INSTITUTO TECNOLGICO DE CIUDAD

JUREZ

SONIA ESTIVALY GARCA ADAME

``SIMULACIN

`` DISEO DE LA CALIDAD DE LA SIMULACIN

ING.CISNEROS
INTRODUCCIN

En este trabajo se pretende mostrar cuales son las pruebas para la realizacin de
ajustes dentro de una investigacin las cuales son llamadas pruebas de bondad o
pruebas de hiptesis. Tambin se podr encontrar algunas frmulas y algunos
pasos para la realizacin de estas pruebas. Todo esto ser a partir de la
generacin de las muestras, ya sean grandes o pequeas.
MUESTRAS DEFINITIVAS

Estadsticas Descriptivas

Las estadsticas descriptivas resumen cuantitativamente un conjunto de datos.

Para tener una visin global de los datos que se van a analizar, puede mostrar
estadsticas descriptivas junto con anlisis ms formales.

Algunos usos

Resumir y caracterizar datos. Normalmente es el paso inicial en el anlisis

cuantitativo de datos y frecuentemente constituye el primer paso hacia el uso de
otros procedimientos estadsticos.

Las caractersticas de los datos de muestra pueden servir como base para hacer
inferencias respecto a las caractersticas de las poblaciones de las que se extrajo
la muestra.

Algunos beneficios

Modo relativamente sencillo y eficiente para resumir y caracterizar datos.

Ofrece una manera conveniente de presentar la informacin. En particular, los

mtodos grficos son una manera muy eficaz de presentar datos, y de comunicar
la informacin.

La estadstica descriptiva es potencialmente aplicable a todas las situaciones que

involucran el uso de datos. Puede ayudar al anlisis e interpretacin de los datos y
es una valiosa ayuda en la toma de decisiones.

Limitaciones y precauciones

Las estadsticas descriptivas proporcionan mediciones cuantitativas de las

caractersticas (tales como el promedio y la desviacin estndar) de datos de
muestra. Sin embargo estas mediciones estn sujetas a las limitaciones del
tamao de muestra y el mtodo de muestreo utilizado.
Estadsticos agrupados o sin agrupar

Puede crear una tabla de estadsticas resumidas, como media, mediana, etc., para
una o varias variables numricas, basadas en todos los casos. Asimismo, puede
colocar las medidas adyacentes entre s para crear varios estadsticos de
medidas.

MUESTRAS PEQUEAS

Prueba De Kolmogorov Para Ajuste De Distribucin De Probabilidades Continua

Hipottica

La prueba de bondad de ajuste de Kolmogorov-Smirnov es una alternativa para

probar que una muestra proviene de una distribucin continua (normal). Esta
prueba se basa en la comparacin entre la funcin distribucin acumulada de una
distribucin terica con la funcin distribucin acumulada de la muestra.

Si las funciones de distribucin acumulada terica y muestral no son

significativamente diferentes, entonces decimos que la muestra proviene de la
distribucin cuya funcin distribucin acumulada es Ft(x). Sin embargo, si las
diferencias entre las funciones distribucin acumuladas son muy grandes como
para que no sean debidas solamente al azar, rechazamos Ho

Los pasos a seguir en la prueba de bondad de ajuste de Kolmogorov-Smirnov son

los siguientes:

Plantear la hiptesis: Ho: Fm(X)=Ft(X) para todo X E R; Ha: Fm(X)=Ft(X), por

lo menos para un X.
Calcular todos los valores Fm(X) de la muestra X1,X2,.,Xn.
Determinar la desviacin mxima, que est dada por el supremo de los
valores absolutos de las diferencias entre los valores de
la funcin acumulada terica y de la muestra.
Escoger un nivel de significacin
De acuerdo al resultado se toma la decisin
Las suposiciones en la prueba de bondad de ajuste de Kolmogorov-Smirnov son:

1. Muestras Aleatorias
2. La poblacin deber ser continua en la variable observada
3. La prueba no es validad si se tiene que estimar uno o ms parmetros
usando los datos de la muestra.

MUESTRAS GRANDES: Prueba De Karl Pearson Para Ajuste De Una Distribucin

De Probabilidades Hipottica, Continua Y Discreta

La distribucin Chi-Cuadrada (chi squared en ingls, se pronuncia Kay Cuadrada

skuerd) es una de las distribuciones ms empleadas en todos los campos. Su uso
ms comn es cuando se quiere probar si unas mediciones que se hayan
efectuado siguen una distribucin esperada, por ejemplo la normal o cualquier
otra.

Otro de sus usos es en intervalos de confianza y pruebas de hiptesis para las

varianzas o desviaciones estndar.

Empezaremos ilustrando la definicin de la distribucin para proceder a ejemplos

de uso prctico.

Supongamos que se efecta el siguiente experimento estadstico. Seleccionamos

una muestra aleatoria de tamao n de una poblacin con distribucin normal, con
desviacin estndar igual a . De la muestra encontramos que la desviacin
estndar es igual a s. Con estos datos podemos calcular una estadstica, que
llamamos Chi-Cuadrada Cuadrada, por medio de la siguiente ecuacin:
Si repetimos el experimento un nmero infinito de veces, obtendramos una
distribucin muestral n muestral para la estad para la estadstica chi-cuadrada
cuadrada. Pero la distribucin final que tendramos se puede definir por la
siguiente ecuacin:

Dnde: Y0 es una constante que depende del nmero de grados de libertad ( = n

1, n es el tamao de la muestra), 2 es el valor de chi-cuadrada cuadrada y e es
el llamado nmero natural (aproximadamente 2.71828). Y0 se define de forma que
el rea bajo la curva sea igual a 1.

Si graficamos curvas para diferentes valores de n, encontramos que la forma de la

distribucin chi cuadrada cambia dependiendo del nmero de grados de libertad.

Tambin vemos que al aumentar el nmero de grados de libertad, la curva se

aproxima a la distribucin normal.

La distribucin chi cuadrada tiene las siguientes propiedades:

La media La media es igual al nmero de grados de libertad (que es igual al

tamao de las muestras menos 1): = = n 1
 La varianza es igual a dos veces el nmero de grados de libertad (por lo
tanto la desviacin estndar es la raz cuadrada de 2):
^2 = 2 *
Cuando los grados de libertad son mayores o iguales que 2, el mximo
valor de valor de Y ocurre cuando
^ 2 = 2
Conforme los grados de libertad (tamao de la muestra muestra) aumenta,
la distribucin chi-cuadrada cuadrada se aproxima a la distribucin normal.

Probabilidad Acumulativa y la Distribucin Chi-cuadrada cuadrada.

La distribucin ^2, como otras distribuciones por ejemplo la t de student y la z-

normal estndar, se construye de forma que el rea total bajo la curva sea igual a
1. El rea bajo la curva entre 0 y un valor particular de la estadstica chi-cuadrada
es la probabilidad asociada con ese valor. Por ejemplo, en la figura, el rea
sombreada representa la probabilidad acumulada para una ^2 igual a un valor A.

Supngase que en una determinada muestra se observan una serie de posibles

sucesos E1, E2, E3, . . . , EK, que ocurren con frecuencias o1, o2, o3, . . ., oK,
llamadas frecuencias observadas y que, segn las reglas de probabilidad, se
espera que ocurran con frecuencias e1, e2, e3, . . . ,eK llamadas frecuencias
tericas o esperadas. A menudo se desea saber si las frecuencias observadas
difieren significativamente de las frecuencias esperadas. Para el caso en que
solamente son posibles dos sucesos E1 y E2 como, por ejemplo, caras o cruces,
defectuoso, etc., el problema queda resuelto satisfactoriamente con los mtodos
de las unidades anteriores. Ahora se considera el problema general.
 OTRAS PRUEBAS

Anderson-Darling

El estadstico Anderson-Darling mide qu tan bien siguen los datos una distribucin
especfica. Para un conjunto de datos y distribucin en particular, mientras mejor se
ajuste la distribucin a los datos, menor ser este estadstico. Por ejemplo, usted
puede utilizar el estadstico de Anderson-Darling para determinar si los datos
satisfacen el supuesto de normalidad para una prueba t.

Las hiptesis para la prueba de Anderson-Darling son:

H0: Los datos siguen una distribucin especificada

H1: Los datos no siguen una distribucin especificada

Utilice el valor p correspondiente (si est disponible) para probar si los datos
provienen de la distribucin elegida. Si el valor p es menor que un nivel de
significancia elegido (por lo general 0.05 o 0.10), entonces rechace la hiptesis nula
de que los datos provienen de esa distribucin. Minitab no siempre muestra un
valor p para la prueba de Anderson-Darling, porque este no existe
matemticamente para ciertos casos.

Tambin puede utilizar el estadstico de Anderson-Darling para comparar el ajuste

de varias distribuciones con el fin de determinar cul es la mejor. Sin embargo, para
concluir que una distribucin es la mejor, el estadstico de Anderson-Darling debe
ser sustancialmente menor que los dems. Cuando los estadsticos estn cercanos
entre s, se deben usar criterios adicionales, como las grficas de probabilidad, para
elegir entre ellos.
SIMULACION DE LOS COMPORTAMIENTOS ALEATORIOS DEL PROYECTO Y
SU VERIFICACION.

La simulacin es una tcnica cada vez ms utilizada en el estudio de sistemas

complejos. Entre los argumentos a favor de la utilizacin de la simulacin se
encuentran los siguientes:

La mayora de los sistemas complejos reales con elementos estocsticos no se

pueden describir con suficiente precisin mediante un modelo matemtico que se
pueda resolver analticamente. Por lo tanto, con frecuencia la simulacin es el nico
mtodo posible de estudio de dichos sistemas.

La simulacin permite estimar el comportamiento de un sistema existente bajo un

conjunto previsto de condiciones operativas.

Mediante la simulacin se pueden comparar diseos alternativos (o polticas de

operacin alternativas para un determinado diseo) para especificar cul es el que
cumple de forma ms adecuada con los objetivos formulados.

En la simulacin se puede tener un control mucho mejor sobre las condiciones del
experimento que si se realizase sobre el propio sistema.

La simulacin permite estudiar un sistema cuya evolucin es muy dilatada en el

tiempo (por ejemplo, un sistema econmico) en un periodo de tiempo reducido.
Alternativamente, tambin permite estudiar de forma detallada la evolucin de un
sistema en un corto periodo de tiempo.
CONCLUSIN
En este documento se mostr lo que fueron las pruebas de bondad o de hiptesis
dependiendo de tamao de la muestra as como tambin la metodologa que se
sigue para la realizacin adecuada de estas pruebas, as mismo tambin
encontramos lo que es la estadstica descriptiva y otro tipo de pruebas como lo es
la de Anderson Darling.
BIBLIOGRAFIA
http://www.geociencias.unam.mx/~ramon/EstInf/Clase9.pdf

https://es.scribd.com/document/349920039/Unidad-4-Simulacion

https://www.uv.es/webgid/Inferencial/22_kolmogorov.html

https://www.ibm.com/support/knowledgecenter/es/SSEP7J_10.2.0/com.ibm.swg.ba.cognos.ug_c
r_rptstd.10.2.0.doc/c_id_desc_stats.html