SPSS - ANOVA. Dr. Miquel A. Belmonte. Hospital General de Castellón Castellón, España Inicialmente en el sitio:
|
|
|
- Santiago Sánchez Río
- hace 8 años
- Vistas:
Transcripción
1 SPSS - ANOVA Dr. Miquel A. Belmonte Hospital General de Castellón Castellón, España Inicialmente en el sitio:
2 Elección de tests estadísticos Varbl. Indep. 1 > 1 Varbl. dependientes 1 > 1 CATEG CUANT CATEG CUANT CATEG X 2 Oneway Manova CUANT Student T Correlac CATEG Loglinear ANOVA Manova CUANT Reg. Logist Reg.Mult
3 ANOVA - conceptos básicos Influencia de una o varias variables categóricas (factores) sobre una variable dependiente cuantitativa Valora efectos principales de factores e interacciones de éstos entre sí Admite una o más covariables de control, de tipo cuantitativo Estudia reducción de variabilidad (suma de cuadrados) Test paramétrico: Compara las medias de los subgrupos formados para cada factor
4 Condiciones Igualdad de varianzas Distribución paramétrica Levene's Test of Equality of Error Variances a Dependent Variable: Current salary F df1 df2 Sig. 10, ,000 Tests the null hypothesis that the error variance of the dependent variable is equal across groups. a. Design: Intercept+AGE+SEXRACE+JOBCAT+SEXRACE * JOBCAT
5 ANOVA - estadísticos SS total = Σ SS efectos principales + SS interacciones orden 2 y sucesivas + SS residuos MS = SS (factor o interacción) DF (grados de libertad) F = MS (factor o interacción) MS de los residuos
6 ANOVA - Output SPSS Sum of Mean Sig Source of Variation Squares DF Square F of F Covariates ,132 54,882,000 AGE ,132 54,882,000 Main Effects ,12 152,284,000 JOBCAT ,83 169,529,000 SEXRACE ,879 21,596,000 2-Way Interactions ,169 3,630,000 JOBCAT SEXRACE ,169 3,630,000 Explained ,143 71,869,000 Residual ,014 Total ,313 Sum of Squares Mean Square = DF F = MS Factor explained MS Residual
7 Modelos de ANOVA ANOVA factorial general ANOVA multivariado: MANOVA ANOVA de medidas repetidas
8 ANOVA Modelo Lineal General Factorial
9 Definición del modelo
10 Opciones
11 Contrastes Permiten comparar niveles o categorías entre sí, dentro de cada factor considerado. Test Results Dependent Variable: Current salary Sum of Mean Eta Source Squares df Square F Sig. Squared Contrast 1,09E ,82E+08 15,050,000,166 Error 5,47E
12 Profile Plots Muestran estimaciones de Media Marginal para cada subgrupo formado. Estimated Marginal Means of Current salary Estimated Marginal Means White males Minority males White females Minority females Mean of Current salary Clerical Security officer Exempt employee Technical Office trainee College trainee MBA trainee Sex & race classification Employment category
13 Gráfico de distribución Spread vs. Level Plot of Current salary Spread (Standard Deviation) Level (Mean) Groups: Sex & race classification * Employment category
14 ANOVA Modelo Lineal General Factorial SYNTAX UNIANOVA salnow BY sexrace jobcat WITH age /METHOD = SSTYPE(3) /INTERCEPT = INCLUDE /PRINT = DESCRIPTIVE ETASQ HOMOGENEITY /CRITERIA = ALPHA(.05) /DESIGN = age sexrace jobcat sexrace*jobcat.
15 Descriptive Statistics Estadísticas Descriptivas Dependent Variable: Current salary Sex & race classification White males Minority males White females Minority females Total Employment category Clerical Office trainee Security officer College trainee Exempt employee MBA trainee Technical Total Clerical Office trainee Security officer College trainee Exempt employee MBA trainee Total Clerical Office trainee College trainee Exempt employee MBA trainee Total Clerical Office trainee Total Clerical Office trainee Security officer College trainee Exempt employee MBA trainee Technical Total Std. Mean Deviation N 13057, , , , ,43 663, , , , , , , , , , , , , , , , , ,00, , , ,00, , , , , , , , , , , ,00, , , , , ,00 972, , , , , , , ,56 845, , , , , , , , , , ,26 474
16 ANOVA Output Dependent Variable: Current salary Source Corrected Model Intercept AGE SEXRACE JOBCAT SEXRACE * JOBCAT Error Total Corrected Total Tests of Between-Subjects Effects Type III Sum of Mean Eta Squares df Square F Sig. Squared 1,66E+10 a 20 8,30E+08 68,774,000,752 9,28E ,28E ,594,000,629 2,06E ,06E+08 17,075,000,036 4,06E ,35E+08 11,205,000,069 5,50E ,17E+08 75,953,000,501 3,20E ,648,004,055 5,47E ,12E ,21E a. R Squared =,752 (Adjusted R Squared =,741)
17 ANOVA factorial Simple Diseños factoriales de modelos saturados Métodos: General» Único: todos los elementos concurrentemente» Jerárquico: covariables - factores- interacción» Experimental: factores- interacción Diseños factoriales de modelos no saturados Permite especificar con más flexibilidad el modelo a utilizar y variedad de estadísticos
18 ONEWAY Caso particular de ANOVA de un factor Una sola variable dependiente cuantitativa Un factor con varias categorías ONEWAY, pero no ANOVA, produce: Contrastes Comparaciones múltiples Pruebas de tendencia Test homogeneidad de varianza
19 ONEWAY
20 Resultados Oneway Listado descriptivo Descriptives Current salary Clerical Office trainee Security officer College trainee Exempt employee MBA trainee Technical Total 95% Confidence Interval for Mean Std. Lower Upper N Mean Deviation Std. Error Bound Bound Minimum Maximum , ,57 212, , , , ,60 234, , , ,56 845,85 162, , , , ,15 889, , , , , , , , , , , , , , , , , , , ,26 313, , ,
21 ONEWAY - Output SPSS Analysis of Variance Source D.F. Sum of Mean F F Squares Squares Ratio Prob. Between Groups ,5184,0000 Unweighted Linear Term ,8499,0000 Weighted Linear Term ,8318,0000 Deviation from Linear ,6 52,7473,0000 Within Groups ,57 Total ANOVA Current salary Between Groups Within Groups Total Sum of Mean Squares df Square F Sig. 1,52E ,53E ,128,000 6,90E ,21E
22 ONEWAY - Comparaciones Múltiples Multiple Range Tests: Scheffe test with significance level,05 The difference between two means is significant if MEAN(J)-MEAN(I) >= 2625,5795 * RANGE * SQRT(1/N(I) + 1/N(J)) with the following value(s) for RANGE: 4,37 (*) Indicates significant differences which are shown in the lower triangle C O S E l f e C x e f c o e r i u l m Mean JOBCAT 11134,8194 Clerical 11136,4118 Office t 12375,5556 Security 23901,0732 College * * * 25595,6250 Exempt e * * *
23 Oneway - Contrastes Tukey HSD a,b Scheffe a,b Employment category Clerical Office trainee Security officer College trainee Exempt employee MBA trainee Technical Sig. Clerical Office trainee Security officer College trainee Exempt employee MBA trainee Technical Sig. Current salary N , , , , , , , , , ,56 Subset for alpha =.05,976,708 1, , , , ,67,993,876 1,000 Means for groups in homogeneous subsets are displayed. a. Uses Harmonic Mean Sample Size = 14,859. b. The group sizes are unequal. The harmonic mean of the group sizes is used. Type I error levels are not guaranteed.
24 Oneway - Means Plot Mean of Current salary Clerical Security officer Exempt employee Technical Office trainee College trainee MBA trainee Employment category
25 Tipos de Análisis de Varianza Número de Varbl. independientes 1 >1 independ Paramétrico Oneway ANOVA >1 relacionada Condiciones previas No Paramétrico Kruskal- Wallis Friedman
26 Kruskal-Wallis Oneway no paramétrico Tests no paramétricos - K muestras independientes
27 Kruskal-Wallis Estadísticos descriptivos Ranks Current salary Employment category Clerical Office trainee Security officer College trainee Exempt employee MBA trainee Technical Total N Mean Rank , , , , , , ,83 474
28 N Median Chi-Square df Asymp. Sig. a. Test Statistics b Current salary ,00 135,133 a 6,000 4 cells (,0%) have expec The minimum expected c b. Grouping Variable: Empl Kruskal-Wallis Prueba de la Mediana Current sala > Median <= Media Frequencies Employment category Office Security College Exempt MBA Clerical trainee officer trainee employee trainee Technical
29 Kruskal-Wallis Contrastes Chi-cuadrado gl Sig. asintót. Sig. Monte Carlo a. Estadísticos de contraste b,c Sig. Intervalo de confianza al 99% Límite inferior Límite superior Current salary 208,357 6,000,000 a,000,000 Basado en tablas muestrales con semilla de inicio b. Prueba de Kruskal-Wallis c. Variable de agrupación: Employment category
30 Friedman Anova de dos vías para muestras apareadas Friedman es el test básico, que compara los rangos entre K variables relacionadas entre sí. Se basa en X 2 Kendall W es un test de concordancia donde cada variable es un sujeto de estudio y cada caso es un juez. Cochran Q se usa cuando todas las variables independientes son dicotómicas
31 Friedman Resultados HBA1_BASAL HBA1_SIST1 HBA1_SIST2 HBA1_SIST3 N Descriptive Statistics Std. Mean Deviation Minimum Maximum 30 7,657 1,748 4,8 11,8 30 7,660 1,123 6,2 10,3 30 7,250 1,279 5,8 11,6 30 7,117 1,372 5,2 10,5 Ranks Test Statistics HBA1_BASAL HBA1_SIST1 HBA1_SIST2 HBA1_SIST3 Mean Rank 2,80 3,15 2,28 1,77 N Kendall's W Chi-Square df Asymp. Sig. a 30,229 20,573 3,000 a. Kendall's Coefficient of Conc
32 ANOVA - otros modelos ANOVA multivariado: MANOVA Más de una variable dependiente Gran complejidad de modelos ANOVA medidas repetidas La variable dependiente se mide en más de una ocasión para cada sujeto Multivariante complejo
33 MANOVA
34 Multivariate Tests c Manova - Resultados Num.inyecc diarias Nivel educacion diabetologica Sexo Between-Subjects Factors Value Label N Hombre 12 Mujer 18 Effect Intercept EDAD T_EVOLUC DIETA_KC DOSIS_T1 INYECC_D CALIF_ED SEXO INYECC_D * CALIF_ED INYECC_D * SEXO CALIF_ED * SEXO INYECC_D * CALIF_ED * SEXO Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Hypothesis Eta Value F df Error df Sig. Squared,758 15,691 a 2,000 10,000,001,758,242 15,691 a 2,000 10,000,001,758 3,138 15,691 a 2,000 10,000,001,758 3,138 15,691 a 2,000 10,000,001,758,370 2,932 a 2,000 10,000,100,370,630 2,932 a 2,000 10,000,100,370,586 2,932 a 2,000 10,000,100,370,586 2,932 a 2,000 10,000,100,370,118,669 a 2,000 10,000,534,118,882,669 a 2,000 10,000,534,118,134,669 a 2,000 10,000,534,118,134,669 a 2,000 10,000,534,118,240 1,578 a 2,000 10,000,254,240,760 1,578 a 2,000 10,000,254,240,316 1,578 a 2,000 10,000,254,240,316 1,578 a 2,000 10,000,254,240,127,728 a 2,000 10,000,507,127,873,728 a 2,000 10,000,507,127,146,728 a 2,000 10,000,507,127,146,728 a 2,000 10,000,507,127,212 1,341 a 2,000 10,000,305,212,788 1,341 a 2,000 10,000,305,212,268 1,341 a 2,000 10,000,305,212,268 1,341 a 2,000 10,000,305,212,703 1,192 10,000 22,000,348,351,404 1,147 a 10,000 20,000,379,364 1,211 1,090 10,000 18,000,419,377,924 2,033 b 5,000 11,000,152,480,210 1,332 a 2,000 10,000,307,210,790 1,332 a 2,000 10,000,307,210,266 1,332 a 2,000 10,000,307,210,266 1,332 a 2,000 10,000,307,210,313 2,279 a 2,000 10,000,153,313,687 2,279 a 2,000 10,000,153,313,456 2,279 a 2,000 10,000,153,313,456 2,279 a 2,000 10,000,153,313,155,918 a 2,000 10,000,430,155,845,918 a 2,000 10,000,430,155,184,918 a 2,000 10,000,430,155,184,918 a 2,000 10,000,430,155,367,825 6,000 22,000,563,184,654,787 a 6,000 20,000,590,191,495,743 6,000 18,000,622,198,416 1,525 b 3,000 11,000,263,294,000, a,000,000,, 1,000, a,000 10,500,,,000, a,000 2,000,,,000,000 a 2,000 9,000 1,000,000 a. Exact statistic b. The statistic is an upper bound on F that yields a lower bound on the significance level. c. Design: Intercept+EDAD+T_EVOLUC+DIETA_KC+DOSIS_T1+INYECC_D+CALIF_ED+SEXO+INYECC_D * CALIF_ED+INYECC_D * SEXO+CALIF_ED * SEXO+INYECC_D * CALIF_ED * SEXO
35 ANOVA medidas repetidas Se define un factor intra-sujetos con el número de categorías o niveles adecuado al número de mediciones realizadas Se especifican las variables de las mediciones realizadas como grupos del factor intra-sujetos creado. Pueden definirse también covariables de corrección y factores de agrupamiento entre-sujetos.
36 Within-Subjects Factors Measure: MEASURE_1 FACTOR Dependent Variable HBA1_BAS HBA1_S1 HBA1_S2 HBA1_S3 Las pruebas de efectos entre sujetos icnluyen diversos tests. Se determinan también estadísticos para las interacciones con el factor estudiado. Resultados - Efectos Measure: MEASURE_1 Source FACTOR1 FACTOR1 * EDAD intrasujetos Sphericity Assumed Greenhouse-Geisser Huynh-Feldt Lower-bound Sphericity Assumed Greenhouse-Geisser Huynh-Feldt Lower-bound FACTOR1 * T_EVOLUCSphericity Assumed FACTOR1 * SEXO Error(FACTOR1) Greenhouse-Geisser Huynh-Feldt Lower-bound Sphericity Assumed Greenhouse-Geisser Huynh-Feldt Lower-bound Sphericity Assumed Greenhouse-Geisser Huynh-Feldt Lower-bound Tests of Within-Subjects Effects Type III Sum of Mean Squares df Square F Sig. 3, ,114 2,631,056 3,343 1,851 1,807 2,631,086 3,343 2,216 1,509 2,631,075 3,343 1,000 3,343 2,631,117 1,962 3,654 1,544,210 1,962 1,851 1,060 1,544,225 1,962 2,216,885 1,544,221 1,962 1,000 1,962 1,544,225 1,594 3,531 1,255,296 1,594 1,851,862 1,255,292 1,594 2,216,719 1,255,295 1,594 1,000 1,594 1,255,273 2,583 3,861 2,033,116 2,583 1,851 1,396 2,033,145 2,583 2,216 1,165 2,033,136 2,583 1,000 2,583 2,033,166 33,039 78,424 33,039 48,115,687 33,039 57,618,573 33,039 26,000 1,271
37 ANOVA medidas repetidas Pruebas multivariadas Effect FACTOR1 FACTOR1 * EDAD FACTOR1 * T_EVOLUC FACTOR1 * SEXO Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root Pillai's Trace Wilks' Lambda Hotelling's Trace Roy's Largest Root a. Exact statistic b. Design: Intercept+EDAD+T_EVOLUC+SEXO Within Subjects Design: FACTOR1 Multivariate Tests b Hypothesis Value F df Error df Sig.,234 2,446 a 3,000 24,000,088,766 2,446 a 3,000 24,000,088,306 2,446 a 3,000 24,000,088,306 2,446 a 3,000 24,000,088,119 1,086 a 3,000 24,000,374,881 1,086 a 3,000 24,000,374,136 1,086 a 3,000 24,000,374,136 1,086 a 3,000 24,000,374,240 2,526 a 3,000 24,000,081,760 2,526 a 3,000 24,000,081,316 2,526 a 3,000 24,000,081,316 2,526 a 3,000 24,000,081,107,960 a 3,000 24,000,428,893,960 a 3,000 24,000,428,120,960 a 3,000 24,000,428,120,960 a 3,000 24,000,428
38 ANOVA medidas repetidas Contrastes intra-sujetos Tests of Within-Subjects Contrasts Measure: MEASURE_1 Source FACTOR1 FACTOR1 * EDAD FACTOR1 * T_EVOLUC FACTOR1 * SEXO Error(FACTOR1) FACTOR1 Linear Quadratic Cubic Linear Quadratic Cubic Linear Quadratic Cubic Linear Quadratic Cubic Linear Quadratic Cubic Type III Sum of Mean Squares df Square F Sig. 2, ,609 5,764,024,532 1,532,931,343,202 1,202,820,373,504 1,504 1,114,301 1, ,437 2,513,125 2,133E ,133E-02,087,771 1,680E ,680E-02,037,849 1, ,232 2,155,154,346 1,346 1,403,247,683 1,683 1,508,230 1, ,782 3,118,089,118 1,118,478,496 11,769 26,453 14,863 26,572 6,407 26,246
39 ANOVA medidas repetidas Between-Subjects Factors Sexo 1 2 Value Label N Hombre 12 Mujer 18 Tests of Between-Subjects Effects Measure: MEASURE_1 Transformed Variable: Average Source Intercept EDAD T_EVOLUC SEXO Error Type III Sum of Mean Squares df Square F Sig. 1139, , ,589,000 55, ,247 10,892,003 11, ,519 2,271,144,346 1,346,068, , ,072
Se asignaron al azar ratas en condiciones similares a cuatro dietas (A D). Dos semanas después se midió el tiempo de coagulación.
EJEMPLO 1 Se asignaron al azar ratas en condiciones similares a cuatro dietas (A D). Dos semanas después se midió el tiempo de coagulación. DIETA1 DIETA2 DIETA3 DIETA4 62 63 68 56 60 67 66 62 63 71 71
EL PODER ESTADÍSTICO. DIFERENCIAS OBSERVADAS CUANDO SE CAMBIA EL ALFA ESTABLECIDO EN UN ESTUDIO DE INVESTIGACIÓN
EL PODER ESTADÍSTICO. DIFERENCIAS OBSERVADAS CUANDO SE CAMBIA EL ALFA ESTABLECIDO EN UN ESTUDIO DE INVESTIGACIÓN Mylord Reyes Tosta, EdD Resumen Se utilizaron dos ejemplos para una prueba de hipótesis
EJERCICIOS ANALISIS DE DISEÑOS EXPERIMENTALES Y CUASIEXPERIMENTALES CON SPSS
EJERCICIOS ANALISIS DE DISEÑOS EXPERIMENTALES Y CUASIEXPERIMENTALES CON SPSS Las soluciones a estos ejercicios y los outputs del SPSS se encuentran al final. EJERCICIO 1. Comparamos dos muestras de 10
10. DISEÑOS EXPERIMENTALES
10. DISEÑOS EXPERIMENTALES Dr. Edgar Acuña http://math.uprm.edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ Diseños Experimentales de Clasificación Simple En un diseño experimental
Práctica 4 vgaribay PRÁCTICA 4. CONTRASTE DE HIPOTESIS. 1 ESTUDIO DE NORMALIDAD Plot de normalidad. Camino 1
PRÁCTICA 4. CONTRASTE DE HIPOTESIS OBJETIVOS: Estudiar el plot de normalidad Manejar los módulos de contrastes de hipótesis. Obtener las probabilidades de error de tipo I y II, la función de potencia y
TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística
TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística 1 TAMAÑO DEL EFECTO 2 TAMAÑO DEL EFECTO vel tamaño del efecto es el nombre dado a una familia de índices que miden la magnitud
RESUMEN DE PROCEDIMIENTOS EN SPSS. Definición de variables Pestaña Vista de variables Definir cada variable con su nombre, tipo, valores y medida
RESUMEN DE PROCEDIMIENTOS EN SPSS Operaciones con variables y/o datos Definición de variables Pestaña Vista de variables Definir cada variable con su nombre, tipo, valores y medida Recodificación de variables
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA ESCUELA DE CIENCIAS AGRICOLA, PECUARIAS Y DEL MEDIO AMBIENTE ECAPMA
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA ESCUELA DE CIENCIAS AGRICOLA, PECUARIAS Y DEL MEDIO AMBIENTE ECAPMA ESPECIALIZACIÓN EN NUTRICIÓN ANIMAL SOSTENIBLE Nombre del Curso: DISEÑO EXPERIMENTAL AVANZADO
Tema 3: Diseño de experimentos
Grado en Fisioterapia, 2010/11 Cátedra de Bioestadística Universidad de Extremadura 15 de noviembre de 2010 Índice Diseños con un factor 1 Diseños con un factor Comparación de dos medias Comparación de
Influencia del protocolo de pulido sobre las propiedades flexurales de diversos tipos de resinas compuestas.
XLII Reunión SAIO. Influencia del protocolo de pulido sobre las propiedades flexurales de diversos tipos de resinas compuestas. R. A. Ramírez, Odontólogo. Profesor Asistente de la Facultad de Odontología
SPSS: ANOVA de un Factor
SPSS: ANOVA de un Factor El análisis de varianza (ANOVA) de un factor nos sirve para comparar varios grupos en una variable cuantitativa. Esta prueba es una generalización del contraste de igualdad de
Análisis de diferencias de medias entre centros educativos chilenos según grupo socioeconómico y dependencia administrativa
Análisis de diferencias de medias entre centros educativos chilenos según grupo socioeconómico y dependencia administrativa Paola Ilabaca Baeza 1 José Manuel Gaete 2 paolailabaca@usal.es jmgaete@usal.es
INFERENCIA ESTADISTICA: Lic. Laura Marangunich
INFERENCIA ESTADISTICA: Lic. Laura Marangunich Frente a la necesidad de estudiar un fenómeno en la población y ante la imposibilidad de censarla (estudiarla en forma exhaustiva), debemos recurrir a la
Edith Alarcón Matutti César Gutiérrez Villafuerte
Edith Alarcón Matutti César Gutiérrez Villafuerte Paso 1 Concebir la idea a investigar Paso 2 Plantear el problema de investigación: Objetivos Preguntas Justificación y viabilidad Paso 3 Elaborar el MARCO
Tema IV. EL ANOVA de un factor
4.1. La estrategia del Análisis de varianza: - Los test t múltiples (múltiples tratamientos); corrección a posteriori - La mejora del ANOVA: necesidad de análisis a posteriori C Test t A versus B A versus
Los modelos que permite construir el ANOVA pueden ser reducidos a la siguiente forma:
Ignacio Martín Tamayo 25 Tema: ANÁLISIS DE VARIANZA CON SPSS 8.0 ÍNDICE --------------------------------------------------------- 1. Modelos de ANOVA 2. ANOVA unifactorial entregrupos 3. ANOVA multifactorial
CAPÍTULO 10 DISEÑOS EXPERIMENTALES
CAPÍTULO 10 DISEÑOS EXPERIMENTALES 10.1 Diseños Experimentales de Clasificación Simple En un diseño experimental de clasificación simple, se trata de comparar varios grupos generalmente llamados Métodos
1 Ejemplo de análisis descriptivo de un conjunto de datos
1 Ejemplo de análisis descriptivo de un conjunto de datos 1.1 Introducción En este ejemplo se analiza un conjunto de datos utilizando herramientas de estadística descriptiva. El objetivo es repasar algunos
Aplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas
Aplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento Centro 1 Estadística e Investigación
ESTUDIO DEL MERCADO AUTOMOTRIZ EN EEUU FERULLO SERGIO
ESTUDIO DEL MERCADO AUTOMOTRIZ EN EEUU FERULLO SERGIO INTRODUCCION A continuación se presenta un modelo sobre las ventas de autos de pasajeros en Estados Unidos. Se debe recordar que Estados Unidos posee
Pero qué hacemos cuando no se cumple la normalidad o tenemos muy pocos datos?
Capítulo. Métodos no paramétricos Los métodos presentados en los capítulos anteriores, se basaban en el conocimiento de las distribuciones muestrales de las diferencias de porcentajes o promedios, cuando
Práctica 5 Prueba de Hipótesis
05/08/08 1 Práctica 5 Prueba de Hipótesis PROGRAMA: SPSS ARCHIVOS: Equinos.sav; Temp.xls, Cabras.xls, Car_boer.xls, Malinois.xls. Conocimientos previos: Conocer y utilizar la distribución normal estándar,
Métodos no paramétricos para el análisis de la varianza
Capítulo 4 Métodos no paramétricos para el análisis de la varianza MÉTODOS PARAMÉTRICOS Y NO-PARAMÉTRICOS Los procedimientos inferenciales que presentan estimaciones con respecto a losparámetrosdelapoblacióndeinteréssellamanmétodos
Ventanas de SPSS 1 y resultados de los análisis estadísticos descriptivos
Ventanas de SPSS 1 y resultados de los análisis estadísticos descriptivos Al poner en funcionamiento el programado SPSS, aparecen dos ventanas una sobre la otra. La ventana que aparece en el fondo es la
Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
General Linear Model
General Linear Model The GLM Multivariate procedure allows you to model the values of multiple dependent scale variables, based on their relationships to categorical and scale predictors. SPSS tutorial
One way anova using SAS
One way anova using SAS With Duncan test El paquete SAS es un sistema computacional de los mas completos que existen, tiene el respaldo de un centro de investigación en estadística y es el mas usado por
Hay diferencias en la media del HOMA entre los diabéticos y los no diabéticos? Resumen del procesamiento de los casos
Test de hipótesis t de Student Hay diferencias en la media del HOMA entre los diabéticos y los no diabéticos? Resumen del procesamiento de los casos HOMA Casos Válidos Perdidos Total N Porcentaje N Porcentaje
Prof. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE EXPERIMENTOS
Prof. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE EXPERIMENTOS ANÁLISIS DE EXPERIMENTOS 1. Introducción 2. Comparación de dos medias 3. Comparación de más de dos medias 4. Pruebas post-hoc 5. ANCOVA
PRUEBA DE FALTA DE AJUSTE (Lack-of-fit Test) Fortino Vela Peón fvela@correo.xoc.uam.mx
PRUEBA DE FALTA DE AJUSTE (Lack-of-fit Test) Fortino Vela Peón fvela@correo.xoc.uam.mx Octubre, 2011 Introducción Un supuesto básico del modelo es la existencia de una relación lineal entre la variable
Ejemplos del Suplemento 1 resueltos con Minitab
O1 Ocho pasos para el desarrollo de una investigación Ejemplos del Suplemento 1 resueltos con Minitab O2 Tabla de Contenido Prueba de Normalidad... 3 Regresión Lineal... 7 Prueba t... 10 Prueba Z... 13
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE ODONTOLOGÍA ESCUELA DE POSTGRADO Dr. José Apolo Pineda
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE ODONTOLOGÍA ESCUELA DE POSTGRADO Dr. José Apolo Pineda EVALUACIÓN IN VITRO DE LA FILTRACIÓN APICAL EN RAICES DE DIENTES EXTRAIDOS, UTILIZANDO DOS MÉTODOS DE OBTURACION:
Técnicas Cuantitativas para el Management y los Negocios
Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis
Mónica López Ratón BIOSTATECH, Advice, Training & Innovation in Biostatistics, S.L. Octubre 2012. monica.lopez.raton@usc.es
Mónica López Ratón BIOSTATECH, Advice, Training & Innovation in Biostatistics, S.L. Octubre 01 monica.lopez.raton@usc.es Tablas de contingencia y tests asociados Índice 1. Datos categóricos. Tablas de
Diseño completamente aleatorizado: análisis de la varianza con un solo factor.
Tema 4 Diseño de experimentos Introducción. Qué es el diseño experimental? Diseño completamente aleatorizado: análisis de la varianza con un solo factor. Diseño en bloques aleatorizados. Diseño factorial
Eficacia del Misoprostol Sublingual en el alumbramiento dirigido
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE MEDICINA HUMANA UNIDAD DE POSTGRADO Eficacia del Misoprostol Sublingual en el alumbramiento dirigido Hospital Docente Madre Niño San Bartolomé, enero
ANALISIS DE COSTOS DE CONTROL DE LA SIGATOKA NEGRA (MYCOSPHAERELLA FIJIENSIS) EN EL CULTIVO DE BANANO
ANALISIS DE COSTOS DE CONTROL DE LA SIGATOKA NEGRA (MYCOSPHAERELLA FIJIENSIS) EN EL CULTIVO DE BANANO INTEGRANTES: Miguel Angel Yagual Pazmiño. Gerardo Emilio Frias Flores. Jose Manuel Cherrez Molina.
7.6 Comparación entre dos medias Poblacionales usando muestras independientes
7.6 Comparación entre dos medias Poblacionales usando muestras independientes Supongamos que se tiene dos poblaciones distribuidas normalmente con medias desconocidas µ y µ, respectivamente. Se puede aplicar
IIC 3633 - Sistemas Recomendadores
Tests Estadísticos para Comparar Recomendaciones IIC 3633 - Sistemas Recomendadores Denis Parra Profesor Asistente, DCC, PUC CHile Page 1 of 11 TOC En esta clase 1. Significancia Estadistica de los Resultados
PRUEBAS NO PARAMÉTRICAS
PRUEBAS NO PARAMÉTRICAS 1. PRUEBAS DE NORMALIDAD Para evaluar la normalidad de un conjunto de datos tenemos el Test de Kolmogorov- Smirnov y el test de Shapiro-Wilks La opción NNPLOT del SPSS permite la
Análisis de Tablas de Contingencia:Capítulo 2 Modelos Log-lineales
Análisis de Tablas de Contingencia:Capítulo 2 Modelos Log-lineales Capítulo 2 1. Introducción Los modelos Log-lineales, también denominados modelos lineales logarítmicos y modelos log-linear, se presentan
Capítulo 16 Análisis de varianza con medidas repetidas: El procedimiento MLG: Medidas repetidas
Capítulo 6 Análisis de varianza con medidas repetidas: El procedimiento MLG: Medidas repetidas Los modelos de análisis de varianza (ANOVA) con medidas repetidas (MR) sirven para estudiar el efecto de uno
PRUEBAS DE HIPÓTESIS NO PARAMÉTRICAS PARA LA COMPARACIÓN DE DOS MEDIAS
PRUEBAS DE HIPÓTESIS NO PARAMÉTRICAS PARA LA COMPARACIÓN DE DOS MEDIAS César Gutiérrez Villafuerte Sección de Estadística y Epidemiología Facultad de Medicina UNMSM Lima, 10 de marzo de 2005 Cómo evaluar
Cómo 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
ESQUEMA GENERAL DISEÑOS DE MEDIDAS REPETIDAS
TEMA IV ESQUEMA GENERAL Definición Clasificación Diseño simple de medidas repetidas Diseño factorial de medidas repetidas Diseño de medidas parcialmente repetidas DISEÑOS DE MEDIDAS REPETIDAS Definición
DISEÑO DE BLOQUES COMPLETOS AL AZAR : DBCA
DISEÑO DE BLOQUES COMPLETOS AL AZAR : DBCA Conocido como diseño de doble vía, se aplica cuando el material es heterogéneo. las unidades experimentales homogéneas se agrupan formando grupos homogéneos llamados
Qué valores deben considerarse normales en un análisis clínico? Qué factores deben tomarse en cuenta? Qué relación existe entre los valores de
Qué valores deben considerarse normales en un análisis clínico? Qué factores deben tomarse en cuenta? Qué relación existe entre los valores de referencia y la media? Cuál es la producción que esperamos
Examen Parcial 1. The GLM Procedure Class Level Information Class Levels Values trat
Examen Parcial 1 Nombre: AGRO 6600 2011 Instrucciones: Por favor lea los enunciados y las preguntas cuidadosamente. Se pueden usar el libro y la calculadora. Para obtener crédito parcial las respuestas
Ejemplo de análisis de la Varianza (ANOVA).
Ejemplo de análisis de la Varianza (ANOVA). temp TVBN temp TVBN temp TVBN 1 18,3 2 11,7 3 16,64 1 15,92 2 12,87 3 17,83 1 18,71 2 11,77 3 19,01 1 17,92 2 12,23 3 17,33 1 15,66 2 13,62 3 17,06 1 17,14 2
Introducción a MINITAB 15. David R. González Barreto. Ofrecido en Wyeth, Carolina, Puerto Rico
Introducción a MINITAB 15 Ofrecido en Wyeth, Carolina, Puerto Rico INDICE Listado de Archivos...2 Pantalla Principal..3 Texto a Número.4 Estibar (Stack)..6 Split 8 Dotplot Una población.10 Dotplot Dos
APÉNDICE B ANOVA para las salsas comerciales
APÉNDICE B ANOVA para las salsas comerciales ANOVA de una vía para Densidad de salsas comerciales One-way ANOVA: Densidad versus Marca Marca 3 8727.7 2909.2 41.22 0.000 Error 8 564.6 70.6 Total 11 9292.4
Grupo 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
Análisis de dos muestras
Análisis de dos muestras Supongamos el siguiente ejemplo. La resistencia a la rotura de un componente eléctrico constituye una característica importante de un cierto proceso. Un fabricante utiliza un material
Son las dispersiones diferentes?
ESTADÍSTICA BÁSICA II Prueba de significancia 2: F-test Análisis de Varianza (ANOVA) Identificación de valores anómalos (outliers) - Cochran y Grubbs test Taller 3 Leonardo Merino Science Department Swedish
b)no es posible hacer modelo debido a que el tipo de vidrio es una variable categorica
a) Analysis of Variance for Light output, using Adjusted SS for Tests Source DF Seq SS Adj SS Adj MS F P Glass type 5865 5865 753 6.37. Temperature 97335 97335 98567 695.6. Glass type*temperature 955 955
METODOS ESTADISTICOS PARA ANALISIS BIVARIADO
CAPITULO 5 METODOS ESTADISTICOS PARA ANALISIS BIVARIADO El análisis bivariado permite examinar si existe relación (asociación) entre dos variables. Las variables pueden ser ambas numéricas, una numérica
ANEXOS ANEXO 1. Medios de cultivo usados para mantenimiento y micropropagación de plantas in vitro de "oca".
ANEXOS ANEXO 1 Medios de cultivo usados para mantenimiento y micropropagación de plantas in vitro de "oca". Componentes Mantenimiento y micropropagación (mg / litro) MS + MS + Stock-Vitaminas (Ver anexo
Conceptos básicos de estadística para clínicos
Conceptos básicos de estadística para clínicos Víctor Abraira A Coruña. Noviembre 2008 Programa Valor p : qué significa? Aleatorización Pruebas de hipótesis para variables continuas Pruebas de hipótesis
PRÁCTICA 4. Ingeniería Técnica Industrial (2º) - Mecánica.
PRÁCTICA 4. Ingeniería Técnica Industrial (2º) - Mecánica. Profesores: Javier Faulín y Francisco Ballestín 1. Introducción. El objetivo de esta parte es obtener resultados sobre contrastes de hipótesis
II. ANÁLISIS DE SISTEMAS DE MEDICIÓN
II. ANÁLISIS DE SISTEMAS DE MEDICIÓN INTRODUCCIÓN Siempre que registramos o medimos los resultados de un proceso nos encontramos con cierta variación en los datos obtenidos. Esta variación puede provenir
Capítulo 14. Análisis de varianza de un factor: El procedimiento ANOVA de un factor
Capítulo 14 Análisis de varianza de un factor: El procedimiento ANOVA de un factor El análisis de varianza (ANOVA) de un factor sirve para comparar varios grupos en una variable cuantitativa. Se trata,
Práctica 4 EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables
EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables Marco elementos atípicos: b) Obtener la recta de regresión y comprobar
Estudio de casos y controles sobre factores de riesgo en el cáncer colorrectal
Estudio de casos y controles sobre factores de riesgo en el cáncer colorrectal Objetivos del estudio Estimar el riesgo de padecer cáncer colorrectal asociado a una serie de variables Población Casos Controles
Introducción al uso de Modelos de Efectos Mixtos como técnica estadística para analizar datos agrupados; Ejemplos con SPSS y R
Introducción al uso de Modelos de Efectos Mixtos como técnica estadística para analizar datos agrupados; Ejemplos con SPSS y R Marta Angulo-Martinez PhD student Estación Experimental Aula Dei-CSIC, Zaragoza,
EXPERIMENTACIÓN. Eduardo Jiménez Marqués
EXPERIMENTACIÓN Eduardo Jiménez Marqués 1 CONTENIDO: 1. Experimentación...3 1.1 Concepto...3 1. Definición...4 1.3 Dificultad...4 1.4 Ventaja...5 1.5 Planificación...5 1.6 Aplicaciones...5 1.7 Metodología...6
Principios de Estadística. Intro. En R. Ejercicios
Leonardo Collado Torres y María Gutiérrez Arcelus Licenciatura en Ciencias Genómicas, UNAM www.lcg.unam.mx/~lcollado/index.php www.lcg.unam.mx/~mgutierr/index.php Cuernavaca, México Febrero - Junio, 2009
Práctica 5. Contrastes paramétricos en una población
Práctica 5. Contrastes paramétricos en una población 1. Contrastes sobre la media El contraste de hipótesis sobre una media sirve para tomar decisiones acerca del verdadero valor poblacional de la media
PROTOCOLO DE PRESENTACION DE LOS ENSAYOS DE EFICACIA DE FERTILIZANTES S18, MG 10 y CA 37 DE CEFAS SA
PROTOCOLO DE PRESENTACION DE LOS ENSAYOS DE EFICACIA DE FERTILIZANTES S18, MG 10 y CA 37 DE CEFAS SA En la localidad de General Rojo, ubicada sobre la ruta provincial 188 de la Provincia de Buenos Aires
Comparación de medias
12 Comparación de medias Irene Moral Peláez 12.1. Introducción Cuando se desea comprobar si los valores de una característica que es posible cuantificar (como podría ser la edad o la cifra de tensión arterial,
Estas dos clases. ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías
ANOVA I 19-8-2014 Estas dos clases ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías ANOVA II - ANOVA factorial - ANCOVA (análisis
Investigación sobre pruebas diagnósticas II (repetibilidad)
Investigación sobre pruebas diagnósticas II (repetibilidad) V. Abraira Hospital Ramón y Cajal. IRYCIS CIBERESP Mayo 2011 http://www.hrc.es/investigacion/bioest/m_docente.html Esquemáticamente Precisión
Estadística (Gr. Biología-09) (2010-2011)
Estadística (Gr. Biología-09) (2010-2011) PRESENTACIÓN OBJETIVOS PROGRAMA METODOLOGÍA EVALUACIÓN BIBLIOGRAFÍA HORARIO ATENCIÓN http://www.unav.es/asignatura/estadisticabio/ 1 de 10 PRESENTACIÓN Descripción
EJERCICIOS PROPUESTOS - ANÁLISIS DE REGRESION MULTIPLE
EJERCICIOS PROPUESTOS - ANÁLISIS DE REGRESION MULTIPLE. En un estudio diseñado para analizar l efect de añadir avena a la dieta estadounidense tradicional, se dividieron aleatoriamente l individu en d
Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011
Econometría I Examen Final 1 Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011 Este examen consta de un total de 50 puntos.
Capítulo 15. Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante
Capítulo 15 Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante Los modelos factoriales de análisis de varianza (factorial = más de un factor) sirven para evaluar el efecto
SPSS Advanced Statistics 17.0
i SPSS Advanced Statistics 17.0 Si desea obtener más información sobre los productos de software de SPSS Inc., visite nuestro sitio Web en http://www.spss.com o póngase en contacto con SPSS Inc. 233 South
LICENCIADO EN CIENCIAS AMBIENTALES PROGRAMA DE ESTADÍSTICA
LICENCIADO EN CIENCIAS AMBIENTALES PROGRAMA DE ESTADÍSTICA CURSO 2010-2011 TITULACIÓN: CIENCIAS AMBIENTALES ASIGNATURA: ESTADISTICA ÁREA DE CONOCIMIENTO: Estadística e Investigación Operativa Número de
QUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II. Dependent Variable: CREDITOSB Method: Least Squares Sample: 1992M M07 Included observations: 211
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA QUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II 1º Verificar si cointegra el modelo siguiente: CREDITOSB = a + b EMI + U 1.1. Aplicando la prueba alternativa
Ejemplo de análisis de la Varianza (ANOVA).
Ejemplo de análisis de la Varianza (ANOVA). temp TVBN 1 18,3 1 15,92 1 18,71 1 17,92 1 15,66 1 17,14 1 15,21 1 19,92 1 17,61 1 13,43 2 11,7 2 12,87 2 11,77 2 12,23 2 13,62 2 13,24 2 14,02 2 13,66 2 12,27
ANÁLISIS DE LA VARIANZA (ANOVA)
ANÁLISIS DE LA VARIANZA (ANOVA) Autores: Manuel Terrádez (mterradez@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu) ESQUEMA DE CONTENIDOS Análisis de la varianza (ANOVA) ANOVA doble (Two-ways) ANOVA simple (One-way)
Multiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Abril 2013 Aniel Nieves-González () Time Series Abril 2013 1 / 15 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por
Análisis de la Varianza de un Factor
Práctica de Estadística con Statgraphics Análisis de la Varianza de un Factor Fundamentos teóricos El Análisis de la Varianza con un Factor es una técnica estadística de contraste de hipótesis, cuyo propósito
1) Introducción *%+,"' -+%%.&+ '
! "#$%&'()'"&%% *%+,"' -+%%.&+ ' /#-+%%. # # % % 0 % 1"0)"2 $% 3#%"4%%+ 5# 6%%7#&&%"6 5%%8 79#1)#%+&:#% $ 5% + 1) Introducción Antes de abordar este documento es muy recomendable leer detenidamente su
Manual de bolsillo del MegaStat * * MegaStat es un complemento estadístico para el Excel elaborado por el profesor J. B. Orris de Butler University.
Manual de bolsillo del MegaStat * * MegaStat es un complemento estadístico para el Excel elaborado por el profesor J. B. Orris de Butler University. Estadísticas con MegaStat AgeCat Gender Seconds 1 2
Ciencia UANL Universidad Autónoma de Nuevo León ISSN (Versión impresa): MÉXICO
Ciencia UANL Universidad Autónoma de Nuevo León rciencia@mail.uanl.mx ISSN (Versión impresa): 1405-9177 MÉXICO 2007 Peter B. Mandeville TEMA 15: ANÁLISIS DE DOS MUESTRAS INDEPENDIENTES CON SPSS Ciencia
(.$263*7.5"4+%#,"8..9$ $.$ - -. 7.# "4< $ 8 $ 7 "% @
!"#$%!& ' ($ 2 ))!"#$%& '$()!& *($$+%( & * $!" "!,"($"$ -(.$!- ""& +%./$$&,-,$,". - %#,"0# $!01 "23(.4 $4$"" ($" $ -.#!/ ". " " ($ "$%$(.$2.3!- - *.5.+%$!"$,"$ (.$263*7.5"4+%#,"8..9$ $.$ - $,"768$"%$,"$%$!":7#;
IBM SPSS Advanced Statistics 20
IBM SPSS Advanced Statistics 20 Nota: Antes de utilizar esta información y el producto que admite, lea la información general en Avisos el p. 174. Esta edición se aplica a IBM SPSS Statistics 20 y a todas
Factores no controlables
Acepto la Ho y ιj μ α ι β j ε ιj Dr. Alfredo Matos Ch. Universidad Peruana Unión amatosch@upeu.edu.pe Factores Controles Entradas PROCESO FUNCION ACTIVIDAD Salidas Factores no controlables 2 1 Se entiende
ESTADÍSTICA BÁSICA en LABORATORIOS (Físico - Químicos)
ESTADÍSTICA BÁSICA en LABORATORIOS (Físico - Químicos) (Aplicaciones de Microsoft Excel ) Curso a distancia (EDICIÓN Junio 2012) ASECAL, S.L. MADRID-ESPAÑA RONDA DE TOLEDO, 8, LOCAL 1º- 28005 MADRID. Teléfono:
Diseño de Experimentos
Diseño de Experimentos Tema 8. Diseño de Bloques al Azar JAIME MOSQUERA RESTREPO DISEÑO DE BLOQUES El principio básico del diseño de experimentos consiste en garantizar la homogeneidad de las Unidades
Material de la asignatura Psicología Experimental Manuel Miguel Ramos Álvarez
Tema 6. Variantes analíticas 1 UNIVERSIDAD DE JAÉN Material de la asignatura Psicología Experimental TEMA 6.. VARIIACIIONES ANALÍÍTIICAS PARA LOS PRIINCIIPALES DIISEÑOS DE IINVESTIIGACIIÓN ÍNDICE TEMÁTICO
Universidad de Málaga
5 técnicas estadísticas 1.- T-Student calcio.sav 2.- ANOVA lectura.sav 3.- Regresión Múltiple empleados.sav 4.- 2 Chi-Cuadrado empleados.sav 5.- Regresión Logística pena de muerte.sav 1.- T-STUDENT VARIABLE:
Uso de la Metodología Seis Sigma para mejorar el consumo de combustible en un vehiculo. Analizar
CAPÍTULO 4 FAE DE ANÁLII Definir Medir Analizar Mejorar Controlar 4. Introducción En esta fase se efectúa el análisis de los datos obtenidos en la etapa de Medición, con el propósito de conocer las relaciones
T R A B A J O D E I N V E S T I G A C I O N D E O P E R A C I O N E S I
UNIVERSIDAD SAN MARTIN DE PORRES FACULTAD DE INGENIERIA Y ARQUITECTURA T R A B A J O D E I N V E S T I G A C I O N D E O P E R A C I O N E S I A N A L I S I S D E P R O N Ó S T I C O S F O R E C A S T
Facultad de Ciencias Forestales
Serie Didactica Nro. 5 Facultad de Ciencias Forestales UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO CÁTEDRA DE ESTADÍSTICA O. F. CONCEPTOS BASICOS SOBRE ANALISIS DE LA VARIANCIA Y DISEÑO EXPERIMENTAL EQUIPO
PRESENTACIÓN, DISCUSIÓN Y ANALISIS DE LOS RESULTADOS
UNIVERSIDAD DE LOS ANDES FACULTAD DE ODONTOLOGIA MERIDA EDO. MERIDA PRESENTACIÓN, DISCUSIÓN Y ANALISIS DE LOS RESULTADOS Mérida, Febrero 2010. Integrantes: Maria A. Lanzellotti L. Daniela Paz U. Mariana
El análisis de la varianza de un factor es una extensión del test de t para dos muestras independientes, para comparar K muestras.
4. ANÁLISIS DE LA VARIANZA DE UN FACTOR 4. INTRODUCCIÓN 8 El análisis de la varianza de un factor es una extensión del test de t para dos muestras independientes, para comparar K muestras. Hemos visto
Llobell, J. P., Pérez, J. F. G., & Navarro, M. D. F. (1996). El diseño y la investigación
Llobell, J. P., Pérez, J. F. G., & Navarro, M. D. F. (1996). El diseño y la investigación experimental en psicología [Design of experimental research in psychology] (2nd ed.). Valencia, Spain: Cristóbal
ANEXO 1 MATERIALES REQUERIDOS POR ENSAYOS REALIZADOS ACTIVIDAD PROTEOLITICA REACTIVOS EQUIPOS
ANEXO 1 MATERIALES REQUERIDOS POR ENSAYOS REALIZADOS ACTIVIDAD PROTEOLITICA REACTIVOS Cloruro de Sodio (NaCl) Ácido Tricloroacético (C 2 HCl 3 O 2 ) Peso molecular = 58,44 g/mol Peso molecular = 163,39
Diseño Estadístico de Experimentos
Capítulo 3 Diseño Estadístico de Experimentos Una prueba o serie de pruebas en las cuales se introducen cambios deliberados en las variables de entrada que forman el proceso, de manera que sea posible