ANOVA Multifactorial. StatFolio Muestra: anova.sgp
|
|
- Ana Escobar Ortiz de Zárate
- hace 7 años
- Vistas:
Transcripción
1 ANOVA Multifactorial Resumen El procedimiento ANOVA Multifactorial está diseñado para construir un modelo estadístico describiendo el impacto de dos o más factores categóricos X j de una variable dependiente Y. Se realizan pruebas para determinar si hay o no diferencias significativas entre las medias a diferentes niveles de los factores y si hay o no interacciones entre los factores. Además, los datos pueden desplegarse gráficamente de varias maneras, incluyendo un gráfico múltiple de dispersión, una gráfica de medias y una gráfica de interacciones. Este procedimiento está diseñado para experimentos relativamente simples, tales como experimentos factoriales con efectos fijos. El procedimiento Modelos Lineales Generales debe ser usado para situaciones más complicadas. StatFolio Muestra: anova.sgp Datos de Muestra: El archivo stresstest.sf6 contiene datos de una prueba de estrés de n = 36 individuos, reportado por Kutner et al. (1996). En el estudio, cada uno realizó sus ejercicios diarios y se registró el número de minutos requeridos para alcanzar un nivel predefinido de estrés. La tabla de abajo muestra una lista parcial de datos en ese archivo: Subject (Sujeto) Body fat (Grasa corporal) Gender (Sexo) Smoking (Fumador) Minutes (Minutos) 1 baja masculino ninguno 34 2 baja masculino ninguno 32 3 baja masculino ninguno 31 4 baja masculino ligero 27 5 baja masculino ligero 24 6 baja masculino ligero 23 7 baja masculino pesado 20 8 baja masculino pesado 21 9 baja masculino pesado baja femenino ninguno baja femenino ninguno baja femenino ninguno baja femenino ligero baja femenino ligero baja femenino ligero baja femenino pesado baja femenino pesado baja femenino pesado alta masculino ninguno alta masculino ninguno 20 3 individuos fueron seleccionados de 12 combinaciones de los siguientes factores: 2006 por StatPoint, Inc. ANOVA Multifactorial - 1
2 Cantidad de grasa corporal: baja o alta Sexo: masculino o femenino Historial de fumador: ligero, pesado o ninguno. STATGRAPHICS Rev. 4/d/yyyy El estudio es un diseño factorial replicado de 2 por 2 por 3. Entrada de Datos Los datos consisten en una sola columna que contiene mediciones y múltiples columnas indicando los niveles de los factores experimentales. Variable dependiente: columna numérica que contiene las observaciones. Factores: columnas numéricas o no numéricas que contienen niveles identificando cada factor. Covariación: columnas numéricas opcionales que contienen valores de variables cuantitativas que varían junto con la respuesta y cuyos efectos deben ajustarse antes de comparar niveles de factores categóricos. Seleccionar: subconjunto a seleccionar por StatPoint, Inc. ANOVA Multifactorial - 2
3 Resumen del Análisis El Resumen del Análisis muestra el número de factores y el número total de observaciones n. ANOVA Multifactorial - minutos Variable dependiente: minutos Factores: grasa corporal sexo fumador Número de casos completos: 36 Gráfico de Dispersión El panel Gráfico de Dispersión grafica por niveles los datos de un nivel seleccionado. 40 Dispersión por Código de Nivel 30 minutes high body fat low Si hay muchas variables comunes, tal vez deseé agregar a la gráfica una pequeña cantidad de jitter horizontal presionando el botón Jitter en la barra de herramientas análisis: Esto compensa cada punto aleatoriamente en dirección horizontal de tal forma que valores idénticos no se grafican uno encima del otro por StatPoint, Inc. ANOVA Multifactorial - 3
4 Dispersión por Código de Nivel minutes high body fat low La gráfica anterior sugiere que hay tres diferencias entre individuos con alta grasa corporal e individuos con baja grasa corporal. Panel de Opciones Factor: factor a graficar en el eje horizontal. Tabla ANOVA Para determinar si los factores tienen o no un efecto significativo en la variable dependiente, se realiza un análisis de varianza. Los resultados son desplegados en la Tabla ANOVA: Análisis de Varianza para minutos - Suma de Cuadrados Tipo III Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P EFECTOS PRINCIPALES A:grasa corporal B:sexo C:fumador INTERACCIONES AB AC BC RESIDUOS TOTAL (CORREGIDO) Todas las razones-f se basan en el cuadrado medio del error 2006 por StatPoint, Inc. ANOVA Multifactorial - 4
5 residual STATGRAPHICS Rev. 4/d/yyyy La tabla divide la variabilidad total entre las n mediciones en varios componentes: 1. Un componente atribuible al Efecto Principal de cada factor, que mide la variabilidad entre las respuestas medias a cada nivel del factor. 2. Un componente atribuible a la Interacción entre diferentes factores. Ocurre una interacción si el efecto de un factor depende del nivel de otro factor. 3. Si hay Covariación presenta un componente atribuible a cada covariación. 4. Un componente Residual, que mide la variabilidad entre sujetos a niveles idénticos de los factores. Los F-radios son de particular importancia así como sus P-Valores asociados. P-Valores pequeños (menores que 0.05 si se opera a un nivel de significancia del 5%) corresponden a efectos significativos. En este ejemplo, todos los efectos principales son estadísticamente significativos como los es también la interacción entre factores A y C (grasa corporal y fumador). Panel de Opciones El cuadro de diálogo Panel de Opciones controla cómo se calculan las F-pruebas: Suma de Cuadrados: el tipo de descomposición usada para calcular las sumas de cuadrados en la tabla ANOVA. La selección por defecto es Tipo III, que cuantifica el incremento del 2006 por StatPoint, Inc. ANOVA Multifactorial - 5
6 error en la suma de cuadrados que ocurriría si cada efecto se removiese del análisis, dado que todos los otros efectos permanecen. En contraste, la suma de cuadrados Tipo I representa la reducción en el error de suma de cuadrados que ocurre cuando cada variable es añadida al modelo, en el orden mostrado en la tabla ANOVA. En un experimento balanceado (un experimento con igual número de observaciones de todas las combinaciones de factores) tal como en este ejemplo, ambos tipos de sumas de cuadrados arrojan resultados idénticos. En casos no balanceados, habrá diferencia. Tipo III es por defecto pues cuantifica la contribución marginal de cada efecto dado que todos los demás efectos han sido computados. Término de Error: la media cuadrática a usarse como denominador de la F-prueba al probar la importancia de cada efecto. En un diseño en el que todos los factores se cruzan y no son aleatorios, la selección de Residual es correcta. Para tipos de diseños más complicados, el analista tal vez deseé especificar otro denominador para ciertos efectos. Nota: el procedimiento Modelos Lineales Generales determina automáticamente del denominador propio de muchos tipos de modelos involucrando factores aleatorios y anidados y normalmente deben usarse para analizar esos tipos de diseños experimentales. Opciones de Análisis El cuadro de diálogo Opciones de Análisis especifica las interacciones a incluirse en el análisis. Máximo Orden de Interacción: número máximo de factores para los que se estimará una interacción. Excluir: Presione este botón para quitar del análisis una o más interacciones. Ejemplo Removiendo Interacciones Insignificantes Para remover del análisis una o más interacciones, presione el botón Excluir en el cuadro de diálogo Opciones de Análisis. Esto despliega un segundo cuadro de diálogo: 2006 por StatPoint, Inc. ANOVA Multifactorial - 6
7 Haciendo doble clic en cualquier interacción, esta puede moverse de derecha a izquierda o viceversa. Cualquier interacción especificada en el campo Excluir no será estimada. Luego de remover los dos efectos insignificantes de los datos de las pruebas de estrés, la tabla de arriba muestra los efectos remanentes: Análisis de Varianza para minutos - Suma de Cuadrados Tipo III Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P EFECTOS PRINCIPALES A:grasa corporal B:sexo C:fumador INTERACCIONES AC RESIDUOS TOTAL (CORREGIDO) residual Todas las razones-f se basan en el cuadrado medio del error Gráfica ANOVA La Gráfica ANOVA, desarrollada por Hunter (2005), es una técnica para desplegar gráficamente la importancia de cada factor en el análisis. Es una gráfica de efectos escalados de cada factor, donde el efecto de un factor es igual a la diferencia entre la media de mínimos cuadrados para 2006 por StatPoint, Inc. ANOVA Multifactorial - 7
8 el nivel del factor y la media total estimada. Cada uno de los efectos es multiplicado por un factor escalador. ν n R ν n T i (1) donde ν R es los grados de libertad residuales, ν T es los grados de libertad del efecto principal del factor, n i es igual al número de observaciones en el i-ésimo nivel del factor, y n es el número promedio de observaciones a todos los niveles del factor. Esto escala los efectos de tal forma que la varianza natural de los puntos en el diagrama es comparable a la de los residuales, los cuales son desplegados debajo de la gráfica. La gráfica para los datos de muestra se ve a continuación: ANOVA Gráfico para minutes heavy light none smoking P = gender female male P = body fat high low P = Residuos En la parte derecha del display están los P-Valores de los efectos principales, tomados de la tabla ANOVA. Comparando la variabilidad entre los efectos del tratamiento en la gráfica anterior y los residuales, es fácil ver que todos los factores muestran diferencias de una magnitud mayor que la que podría atribuirse solamente a error experimental. Dependiendo de la localización relativa de los efectos, podría ser posible en algunos casos identificar visualmente qué niveles son diferentes significativamente de qué otros, lo cual se hace formalmente con las Pruebas de Rangos Múltiples descrita a continuación. Pruebas de Rangos Múltiples Para factores que muestran P-Valores significativos en la tabla ANOVA y que no interactúan con otros factores, se puede realizar un análisis posterior seleccionando las Pruebas de Rangos Múltiples. Contraste Múltiple de Rangos para minutos por sexo Método: 95.0 porcentaje LSD 2006 por StatPoint, Inc. ANOVA Multifactorial - 8
9 sexo Casos Media LS Sigma LS Grupos Homogéneos femenino X masculino X STATGRAPHICS Rev. 4/d/yyyy Contraste Sig. Diferencia +/- Límites femenino - * masculino diferencia significativa. * indica una La mitad de arriba de la tabla despliega cada uno de los estimadores medios de mínimos cuadrados en orden creciente de magnitud. Muestra: Conteo el número de observaciones al nivel especificado del factor. LS Media la media estimada por mínimos cuadrados. En el caso de un diseño balanceado, la media de mínimos cuadrados es equivalente al promedio de todas las observaciones al nivel indicado. En diseños no balanceados, la media de mínimos cuadrados es el valor predicho de la variable dependiente cuando el factor especificado se fija a un nivel particular mientras los demás factores se fijan a sus niveles medios. Las medias de mínimos cuadrados ajusta cualquier desbalanceo en los datos, haciendo predicciones a un nivel común para todos los factores. LS Sigma el error estándar estimado de la media de mínimos cuadrados por StatPoint, Inc. ANOVA Multifactorial - 9
10 Grupos homogéneos una ilustración gráfica de cuáles medias son significativamente diferentes de cuáles, basada en los contrastes desplegados en la segunda mitad de la tabla. Cada columna de X s indica un grupo de medias entre las que no hay diferencias estadísticamente significativas. En el ejemplo hay 2 columnas, cada una conteniendo una sola X, indicando que los dos sexos caen en grupos significativamente diferentes. La segunda mitad de la tabla despliega una comparación entre cada par de medias de nivel. Diferencia la diferencia entre las dos medias de mínimos cuadrados. Límites un estimador de intervalo de esa diferencia, usando el procedimiento seleccionado de múltiples comparaciones. Sig. Se pone un asterisco junto a cualquier diferencia que sea estadísticamente significativamente diferente de 0 al nivel de significancia seleccionado, i.e., cualquier intervalo que no contenga al 0. Panel de Opciones Método: el método usado para hacer las comparaciones múltiples. Factor: el factor a desplegarse. Nivel de Confianza: el nivel de confianza usado por el procedimiento seleccionado de comparaciones múltiples. Los métodos disponibles son: LSD - forma un intervalo de confianza para cada par de medias al nivel de confianza seleccionado, usando la distribución t de Student. Este procedimiento se le atribuye a 2006 por StatPoint, Inc. ANOVA Multifactorial - 10
11 Fisher y se conoce como el procedimiento Diferencia Menos Significativa, pues la magnitud de los límites indica la menor diferencia entre dos medias cualesquiera que puedan representar una diferencia estadísticamente significativa. Sólo debe usarse cuando la F-prueba de la tabla ANOVA indique diferencias significativas entre las medias muestrales Tukey HSD ensancha los intervalos para permitir comparaciones múltiples entre todos los pares de medias usando la t de Tukey. Tukey llamó a su procedimiento el de Diferencia Honestamente Significativa ya que controla la tasa de error experimental a α. Si todas las medias son iguales, la probabilidad de declarar a cualquiera de los pares como significativamente diferentes en todo el experimento es igual a α. El procedimiento de Tukey es más conservador que el procedimiento LSD de Fisher, pues hace más difícil declarar cualquier par particular de medias como significativamente diferentes. Scheffe diseñado para permitir la estimación de todos los posibles contrastes entre las medias muestrales (no solo en comparaciones por pares). Usa una múltiple relacionada con la distribución F. En esta instancia, es probable que el procedimiento sea muy conservador, pues sólo se están estimando pares. Bonferroni diseñado para permitir la estimación de cualquier número preseleccionado de contrastes. Estos límites son usualmente más anchos que los de Tukey cuando se hacen todas las comparaciones por pares. Student-Newman-Keuls A diferencia de los métodos previos, éste no crea intervalos para las diferencias por pares. En vez de eso, ordena las medias en orden creciente y luego comienza a separarlas en grupos de acuerdo a valores del rango distribución Studentizada. Eventualmente, las medias se separan en grupos homogéneos en los que no hay diferencias significativas. Duncan similar al procedimiento Student-Newman-Keuls, excepto que usa un valor crítico distinto al rango de la distribución Studentizada al definir los grupos homogéneos. Una discusión detallada de los procedimientos de Duncan y de Student-Newman-Keuls la dan Milliken y Johnson (1992) Esto sólo debe usarse cuando la F-prueba en la tabla ANOVA indique diferencias significativas entre las medias muestrales. La probabilidad de hacer un error Tipo I α aplica a cada par de medias de manera separada. Si se hace más de una comparación, la probabilidad total de llamar al menos a un par de medias significativamente diferentes cuando no lo son puede ser considerablemente mayor que α. La elección entre un procedimiento LCD y uno de múltiples comparaciones como el HSD de Tukey debe depender del costo relativo de hacer un error Tipo I (llamar diferentes a un par de medias que realmente no lo son) contra el costo de hacer un error Tipo II (no llamar diferentes a un par de medias que sí lo sean). En las primeras etapas de una investigación, tal vez uno no quiera ser tan conservador como cuando ya se han hecho las verificaciones finales 2006 por StatPoint, Inc. ANOVA Multifactorial - 11
12 Tabla de Medias Esta tabla despliega las medias de mínimos cuadrados para cada nivel de los factores y para pares de niveles de cualquier interacción bifactorial incluida. Cada media se muestra junto a su error estimado estándar y un intervalo de confianza: Tabla de Medias por Mínimos Cuadrados para minutos con intervalos de confianza del 95.0 % Error Límite Límite Nivel Casos Media Est. Inferior Superior MEDIA GLOBAL grasa corporal alta baja sexo femenino masculino fumador pesado ligero ninguno grasa corporal por fumador alta,pesado alta,ligero alta,ninguno baja,pesado baja,ligero baja,ninguno Panel de Opciones Nivel de Confianza: el nivel de confianza asociado a cada intervalo por StatPoint, Inc. ANOVA Multifactorial - 12
13 Gráfica de Medias Las medias de nivel pueden graficarse junto a intervalos de incertidumbre- Medias y 95.0% de Fisher LSD minutes high body fat low El tipo de intervalo desplegado depende de las configuraciones del Panel de Opciones. Si todos los tamaños de muestra son los mismos (o cercanos), el analista puede determinar cuáles medias son significativamente diferentes de cuáles otras usando los procedimientos LSD, Tukey, Scheffe o Bonferroni simplemente viendo si un par de intervalos se traslapan en dirección vertical o no. Un par de intervalos que no se traslapan indica una diferencia estadísticamente significativa entre las medias al nivel de confianza seleccionado. En este caso, note que el intervalo para alta grasa corporal no se traslapa con el intervalo de baja grasa corporal, indicando una diferencia estadísticamente significativa entre las medias a esos dos niveles. Panel de Opciones 2006 por StatPoint, Inc. ANOVA Multifactorial - 13
14 Intervalos: el método usado para construir los intervalos. Factor: el factor a graficarse. Nivel de Confianza: el nivel de confianza asociado a cada intervalo. Los tipos de intervalos que pueden ser seleccionados. Intervalos de Confianza despliega intervalos de confianza para las medias de nivel usando el error cuadrático medio de la tabla ANOVA. Intervalos LSD diseñados para comparar cualquier par de medias con el nivel de confianza establecido. Intervalos HSD Tukey diseñados para comparar todos los pares de medias. El nivel de confianza establecido aplica para toda la familia de comparaciones par a par. Intervalos Scheffe diseñados para comparar todos los contrastes. No son muy relevantes aquí. Intervalos Bonferroni diseñados para comparar un número seleccionado de contrastes. Los intervalos de Tukey son usualmente más ajustados. Gráfica de Interacción Cuando existan una o más interacciones significativas, deben examinarse juntas usando la Gráfica de Interacción. Gráfico de Interacciones body fat high low 26 minutes heavy light none smoking La gráfica de interacción despliega las medias por mínimos cuadrados en todas las combinaciones de dos factores. Si los factores no interactúan, las líneas en la gráfica deben ser aproximadamente paralelas. Si no, entonces el efecto de un factor depende del nivel de otro, que es la definición de interacción por StatPoint, Inc. ANOVA Multifactorial - 14
15 Note que el efecto de fumador es mucho mayor en individuos con baja grasa corporal que en aquellos con alta grasa corporal. Panel de Opciones Intervalo el tipo de intervalo (si hay) a ponerse alrededor de cada media. Nivel de Confianza el nivel de confianza del intervalo. Interacción la interacción a graficarse. Se desplegará un punto mostrando el valor medio predicho para cada combinación de factores en la interacción seleccionada. Graficar en Ejes el factor de la interacción seleccionada que será utilizada para definir el eje horizontal. Líneas separadas se retirarán de cada nivel del otro factor. Ejemplo Gráfica de Interacción con Intervalos Tukey Añadir intervalos Tukey HSD permite una comparación por pares entre las seis combinaciones de fumador y grasa corporal: 2006 por StatPoint, Inc. ANOVA Multifactorial - 15
16 minutes Interacciones y 95.0% de Tukey HSD smoking heavy light none 11 high body fat low Examinando el traslape de los intervalos, tres grupos homogéneos son identificables: Grupo 1: individuos no-fumador, baja grasa corporal, cuyos tiempos en la prueba son significativamente más largos que los de los demás individuos. Grupo 2: individuos ligero-fumador, baja grasa corporal, cuyos tiempos en la prueba son menores que los del Grupo 1, pero significativamente mayores que los de otros. Grupo 3: los demás. Note que todos sus intervalos se traslapan, indicando que no hay diferencias estadísticamente significativas entre los individuos restantes. Gráficas de Residuales Como en todo modelo estadístico, es una buena costumbre examinar los residuales. Los residuales son iguales a los datos observados menos los valores predichos por el modelo estadístico subyacente. El procedimiento ANOVA Multifactorial crea 3 gráficas de residuales: 1. contra nivel de factor. 2. contra valor predicho. 3. contra número de observación. Residuales contra Nivel de Factor Esta gráfica es de ayuda para visualizar cualquier diferencia en la variabilidad de varios niveles de un factor por StatPoint, Inc. ANOVA Multifactorial - 16
17 Gráfico de Residuos para minutes 8 5 residuos heavy light none smoking El residual promedio de cada nivel es igual a 0. Panel de Opciones Factor: factor a desplegarse en el eje horizontal. Residuales contra Predicho Esta gráfica es de ayuda para detectar cualquier heteroescedasticidad en los datos. 8 Gráfico de Residuos para minutes 5 residuos predichos 2006 por StatPoint, Inc. ANOVA Multifactorial - 17
18 La heteroescedasticidad ocurre cuando la variabilidad de los datos cambia como lo hace la media, y puede necesitarse transformar los datos antes de realizar el ANOVA. Usualmente es evidenciado por un patrón de forma de embudo en la gráfica de residuales. Residuales contra Observación Esta gráfica muestra los residuales contra el número de fila en la hoja de datos: 8 Gráfico de Residuos para minutes 5 residuos número de fila Si los datos se arreglan en orden cronológico, cualquier patrón de los datos puede indicar una influencia exterior. No es evidente ningún patrón así en la gráfica de arriba por StatPoint, Inc. ANOVA Multifactorial - 18
19 Guardar Resultados Los siguientes resultados pueden guardarse en la hoja de datos: 1. Recuentos por Nivel el número de observaciones a cada nivel de los factores y a cada par de factores. 2. Medias por Nivel la respuesta media a cada nivel de factores y a cada par de factores. 3. Errores Estándar por Nivel el error estándar a cada nivel de factores. 4. Medias de Mínimos Cuadrados la media por mínimos cuadrados a cada nivel de factores. 5. Residuos los n residuales. Cálculos Modelo Estadístico Para ajustar un modelo a los datos, STATGRAPHICS construye una matriz de n por p de variables X independientes. La matriz incluye: Una columna de 1 s para representar una constante. Variables indicatrices para cada factor. Para un factor con k niveles, k 1 variables indicatrices se construyen. La j-ésima variable indicadora para un factor contiene el valor 1 para cada observación igual al j-ésimo nivel del factor, -1 para cada observación igual al k- ésimo nivel y 0 para cualquier otro caso. Una columna conteniendo los valores de cada covariación, si hay. Productos cruz de las variables indicadoras y las columnas covariadas para representar cualquier interacción. Entonces se ajusta un modelo usando estimación lineal de mínimos cuadrados: 1 ˆβ = ( X X ) X Y (2) Medias por Mínimos Cuadrados Las medias por mínimos cuadrados son la respuesta predicha Yˆ 1 p = X p ( X X ) X Y (3) donde X p es el vector de variables independientes en las que cada variable indicadora correspondiente a factores no incluidos en el efecto especificado se fija a 0 y cada covariación se fija a su nivel medio observado por StatPoint, Inc. ANOVA Multifactorial - 19
20 Errores Estándar Estimados a partir de STATGRAPHICS Rev. 4/d/yyyy s. e. p 1 = X MSE( X X ) X (4) p p donde MSE es igual al error cuadrático medio en la tabla ANOVA. Procedimientos de Comparaciones Múltiples Vea la documentación ANOVA de una vía por StatPoint, Inc. ANOVA Multifactorial - 20
Diseño de Experimentos Diseños para Varios Factores Categóricos
Diseño de Experimentos Diseños para Varios Factores Categóricos Resumen La selección de Diseños para Varios Factores Categóricos sobre el menú Crear Diseño construye diseños experimentales para situaciones
Más detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
Más detallesSnapstat: Comparación de Varias Muestras
Snapstat: Comparación de Varias Muestras Resumen La Comparación de Varias Muestras en SnapStat crea un resumen de una página que compara dos o más muestras independientes de datos. Incluye pruebas para
Más detallesDiseño de Experimentos Diseños de un Solo Factor Categórico
Diseño de Experimentos Diseños de un Solo Factor Categórico Resumen La selección de Diseños de un Solo Factor Categórico sobre el menú de Crear un Diseño crea diseños experimentales para situaciones donde
Más detallesComparación de Varias Muestras
Comparación de Varias Muestras Resumen El procedimiento de Comparación de Varias Muestras está diseñado para comparar dos o más muestras independientes de datos variables. Se hacen pruebas para determinar
Más detallesGráfico de Control T-Cuadrada Multivariada
Gráfico de Control T-Cuadrada Multivariada STATGRAPHICS Rev. 25/04/2007 Resumen El procedimiento Gráfico de Control T-Cuadrada Multivariada crea diagramas de control para dos o más variables numéricas.
Más detallesGráfico de Desgaste de Herramientas
Gráfico de Desgaste de Herramientas Resumen El procedimiento Gráfico de Desgaste de Herramientas crea cuadros de control para una sola variable numérica donde se espera que cambien las cantidades en un
Más detallesAjustando Curva SnapStat
STATGRAPHICS Rev. 9/14/26 Ajustando Curva SnapStat Resumen El procedimiento Ajustando Curva SnapStat crea un resumen de una pagina que describe la relación entre un solo factor cuantitativo X y una variable
Más detallesGráfico de Medias Móviles (MA)
Gráfico de Medias Móviles (MA) Resumen El procedimiento Gráfico de Medias Móviles crea cuadros de control para una sola variable numérica donde los datos se han recolectado ya sea individualmente o en
Más detallesAnálisis Probit. StatFolio de Ejemplo: probit.sgp
STATGRAPHICS Rev. 4/25/27 Análisis Probit Resumen El procedimiento Análisis Probit está diseñado para ajustar un modelo de regresión en el cual la variable dependiente Y caracteriza un evento con sólo
Más detallesExactitud y Linearidad del Calibrador
Exactitud y Linearidad del Calibrador Resumen El procedimiento Exactitud y Linearidad del Calibrador fue diseñado para estimar la exactitud del sistema de medición. En contraste con los procedimientos
Más detallesRegresión en Cadena. StatFolio de Ejemplo: ridge reg.sgp
Regresión en Cadena Resumen El procedimiento Regresión en Cadena está diseñado para ajustar un modelo de regresión múltiple cuando las variables independientes exhiben multicolinealidad. Multicolinealidad
Más detallesMétodo ANOVA (Estudio del Calibrador Variables)
Método ANOVA (Estudio del Calibrador Variables) STATGRAPHICS Rev. 9/14/006 Resumen El Método ANOVA estima la repetibilidad y reproducibilidad de un sistema de medición basándose sobre un estudio en el
Más detallesEstadísticas por Filas
Estadísticas por s Resumen El procedimiento Estadísticas por s calcula estadísticas para datos en filas de la hoa de datos. Esto contrasta con la mayoría de los procedimientos de STATGRAPHICS que esperan
Más detallesComparación de dos Muestras - SnapStat
Comparación de dos Muestras - SnapStat Resumen La Comparación de Dos Muestras usando SnapStat crea un resumen de una página que compara dos muestras independientes de datos de variables. Calcula estadísticos
Más detallesGráficos X-Bar y S. StatFolio de Muestra: xbarschart.sgp
Gráficos X-Bar y S Resumen El procedimiento Gráficos X-Bar y S crea gráficos de control para una simple variable numérica cuando los datos han sido recabados en subgrupos. Crea un Gráfico X-bar para monitorear
Más detallesModelos de Calibración
Modelos de Calibración Resumen El procedimiento Modelos de Calibración esta diseñado para construir un modelo estadístico que describe la relación entre variables, X y Y, donde construir un modelo es construir
Más detallesMétodo del Rango y Promedio (Estudio del Calibrador - Variables)
STATGRAPHICS Rev. 9/14/006 Método del Rango y Promedio (Estudio del Calibrador - Variables) Resumen El Método del Rango y Promedio estima la repetibilidad y reproducibilidad de un sistema de medición basado
Más detallesSelección Diseño de Cribado
Selección Diseño de Cribado Resumen La sección diseño experimental del STATGRAPHICS puede crear una amplia variedad de diseños dirigidos a mostrar los factores más importantes que afectan un proceso. Se
Más detallesDiseño de Experimentos Diseño de Componentes de la Varianza
Diseño de Experimentos Diseño de Componentes de la Varianza Resumen La selección del Diseño de Componentes de la Varianza sobre el menú Crear Diseño construye experimentos diseñados para cuantificar la
Más detalles4. DISEÑOS MULTIFACTORIALES O FACTORIALES
4. DISEÑOS MULTIFACTORIALES O FACTORIALES 4.1 PRINCIPIOS Y DEFINICIONES BASICAS Los arreglos factoriales se utilizan cuando en una investigación se pretende estudiar simultáneamente la influencia del cambio
Más detallesGrafico Cusum (Mascara-V)
Grafico Cusum (Mascara-V) Resumen Los gráficos de sumas acumulativas monitorean datos por variables graficando las sumas acumulativas de las desviaciones al valor objetivo. Esto lo hace, incorporando la
Más detallesAnálisis de Capacidad Multivariada
Análisis de Capacidad Multivariada Resumen El procedimiento Análisis de Capacidad Multivariada determina la probabilidad de que los puntos caracterizados por dos o más variables se encuentren establecidos
Más detalles2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS)
2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) La idea principal en este capitulo es el inicio a planear los diseño experimentales y su correspondiente análisis estadístico. En este caso iniciaremos
Más detallesMétodo del Rango (Estudio del Calibrador Variables)
Método del Rango (Estudio del Calibrador Variables) STATGRAPHICS Rev. 9/14/006 Resumen El Método del Rango calcula una estimación aproximada de la repetibilidad y reproducibilidad combinada para un sistema
Más detallesMétodo Teoría de la Señal (Estudio del Calibrador Atributos)
Método Teoría de la Señal (Estudio del Calibrador Atributos) Resumen El Método Teoría de la Señal cuantifica la incertidumbre de un sistema de medición donde las observaciones consisten de atributos en
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Métodos complementarios al análisis de varianza Comparaciones múltiples Comparación o pruebas de rangos múltiples Después de que se rechazó la hipótesis
Más detallesTransformaciones de Box-Cox
Transformaciones de Box-Cox Resumen El procedimiento para las Transformaciones de Box-Cox es diseñado para determinar una transformación optima para Y mientras se estima un modelo de regresión lineal.
Más detallesRegresión Polinomial. StatFolio de Ejemplo: polynomial reg.sgp
Regresión Polinomial Resumen El procedimiento Regresión Polinomial está diseñado para construir una modelo estadístico que describa el impacto de un solo factor cuantitativo X en una variable dependiente
Más detallesMPG City (MPG en Ciudad)
Gráfica de Matriz Resumen El procedimiento Gráfica de Matriz crea gráficas de matriz para 3 o más variables numéricas. La diagonal de la matriz contiene gráficas de caja y bigotes para cada variable. Las
Más detalles5. DISEÑO FACTORIALES 2 k
5. DISEÑO FACTORIALES 2 k Los diseños factoriales son ampliamente utilizados en experimentos en los que intervienen varios factores para estudiar el efecto conjunto de éstos sobre una respuesta. Un caso
Más detallesAnálisis de Subconjuntos
Análisis de Subconuntos Resumen El procedimiento de Análisis de Subconuntos calculará estadísticos para datos en una simple columna numérica cuando se agrupan en subconuntos definidos por los identificadores
Más detallesMétodo de Análisis del Riesgo (Estudio del Calibrador Atributos)
Método de Análisis del Riesgo (Estudio del Calibrador Atributos) Resumen El Método de Análisis del Riesgo cuantifica la incertidumbre de un sistema de medición donde las observaciones consisten de atributos
Más detallesGráfico Múltiple de Caja y Bigotes
Gráfico Múltiple de Caa y Bigotes Resumen El procedimiento Gráfico Múltiple de Caa y Bigotes crea un gráfico diseñado para ilustrar Características importantes de una columna de datos numéricos cuando
Más detallesEjemplo Diseño Completamente aleatorizado (Pág. 470 Montgomery)
Ejemplo Diseño Completamente aleatorizado (Pág. 47 Montgomery) ) Representación gráfica de los datos mediante diagramas de caja Resumen del procesamiento de los casos Tension del papel (psi) Casos Válidos
Más detallesGráficos EWMA. Ejemplo StatFolio: ewmachart.sgp
Gráficos EWMA Resumen El procedimiento del Gráfico EWMA (Exponentially Weighted Moving Average - Promedios Móviles Exponencialmente Ponderados) construye un gráfico de control para una sola variable numérica
Más detallesTransformaciones de Potencia
Transformaciones de Potencia Resumen El procedimiento Transformaciones de Potencia está diseñado para definir una transformación normalizadora para una columna de observaciones numéricas que no provienen
Más detallesGráfico de Probabilidad Normal
Gráfico de Probabilidad Normal Resumen El Gráfico de Probabilidad Normal se usa para ayudar a juzgar si una muestra de datos numéricos proviene o no de una distribución normal. De no ser el caso, frecuentemente
Más detallesGrafico de Cajas y Bigotes
Grafico de Cajas y Bigotes Resumen El procedimiento del Gráfico de Cajas y Bigotes crea un gráfico diseñado para ilustrar propiedades importantes de una columna de datos numérica. El primero en describirlo
Más detallesMínimos Cuadrados Parciales
Mínimos Cuadrados Parciales Resumen El procedimiento Mínimos Cuadrados Parciales (PLS Partial Least Squares) está diseñado para construir un modelo estadístico que relaciona múltiples variables independientes
Más detallesCorrelaciones Canónicas
STATGRAPHICS Rev. 9/14/006 Correlaciones Canónicas Resumen El procedimiento Correlaciones Canónicas esta diseñado para ayudar a identificar asociaciones entre dos conjuntos de variables. Esto lo hace encontrando
Más detallesDiseño de experimentos - Experimentos multifactoriales.
Diseño de experimentos - Experimentos multifactoriales http://www.academia.utp.ac.pa/humberto-alvarez/diseno-deexperimentos-y-regresion Introducción Los casos anteriores explicaban los diseños en bloques
Más detallesSupuestos y comparaciones múltiples
Supuestos y comparaciones múltiples Diseño de Experimentos Pruebas estadísticas Pruebas de bondad de ajuste Prueba de hipótesis para probar si un conjunto de datos se puede asumir bajo una distribución
Más detallesHistogramas. Ejemplo StatFolio: histogram.sgp
s Resumen El ilustra la distribución de lo valores de una variable numérica agrupando los datos en intervalos y graficando barras en las cuales la altura es proporcional al numero de observaciones en cada
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesClave Lab 7- Experimentos con dos Factores
Clave Lab 7- Experimentos con dos Factores 1. Se realizó un experimento para estudiar los efectos de tres niveles de ácido sórbico (0, 100 y 200 ppm) y seis niveles de actividad de agua (AW) en la supervivencia
Más detallesMétodo Analítico (Estudio del Calibrador Atributos)
Método Analítico (Estudio del Calibrador Atributos) STATGRAPHICS Rev. 9/4/2006 Resumen El Método Analítico estima la repetibilidad y sesgo de un sistema de medición donde las observaciones consisten de
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesDiagrama de Barras Múltiple
Múltiple El procedimiento Múltiple grafica dos o más columnas de totales o frecuencias ya sea utilizando barras horizontales o verticales. Si lo desea, pueden agregarse barras de error para desplegar el
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detallesTEMA 10 COMPARAR MEDIAS
TEMA 10 COMPARAR MEDIAS Los procedimientos incluidos en el menú Comparar medias permiten el cálculo de medias y otros estadísticos, así como la comparación de medias para diferentes tipos de variables,
Más detallesAnálisis de Capabilidad (Porcentaje Defectuoso)
Análisis de Capabilidad (Porcentaje Defectuoso) STATGRAPHICS Rev. 9/4/2006 Este procedimiento esta diseñado para estimar el porcentaje de artículos defectuosos en una población basándose en muestra de
Más detallesIdeas básicas del diseño experimental
Ideas básicas del diseño experimental Capítulo 4 de Analysis of Messy Data. Milliken y Johnson (1992) Diseño de experimentos p. 1/23 Ideas básicas del diseño experimental Antes de llevar a cabo un experimento,
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesEste procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros:
STATGRAPHICS Re. 4/d/yyyy Pruebas de Hipótesis (Una Muestra) Este procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros: 1. la media μ de una distribución normal.. la desiación
Más detallesComparación de Líneas de Regresión
Comparación de Líneas de Regresión Resumen El procedimiento de Comparación de Líneas de Regresión esta diseñado para comparar líneas de regresión relacionas con Y y X en dos o mas niveles de un factor
Más detallesTipo de punta (factor) (bloques)
Ejemplo Diseño Bloques al Azar Ejercicio -6 (Pág. 99 Montgomery) Probeta Tipo de punta (factor) (bloques) 9. 9. 9.6 0.0 9. 9. 9.8 9.9 9. 9. 9.5 9.7 9.7 9.6 0.0 0. ) Representación gráfica de los datos
Más detallesDiseño de Experimentos Optimización de Múltiples Respuestas
Diseño de Experimentos Optimización de Múltiples Respuestas Resumen La selección de Optimización de Múltiples Respuestas sobre el menú DDE permite al experimentador determinar las configuraciones de los
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 12 REGRESIÓN LINEAL Mediante la regresión lineal se busca hallar la línea recta que mejor explica la relación entre unas variables independientes o variables de exposición y una variable dependiente
Más detallesElaborado por: Pelay, C. y Pérez, J. Prueba t para muestras independientes
Prueba t para muestras independientes 1 El procedimiento Prueba t para muestras independientes compara las medias de dos grupos de casos. Para esta prueba, idealmente los sujetos deben asignarse aleatoriamente
Más detallesDESCRIPCIÓN DE DATOS POR MEDIO DE GRÁFICAS
ÍNDICE Introducción: Entrene su cerebro para la estadística... 1 La población y la muestra... 3 Estadísticas descriptivas e inferenciales... 4 Alcanzar el objetivo de estadísticas inferenciales: los pasos
Más detallesDiseño de Experimentos Diseños Factoriales Multinivel
Diseño de Experimentos Diseños Factoriales Multinivel STATGRAPHICS Rev. 9/14/2006 Resumen Los Diseños Factoriales Multinivel son usados para estudiar efectos con q factores cuantitativos. El usuario empieza
Más detallesSnapStat: Análisis de Una Muestra
SnapStat: Análisis de Una Muestra Resumen La SnapStat Análisis de Una Muestra crea un resumen en una hoja de una sola columna de datos numéricos. Calcula estadísticas de resumen e intervalos de confianza,
Más detallesRegresión No Lineal. StatFolio de ejemplo: nonlinear reg.sgp
Regresión No Lineal Resumen El procedimiento Regresión No Lineal ajusta una función especificada por el usuario relacionando una sola variable dependiente Y con una o más variables independientes X. El
Más detalles4 Análisis de Varianza
4 Análisis de Varianza 4. Análisis de Varianza e.4.1. Quiénes obtienen mejores resultados en Matemáticas, los estudiantes que viven en zonas rurales, en pequeñas ciudades, en ciudades medias o en grandes
Más detallesAnálisis de Tendencia de los Costos de Calidad
Análisis de Tendencia de los Costos de Calidad STATGRAPHICS Rev. 9/14/2006 Resumen El Análisis de Tendencia de los Costos de Calidad ilustra los costos de una calidad pobre construyendo un grafico que
Más detallesSimulación a Eventos Discretos. Clase 8: Análisis de resultados
Simulación a Eventos Discretos Clase 8: Análisis de resultados Muestras independientes Los resultados de una corrida de una simulación estocástica (denominados respuestas), son muestras de alguna distribución.
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesGráficos de Probabilidad
Gráficos de Probabilidad Resumen El procedimiento Gráficos de Probabilidad grafica los datos de una sola columna numérica en gráficas con una escala específica tal que, si los datos provienen de una distribución
Más detallesMétodos de Diseño y Análisis de Experimentos
1 / 28 Métodos de Diseño y Análisis de Experimentos Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM marzo 2018 Ideas básicas del diseño experimental Capítulo 4 de Analysis
Más detallesGráfico de Control de Aceptación
Gráfico de Control de Aceptación Resumen El procedimiento de Gráfico de Control de Aceptación crea gráficos de control con límites de control modificados basándose en la desviación estándar del proceso
Más detallesPrueba t para muestras independientes
Prueba t para muestras independientes El procedimiento Prueba t para muestras independientes compara las medias de dos grupos de casos. Para esta prueba, idealmente los sujetos deben asignarse aleatoriamente
Más detallesDr. Abner A. Fonseca Livias
UNIVERSIDAD NACIONAL HERMILIO VALDIZAN FACULTAD DE ENFERMERÍA Dr. Abner A. Fonseca Livias 3/21/2015 6:17 AM Dr. Abner Fonseca Livias 1 UNIVERSIDAD NACIONAL HERMILIO VALDIZAN ESCUELA DE POST GRADO Dr. Abner
Más detallesDISEÑO Y ANÁLISIS DE DATOS II. PRIMER PARCIAL. NOVIEMBRE 2016.
DISEÑO Y ANÁLISIS DE DATOS II. PRIMER PARCIAL. NOVIEMBRE 016. Problema 1.- En una determinada investigación se estudia el efecto del tipo de ejercicio (, andar y ) y tipo de dieta (poca grasa y mucha grasa)
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detallesGráfico ARIMA. Ejemplo StatFolio: ARIMA charts.sgp
Gráfico ARIMA Resumen El procedimiento del Gráfico ARIMA (AutoRegressive Integrated Moving Average - Promedio Móvil Integrado Auto-Regresivo) crea gráficos de control para una sola variable numérica donde
Más detalles14 horas. 20 horas
EJERCICIOS PROPUESTOS ANALISIS DE VARIANZA. Se realiza un ANOVA para comparar el tiempo que demora en aliviar el dolor de cabeza de varios tipos de analgésicos. Se obtiene como resultado un test observado
Más detallesEstadística III (P33) Exam, Tipo: A
21 de Enero de 2000 Responde a las siguientes preguntas sobre papel ordinario, de forma breve y concisa. Al entregar tu exámen, has de entregar también la Tarea 10, que no fue posible finalizar en periodo
Más detallesGráfico X-Y-Z. StatFolio de Muestra: xyzplot.sgp
Gráfico X-Y-Z Resumen El procedimiento Gráfica X-Y-Z grafica los datos en tres columnas numéricas para ilustrar la relación entre ellos. Los puntos pueden ser codificados de acuerdo con el valor de una
Más detallesRegresión polinomial y factores
Capítulo Regresión polinomial y factores.. Regresión polinomial Si una función media tiene un predictor X pueden usarse sus potencias enteras para aproximar E (Y X). El caso más simple es la regresión
Más detallesCLAVE - LAB 4 - Determinación de Tamaño Muestral y Comparaciones Múltiples
Potencia Revisado_febrero_2016_LWB/CL CLAVE - LAB 4 - Determinación de Tamaño Muestral y Comparaciones Múltiples 1. Considere el problema 2 del laboratorio 2. Se está planificando realizar de nuevo este
Más detallesDISEÑOS EXPERIMENTALES DE DOS GRUPOS Y MULTIGRUPO
TEMA II ESQUEMA GENERAL Definición y clasificación del diseño experimental de grupos Diseño experimental de dos grupos: definición y clasificación Diseño experimental de dos grupos: análisis estadístico
Más detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesAplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas
Aplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento Centro 1 Estadística e Investigación
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detalles7. De acuerdo con la gráfica siguiente, el contraste estadístico es:
1. Un investigador desea saber si los hombres y las mujeres difieren en flexibilidad cognitiva. Para ello, analiza los datos y obtienen los siguientes resultados. Satisfacen los datos el supuesto de homocedasticidad?
Más detallesDiseño de Experimentos. Diseños Factoriales
Diseño de Experimentos Diseños Factoriales Luis A. Salomón Departamento de Ciencias Matemáticas Escuela de Ciencias, EAFIT Luis A. Salomón (EAFIT) Inspira Crea Transforma Curso 2016 Índice 1 Introducción
Más detallesAnálisis de regresión y correlación lineal
Análisis de regresión y correlación lineal En las unidades anteriores hemos aplicado metodologías estadísticas para analizar la información de una variable desde una o más muestras utilizando las herramientas
Más detallesPRÁCTICA: ESTADÍSTICA DESCRIPTIVA CON SPSS 1
ESTADÍSTICA CURSO 2012/2013 GRADO EN BIOLOGÍA PRÁCTICA: ESTADÍSTICA DESCRIPTIVA CON SPSS 1 1. Introducción El programa estadístico SPSS está organizado en dos bloques: el editor de datos y el visor de
Más detallesRegresión ponderada y falta de ajuste
Capítulo 4 Regresión ponderada y falta de ajuste 4.1. Introducción En este capítulo se presentan la regresión ponderada y la prueba de falta de ajuste como un conjunto adicional de herramientas usadas
Más detalles3 ANALISIS DESCRIPTIVO DE LOS DATOS
3 ANALISIS DESCRIPTIVO DE LOS DATOS 3.1 La tabulación de los datos 3.1.1 Tabla de distribución de frecuencias. 3.1.2 El histograma. 3.2 Medidas de tendencia central 3.2.1 La media. 3.2.2 La mediana. 3.2.3
Más detallesTabulación Cruzada. Sample StatFolio: crosstabulation.sgp
Tabulación Cruzada El procedimiento de Tabulación Cruzada esta diseñado para resumir dos columnas de datos. Esta construye una tabla de dos-caminos mostrando las frecuencias de ocurrencia de cada uno de
Más detallesParámetros Estadísticos básicos, Resumen y Presentación de datos. Jhon Jairo Padilla, PhD.
Parámetros Estadísticos básicos, Resumen y Presentación de datos Jhon Jairo Padilla, PhD. Motivación Los resúmenes y las representaciones de datos son esenciales porque: Enfocan al ingeniero en características
Más detallesAnálisis Estadístico en Simulaciones. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Análisis Estadístico en Simulaciones UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción En una simulación las variables aleatorias son la entrada para
Más detallesINDICE. Capitulo Uno.
INDICE Prefacio XIII Capitulo Uno. 1 Introducción 1.1. Estadística: La ciencia de los datos 2 1.2. Tipos de datos 5 1.3. El papel de la estadística 7 1.4. Resumen 8 Laboratorio de Computación. Introducción
Más detallesGráfico Arrhenius. Ejemplo StatFolio: arrhenius.sgp
Gráfico Arrhenius Resumen El procedimiento del Gráfico Arrhenius se diseña para dibujar datos de una prueba de vida acelerada en la cual se ha registrado los tiempos de falla y se estiman percentiles de
Más detalles