Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Existen varias pruebas de normalidad, pero una de las más comunes es la Prueba de
Kolmogorov-Smirnov y la Prueba de Shapiro-Wilk. Aquí hay un desglose de los pasos y
consideraciones clave:
1. Formulación de Hipótesis:
• Hipótesis nula (H0): Los datos siguen una distribución normal.
• Hipótesis alternativa (H1): Los datos no siguen una distribución normal.
2. Recopilación de Datos:
• Recolecta tus datos y asegúrate de que sean una muestra representativa
de la población de interés.
3. Exploración de Datos:
• Realiza gráficos como histogramas y gráficos de probabilidad normal
para visualizar la distribución de los datos.
4. Selección de la Prueba:
• Elige la prueba de normalidad adecuada. Esto depende del tamaño de la
muestra y la naturaleza de los datos.
5. Cálculo de Estadísticos de Prueba:
• La prueba de Kolmogorov-Smirnov compara la función de distribución
acumulativa empírica (ECDF) de los datos con la ECDF de la distribución normal teórica.
• La prueba de Shapiro-Wilk se basa en la correlación entre los valores
ordenados y los valores esperados bajo una distribución normal.
6. Establecimiento de un Nivel de Significación:
• Decide el nivel de significación (alfa) que determina cuán estricto quieres
que sea el criterio para rechazar la hipótesis nula.
7. Comparación con Estadísticos Críticos:
• Compara el valor del estadístico de prueba con el valor crítico
correspondiente a tu nivel de significación.
8. Interpretación de Resultados:
• Si el valor del estadístico de prueba es menor que el valor crítico, no
puedes rechazar la hipótesis nula, lo que sugiere que los datos pueden seguir una
distribución normal.
• Si el valor del estadístico de prueba es mayor que el valor crítico, puedes
rechazar la hipótesis nula y concluir que los datos no siguen una distribución normal.
9. Conclusión:
• Basándote en los resultados de la prueba, concluye si tus datos se
asemejan a una distribución normal o no.
1. Capacidad del Proceso (CP): La Capacidad del Proceso (CP) es una medida utilizada
en la gestión de la calidad y la fabricación para evaluar la capacidad de un proceso de
producción para cumplir con las especificaciones del producto. Se calcula comparando
la variabilidad inherente del proceso con las tolerancias o límites de especificación del
producto. Cuanto mayor sea el valor de CP, mayor será la capacidad del proceso para
producir productos dentro de las especificaciones. Por lo general, se utiliza junto con la
Índice de Capacidad del Proceso (CPK), que también tiene en cuenta la posición del
proceso en relación con los límites de especificación. Estas medidas ayudan a las
organizaciones a garantizar la consistencia y la calidad de sus productos.
2. Índice de Capacidad del Proceso (CPK): El Índice de Capacidad del Proceso (CPK)
es una medida que se utiliza en la gestión de la calidad y la fabricación para evaluar la
capacidad de un proceso de producción para cumplir con las especificaciones del
producto, teniendo en cuenta tanto la variabilidad del proceso como su posición en
relación con los límites de especificación.
En esta fórmula:
Un CPK alto (generalmente mayor o igual a 1) indica que el proceso tiene una alta
capacidad para producir productos dentro de las especificaciones, lo que es deseable
en la gestión de la calidad. Un CPK bajo sugiere que el proceso puede tener dificultades
para cumplir con las especificaciones del producto y puede requerir mejoras.
En esta fórmula:
- El Límite Superior de Especificación es el límite máximo aceptable para una
característica del producto.
- El Límite Inferior de Especificación es el límite mínimo aceptable para la misma
característica del producto.
- La Desviación Estándar del Proceso es una estimación de la variabilidad potencial del
proceso asumiendo que esté funcionando idealmente.
En la práctica, se suele usar en conjunto con el CPK, que tiene en cuenta la variabilidad
real del proceso, para evaluar tanto la capacidad potencial como la capacidad real del
proceso de producción.
4. Índice de Capacidad Potencial del Proceso con la Capacidad Real (PPK): El Índice
de Capacidad Potencial del Proceso con la Capacidad Real (PPK) es una medida
utilizada en la gestión de la calidad para evaluar tanto la capacidad potencial como la
capacidad real de un proceso de producción con respecto a las especificaciones del
producto. El PPK es una extensión del Índice de Capacidad Potencial del Proceso (PP),
que solo tiene en cuenta la capacidad potencial asumiendo que el proceso funciona de
manera ideal.
En esta fórmula:
El PPK toma en cuenta tanto la variabilidad real del proceso (como lo hace el CPK)
como las especificaciones de diseño, proporcionando una evaluación más completa de
la capacidad del proceso. Un PPK alto indica que el proceso, en funcionamiento real,
tiene una buena capacidad para producir productos dentro de las especificaciones. Un
PPK bajo sugiere que el proceso podría necesitar mejoras para cumplir de manera
consistente con las especificaciones. el PPK combina la evaluación de la capacidad
potencial del proceso (PP) con la evaluación de la capacidad real del proceso (CPK),
brindando una imagen más completa de la calidad y la capacidad del proceso de
producción.
Donde:
- Y(λ) es el valor transformado.
- Y es el valor original de los datos.
- λ es el parámetro de transformación que se busca determinar.
La transformación de Box-Cox es útil cuando se trabaja con datos que no siguen una
distribución normal y se desea realizar análisis estadísticos que asumen normalidad. La
prueba Box-Cox ayuda a encontrar el valor óptimo de λ, que maximiza la normalidad de
los datos transformados.
4. Elegir el valor de λ que da como resultado la distribución de datos más cercana a una
distribución normal.
2. Generar valores aleatorios a partir de una distribución uniforme estándar (por ejemplo,
utilizando un generador de números pseudoaleatorios que genere valores en el intervalo
[0, 1]).
3. Aplicar la función de distribución acumulativa inversa a los valores generados en el
paso 2. Esto transforma los valores uniformes en valores que siguen la distribución de
probabilidad deseada.
Este método es especialmente útil cuando se desea generar valores aleatorios que
sigan una distribución específica, como la distribución exponencial, la distribución
normal o cualquier otra. Permite muestrear valores aleatorios de manera eficiente a
partir de distribuciones de probabilidad arbitrarias sin necesidad de recurrir a tablas de
valores críticos o métodos más complicados. El Método de la Transformada Inversa es
una herramienta fundamental en la simulación, el análisis estadístico y la teoría de
probabilidad.
2.-Método de convolucion: El Método de Convolución es una técnica utilizada en
estadísticas y probabilidad para determinar la distribución de probabilidad de la suma o
diferencia de dos variables aleatorias independientes. Se basa en calcular la distribución
de probabilidad de una variable aleatoria resultante a partir de la convolución de las
distribuciones de probabilidad de las variables originales.
Donde:
- \(f_Z(z)\) es la función de densidad de probabilidad de la variable resultante Z.
- \(f_X(x)\) es la función de densidad de probabilidad de la variable X.
- \(f_Y(y)\) es la función de densidad de probabilidad de la variable Y.