|
Genera un modelo de calibración para predecir una respuesta verdadera (\(RV\)) en función de las lecturas de un instrumento en calibración (\(LIC\)). |
|
Genera un data frame con información consolidada por grupos a partir de alguna función. |
|
Elabora una representación bidimensional de análisis de correspondencias simple. |
|
Realiza diagnósticos de influencia, puntos de palanca y outliers en modelos de regresión lineal. |
|
Realiza la prueba de equivalencia de dos medias normales. Calcula el delta crítico para declarar equivalencia con un nivel de significancia determinado. |
|
Realiza comparación no paramétrica de medianas en un diseño de bloques completos al azar y aplica la prueba de Dunn para todas las posibles comparaciones entre pares de medianas, aplicando por defecto la corrección por multiplicidad a los valores p, mediante el método de Holm. |
|
Elabora representaciones biplot, tanto para matrices completas (HJ-biplot), como para matrices con datos perdidos (General Column Metric Preserving Biplot: GCMP-biplot). Es posible diferenciar por grupos, así como trazar trayectorias basadas en el tiempo o en alguna otra variable serial. |
|
Elabora un gráfico de medias con barras de dispersión. |
|
Calcula un índice de deseabilidad \(D\) de un producto o proceso a partir de un promedio ponderado de las deseabilidades parciales exhibidas por una serie de respuestas. |
|
Compara dos proporciones binomiales, mediante los métodos de Newcombe, Wald y Agresti-Caffo. |
|
Facilita la aplicación de procesos inferenciales (pruebas de hipótesis e intervalos de confianza) sobre el parámetro \(p\) de una población binomial, a partir de diferentes métodos. |
|
Facilita la aplicación de procesos inferenciales (pruebas de hipótesis e intervalos de confianza) sobre la varianza o la desviación estándar de una población normal. |
|
Realiza la prueba de Kruskal-Wallis (análisis de varianza no paramétrico de una vía para un dca) y realiza la prueba de Dunn para todas las posibles comparaciones entre pares de medianas, aplicando por defecto la corrección por multiplicidad a los valores p, mediante el método de Holm. |
|
Realiza la prueba de Levene para un diseño general de bloques y tratamientos (general block and treatment designs), es decir, con uno o más factores de bloqueo (bloques, cuadro latino, etc.) y con la posibilidad de que los tratamientos consten de varios factores, acorde la propuesta de O’Neill y Mathews (2002) |
|
Compara los parámetros de dos líneas rectas: pendientes e interceptos. |
|
Realiza la prueba de falta de ajuste de un modelo de regresión y presenta el gráfico de residuales. |
|
Realiza la prueba de McNemar para comparar dos proporciones binomiales a partir de muestras pareadas. |
|
Elabora una representación bidimensional de análisis de correspondencias múltiple. |
|
Elabora una representación bidimensional basada en multidimensional scaling. |
|
Calcula el tamaño de muestra requerido para detectar la diferencia entre dos proporciones binomiales con una significancia y una potencia determinadas. Los cálculos están basados en el intervalo de confianza de Newcombe (Newcombe hybrid score). |
|
Calcula el tamaño de muestra requerido para estimar el parámetro \(\mu\) de una normal con una precisión y una confianza dadas. Alternativamente, calcula la precisión para un tamaño de muestra determinado. El cálculo está basado en la distribución \(t\). |
|
Calcula el tamaño de muestra requerido para estimar el parámetro \(p\) de una binomial con una precisión y una confianza dadas. Alternativamente, calcula la precisión para un tamaño de muestra determinado. Los cálculos están basados en el intervalo de confianza de Wilson. |
|
Calcula el tamaño de muestra requerido para detectar correlaciones de una magnitud determinada. Alternativamente, calcula la correlación detectable a partir de un tamaño de muestra determinado. |
|
Ajusta un modelo de regresión lineal (rectilínea) simple. |
|
Realiza procedimientos inferenciales de comparación de medias (pruebas de hipótesis e intervalos de confianza), tanto por pares (pairwise comparisons) como entre grupos de medias (contrastes), utilizando el método de Scheffé. |
|
Construye una tabla resumen de grupos homogéneos de tratamientos identificados mediante una letra común, a partir de los valores p de las comparaciones por pares. |
|
Construye resúmenes de grupos homogéneos por familia, a partir de los resultados generados por la función emmeans{emmeans}. |
|
Evalúa supuestos para un modelo de parcelas dividas. |
|
Convierte una tabla de dos entradas en una base de datos. |
|
Evalúa una serie de transformaciones sobre la variable respuesta de un modelo de análisis de varianza, en búsqueda de normalizar los correspondientes residuales. |
|
Evalúa una serie de transformaciones sobre la variable respuesta en un modelo de medidas repetidas. |
|
Calcula el número de éxitos requerido en una prueba triangular de un tamaño determinado para rechazar la hipótesis de no diferenciación. También calcula la potencia. Si se cuenta con el número de aciertos de un ensayo determinado, calcula el valor p. |
|
Realiza la prueba de no aditividad de Tukey, con un grado de libertad, para diseño general de bloques y tratamientos (general block and treatment designs), acorde con la generalización de Moolman (2020). |