Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CARRERA:
INGENIERIA INDUSTRIAL
TEMA:
SEMESTRE Y GRUPO:
3-B
ALUMNAS:
MATERIA:
ESTADISTICA INFERENCIAL 1
JORGE
𝒌
= 𝑬
𝒊=𝟏 ∑ 𝒊
𝒌
es siempre una
𝒊=𝟏
restricción, y cada parámetro que se tenga que estimar es una restricción más).
En ocasiones, las frecuencias esperadas dan resultados menores que 1, y los
investigadores frecuentemente hacen notar en la literatura que el estadígrafo no se
𝟐
distribuye como 𝝌 si las frecuencias esperadas son pequeñas; pero no se ponen de
acuerdo en el valor que al menos deben tener las E… Algunos establecen que para
poder usar la ji-cuadrada las E. deben ser al menos 5 (𝑬 ≥ 𝟓). Otros no tan
𝒊
𝟐
conservadores, como Cochran, opinan que se puede usar la 𝝌 si las 𝑬 tienen un valor
𝒊
práctica resultaran una o varias 𝑬 < 𝟏 se juntan las categorías adyacentes para que se
𝒊
número de éstas se reduce y por tanto los grados de libertad también se reducen.
Además, Dixon y Massey establecen que no más de 20% de las E. deben ser menores
que 5; nosotros no consideraremos esta suposición.
Pruebas no paramétricas.
Prueba de rangos con signo de Wilcoxon para la mediana.
El lector debería notar que la prueba de signo tan sólo utiliza los signos más y menos
de las diferencias entre las observaciones 𝝁
y en el caso de una muestra, o los signos
𝟎
El analista podría extraer más información de los datos en una forma no paramétrica,
si resulta razonable aplicar una restricción adicional a la distribución de la que se
toman los datos. La prueba de rango con signo de Wilcoxon se aplica en el caso de
una distribución continua simétrica. Bajo esta condición se prueba la hipótesis nula
𝝁
=𝝁
. Primero restamos 𝝁
𝟎
que corresponden a las diferencias positivas debería ser casi igual al total de los rangos
que corresponden a las diferencias negativas. Representemos estos totales con
, respectivamente. Designamos el menor de 𝒘 y 𝐰 con w
𝒘 y 𝐰
+ − + −
=𝝁
contra alguna alternativa adecuada.
𝟎
Primero seleccionamos una muestra aleatoria de cada una de las poblaciones. Sea n 1
observaciones en la muestra más grande. Cuando las muestras son de igual tamaño,
ny n2 se pueden asignar de manera aleatoria. Hay que ordenar la n1 + n2
idénticas), reemplazamos las observaciones por la media de los rangos que tendrían
las observaciones si fueran distinguibles. Por ejemplo, si la séptima y octava
observaciones son idénticas, asignaríamos un rango de 7.5 a cada una de las dos
observaciones.
La suma de los rangos que corresponden a las 𝒏 observaciones en la muestra más
𝒊
del número de observaciones en las dos muestras y de ninguna manera resulta afectado
por los resultados del experimento. De aquí, si 𝒏 =𝟑y𝒏 = 𝟒 , entonces 𝒘 +
𝟏 𝟐 𝟏
En general, la suma aritmética de los enteros 1, 2,..., 𝒏 +𝒏 . Una vez que se determina
𝟏 𝟐
w1, puede ser más fácil encontrar 𝒘 mediante la fórmula: Al elegir muestras repetidas de
𝟐
<𝝁
1
>𝝁
1
se puede aceptar sólo si 𝒘 es grande y 𝒘 es pequeña. Para una prueba de dos colas,
𝟐 𝟏 𝟐
PRUEBAS DE ANDERSON
Según Guisande & Barreiro (2006), el estadístico Anderson Darling puede ser
utilizado para comprobar si los datos satisfacen el supuesto de normalidad para
una prueba t. También se lo puede definir como aquel estadístico no paramétrico
que es utilizado para probar si un conjunto de datos muéstrales provienen de una
población con una distribución de probabilidad continua específica, por lo general,
de una distribución normal. Esta prueba se basa en la comparación de la función
de la distribución acumulada empírica de los resultados de la muestra con la
distribución esperada si los datos fueran normales. Al momento de obtener los
resultados, si la diferencia observada es suficientemente grande, la hipótesis nula
de normalidad de la población es rechazada.
El estadístico A2 mide el área entre la línea ajustada basada en la distribución
elegida y la función de paso no paramétrica, basado en los puntos de la gráfica. El
estadístico es una distancia elevada al cuadrado que tiene mayor ponderación en
las colas de la distribución, por lo tanto, un valor pequeño de Anderson-Darling
indica que la distribución se ajusta mejor a los datos (Minitab, 2020). El estadístico
de Anderson-Darling - A2- está dado por la ecuación 1.
Donde:
N: número de casos.
S: desviación estándar.
Donde:
El estadístico Anderson-Darling mide qué tan bien siguen los datos una
distribución específica, siendo que, para un conjunto de datos y distribución en
particular, mientras mejor se ajuste la distribución a los datos, menor será este
estadístico. 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
PRUEBAS DE SHAPPIRO
REFERENCIAS
Romero, M. (2016). Pruebas de bondad de ajuste a una distribución normal. Revista Enfermería
Del Trabajo, 6(3), 105–114. https://dialnet.unirioja.es/servlet/articulo?codigo=5633043
Servicartón Cía. Ltda. (2020). Servicartón. http://servicarton.com.ec/ Steinskog, D., Tjøstheim, D.,
& Gunnar, N. (2007). A cautionary note on the use of the Kolmogorov– Smirnov test for normality.
publication/249621733_A_Cautionary
_Note_on_the_Use_of_the_KolmogorovSmirnov_Test_for_
Normality
CONCLUSION