Práctica 9: Anova (2).
|
|
- Daniel Villanueva Piñeiro
- hace 7 años
- Vistas:
Transcripción
1 Práctica 9: Anova (2) Dedicamos esta práctica al estudio de modelos bifactoriales del análisis de la varianza Veremos concretamente diseños bifactoriales con y sin interacción, diseño por bloques al azar y diseño jerarquizados 91) En el archivo Fibrasav se encuentran diversas mediciones del nivel de resistencia de cierta fibra sintética elaborada por 4 máquinas diferentes que son manipuladas por tres operarios Para cada operario y cada máquina se se obtienen 2 mediciones, lo que hace un total de 24 datos Se trata pues de un diseño bifactorial, en principio con interacción Al ejecutar el anova se obtienen los siguientes resultados: Variable dependiente: Resist OPERADOR OPERADOR * 217,458 a 11 19,769 5,214, , , ,462, , ,167 21,143,000 12, ,153 1,095,389 44, ,444 1,963,151 45, , , , a R cuadrado =,827 (R cuadrado corregida =,668) En el apartado operador-máquina se contrasta la nulidad de los parámetros correspondientes a la interacción entre los factores considerados El resultado es no significativo, lo cual puede conducirnos a considerar el modelo sin interacciones, más sencillo Así lo hacemos; tras ejecutar nuevamente el anova, obtenemos lo siguiente: Variable dependiente: Resist OPERADOR 172,792 a 5 34,558 6,899, , , ,332, , ,167 16,004,000 12, ,153,829,495 90, , , a R cuadrado =,657 (R cuadrado corregida =,562) En el apartado máquina se contrasta si la de la variable depende (H1) o no (H0) de dicho factor El resultado no es significativo, por lo que concluimos que no depende Sin embargo, el contraste para el operario sí es significativo Por lo tanto, podríamos concluir que el nivel de resistencia de la fibra depende únicamente del operario que controla la máquina y no de la máquina que lo fabrica En ese caso, correspondería efectuar comparaciones múltiples para los tres operarios El procedimiento de Tuckey aporta los resutados siguientes: Página 1
2 Variable dependiente: Resist (I) OPERADOR (J) OPERADOR Basado en las s observadas * La diferencia de s es significativa al nivel,05 95% (I-J) típ inferior superior -1,2500 1,11907,516-4,1060 1,6060-6,0000* 1,11907,000-8,8560-3,1440 1,2500 1,11907,516-1,6060 4,1060-4,7500* 1,11907,001-7,6060-1,8940 6,0000* 1,11907,000 3,1440 8,8560 4,7500* 1,11907,001 1,8940 7,6060 * Se ha detectado el símbolo,05 donde se esperaba un paréntesis de cierre en el subcomando TEST a,b Resist OPERADOR N , , ,8750,516 0 Se muestran las s para los grupos en subconjuntos homogéneos Basado en la suma de tipo III El término error es la cuadrática () = 9 a Usa el tamaño muestral de la armónica = 8,000 b Alfa =,05 Según estos resultados, el operario nº3 obtiene diferencias significativas a su favor en la resistencia de la fibra fabricada 92) Una empresa desea comparar el consumo medio de cinco modelos de coches en un circuito mixto de 400km Para ello se seleccionaron 4 conductores, conduciendo cada uno de ellos los cinco modelos y contabilizando el consumo Los 20 datos obtenidos se encuentran en el archivo cochessav Se trata de un modelo de bloques al azar Tras aplicar el anova se obtiene lo siguiente: Variable dependiente: y COCHE CONDUCTO 79,768 a 7 11,395 6,093, , , ,663,000 38, ,523 5,092,012 41, ,892 7,428,005 22, , , , a R cuadrado =,780 (R cuadrado corregida =,652) Según se puede ver en los contrastes para coche y conductor, ambos factores son causa de variabilidad, es decir, que influyen en la de la variable Podemos considerar pues comparariones múltiples Veremos las de los coches que son las que realmente interesan: Página 2
3 Variable dependiente: y (I) COCHE (J) COCHE Basado en las s observadas * La diferencia de s es significativa al nivel,05 95% (I-J) típ inferior superior -,4500,96704,989-3,5324 2,6324 1,7500,96704,412-1,3324 4,8324 3,4250*,96704,027,3426 6,5074 1,5500,96704,523-1,5324 4,6324,4500,96704,989-2,6324 3,5324 2,2000,96704,218 -,8824 5,2824 3,8750*,96704,012,7926 6, ,96704,294-1,0824 5,0824-1,7500,96704,412-4,8324 1,3324-2,2000,96704,218-5,2824,8824 1,6750,96704,452-1,4074 4,7574 -,2000, ,2824 2,8824-3,4250*,96704,027-6,5074 -,3426-3,8750*,96704,012-6,9574 -,7926-1,6750,96704,452-4,7574 1,4074-1,8750,96704,349-4,9574 1,2074-1,5500,96704,523-4,6324 1, ,96704,294-5,0824 1,0824,2000, ,8824 3,2824 1,8750,96704,349-1,2074 4,9574 * Se ha detectado el símbolo,05 donde se esperaba un paréntesis de cierre en el subcomando TEST a,b y COCHE N , , , , , , ,3250,349,218 Se muestran las s para los grupos en subconjuntos homogéneos Basado en la suma de tipo III El término error es la cuadrática () = 1,870 a Usa el tamaño muestral de la armónica = 0 b Alfa =,05 Según el método de Tuckey, los modelos 1 y 2 tienen un consumo medio significativamente más alto que el del modelo 4 Por otra parte, hemos de tener en cuenta que el hecho de introducir el factor conductor se debe al propósito de explicar la mayor variabilidad posible Si el conductor explica una parte sustancial de la variabilidad, como sucede en nuestro caso, controlar dicho factor reducirá la varianza del modelo y permitirá una mayor potencia a la hora de contrastar el factor principal De hecho, si no hubiésemos considerado el conductor tendríamos un diseño completamente aleatorizado Tras aplicar el anova corespondiente se concluiría que el modelo de coche no influye en el consumo medio, según se observa debajo Página 3
4 Variable dependiente: y COCHE 38,092 a 4 9,523 2,228, , , ,386,000 38, ,523 2,228,115 64, , , , a R cuadrado =,373 (R cuadrado corregida =,205) 93) Se estudia el grosor (y) del remate de piezas metálicas elaboradas por 4 máquinas diferentes con el objeto de contrastar si existen diferencias significativas entre las s de las distintas máquinas Con el objeto de controlar una posible causa de variabilidad, cada máquina es manipulada por tres operarios, tomándose 2 mediciones para cada uno de ellos Dado que las máquinas se encuentrasn en lugares distantes entre sí, los tríos de operarios asignados a cada máquina son distintos Los 24 datos se muestran el archivo rematesav Se trata pues de un modelo bifactorial jerarquizado Tras aplicar el anova se obtienen los resultados siguientes: Variable dependiente: Y OBRERO * 6435,333 a ,030 6,923, , , ,966, , ,889 14,271, , ,208 4,168, , , , a R cuadrado =,864 (R cuadrado corregida =,739) Tanto el factor principal como el factor subordinado son causas de variabilidad, según los tests Presentamos a continuación las comparaciones múltiples para el factor principal Página 4
5 Variable dependiente: Y (I) (J) Basado en las s observadas * La diferencia de s es significativa al nivel,05 95% (I-J) típ inferior superior -14,5000 5,30723,075-30,2566 1,2566 6,1667 5,30723,660-9, , ,6667* 5,30723,014 3, , ,5000 5,30723,075-1, , ,6667* 5,30723,010 4, , ,1667* 5,30723,000 18, ,9233-6,1667 5,30723,660-21,9233 9, ,6667* 5,30723,010-36,4233-4, ,5000 5,30723,103-2, , ,6667* 5,30723,014-35,4233-3, ,1667* 5,30723,000-49, , ,5000 5,30723,103-29,2566 2,2566 * Se ha detectado el símbolo,05 donde se esperaba un paréntesis de cierre en el subcomando TEST a,b Y N , , , , , ,1667,103,660,075 Se muestran las s para los grupos en subconjuntos homogéneos Basado en la suma de tipo III El término error es la cuadrática () = 84,500 a Usa el tamaño muestral de la armónica = 6,000 b Alfa =,05 94) Se estudia la influencia de la presión y la temperatura en la obtención de cierta sustancia nte un procedimiento químico Para ello se combinan tres niveles de presión con otro tres de temperatura midiéndose por dos veces en cada una de las nueve situaciones posibles la cantidad en gramos de la sustancia en cuestión Los 18 datos obtenidos se encuentran en el archiivo procesosav Se trata nuevamente de un modelo bifactorial con interacción Tras aplicar el anova se obtiene lo siguiente: Página 5
6 Variable dependiente: produccion TEMPERA PRESION TEMPERA * PRESION 1,138 a 8,142 8,000, , , ,1,000,301 2,151 8,469,009,768 2,384 21,594,000,069 4,017,969,470,160 9, , , a R cuadrado =,877 (R cuadrado corregida =,767) Como podemos ver, no se aprecia una interacción significativa entre presión y temperatura, lo cual nos conduce a un modelo sin interacción que ofrece los siguientes resultados: Variable dependiente: produccion TEMPERA PRESION 1,069 a 4,267 15,177, , , ,0,000,301 2,151 8,551,004,768 2,384 21,803,000,229 13, , , a R cuadrado =,824 (R cuadrado corregida =,769) Por lo tanto, tanto la temperatura como la presión influyen en la cantidad del producto obtenido Si queremos saber en qué sentido debemos efectuar las comparaciones múltiples Variable dependiente: produccion (I) temperatura (J) temperatura Basado en las s observadas * La diferencia de s es significativa al nivel,05 95% (I-J) típ inferior superior,1500,07661,162 -,0523,3523,3167*,07661,003,1144,5189 -,1500,07661,162 -,3523,0523,1667,07661,113 -,0356,3689 -,3167*,07661,003 -,5189 -,1144 -,1667,07661,113 -,3689,0356 * Se ha detectado el símbolo,05 donde se esperaba un paréntesis de cierre en el subcomando TEST Página 6
7 a,b produccion temperatura N , , , ,5667,113,162 Se muestran las s para los grupos en subconjuntos homogéneos Basado en la suma de tipo III El término error es la cuadrática () =,018 a Usa el tamaño muestral de la armónica = 6,000 b Alfa =,05 Variable dependiente: produccion (I) PRESION 21 (J) PRESION Basado en las s observadas * La diferencia de s es significativa al nivel,05 95% (I-J) típ inferior superior -,3167*,07661,003 -,5189 -,1144,1833,07661,078 -,0189,3856,3167*,07661,003,1144,5189,5000*,07661,000,2977,7023 -,1833,07661,078 -,3856,0189 -,5000*,07661,000 -,7023 -,2977 * Se ha detectado el símbolo,05 donde se esperaba un paréntesis de cierre en el subcomando TEST a,b produccion PRESION 21 N , , ,6833,078 0 Se muestran las s para los grupos en subconjuntos homogéneos Basado en la suma de tipo III El término error es la cuadrática () =,018 a Usa el tamaño muestral de la armónica = 6,000 b Alfa =,05 La aditividad o ausencia de interacción entre ambos factores se traduce en el paralelismo entre los perfiles de las s, como se aprecia en el siguiente gráfico: Página 7
8 9 90,80 temperatura produccion 90,60 90,40 90,20 90, ,00 21 presion 220, ) Volvamos a considerar los datos correspondientes al archivo Linthurst Datasav Vimos en la prácticca anterior que la covariable acidez del terreno (ph) junto con el factor localización geográfica explicaban de manera bastante satisfactoria la producción de espartina (801%) Un resultado muy similar se obtenía si se consideraba la acidez junto con el factor tipo de vegetación Veamos qué sucede si intentamos explicar la acidez nte los dos factores mencionados (prescindiendo del ph), lo cual supone considerar un diseño bifactorial con interacción y equilibrado: Variable dependiente: Aerial biomass LOC TYPE LOC * TYPE ,000 a ,167, , ,8 689,647, , ,667 6,251, , ,87 83,206, , ,73 19,605, , , , a R cuadrado =,877 (R cuadrado corregida =,850) Como podemos ver, el tipo de vegetación, la localización geográfica y la interaccion entre ambos factores influyen en la producción de espartina Y no sólo eso, pues nte ambos factores se consigue explicar un 877% de la variabilidad total de biomasa, que es lo mejor obtenido hasta el momento Veamos qué pasa si añadimos ph como covariable: Variable dependiente: Aerial biomass PH LOC TYPE LOC * TYPE ,410 a ,38 27,955, , ,038 1,028, , ,410,173, , ,857 4,046, , ,264 10,654, , ,324 6,513, , , , a R cuadrado =,878 (R cuadrado corregida =,846) Podemos apreciar que en presencia de los dos factores, ph deja de ser significativo De hecho el coeficiente de correlación múltiple apenas experimenta crecimiento (el corregido ) De Página 8
9 hecho, podemos comprobar que ambos factores pueden explicar casi perfectamente la acidez del terreno En definitiva, la mejor forma de predecir la producción de biomasa se basa en el conocimiento de la localización geográfica y del tipo de vegetación existente El gráfico siguiente puede ser de utilidad % IC Aerial biomass N = Devegetated Short Tall Localization Oak Island Smith Island Snow s Marsh Types of spartina vegetation Página 9
Práctica 4: Regresión Lineal Múltiple (1).
Práctica : Lineal Múltiple () Esta práctica está dedicada a resolver un problema de Lineal sin atender a ninguna cuestión relativa al cumplimiento de los supuestos del modelo, a la presencia de valores
Más detallesDiseño de experimentos. Introducción
Diseño de experimentos Introducción Objetivo: Introducción Es estudiar la influencia de FACTORES en la RESPUESTA RESPUESTA Variable de interés FACTOR(ES) Pueden ser controlados OTRAS VARIABLES Que pueden
Más detallesPráctica7: Regresión Lineal Múltiple (4)
Práctica7: Regresión Lineal Múltiple (4) Para acabar con el problema de regresión analizaremos mediante una serie de ejemplos la trascendencia uencia que pueden tener en dicho análisis la presencia de
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 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 detallesPRÁCTICA 3. REGRESIÓN LINEAL SIMPLE CON SPSS Ajuste de un modelo de regresión lineal simple Porcentaje de variabilidad explicado
PÁCTICA 3. EGESIÓN LINEAL SIMPLE CON SPSS 3.1. Gráfico de dispersión 3.2. Ajuste de un modelo de regresión lineal simple 3.3. Porcentaje de variabilidad explicado 3.4 Es adecuado este modelo para ajustar
Más detallesTema 18 Análisis de la varianza de un factor (ANOVA) Contraste paramétrico de hipótesis
Tema 18 Análisis de la varianza de un factor () Contraste paramétrico de hipótesis Compara la distribución de una variable continua normal en mas de dos poblaciones (niveles o categorías) Pruebas de contraste
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 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 detallesModelo de Análisis de la Covarianza. Introducción al modelo de Medidas Repetidas
Modelo de Análisis de la Covariza. Introducción al modelo de Medidas Repetidas Modelo de Análisis de la Covariza Introducción El diseño por bloques se considera para eliminar el efecto de los factores
Más detallesEvaluación de Regnum 25 EC en el cultivo de maíz para la producción de grano. Rodolfo Alberto Rubio Chávez. Maíz (Zea mays)
Evaluación de Regnum 25 EC en el cultivo de maíz para la producción de grano. Rodolfo Alberto Rubio Chávez Cadelga Maíz (Zea mays) Científica Objetivos Medir el Efecto Fisiológico AgCelence del Fungicida
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 detallesU ED Tudela Diseños de Investigación y Análisis de Datos - Tema 7
Diseños de Investigación y Análisis de Datos Preguntas de exámenes TEMA 7: A OVA PARA MUESTRAS I DEPE DIE TES (2 FACTORES) 1.- Se dice que un diseño bifactorial es equilibrado si: A) Los grupos tienen
Más detalles1. Estimar el porcentaje de bolsas con peso menor de seis kilos suministrado por el mayorista.
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Hoja 6, curso 2006 2007. Ejercicio 1 (Junio 2006, técnicos). Si el intervalo de confianza al 95 % para la media de
Más detallesPreguntas más Frecuentes: Tema 8
Preguntas más Frecuentes: Tema 8 Pulse sobre la pregunta para acceder directamente a la respuesta 1. En el ejemplo 8.1, por qué se escoge n =?. En el ejemplo 8.1, si n fuera igual a 3 habría que obtener
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 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 detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesANOVA. Análisis de la Varianza. Univariante Efectos fijos Muestras independientes
ANOVA Análisis de la Varianza Univariante Efectos fijos Muestras independientes De la t a la F En el test de la t de Student para muestras independientes, aprendimos como usar la distribución t para contrastar
Más detallesProblemas Propuestos de Análisis de la Varianza
Problemas Propuestos de Análisis de la Varianza EXPERIMENTOS DE UN FACTOR 4.1 La Tabla 4.1 da las producciones en quintales por hectárea de una cierta variedad de trigo que crece en terrenos tratados con
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesEstadística; 3º CC. AA. Examen final, 23 de enero de 2009
Estadística; 3º CC. AA. Examen final, 3 de enero de 9 Apellidos Nombre: Grupo: DNI. (5 ptos.) En un estudio sobre las variables que influyen en el peso al nacer se han obtenido utilizando SPSS los resultados
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 detallesAVISOS. Diseño Factorial 30/03/2015. Bioestadística II. Diseño Factorial. El miércoles 1 Abril no hay clases de BIO II
Facultad de Ciencias EYactas, Físicas y Naturales Universidad Nacional de Córdoba AVISOS Bioestadística II 2015 El miércoles 1 Abril no hay clases de BIO II http://estadisticaybiometria.wordpress.com seguir
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesMÉTODOS Y DISEÑOS EXPERIMENTALES
MÉTODOS Y DISEÑOS EXPERIMENTALES 1. EL MÉTODO EXPERIMENTAL Es el método experimental por experiencia cuyo objetivo esencial es la identificación de causas y la evaluación de sus efectos. 1.1.EXPERIMENTO
Más detallesCONTRASTES DE HIPÓTESES
CONTRASTES DE IPÓTESES 1. Contraste de hipótesis 2. Contrastes de tipo paramétrico 2.1 Contraste T para una muestra 2.2 Contraste T para dos muestras independientes 2.3 Análisis de la varianza 3. Contrastes
Más detalles9.- Análisis estadísticos con R Commander
Tipos de datos - Cuantitativos: se expresan numéricamente. - Discretos: Toman valores numéricos aislados - Continuos: Toman cualquier valor dentro de unos límites dados - Categóricos o Cualitativos: No
Más detallesDiseño de bloques completos Aleatorizados. Jhon Jairo Padilla Aguilar, PhD.
Diseño de bloques completos Aleatorizados Jhon Jairo Padilla Aguilar, PhD. Introducción Factor perturbador: Factor del diseño que probablemente tenga un efecto sobre la respuesta, pero no existe un interés
Más detalles1. Realice la prueba de homogeneidad de variancias e interprete los resultados.
1ª PRÁCTICA DE ORDENADOR (FEEDBACK) Un investigador pretende evaluar la eficacia de dos programas para mejorar las habilidades lectoras en escolares de sexto curso. Para ello asigna aleatoriamente seis
Más detallesDepartamento de Ciencias del Mar y Biología Aplicada Prof. Jose Jacobo Zubcoff
Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Prof. Jose Jacobo Zubcoff Tema 5 Modelos de dos factores-tratamiento. Se continua trabajando
Más detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detallesEl diseño factorial: efecto de la interacción. (Modelo no aditivo)
El diseño factorial: efecto de la interacción (Modelo no aditivo) La comprensión de los fenómenos psicológicos supone en muchas ocasiones analizar el efecto conjunto de varias variables dado que sólo su
Más detalles7. Medidas de Dispersión
ESTADÍSTICA APLICADA 7 Medidas de Dispersión 7 Medidas de Dispersión En el análisis estadístico no basta el cálculo e interpretación de las medidas de tendencia central o de posición, ya que, por ejemplo,
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 detallesRegresión con efecto interactivo
4 Regresión con efecto interactivo. Introducción El modelo de regresión múltiple tratado previamente supone la independencia de efectos de las diferentes variables predictoras, En este sentido, es un modelo
Más detallesCONTRASTES NO PARAMÉTRICOS
CONTRASTES NO PARAMÉTRICOS Contenidos Encuestas 75 Comprobación de supuestos 79 Pruebas no Paramétricas en el SPSS 80 Contrastes para 2 muestras independientes 81 Contrastes para varias muestras independientes
Más detallesCONTRASTES PARAMÉTRICOS
CONTRASTES PARAMÉTRICOS Contenidos Introducción 75 Contraste de dos medias 76 Grupos independientes 77 Grupos dependientes 85 Contraste de dos varianzas independientes 92 ANOVAs Unifactoriales entre e
Más detallesDISEÑO DE CUADRADOS LATINOS
DISEÑO DE CUADRADOS LATINOS a vimos que el diseño de bloques al azar, era el diseño apropiado cuando se conocía de antemano algún factor que fuera fuente de variabilidad entre las unidades experimentales.
Más detallesEstadística para Químicos
1 Estadística para Químicos Podemos decir, informalmente, que la estadística es el estudio de la variabilidad. Sus técnicas permiten describirla y plantear hipótesis con el objetivo de comprenderla. Si
Más detallesComparación de dos grupos independientes Solución no paramétrica. En capítulo 12: Métodos no paramétricos
Comparación de dos grupos independientes Solución no paramétrica En capítulo 12: Métodos no paramétricos Los métodos que hemos visto hasta ahora, asumen como distribución muestral la distribución Normal,
Más detallesContenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1
Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.
Más detallesRegresión Lineal. El modelo de regresión caracteriza la relación entre una variable respuesta que depende de k variables independientes o regresoras.
Regresión Lineal Los factores envueltos en la experimentación pueden ser de tipo cuantitativos o cualitativos Un factor cuantitativo es aquel que sus niveles pueden ser asociados con puntos dentro de una
Más detallesBloque II (Columnas) B= Y212 C= Y322 D= Y432 C= Y313 D= Y423 E= Y533. A= Y1k2. B= Y2k3
DISEÑO EN CUADRO LATINO En el diseño en cuadro latino (DCL) se controlan dos factores de bloque y se estudia un solo factor de interés. En este sentido, se tienen cuatro fuentes de variación: Los tratamientos
Más detallesEstadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
Más detallesESTADISTICA AVANZADA. Sesión D6/m2 Introducción DOE
ESTADISTICA AVANZADA Sesión D6/m2 Introducción DOE DOE - Definiciones Básicas Experimento Es un cambio en las condiciones de operación de un sistema o proceso, que se hace con el objetivo de medir el efecto
Más detallesMétodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández
Métodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández El método incluye diferentes elementos Justificación Planteamiento del problema
Más detallesPROGRAMA DEL CURSO SOBRE PSICOLOGÍA EXPERIMENTAL MANUEL MIGUEL RAMOS ÁLVAREZ
PROGRAMA DEL CURSO SOBRE PSICOLOGÍA EXPERIMENTAL MANUEL MIGUEL RAMOS ÁLVAREZ Resumen de Psicología Experimental 1 PSICOLOGÍA EXPERIMENTAL Manuel Miguel Ramos Alvarez. I. FUNDAMENTOS METODOLÓGICOS DE LA
Más detallesTEMA 2: DISTRIBUCIONES BIDIMENSIONALES
TEMA : DISTRIBUCIONES BIDIMENSIONALES 1.- DISTRIBUCIONES BIDIMENSIONALES Cuando estudiamos un solo carácter estadístico, los datos que obtenemos forman una variable estadística unidimensional. También
Más detallesPráctica 6: Regresión Lineal Múltiple (3)
Práctica 6: Regresión Lineal Múltiple () En la práctica anterior vimos cómo se pueden diagnosticar diferentes violaciones de las condiciones del modelo de regresión a través del análisis gráfico de los
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesAl nivel de confianza del 95%, las puntuaciones típicas son: 2- La hipótesis alternativa es; A) ; B) ; C).
A continuación se presentan 4 situaciones. Cada situación viene seguida por una serie de preguntas referidas a la misma así como de preguntas teóricas generales. SITUACIÓN 1: La empresa SND's de sondeos
Más detallesEstadística Descriptiva Bivariante con STATGRAPHICS -Dependencia lineal y Regresión-
Estadística Descriptiva Bivariante con STATGRAPHICS -Dependencia lineal y Regresión- 1. Introducción Fichero de datos empleado: VelVientos730.sf3 En este documento se analizarán, utilizando Statgraphics,
Más detallesESQUEMA GENERAL Concepto y formato del Diseño de grupo control no equivalente (DGCNE) Clasificación
TEMA V ESQUEMA GENERAL Concepto y formato del Diseño de grupo control no equivalente (DGCNE) Clasificación Análisis de la covarianza (ANCOVA) Modelos alternativos de análisis DISEÑO DE GRUPO CONTROL NO
Más detallesLADE/LADE-DER. 229, , , , , ,333 y. 3 i 1. y ij /3
LADE/LADE-DER CURSO 2005/2006 EXAMEN DE ESTADÍSTICA II 04 de septiembre de 2006 PROBLEMAS (tiempo: 1 hora 40 minutos) 1. PROBLEMA 1 Una empresa de máquinas tragaperras tiene que decidir entre 3 posibles
Más detallesBASES DEL DISEÑO EXPERIMENTAL EN CIENCIA ANIMAL
BASES DEL DISEÑO EXPERIMENTAL EN CIENCIA ANIMAL ETAPAS DE UNA INVESTIGACION a. Planteamiento y formulación del PROBLEMA b. Justificación c. Objetivos d. Hipótesis e. Procedimiento / diseño experimental
Más detallesExperimentos factoriales con factores aleatorios
Experimentos factoriales con factores aleatorios Hasta el momento hemos presumido que los factores en nuestros experimentos eran de naturaleza fija; esto es los niveles en que los factores fueron evaluados
Más detallesDCA: Es el más simple de todos los diseños, solamente se estudia el. en diferentes tratamientos o niveles.
completamente aleatorizado (DCA): 1 solo factor con diferentes tratamientos. DCA: Es el más simple de todos los diseños, solamente se estudia el efecto de un factor, el cual se varía en diferentes tratamientos
Más detallesCapítulo 6. Análisis de la covarianza ANÁLISIS DE LA COVARIANZA UNIFACTORIAL INTRODUCCIÓN
Capítulo 6 Análisis de la covarianza INTRODUCCIÓN Es una combinación de dos técnicas: Análisis de la Varianza y Análisis de Regresión. En el Análisis de la Covarianza: F La variable respuesta es cuantitativa
Más detallesTEMA 3 REPASO DE TESTS MÁS COMUNES
TEMA 3 REPASO DE TESTS MÁS COMUNES CONTENIDOS. Contrastes paramétricos y no paramétricos. 2. Contrastes unimuestrales, bimuestrales y k- muestrales. 3. Muestras relacionadas e independientes 4. Descripción
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 detallesAnálisis inferencial de la soldabilidad de los electrodos
Análisis inferencial de la soldabilidad de los electrodos U O 2 2 4 7 7 6 G r u p o G P L - 49 Daniel Velasco Lastra 0 8 / 0 5 / 2 0 1 2 Í NDÍCE INTRODUCCIÓN 2 ADECUACIÓN DE LOS DATOS.. 2 3 ESTUDIO INFERENCIAL.
Más detallesAnálisis de Varianza Factorial y MANOVA
Análisis de Varianza Factorial y MANOVA Análisis de Varianza Factorial Con el ANOVA se llega a la conclusión de Aceptar o rechazar la hipótesis nula. En caso de rechazarla se sabe que por lo menos existe
Más detallesDISEÑO EN BLOQUES ALEATORIZADOS
DISEÑO EN BLOQUES ALEATORIZADOS DISEÑO EN BLOQUES ALEATORIZADOS COMPLETOS DISEÑO EN BLOQUES INCOMPLETOS ALEATORIZADOS DISEÑO EN CUADRADOS LATINOS DISEÑO EN CUADRADOS GRECO-LATINOS DISEÑO EN CUADRADOS DE
Más detallesPrincipios de Bioestadística
Principios de Bioestadística Dra. Juliana Giménez www.cii.org.ar Nos permite Llegar a conclusiones correctas acerca de procedimientos para el diagnostico Valorar protocolos de estudio e informes Se pretende
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 detallesAnálisis de la varianza (ANOVA)
Análisis de la varianza (ANOVA) Mª Isabel Aguilar, Eugenia Cruces y Bárbara Díaz UNIVERSIDAD DE MÁLAGA Departamento de Economía Aplicada (Estadística y Econometría) Parcialmente financiado a través del
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesDiseño de Experimentos
Diseño de Experimentos Estudios experimentales vs observacionales Experimento vs Muestreo La palabra experimento se utiliza en un sentido preciso, implicando una investigación donde un sistema bajo estudio
Más detallesBLOQUE IV. CLASIFICACIÓN
BLOQUE IV. CLASIFICACIÓN CAPÍTULO 11 Clasificación de mínima distancia. IV. 11.1 Pasos para realizar la clasificación. Es necesario comentar que se trata de una clasificación muy básica, que, en este caso,
Más detallesSPSS Aplicación práctica: Base de datos del HATCO
Aplicación práctica: Base de datos del HATCO Datos: observaciones de variables obtenidos desde encuentas a clientes de un distribuidor industrial. Variables de interés en la aplicación: Percepciones de
Más detallesTema 3: Diseño de experimentos
Grado en Fisioterapia, 2010/11 Cátedra de Bioestadística Universidad de Extremadura 15 de noviembre de 2010 Índice Diseños con un factor 1 Diseños con un factor Comparación de dos medias Comparación de
Más detallesUNA APROXIMACIÓN AL VALOR DEL SUELO HABITACIONAL EN LA CIUDAD DE HERMOSILLO, SONORA. Ing. Minerva Hernández Gutiérrez Dr. Jesús Quintana Pacheco
UNA APROXIMACIÓN AL VALOR DEL SUELO HABITACIONAL EN LA CIUDAD DE HERMOSILLO, SONORA. Ing. Minerva Hernández Gutiérrez Dr. Jesús Quintana Pacheco Marzo, 2015 Valor Valor de uso: Grado de utilidad o aptitud
Más detallesTema 2: Regresión. Grado en Fisioterapia, 2010/11. Jesús Montanero Fernández. Cátedra de Bioestadística Universidad de Extremadura
Grado en Fisioterapia, 2010/11 Cátedra de Bioestadística Universidad de Extremadura 8 de noviembre de 2010 Índice 1 Regresión lineal simple 2 3 Índice 1 Regresión lineal simple 2 3 Índice 1 Regresión lineal
Más detallesEXTENSIONES DEL MODELO DE REGRESIÓN
EXTENSIONES DEL MODELO DE REGRESIÓN 1. Regresión exponencial 2. Regresión polinómica 3. Regresión con variables cualitativas M. Carmen Carollo, Beatriz Pateiro Página 1 1. Regresión exponencial Al tratar
Más detallesPrácticas Tema 4: Modelo con variables cualitativas
Prácticas Tema 4: Modelo con variables cualitativas Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 4.1- Se dispone de información sobre 16 familias sobre
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 detallesAplicación de la distribución empírica: Tests de bondad de ajuste
Aplicación de la distribución empírica: Tests de bondad de ajuste 4 de marzo de 2009 Test de bondad de ajuste Supongamos que se dispone de una m.a.s de tamaño n de una población X con distribución desconocida
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 detallesPreguntas más Frecuentes: Tema 3
Preguntas más Frecuentes: Tema 3 Pulse sobre la pregunta para acceder directamente a la respuesta 1. Qué diferencia hay entre dispersión y variabilidad?. En el cálculo de la desviación media, cómo se calcula
Más detallesDiseño de Experimentos con varios factores. Jhon Jairo Padilla Aguilar, PhD.
Diseño de Experimentos con varios factores Jhon Jairo Padilla Aguilar, PhD. Experimento Factorial En cada ensayo completo o réplica del experimento se investigan todas las combinaciones posibles de los
Más detallesDiseño de experimentos
Diseño de experimentos Quimiometría Por qué diseñar experimentos? Exploración: cuáles factores son importantes para realizar exitosamente un proceso Optimización: cómo mejorar un proceso Ahorro de tiempo:
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesEXAMEN Prof. J. Calventus S., 19 julio de 2013
U. S. T. Psicología Estadística Inferencial EXAMEN Prof. J. Calventus S., 19 julio de 2013 NOMBRE: Puntaje: Nota: Para responder esta prueba podrá consultarse todo tipo de material escrito. Utiliza un
Más detallesEstadística II Examen final junio - 17/06/16 Curso 2015/16 Soluciones Duración del examen: 2 h. y 45 min.
Estadística II Examen final junio - 17/06/16 Curso 201/16 Soluciones Duración del examen: 2 h. y 4 min. 1. (3, puntos) La publicidad de un fondo de inversión afirma que la rentabilidad media anual del
Más detallesTrimestre Enero-Marzo 2008 Departamento de Cómputo Cientí co y Estadística Guía de ejercicios. Regresión Lineal Múltiple y ANOVA Práctica N 7
Trimestre Enero-Marzo 28 Departamento de ómputo ientí co y Estadística Guía de ejercicios. Regresión Lineal Múltiple y ANOVA Práctica N 7 ONTENIDO Ajuste del modelo lineal mediante matrices. Propiedades
Más detallesSujeto X 1 V 1 E 1 X 2 V 2 E ,8 3,2 1,6 4,8 3,2 1,6
Ejercicios capítulo 3. Modelo clásico y fiabilidad 11 Ejercicios 3.1. Supongamos que conocemos las puntuaciones observadas, verdaderas y error de una población de 5 personas en dos formas paralelas de
Más detallesAnálisis de la varianza. Magdalena Cladera Munar Departamento de Economía Aplicada Universitat de les Illes Balears
Análisis de la varianza Magdalena Cladera Munar mcladera@uib.es Departamento de Economía Aplicada Universitat de les Illes Balears CONTENIDOS Análisis de la varianza de un factor. Análisis de la varianza
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detallesTribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado
Tribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado Pruebas selectivas para el ingreso en el Cuerpo Superior de Estadísticos del Estado. Orden ECC/1517/2015, de 16 de Julio (BOE 27/07/2015).
Más detallesGrupo 4: BUENAS PRÁCTICAS ESTADÍSTICAS
Red ibérica de evaluación de eficacia y efectos secundarios de tratamientos para el control de plagas en el olivar (RIESPO) 2ª Reunión, Madrid 10-11/06/2010 Grupo 4: BUENAS PRÁCTICAS ESTADÍSTICAS ESTADÍSTICA
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesEstadística Inferencial
Estadística Inferencial Contrastes de Hipótesis para Diferencias de medias y de proporciones ( ( Si H 0 es Verdadera entonces: ( Si H 0 es Verdadera entonces podemos estimar p con: 1 Para probar H 0 usamos
Más detallesUNIVERSIDAD CARLOS III DE MADRID Grado en Ingeniería Industrial Estadística 15 de mayo de 2013
UNIVERSIDAD CARLOS III DE MADRID Grado en Ingeniería Industrial Estadística 15 de mayo de 2013 Apellidos Nombre N o lista Grupo El fichero datos 15m.sgd contiene información sobre las siguientes variables:
Más detallesEstadística unidimensional
Estadística unidimensional Población y muestra Población Se llama población al conjunto bien delimitado de unidades (elementos), ya sean individuos u objetos, del que se interesa observar o medir alguna
Más detallesEstadística. Convocatoria ordinaria. Mayo de Nombre. Titulación Grupo
Estadística. Convocatoria ordinaria Mayo de 2015 Nombre. Titulación Grupo Problema 1 (1.75 puntos) En una ciudad, el 40% de las personas son rubias, el 30% tiene los ojos azules y el 10% son rubios con
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 detallesUnidad 1 DISTRIBUCIONES MUESTRALES Objetivo particular El alumno identificará distribuciones discretas y continuas, obtendrá la probabilidad de
Nombre de la materia Estadística Inferencial Departamento Ciencias Aplicadas de la Información Academia Ciencias Básicas Clave Horas-teoría Horas-práctica Horas-AI Total-horas Créditos I4863 60 20 0 80
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 detalles