SEMANA 2

E S TA D I S T I C A A P L I C A D A
• Homogeneidad: En spss, para hacer la prueba de homogeneidad se debe colocar todo en una
sola columna.
SEMANA 3

E S TA D I S T I C A A P L I C A D A
PRUEBA T:
INDEPENDIENTE: Diferentes datos. Comp (U Man witney)
RELACIONADAS: Antes y después
UNA SOLA MUESTRA
PARA UN GRUPO: T Y Wilcoxon
Para dos grupos: Independiente (T y U Man Witney)– relacionadas (T y Wilcoxon)
Si el el 80% de las pruebas demuestran normalidad, se asume distribución normal.
Para tres o mas datos:
Ho= Son iguales (>0.05)
Ha= Al menos una es diferente (<0.05)
ANOVA: No te dice quien es diferente por eso, a las pruebas de annova le acompañan las pruebas
de comparación (Tukey – Duncan – BF)
Nota: Si son iguales ya no se hace las pruebas de tukey o Duncan, etc.
VALORES ATIPICOS
Krus Karlwalis: cuando no se cumple la normalidad.
• CORRELACION (min 50 datos)
• Siempre hay par de datos.
• Cada columna de datos tiene que tener distribución normal.
• Cada columna de datos tiene que ser independiente y tiene que haber independencia entre cada
dato.
• Tienen que ser directamente proporcional.
• Casi imposible que salga -1 y 1 exacto.

HIPOTESIS
Ho: No existe
Ha: Si existe
 
COEFICIENTE DE CORRELACION
-1 a 1
 
-1: correlacion perfecta negativa
0: No existe correlacion
1: correlacion perfecta positiva
• REGRESIÓN: Se tiene que definir que variable tiene mas presión sobre la otra.
• Regresión lineal simple: Se busca dos variables. Describe la relación entre dos variables.
• X= Variable independiente
• Y= Variable dependiente
• Se apoya de la teoría de la ecuación de la recta

• Teoría de mínimos cuadrados: la resta de los valore positivos y negativos, la que se acerca mas a
cero es la recta mas efectiva.
• Coef. De determinación (para regresión)
• r= coeficiente de correlacion lineal

Ho= no existe asociación entre las dos variables mediante una regresión lineal.
Ha = Si existe asociación entre las dos variables mediante una regresión lineal.
CORRELACION
1. (primero): Pruebas de normalidad (determina si se usa Pearson o spearman).
2. (segundo): Después de determinar normalidad hacer la correlacion (con Pearson o spearman)
3. (tercero): En la correlacion tiene que haber correlacion alta y el nivel de significancia Ha (p value).
REGRESION
4. (cuarto): Al hacer la regresión, medir el coeficiente de determinación. (0.70 a 0.75, puede haber
buena regresión)
5. (quinto): Analizar el nivel de significancia ( si aprueba la Ho o Ha)
6. (sexto): Después de aprobar Ha generar la formula haciendo el análisis de la tabla de coeficientes.
VD= C+b*VI (variable independiente)
• Después de aprobar el modelo de formula, aprobar los supuestos del modelo (4 supuestos mínimos
para regresión lineal simple)
SUPUESTOS DEL MODELO
• Linealidad: Si los datos del grafico están dispersos, se aprueba linealidad.
El grafico( no debe haber un patrón definido para aprobar linealidad) (los datos tienen que estar
dispersos)
Valor pronosticado= valores determinados con la formula.
Residuo= valor real – valor pronosticado.
• Normalidad: Nos enfocamos en el residuo y le pasamos normalidad.
• Homocedasticidad: Nos va a ayudar a nivel de un grafico. Nuestros puntos entre los valores
pronosticados y residuo no debe hacer el patrón de cola de pez para aprobar homocedasticidad)
• Independencia de errores: Buscar el estadístico de Durbin Watson. Si esta en el intervalo de 1.5 a 2.5
entonces se asume que los valores son independientes.

Finalmente si se aprueban los 4 supuestos podrás decir que tu formula es usable.

• Los modelos son usados para condiciones similares

SEMANA 5

E S TA D I S T I C A A P L I C A D A
 DISEÑOS EXPERIMENTALES
• Usamos a partir de los 3 tratamientos, manipulamos la variable independiente para medir sus efectos
sobre la variable dependiente. Exige que los residuos también tengan normalidad.
• Variables
Dependiente (Respuesta) Variable a ser medida
Independiente (Factor) Tratamientos o condiciones
• Tipo y niveles
Básica: ‘’Generar nuevos conceptos / teorías)
Aplicada: Los autores dicen que lo que mas trabajamos es el tipo aplicada (Conceptos existentes)
El diseño experimental mas conocido que usa 3 tratamientos es el DCA (Diseño completamente al
azar)
 DCA
• Busca formular la ho y ha
• Solo una variable independiente sobre la dependiente
• APROBAR LOS SUPUESTOS:
Normalidad ( A la variable dependiente y a los residuos)
Homogeneidad (Entre los tratamientos ABC)
Medir la independencia (Cada dato debe ser independiente del otro)
La prueba de tukey si se aprueba ha.
• Pan ferroni
• Tukey: sirve para encontrar las diferencias [datos pequeños o mayor cantidad de datos (siempre se debe
cumplir homogeneidad de varianzas)]
• Games and houl ( Cuando los datos no tienen la misma cantidad)
• Por lo general no deberían aparecer los datos atípicos
• Antes de realizar un experimento se debe hacer una revisión de los datos
• Si no se cumplen los supuestos, hacer una transformación de datos. (pasar homogeneidad again)
• Si no cumple normalidad, ir con las pruebas de krus karwalis para DCA.
• Sin embargo en DCA se busca trabajar con annova pq ‘’se entiende’’ que estamos controlando todo.
• Aleatorialidad: Para que realmente se pueda controlar que no se este manipulando los datos es que al
azar cada 4 pertenezcan a un tratamiento. (o hacer un sorteo).
• El diseño solo cambia cuando se aumenta en la variable independientes. (en la variable dependiente
no)
• TAREA
Traer una tesis con DCA Y DCA con arreglo factorial.
SEMANA 6

E S TA D I S T I C A A P L I C A D A
• Los experimentos no son por conveniencia, son al azar
• Si nosotros manipulamos, estamos interfiriendo en el experimento
• UE: unidad experimental
• DCA: el experimento mas simple de todos
• Se consideran dos fuentes de variabilidad: los tratamientos y el error aleatorio (no hay resultados
perfectos)
• ANTECEDENTES
• Si vas a realizar un experimento y quieres asegurar que se acepte la Ha, debes leer los antecedentes para
ayudarte.
• Los DCA buscan condiciones que se puedan controlar muchas cosas.
• Sacar normalidad a cada grupo de datos y a cada residuo que se obtenga.
• Homogeneidad a los grupos del modelo. Datos en general
• Cada dato tiene que ser independiente del otro y en el grafico deben estar en cada columna. (columna
por tratamiento)
• No puede haber de dos pq los annovas son de dos tratamientos para arriba.
• Diseño factorial: tengo (1 PB Y 2 PB) Con 3 hongos = 2x3
• DCA CON ARREGLO FACTORIAL
• Para ver interacciones los diseños factoriales son los deseados. (hace un cruce de todo)
• DCA: prueba de hipotesis para tratamientos
• DBCA : Cada tratamiento para cada bloque
• El bloque es poner sitios.
CUADRADO LATINO
• Hacer un trabajo con cualquiera de los modelos y exponer (presencial) NO DCA (10 min)
• BUSCAR UNA TESIS QUE TENGA DATOS Y PROCESAR ESOS DATOS
• Pruebas de comparación de medias: tukey
• Supuestos: normalidad (para los datos y para los residuos), Homogeneidad (solo a los datos),
Independencia o linealidad
• ANNOVA solo sirve para ver si hay igualdad o diferencia, El tukey nos dice quienes son diferentes, y
la media cual de los dos es la mejor opción.