Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EfectosFijos PDF
EfectosFijos PDF
Diseños completamente
aleatorizados
Una compañía algodonera que emplea diversos fertilizantes desea comprobar si éstos
tienen efectos diferentes sobre el rendimiento de la semilla de algodón.
Todas estas situaciones tienen en común que su interés está centrado en un solo factor
con varios niveles o tratamientos que pueden producir efectos distintos y, por ello, pueden
ser abordadas mediante la técnica estadística del Análisis de la Varianza de un factor o
una vía.
El análisis de la varianza fue desarrollado por Fisher en 1925 con el objetivo de com-
parar entre sí varios grupos o tratamientos mediante la descomposición de la variabilidad
total de un experimento en componentes independientes que puedan atribuirse a distin-
tas causas. Esencialmente este análisis determina si la discrepancia entre las medias de
1
2 Diseños completamente aleatorizados
Fertilizantes Rendimiento
1 51 49 50 49 51 50
2 56 60 56 56 57
3 48 50 53 44 45
4 47 48 49 44
5 43 43 46 47 45 46
yij es la variable aleatoria que representa la observación j-ésima del i-ésimo tratamien-
to (nivel i-ésimo del factor).
τ i es la parte de yij debida a la acción del nivel i-ésimo, que será común a todos
los elementos sometidos a ese nivel del factor, (“aportación cuantitativa del nivel
i-ésimo del factor al valor total de la variable yij ”), llamado efecto del tratamiento
i-ésimo.
uij son variables aleatorias que engloban un conjunto de factores, cada uno de los
cuales influye en la respuesta sólo en pequeña magnitud pero que de forma conjun-
ta debe tenerse en cuenta en la especificación y tratamiento del modelo; es decir,
las perturbaciones o error experimental pueden interpretarse como las variaciones
causadas por todos los factores no analizados y que dentro del mismo tratamiento
variarán de unos elementos a otros. Estas perturbaciones deben verificar las sigu-
ientes condiciones:
E [uij urk ] = 0 i = r ó j = k .
diseño adecuadamente las unidades experimentales deben ser lo más homogéneas posible.
En el modelo estadístico dado por la ecuación (1.1), se distinguen dos situaciones según
la selección de los tratamientos: modelo de efectos fijos y modelo de efectos aleatorios.
(i) En el modelo de efectos fijos el experimentador decide qué niveles concretos se van
a considerar y las conclusiones obtenidas son aplicables sólo a dichos niveles, no
pudiéndose hacer extensivas a otros niveles no incluidos en el estudio.
En la situación de referencia, la compañía algodonera decide utilizar unos determi-
nados fertilizantes. Se trata de un modelo de efectos fijos y la compañía algodonera
aplicará los resultados de la investigación exclusivamente a los fertilizantes consid-
erados en el estudio.
El caso de las calificaciones de los alumnos también se trata de un modelo unifac-
torial de efectos fijos, ya que la profesora sólo está interesada en averiguar si unos
determinados métodos de enseñanza influyen en las calificaciones de los alumnos y
aplicará los resultados de la investigación exclusivamente a los métodos de enseñanza
empleados.
(ii) En el modelo de efectos aleatorios, los niveles del factor se seleccionan al azar; es
decir, los niveles estudiados son una muestra aleatoria de una población de niveles.
En este modelo se generalizan las conclusiones (basadas en la muestra de niveles),
a todos los posibles niveles del factor, hayan sido explícitamente considerados en el
análisis o no.
Refiriéndonos a la situación de la industria química, interesada en la influencia de
la temperatura en la cantidad de producto obtenido, se podría considerar como un
modelo de efectos aleatorios si las temperaturas comparadas son una muestra entre
las posibles temperaturas que se podrían utilizar.
1o ) yij = µi + uij
2o ) uij N(0, σ)
E [yij ] = µi ∀j .
µi = µ + τ i , (1.3)
sustituyendo (1.3) en la ecuación (1.2), obtenemos la primera expresión del modelo dada
en (1.1), es decir
yij = µ + τ i + uij ,
donde, el efecto producido por el nivel i-ésimo se define como la diferencia entre la media
µi , del nivel i, y la media general µ; es decir, los efectos de los tratamientos τ i son las
desviaciones de la media de cada nivel con respecto a la media general, por esta razón se
debe verificar la relación
I
ni τ i = 0 . (1.4)
i=1
E [yij ] ≡ µi = µ + τ i ,
la suma de la media general y el efecto del i-ésimo tratamiento.
En este modelo se trata de contrastar si todos los niveles del factor producen el mismo
efecto
H0 : τ i = 0 ∀i
frente a la alternativa
H0 : µ1 = µ2 = · · · = µI = µ
frente a la alternativa
yij = µi + uij
yij = µ + τ i + uij ,
ambas formas son equivalentes. Para nuestro estudio emplearemos la segunda expresión.
Consideremos un factor con I niveles y que para cada nivel i se toman ni observaciones.
Los datos se organizan en forma tabular como se muestra en la Tabla 1-2
yij es la observación j-ésima del tratamiento i-ésimo; donde el subíndice i varía desde
1 hasta I y el subíndice j varía desde 1 hasta ni
ni
I I
y.. = yij = yi.
i=1 j=1 i=1
Las derivadas parciales respecto de los parámetros del modelo son las siguientes:
I ni
∂ ln L 1
= [yij − µ − τ i ]
∂µ σ2
i=1 j=1
ni
∂ ln L 1
= [yij − µ − τ i ] i = 1, · · · , I (1.7)
∂τ i σ2
j=1
I ni
∂ ln L N 1
2
= − 2+ 2 2
[yij − µ − τ i ]2 .
∂σ 2σ 2(σ )
i=1 j=1
ni
I ni
I
yij − Nµ − τi = 0 . (1.8)
i=1 j=1 i=1 j=1
Teniendo en cuenta que i ni τ i = 0, de la ecuación (1.8) se obtiene
ni
I
yij
i=1 j=1
=
µ = ȳ.. (1.9)
N
1.3 Modelo de efectos fijos 11
Estas soluciones
=
µ ȳ..
(1.12)
τ i = ȳi. − ȳ.. i = 1, 2, · · · , I ,
se pueden intuir fácilmente, ya que indican que la media general se puede estimar utilizando
el promedio de todas las observaciones y cualquiera de los efectos de los tratamientos
usando la diferencia entre el promedio correspondiente al tratamiento y el promedio total.
y
Finalmente, sustituyendo µ τ i en la última ecuación de (1.7), obtenemos el estimador
de máxima verosimilitud para la varianza poblacional
I ni I ni I
2 1 2 1 2 1
=
σ −
[yij − µ τ i] = [yij − ȳi. ] = ni s2i , (1.13)
N i=1 j=1 N i=1 j=1 N i=1
Residuos
Los residuos se definen como las diferencias entre los valores observados yij y los
valores previstos por el modelo yij y los denotamos por eij ,
Los residuos son los estimadores de los errores aleatorios uij = yij − µ − τ i , los cuales
son variables aleatorias no observables. Se verifica que la suma de los residuos es cero, en
efecto
ni
I ni
I ni
I I
ni
I
ni
I
eij = (yij − ȳi. ) = yij − ni ȳi. = yij − yij = 0 .
i=1 j=1 i=1 j=1 i=1 j=1 i=1 i=1 j=1 i=1 j=1
1) Propiedades de µ
es un estimador centrado de µ, puesto que
a) µ
1 1 1
E [
µ] = E [ȳ.. ] = E [yij ] = (µ + τ i ) = Nµ + ni τ i =µ
N N N
i,j i,j i
se distribuye según una Normal, puesto que dicho estimador es combinación lineal
c) µ
de las variables yij y éstas son variables aleatorias independientes con distribución
Normal.
2) Propiedades de
τi
a)
τ i es un estimador centrado de τ i , puesto que
1 1
τ i ] = E [ȳi. ] − E [ȳ..] = E
E [ yij − µ = E (µ + τ i + uij ) − µ =
ni j ni
j
1
ni µ + ni τ i + E[uij ] − µ = τ i
ni
j
(1.15)
1.3 Modelo de efectos fijos 13
σ2
b) La varianza de
τ i es (N − ni ) , puesto que
Nni
1 1
τ i ] = Var [ȳi. − ȳ.. ] = Var
Var [ yij − yij =
ni N
j i,j
1 1 2
Var [yij ] + 2 Var [yij ] − Cov yij , yij =
n2i j N i,j Nni j i,j
1 2 1 2 2
2 σ + 2 σ − ni σ2 =
ni j N i,j Nni
1 2 1 2σ 2 σ2 σ2 σ2
σ + σ2 − = − = (N − ni )
ni N N ni N Nni
(1.16)
c) τi se distribuye según una Normal, puesto que dicho estimador está expresado como
función lineal de variables aleatorias con distribución Normal.
2
3) Propiedades de σ
2 I ni ni
I
Nσ 1 2 = 1
= e ij (yij − ȳi. )2 =
σ2 σ2 σ2
i=1 j=1 i=1 j=1
(1.17)
n1 n2 nI
y1j − ȳ1. 2 y2j − ȳ2. 2 yIj − ȳI. 2
+ +··· + .
j=1
σ j=1
σ j=1
σ
Por tanto,
2
Nσ
χ2Σi (ni −1) = χ2N−I . (1.18)
σ2
Puesto que la esperanza matemática de una distribución χ2 coincide con sus grados de
libertad, se concluye que
Nσ2 2 N − I 2
E 2
=
=N −I ⇒E σ σ
σ N
y por tanto,
2
= σ2 .
E σ
forma
I ni I ni
[yij − ȳi. ]2 e2ij
2 = S2 = i=1 j=1
σ =
i=1 j=1
. (1.19)
R
N −I N −I
2 de la siguiente forma:
También se puede determinar el valor esperado de σ
En primer lugar, calculamos E e2ij
1.3 Modelo de efectos fijos 15
E e2ij = Var [eij ] = Var [yij − ȳi. ] =
σ2
σ2 −
ni
Por lo tanto,
σ2
E e2ij = 2
E eij = 2
σ − =
i,j ni
i,j i,j
σ2 1
Nσ2 − = Nσ2 − σ2 ni =
ni ni
i,j i
(N − I)σ2 .
Entonces
2 e2ij
= E
E σ = N − I σ2 .
N N
i,j
En resumen,
σ2
N µ,
µ
N
σ2
τi N τ i , (N − ni )
Nni
2
σ
N χ2N −I
σ2
16 Diseños completamente aleatorizados
yij = µ + τ i + uij ,
1o )
E [uij ] = 0 ∀i, j .
2o )
Var [uij ] = σ2 ∀i, j .
3o )
Cov [uij , urk ] = E [uij urk ] = 0 i = r ó j = k .
Hay que hacer notar que entre las hipótesis del modelo no se hace ninguna referencia
a la distribución específica de las perturbaciones. En estas condiciones, la estimación de
los parámetros se aborda mediante el método de mínimos cuadrados.
Con el fin de obtener los estimadores de µ y τ i mediante el método de mínimos cuadra-
dos, consideremos la suma de cuadrados de los errores, ecuación (1.20), y determinemos
y
los valores de µ y τ i , que notaremos por µ τ i , que minimizan dicha expresión
ni
I ni
I
Λ= u2ij = (yij − µ − τ i )2 . (1.20)
i=1 j=1 i=1 j=1
y
Para ello, se deriva Λ respecto de µ y τ i y se particulariza en µ τ i obteniéndose un
sistema de I + 1 ecuaciones con I + 1 incógnitas
∂Λ
= 0
∂µ µ ,τ i
∂Λ
= 0
∂τ i µ ,τ i
i = 1, 2, · · · , I
1.3 Modelo de efectos fijos 17
Observación 1.1
Nótese que la inclusión de la hipótesis de normalidad de las perturbaciones conduce a
la independencia entre dichas variables, puesto que en caso de normalidad, incorrelación
implica independencia.
- La desviación entre los valores observados y los valores previstos por el modelo,
yij − ȳi. , es decir el estimador de uij .
+
yij = µ τ i + eij (1.24)
′
Y= (y11 , . . . , y1n1 , y21 , . . . , y2n2 , . . . , yI1 , . . . , yInI )
′
=
µ (ȳ.. , . . . . ., ȳ.. , ȳ.. , . . . . ., ȳ.. , . . . . ., ȳ.. , . . . . ., ȳ.. )
′
τ= (ȳ1. − ȳ.. , . . . . ., ȳ1. − ȳ.. , ȳ2. − ȳ.., . . . . ., ȳ2. − ȳ.. , . . . . ., ȳI. − ȳ.. , . . . . ., ȳI. − ȳ.. )
′
e= (y11 − ȳ1. , . . . , y1n1 − ȳ1. , y21 − ȳ2., . . . , y2n2 − ȳ2. , . . . ., yI1 − ȳI. , . . . , yInI − ȳI. )
donde
La descomposición (1.25) está formada por componentes ortogonales dos a dos, ya que
se verifica
ni
I
′
×
µ τ = ȳ..
τi = 0
i=1 j=1
ni
I
′ × e = ȳ..
µ eij = 0
i=1 j=1
I
ni
′
τ ×e =
τi eij = 0
i=1 j=1
Los dobles productos se anulan, ya que los términos son ortogonales, por lo que dicha
ecuación queda en la forma
ni
I I
ni
I
2
2
(yij − ȳ.. ) = ni (ȳi. − ȳ.. ) + (yij − ȳi. )2 (1.28)
i=1 j=1 i=1 i=1 j=1
que representa la ecuación básica del análisis de la varianza, que simbólicamente podemos
escribir
1) SCT r = Ii=1 ni (ȳi. − ȳ.. )2 , la suma de cuadrados de las desviaciones de las medias
de los tratamientos respecto de la media general, denominada suma de cuadrados
entre tratamientos o variabilidad explicada
I ni 2
2) SCR = i=1 j=1 (yij − ȳi. ) , la suma de cuadrados de las desviaciones de las
observaciones de cada nivel respecto de su media, denominada suma de cuadrados
dentro de los tratamientos, variabilidad no-explicada o residual.
Una notación muy utilizada también en la práctica para los cuadrados medios total,
entre tratamientos y residual es, respectivamente, CMT , CMT r y CMR o CME.
A continuación vamos a calcular las esperanzas matemáticas de estos cuadrados medios.
En primer lugar, recordemos la expresión del modelo (1.1)
yij = µ + τ i + uij .
1
El número de grados de libertad asociados a SCT es N − 1 ya que i,j (yij − y .. ) = 0.
1.3 Modelo de efectos fijos 21
Consideremos las expresiones de yi. , ȳi. , y.. e ȳ.. , en función de los parámetros del
modelo, con objeto de poder
hallar las esperanzas de las varianzas muestrales. También
tengamos en cuenta que i ni τ i = 0. Así tenemos:
(1.33)
Ahora bien, puesto que:
I
ni (ui. − u.. )2
I
ni
i=1 2
E = E [ui. − u.. ] =
I −1 I −1
i=1
I
ni 2
E [(ȳi. − ȳ.. ) − τ i ] =
I − 1
i=1
I I
ni ni
E [ τ i ]]2 =
τ i − E [ Var(
τ i) =
I −1 I −1
i=1 i=1
I
ni σ2 σ2
(N − ni ) = (IN − N) = σ2
I −1 Nni N(I − 1)
i=1
(1.35)
c) Como E(ui. − u.. ) = 0, entonces
I
2 ni τ i (ui. − u.. )
2
I
i=1
E = ni τ i E [ui. − u.. ] = 0 . (1.36)
I −1 I −1
i=1
Por lo tanto, sustituyendo las expresiones (1.34), (1.35) y (1.36) en (1.33) tenemos
que el valor esperado del cuadrado medio entre grupos es:
I
ni τ 2i
2 i=1
E Tr =
S + σ2 . (1.37)
I −1
3o ) Por último, calculemos el valor esperado del cuadrado medio total. Para ello nos
basaremos en la ecuación básica del ANOVA que podemos poner en función de los
cuadrados medios de la siguiente forma:
obtenemos
I
ni τ 2i
i=1
E ST =
2
+ σ2 . (1.38)
N −1
a) SR
2 = SCR/(N −I) es un estimador insesgado de la varianza σ 2 independientemente
insesgado de σ2 .
Sin embargo, hay que notar que si existe diferencia en las medias de los tratamientos,
el valor esperado del cuadrado medio entre tratamientos es mayor que σ2 . De todo ésto
podemos deducir que el contraste puede efectuarse comparando ST2 r y SR2.
24 Diseños completamente aleatorizados
1 ′
Z= (y11 − µ, . . . , y1n1 − µ, y21 − µ, . . . , y2n2 − µ, . . . , yI1 − µ, . . . , yInI − µ)
σ
1 ′
Z1 = (ȳ.. − µ, . . . . ., ȳ.. − µ, ȳ.. − µ, . . . . ., ȳ.. − µ, . . . . ., ȳ.. − µ, . . . . ., ȳ.. − µ)
σ
1 ′
Z2 = (ȳ1. − ȳ.. , . . . . ., ȳ1. − ȳ.. , ȳ2. − ȳ.. , . . . , ȳ2. − ȳ.. , . . . , ȳI. − ȳ.. , . . . , ȳI. − ȳ.. )
σ
1 ′
Z3 = (y11 − ȳ1. , . . . , y1n1 − ȳ1. , y21 − ȳ2. , . . . , y2n2 − ȳ2. , . . . ., yI1 − ȳI. , . . . , yInI − ȳI. )
σ
donde
1
Z: Contiene N términos independientes (yij − µ). Tiene, por tanto, N grados de
σ
libertad.
1
Z1 : Contiene N coordenadas iguales a (ȳ.. − µ). Tiene, por tanto, un grado de
σ
libertad.
1
Z2 : Contiene I valores distintos (ȳi. − ȳ.. ), cada uno repetido ni veces y sujetos a
σ
una ecuación de restricción, i ni (ȳi. − ȳ.. ) = 0. Tiene, por tanto, I − 1 grados de
libertad.
1
Z3 : Contiene N coordenadas (yij − ȳi. ), sujetas a I ecuaciones de restricción,
σ
j (yij − ȳi. ) = 0 para i = 1, . . . , I. Tiene, por tanto, N − I grados de libertad.
Bajo la hipótesis nula hemos realizado una descomposición del vector Z, de variables
N(0, 1) independientes, en componentes ortogonales. Por lo tanto, podemos aplicar el Teo-
rema de Cochran de descomposición en formas cuadráticas cuyo enunciado es el siguiente:
1.3 Modelo de efectos fijos 25
Teorema 1.1
Consideremos un vector X de dimensión n cuyas coordenadas son variables aleato-
rias independientes con distribución Normal de media 0 y desviación típica 1, N(0, 1).
Supongamos que:
a)
X = X1 + X2 + · · · + Xr (r ≤ n)
donde Xj tiene nj grados de libertad, (j = 1, 2, · · · , r).
r
b) Los vectores Xj son ortogonales entre sí y por tanto n = j=1 nj .
En estas condiciones se verifica que los cuadrados de los módulos de cada uno de
los vectores se distribuyen como variables aleatorias χ2 independientes con nj grados de
libertad.
Puesto que la descomposición (1.40) cumple las condiciones del Teorema de Cochran,
se verifica que
i)
ni (y i. − ȳ.. )2
SCT r i
= χ2I−1
σ2 σ2
ii)
(yij − ȳi. )2
SCR i,j
2
= χ2N−I
σ σ2
y además estas dos distribuciones son independientes entre sí.
N −I
26 Diseños completamente aleatorizados
I
y2 i. y..2
SCT r = − (1.42)
ni N
i=1
ni
I I
2 y2 i.
SCR = yij − ,
i=1 j=1 i=1
ni
i=1
ni
I
Dentro de grupos (yij − ȳi. )2 = SCR N −I SR
2
i=1 j=1
I ni
TOTAL (yij − ȳ.. )2 = SCT N −1 ST2
i=1 j=1
Coeficiente de determinación
La adecuación de los datos al modelo se podría comprobar mediante la varianza
residual, pero esta cantidad tiene el inconveniente de depender de la escala de medida de
los datos. Por ello, una medida más apropiada es el coeficiente de determinación, denotado
por R2 y definido como el cociente entre la variabilidad explicada y la variabilidad total
SCT r
R2 = .
SCT
28 Diseños completamente aleatorizados
5
y2 i. y..2 (1283)2
SCT r = − = 63751 − = 439,88
ni N 26
i=1
Obsérvese en esta tabla como el cuadrado medio entre tratamientos (109.97) es mucho
mayor que el cuadrado medio dentro de los tratamientos (4.67), entonces debe ser muy
improbable que los efectos de los tratamientos sean iguales. Efectivamente si realizamos
el contraste al 5 % y comparamos el cociente Fexp = 109,97/4,67 = 23,55 con la F teórica
(F0,05;4,21 = 2,84), se concluye que se rechaza H0 ; en otras palabras, concluimos que, a
un nivel de significación del 5 %, el rendimiento de la semilla de algodón difiere significa-
tivamente dependiendo del tipo de fertilizante utilizado. Igualmente ocurriría al nivel de
significación del 1 %, (F0,01;4,21 = 4,36) o incluso a un nivel de significación mucho más
pequeño. Más adelante, veremos otra forma de decidir en un contraste de hipótesis por
medio del nivel mínimo de significación.
Comprobamos mediante el coeficiente de determinación, cuyo valor es
SCT r 439,88
R2 = = = 0,8178 ,
SCT 537,88
N
SR
2
= 2 ,
σ
N −I
se deduce que:
(N − I)SR
2
χ2N−I , (1.44)
σ2
y por tanto
ȳi. − µi
√
σ/ ni ȳi. − µi
# =" tN−I
(N − I)SR2
SR
2 /n
i
σ 2 (N − I)
donde χ21−α/2 y χ2α/2 son, respectivamente, los puntos críticos inferior y superior de
una variable χ2 con N − I grados de libertad y con una probabilidad de α/2 en cada
cola de la distribución.
Con los datos del Ejemplo 1-1 vamos a obtener intervalos de confianza para la media
de uno de los niveles y para la varianza poblacional.
3) Los contrastes resultantes son más robustos, es decir, más insensibles al incumplim-
iento de las hipótesis de normalidad y homocedasticidad.
En este modelo, la Tabla ANOVA 1-4 del modelo no-equilibrado se simplifica, obtenién-
dose la Tabla 1-7, donde n es el tamaño común de cada muestra y, por tanto, In es el
número total de elementos N.
Ejemplo 1.2
Una profesora de estadística imparte clase en 4 grupos de alumnos, en los que explica la
misma materia pero siguiendo distintos métodos de enseñanza. Desea averiguar si el méto-
do de enseñanza utilizado influye en las calificaciones de los alumnos. Las calificaciones
medias obtenidas por los alumnos correspondientes a los 4 grupos fueron
Grupos Calificaciones
1 8.2 7.3 7.2 6.1 3.2 8.5 2.5 5.5 5.3 4.4 3.8 10
2 6.4 3.8 3.5 9.1 8.2 7.5 3.6 2.5 6.5 5.3 5.2 5.1
3 9.2 10 8.1 5.3 2.5 2.6 6.1 9.5 10 4.2 2.1 0.0
4 8.4 7.1 6.3 4.1 3.4 5.2 6.1 4.3 3.3 3.5 9.2 8.2
4
y2 i. y..2 19248,24 (277,4)2
SCT r = − = − = 1,18
n N 12 48
i=1
1.3 Modelo de efectos fijos 33
Tabla 1-10. Análisis de la varianza para los datos del Ejemplo 1-2
Cambio de origen
2
Al ser Fexp menor que la unidad no es necesario considerar la Fteorica ya que siempre se acepta la
hipótesis nula para cualquier α.
34 Diseños completamente aleatorizados
ni
5
2 − y..2 (9)2
SCT = yij = 541 − = 537,88
i=1 j=1
N 26
5
y2 i. y..2 (9)2
SCT r = − = 443 − = 439,88
ni N 26
i=1
Observamos que al hacer un cambio de origen en los datos las sumas de cuadrados
permanecen invariantes.
Cambio de escala
Comprobamos que la relación de las sumas de cuadrados en los datos del ejemplo
original, (SCT = 537,88, SCT r = 439,88 y SCR = 98), con los valores transformados es
la unidad de escala al cuadrado. Además el valor del estadístico de contraste es el mismo.
Todo ésto, que hemos visto para casos particulares se puede demostrar que es cierto
para un cambio de origen y escala arbitrario. La finalidad práctica de estas transforma-
ciones es simplificar las operaciones necesarias para obtener la tabla ANOVA.
Bibliografía utilizada
∗ García Leal, J. & Lara Porras, A.M. (1998). “Diseño Estadístico de Experimentos.
Análisis de la Varianza.” Grupo Editorial Universitario.
∗ Lara Porras, A.M. (2000). “Diseño Estadístico de Experimentos, Análisis de la Vari-
anza y Temas Relacionados: Tratamiento Informático mediante SPSS” Proyecto Sur
de Ediciones.