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.

Ejemplo: En el método de Anderson Darling o rayan Joiner.02 con: 1.El P value debe ser mayor a 0.Donde.(x) es la funcion de dirtribucion empirica . Para definir la regla de rechazo de esta prueba es necesario.06. Generate 100 Store in columns C1 Mean 264.Stat > Basic statistics > Normality Test2.1. una desviación estándar s= 32. tambien obtener el estadistico ajustado para luego compararlo con los valores criticos con la tabla Anderson-Darlinh. N. 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 a0.06 desviación estandar 32.05.Nos aseguramos que los datos se distribuyan normalmente con la prueba de Anderson Darling o Ryanjoiner como sigue.05 para que los datos se distribuyan normalmente . Calc > Random data > Normal 2.02 OK . es el numero de datos F(x) es la distribucion empirica F.Variable C1 Seleccionar Ryan Joiner test OK .

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

con la divergencia de esta línea es similar a los residuos de la regresión. <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. que también produjo algoritmos para implementar su extensión y que se implementa en el paquete R estadísticas como shapiro. Donde yi son los datos de la muestra. Los autores recomiendan el uso de su utilización estadística con muestras más pequeñas (por ejemplo. La prueba puede aplicarse a muestras grandes. 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 .Prueba de Shappiro-Wilik. y la IA son constantes a evaluar. ordenados por tamaño (ordenado). entonces deberíamos ser capaces de representar los datos de la muestra a través de una ecuación lineal simple: .la línea diagonal del gráfico es la recta de ajuste perfecto. El estadístico de prueba es de la forma. 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. Shapiro-Wilk (SW) prueba de normalidad fue introducido. como fue sugerido por Royston. demostró que sí es una medida eficaz y sensible. Mediante el análisis de la magnitud de esta variación (análisis de varianza) la calidad del ajuste puede ser examinado.test.

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

7888. y el shapiro. Esto es evidente también a partir de una trama QQ normal de los datos.test () en R da el resultado: W = 0. se muestra a continuación junto con una línea trazada a través de los cuartiles primero y tercero. p-valor = 0.006704. .Ejemplo: Shapiro y Wilk dar el ejemplo de los pesos de los 11 hombres seleccionados al azar. Los valores de los datos solicitados fueron: 148 154 158 160 161 162 166 170 182 195 236. es decir. estos datos son muy poco probable que tenga ha elaborado a partir de una distribución normal.

Sign up to vote on this title
UsefulNot useful