PRUEBA DE HIPÓTESIS:

KOLMOGOROV - SMIRNOV
• OBJETIVO: Determinar si una población continua tiene una
distribución teórica específica.

• SUPUESTOS: Los datos provienen de una muestra aleatoria y

representativa.

• CONSIDERACIONES IMPORTANTES:

• No requiere que las observaciones sean agrupadas en intervalos o

categorías.
• No se aconseja cuando los parámetros son estimados de una
muestra, en ese caso, se utiliza una corrección (SPSS).
• También se puede utilizar para probar la bondad de ajuste para
datos discretos y continuos agrupados, en estos casos se dice que
la prueba es conservadora.
 Distribución normal o de Gauss
• Aparece de manera natural:
– Errores de medida.
– Distancia de frenado.
– Altura, peso, propensión al crimen…

• Está caracterizada por dos parámetros:

• La media, μ, y la desviación típica, σ.

3
 N(μ, σ): Interpretación probabilista

• Entre la media y una

desviación típica
tenemos siempre la
misma probabilidad:
aprox. 68%

• Entre la media y dos

desviaciones típicas
aprox. 95%

4
LA PRUEBA DE KOLMOGOROV-SMIRNOV

A menudo necesitamos corroborar si los datos de una determinada muestra o

población se acomodan a la campana de Gauss (curva normal).

n= 100
m= 5
dt= 1
¿…?
=

¿…?
Distribución Distribución ideal (tª)
observada de los = de los datos
datos

PRUEBA K-S
LA PRUEBA DE KOLMOGOROV-SMIRNOV

¿…?
=

La prueba K-S calcula un valor Z que cuantifica la diferencia entre:

Distribución normal _ Distribución

ideal observada

Elevados valores de Z indican grandes diferencias entre ambas distribuciones…

Z muy alta  Distribución observada NO normal

Z muy baja  Distribución observada SÍ normal

 LA PRUEBA DE KOLMOGOROV-SMIRNOV

¿…?
=

Valor Z de K-S = Distribución normal

_ Distribución
ideal observada

Para determinar si el valor Z calculado es significativamente elevado, consultaremos

su correspondiente grado de significación (P):

Z no significativamente elevada  P>0,05  Distribución observada SÍ normal

Z significativamente elevada  P≤0,05  Distribución observada NO normal
La PRUEBA K-S es una PRUEBA DE HIPÓTESIS
Toda prueba de hipótesis comprueba si una determinada diferencia o un determinado
valor estadístico es significativamente elevado o no.

Antes de realizar cualquier PRUEBA DE HIPÓTESIS, se consideran estas dos posibles

hipótesis estadísticas:

H0 (hipótesis nula): la diferencia o valor estadístico no es elevado significativamente.

H1 (hipótesis alternativa): diferencia o valor estadístico sí es significativamente elevado.

En definitiva, cualquier PRUEBA DE HIPÓTESIS, deberá concluir H0 ó H1

La decisión se tomará siempre a través del grado de significación (P):

P > 0,05  H0

P ≤ 0,05  H1
LA PRUEBA DE KOLMOGOROV-SMIRNOV
Ejemplo: Prueba de Kolmogorov-Smirnov para una muestra

EDAD
Una de nuestras variables de estudio N 34
presenta el siguiente resultado en la Parámetros normalesa, b Media 24,97
prueba de normalidad K-S. Des viación típica
4,267

¿La variable se distribuye según la Diferencias más Abs oluta ,237

extremas Pos itiva
ley normal? Negativa
,237
-,176
Z de Kolmogorov-Smirnov 1,382
Sig. asintót. (bilateral) ,044
a. La dis tribución de contras te es la Normal.
b. Se han calculado a partir de los datos .

Para determinar si el valor Z (1,382) es significativamente elevado, consultaremos

su correspondiente grado de significación (P):

Dado que P=0,04 < 0,05  existe una diferencia significativa de los datos con
la normalidad  La variable NO se distribuye según la ley normal.
Esta conclusión la asumimos considerando un nivel de confianza del 95%
(0,95)
La PRUEBA K-S es una PRUEBA DE HIPÓTESIS

En definitiva, cualquier PRUEBA DE HIPÓTESIS, deberá concluir H0 ó H1

La decisión se tomará siempre a través del grado de significación (P):

P > 0,05  H0
P ≤ 0,05  H1

Pero OJO IMPORTANTE:

El contraste de P con el valor 0,05 es el más común, debido a que acostumbra a asumirse
para las pruebas un nivel de confianza del 95% (o lo que es igual, un riesgo alfa α de
0,05).

Pero en algunos casos puede exigírsenos para la PRUEBA DE HIPÓTESIS un mayor nivel
de confianza (es decir, un menor riesgo α.

Veamos este último ejemplo…

LA PRUEBA DE KOLMOGOROV-SMIRNOV

Prueba de Kolmogorov-Smirnov para una muestra

Ejemplo:
Edad del
Una de nuestras variables de estudio N
entrevis tado
1200
presenta el siguiente resultado en la Parámetros normalesa, b Media 43,02
prueba de normalidad K-S. Des viación típica
16,752

Asumiendo un riesgo de error alfa Diferencias más Abs oluta 1,077

extremas
del 2% ¿podemos asumir que la Pos itiva 1,077
Negativa -,068
variable se distribuye según la ley Z de Kolmogorov-Smirnov 1,675
normal? Sig. asintót. (bilateral) ,038
a. La dis tribución de contras te es la Normal.
b. Se han calculado a partir de los datos.

Para determinar si el valor Z (1,675) es significativamente elevado, consultaremos

su correspondiente grado de significación (P):

Dado que P=0,038 > 0,02  no existe una diferencia significativa de los datos
con la normalidad  La variable SÍ se distribuye según la ley normal.
Esta conclusión la asumimos considerando un riesgo de error α del 2%.
En SÍNTESIS, para una PRUEBA DE HIPÓTESIS

A priori se establecen dos hipótesis, de las que habrá que concluir sólo una:

H0 (hipótesis nula): la diferencia o valor estadístico no es elevado significativamente

H1 (hipótesis alternativa): diferencia o valor estadístico sí es significativamente elevado.

Una vez obtenido el valor del estadístico (por ejemplo Z de K-S) se contrasta P:

P > α  H0

P ≤ α  H1

El valor de α nos indica el riesgo de error (o su complementario, nivel de confianza)

asumidos para el contraste de las hipótesis. ES IMPORTANTE INDICAR ESTE DATO EN
LAS CONCLUSIONES DE TUS ANÁLISIS.
Normalidad Kolmogorov
 (PARAMÉTRICAS)

Normalidad Kolmogorov
 (NO PARAMÉTRICAS)

Normalidad Kolmogorov
 Normalidad? K-S

Int. Conf P
Comparación
estadístico-parámetro T Student

T Student
Comparación U Mann-Whitney
2 medias aritméticas
T Student
Z Wilcoxon
Objetivo
Comparación
F (ANOVA)
2 medias aritméticas
K Kruskal-Wallis

Comparación 2 proporciones
o Relación 2 variables cualis Chi 2

R Pearson
Relación 2 variables cuantis
S Spearman
Modelo de regresión
Y=a+bX