Introducción
Con n = 199 observaciones, Shapiro-Wilk no es el
test adecuado para validar normalidad. Según la Diapositiva 18
(Clase 3), está recomendado para muestras menores a 50. Por eso
utilicé las pruebas indicadas para muestras grandes.
Carga de datos
library(nortest)
library(readxl)
datos <- read_excel("Alturas.xlsx")
colnames(datos) <- c("id", "altura_hombre_cm", "altura_mujer_cm",
"altura_hombre_ft", "altura_mujer_ft")
datos <- datos[, -1]
Kolmogorov-Smirnov con modificación de Lilliefors
Recomendado para muestras grandes. Asume media y varianza
desconocidas (Diapositiva 18, Clase 3).
lillie.test(datos$altura_hombre_cm)
##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: datos$altura_hombre_cm
## D = 0.052163, p-value = 0.2068
lillie.test(datos$altura_mujer_cm)
##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: datos$altura_mujer_cm
## D = 0.045125, p-value = 0.4149
Anderson-Darling
Test muy potente, especialmente sensible en las colas
(Diapositiva 18, Clase 3).
ad.test(datos$altura_hombre_cm)
##
## Anderson-Darling normality test
##
## data: datos$altura_hombre_cm
## A = 0.62531, p-value = 0.102
ad.test(datos$altura_mujer_cm)
##
## Anderson-Darling normality test
##
## data: datos$altura_mujer_cm
## A = 0.45587, p-value = 0.2646
Resultados
| Lilliefors |
Hombres |
D = 0.0522 |
0.2068 |
✅ No se rechaza H₀ |
| Lilliefors |
Mujeres |
D = 0.0451 |
0.4149 |
✅ No se rechaza H₀ |
| Anderson-Darling |
Hombres |
A = 0.6253 |
0.1020 |
✅ No se rechaza H₀ |
| Anderson-Darling |
Mujeres |
A = 0.4559 |
0.2646 |
✅ No se rechaza H₀ |
Conclusión
En los cuatro casos el p-valor supera α = 0.05. No hay evidencia
suficiente para rechazar H₀ → ambas variables son compatibles
con distribución normal. Esto, combinado con el Q-Q
Plot ya compartido, constituye una doble validación analítica y
visual.
📚 Referencia: Clase 3, Diapositiva 18 — Silvia N.
Pérez, UNO · Devore (7ma ed.) Cap. 4 y 14.
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