Universidad Nacional Autónoma de México

Facultad de Ingeniería
Geoestadística G01
Osorio Ruiz Daniela Arely
Tarea 7
19/02/19

NORMALIDAD (también conocida como distribución de Gauss)

Es una distribución de probabilidad de variable continua. La grafica de su función
de densidad presenta histogramas en forma de campana y son más o menos
simétricos con respecto a la media. Esta curva también se le conoce como campana
de Gauss.

Esta distribución es importante debido a que puede modelar fenómenos reales así
como por su relación con la estimación por mínimos cuadrados

LOGNORMALIDAD

Estas distribuciones son muy frecuentes cuando se analiza muestras de

prospección y exploración
y se caracterizan por tener
abundantes valores muy
bajos los cuales conforme
van gradando a valores
más altos, se hacen cada
vez menos frecuentes
(distribución asimétrica con
sesgo positivo (hacia la
derecha) en la cual tanto la
moda como la mediana se
ubica a la izquierda de la
media.
La distribución log-normal
tiene dos parámetros: m*
(media aritmética del
logaritmo de los datos o
tasa de fallos) y σ
(desviación estándar del
logaritmo de los datos o
tasa de fallos).
 Universidad Nacional Autónoma de México
Facultad de Ingeniería
Geoestadística G01
Osorio Ruiz Daniela Arely
Tarea 7
19/02/19

Otra característica de la distribución lognormal es el denominado efecto de

proporcionalidad que se refiere a la correlación lineal directa que existe entre la ley
media y su desviación estándar. Esta característica se ve reflejada en variogramas
ordinarios o relativos.

PERMANENCIA DE LA NORMALIDAD Y PERMANENCIA DE LA

LOGNORMALIDAD
Las pruebas de normalidad se aplican a conjuntos de datos para determinar su
similitud con una distribucion normal. Las pruebas más comunes son:

prueba de Kolmogôrov -Smirnov Es un test de normalidad numérico cuya

hipótesis nula indica que el conjunto de datos es similar a una distribucion normal,
por lo que un p-valor suficientemente pequeño indica datos no normales. Es
recomendable utilizarlo con más de 50 observaciones.

test de Lilliefors (PRUEBA DE CORRECCIÓN PARA KOLMOGOROV-SMIRNOV)

para el caso más habitual en el que desconocemos la media y la varianza
poblacional y se estiman a través de los datos muestrales.

Test de Andreson-Darling Esta prueba compara la función de distribución

acumulada empírica 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.

Test 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 norma
test de Saphiro- Wilk Cuando la muestra es como máximo de tamaño 50 se puede
contrastar la normalidad con la prueba de Shapiro Shapiro-Wilk.

Normal probability plot (rankit plot)

 Universidad Nacional Autónoma de México
Facultad de Ingeniería
Geoestadística G01
Osorio Ruiz Daniela Arely
Tarea 7
19/02/19

Test de jarque-Bera
Test onmibùs de Spiegelhalter

CORRELACIÓN
Es el grado de relación entre las variables X e Y. La finalidad de la correlación es
examinar la dirección y la fuerza de la asociación entre dos variables cuantitativas.
Así conoceremos la intensidad de la relación entre ellas y si, al aumentar el valor de
una variable, aumenta o disminuye el valor de la otra variable
Hay dos coeficientes de correlación que se usan frecuentemente: el de Pearson
(paramétrico) y el de Spearman (no paramétrico, se utiliza en aquellos casos donde
las variables examinadas no cumplen criterios de normalidad o cuando las variables
son ordinales).
El estimador muestral más utilizado para evaluar la asociación lineal entre dos
variables X e Y (medir el ajuste de la recta de regresión) es el coeficiente de
correlación de Pearson (r).
Se define como la covarianza muestral entre X e Y dividida por el producto de las
desviaciones típicas de cada variable:

El coeficiente de correlación lineal debe cumplir con las siguientes condiciones:

• Puede tomar valores entre -1 y +1.
• Cuando r se acerque a -1 o a 1 significa que mejor se ajusta al modelo.
• Un valor cercano a 0, se interpreta como un mal ajuste lineal

REFERENCIAS:
• Clara Laguna. Correlación y regresión lineal.Recurso electrónico obtenido
de:http://www.ics-aragon.com/cursos/salud-publica/2014/pdf/M2T04.pdf

• https://support.minitab.com/es-mx/minitab/18/help-and-how-
to/statistics/basic-statistics/supporting-topics/normality/test-for-normality/
• https://es.scribd.com/document/117208011/Estadistica
• http://www.sampling-ok.com/web/publicaciones/2013-01-31_RSC.pdf
• http://www.ub.edu/aplica_infor/spss/cap5-6.htm
• file:///C:/Users/LEO/Downloads/Dialnet-
PruebasDeBondadDeAjusteAUnaDistribucionNormal-5633043%20(1).pdf