Transformación de Johnson

La transformación de Johnson es una técnica estadística que convierte datos no normales en una distribución casi normal, lo que los hace adecuados para análisis estadísticos que requieren normalidad. Utiliza tres tipos de distribución (SU, no acotada; SB, acotada; y SL, lognormal) para identificar la transformación que mejor se ajusta según las características de los datos.

Última revisión:

Idea clave

La transformación de Johnson es una técnica estadística que convierte datos no normales en una distribución casi normal, lo que los hace adecuados para análisis estadísticos que requieren normalidad.

En esta página
  1. ¿Qué es la transformación de Johnson?
  2. ¿Cuándo usar la transformación de Johnson?
  3. Pautas para el uso correcto de la transformación de Johnson
  4. Alternativas: cuándo no usar la transformación de Johnson
  5. Ejemplo de transformación de Johnson
  6. Cómo aplicar la transformación de Johnson

¿Qué es la transformación de Johnson?

La transformación de Johnson es una técnica estadística que convierte datos no normales en una distribución casi normal, lo que los hace adecuados para análisis estadísticos que requieren normalidad. Utiliza tres tipos de distribución (SU, no acotada; SB, acotada; y SL, lognormal) para identificar la transformación que mejor se ajusta según las características de los datos. Desarrollada por Norman L. Johnson, esta transformación se usa ampliamente en el control de calidad y en los estudios de capacidad del proceso. El software estadístico suele automatizar el proceso de la transformación de Johnson, lo que ayuda a interpretar con exactitud los datos no normales.

¿Cuándo usar la transformación de Johnson?

La transformación de Johnson es útil en los siguientes casos:

  1. Datos no normales: cuando los datos no siguen una distribución normal, sobre todo si presentan una asimetría o una curtosis extremas.
  2. Análisis de capacidad del proceso: para obtener índices de capacidad exactos (p. ej., Cp, Cpk) en el control de calidad, donde se requieren datos con distribución normal.
  3. Gráficas de control: cuando los datos no normales afectan la exactitud de la gráfica de control, la transformación puede mejorar su sensibilidad.
  4. Pruebas estadísticas que requieren normalidad: para pruebas como el ANOVA o las pruebas t, que suponen normalidad, la transformación de Johnson puede ayudar a cumplir este supuesto.
  5. Datos acotados: para datos acotados por uno o ambos lados, como porcentajes o conteos, la transformación de Johnson puede normalizar los valores con eficacia.

Se usa habitualmente en la gestión de la calidad, la manufactura y los proyectos Six Sigma.

Pautas para el uso correcto de la transformación de Johnson

  • Los datos deben ser continuos, es decir, mediciones que pueden tomar cualquier valor numérico dentro de un rango especificado en una escala continua, incluidos valores fraccionarios y decimales. Ejemplos típicos son variables como la longitud, el peso y la temperatura.

Alternativas: cuándo no usar la transformación de Johnson

  • Para realizar un análisis de capacidad normal con datos no normales mediante una transformación de Johnson sin almacenar los valores transformados, puede seleccionar directamente las opciones Transform dentro de Normal Capability Analysis. Si prefiere una transformación Box-Cox (por ejemplo, para gráficas de control o en Individual Distribution Identification), este método es sencillo e intuitivo, pero se limita a datos con valores únicamente positivos. Como alternativa, si no es necesario transformar los datos, puede ajustarlos directamente a una distribución no normal mediante la opción Individual Distribution Identification.

Ejemplo de transformación de Johnson

Un ingeniero de calidad de una empresa de suplementos nutricionales desea evaluar el contenido de calcio de unas cápsulas de vitaminas. El ingeniero reúne una muestra aleatoria de cápsulas y mide su contenido de calcio. Por observaciones previas, sabe que la distribución de los datos tiene asimetría a la derecha.

Para resolverlo, el ingeniero aplica la transformación de Johnson para normalizar los datos y guarda los valores transformados en la hoja de trabajo para realizar análisis adicionales. Sigue estos pasos:

  1. Recopiló los datos necesarios.
Johnson Transformation — figure 1
  1.  Ahora analiza los datos en Zometric Statistical Software en https://statsai.zometric.com/.
  2.  Para encontrar Johnson Transformation, elige Statistical module> Control Charts>Johnson Transformation.
  3.  En la herramienta introduce los datos junto con otras entradas, como se indica a continuación:
Johnson Transformation — figure 2

5. Después de usar la herramienta mencionada, obtiene la siguiente salida:

Johnson Transformation — figure 3Johnson Transformation — figure 4

Cómo aplicar la transformación de Johnson

La guía es la siguiente:

  1. Inicie sesión en Zometric Statistical Software en https://statsai.zometric.com/
  2. En la página de inicio, elija Statistical Tool> Control Charts >Johnson Transformation.
  3. Haga clic en Johnson Transformation para acceder al tablero.
  4. A continuación, introduzca los datos manualmente o copie todos los datos (Ctrl+C) de una hoja de Excel y péguelos (Ctrl+V).
  5. A continuación, complete las opciones necesarias.
  6. Por último, haga clic en calculate en la parte inferior de la página para obtener los resultados deseados.

En el tablero de Johnson Transformation, la ventana está dividida en dos partes.

Johnson Transformation — figure 5

En la parte izquierda se encuentra el panel de datos (Data Pane). En el Data Pane, cada fila forma un subgrupo. Los datos pueden introducirse manualmente o copiarse todos (Ctrl+C) de una hoja de Excel y pegarse (Ctrl+V) aquí.

Load example: Se cargarán los datos de ejemplo.

Load File: Se usa para cargar directamente los datos de Excel.

En la parte derecha hay varias opciones, que son las siguientes:

  • Subgroup Columns: Seleccione las columnas (nombre del atributo) según los datos proporcionados.
  • P-value to select best fit: Introduzca un valor entre 0 y 1 para fijar el nivel de significancia de la prueba de normalidad de los datos, tanto antes como después de la transformación. Un nivel de significancia más alto impone criterios de normalidad más estrictos, mientras que un valor más bajo aplica criterios menos exigentes. Para evaluar el ajuste de la distribución suele usarse un nivel alfa de 0.05 o 0.10.

Preguntas frecuentes

¿Qué es la transformación de Johnson?

La transformación de Johnson convierte datos no normales en una distribución casi normal para poder usarlos en análisis que requieren normalidad. Utiliza tres tipos de distribución, SU (no acotada), SB (acotada) y SL (lognormal), para encontrar la transformación que mejor se ajusta a los datos. Fue desarrollada por Norman L. Johnson y se usa ampliamente en el control de calidad y en los estudios de capacidad del proceso.

¿Cuándo se debe usar una transformación de Johnson?

Úsela cuando los datos no sigan una distribución normal, sobre todo con asimetría o curtosis extremas; para índices de capacidad como Cp y Cpk que requieren datos normales; cuando los datos no normales afecten la exactitud de una gráfica de control; para pruebas como el ANOVA o las pruebas t que suponen normalidad; y para datos acotados por uno o ambos lados. Los datos deben ser continuos.

¿Cuál es la diferencia entre las transformaciones de Johnson y Box-Cox?

La transformación Box-Cox es sencilla e intuitiva, pero se limita a datos con valores únicamente positivos. La transformación de Johnson elige entre las familias SU, SB y SL para ajustarse a los datos. Si no es necesario transformar, puede ajustar los datos directamente a una distribución no normal con Individual Distribution Identification.

¿Qué valor p se debe usar para seleccionar el mejor ajuste de Johnson?

El P-value to select best fit, entre 0 y 1, fija el nivel de significancia de la prueba de normalidad antes y después de la transformación. Un valor más alto impone criterios de normalidad más estrictos y uno más bajo, criterios menos exigentes. Para evaluar el ajuste de la distribución suele usarse un nivel alfa de 0.05 o 0.10.