ToolPak de análisis El ToolPak de análisis es un programa complementario de Excel que proporciona herramientas de análisis de datos para análisis de datos financieros, estadísticos y de ingeniería. Para cargar el complemento de Analysis ToolPak, ejecute los pasos siguientes. 1. Haga clic en la ficha Archivo verde. La ficha Archivo de Excel 2010 reemplaza el Botón de Office (o Menú Archivo) en versiones anteriores de Excel. 2. Haga clic en Opciones. 3. En Complementos, seleccione Analysis ToolPak y haga clic en el botón Ir. 4. Compruebe ToolPak de análisis y haga clic en Aceptar. 5. En la ficha Datos, ahora puede hacer clic en Análisis de datos. Aparecerá el siguiente cuadro de diálogo. 6. Por ejemplo, seleccione Histograma y haga clic en Aceptar para crear un histograma en Excel. Utilice el ToolPak de análisis para realizar análisis de datos complejos Se aplica a: Excel 2017. Excel 2017. Excel 2010. Más. Si necesita desarrollar complejos análisis estadísticos o de ingeniería, puede guardar los pasos y el tiempo utilizando el Analysis ToolPak. Proporciona los datos y parámetros para cada análisis y la herramienta utiliza las funciones de macro estadística o de ingeniería apropiadas para calcular y mostrar los resultados en una tabla de resultados. Algunas herramientas generan gráficos además de tablas de resultados. Las funciones de análisis de datos se pueden utilizar en una sola hoja de trabajo a la vez. Al realizar el análisis de datos en hojas de trabajo agrupadas, los resultados aparecerán en la primera hoja de cálculo y las tablas con formato vacío aparecerán en las hojas restantes. Para realizar el análisis de datos en el resto de las hojas de cálculo, vuelva a calcular la herramienta de análisis para cada hoja de cálculo. El Analysis ToolPak incluye las herramientas descritas en las siguientes secciones. Para acceder a estas herramientas, haga clic en Análisis de datos en el grupo Análisis en la ficha Datos. Si el comando Análisis de datos no está disponible, debe cargar el programa complementario de Analysis ToolPak. Cargar y activar la herramienta de análisis Haga clic en la ficha Archivo, haga clic en Opciones. A continuación, haga clic en la categoría Complementos. En el cuadro Administrar, seleccione Complementos de Excel y, a continuación, haga clic en Ir. En el cuadro Complementos, active la casilla de verificación Herramienta de herramientas de análisis y, a continuación, haga clic en Aceptar. Si Analysis ToolPak no aparece en el cuadro Complementos disponibles, haga clic en Examinar para localizarlo. Si se le pide que el Analysis ToolPak no esté instalado en su equipo, haga clic en Sí para instalarlo. ¿Qué desea aprender sobre Anova? Las herramientas de análisis de Anova proporcionan diferentes tipos de análisis de varianza. La herramienta que debe utilizar depende del número de factores y el número de muestras que tiene de las poblaciones que desea probar. Anova: Single Factor Esta herramienta realiza un análisis simple de varianza en los datos de dos o más muestras. El análisis proporciona una prueba de la hipótesis de que cada muestra se extrae de la misma distribución de probabilidad subyacente contra la hipótesis alternativa de que las distribuciones de probabilidad subyacente no son las mismas para todas las muestras. Si sólo hay dos muestras, puede utilizar la función de hoja de cálculo T. PRUEBA . Con más de dos muestras, no hay una generalización conveniente de T. PRUEBA . Y el modelo de Anova único factor puede ser llamado en su lugar. Anova: Dos Factores con Replicación Esta herramienta de análisis es útil cuando los datos pueden ser clasificados a lo largo de dos dimensiones diferentes. Por ejemplo, en un experimento para medir la altura de las plantas, las plantas pueden recibir diferentes marcas de abono (por ejemplo, A, B, C) y también pueden mantenerse a diferentes temperaturas (por ejemplo, bajo, alto). Para cada uno de los seis posibles pares de, tenemos un número igual de observaciones de la altura de la planta. Usando esta herramienta de Anova, podemos probar: Si las alturas de las plantas para las diferentes marcas de fertilizantes son extraídas de la misma población subyacente. Las temperaturas se ignoran para este análisis. Si las alturas de las plantas para los diferentes niveles de temperatura se toman de la misma población subyacente. Las marcas de fertilizantes se ignoran para este análisis. Si se han tenido en cuenta los efectos de las diferencias entre las marcas de fertilizantes que se encuentran en el primer punto con viñetas y las diferencias de temperaturas que se encuentran en el segundo punto con viñetas, las seis muestras que representan todos los pares de valores se extraen de la misma población. La hipótesis alternativa es que hay efectos debidos a pares específicos por encima de las diferencias que se basan en el fertilizante solo o solo en la temperatura. Anova: Dos Factores Sin Replicación Esta herramienta de análisis es útil cuando los datos se clasifican en dos dimensiones diferentes como en el Caso de Dos Factores con Replicación. Sin embargo, para esta herramienta se supone que sólo hay una observación para cada par (por ejemplo, cada par en el ejemplo anterior). Correlación Las funciones de hoja de cálculo CORREL y PEARSON calculan el coeficiente de correlación entre dos variables de medida cuando se observan mediciones en cada variable para cada uno de los N sujetos. (Cualquier observación que falta para cualquier sujeto hace que el sujeto sea ignorado en el análisis). La herramienta de análisis de Correlación es particularmente útil cuando hay más de dos variables de medición para cada uno de N sujetos. Proporciona una tabla de salida, una matriz de correlación, que muestra el valor de CORREL (o PEARSON) aplicado a cada posible par de variables de medida. El coeficiente de correlación, al igual que la covarianza, es una medida de la medida en que dos variables de medida varían juntas. A diferencia de la covarianza, el coeficiente de correlación se escala para que su valor sea independiente de las unidades en las que se expresan las dos variables de medida. (Por ejemplo, si las dos variables de medida son el peso y la altura, el valor del coeficiente de correlación no cambia si el peso se convierte de libras en kilogramos.) El valor de cualquier coeficiente de correlación debe estar entre -1 y 1 inclusive. Puede usar la herramienta de análisis de correlación para examinar cada par de variables de medida para determinar si las dos variables de medida tienden a moverse juntas, es decir, si los grandes valores de una variable tienden a asociarse con valores grandes de la otra (correlación positiva) Los valores pequeños de una variable tienden a estar asociados con valores grandes de la otra (correlación negativa), o si los valores de ambas variables tienden a no estar relacionados (correlación cerca de 0 (cero)). Covarianza Las herramientas de Correlación y Covarianza se pueden usar en el mismo escenario, cuando se tienen N variables de medida diferentes observadas en un conjunto de individuos. Las herramientas Correlación y Covariancia proporcionan una tabla de salida, una matriz, que muestra el coeficiente de correlación o covarianza, respectivamente, entre cada par de variables de medida. La diferencia es que los coeficientes de correlación se escalan para estar entre -1 y 1 inclusive. Las covarianzas correspondientes no se escalan. Tanto el coeficiente de correlación como la covarianza son medidas de la medida en que dos variables varían juntas. La herramienta Covariance calcula el valor de la función de hoja de cálculo COVARIANCE. P para cada par de variables de medida. (El uso directo de COVARIANCE. P en lugar de la herramienta Covariance es una alternativa razonable cuando sólo hay dos variables de medición, es decir, N2.) La entrada en la diagonal de la tabla de salida de las herramientas de Covariance en la fila i, columna i es la covarianza De la i-ésima variable de medida con sí mismo. Esta es sólo la varianza de población para esa variable, calculada por la función de hoja de cálculo VAR. PAG . Puede utilizar la herramienta Covariance para examinar cada par de variables de medida para determinar si las dos variables de medida tienden a moverse juntas, es decir, si los grandes valores de una variable tienden a asociarse con valores grandes de la otra (covarianza positiva) Los valores de una variable tienden a estar asociados con valores grandes de la otra (covarianza negativa), o si los valores de ambas variables tienden a no estar relacionados (covarianza cerca de 0 (cero)). Estadística Descriptiva La herramienta de análisis de Estadísticas Descriptivas genera un informe de estadísticas univariadas para los datos en el rango de entrada, proporcionando información sobre la tendencia central y la variabilidad de sus datos. Suavizado exponencial La herramienta de análisis Exponential Smoothing predice un valor que se basa en la previsión para el período anterior, ajustado por el error en esa previsión anterior. La herramienta usa la constante de suavizado a. Cuya magnitud determina la intensidad con que los pronósticos responden a los errores del pronóstico anterior. Nota: Los valores de 0,2 a 0,3 son constantes de suavizado razonables. Estos valores indican que la previsión actual debe ser ajustada del 20% al 30% para el error en el pronóstico anterior. Las constantes más grandes producen una respuesta más rápida, pero pueden producir proyecciones erráticas. Las constantes más pequeñas pueden resultar en largos retrasos para los valores de pronóstico. Prueba F Dos muestras para las variaciones La herramienta de análisis F-Test Dos muestras para las desviaciones realiza una prueba F de dos muestras para comparar dos varianzas poblacionales. Por ejemplo, puede utilizar la herramienta F-Test en muestras de veces en un encuentro de natación para cada uno de los dos equipos. La herramienta proporciona el resultado de una prueba de la hipótesis nula de que estas dos muestras proceden de distribuciones con varianzas iguales, contra la alternativa de que las varianzas no son iguales en las distribuciones subyacentes. La herramienta calcula el valor f de una estadística F (o razón F). Un valor de f cercano a 1 proporciona evidencia de que las varianzas subyacentes de la población son iguales. En la tabla de resultados, si f lt 1 P (F lt f) una cola da la probabilidad de observar un valor de la estadística F menor que f cuando las varianzas de población son iguales, y F Una cola crítica da el valor crítico menos De 1 para el nivel de significación elegido, Alfa. Si fgt 1, P (F lt f) una cola da la probabilidad de observar un valor de la estadística F mayor que f cuando las varianzas de población son iguales, y F Una cola crítica da el valor crítico mayor que 1 para Alpha . Análisis de Fourier La herramienta de Análisis de Fourier resuelve problemas en sistemas lineales y analiza datos periódicos usando el método de Transformada Rápida de Fourier (FFT) para transformar datos. Esta herramienta también soporta transformaciones inversas, en las que la inversa de datos transformados devuelve los datos originales. Histograma La herramienta de análisis Histograma calcula las frecuencias individuales y acumulativas para un rango de celdas de datos y contenedores de datos. Esta herramienta genera datos para el número de ocurrencias de un valor en un conjunto de datos. Por ejemplo, en una clase de 20 estudiantes, se puede determinar la distribución de los puntajes en categorías de grado de letra. Una tabla de histograma presenta los límites de grado de letra y el número de puntuaciones entre el límite inferior y el límite actual. La puntuación más frecuente es el modo de los datos. Consejo: En Excel 2017, ahora puede crear un histograma o un diagrama de Pareto. Promedio móvil La herramienta de análisis Moving Average proyecta valores en el período de pronóstico, en función del valor promedio de la variable en un número específico de períodos anteriores. Un promedio móvil proporciona información de tendencia que un promedio simple de todos los datos históricos se enmascaran. Utilice esta herramienta para pronosticar ventas, inventario u otras tendencias. Cada valor de pronóstico se basa en la siguiente fórmula. N es el número de períodos anteriores a incluir en el promedio móvil A j es el valor real en el tiempo j F j es el valor previsto en el tiempo j Generación de números aleatorios La herramienta de análisis de Generación de números aleatorios rellena un intervalo con números aleatorios independientes dibujados De una de varias distribuciones. Puede caracterizar a los sujetos en una población con una distribución de probabilidad. Por ejemplo, puede utilizar una distribución normal para caracterizar la población de alturas individuales, o puede utilizar una distribución de Bernoulli de dos resultados posibles para caracterizar la población de los resultados de monedas. Rango y percentil La herramienta de análisis Rank and Percentile produce una tabla que contiene el rango ordinario y el porcentaje de cada valor en un conjunto de datos. Puede analizar la posición relativa de los valores en un conjunto de datos. Esta herramienta utiliza las funciones de hoja de cálculo RANK. EQ y PERCENTRANK. INC. Si desea contabilizar valores vinculados, utilice la función RANK. EQ, que trata los valores vinculados como si tuvieran el mismo rango o use RANK. Función AVG, que devuelve el rango promedio de los valores vinculados. Regresión La herramienta de análisis de regresión realiza análisis de regresión lineal utilizando el método de mínimos cuadrados para ajustar una línea a través de un conjunto de observaciones. Puede analizar cómo una única variable dependiente se ve afectada por los valores de una o más variables independientes. Por ejemplo, puede analizar cómo el rendimiento de un atleta se ve afectado por factores como la edad, la estatura y el peso. Puede asignar partes de la medida de rendimiento a cada uno de estos tres factores, basándose en un conjunto de datos de rendimiento y, a continuación, utilizar los resultados para predecir el rendimiento de un nuevo atleta no probado. La herramienta Regresión utiliza la función de hoja de cálculo LINEST. Muestreo La herramienta de análisis de muestreo crea una muestra de una población tratando el rango de entrada como una población. Cuando la población es demasiado grande para procesar o graficar, puede utilizar una muestra representativa. También puede crear un ejemplo que contenga sólo los valores de una parte particular de un ciclo si cree que los datos de entrada son periódicos. Por ejemplo, si el intervalo de entrada contiene cifras de ventas trimestrales, el muestreo con una tasa periódica de cuatro coloca los valores del mismo trimestre en el rango de resultados. T-Test La prueba de t-Test de dos muestras prueba de herramientas para la igualdad de la población significa que subyacen a cada muestra. Las tres herramientas emplean diferentes hipótesis: que las varianzas de la población son iguales, que las varianzas de la población no son iguales y que las dos muestras representan observaciones antes del tratamiento y después del tratamiento sobre los mismos sujetos. Para las tres herramientas siguientes, se calcula un valor t-Statistic, t, y se muestra como t Stat en las tablas de salida. Dependiendo de los datos, este valor, t, puede ser negativo o no negativo. Bajo la suposición de igualdad de medios de población subyacente, si t lt 0, P (T lt t) una cola da la probabilidad de que un valor de la estadística t sería observado que es más negativo que t. Si t gt0, P (T lt t) una cola da la probabilidad de que un valor de la estadística t sería observado que es más positivo que t. T Una cola crítica da el valor de corte, de modo que la probabilidad de observar un valor de la t-estadística mayor o igual que t La cola crítica es Alfa. P (T lt t) de dos colas da la probabilidad de que un valor de la estadística t sería observado que es mayor en valor absoluto que t. P La dos-cola crítica da el valor de corte, de modo que la probabilidad de una estadística t observada mayor en valor absoluto que P La cola doble crítica es Alfa. Prueba de t: dos muestras de dos pares de medias Puede utilizar una prueba pareada cuando hay un emparejamiento natural de las observaciones en las muestras, como cuando un grupo de muestras se prueba dos veces antes y después de un experimento. Esta herramienta de análisis y su fórmula realizan una Prueba t de Student de dos muestras pareada para determinar si las observaciones que se toman antes de un tratamiento y las observaciones tomadas después de un tratamiento probablemente provengan de distribuciones con iguales medios poblacionales. Esta forma t-Test no supone que las varianzas de ambas poblaciones son iguales. Nota: Entre los resultados que se generan por esta herramienta se encuentra la varianza agrupada, una medida acumulada de la propagación de datos sobre la media, que se deriva de la siguiente fórmula. Prueba t: dos muestras que asumen desviaciones iguales Esta herramienta de análisis realiza una prueba t de dos muestras de t. Esta forma t-Test asume que los dos conjuntos de datos provienen de distribuciones con las mismas varianzas. Se denomina una prueba t de homoscedastic. Puede utilizar esta prueba t para determinar si es probable que las dos muestras provengan de distribuciones con iguales medios poblacionales. Prueba t: dos muestras que asumen desviaciones desiguales Esta herramienta de análisis realiza una prueba t de dos muestras de t. Esta forma t-Test asume que los dos conjuntos de datos provienen de distribuciones con desigualdad de varianzas. Se denomina prueba t-heteroscedásica. Al igual que en el caso anterior de las Variaciones Equales, puede utilizar esta prueba t para determinar si es probable que las dos muestras provengan de distribuciones con iguales medios poblacionales. Utilice esta prueba cuando hay sujetos distintos en las dos muestras. Utilice la prueba pareada, descrita en el ejemplo siguiente, cuando hay un solo conjunto de sujetos y las dos muestras representan mediciones para cada sujeto antes y después de un tratamiento. La siguiente fórmula se utiliza para determinar el valor estadístico t. La siguiente fórmula se utiliza para calcular los grados de libertad, df. Como el resultado del cálculo normalmente no es un entero, el valor de df se redondea al entero más próximo para obtener un valor crítico de la tabla t. La función de hoja de cálculo de Excel T. TEST utiliza el valor df calculado sin redondear, porque es posible calcular un valor para T. PRUEBA con un df no integrado. Debido a estos diferentes enfoques para determinar los grados de libertad, los resultados de T. TEST y esta herramienta t-Test difieren en el caso desigual desigualdades. Z-Test La herramienta de análisis z-Test: Two Sample for Means realiza una prueba z de dos muestras para medias con variaciones conocidas. Esta herramienta se usa para probar la hipótesis nula de que no hay diferencia entre dos medios de población frente a hipótesis alternativas unilaterales o bidireccionales. Si no se conocen variaciones, la función de hoja de cálculo Z. En su lugar se debe utilizar TEST. Cuando utilice la herramienta z-Test, tenga cuidado de entender la salida. P (Z lt z) una cola es realmente P (Z gt ABS (z)), la probabilidad de un valor z más de 0 en la misma dirección que el valor z observado cuando no hay diferencia entre los medios poblacionales. La probabilidad de un valor z más de 0 en cualquier dirección que el valor z observado cuando hay No hay diferencia entre los medios de población. El resultado de dos colas es sólo el resultado de una cola multiplicado por 2. La herramienta de prueba z también se puede utilizar para el caso en que la hipótesis nula es que existe un valor específico distinto de cero para la diferencia entre las dos medias de población. Por ejemplo, puede utilizar esta prueba para determinar las diferencias entre las prestaciones de dos modelos de automóviles. Funciones de VBA para el Analysis ToolPak Para incluir las funciones de Visual Basic for Application (VBA) para el Analysis ToolPak, puede cargar el complemento de Analysis ToolPak - VBA de la misma forma en que carga el Analysis ToolPak. En el cuadro Add-ins available, seleccione la casilla de verificación Analysis ToolPak - VBA. Véase tambiénMoved Media Este ejemplo le enseña cómo calcular el promedio móvil de una serie de tiempo en Excel. Una gran ventaja se utiliza para suavizar las irregularidades (picos y valles) para reconocer fácilmente las tendencias. 1. En primer lugar, echemos un vistazo a nuestra serie de tiempo. 2. En la ficha Datos, haga clic en Análisis de datos. Nota: no puede encontrar el botón Análisis de datos Haga clic aquí para cargar el complemento Herramientas de análisis. 3. Seleccione Media móvil y haga clic en Aceptar. 4. Haga clic en el cuadro Rango de entrada y seleccione el rango B2: M2. 5. Haga clic en el cuadro Interval y escriba 6. 6. Haga clic en el cuadro Rango de salida y seleccione la celda B3. 8. Trazar un gráfico de estos valores. Explicación: dado que establecemos el intervalo en 6, el promedio móvil es el promedio de los 5 puntos de datos anteriores y el punto de datos actual. Como resultado, los picos y valles se suavizan. El gráfico muestra una tendencia creciente. Excel no puede calcular el promedio móvil para los primeros 5 puntos de datos porque no hay suficientes puntos de datos anteriores. 9. Repita los pasos 2 a 8 para el intervalo 2 y el intervalo 4. Conclusión: Cuanto mayor sea el intervalo, más se suavizarán los picos y los valles. Cuanto más pequeño es el intervalo, más cerca están las medias móviles de los puntos de datos reales. ¿Te gusta este sitio web gratis? Comparte esta página en GoogleComo calcular los promedios móviles en Excel Excel Data Analysis For Dummies, 2nd Edition El comando Data Analysis proporciona una herramienta para calcular promedios móviles y exponencialmente suavizados en Excel. Supongamos, por razones ilustrativas, que usted ha recopilado información diaria sobre la temperatura. Desea calcular el promedio móvil de tres días 8212 el promedio de los últimos tres días 8212 como parte de algún pronóstico meteorológico simple. Para calcular las medias móviles para este conjunto de datos, siga estos pasos. Para calcular una media móvil, primero haga clic en el botón de comando Data Analysis (Análisis de datos) tab8217s. Cuando Excel muestra el cuadro de diálogo Análisis de datos, seleccione el elemento Promedio móvil de la lista y, a continuación, haga clic en Aceptar. Excel muestra el cuadro de diálogo Promedio móvil. Identifique los datos que desea utilizar para calcular el promedio móvil. Haga clic en el cuadro de texto Intervalo de entrada del cuadro de diálogo Promedio móvil. A continuación, identifique el intervalo de entrada, ya sea escribiendo una dirección de rango de hoja de cálculo o utilizando el mouse para seleccionar el rango de hoja de cálculo. Su referencia de rango debe usar direcciones de celdas absolutas. Una dirección de celda absoluta precede la letra de la columna y el número de fila con signos, como en A1: A10. Si la primera celda de su rango de entrada incluye una etiqueta de texto para identificar o describir sus datos, active la casilla de verificación Etiquetas en primera fila. En el cuadro de texto Intervalo, indique a Excel cuántos valores deben incluirse en el cálculo del promedio móvil. Puede calcular un promedio móvil usando cualquier número de valores. De forma predeterminada, Excel utiliza los tres valores más recientes para calcular el promedio móvil. Para especificar que se utilice otro número de valores para calcular el promedio móvil, ingrese ese valor en el cuadro de texto Intervalo. Dígale a Excel dónde colocar los datos del promedio móvil. Utilice el cuadro de texto Rango de salida para identificar el intervalo de hoja de cálculo en el que desea colocar los datos del promedio móvil. En el ejemplo de la hoja de cálculo, los datos del promedio móvil se han colocado en el rango B2 de la hoja de cálculo: B10. (Opcional) Especifique si desea un gráfico. Si desea un gráfico que trace la información del promedio móvil, seleccione la casilla de verificación Salida del gráfico. (Opcional) Indique si desea calcular la información de error estándar. Si desea calcular errores estándar para los datos, seleccione la casilla de verificación Estándar Errores. Excel coloca valores de error estándar junto a los valores de media móvil. (La información de error estándar pasa a C2: C10.) Una vez que haya terminado de especificar qué información de promedio móvil desea calcular y dónde desea colocarla, haga clic en Aceptar. Excel calcula la información del promedio móvil. Nota: Si Excel doesn8217t tiene suficiente información para calcular un promedio móvil para un error estándar, coloca el mensaje de error en la celda. Puede ver varias celdas que muestran este mensaje de error como un valor. Utilice el Analysis ToolPak para realizar análisis de datos complejos Si necesita desarrollar complejos análisis estadísticos o de ingeniería, puede guardar los pasos y el tiempo utilizando el Analysis ToolPak. Proporciona los datos y parámetros para cada análisis y la herramienta utiliza las funciones de macro estadística o de ingeniería apropiadas para calcular y mostrar los resultados en una tabla de resultados. Algunas herramientas generan gráficos además de tablas de resultados. El Analysis ToolPak incluye las herramientas descritas a continuación. Para acceder a estas herramientas, haga clic en Análisis de datos en el grupo Análisis en la ficha Datos. Si el comando Análisis de datos no está disponible, debe cargar el programa complementario de Analysis ToolPak. Cargar la herramienta de análisis Haga clic en la ficha Archivo, haga clic en Opciones. A continuación, haga clic en la categoría Complementos. En el cuadro Administrar, seleccione Complementos de Excel y, a continuación, haga clic en Ir. En el cuadro Add-Ins available, active la casilla de verificación Analysis ToolPak y, a continuación, haga clic en Aceptar. Sugerencia Si Analysis ToolPak no aparece en el cuadro Complementos disponibles, haga clic en Examinar para localizarlo. Si se le pide que el Analysis ToolPak no esté instalado en su equipo, haga clic en Sí para instalarlo. Nota: Para incluir las funciones de Visual Basic for Application (VBA) para el Analysis ToolPak, puede cargar el complemento de Analysis ToolPak - VBA de la misma manera que carga el Analysis ToolPak. En el cuadro Add-ins available, seleccione la casilla de verificación Analysis ToolPak - VBA. Para obtener una descripción de cada herramienta, haga clic en el nombre de una herramienta en la siguiente lista. Las herramientas de análisis de Anova proporcionan diferentes tipos de análisis de varianza. La herramienta que debe utilizar depende del número de factores y el número de muestras que tiene de las poblaciones que desea probar. Anova: Single Factor Esta herramienta realiza un análisis simple de varianza en los datos de dos o más muestras. El análisis proporciona una prueba de la hipótesis de que cada muestra se extrae de la misma distribución de probabilidad subyacente contra la hipótesis alternativa de que las distribuciones de probabilidad subyacente no son las mismas para todas las muestras. Si sólo hay dos muestras, puede utilizar la función de hoja de cálculo T. TEST. Con más de dos muestras, no hay una generalización conveniente de T. TEST. Y el modelo de Anova único factor puede ser llamado en su lugar. Anova: Dos Factores con Replicación Esta herramienta de análisis es útil cuando los datos pueden ser clasificados a lo largo de dos dimensiones diferentes. Por ejemplo, en un experimento para medir la altura de las plantas, las plantas pueden recibir diferentes marcas de abono (por ejemplo, A, B, C) y también pueden mantenerse a diferentes temperaturas (por ejemplo, bajo, alto). Para cada uno de los seis posibles pares de, tenemos un número igual de observaciones de la altura de la planta. Usando esta herramienta de Anova, podemos probar: Si las alturas de las plantas para las diferentes marcas de fertilizantes son extraídas de la misma población subyacente. Las temperaturas se ignoran para este análisis. Si las alturas de las plantas para los diferentes niveles de temperatura se toman de la misma población subyacente. Las marcas de fertilizantes se ignoran para este análisis. Si se han tenido en cuenta los efectos de las diferencias entre las marcas de fertilizantes encontradas en el primer punto con viñetas y las diferencias de temperatura que se encuentran en el segundo punto con viñetas, las seis muestras que representan todos los pares de valores se extraen de la misma población. La hipótesis alternativa es que hay efectos debidos a pares específicos por encima de las diferencias que se basan en el fertilizante solo o solo en la temperatura. Anova: Dos Factores Sin Replicación Esta herramienta de análisis es útil cuando los datos se clasifican en dos dimensiones diferentes como en el Caso de Dos Factores con Replicación. Sin embargo, para esta herramienta se supone que sólo hay una observación para cada par (por ejemplo, cada par en el ejemplo anterior). Las funciones de la hoja de trabajo CORREL y PEARSON calculan el coeficiente de correlación entre dos variables de medida cuando se observan mediciones sobre cada variable para cada uno de N sujetos. (Cualquier observación que falta para cualquier sujeto hace que el sujeto sea ignorado en el análisis). La herramienta de análisis de Correlación es particularmente útil cuando hay más de dos variables de medición para cada uno de N sujetos. Proporciona una tabla de salida, una matriz de correlación, que muestra el valor de CORREL (o PEARSON) aplicado a cada posible par de variables de medida. El coeficiente de correlación, al igual que la covarianza, es una medida de la medida en que dos variables de medida varían juntas. A diferencia de la covarianza, el coeficiente de correlación se escala para que su valor sea independiente de las unidades en las que se expresan las dos variables de medida. (Por ejemplo, si las dos variables de medida son el peso y la altura, el valor del coeficiente de correlación no cambia si el peso se convierte de libras en kilogramos.) El valor de cualquier coeficiente de correlación debe estar entre -1 y 1 inclusive. Puede usar la herramienta de análisis de correlación para examinar cada par de variables de medida para determinar si las dos variables de medida tienden a moverse juntas, es decir, si los grandes valores de una variable tienden a asociarse con valores grandes de la otra (correlación positiva) Los valores pequeños de una variable tienden a estar asociados con valores grandes de la otra (correlación negativa), o si los valores de ambas variables tienden a no estar relacionados (correlación cerca de 0 (cero)). Las herramientas Correlación y Covarianza se pueden usar en el mismo ajuste, cuando se tienen N variables de medición diferentes observadas en un conjunto de individuos. Las herramientas Correlación y Covariancia proporcionan una tabla de salida, una matriz, que muestra el coeficiente de correlación o covarianza, respectivamente, entre cada par de variables de medida. La diferencia es que los coeficientes de correlación se escalan para estar entre -1 y 1 inclusive. Las covarianzas correspondientes no se escalan. Tanto el coeficiente de correlación como la covarianza son medidas de la medida en que dos variables varían juntas. La herramienta Covariance calcula el valor de la función de hoja de cálculo COVARIANCE. P para cada par de variables de medida. (El uso directo de COVARIANCE. P en lugar de la herramienta Covariance es una alternativa razonable cuando sólo hay dos variables de medición, es decir, N2.) La entrada en la diagonal de la tabla de salida de las herramientas de Covariance en la fila i, columna i es la covarianza De la i-ésima variable de medida con sí mismo. Esta es sólo la varianza de población para esa variable, calculada por la función de hoja de cálculo VAR. P. Puede utilizar la herramienta Covariance para examinar cada par de variables de medida para determinar si las dos variables de medida tienden a moverse juntas, es decir, si los grandes valores de una variable tienden a asociarse con valores grandes de la otra (covarianza positiva) Los valores de una variable tienden a estar asociados con valores grandes de la otra (covarianza negativa), o si los valores de ambas variables tienden a no estar relacionados (covarianza cerca de 0 (cero)). La herramienta de análisis Estadística Descriptiva genera un informe de estadísticas univariadas para los datos en el rango de entrada, proporcionando información sobre la tendencia central y la variabilidad de sus datos. La herramienta de análisis Exponential Smoothing predice un valor que se basa en la previsión para el período anterior, ajustado por el error en esa previsión anterior. La herramienta usa la constante de suavizado a. Cuya magnitud determina la intensidad con que los pronósticos responden a los errores del pronóstico anterior. Nota: Los valores de 0,2 a 0,3 son constantes de suavizado razonables. Estos valores indican que la previsión actual debe ser ajustada del 20% al 30% para el error en el pronóstico anterior. Las constantes más grandes producen una respuesta más rápida, pero pueden producir proyecciones erráticas. Las constantes más pequeñas pueden resultar en largos retrasos para los valores de pronóstico. Prueba F Dos muestras para las variaciones La herramienta de análisis F-Test Dos muestras para las desviaciones realiza una prueba F de dos muestras para comparar dos varianzas poblacionales. Por ejemplo, puede utilizar la herramienta F-Test en muestras de veces en un encuentro de natación para cada uno de los dos equipos. La herramienta proporciona el resultado de una prueba de la hipótesis nula de que estas dos muestras proceden de distribuciones con varianzas iguales, contra la alternativa de que las varianzas no son iguales en las distribuciones subyacentes. La herramienta calcula el valor f de una estadística F (o razón F). Un valor de f cercano a 1 proporciona evidencia de que las varianzas subyacentes de la población son iguales. En la tabla de resultados, si f lt 1 P (F lt f) una cola da la probabilidad de observar un valor de la estadística F menor que f cuando las varianzas de población son iguales, y F Una cola crítica da el valor crítico menos De 1 para el nivel de significación elegido, Alfa. Si fgt 1, P (F lt f) una cola da la probabilidad de observar un valor de la estadística F mayor que f cuando las varianzas de población son iguales, y F Una cola crítica da el valor crítico mayor que 1 para Alpha . La herramienta de Análisis de Fourier resuelve problemas en sistemas lineales y analiza datos periódicos usando el método de Transformada Rápida de Fourier (FFT) para transformar datos. Esta herramienta también soporta transformaciones inversas, en las que la inversa de datos transformados devuelve los datos originales. La herramienta de análisis Histograma calcula las frecuencias individuales y acumulativas para un rango de celdas de datos y contenedores de datos. Esta herramienta genera datos para el número de ocurrencias de un valor en un conjunto de datos. Por ejemplo, en una clase de 20 estudiantes, se puede determinar la distribución de las puntuaciones en las categorías de grado de letra. Una tabla de histograma presenta los límites de grado de letra y el número de puntuaciones entre el límite inferior y el límite actual. La puntuación más frecuente es el modo de los datos. La herramienta de análisis Moving Average propone valores en el período de pronóstico, basados en el valor promedio de la variable en un número específico de períodos anteriores. Un promedio móvil proporciona información de tendencia que un promedio simple de todos los datos históricos se enmascaran. Utilice esta herramienta para pronosticar ventas, inventario u otras tendencias. Cada valor de pronóstico se basa en la siguiente fórmula. N es el número de períodos anteriores a incluir en el promedio móvil Aj es el valor real en el tiempo j Fj es el valor previsto en el tiempo j Generación de números aleatorios La herramienta de análisis de Generación de números aleatorios rellena un intervalo con números aleatorios independientes que se dibujan a partir de uno De varias distribuciones. Puede caracterizar a los sujetos en una población con una distribución de probabilidad. Por ejemplo, puede utilizar una distribución normal para caracterizar la población de alturas individuales, o puede utilizar una distribución de Bernoulli de dos resultados posibles para caracterizar la población de los resultados de monedas. Rango y percentil La herramienta de análisis Rank and Percentile produce una tabla que contiene el rango ordinario y el porcentaje de cada valor en un conjunto de datos. Puede analizar la posición relativa de los valores en un conjunto de datos. Esta herramienta utiliza las funciones de hoja de cálculo RANK. EQ y PERCENTRANK. INC. Si desea contabilizar valores vinculados, utilice la función RANK. EQ, que trata los valores vinculados como si tuvieran el mismo rango o utilice la función RANK. AVG, que devuelve el rango promedio de los valores vinculados. La herramienta de análisis de regresión realiza análisis de regresión lineal utilizando el método de mínimos cuadrados para ajustar una línea a través de un conjunto de observaciones. Puede analizar cómo una única variable dependiente se ve afectada por los valores de una o más variables independientes. Por ejemplo, puede analizar cómo el rendimiento de un atleta se ve afectado por factores como la edad, la estatura y el peso. Puede asignar partes de la medida de rendimiento a cada uno de estos tres factores, basándose en un conjunto de datos de rendimiento y, a continuación, utilizar los resultados para predecir el rendimiento de un nuevo atleta no probado. La herramienta Regresión utiliza la función de hoja de cálculo LINEST. La herramienta de análisis de muestreo crea una muestra de una población tratando el rango de entrada como una población. Cuando la población es demasiado grande para procesar o graficar, puede utilizar una muestra representativa. También puede crear un ejemplo que contenga sólo los valores de una parte particular de un ciclo si cree que los datos de entrada son periódicos. Por ejemplo, si el intervalo de entrada contiene cifras de ventas trimestrales, el muestreo con una tasa periódica de cuatro coloca los valores del mismo trimestre en el rango de resultados. La prueba de t-Test de dos muestras de herramientas de prueba para la igualdad de la población significa que subyacen a cada muestra. Las tres herramientas emplean supuestos diferentes: que las varianzas de la población son iguales, que las varianzas de la población no son iguales y que las dos muestras representan observaciones antes del tratamiento y después del tratamiento sobre los mismos sujetos. Para las tres herramientas siguientes, se calcula un valor t-Statistic, t, y se muestra como t Stat en las tablas de salida. Dependiendo de los datos, este valor, t, puede ser negativo o no negativo. Bajo la suposición de igualdad de medios de población subyacente, si t lt 0, P (T lt t) una cola da la probabilidad de que un valor de la estadística t sería observado que es más negativo que t. If t gt0, P(T lt t) one-tail gives the probability that a value of the t-Statistic would be observed that is more positive than t. t Critical one-tail gives the cutoff value, so that the probability of observing a value of the t-Statistic greater than or equal to t Critical one-tail is Alpha. P(T lt t) two-tail gives the probability that a value of the t-Statistic would be observed that is larger in absolute value than t. P Critical two-tail gives the cutoff value, so that the probability of an observed t-Statistic larger in absolute value than P Critical two-tail is Alpha. t-Test: Paired Two Sample For Means You can use a paired test when there is a natural pairing of observations in the samples, such as when a sample group is tested twice before and after an experiment. This analysis tool and its formula perform a paired two-sample Students t-Test to determine whether observations that are taken before a treatment and observations taken after a treatment are likely to have come from distributions with equal population means. This t-Test form does not assume that the variances of both populations are equal. Note: Among the results that are generated by this tool is pooled variance, an accumulated measure of the spread of data about the mean, which is derived from the following formula. t-Test: Two-Sample Assuming Equal Variances This analysis tool performs a two-sample students t-Test. This t-Test form assumes that the two data sets came from distributions with the same variances. It is referred to as a homoscedastic t-Test. You can use this t-Test to determine whether the two samples are likely to have come from distributions with equal population means. t-Test: Two-Sample Assuming Unequal Variances This analysis tool performs a two-sample students t-Test. This t-Test form assumes that the two data sets came from distributions with unequal variances. It is referred to as a heteroscedastic t-Test. As with the preceding Equal Variances case, you can use this t-Test to determine whether the two samples are likely to have come from distributions with equal population means. Use this test when there are distinct subjects in the two samples. Use the Paired test, described in the follow example, when there is a single set of subjects and the two samples represent measurements for each subject before and after a treatment. The following formula is used to determine the statistic value t . The following formula is used to calculate the degrees of freedom, df. Because the result of the calculation is usually not an integer, the value of df is rounded to the nearest integer to obtain a critical value from the t table. The Excel worksheet function T. TEST uses the calculated df value without rounding, because it is possible to compute a value for T. TEST with a noninteger df. Because of these different approaches to determining the degrees of freedom, the results of T. TEST and this t-Test tool will differ in the Unequal Variances case. The z-Test: Two Sample for Means analysis tool performs a two sample z-Test for means with known variances. This tool is used to test the null hypothesis that there is no difference between two population means against either one-sided or two-sided alternative hypotheses. If variances are not known, the worksheet function Z. TEST should be used instead. When you use the z-Test tool, be careful to understand the output. P(Z lt z) one-tail is really P(Z gt ABS(z)), the probability of a z-value further from 0 in the same direction as the observed z value when there is no difference between the population means. P(Z lt z) two-tail is really P(Z gt ABS(z) or Z lt - ABS(z)), the probability of a z-value further from 0 in either direction than the observed z-value when there is no difference between the population means. The two-tailed result is just the one-tailed result multiplied by 2. The z-Test tool can also be used for the case where the null hypothesis is that there is a specific nonzero value for the difference between the two population means. For example, you can use this test to determine differences between the performances of two car models. Note The data analysis functions can be used on only one worksheet at a time. When you perform data analysis on grouped worksheets, results will appear on the first worksheet and empty formatted tables will appear on the remaining worksheets. To perform data analysis on the remainder of the worksheets, recalculate the analysis tool for each worksheet.
No comments:
Post a Comment