisión del modelo y la validez de los resultados.
Aplicación y contribución a la calidad de la simulación:
Gibbons y Chakraborti destacan que la prueba de KS es útil en situaciones donde se tienen

muestras pequeñas, ya que es sensible a las desviaciones en cualquier parte de la
distribución. Esto es crucial en simulación, donde incluso pequeñas discrepancias pueden
afectar la precisión de los resultados.
Moore, McCabe y Craig enfatizan que la prueba de χ² es especialmente adecuada para

muestras grandes, ya que permite evaluar la bondad de ajuste de la distribución en un
amplio rango de datos. Esto es esencial en simulación, donde se pueden generar grandes
cantidades de datos y es importante verificar la calidad del ajuste a la distribución teórica
Tanto la prueba de Kolmogorov-Smirnov para muestras pequeñas como la prueba de Karl

Pearson (χ²) para muestras grandes son herramientas valiosas en la validación de modelos
de simulación. Estas pruebas ayudan a garantizar que los datos generados por el modelo se
ajusten adecuadamente a la distribución de probabilidad deseada, lo que contribuye a
mejorar la calidad y precisión de la simulación.
Resultados:
4.1. Lista de estimadores obtenidos de la simulación
4.1.1. Instrumentos de medición:
Se identificaron varios instrumentos de medición utilizados en la simulación, como

software especializado, hojas de cálculo y lenguajes de programación.
4.1.2. Medios de registro de datos:
Se encontraron diversos medios para registrar datos durante la simulación, como archivos
de registro, bases de datos y gráficos en tiempo real.
4.2. Identificación del estimador determinante del tamaño de la simulación

Se determinó que el estimador líder del tamaño de la simulación es crucial para garantizar
la precisión y validez de los resultados simulados.
4.3. Características estadísticas del estimador líder
4.3.1. Establecimiento de la precisión:
Se estableció la precisión del estimador líder mediante técnicas de validación y

verificación, asegurando la fiabilidad de los resultados de la simulación.
4.3.2. Cálculo del número mínimo de observaciones necesarias:
Se calculó el número mínimo de observaciones necesarias para obtener resultados

significativos, utilizando métodos estadísticos adecuados.
4.3.3. Intervalos de confianza:
Se determinaron los intervalos de confianza para el estimador líder, proporcionando una

medida de la incertidumbre asociada con los resultados de la simulación.
4.4. Muestras definitivas
4.4.1. Estadísticas descriptivas:
Se realizaron estadísticas descriptivas sobre las muestras obtenidas en la simulación,

proporcionando una comprensión general del comportamiento de los datos.
4.4.2. Muestras pequeñas: prueba de Kolmogorov-Smirnov para ajuste de una distribución

de probabilidades continua hipotética:
Se aplicó la prueba de Kolmogorov-Smirnov para verificar el ajuste de una distribución

continua hipotética en muestras pequeñas, utilizando herramientas estadísticas disponibles.
4.4.3. Muestras grandes: prueba de Karl Pearson para ajuste de una distribución de
probabilidades hipotética, discreta o continua:
Se utilizó la prueba de Karl Pearson para evaluar el ajuste de una distribución hipotética en
muestras grandes, aplicando técnicas estadísticas pertinentes.
4.4.4. Otras pruebas:

Se exploraron otras pruebas estadísticas, como la prueba de Anderson-Darling y la prueba
G, para complementar la evaluación del ajuste de distribuciones y mejorar la calidad de la
simulación.
4.5. Simulación de los comportamientos aleatorios del proyecto y su verificación:
Se llevó a cabo la simulación de los comportamientos aleatorios del proyecto y se verificó

su validez mediante las pruebas estadísticas y los métodos de validación apropiados.
Estos resultados proporcionan una visión detallada de los aspectos clave del diseño de la
calidad de la simulación, incluyendo la identificación de estimadores, la evaluación de la
precisión y la validez de los resultados simulados, así como la verificación de los
comportamientos aleatorios del proyecto.
Conclusiones:
Esta investigación documental ha proporcionado una visión detallada y exhaustiva sobre el

diseño de la calidad de la simulación, abordando una variedad de temas fundamentales en
este campo. A través del análisis de la literatura existente, se han identificado y explorado
diversos aspectos que son esenciales para garantizar la precisión, validez y confiabilidad de
los modelos de simulación utilizados en una amplia gama de disciplinas.
Se ha demostrado la importancia de identificar y utilizar estimadores adecuados en la

simulación, así como la necesidad de evaluar la precisión de estos estimadores mediante
técnicas estadísticas apropiadas. Además, se ha resaltado la relevancia de aplicar pruebas de
bondad de ajuste, como la prueba de Kolmogorov-Smirnov y la prueba de Karl Pearson,
para verificar el ajuste de los datos simulados a distribuciones teóricas, tanto en muestras
pequeñas como grandes.
La inclusión de pruebas adicionales, como la prueba de Anderson-Darling y la prueba G, ha

ampliado aún más el conjunto de herramientas disponibles para mejorar la calidad de la
simulación y proporcionar una validación rigurosa de los resultados obtenidos. Asimismo,
se ha subrayado la importancia de la simulación de comportamientos aleatorios y su
verificación, como parte integral del proceso de modelado y análisis.
En términos teóricos, este estudio ha enriquecido el conocimiento existente al ofrecer una
comprensión más profunda de los principios y prácticas involucrados en el diseño de la
calidad de la simulación. Además, las implicaciones prácticas de estos hallazgos son
significativas para profesionales y tomadores de decisiones, ya que proporcionan pautas
claras para mejorar la eficacia y la fiabilidad de los modelos de simulación utilizados en
diversos contextos aplicados.
Si bien este estudio ha contribuido de manera sustancial al campo de la simulación, es

importante reconocer sus limitaciones, como la posible parcialidad en la selección de
fuentes y la falta de acceso a literatura actualizada en algunos temas específicos. Sin
embargo, las contribuciones de este estudio son relevantes y significativas tanto a nivel
académico como práctico, y proporcionan una base sólida para futuras investigaciones y
avances en el diseño y la evaluación de la calidad de la simulación.
Referencias
Rubinstein, R. Y., & Kroese, D. P. (2016). Simulation and the Monte Carlo method. John Wiley &
Sons.
Pearson, K. (1900). Sobre el criterio de que un sistema dado de desviaciones de lo probable

en el caso de un sistema correlacionado de variables es tal que razonablemente se puede
suponer que ha surgido de un muestreo aleatorio. Philosophical Magazine Series 5,
50(302), 157-175.
Anderson, I. F. (2019). Teorema de lo bello y diseño industrial. In IX Jornadas de

Investigación en Disciplinas Artísticas y Proyectuales (JIDAP)(La Plata, 22 y 23 de agosto
de 2019).
Moráguez-Iglesias, A., del Pilar Espinosa-Torres, M., & Gaspar-Huerta, A. (2015). La

prueba de hipótesis Kolmogorov-Smirnov para dos muestras pequeñas con una cola. Luz,
14(1), 78-90.

Demas Temas

Cargado por

Copyright:

Formatos disponibles

Demas Temas

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Demas Temas

Cargado por

Copyright:

Formatos disponibles

4.4.2.

Muestras pequeñas: prueba de Kolmogorov-Smirnov (KS):

La prueba de Kolmogorov-Smirnov es una herramienta fundamental para evaluar si una

Pasos para realizar la prueba en hoja de cálculo:

Calcular la FDC de la muestra:

Ordenar los datos de la muestra de menor a mayor.

Para cada valor de la muestra, calcular la frecuencia acumulada relativa.

La FDC de la muestra es la frecuencia acumulada relativa dividida por el tamaño de la

Calcular la FDC de la distribución hipotética:

Calcular la diferencia máxima:

La diferencia máxima es el valor máximo de las diferencias absolutas.

Utilizar una tabla de la distribución de Kolmogorov-Smirnov para obtener el valor p para la

Tomar una decisión:

Si el valor p es mayor que el nivel de significancia α, no se rechaza la hipótesis nula.

4.4.3. Muestras grandes: prueba de Karl Pearson (χ²):

Pasos para realizar la prueba en hoja de cálculo:

1. Agrupar los datos:

o Agrupar los datos en intervalos de clase.

o El número de intervalos de clase depende del tamaño de la muestra.

2. Calcular las frecuencias observadas:

3. Calcular las frecuencias esperadas:

o La frecuencia esperada se calcula multiplicando la probabilidad de la distribución

4. Calcular el estadístico chi-cuadrado:

o Para cada intervalo de clase, calcular la diferencia entre la frecuencia observada y la

o Elevar al cuadrado cada diferencia y dividirla por la frecuencia esperada.

o Utilizar una tabla de la distribución chi-cuadrado con k-1 grados de libertad,

6. Tomar una decisión:

o Si el valor p es menor que el nivel de significancia α, se rechaza la hipótesis

o Si el valor p es mayor que el nivel de significancia α, no se rechaza la

Gibbons y Chakraborti destacan que la prueba de KS es útil en situaciones donde se tienen

Moore, McCabe y Craig enfatizan que la prueba de χ² es especialmente adecuada para

Tanto la prueba de Kolmogorov-Smirnov para muestras pequeñas como la prueba de Karl

4.1. Lista de estimadores obtenidos de la simulación

4.1.1. Instrumentos de medición:

Se identificaron varios instrumentos de medición utilizados en la simulación, como

4.1.2. Medios de registro de datos:

4.2. Identificación del estimador determinante del tamaño de la simulación

4.3. Características estadísticas del estimador líder

4.3.1. Establecimiento de la precisión:

Se estableció la precisión del estimador líder mediante técnicas de validación y

4.3.2. Cálculo del número mínimo de observaciones necesarias:

Se calculó el número mínimo de observaciones necesarias para obtener resultados

4.3.3. Intervalos de confianza:

Se determinaron los intervalos de confianza para el estimador líder, proporcionando una

4.4. Muestras definitivas

4.4.1. Estadísticas descriptivas:

Se realizaron estadísticas descriptivas sobre las muestras obtenidas en la simulación,

4.4.2. Muestras pequeñas: prueba de Kolmogorov-Smirnov para ajuste de una distribución

Se aplicó la prueba de Kolmogorov-Smirnov para verificar el ajuste de una distribución

4.4.4. Otras pruebas:

4.5. Simulación de los comportamientos aleatorios del proyecto y su verificación:

Se llevó a cabo la simulación de los comportamientos aleatorios del proyecto y se verificó

Esta investigación documental ha proporcionado una visión detallada y exhaustiva sobre el

Se ha demostrado la importancia de identificar y utilizar estimadores adecuados en la

La inclusión de pruebas adicionales, como la prueba de Anderson-Darling y la prueba G, ha

Si bien este estudio ha contribuido de manera sustancial al campo de la simulación, es

Pearson, K. (1900). Sobre el criterio de que un sistema dado de desviaciones de lo probable

Anderson, I. F. (2019). Teorema de lo bello y diseño industrial. In IX Jornadas de