Speaker A
Muchachos, ¿qué tal? Buenas noches con todos. Muy bien, vamos a empezar la sesión. El día de hoy tenemos que ver ya pruebas no paramétricas, pero aún nos falta terminar un punto de la anterior sesión, ¿no?, que son la
Explicación detallada sobre ANOVA de dos factores y su aplicación en análisis estadístico con ejemplos prácticos en R.
Key Takeaways
- La ANOVA de dos factores permite evaluar simultáneamente dos variables independientes y su interacción sobre una variable dependiente.
- El análisis de interacción es clave para entender efectos combinados que no se detectan con ANOVA de un solo factor.
- El p-valor es fundamental para decidir si se rechaza la hipótesis nula en cualquier prueba estadística.
- El diseño de experimentos es un campo especializado que profundiza en ANOVAs multifactoriales y sus aplicaciones.
- R es una herramienta práctica y eficiente para realizar pruebas estadísticas y visualizar resultados.
Summary
- Repaso de pruebas paramétricas y no paramétricas vistas en sesiones anteriores, incluyendo prueba t y ANOVA de un factor.
- Introducción a la ANOVA de dos factores o ANOVA de dos vías, que evalúa el efecto simultáneo de dos variables independientes sobre una variable dependiente cuantitativa.
- Importancia de analizar la interacción entre factores para entender cómo el efecto de uno depende del nivel del otro.
- Aplicaciones prácticas de ANOVA de dos factores en áreas como agricultura, educación y salud.
- Explicación del modelo matemático de ANOVA de dos factores, incluyendo efectos fijos, aleatorios y de interacción.
- Diferenciación entre ANOVA y conceptos relacionados como la multicolinealidad, que se aborda en regresión.
- Recomendación de recursos especializados como el libro de Montgomery sobre diseño de experimentos.
- Uso de R para implementar pruebas estadísticas y análisis gráfico de resultados.
- Importancia del p-valor y nivel alfa para la toma de decisiones en pruebas de hipótesis.
- Mención de futuras sesiones enfocadas en regresión y otros métodos estadísticos.
Chapters
- 00:00Introducción y repaso de pruebas paramétricas y no paramétricas
- 04:40Conceptos básicos de ANOVA de dos factores
- 08:32Aplicaciones prácticas y recursos recomendados
- 12:21Modelo matemático y efectos en ANOVA de dos factores
- 20:17Diferencias con otros conceptos estadísticos y preguntas del chat
- 24:17Ejemplo práctico: resistencia de láminas de acero
- 29:18Análisis de resultados y conclusiones
- 37:00Pruebas no paramétricas y cierre de sesión
Full Transcript — Download SRT & Markdown
Speaker A
prueba de la ANOVA de dos vías o de dos factores. Entonces, antes de entrar a esta sesión vamos a cerrar con esa parte de la sesión anterior. Ya. A ver, me dan un momento. Voy a cerrar esto.
Speaker A
Me refiero a esto. A ver, nosotros habíamos visto la sesión anterior, muchachos, lo que es prueba de ANOVA y T estudia, ¿no? Entonces, todo eso ya lo vimos. Así que pequeño repaso, ¿no? Prueba t para una media, para proporción,
Speaker A
cómo se hacía las pruebas que estudian en R. Sencillo, ¿no? La función t hace todas las pruebas de hipótesis que existen, ¿no?
Speaker A
Para proporciones la función era prop.test, ¿no? Entonces, la manera de identificar cuándo usar t o prop.test era de acuerdo al tipo de variable, ¿no? Para variables numéricas, t; para variables categóricas, prop.test, ¿no? Entonces, eso es muy importante tener en claro.
Speaker A
Luego vimos ANOVA, muchachos. ANOVA sirve para comparar más de dos grupos, ¿no? De tres a más.
Speaker A
O sea, ANOVA es una prueba muy interesante, pero necesito una variable numérica y una variable categórica o conocido como factor.
Speaker A
Por eso se le conoce como la ANOVA de un factor o ANOVA de una vía.
Speaker A
Entonces, yo voy a comparar y por cada factor, ¿no? ¿Cómo se comporta y por cada nivel de ese factor?
Speaker A
Entonces, se planteaban las hipótesis, ¿no? Una hipótesis de la ANOVA, por ejemplo, era que los grupos en promedio tenían similar comportamiento versus la alternativa que al menos una media era diferente, ¿no?
Speaker A
Bien, eso era el prueba. Vimos una aplicación interesante de la concentración de monóxido de carbono por día de la semana y bueno, se prestaba este ejercicio pues para una ANOVA, ¿no? Tenía una variable numérica, en este caso era la
Speaker A
concentración de monóxido y también tenía mi factor que era días de la semana, ¿no? Entonces yo analizaba si en promedio las concentraciones eran las mismas por día de la semana o eran diferentes, ¿no?
Speaker A
Entonces se presta para una ANOVA. Muy bien. Entonces la solución también lo vimos y todo sencillo. Planteo mis hipótesis, llevo mis datos al R, se acabó. ¿Con qué tomo decisiones? De frente con el p-valor.
Speaker A
¿Cuál era la regla básica? Si el p-valor era menor al alfa, entonces se rechaza la hipótesis nula.
Speaker A
Esas reglas no pueden olvidarse, muchachos. Funciona para todas las pruebas de hipótesis que existen, sean paramétricas, sean no paramétricas, ¿no?
Speaker A
Es una regla muy importante. Muy bien. Bueno, con este p-valor y un alfa siendo 5% se rechazaba la hipótesis, ¿no? Rechazo él estaría demostrando que efectivamente las concentraciones de monóxido de carbono por día de la semana son distintas, ¿no?
Speaker A
Muy bien. En el R lo vimos inclusive gráficamente que luego aplicamos la prueba de TU y observamos que sí había diferencia, ¿no?
Speaker A
Muy bien. Ahora nos faltaba justo ver ANOVA de dos factores, muchachos. Entonces, si la ANOVA de un factor era un y en función a x, esto era la ANOVA tradicional, ¿no? La ANOVA de un factor.
Speaker A
Pero si yo tengo y en función de dos factores, a esto se le conoce como la ANOVA de dos vías o ANOVA de dos factores, ¿no?
Speaker A
Lo interesante de este tipo de ANOVA a dos factores es que tú vas a ver el comportamiento de tu variable numérica en función a dos factores.
Speaker A
Y otro punto interesante es que no necesariamente vas a ver la relación independiente, sino si hay una posible interacción también entre los factores, ¿no?
Speaker A
Entonces eso es lo interesante, la ANOVA de dos factores. Ya hay dos factores, ¿no? Está el factor uno y acá está el factor dos. Por eso se conoce como la ANOVA de dos factores.
Speaker A
Muy bien. Vamos a leer un poquito de lo adelante: los factores y las interacciones entre factores van sumados.
Speaker A
Eh, sí, es un efecto lineal. Sí, es una suma. Ahorita lo vamos a ver en su ecuación, no se preocupe.
Speaker A
Perfecto. Muy bien. Entonces, el análisis de varianzas de dos factores o la ANOVA de dos vías, como muchos textos lo mencionan o lo conocen, es una extensión de la ANOVA de un factor.
Speaker A
Muy bien. ¿Cuándo se utiliza, muchachos? A ver, vamos a ver. Se utiliza cuando se desea evaluar simultáneamente, ojo, esta es la palabra interesante, el efecto de dos variables independientes, en este caso factores, sobre una variable dependiente cuantitativa.
Speaker A
Además, permite analizar si existe interacción entre ambos factores, es decir, si el efecto de un factor depende del nivel del otro, ¿no?
Speaker A
La ANOVA de dos factores es mucho más interesante porque te da más información, puedes ver el efecto de cada factor y también el efecto de la interacción, ¿no? Que te da más luces o más información, sobre todo cuando estás
Speaker A
analizando cosas de educación, cosas de salud, cosas de agronomía, de agricultura. Son muy interesantes la ANOVA de dos factores.
Speaker A
Por ejemplo, si te pregunto, ¿no? La productividad de un terreno agrícola, ¿de qué va a depender?
Speaker A
Seguramente de cuántos aditivos usaron, ¿no? Y otros factores más. Entonces es interesante ver eso.
Speaker A
En la ANOVA de dos factores se ve un curso que es netamente especializado, seguramente lo han escuchado, se llama diseño de experimentos.
Speaker A
Es un curso netamente especializado para este tipo de ANOVA. Diseño de experimentos, así se llama un curso.
Speaker A
En este curso se ven todos los ANOVAS, un ANOVA bifactorial, multifactorial, un montón de cosas con interacción doble, simple, triple, un montón, es decir, los ANOVAS más complejos que pueden existir.
Speaker A
Entonces, ese curso desarrolla todas esas pruebas, ¿no? De hecho, Luis, hay textos completos de diseño de experimentos solamente.
Speaker A
Sí. Por ejemplo, el mejor libro de diseño de experimentos es de Montgomery, ¿no? Un autor muy, muy bueno de diseño de experimentos, un libro que tiene algo de 800 páginas, netamente diseño de experimentos.
Speaker A
Lo pueden encontrar ahí en Google, está gratuito. Un buen libro, ¿no? Interesante. Se aplica en muchos contextos donde mayor utilidad lo he encontrado o lo han encontrado es en la agricultura, muchachos.
Speaker A
Es bastante, bastante interesante, ¿no? Hacen diseño de experimentos, por ejemplo, por parcelas divididas, un montón de cosas súper interesantes, ¿no? Los que les gusta ese mundo quizás pueden explorar un poco más, pero la ANOVA de dos factores y la ANOVA de un factor es
Speaker A
el punto de partida de los experimentales. Muy bien. Hablan de efectos fijos, efectos aleatorios, tratamiento, grupo control, un montón de cosas.
Speaker A
Muy bien, pero eso ya es un curso más especializado, ¿no? Justo su compañero Lame MEC preguntaba cómo es el comportamiento de los factores en el modelo de ANOVA de dos factores, ¿no?
Speaker A
Muy bien. Es así, muchachos. Miren, voy a tener el efecto del tratamiento del factor uno, el efecto del factor dos y el efecto de la interacción de ambos factores.
Speaker A
Esto es la media, el efecto fijo, como se dice, y esto ya es la parte aleatoria, ¿no?
Speaker A
Entonces, esto es el modelo de ANOVA de dos factores o ANOVA de dos vías, ¿no?
Speaker A
Así es el modelo. Claro, si solamente tuviera un solo factor, todo esto desaparece, ¿no?
Speaker A
Y queda simplemente de esta manera. Al incorporarse, uy, un factor más, ya se tiene esta estructura, este modelo, ¿no?
Speaker A
Y lo que significa son cada uno de ellos, ¿no? Por ejemplo, el alfa sub i vendría a ser el efecto del nivel i del factor A.
Speaker A
El beta sub j vendría a ser el efecto de nivel j del factor B. El alfa, coma beta, efecto de interacción de los factores A y B.
Speaker A
Esto es el error aleatorio y esto es la media general, ¿no? Entonces, lo que se está buscando modelar es pues la variable respuesta y la variable numérica en función a esta ecuación.
Speaker A
A ver, su compañero Frey hace una pregunta interesante en el chat. Dice, "¿Cuál es la diferencia con la teoría de multicolinealidad?" Ya, la multicolinealidad tiene que ver con variables redundantes, ¿no?
Speaker A
Eso ya se ve más en regresión, por cierto, lo vamos a ver la siguiente sesión.
Speaker A
Mañana creo que vamos a hablar regresión, ya que mencionas, imaginemos que yo tengo un modelo de R.
Speaker A
Así, por ejemplo, P variables, eh, montón de variables. Entonces, la multicolinearidad quiere decir lo siguiente, ¿no?
Speaker A
La idea es que estos x y no haya alta correlación entre ellas, ¿no? Porque si yo encuentro que las variables están altamente correlacionadas, dos a dos, por ejemplo, quiere decir que ambos están aportando igual información.
Speaker A
Por ejemplo, si yo demuestro que x1 y x2 tienen una correlación de 0.99, 99, por ejemplo, quiere decir que estas dos variables aportan lo mismo.
Speaker A
Si aportan lo mismo, entonces, ¿por qué tendrían que introducir el modelo los dos si son prácticamente están aportando igual, no lo mismo. ¿Qué sucede al incorporar dos dos variables que son redundantes?
Speaker A
¿Estaría sesgando el efecto real de estos coeficientes, no? Porque al agregar estas variables, la contribución lo estaría dividiendo en dos.
Speaker A
¿Se dan cuenta? ¿Por qué en dos? Porque al incorporar las dos variables voy a tener dos coeficientes.
Speaker A
Sin embargo, si hubiera incorporado solamente una variable, voy a tener un solo coeficiente, que sería el efecto real de esa variable, ¿no?
Speaker A
Entonces, Luis, si hay dos variables que tienen una alta colinealidad o una alta correlación y y están las dos en el modelo, eso podría reducir el R cuadrado, o sea, el poder explicativo del poder. Sí, totalmente de acuerdo.
Speaker A
Muy aparte, muy aparte de reducir el R cuadrado, te va a quitar el efecto real de tus variables, ¿no?
Speaker A
Claro, al incorporar dos variables que son iguales, vas a tener que estimar dos coeficientes.
Speaker A
Sin embargo, si solamente opto por introducir uno de ellos, solamente voy a tener un coeficiente, ¿no?
Speaker A
Y este coeficiente va a ser mucho más real que estos dos partidos, ¿no? Eso se llama colinealidad porque estoy analizando dos variables.
Speaker A
Multicolinealidad es cuando tengo muchas variables redundantes. O sea, eso es el concepto, ¿no? Detrás de eso.
Speaker A
Entonces, la multicolinearidad, muchachos, es un problema muy común porque muchos en nuestra cabecita pensamos que al incorporar más variables, mi modelo va a ser mejor, pero no, hay que incorporar variables que efectivamente sean útiles y que no estén no sean colineales, en otras
Speaker A
palabras ¿no? Entonces, de esa manera tu modelo va a ser mucho más eficiente. vas a tener un modelo más efectivo, un R cuadrado más asincerado, una estimación de coeficientes más real, por ende, tus conclusiones van a ser también buenas,
Speaker A
¿no? Entonces, eso se va a ver en regresión, no se preocupen. Muy bien. Entonces, muchachos, esto es el famoso anova de dos factores, ¿no?
Speaker A
A ver, Freddy me pregunta, ¿entre alfa y beta no deben ser colineales? No, lo que pasa alfa y beta no pueden ser colineales porque son dos variables diferentes y son categóricas ambos factores.
Speaker A
No va a haber colinealidad acá, es imposible que haya, son variables categóricas ¿no? Hay que tener cuidado en esa parte.
Speaker A
Muy bien. Recuerden que la NOVA es una variable numérica en función a una categórica o dos categóricas, ¿no?
Speaker A
Regresión sí es diferente, ¿no? Puede haber numéricas o categóricas. Muy bien. Entonces, eso es lo interesante.
Speaker A
Y la pregunta es, ¿no?, ¿cómo veo o cómo planteo las hipótesis? Al tener dos factores, voy a tener dos tipos de planteamiento hipótesis. Uno para el factor A, otro para el factor B, otro para la interacción.
Speaker A
Pero acá yo planteo la hipótesis de una manera diferente. ¿Qué pasa si yo digo que alfa en general alfa sub en general no alfa sub es igual a cer?
Speaker A
¿Qué pasa si no rechazo la hipótesis nula muchachos? estaría diciendo que el factor A no tiene efecto, ¿no?
Speaker A
Es decir, no está aportando nada en el modelo. Yo esperaría rechazar la hipótesis nula, ¿no? Para decir que que el factor Aí influye en mi variable dependiente, ¿no?
Speaker A
Entonces, eso es la diferencia con la norma de un factor. la norma de un factor me preguntabas o me preguntaba yo, por ejemplo, si eran iguales, ¿no?
Speaker A
Por grupo, pero en la nova dos factores me va a interesar si los factores en sí son útiles, ¿no? Si si corresponde incorporarlo o no corresponde incorporarlo y si el factor de interacción es útil o no para poder
Speaker A
explicar esa variable respuesta. Entonces acá ya me centro en otras cosas, ¿no? Literal, efecto del factor A, efecto del factor B y el efecto de la interacción.
Speaker A
Porque en la nova dos factores generalmente te preguntan, ¿no?, si el tratamiento es efectivo para aumentar la producción agrícola, por ejemplo, ¿no? Entonces, con este tipo de prueba se puede saber ello, ¿no?
Speaker A
Muy bien. Y justamente ya cuando veamos regresión, los planteamientos de hipótesis también es muy parecido, ¿no? Me va a interesar más. Lo siguiente, miren, si el factor entonces si el efecto i del factor a es significativo o no es
Speaker A
significativo. En otras palabras, claro, si fueran todos cero no tiene sentido, ¿no? No tiene sentido incorporar pues los factores.
Speaker A
Por eso la idea es rechazar la hipótesis ¿no? Muy bien. Ah, la hipótesis nula es con las con la regla, ¿no? P valor menor al alfa se resuel de hipótesis nula. La regla, Romer, no se preocupen. Recuerda que cualquier
Speaker A
tipo de planteamiento de hipótesis, todo lo usen la regla, muchachos. Si el p valor es menor alfa, se rechaza la hipótesis.
Speaker A
Okay, eso lo vamos a ver en laboratorio, no se preocupen. Muy bien, vamos a abrir nuestro laboratorio de R, muchachos, de la anterior sesión para cerrar esta parte. Ya.
Speaker A
Muy bien. A ver, esta es la nueva que vimos. Ya, acá está la nova de dos factores, muchachos.
Speaker A
A ver, vamos a leer el caso interesante. Dice, "Una empresa de materiales de construcción quiere estudiar la influencia que tiene el grosor y el tipo de templado sobre la resistencia máxima de unas láminas de acero." Ah, entonces otras palabras, ¿quieren
Speaker A
ver si la resistencia de de una lámina de acero está influenciada por el grosor y el tipo de templado.
Speaker A
Muy bien. Para ello miden el estrés hasta la rotura, es decir, forzan la lámina hasta que se rompa, ¿no?
Speaker A
Eso se llama la variable cuantitativas para dos tipos de templado. Hay un templado lento y un templado rápido.
Speaker A
Y tres grosor grosores de láminas, ¿no? 8 mm, 16 mm y 24 mm. Muy bien.
Speaker A
Entonces, mi variable Y es resistencia de la lámina de acero. Mi factor es el tipo de templado, templado rápido y templado lento. Factor uno. El grosor de 8 mm, 16 mm o de 24 mm.
Speaker A
Estos son mis dos factores y esto sería mi variable respuesta, ¿no? Muy bien. Todo esto lo voy a llevar a ¿qué?
Speaker A
A una base de datos, ¿no? Ahí está. Esto es mi y, muchachos. Voy a poner otro color.
Speaker A
Esto es mi y esto es mi x1 y esto es mi x2. rápido o lento, templado, grosor de 8 mm, 16 mm o de 24 mm. Y estas son sus resistencias obtenidas, ¿no? Entonces, tengo y lo puedo relacionar con los dos
Speaker A
factores. Anoba de un factor numérica, categórica y categórica no va de dos factores en este caso.
Speaker A
Muy bien. Ahora, ¿qué procedemos? Podemos hacer algunos análisis exploratorios, ¿no? Por ejemplo, ¿cuál es la relación entre resistencia y tipo de templado?
Speaker A
¿Habrá el templado rápido será menos resistente que el templado lento? ¿La resistencia dependerá de grosor?
Speaker A
No lo sabemos, ¿no? Para eso podemos hacer algunos gráficos. Ustedes ya son expertos en gráfico, ¿no? Por ejemplo, acá voy a generar un gráfico interesante.
Speaker A
Miren muchachos el primer gráfico es la resistencia del lámina de acero versus el tipo de templado lento y rápido.
Speaker A
Se está observando que el tipo de templado no depende la resistencia, ¿no? Miren, templado rápido tiene mayor resistencia.
Speaker A
Claro, son términos que quizás los que se dedican a esta parte lo puedan entender, ¿no? Pero gráficamente yo podría entender que el factor templado sí influye en la resistencia, ¿no?
Speaker A
Gráficamente se observa eso, de eso no hay duda, ¿no? Muy bien. Si yo analizo el grosor en función a la resistencia, mejor dicho, la resistencia en función del grosor, las láminas más gruesas son las que resisten más en promedio, ¿no?
Speaker A
También tiene sentido, ¿no? Claro, las láminas más gruesas resisten más a que se rompa, ¿no?
Speaker A
Muy bien, ya factores. Yo estoy viendo, muchachos, tanto el tipo de templado, el grosor, sí están influenciando en la resistencia, ¿no? Gráficamente sí se observa eso ¿no?
Speaker A
Muy bien. Se dan cuenta que un un simple gráfico, muchachos, te puede dar mucha información.
Speaker A
De ahí tú lo complementas con la nova de los factores y tu análisis se hace mucho más interesante, mucho más completo.
Speaker A
Muy bien. Ahora vamos a hacer un gráfico de interacción. Un gráfico de interacción es esto de acá, muchachos.
Speaker A
A ver, vamos a ver. Hay un montón. Mira, primero voy a a voy a correr línea por línea. Ya, miren, acá está el primer gráfico de interacción.
Speaker A
Miren, media de la resistencia por el tipo de templado, ¿se dan cuenta? Y tipo grosor. Los que tienen más grosor tienen mayor promedio de resistencia. ¿No se dan cuenta?
Speaker A
Grosor por tipo de templado por la media de la resistencia. Entonces, ¿qué observo? Que efectivamente no aquellas láminas de mayor grosor y de templado rápido en promedio tienen mayor resistencia.
Speaker A
Gráficamente se observa eso, ¿no? Entonces, ¿qué dirían? que hay interacción entre grosorio y templado.
Speaker A
Parece que no. No. ¿Cuándo te das cuenta que hay interacción? Cuando hay un una intersección muchachos.
Speaker A
Cuando hay una intersección. Pero acá prácticamente son paralelas. Claro, no son paralelas, pero no se ve una intersección marcada, ¿no?
Speaker A
Muy bien. Interesante, ¿no? Otro gráfico interesante es de acá. Vamos a ver esto. Resistencia grosor y templado uno y templado dos.
Speaker A
Tampoco se observa interacción entre grosor y el tipo de templado, ¿no? Pero sí se observa que a mayor grosor sí hay mayor resistencia, ¿no? Miren, la diferencia es abismal, ¿no?
Speaker A
Ahí está la brecha, como se dice. Entonces, estos gráficos, muchachos, te van a ayudar a entender mucho mejor tu tu tus casos, ¿no? sus datos, en otras palabras, pero hay otro tipo de gráficos que a mí me gustan mucho más,
Speaker A
que son parecidos a los demás, pero con estos de acá se hace con la función interaction plot, una librería especializada para eso.
Speaker A
Si quieres hacerlo mucho más bonito con GG Plot, miren, con G Plot es más bonito, ¿no? ¿Qué acá muchachos? efectivamente no hay mayor promedio de resistencia a medida que sea más grueso, ¿no? Y sobre todo de el templado de tipo RAM.
Speaker A
En otras palabras, el tipo de templado, muchachos, no está determinando la resistencia, ¿no? Sino el grosor de la lámina.
Speaker A
Otra información interesante. Simple, muchacho. Un gráfico te da mucha información. mucha información. A ver, otro tipo gráfico.
Speaker A
Ya no analizo por tipo grosor, sino el tipo de templado. Mira, el templado rápido y y el templado lento, el templado rápido te da mejores resistencias por medio, ¿no?
Speaker A
Pero está relacionada también con el grosor, ¿no? Miren, más información. Entonces, muchachos, si ustedes quieren comprender mucho más sus fenómenos, sus casos de estudio, generen gráficos, crucen variables y te va a dar ya algunas conclusiones preliminares, ¿no?
Speaker A
Ya para cerrar con broche de oro, como se dice, entra recién en la Nova, ¿no?
Speaker A
Ya con la Nova se define todo, ¿no? Muy bien. Entonces, ¿cómo se aplica un an factores en R?
Speaker A
Igualito muchachos A o B o AO V, la función, la variable Y, el gusanito que significa relación.
Speaker A
Primer factor, segundo factor, asterisco quiere decir que me va a calcular la suma y la interacción.
Speaker A
Eso quiere decir, leo los datos y hago un summary y listo, muchachos. ¿Qué se observa, muchachos? A ver, el factor templado, ¿cuál es la conclusión?
Speaker A
A ver. Recuerden, ¿no? Y el P valor es menor alfa. P menor que alfa. Sí, se rechaza, ¿no?
Speaker A
Se rechaza HC. Exacto. ¿Qué quiere decir eso? Que el factor templado sí influye en la resistencia de lámina de acero.
Speaker A
Gráficamente lo hemos visto. Sí. Los de 24 mm tienen mayor resistencia promedio en general, muchachos.
Speaker A
¿Qué más se observa? Que el grosor grosor también significativo ¿no? También influye en en Claro.
Speaker A
Y acá viene la cereza del pastel, muchachos. La interacción es significativo o no? Eh, bueno, al 5% no lo es.
Speaker A
Exacto. No es significativo. Por ende, la interacción de entre templado y grosor no influye en la resistencia material.
Speaker A
Así de simple. Y gráficamente ustedes ya observaban eso, ya se daban cuenta eso, pero con la nova de dos factores ya tienes ya está comprobado como Muy bien.
Speaker A
Entonces eso es la utilidad, muchachos, de la NOVA Factor. Eso es, no es no es tan complicado, simplemente es hacer un análisis exploratorio interesante y luego pues corroborar con la nova factor.
Speaker A
Eso es, muchachos. Muy bien. A ver, ¿algo más que dice por acá? Vamos a ver cómo me doy cuenta que no hay interacción muchachos.
Speaker A
Cuando no hay cortes, cuando cruzo el factor templado y el factor grosor y no hay intersección, no hay interacción y eso se ha corroborado con la nova, ¿no?
Speaker A
Pero si mi gráfico hubiera salido así, el otro factor hubiera salido así, ahí sí hay interacción, ¿no? Sí, se cortan.
Speaker A
Eso significa entonces, Luis, que la interacción, cuando hay interacción la es significativa la interacción. O sea, si hay interacción en el gráfico, es probable que sea significativo en en el NOVA.
Speaker A
Sí, sí, correcto. Si hubiera habido intersección, por ejemplo, algo así, no sé, supongamos, ¿no? Algo así, eso es sinónimo de que sí hay interacción entre los factores gráficamente y o en la nova se hubiera demostrado que efectivamente la la interacción es
Speaker A
significativa, ¿no? Pero acá se demuestra gráficamente que no hay interacción, no hay ninguna intersección posible. Ustedes dirán, "Profesor, pero si yo prolongo esto de acá en el infinito, ¿sí se van a interceptar?" No, muchachos, el análisis se hace con
Speaker A
los datos. No vayan a proyectar, no hagan eso. Si hay un par de alumnos que me han hecho esa consulta, ¿no? En la proyección si hay intersección, me dicen, ¿no? De por acá puede haber, no, eso ya no es válido, ¿no? La idea es
Speaker A
en tus datos, cómo se comporta y gráficamente no hay intersección. Por ende, con el ANOVA, muchachos, se demuestra efectivamente esto, ¿no?
Speaker A
Miren, está claramente acá, muchachos. Miren, ahí está. No es significativo. Eso quiere decir que eso que ese gráfico se genera estrictamente con esos datos.
Speaker A
No se genera esos datos no pueden generar un gráfico más prolongado que que eso que estamos viendo ahí.
Speaker A
No, no, no, no, no. Exacto. Uno en la nova de un factor te va a analizar lo que sucede en tus datos nada más.
Speaker A
No estás haciendo proyecciones nada más. ¿Cómo están mis datos y qué puedo sacar como conclusión de este conjunto de datos?
Speaker A
Imagínense que ustedes están trabajando estas empresas, ¿no? Y quieren saber pues si efectivamente en conjunto estos factores eh pueden influenciar en el ANOVA, ¿no?
Speaker A
En en este caso en la resistencia material. Se se ha demostrado que no la interacción no influye en la en la resistencia, pero ambos factores de manera independiente sí influyen.
Speaker A
Interesante, ¿no? Un gráfico tan simple ya te da bastante información y ya la conclusión lo cierras con el Nova.
Speaker A
Muy bien, muchachos. Eso es dos factores. Muy bien. Y acá las conclusiones, ¿no? Listo. Entonces, a ver, ¿qué más nos faltaba? Creo que un ejercicio que no les expliqué. Vamos a ver.
Speaker A
Ah, ya, ya. Esto de acá, muchachos. Muestras pareadas. Cuando hablas de muestras relacionadas, ¿no?
Speaker A
Eso hablé, si no me equivoco. Ahora vamos a ver, vamos a ver si se habló de eso.
Speaker A
Ya. A ver, vamos a explicar brevemente eso. Ya. A ver, para cerrar esta parte.
Speaker A
A ver, vamos a hablar de las hemos hecho prueba de hipótesis para la media y la para la proporción, ¿no?
Speaker A
Pero también va a haber pruebas de hipótesis de la siguiente manera. Miren. A ver.
Speaker A
Supongamos que quieres hacer diferencia de medio, es decir, quieres comparar grupos, ¿no? Vas a tener dos tipos de diferencia media muchachos.
Speaker A
Uno para muestras independientes y otro para muestras pareadas, le conoce. o también con muestras relacionadas.
Speaker A
Miren, la el primer caso es cuando se habla de muestras muestras independientes. Por ejemplo, si quiero comparar dos aulas y quiero saber si las dos aulas tienen en promedio igual o son diferentes.
Speaker A
Las dos aulas tienen diferentes estudiantes, por ende son independientes, no son muestras independientes. ¿Qué se usa para esto? La función tes para este tipo de pruebas del R, ¿no?
Speaker A
El segundo caso también es diferencia de muestras, pero, perdón, diferencia de medias, pero son muestras relacionadas.
Speaker A
¿Qué quiere decir muestras relacionadas? Quiere decir que a un mismo individuo lo he medido dos veces.
Speaker A
Relacionadas o pareadas. También se conoce. La función que se usa este tet. También las muestras independientes, muchachos, es muy común, ¿no? Si tú quieres comparar dos aulas, dos empresas, dos colegios, dos plantas de una empresa y cuál tiene
Speaker A
mayor productividad, vas comparando muestras independientes, grupos independientes, ¿no? Pero si yo quiero ver la efectividad de una capacitación laboral a un estud a un grupo de trabajadores, tú mides antes y después de la capacitación, ¿no?, a ese a ese grupo de
Speaker A
trabajadores y quieres ver si efectivamente tuvo efecto o no la capacitación. Es decir, a un mismo grupo de personas los has medido dos veces, muestras relacionadas, muestras variadas.
Speaker A
Entonces, ¿de qué va a depender elegir entre uno u otro? Del ejercicio, del contexto, ¿no? Del problema. En otras palabras, pero la función tesma para ambos casos para darle solución.
Speaker A
Simplemente es eso, muchachos. Seguramente se van a topar con algunos casos o ejercicios de este tipo, ¿no?
Speaker A
Muy bien, dicho eso, acá les expliqué el caso del del jardinero, ¿no? Ya del jardinero, por ejemplo, habla de dos fertilizantes, ¿no? El tradicional y el nuevo.
Speaker A
¿Se dan cuenta? dice, "Sí, ya lo vimos, pero lo vamos a repetir rápidamente. Ya, miren, un jardinero experimenta con un nuevo fertilizante, el cual es anunciado como el mejor que el otro que ha usado.
Speaker A
Dice, el primer fertilizante se aplica a 10 plantas, el segundo a ocho plantas. Por ende, ya son dos muestras independientes ¿no?
Speaker A
Se dan cuenta? Ah, entonces voy a usar diferencia de medias para muestras independientes y listo, se acabó. ¿Qué hago? Planteo mi hipótesis, defino mis datos, le doy mi x, le doy mi y el tipo de planteamiento hipótesis, ¿no?
Speaker A
Y listo. O sea, acabo con eso. Me obtengo mi p valor y con eso tomo mi decisión.
Speaker A
He logrado identificar rápidamente, muchachos, que se trata de una muestra, diferencia de muestras, perdón, diferencia medias para muestras independientes.
Speaker A
Claro, porque yo apliqué estos dos fertilizantes a dos grupos de plantas distintos. Son muestras independientes, grupos independientes ¿no?
Speaker A
Sin embargo, ¿qué hubiera pasado? Mira, pruébate estudian para dos muestras relacionadas ¿no? O pareadas también se le pon.
Speaker A
Supongamos que voy a medir acá, no le di contexto del ejercicio, pero se trata de de un tratamiento de un régimen de dieta de una de dos personas, de un grupo de personas, muchachos.
Speaker A
Entonces, antes del tratamiento se le mide a las personas creo que su peso y después del tratamiento también se mide sus pesos a ese mismo grupo de personas antes y después.
Speaker A
Entonces, ya el contexto te dice que es un mismo grupo medido dos veces. Es una muestra pareada, una muestra relacionada.
Speaker A
Y este tipo de muestras relacionadas generalmente quieres ver si el efecto del tratamiento fue positivo o no. es decir, si fue efectivo o no el tratamiento.
Speaker A
Para ello, simplemente ustedes van a plantear sus hipótesis ¿no? Muy bien. Introduzco mi dato, genero mi data frame. Eso sí, necesitas un data frame de este tipo.
Speaker A
Miren, vamos a ver. medición peso antes. Esto es primera medición y después no voy a comparar estos dos grupos antes y después, pero es un mismo grupo, obviamente, ¿no? Un mismo grupo de personas, pero diferentes medicinas.
Speaker A
Entonces, obviamente se trata de una muestra parección tes antes, después greater. ¿Por qué? Porque el planteamiento hipótesis era ver si fue efectivo o no el tratamiento, ¿no? Y acá viene la diferencia con el anterior.
Speaker A
Tienes que activar esto. Eso quiere decir que es pareado. True. Le voy a decir que es true porque efectivamente es una muestra relacionada o una muestra pareada.
Speaker A
En el otro caso de muestras independientes es por defecto false. Y eso es lo único que se tiene que hacer muchachos.
Speaker A
Entonces, ¿qué tipo de prueba T voy a usar? Va a depender del planteamiento del ejercicio, nada más.
Speaker A
Es un proceso simple, muchachos. Simplemente hay que entender y listo, ¿no? Esta parte ustedes ya saben, ¿no? Esto va a depender de si es la hipótesis alternativa es hacia la derecha o hacia la izquierda, ¿no? O bilateral.
Speaker A
Entonces, si nosotros corremos esa parte, automáticamente tenemos pues nuestro nuestro resultado, ¿no? Con el P valor ustedes ya pueden tomar decisiones de manera rápida, muchachos, de manera rápida, ¿no?
Speaker A
Muy bien. Eso había quedado pendiente. Muy bien, practiquen esa parte, por favor. ¿Se han dado cuenta que es s sencillo?
Speaker A
Lo que yo les voy a exigir siempre es que las hipótesis, plantear las hipótesis correctamente.
Speaker A
Muy bien. Ahora, ¿de qué se trata las pruebas no paramétricas muchachos? El problema de las pruebas paramétricas es lo siguiente, ¿no? Por ejemplo, Pearson requiere un puesto de normalidad, ¿no?
Speaker A
Pero si no se cumple Pson, muchos forzamos, no usamos Pearson así, sin ningún control.
Speaker A
¿Cuándo en realidad existe Spe? ¿Se dan cuenta? Cuando usamos ANOVA también tiene el supuesto de normalidad, pero muchas veces forzamos, ¿no?
Speaker A
Pero para ser mucho más técnicos podemos usar su contraparte no paramétrica. Cruz calis ¿no?
Speaker A
Si quiero aplicar muestras pareadas, el TP test de muestras pareadas con T student, no lo puedo hacer acá, ¿no? también requiere la normalidad, pero en la parte no paramétrica tengo el famoso prueba o test de Wpoxon, que también hace eso.
Speaker A
Y así, muchachos, cada cada prueba paramétricas tiene su contraparte no paramétrica que no tienen supuestos y también se puede trabajar con muestras pequeñas.
Speaker A
Cuando digo muestras pequeñas, no vayan a pensar que es un dos y tres, por favor. No, no es, no se trata de eso, ¿no? 20, 25, 15 es una muestra que funciona para para test no paramétrico.
Speaker A
Muy bien. Entonces, las pruebas no paramétricas, muchachos, es una alternativa muy interesante cuando no se llega a cumplir con los supuestos ¿no?
Speaker A
La vida real es muy difícil comprobar la normalidad, muy complicado, ¿no? Pero no todo está perdido. tenemos herramientas alternativas, ¿no? Por ejemplo, las pruebas más usadas.
Speaker A
Existen un montón de pruebas no paramétrica, pero las más usadas, muchachos, es la prueba UD Way.
Speaker A
¿Para qué sirve? Por ejemplo, para comparar, pues si la prueba hipótesis, diferencia de medias, ¿te acuerdas? Con el Test. Ya tú puedes usar human para hacer diferencia de medias de muestras independientes.
Speaker A
Para muestras independientes, ¿no? Muy bien. Willson para muestras relacionadas. Entonces siempre hay alternativas, ¿no?
Speaker A
Y el cruzcal igualis es el equivalente de la Nova, muchachos. ¿Se dan cuenta? Entonces, hay bastantes herramientas que tienen su contraparte no paramétrico, ¿no?
Speaker A
Y la prueba de independencia Chicuado, que es una prueba muy usada, por cierto, en investigación, es para dos variables categóricas, ¿no?
Speaker A
Si tú quieres ver la asociación entre dos variables categóricas, ojo, asociación no está hablando correlación, la correlación solo es un concepto que solo se usa para varbles numéricas.
Speaker A
Pero asociación se habla cuando hay dos varbes categóricas, ¿no? Muy bien. Entonces, eh esas son las pruebas más conocidas, ¿no?
Speaker A
Hay más, ¿no? Fisher, Magnemar, signo, rango, un montón. Speedman, ya no lo menciono esta parte porque lo vimos en el tema de correlación, pero Spirman también es una prueba no paramétrica de correlación.
Speaker A
Recuerdan que las correlaciones eran al final pruebas de hipótesis, ¿no? Muy bien. Entonces, vamos a explicar en qué consiste cada una de esas pruebas, ¿no?
Speaker A
No vamos a entrar tanto a la parte teórica, muchachos, porque tiene algunas conceptos matemáticos.
Speaker A
Vamos a enfocarnos más en las utilidades y los planteamientos de hipotes. Eso es lo más importante. ¿Y en qué caso usar?
Speaker A
Muy bien, empecemos entonces la prueba human de Widney. Ya les comenté, en la parte paramétrica existe la diferencia de medias, ¿no? Para muestras independientes.
Speaker A
Muy bien, pero eso requiere normalidad, no siempre se va a poder cumplir con ello ¿no?
Speaker A
Por eso se dice que la prueba human de Widne, muchachos, es considerada como la alternativa no paramétrica a una prueba de diferencia de medios.
Speaker A
Lo único interesante es que las pruebas no paramétricas ya no trabajan con la media, sino con las medianas.
Speaker A
Por eso la prueba UAN de Wney, muchachos, permite comparar si las medianas de dos muestras independientes son diferentes y punto.
Speaker A
Eso es, eso. Es la prueba human de Muy bien. Igual tiene tres tipos de planteamiento hipótesis. Miren la unilateral a la izquierda, la bilateral y la unilateral a la derecha.
Speaker A
Entonces ustedes ya saben cuándo usar cada uno de ellos, ¿no? Va a depender básicamente el ejercicio.
Speaker A
Entonces, ya saben, hay diferencia medias paramétrica, diferencia medianas no paramétricas. Ambos son pruebas equivalentes.
Speaker A
Eso, muchachos. Sencido, ¿no? Y siempre, por favor, siempre la igualdad está en la hipótesis nula, eso no hay que olvidarse.
Speaker A
Muy bien. A ver, ¿qué más tenemos por acá? Vamos a ver. Un ejemplo interesante, un ejemplo chiquito. Ya, miren, para entender un poquito su uso, dice, "Un departamento de control de procesos desea comparar el número de fallas detectadas de dos sistemas expertos.
Speaker A
Una, el sistema uno tiene 11 mediciones y otra tiene 10 mediciones. A ver, un momento. Mi mascota está que me molesta.
Speaker A
Ya, mil disculpas, ya regresé. Entonces, entonces acá quieren ver el comparar el número de fallas detectadas por dos sistemas expertos, ¿no? Sistema uno y sistema dos.
Speaker A
Ya está el número de fallas. me dice, "Pruebe a un nivel de significancia del 1% si el número mediano de fallas detectadas es diferente en los dos sistemas." Muy bien, tengo dos muestras independientes y quiero comparar si el número mediano
Speaker A
de fallas es detectadas es diferente a dos ¿no? Es diferente de dos sistemas. Entonces, dos muestras independientes, muestras pequeñas.
Speaker A
Obviamente se lo único que queda es usar una prueba no paramétrica, ¿no? Bueno, acá me piden pues el número mediano de Fes, ¿no? Entonces ya más ayuda que esa no me pueden dar.
Speaker A
Entonces, en otras palabras, lo que me están pidiendo es lo siguiente, ¿no? Probar lo siguiente.
Speaker A
Si las medianas del sistema uno es igual a la mediana del sistema dos o si son diferentes, ¿no?
Speaker A
Para ello tomo un alfa de 1% me están diciendo. Listo. Eso sería todo, muchachos.
Speaker A
dos muestras independientes y me piden comparar sus medianos si son iguales o son diferentes.
Speaker A
¿Por qué llego a esa conclusión? Porque acá simplemente me dicen, "Oye, hay que ver si el número de fallas detectadas es diferente de los dos sistemas. O son iguales o son diferentes. No hay más opción.
Speaker A
En ningún momento me ha dicho si es mayor o menor. No, me dice si es igual o diferente, nada más. Una prueba de hipótesis bilateral, ¿no?
Speaker A
Sencillo. Muy bien. Entonces, ¿ahor qué procede? Ahí está, ¿no? Hipótesis nula. La hipótesis nula sería, por ejemplo, que las medianas son iguales, es decir, el número de fallas detectadas no es diferente de los dos sistemas versus el número de fallas detectadas es diferente
Speaker A
de los dos sistemas. Alfa 1% con el héroe nos sale un valor p valor de 0.1391.
Speaker A
Eso quiere decir que no se rechaza, ¿no? No se rechaza la hipótesis. No se rechaza la hipótesis. Por ende, si no se rechaza, estaría siendo que el número de fallas detectadas no es diferente a los dos sistemas ¿no?
Speaker A
En otras palabras, son iguales, el número de fallas medianos son las mismas ¿no? Eso es, muchachos, usar una prueba de human de winen, así como usamos tetes, acá ya se usa otra función, ¿no? Porque ya no estamos en TT, ya estamos en otro
Speaker A
tipo de prueba, ¿no? Muy bien. ¿Cómo se hace eso en R? Vamos a abrir el laboratorio. Ya.
Speaker A
Abran la 9. Vamos a resolver el mismo ejercicio. Ya, miren. Entonces, tengo dos muestras y voy a crear mis estos datos. Me voy a llevar a leer.
Speaker A
Muy bien, muchachos. Miren, ejercicio de PPT, número de falla de dos sistemas ¿no? Hipótesis nula, la mediana de fallas en el sistema uno y el sistema dos es igual o son iguales, ¿no?
Speaker A
Versus las medidas son diferentes, ¿no? Siempre planteen sus hipótesis. Luego agreguen los datos, sistema uno, sistema dos.
Speaker A
La prueba human de Winne en el R se llama Wilcox Test. La función que hace esa prueba se llama Wilcom.
Speaker A
¿Qué te va a dar como ¿Qué te va a pedir como insumo? Dato de sistema uno, sistema dos, ¿qué tipo de prueba de hipótesis?
Speaker A
bilateral, nivel confianza 99% porque te dicen que use alfa 1%, ¿no? Simplemente corremos nuestros datos, corremos nuestra prueba y mostramos nuestros resultados.
Speaker A
¿Qué nos sale, muchachos? Se rechaza. No se rechaza. No se rechaza la hipótesis nula, ¿no?
Speaker A
Si no se rechaza, estaremos diciendo pues que el número mediano de fallas es en ambos son iguales en ambos sistemas, ¿no?
Speaker A
Sencillo, muchachos, aplicar estas pruebas, ¿no? Y acá ya no te preocupas, pues, en los supuestos, ¿no? Nada de eso.
Speaker A
Y ustedes preguntarán, "Profesor, ¿y si aplico TTs saldrá igual la conclusión? Posiblemente que sí, posiblemente, pero no siempre." Yo siempre les he dicho que no hay nada mejor que ser formales en las cosas que se hacen. Si no, vamos a seguir
Speaker A
cometiendo los mismos errores siempre. Y la idea no es esa, ¿no? Muy bien. Entonces, usar prueba U win es sencillo muchachos.
Speaker A
Muy bien, eso sería el la prueba mandini, ¿no? Sencillo. A ver, veamos otra otro ejercicio.
Speaker A
Muy bien. La prueba de Wilcoxon, muchachos. Lo anterior era para muestras independientes, acá es para muestras relacionales o también conocido como pareada, ¿no?
Speaker A
Entonces dice que es una prueba no paramétrica. Miren, no paramétrica. usada para comparar dos mediciones relacionadas, por ejemplo, antes y después, tratamiento A versus tratamiento B.
Speaker A
¿Cuándo se usa esto? Cuando no se puede asumir normalidad, es decir, cuando no puedes aplicarte test.
Speaker A
En esos casos me voy a la prueba, a las pruebas no paramétricas, en especial a la prueba de Will Coxson, muchachos.
Speaker A
Entonces es una prueba alternativa al TT estudent, ¿no? A la prueba Tudent, mejor dicho.
Speaker A
Eso es, muchachos. Entonces, Wilcon también es muy usado, ¿no? También tiene tres tipos de planteamiento y hipótesis. La única diferencia es que el planteamiento hipótesis ya se hace a la diferencia, ¿no?
Speaker A
Supongamos que x sean tus valores antes y sean tus valores después. esa diferencia de y - x a esa a esa diferencia es la que se hace la prueba de hipótesis, ¿no?
Speaker A
Entonces, esa esa diferencia, la mediana de esa diferencia será igual a cer o diferente cero.
Speaker A
Por ejemplo, si es una prueba bilateral, si es unilateral de derecha, me va a preguntar si es menor o igual.
Speaker A
Si es unilateral izquierda, me voy a preguntar si es mayor o igual, ¿no? Entonces, generalmente estas antes y después estos pruebas relacionadas o muestras relacionadas quieren ver el efecto del tratamiento, ¿no? Si mejoró o no mejoró.
Speaker A
Pero eso es, muchachos, eso es la prueba de Will C. Muy bien. Lo mismo funciona pues en TTS, ¿no? Calcula las diferencias y hace la prueba de las diferencias.
Speaker A
En las no paramétricas calculo las diferencias y hago la prueba de las diferencias, ¿no?
Speaker A
La única diferencia que el no paramétrico se usa la mediana. Eso es lo único diferente y no tiene supuesto.
Speaker A
Eso lo lo hace más interesante y más usado, por cierto, ¿no? Muy bien. ¿Cómo me voy a dar cuenta que efectivamente se trata de una muestra relacionada?
Speaker A
Muy bien. A ver, un hospital de Lima implementa un programa de ejercicio aeróbico de 8 horas, de 8 semanas para pacientes con hipertensión leve de tipo persión arterial, stólica y todo tipo ¿no?
Speaker A
El objetivo es determinar si el programa logra reducir significativamente la presión arterial sistólica de los pacientes.
Speaker A
Se mide la presión arterial sistólica de cada paciente antes y después del programa. Antes y después, paciente uno hasta el paciente 20.
Speaker A
Se esperaría que el la presión arterial sistólica después del programa haya se haya reducido, ¿no?
Speaker A
Si no se ha reducido, entonces quiere decir que no tuvo efecto, ¿no? Se dan cuenta cómo sería la planteamiento de la hipótesis.
Speaker A
Acá calcularíamos la diferencia, ¿no? T sub sería L menos L, ¿no? -7, -8, -6 y así, ¿no?
Speaker A
Y acá haríamos nuestra prueba, nuestro planteamiento de hipótesis, ¿no? ¿Cómo sería mi hipótesis alternativa, muchachos?
Speaker A
A ver, ¿quién me ayuda ahí? ¿Quién dice algo, muchachos? Muy bien. Ya. Entonces, acá lo que se tiene que ver muchachos es como se hizo o se implementó un programa de ejercicio aeróbico.
Speaker A
Yo esperaría, pues que la presión sea menor, ¿no? decir antes y después, por ejemplo, la diferencia sea menor a cero, ¿no?
Speaker A
Pues la idea es que se debe reducir, ¿no? Muy bien. No, al revés, en exclusivo. Yo esperaría pues que esta diferencia antes y después sea menor a cero, ¿no? Solo de esa manera me habré dado cuenta que efectivamente hubo una reducción.
Speaker A
Esta diferencia es el famoso Dubi, ¿no? Muy bien. Entonces, yo esperaría que mi hipótesis alternativa observe una disminución, ¿no? Versus que no haya aumentado, ¿no?
Speaker A
Entonces, de esa manera, muchachos, se va a plantear las hipótesis, ¿no? ¿Hubo efecto o no hubo efecto? Así.
Speaker A
Ya, esto lo vamos a resolver en el R. ¿Cómo se hace esto en el R?
Speaker A
Muy bien. Vamos a ver esta parte. Primero, tengo 20 pacientes, tengo mediciones antes y después.
Speaker A
Y estos datos los voy a llevar a un data frame. ¿Para qué? Para tenerlos almacenados.
Speaker A
para ternar los almacenes, es decir, paciente uno antes y después y ahí está la diferencia.
Speaker A
¿Se dan cuenta? Paciente uno antes y después y la diferencia, ¿no? El men. Muy bien.
Speaker A
¿Cuál es mi hipótesis? Nula. La alternativa es que después menos antes sea menor a cero. De esa manera podré haber concluido que el programa sí fue efectivo, ¿no?
Speaker A
Es decir, cuando la presión arterial ha disminuido, quiere decir que obviamente el programa tuvo efecto, ¿no?
Speaker A
Acá es mayor o igual. Muy bien, entonces eso ya lo planteamos correctamente, ¿no? Ahora, ¿qué se usa?
Speaker A
La función Wilcox Test, profesor, pero es el mismo que la prueba humness. Sí, lo único que hay que tener en cuenta es lo siguiente, muchachos.
Speaker A
En este parámetro pareado true. Eso quiere decir que se trata de una muestra relacionada. Muchach, ¿qué tipo de planteamiento hipótesis alternativa tiene? Menor, les suficiente muchachos.
Speaker A
Con eso ya tenemos todo, ¿no? Simplemente ejecutamos y está acá. El p valor nos sale prácticamente cero.
Speaker A
Conclusión, se rechaza la hipótesis nul. Si se rechaza la hipótesis nula, si rechazo él, estaría diciendo que efectivamente la presión arterial, muchachos, ha disminuido. Por ende, el programa de aeróbicos es fue efectiva, ¿no?
Speaker A
Eso es, muchachos, eso es lo que hay que tener en cuenta. Eso es, ¿no? Sencillo.
Speaker A
Si quieren complementar, eso es análisis, muchachos, con algún gráfico, pueden usar un gráfico de cajas, ¿no?
Speaker A
Por ejemplo, miren imagínense muchachos. presión arterial sistólica antes y después del programa. Antes del programa tenía un promedio mucho más alto. Luego del programa hubo una reducción.
Speaker A
Claro, todos esperamos que después de después del programa pues haya una mejora, ¿no? Nadie pues invierte en algún tratamiento para empeorar, ¿no?
Speaker A
Entonces acá se observa claramente que sí hubo una mejora, pero eso es gráficamente. ¿Qué me dice la prueba de hipótesis?
Speaker A
también me corrobora que efectivamente hubo una reducción, ¿no? Es decir, el programa sí fue efectivo, ¿no?
Speaker A
Interesante, muchacho. Un gráfico simple te puede dar mucha información. Entonces, así es como se procede, muchachos, para muestras relacionadas y así es como se procede para muestras independientes ¿no?
Speaker A
Muy bien, muy bien, muchachos. Ahora vamos a hablar de otra prueba interesante llamado la prueba HD Cruz Carighuanes.
Speaker A
Hemos visto la Nova, muchachos, y la NOVA sirve para comparar de tres grupos a más.
Speaker A
Muy bien. La pregunta del millón es, ANOVA es muy útil, una herramienta muy potente, pero requiere normalidad.
Speaker A
Si no se cumple, muchas veces se fuerza el análisis, ¿no? ¿Cuándo en realidad existe la prueba cruz caliguales, muchachos?
Speaker A
La prueba cc igualis es el equivalente no paramétrico de la nova, muchachos. Mientras que la nova comparaba medias, el crucar igual es compara mediana muchachos.
Speaker A
Por ejemplo, la hipótesis nula, la mediana y los grupos son iguales versus al una mediana es diferente, ¿no?
Speaker A
Eso es lo interesante, muchachos. Eso lo hace interesante, ¿no? Es igual, es lo mismo que la Nova, pero ahora lo único que se usa son las medianas.
Speaker A
Casi siempre las pruebas no paramétricas usan las medianas o los rangos, muchachos. Así de simple.
Speaker A
Muy bien. Entonces, acá hay un ejemplo interesante, ¿no? Dice, "Hay 15 estudiantes que han recibido tres métodos de instrucción diferente y bueno, que básicamente sirve para medir el desarrollo de una habilidad, ¿no?
Speaker A
Entonces, por enda si quieres saber pues si estos tres métodos en en promedio te dan iguales o similares resultados, ¿no? O que son si son o si los resultados son totalmente diferentes, ¿no? Tres grupos, muchachos.
Speaker A
Ya, obviamente, si no es ANOVA porque es una muestra es pequeña, por ahí descartas ya las pruebas paramétricas. Lo único que te queda es las pruebas no paramétricas, en este caso Crucal igual, ¿no? Entonces, ¿cómo plantearía mis hipótesis?
Speaker A
Recuerda que Cruscalova solamente tiene un tipo de planteamiento, que las medianas son iguales de ambos grupos ¿no?
Speaker A
Versus al menos al menos una mediana es diferente ¿no? Sencillo plantear mi hipótesis. No, solo tengan tres grupos, un solo tipo de planteamiento hipótesis y listo, ¿no?
Speaker A
Muy bien. ¿Cómo se resuelve formalmente esto? Fácil ¿no? Planteo mi hipótesis nula. Mi hipótesis nula básicamente es lo siguiente, no quiere decir que las medianas de los tres métodos son iguales, lo que lo cual quiere decir que los
Speaker A
niveles de aprovechamiento respecto a los tres diferentes métodos de instrucción no difieren versus que son diferentes, ¿no?
Speaker A
Asumo un alfa 5%, me sale con el R un P valor de 0.11. ¿Cuál es la conclusión? No sé.
Speaker A
rechaza la hipótesis. Si no rechazo la hipótesis nula, estaría diciendo pues que efectivamente los niveles de aprovechamiento no difieren, ¿no?
Speaker A
Así de simple, muchachos. Estamos conociendo pruebas, diferentes pruebas para tener mayor cantidad de herramientas para poder afrontar nuestros proyectos de investigación, tesis, paper, ten un montón y eso que recién vamos a la mitad del curso, imagí vamos a
Speaker A
aprender muchas más cosas, ¿no? Pero la prueba hipótesis, muchachos, es corazón de todo, de la regresión y de todo lo que vamos a ver. Es la es el corazón, como se dice, ¿no?
Speaker A
Muy bien. Ahora vamos a ver, antes de entrar a esta parte, vamos a ver eh qué cosa. La el laboratorio.
Speaker A
Vamos a el laboratorio. Ese mismo ejercicio lo vamos a resolver, muchachos. El mismo ejercicio del PPT, ¿no? Cruzcal iguales.
Speaker A
Hipótesis nula, no hay diferencia significativa en las medianas de los tres métodos de instrucción, es decir, son iguales versus al menos una mediana es diferente.
Speaker A
Muy bien, hasta ahí ya tengo muy claro cómo se debe plantear las hipótesis, ¿no?
Speaker A
Muy bien. Ahora, ¿qué procede? Bueno, los datos que tengo el PPT, muchachos, pasarlo pues al R. Meto uno, meteo dos, meto tres, meto a un, a dos y a tres. Ahí está.
Speaker A
Uso la función. La función se llama, muchachos, para que no se olviden, bruscal. Test, así se llama, y le tiene que dar los tres insumos, ¿no?
Speaker A
Y listo, se acabó. Acá corro el crucer iguales y acá imprimo los resultados, ¿no?
Speaker A
Ahí está. Miren, conclusión, no se rechaza la hipótesis. No se rechaza la hipótesis. Así de simple, ¿no?
Speaker A
Por ende, no hay diferencia significativa en las medianas de los tres métodos de instrucción.
Speaker A
En conclusión, los tres métodos de instrucción dan similares resultados. Así de simple, muchachos. No es nada complicado esta parte.
Speaker A
Muy bien, se dan cuenta que las pruebas son sers sencillas, ¿no? Creo que lo más complicado es plentarles hipótesis, ¿no? Ni tan complicado. Hay que entender qué es lo que se quiere probar, ¿no? Y eso va a depender mucho pues de la
Speaker A
investigación que están realizando. Por ejemplo, lo común es investigaciones correlacionales ¿no? Pero quizás otros quieren probar, quieren hacer comparar grupos, un ANOVA, por ejemplo.
Speaker A
Entonces, todo eso, el planteamiento de hipótesis va a depender pues de la técnica y de lo que tú quieres probar, ¿no?
Speaker A
Luis, sí, se va a tratar aquí la el pozwagualis. El pozo no escuché. ¿Vas a tratar el post con Crucar Wallis?
Speaker A
Eh, no, pero si funciona igual que la no. No hay problema. A ver, lo vamos a ver, no se preocupe. A ver, vamos a ver si tu puede hacer a este objeto. Vamos a ver.
Speaker A
Nunca lo he hecho, pero vamos a vamos a probar. Ya. A ver, vamos a probar esa parte.
Speaker A
A ver, al parecer no hay tu que para esto. Vamos a ver. A ver, vamos a ver su ayuda, muchachos.
Speaker A
Vamos a ver el help de Cruz Caliguales. Mm. A ver, parece que no tiene sus A. Vamos a buscar.
Speaker A
Vamos a hacer uso de la illa. Vamos a ver. Ya acá nos explica que 2 solamente es para no es una prueba no paramétrica para Will Coxon. nos recomienda usar otras herramientas como el método de Bonferron o el método de Doom. Son otras maneras
Speaker A
de hacer comparaciones dos a dos. Muy bien. Vamos a ver. Según CH GPT, la MEC 2K solamente sirve para pruebas no paramétricas, para pruebas paramétricas de an, ¿no? Cruzal iguales tiene otra función que se basa en el método de Bonferroni.
Speaker A
Bonferroni también es un autor que propuso las comparaciones dos a dos, ¿no? O las famosas comparaciones múlti.
Speaker A
A ver, le vamos a dar. Lo único que acá tenemos que hacer es lo siguiente muchachos.
Speaker A
Darle la estructura de, a ver, vamos a ver, de la data, ¿no? A ver, vamos a ver el grupo.
Speaker A
Wow, interesante. Tuke tiene sus contrapartes no paramétricas. Bonfer tienen dos inclusiv yo yo lo he hecho de Bonferroni. Yo lo que pensaba que había había Tuki porque no lo había investigado.
Speaker A
Sí, tú que es solamente para Nova. Mira, para para nova paramétrica. Sí, para CR tenemos dos.
Speaker A
El Doom test y el parco test. Eso es. Lo único que tienes que adecuar es lo siguiente. Mira acá por la forma que nos piden, necesitamos llevar esto en dos columnas, ¿no? Los las calificaciones y los grupos, ¿no? Y agregar acá
Speaker A
y ahí tienes tu comparación de dos a. Eso interesante. Yo tampoco ya no me acordaba de esa parte.
Speaker A
tiene otros otras funciones para hacer comparaciones ¿no? A ver, vamos a pasarlo esto a para que lo haga.
Speaker A
Vamos a sacarle provecho aí. Salemos. Eso es lo lo bueno de la no que te facilita las cosas.
Speaker A
A ver, vamos a ver. Ahí está, ¿no? Método y calificación. Entonces, con esto debería funcionar.
Speaker A
A ver, calificaciones metro ¿no? No sé qué quiere decir, pero a ver, vamos a ver.
Speaker A
Vamos a ver qué dice. Ah interesante. Al parecer una matriz que hizo Sí, una matriz de P valores.
Speaker A
Ajá. Yo no la había visto así. Yo no la había visto así. [risas] Yo me acuerdo que he visto en la universidad algo de esto. Ya han pasado mucho tiempo que no acordaba mucho, pero sí, ¿no? Miren, sí te hace comparaciones
Speaker A
múltiples, pero te da una matriz de P valores. Y acá puedes interpretarlo. Y lo bueno que la interpretación de P valor es universal, es útil para todos, ¿no? No cambia por técnica o por método.
Speaker A
Sí, sí, sí te permite hacer. Ahí está. Ya. Muy bien. Entonces sí puedes hacer comparaciones dos a dos.
Speaker A
Ya, muy bien. Igual muchas gracias por por hacernos investigar un poquito con con la Hay que sacarle provecho a la porque está al menos por mientras es gratuito, quizás con el tiempo ya nos restrijan hasta eso, ¿no?
Speaker A
Ya. Muy bien. Ahora, otra prueba interesante. Seguramente esto alguna vez lo han usado. Por ejemplo, imagínense que tengan dos variables.
Speaker A
Variable X1, nivel educativo de la madre. Nivel educativo de la madre. Miren, educativo de la madre.
Speaker A
Y la segunda variable categórica sea eh nivel de anemia del niño. ¿Qué le dice el sentido común?
Speaker A
¿Habrá relación? Aocesión, perdón. Ambos son variables categóricas. Nivel educativo puede ser sin estudios, estudios básicos, estudios técnicos, estudios superiores, ¿no?
Speaker A
Nivel de anemia de niño es eh leve, moderado y alto, grave, leve, moderado y alto, inclusive.
Speaker A
Entonces, hay muchas investigaciones, muchachos, en el cual se ha demostrado que sí están asociadas fuertemente estas dos variables.
Speaker A
Se ha demostrado que a mayor nivel educativo de la madre, menor menor nivel de anemia en el niño.
Speaker A
Y ustedes se preguntarán, "Profesor, ¿a qué se debe eso?" No, lo que pasa una mamá más educada tiene mejores condiciones, ¿no?
Speaker A
Por ende va a poder alimentar mucho mejor a su hijo, ¿no? ¿Se dan cuenta? Pero una mamá sin estudios, es decir, que no ha tenido la oportunidad de tener estudios por x motivos, no tiene las condiciones, mucho menos el
Speaker A
conocimiento de cómo alimentar a su niño. Sumado a ello que tiene la falta de recursos escasos por la poca oportunidad que ha tenido, por ende, el niño tiene mayor niveles de anemia, ¿no?
Speaker A
Eso que acaba de comentar, muchachos, se hizo con una prueba de independencia x cuadrado.
Speaker A
Entonces ustedes se preguntarán, "No, profesor, si yo tengo dos varbles numéricas, la correlación me permite cuantificar.
Speaker A
Si yo tengo una numérica con una categórica, en la nova me permite analizar. Si tengo dos categóricas es la prueba de independencia de chi cuadrado, muchachos.
Speaker A
Entonces esta prueba me permite ello, ¿no? Me permite saber si están asociados o no.
Speaker A
Entonces es una prueba útil, muchachos. Eh, muy interesante. Justamente el caso que les comenté de nivel educativo de la madre y el nivel de anemia del niño. Hay muchas investigaciones sobre ello.
Speaker A
También hay, por ejemplo, el nivel de anime del niño con el quintil de pobreza.
Speaker A
Se ha demostrado que los los hogares de Quintilos la incidencia nemia es mucho más alta.
Speaker A
¿Por qué? Porque son hogares pobres. O son pobres o pobres extremos también están asociados.
Speaker A
Igual nivel de anemia del niño con área urbana o rural. También en área rural hay mayor nivel de anemia.
Speaker A
Entonces son variables que sí están asociadas. Interesante. Una prueba tan simple cómo te puede dar tantas eh tantas conclusiones interesantes, ¿no?
Speaker A
Y muchas veces en nuestra base de datos lo que más abunda son variables categóricas. Entonces puedo hacer los cruces necesarios y obtener pues algunas ideas interesantes.
Speaker A
Muy bien. Si quieren complementar más la prueba de dependencia chicuadrado con pruebas multivariantes, existe un tema llamado análisis correspondencia múltiple. No sé si alguna vez has escuchado análisis de correspondencias múltiplas es una prueba multivariada.
Speaker A
¿Qué sucede del con el chi cuadrado? El chi cuadrado solo te dice si están asociadas o no están asociadas, nada más.
Speaker A
Pero si te preguntan qué niveles de esas varreles catóricas están más asociadas, entonces chi cuadrado ya no puede llegar a ese nivel, solo te dice están asociadas o no nada más.
Speaker A
Pero el análisis de correspondencia múltiple te puede permitir analizar no solamente en función a una variable, sino a varias.
Speaker A
De tal manera que puedes ver cómo se comporta el nivel de anemia del niño por el nivel educativo de la madre, por tipo de pobreza, por tipo de ámbito geográfico, por dominio geográfico y un montón de cosas y te da mucha más
Speaker A
información. Interesante, ¿no? Entonces, estas dos herramientas se complementan muy bien. ¿Alguna vez han escuchado los mapas perceptuales?
Speaker A
A esto me refiero. Voy a los mapas percep. Sí, yo lo lo he escuchado, lo he visto.
Speaker A
Mira, los mapas perceptuales se construyen con análisis correspondencia. No, voy a buscar mejor de mi material.
Speaker A
Ya, ahora un momento. Yo preparé un material para mis alumnos. A ver, un momento. Vamos a ver.
Speaker A
Ya, acá está justo de anemia con análisis de correspondencia. Ya. Vamos a ver. Ahí está, muchachos. Miren acá se justamente usé anemia para el caso peruano, por cierto, con mi variable de interés era anemia, pero lo asocié con área urbano rural,
Speaker A
nivel educativo de la madre, quintí de pobreza del hogar. Miren las personas o los niños sin anemia.
Speaker A
Acá está. Pero miren con qué están más asociados. con los hogares de Quintil 4, zonas urbanas y aquellas madres con educación superior.
Speaker A
Es decir, si yo observo en un grupo poblacional que los hogares pertenecen al quintil 4, zonas urbanas y mamás con educaciones superiores, la prevalencia anemia es prácticamente nula muchachos.
Speaker A
en los niños, literal, los niños no van a tener anemia muchachos. ¿Por qué? Porque están en unas zonas donde las condiciones son favorables, ¿no? Mamás con estudios superiores, zonas urbanas.
Speaker A
Quintil 4 de hogar es hogares acaudalados, ¿no? O no pobres. En otras palabras, los niños, por ende no tienen anemia.
Speaker A
Pero, ¿qué sucede, muchachos? Si yo identifico anemia alta y moderada, ¿con qué va a estar asociada más?
Speaker A
Va a estar asociado más, muchachos, con ¿qué? Quindil uno, ruralidad, mamás con estudio primaria y mamás sin educación o educación secundaria. ¿Se dan cuenta?
Speaker A
Entonces, si yo identifico poblaciones con esas características, yo como gobierno debería enfocarme en ese grupo poblacional.
Speaker A
¿Por qué? Porque al tener esos insumos o esos o esas, ¿cómo se podría decir? Esos condimentos ya me están indicando que la probabilidad de anime en los niños va a ser alta y moderada muchachos.
Speaker A
¿Se dan cuenta? Ya, esto es el famoso mapa perceptual, muchachos, que sale a partir del análisis correspondencia múltipla, que es un paso extra de la prueba h cuadrado ¿no?
Speaker A
Te permite ver muchas más cosas de manera eh gráfica. El famoso mapa perceptual, ¿dónde se usa más los mapas percepales?
Speaker A
en los en lo que son eh preferencias de productos ¿no? Pero también se usa en salud, también se usa en educación y lo puedes usar donde sea muchach más allá de una prueba cuadrado, obviamente ¿no?
Speaker A
Entonces, eso es un un mapa. Muy bien, dicho eso, entonces la prueba chi cuadrado, muchachos, nos va a permitir ver la asociación entre dos variables categóricas. Voy voy a necesitar una variable x y voy a necesitar una variable y
Speaker A
muy bien, pero la prueba chi cuadrada, muchachos, parte de una herramienta muy útil, la famosa tabla de contingencia o la tabla cruzada, que todos lo conocemos ¿no?
Speaker A
Acá está el factor uno, el factor dos y estos valorcitos que van acá son las famosas frecuencias observadas, ¿no? Las cantidades ¿no?
Speaker A
frecuencias observadas o las cantidades, no puede ser 20, 30, uno no sabe. En general se conoce como valores observados o frecuencias observadas.
Speaker A
Y acá viene el planteamiento de hipótesis, que por cierto solamente existe un solo tipo de planteamiento de hipótesis.
Speaker A
Y acá mucho ojo, hipótesis nula, las variables son independientes. ¿Qué quiere decir que las variables sean independientes?
Speaker A
Que no están asociadas. Y acá viene el dolor de cabeza. Cuando muchos hacen su tesis, la hipótesis lo plantean al revés.
Speaker A
¿Por qué? Estamos acostumbrados a eso porque pensamos que lo positivo siempre va a estar en la nula y eso no es así.
Speaker A
Va a depender de la prueba de hipótesis, muchachos. La teoría es muy importante. Si ustedes plantean mal su hipótesis, todo está mal.
Speaker A
Así de simple. Esa es la manera correcta de plantear. Muy bien. Luego se habla de un estadístico de prueba, de un criterio de rechazo, pero eso es teoría que nosotros no vamos a usar.
Speaker A
Acá está el valor, la frecuencia observada, la frecuencia esperada, el estadístico de prueba, ¿no?
Speaker A
Antes cuando se resolvía manualmente sí era muy importante calcular estos dos puntos. tú definías tu zona de rechazo y pues en función a ello sabía si rechazar o no rechazar la hipótesis, pero eso ya es arcaico. Ahora con el p
Speaker A
valor es mucho más sencillo, más rápido. Muy importante, muchachos, para mí es que ustedes aprendan a plantar las hipótesis.
Speaker A
Eso para mí es muy importante. Memorizarse una formulita no tiene sentido a estas alturas de la vida. Con el R tenemos todo, pero el R no te va a plantear tus hipótesis.
Speaker A
¿Se dan cuenta? Muy bien. Acá hay un caso interesante. ¿Cómo saber que es una variable o una prueba de independencia x cuadrado?
Speaker A
Primer factor, grupo de edad. Segundo factor o segunda variable, tipo de buscador. Ambos son variables categóricas.
Speaker A
Muy bien. ¿Qué quiero lograr en este ejercicio? Quiero ver si hay asociación entre el tipo de buscador y el grupo de edad.
Speaker A
Seguramente ustedes han escuchado solamente del Google ¿no? Pero hubo otros buscadores, Yahú, Altavista, Terra, un montón, ¿no? Que yo me acuerda de esas al menos. Entonces acá se quieren preguntar lo siguiente.
Speaker A
Tipo de buscador dependerá del grupo de app? Eh, obviamente que sí, ¿no? Porque obviamente los niños y los jóvenes usen más Google, ¿no?
Speaker A
Pero los más maduritos quizás han usado otro tipo de buscador, ¿no? Al menos el sentido común me indica eso.
Speaker A
Al menos no. Para sacarme de la duda tengo que aplicar una prueba hipótesis, ¿no?
Speaker A
En este caso, como tengo dos variables categóricas y quiero ver si están asociadas, entonces me quedaría usar la prueba de independencia de chi cuadrado, muchachos. Así de simple.
Speaker A
Muy bien. ¿Cómo se plantea las hipótesis? La independencia siempre va en la nula, quiere decir que los buscadores de información no se encuentran asociados, es decir, son independientes versus se encuentran asociados, muchachos.
Speaker A
Así de simple. ¿Cómo lo planteé correctamente? ¿Por qué? Porque conozco la teoría. No se plantea al revés. Eso no se hace.
Speaker A
Se respeta la teoría, muchach. Tan simple como eso, muchacho. Pero por eso es muy importante la teoría.
Speaker A
La teoría es muy importante, si no vamos a plantear más las hipótes muy bien dicho eso, entonces ahí está el alfa y el p valor.
Speaker A
Con el p valor con el r me sale 0. Cer0 es menor alfa. Por ende se rechaza la hipótesis. Si yo rechazo él, estaría diciendo que los buscadores de información se encuentran asociados con la edad del usuario. ¿Listo?
Speaker A
Claro, era era lógico, ¿no? Porque los jóvenes y los niños usan por Google, ¿no?
Speaker A
Pero los adultos usan o usaron otro tipo de buscado, ¿no? Muy bien. Entonces, la prueba chicadrado te permite saber eso, pero nada más.
Speaker A
Si quisieras complementar con más cosas, análisis correspondencia. Con eso ya analizas pues a nivel de cada categoría y lo hace mucho más nutritivo, mucho más interesante.
Speaker A
Muy bien, muchachos. Eso es la teoría de la prueba de independencia chicadrada. ¿Cómo se hace esto en el R?
Speaker A
Bueno, primero hay que llevar estos datos al R, ¿no? Para ello, ¿cómo se hace eso? Vamos a ver.
Speaker A
En primer lugar, nuestro hipótesis es la siguiente, ¿no? Hipótesis nula. Los buscadores de información no se encuentran asociados, por ende son independientes versus se encuentran asociados o son acaba de ser dependientes.
Speaker A
Muy bien. Entonces este conjunto de datos, muchachos, lo voy a llevar al R. ¿Cómo hago?
Speaker A
Voy a generar una matriz con estos valores. 30 43 12 30 43 12 de 4* 4.
Speaker A
Muy bien. Y luego lo voy a etiquetar por fila y por columna con estos nombres. ¿Cómo hago eso? Rames, nombre de filas. Call names, nombre de las columnas.
Speaker A
Y listo, muchachos. ¿Se dan cuenta? Miren, acá está mi tabla. Buscador columna. Buscador columna grupo de la misma estructura, muchachos, pero llevado al R.
Speaker A
Esta tablita lo voy a llevar a la función chisq. test. Esa función, muchachos, realiza la prueba de independencia x cuadrado.
Speaker A
Esa función pequeñita, ¿qué le tienes que dar como insumo? Simplemente la tabla que acabas de construir.
Speaker A
Y listo, muchachos. Miren, acá le digo que me que me evite la anotación científica y que me muestro el resultado.
Speaker A
Ahí está. Miren, es un valor muy pequeño, entonces se rechaza la hipótesis, ¿no? Ahí está.
Speaker A
Se rechaza la hipótesis nula y listo. Si rechazo la hipótesis nula, muchachos, estaría diciendo pues lo siguiente, ¿no? Estaría diciendo que los buscadores de información se encuentran asociados.
Speaker A
Eso muchachos. Eso es la famosa prueba de independencia chi cuadrado. Sencillo ¿no? Así es, muchachos. sensible la prueba.
Speaker A
Entonces, cada vez tienen muchas más herramientas, muchachos, para poder afrontar sus eh bueno, su sus investigaciones o también en el campo laboral, ¿no?
Speaker A
En el campo laboral las pruebas de hipótesis es muy común, diferencias significativas, comparación de grupos y ahora pueden usar muchas más herramientas, ¿no? por ejemplo, prueba de independencia cuadrado y muchas cosas más.
Speaker A
Muy bien, muchachos. Esto sería nuestro laboratorio de la sesión del día de hoy. Hoy día sí terminamos a la hora.
Speaker A
Muy bien. Entonces, la siguiente sesión, muchachos, ya estaríamos mañana estaríamos viendo lo que es regresión.
Speaker A
Ya es un modelo, ¿no? Modelo estadístico de este tipo, ¿no? Por ejemplo, voy a tener y en función, voy a modelar y en función de varias variables, ¿no? Pueden ser numéricas o categóricas, ¿no?
Speaker A
Entonces, el objetivo es encontrar un modelo matemático, pues que modele el comportamiento de mi variable y en función de muchas variables, ¿no?
Speaker A
A eso se conoce como el modelo de regresión, regresión lineal múltiple, ¿no? ¿Para qué me va a servir esto?
Speaker A
Para poder predecir y también para poder explicar. Y la regresión lineal simple y múltiple todo lo se aplica para variables numéricas ¿no?
Speaker A
Por ejemplo, si quieres predecir el precio de una vivienda, el precio de un producto o cómo se estima la prima de un seguro, por ejemplo, todo eso se obtiene con regresiones ¿no?
Speaker A
Pero para hablar de regresión vamos a recordar que es correlación, que es un gráfico de dispersión, qué es linealidad y todos esos puntos, pero todo eso ya lo vamos a ver el día de mañana.
Speaker A
Bueno muchachos nos quedamos acá entonces y estaríamos continuando el día de mañana. Muy bien, muchas gracias por su atención y nos vemos el día de mañana. Muchas gracias. Buenas noches. Pasen buenas noches.
Topics:ANOVA de dos factorespruebas estadísticasdiseño de experimentosinteracción de factoresprueba tpruebas no paramétricasregresión logísticaanálisis en Restadística aplicadahipótesis y p-valor
