MET. EST.

Si obtenemos p-valores próximos a 1 en la tabla ANOVA: No hay evidencia en contra de la hipótesis de igualdad de medias entre tratamientos. Hay al menos dos tratamientos distintos que producen distinto valor medio de la variable respuesta. Todos los tratamientos poseen igual varianza (homocedasticidad). Todas son falsas.

En un diseño factorial 2 x 34 de dos réplicas, hay un total de: 324 observaciones. 256 observaciones. Ninguna de las anteriores. No se puede saber con la información dada.

Tanto en el test de Bartlett como en el de Levene encontramos p-valores próximos a 1: No tenemos evidencia en contra de la hipótesis de igualdad de varianzas entre los tratamientos (hipótesis de homocedasticidad). Hay al menos dos tratamientos distintos que producen distinto valor medio de la variable respuesta. Los tratamientos no siguen una normal multivariante. Rechazamos la hipótesis de normalidad en los errores.

En un diseño de experimentos con un factor de cuatro tratamientos, se observa que la variabilidad asociada al error es mucho menor que la variabilidad asociada a la diferencia entre tratamientos. Por lo tanto, esperablemente, concluiremos: Hay al menos dos tratamientos distintos que producen distinto valor medio de la variable respuesta. No hay evidencia en contra de la hipótesis de igualdad de medias entre tratamientos.

Solo los siguientes métodos clustering pueden ser aplicados a conjuntos de datos con variables numéricas: Método de las k-medias. Agrupamiento jerárquico. Método de las k-medias y agrupamiento jerárquico. Todas las anteriores y árboles de clasificación.

Deseo controlar una variable respuesta numérica en función de una serie de variables (mixtas): Puedo usar técnicas de regresión, incluyendo aquí árboles de regresión. Puedo usar técnicas de diseño de experimentos. Puedo usar técnicas de agrupamiento. Todas las anteriores son verdaderas.

Respecto al algoritmo de las k-medias: Su resultado depende de la inicialización del algoritmo. Solo depende de la métrica (euclídea o manhattan). Sirve para obtener una clasificación jerárquica aglomerativo. Sirve para clasificar variables cualitativas.

Por el método A obtenemos una partición de los datos con un coeficiente silueta de 0.7, mientras que por el método B obtenemos al final una silueta de 0.8. Sin más información, debiéramos escoger el método B. Sin más información, debiéramos escoger el método A. Ambos métodos proporcionarán la misma clasificación. Las regresiones propuestas pueden ser buenas.

Un árbol de clasificación tiene como finalidad: Obtener un modelo para predecir un atributo factor de una futura observación. Obtener un modelo para predecir un atributo numérico de una futura observación. Las respuestas anteriores son ambas válidas. Las respuestas anteriores son todas falsas.

Respecto al método jerárquico, el resultado final: Depende tanto de la métrica usada para medir distancias entre observaciones como del enlace entre conglomerados que consideremos. Depende solo de la métrica usada para medir distancias entre observaciones. Depende solo del enlace entre conglomerados que consideremos. Todas las respuestas anteriores son falsas.