He sido redirigido aquí desde otro foro...
He utilizado una prueba de Kolmogorov-Smirnov de dos muestras para comparar las distribuciones de dos conjuntos de datos. Básicamente estoy comparando las distribuciones de error entre dos mediciones cuando se realiza una intervención, para determinar si la intervención (un parámetro de medición cambiante) cambia significativamente la distribución de error de la medición.
Sé que la prueba K-S es una prueba no paramétrica, sin embargo las distribuciones de los datos que estoy comparando han resultado tener una distribución normal... Sé que probablemente hay una serie de pruebas que podrían utilizarse para comparar datos con distribución normal, pero ¿hay alguna razón para no utilizar la prueba K-S? ¿Hay alguna desventaja (con respecto a los errores de tipo 1 y 2 quizás)? ¿Está bien utilizarla?
He seguido más o menos este camino con mi análisis de datos, pero me ha surgido la pregunta: ¿por qué utilizar una prueba no paramétrica para comparar datos paramétricos? Esperemos que la prueba K-S sea poco convencional y no completamente errónea.
0 votos
Cuando dices "distribuciones de error", ¿se trata de alguna forma de residuos de algún modelo de ajuste? Si es así, hay un par de razones por las que el estadístico Kolmogorov-Smirnov no tendrá la distribución tabulada.
0 votos
No, no son residuos. Esencialmente es una medida de longitud usando un sistema óptico. Tomo unas 500 mediciones y obtengo una distribución del error en la medición de la longitud. Luego cambio un parámetro en mi sistema de medición, tomo otras 500 mediciones y obtengo una distribución del error para eso. Luego comparo las dos distribuciones para ver si son significativamente diferentes utilizando la prueba K-S. En esencia, se trata de ver si el sistema de medición es igual de preciso cuando se cambia un parámetro del proceso.
0 votos
Gracias por aclararlo. La prueba KS debería estar bien, pero si se sabe que los datos se distribuyen normalmente, no es tan eficaz como podría ser para detectar las diferencias. Sin embargo, no está claro cómo se puede saber esto (aproximadamente normal, tal vez).