Scribd
Cargar
137 vistas7 páginas

Pruebas de Normalidad

Este documento describe las pruebas de normalidad, que se utilizan para determinar si un conjunto de datos se ajusta a una distribución normal. Explica que existen pruebas paramétricas como la prueba de Kolmogorov-Smirnov y pruebas no paramétricas como la prueba de Shapiro-Wilk. Proporciona ejemplos de cómo aplicar estas pruebas utilizando R para verificar si datos generados aleatoriamente o mediciones de glucemia siguen una distribución normal.

Cargado por

Yuly Ospino Suárez
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
137 vistas7 páginas

Pruebas de Normalidad

Este documento describe las pruebas de normalidad, que se utilizan para determinar si un conjunto de datos se ajusta a una distribución normal. Explica que existen pruebas paramétricas como la prueba de Kolmogorov-Smirnov y pruebas no paramétricas como la prueba de Shapiro-Wilk. Proporciona ejemplos de cómo aplicar estas pruebas utilizando R para verificar si datos generados aleatoriamente o mediciones de glucemia siguen una distribución normal.

Cargado por

Yuly Ospino Suárez
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 7

Pruebas de Normalidad.

DOCENTE: SUSAN SANTAMARIA CAMPO


UNIVERSIDAD: CECAR
¿Qué es un prueba de normalidad ?
La prueba de normal se emplea para saber si nuestros datos tienen un distribución norma o no tienen una distribución normal. y a partir de ellos
saber que estadístico o que prueba se debe emplear. para contrastar las hipótesis, que pueden ser pruebas paramétricas o no paramétricas.

Establecer las hipótesis

H0=Los datos tienen una distribución Normal

H1=Los datos no tienen una distribución Normal

Niveles de significancia

Confianza al 95%

Significancia al 5%

Decisión

1- si p es menor e igual que el alfa, se rechaza la h0 y se acepta la h1(si los datos no tienen una distribución normal, entonces se emplean las
pruebas no paramétricas)

2- si el p valor es mayor que el alfa , se acepta la h0 y se rechaza la alternativa( si los datos tienen una distribución normal entonces se emplean
pruebas paramétricas)
PRUEBAS PARAMEICAS
Las muestras que mayormente se emplean en un trabajo de investigación son
PRUEBA PARAMETRICA NO PARAMETRICA
KOMOVOROV Shapiro-Willk
n>50 n<=50

El test de Kolmogorov-Smirnov (con Es similar en este caso al test de Shapiro Wilk,


la corrección Lilliefors) se utiliza para pero la principal diferencia con éste radica en el
contrastar si un conjunto de datos se ajustan o número de muestras.
no a una distribución normal.
Ejemplo
Una empresa cafetera desea determinar el llenado de sus bolsas de café
de 75mgs.
para ello creara 100 numeros pseudoaleatorios siguiendo una
distribucion normal.
genera un conjunto de números pseudoaleatorios definidos para la simulación, y determina si cumplen con la propiedad de
uniformidad con un nivel de significancia de 0.05.
siguiendo la prueba de uniformidad de kolmogorov
smirnov

#test de kolmovoro
install.packages("nortest")
library(nortest)
datos <- read_excel("C:/Users/Jesus Tafur/Desktop/CECAR
2022/SEMESTRE 20222/ESTADISTICA II/datos.xlsx")
datos=data.frame(datos)
ks.test(datos$x,pnorm,mean(datos$x),sd(datos$x))
Resultado

Nota: el modelo aleatorio propuesto se acepta


Ejercicio

Se efectuaron mediciones del nivel de glucemia de 36 hombres adultos en ayuno, no obesos y aparentemente sanos.
Estas mediciones se muestran en la tabla que se presenta. Se pretende saber si es posible concluir que tales datos no
pertenecen a una población que sigue una distribución normal, con una media de 80 y una desviación típica de 6.
Emplee un α = 0,05.
Librería y códigos para el test de Shapiro
Test Shapiro
install.packages("dplyr")
library(dplyr)
datos=data.frame(datos)
shapiro.test(as.numeric(datos))
Shapiro.test(as.numeric(datos$x))

También podría gustarte