DISTRIBUCIÓN NORMAL

La distribución normal o distribución de Gauss representa la forma en la que se

distribuyen en la naturaleza los diversos valores numéricos de las variables continuas,
como pueden ser estatura, peso, etc.

PRUEBA KS

Dos variables estadísticas son estadísticamente independientes cuando el

comportamiento estadístico de una de ellas no se ve afectado por los valores que toma la
otra; esto es cuando las relativas de las distribuciones condicionadas no se ven afectadas
por la condición, y coinciden en todos los casos con las frecuencias relativas
marginales.

En estadística, la prueba de Kolmogórov-Smirnov (también prueba K-S) es

una prueba no paramétrica que determina la bondad de ajuste de dos distribuciones de
probabilidadentre sí.

En el caso de que queramos verificar la normalidad de una distribución, la prueba de

Lilliefors conlleva algunas mejoras con respecto a la de Kolmogórov-Smirnov; y, en
general, el test de Shapiro–Wilk o la prueba de Anderson-Darling son alternativas más
potentes.

Conviene tener en cuenta que la prueba Kolmogórov-Smirnov es más sensible a los

valores cercanos a la mediana que a los extremos de la distribución. La prueba de
Anderson-Darling proporciona igual sensibilidad con valores extremos.

Estadístico

(CEACES)
 ANDERSON DARLING

El estadístico Anderson-Darling mide qué tan bien siguen los datos una distribución
específica. Para un conjunto de datos y distribución en particular, mientras mejor se
ajuste la distribución a los datos, menor será este estadístico. Por ejemplo, usted puede
utilizar el estadístico de Anderson-Darling para determinar si los datos cumplen el
supuesto de normalidad para una prueba t.

Las hipótesis para la prueba de Anderson-Darling son:

 H0: Los datos siguen una distribución especificada

 H1: Los datos no siguen una distribución especificada

Utilice el valor p correspondiente (si está disponible) para probar si los datos provienen
de la distribución elegida. Si el valor p es menor que un nivel de significancia elegido
(por lo general 0.05 o 0.10), entonces rechace la hipótesis nula de que los datos
provienen de esa distribución. Minitab no siempre muestra un valor p para la prueba de
Anderson-Darling, porque este no existe matemáticamente para ciertos casos.

También puede utilizar el estadístico de Anderson-Darling para comparar el ajuste de

varias distribuciones con el fin de determinar cuál es la mejor. Sin embargo, para
concluir que una distribución es la mejor, el estadístico de Anderson-Darling debe ser
sustancialmente menor que los demás. Cuando los estadísticos están cercanos entre sí,
se deben usar criterios adicionales, como las gráficas de probabilidad, para elegir entre
ellos.

PRUEBA CHI CUADRADO

Una prueba de chi-cuadrada es una prueba de hipótesis que compara la distribución

observada de los datos con una distribución esperada de los datos.

Existen varios tipos de pruebas de chi-cuadrada:

Prueba de bondad de ajuste de chi-cuadrada

Utilice este análisis para probar qué tan bien una muestra de datos categóricos se ajusta
a una distribución teórica.

Por ejemplo, usted puede comprobar si un dado es justo, lanzando el dado muchas veces
y utilizando una prueba de bondad de ajuste de chi-cuadrada para determinar si los
resultados siguen una distribución uniforme. En este caso, el estadístico de chi-cuadrada
cuantifica qué tanto varía la distribución observada de los conteos con respecto a la
distribución hipotética.

Pruebas de chi-cuadrada de asociación e independencia

Los cálculos para estas pruebas son iguales, pero la pregunta que se está tratando de
contestar puede ser diferente.

 Prueba de asociación: Utilice una prueba de asociación para determinar si una

variable está asociada a otra variable. Por ejemplo, determine si las ventas de
diferentes colores de automóviles dependen de la ciudad donde se venden.
 Prueba de independencia: Utilice una prueba de independencia para determinar
si el valor observado de una variable depende del valor observado de otra
variable. Por ejemplo, determine si el hecho de que una persona vote por un
candidato no depende del sexo del elector. (ESTADISTICA ORQUESTA)

HOMOCEDASTICIDAD

La homocedasticidad, es una característica de un modelo de regresión lineal que implica

que los la varianza de los errores es constante a lo largo del tiempo.

Prueba de Bartlett

En estadística, la prueba de Bartlett se utiliza para probar si k muestras provienen de

poblaciones con la misma varianza. A las varianzas iguales a través de las muestras se
llama homocedasticidad u homogeneidad de varianzas. Algunas pruebas estadísticas,
por ejemplo, el análisis de la varianza ANOVA, suponen que las varianzas son iguales
en todos los grupos o muestras. La prueba de Bartlett se puede utilizar para verificar esa
suposición.

La prueba de Bartlett es sensible a las desviaciones de la normalidad. Es decir, si las

muestras provienen de distribuciones no normales, entonces la prueba de Bartlett puede
ser simplemente para probar la no normalidad. La Prueba de Levene y la prueba Brown-
Forsythe son alternativas a la prueba de Bartlett que son menos sensibles a las
desviaciones de la normalidad.1

La prueba lleva el nombre de Maurice Stevenson Bartlett.

Especificación
La prueba de Bartlett se utiliza para probar la hipótesis nula, que todas las varianzas de
una población k son iguales, frente a la hipótesis alternativa de que al menos dos son
diferentes.

Si hay k muestras con tamaño y varianzas de las muestras entonces estadístico de

prueba de Bartlett es:

Pruebe Levene

En estadística, la prueba de Levene1 es una prueba estadística inferencial utilizada para

evaluar la igualdad de las varianzas para una variable calculada para dos o más grupos.
Algunos procedimientos estadísticos comunes asumen que las varianzas de las
poblaciones de las que se extraen diferentes muestras son iguales. La prueba de Levene
evalúa este supuesto. Se pone a prueba la hipótesis nula de que las varianzas
poblacionales son iguales (llamado homogeneidad de varianza ú homocedasticidad). Si
el P-valor resultante de la prueba de Levene es inferior a un cierto nivel de significación
(típicamente 0.05), es poco probable que las diferencias obtenidas en las variaciones de
la muestra se hayan producido sobre la base de un muestreo aleatorio de una población
con varianzas iguales. Por lo tanto, la hipótesis nula de igualdad de varianzas se rechaza
y se concluye que hay una diferencia entre las variaciones en la población.

Algunos de los procedimientos que asumen normalmente homocedasticidad, para lo

cual uno puede utilizar las pruebas de Levene, incluyen análisis de varianza y pruebas t.

La prueba de Levene se utiliza a menudo antes de que una comparación de medias.

Cuando la prueba de Levene muestra significación, se debe cambiar a pruebas
generalizadas (pruebas no paramétricas), libre de supuestos de homocedasticidad.

La prueba también puede ser utilizada como una prueba principal para responder a una
pregunta independiente de si dos sub-muestras en una población dada tienen varianzas
iguales o diferentes.
Prueba Q Cocharn

En estadística, en el análisis de dos vías de diseños de bloques aleatorios cuando la

variable de respuesta puede tomar sólo dos resultados posibles (codificado como 0 y 1),
la prueba Q de Cochran es una prueba estadística no paramétrica para verificar si k
tratamientos tienen efectos idénticos.12 Nombrada así en honor de William Gemmell
Cochran, estadístico escocés. La Prueba Q de Cochran no debe confundirse con
la prueba C de Cochran, la cual es una prueba de valor atípico varianza.

La Prueba Q de Cochran asume que hay k> 2 tratamientos experimentales y que las
observaciones están dispuestas en b bloques, es decir.

donde

 k es el número de tratamientos
 X• j es el total de la columna para el tratamiento jth treatment
 b es el número de bloques
  Xi • es el total de la fila para el bloque ith block
 N es el total

(COURSE HERO)

Independencia

Dos variables estadísticas son estadísticamente independientes cuando el

comportamiento estadístico de una de ellas no se ve afectado por los valores que toma la
otra; esto es cuando las relativas de las distribuciones condicionadas no se ven afectadas
por la condición, y coinciden en todos los casos con las frecuencias relativas
marginales.

Esta definición puede hacerse más operativa, a través de la caracterización siguiente:

Dos variables son estadísticamente independientes cuando para todos los pares de
valores se cumple que la frecuencia relativa conjunta es igual al producto de las
frecuencias relativas marginales.

para todo i,j :

CONCLUSIONES

 La prueba de Kolmogorov es una prueba de bondad de ajuste, es decir, del grado

en que la distribución observada difiere de otra distribución. Es una alternativa a
la prueba Ji Cuadrado de bondad de ajuste cuanto el número de datos es
pequeño.
 Anderson –Darling: Similar a la prueba K-S, con la diferencia de que le da más
peso a las diferencias en los valores extremos de la distribución que a los valores
ubicados en el rango medio. Chi Cuadrado se recomienda para distribuciones
discretas o continuas cuando se cuenta con una buena cantidad de datos.
 Kolmogorov –Smirnov se recomienda para distribuciones continuas. No
requiere de una gran cantidad de datos.
 Anderson –Darling se recomienda para distribuciones con colas pronunciadas.
 La prueba de Bartlett es sensible a las desviaciones de la normalidad. Es decir, si
las muestras provienen de distribuciones no normales, entonces la prueba de
Bartlett puede ser simplemente para probar la no normalidad. La Prueba de
 Levene es alternativa a la prueba de Bartlett que es menos sensible a las
desviaciones de la normalidad.

Bibliografía
CEACES. (s.f.). Recuperado el 11 de 10 de 2018, de CEACES:
https://www.uv.es/ceaces/base/descriptiva/independencia.htm

COURSE HERO. (s.f.). Recuperado el 11 de 10 de 2018, de COURSE HERO:

https://www.coursehero.com/file/p11e7qr/Anderson-Darling-Similar-a-m%C3%A1s/

ESTADISTICA ORQUESTA. (s.f.). Recuperado el 11 de 10 de 2018, de ESTADISTICA ORQUESTA:

https://estadisticaorquestainstrumento.wordpress.com/2013/11/14/test-de-la-q-de-
cochran/