Realizar una prueba de normalidad

Elija Estadísticas > Estadísticas básicas > Prueba de normalidad. Los resultados de la prueba indican si usted debe rechazar o no puede rechazar la hipótesis nula de que los datos provienen de una población distribuida normalmente. Puede realizar una prueba de normalidad y producir una gráfica de probabilidad normal en el mismo análisis. La prueba de normalidad y la gráfica de probabilidad suelen ser las mejores herramientas para evaluar la normalidad.

Tipos de pruebas de normalidad

Los siguientes son tipos de pruebas de normalidad que puede utilizar para evaluar la 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.

Nota

Si está verificando la normalidad como preparación para un análisis de capacidad normal, las colas son la parte más crítica de la distribución.

Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política