Nombres:

Emmanuel Downs
Carlos Vásquez

Nombre del Profesor:

Mgtr. Ing. Larissa Ruíz G.

Materia:
Confiabilidad

Tema de Exposición:
Distribución Binominal
Prueba de Kolmogórov-Smirnov

Fecha de Entrega:
20 De junio De 2023
 Introducción

La distribución binomial es uno de los modelos matemáticos que

más se utilizan para calcular la probabilidad de éxito de un evento,
siempre y cuando la variable a analizar sea discreta. Se relaciona
con el experimento aleatorio de Bernoulli, nombrado así en honor
de Jakob Bernoulli, matemático y científico suizo.

Utilizamos la distribución binomial en todos los eventos donde

solamente hay dos resultados, por ejemplo, la definición del sexo
de un bebé; el que nuestro equipo favorito gane o pierda algún
partido; el que pase o repruebe un examen. Ahí, sin darnos cuenta,
estamos haciendo uso de este concepto.

La prueba de Kolmogorov es una prueba de bondad de ajuste, es

decir, del grado en que la distribución observada difiere de otra
distribución. Es una alternativa a la prueba Ji Cuadrado de bondad
de ajuste cuanto el número de datos es pequeño. La prueba no
debe ser aplicada si hay muchos empates.

El uso de la Estadística es de gran importancia en la investigación

científica. Casi todas las investigaciones aplicadas requieren algún
tipo de análisis estadístico para que sea posible evaluar sus
resultados. En algunos casos, para resolver un problema de
carácter empírico, es preciso llevar a cabo un análisis bastante
complejo; otras veces, basta con efectuar un análisis muy simple
y directo.
 Distribución Binominal

La distribución binomial es una distribución de probabilidad

discreta que nos dice el porcentaje en que es probable obtener un
resultado entre dos posibles al realizar un número n de pruebas.

La probabilidad de cada posibilidad no puede ser más grande que

1 y no puede ser negativa.

En estas pruebas deberemos tener sólo dos resultados posibles,

como al lanzar una moneda que salga cara o cruz o en una ruleta
francesa que salga rojo o negro.

Cada experimento es independiente de los otros que hagamos y

no influye en las probabilidades de los siguientes, en cada uno la
probabilidad de que se de uno de los dos resultados será
exactamente la misma.

Por ejemplo, si lanzamos un dado la posibilidad de que el resultado

sea par (2, 4 ó 6) o impar (1, 3 ó 5) será exactamente la misma si
el dado está bien equilibrado, el 50% y por muchas veces que lo
lancemos la probabilidad, en cada una de esas veces, seguirá
siendo el 50%.
En la distribución binomial tenemos tres variables:

n es el número de veces que repetimos el experimento.

p es uno de los dos resultados al que llamaremos éxito.
q es el otro resultado posible al que llamaremos fracaso.
Como p y q son los dos únicos resultados posibles, entre los dos
su porcentaje debe sumar uno por lo que p=1-q.

Para hacer el experimento lo primero que tenemos que hacer es

definir p, es decir, en el ejemplo del dado definir si éxito o p es que
salga un número par o impar; a partir de ahí, q será la otra
posibilidad.

Otro ejemplo: supongamos que vamos con prisa por la calle y

queremos tomar un taxi, vamos a calcular la probabilidad de que
el próximo taxi que pase esté libre u ocupado. Como hoy está
lloviendo es muy probable que esté ocupado. Vamos a asignar a
la probabilidad de que esté libre un 15% (es decir, 0,15). Si
definimos p o éxito como la probabilidad de que esté libre la de que
esté ocupado será q que, al ser 1-p será 1-0,15, es decir 0,85 o,
dicho en porcentaje, el 85% Así, si queremos saber la probabilidad
de que un resultado ocurra determinadas veces utilizaremos estos
porcentajes.

Por ejemplo, si observamos que pasan diez taxis y queremos

saber la probabilidad de que tres de ellos estén libres la fórmula
sería:
Donde P es la probabilidad de que tres taxis de los diez estén
libres, r las veces que queremos calcular que estén libres, en este
caso tres, p el porcentaje de éxito, en este caso 0,15, elevado a r,
que hemos visto antes, por q (el porcentaje de fracaso que, en este
caso es 0,85) elevado a n menos r; n sobre r se calcula utilizando
números factoriales.

La distribución binomial se utiliza con frecuencia para modelizar el

número de aciertos en una muestra de tamaño n extraída con
reemplazo de una población de tamaño N.

Si el muestreo se realiza sin reemplazo, las extracciones no son

independientes, por lo que la distribución resultante es una
distribución hipergeométrica, no una distribución binomial. Sin
embargo, para N mucho mayores que n, la distribución binomial
sigue siendo una buena aproximación, y se utiliza ampliamente.

Más matemáticamente, la distribución binomial es una distribución

discreta de probabilidad descrita por dos parámetros: n el número
de experimentos realizados, y p la probabilidad de éxito.

Para cada experimento llamado ensayo Bernoulli, utilizamos una

variable aleatoria que toma el valor 1 cuando se consigue un éxito
y el valor 0 en caso contrario. La variable aleatoria, suma de todas
estas variables aleatorias, cuenta el número de éxitos y sigue una
distribución binomial.
Experimento binomial

Existen muchas situaciones en las que se presenta una

experiencia binomial. Cada uno de los experimentos es
independiente de los restantes (la probabilidad del resultado de un
experimento no depende del resultado del resto). El resultado de
cada experimento ha de admitir sólo dos categorías (a las que se
denomina éxito y fracaso).

¿Cuáles son las características de la distribución binomial?

El concepto de distribución binomial hace referencia a la

distribución de probabilidades discretas en el que se describen la
cantidad de éxitos en cuanto a sucesos experimentales que son
independientes entre sí, en relación a una variable de índole
aleatoria.

Hay una gran variedad en cuanto a sucesos experimentales que

pueden ser analizados bajo la distribución binomial.

Por ejemplo, si lanzamos una moneda en la que establecemos

como un suceso exitoso el sacar “cruz” y lo hacemos 10 veces y
luego contamos la cantidad de veces que obtenemos cruz, es
cuando las probabilidades se ajustan a la distribución de tipo
binomial.
¿Cuáles son las características de la distribución binomial?

Para comprobar que una variable de tipo aleatoria sigue la

distribución binomial, se deben dar estos principios:

Cada situación experimental solo cuenta con dos resultados: éxito

o fracaso.
En la distribución binomial, el éxito se resuelve como una
constante y se representa mediante la letra p.

Retomando el ejemplo anterior, hay un 50% de probabilidad de que

salga cruz debido a que el objeto, en este caso la moneda, no
cambia y la probabilidad de sacar ese lado de la moneda son
constantes.

Aquí también el fracaso o el error también se define como una

constante y se representa mediante la letra q = 1-p; en esta fórmula
si logramos saber q, podremos despejar la que nos falte.

Los resultados que se obtienen son independientes de los

resultados de los demás experimentos, por lo que cada cosa que
ocurra en la situación experimental no afectará a los resultados
que sigan.
Estos sucesos son excluyentes entre sí ya que al darse uno, no
puede darse otro; si lanzamos una moneda, no sale cara y cruz al
mismo tiempo.

Estos sucesos también son de carácter exhaustivos, esto quiere

decir que al menos una de las opciones ha de suceder; si
arrojamos la moneda y no sale cruz entonces ha de salir cara.
En la distribución binomial, la variable aleatoria se representa
mediante X ~ (n,p) en la que n es el número de experimentos y p,
las probabilidades de éxito.

¿Cuándo se utiliza la distribución binomial?

La distribución binomial se utiliza en la descripción de sucesos en

los cuales se puede producir un resultado u otro, en los que el
interés está puesto en cómo se sucede esté hecho y no en su
alcance; por ejemplo, si un partido político gana o pierde.

¿Cómo se aplica la distribución binomial?

La distribución binomial es una fórmula que sin querer aplicamos

en la cotidianeidad, ya que describe aquellos sucesos en los que
solo pueden darse dos resultados; por ejemplo, aprobar o
desaprobar un examen o si el sexo el bebé se define por uno u
otro.
 Prueba de Kolmogórov-Smirnov

El procedimiento Prueba de Kolmogorov-Smirnov para una

muestra compara la función de distribución acumulada observada
de una variable con una distribución teórica determinada, que
puede ser la normal, la uniforme, la de Poisson o la exponencial.
La Z de Kolmogorov-Smirnov se calcula a partir de la diferencia
mayor (en valor absoluto) entre las funciones de distribución
acumuladas teórica y observada. Esta prueba de bondad de ajuste
contrasta si las observaciones podrían razonablemente proceder
de la distribución especificada.

A partir de la versión 27.0, la estadística de prueba Lilliefors se

puede utilizar para estimar el valor p utilizando el muestreo de
Monte Carlo para probar en una distribución normal con
parámetros estimados (esta funcionalidad era posible
anteriormente únicamente a través del procedimiento Explorar).

En estadística, son muy conocidas y utilizadas las pruebas

paramétricas y no paramétricas. Una prueba no paramétrica muy
empleada es la prueba de Kolmogórov-Smirnov, que permite
verificar si las puntuaciones de la muestra siguen o no una
distribución normal.

Pertenece al grupo de las llamadas pruebas de bondad de ajuste.

En este artículo conoceremos sus características, para qué sirve y
cómo se aplica.
Pruebas no paramétricas

La prueba de Kolmogórov-Smirnov es un tipo de prueba no

paramétrica. Las pruebas no paramétricas (también llamadas de
distribución libre) son utilizadas en estadística inferencial, y tienen
las siguientes características:

 Plantean hipótesis sobre bondad de ajuste, independencia...

 El nivel de medida de las variables es bajo (ordinal).
 No tienen excesivas restricciones.
 Son aplicables a muestras pequeñas.
 Son robustas.

Prueba de Kolmogórov-Smirnov: características

La prueba de Kolmogórov-Smirnov es una propia perteneciente a

la estadística, concretamente a la estadística inferencial. La
estadística inferencial pretende extraer información sobre las
poblaciones.
Se trata de una prueba de bondad de ajuste, es decir, sirve para
verificar si las puntuaciones que hemos obtenido de la muestra
siguen o no una distribución normal. Es decir, permite medir el
grado de concordancia existente entre la distribución de un
conjunto de datos y una distribución teórica específica. Su objetivo
es señalar si los datos provienen de una población que tiene la
distribución teórica especificada, es decir, lo que hace es
contrastar si las observaciones podrían razonablemente proceder
de la distribución especificada.
Hipótesis nula e hipótesis alternativa

Como prueba de bondad de ajuste, responde a la pregunta de: “¿la

distribución muestral (empírica) se ajusta a la poblacional
(teórica)?”. En este caso, la hipótesis nula (H0) establecerá que la
distribución empírica es similar a la teórica (la hipótesis nula es la
que no se intenta rechazar).

En otras palabras, la hipótesis nula establecerá que la distribución

de frecuencias observada es consistente con la distribución teórica
(y que se da por lo tanto un buen ajuste).

En contraste, la hipótesis alternativa (H1) establecerá que la

distribución de frecuencias observada no es consistente con la
distribución teórica (mal ajuste). Como en otras pruebas de
contraste de hipótesis, el símbolo α (alfa) indicará el nivel de
significación de la prueba.

¿Cómo se calcula?

El resultado de la prueba de Kolmogórov-Smirnov se representa

mediante la letra Z. La Z se calcula a partir de la diferencia mayor
(en valor absoluto) entre las funciones de distribución acumuladas
teórica y observada (empírica).
 Conclusión

La distribución binomial es una distribución de probabilidad que

resume la probabilidad de que el valor de uno de dos valores
independientes tenga lugar bajo un conjunto dado de parámetros
o suposiciones.

Los supuestos básicos de la distribución binomial son que solo hay

un resultado para cada ensayo, que todos los ensayos tienen la
misma probabilidad de éxito y que todos los ensayos son
mutuamente excluyentes o independientes entre sí.

En resumen, la prueba de Kolmogorov-Smirnov es una

herramienta muy útil que nos permite determinar si nuestros datos
se ajustan a una distribución normal, lo cual es importante en
muchos contextos de investigación.

En conclusión, la Prueba de Kolmogorov-Smirnov es una

herramienta valiosa para medir la normalidad de un conjunto de
datos y determinar si la distribución de los datos sigue una
distribución normal o no. Esta prueba funciona comparando la
función de distribución acumulativa de la muestra con la función de
distribución teórica de una distribución normal.
 Bibliografía

1. https://programas.cuaed.unam.mx/repositorio/moodle/pluginf
ile.php/1006/mod_resource/content/1/contenido/index.html#:
~:text=La%20distribuci%C3%B3n%20binomial%20es%20un
o,Bernoulli%2C%20matem%C3%A1tico%20y%20cient%C3
%ADfico%20suizo

2. https://psicologiaymente.com/miscelanea/prueba-
kolmogorov-smirnov

3. https://es.wikipedia.org/wiki/Prueba_de_Kolmog%C3%B3rov
-Smirnov

4. https://openstax.org/books/introducci%C3%B3n-
estad%C3%ADstica-empresarial/pages/4-2-distribucion-
binomial

5. https://www.ibm.com/docs/es/spss-
statistics/saas?topic=tests-one-sample-kolmogorov-smirnov-
test

6. https://www.uv.es/innomide/spss/SPSS/SPSS_0802A.pdf

7. https://www.sdelsol.com/glosario/distribucion-binomial/