OPTIMIZACIÓN DEL GRÁFICO DE CONTROL EWMA PARA PROCESOS MUY CAPACES Y PROCESOS DIFÍCILMENTE AJUSTABLES
|
|
- Gloria Camacho Muñoz
- hace 7 años
- Vistas:
Transcripción
1 27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8-11 de abril de 2003 OPTIMIZACIÓN DEL GRÁFICO DE CONTROL EWMA PARA PROCESOS MUY CAPACES Y PROCESOS DIFÍCILMENTE AJUSTABLES J.C. García-Díaz, F. Aparisi Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Universidad Politécnica de Valencia, Valencia, España juagardi@eio.upv.es RESUMEN Los gráficos de control EWMA pueden ser aplicados para detectar cambios pequeños de forma eficiente en el control estadístico de procesos. En este artículo se presenta un software desarrollado para el entorno Windows para el diseño óptimo de los parámetros de los gráficos EWMA para procesos muy capaces y procesos difícilmente ajustables, donde la probabilidad de falsa alarma resulte muy baja y a la vez sean muy potentes para detectar cambios de magnitud importantes. Se han utilizado algoritmos genéticos para llevar a cabo esa optimización. Palabras y frases clave: SPC; gráfico EWMA; regiones de máxima y mínima potencia; optimización; algoritmos genéticos. Clasificación AMS: 62P Introducción Cuando existe interés en controlar o monitorizar la estabilidad del valor medio de una característica de calidad que puede medirse en una escala continua, suelen ser utilizados los gráficos X [Shewhart, (1931)]. La principal consideración que se debe realizar es que el gráfico de control X diseñado de forma estándar resulta un procedimiento poco potente para detectar cambios o desviaciones de la media de pequeña magnitud, debido a que solo tiene en cuenta la información presente del proceso. Muchos autores han estudiado la mejora de la eficiencia del gráfico X para detectar cambios pequeños utilizando técnicas distintas. Para mejorar la potencia frente a estos cambios de pequeña magnitud, fueron desarrollados los gráficos de sumas acumuladas CUSUM y los gráficos de medias móviles ponderadas exponencialmente EWMA, cuya ventaja principal es que, por su diseño, tienen en cuenta no sólo la información actual del proceso sino también la del 1
2 pasado. Debido a lo anterior, son más potentes que el gráficos estándar X cuando el tamaño de muestra y la frecuencia de muestreo son los mismos [Montgomery (2001)]. Sin embargo, se pueden presentar situaciones en las que no resulta interesante detectar cambios de pequeña magnitud. El intentar ajustar un proceso cuando el cambio en la media es muy pequeño puede llevar al fenómeno de sobreajuste y a la introducción de variabilidad extra en el proceso [Woodall (1985)]. Por otra parte, el pretender obtener una constancia absoluta en el valor de la media podría parecer utópico, ya que muchas veces el valor especificado para la media es elegido un poco arbitrariamente o estimado imprecisamente. De hecho, cuando se lleva acabo el redondeo del valor de la media se crea un pequeño intervalo de valores aceptables para la misma. Parece razonable tolerar algún pequeño cambio en la media del proceso si estamos dispuestos a aceptar una pequeña variabilidad en la característica de calidad que estamos controlando [Woodall (1985)]. Debido a todo lo anterior, Woodall (1985) propone como criterio de diseño estadístico de gráficos de control el partir, en primer lugar, de la especificación de los valores del cambio que realmente sean importantes detectar rápidamente. Para ello, se propone definir unas regiones que corresponden a estado bajo control, indiferente y fuera de control. Sería más interesante decidir que tamaño de cambio es realmente importante detectar, y en base a ello, seleccionar aquel gráfico de control que fuera muy eficiente cuando realmente es necesario, y que tuviera una probabilidad de falsas alarmas realmente baja para los valores de descentrado que no se quieren detectar. El objetivo del presente trabajo es determinar los parámetros óptimos de los gráficos EWMA para controlar procesos en que no resulte necesario detectar cambios de pequeña magnitud y que, a la vez, sean muy potentes para detectar cambios realmente importantes. La estructura del trabajo es la siguiente: en la sección segunda se presenta el gráfico EWMA. La sección tercera aborda la magnitud de cambio a detectar definiéndose las regiones bajo control, indiferente y fuera de control del gráfico. La determinación de estas regiones es objeto de la sección cuarta. En la sección quinta se presentan los algoritmos genéticos como herramienta de optimización. La implementación del algoritmo genético y el desarrollo del software para la optimización de los gráficos EWMA tienen lugar en la sección sexta. Se muestra en la sección séptima un ejemplo de aplicación y finalmente en la sección octava se exponen las conclusiones de este artículo. 2. Los gráficos de control EWMA El gráfico EWMA (Exponentially Weightted Moving-Avarage) fue introducido por Roberts (1959) como una buena alternativa al gráfico de Shewhart en la detección de cambios pequeños. Hay que recordar que el gráfico de Shewhart sólo tiene en cuenta la información actual del proceso siendo por tanto, insensible a cambios de pequeña magnitud, menores a 2 σ con tamaños de muestra del orden 4 o 5. El gráfico EWMA tiene en cuenta la información actual y la del pasado siendo por tanto eficiente en la detección de dichos cambios pequeños [Montgomery (2001)]. En este caso el 2
3 estadístico a graficar Z i, a comparar con los límites de control en el instante i, se obtiene como una media ponderada según el parámetro r entre el valor observado el predicho Z i-1, según la expresión: X i y Z i = rx i + ( 1 r) Zi 1 Algunos autores [Hunter (1986); Crowder (1989); Lucas y Saccucci (1990)] abordan en sus trabajos el estudio de las propiedades de este gráfico en el control estadístico de procesos en la industria. Analicemos el diseño del gráfico. Si la variable de calidad a controlar se distribuye según una N µ 0, σ ) cuando el proceso se encuentra bajo control y las observaciones o ( 0 medias muestrales son independientes, entonces el estadístico Z i se distribuye según una normal σ 0 r N( µ, ) 0 n 2 r por tanto, los límites de control del gráfico EWMA se calculan mediante la expresión aproximada: σ r µ ± L 0 0 n 2 r donde L es seleccionado al igual que r para tener un ARL bajo control determinado y n es el tamaño del subgrupo. Un valor típico de L es 3, siguiendo el criterio 3σ, del gráfico de Shewhart. 3. Magnitud del cambio a detectar y del cambio a no detectar El Woodall (1985) estudia el diseño estadístico de gráficos de control y recomienda tomar como criterio de diseño de gráficos de control la selección del tamaño de cambio que sea importante detectar. Para ello propone definir tres regiones: región bajo control, región indiferente y región fuera de control. Dichas regiones estarían delimitadas por dos valores (A y B) del tamaño de cambio a detectar como puede observarse en la figura 1. En el caso univariante el tamaño del cambio lo medimos mediante el descentrado d según la ecuación 3 en unidades de desviaciones típicas del proceso y de esta forma se puede definir las siguientes regiones que llamaremos, en adelante, regiones de mínima y máxima potencia: a) Región bajo control [0, A]. Esta región corresponde a un estado equivalente al de estado bajo control y corresponde al tamaño de cambio comprendido desde d = 0 hasta d = A. En esta región no se quiere detectar ningún cambio. 3
4 Se desea un ARL máximo. Si el gráfico muestra señal de falta de control se considera a esta señal como una falsa alarma. b) Región fuera de control,[ B, [, correspondiente al valor del cambio d = B a partir del cual se requiere la máxima potencia de detección. Se desea un ARL mínimo. c) Región indiferente, ] A, B[, comprendida entre d = A y d = B. En esta región es indiferente si se detecta o no el cambio en el proceso..000,0.000,0 ARL EWMA X-bar 100,0 10,0 1,0 0 A 0,5 1B 1,5 2 2,5d 3 Figura 1: Regiones de mínima y máxima potencia 3.1 Aplicación a procesos muy capaces y difícilmente ajustables El enfoque de Woodall se encuentra justificado en situaciones que aparecen en la industria con frecuencia. Entre otros, vamos analizar dos tipos de procesos característicos: procesos muy capaces y procesos difícilmente ajustables. Procesos muy capaces. Un tipo de procesos donde puede resultar poco interesante detectar pequeños cambios en la media respecto al valor nominal son aquellos que presentan una elevada capacidad real. Un proceso con una capacidad real de 2.0 se conoce como de calidad seis-sigma, debido a que la distancia desde la media del proceso hasta la especificación más cercana es de seis desviaciones típicas [Montgomery (2001)]. Dado que es difícil mantener la media de un proceso centrada entre las especificaciones, la probabilidad de que una producto no cumpla con ellas se calcula conociendo el descentrado del proceso. Supongamos que el proceso sufre un aumento en la media de 1.5σ. En este caso la probabilidad de que una pieza no cumpla con las especificaciones es de 3.4 ppm, es decir, de cada millón de piezas fabricadas 4 serán defectuosas. Si la media del proceso se desplaza fuera del centro de especificaciones 1.5σ, el C disminuye hasta 1.5. En consecuencia, la media de un pk proceso seis-sigma puede descentrarse 1.5σ del centro de especificaciones y aún así 4
5 mantener una fracción de partes defectuosas de 3.4 ppm [Montgomery (2001)]. Procesos difícilmente ajustables. En algunos procesos industriales, independientemente de consideraciones económicas, ocurre que por razones técnicas o físicas tienen un comportamiento que los convierten en difícilmente ajustables, cuando el proceso empieza a trabajar fuera del valor nominal. Dentro de este conjunto podemos encontrarnos, entre otros y a modo de ejemplo, procesos donde una herramienta de corte sufre desgastes continuos y paulatinos o procesos de pesado y envasado de productos que se adhieren a las paredes de las tolvas de carga donde se acumula producto, dando como pesada una cantidad inferior al valor objetivo. En este tipo de procesos puede no resultar adecuado plantearse detectar una diferencia entre el valor medio de la característica de calidad a controlar y el valor nominal objetivo por debajo de un umbral, que llamamos A, que deberá ser estimado. 3.2 Determinación de las regiones de máxima y mínima potencia En la sección anterior se ha justificado el interés de no detectar cambios pequeños en determinadas situaciones que se presentan en la industria. En este apartado vamos a proponer un método para determinar la región de mínima potencia, d A, y la región donde debemos de detectar lo antes posible un cambio, d B. El método está basado en la función de pérdida de Taguchi. 4. Optimización mediante Algoritmos Genéticos Los Algoritmos Genéticos (AG) son algoritmos de optimización basados en la evolución natural de las especies [ Holland (1975), Goldberg (1989)]. La búsqueda del óptimo global en un problema de optimización se realiza al pasar de una población inicial (generación) de individuos a otra población nueva (generación siguiente) mediante la aplicación de operadores genéticos. En la población inicial cada individuo representa una solución posible al problema de optimización, es decir, una población de individuos consiste en un conjunto de posibles soluciones del problema a optimizar. El funcionamiento general de un AG es el siguiente: 1º Generar una población inicial de individuos 2º Evaluar todos los individuos de la población inicial 3º mientras no se cumpla la condición de parada del algoritmo hacer: 3.1 Selección población 3.2 Cruce 3.3 Mutación población 3.4 Evaluación población 5
6 4.1 Software desarrollado El diseño estadístico de un gráfico de control de tipo EWMA consiste en fijar tres parámetros de los que depende la potencia del gráfico frente a distintas situaciones de falta de control así como su comportamiento bajo control. Estos tres parámetros son el tamaño de muestra n, la posición de los límites de control a través del coeficiente L y el coeficiente de ponderación r. Para el diseño óptimo de gráficos de control EWMA se desarrolló un software en entorno Windows con dos versiones: tamaño de muestra no fijado (a buscar por el algoritmo) y tamaño de muestra fijado previamente. En ambos casos el usuario debe especificar el valor de una serie de parámetros que gobiernan el Algoritmo Genético. El algoritmo genético que fue desarrollado depende de una serie de factores comentados de forma general anteriormente. El AG fue programado en entorno Windows procediéndose a realizar un diseño de experimentos para obtener las condiciones operativas óptimas en que puede funcionar el algoritmo.. Se planteó un diseño experimental consistente en un plan factorial equilibrado para determinar las condiciones operativas óptimas. 4.2 Ejemplo de aplicación Se desea diseñar un gráfico de control EWMA bajo el criterio de regiones de máxima y mínima potencia. Para ello con el software desarrollado se estudia el caso de estar interesados en detectar un cambio superior a 1.5σ pero no un cambio inferior a 0.25σ. El tamaño de muestra utilizado es n = 4. Se desea comparar su eficacia en detectar cambios con el X para un ARL bajo control (d = 0) de 500, que presenta un ARL en d = A = 0.25 de con tamaño de muestra 1. Las entradas al programa son: tamaño de muestra 4, tol = 1, ARL 0 mínimo deseado de y ARL PA de Una vez ejecutado el programa obtenemos el gráfico de control óptimo para n = 4 EWMA (r = 0.7. L = 3.46). En la figura 6, se puede observar el perfil de ARL en función de la magnitud del cambio a detectar para el gráfico obtenido. También se pueden observar el perfil de ARL para los gráficos X para tamaño de muestra 4 así como para el gráfico EWMA óptimo en el punto B, d = 1.5, y caracterizado por los parámetros L = 3.09 y r = 0.8 para un ARLo = 500 obtenido mediante el software desarrollado por Aparisi and García-Díaz (2002). De la observación de la figura 2 se desprenden algunas conclusiones. En primer lugar, observamos que para magnitudes de cambio por debajo del punto A (d < 0.25) que delimita la región de no detección el gráfico EWMA obtenido con el programa (EWMA-Regiones), es el más potente. En la región donde se requiere máxima potencia de detección, d > 1.5, la potencia de ambos es muy similar. Así pues el gráfico EWMA- Regiones obtenido es más potente en detectar cambios realmente importantes, produciendo una menor cantidad de falsas alarmas. 6
7 a , ,00 Ewma Ewm a opt X -bar 100,00 ARL 10,00 1,00 0 0,5 1 1,5 2 2,5 3 d Figura 2: Comparación de ARLs 5. Conclusiones A la vista de los resultados mostrados en este trabajo podemos extraer las siguientes conclusiones: Se ha puesto de manifiesto el hecho de la existencia de situaciones en las que puede no tener interés práctico el detectar cambios de pequeña magnitud siendo más interesante el especificar el menor tamaño de cambio que es necesario detectar rápidamente. Una forma práctica de especificar el mínimo cambio a detectar rápidamente, ha sido mediante la función de pérdida de Taguchi que nos permite delimitar las regiones bajo control, indiferente y fuera de control introducidas por Woodall. La técnica de los algoritmos genéticos ha resultado ser un buen método de optimización de los gráficos de control EWMA. Se ha desarrollado un software en entorno Windows de uso sencillo que permite obtener los parámetros óptimos de estos gráficos, para el control de procesos donde se precisa mínima potencia de detectar cambios muy pequeños y máxima potencia en detectar cambios realmente importantes. Es posible diseñar gráficos EWMA que presenten una probabilidad de falsa alarma muy baja y, simultáneamente, sean realmente potentes en detectar cambios que sean considerados importantes. La aplicación de estos gráficos supondría una herramienta de 7
8 control muy interesante en situaciones prácticas como en procesos muy capaces, procesos difícilmente ajustables o cuyo coste de ajuste sea elevado. Referencias Aparisi. F. and Garcia-Diaz. J.C. (2002): Optimization of ewma and mewma control charts using genetic algorithms. Computers and Operations Research (in revision). Crowder, S.V. (1989) Design of Exponentially Weighted Moving Average Schemes. Journal of Quality Technology. 21, Goldberg, D.E. (1989): Genetic Algorithms in Search, Optimization, and Machine Learning. Addison Wesley. Holland, J., (1975): Adaptation in natural and artificial systems. Ann Arbor: University of Michigan Press. Hunter J.S., (1986): The exponentially weighted moving average. Journal of Quality Technology. 18, Lucas, J.M. y Saccucci, M.S. (1990): Exponentially Weighted Moving Average Control Schemes: Properties and Enhancement,s. Technometrics. 32, Lucas, J.M. y Saccucci, M.S. (1990): Average Run Lengths for Exponentially Weighted Moving Average Control Schemes Using the Markov Chain Approach. Journal of Quality Technology, 22, Montgomery, D.C., (2001).Introduction to statistical quality control.4end edn, John Wiley, New York. Saccucci, M.S. y Lucas, J.M. (1990): Average Run lengths for Exponentially Weighted Moving Average Control Schemes Using the Markov Chain approach. Journal of Quality Technology. 22, Shewhart, W. A., (1931): Economic Control of Quality of Manufactured Product. New York: D. Van Nostrand Co., Inc. 8
Optimización de los gráficos de control CUSUM-FIR mediante algoritmos genéticos
5 th International Conference on Industrial Engineering and Industrial Management XV Congreso de Ingeniería de Organización Cartagena, 7 a 9 de Septiembre de 2011 Optimización de los gráficos de control
Más detallesAPLICACIÓN DE LA METODOLOGÍA DE DAUDIN A LOS GRÁFICOS POR ATRIBUTOS
27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8-11 de abril de 2003 APLICACIÓN DE LA METODOLOGÍA DE DAUDIN A LOS GRÁFICOS POR ATRIBUTOS Elena Pérez Bernabeu 1, José M. Jabaloyes
Más detallesMÉTODOS ESTADÍSTICOS PARA LA MEJORA DE LA CALIDAD
MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE LA CALIDAD Tema 8: Gráficos de Control con Memoria 1. Introducción 2. Gráfico EWMA 3. Gráfico de Medias Móviles 4. Gráfico CUSUM 2 Parte I: Diseño de experimentos
Más detallesAumento de la potencia del gráfico de control multivariante T 2 de Hotelling utilizando señales adicionales de falta de control
ESTADÍSTICA ESPAÑOLA Vol. 43, Núm. 148, 001, págs. 171 a 188 Aumento de la potencia del gráfico de control multivariante T de Hotelling utilizando señales adicionales de falta de control por FRANCISCO
Más detallesCONTROL ESTADÍSTICO DE PROCESOS Y METROLOGÍA EN LA CONSTRUCCIÓN DE UN BUQUE EN GRADA
CONTROL ESTADÍSTICO DE PROCESOS Y METROLOGÍA EN LA CONSTRUCCIÓN DE UN BUQUE EN GRADA Salvador Naya 1 y José Ángel Fraguela 2 1 Departamento de Matemáticas. Escuela Politécnica Superior. Universidad de
Más detallesEVALUACIÓN DEL MÉTODO DE MURPHY PARA LA INTERPRETACIÓN DE SEÑALES EN LA CARTA T 2 MULTIVARIADA
EVALUACIÓN DEL MÉTODO DE MURPHY PARA LA INTERPRETACIÓN DE SEÑALES EN LA CARTA T 2 MULTIVARIADA Hector Fabian Lopez Casas 1 hectorfl86@hotmail.com 1 Estudiante de Matematicas Con Enfasis en Estadistica,
Más detallesGráficos EWMA. Ejemplo StatFolio: ewmachart.sgp
Gráficos EWMA Resumen El procedimiento del Gráfico EWMA (Exponentially Weighted Moving Average - Promedios Móviles Exponencialmente Ponderados) construye un gráfico de control para una sola variable numérica
Más detallesGRAFICOS DE CONTROL DATOS TIPO VARIABLES
GRAFICOS DE CONTROL DATOS TIPO VARIABLES OBJETIVO DEL LABORATORIO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control, para realizar
Más detallesSTATGRAPHICS genera tres tipos de planes de muestreo de aceptación:
Muestreo de Aceptación (Variables) Cuando los lotes contienen un número relativamente grande de artículos que requieren la inspección, los planes de muestreo de aceptación pueden proporcionar la protección
Más detallesTEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-)
MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE LA CALIDAD INGENIERIA DE TELECOMUNICACIONES TEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-) 1. Un proceso industrial fabrica
Más detallesSelección Diseño de Cribado
Selección Diseño de Cribado Resumen La sección diseño experimental del STATGRAPHICS puede crear una amplia variedad de diseños dirigidos a mostrar los factores más importantes que afectan un proceso. Se
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesCARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS
CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS MEDIANTE UN ENFOQUE POR CADENAS DE MARKOV ABSORBENTES Lidia Toscana - Nélida Moretto - Fernanda Villarreal Universidad Nacional del Sur, ltoscana@criba.edu.ar
Más detallesDiseño Gráficos de Control
Diseño Gráficos de Control Resumen Este procedimiento esta diseñado para ayudar a determinar el tamaño de muestra apropiado y los parámetros comunes para los gráficos de control. El diseño esta basado
Más detallesNUEVAS ESTRATEGIAS EN CONTROL DE LA VARIABILIDAD DE PROCESOS
Decimonovenas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística. Noviembre de 014. Lignini, Maira Barbiero, Cristina Flury, Maria Isabel Quaglino, Marta Instituto de Investigaciones
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Métodos complementarios al análisis de varianza Comparaciones múltiples Comparación o pruebas de rangos múltiples Después de que se rechazó la hipótesis
Más detallesGráfico de Desgaste de Herramientas
Gráfico de Desgaste de Herramientas Resumen El procedimiento Gráfico de Desgaste de Herramientas crea cuadros de control para una sola variable numérica donde se espera que cambien las cantidades en un
Más detallesLOS GRÁFICOS DE CONTROL POR ATRIBUTOS
Revista de investigación Editada por Área de Innovación y Desarrollo, S.L. Envío: 20-02-2012 Aceptación: 29-02-2012 Publicación: 01-06-2012 LOS GRÁFICOS DE CONTROL POR ATRIBUTOS ATTRIBUTE CONTROL CHART
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesTAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN
TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra
Más detallesCAPÍTULO 4 CAPACIDAD DEL PROCESO
APÍTULO 4 APAIDAD DEL PROESO APÍTULO 4 APAIDAD DEL PROESO En este capítulo se hace una evaluación de la situación actual de la producción de la tapa de las guanteras para el coche modelo Jetta A4. Para
Más detallesAprender a construir gráficos X-S y conocer sus limitaciones.
Objetivos Aprender a construir gráficos X-R y conocer sus limitaciones. Aprender a construir gráficos X-S y conocer sus limitaciones. Comprender la relación entre los Gráficos de Control y el intervalo
Más detallesESTUDIOS DE CAPACIDAD
ESTUDIOS DE CAPACIDAD La capacidad de una máquina o proceso, se puede interpretar como su aptitud para producir artículos de acuerdo con las especificaciones. También se puede interpretar como la aptitud
Más detallesUnidad 3: Incertidumbre de una medida
Apoyo para la preparación de los estudios de Ingeniería y Arquitectura Física (Preparación a la Universidad) Unidad 3: Incertidumbre de una medida Universidad Politécnica de Madrid 12 de abril de 2010
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesALGORITMOS GENÉTICOS EN EL CÁLCULO DIFERENCIAL
ALGORITMOS GENÉTICOS EN EL CÁLCULO DIFERENCIAL Palabras claves: optimización, algoritmos genéticos, robustez. Resumen Amador, Niño Jairo* Este documento presenta una introducción a los algoritmos genéticos
Más detallesTEMA 3: Inspección Estadística por Variables
TEMA 3: Inspección Estadística por Variables 1 Planes de muestreo por variables 2 Inspección en cadena 3 Inspección por muestreo continuo 4 Planes de muestreo por lotes salteados 5 Consideración de errores
Más detallesUNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR. Ingeniería Aplicada TEÓRICA SERIACIÓN 100% DE OPTATIVAS DISCIPLINARIAS
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR DEPARTAMENTO ACADÉMICO DE SIS COMPUTACIONALES INGENIERÍA EN TECNOLOGÍA COMPUTACIONAL ASIGNATURA Algoritmo Genéticos ÁREA DE Ingeniería Aplicada CONOCIMIENTO
Más detallesTABLA DE CONTENIDO. TABLA DE CONTENIDO...ii ÍNDICE DE FIGURAS... iv ÍNDICE DE TABLAS... v CAPITULO INTRODUCCIÓN MOTIVACIÓN...
TABLA DE CONTENIDO RESUMEN... i TABLA DE CONTENIDO...ii ÍNDICE DE FIGURAS... iv ÍNDICE DE TABLAS... v LISTA DE ACRÓNIMOS... 1 CAPITULO 1... 2 INTRODUCCIÓN... 2 1.1. MOTIVACIÓN... 2 1.2. ALCANCES... 3 1.3.
Más detalles1 CÁLCULO DE PROBABILIDADES
1 CÁLCULO DE PROBABILIDADES 1.1 EXPERIENCIAS ALEATORIAS. SUCESOS 1.1.1 Definiciones Experiencia aleatoria: experiencia o experimento cuyo resultado depende del azar. Suceso aleatorio: acontecimiento que
Más detallesGráficos X-Bar y S. StatFolio de Muestra: xbarschart.sgp
Gráficos X-Bar y S Resumen El procedimiento Gráficos X-Bar y S crea gráficos de control para una simple variable numérica cuando los datos han sido recabados en subgrupos. Crea un Gráfico X-bar para monitorear
Más detallesControl Estadístico Interno de la Calidad en Serología
Control Estadístico Interno de la Calidad en Serología Agenda Introducción Buenas Prácticas Reglas de Control Planificación Introducción Luego de la Evaluación de los Procedimientos de Medida Voy a comenzar
Más detalles«La estadística es una ciencia que demuestra que si mi vecino tiene dos coches y yo ninguno, los dos tenemos uno».
«La estadística es una ciencia que demuestra que si mi vecino tiene dos coches y yo ninguno, los dos tenemos uno». George Bernard Shaw (1856-1950) Escritor irlandés. Para empezar: Primera parte: Estadística
Más detallesMantenimiento Eléctrico
Universidad Tecnológica de Pereira - 1/27 Mantenimiento Eléctrico Intervalos estadísticos, pruebas de hipótesis Mauricio Holguín Londoño Programa de Ingeniería Eléctrica 2016 Universidad Tecnológica de
Más detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
Más detallesEL CÁLCULO DE LA MUESTRA SE BASA EN EL DISEÑO DE ESTUDIO, MEDIANTE CARACTERÍSTICAS QUE SE CONOCEN EN LA POBLACIÓN
VALIDEZ INTERNA EL CÁLCULO DE LA MUESTRA SE BASA EN EL DISEÑO DE ESTUDIO, MEDIANTE CARACTERÍSTICAS QUE SE CONOCEN EN LA POBLACIÓN Existen fórmulas que nos permiten calcular la muestra en base a características
Más detallesGráficos de control con memoria
Capítulo 6 Gráficos de control con memoria 6.1 Introducción Cuando en un proceso se produce un desajuste muy pequeño, los gráficos estudiados en los temas anteriores pueden ser poco efectivos. El problema
Más detallesCURSO DE MÉTODOS CUANTITATIVOS I
CURSO DE MÉTODOS CUANTITATIVOS I TEMA VI: INTRODUCCIÓN AL MUESTREO Ing. Francis Ortega, MGC Concepto de Población y Muestra POBLACIÓN (N) Es el conjunto de todos los elementos de interés en un estudio
Más detallesINDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso
INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento
Más detallesDiscusión Sobre Taguchi: Taguchi Sí o No Por Sergio Arratia. Variable de entrada. Arreglo variables de ruido. Arreglo producto
Discusión Sobre Taguchi: Taguchi Sí o o Por Sergio Arratia Introducción La contribución de Taguchi a los métodos de mejora de la calidad es sin duda excepcional. Sin embargo, existe cierta crítica de sus
Más detallesUN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 6 Nombre: Distribuciones de probabilidad para variables aleatorias continuas Contextualización Las variables aleatorias discretas son aquellas
Más detallesMs. C. Marco Vinicio Rodríguez
Ms. C. Marco Vinicio Rodríguez mvrodriguezl@yahoo.com http://mvrurural.wordpress.com/ Uno de los objetivos de la estadística es saber acerca del comportamiento de parámetros poblacionales tales como:
Más detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detallesALGORITMOS GENÉTICOS
ALGORITMOS GENÉTICOS Autor: Miguel Ángel Muñoz Pérez. Primera versión: Noviembre, 1997. Última modificación: Abril, 2005. ADVERTENCIA Si ya sabes lo que es un algoritmo genético y esperas hallar algo novedoso
Más detallesContraste de Hipótesis
Contraste de Hipótesis Introducción Ejemplo El peso de plantines de un arbusto forrajero, almacenado a temperatura y humedad relativa ambientes, obtenido a los 20 días desde la germinación es en promedio
Más detallesUNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO LICENCIATURA EN TURISMO UNIDAD DE APRENDIZAJE: ESTADISTICA TEMA 1.5 : ESTADISTICA DESCRIPTIVA M. EN C. LUIS ENRIQUE KU MOO FECHA:
Más detallesDiseño y simulación de un algoritmo basado en lógica difusa para el despacho de ascensores en un edificio
Diseño y simulación de un algoritmo basado en lógica difusa para el despacho de ascensores en un edificio PROYECTO FIN DE CARRERA Ingeniería de Telecomunicación Autor: Guillermo Iglesias García Director:
Más detalles2. Distribuciones de Muestreo
2. Distribuciones de Muestreo Conceptos básicos Para introducir los conceptos básicos consideremos el siguiente ejemplo: Supongamos que estamos interesados en determinar el número medio de televisores
Más detallesCurs MAT CFGS-14
Curs 2015-16 MAT CFGS-14 Dejamos por ahora el resto de geometría (parte 13) (Vectores y recta) que nunca ha salido y nos centraremos en el bloque siguiente. Al final, si sobra tiempo, retomaremos la parte
Más detallesENRIC RUIZ MORILLAS ESTADÍSTICA APLICADA A EXPERIMENTOS Y MEDICIONES
ENRIC RUIZ MORILLAS ESTADÍSTICA APLICADA A EXPERIMENTOS Y MEDICIONES Índice 1. Experimento y medición...1 2. Frecuencia y probabilidad...3 3. Características teóricas de las variables aleatorias...25 4.
Más detallesGráfico de Medias Móviles (MA)
Gráfico de Medias Móviles (MA) Resumen El procedimiento Gráfico de Medias Móviles crea cuadros de control para una sola variable numérica donde los datos se han recolectado ya sea individualmente o en
Más detallesGRÁFICOS DE CONTROL. Datos tipo atributo
GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Los gráficos p, 100p y u difieren de los gráficos np y c en que los
Más detallesESTIMACION DEL TAMAÑO DE LA MUESTRA Y DE LA POTENCIA
ESTIMACION DEL TAMAÑO DE LA MUESTRA Y DE LA POTENCIA HIPOTESIS Y PRINCIPIOS Sabemos a quién y qué vamos a estudiar. Ahora hay que decidir cuántos individuos contendrá la muestra. Hipótesis nula (H o )
Más detallesLos Gráficos de Control de Shewart
Los Gráficos de Control de Shewart La idea tradicional de inspeccionar el producto final y eliminar las unidades que no cumplen con las especificaciones una vez terminado el proceso, se reemplaza por una
Más detallesESTADÍSTICA INFERENCIAL. Sesión 6: Distribuciones de probabilidad para variables aleatorias continuas
ESTADÍSTICA INFERENCIAL Sesión 6: Distribuciones de probabilidad para variables aleatorias continuas Contextualización Las variables aleatorias discretas son aquellas que toman estrictamente valores enteros,
Más detallesModelos predictivos y de optimización de estructuras de hormigón
http://optimizacionheuristica.blogs.upv.es 1 Modelos predictivos y de optimización de estructuras de hormigón Dr. Ing. Víctor Yepes Piqueras Departamento de Ingeniería de la Construcción y Proyectos de
Más detallesMUESTREO PARA ACEPTACION
MUESTREO PARA ACEPTACION Inspección de Calidad Consiste en un procedimiento técnico que permite verificar si los materiales, el proceso de fabricación y los productos terminados cumplen con sus respectivas
Más detallesCARACTERIZACIÓN ENERGÉTICA DEL VIENTO: POTENCIAL EÓLICO. Prof. Msc. José Garcia
CARACTERIZACIÓN ENERGÉTICA DEL VIENTO: POTENCIAL EÓLICO INTRODUCCIÓN En esta parte se trata la caracterización energética del viento y sobre la evaluación del potencial eólico que presenta un determinado
Más detallesESTIMACIÓN DE LOS COMPONENTES DE LA VARIACIÓN DE UN SISTEMA DE MEDICIÓN, USANDO EL RANGO. Resumen
ESTIMACIÓN DE LOS COMPONENTES DE LA VARIACIÓN DE UN SISTEMA DE MEDICIÓN, USANDO EL RANGO RIVAS C., Gerardo A. Escuela de Ingeniería Industrial. Universidad de Carabobo. Bárbula. Valencia. Venezuela Jefe
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesAcademia de la carrera de Licenciatura en Informática del Instituto Tecnológico de Aguascalientes
1. DATOS DE LA ASIGNATURA Nombre: Técnicas de Inteligencia Artificial y Sistemas Multi-agentes Carrera: Licenciatura en Informática Clave de la asignatura: IFS-0405 Horas teoría - horas práctica - créditos:
Más detallesProgramación Evolutiva
Introducción a la Computación Evolutiva Quinta Clase: Programación Evolutiva Programación Evolutiva Desarrollada en USA durante los años 60 Autores principales: D. Fogel Aplicada típicamente a: PE tradicional:
Más detallesTeoría de muestras. Distribución de variables aleatorias en el muestreo. 1. Distribución de medias muestrales
Teoría de muestras Distribución de variables aleatorias en el muestreo 1. Distribución de medias muestrales Dada una variable estadística observada en una población, se puede calcular se media y su desviación
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
Más detallesGRÁFICOS DE CONTROL. Datos tipo atributo
GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL Total GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Por unidad Los gráficos p, 100p y u difieren de los gráficos
Más detallesControl estadístico de calidad
Control estadístico de calidad Manuel Vilches Pacheco Instituto de Medicina Oncológica y Molecular de Asturias Oviedo Luis Isaac Ramos García Clínica Universidad de Navarra Pamplona Índice 1. Generalidades
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #9 Tema: Estimación puntual y por Intervalo de confianza Prof.: MSc. Julio Rito Vargas A. Grupos: CCEE y ADMVA /2016 Objetivos:
Más detallesPráctica de Control Estadístico de Procesos Control por Variables
Práctica de Control Estadístico de Procesos Control por Variables Fichero de datos: Sensorpresion.sf3 1. Los datos Un sensor de presión ha de trabajar en condiciones de alta temperatura. Para controlar
Más detallesEl papel probabilístico normal
El papel probabilístico normal Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística, Investigación Operativa Aplicadas
Más detallesControl Estadístico de Procesos Capacidad de Proceso
Control Estadístico de Procesos Capacidad de Proceso Un proceso de fabricación es un conjunto de equipos, materiales, personas y métodos de trabajo que genera un producto fabricado. Maquinaria Métodos
Más detallesCAPÍTULO 4. ANÁLISIS DE LA INFLUENCIA DEL INTERVALO DE TIEMPO UTILIZADO EN EL SEGUIMIENTO EN LOS RESULTADOS DE LA PREVISIÓN
CAPÍTULO 4. ANÁLISIS DE LA INFLUENCIA DEL INTERVALO DE TIEMPO UTILIZADO EN EL SEGUIMIENTO EN LOS RESULTADOS DE LA PREVISIÓN En este capítulo se analiza la influencia del intervalo de tiempo utilizado para
Más detalles4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
Más detalles2.4. Medidas de variabilidad o dispersión
2.4. MEDIDAS DE VARIABILIDAD O DISPERSIÓN 55 Q 3 = l i 1 + 3 n/4 N i 1 37, 5 35 a i = 7 + 5 = 9, 5 n i 5 2.4. Medidas de variabilidad o dispersión Los estadísticos de tendencia central o posición nos indican
Más detallesTEMA 2: Inspección estadística por atributos
TEMA 2: Inspección estadística por atributos 1 Introducción: Inspección estadística de lotes. 2 Planes de muestreo simple por atributos. 3 Planes de muestreo doble, múltiple y secuencial. 4 Planes de muestreo
Más detallesControl Estadístico de Procesos (SPC).
Control Estadístico de Procesos (SPC). - Sesión 4ª de 4 - JAIME RAMONET FERNÁNDEZ Ingeniero Industrial Superior. PMP (PMI ). Formador y Consultor. Actitud requerida para recibir formación... y obtener
Más detallesPrueba de Hipótesis. Bondad de Ajuste. Tuesday, August 5, 14
Prueba de Hipótesis Bondad de Ajuste Conceptos Generales Hipótesis: Enunciado que se quiere demostrar. Prueba de Hipótesis: Procedimiento para determinar si se debe rechazar o no una afirmación acerca
Más detallesTécnicas de investigación cuantitativas: Tema 4: MUESTREO PROBABILÍSTICO
Técnicas de investigación cuantitativas: Tema 4: MUESTREO PROBABILÍSTICO Grado en Criminología Curso 2014/2015 Técnicas de investigación cualitativa y cuantitativa Diseño muestral Recordemos (Tema 3):
Más detallesEstadística ESTADÍSTICA
ESTADÍSTICA La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un estudio estadístico consta
Más detallesDistribución Gaussiana o normal
FLUCTUACIONES ESTADÍSTICAS Los postulados fundamentales de la teoría estadística de errores establecen que, dado un conjunto de medidas, todas efectuadas en idénticas condiciones, suficientemente grande
Más detallesUso de la simulación en hoja de cálculo como herramienta pedagógica para la inferencia estadística.
USO DE LA SIMULACIÓN EN HOJA DE CÁLCULO COMO HERRAMIENTA PEDAGÓGICA PARA LA INFERENCIA ESTADÍSTICA: APLICACIÓN A LAS PROPIEDADES CLÁSICAS DE LOS ESTIMADORES Carlos Martínez de Ibarreta Zorita Departamento
Más detallesCaso 105. Tamaño de muestra y potencia de una prueba. Diseño de experimentos. Jesús López Fidalgo
Caso 105. Tamaño de muestra y potencia de una prueba. Diseño de experimentos. Jesús López Fidalgo Caso Práctico El objetivo de este ejercicio es analizar diferentes tipos de pruebas estadísticas en las
Más detalles(12249) TITULACIÓN LICENCIATURA EN A.D.E. TÉCNICAS ESTADÍSTICAS DE CONTROL DE CALIDAD. Mª Isabel López Rodríguez Dpto.
TITULACIÓN LICENCIATURA EN A.D.E. TÉCNICAS ESTADÍSTICAS DE CONTROL DE CALIDAD (149) Mª Isabel López Rodríguez Dpto. Economía Aplicada CURSO ACADÉMICO 013/014 TEMA 5: CONTROL DE PROCESOS POR VARIABLES.
Más detallesMaestría en Investigación de la Salud
Universidad de Cuenca Facultad de Ciencias Médicas Maestría en Investigación de la Salud Módulo V: Metodología de la investigación Universo y muestra Docente: S. Mayo de 2010 Universo y muestra Universo:
Más detalles1. Caso no lineal: ajuste de una función potencial
1. Caso no lineal: ajuste de una función potencial La presión (P) y el volumen (V ) en un tipo de gas están ligados por una ecuación del tipo PV b = a, siendo a y b dos parámetros desconocidos. A partir
Más detallesTema 8. Muestreo. Indice
Tema 8. Muestreo Indice 1. Población y muestra.... 2 2. Tipos de muestreos.... 3 3. Distribución muestral de las medias.... 4 4. Distribución muestral de las proporciones.... 6 Apuntes realizados por José
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesINFERENCIA ESTADISTICA
INFERENCIA ESTADISTICA ESTIMACION 2 maneras de estimar: Estimaciones puntuales x s 2 Estimaciones por intervalo 2 ESTIMACION Estimaciones por intervalo Limites de Confianza LCI
Más detallesControl Estadístico de la Calidad. Gráficos de Control. Estadistica Básica
Control Estadístico de la Calidad Gráficos de Control Estadistica Básica Control de Calidad Calidad significa idoneidad de uso, Es la interacción de la calidad: Del diseño Nivel de desempeño, de confiabilidad
Más detallesAplicación de Algoritmos Genéticos en la Fragmentación Vertical y asignación simultanea en Bases de Datos Distribuidas
Aplicación de Algoritmos Genéticos en la Fragmentación Vertical y asignación simultanea en Bases de Datos Distribuidas Rodrigo Peralta González Alumno Ingeniería Civil Informática Universidad Católica
Más detallesOPTIMIZACIÓN DE RUTAS EN LA PESCA DEL ATÚN
OPTIMIZACIÓN DE RUTAS EN LA PESCA DEL ATÚN CASO DE INVESTIGACIÓN APLICADA EN EL SECTOR DE LA PESCA Carlos Groba 28/11/2014 SANTIAGO DE COMPOSTELA Quiénes somos Marine Instruments es una empresa especializada
Más detallesTEMA 8 (b) Índice. Normas para la interpretación de las puntuaciones de los tests (Tests referidos a las normas)
TEMA 8 (b) Normas para la interpretación de las puntuaciones de los tests (Tests referidos a las normas) Índice 1. La interpretación de las puntuaciones 2. Interpretación normativa: Grupo normativo 3.
Más detallesVariables aleatorias 1. Problema 1
Variables aleatorias 1 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Estadística Variables aleatorias Problema 1 La dimensión de ciertas piezas sigue una distribución normal
Más detallesEstimación. Introducción. Sea X la variable aleatoria poblacional con distribución de probabilidad f θ donde. es el parámetro poblacional desconocido
Tema : Introducción a la Teoría de la Estimación Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f θ (x), donde θ Θ es el parámetro poblacional desconocido Objetivo:
Más detallesCONTROL DE CALIDAD INTERNO. MULTIREGLAS, OPSpecs Control estadístico de procesos
CONTROL DE CALIDAD INTERNO MULTIREGLAS, OPSpecs Control estadístico de procesos FUENTES DE ERROR Instrumental mal calibrado Reactivos no verificados Personal no entrenado Metodologías incorrectas Elaboración
Más detalles1.2 Medidas de variación: Rango, desviación estándar y coeficiente de variación
1.2 Medidas de variación: Rango, desviación estándar y coeficiente de variación Medidas de Variación Amplitud Coeficiente variación Desviación estándar Rango Valor Z Varianza de Diferencia entre los valores
Más detallesMétodo Seis Sigma. Maria Soledad Lahitte
Método Seis Sigma Maria Soledad Lahitte Introducción Seis Sigma es el término elegido por Motorola, hace más de 17 años, para denominar su iniciativa de reducción radical de defectos en productos, lo cual
Más detallesEstadística II. Carrera: INB Participantes. Representante de las academias de ingeniería industrial de Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadística II Ingeniería Industrial INB - 0408 4 0 8 2.- HISTORIA DEL PROGRAMA
Más detallesCONTRASTE DE HIPÓTESIS TEMA 4.1 CONTRASTES BILATERALES
CONTRASTE DE HIPÓTESIS TEMA 4.1 CONTRASTES BILATERALES INTRODUCCIÓN Un fabricante de pilas afirma que la duración media de sus pilas, funcionando ininterrumpidamente, es de 53 horas como mínimo y su desviación
Más detalles