Instituto Tecnolgico De Reynosa.

Presenta:
Ramss Marco Antonio Zapata Acevedo/Katy Hernandez/Fatima Reyes

Materia:
Estadstica Inferencial.

Profesor(a):

Juan Gerardo Perez

Carrera:

Ing. Industrial
Saln:

#9
Tarea de:

Conceptos de Bondad de Ajuste y Pruebas no Parametricas

Reynosa, Tamaulipas. 10/11/2016

Bondad de ajuste

La bondad de ajuste de un modelo estadstico describe lo bien que se ajusta un conjunto de

observaciones. Las medidas de bondad en general resumen la discrepancia entre los valores observados
y los que valores esperados en el modelo de estudio. Tales medidas se pueden emplear en el contraste
de hiptesis, e.g. el test de normalidad de los residuos, comprobar si dos muestras se obtienen a partir
de dos distribuciones idnticas (ver test de Kolmogorov-Smirnov), o si las frecuencias siguen una
distribucin especfica.

Distribuciones
Para calcular si una distribucin dada se ajusta a un conjunto de datos, se pueden utilizar las
siguientes pruebas:

Prueba de Kolmogrov-Smirnov
Criterio de Cramr-von Mises
Prueba de Anderson-Darling
Test de ShapiroWilk
Test de chi cuadrado
Criterio de Informacin de Akaike

Pruebas no parametricas

Cuando se analizan datos medidos por una variable cuantitativa continua, las pruebas estadsticas de
estimacin y contraste frecuentemente empleadas se basan en suponer que se ha obtenido una
muestra aleatoria de una distribucin de probabilidad de tipo normal o de Gauss. Pero en muchas
ocasiones esta suposicin no resulta vlida, y en otras la sospecha de que no sea adecuada no resulta
fcil de comprobar, por tratarse de muestras pequeas. En estos casos disponemos de dos posibles
mecanismos: los datos se pueden transformar de tal manera que sigan una distribucin normal, o bien
se puede acudir a pruebas estadsticas que no se basan en ninguna suposicin en cuanto a la
distribucin de probabilidad a partir de la que fueron obtenidos los datos, y por ello se
denominan pruebas no paramtricas (distribution free), mientras que las pruebas que suponen una
distribucin de probabilidad determinada para los datos se denominan pruebas paramtricas.

Dentro de las pruebas paramtricas, las ms habituales se basan en la distribucin de probabilidad

normal, y al estimar los parmetros del modelo se supone que los datos constituyen una muestra
aleatoria de esa distribucin, por lo que la eleccin del estimador y el clculo de la precisin de la
estimacin, elementos bsicos para construir intervalos de confianza y contrastar hiptesis, dependen
del modelo probabilstico supuesto.
Cuando un procedimiento estadstico es poco sensible a alteraciones en el modelo probabilstico
supuesto, es decir que los resultados obtenidos son aproximadamente vlidos cuando ste vara, se dice
que es un procedimiento robusto.

Las inferencias en cuanto a las medias son en general robustas, por lo que si el tamao de muestra es
grande, los intervalos de confianza y contrastes basados en la t de Student son aproximadamente vlidos,
con independencia de la verdadera distribucin de probabilidad de los datos; pero si sta distribucin no
es normal, los resultados de la estimacin sern poco precisos.