Documentos de Académico
Documentos de Profesional
Documentos de Cultura
En este tema
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 de la población.
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.
NOTA
Si está verificando la normalidad como preparación para un análisis de
capacidad normal, las colas son la parte más crítica de la distribución.
CONTRASTES DE NORMALIDAD
Un caso específico de ajuste a una distribución teórica es la correspondiente a la distribución normal. Este contraste se realiza pa
comprobar si se verifica la hipótesis de normalidad necesaria para que el resultado de algunos análisis sea fiable, como por ejemp
para el ANOVA.
Para comprobar la hipótesis nula de que la muestra ha sido extraída de una población con distribución de probabilidad normal
puede realizar un estudio gráfico y/o analítico.
PRUEBA DE KOLMOGOROV-SMIRNOV
Cuando la prueba Kolmogorov-Smirnov kolmogorov se aplica para contrastar la hipótesis de normalidad de la población, el estadísti
de prueba es la máxima diferencia:
siendo Fn(x) la función de distribución muestral y Fo(x) la función teórica o correspondiente a la población normal especificada en
hipótesis nula.
PRUEBA DE SHAPIRO-WILK
Cuando la muestra es como máximo de tamaño 50 se puede contrastar la normalidad con la prueba de shapiro Shapiro-Wilk. Pa
efectuarla se calcula la media y la varianza muestral, S2, y se ordenan las observaciones de menor a mayor. A continuación se calcula
las diferencias entre: el primero y el último; el segundo y el penúltimo; el tercero y el antepenúltimo, etc. y se corrigen con un
Se rechazará la hipótesis nula de normalidad si el estadístico W es menor que el valor crítico proporcionado por la tabla elaborada p
los autores para el tamaño muestral y el nivel de significación dado.
La secuencia para realizar los contrastes de normalidad es:
Analiza
Estadísticos Descriptivos
Explorar
En el cuadro de diálogo que aparece al activar el botón Gráficos se activa la opción Gráficos con pruebas de normalidad.
EJEMPLO
Ejemplo 1.
Con los datos correspondientes a la variable Trans de la encuesta Enctrans.sav y con referencia a los encuestados que viven e
Barcelona, se quiere comprobar si su distribución en cuanto al tipo de transporte utilizado se adapta a los resultados de un estud
realizado por el Ayuntamiento de Barcelona, que son los siguientes: el 40% de los desplazamientos al trabajo se realizan en metr
el 30% en autobús; el 20% en transporte privado y 10% otros medios.
En este caso para realizar el contraste Chi-cuadrado es necesario definir las cuatro categorías contempladas en la hipótesis nula. Pa
ello, se crea una nueva variable, Trans2, a partir de Trans con las siguientes categorías: Metro, Bus, Privado (que resultará de agreg
Coche y Moto) y Otros (que agrupará Tren y Otros).Una vez creada la nueva variable, con la secuencia Analizar > Pruebas n
paramétricas > Chi-cuadrado se llega al cuadro de diálogo en donde se selecciona la variable Trans2 y se introduce en Valor
esperados las frecuencias relativas de cada categoría según la hipótesis nula correctamente ordenadas: 0,4 para la categoría 1; 0
para la 2; 0,2 para la 3 y 0,10 para la 4. Al aceptar se obtienen los siguientes resultados:
Como todas las categorías presentan frecuencia esperada mayor que 5 se puede aplicar el contraste Chi-cuadrado sin modificar
número de categorías. El valor del estadístico Chi-cuadrado permite rechazar la hipótesis nula para niveles de significación superior
al 2,7%. Así pues, al 5% de significación se llega a la conclusión de que la distribución del tipo de transporte que utilizan los alumn
no se adapta a la publicada por el ayuntamiento.
Ejemplo 2.
Con la información correspondiente a la variable Pla de la base de datos Encinf.sav, se desea comprobar si la valoración que realiza
Para realizar la prueba de bondad de ajuste Kolmogorov-Smirnov la secuencia a seguir es Analizar > Pruebas no paramétricas> K
de 1 muestra. Se selecciona la variable Pla de la base de datos Encinf.sav y se indica que la Distribución de contraste es uniforme.
Ejemplo 3.
Con la base de datos Encinf.sav, se desea comprobar si la variable gasto presenta una distribución normal.
Para realizar la prueba de normalidad la secuencia a seguir es Analizar> Estadísticos Descriptivos> Explorar. Se selecciona la variab
Gasto y en el cuadro de diálogo correspondiente a los Gráficos se activa la opción Gráficos con pruebas de normalidad.
PRUEBA DE KOLMOGOROV-SMIRNOV
PRUEBA DE SHAPIRO-WILK