Pero qué hacemos cuando no se cumple la normalidad o tenemos muy pocos datos?
|
|
- Purificación Maldonado Benítez
- hace 6 años
- Vistas:
Transcripción
1 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 las muestras provenían de una misma población. Se aceptaba entonces usar la aproximación normal, la distribución de t de Student o la distribución F de Fisher en el análisis de varianza, bajo el supuesto de que la hipótesis nula es cierta. Dado que en esos métodos se estiman los parámetros de las poblaciones de origen, esas técnicas estadísticas reciben el nombre de paramétricas. ay situaciones en que, por el escaso número de observaciones, o por el nivel de medición de las variables, no es correcto o no es posible hacer supuestos sobre las distribuciones muestrales subyacentes. En tales casos se usan los métodos no paramétricos o de distribución libre. Aquí presentaremos algunos ejemplos de pruebas no paramétricas para el caso de dos muestras independientes, para el caso de dos muestras dependientes o pareadas y para la comparación de más de dos grupos en que no son aplicables los métodos paramétricos. Las pruebas paramétricas, asumen como distribución muestral la distribución Normal, este supuesto no siempre se cumple, sin embargo recurrimos a que estos métodos paramétricos son robustos. Además estos métodos son preferidos porque tienen mayor potencia. Pero qué hacemos cuando no se cumple la normalidad o tenemos muy pocos datos? Opciones:. Si hay valores extremos y el tamaño muestral es pequeño cualquier método de inferencia es dudoso.. A veces podemos transformar los datos (log es la transformación más usada) Ejemplo: Se tienen datos sobre la emisión de monóxido de Carbono de 6 vehículos del mismo tipo (Monoxido.sav). EN C CO NOX A los investigadores les interesa calcular un intervalo de confianza para la media del monóxido de Carbono.Si analizamos el histograma adjunto, vemos que la distribución del monóxido de Carbono es sesgada a la derecha, por lo que la media no será un buen estimador del centro de la distribución y por lo tanto la estimación por intervalo de confianza tampoco será adecuada. Como solución podemos transformar la variable usando el logaritmo natural y calculamos el promedio de la nueva variable. Pero al investigador le interesa conocer el intervalo de confianza en las unidades originales de la variable, para eso convertimos a la unidad original de CO con exponencial,76,69 l = 5,57 l = 7, ). ( 98
2 Desv. típ. = 5.6 Media = 8. N = Desv. típ. =.6 Media =.89 N = Monóxido de Carbono Log(CO) Intervalo de confianza 95% para la media de CO (6,98-9,5) Intervalo de confianza 95% para la media del log CO (,76 -,69) Qué pasa con el supuesto de Normalidad? Monóxido de Carbono Log(CO) Pruebas de normalidad Kolmogorov-Smirnov a Shapiro-Wilk Estadístico gl Sig. Estadístico gl Sig * *. Este es un límite inferior de la significación verdadera. a. Corrección de la significación de Lilliefors Gráfico Q-Q normal de Monóxido de Carbono Gráfico Q-Q normal de Log(CO) Normal esperado Normal esperado Valor observado Valor observado. También existen métodos paramétricos que asumen otras distribuciones, por ejemplo para el tiempo que demora en fallar un producto se usa una distribución de Weibull (ver diagrama adjunto).
3
4 . Finalmente, existen los métodos que no asumen una distribución, también llamados de distribución libre o no paramétricos. Los métodos no paramétricos son la manera más directa de solucionar el problema de falta de normalidad. Estos métodos son muy simples de usar y están disponibles en SPSS. Pero tienen dos desventajas. Primero que tienen menos poder que las equivalentes soluciones paramétricas. También es importante distinguir que las pruebas de hipótesis no paramétricas NO contestan a la misma pregunta que las pruebas paramétricas. Por ejemplo si queremos hacer un test para docimar sobre el centro de la distribución, el test no paramétrico establece la hipótesis en términos de la mediana y el test paramétrico usa la media. Tipo Test Paramétrico Test no paramétrico Una muestra Test t simple Test del signo de rangos de Wilcoxon Muestras pareadas Test t simple Test del signo de rangos de Wilcoxon Dos muestras independientes Test t para muestras independientes Test de suma de rangos de Wilcoxon Más de dos muestras independientes ANOVA de un factor Test de Kruskal-Wallis Diseño en bloques aleatorios ANOVA con bloques Ji cuadrado de Friedman Existen dos grandes tipos de test no paramétricos, los que usan cuentas o números y los que usan rangos. En este capítulo revisaremos del test de suma de rangos de Wilcoxon y el Test de Kruskal-Wallis. Ejemplo: Se tienen dos parcelas experimentales. En una de las parcelas se sacó completamente la maleza y en la otra se dejó hasta malezas por metro cuadrado. Dañará la presencia de maleza la producción de maíz? Malezas por metro cuadrado Producción de maíz 66,7 7, 65, 76,9 58,6 76, 5, 56, ipótesis En este problema la hipótesis nula es que la maleza no afecta la producción de maíz. La hipótesis alternativa es que la producción es menor cuando hay maleza. Si estamos dispuestos a asumir que la producción de maíz es Normal, o si tenemos un tamaño muestral razonablemente grande, usamos el test t para medias independientes. Las hipótesis son: : µ = µ : µ > µ Cuando la distribución no es Normal, podemos re-escribir las hipótesis en términos de medianas: : mediana : mediana = mediana > mediana Qué tipo de test (paramétrico o no paramétrico) será el adecuado en este caso? Se define poder o potencia del test como la capacidad del test para detectar hipótesis nulas falsas. Potencia = -β
5 acemos la prueba de normalidad: YIELD WEEDS Pruebas de normalidad Kolmogorov-Smirnov a Shapiro-Wilk Estadístico gl Sig. Estadístico gl Sig a. Corrección de la significación de Lilliefors Gráfico Q-Q normal de YIELD Para WEEDS=. Gráfico Q-Q normal de YIELD Para WEEDS= Normal esperado Normal esperado Valor observado Valor observado Tenemos muy pocos datos por lo tanto será adecuado hacer un test no paramétrico. Test de suma de rangos de Wilcoxon Este es un test de rangos. El primer paso será calcular los rangos de las observaciones. Transformación a rangos Ordenamos los datos de menor a mayor: Producción 5, 56, 58,6 65, 66,7 7, 76, 76,9 Rango Pasar de los datos a sus rangos, es equivalente a transformar los datos. Los rangos retienen solamente el orden de las observaciones y no el valor numérico. Si la presencia de maleza afecta la producción de maíz esperamos que los rangos más pequeños sean de ese grupo. Podemos comparar la suma de los rangos de los dos tratamientos: Tratamiento Suma de rangos Sin maleza Con maleza n( n+ ) 8 9 = Por definición la suma de rangos de a 8 es: = 6, donde n es el número total de observaciones. Por lo tanto podemos calcular la suma en uno de los grupos y el otro tiene que ser la diferencia (6- =) Si no hay diferencia entre los tratamientos esperamos que los rangos sean la mitad en cada grupo, es decir 8. Este test fue creado por el químico Frank Wilcoxon (89-965) en 95. 5
6 Test de suma de rangos de Wilcoxon Se tiene una m.a.s de tamaño n de una población, y una segunda m.a.s de tamaño n de otra población. ay n observaciones en total, donde n = n + n. Se calcula el rango de las n observaciones. El test estadístico será la suma W de los rangos del grupo con menor suma de rangos, este será el estadístico de suma de rangos de Wilcoxon. Si las dos poblaciones tienen la misma distribución continua, entonces W tiene media: n ( n+ ) = µ W y desviación estándar: Donde n será el tamaño muestral del grupo con menor suma de rangos. σ W = n n( n + ) El test de suma de rangos de Wilcoxon rechaza la hipótesis nula de que las dos poblaciones tienen la misma distribución cuando la suma de rangos W está lejos de su media. En el ejemplo del maíz queremos docimar: : no hay diferencias en la distribución de la producción de maíz en los dos grupos versus : la producción es mayor en el tratamiento sin malezas Nuestro test estadístico W= Bajo o W tiene media: W = = 8 Valor p = ( W ) (8+ ) (8+ ) µ y desviación estándar: σ W = =, 6 P Necesitamos conocer la distribución muestral de W bajo la hipótesis nula. Existen tablas que dependen de n + n. Veamos la salida qué nos da SPSS: Estadísticos de contraste b U de Mann-Whitney W de Wilcoxon Z Sig. asintót. (bilateral) Sig. exacta [*(Sig. unilateral)] Sig. exacta (bilateral) Sig. exacta (unilateral) Probabilidad en el punto YIELD a... a. No corregidos para los empates. b. Variable de agrupación: WEEDS 6
7 La salida de SPSS nos da el valor p exacto para la distribución muestral de W. El valor p para la hipótesis unilateral es, (valor p exacto según SPSS). Si comparamos con el equivalente test paramétrico t = -,55, valor p=,7/=,855, llegamos a la conclusión similar (recuerde que las hipótesis son distintas). Prueba de muestras independientes YIELD Se han asumido varianzas iguales No se han asumido varianzas iguales Prueba de Levene para la igualdad de varianzas F Sig. t gl Sig. (bilateral) Prueba T para la igualdad de medias Diferencia de medias 95% Intervalo de confianza para la Error típ. de diferencia la diferencia Inferior Superior La aproximación Normal El estadístico de suma de rangos W se aproxima a la distribución Normal cuando n es grande. Entonces podemos formar un test z para estandarizar a W: El valor de z en el ejemplo del maíz nos da: W µ W z= σ W z 8 = =,,6 Esperamos rechazar para valores grandes de W si la hipótesis alternativa es verdadera, por lo que el valor p aproximado es: Valor p= P( Z,) =,95=,79 SPSS da el valor p exacto para W y el asintótico o aproximado que utiliza la aproximación a la Normal. Además SPSS nos entrega el estadístico U de Mann-Whitney, este es equivalente al test de suma de rangos de Wilcoxon. Empates La distribución exacta de test de Wilcoxon para suma de rangos se obtiene asumiendo que todas las observaciones tienen diferentes valores y por lo tanto su rango. En la práctica ocurre que muchas veces tenemos valores iguales. Lo que hacemos es asignar el valor promedio del rango que ocupan. Ejemplo: Observación Rango,5,5 5 6 La distribución exacta del test de Wilcoxon se aplica a datos sin empates, por lo que deberemos ajustar la desviación estándar en la presencia de empates. 7
8 Ejemplo: La comida que se vende en eventos al aire libre puede ser menos segura que la de restoranes porque se prepara en lugares no acondicionados y a menudo por voluntarios. Qué pensará la gente acerca de la seguridad de la comida en ferias? Un estudio preguntó a asistentes a este tipo de eventos: Qué tan a menudo piensa usted que se enferma la gente que consume comida en eventos al aire libre? Las respuestas posibles eran: = raramente = de vez en cuando = a menudo = muy frecuentemente 5 = siempre En total personas respondieron a la pregunta. De estos 96 eran mujeres y 7 hombres. Existe evidencia que hombres y mujeres difieren en su percepción acerca de la seguridad en la comida de ferias al aire libre? Tabla de contingencia Sexo * Respuesta Recuento Sexo F M Total Respuesta 5 Total Comparamos los porcentajes por filas: Tabla de contingencia Sexo * Respuesta % de Sexo Sexo F M Total Respuesta 5 Total 6.6% 55.% 5.5%.7%.%.%.6% 5.%.6%.7%.9%.%.6% 5.5%.8% 9.%.%.% Es la diferencia entre sexos significativa? : hombres y mujeres no difieren en sus respuestas : uno de los dos sexos da sistemáticamente mayores respuestas que el otro La hipótesis alternativa es de dos colas. Como las respuestas posibles son sólo 5 hay muchos empates. Veamos la salida de SPSS: 8
9 Respuesta Sexo F M Total Rangos Rango Suma de N promedio rangos Estadísticos de contraste a Respuesta U de Mann-Whitney 88.5 W de Wilcoxon 59.5 Z -. Sig. asintót. (bilateral). Sig. exacta (bilateral). Sig. exacta (unilateral). Probabilidad en el punto. a. Variable de agrupación: Sexo Tenemos suficiente evidencia para concluir que existen diferencias significativas entre la percepción acerca de la seguridad de la comida al aire libre entre hombres y mujeres. Como el tamaño de la muestra es grande podríamos haber usado el test paramétrico: Prueba de muestras independientes Prueba de Levene para la igualdad de varianzas Prueba T para la igualdad de medias Respuesta Se han asumido varianzas iguales No se han asumido varianzas iguales F Sig. t gl Sig. (bilateral) Diferencia de medias Error típ. de la diferencia Pero en este caso, tenemos argumentos a favor del test no paramétrico. El test paramétrico asume que las respuestas tienen valor numérico y en realidad en una escala cualitativa. Usar rangos es más apropiado en este caso. 9
10 Test de Kruskal-Wallis El test de suma de rangos de Wilcoxon sirve para comparar dos tratamientos. Ahora veremos una alternativa no paramétrica al ANOVA de un factor es decir para comparar más de dos tratamientos, que corresponde al test de Kruskal-Wallis. Ejercicio: Veamos una nueva versión del problema de las malezas. El investigador en realidad probó tipos de malezas,, y 9 por metro cuadrado. Descripción de la Producción bajo distintas condiciones de maleza: Maleza n Media Desviación típica Gráfico Q-Q normal de YIELD Para WEEDS=. Gráfico Q-Q normal de YIELD Para WEEDS= Normal esperado Normal esperado Valor observado Valor observado. Gráfico Q-Q normal de YIELD Para WEEDS=. Gráfico Q-Q normal de YIELD Para WEEDS= Normal esperado Normal esperado Valor observado Valor observado Ya analizamos que en este caso es difícil probar normalidad con tan pocos datos, por lo tanto será conveniente usar un método no paramétrico.
11 ipótesis y supuestos El test F de ANOVA responde a la hipótesis: : µ = µ =... = µ k : al menosdos mediasno son iguales. Los datos deben provenir de k poblaciones independientes, con distribución normal y con la misma desviación estándar. El test de Kruskal_Wallis es un test de rangos que reemplaza al test F de ANOVA. El supuesto acerca de la independencia de las poblaciones sigue siendo importante, pero ya no necesitamos normalidad. Asumiremos que la respuesta tiene una distribución continua en cada población. : las k distribuciones son iguales : una de ellas tiene valores sistemáticamente mayores Si todas las distribuciones tienen la misma distribución, esta hipótesis la podemos simplificar. : las k poblaciones tienen la misma mediana : no todas las medianas son iguales Recordemos la idea del ANOVA: tenemos una variación total observada de la respuesta como la suma de dos partes, una que mide la variación entre los grupos o tratamientos (suma de cuadrados entre tratamientos, SCE) y la otra que mide la variación entre las mediciones de un mismo tratamiento (suma de cuadrados dentro de los tratamientos, SCD). El test F de ANOVA rechaza la hipótesis nula de que las medias son iguales si la SCE es grande relativa a la SCD. La idea del test de Kruskal-Wallis es calcular los rangos de todas las respuestas y luego aplicar el ANOVA a los rangos en vez de las observaciones originales. Test de Kruskal-Wallis Se tienen k muestras aleatorias de tamaños n, n,...,n k. ay n observaciones en total, donde n es la suma de los n i. Se calcula el rango de las n observaciones y sea R i la suma de los rangos en el i-esima muestra o grupo. El estadístico de Kruskal-Wallis es: = k Ri n( n+ ) n i= i ( n+ ) Cuando los tamaños n i son grandes y las k poblaciones tienen la misma distribución, tiene aproximadamente una distribución de Ji-cuadrado con (k-) grados de libertad. El test de Kruskal-Wallis rechaza la hipótesis nula de que todas las poblaciones tienen la misma distribución cuando es grande. Vemos que así como el test de suma de rangos de Wilcoxon, el test de Kruskal-Wallis está basado en suma de rangos, mientras mayor sea la diferencia entre los rangos de los grupos mayor evidencia de que las respuestas son diferentes. La distribución exacta del estadístico de Kruskal-Wallis bajo la hipótesis nula depende de los tamaños muestrales n, n,...,n k, por lo tanto las tablas son terribles. El cálculo de la distribución exacta es tan complicado que los softwares generalmente usan la aproximación de χ para obtener el valor p. Veamos lo rangos para el problema de las malezas. Como antes, también tenemos que corregir cuando existen empates.
12 Revisemos los datos de las malezas: Malezas por metro Producción 66,7 7, 65, 76,9 66, 57, 66,7 6, 58,6 76, 5, 56, 9 6,8, 6,7 6, Tenemos que calcular los rangos de todos los datos ordenados. Luego calcular. En SPSS podemos calcular los rangos con: Transformar, Asignar rangos a casos Grupos Suma de Rangos R i 5,5 756,5,5,5 5, 65, 9 5, 65, Total 6 = 6(7) 756,5,5 65, 65, (7) = 7 ( 8,5) 5= 5, 56 YIELD WEEDS 9 Total Rangos N Rango promedio Estadísticos de contraste a,b YIELD Chi-cuadrado 5.57 gl Sig. asintót.. a. Prueba de Kruskal-Wallis b. Variable de agrupación: WEEDS La diferencia con el cálculo de SPSS se debe a la corrección por empates. Esta corrección hace que la aproximación de Ji cuadrado sea más precisa. Es importante hacerla si hay muchos empates. Podemos comparar este test no paramétrico con su equivalente paramétrico:
13 YIELD N = 9 WEEDS ANOVA YIELD Inter-grupos Intra-grupos Total Suma de Media cuadrados gl cuadrática F Sig Vemos que llegamos a la misma conclusión, es decir que las malezas no afectan significativamente la producción de maíz. Ustedes qué creen? Ejercicio: Se tienen datos del contenido en calorías y sodio de tipos de vienesas: cerdo, mixtas, y de ave. 8 6 CALORIAS 8 6 N = carne 7 mixto 7 ave TIPOS
14 CALORIAS carne mixto ave Total N Descriptivos Intervalo de confianza para la media al 95% Desviación Límite Media típica Error típico Límite inferior superior Mínimo Máximo Prueba de homogeneidad de varianzas CALORIAS Estadístico de Levene gl gl Sig ANOVA CALORIAS Inter-grupos Intra-grupos Total Suma de Media cuadrados gl cuadrática F Sig SD de Tukey a,b TIPOS ave carne mixto Sig. CALORIAS Subconjunto para alfa =.5 N Se muestran las medias para los grupos en los subconjuntos homogéneos. a. Usa el tamaño muestral de la media armónica = b. Los tamaños de los grupos no son iguales. Se utilizará la media armónica de los tamaños de los grupos. Los niveles de error de tipo I no están garantizados. Cómo hacemos el análisis no paramétrico?
15 CALORIAS TIPOS carne mixto ave Total Rangos N Rango promedio Estadísticos de contraste a,b CALORIAS Chi-cuadrado 5.79 gl Sig. asintót.. a. Prueba de Kruskal-Wallis b. Variable de agrupación: TIPOS Qué informamos a los consumidores de vienesas? SD de Tukey a,b TIPOS ave carne mixto Sig. RANK of CALORIAS Subconjunto para alfa =.5 N Se muestran las medias para los grupos en los subconjuntos homogéneos. a. Usa el tamaño muestral de la media armónica = b. Los tamaños de los grupos no son iguales. Se utilizará la media armónica de los tamaños de los grupos. Los niveles de error de tipo I no están garantizados. Lo que hicimos fue calcular los rangos de la variable respuesta (calorías) y luego analizamos paramétricamente la nueva variable. Esta propuesta no es absolutamente convencional y fue publicada por: Conover, W. Iman, R. (98) Rank transformation as a bridge between parametric and non parametric studies. The American Statistican, 5: -. Fisher, L. Van Belle, G. En Biostatistics, Wiley (99 ) proponen rutinariamente hacer tanto el análisis paramétrico como su equivalente no paramétrico (cuando existe) y si las conclusiones son divergentes investigar el motivo. 5
16 Correlación por rangos de Spearman * asta ahora hemos analizado la correlación mediante el coeficiente de correlación lineal r de Pearson, sin embargo existen otros coeficientes de correlación útiles, particularmente el coeficiente de correlación por rangos de Spearman (r s ). El uso de este coeficiente es apropiado cuando la escala de medida de las variables de interés no es cuantitativa sino que es ordinal. La r de Spearman es en realidad el coeficiente de correlación lineal r de Pearson, aplicado a los datos que satisfacen los requisitos de una escala ordinal. La ecuación más sencilla para el cálculo de r s cuando no existen empates, o existen pocos, con respecto al número de pares de datos (x, y) es: r s 6 = ( R( X ) R( Y )) n i n i Donde: R X ) es el rango del i-ésimo dato X y R Y ) es el rango del i-ésimo dato Y. ( i ( i Se puede mostrar que si los datos no tienen empates, la r de Pearson se reduce algebraicamente a la ecuación anterior. Ejemplo: Suponga que una gran corporación está interesada en calificar a un grupo de aspirantes a gerentes según su capacidad de liderazgo. Se contrata a dos psicólogos para realizar el trabajo. Como resultado de sus exámenes y entrevistas, cada uno de los psicólogos, de manera independiente, han clasificado a los aspirantes según su capacidad de liderazgo. Los rangos van de a, donde representa el nivel máximo de liderazgo. Los datos aparecen en la tabla. Cuál es la correlación entre las clasificaciones de los dos psicólogos? Orden de Orden de R X ) Sujeto Psicólogo i ( ( R( Y )) Psicólogo Diferencias i r s 6 5 = =,8=,88 Comparemos con la salida de SPSS: * Spearman, C. (9) "The proof and measurement of association between two things", American Journal of Psychology, 5: 7-. 6
17 Rho de Spearman PSI PSI Correlaciones Coeficiente de correlación Sig. (bilateral) N Coeficiente de correlación Sig. (bilateral) N PSI **. La correlación es significativa al nivel, (bilateral). PSI..88**...88**... PSI PSI Correlaciones Correlación de Pearson Sig. (bilateral) N Correlación de Pearson Sig. (bilateral) N **. La correlación es significativa al nivel, PSI PSI.88**...88** PSI 6 8 PSI En este caso los dos coeficientes de correlación son iguales, pero tenemos argumentos a favor de usar un método no paramétrico. 7
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
Más detallesINFERENCIA ESTADÍSTICA. Metodología de Investigación. Tesifón Parrón
Metodología de Investigación Tesifón Parrón Contraste de hipótesis Inferencia Estadística Medidas de asociación Error de Tipo I y Error de Tipo II α β CONTRASTE DE HIPÓTESIS Tipos de Test Chi Cuadrado
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 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 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 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 detallesTipo de punta (factor) (bloques)
Ejemplo Diseño Bloques al Azar Ejercicio -6 (Pág. 99 Montgomery) Probeta Tipo de punta (factor) (bloques) 9. 9. 9.6 0.0 9. 9. 9.8 9.9 9. 9. 9.5 9.7 9.7 9.6 0.0 0. ) Representación gráfica de los datos
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesCONTENIDO. Prólogo a la 3. a edición en español ampliada... Prólogo...
CONTENIDO Prólogo a la 3. a edición en español ampliada.................................. Prólogo.................................................................. vii xvii 1. Métodos descriptivos................................................
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesPruebas de Hipótesis Multiples
Pruebas de Hipótesis Multiples Cuando queremos hacer comparaciones de mas de dos poblaciones, una alternativa es comparar todos los grupos a la vez con el método de Análisis de Varianza (ANOVA) H o : µ
Más 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 detallesEstructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo
Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detallesPruebas de Hipótesis-ANOVA. Curso de Seminario de Tesis Profesor QF Jose Avila Parco Año 2016
Pruebas de Hipótesis-ANOVA Curso de Seminario de Tesis Profesor Q Jose Avila Parco Año 2016 Análisis de la Varianza de un factor (ANOVA) El análisis de la varianza (ANOVA) es una técnica estadística paramétrica
Más detallesTema 2 Estadística Descriptiva
Estadística Descriptiva 1 Tipo de Variables 2 Tipo de variables La base de datos anterior contiene la información de 36 alumnos de un curso de Estadística de la Universidad de Talca. En esta base de datos
Más detallesCómo se hace la Prueba t a mano?
Cómo se hace la Prueba t a mano? Sujeto Grupo Grupo Grupo Grupo 33 089 74 5476 84 7056 75 565 3 94 8836 75 565 4 5 704 76 5776 5 4 6 76 5776 6 9 8 76 5776 7 4 78 6084 8 65 45 79 64 9 86 7396 80 6400 0
Más detalles11. PRUEBAS NO PARAMÉTRICAS
. PRUEBAS NO PARAMÉTRICAS Edgar Acuña http://math.uprm/edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ PRUEBAS NO PARAMÉTRICAS Se estudiarán las pruebas noparamétricas, las cuales
Más detallesPregunta 1. Pregunta 2. Pregunta 3. Pregunta 4. Pregunta 5. Pregunta 6. Pregunta 7. Comenzado el lunes, 25 de marzo de 2013, 17:24
Comenzado el lunes, 25 de marzo de 2013, 17:24 Estado Finalizado Finalizado en sábado, 30 de marzo de 2013, 17:10 Tiempo empleado 4 días 23 horas Puntos 50,00/50,00 Calificación 10,00 de un máximo de 10,00
Más detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
Más detallesUAP PRUEBAS DE HIPÓTESIS NO PARAMÉTRICAS
PRUEBAS DE HIPÓTESIS NO PARAMÉTRICAS Estas pruebas no se basan en ninguna suposición en cuanto a la distribución de probabilidad a partir de la que fueron obtenidos los datos. Son muy útiles cuando no
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión
Más detallesTema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0
Ignacio Martín Tamayo 11 Tema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0 ÍNDICE ------------------------------------------------------------- 1. Introducción 2. Frecuencias 3. Descriptivos 4. Explorar
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesHay 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
Más detallesCLASE 10: RESUMEN DEL CURSO
CLASE 10: RESUMEN DEL CURSO 10.1.-INTRODUCCIÓN Qué debemos valorar al enfrentarnos con el análisis de unos datos estadísticos? 1º TIPO DE ESTUDIO: - Datos Independientes - Datos Apareados 2º TIPO DE VARIABLES:
Más detallesRepaso Estadística Descriptiva
Grado en Fisioterapia, 2010/11 Cátedra de Bioestadística Universidad de Extremadura 13 de octubre de 2010 Índice Descriptiva de una variable 1 Descriptiva de una variable 2 Índice Descriptiva de una variable
Más detallesDISTRIBUCIONES BIDIMENSIONALES
La estadística unidimensional estudia los elementos de un conjunto de datos considerando sólo una variable o característica. Si ahora incorporamos, otra variable, y se observa simultáneamente el comportamiento
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesFase 2. Estudio de mercado: ESTADÍSTICA
1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.
Más detallesContenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos
Contenido Prefacio ix 1 Introducci6n a la estadfstica y al an;!llisis de datos 1 1.1 1.2 1.3 1.4 1.5 1.6 Repaso 1 EI papel de la probabilidad 2 Medidas de posici6n: media de una muestra 4 Medidas de variabilidad
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 detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesCURSO-TALLER DE ANÁLISIS ESTADÍSTICO BÁSICO CON EXCEL Y SPSS Instructor: Mario Alberto Barajas Malacara
CURSO-TALLER DE ANÁLISIS ESTADÍSTICO BÁSICO CON EXCEL Y SPSS Instructor: Mario Alberto Barajas Malacara Descripción: Los temas de estadística propuestos corresponden con los conocimientos mínimos que un
Más detallesGrado en NHyD 23 de junio de 2014
Estadística Aplicada Examen extraordinario Grado en HyD 23 de junio de 214 OTA: Explica y desarrolla tus respuestas usando las salidas de los anexos. En las preguntas de verdadero y falso indica qué gráficos
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
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 detalles18 Experimentos aleatorios. Sucesos y espacio muestral. Frecuencia y probabilidad de un suceso.
PRIMER CURSO DE E.S.O Criterios de calificación: 80% exámenes, 10% actividades, 10% actitud y trabajo 1 Números naturales. 2 Potencias de exponente natural. Raíces cuadradas exactas. 3 Divisibilidad. Concepto
Más detallesCAPITULO ANÁLISIS ESTADÍSTICO MULTIVARIADO /1/ /2/ En el presente capítulo se realiza el análisis estadístico multivariado de los
112 CAPITULO 5 5.- ANÁLISIS ESTADÍSTICO MULTIVARIADO /1/ /2/ 5.1. Introducción En el presente capítulo se realiza el análisis estadístico multivariado de los datos obtenidos en censo correspondientes a
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 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 detallesCURSO: Métodos estadísticos de uso frecuente en salud
CURSO: Métodos estadísticos de uso frecuente en salud Información General Versión: 2016 Modalidad: Presencial. Duración Total: 40 horas. NUEVA FECHA Fecha de inicio: 01 de octubre Fecha de término: 10
Más detallesY accedemos al cuadro de diálogo Descriptivos
SPSS: DESCRIPTIVOS PROCEDIMIENTO DE ANÁLISIS INICIAL DE DATOS: DESCRIPTIVOS A diferencia con el procedimiento Frecuencias, que contiene opciones para describir tanto variables categóricas como cuantitativas
Más detallesEstadística Inferencial. Estadística Descriptiva
INTRODUCCIÓN Estadística: Ciencia que trata sobre la teoría y aplicación de métodos para coleccionar, representar, resumir y analizar datos, así como realizar inferencias a partir de ellos. Recogida y
Más detallesSE OFRECE A ESTUDIANTES DE GRADO: SI X. MÓDULO DEL PLAN 2013 EN QUE ACREDITA: Módulo Metodológico DESCRIPTORES: Probabilidad y Estadística
Asignatura: Probabilidad y Estadistica para Investigadores en ciencias del comportamiento I Tipo: Optativa Créditos: 15 Fecha tentativa: de 12:30 a 17:00 hrs desde el 23/04/2014 Lugar: Salón 9 Cupos: 20
Más detallesObjetivos del tema. Qué es una hipótesis? Test de Hipótesis Introducción a la Probabilidad y Estadística. Contrastando una hipótesis
Objetivos del tema Conocer el proceso para contrastar hipótesis y su relación con el método científico. Diferenciar entre hipótesis nula y alternativa Nivel de significación Test de Hipótesis Introducción
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesPráctica 2: Intervalos de confianza y contrastes con SPSS 1
Estadística Aplicada Curso 2010/2011 Diplomatura en Nutrición Humana y Dietética Práctica 2: Intervalos de confianza y contrastes con SPSS 1 El objetivo de esta práctica es aprender a calcular intervalos
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detallesTEMA 4 ELABORACIÓN Y COMPROBACIÓN DE LAS HIPÓTESIS DE INVESTIGACIÓN
TEMA 4 ELABORACIÓN Y COMPROBACIÓN DE LAS HIPÓTESIS DE INVESTIGACIÓN 1 MODELO LINEAL GENERAL applemodelo estadístico appledescribe una combinación lineal de los efectos aditivos que forman la puntuación
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
Más detallesPATRONES DE DISTRIBUCIÓN ESPACIAL
PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de
Más detallesLa desviación típica y otras medidas de dispersión
La desviación típica y otras medidas de dispersión DISPERSIÓN O VARIACIÓN La dispersión o variación de los datos intenta dar una idea de cuan esparcidos se encuentran éstos. Hay varias medidas de tal dispersión,
Más detallesMedidas de centralización
1 1. Medidas de centralización Medidas de centralización Hemos visto cómo el estudio del conjunto de los datos mediante la estadística permite realizar representaciones gráficas, que informan sobre ese
Más detallesEvaluación de Regnum 25 EC en el cultivo de maíz para la producción de grano. Rodolfo Alberto Rubio Chávez. Maíz (Zea mays)
Evaluación de Regnum 25 EC en el cultivo de maíz para la producción de grano. Rodolfo Alberto Rubio Chávez Cadelga Maíz (Zea mays) Científica Objetivos Medir el Efecto Fisiológico AgCelence del Fungicida
Más detallesNivel socioeconómico medio. Nivel socioeconómico alto SI 8 15 28 51 NO 13 16 14 43 TOTAL 21 31 42 94
6. La prueba de ji-cuadrado Del mismo modo que los estadísticos z, con su distribución normal y t, con su distribución t de Student, nos han servido para someter a prueba hipótesis que involucran a promedios
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 31 de mayo, 2011 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesProbabilidad y Estadística, EIC 311
Probabilidad y Estadística, EIC 311 Medida de resumen 1er Semestre 2016 1 / 105 , mediana y moda para datos no Una medida muy útil es la media aritmética de la muestra = Promedio. 2 / 105 , mediana y moda
Más detallesPráctica 9: Anova (2).
Práctica 9: Anova (2) Dedicamos esta práctica al estudio de modelos bifactoriales del análisis de la varianza Veremos concretamente diseños bifactoriales con y sin interacción, diseño por bloques al azar
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 28 de mayo, 2013 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesPREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2
PREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2 Preg. 1. Para comparar la variabilidad relativa de la tensión arterial diastólica y el nivel de colesterol en sangre de una serie de individuos, utilizamos
Más detalles3. Correlación. Introducción. Diagrama de dispersión
1 3. Correlación Introducción En los negocios, no todo es el producto, pueden existir factores relacionados o externos que modifiquen cómo se distribuye un producto. De igual manera, la estadística no
Más detallesno paramétrica comparar más de dos grupos de rangos (medianas)
Kruskal-Wallis Es una prueba no paramétrica de comparación de tres o más grupos independientes, debe cumplir las siguientes características: Es libre de curva, no necesita una distribución específica Nivel
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Medicina Veterinaria y Zootecnia. Licenciatura en Medicina Veterinaria y Zootecnia
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Medicina Veterinaria y Zootecnia Licenciatura en Medicina Veterinaria y Zootecnia Clave 1212 Modalidad del curso: Carácter Métodos estadísticos en medicina
Más detallesEjemplos y ejercicios de. Estadística Descriptiva. yanálisis de Datos. 2 Descripción estadística de una variable. Ejemplos y ejercicios.
ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS Ejemplos y ejercicios de Estadística Descriptiva yanálisis de Datos Diplomatura en Estadística Curso 007/08 Descripción estadística de una variable. Ejemplos
Más detallesPráctica 5 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD
Práctica 5.Métodos descriptivos para determinar la normalidad 1 Práctica 5 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD Objetivos: En esta práctica utilizaremos el paquete SPSS para determinar si
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesMedidas descriptivas I. Medidas de tendencia central A. La moda
Medidas descriptivas I. Medidas de tendencia central A. La moda Preparado por: Roberto O. Rivera Rodríguez Coaching de matemática Escuela Eduardo Neuman Gandía 1 Introducción En muchas ocasiones el conjunto
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesTema 3: Diseño de experimentos
Grado en Fisioterapia, 2010/11 Cátedra de Bioestadística Universidad de Extremadura 15 de noviembre de 2010 Índice Diseños con un factor 1 Diseños con un factor Comparación de dos medias Comparación de
Más detallesESTADISTICA Y PROBABILIDAD ESTADÍSTICA
ESTADÍSTICA La estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comprobaciones y sacar conclusiones. Un estudio estadístico consta
Más detallesPRÁCTICA 3: Ejercicios del capítulo 5
PRÁCICA 3: Eercicios del capítulo 5 1. Una empresa bancaria a contratado a un equipo de expertos en investigación de mercados para que les asesoren sobre el tipo de campaña publicitaria más recomendable
Más detallesMEDIDAS DE RESUMEN: MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN. Lic. Esperanza García Cribilleros
MEDIDAS DE RESUMEN: MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN Lic. Esperanza García Cribilleros ANÁLISIS EXPLORATORIO DE DATOS Diagrama de tallo y hojas Diagrama de caja DESCRIPCIÓN N DE LOS DATOS Tablas
Más detallesMEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Al describir grupos de observaciones, con frecuencia es conveniente resumir la información con un solo número. Este número que, para tal fin, suele situarse hacia el centro
Más detallesExactitud y Linearidad del Calibrador
Exactitud y Linearidad del Calibrador Resumen El procedimiento Exactitud y Linearidad del Calibrador fue diseñado para estimar la exactitud del sistema de medición. En contraste con los procedimientos
Más detallesTema 5: Introducción a la inferencia estadística
Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Más detallesPROGRAMA ACADEMICO Ingeniería Industrial
1. IDENTIFICACIÓN DIVISION ACADEMICA Ingenierías DEPARTAMENTO Ingeniería Industrial PROGRAMA ACADEMICO Ingeniería Industrial NOMBRE DEL CURSO Análisis de datos en Ingeniería COMPONENTE CURRICULAR Profesional
Más detallesEl rango de un conjunto de números es la diferencia entre el número mayor y el menor del conjunto.
La desviación estándar y otras medidas de dispersión CAPÍTULO 4 DISPERSIO O VARIACIO La dispersión o variación de los datos es el grado en que los datos numéricos tienden a esparcirse alrededor de un valor
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesEsquema (1) Análisis de la Varianza y de la Covarianza. ANOVA y ANCOVA. ANOVA y ANCOVA 1. Análisis de la Varianza de 1 Factor
Esquema (1) Análisis de la arianza y de la Covarianza ANOA y ANCOA 1. (Muestras independientes). () 3. Análisis de la arianza de Factores 4. Análisis de la Covarianza 5. Análisis con más de Factores J.F.
Más detallesPuntuaciones Estándarizadas, Distribución Normal y Aplicaciones. Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010
Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010 Objetivos de Lección Conocer características principales de una
Más detallesUNIDAD 6. Estadística
Matemática UNIDAD 6. Estadística 2 Medio GUÍA N 1 MEDIDAS DE DISPERSIÓN PARA DATOS NO AGRUPADOS ACTIVIDAD Consideremos los siguientes conjuntos de valores referidos a las edades de los jugadores de dos
Más detalles