Tu carrito esta vacio
Agrega packs de prompts para continuar
Esta colección definitiva de prompts para estadística representa el estándar de oro para analistas de datos, investigadores y científicos que buscan precisión absoluta en sus flujos de trabajo. Cada prompt ha sido diseñado bajo principios de rigor matemático y lógica instruccional, permitiendo transformar datos crudos en conclusiones robustas con una profundidad analítica sin precedentes en entornos de inteligencia artificial. Optimice sus procesos de validación, modelado y visualización mediante herramientas que cubren desde la probabilidad clásica hasta los métodos no paramétricos más complejos. Al integrar este recurso en su arsenal técnico, garantiza una interpretación de datos libre de sesgos, fundamentada en metodologías probadas y orientada a la excelencia en la toma de decisiones estratégicas.
100 recursos incluidos
Actúa como un Científico de Datos Senior y Estadístico especializado en métodos no paramétricos. Tu tarea principal es ejecutar, analizar e interpretar una **Prueba U de Mann-Whitney** para determinar si existen diferencias estadísticamente significativas entre dos grupos independientes: [Nombre_Grupo_A] y [Nombre_Grupo_B]. Este análisis es crítico dado que la variable de respuesta [Nombre_Variable_Metrica] no sigue una distribución normal o se mide en una escala ordinal, invalidando el uso de pruebas paramétricas tradicionales. Para comenzar el procedimiento, realiza una validación exhaustiva de los supuestos de la prueba: independencia de las observaciones, escala de medición de las variables y similitud en la forma de las distribuciones para establecer si la comparación se realiza sobre las medianas o sobre la distribución de rangos general. Por favor, toma en cuenta los siguientes datos o descripción de la muestra: [Insertar_Datos_o_Resumen_Estadistico]. Es vital que manejes adecuadamente los empates (ties) en los rangos, aplicando las correcciones estadísticas necesarias para no sesgar el estadístico U. Calcula con precisión el estadístico U para ambos grupos (U1 y U2), identifica el valor mínimo y determina el valor p (p-value) resultante. Si el tamaño de la muestra es considerable (n > 20), utiliza la aproximación a la distribución normal calculando el puntaje Z y aplica la corrección de continuidad de Yates. El nivel de significancia establecido para este análisis es de [Alfa_ej_0.05]. Debes ser extremadamente riguroso al reportar si los resultados permiten rechazar la hipótesis nula (H0) de que las distribuciones de ambos grupos son idénticas. Finalmente, genera un informe de resultados estructurado que incluya: 1. Estadísticos descriptivos no paramétricos (Mediana, Rango Intercuartílico, Rangos Promedio). 2. Resultados de la prueba (Valor U, Z-score, p-value). 3. Cálculo del tamaño del efecto (r de Rosenthal o Correlación Rango-Biserial) para cuantificar la magnitud de la diferencia. 4. Una conclusión técnica redactada en lenguaje profesional adaptada al contexto de [Contexto_del_Proyecto_o_Industria], proporcionando recomendaciones claras basadas en la evidencia estadística obtenida.
Actúa como un experto consultor en bioestadística y métodos no paramétricos. Tu objetivo es realizar un análisis exhaustivo utilizando el Test Exacto de Fisher para evaluar la asociación entre dos variables categóricas dicotómicas, especialmente indicado para muestras pequeñas donde las frecuencias esperadas en una tabla de contingencia 2x2 son menores a 5, invalidando la prueba de Chi-cuadrado de Pearson. Contexto del estudio: El análisis se enmarca en [Describir el área de estudio, por ejemplo: Ensayos Clínicos, Control de Calidad o Ciencias Sociales]. Se busca determinar si existe una independencia estadística significativa entre la variable independiente [Nombre de la variable predictora] y la variable dependiente [Nombre de la variable de resultado]. Es imperativo que el análisis considere la distribución hipergeométrica subyacente para calcular la probabilidad exacta de observar la configuración de datos proporcionada o una más extrema. Datos de entrada para la Tabla de Contingencia 2x2: - Grupo A / Condición 1: [Valor A] - Grupo A / Condición 2: [Valor B] - Grupo B / Condición 1: [Valor C] - Grupo B / Condición 2: [Valor D] Por favor, verifica que la suma total de la muestra sea [Total de la muestra] y procede a calcular la probabilidad p (p-value) de dos colas, a menos que se especifique que el estudio requiere un enfoque de una sola cola debido a una direccionalidad hipotética previa. Interpretación técnica requerida: Una vez calculado el p-value, compáralo con un nivel de significancia alfa de [Nivel de significancia, ej. 0.05]. Si p < alfa, rechaza la hipótesis nula (H0) de independencia y concluye que existe una asociación significativa. Además, calcula e interpreta el Odds Ratio (OR) con su respectivo intervalo de confianza al 95%, explicando qué significa este valor en términos de la magnitud del efecto y el riesgo relativo para el contexto de [Población objetivo]. Presentación de resultados: Genera un informe detallado que incluya: 1) Resumen de los datos observados. 2) El valor p exacto obtenido. 3) La decisión estadística basada en la evidencia. 4) Una conclusión narrativa en lenguaje técnico pero comprensible sobre las implicaciones del hallazgo para [Objetivo final de la investigación]. Asegúrate de mencionar por qué el Test Exacto de Fisher es la elección metodológica correcta frente a otras pruebas no paramétricas en este escenario específico.
Actúa como un experto en bioestadística y análisis de datos avanzados con especialización en Inferencia Paramétrica y modelos lineales. Tu objetivo es realizar un análisis de varianza (ANOVA) exhaustivo y profesional sobre el conjunto de datos que se detalla a continuación: [Dataset]. Debes evaluar con precisión matemática si existen diferencias estadísticamente significativas entre las medias de los grupos definidos por el factor categórico [Variable_Independiente] en relación con la variable de respuesta numérica continua denominada [Variable_Dependiente]. Primero, antes de proceder con el cálculo del estadístico F, es imperativo que realices una validación rigurosa de los supuestos fundamentales del modelo ANOVA. Esto incluye, obligatoriamente, la prueba de normalidad de los residuos utilizando el test de [Prueba_Normalidad: Shapiro-Wilk o Kolmogorov-Smirnov] y la evaluación de la homocedasticidad (homogeneidad de varianzas) mediante el test de [Prueba_Homocedasticidad: Levene o Bartlett]. Si los datos no cumplen con estos requisitos previos, debes sugerir transformaciones matemáticas específicas o proponer el uso de una alternativa no paramétrica adecuada para garantizar la validez de la inferencia. Una vez validados los supuestos, ejecuta el procedimiento de [Tipo_de_ANOVA: Un factor, Dos factores o Medidas repetidas] utilizando un nivel de confianza del [Nivel_de_Confianza: 95% o 99%]. Genera la tabla ANOVA completa que desglose con exactitud los Grados de Libertad (GL), la Suma de Cuadrados (SS), el Cuadrado Medio (MS), el valor del estadístico F y el p-valor resultante. Interpreta los resultados de manera técnica, estableciendo claramente si existe evidencia suficiente para rechazar la hipótesis nula de igualdad de medias basándote en el alfa de [Nivel_Significancia]. En el escenario de obtener un resultado estadísticamente significativo, debes proceder automáticamente a realizar un análisis de comparaciones múltiples post-hoc utilizando el método de [Metodo_Post_Hoc: Tukey, Bonferroni o Scheffé]. Este análisis debe identificar específicamente qué grupos difieren entre sí, proporcionando los intervalos de confianza para las diferencias y los p-valores ajustados correspondientes. No omitas el cálculo del tamaño del efecto (como Eta-cuadrado o Omega-cuadrado) para determinar la relevancia práctica de los hallazgos encontrados. Finalmente, sintetiza toda la información en un informe ejecutivo estructurado. Este informe debe incluir una sección de conclusiones donde expliques las implicaciones del análisis y una recomendación para la visualización de los datos, sugiriendo el uso de gráficos de cajas (boxplots) con barras de error o gráficos de interacción si fuera necesario. Asegúrate de que el lenguaje sea técnico pero comprensible para la toma de decisiones basada en datos.