PRUEBA DE RYAN – JOINER La prueba de Ryan - Joiner es usada para probar si una muestra viene de una distribución específica

. 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 Ryan - Joiner 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.

Stat > Basic statistics > Normality Test2.02 con: 1. se considera que los datos son normales a seguir los siguiente pasos: Generar 100 datos aleatorios en el minitab con media= 264. si el valor de probabilidad P de la prueba mayor a0. Calc > Random data > Normal 2.02 OK .Variable C1 Seleccionar Ryan Joiner test OK .1. Generate 100 Store in columns C1 Mean 264.(x) es la funcion de dirtribucion empirica . tambien obtener el estadistico ajustado para luego compararlo con los valores criticos con la tabla Anderson-Darlinh.06.05 para que los datos se distribuyan normalmente . N. una desviación estándar s= 32.Donde.06 desviación estandar 32.Nos aseguramos que los datos se distribuyan normalmente con la prueba de Anderson Darling o Ryanjoiner como sigue. Para definir la regla de rechazo de esta prueba es necesario. es el numero de datos F(x) es la distribucion empirica F.05.El P value debe ser mayor a 0. Ejemplo: En el método de Anderson Darling o rayan Joiner.

expresando el resultado en forma de ecuaciones empotrados. pero los autores afirman que es fácil de implementar en software y explicar a los usuarios. yi. ya que es simplemente una versión de la correlación entre los datos de la muestra. y el punto de porcentaje bith de la distribución normal: Puesto que la media de los valores de b es 0. se puede simplificar esta expresión (ignorando el cambio de los valores de y por su media) para: Ryan and Joiner aproximaciones derivados importados en la distribución de esta estadística mediante simulación. La prueba de Ryan-Joiner se implementa en el paquete de software Minitab pero no ampliamente en otros lugares.Ryan-Joiner (RJ) prueba de normalidad es muy similar a la prueba de ShapiroWilk. . La prueba resultante está muy altamente correlacionada con el de Shapiro Wilk y. por lo tanto prueba puede ser utilizada y se producen resultados muy similares.

y la IA son constantes a evaluar.Prueba de Shappiro-Wilik. demostró que sí es una medida eficaz y sensible. La prueba puede aplicarse a muestras grandes. <20) y el uso de pruebas empíricas de su poder y su sensibilidad frente a una serie de otras pruebas y una variedad de distribuciones no normales. La idea detrás de la prueba de SW es que si los datos de la muestra es en realidad una muestra aleatoria de una distribución normal con media desconocida μ y varianza σ2. con la divergencia de esta línea es similar a los residuos de la regresión. Donde yi son los datos de la muestra.la línea diagonal del gráfico es la recta de ajuste perfecto. El estadístico de prueba es de la forma. como fue sugerido por Royston. Los autores recomiendan el uso de su utilización estadística con muestras más pequeñas (por ejemplo. Shapiro-Wilk (SW) prueba de normalidad fue introducido. Mediante el análisis de la magnitud de esta variación (análisis de varianza) la calidad del ajuste puede ser examinado. ordenados por tamaño (ordenado). que también produjo algoritmos para implementar su extensión y que se implementa en el paquete R estadísticas como shapiro. con la observación de que el gráfico de probabilidad normal que examina el ajuste de un conjunto de datos de muestra para el normal es más bien como la regresión lineal . entonces deberíamos ser capaces de representar los datos de la muestra a través de una ecuación lineal simple: .test.

los valores medios de las estadísticas de orden para la distribución normal. es decir. Desgraciadamente. . y) proporciona los medios para determinar el desconocido coeficientes ai. El estadístico W es invariante escala y el origen y tiene un valor máximo de 1 y un mínimo de (/ (n-1). El vector de estos coeficientes se obtiene de la expresión matriz: Donde V es la matriz de varianza-covarianza de los elementos del vector x. la distribución de W para general n no es conocido y debe ser obtenido por simulación y / o tabulación de los resultados. y el vector m es el valor esperado de los elementos de x. por lo tanto el valor mínimo es aproximadamente el cuadrado de la menor coeficiente para n> 10. de modo un valor alto indica una mayor correspondencia a la normal. pero esto por sí solo no es suficiente.1) variables. o el uso de aproximación (como es el caso con el enfoque de Royston). . A ajuste de mínimos cuadrados de los pares (x. los autores afirman que es particularmente sensible a la distribución de asimetría y con cola larga. los valores altos a menudo se encuentran con muestras pequeñas de datos que no son normales. la estadística es más bien como un coeficiente de correlación al cuadrado (o coeficiente de determinación).Donde los xi son un conjunto ordenado de azar N (0.

test () en R da el resultado: W = 0. estos datos son muy poco probable que tenga ha elaborado a partir de una distribución normal. se muestra a continuación junto con una línea trazada a través de los cuartiles primero y tercero. p-valor = 0. Esto es evidente también a partir de una trama QQ normal de los datos. .006704.7888. y el shapiro.Ejemplo: Shapiro y Wilk dar el ejemplo de los pesos de los 11 hombres seleccionados al azar. es decir. Los valores de los datos solicitados fueron: 148 154 158 160 161 162 166 170 182 195 236.

Sign up to vote on this title
UsefulNot useful