Resultados de los análisis estadísticos
|
|
- Manuel Roberto Vera Pinto
- hace 6 años
- Vistas:
Transcripción
1 Anexo IV Resultados de los análisis estadísticos Biometría Examen macroscópico Ciclo biológico Estructura poblacional Jornada cinegética Malas prácticas cinegéticas Determinación del sexo y la edad por el cazador 117
2 Biometría Descripción de la muestra Tabla 16: Número de muestras de las variables biométricas SEXO Longitud Longitud Ancho Longitud Longitud Longitud Peso total ala tarso RP1 RP9 RP8 h N % 5,2% 5,9% 14,1% 9,% 5,1% 6,9% 9,% m N % 9,2% 8,8% 2,% 12,2% 7,8% 8,3% 15,6% Total N % 14,4% 14,6% 34,2% 21,2% 12,9% 15,2% 24,5% e h N % 45,9% 44,4% 33,1% 41,2% 47,4% 45,5% 41,1% m N % 39,7% 41,% 32,7% 37,6% 39,7% 39,3% 34,4% Total N % 85,6% 85,4% 65,8% 78,8% 87,1% 84,8% 75,5% Total h N % 51,1% 5,2% 47,3% 5,2% 52,6% 52,4% 5,1% m N % 48,9% 49,8% 52,7% 49,8% 47,4% 47,6% 49,9% Total N % 1,% 1,% 1,% 1,% 1,% 1,% 1,% La tabla expone el número de muestras que portan información para cada variable, por clases de perdiz y para el total RP: rémige primaria. h: hembra. m: macho. N: número de muestras Figura 2: Diagramas de caja de las variables biométricas Peso 3 2 N = Hembra Macho Longitud total N = Hembra Macho Sexo Sexo 118
3 Longitud ala N = Hembra Macho Longitud RP1 9 8 N = Hembra Macho Sexo Sexo Longitud RP9 9 N = Hembra Macho Longitud RP8 1 9 N = Hembra Macho Sexo Sexo 1,4 1,2 Ancho tarso 1,,8,6,4 N = Hembra Macho Los diagramas muestran la distribución de los datos para cada variable, comparando a su vez entre sexos y procedencias. La línea transversal de la caja, es la mediana de las observaciones; los extremos de la caja indican los percentiles del 25 y 75%, por lo que la caja recoge el 5% de las observaciones; las líneas que salen de las cajas recogen el resto de valores del al 1%; finalmente los valores extremos se señalan con círculos, mientras que los atípicos son asteriscos. RP: rémige primaria. N: número de muestras Sexo 119
4 Figura 21: Histogramas de los datos aportados por los colaboradores 1 Peso 1 Longitud total 8 4g 8 34cm 33cm 35cm g 5g 4 32cm 37cm Frecuencia 2 Desv. típ. = 47,23 Media = 427 N = 458, Frecuencia 2 Desv. típ. = 2,9 Media = 34,6 N = 478, Los histogramas muestran la distribución de los datos por intervalos, para una variable. La frecuencia se da en valor absoluto, y los intervalos se han realizado lo más pequeños que nos ha sido posible, por lo que muestran la frecuencia real de aparición de cada valor en la muestra. De este modo podemos ver si hay valores que aparecen en exceso respecto a otros, como indicativo de la calidad de los datos aportados por los colaboradores. También aparece representada la curva normal que deberían seguir los datos en teoría. Análisis de varianza y separación de medias VARIABLE DEPENDIENTE PESO Tabla 17: Análisis de varianza de las variables biométricas SUMA DE CUADRADOS TIPO III GL MEDIA CUADRÁTICA F SIGNIFICACIÓN FUENTE SEXO 22613, ,515 11,922,1 PROCE 466, ,974 2,144,144 SEXO * PROCE 18665, ,422 9,84,2 ERROR , ,823 TOTAL CORREGIDA , LONGITUD TOTAL SEXO 26, ,325 6,476,11 PROCE 27, ,22 6,692,1 SEXO * PROCE 11, ,38 2,716,1 ERROR 1926, ,65 TOTAL CORREGIDA 278,
5 VARIABLE DEPENDIENTE LONGITUD ALA LONGITUD RÉMIGE PRIMARIA 1ª LONGITUD RÉMIGE PRIMARIA 9ª LONGITUD RÉMIGE PRIMARIA 8ª SUMA DE CUADRADOS TIPO III MEDIA CUADRÁTICA F SIGNIFICACIÓN FUENTE GL SEXO 2356, ,847 11,535, PROCE 77, ,218 3,327,68 SEXO * PROCE 1356, ,476 58,438, ERROR 27158, ,212 TOTAL CORREGIDA 32755, SEXO 4785, , ,636, PROCE 3, ,215,512,474 SEXO * PROCE 36, ,885 5,878,15 ERROR 6826, ,275 TOTAL CORREGIDA 16554,3 191 SEXO 4848, , ,553, PROCE 12, ,481 1,948,163 SEXO * PROCE 19, ,53 3,48,81 ERROR 6933, ,48 TOTAL CORREGIDA 15651, SEXO 4579, , ,519, PROCE,77 1,77,1,92 SEXO * PROCE 4,38 1 4,38,573,449 ERROR 612, ,638 TOTAL CORREGIDA 12868,22 82 ANCHO TARSO SEXO,21 1,21 14,27, PROCE,25 1,25 1,686,194 SEXO * PROCE,4 1,4 2,73,1 ERROR 14, ,15 Total corregida 15, Las tablas explican para cada variable la influencia de los factores y de su interacción mediante el siguiente contraste de hipótesis: H : todos los niveles del factor tienen la misma media para la variable estudiada H a : algún nivel del factor tiene la media distinta al resto de niveles Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que el factor influye. Suele considerarse que el factor influye a partir de una significación menor de,5, aunque es bueno tener en cuenta todos aquellos factores con significación menor de,1. Cuando la interacción de los factores resulta significativa, es importante determinar si es de tipo cuantitativo o cualitativo mediante los gráficos de interacción, ya que si es del segundo tipo, no podemos interpretar los factores principales por separado. Fuente: factores entre los que se reparte la variabilidad existente. Suma de cuadrados tipo III: cálculo de la variabilidad mediante un método aplicable a diseños desequilibrados. GL: grados de libertad o número de términos estadísticamente independientes para obtener el nivel de significación. Media cuadrática: relación entre la suma de cuadrados y sus grados de libertad. F: estadístico de contraste que se distribuye según una F de Fisher, calculado como la relación entre la media cuadrática del factor y la del error. Significación: probabilidad condicional de que exista una relación tan fuerte como la observada en los datos, si la hipótesis nula fuera cierta. Sexo: factor con niveles macho-hembra. Proce: factor con niveles silvestre-granja. Sexo*Proce: interacción. 121
6 Figura 22: Gráficos de interacción Peso Longitud total 45 35,4 35, , Medias marginales estimadas SEXO h m Medias marginales estimadas 34,8 34,6 34,4 34,2 34, 33,8 SEXO h m e Longitud ala Longitud RP Medias marginales estimadas SEXO h m Medias marginales estimadas SEXO h m Longitud RP9 Longitud RP Medias marginales estimadas SEXO h m Medias marginales estimadas SEXO h m 122
7 ,81 Ancho tarso,8 Medias marginales estimadas,79,78,77,76,75,74 SEXO h m Los gráficos de interacción sirven para determinar el tipo de interacción entre los factores. Si las líneas son paralelas no hay interacción; si son no paralelas indica que hay interacción entre factores. En este último supuesto, si las líneas no llegan a cruzarse, indica que la interacción es cuantitativa por lo que podríamos seguir interpretando los factores por separado. Pero si las líneas se cruzaran, sería una interacción cualitativa, produciéndose un cambio de rango entre los distintos niveles de los factores, por lo que sólo se podrían interpretar juntos. RP: rémige primaria. h: hembra. m: macho Tabla 18: Separación de medias SUBCONJUNTO VARIABLE MÉTODO SEXO*PROCEDENCIA hsilvest 47,1 Student-Newman-Keuls h 434,58 m 436,48 Peso msilvest 446,5 hsilvest 47,1 DHS de Tukey h 434,58 m 436,48 msilvest 446,5 Longitud total Longitud ala Longitud RP1 Student-Newman-Keuls DHS de Tukey Student-Newman-Keuls DHS de Tukey Student-Newman-Keuls DHS de Tukey h 33,9286 m 34,1667 hsilvest 34,1778 msilvest 35,298 h 33,9286 m 34,1667 hsilvest 34,1778 msilvest 35,298 hsilvest 153,57 h 156,4 m 157,13 msilvest 158,87 hsilvest 153,57 h 156,4 m 157,13 msilvest 158,87 h 95,5 hsilvest 95,89 msilvest 11,7 m 12,42 h 95,5 hsilvest 95,89 msilvest 11,7 m 12,42 123
8 VARIABLE MÉTODO SEXO*PROCEDENCIA SUBCONJUNTO VARIABLE MÉTODO h 12,36 Student-Newman-Keuls hsilvest 12,44 msilvest 17,97 Longitud RP9 m 18,64 h 12,36 DHS de Tukey hsilvest 12,44 msilvest 17,97 m 18,64 Longitud RP8 Student-Newman-Keuls DHS de Tukey hsilvest 17,3 h 17,18 m 112,72 msilvest 112,92 hsilvest 17,3 h 17,18 m 112,72 msilvest 112,92 hsilvest,7473 h,756 Student-Newman-Keuls m,779 msilvest,799 Ancho tarso hsilvest,7473 h,756 DHS de Tukey m,779,779 msilvest,799 Una vez que el ADEVA concluye que un factor tiene algún nivel cuya media difiere del resto, los métodos de separación de medias permiten ver que nivel o niveles son los que difieren. Todos aquellos niveles que estén en el mismo subconjunto, tienen medias que no difieren significativamente entre sí, siendo diferentes de aquellos niveles que están en otros subconjuntos. hsilvest:: hembra silvestre. h: hembra de granja. m: macho de granja. msilvest: macho silvestre Diagnosis del modelo Tabla 19: Prueba de normalidad por el test de Kolmogorov-Smirnov con la corrección de significación de Lilliefors Variable dependiente Estadístico gl Sig. Peso, , Longitud total,1 478, Longitud ala, , Longitud rémige primaria 1ª,82 192, Longitud rémige primaria 9ª,85 186, Longitud rémige primaria 8ª,73 83, Ancho tarso, , La prueba realiza el siguiente contraste de hipótesis para cada variable: H : los datos se distribuyen según una distribución normal H a : Los datos no siguen una distribución normal Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que los datos no se distribuyen normalmente. Estadístico: Medida de resumen que se utiliza para describir la muestra. gl: grados de libertad o número de términos estadísticamente independientes para obtener el nivel de significación. Sig: nivel de significación o probabilidad condicional de que exista una relación tan fuerte como la observada en los datos, si la hipótesis nula fuera cierta. 124
9 Tabla 2: Prueba de homocedasticidad por el contraste de Variable dependiente F gl1 gl2 Significación Peso 3, ,15 Longitud total 2, ,79 Longitud ala 11, , Longitud RP1, ,521 Longitud RP9 3, ,24 Longitud RP8 4, ,3 Ancho tarso 17, , La prueba realiza el siguiente contraste de hipótesis para cada variable: H : todos los grupos tienen la misma varianza H a : algún grupo tiene distinta varianza que el resto Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que los datos no cumplen la hipótesis de homocedasticidad. F: estadístico de contraste que se distribuye según una F de Snedecor. gl1: grados de libertad del numerador. gl2: grados de libertad del denominador. Significación: probabilidad condicional de que exista una relación tan fuerte como la observada en los datos, si la hipótesis nula fuera cierta. Variable dependiente Casos < Mediana Tabla 21: Pruebas de independencia de los datos Prueba de Rachas Casos<= Mediana n Nºrachas Z Sig. asintót. (bilateral) Mediana d Peso ,869,385 1,919 Longitud total ,536,592 1,825 Longitud ala ,456,648 2,39 Ancho tarso, ,338,181 1,834 Longitud RP ,135,256 1,982 Longitud RP ,757,79 1,991 Longitud RP ,824,41 1,857 Test de Durbin-Watson Intervalo de independencia 1,65-2,35 La prueba de Rachas realiza el siguiente contraste de hipótesis para cada variable: H : las observaciones son independientes H a : las observaciones son dependientes Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que los datos no cumplen la hipótesis de independencia. Mediana: observación que separa el 5% de los casos ordenados por magnitud, se utiliza como punto de corte para crear una variable dicotómica. Casos<mediana: nºde observaciones menores que la mediana. Casos>=mediana: nºde observaciones por encima o iguales que la mediana. n: nº total de casos. Nºrachas: nºde sucesiones de valores por encima o por debajo de la mediana. Z: estadístico de contraste de distribución aproximada normal. Sig.asintót.(bilateral): Significación asintótica bilateral o probabilidad, basada en la distribución asintótica de un estadístico de contraste y asumiendo que el conjunto de datos es grande, de obtener un resultado tan extremo como el observado y en cualquiera de las dos direcciones, cuando la hipótesis nula es cierta. El test de Durbin-Watson prueba la autocorrelación de los datos mediante el estadístico d. Cuanto más se acerca el estadístico a 2, menos correlacionados están los datos, aunque también puede establecerse un rango de no-autocorrelación (intervalo de independencia), que es función del número de factores y el número de observaciones total. 125
10 Examen macroscópico Descripción de la muestra Tabla 22: Número de muestras por tipo de observación OBSERVACIONES MACROSCÓPICAS ANTES DE LA AGRUPACIÓN e N % del total de N N % del total de N Ninguna observación 19 36,2% ,1% Alguna observación ,8% 21 38,9% Una rémige rota 59 11,2% 68 13,2% Dos rémiges rotas ,6% 79 15,3% Tres rémiges rotas ,4% 19 3,7% Dedo amputado y una rémige rota 1,2% Dedo deformado 2,4% Dedo deformado, viruela y una rémige rota 1,2% Dedo y uña deformados y 3 rémiges rotas 1,2% Híbrido doble banda 1,2% Mutación pata naranja 1,2% Mutación pluma blanca 1,2% 1,2% Mutación uña blanca 1,2% Pata con excrementos 1,2% Pata con excrementos y una rémige rota 1,2% Pata con excrementos y dos rémiges rotas 1,2% 1,2% Pata con excrementos y tres rémiges rotas 4,8% 1,2% Pata rota 1,2% 1,2% Sarna 1,2% Uña caída 2,4% 2,4% Uña caída y dos rémiges rotas 2,4% Uña caída y tres rémiges rotas 1,2% Uña deformada 1,2% 2,4% Uña deformada y viruela 1,2% Uña deformada una rémige rota 1,2% Viruela 4,8% 11 2,1% Viruela y una rémige rota 1,2% 3,6% Viruela y dos rémiges rotas 2,4% 4,8% Total 525 1,% 517 1,% La tabla expone el número de casos detectados para cada una de las anomalías estudiadas, según procedencias Tabla 23: Porcentaje de afección para las observaciones agrupadas por afinidad OBSERVACIONES EDAD*PROCEDENCIA MACROSCOPICAS Adultos Jovenes AGRUPADAS e e Alguna anormalidad 13,1% 14,29% 73,47% 46,94% Alguna rémige rota 1,71% 1,8% 71,2% 42,6% 1 rémige rota 7,14% 9,24% 12,7% 15,82% 2 rémiges rotas 3,57%,84% 28,11% 21,68% 3 rémiges rotas 3,39% 5,1% Patas, dedos o uñas, deformados o amputados 5,4% 1,59% 1,53% Mutaciones 1,19%,23%,51% Viruela aviar forma cutánea,84% 1,59% 4,85% Patas con excrementos 1,59%,51% Total (N) La tabla muestra el porcentaje de afección detectado para cada una de las anomalías estudiadas, según procedencias y edad, agrupando los casos por afinidad para aumentar el tamaño muestral. 126
11 Tabla 24: Número de casos para las anomalías detectadas, agrupadas por afinidad OBSERVACIONES e MACROSCÓPICAS AGRUPADAS Intervalo Intervalo N % N % confianza 95% confianza 95% Ninguna observación 19 36,19 32,8 4, ,12 56,92 65,32 Alguna observación ,81 59,7 67, ,88 34,68 43,8 Alguna rémige rota ,52 57,36 65, ,62 3,52 38,72 Una rémige rota 62 11,81 9,5 14, ,12 11,12 17,12 Dos rémiges rotas ,19 2,53 27, ,63 13,42 19,84 Tres rémiges rotas ,52 21,79 29,25 2 3,87 2,21 5,53 Patas, dedos o uñas, deformados o amputados 7 1,33,35 2, ,32 1,2 3,62 Mutaciones 2,38 -,15,91 2,39 -,15,92 Viruela aviar forma cutánea 7 1,33,35 2,31 2 3,87 2,21 5,53 Total 525 1, 517 1, En esta última tabla se resumen los datos por procedencia, indicando la incidencia de cada anomalía en número total de individuos, porcentaje sobre el total poblacional, e intervalo de confianza en porcentaje. Prueba binomial Tabla 25: Prueba binomial para el examen macroscópico Variables Categoría N Alguna observación Alguna rémige rota Una rémige rota Dos rémiges rotas Tres rémiges rotas Patas, dedos o uñas, deformados o amputados Proporción observada Prop. De prueba 335,625,54 e 21, , 323,643,54 e 179, , 62,459,54 e 73, , 127,596,54 e 86, , 134,87,54 e 2, , 7,368,54 e 12, , Sig. asintót. (unilateral),,,17,4,,171 Mutación 2,5,54 e 2,5 4 1,,
12 Variables Categoría N Proporción Prop. De observada prueba Viruela 7,259,54 e 2, , Sig. asintót. (unilateral),9 Mediante la prueba binomial realizamos el siguiente contraste de hipótesis: H o : el porcentaje de afección es el mismo para perdices de granja y silvestres. H a : el porcentaje de afección es distinto para perdices de granja y silvestres. Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que existen diferencias entre perdices de granja y silvestres. El nivel de significación para el rechazo suele fijarse en,5. N: nºde casos. Proporción observada: proporción de casos para cada grupo. Prop.de prueba: proporción del primer grupo en el total o proporción esperada. Sig.asint.(bilateral): Significación asintótica bilateral o probabilidad, basada en la distribución asintótica de un estadístico de contraste y asumiendo que el conjunto de datos es grande, de obtener un resultado tan extremo como el observado y en cualquiera de las dos direcciones, cuando la hipótesis nula es cierta. 128
13 Ciclo biológico Tabla 26: Tabla cronométrica de Bureau, adaptada a la Península Ibérica por Calderón La tabla muestra la relación entre el nº de rémige primaria en muda activa y su longitud, con la edad en días de la perdiz juvenil. (Fuente: Ponz 2) 129
14 Descripción de la muestra Tabla 27: Porcentaje de individuos nacidos por quincenas, según el mes de captura Quincena Capturas de OCTUBRE Capturas de NOVIEMBRE Capturas de DICIEMBRE Capturas de ENERO de eclosión e e e e N SD 8,7 82,81 81,88 7,43 85,56 77,93 93,6 76,27 <JN1,78 1,45 JN1 8,77 3,13 JN2 8,77 1,16,72 9,71 JL1 1,75 2,86 7,97 13,99 JL2 6,52 4,74 4,44 3,45 AG1,72,68 7,78 8,97 AG2,26,72,45 2,22 7,59 1,6 3,39 SP1 1,38 2,4 8,47 >SP1,69 2,4 11,86 TOTAL-SD 19,3 17,19 18,12 29,57 14,44 22,7 6,4 23,73 La tabla presenta el porcentaje de perdices nacidas en cada quincena, así como aquellos juveniles en que no ha podido determinarse la fecha de eclosión, y por tanto, se suponen nacidos en los 13 días anteriores a la fecha de captura. Se analizan por separado las perdices capturadas en cada mes, pues la posibilidad de detección de la fecha de eclosión va en descenso respecto al tiempo. N: nº total de juveniles. SD: fecha de eclosión sin determinar. <JN1: Eclosión antes de la 1ª quincena de junio. JN1: Eclosión en la 1ª quincena de junio. JN2: Eclosión en la 2ª quincena de junio. JL1: Eclosión en la 1ª quincena de julio. JL2: Eclosión en la 2ª quincena de julio. AG1: Eclosión en la 1ª quincena de agosto. AG2: Eclosión en la 2ª quincena de agosto. SP!: Eclosión en la 1ª quincena de septiembre. >SP1: Eclosión después de la 1ª quincena de septiembre. TOTAL-SD: porcentaje de individuos de los que se ha podido determinar la quincena de eclosión Prueba Chi-cuadrado Tabla 28: Resumen de la prueba Chi-cuadrado para las fechas de eclosión Época de captura Octubre Noviembre Diciembre Enero Época de eclosión <JN2 JN2 >JN2 <JL1 JL1 JL2 >JL2 <AG1 AG1 >AG1 <SP1 SP1 >SP1 Nº de casos e Significación,781,183,47, Esta tabla muestra los datos tal y como han sido agrupados para el análisis, a diferencia de la anterior que los mostraba tal y como habían sido tomados en laboratorio. La prueba Chi-cuadrado de Pearson no ha sido aplicada sobre los porcentajes, sino sobre los valores totales de la procedencia menos numerosa (), pues el tamaño de la muestra es influyente en la prueba. El test también exige que el número de grupos no sea menor a 5 y que no existan grupos de probabilidad menor al 5%. Ambas condiciones no pueden cumplirse simultáneamente en la muestra estudiada, por ello se busca una solución compromiso entre los dos condicionantes. Por esta razón nos vemos obligados a agrupar los datos hasta conseguir porcentajes mayores, a cambio de perder precisión en la determinación exacta de las fechas de eclosión y en la posibilidad de encontrar diferencias menores. También se muestra el error de estimación como indicador de la fiabilidad del dato. Mediante la prueba Chi-cuadrado se contrastan las hipótesis: H o : La proporción de juveniles nacidos en las épocas señaladas, es igual para perdices de granja y silvestres H a : La proporción de juveniles nacidos en las épocas señaladas, es distinta para individuos de granja y silvestres Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que existen diferencias entre perdices de granja y silvestres. El nivel de significación suele fijarse en,5, siendo señalados los menores a este límite en negrita con fondo gris. La prueba se aplica sobre el nº de casos de perdices de granja (observados) frente al nº de casos de perdices silvestres (esperados) a igual tamaño de la muestra. N: nº total de juveniles. <JN2: Eclosión antes de la 2ª quincena de junio. JN2: Eclosión en la 2ª quincena de junio >JN2: Eclosión posterior a la 2ª quincena de junio. <JL1: Eclosión antes de la 1ª quincena de julio. JL1: Eclosión en la 1ª quincena de julio. JL2: Eclosión en la 2ª quincena de julio. >Jl2 Eclosión posterior a la 2ª quincena de julio. <AG1: Eclosión antes de la 1ª quincena de agosto. AG1: Eclosión en la 1ª quincena de agosto. >AG1: Eclosión posterior a la 1ª quincena de agosto. <SP1: Eclosión antes de la 1ª quincena de septiembre. SP1: Eclosión en la 1ª quincena de septiembre. >SP1: Eclosión tras la 1ª quincena de septiembre. 13
15 Estructura poblacional Descripción de la muestra Tabla 29: Perdices por zonas, procedencia, sexo y edad Hembras Machos Hembras Machos adultas adultos jóvenes jóvenes Adultos Jóvenes Machos Hembras Total Zona N % N % N % N % N % N % N % N % N Castellano 8 7,9 9 8, , , , , , ,6 11 leonesa e , , 49 32, , ,3 8 62, , , Castellano 4 1,3 1 2, , ,8 5 12, , , ,6 39 manchegas e , , , , , , , , , , , 27 46, , , , ,5 583 Mediterráneas e 81 19, 36 8, , , , , , , , , , , , , , ,2 723 Global e , , , , , , , , Total G+S , , , , , , , ,7 362 La tabla presenta por zonas y procedencias, el número y el porcentaje de perdices por sexos y edades. Prueba binomial Tabla 3: Pruebas binomiales aplicadas a los ratios de sexo y edad PROCEDENCIA ZONA CATEGORÍA N PROPORCIÓN OBSERVADA PROPORCIÓN DE PRUEBA SIG. ASINTÓT. (BILATERAL) Total Adulto 998,33,5, Joven 264, , e e Cast-leonesas Cast-manchegas Mediterráneas Cast-leonesas Cast-manchegas Mediterráneas Adulto 119,16,5, Joven 64, , Adulto 879,38,5, Joven 146, , Adulto 17,17,5, Joven 84, , Adulto 5,13,5, Joven 34, , Adulto 97,17,5, Joven 486, , Adulto 476,37,5, Joven 8, , Adulto 286,45,5,11 Joven 351, , Adulto 117,27,5, Joven 39, , 131
16 PROCEDENCIA ZONA CATEGORÍA N PROPORCIÓN OBSERVADA PROPORCIÓN DE PRUEBA SIG. ASINTÓT. (BILATERAL) Total Hembra 1461,48,5,12 Macho 161, , e e Total e e Cast-leonesas Cast-manchegas Mediterráneas Cast-leonesas Cast-manchegas Mediterráneas Cast-leonesas Cast-manchegas Mediterráneas Cast-leonesas Cast-manchegas Mediterráneas Hembra 298,41,5, Macho 425, , Hembra 1163,5,5,84 Macho 1176, , Hembra 45,45,5,32 Macho 56, , Hembra 17,44,5,522 Macho 22, , Macho 347,6,5, Hembra 236, , Hembra 592,46,5,11 Macho 684, , Hembra 332,52,5,33 Macho 35, , Hembra 239,56,5,13 Macho 187, , Hembra joven 14,49,5,226 Macho joven 16, , Hembra joven 266,44,5,4 Macho joven 338, , Hembra joven 738,51,5,695 Macho joven 722, , Hembra joven 37,44,5,326 Macho joven 47, , Hembra joven 21,62,5,229 Macho joven 13, , Hembra joven 216,44,5,16 Macho joven 27, , Hembra joven 49,51,5,548 Macho joven 391,49 8 1, Hembra joven 171,49,5,669 Macho joven 18, , Hembra joven 158,51,5,733 Macho joven 151, , 132
17 PROCEDENCIA ZONA CATEGORÍA N PROPORCIÓN OBSERVADA PROPORCIÓN DE PRUEBA SIG. ASINTÓT. (BILATERAL) Total Hembra adulta 457,46,5,9 Macho adulto 541, , e Hembra adulta 32,27,5, Macho adulto 87, , Hembra adulta 425,48,5,345 Macho adulto 454, , Cast-leonesas Hembra adulta 8,47,5 1, Macho adulto 9, , Cast-manchegas Hembra adulta 4,8,5,375 Macho adulto 1,2 5 1, Mediterráneas Hembra adulta 77,79,5, Macho adulto 2, , e Cast-leonesas Hembra adulta 183,38,5, Macho adulto 293, , Cast-manchegas Hembra adulta 161,56,5,38 Macho adulto 125, , Mediterráneas Hembra adulta 81,69,5, Macho adulto 36, , Esta prueba binomial contrasta las siguientes hipótesis: H o : El numerador y el denominador del ratio son iguales, es decir, el ratio es igual a la unidad H a : el numerador y el denominador del ratio son distintos, es decir, el ratio no es igual a la unidad Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que el ratio es distinto de la unidad. N: nºde casos. Proporción observada: proporción de casos para cada grupo. Prop.de prueba: proporción del primer grupo en el total o proporción esperada. Sig.asint.(bilateral): Significación asintótica bilateral o probabilidad, basada en la distribución asintótica de un estadístico de contraste y asumiendo que el conjunto de datos es grande, de obtener un resultado tan extremo como el observado y en cualquiera de las dos direcciones, cuando la hipótesis nula es cierta. 133
18 Jornada cinegética Descripción de la muestra Figura 23: Diagramas de caja de las variables y parámetros definitorios de la jornada %Efectividad 2 N = Rdto/día 2 N = ,5 12 3, 1 2,5 8 Rdto/hora 2, 1,5 1,,5, N = Densidad (perdices/1ha) N =
19 Nºcazadores 5 N = Nºperros 5 N = Nºhoras N = Los diagramas muestran la distribución de los datos para cada variable, comparando a su vez entre procedencias. La línea transversal de la caja, es la mediana de las observaciones; los extremos de la caja indican los percentiles del 25 y 75%, por lo que la caja recoge el 5% de las observaciones; las líneas que salen de las cajas recogen el resto de valores del al 1%; finalmente los valores extremos se señalan con círculos, mientras que los atípicos son asteriscos. Resultados del análisis VARIABLE DEPENDIENTE EFECTIVIDAD RENDIMIENTO POR DÍA Tabla 31: Análisis de varianza de las variables de la jornada cinegética SUMA DE CUADRADOS TIPO III GL MEDIA CUADRÁTICA F SIGNIFICACIÓN FUENTE PROCE 5653, ,386 13,798, ERROR 23518, ,722 TOTAL CORREGIDA 24833, PROCE 157, ,572 64,535, ERROR 151, ,442 TOTAL CORREGIDA 1659,
20 VARIABLE DEPENDIENTE RENDIMIENTO POR HORA DENSIDAD NºCAZADORES NºPERROS SUMA DE CUADRADOS TIPO III MEDIA CUADRÁTICA F SIGNIFICACIÓN FUENTE GL PROCE 23, ,78 97,47, ERROR 141,59 598,237 TOTAL CORREGIDA 164, PROCE 3664, ,917 22,644, ERROR 915, ,851 TOTAL CORREGIDA 93815, PROCE,7 1,7,2,966 ERROR 2354, ,785 TOTAL CORREGIDA 2354, PROCE,17 1,17,46,831 ERROR 2261, ,72 TOTAL CORREGIDA 2262,33 69 NºHORAS PROCE 125, ,26 47,73, ERROR 1592, ,624 Total corregida 1718, Las tablas explican, para cada variable, la influencia del factor procedencia, mediante el siguiente contraste de hipótesis: H : Tanto perdices de granja como silvestres tienen la misma media para la variable estudiada H a : Perdices de granja y silvestres tienen distinta media para la variable estudiada Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que la procedencia influye. Suele considerarse que el factor influye a partir de una significación menor de,5, aunque es bueno tener en cuenta todos aquellos factores con significación menor de,1. Fuente: factores entre los que se reparte la variabilidad existente. Suma de cuadrados tipo III: cálculo de la variabilidad mediante un método aplicable a diseños desequilibrados. GL: grados de libertad o número de términos estadísticamente independientes para obtener el nivel de significación. Media cuadrática: relación entre la suma de cuadrados y sus grados de libertad. F: estadístico de contraste que se distribuye según una F de Fisher, calculado como la relación entre la media cuadrática del factor y la del error. Significación: probabilidad condicional de que exista una relación tan fuerte como la observada en los datos, si la hipótesis nula fuera cierta. Proce: factor con niveles silvestre-granja. 136
21 Tabla 32: Intervalos de confianza y comparación de medias de las variables de la jornada VARIABLE MEDIA SD INTERVALO 95% DIF. G-S SD SIG. %Efectividad 28,315 1,796 24,787 31,843 e 2,758,955 18,882 22,634 7,557 2,34, Rdto/día 2,483,138 2,212 2,755 e 1,237,71 1,98 1,376 1,246,155, Rdto/hora,798,44,711,884 e,312,22,268,355,486,49, Densidad 19,857 1,152 17,595 22,12 e 13,659,69 12,463 14,854 6,199 1,33, Nºcazadores Global 2,312,96 2,123 2, Nºperros Global 2,274,96 2,86 2, Nº horas 3,729,144 3,446 4,12 e 4,849,74 4,74 4,993-1,12,162, Una vez que el ADEVA concluye que existen diferencias entre perdices silvestres y de granja, la comparación por pares permite en qué sentido y de qué magnitud son las diferencias. El contraste de hipótesis que se realiza es el siguiente: H : La diferencia entre medias es nula, por tanto, no hay diferencias H a : La diferencia entre medias no es nula, por tanto, hay diferencias Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que la diferencia es significativa. Suele considerarse que el factor influye a partir de una significación menor de,5, aunque es bueno tener en cuenta todos aquellos factores con significación menor de,1. La tabla también muestra los intervalos de confianza al 95% estimados SD: Desviación estándar de la media (en el primer caso) y de la diferencia (en el segundo caso). DIF. G-S: Diferencia entre la media de las perdices de granja y la media de las silvestres. SIG: Significación del contraste. Diagnosis del modelo ADEVA Tabla 33: Prueba de normalidad por el test de Kolmogorov-Smirnov con la corrección de significación de Lilliefors Variable dependiente Estadístico gl Sig. %Efectividad, , Rdto/dia, , Rdto/hora,275 6, Densidad, , Nºcazadores,25 624, Nºperros,238 61, Nºhoras,116 69, La prueba realiza el siguiente contraste de hipótesis para cada variable: H : los datos se distribuyen según una distribución normal H a : Los datos no siguen una distribución normal Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que los datos no se distribuyen normalmente. Estadístico: Medida de resumen que se utiliza para describir la muestra. gl: grados de libertad o número de términos estadísticamente independientes para obtener el nivel de significación. Sig: nivel de significación o probabilidad condicional de que exista una relación tan fuerte como la observada en los datos, si la hipótesis nula fuera cierta. 137
22 Tabla 34: Prueba de homocedasticidad por el contraste de Variable dependiente F gl1 gl2 Significación %Efectividad 1, ,1 Rdto/dia 95, , Rdto/hora 151, , Densidad 4, ,38 Nºcazadores, ,742 Nºperros, ,619 Nºhoras, ,329 La prueba realiza el siguiente contraste de hipótesis para cada variable: H : todos los grupos tienen la misma varianza H a : algún grupo tiene distinta varianza que el resto Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que los datos no cumplen la hipótesis de homocedasticidad. F: estadístico de contraste que se distribuye según una F de Snedecor. gl1: grados de libertad del numerador. gl2: grados de libertad del denominador. Significación: probabilidad condicional de que exista una relación tan fuerte como la observada en los datos, si la hipótesis nula fuera cierta. Variable dependiente Tabla 35: Pruebas de independencia de los datos Prueba de Rachas Sig. asintót. (bilateral) Mediana Casos < Mediana Casos<= Mediana n Nºrachas Z d %Efectividad ,918,55 2,64 Rdto/dia 1, ,539,59 1,983 Rdto/hora, ,31,33 2,2 Densidad ,58,29 2,65 Nºcazadores ,327, Nºperros ,996,46 1,934 Nºhoras ,594,553 2,1 Test de Durbin-Watson Intervalo de independencia 1,65-2,35 La prueba de Rachas realiza el siguiente contraste de hipótesis para cada variable: H : las observaciones son independientes H a : las observaciones son dependientes Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que los datos no cumplen la hipótesis de independencia. Mediana: observación que separa el 5% de los casos ordenados por magnitud, se utiliza como punto de corte para crear una variable dicotómica. Casos<mediana: nºde observaciones menores que la mediana. Casos>=mediana: nºde observaciones por encima o iguales que la mediana. n: nº total de casos. Nºrachas: nºde sucesiones de valores por encima o por debajo de la mediana. Z: estadístico de contraste de distribución aproximada normal. Sig.asintót.(bilateral): Significación asintótica bilateral o probabilidad, basada en la distribución asintótica de un estadístico de contraste y asumiendo que el conjunto de datos es grande, de obtener un resultado tan extremo como el observado y en cualquiera de las dos direcciones, cuando la hipótesis nula es cierta. El test de Durbin-Watson prueba la autocorrelación de los datos mediante el estadístico d. Cuanto más se acerca el estadístico a 2, menos correlacionados están los datos, aunque también puede establecerse un rango de no-autocorrelación (intervalo de independencia), que es función del número de factores y el número de observaciones total. 138
23 Relación lineal entre variables y parámetros Modelos tipo I : Parámetro = f(densidad, tiempo) Figura 24: Diagramas de dispersión múltiple PROCEDEN: PROCEDEN: e E f e c t i v i d a d Perdices/1ha 1 2 horas de caza E f e c t i v i d a d Perdices/1ha 1 2 horas de caza PROCEDEN: PROCEDEN: e R d t o. h o r a 1,,9,8,7,6,5,4,3,2, Perdices/1ha 1 2 horas de caza R d t o. h o r a 1,,9,8,7,6,5,4,3,2, Perdices/1ha 1 2 horas de caza Los gráficos 3D muestran la relación entre las tres variables según el modelo establecido. 139
24 Tabla 36: Resumen de los modelos Modelo R R cuadrado Durbin-Watson Efectividad-,372,139 2,84 Efectividad-e,384,147 1,933 Rdto-,58,258 2,263 Rdto-e,591,349 1,944 El resumen de los modelos nos da la siguiente información: -R: coeficiente de correlación entre los valores observados y pronosticados en la variable dependiente. Su valor tiene un rango de a 1. Un valor pequeño indica que hay poca o ninguna relación lineal entre la variable dependiente y las variables independientes. Es una medida de la condición de linealidad -R cuadrado: Medida de la bondad de ajuste de un modelo lineal. En ocasiones recibe el nombre de coeficiente de determinación. Es la proporción de la variación de la variable dependiente explicada por el modelo de regresión. Sus valores van desde a 1. Los valores pequeños indican que el modelo no se ajusta bien a los datos. -Durbin-Watson: prueba de autocorrelación de los datos de forma que cuanto más se aproxima a 2, menos correlacionadas están las observaciones. Es una prueba de la condición de independencia. Tabla 37: ADEVA de los modelos Modelo Suma de cuadrados gl Media cuadrática F Sig. Efectividad- Regresión 8354, ,35 9,581, Residual 51882, ,983 Total 6236, Efectividad-e Regresión 23728, ,68 37,472, Residual 13749, ,613 Total , Rdto- Regresión 2, ,15 2,543, Residual 58, ,494 Total 78, Rdto-e Regresión 21,19 2 1,51 116,347, Residual 39,24 434,9 Total 6, La prueba ADEVA aplicada a la regresión, comprueba si el modelo planteado es significativo, mediante el siguiente contraste de hipótesis: H : Todas las variables tienen coeficientes nulos H a : Alguna variable no tiene coeficiente nulo Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que el modelo es significativo. Suele considerarse que el modelo es correcto a partir de una significación menor de,5, aunque es bueno tener en cuenta todos aquellos factores con significación menor de,1. Suma de cuadrados: cálculo de la variabilidad. GL: grados de libertad o número de términos estadísticamente independientes para obtener el nivel de significación. Media cuadrática: relación entre la suma de cuadrados y sus grados de libertad. F: estadístico de contraste que se distribuye según una F de Fisher, calculado como la relación entre la media cuadrática del factor y la del error. Sig: probabilidad condicional de que exista una relación tan fuerte como la observada en los datos, si la hipótesis nula fuera cierta. 14
25 Modelo Efectividad- Efectividad- e Rdto- Rdto- e Tabla 38: Coeficientes de los modelos Coeficientes no estandarizados Coeficientes estandarizados t Sig. Estadístico de Error colinealidad (FIV) B típ. Beta (Constante) 6,753 9,18 6,618, Perdices/1ha -,812,186 -,473-4,377, 1,611 horas de caza -4,588 1,677 -,295-2,736,7 1,611 (Constante) 37,859 3,454 1,961, Perdices/1ha -,657,76 -,432-8,6, 1,285 horas de caza -1,811,57 -,16-3,179,2 1,285 (Constante),64,311 1,944,54 Perdices/1ha,25,6,47 4,4, 1,613 horas de caza -,82,57 -,144-1,428,156 1,613 (Constante),425,58 7,278, Perdices/1ha,12,1,421 9,599, 1,285 horas de caza -,57,1 -,261-5,935, 1,285 La tabla aporta la siguiente información sobre los modelos: - Coeficientes no estandarizados: muestra los coeficientes de regresión con sus desviaciones típicas. - Coeficientes estandarizados: Los coeficientes beta, denominados coeficientes de regresión tipificados, son los coeficientes de regresión cuando todas las variables se expresan de forma adimensional. La transformación de las variables independientes a su forma tipificada hace que los coeficientes sean más comparables, ya que todas las variables se encuentran en la misma escala de medida. - t: Estadístico utilizado para contrastar la hipótesis nula de que no hay relación lineal entre una variable dependiente y una variable independiente o, en otras palabras, que un coeficiente de regresión es igual a. - Sig: La probabilidad condicional de que exista una relación tan fuerte como la observada en los datos, si la hipótesis nula fuera cierta. A menudo se denomina valor "p". De manera habitual, se considera significativo un valor menor que.5. - Estadístico de colinealidad (VIF): La colinealidad (o multicolinealidad) es la situación no deseable donde existen grandes correlaciones entre las variables independientes. Para determinar la cuantía en que están relacionadas las variables independientes unas con otras se utiliza el VIF (factor de incremento de la varianza). Cuando el VIF crece, también lo hace la varianza del coeficiente de regresión, haciendo que el estimador sea inestable, e indicando que la variable contribuye con muy poca información en el modelo. Se considera que un VIF mayor de 1 es indicativo con bastante seguridad de multicolinealidad. Figura 25: Histogramas de los residuos 3 2 Histograma Variable dependiente: Efectividad PROCEDEN: Histograma Variable dependiente: Efectividad PROCEDEN: 8 Frecuencia 1 Desv. típ. =,99 Media =, N = 122, Frecuencia ,2-1,4 2,33 1,67 1,,33 -,33-1, -1,67-2,33-2,6-3,8 3,4 2,2 1, Desv. típ. = 1, Media =, N = 437, Residuos Regresión Residuo tipificado 141
26 3 Histograma Variable dependiente: Capt/caz*h PROCEDEN: 12 Histograma Variable dependiente: Capt/caz*h PROCEDEN: Frecuencia 1 1,7 1,3,9,5,1 -,3 -,7-1,1-1,5-1,9 Desv. típ. =,99 Media =, N = 121, Frecuencia 4 2-1,95-2,85,75 -,15-1,5 2,55 1,65 Desv. típ. = 1, Media =, N = 437, Regresión Residuo tipificado Regresión Residuo tipificado Los histogramas de los residuos son indicativos de la hipótesis de normalidad. Si el histograma se adapta perfectamente a la curva normal representada, se cumple la condición de normalidad. Figura 26: Diagramas de dispersión de los residuos 4, Gráfico de dispersión Variable dependiente: Efectividad PROCEDEN: 5, Gráfico de dispersión Variable dependiente: Efectividad PROCEDEN: Regresión Residuo tipificado 3, 2, 1,, -1, -2, Regresión Residuo tipificado 4, 3, 2, 1,, -1, -2, Regresión Valor pronosticado tipificado Regresión Valor pronosticado tipificado 142
27 4, Gráfico de dispersión Variable dependiente: Capt/caz*h PROCEDEN: 1, Gráfico de dispersión Variable dependiente: Capt/caz*h PROCEDEN: Regresión Residuo tipificado 3, 2, 1,, -1, -2, Regresión Residuo tipificado 8, 6, 4, 2,, -2, -4, Regresión Valor pronosticado tipificado Regresión Valor pronosticado tipificado Los diagramas de dispersión de los residuos permiten detectar la falta de linealidad y de homocedasticidad. Se intuye la falta de linealidad si observa alguna pauta de distribución, mientras que la heterocedasticidad se intuye si la variabilidad no es constante. Modelos tipo II : Parámetro = F(densidad) Figura 27: Diagramas de dispersión simple PROCEDEN: PROCEDEN: Efectividad 2 1 R² = Efectividad 2 1 R² = Perdices/1ha Perdices/1ha PROCEDEN: PROCEDEN: 3, 3, 2,5 2,5 2, 2, 1,5 1,5 1, 1, Capt/caz*h,5, R² = Capt/caz*h,5, R² = Perdices/1ha Perdices/1ha Los gráficos 2D muestran la relación entre las dos variables según el modelo establecido, representando la recta de regresión flanqueada por las líneas que definen el intervalo de confianza para cada valor de densidad. También permiten detectar la falta de linealidad. 143
28 Tabla 39: Resumen de los modelos Modelo R R cuadrado Durbin-Watson Efectividad-,291,85 2,212 Efectividad-e,357,127 1,97 Rdto-,495,245 2,35 Rdto-e,544,296 1,962 El resumen de los modelos nos da la siguiente información: -R: coeficiente de correlación entre los valores observados y pronosticados en la variable dependiente. Su valor tiene un rango de a 1. Un valor pequeño indica que hay poca o ninguna relación lineal entre la variable dependiente y las variables independientes. Es una medida de la condición de linealidad -R cuadrado: Medida de la bondad de ajuste de un modelo lineal. En ocasiones recibe el nombre de coeficiente de determinación. Es la proporción de la variación de la variable dependiente explicada por el modelo de regresión. Sus valores van desde a 1. Los valores pequeños indican que el modelo no se ajusta bien a los datos. -Durbin-Watson: prueba de autocorrelación de los datos de forma que cuanto más se aproxima a 2, menos correlacionadas están las observaciones. Es una prueba de la condición de independencia. Tabla 4: ADEVA de los modelos Modelo Suma de cuadrados gl Media cuadrática F Sig. Efectividad- Regresión 59, ,663 11,78,1 Residual 55145, ,545 Total 6236, Efectividad-e Regresión 2528, ,453 63,58, Residual 1469, ,241 Total , Rdto- Regresión 19, ,292 38,71, Residual 59,36 119,498 Total 78, Rdto-e Regresión 17, , ,65, Residual 42, ,97 Total 6, La prueba ADEVA aplicada a la regresión, comprueba si el modelo planteado es significativo, mediante el siguiente contraste de hipótesis: H : Todas las variables tienen coeficientes nulos H a : Alguna variable no tiene coeficiente nulo Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que el modelo es significativo. Suele considerarse que el modelo es correcto a partir de una significación menor de,5, aunque es bueno tener en cuenta todos aquellos factores con significación menor de,1. Suma de cuadrados: cálculo de la variabilidad. GL: grados de libertad o número de términos estadísticamente independientes para obtener el nivel de significación. Media cuadrática: relación entre la suma de cuadrados y sus grados de libertad. F: estadístico de contraste que se distribuye según una F de Fisher, calculado como la relación entre la media cuadrática del factor y la del error. Sig: probabilidad condicional de que exista una relación tan fuerte como la observada en los datos, si la hipótesis nula fuera cierta. 144
29 Tabla 41: Coeficientes de los modelos Modelo Coeficientes no estandarizados t Sig. Efectividad- Efectividad-e Rdto- Rdto-e B Error típ. (Constante) 37,493 3,556 1,544, Perdices/1ha -,499,15-3,328,1 (Constante) 27,628 1,267 21,812, Perdices/1ha -,543,68-7,969, (Constante),193,118 1,643,13 Perdices/1ha,31,5 6,222, (Constante),12,22 4,635, Perdices/1ha,16,1 13,53, La tabla aporta la siguiente información sobre los modelos: - Coeficientes no estandarizados: muestra los coeficientes de regresión con sus desviaciones típicas. - t: Estadístico utilizado para contrastar la hipótesis nula de que no hay relación lineal entre una variable dependiente y una variable independiente o, en otras palabras, que un coeficiente de regresión es igual a. - Sig: La probabilidad condicional de que exista una relación tan fuerte como la observada en los datos, si la hipótesis nula fuera cierta. A menudo se denomina valor "p". De manera habitual, se considera significativo un valor menor que.5. Figura 28: Histogramas de los residuos 3 Histograma Variable dependiente: Efectividad PROCEDEN: 1 Histograma Variable dependiente: Efectividad PROCEDEN: Frecuencia 1-1,87-1,7 -,27,53 1,33 Desv. típ. = 1, Media =, N = 122, Frecuencia 4 2 1,7 1,3,9,5,1 -,3 -,7-1,1-1,5-1,9 Desv. típ. = 1, Media =, N = 437, 3 Regresión Residuo tipificado Histograma Variable dependiente: Capt/caz*h PROCEDEN: 14 Regresión Residuo tipificado Histograma Variable dependiente: Capt/caz*h PROCEDEN: Frecuencia 1-1,5-1,9 6 Desv. típ. = 1, Media =, N = 121, Frecuencia 4 2 Desv. típ. = 1, Media =, N = 437, 1,7 1,3,9,5,1 -,3 -,7-1,1 Regresión Residuo tipificado 2,55 1,95 1,35,75,15 -,45-1,5-1,65-2,25-2,85 Regresión Residuo tipificado Los histogramas de los residuos son indicativos de la hipótesis de normalidad. Si el histograma se adapta perfectamente a la curva normal representada, se cumple la condición de normalidad. 145
30 Figura 29: Diagramas de dispersión de los residuos 3, Gráfico de dispersión Variable dependiente: Efectividad PROCEDEN: 5, Gráfico de dispersión Variable dependiente: Efectividad PROCEDEN: Regresión Residuo tipificado 2, 1,, -1, -2, Regresión Residuo tipificado 4, 3, 2, 1,, -1, -2, , Regresión Valor pronosticado tipificado Gráfico de dispersión Variable dependiente: Capt/caz*h PROCEDEN: 8, Regresión Valor pronosticado tipificado Gráfico de dispersión Variable dependiente: Capt/caz*h PROCEDEN: Regresión Residuo tipificado 3, 2, 1,, -1, -2, Regresión Residuo tipificado 6, 4, 2,, -2, -4, Regresión Valor pronosticado tipificado Regresión Valor pronosticado tipificado Los diagramas de dispersión de los residuos permiten detectar la falta de linealidad y de homocedasticidad. Se intuye la falta de linealidad si observa alguna pauta de distribución, mientras que la heterocedasticidad se intuye si la variabilidad no es constante. 146
31 Malas prácticas cinegéticas Tabla 42: Prueba Chi-cuadrado para las malas prácticas cinegéticas Variable Nºcazadores/mano Nºperdices/bando Grupo a 4 5 a 9 1 a a Nº de casos e Significación,744,31 Mediante la prueba Chi-cuadrado se contrastan las hipótesis: H o : La distribución estimada es igual para perdices de granja y silvestres H a : La distribución estimada es distinta para individuos de granja y silvestres Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que existen diferencias entre perdices de granja y silvestres. El nivel de significación suele fijarse en,5, siendo señalados los menores a este límite en negrita con fondo gris. La prueba se aplica sobre el nº de casos de perdices de granja (observados) frente al nº de casos de perdices silvestres (esperados) a igual tamaño de la muestra. Determinación del sexo y la edad por el cazador Tabla 43: Prueba binomial para la habilidad del cazador en acertar el sexo y la edad Sig.asint. N Nºaciertos %aciertos %error (bilateral) e ,16 3,71, ,69 8,33 Mediante la prueba binomial realizamos el siguiente contraste de hipótesis: H o : el porcentaje de aciertos es el mismo para perdices de granja y silvestres. H a : el porcentaje de aciertos es distinto para perdices de granja y silvestres. Cuanto menor es la significación, con mayor probabilidad podemos rechazar la hipótesis nula, y por tanto, con mayor confianza podemos decir que existen diferencias entre perdices de granja y silvestres. El nivel de significación para el rechazo suele fijarse en,5. N: nºde casos. Nºaciertos: nº de casos en que coincide el resultado de laboratorio con el pronostico del cazador. %aciertos: porcentaje de aciertos. %error: error al 95% de confianza con que se calcula %aciertos. Sig.asint.(bilateral): Significación asintótica bilateral o probabilidad, basada en la distribución asintótica de un estadístico de contraste y asumiendo que el conjunto de datos es grande, de obtener un resultado tan extremo como el observado y en cualquiera de las dos direcciones, cuando la hipótesis nula es cierta. 147
Correlación. 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 detallesTEMA 4 FASE ESTADÍSTICO-ANALÍTICA: RECURSOS PARA EL ANÁLISIS DE DATOS
TEMA 4 FASE ESTADÍSTICO-ANALÍTICA: RECURSOS PARA EL ANÁLISIS DE DATOS FASES EN EL ANÁLISIS DE LOS DATOS DE UNA INVESTIGACIÓN SELECCIÓN HIPÓTESIS DE INVESTIGACIÓN Modelo de Análisis Técnica de Análisis
Más detallesIII. Métodos estadísticos de análisis
Anexo III Métodos estadísticos de análisis Estadística descriptiva Análisis de muestras y contraste de hipótesis Análisis de varianza factorial Prueba binomial Prueba Chi-cuadrado de Pearson Modelos de
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 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 detallesLucila Finkel Temario
Lucila Finkel Temario 1. Introducción: el análisis exploratorio de los datos. 2. Tablas de contingencia y asociación entre variables. 3. Correlación bivariada. 4. Contrastes sobre medias. 5. Regresión
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 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 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 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 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 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 detallesUNIVERSIDAD DE ANTIOQUIA FACULTAD NACIONAL DE SALUD PÚBLICA Héctor Abad Gómez. Facultad Nacional de Salud Pública Héctor Abad Gómez
UNIVERSIDAD DE ANTIOQUIA FACULTAD NACIONAL DE SALUD PÚBLICA Héctor Abad Gómez Facultad Nacional de Salud Pública Héctor Abad Gómez La Regresión es una técnica estadística utilizadas para estimar (interpolar)
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallesQué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y)
Gráfico de dispersión Qué es? Primer paso Representación en un sistema de coordenadas cartesianas de los datos numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión
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 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 detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
Más detallesGUIA DOCENTE ESTADISTICA
1 GUIA DOCENTE ESTADISTICA 1- Datos de identificación Asignatura: Estadística Carácter: Formación básica Titulación: Psicología Ciclo: Grado Curso: 1 Cuatrimestre: Anual Departamento: Metodología de las
Más detalles2. ESTADÍSTICA DESCRIPTIVA 15 Estadística descriptiva.. Variables aleatorias Descripción de variables cuantitativas
" INDICE PRÓLOGO... XXIII PREFACIO GUÍA DE LECTURA XXV XXIX 1. INTRODUCCIÓN A LA ESTADÍSTICA 1 1.1. Estadística 1 1.2. Historia 3 1.3. Población y muestra 4 1.4. Estadística aplicada 7 1.5. Aplicaciones
Más detallesINDICE Capitulo uno Introducción y estadísticas descriptiva Capitulo dos Conceptos en probabilidad Capitulo tres
INDICE Capitulo uno Introducción y estadísticas descriptiva 1.1. Introducción 1.2. descripción grafica de los datos 3 1.3. medidas numéricas descriptivas 11 Ejercicios 22 Apéndice: sumatorias y otras notaciones
Más detallesAnálisis de datos en CCSS: introducción al análisis descriptivo e inferencial
Programa de Doctorado Formación en la Sociedad del Conocimiento Seminario de doctorado 13 y 14 de marzo de 2014 Análisis de datos en CCSS: introducción al análisis descriptivo e inferencial Dra. Mª José
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 12 REGRESIÓN LINEAL Mediante la regresión lineal se busca hallar la línea recta que mejor explica la relación entre unas variables independientes o variables de exposición y una variable dependiente
Más detallesElaborado por: Pelay, C. y Pérez, J. Prueba t para muestras independientes
Prueba t para muestras independientes 1 El procedimiento Prueba t para muestras independientes compara las medias de dos grupos de casos. Para esta prueba, idealmente los sujetos deben asignarse aleatoriamente
Más 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 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 detallesESTADISTICA AVANZADA MODULO I
ESTADISTICA AVANZADA MODULO I Análisis de Regresión Modelo Supuestos Multiple 20.0 25.0 30.0 35.0 40.0 45.0 50.0 55.0 60.0 65.0 70.0 75.0 80.0 85.0 Consumo Energetico Gráfico de Dispersión 110.000 105.000
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 detallesÍndice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables
Pág. N. 1 Índice general Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN 1.1 Diseño 1.2 Descriptiva 1.3 Inferencia Diseño Población Muestra Individuo (Observación, Caso, Sujeto) Variables Ejercicios de Población
Más detallesANÁLISIS DESCRIPTIVO DE LOS DATOS DE VARIABLES CUANTITATIVAS
ANÁLISIS DESCRIPTIVO DE LOS DATOS DE VARIABLES CUANTITATIVAS 3datos 2011 Variables CUANTITATIVAS Números con unidad de medida (con un instrumento, o procedimiento, de medición formal) Ej.: Tasa cardiaca;
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 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 detallesUniversidad Nacional Abierta Estadística Aplicada (Cód. 746) Vicerrectorado Académico Cód. Carrera: Área de Matemática Fecha:
Segunda Prueba Parcial Lapso 7-746 /6 Universidad Nacional Abierta Estadística Aplicada (Cód. 746) Vicerrectorado Académico Cód. Carrera: 6-6 - 6 Fecha: --8 MODELO DE RESPUESTAS Objetivos 5 al 8 OBJ 5
Más detallesINDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas
INDICE Prefacio XIII 1. Introducción 1.1. la imagen de la estadística 1 1.2. dos tipos de estadísticas 1.3. estadística descriptiva 2 1.4. estadística inferencial 1.5. naturaleza interdisciplinaria de
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 detallesENCUESTA CUATRIENAL DE ESTRUCTURA SALARIAL 2014
ENCUESTA CUATRIENAL DE ESTRUCTURA SALARIAL 2014 Categoría: Bachillerato Grupo: PEPE Alumno: José M. García Arcas Tutora: M. José Calvo Leva IES Rey Carlos III OBJETIVOS. TÉCNICAS USADAS. PROGRAMAS INFORMÁTICOS
Más detallesEstadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
Más detallesIng. MSc. Luis Fernando Restrepo Gómez
Ing. MSc. Luis Fernando Restrepo Gómez Introducción a la Valuación Masiva METODOLOGÍA VALUATORIA Sigue los pasos de la metodología científica, y se apoya en el análisis estadístico de datos comparables.
Más detallesConsejería de Agricultura, Pesca y Desarrollo Rural. Estudio de la elasticidad de la demanda de aceite de oliva virgen en los hogares españoles
Consejería de Agricultura, Pesca y Desarrollo Rural Estudio de la elasticidad de la demanda de aceite de oliva virgen en los hogares españoles Diciembre 013 Estudio de la elasticidad de la demanda de aceite
Más detalles13A. RELACIÓN ENTRE DOS VARIABLES CUANTITATIVAS PRUEBAS ESTADÍSTICAS DE CONFORMIDAD
13A. RELACIÓN ENTRE DOS VARIABLES CUANTITATIVAS PRUEBAS ESTADÍSTICAS DE CONFORMIDAD RELACIÓN ENTRE DOS VARIABLES CUANTITATIVAS Las pruebas estadísticas para analizar la relación entre dos variables cuantitativas,
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 detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 21 - Junio - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que,
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesComparación de dos Muestras - SnapStat
Comparación de dos Muestras - SnapStat Resumen La Comparación de Dos Muestras usando SnapStat crea un resumen de una página que compara dos muestras independientes de datos de variables. Calcula estadísticos
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesPROGRAMA DE ASIGNATURA. CARÁCTER: Obligatoria CARRERA: Licenciatura en Ciencias de la Computación Profesorado en Física Profesorado en Matemática
PROGRAMA DE ASIGNATURA ASIGNATURA: Probabilidad y Estadística Introducción a la Probabilidad y Estadísitica AÑO: 2012 CARÁCTER: Obligatoria CARRERA: Licenciatura en Ciencias de la Computación Profesorado
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 detallesCORRELACION Y REGRESION
CORRELACION Y REGRESION En el siguiente apartado se presenta como calcular diferentes índices de correlación, así como la forma de modelar relaciones lineales mediante los procedimientos de regresión simple
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 detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
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 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 detallesIntroducción a la Estadística Aplicada en la Química
Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00
Más detallesCUERPO TÉCNICO, OPCION ESTADISTICA
CUERPO TÉCNICO, OPCION ESTADISTICA ESTADÍSTICA TEÓRICA BÁSICA TEMA 1. Fenómenos aleatorios. Conceptos de probabilidad. Axiomas. Teoremas de probabilidad. Sucesos independientes. Teorema de Bayes. TEMA
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más 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 detallesLongitud = Calcular la media, la mediana, la moda y la desviación estándar de la muestra en Matlab.
LABORATORIO 1 LABORATORIO INFORMÁTICO Un fabricante de hormigón preparado tiene su proceso de producción bajo control. Está interesado en conocer cuál es la distribución de los valores de la resistencia
Más detalles1. Introducción. CEDEX - Curso de formación estadística. Práctica Cómo introducir datos en SPSS/PC?
Técnicas de análisis multivariante - I 9//oo5 CEDEX - Curso de formación estadística Práctica. Introducción En esta práctica trabajaremos con el fichero de datos pardals.xls que corresponde a un estudio
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 detallesRegresión: implica la obtención de una ecuación mediante la que podamos estimar el valor medio de una variable.
1 DEFINICIONES PREVIAS Regresión: implica la obtención de una ecuación mediante la que podamos estimar el valor medio de una variable. Correlación: es la cuantificación del grado de relación existente
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesSEMINARIO ECONOMETRIA 14 DE MAYO DEL CASO: Determinando un éstandar de productividad comercial en banca
SEMINARIO ECONOMETRIA 14 DE MAYO DEL 212 CASO: Determinando un éstandar de productividad comercial en banca 1.1. Objetivo del análisis: Un banco quiere estimar la productividad estándar esperada de cada
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 9 DESCRIPTIVOS El submenú Estadísticos descriptivos está en el menú Analizar, y ofrece una serie de opciones para analizar datos de una forma sencilla. En este capítulo serán descritos estos procedimientos.
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
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 detallesÍNDICE CAPÍTULO 1. INTRODUCCIÓN
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.
Más detallesItinerario de la asignatura: Primer curso. Primer Semestre. Curso académico: Créditos: 10,5
Licenciatura en Medicina - Facultad de Medicina Plan de Estudios: 509 Licenciado/a en Medicina Asignatura: 29077 Bioestadística Itinerario de la asignatura: Primer curso. Primer Semestre Curso académico:
Más detallesAnálisis Multivariado: Modelo Predictivo de Regresión Lineal Múltiple
Análisis Multivariado: Modelo Predictivo de Regresión Lineal Múltiple El modelo predictivo utilizado para realizar el presente análisis es el de regresión lineal múltiple (RLM) 1. Resulta plausible la
Más detallesUNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CIENCIAS BIOLÓGICAS SUBDIRECCIÓN DE POSGRADO
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CIENCIAS BIOLÓGICAS SUBDIRECCIÓN DE POSGRADO CONTENIDO DE CARTA DESCRIPTIVA 1.- IDENTIFICACIÓN Curso: Bioestadística Programa: Doctorado en Inmunobiología
Más detallesPROGRAMA DE ESTADÍSTICA DESCRIPTIVA
PROGRAMA DE ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS DE ESTADÍSTICA Definición de Estadística Origen del concepto. Evolución histórica de la Estadística Estadística Descriptiva y Estadística Inferencial
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detalles5.5 Modelo de regresión. se especificó en los términos siguientes: (6.3.1) 1,2,3,..N. Donde:
5.5 Modelo de regresión El modelo de regresión lineal que se aplicó para explicar la relación entre producción antigüedad, edad, capital humano, apiarios y camioneta de los apicultores nayaritas se especificó
Más detallesRegresión con variables independientes cualitativas
Regresión con variables independientes cualitativas.- Introducción...2 2.- Regresión con variable cualitativa dicotómica...2 3.- Regresión con variable cualitativa de varias categorías...6 2.- Introducción.
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 detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesEl Modelo de Regresión Lineal
ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables
Más detallesFACULTAD DE RECURSOS NATURALES INGENIERÍA ZOOTECNISTA PROGRAMA DE ESTADÍSTICA Y BIOMETRÍA AÑO 2017
FACULTAD DE RECURSOS NATURALES INGENIERÍA ZOOTECNISTA PROGRAMA DE ESTADÍSTICA Y BIOMETRÍA AÑO 2017 Titular: Ing Inés González de Rubiano (gonrubi@arnet.com.ar) JTP: Lic. Gladis Mazza (gladismazza@gmail.com)
Más detallesDISEÑO Y ANÁLISIS DE DATOS I. SEGUNDO PARCIAL 2016
DISEÑO Y ANÁLISIS DE DATOS I. SEGUNDO PARCIAL 2016 Problema 1.- En La siguiente investigación estudiamos el consumo de tabaco en un determinado colectivo. Relacionemos la variable sexo con número de cigarrillos
Más detallesContrastes basados en el estadístico Ji Cuadrado
Capítulo 10 Contrastes basados en el estadístico Ji Cuadrado 10.1. Introducción Existen multitud de situaciones en el ámbito de la salud en el que las variables de interés, las cuales no pueden cuantificarse
Más detallesESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Más detallesGUÍA 5 : EFECTO DEL ESTRÉS EN EL PESO DE RECIÉN NACIDOS
GUÍA 5 : EFECTO DEL ESTRÉS EN EL PESO DE RECIÉN NACIDOS Se realizó un estudio a partir de una muestra aleatoria de mujeres atendidas por el departamento de obstetricia y ginecología de cierta clínica particular.
Más detallesSede Andina, San Carlos de Bariloche. Licenciatura en Administración, Licenciatura en Hotelería, Licenciatura en Turismo y. Licenciatura en Economía.
Sede y localidad Carreras Sede Andina, San Carlos de Bariloche Licenciatura en Administración, Licenciatura en Hotelería, Licenciatura en Turismo y Licenciatura en Economía. Programa Analítico de la asignatura
Más detallesGuía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA.
Guía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA. Debe ser resuelta a mano, citar bibliografía (no usar internet). Términos clave 1. Ceteris Paribus 2. Grado de libertad 3.
Más detallesPrograma Oficial de Asignatura. Ficha Técnica. Presentación. Competencias y/o resultados del aprendizaje. Fundamentos de Estadística
Ficha Técnica Titulación: Grado en Ingeniería de Organización Industrial Plan BOE: BOE número 75 de 28 de marzo de 2012 Asignatura: Módulo: Fundamentos de Matemáticas Curso: 2º Créditos ECTS: 6 Tipo de
Más detallesTema 7. Introducción Metodología del contraste de hipótesis Métodos no paramétricos
7-1 Tema 7 Contrastes de Hipótesis para una Muestra Introducción Metodología del contraste de hipótesis Métodos no paramétricos Test binomial Test de los signos Test de rango con signos de Wilcoxon Test
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesTema: Medidas de Asociación con SPSS
Tema: Medidas de Asociación con SPSS 1.- Introducción Una de las tareas habituales en el análisis de encuestas es la generación y análisis de tablas de contingencia, para las variables y categorías objetivo
Más detallesEstadística para las Ciencias Agropecuarias
Estadística para las Ciencias Agropecuarias Séptima Edición Di Rienzo, Julio Alejandro Casanoves, Fernando Gonzalez, Laura Alicia Tablada, Elena Margot Díaz, María del Pilar Robledo, Carlos Walter Balzarini,
Más detallesANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS
ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS NOV 2015 PLAN DE ESTUDIO 1. ESTADISTICA DESCRIPTIVA 1. MEDIDAS DE TENDENCIA CENTRAL PRIMER MOMENTO 2. OTRAS MEDIDAS DE TENDENCIA CENTRAL 3. MEDIDAS
Más detallesANEXO 4. Comparación características basales. Técnica de enseñanza. Resumen del procesamiento de los casos. N Porcentaje N Porcentaje
dimension1 dimension1 ANEXO 4 Comparación características basales Técnica de Resumen del procesamiento de los casos Técnica de Casos Válidos Perdidos N Porcentaje N Porcentaje Edad en años cumplidos On
Más detallesDISEÑO EXPERIMENTAL Biología, 2º Ciclo Profesores: Mauro Santos y Hafid Laayouni PROGRAMA TEÓRICO
DISEÑO EXPERIMENTAL Biología, 2º Ciclo 2005-2006 Profesores: Mauro Santos y Hafid Laayouni PROGRAMA TEÓRICO Tema 1 Introducción Diseño experimental e inferencia estadística: las dos caras de una misma
Más detallesTema 9. El Análisis Multivariable y el control de los supuestos paramétricos
Tema 9 El Análisis Multivariable y el control de los supuestos paramétricos Supuestos paramétricos Normalidad multivariable Homocedasticidad Tamaño muestral n>30 Linealidad Nivel de medición continuo Supuestos
Más detallesFuente: Base de datos del proyecto Funcionalidad Familiar y Adherencia Terapéutica en pacientes en Hemodiálisis Ambulatoria, Pasaje 2016.
Funcionalidad Familiar y Adherencia Terapéutica en Pacientes Hemodializados Tabla 1. Características Sociodemográficas VARIABLES PARA DESCRIBIR LA POBLACIÓN EDAD (años): media ± DT (límites: IC 95%) SEXO:
Más detallesÍNDICE. Prefacio... xi
ÍNDICE Prefacio... xi Capítulo 1 Introducción... 1 1.1 Por qué hay que tomar este curso y quién utiliza la estadística?... 2 1.2 Historia... 3 1.3 Subdivisiones de la estadística... 4 1.4 Un enfoque simple
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 detalles