Professional Documents
Culture Documents
Tarea#4
transformndose en una recta. Es decir que cuando los datos que representamos proceden
de una variable que sigue una distribucin normal, los puntos correspondientes se sitan
aproximadamente en torno a una recta (Romero y Znica, 2000). En realidad, lo que
hacemos al representar los valores es asumir que siguen una Normal con parmetros sin
determinar, y a la vista de la disposicin que adoptan los puntos en el ppn juzgamos
correcta o no la suposicin de normalidad. Una vez representados, observamos que algunos
se alinean aproximadamente segn una recta que pasa por el punto (0; 0,5), y estos son los
que consideraremos que siguen una distribucin normal con media cero. Los otros, los que
se alejan de la recta por los extremos, sern considerados como datos anmalos.
Veamos a continuacin como debemos proceder a la hora de representar los datos en papel
probabilstico normal y a continuacin veremos un ejemplo de los aspectos tpicos de
representaciones de las distintas situaciones con las que nos podemos encontrar.
Los distintos aspectos que pueden aparecernos al representar los datos en papel
probabilstico normal ysu interpretacin son los que se muestran a continuacin:
b. Asimetra Positiva.
Las distribuciones asimtricas positivas presentan un
papel probabilstico con una figura de puntos que
forma una especie de curvatura hacia abajo, como se
muestra en la figura siguiente:
c. Asimetra Negativa.
Las distribuciones asimtricas negativas presentan un
papel probabilstico con una figura de puntos que forma
una especie de curvatura hacia arriba, como se muestra
en la figura siguiente:
Normalidad y Lognormalidad
La distribucin log-normal se obtiene cuando los logaritmos de una Variable se describen
mediante una distribucin normal. Es el caso en el que las variaciones en la fiabilidad de una
misma clase de componentes tcnicos se representan considerando la tasa de fallos
aleatoria en lugar de una variable constante.
Es la distribucin natural a utilizar cuando las desviaciones a partir del valor del modelo
estn formadas por factores, proporciones o porcentajes ms que por valores absolutos
como es el caso de la distribucin normal.
La distribucin log-normal tiene dos parmetros: m* (media aritmtica del logaritmo de los
datos o tasa de fallos) y (desviacin estndar del logaritmo de los datos o tasa de fallos).
Propiedades
La distribucin log-normal se caracteriza por las siguientes propiedades:
Asigna a valores de la variable < 0 la probabilidad 0 y de este modo se ajusta a las tasas
y probabilidades de fallo que de esta forma slo pueden ser positivas.
Como depende de dos parmetros, segn veremos, se ajusta bien a un gran nmero de
distribuciones empricas.
Es idnea para parmetros que son a su vez producto de numerosas cantidades aleatorias
(mltiples efectos que influyen sobre la fiabilidad de un componente).
La esperanza matemtica o media en la distribucin log-normal es mayor que su
mediana. De este modo da ms importancia a los valores grandes de las tasas de fallo que
una distribucin normal con los mismos percentiles del 5% y 50% tendiendo, por tanto, a ser
pesimista. Esta propiedad se puede apreciar en la figura.
Normalidad; Se utiliza para modelar sistemas donde el 70% de los datos muestreados se
encuentran a una distancia inferior de (desviacin estndar) del valor promedio , y la
frecuencia de aparicin de los datos, se encuentra distribuida simtricamente con respecto
al valor promedio. Un ejemplo para utilizar una funcin de distribucin normal es el
modelado del tiempo de produccin de las maquinas, cuando no se considera la posibilidad
de fallos o errores de diversos tipos.
R trabaja un grfico probabilstico normal. Para poder estudiar una distribucin log-normal es
necesario, previamente, transformarlos a valores logartmicos. El clculo de valores medios
y anmalos es menos intuitivo si se compara con los grficos probabilsticos normales
usados tradicionalmente debido a la transformacin logartmica de los valores.
El test Kolmogorov-Smirnov (K-S) es un test de normalidad numrico cuya hiptesis nula, H 0,
considera que la distribucin de la variable seleccionada proviene de una distribucin
normal. Por ejemplo, si el nivel de significacin o p-valor (Sig.) obtenido en el test K-S es
0.20, entonces para un nivel de significacin del 0.05 (lo que est fuera del 95 % de
probabilidades) no rechazamos la hiptesis nula, ya que el p-valor es 0.20>0.05. Por tanto,
segn este test, podemos considerar que la distribucin de los datos es normal. En resumen:
Si Sig. (p-valor) > 0.05 aceptamos H 0 (hiptesis nula) distribucin normal
Si Sig. (p-valor) < 0.05 rechazamos H0 (hiptesis nula) distribucin no normal.
Si una variable tiene un comportamiento log-normal, se tendr que realizar previamente la
transformacin logartmica.
Bibliografia:
Thomson. Madrid.
Mendenhall, W.; Reinmuth, J.E. (1978). Estadstica para administracin y economa. (Ed.) Grupo