Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 147 vistas

    Analisis Descriptivo de Normalidad

    Cargado por

    kathy0chilu0k0pop
    Este documento describe diferentes métodos para evaluar la normalidad de los datos, incluidos gráficos como histograma y Q-Q plot, y pruebas numéricas como prueba de Anderson-Darling, prueba de Ryan-Joiner y prueba de Kolmogorov-Smirnov. Estas pruebas comparan la distribución de los datos con una distribución normal esperada para determinar si los datos provienen de una población normal. Cada prueba evalúa la normalidad de una manera ligeramente diferente, como comparando la función de distribución empírica

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Analisis Descriptivo de Normalidad

    Cargado por

    kathy0chilu0k0pop
    147 vistas3 páginas
    Este documento describe diferentes métodos para evaluar la normalidad de los datos, incluidos gráficos como histograma y Q-Q plot, y pruebas numéricas como prueba de Anderson-Darling, prueba de Ryan-Joiner y prueba de Kolmogorov-Smirnov. Estas pruebas comparan la distribución de los datos con una distribución normal esperada para determinar si los datos provienen de una población normal. Cada prueba evalúa la normalidad de una manera ligeramente diferente, como comparando la función de distribución empírica

    Descripción original:

    Título original

    Analisis descriptivo de normalidad.docx

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe diferentes métodos para evaluar la normalidad de los datos, incluidos gráficos como histograma y Q-Q plot, y pruebas numéricas como prueba de Anderson-Darling, prueba de Ryan-Joiner y prueba de Kolmogorov-Smirnov. Estas pruebas comparan la distribución de los datos con una distribución normal esperada para determinar si los datos provienen de una población normal. Cada prueba evalúa la normalidad de una manera ligeramente diferente, como comparando la función de distribución empírica

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    147 vistas3 páginas

    Analisis Descriptivo de Normalidad

    Cargado por

    kathy0chilu0k0pop
    Este documento describe diferentes métodos para evaluar la normalidad de los datos, incluidos gráficos como histograma y Q-Q plot, y pruebas numéricas como prueba de Anderson-Darling, prueba de Ryan-Joiner y prueba de Kolmogorov-Smirnov. Estas pruebas comparan la distribución de los datos con una distribución normal esperada para determinar si los datos provienen de una población normal. Cada prueba evalúa la normalidad de una manera ligeramente diferente, como comparando la función de distribución empírica

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 3

    Análisis Descriptivo de Normalidad

    Estadística descriptiva.
    Antes de comenzar a realizar un estudio multivariante de nuestros datos es necesario
    conocer el comportamiento que tiene cada una de las variables individualmente
    mediante la estadística descriptiva.
    Una vez que se han cargado los datos de la tabla, R lista los estadísticos descriptivos
    básicos (media, mediana, minino, máximo, primer y tercer cuartil)
    En segundo lugar, obtenemos el histograma de frecuencias de la población, resaltando la
    presencia o ausencia de simetría en la dispersión de los valores.
    A veces se requiere de un estudio un variante más completo. Para ello, se necesita
    cargar diferentes paquetes que calculen los estadísticos descriptivos requeridos
    Test de normalidad.
    Es muy útil visualizar las distribuciones de valores, detectar posibles errores y realizar
    pruebas de normalidad de los datos antes de realizar un análisis más complejo. En estas
    prácticas se van a trabajar tanto test de normalidad gráficos y numéricos. Los test de
    normalidad gráficos más utilizados en geoquímica son el histograma (explicado
    anteriormente), el gráfico Q-Q, el grafico de cajas y bigotes y el grafico probabilístico.
    El gráfico Q-Q normal representa los datos de la variable frente a los datos esperados si
    la distribución fuera normal. Si los puntos están cerca de la diagonal podemos decir que
    la distribución es normal.
    Pruebas de Normalidad
    Los resultados de la prueba indican si se debe rechazar o no se puede rechazar la
    hipótesis nula de que los datos provienen de una población distribuida normalmente.
    Puede realizar una prueba de normalidad y producir una gráfica de probabilidad normal
    en el mismo análisis. La prueba de normalidad y la gráfica de probabilidad suelen ser
    las mejores herramientas para juzgar la normalidad, especialmente cuando se trata de
    muestras pequeñas.
    Tipos de pruebas de normalidad
    Los siguientes son tipos de pruebas de normalidad que puede utilizar para evaluar la
    normalidad.
    Prueba de Anderson-Darling
    Esta prueba compara la función de distribución acumulada empírica (ECDF) de
    los datos de la muestra con la distribución esperada si los datos fueran normales.
    Si la diferencia observada es adecuadamente grande, usted rechazará la hipótesis
    nula de normalidad en la población.
    Prueba de normalidad de Ryan-Joiner
    Esta prueba evalúa la normalidad calculando la correlación entre los datos y las
    puntuaciones normales de los datos. Si el coeficiente de correlación se encuentra
    cerca de 1, es probable que la población sea normal. El estadístico de Ryan-
    Joiner evalúa la fuerza de esta correlación; si se encuentra por debajo del valor
    crítico apropiado, usted rechazará la hipótesis nula de normalidad en la
    población. Esta prueba es similar a la prueba de normalidad de Shapiro-Wilk.
    Prueba de normalidad de Kolmogorov-Smirnov
    Esta prueba compara la función de distribución acumulada empírica (ECDF) de
    los datos de la muestra con la distribución esperada si los datos fueran normales.
    Si esta diferencia observada es adecuadamente grande, la prueba rechazará la
    hipótesis nula de normalidad en la población. Si el valor p de esta prueba es
    menor que el nivel de significancia (α) elegido, usted puede rechazar la hipótesis
    nula y concluir que se trata de una población no normal.
    Comparación de los tres métodos
    Las tres pruebas tienden a ser adecuadas para identificar una distribución no normal
    cuando la distribución es asimétrica. Las tres pruebas distinguen menos cuando la
    distribución subyacente es una distribución t y la no normalidad se debe a la curtosis.
    Por lo general, entre las pruebas que se basan en la función de distribución empírica, la
    prueba de Anderson-Darling tiende a ser más efectiva para detectar desviaciones en las
    colas de la distribución. Generalmente, si la desviación de la normalidad en las colas es
    el problema principal, muchos profesionales de la estadística usarían una prueba de
    Anderson-Darling como primera opción.
    EJERCICIO:

    También podría gustarte