Please enable JavaScript.
Coggle requires JavaScript to display documents.
Procedimiento de transformaciones de potencia - Coggle Diagram
Procedimiento de transformaciones de potencia
Pruebas de una muestra
Aplicar transformación (ej: Box-cox)
Obtener lambda óptimo y datos transformados
Corroborar normalidad de nuevos datos
Si falla, recurrir a prueba noo parametrica
Pruebas de dos muestras
Caso 2: Una muestra no cumple
Transformar muestra fallida con Box-cox
Obtener lambda óptimo
Transformar manualmente la otra muestra con mismo lambda
Revisar supuestos en ambas
Si no cumplen: usar prueba no paramétrica
Caso 3: Ninfuna muestra cumple
Opción B (Si falla A)
Transformar muestra 2 con Box-cox
Aplicar lambda a muestra 1 manualmente
Revalidar supuestos
Falla persistente
Recurrir a prueba no paramétrica
Opción A:
Transformar Muestra 1 con Box-cox
Aplicar lambda a muestra 2 manualmente
Revalidar supuestos
Caso 1: Ambas cumplen supuestos
Aplicar prueba paramétrica directamente
Métodos de Transformación
Yeo-Johnson (otros casos como variables negativas)
Normalización(respecto a media, máximo o de algún valor de referencia que exíste de la variable)
Box-Cox (solo para variables positivas)
Implementación en Python
Librería: scipy.stats
Función:stats.boxcox(data)
Retorno: transformed_data, lambda_opt
Propósito y aplicación
Mejorar distribución de datos atípicos
Corregir falta de normalidad
Corregir heterocedasticidad (problema estadístico donde la variabilidad de los errores en un modelo de regresión no es constante a lo largo de los datos)
Habilitar uso de pruebas paramétricas