Please enable JavaScript.
Coggle requires JavaScript to display documents.
MAPA CONCEPTUAL: Supuestos e Importancia de la Normalidad en la…
MAPA CONCEPTUAL: Supuestos e Importancia de la Normalidad en la Investigación Cuantitativa
1. Núcleo Epistemológico y Metodológico de la Investigación (El Origen)
Paradigma Sustentador: Paradigma Positivista , fundamentado en que el conocimiento se obtiene a través de la observación y la experiencia.
Método Científico: Hipotético-Deductivo , orientado bajo el principio de falsabilidad de las teorías científicas (Popper).
Enfoque de Investigación: Cuantitativo , orientado a la recolección y análisis estadístico para la medición de variables.
Diseño y Alcance: No experimental, de corte transversal (recogida de datos en un solo momento) y de tipo descriptivo.
Estrategia Operativa de Metainvestigación:
Población/Muestra: 10 investigaciones recientes enfocadas en normalidad estadística.
Muestreo: No probabilístico intencional (selección de casos significativos basados en criterios).
Técnicas de Recolección: Revisión bibliográfica (evaluación de calidad) y análisis de contenido (interpretación y clasificación sistemática)
2. El Constructo Central: La Distribución Normal
Definición Matemática: Modelo matemático para describir variables aleatorias continuas que se distribuyen de manera simétrica alrededor de su valor central.
Representación Geométrica: Forma simétrica característica conocida como la Campana de Gauss.
Parámetros Gobernantes:
Media ($\mu$): Indica el valor central o de tendencia central de la distribución.
Desviación Estándar ($\sigma$): Mide el grado de dispersión o variabilidad de la información recogida.
3. Justificación Crítica (¿Por qué es un protocolo previo obligatorio?)
Propósito Fundamental: Actúa como un protocolo previo indispensable para la correcta elección de la prueba estadística destinada al contraste de hipótesis y construcción de intervalos de confianza.
Consecuencia de la Omisión: Provoca la aplicación inapropiada de métodos estadísticos, interpretaciones erróneas y la pérdida de fiabilidad/validez de las conclusiones científicas.
Poder de Inferencia: Permite realizar generalizaciones e inferencias válidas desde la muestra analizada hacia la población objetivo.
Naturaleza de las Variables:
Variables Cuantitativas Continuas: Requieren obligatoriamente la verificación del supuesto de normalidad.
Datos de Naturaleza Cualitativa: No poseen una distribución numérica evaluable ; por ende, se asume directamente la ausencia de normalidad y se aplican pruebas no paramétricas.
Métodos Numéricos de Evaluación de la Normalidad
Para un diagnóstico robusto, el maestrante senior debe triangular los métodos numéricos con los gráficos.
A. Indicadores Analíticos de Forma (Asimetría y Curtosis)
Asimetría (Skewness): Mide la simetría de la distribución respecto a la media aritmética sin necesidad de graficar.
Asimetría Positiva: La cola de la curva se elonga hacia el lado derecho (valores superiores a la media).
Simétrica: Coincidencia matemática exacta de Media, Mediana y Moda.
Asimetría Negativa: La cola de la curva se elonga hacia el lado izquierdo (valores por debajo de la mediana).
Curtosis (Kurtosis): Informa sobre el grado de concentración de las puntuaciones alrededor de la media.
Leptocúrtica: Alta concentración de datos en el centro; curva marcadamente puntiaguda.
Mesocúrtica: Grado de concentración intermedio, idéntico a la distribución normal teórica.
Platicúrtica: Baja concentración de datos; curva con morfología aplanada.
Algoritmo de Decisión Numérica (Estandarización):
Calcular los coeficientes de asimetría y curtosis obtenidos en la muestra.
Calcular los valores estandarizados utilizando las fórmulas: $Z = \frac{\text{asimetría}}{\text{desv. error}}$ y $Z = \frac{\text{curtosis}}{\text{desv. error}}$.
Fijar el nivel de confianza (ej. 95% equivale a un valor crítico de $Z = \pm 1.96$).
Construir el intervalo de aceptación $[-z; [cite_start]+z]$.
Regla de Decisión: Si los valores estandarizados calculados caen dentro del intervalo establecido, se concluye la presencia de normalidad numérica.
B. Pruebas de Hipótesis Formales (Ajuste de Distribución)
Planteamiento de Hipótesis Común:
$H_0$ (Hipótesis Nula): Los datos analizados provienen de una población con distribución normal.
$H_a$ (Hipótesis Alterna): Los datos analizados no provienen de una población con distribución normal.
Criterio Estadístico Operativo (Mecanismo del P-valor):
Se fija una significancia alfa ($\alpha$) metodológica (típicamente $0.05$, o variantes de $0.01$ y $0.10$).
Si $p\text{-valor} < \alpha$: Se rechaza la hipótesis nula ($H_0$), concluyendo la ausencia de normalidad.
Si $p\text{-valor} \ge \alpha$: No se rechaza la hipótesis nula ($H_0$), asumiendo la existencia de normalidad.
Clasificación de Pruebas Según Criterio de Tamaño Muestral ($N$):
Prueba de Shapiro-Wilk (SW): Específicamente robusta y fiable para muestras pequeñas ($N < 50$ observaciones). Limitación: Pierde precisión en muestras muy grandes y puede aceptar erróneamente la normalidad en muestras críticamente inferiores a 30 observaciones.
Prueba de Kolmogorov-Smirnov (KS): Recomendada formalmente para muestras grandes ($N > 50$ observaciones), calculada mediante la máxima diferencia absoluta entre la distribución acumulada teórica y la observada. Limitación: Posee bajo poder estadístico para detectar la no normalidad en muestras pequeñas.
Prueba de Lilliefors: Funciona como una alternativa directa a Shapiro-Wilk para muestras mayores a 50 cuando la media y la varianza poblacionales son estrictamente desconocidas.
Prueba de Anderson-Darling: Diseñada para evaluar el ajuste a distribuciones específicas (Normal, Exponencial, Weibull), pero con baja potencia si se somete a muestras de tamaño reducido.
5. Métodos Gráficos de Evaluación de la Normalidad (Diagnóstico Visual)
Histograma de Frecuencias: Bloques que representan intervalos de clases y sus frecuencias. Permite constatar visualmente el amoldamiento de los datos a la campana de Gauss. Su interpretación es altamente sensible al tamaño muestral; muestras pequeñas pueden distorsionar la visualización real del comportamiento subyacente.
Gráfico de Cuantiles-Cuantiles (Q-Q Plot): Compara de forma directa los cuantiles empíricos observados en la medición empírica frente a los cuantiles de una distribución teórica normal estándar.
Criterio de Decisión Visual: La distribución se clasifica como normal si la totalidad de los puntos muestrales se alinean estrechamente sobre la trayectoria de la línea diagonal recta del gráfico.
6. Bifurcación Analítica Final (Rutas de Acción de Post-Diagnóstico)
Una vez evaluada la normalidad, el investigador toma una decisión sobre la técnica estadística multivariante o univariante a aplicar:
Si los datos demuestran NORMALIDAD ($p \ge \alpha$): Habilitación matemática completa para el uso seguro de Estadística Paramétrica, tales como:
Prueba t de Student.
Análisis de Varianza (ANOVA).
Regresión Lineal Múltiple / Simple.
Si los datos demuestran NO NORMALIDAD ($p < \alpha$): Bloqueo de técnicas tradicionales paramétricas. Rutas metodológicas correctivas obligatorias:
Transformación Matemática: Aplicación de funciones algebraicas en los datos para forzar la simetría (aunque el artículo advierte que no siempre resulta suficiente).
Estadística No Paramétrica: Elección de pruebas que no asumen distribuciones específicas de la población como vía directa de contraste de hipótesis válidas.
Métodos Robustos: Procedimientos estadísticos modificados con inmunidad ante desviaciones severas de la distribución de origen.
Dra Adriana Torrico Peredo