Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TEST ANOVA
El análisis de la varianza (o Anova) es un método para comparar dos o más medias,
que es necesario porque cuando se quiere comparar más de dos medias es
incorrecto utilizar repetidamente el contraste basado en la t de Student.
ANOVA es el método que nos permite encontrar diferencias significativas entre el
efecto medio de diferentes niveles de un factor estudiado
MODELO ANOVA
O Unifactorial porque sólo tenemos en cuenta cómo depende X del tratamiento aplicado sin contar otras variables
O Completamente aleatorio porque los pacientes son asignados de forma aleatoria a cada grupo, sin agruparlos de
ninguna manera
O Efectos fijos porque hemos seleccionado los tratamientos (niveles) que queremos analizar sin elegirlos al azar de
entre un posible conjunto más amplio de tratamientos
DESCRIPCIÓN DEL EXPERIMENTO
Suponemos un experimento en el que se estudia el efecto de un
único factor K, que se presenta con k niveles (o tratamientos)
distintos. Para ello, planteamos el siguiente contraste de hipótesis
El contraste que vamos a utilizar está basado en analizar la variación de la variable respuesta Y. El estimador de
esta variación (SCT^) viene dato por:
TABLA ANOVA
Para muestras normales podemos utilizar histogramas Para probar la simetría podemos usar boxplots
Los qqplots son los muy utilizados para verificar la normalidad Muestras pequeñas provenientes de poblaciones normales
HOMOCEDASTICIDAD
O Si los grupos son todos del mismo tamaño, ANOVA es bastante robusto frente a diferencias no demasiado grandes
en las varianzas. Pero con grupos de distinto tamaño, ligeras diferencias afectan mucho
O Podemos calcular las cuasivarianzas muestrales de cada uno de los grupos, y comprobar si existen grandes
diferencias entre ellas
O Lo más sencillo, recurrir al método gráfico para comprobar si existe dependencia entre la media y la varianza
MÉTODO DE SCHEFFÉ
La prueba de Scheffé se realiza comparando todos los posibles pares de medias, utilizando para ello el SCE (Suma
de los Cuadrados de los Errores) obtenido en el ANOVA.
MÉTODO DE TUKEY
La prueba Tukey se usa en experimentos que implican un número elevado de comparaciones. Para ello, se define
un solo comparador, resultante del producto del error estándar de la media por el valor tabulado en la tabla de
Tukey, usando como numerador el número de tratamientos y como denominador los grados de libertad del error. Si
las muestras no tienen el mismo tamaño, la prueba se denomina método de Tukey-Kramer.
ANÁLISIS VISUAL
Si el contraste ANOVA ha resultado significativo, y en las comparaciones post-
hoc también hemos detectado diferencias significativas entre pares concretos
de medias, nos preguntamos cuál es la media más grande
BOXPLOTS PARALELOS
Tienen una muesca doble alrededor de la mediana. La anchura de esa muesca es
un análogo de los intervalos de confianza, pero aplicado a la mediana en lugar de la
media. Con esas muescas evaluamos gráficamente si existen diferencias
significativas entre las medianas
REGLA: si los biseles correspondientes a dos niveles no se solapan entre sí (en
vertical), podemos sospechar que existen diferencias significativas entre las
medianas correspondientes a esos dos niveles.
MÉTODO DE NEWMAN-KEULS
Este método utiliza un umbral móvil basado en el número de medias que están implicadas en el recorrido de la resta
de medias comparada, donde el nivel de significación no cambia.
MÉTODO DE DUNCAN
Este método prueba las diferencias entre las medias empezando con la media más grande contra la segunda más
grande, y así sucesivamente, comparando en cada caso con un valor crítico obtenido por tablas. El método de
Duncan tiene mayor error tipo I que el método de Newman-Keuls, que es un test más conservador y presenta menos
potencia que el método de Duncan. Por tanto, si dos medias son distintas para el método de Newman-Keuls,
también lo serán para el método de Duncan
Tema 7 ANOVA - I
Comparación múltiple de medias
Ejemplos:
11 C ∼ C . en crabs, FL ∼ CL
12 C ∼ F . Descenso Ta (en Co ) ∼ distintos antitérmicos (niveles)
13 F ∼ F . Ser alérgico/no alérgico ∼ tipo de población (rural/urbana)
14 F ∼ C . Sobrevivir o no ∼ ingesta (mg) de cierta sustancia
Estadística - Biología sanitaria - UAH Tema 7 ANOVA - I Marcos Marvá Ruiz 3 / 14
ANOVA
C (respuesta) ∼ F (explicativa)
Ejemplo: Se toman muestras de aire en estaciones de la D.G. del Medio Ambiente Area de
Calidad Atmosférica - Red de Calidad del Aire en varios municipios de la CAM y se mide la
concentración media de ozono en cada estación
1.- ¿Son todos los tratamientos igual de efectivos? Si µi es la respuesta media al nivel
(tratamiento) i del factor,
Comentario: Cuando se rechaza H0 se dice que las variables esán asociadas, pero no que una
influye sobre la otra en el sentido de causa-efecto. Sólo podemos inferir asociación entre variables
(igual que en la regresión).
Se toman 4 m.a. independientes de 100 frailecillos. Cada grupo se trata con un producto
diferente. Los resultados, en aleteos por minuto, están la siguiente tabla (y aquí los datos)
85
80
75
70
65
Tratamiento
85
75
65
Tratamiento
t1 t2 t3 ··· tk
y11 y12 y13 ··· y1k
Respuestas y21 y22 y23 ··· y2k
y31 y32 y33 ··· y3k
.. .. .. .. ..
. . . . .
yn1 yn2 yn3 ··· ynk
El total de valore es N = k · n
Consideramos, además,
Pk Pn
yij
j=1 i=1
La media total: Ȳ = N
Pn yij
La media de cada nivel (tratamiento): Ȳj = i=1 n
Estadística - Biología sanitaria - UAH Tema 7 ANOVA - I Marcos Marvá Ruiz 10 / 14
ANOVA
Idea: agrupar las variabilidades debidas al azar y al modelo. Al comparar la respuesta de cada
individuo frente a la repuesta media
yij − Ȳ
cuantificar dos aspectos:
Podemos escribir
yij − Ȳ =
|
yij − Ȳ
{z
·} j
+ Ȳ
|
·{z
j
− Ȳ
}
azar modelo
Entonces, se cumple
Identidad de la suma de cuadrados para Anova
k n k n k
XX X X X
2 2 2
(yij − Ȳ ) = (yij − Ȳj ) + n(Ȳj − Ȳ )
Ojo: esta esta idea la conoces de la recta de regresión. De hecho, ANOVA se puede ver como un
modelo lineal (11.4 del libro).
Estadística - Biología sanitaria - UAH Tema 7 ANOVA - I Marcos Marvá Ruiz 11 / 14
Contraste Anova
Para cuantificar el peso de cada sumando (azar o modelo), partimos de la identidad ANOVA
SSresidual SSmodelo
1= +
SST SST
El coeficiente de determinación es
SSmodelo
r2 =
SST
y es la proporción de la variabilidad total explicada por el modelo
Entonces:
SSmodelo /(k − 1)
Ξ= ∼ Fk−1;N−k
SSresidual /(N − k)
donde Fk−1;N−k es la distribución de Fisher-Snedecor con k − 1 y N − k grados
de libertad, N es el total de observaciones.
SSmodelo
Modelo k −1 SSmodelo Ξ P(F > Ξ)
k −1
SSresidual
Residuos N−k SSresidual
N−k
Response: Respuesta
Df Sum Sq Mean Sq F value Pr(>F)
Tratamiento 3 7897.0 2632.32 149.25 < 2.2e-16 ***
Residuals 396 6984.4 17.64
---
Signif. codes:
0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
1 Varificar las condiciones para hacer ANOVA. Sección 11.5 del libro.
2 En caso de que haya diferencias significativas, ordenar las medias. Sección 11.6 del libro.
1
0
−1
−2
−3 −2 −1 0 1 2 3
Theoretical Quantiles
Residuals vs Fitted
92
10
59
5
Residuals
0
−10 −5
93
72 74 76 78 80 82 84
Fitted values
aov(frai$aleteos ~ frai$medicamento)
10
92 59
10
59 229 22
5
5
Residuals
Residuals
0
0
−10 −5
−5
−10
93
72 74 76 78 80 82 84 72 74 76 78 80 82 84
Fitted values Fitted values
aov(frai$aleteos ~ frai$medicamento) aov(frai$aleteos ~ frai$medicamento)
Residuals vs Fitted
10
59
22
5
Residuals
0
−5
−10
383
72 74 76 78 80 82 84
Fitted values
aov(frai$aleteos ~ frai$medicamento)
Suponer que un contraste ANOVA es significativo (no todas las medias son iguales). ¿Qué
medias son significativamente diferentes?
Ejemplo: el de los frailecillos
65 75 85 95
Tratamiento
Ejemplo: (continuación)
Response: Respuesta
Df Sum Sq Mean Sq F value Pr(>F)
Tratamiento 3 7897.0 2632.32 149.25 < 2.2e-16 ***
Residuals 396 6984.4 17.64
---
Signif. codes:
0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
datos$Tratamiento datos$Respuesta
1 Aliron 78.3993
2 Elevantolin 80.3997
3 Plumiprofeno 84.4001
4 Vuelagra 72.0999
Estrategia
Fijado un nivel de significación α para el ANOVA, se reparte el error tipo I entre las
comparaciones. Es decir, para cada una se toma un nivel de significación más pequeño que el
original de modo que el error tipo I acumulado sea similar a α.
Esto se puede hacer de distintas maneras:
Ajuste de Bonferroni (sección 11.6.1 del libro).
Ajuste de Tuckey
Muchos otros...
El ajuste de Bonferroni es más estricto (conservador) que el de Tuckey Esto quiere decir que de
acuerdo con Bonferroni las diferencias deben ser mayores para ser consideradas significativas.
Todas las diferencias son significativas; podemos ordenar las medias poblacionales a partir de las
muestrales
datos$Tratamiento datos$Respuesta
1 Aliron 78.3993
2 Elevantolin 80.3997
3 Plumiprofeno 84.4001
4 Vuelagra 72.0999
TABLAS DE CONTINGENCIA
DATOS BIVARIANTES: vienen de la observación simultánea de dos variables (X, Y) en una muestra de n individuos
O Son tablas de doble entrada (bidimensionales) de variables
categóricas
O Se emplean para analizar relaciones entre variables categóricas o
bien explorar la distribución que posee una variable categórica entre
diferentes muestras
La independencia de dos variables consiste en que la distribución
de una de las variables es similar sea cual sea el nivel que
examinemos de la otra. Esto se traduce en una tabla de
contingencia en que las frecuencias de las filas (y las columnas) son
aproximadamente proporcionales. Esto es equivalente a observar
que los porcentajes por columnas (o filas) son similares
Las utilizamos principalmente para representar la relación de dos
variables cualitativas
Queremos analizar si los niveles de un factor siguen cierta
distribución. Para ello, añadiríamos a la tabla los valores marginales
TABLAS DE INDEPENDENCIA
¿Cómo comprobamos si la diferencia entre los resultados obtenidos en mi estudio y los esperados es significativa o
no? → Contraste de hipótesis
- Ho = La proporción de positivos NO DEPENDE de la renta
- Ha = La proporción de positivos DEPENDE de la renta
CONTRASTE DE HIPÓTESIS
Ho: {dado no cargado} = la probabilidad de cada uno de los valores es 1/6
Ha: {dado cargado} = la probabilidad de al menos dos valores no es 1/6
Calculamos el estadístico, siempre que tengamos muestras grandes (n>30) y ei > 5, como:
Estadística - Biología sanitaria - UAH Tema 8 Contrastes Chi cuadrado Marcos Marvá Ruiz 1 / 13
Objetivos
1 Determinar cuándo dos variables cualitativas medidas sobre los mismos individuos son
independientes.
Estadística - Biología sanitaria - UAH Tema 8 Contrastes Chi cuadrado Marcos Marvá Ruiz 2 / 13
Contraste de independencia
Idea: para determinar si las variables son independientes, comparar esa tabla con la tabla de
valores que deberíamos haber observado si las variables fueran independientes.
Estadística - Biología sanitaria - UAH Tema 8 Contrastes Chi cuadrado Marcos Marvá Ruiz 3 / 13
Contraste de independencia
En la siguiente tabla, teniendo en cuenta los valores marginales ¿cuántas celdas hay que
completar para que el resto queden unívocamente determinadas?
¿Cómo medir el nivel de discrepancia entre los valores observados y esperados? llamaremos
oij valor observado de los niveles i y j de las variables.
eij valor esperado (si las variables fueran independientes) de los niveles i y j de las variables.
Da igual qué variable esté en las filas y cuál en las columnas, pero en las dos tablas con la misma
estructura.
Estadística - Biología sanitaria - UAH Tema 8 Contrastes Chi cuadrado Marcos Marvá Ruiz 4 / 13
Contraste de independencia
Test de independencia
Estadístico χ2 para una tabla de contingencia n1 × n2
Se miden 2 variables cualitativas sobre el mismo conjunto de n individuos, se obtiene
una tabla de contingencia n1 × n2 , con valores observados oij , y valores esperados eij ,
definimos el estadístico:
n1 n2
X X (oij − eij )2 X (observado − esperado)2
Ξ= =
eij esperado
i=1 j=1 tabla
k = (n1 − 1)(n2 − 1)
Estadística - Biología sanitaria - UAH Tema 8 Contrastes Chi cuadrado Marcos Marvá Ruiz 5 / 13
Contraste de independencia
chisq.test(tabla)
data: tabla
X-squared = 9.9809, df = 2, p-value = 0.006802
Estadística - Biología sanitaria - UAH Tema 8 Contrastes Chi cuadrado Marcos Marvá Ruiz 6 / 13
Contraste de homogeneidad
El objetivo es contrastar si una variable aleatoria sigue (o no) una determinada distribución de
probabilidad.
Aunque se emplea para variables discretas y continuas, se recomienda su uso con las discretas y
hay quienes desaconsejan utilizar esta técnica con variables continuas.
Estadística - Biología sanitaria - UAH Tema 8 Contrastes Chi cuadrado Marcos Marvá Ruiz 7 / 13
Contraste de homogeneidad
Ejemplo: cuando se localiza un fragmento de ADN, una vez secuenciado, una prueba preliminar
para decidir si es funcional o no consiste en analizar si el contenido en nucleótidos es uniforme
Factor: nucleótido.
Niveles: A - T - C - G.
Distribución teórica (caso no funcional): frecuencias relativas = 1/4 - 1/4 - 1/4 - 1/4
Veamos si el genoma del bacteriófago ΦX174, primer genoma basado en ADN secuenciado
(1977), supera esta prueba. Usaremos el paquete ape del proyecto Bioconductor y su número de
acceso en la base de datos GenBank del NCBI para descargar su genoma (esto ya lo hicimos
cuando trabajamos con variables aleatorias discretas):
if (!requireNamespace("ape", quietly = TRUE)){install.packages("ape") }
library(ape)
# descargar el genoma
mySequence <- read.GenBank(access.nb = myID, seq.names = myID,
species.names = TRUE, as.character = TRUE)
# tabla de frecuencias
table(mySequence$NC_001422.1)
a c g t
1291 1157 1254 1684
Estadística - Biología sanitaria - UAH Tema 8 Contrastes Chi cuadrado Marcos Marvá Ruiz 8 / 13
Contraste de homogeneidad
Continuación: Calculamos los valores que deberíamos haber observado la distribución de
nucleótidos fuera uniforme. Como hay
length(mySequence$NC_001422.1)
[1] 5386
length(mySequence$NC_001422.1)/4
[1] 1346.5
A C G T
e1 = 1346.5 e1 = 1346.5 e1 = 1346.5 e1 = 1346.5
¿Cómo medir el nivel de discrepancia entre los valores observados y esperados? llamaremos
Estadística - Biología sanitaria - UAH Tema 8 Contrastes Chi cuadrado Marcos Marvá Ruiz 10 / 13
Contraste de homogeneidad
Ejemplo: (continuación)
chisq.test(table(mySequence$NC_001422.1), p = c(1/4, 1/4, 1/4, 1/4))
data: table(mySequence$NC_001422.1)
X-squared = 119.91, df = 3, p-value < 2.2e-16
Estadística - Biología sanitaria - UAH Tema 8 Contrastes Chi cuadrado Marcos Marvá Ruiz 11 / 13
Contraste de homogeneidad
Mendel no encontró motivos para dudar de su hipótesis (no existía el contraste Chi cuadrado).
Estadística - Biología sanitaria - UAH Tema 8 Contrastes Chi cuadrado Marcos Marvá Ruiz 12 / 13
Contrastes de independencia y de homogeneidad
Similitudes
Comparamos valores observados con valores esperados (si H0 cierta)
El estadístico de contraste es la suma de
(observado - esperado)2
esperado
Diferencias
Independencia: hay 2 variables cualitativas.
Homogeneidad: los valores observados y esperados (teóricos) se refieren a una única variable.
Estadística - Biología sanitaria - UAH Tema 8 Contrastes Chi cuadrado Marcos Marvá Ruiz 13 / 13
Tema 8: El modelo de regresión lineal, Regresión avanzada.
Ver tema 2 para intro
Para estar totalmente seguro del que el modelo es el adecuado, tenemos que analizar más a
fondo los residuos. Al analizar los residuos podemos descubrir:
-Que el modelo funciona para cierto rango de los valores del regresor, pero no para todos.
-Que es mejor separar los datos conforme a un cierto criterio (sexo, zona…)
𝑌 = 𝛽0 + 𝛽1𝑋 + 𝜖
Donde 𝜖 recibe el nombre de residuo.
Los valores b0, b1 (muestrales) que calculamos para la recta de regresión Y = b0 +b1X no son
más que estimaciones del verdadero valor de β0, β1.
Podemos realizar un test H0: β1 = 0; H1 : β1 6= 0 para ver si hay linealidad o no (es decir, si es
adecuado o no un modelo lineal); recordemos que:
En lugar de calcular estimaciones puntuales de β0, β1 (es decir, b0, b1) podemos calcular
intervalos de confianza para β0, β1.
De ese modo, en lugar de estimaciones puntuales para 𝑦^i (es decir, 𝑦^i = b0 + b1xi) podemos
predecir utilizando intervalos de confianza.
1. Fuentes de variabilidad:
-Señal: (patrón que estamos buscando) asociación lineal.
Disponemos de:
-Respuesta media 𝒚
¯
Sabemos:
Con cada muestra (x1, y1), · · ·, (xn, yn) la recta de regresión “muestral”
-Calcular IC β1
-Contrastar H1: β1 ≠0
p-valor
IC
Además:
Cuantitativa/Cuantitativa: Regresión.
Cuantitativa/Cualitativa: ANOVA.
Cualitativa/Cualitativa: Chi-cuadrado
Tema 9: El modelo de regresión lineal
Inferencia sobre la recta de regresión
Estadística - Biología sanitaria - UAH Tema 9: El modelo de regresión lineal Marcos Marvá Ruiz 1 / 13
Objetivos
1 Varificar las condiciones para hacer ANOVA. Sección 11.5 del libro.
2 En caso de que haya diferencias significativas, ordenar las medias. Sección 11.6 del libro.
Estadística - Biología sanitaria - UAH Tema 9: El modelo de regresión lineal Marcos Marvá Ruiz 2 / 13
Modelo de regresión lineal vs regresión por mínimos cuadrados
Disponemos de una muestra de (pares de) valores (x1 , y1 ), · · · , (xn , yn ). Con la recta de regresión:
Predecir valores no observados.
Su pendiente indica “cuánto” responde la variable respuesta.
18
18
18
16
16
16
16
14
14
14
14
12
12
12
12
5 6 7 8 9 10 5 6 7 8 9 10 5 6 7 8 9 10 5 6 7 8 9 10
y (x ) = b0 + b1 x
Y = β0 + β1 X + ϵ
donde ϵ indica un cierto error aleatorio.
Para cada muestra los coeficientes de esa recta de regresión (los del tema 2)
b0 b1
β0 β1
Estadística - Biología sanitaria - UAH Tema 9: El modelo de regresión lineal Marcos Marvá Ruiz 4 / 13
Modelo de regresión lineal: hipótesis
Estadística - Biología sanitaria - UAH Tema 9: El modelo de regresión lineal Marcos Marvá Ruiz 5 / 13
Modelo de regresión lineal: hipótesis
Ejemplo: Anchura (CW) y longitud (CL) del caparazon de los cangrejos de crabs. Comprobar
condiciones del modelo lineal.
library(MASS); longitud = crabs$CL; anchura = crabs$CW
(modelo = lm(longitud ~ anchura))
Call:
lm(formula = longitud ~ anchura)
Coefficients:
(Intercept) anchura
-0.6619 0.8998
Standardized residuals
Residuals vs Fitted Normal Q−Q
2
2
Residuals
1
0
0
−2
70
−2
70
15 20 25 30 35 40 45 −3 −2 −1 0 1 2 3
Estadística - Biología sanitaria - UAH Tema 9: El modelo de regresión lineal Marcos Marvá Ruiz 6 / 13
Modelo de regresión lineal - un estadístico para β1
Esto permite
Estadística - Biología sanitaria - UAH Tema 9: El modelo de regresión lineal Marcos Marvá Ruiz 7 / 13
Modelo de regresión lineal - un estadístico para β1
Ejemplo: fichero Crabs, longitud y anchura caparazon, calcular IC, H0 : β1 = 0.91, nc = 0.99:
library(MASS); library(smatr); par(mar = c(4, 4, 0, 0))
lmXY = lm(crabs$CL ~ crabs$CW)
lmXY$coefficients
(Intercept) crabs$CW
-0.6619479 0.8998462
CH_b1 = slope.test(crabs$CL, crabs$CW, test.value = 0.91, method = "OLS", alpha = 0.01)
plot(crabs$CW, crabs$CL, xlab = "Anchura", ylab = "Longitud"); abline(lmXY, col = "red", lwd = 3)
45
35
Longitud
25
15
20 30 40 50
Anchura
CH_b1$p; CH_b1$ci
[1] 0.1144619
[,1] [,2]
[1,] 0.883189 0.9165034
Estadística - Biología sanitaria - UAH Tema 9: El modelo de regresión lineal Marcos Marvá Ruiz 8 / 13
Modelo de regresión lineal - un estadístico para β1
Ejemplo: Frahminham, edad frente a colesterol de los 100 primeros datos, calcular IC,
H0 : β1 = 0, nc = 0.95
library(smatr); par(mar = c(3,3,0,0))
d1 = read.table(file = "datos/FraminghamDataSet.csv", sep = ";", header = T);
lmXY2 = lm(d1$totchol1[1:100] ~ d1$age1[1:100])
lmXY2$coefficients
(Intercept) d1$age1[1:100]
210.1983361 0.5262936
200
35 40 45 50 55 60 65
Edad
CH_b1$p; CH_b1$ci
[1] 0.2246032
[,1] [,2]
[1,] -0.3283691 1.380956
Estadística - Biología sanitaria - UAH Tema 9: El modelo de regresión lineal Marcos Marvá Ruiz 9 / 13
Modelo de regresión lineal - inferencia en los valores predichos
Observa la siguiente figura (datos inventados)
16
14
12
10
8
6
4 5 6 7 8 9
El intervalo de confianza:
El intervalo de predicción:
Estadística - Biología sanitaria - UAH Tema 9: El modelo de regresión lineal Marcos Marvá Ruiz 11 / 13
Modelo de regresión lineal - inferencia en los valores predichos
Datos Pima
16
14
12
bmi
10
8
6
4 5 6 7 8 9
skin
Estadística - Biología sanitaria - UAH Tema 9: El modelo de regresión lineal Marcos Marvá Ruiz 12 / 13
Modelo de regresión lineal - inferencia en los valores predichos
Con los valores x = skin e y = bmi del fichero Pima.tr
Datos Pima
60
50
bmi
40
30
20
10 20 30 40 50 60
skin
predict(lmXY5, newdata = data.frame(x = 44), level = 0.95, interval = "confidence")
B Un test chi-cuadrado
C Un contraste de ANOVA
D Un estudio de regresión
B Un test chi-cuadrado
C Un contraste de ANOVA
D Un estudio de regresión
B Un test chi-cuadrado
C Un contraste de ANOVA
D Un estudio de regresión
B Un test chi-cuadrado
C Un contraste de ANOVA
D Un estudio de regresión
Page 1 of 2
5. Al construir el diagrama de dispersión de dos variables (densidad frente a
diámetro, en un conjunto de hayas), obtenemos el resultado que se muestra en la
figura. Indica qué respuestas te parecen correctas.
A los residuos no son normales
C Un intervalo de confianza.
D Un estudio de regresión.
Page 2 of 2