Nombre de la institución: Instituto Tecnológico Superior de Mulege

Carrera: Ingeniería Industrial

Semestre: 5to

Nombre del alumno: Eddy Misael Martinez Mayoral

Numero de control: 181061042

Tema: Actividad 12

Materia y Grupo: Estadística Inferencial 1

Nombre del docente: Jorge Carlos Calleros Gastelum

Lugar: Santa Rosalía. Bajá California Sur

Fecha: 20/01/21
Tipos de pruebas de 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 de 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 de
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 de 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 las pruebas de normalidad de Anderson-Darling,

Kolmogorov-Smirnov y Ryan-Joiner

Las pruebas de Anderson-Darling y Kolmogorov-Smirnov se basan en la función

de distribución empírica. La prueba de Ryan-Joiner (similar a la prueba de
Shapiro-Wilk) se basa en regresión y correlación.

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.

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. Para efectuarla se calcula la media y la varianza muestral,
S2, y se ordenan las observaciones de menor a mayor. A continuación se calculan las
diferencias entre: el primero y el último; el segundo y el penúltimo; el tercero y el
antepenúltimo, etc. y se corrigen con unos coeficientes tabulados por Shapiro y Wilk. El
estadístico de prueba es:

donde D es la suma de las diferencias corregidas.

Se rechazará la hipótesis nula de normalidad si el estadístico W es menor que el valor crítico

proporcionado por la tabla elaborada por 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 en
Barcelona, se quiere comprobar si su distribución en cuanto al tipo de
 transporte utilizado se adapta a los resultados de un estudio realizado por el
Ayuntamiento de Barcelona, que son los siguientes: el 40% de los
desplazamientos al trabajo se realizan en metro; el 30% en autobús; el 20% en
transporte privado y 10% otros medios.

La distribución de frecuencias de la variable Trans es:

En este caso para realizar el contraste Chi-cuadrado es necesario definir las cuatro categorías
contempladas en la hipótesis nula. Para ello, se crea una nueva variable, Trans2, a partir de
Trans con las siguientes categorías: Metro, Bus, Privado (que resultará de agregar Coche y
Moto) y Otros (que agrupará Tren y Otros).Una vez creada la nueva variable, con la secuencia
Analizar > Pruebas no paramétricas > Chi-cuadrado se llega al cuadro de diálogo en donde
se selecciona la variable Trans2 y se introduce en Valores esperados las frecuencias relativas
de cada categoría según la hipótesis nula correctamente ordenadas: 0,4 para la categoría 1;
0,3 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 el número de categorías. El valor del estadístico Chi-
cuadrado permite rechazar la hipótesis nula para niveles de significación superiores 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 alumnos no se adapta a la publicada por el ayuntamiento.