MODULO 13.2 (UG)

349 views

Published on

Published in: Education
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
349
On SlideShare
0
From Embeds
0
Number of Embeds
102
Actions
Shares
0
Downloads
2
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

MODULO 13.2 (UG)

  1. 1. MODULO 13 PROYECTOS DE INVESTIGACION EN INFORMATICA EDUCATIVA INTEGRANTES Análisis e• Piña César interpretación•• Naula Mejia Cecilia Basantes Valverde Williams de resultados
  2. 2. TEMAS1. ANÁLISIS BIVARIADO2. ANÁLISIS DE VARIANZA YCOVARIANZA3. ANALISIS DE REGRESIONSIMPLE
  3. 3. ANÁLISIS BIVARIADO Análisis bivariado Enfrenta independientes Dependiente
  4. 4. Tablas y coeficientes de contingencia. Analiza la relación entre dos o más variables Diestro Zurdo TOTALHombre 43 9 52Mujer 44 4 48TOTAL 87 13 100.
  5. 5. Correlación entre rangos dePearson.
  6. 6. Ejemplo.a) PUNTUACIÓN DIRECTA
  7. 7. EJEMPLO 2b) Puntuaciones diferenciales
  8. 8. Correlación lineal
  9. 9. Correlación Lineal Al aumentar una directa variables la otra aumenta. Al aumentar unaCorrelación Lineal Inversa variables la otra disminuye. No hay dependencia Nula de ningún tipo entre las variables
  10. 10. ANÁLISIS DEVARIANZA YCOVARIANZA
  11. 11. Análisis de laVa r i a n z a ( A N O VA )• El análisis de varianza sirve para comparar si los valores de un grupos de datos son diferentes significativamente a los valores de otro u otros grupos de datos.
  12. 12. Ejemplo Análisis de laVa r i a n z a ( A n c o v a ) F = 13,4/ 1,43 = 9,37 El valor de la F teórica con 2 y 12 grados de libertad, a un nivel de confianza del 95% es 3,89. Por consiguiente se rechaza la hipótesis nula y se concluye que los tres
  13. 13. Análisis de la covarianza(Ancova) • La covarianza es una medida de la variación común a dos variables y, por tanto, una medida del grado y tipo de su relación. • Busca comparar los resultados obtenidos en diferentes grupos de una variable cuantitativa, pero "corrigiendo“ las posibles diferencias existentes entre los grupos en otras variables que pudieran afectar también al resultado (covariantes).
  14. 14. Análisis de la covarianza• En el Análisis de la Covarianza:  La variable respuesta es cuantitativa y  Las variables independientes son cualitativas y cuantitativas.
  15. 15. ANALISIS DEREGRESIONSIMPLE (RS)
  16. 16. REGRESION SIMPLE ¿QUE ES?La Regresión es una técnica estadística que se utiliza para solucionarproblemas comunes en cualquiera de las ciencias.Tomado de: http://www.monografias.com/trabajos27/regresion-simple/regresion-simple.shtml#ixzz2J5jGvDdMPROPÓSITOS DE RS • Hablando de variables: • Evaluar si las dos variables están asociadas • Predecir en base a una variable, ¿qué se obtiene de la otra? • Evaluar grado de concordancia entre los valores de las dos variables
  17. 17. EJEMPLO 1: POSIBLE TESIS Se pretende estudiar el ajuste emocional de niños. Mediante un test que proporcione puntuaciones en una escala entre 0 y 10. Depende del ámbito rural o urbano en el que vive la familia Variable dependiente: ajuste emocional Variable independiente: ámbito geográfico
  18. 18. ¿EL PROQUE DE ESTA INVESTIGACION?INTELIGENCIA EMOCIONAL
  19. 19. HERRAMIENTA: matriz de datosAnálisis de datos I Análisis de datos II 1 2 Meses comp escolar 2 1 2 4 3 3 18 4 4 4 5 2 N=10 108 3.66 0 3 24 2.83 7 5 N=9 132 2 8 6 60 3.5 9 8 10 9 16 2.16 9 2.66 84 2.5comp escolar ámbito 4 1 Turno estrés 4 1 0 65 3.66 1 0 76 2.83 1 0 50 2 1 N=10 0 89 3.5 0 N=10 0 57 2.16 0 1 45 2.66 0 1 34 2.5 0 1 56 1.83 0 1 55 1 61
  20. 20. ESPECIFICACIÓN EN LA MUESTRAEstructura en los modelos de regresión Xi predictora Yi criterio  i independiente dependiente exógena endógena explicativa explicada Expresión matemática del modelo en la poblaciónYi  f  X i    i   0   1 X i   i  Yi   i Yi   0   1 X i Puntuación predicha por la recta de regresión verdadera  Y Y i i  i Residuo o error de predicciónEn el modelo hay dos variables observadas: X e Y y dos parámetrosla ordenada en el origen de la recta de regresión 0 y la pendiente  1
  21. 21. INTERPRETACIÓN DE LOS PARÁMETROS: EL CONTRASTE DE LA REGRESIÓN 3 3 2 2 1 1 0 0 -1 -1 -2 -2 -3 -4 Y -3Y -3 -2 -1 0 1 2 -4 -3 -2 -1 0 1 2 3 X X
  22. 22. EJEMPLO 2: Hipertensión, tabaco, obesidad y ronquera (Norton y Dunn, RoncaFuma Obeso 1985) N Número de hombres con Hipertensión N (%)0 0 0 60 5 (18)1 0 0 17 2 (11)0 1 0 8 1 (13)1 1 0 2 0 (0)0 0 1 187 35 (19)1 0 1 85 13 (15)0 1 1 51 15 (29)1 1 1 23 8 (35) Total 433 79 (18)
  23. 23. Receiver Operating Characteristic Curve 1.0 0.8Sensitivity 0.6 0.4 0.2 0.0 0.0 0.2 0.4 0.6 0.8 1.0 1 - Specificity Area under ROC Curve
  24. 24. RESUMEN• Regresión lineal: x / y: intervalares, independiente / dependiente.• Regresión múltiple: una dependiente, varias dependientes (intervalares).• Regresión logística: una dependiente (nominal), varias independientes (puede haber nominales, ordinales e intervalares).
  25. 25. CONCLUSIONES•La ecuación de RegresiónLineal estimada para lasvariables EXPRESA unarelación.•Esta relación se ESTIMA envalores positivos y/o negativos.•Las variaciones --en lavariable-- CONLLEVAN elcoeficiente de determinación
  26. 26. 2013

×