• Estadística Anderson-Darling (A-D)

La última estadística de adaptación que se puede usar con datos de muestra

continuos es la Anderson-Darling, que se define como

Como la estadística K-S, la A-D no requiere el establecimiento de compartimentos.

Pero a diferencia de la estadística K-S, que se enfoque en el medio de la
distribución, la estadística A-D destaca las diferencias entre los extremos de la
distribución adaptada y los datos de entrada.

El test Anderson-Darling determina si los datos vienen de una distribución

específica. La fórmula para el estadístico A determina si los datos (observar que
los datos se deben ordenar) vienen de una distribución con función acumulativa F

A2 = − N − S

donde

El estadístico de la prueba se puede entonces comparar contra las distribuciones

del estadístico de prueba (dependiendo que F se utiliza) para determinar el P-
valor.

www.EstadisticaFacil.com
Prueba De Anderson Darling
La prueba de Anderson-Darling es usada para probar si una muestra viene de una
distribución especifica. Esta prueba es una modificación de la prueba de
Kolmogorov- Smirnov donde se le da más peso a las colas de la distribución que
la prueba de Kolmogorov-Smirnov .
En estadística, la prueba de Anderson-Darling es una prueba no paramétrica
sobre si los datos de una muestra provienen de una distribución específica. La
fórmula para el estadístico determina si los datos (observar que los datos se
deben ordenar) vienen de una distribución con función acumulativa F .

Donde:
n es el número de datos
f(x): es la función de distribución de probabilidad teórica
FS(X): es la función de distribución empírica.
Para definir la regla de rechazo para esta prueba es necesario, también, obtener el
estadístico ajustado para luego compararlo con los valores críticos de la tabla de
Anderson- Darling
Una vez obtenido el estadístico ajustado, la regla de rechazo se realiza
análogamente a la utilizada en la prueba de K-S.

El estadístico de la prueba se puede entonces comparar contra las distribuciones

del estadístico de prueba (dependiendo que F se utiliza) para determinar el P-
valor.

Prueba de Smirnov - Kolmogorov (S-K)

En esta prueba también se está interesado en el grado de concordancia entre la
distribución de frecuencia muestral y la distribución de frecuencia teórica, bajo la
hipótesis nula de que la distribución de la muestra es f0(x,q) e interesa probar que
no existe diferencia significativa. La prueba trabaja con la función de distribución
( distribución de frecuencia acumulativa). Esta prueba pertenece al campo de la
Estadística No Paramétrica.
Sea F0(x) la función de distribución teórica para la variable aleatoria X, y
representa la probabilidad de que la variable aleatoria X tome un valor menor o
igual a x (también se interpreta como la proporción esperada de observaciones
que tengan un valor menor o igual a x). Es decir:
Sea Sn (x) la función de distribución empírica, calculada con base en los valores
observados de la muestra n observaciones. Sn (x) representa la proporción de
valores observados que son menores o iguales a x, y está definida como:
Sn (x) = P ( X £ x/ dados los resultados muestrales) = m/n
donde m es el número de valores observados que son menores o iguales a x.
En la prueba de Smirnov-Kolmogorov se está interesado en la mayor desviación
entre la función de distribución teórica y la empírica, es decir entre F0 (x) y Sn(x),
para todo el rango de valores de x. Bajo la hipótesis nula se espera que estas
desviaciones sean pequeñas y estén dentro de los límites de errores aleatorios.
Por lo tanto, en la prueba S-K se calcula la mayor desviación existente entre F0 (x)
y Sn(x), denotada por Dmax(x) y está dada por:
Dmax(x) = Max | FX (x) - Sn (x) |
La distribución de Dmax(x) es conocida y depende del número de observaciones
n. Se acepta la hipótesis nula de que no existe diferencia significativa entre las
distribuciones teóricas y empíricas si el valor de Dmax(x) es menor o igual que el
valor crítico Dmaxp(a,n). 
Esta prueba se puede realizar para valores agrupados en intervalos de clase y
también para valores sin agrupar.

El procedimiento general para realizar esta prueba para valores agrupados

en intervalos de clase es el siguiente:

1) Especificar la distribución nula es f0(x,q), y estimar sus parámetros si es

necesario.
2) Organizar la muestra en una distribución de frecuencia, en intervalos de clase.
3) Con base en la distribución observada de frecuencia, se calcula la distribución
acumulativa Sn(Xi) = mi/n, siendo Xi el límite superior del intervalo de clase, y mi
el número de valores de la muestra menores o iguales que Xi. Sn(Xi) corresponde
simplemente a la frecuencia relativa acumulada hasta el intervalo i.
4) Se calcula la función de distribución teórica F 0 Xi).
5) Para cada intervalo de clase se calcula la diferencia entre F0 (Xi ) y Sn (Xi), y se
busca la máxima Dmax = Max | FX (Xi) - Sn (Xi), i = 1, 2, …, k.
6) Se busca en la tabla el valor crítico Dmaxp(a,n) con el nivel de significancia a.
Si el valor observado Dmax es menor o igual que el valor crítico, entonces se
acepta la hipótesis nula de que no existen diferencias significativas entre la
distribución teórica y la distribución dada por los resultados muestrales, es decir,
que los valores generados siguen la distribución que se había supuesto.
Cuando la muestra es pequeña y/o los valores no se van a organizar en intervalos
de clase el procedimiento es similar, sólo que el paso 2 se cambia por “ordenar los
valores de la muestra” en forma ascendente, de menor a mayor”, y en los pasos 3
y 4 se calculan las funciones de distribución teórica y empírica para cada valor de
la muestra.

Ejemplo1. Considere de nuevo el ejemplo de la prueba de habilidad aplicada a un

grupo de 80empleados. Mediante la prueba de Smirnov Kolomogorov. Con un
nivel de significancia del 5%, pruebe la hipótesis de que los puntajes obtenidos
siguen una distribución normal.

Solución. De la tabla construida para realizar la prueba chi cuadrado tomaremos

la información pertinente y la complementaremos con la información faltante,
relativa al cálculo de Sn(Xi). Los cálculos se muestran a continuación.
El valor crítico para n = 80 valores y un nivel de significancia del 5% es
Dmaxp(0.05,80) = 1.36/ = 0.152. Como la diferencia máxima observada fue de
0.0236 no hay razón para dudar que los puntajes se puedan aproximar mediante
una distribución normal.

Ejemplo2: Prueba de Smirnov - Kolmogorov - Valores agrupados. En la tabla

siguiente se presentan los cálculos para realizar la prueba S-K para la muestra de
100 números aleatorios generados mediante un generador congruencial
multiplicativo con a = 899, C = 0 y M = 32768, usados para la prueba chi
cuadrado.
La diferencia máxima observada es Dmax(x) = 0.09 y el valor crítico para un nivel
de significancia del 1% es de 1.63/ = .163. Como Dmax(x) < D(0.01,100) no
podemos rechazar la hipótesis nula y debemos concluir que la muestra tomada del
generador de números aleatorios proviene de una distribución uniforme (0,1).

Ejemplo3. Prueba de Smirnov - Kolmogorov - Valores individuales. Para realizar

la prueba de S-K no se requiere que las observaciones estén distribuidas en
intervalos de clase, sino que puede realizarse sin agrupar los valores en intervalos
de clase, principalmente cuando el tamaño de la muestra es pequeño. En este
caso es necesario ordenar los valores en forma ascendente, de menor a mayor, y
calcular, para cada valor observado las distribuciones teóricas F0(Xi) y empíricas
Sn(Xi) en la forma como se explicó anteriormente. En la tabla siguiente se
presenta la prueba para los primeros 20 números aleatorios generados mediante
el generador congruencial multiplicativo mencionado anteriormente. La diferencia
máxima observada es 0.123 y la máxima permitida es 0.294 para 20 valores y un
nivel de significancia del 5%, lo cual lleva a la conclusión de que no existe
evidencia de que las observaciones no se distribuyan uniformemente en el
intervalo (0,1).. Recordemos que F0(Xi) = Xi para la distribución uniforme (0,1)
(Prueba de Smirnov - Kolmogorov - Valores individuales)

Propiedades de la prueba de Smirnov Kolmogorov

• La prueba de Smirnov - Kolmogorov puede aplicarse para tamaños de muestra
pequeños, lo que no sucede con la chi cuadrado.
• Además, la prueba S-K es más poderosa que la Ji cuadrado, es decir, cuando se
rechaza la hipótesis nula, se tiene una mayor confiabilidad en dicho resultado.
• La prueba S-K debe usarse cuando la variable de análisis es continua. Sin
embargo, si la prueba se usa cuando la distribución de la población no es
continua, el error que ocurre en la probabilidad resultante está en la dirección
segura. Es decir, cuando se rechaza la hipótesis nula, tenemos verdadera
confianza en la decisión.