Variables
Cuando se analizan datos medidos por una variable cuantitativa continua, las pruebas estadísticas de estimación y contraste frecuentemente empleadas se basan en suponer que se haobtenido una muestra aleatoria de una distribución de probabilidad de tipo normal o de Gauss. Pero en muchas ocasiones esta suposición no resulta válida, y en otras la sospecha de que no sea adecuada noresulta fácil de comprobar, por tratarse de muestras pequeñas. En estos casos disponemos de un posible mecanismo: los datos se pueden transformar de tal manera que sigan una distribución normal.Dentro de las pruebas paramétricas, las más habituales se basan en la distribución de probabilidad normal, y al estimar los parámetros del modelo se supone que los datos constituyen una muestra aleatoriade esa distribución, por lo que la elección del estimador y el cálculo de la precisión de la estimación, elementos básicos para construir intervalos de confianza y contrastar hipótesis, dependen delmodelo probabilístico supuesto.
Cuando un procedimiento estadístico es poco sensible a alteraciones en el modelo probabilístico supuesto, es decir que los resultados obtenidos son aproximadamenteválidos cuando éste varía, se dice que es un procedimiento robusto.
Las inferencias en cuanto a las medias son en general robustas, por lo que si el tamaño de muestra es grande, los intervalos deconfianza y contrastes basados en la t de Student son aproximadamente válidos, con independencia de la verdadera distribución de probabilidad de los datos; pero si ésta distribución no es normal, losresultados de la estimación serán poco precisos.
Í N D I C E
1.- Introducción
2.- Procedimientos de Ajuste a una Distribución Normal.
2.1- Contraste de Pearson
2.2- Prueba de Kolmogorov-Smirnov2.3- Prueba de Shapiro-Wilks
3.- Soluciones cuando se rechaza la hipótesis de normalidad
4.- Transformaciones para conseguir datos normales.
Procedimientos para verificar el ajuste a una...
Regístrate para leer el documento completo.