Experimentos Simples
|
|
- Sofia Saavedra Marín
- hace 6 años
- Vistas:
Transcripción
1 Experimentos Simples: Análisis de supuestos del ANOVA 1 Experimentos Simples Análisis de supuestos del ANOVA En cada ocasión que se realice un análisis de varianza (ANOVA), rutinariamente deben examinarse los datos para determinar si estos indican alguna desviación de los supuestos que rigen dicho análisis. Por lo tanto, es recomendable realizar un análisis de las suposiciones en las que se basa el ANOVA junto con el análisis mismo. Sólo después de hacer este análisis de suposiciones y que éstas se cumplan razonablemente, se puede expresar con cierta confianza la validez de los resultados estadísticos. Todo análisis de la varianza presupone la existencia de un modelo lineal, cuyas componentes varían en función de las fuentes de variación que se desea controlar. El no cumplimiento de los supuestos, por el modelo, puede afectar tanto el nivel de significancia como la potencia de la prueba. Por lo general el error Tipo I resulta mayor que el especificado, y, como, resultado se informa de demasiadas diferencias significativas entre los tratamientos. En general podemos decir que si los supuestos se verifican sólo aproximadamente, el modelo tendrá validez, aunque existen pruebas y métodos para asegurarnos de su cumplimiento. Las herramientas principales para el diagnóstico del cumplimiento de los supuestos están basadas en el Análisis de los Residuos. Los residuos se obtienen como la diferencia entre el valor observado y el valor estimado por el modelo asociado al diseño experimental. Asimismo y como veremos existen pruebas de hipótesis especificas para verificar el cumplimiento de los supuestos. En muchos casos la desviación de los supuestos puede rectificarse por transformación de los datos originales. Cuando estas transformaciones son incapaces de adecuar los datos a los supuestos pueden utilizarse técnicas analíticas No Paramétricas. Las técnicas No Paramétricas son de cálculo más rápido y de supuestos más sencillos que las técnicas paramétricas (no requieren el cumplimiento del supuesto de normalidad). No obstante, cuando se cumplen los requisitos del análisis de la varianza, estos métodos son menos eficientes que las técnicas paramétricas. Hoy en día el uso de software estadístico son de valiosa ayuda para realizar cálculos, gráficos, etc. los que años atrás nos demandaban dedicación, concentración y sobre todo mucho tiempo. Por ello este apunte tiene la finalidad de brindarle una guía de cómo realizar el análisis de residuos y de interpretar algunas de las pruebas disponibles en el paquete estadístico Infostat para comprobar el cumplimiento de los supuestos básicos para poder realizar un análisis de la varianza (ANOVA).
2 Experimentos Simples: Análisis de supuestos del ANOVA 2 Diseño Completamente Aleatorizado (DCA) Si recordamos que el modelo lineal para un experimento simple (un solo factor) para un diseño completamente aleatorizado (DCA) es el siguiente Y = µ + + ε ij t i ij Y i j = es la observación del tratamiento i repetición j. µ = es la media general del ensayo. t i = es el efecto del tratamiento i. ε i j = es el error experimental (factores no controlados). Los supuestos básicos que fundamentan el ANOVA para este modelo los podemos resumir como: 2 ε ~ N ( 0; σ ) ij Es decir que se supone que los errores son independientes y que se encuentran normalmente distribuidos con media cero y varianzas constantes (iguales). son: Resumiendo diremos que los supuestos que corresponden a este modelo - ADITIVIDAD: Para cada diseño experimental existe un modelo matemático, denominado modelo lineal aditivo. Para este caso, este modelo expresa que el valor de cualquier unidad experimental está compuesta por la media general, más el efecto de tratamiento y más el termino de error característico de cada dato. En este modelo los términos se suman, si esto no ocurre así, el ANOVA nos puede llevar a conclusiones y toma de decisiones incorrectas. - INDEPENDENCIA: Los errores (ε ij ) son independientes (no presentan correlación). - HOMOSCEDASTICIDAD: Los errores (ε ij ) tienen la misma varianza (varianza constante) σ 2. - NORMALIDAD: Los errores (ε ij ) tienen distribución Normal. En el caso de este diseño, y como el valor estimado para una observación dada es la media del tratamiento de esa observación, el residuo para la repetición j-ésima del tratamiento i-ésimo se calcula como: e = y ij ij yˆ ij = yij yi.
3 Experimentos Simples: Análisis de supuestos del ANOVA 3 Suposición de Aditividad Como lo expresáramos los factores que participan en todo modelo de ANOVA deben ser aditivos. La falta de aditividad entre los factores puede ocurrir por un mal diseño del experimento, por ejemplo se prueban diferentes dosis de fertilizante, pero cada dosis se prueba en una especie de planta diferente, resultando una interacción entre dosis de fertilizante y especie que rompe el modelo aditivo. Las causas principales de no aditividad, son: 1) Los efectos son multiplicativos 2) Pueden existir interacciones, pero los términos que representan tales efectos no estar representados en el modelo aditivo lineal. 3) Pueden haberse tomado observaciones equivocadas. La Prueba recomendada para investigar la falta de aditividad del modelo es la Prueba de aditividad de Tukey, que desafortunademente no está disponible en este sofware. Cuando los efectos son multiplicativos, la transformación logarítmica de los datos originales exhibe efectos aditivos. Suposición de Independencia Para verificar este supuesto graficar los residuos contra el orden del tiempo en el que se recopilaron los datos es útil para detectar alguna correlación entre ellos. Una tendencia a tener secuencias con residuos positivos y negativos indica la falta de independencia. (Ver gráfico 1) Dentro de los test que pueden usarse para determinar si una secuencia ordenada de observaciones es aleatoria (independiente) se dispone de los contrastes de rachas y autocorrelación. La asignación de los tratamientos al azar a las parcelas experimentales aseguraría la independencia de los errores, como la aleatorización en la toma de los datos. No hay ninguna adaptación ni transformación para superar la falta de independencia de los errores. Por lo tanto debe cambiarse el diseño del experimento o la forma en que se ha realizado. La validez de la prueba de F puede resultar gravemente perjudicada por el no cumplimiento de este supuesto. Suposición de Homogeneidad de varianzas (Homocedasticidad) En este caso graficar los residuos contra el orden del tiempo en el que se recopilaron los datos es también útil para detectar falta de homogeneidad de varianzas (Heteroscedasticidad). Una gráfica que presente una mayor dispersión en un extremo que el otro es un indicio de falta de homogeneidad de varianzas. (ver gráfico 1)
4 Experimentos Simples: Análisis de supuestos del ANOVA 4 44 Residual Plot for Variable residual row number Gráfico 1 Otra gráfica que permite analizar este supuesto consiste en gráficar los residuos contra los valores estimados ( ŷ ij ). En este caso está gráfica no debe revelar ningún patrón obvio. Si la gráfica muestra una forma de embudo que se ensancha indica la falta de homogeneidad de las varianzas. (Ver gráfico 2) Residual Plot for Variable residual predicted Variable Gráfico 2 Como las varianzas varían como funciones de las medias, una gráfica de las medias con las varianzas o con los desvíos estándar pueden ser útiles como un examen rápido para comprobar la homoscedasticidad. Estás gráficas no deben indicar ninguna correlación entre los estadísticos (media varianza o desvió estándar) caso contrario es probable que se este violando el supuesto de homogeneidad de varianzas. (ver gráfico 3) Plot of SIGMAS vs MEANS SIGMAS MEANS Gráfico 3
5 Experimentos Simples: Análisis de supuestos del ANOVA 5 También gráficar los residuos contra los niveles de los factores nos pueden ayudar a detectar heteroscedasticidad. En estás gráficas si los niveles de un factor presentan una dispersión que no es constante es un indicio de falta de homoscedasticidad. (ver gráfico 4) 44 Residual Plot for Variable residual Tratamiento Gráfico 4 Dentro de las pruebas empleadas para contrastar la Homogeneidad de Varianzas se encuentran el test de Bartlett, el test de Cochran, el test de Hartley, el test de Levene, entre otras, etc. La mayoría de estas pruebas son muy sensibles a la falta de normalidad salvo la prueba de Levene, que consiste en realizar un análisis de varianza usando como variable dependiente el valor absoluto de los residuos. La falta de homogeneidad se puede deber a una respuesta muy variable en una de las muestras, o que se haya obtenido bajo condiciones menos estandarizadas que las otras, o bien que la escala de medida de los datos no es la correcta. Si la suposición de homogeneidad no se cumple, la prueba de F es afectada solo ligeramente en los modelos balanceados (igual número de observaciones por tratamiento) de efectos fijos. Sin embargo, el problema es más serio si el diseño está desbalanceado o si una varianza es mucho mayor que las otras. En un modelo de efectos aleatorios, la desigualdad en las varianzas del error puede perturbar significativamente las inferencias sobre los componentes de varianza, aunque se use un diseño balanceado. La adaptación usual para tratar con varianzas heterogéneas consiste en aplicar una transformación a los datos para igualar varianzas y volver a aplicar el análisis de la varianza a los datos transformados. En este caso las conclusiones obtenidas se aplican a los datos transformados y no a los datos originales. Sin embargo, las medias, deben presentarse en los informes y publicaciones en las unidades originales. Las transformaciones aplicadas para igualar varianzas en la mayoría de los casos también acercan los datos a una distribución normal.
6 Experimentos Simples: Análisis de supuestos del ANOVA 6 Suposición de Normalidad Una forma para comprobar la suposición de normalidad consiste en hacer un histograma de los residuos. Si los errores son N ~ (0, σ 2 ), está gráfica debe ser semejante a la de una muestra extraída de una distribución normal centrada en cero (ver gráfico 5). Cuando trabajamos con muestras pequeñas suelen aparecer fluctuaciones considerables, por lo que una desviación moderada aparente de la normalidad no necesariamente implica una violación del supuesto de normalidad. 8 Histogram for RESIDUALS frequency RESIDUALS Gráfico 5 Otro procedimiento útil consiste en construir una gráfica de probabilidad normal acumulada de los residuos. Si los errores tienen distribución normal está gráfica parecerá una línea recta (ver gráfico 6), desviaciones hacia abajo o hacia arriba de la recta tanto del lado izquierdo como del derecho del cero indicará desviaciones de la normal. Por Ej.: una tendencia hacia abajo del lado izquierdo implicará que el extremo izquierdo de la distribución del error es más reducido que lo esperado en una distribución normal; en otras palabras, que los residuos negativos no son tan grandes (en valor absoluto) como se esperaba. Normal Probability Plot for RESIDUALS percentage RESIDUALS Gráfico 6
7 Experimentos Simples: Análisis de supuestos del ANOVA 7 Gráfico de similar interpretación a este último es el Quantile Quantile Plot Normal (Q-Q plot normal), que gráfica los cuantiles muestrales versus los cuantiles teóricos tomando los residuales como datos. Si la distribución de los residuos son normales y no hay otros violaciones a los supuestos, estos se alinean sobre una recta a 45º. (ver gráfico 7) Quantile-Quantile Plot 44 RESIDUALS Normal distribution Gráfico 7 También existen una serie de pruebas para contrastar la Normalidad de los datos. El Test de Chi-Cuadrado, test W de Shapiro-Wilks, Kolmogorov-Smirnov, son algunas de las pruebas de las que se dispone para verificar el cumplimiento de este supuesto. Las consecuencias de la no normalidad de los errores no son demasiado graves. Solamente una distribución muy sesgada tendría un marcado efecto sobre las pruebas de significancia. Las pruebas de significancia aplicadas (t o F) no experimentan cambios significativos en su validez si el supuesto de normalidad se verifica parcialmente para el caso de efectos fijos, no así, si estamos trabajando con efectos aleatorios los que si se ven más afectados por la falta de normalidad. Cuando la distribución de los errores se aparta de la Normalidad, podemos superar este inconveniente realizando una transformación de la variable. Si las transformaciones no pueden hacer frente a la no Normalidad de los datos, puede ser necesario recurrir a los métodos no paramétricos.
8 Experimentos Simples: Análisis de supuestos del ANOVA 8 Diseño en Bloques Completos al Azar (DBCA) En este diseño además de los supuestos mencionados para un diseño completamente aleatorizado se debe verificar el cumplimiento que: Los efectos de los tratamientos y los bloques sean aditivos (Supuesto de Aditividad), es decir, la no interacción entre ellos, y Que la variabilidad de los errores además de ser la misma para todos los tratamientos lo sea también para todos los bloques. Todos los procedimientos de verificación de los supuestos vistos para el diseño completamente aleatorizado son totalmente aplicables a estos diseños, solo debemos contemplar que los residuos en el caso de un diseño en bloques completos al azar se calculan como: e ˆ ij = yij yij = yij yi. y. j + y.. Suposición de Aditividad bloque-tratamiento Este supuesto plantea la aditividad bloque-tratamiento, es decir, los bloques tienen un efecto aditivo sobre todos los tratamientos y no interactúan con estos. Esto significa que las diferencias entre las medias de los tratamientos se mantienen constantes en todos los bloques. Por ejemplo, si en un ensayo sobre bovinos donde se comparan varias dietas (A, B, C), se pretende usar la raza como factor de bloqueo, no debiera haber una raza donde la dieta A produce mayor engorde promedio que las restantes, y, otra raza donde la dieta B sea la que proporcione el mayor engorde. Si éste es el caso, la raza no debe emplearse como factor de bloqueo, sino como otro factor, por ejemplo, en un arreglo factorial de los tratamientos. A modo de ejemplo, supongamos un diseño con 2 bloques y 2 tratamientos (A y B), donde se presentan los siguientes casos: Caso I II Bloque Tratamiento A Tratamiento B El Caso I es aditivo, pues la diferencia entre el tratamiento A y B (30) se mantiene igual en ambos bloques; en cambio no sucede lo mismo en el Caso II, la diferencia se incrementa de 20 a 40 al pasar del bloque 1 al bloque 2. Si graficamos los casos vistos anteriormente tendríamos:
9 Experimentos Simples: Análisis de supuestos del ANOVA 9 Caso I - Modelo aditivo Caso II - Modelo no aditivo Bloque 1 Bloque 2 Trat. 1 Trat Bloque 1 Bloque 2 Trat. 1 Trat. 2 La existencia de cruzamientos o falta de paralelismo de los perfiles graficados sugiere falta de aditividad o presencia de interacción bloque-tratamiento. Como vemos el modelo aditivo muestra paralelismo, en cambio el modelo no aditivo muestra falta de paralelismo. Una falta de paralelismo ligera no es indicadora de falta de aditividad. También se puede acudir a la prueba de hipótesis de falta de aditividad de Tukey, que plantea un modelo multiplicativo lineal para la interacción bloque por tratamiento. Residuos atípicos La presencia de residuos atípicos o también llamados inusitados pueden distorsionar seriamente el análisis de la varianza como el cumplimiento de los supuestos, por lo que cuando se detecta algún residuo de esta clase, debe realizarse una cuidadosa investigación. La presencia de un residuo de este tipo no debe descartarse o eliminarse sino todo lo contrario debe ser analizado en profundidad para detectar el por que de su presencia, ya que su presencia puede ser un valor particular deseable por lo que este dato puede proporcionar más información que el resto de los datos. Solo se podrá evaluar su eliminación si existe una base no estadística razonable para hacerlo. Una manera informal para detectar residuos atípicos es analizar los residuos estandarizados: dij = eij CME Si los errores son N ~ (0, σ 2 ), los residuos estandarizados deben ser aproximadamente normales con media cero y varianza igual a uno. Por lo tanto, aproximadamente el 99% de los residuos estandarizados deben encontrarse entre los limites ± 3. Un residuo a una distancia mayor que 3 o 4 desviaciones estándar del origen es potencialmente un residuo atípico o distanciado.
10 Experimentos Simples: Análisis de supuestos del ANOVA 10 Transformaciones Las transformaciones más usadas son: la logarítmica, raíz cuadrada, arco seno (conocida también como angular), etc. Un punto importante de la selección de la transformación apropiada, es el conocimiento que el experimentador tiene sobre la distribución teórica de las observaciones, de forma tal de usar esa información para elegir la transformación. Transformación logarítmica: Se aplicará siempre que la media este correlacionada positivamente con la varianza. Las distribuciones de frecuencias asimétrica hacia la izquierda se hacen a veces más simétricas por esta transformación. Transformación raíz cuadrada ( y ) : Si las observaciones se aproximan a una distribución de Poisson y si recordamos que en esta distribución la varianza es igual a la media, por consiguiente la media y la varianza no pueden ser independientes, pero su transformación en raíz cuadrada aproximara su distribución a una normal y las varianzas se harán generalmente independientes de las medias. Por ejemplo: cuando los datos son recuentos, como de insectos o de células son casos típicos que requieren una transformación raíz cuadrada. Cuando los recuentos incluyen valores ceros o cercanos, es conveniente utilizar la transformación y + 0, 5 o y + 1 Transformación arco seno : Esta transformación es apropiada si las variables son en porcentaje o proporciones (Distribución Binomial). Usando la transformación: Z ij = arc sen (%) podemos aproximar la variable a la normalidad y evitar que la varianzas estén en función de la media. Si los porcentajes en los datos originales caen entre 30% y 70% generalmente no es necesario aplicar la transformación arco seno.
11 Experimentos Simples: Análisis de supuestos del ANOVA 11 Ejercicios: 1) Una empresa fabrica 7 tipos de alambre de acero con distinta composición. Para conocer si hay diferencias en la resistencia media de la tensión se han realizado pruebas sobre 5 rollos, seleccionados al azar, de cada tipo de alambre. Los datos en kilos necesarios para la rotura se dan a continuación: Empresas A B C D E F G Responder: a) Cual es el diseño utilizado en el experimento? Cuantos tratamientos y repeticiones tiene?. b) Explicitar el modelo lineal del experimento indicando el significado de cada término. c) Verificar a través del análisis de residuos y de las pruebas respectivas el supuesto de homoscedasticidad de los errores. d) Realizar el análisis de la varianza. Expresar la hipótesis a probar y, si corresponde, utilizar alguna técnica de comparaciones múltiples. e) Conclusiones. 2) Se realizó un ensayo para probar la efectividad de 5 herbicidas en el control de plantas de amapola en un cultivo de Avena. El campo donde se monto el ensayo presentaba una pendiente N - S considerable. La variable respuesta o medida fue el número de plantas de amapola por parcela. HERBICIDAS REPETICION A B C D E I II III IV Responder: a) Que diseño fue utilizado en el experimento?. Por que? b) Explicitar el modelo lineal del experimento indicando el significado de cada termino. c) Verificar a través del análisis de residuos el supuesto de homoscedasticidad de los errores. d) Analizar gráficamente y a través de las pruebas respectivas el supuesto de Normalidad de los errores. e) Considera necesaria una transformación de los datos?. Por que? f) Realizar el análisis de la varianza. Expresar la hipótesis a probar y, si corresponde, utilizar alguna técnica de comparaciones múltiples. g) Conclusiones. 3) El porcentaje de humedad relativa (HR) es determinante para el ataque de hongos en semillas o granos. Para evaluar la susceptibilidad de los granos de trigo al ataque de hongos se realizó un ensayo en cámaras de cría con cinco porcentajes de HR, registrándose el número de granos atacados en grupos de 100 granos.
12 Experimentos Simples: Análisis de supuestos del ANOVA 12 Porcentajes de HR Número de granos atacados Responder: a) Cual es el diseño utilizado en el experimento? Cuantos tratamientos y repeticiones tiene? b) Analizar gráficamente y a través de las pruebas respectivas el supuesto de Normalidad de los errores. c) Considera necesaria una transformación de los datos?. Por que?. d) Realizar el análisis de la varianza con los datos originales y con los datos transformados. Expresar la hipótesis a probar y, si corresponde, utilizar alguna técnica de comparaciones múltiples. e) Comparar los resultados del ANOVA con los datos sin transformar y transformados. 4) Los datos corresponden a porcentajes de mazorcas de maíz no comercializables, siendo los tratamientos un testigo (T) y tres métodos (A, B y C) mecánicos para proteger contra daños de larvas. El diseño utilizado es un diseño en Bloques Completos Aleatorizados. Bloques Tratamientos I II III IV V VI T A B C Responder: a) Verificar a través del análisis de residuos el supuesto de homoscedasticidad de los errores. b) Analizar gráficamente y a través de las pruebas respectivas el supuesto de Normalidad de los errores. c) Considera necesaria una transformación de los datos?. Por que?. d) Realizar el análisis de la varianza con los datos originales y con los datos transformados. Expresar la hipótesis a probar y, si corresponde, utilizar alguna técnica de comparaciones múltiples. e) Comparar los resultados del ANOVA con los datos sin transformar y transformados. 5) En base a los datos del ejercicio 1, si consideramos que los 7 alambres corresponden a una muestra seleccionada al azar de un gran número de alambres de acero que produce la empresa. Responder: a) En que se diferencia el factor alambre con respecto al ejercicio1?. Justifique su respuesta. b) Escribir el modelo de componentes de varianza. Identificar cada término. c) Plantear las hipótesis que se ponen a prueba en el ANOVA. d) A que componente le atribuye la mayor variabilidad?.
13 Experimentos Simples: Análisis de supuestos del ANOVA 13 Uso de Infostat ANOVA: Experimentos Simples Como primera medida debemos grabar los residuos y los valores estimados (predichos) por el modelo en la hoja de entrada de datos. Para ello cuando se realiza el ANOVA, en la ventana análisis de la varianza en el sector inferior derecho aparece la opción de guardar, para ello tildamos residuos, predichos y Abs(residuos). Luego de aceptar automáticamente se añade al archivo de datos, las nuevas columnas conteniendo las opciones tildadas. En este caso: RDUO_ nombre de la variable, RABS_ nombre de la variable y PRED_ nombre de la variable. HOMOCESDASTICIDAD - Procedimientos gráficos para analizar la homocedasticidad de los errores a) Residuos versus niveles del factor b) Residuos versus valores predichos Para obtener estos gráficos debemos seleccionar del menú GRAFICOS la opción diagrama de dispersión. En la ventana abierta se ingresa como variable del eje y a los residuos y como variable del eje x a los tratamientos para obtener el primer grafico. Para el segundo diagrama en variable del eje x se ingresa a los valores predichos. - Prueba para contrastar la homoscedasticidad de los errores Prueba de Levene Si bien el test no esta disponible como tal en este sofware, se contruye realizando un análisis de la varianza, en el que la variable respuesta será el valor absoluto de los residuos. NORMALIDAD - Procedimientos gráficos para analizar la normalidad de los errores a) Histograma b) Q-Q plot Para obtener ambos gráficos se debe seleccionar del menú GRAFICOS de la barra de herramientas las opciones: Histograma y Q-Q plot usando como variable a los residuos.
14 Experimentos Simples: Análisis de supuestos del ANOVA 14 - Pruebas para contrastar la normalidad de los errores a) Test W de Shapiro-Wilks Para realizar esta prueba, seleccionar del menú ESTADISTICAS, inferencia basada en una muestra, luego prueba de normalidad (Shapiro-Wilks modificado). Se abre una ventana denominada Shapiro-Wilks, se ingresa el residuo como variable, luego aceptar. INDEPENDENCIA - Procedimientos gráficos para analizar la independencia de los errores a) Residuos versus orden de las observaciones Para realizar este grafico seleccionar del menú GRAFICOS, diagrama de dispersión. Introducir en variable del eje y los residuos y en variable del eje x caso. ADITIVIDAD BLOQUE-TRATAMIENTO - Procedimiento gráfico Para explorar este supuesto puede ser de utilidad realizar un gráfico de puntos colocando los valores de la variable (o los residuos) en el eje Y y los Bloques en el eje X y particionar por tratamiento. Utilizar conectores entre los puntos del gráfico que provengan de un mismo tratamiento a fin de mejorar la interpretación. - Transformaciones con Infostat Para realizar transformaciones de datos con Infostat debemos seleccionar transformar en el menú que se despliega al hacer clic con el botón derecho del mouse en la planilla de datos. Se abrirá una ventana llamada transformaciones. En variables a transformar ingresamos la variable que deseamos transformar. Aparece una nueva ventana en la que seleccionamos la transformación que le aplicaremos a nuestra variable. Cualquiera sea la transformación elegida InfoStat generará nuevas columnas conteniendo las variables transformadas, a las que nombrará automáticamente con el nombre de la transformación y después de un subguión el nombre de la variable original.
Análisis 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 detallesCLAVE-LAB 3-Supuestos del Análisis de la Varianza
(Revisado enero 016_LWB/CL) CLAVE-LAB 3-Supuestos del Análisis de la Varianza El archivo Excel con los datos para este laboratorio está en la página del curso. Los datos provienen de un estudio realizado
Más detallesViernes 7 de octubre de 2005 Mate 3026 Estadística con Programación Prof. José N. Díaz Caraballo
Viernes 7 de octubre de 2005 Mate 3026 Estadística con Programación Prof. José N. Díaz Caraballo Favor de abrir el navegador Mozilla Firefox y escriba la siguiente dirección http://math.uprag.edu/area.mtw
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
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 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 detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detalles1. Cómo introducir datos en SPSS/PC? - Recordatorio
1 Taller de Estadística Curso 2oo5/2oo6 Descripción de datos bivariantes El objetivo de esta práctica es familiarizarse con las técnicas de descripción de datos bidimensionales y con algunas de las opciones
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
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 detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesEstadísticos Descriptivos
ANÁLISIS EXPLORATORIO DE DATOS El análisis exploratorio tiene como objetivo identificar el modelo teórico más adecuado para representar la población de la cual proceden los datos muéstrales. Dicho análisis
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
Más detalles3.1. Administración de la medición y de la información estratégica:
Unidad III Aspectos Generales Sobre la Gestión de la Calidad 3.1. Administración de la medición y de la información estratégica: Los siguientes criterios corresponden a la administración de la medición
Más detallesPruebas para evaluar diferencias
Pruebas para evaluar diferencias Métodos paramétricos vs no paramétricos Mayoría se basaban en el conocimiento de las distribuciones muestrales (t- student, Normal, F): EsFman los parámetros de las poblaciones
Más detallesTema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0
Ignacio Martín Tamayo 11 Tema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0 ÍNDICE ------------------------------------------------------------- 1. Introducción 2. Frecuencias 3. Descriptivos 4. Explorar
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesMEDIDAS DE RESUMEN: MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN. Lic. Esperanza García Cribilleros
MEDIDAS DE RESUMEN: MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN Lic. Esperanza García Cribilleros ANÁLISIS EXPLORATORIO DE DATOS Diagrama de tallo y hojas Diagrama de caja DESCRIPCIÓN N DE LOS DATOS Tablas
Más detallesPREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2
PREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2 Preg. 1. Para comparar la variabilidad relativa de la tensión arterial diastólica y el nivel de colesterol en sangre de una serie de individuos, utilizamos
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
Más detallesY accedemos al cuadro de diálogo Descriptivos
SPSS: DESCRIPTIVOS PROCEDIMIENTO DE ANÁLISIS INICIAL DE DATOS: DESCRIPTIVOS A diferencia con el procedimiento Frecuencias, que contiene opciones para describir tanto variables categóricas como cuantitativas
Más detallesCómo se hace la Prueba t a mano?
Cómo se hace la Prueba t a mano? Sujeto Grupo Grupo Grupo Grupo 33 089 74 5476 84 7056 75 565 3 94 8836 75 565 4 5 704 76 5776 5 4 6 76 5776 6 9 8 76 5776 7 4 78 6084 8 65 45 79 64 9 86 7396 80 6400 0
Más detallesJesús Eduardo Pulido Guatire, marzo Diagrama de Dispersión y Correlación Lineal Simple
Jesús Eduardo Pulido Guatire, marzo 0 Diagrama de Dispersión y Correlación Lineal Simple Hasta el momento el trabajo lo hemos centrado en resumir las características de una variable mediante la organización
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 detallesESTADÍSTICA CON EXCEL
ESTADÍSTICA CON EXCEL 1. INTRODUCCIÓN La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
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 detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesUNIDAD 6. Estadística
Matemática UNIDAD 6. Estadística 2 Medio GUÍA N 1 MEDIDAS DE DISPERSIÓN PARA DATOS NO AGRUPADOS ACTIVIDAD Consideremos los siguientes conjuntos de valores referidos a las edades de los jugadores de dos
Más detallesINSTITUTO POLITÉCNICO NACIONAL SECRETARIA ACADEMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS
ESCUELA: UPIICSA CARRERA: INGENIERÍA EN TRANSPORTE ESPECIALIDAD: COORDINACIÓN: ACADEMIAS DE MATEMÁTICAS DEPARTAMENTO: CIENCIAS BÁSICAS PROGRAMA DE ESTUDIO ASIGNATURA: ESTADÍSTICA APLICADA CLAVE: TMPE SEMESTRE:
Más detallesObjetivos. Epígrafes 3-1. Francisco José García Álvarez
Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.
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 detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesPráctica 5 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD
Práctica 5.Métodos descriptivos para determinar la normalidad 1 Práctica 5 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD Objetivos: En esta práctica utilizaremos el paquete SPSS para determinar si
Más detallesDISEÑOS EXPERIMENTALES
CAPITULO I DISEÑOS EXPERIMENTALES 1.1 ASPECTOS GENERALES El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald A. Fisher, quién sentó la base de la teoría del Diseño Experimental
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesAnálisis de la varianza ANOVA
Estadística Básica. Mayo 2004 1 Análisis de la varianza ANOVA Francisco Montes Departament d Estadística i I. O. Universitat de València http://www.uv.es/~montes Estadística Básica. Mayo 2004 2 Comparación
Más detallesMEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Al describir grupos de observaciones, con frecuencia es conveniente resumir la información con un solo número. Este número que, para tal fin, suele situarse hacia el centro
Más detallesFLORIDA Secundaria. 1º BACH MATEMÁTICAS CCSS -1- BLOQUE ESTADÍSTICA: ESTADÍSTICA VARIABLE UNIDIMENSIONAL. Estadística variable unidimensional
FLORIDA Secundaria. 1º BACH MATEMÁTICAS CCSS -1- Estadística variable unidimensional 1. Conceptos de Estadística 2. Distribución de frecuencias 2.1. Tablas de valores con variables continuas 3. Parámetros
Más detallesTransformaciones de variables
Transformaciones de variables Introducción La tipificación de variables resulta muy útil para eliminar su dependencia respecto a las unidades de medida empleadas. En realidad, una tipificación equivale
Más detallesTema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detalles3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
Más detallesEste programa estadístico está organizado en dos bloques: el editor de datos y el visor de resultados.
Bases de Estadística Licenciatura en Ciencias Ambientales Curso 2oo3/2oo4 Introducción al SPSS/PC Este programa estadístico está organizado en dos bloques: el editor de datos y el visor de resultados.
Más detallesEl papel probabilístico normal
El papel probabilístico normal Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística, Investigación Operativa Aplicadas
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detallesLa desviación típica y otras medidas de dispersión
La desviación típica y otras medidas de dispersión DISPERSIÓN O VARIACIÓN La dispersión o variación de los datos intenta dar una idea de cuan esparcidos se encuentran éstos. Hay varias medidas de tal dispersión,
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesPuntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I. L.A. y M.C.E. Emma Linda Diez Knoth
1 Puntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I Qué es la Puntuación Z? 2 Los puntajes Z son transformaciones que se pueden hacer a los valores o puntuaciones de una distribución normal, con el propósito
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión
Más detallesNOCIONES DE ESTADÍSTICA CURSO PRÁCTICO DE CLIMATOLOGÍA 2011
NOCIONES DE ESTADÍSTICA CURSO PRÁCTICO DE CLIMATOLOGÍA 2011 CÓMO CARACTERIZAR UNA SERIE DE DATOS? POSICIÓN- dividen un conjunto ordenado de datos en grupos con la misma cantidad de individuos CENTRALIZACIÓN-
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 detallesDISTRIBUCIONES BIDIMENSIONALES
La estadística unidimensional estudia los elementos de un conjunto de datos considerando sólo una variable o característica. Si ahora incorporamos, otra variable, y se observa simultáneamente el comportamiento
Más detallesProbabilidad y Estadística, EIC 311
Probabilidad y Estadística, EIC 311 Medida de resumen 1er Semestre 2016 1 / 105 , mediana y moda para datos no Una medida muy útil es la media aritmética de la muestra = Promedio. 2 / 105 , mediana y moda
Más detallesen Enfermería del Trabajo
revista noviembre:maquetación 1 16/11/2011 6:27 Página 30. 203 Metodología de la investigación Metodología de Investigación en Enfermería del Trabajo Autor Romero Saldaña M Enfermero Especialista en Enfermería
Más detallesADMINISTRACION DE OPERACIONES
Sesión4: Métodos cuantitativos ADMINISTRACION DE OPERACIONES Objetivo específico 1: El alumno conocerá y aplicara adecuadamente los métodos de pronóstico de la demanda para planear la actividad futura
Más detallesEstadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1
Estadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1 Relación entre dos variables Al estudiar conjuntos de variables con más de una variable, una pregunta
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 detallesMedidas de tendencia central y dispersión
Estadística Aplicada a la Investigación en Salud Medwave. Año XI, No. 3, Marzo 2011. Open Access, Creative Commons. Medidas de tendencia central y dispersión Autor: Fernando Quevedo Ricardi (1) Filiación:
Más detallesEstadística Inferencial. Estadística Descriptiva
INTRODUCCIÓN Estadística: Ciencia que trata sobre la teoría y aplicación de métodos para coleccionar, representar, resumir y analizar datos, así como realizar inferencias a partir de ellos. Recogida y
Más detallesCriterios de evaluación 3º de ESO. Matemáticas Orientadas a las Enseñanzas Aplicadas
CONCRECCIÓN de los CRITERIOS de EVALUACIÓN MATEMÁTICAS APLICADAS º ESO Teniendo en cuenta los criterios de evaluación correspondientes a esta materia, se realizan a continuación una concreción de dichos
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesEconomía Aplicada. ¾Es importante el tamaño de la clase? Un experimento controlado
Economía Aplicada ¾Es importante el tamaño de la clase? Un experimento controlado Basado en (1999), Experimental Estimates of Education Production Functions, QJE Outline 1 La Idea 2 Proyecto STAR Detalles
Más detallesMedidas de Tendencia Central.
Medidas de Tendencia Central www.jmontenegro.wordpress.com MEDIDAS DE RESUMEN MDR MEDIDAS DE TENDENCIA CENTRAL MEDIA MEDIANA MODA CUARTILES,ETC. MEDIDAS DE DISPERSIÓN RANGO DESVÍO EST. VARIANZA COEFIC.
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesBloque 1. Contenidos comunes. (Total: 3 sesiones)
4º E.S.O. OPCIÓN A 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 3 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas, tales como
Más detallesPruebas de Hipótesis Multiples
Pruebas de Hipótesis Multiples Cuando queremos hacer comparaciones de mas de dos poblaciones, una alternativa es comparar todos los grupos a la vez con el método de Análisis de Varianza (ANOVA) H o : µ
Más detallesDiscretas. Continuas
UNIDAD 0. DISTRIBUCIÓN TEÓRICA DE PROBABILIDAD Discretas Binomial Distribución Teórica de Probabilidad Poisson Normal Continuas Normal Estándar 0.1. Una distribución de probabilidad es un despliegue de
Más detallesTema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Más detalles13. Utilizar la fórmula del término general y de la suma de n términos consecutivos
Contenidos mínimos 3º ESO. 1. Contenidos. Bloque I: Aritmética y álgebra. 1. Utilizar las reglas de jerarquía de paréntesis y operaciones, para efectuar cálculos con números racionales, expresados en forma
Más detallesTema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesPruebas de Hipótesis. Diseño Estadístico y Herramientas para la Calidad. Pruebas de Hipótesis. Hipótesis
Diseño Estadístico y Herramientas para la Calidad Pruebas de Hipótesis Expositor: Dr. Juan José Flores Romero juanf@umich.mx http://lsc.fie.umich.mx/~juan M. en Calidad Total y Competitividad Pruebas de
Más detallesMedidas de dispersión
Medidas de dispersión Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. Las medidas de dispersión son: Rango o recorrido El rango es la diferencia
Más detallesDistribuciones muestrales. Distribución muestral de Medias
Distribuciones muestrales. Distribución muestral de Medias TEORIA DEL MUESTREO Uno de los propósitos de la estadística inferencial es estimar las características poblacionales desconocidas, examinando
Más detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
Más detallesMedidas de posición relativa
Medidas de posición relativa Copyright 2010, 2007, 2004 Pearson Education, Inc. All Rights Reserved. 3.1-1 Medidas de posición relativa Son medidas que pueden utilizarse para comparar valores de diferentes
Más detallesEstadísticos Aplicados en el SPSS 2008
PRUEBAS ESTADISTICAS QUE SE APLICAN (SPSS 10.0) PARAMÉTRICAS:... 2 Prueba t de Student para una muestra... 2 Prueba t par muestras independientes... 2 ANOVA de una vía (multigrupo)... 2 ANOVA de dos vías
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más detallesCompetencias TIC para profesionales Del Siglo 21
Planilla de Cálculo Nos referiremos a la planilla de cálculo de Microsoft Office, con algunas precisiones a la de OpenOffice. Una vez abierto un libro nuevo de Excel de Microsoft, la interfaz de la planilla
Más detallesHistograma del puntaje de vocabulario y la aproximación por una curva gaussiana.
35 Curvas de densidad Existe alguna manera de describir una distribución completa mediante una única expresión? un diagrama tallo-hoja no es práctico pues se trata de demasiados datos un histograma elimina
Más detallesEstadística Descriptiva
M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Desde la segunda mitad del siglo anterior, el milagro industrial sucedido en Japón, hizo
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesCarrera: EMM Participantes Representante de las academias de ingeniería Electromecánica de los Institutos Tecnológicos.
1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Probabilidad y Estadística Ingeniería Electromecánica EMM - 0528 3 2 8 2.- HISTORIA
Más detallesGRAFICOS DE CONTROL DATOS TIPO VARIABLES
GRAFICOS DE CONTROL DATOS TIPO VARIABLES OBJETIVO DEL LABORATORIO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control, para realizar
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesEl Análisis de Correspondencias tiene dos objetivos básicos:
Tema 8 Análisis de correspondencias El Análisis de Correspondencias es una técnica de reducción de dimensión y elaboración de mapas percentuales. Los mapas percentuales se basan en la asociación entre
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Más detallesCORRELACIÓN Y REGRESIÓN. Raúl David Katz
CORRELACIÓN Y REGRESIÓN Raúl David Katz 1 Correlación y regresión Introducción Hasta ahora hemos visto el modo de representar la distribución de frecuencias de los datos correspondientes a una variable
Más detallesProfesorado de Nivel Medio y Superior en Biología Matemática - 1º Cuatrimestre Año 2013 FUNCIÓN CUADRÁTICA
Matemática - º Cuatrimestre Año 0 FUNCIÓN CUADRÁTICA Hemos definido anteriormente la función lineal como una función f: R R de la forma f()a+b con a R y b R, que se representa en el plano mediante una
Más detallesGráficos Estadísticos
Gráficos Estadísticos Una vez realizada la recolección de datos, principalmente cuando superan un número de 20 observaciones, es recomendable examinarlos en forma resumida mediante tablas y gráficas adecuadas.
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesAPUNTES ACERCA DE LA ECUACIÓN DE LA RECTA
Introducción APUNTES ACERCA DE LA ECUACIÓN DE LA RECTA Se denomina solución de una ecuación al valor o conjunto de valores de la(s) incógnita(s) que verifican la igualdad. Así por ejemplo decimos que x
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 detallesMedidas descriptivas I. Medidas de tendencia central A. La moda
Medidas descriptivas I. Medidas de tendencia central A. La moda Preparado por: Roberto O. Rivera Rodríguez Coaching de matemática Escuela Eduardo Neuman Gandía 1 Introducción En muchas ocasiones el conjunto
Más detallesProyecto PropULSA: Estadística y Probabilidad Breviario Académico
Estadística y Probabilidad Breviario Académico Estadística: Es la ciencia que tiene por objetivo recolectar, escribir e interpretar datos, con la finalidad de efectuar una adecuada toma de decisiones en
Más detalles