En otras palabras, si desea determinar si un ensamblaje era cuadrado usando matemáticas, seleccione la cara que desea verificar si hay cuadrado. Verifique una esquina del ensamblaje con un cuadro de diseño de encuadre o combinación para asegurarse de que sea un ángulo recto. Luego, utilizando una cinta métrica, mida a lo largo de un borde desde ese ángulo recto para obtener la longitud y, usando una calculadora, multiplique esa longitud de valor en sí mismo (o cuadra el valor de longitud). Guarde esta longitud cuadrada en la memoria de la calculadora.
Luego, mida uno de los bordes adyacentes al borde que medió previamente para obtener el ancho del ensamblaje. Realice la misma tarea, multiplicando este valor en sí mismo (o cuadrar el valor), luego agréguela al valor original en la memoria de la calculadora. Ahora tienes la mitad de la ecuación completa.
Para obtener el tercer valor, mida diagonalmente (sin obstrucciones) desde el extremo abierto del borde largo hasta el extremo abierto del borde ancho. Esto proporcionará lo que se llama hipotenusa. Multiplique los tiempos de hipotenusa en sí y si ese valor coincide con la suma de los dos lados cuadrados (en otras palabras, el valor que ha almacenado en la memoria, su ensamblaje es cuadrado.
Esto a veces se conoce en la carpintería como la regla 3-4-5. Si bien siempre puede usar la regla 3-4-5 para determinar el cuadrado en cualquier escala cuando presenta un proyecto, hay una forma más precisa (y mucho más rápida) de determinar si su ensamblaje casi completado es cuadrado.
Mida las diagonales con una cinta métrica y verifique si las dos distancias coinciden. Si son iguales, su ensamblaje es cuadrado.
¿Cómo interpretar el valor de Chi cuadrada?
Determine los grados de libertad de su valor de chi-cuadrado. Si está comparando resultados para una sola muestra con múltiples categorías, los grados de libertad son el número de categorías menos 1. Por ejemplo, si estaba evaluando la distribución de colores en un frasco de gelatina y había cuatro colores, los grados de La libertad sería 3. Si está comparando datos tabulares, los grados de libertad es igual al número de filas menos 1 multiplicada por el número de columnas menos 1.
Determine el valor P crítico que utilizará para evaluar sus datos. Este es el porcentaje de probabilidad (dividido por 100) de que un valor de chi-cuadrado específico se obtuvo solo por casualidad. Otra forma de pensar sobre P es que es la probabilidad de que sus resultados observados se desviaran de los resultados esperados por la cantidad que hicieron únicamente debido a la variación aleatoria en el proceso de muestreo.
Busque el valor P asociado con su estadística de prueba de chi-cuadrado utilizando la tabla de distribución de chi-cuadrado. Para hacer esto, mire a lo largo de la fila correspondiente a sus grados de libertad calculados. Encuentre el valor en esta fila más cercano a su estadística de prueba. Siga la columna que contiene ese valor hacia arriba a la fila superior y lea el valor P. Si su estadística de prueba está entre dos valores en la fila inicial, puede leer un valor P aproximado intermedio entre dos valores de P en la fila superior.
Compare el valor P obtenido de la tabla con el valor P crítico que se decidió anteriormente. Si su valor P tabular está por encima del valor crítico, concluirá que cualquier desviación entre los valores de la categoría de muestra y los valores esperados se debió a una variación aleatoria y no fue significativa. Por ejemplo, si eligió un valor P crítico de 0.05 (o 5%) y encontró un valor tabular de 0.20, concluiría que no hubo una variación significativa.
- Tabla de valores de distribución de chi cuadrado
- Estadística de prueba de Chi Square para sus datos
Recuerde que cualquier conclusión realizada en base a esta prueba aún tendrá la posibilidad de estar equivocado, proporcional al valor P obtenido.
¿Cuándo se acepta la hipótesis nula en chi cuadrado?
La hipótesis de nada de la prueba de chi-quadro es que no hay informe sobre variables categóricas en la población; Son independientes.
¿Cuál es un valor P significativo para quienes se cuadran? La probabilidad de estadísticas de chi-quadro es 11,816 y el valor p = 0.019. Por lo tanto, a un nivel de significancia de 0.05, se puede concluir que la asociación entre las variables es estadísticamente significativa.
Siguiendo una prueba de chi-quadro que incluye una variable explicativa con 3 o más grupos, es necesario subcontar con cada comparación acoplada posible. Cuando interpreta estas comparaciones acopladas, en lugar de establecer el nivel î ± (p) en 0.05, dividimos 0.05 por el número de comparaciones acopladas que haremos.
Las ventajas de Chi-Cuadrato incluyen su solidez con respecto a la distribución de datos, su facilidad de cálculo, información detallada que puede derivarse de la prueba, su uso en estudios para los cuales las hipótesis paramétricas no pueden ser satisfechas y su flexibilidad en el manejo de datos de ambos dos grupos y más…
Entre las estadísticas un chi di di. 05 es un umbral de significado estadístico aceptado convencionalmente; Valores a continuación. 05 se indican comúnmente como «estadísticamente significativo». En términos prácticos, un cuadrado que menos.
Hay dos pruebas de chi-quadrato comúnmente utilizadas: la bondad chi-quadro de la prueba de adaptación y la prueba de chi-quadro de la independencia.
¿Qué es el índice de bondad de ajuste?
La bondad del índice de ajuste (GFI) es una medida de ajuste entre el modelo hipotetizado y la matriz de covarianza observada. La bondad ajustada del índice de ajuste (AGFI) corrige el GFI, que se ve afectado por el número de indicadores de cada variable latente. El GFI y AGFI varían entre 0 y 1, con un valor de más de .9 que generalmente indica un ajuste del modelo aceptable. [34]
Los índices de ajuste relativos (también llamados «índices de ajuste incremental» [35] y «índices de ajuste comparativo» [36]) comparan el chi-cuadrado para el modelo hipotetizado con uno de un modelo «nulo» o «basal». [30] Este modelo nulo casi siempre contiene un modelo en el que todas las variables no están correlacionadas y, como resultado, tiene un chi-cuadrado muy grande (que indica un ajuste deficiente). [31] Los índices de ajuste relativos incluyen el índice de ajuste normado y el índice de ajuste comparativo.
El índice de ajuste normado (NFI) analiza la discrepancia entre el valor chi cuadrado del modelo hipotético y el valor de chi cuadrado del modelo nulo. [37] Sin embargo, NFI tiende a ser sesgado negativamente. [36] El índice de ajuste no normado (NNFI; también conocido como el índice Tucker-Lewis, ya que fue construido en un índice formado por Tucker y Lewis, en 1973 [38]) resuelve algunos de los problemas de sesgo negativo, aunque los valores de NNFI pueden a veces caen más allá del rango de 0 a 1. [36] Los valores para NFI y NNFI deben variar entre 0 y 1, con un límite de .95 o más que indica un buen ajuste del modelo. [39]
Artículos Relacionados:
