Professional Documents
Culture Documents
Índice
Análisis de datos
Pruebas paramétricas
GE O1 X O2
GC O3 - O4
µE=µ1 µC=µ2
C. Pre experimentales
µPRE=µ1 µPOST=µ2
ETAPAS DE UNA PRUEBA DE HIPÓTESIS
METODO TRADICIONAL
METODO MODERNO
1º. Hipótesis: M
H0: Los promedios del pre test es igual al post test. O
H1: Los promedios del pre test es diferente al post test.
2º. Nivel de significancia: 0.10; 0.05; 0.01 D
5º. Decisión: E
Si p< 0.05 , rechazar la hipótesis Ho
Si p ≥ 0.05 , aceptar la hipótesis Ho R
6º. Conclusión N
O
3. ANALISIS DE VARIANZA: (Anva-Anova-Andeva)
• La prueba de Hipótesis del ANVA es la siguiente:
Ho:1= 2 = ……= k Ho:Los grupos son iguales
H1: Al menos dos de las medias son H1: Los grupos son diferentes
• Los elemntos que conforman el ANVA son: SC - GL - CM - Fe - Ft
• Decisión
Rechazar Ho si Fcalc > F(k-1,N-k,α) , es decir que existe evidencia estadística de que
no todas las medias de los tratamientos son iguales.
• En conclusión :
Por lo menos un grupo es diferente.
SESIÓN 1. Conceptos generales en los Diseños Experimentales
1.1. La Estadística y la Experimentación. Historia
1.2. Conceptos básicos en los diseños experimentales y procedimiento
1.3. Principios básicos en los diseños experimentales
1.4. Clasificación de los diseños experimentales
Referencia Bibliográfica:
Diseño y Análisis de Experimentos . Douglas Montgomery. 2° edición.
Análisis y Diseño de Experimentos. Humberto Gutiérrez Pulido. 2° Edición. Año 2008
Bioestadística. Daniel. .
NIVELES
DESCRIPTIVA CORRELACIONAL EXPLICATIVA PREDICTIVA
DE LA
Identifica - Describe Identifica – Describe – Determina la relación
INVESTIGACIÓN
Estimado el modelo
hechos, concepto, Correlaciona variables, causal entre variables . se realiza
variables. hechos previa medición, Determina las causas de predicciones o
Mide conceptos Explica y cuantifica los fenómenos pronósticos
Define variables relaciones entre “Control de variables” Validación del
variables EXPERIMENTAL modelo
INVESTIGACIÓN CONCLUYENTE
EXPLORATORIA
Pre-Experimentales
DCA
Cuasiexperimentales
Diseños DBCA
Experimentales
Diseños
Experimentales Puros
Unifactoriales
DCL
Estadísticos
DCGL
Experimento:
Es cuando se realizan cambios en las condiciones
de operación de un sistema o proceso, con el
objetivo de medir el efecto o cambio en una o varias
propiedades del producto o resultado.
Diseño de Experimentos:
Es la aplicación del método científico para generar
conocimiento acerca de un sistema o proceso, por medio de
pruebas planeadas adecuadamente.
Esta metodología se ha ido consolidando como un conjunto
de técnicas estadísticas y de ingeniería, que permiten
entender mejores situaciones complejas de relación causa-
efecto.
Definiciones generales: Unidad experimental
Unidad experimental:
IDENTIFICACIÓN Y
ELECCIÓN DE LOS FACTORES, SELECCIÓN DE LA VARIABLE
ENUNCIACIÓN DEL
LOS NIVELES Y LOS RANGOS RESPUESTA
PROBLEMA
CONCLUSIONES Y
RECOMENDACIONES
1.6. Principios básicos:
Principios Básicos
Referencia Bibliográfica:
Diseño y Análisis de Experimentos . Douglas Montgomery. 2° edición.
Análisis y Diseño de Experimentos. Humberto Gutiérrez Pulido. 2° Edición. Año 2008
Bioestadística. Daniel. .
1.1. Definición. Características. Modelo Estadístico
Tabla 1. Datos referente al experimento del proceso de
Características del DCA: soplado de los envases PET, consideremos el interés de
averiguar la influencia del factor temperatura de
horneado (ºC) en la Presión Interna del envase PET
• Es un diseño unifactorial
Obs. T E M P E R A T U R A
• Su objetivo es determinar el efecto de un factor 140º 150º 160º 170º
sobre una variable respuesta
1 122 126 126 126
• Se aplica cuando el material experimental es 2 121 122 126 131
completamente homogéneo
3 121 121 126 128
• En este diseño todos los tratamientos se 4 122 122 128 128
asignan completamente al azar a las unidades
experimentales o viceversa. FUENTE: Tesis de Maestría 1999- UNT, L. Rubio
1.1. Definición. Características. Modelo Estadístico
Modelo Estadístico:
1.2. Presentación de los datos
Matriz de datos:
Aplicación:
Ejemplo 3-1. El experimento a la resistencia a la tensión. Pág. 86. Diseños de Experimentos . Douglas
Montgomery
Identificar la variable respuesta, Factor (Tipo), Niveles, unidad experimental.
1.4. Aplicación - Solución
1.5. Prueba Post ANVA:
Pruebas
Post ANVA
Prueba de un
Pruebas Contrastes Pares de Tratamientos Tratamiento con un
control
ESTAS PRUEBA SE REALIZAN CUANDO EL ANALISIS DE VARIANZA (ANVA) RESULTÓ SER SIGNIFICATIVA
(p<0.05). Es decir los tratamientos tienen diferente efecto.
1.5. Prueba Post ANVA: PRUEBA DE SCHEFFE
APLICACIÓN:
Se tiene como referencia el experimento sobre peso porcentual de algodón (T1: 15%, T2:20%,
T3:25%; T4:30%; T5: 35%) sobre la resistencia a la tensión en la tela.
SOSPECHAS:
1. Los tratamientos 4 y 5 producen la misma resistencia a la tensión
2. Los tratamientos (1y2) producen la misma resistencia a la tensión que los tratamientos (4y5)
Se comprueba que los constrates son ortogonales. Posteriormente se encuenta los valores numéricos de de los contrastes
y luego sus SUMAS DE CUADRADOS los cuales irán en al ANVA:
1.5. Prueba Post ANVA: PRUEBA DE SCHEFFE
Finalmente, se obtiene el ANVA desglosado para cada uno de los contrates con 1 grado de libertad para cada uno de ellos.
1.5. Prueba Post ANVA: PRUEBA DE SCHEFFE
Prueba de Scheffé:
• Sirve para probar todos y cada uno de los contrastes posibles entre las medias de los tratamientos.
• En esta prueba, el error tipo I, para cualquiera de las posibles comparaciones.
Pasos:
1. Hipótesis:
3. Valor experimental:
4. Valor critico
5. Decisión
Prueba de Tukey:
• Sirve para probar todos las comparaciones de las medias por pares.
• Tukey propuso un procedimiento cuando el diseño es balanceado.
• Este procedimiento se basa en el estadístico RANGO STUDENTIZADO.
Pasos:
1. Hipótesis:
3. Valor experimental:
4. Valor critico
Prueba de Tukey-Kramer:
• Sirve para probar todos las comparaciones de las medias por pares.
• Es una versuión cuando el tamaño de replicas es diferente
.
Pasos:
1. Hipótesis:
3. Valor experimental:
4. Valor critico
Modelo Estadístico:
1.7. Diseño balanceado y no balanceado
Matriz de datos: Valor faltante: Diseño No balanceado
1.7. Diseño balanceado y no balanceado
1.7. Diseño balanceado y no balanceado
Aplicación:
Diseño balanceado: Diseño no balanceado:
1.8. Tipos de efectos:
FACTOR A EFECTOS FIJOS:
• Se dice que un factor es a efectos fijos , si los a tratamientos son los
únicos elegidos expresamente por el investigador.
• En esta situación las conclusiones se aplican únicamente a los
tratamientos del factor considerado en el análisis. No se pueden
extender a tratamientos similares
• Modelos a Efectos Fijos.
• Aquí se estima µ, Ƭi, σ2
Práctica
presencial 4:
DESARROLLAR
EN EL SPSS
1.10. Verificación del modelo:
• Prueba C de Cochran
• Prueba de de Bartlett: (sensible al supuesto de normalidad)
• Prueba de Hartley
• Prueba de Levene
Hipótesis:
Aplicación:
1.10. Verificación del modelo: Aplicación
1.10. Verificación del modelo: Aplicación
Aplicación:
1.10. La prueba Kruskall-Wallis. Supuesto de normalidad no
se cumple
12 k R2
H j
3( N 1)
N ( N 1) j 1 n j
k número de grupos
N número total de sujetos
n j número de sujetos en cada grupo
R j Suma de los rangos en cada grupo
k
Un fabricante de semiconductores ha desarrollado tres métodos diferentes para reducir el conteo de partículas en
las obleas. Los tres métodos se prueban en cinco obleas y se obtiene el conteo de partículas después del
tratamiento. Los datos se muestran abajo:
Método Conteo
1 31 10 21 4 1
2 62 40 24 30 35
3 53 27 120 97 68
Referencia Bibliográfica:
Diseño y Análisis de Experimentos . Douglas Montgomery. 2° edición.
Análisis y Diseño de Experimentos. Humberto Gutiérrez Pulido. 2° Edición. Año 2008
Bioestadística. Daniel. .
1.1. Definición. Características. Modelo Estadístico
Tabla 1. Datos referente al experimento del proceso de
Características del DCA: soplado de los envases PET, consideremos el interés de
averiguar la influencia del factor temperatura de
horneado (ºC) en la Presión Interna del envase PET
• Es un diseño unifactorial
Obs. T E M P E R A T U R A
• Su objetivo es determinar el efecto de un factor 140º 150º 160º 170º
sobre una variable respuesta
1 122 126 126 126
• Se aplica cuando el material experimental es 2 121 122 126 131
completamente homogéneo
3 121 121 126 128
• En este diseño todos los tratamientos se 4 122 122 128 128
asignan completamente al azar a las unidades
experimentales o viceversa. FUENTE: Tesis de Maestría 1999- UNT, L. Rubio
1.1. Definición. Características. Modelo Estadístico
Modelo Estadístico:
1.2. Presentación de los datos
Matriz de datos:
Aplicación:
Ejemplo 3-1. El experimento a la resistencia a la tensión. Pág. 86. Diseños de Experimentos . Douglas
Montgomery
Identificar la variable respuesta, Factor (Tipo), Niveles, unidad experimental.
1.4. Aplicación - Solución
1.5. Prueba Post ANVA:
Pruebas
Post ANVA
Prueba de un
Pruebas Contrastes Pares de Tratamientos Tratamiento con un
control
ESTAS PRUEBA SE REALIZAN CUANDO EL ANALISIS DE VARIANZA (ANVA) RESULTÓ SER SIGNIFICATIVA
(p<0.05). Es decir los tratamientos tienen diferente efecto.
1.5. Prueba Post ANVA: PRUEBA DE SCHEFFE
APLICACIÓN:
Se tiene como referencia el experimento sobre peso porcentual de algodón (T1: 15%, T2:20%,
T3:25%; T4:30%; T5: 35%) sobre la resistencia a la tensión en la tela.
SOSPECHAS:
1. Los tratamientos 4 y 5 producen la misma resistencia a la tensión
2. Los tratamientos (1y2) producen la misma resistencia a la tensión que los tratamientos (4y5)
Se comprueba que los constrates son ortogonales. Posteriormente se encuenta los valores numéricos de de los contrastes
y luego sus SUMAS DE CUADRADOS los cuales irán en al ANVA:
1.5. Prueba Post ANVA: PRUEBA DE SCHEFFE
Finalmente, se obtiene el ANVA desglosado para cada uno de los contrates con 1 grado de libertad para cada uno de ellos.
1.5. Prueba Post ANVA: PRUEBA DE SCHEFFE
Prueba de Scheffé:
• Sirve para probar todos y cada uno de los contrastes posibles entre las medias de los tratamientos.
• En esta prueba, el error tipo I, para cualquiera de las posibles comparaciones.
Pasos:
1. Hipótesis:
3. Valor experimental:
4. Valor critico
5. Decisión
Prueba de Tukey:
• Sirve para probar todos las comparaciones de las medias por pares.
• Tukey propuso un procedimiento cuando el diseño es balanceado.
• Este procedimiento se basa en el estadístico RANGO STUDENTIZADO.
Pasos:
1. Hipótesis:
3. Valor experimental:
4. Valor critico
Prueba de Tukey-Kramer:
• Sirve para probar todos las comparaciones de las medias por pares.
• Es una versuión cuando el tamaño de replicas es diferente
.
Pasos:
1. Hipótesis:
3. Valor experimental:
4. Valor critico
Modelo Estadístico:
1.7. Diseño balanceado y no balanceado
Matriz de datos: Valor faltante: Diseño No balanceado
1.7. Diseño balanceado y no balanceado
1.7. Diseño balanceado y no balanceado
Aplicación:
Diseño balanceado: Diseño no balanceado:
1.8. Tipos de efectos:
FACTOR A EFECTOS FIJOS:
• Se dice que un factor es a efectos fijos , si los a tratamientos son los
únicos elegidos expresamente por el investigador.
• En esta situación las conclusiones se aplican únicamente a los
tratamientos del factor considerado en el análisis. No se pueden
extender a tratamientos similares
• Modelos a Efectos Fijos.
• Aquí se estima µ, Ƭi, σ2
Práctica
presencial 4:
DESARROLLAR
EN EL SPSS
1.10. Verificación del modelo:
• Prueba C de Cochran
• Prueba de de Bartlett: (sensible al supuesto de normalidad)
• Prueba de Hartley
• Prueba de Levene
Hipótesis:
1.10. Verificación del modelo: Aplicación
Aplicación:
1.10. Verificación del modelo: Aplicación
Aplicación:
1.10. La prueba Kruskall-Wallis. Supuesto de normalidad no
se cumple
12 k R2
H j
3( N 1)
N ( N 1) j 1 n j
k número de grupos
N número total de sujetos
n j número de sujetos en cada grupo
R j Suma de los rangos en cada grupo
k
Un fabricante de semiconductores ha desarrollado tres métodos diferentes para reducir el conteo de partículas en
las obleas. Los tres métodos se prueban en cinco obleas y se obtiene el conteo de partículas después del
tratamiento. Los datos se muestran abajo:
Método Conteo
1 31 10 21 4 1
2 62 40 24 30 35
3 53 27 120 97 68
Estudio T1 Donde:
M1 O1 • M1 muestra
• O1 observación
Muestra 1
X1
Estadística descriptiva:
X2
1. Tablas de Frecuencias.
X3 2. Gráficos Estadísticos.
X4 3. Medidas Estadísticas
X5
X6
Tablas y Gráficos Estadísticos
TABLAS DE DISTRIBUCION
GRAFICO ESTADÍSTICO
DE FRECUENCIAS
Partes: Partes:
Numeración Numeración
Titulo Titulo
Encabezado Diagrama
Cuerpo Leyenda
Fuente Fuente
Construcción de una Tabla de Frecuencias
xi DATOS fi FRECUENCIA
Frecuencia Absoluta Frecuencia Relativa
Simple Simple
FAS Frecuencia Absoluta hi Frecuencia Relativa
Acumulada Acumulada
FAA Hi
TIPOS DE GRAFICOS
BARRAS BASTONES
SECTORIAL BARRAS
PYE HISTOGRAMA
POLIGONO DE FRECUENCIAS
OJIVAS
SERIES DE TIEMPO
TIPOS DE GRAFICOS
VARIABLES CUANTITATIVAS CONTINUAS
BARRAS
CORONA O
ANILLO
SECTOR
CIRCULAR
BASTONES DIAGRAMA DE
FRECUENCIAS ESCALONES OTROS GRAFICOS
TIPOS DE GRAFICOS
OTROS GRAFICOS
LINEAS
PIRAMIDES
POBLACIONALES
TIPOS DE GRAFICOS
Estudio T1 T2 T3 Donde:
• T1, T2, T3: son los periodos en los
M O1 O2 O3 cuales se realizan las observaciones
Muestra T1
Análisis estadístico de datos:
X1
1. Estadística descriptiva:
X2
Tablas de frecuencias y
X3 Gráficos Estadísticos.
X4 2. Series de Tiempo.
X5
X6
Pruebas de correlación
Prueba de correlación de Pearson.
Prueba de correlación de rango de Spearman
Prueba Chi cuadrado
PRUEBAS ESTADISTICAS PARA MEDIR LA CORRELACION
ENTRE VARIABLES
COEFICIENTE DE
Las variables con
CORRELACION DE
Continua
PEARSON
COEFICIENTE DE
CLASIFICACIÓN Las variables son CORRELACION POR
Ordinales RANGOS DE
SPEARMAN
Hipótesis
Ho: X influye en Y
H1: X no influye en Y
ANÁLISIS DE REGRESIÓN:
Pasos a seguir:
• Realizar el diagrama de dispersión y ver el comportamiento de la variable.
• Aplicar el método de los Mínimos Cuadrados Ordinarios para estimar los parámetros de
la ecuación. Las formulas son las siguientes:
A Y BX
n n n
n X i Yi X i Yi
B i 1
n
i 1
n
i 1
n X i2 ( X i ) 2
i 1 i 1
Y = A + B (Xo)
1. Modelo de Regresión Lineal Simple
1.1. Introducción al Modelo de Regresión Lineal
1.2. El Modelo de Regresión Lineal Simple
1.3. El Método de los Mínimos Cuadrados Ordinarios (MMCO)
1.4. Propiedades de los estimadores Mínimos Cuadrados
1.5. Inferencias sobre los coeficientes de regresión
1.6. El coeficiente de determinación
1.7. Predicción
1.8. La prueba de linealidad (Falta de ajuste)
1.9. Evaluación de supuestos
1.10. Aplicación
1.1. Introducción a los Modelos de Regresión Lineal
REGRESIÓN=Regresar
Los Modelos de Regresión Lineal (MRL) surgieron desde
1889 cuando Francis Galton, los utilizó para pronosticar la
estatura de los hijos a través de la estatura de los padres.
El término “regresión” se usó en principio para indicar que
ciertos fenómenos presentan continuamente mediciones
altas y bajas, pero que dichas mediciones eventualmente
“regresan” al promedio.
Francis Galton en su artículo pionero “Regression towards
mediocrity in hereditary stature”, establece que hijos de
padres altos no son tan altos como sus padres, e hijos de
padres bajos no son tan bajos como sus padres.
... Introducción al Modelo de Regresión Lineal
Y = β0 +β1 X
β0 es la intersección;
β1 es la pendiente.
Figura 1. Tipos de relación entre dos variables.
…Introducción a los Modelo de Regresión Lineal
El Método de los Mínimos Cuadrados Ordinarios sirve para ajustar una recta de regresión a los datos, lo
cual equivale a determinar los estimados b0 para β0 y b1 para β1.
Antes de analizar el método de estimación de los mínimos cuadrados es importante presentar el concepto de
residual. En esencia, un residual es un error en el ajuste del modelo ŷ = b0 + b1x.
Residual: Error en el ajuste
Dado un conjunto de datos de regresión {(xi, yi); i = 1, 2,..., n}
y un modelo ajustado, el i-esimo residual ei esta dado por:
Al igualar a cero las derivadas parciales y reacomodar los términos, obtenemos las ecuaciones siguientes (llamadas
ecuaciones normales):
... El Método de los Mínimos Cuadrados ordinarios (MMCO)
Para realizar inferencia estadística (Prueba de hipótesis y estimación intervalica) del modelo de regresión, es
decir, de sus parámetros, se debe de conocer su valor esperado y su varianza. Propiedad del insesgamiento
Esta demostrado que Bo y B1 tienen un comportamiento normal cuyos parámetros son:
A. Para Bo:
B. Para B1:
… Propiedades de los estimadores Mínimos Cuadrados
2. Estimación de σ2
Para hacer inferencias sobre β0 y β1 es necesario llegar a una estimación del parámetro σ2 que aparece en
las dos formulas anteriores de la varianza de B0 y B1.
El parámetro σ2 llamado (varianza del error) mide la variación aleatoria o la variación del error experimental
alrededor de la recta de regresión.
Un estimador insesgado de σ2 es:
… Inferencias sobre los coeficientes de regresión
Un intervalo de predicción de 100(1 – α)% para una sola respuesta y0 es dado por:
1.8. Prueba de Falta de ajuste:
Figura : Modelo lineal correcto con Figura: Modelo lineal incorrecto con
componente sin falta de ajuste. componente de falta de ajuste.
1.9. Evaluación de supuestos:
Sin embargo, para una prueba formal de homoscedasticidad se debe aplicar un método estadístico formal, el cual consiste en
probar si existe una correlación entre los residuos (en valor absoluto ya que de otra forma la correlación es cero) y el valor
predicho no estandarizado. En este caso se obtiene el coeficiente de correlación de Pearson para una prueba bilateral.
Esta prueba se realiza con SPSS en el menú analizar/correlaciones/bivariadas y seleccionado las dos variables involucradas.
1.9. Evaluación de supuestos:
2. NORMALIDAD DE RESIDUALES
No obstante, si deseamos ser más rigurosos podemos recurrir a procedimientos analíticos, como la prueba Kolmogorov-Smirnov
para la normalidad.
Esta prueba debe ser realizada a través del software SPSS (en el menú analizar/pruebas no paramétricas/una muestra).
1.10. Aplicación: