¿Qué es la Prueba de Kolmogorov - Smirnoff (K-S)?

¿Quieres explorar más? 📂 Explorar Categorías 🔥 Tendencias 🎓 Cursos

¿Cuándo te sirve medir una distancia invisible?

Imagina que tienes dos bolsas de caramelos: una de la tienda A y otra de la tienda B. Ambas bolsas parecen muy parecidas: tamaños variados, colores parecidos, y un sabor que, a simple vista, no distingue la una de la otra. Ahora te propones una misión: averiguar si ambas bolsas siguen la misma “regla” para contener caramelos — es decir, si provienen de la misma “distribución” de tamaños o si una tienda mezcla más caramelos grandes que la otra.

La prueba de Kolmogorov–Smirnov (abreviada K–S) es una herramienta matemática que hace algo parecido pero con números: compara dos conjuntos de datos (o un conjunto contra una distribución teórica) y mide qué tan distintas son sus “formas” — sus distribuciones. Es como colocar las dos bolsas sobre la mesa y mirar, no sólo cuántos caramelos hay, sino cómo están repartidos por tamaño. Si existe una diferencia evidente en la forma, la prueba lo detecta.

En este artículo explicaremos, paso a paso y con ejemplos cotidianos, qué mide la prueba K–S, cómo se interpreta y cuándo es útil (y cuándo no tanto). Lo haremos sin jerga innecesaria, usando analogías para que el concepto quede claro.

Explicación del concepto: ¿qué compara exactamente la K–S?

La idea central es simple: la prueba K–S compara funciones de distribución. Para entenderlo, necesitamos tres piezas:

Distribución acumulada: para cualquier valor (x), la función de distribución acumulada (FDC) nos dice la probabilidad de que la variable sea menor o igual que (x). En el mundo real: la proporción de caramelos con tamaño menor o igual a (x).
Empirical Cumulative Distribution Function (ECDF): cuando trabajamos con datos reales, calculamos la versión empírica de esa función —es decir, la fracción de observaciones que son ({eq}\leq x{/eq}).
Matemáticamente, si tenemos (n) observaciones ({eq}x_1,\dots,x_n{/eq}), la ECDF en un punto (t) es
[{eq}F_n(t)=\dfrac{1}{n}\sum_{i=1}^n \mathbf{1}{{x_i\le t}}{/eq}]
donde ({eq}\mathbf{1}{{\cdot}}{/eq}) es la función indicadora que vale 1 si la condición se cumple y 0 en caso contrario.
Distancia máxima entre distribuciones: la K–S mide la mayor diferencia vertical (en valor absoluto) entre las dos funciones de distribución que comparamos. Esa diferencia máxima se llama estadístico (D).

Fórmula del estadístico (de forma compacta)

Para dos muestras con ECDFs (F_n(x)) y (G_m(x)) (muestras de tamaños (n) y (m)), el estadístico K–S es

[{eq}D_{n,m}=\sup_x \left| F_n(x) – G_m(x)\right|{/eq}]

donde (\sup_x) significa la máxima diferencia a lo largo de todos los valores de (x).

En el caso de una muestra comparada con una distribución teórica (F(x)), el estadístico es

[{eq}D_n=\sup_x \left| F_n(x) – F(x)\right|{/eq}]

La prueba evalúa si ese (D) es lo suficientemente grande como para concluir que las dos distribuciones no son compatibles.

Detalles y ejemplos: una explicación con analogías

Analogía: el perfil de montañas

Imagina que dibujas la silueta del perfil de una montaña según la cantidad de gente que está a cierta altura (la FDC). Si comparas dos perfiles (dos montañas), la K–S mide la mayor diferencia vertical entre ambas siluetas. Si la máxima diferencia es pequeña, puedes pensar que ambas montañas tienen forma similar; si es grande, las formas son distintas.

Elasticidad precio de los tipos de oferta, determinantes y ejemplos

Ejemplo cotidiano: tiempos de entrega

Supongamos que un servicio de delivery mide los tiempos de entrega en dos barrios. Recolectas 100 tiempos en el barrio A y 80 en el barrio B. Construyes la ECDF de cada barrio: para cada tiempo (t) verás qué fracción de pedidos llegó en ({eq}\le t{/eq}) minutos. La K–S encuentra el tiempo (t) en que la diferencia entre ambas fracciones es máxima. Si, por ejemplo, en (t=30) minutos el barrio A tenía 0.85 de pedidos entregados ((85%)) y B tenía 0.60 ((60%)), la diferencia en ese punto es 0.25. La K–S toma la mayor diferencia encontrada entre todos los tiempos y la usa como evidencia para decir si las experiencias de entrega son distintas.

Ejemplo numérico breve (conceptual)

No entraremos en cálculos largos, pero es útil ver cómo se determina la diferencia máxima:

Ordenas los datos de ambas muestras.
Calculas, en cada punto de la unión de valores observados, ({eq}F_n(x){/eq}) y ({eq}G_m(x){/eq}).
Observas la diferencia absoluta ({eq}|F_n(x)-G_m(x)|{/eq}) en cada punto.
El mayor de esos valores es ({eq}D_{n,m}{/eq}).

Interpretación: hipótesis, p-valor y sentido práctico

Hipótesis nula y alternativa

Hipótesis nula (({eq}H_0{/eq})): las dos muestras provienen de la misma distribución (o la muestra proviene de la distribución teórica (F) en la versión de una muestra).
Hipótesis alternativa (({eq}H_1{/eq})): no provienen de la misma distribución.

Un (D) grande es evidencia contra (H_0).

El p-valor

Con el valor de (D) y los tamaños de muestra ((n) y (m)), se calcula un p-valor que nos indica la probabilidad, bajo ({eq}H_0{/eq}), de obtener una diferencia tan grande o mayor que la observada. Si el p-valor es menor que el nivel de significancia elegido (por ejemplo 0.05), rechazamos ({eq}H_0{/eq}).

Hay tablas y fórmulas para relacionar (D) con el p-valor; en la práctica se usan paquetes estadísticos (R, Python, etc.) que dan el p-valor directamente.

Fortalezas y limitaciones: cuándo funciona bien y cuándo tener cuidado

Fortalezas

No paramétrica: no necesita asumir que los datos sigan una distribución concreta (como normal), lo que la hace flexible.
Intuitiva: mide una distancia máxima visible entre ECDFs.
Aplicable a una muestra y a dos muestras: útil para comparar datos entre sí o contra un modelo teórico.

Limitaciones importantes

Sensibilidad a la continuidad: la K–S está diseñada para variables continuas. Con datos discretos (por ejemplo, recuentos pequeños, puntuaciones enteras) sus p-valores exactos requieren ajustes.
Menos sensible en las colas: la K–S trata igual todas las diferencias, por lo que a veces detecta mejor diferencias centrales que pequeñas discrepancias en las colas. Si te importan mucho las colas (extremos), otras pruebas como la de Anderson–Darling pueden ser más potentes.
Emparejamiento de datos: si hay muchos empates (valores idénticos), la ECDF tiene saltos planos y la interpretación cambia.
Requiere muestras razonablemente grandes: con muestras muy pequeñas, la prueba puede no detectar diferencias reales (baja potencia).

Cuentas por Cobrar: Definición y ejemplos

Aplicaciones prácticas: dónde se usa la K–S

La prueba K–S aparece en múltiples campos por su sencillez:

Ciencia y tecnología

Comprobación de modelos: comparar una muestra empírica con una distribución teórica (por ejemplo, comprobar si los errores de un modelo son aproximadamente normales).
Validación de simulaciones: en simulaciones Monte Carlo, comparar la distribución simulada con la teórica.
Procesamiento de señales: comparar distribuciones de amplitudes o ruidos en dos condiciones experimentales.

Negocios y economía

Comparar comportamientos de clientes: por ejemplo, distribución de gastos entre dos segmentos.
Calidad de servicio: tiempos de respuesta en dos centros de atención.

Medicina y biología

Comparar distribuciones de medidas biológicas: por ejemplo, comparar la distribución de tamaños de semillas entre dos poblaciones.
Ensayos clínicos: comparar el tiempo hasta un evento (cuando no se usa técnicas de censura complicadas).

Ingeniería

Control de calidad: verificar si datos de producción se ajustan a las especificaciones o a una distribución esperada.

Ejemplo detallado paso a paso (conceptual y didáctico)

Consideremos un ejemplo simple y explicativo (sin entrar en cálculos extensos): queremos saber si los puntajes de un test en dos aulas vienen de la misma distribución.

Reunimos los puntajes de aula A (n=10) y aula B (m=12).
Ordenamos los puntajes y construimos las ECDFs: para cada valor (t), calculamos la fracción de estudiantes con puntaje ({eq}\le t{/eq}).
En la unión de los puntajes observados (todos los valores únicos), calculamos ({eq}|F_n(t)-G_m(t)|{/eq}).
Identificamos el máximo de esas diferencias; ese es ({eq}D_{n,m}{/eq}).
Con ({eq}D_{n,m}{/eq}), (n) y (m), consultamos la distribución de Kolmogorov–Smirnov para obtener el p-valor.
Si el p-valor es pequeño (por ejemplo, (<0.05)), concluimos que las distribuciones de puntajes probablemente difieren.

Este proceso es totalmente factible con software estadístico, y la interpretación se centra en la magnitud del máximo choque entre las ECDFs.

Comparación con otras pruebas estadísticas (cuándo elegir K–S)

t-test: compara medias; es útil si sólo te interesa la media y las varianzas son semejantes. K–S compara todo el perfil de la distribución (no solo la media).
Mann–Whitney (Wilcoxon): compara medianas o el orden estadístico; menos sensible a diferencias en la forma de la distribución. K–S es más general al comparar las ECDFs.
Anderson–Darling: similar a K–S pero da más peso a las colas; recomendable si te preocupan los extremos.
Chi-cuadrado: se usa con datos categóricos o agrupados; K–S trabaja con distribuciones continuas y no requiere agrupar.

Bolsa de Madrid: Qué es, Origen e Historia

En resumen: usa K–S cuando quieras una comparación no paramétrica de toda la distribución y cuando los datos sean esencialmente continuos.

Consejos prácticos para usar la K–S

Visualiza siempre las ECDFs: un gráfico con ambas funciones te ayuda a entender dónde se diferencian.
Revisa los empates y la discreción: si tus datos son discretos, considera ajustes o pruebas alternativas.
No confíes sólo en el p-valor: mira el tamaño de (D) y cómo se comportan las ECDFs; un p-valor pequeño con una diferencia práctica irrelevante puede llevar a conclusiones inútiles.
Complementa con otras pruebas si necesitas confirmar hallazgos (por ejemplo, comparar medias, varianzas, o usar Anderson–Darling si te importan las colas).
Ten en cuenta tamaños de muestra: con muestras pequeñas la prueba tiene menos potencia; con muestras muy grandes incluso pequeñas diferencias pueden resultar significativas pero sin relevancia práctica.

¿Qué NO te dice la prueba K–S?

No te dice dónde exactamente están las diferencias — sólo la magnitud máxima y el punto donde ocurre puede señalarlo, pero no indica la causa.
No ofrece estimaciones de parámetros (por ejemplo, medias o varianzas). Es una prueba de ajuste/comparación, no una estimación.
No resuelve problemas de causalidad: detectar una diferencia no explica por qué existe.

Resumen o conclusión ¿qué debes recordar?

La prueba de Kolmogorov–Smirnov es una herramienta elegante y directa para comparar distribuciones. Mide la máxima diferencia entre funciones de distribución acumuladas, y con esa medida decide si dos conjuntos de datos (o una muestra contra una distribución teórica) parecen venir de la misma “regla” subyacente.

Es especialmente valiosa porque:

Es no paramétrica: no asume una forma particular de la distribución.
Es intuitiva: piensa en la ECDF como una curva; la K–S mide la mayor separación vertical entre dos curvas.
Tiene aplicaciones amplias: desde la validación de modelos hasta el análisis de procesos y la comparación de grupos.

Pero recuerda sus limitaciones: sensibilidad reducida a diferencias en las colas, problemas con datos discretos y la necesidad de interpretar el resultado en contexto (visualización y sentido práctico).

Resultados del aprendizaje (qué deberías ser capaz de explicar después de leer esto)

Después de leer este artículo deberías poder:

Explicar con tus propias palabras qué mide la prueba K–S y cuál es su estadístico (D).
Diferenciar entre la versión de una muestra (comparar con una distribución teórica) y la de dos muestras (comparar dos datos empíricos).
Interpretar el resultado básico: qué significa un (D) grande y cómo se relaciona con el p-valor y la hipótesis nula.
Identificar situaciones en las que la K–S es apropiada y cuándo conviene considerar alternativas (por ejemplo, datos discretos o interés en colas).
Realizar (o entender) los pasos conceptuales para aplicar la prueba y complementar su interpretación con gráficos de ECDF.

Continua con:

Rodrigo Ricardo Editor y fundador

¿Qué es la Prueba de Kolmogorov – Smirnoff (K-S)?