DISEÑO FACTORIAL MODELO JERÁRQUICO (0 ANIDADO)
|
|
- Juan Luis Muñoz Río
- hace 6 años
- Vistas:
Transcripción
1 DISEÑO FACTORIAL Niveles de B Niveles de A y 11 y 12 y 13 y 14 y 15 2 y 21 y 22 y 23 y y 3 y 31 y 32 y 33 y 34 y 35 4 y 41 y 42 y 43 y 44 y 45 Todos los niveles de cada factor están combinados con todos los niveles de los restantes factores MODELO JERÁRQUICO (0 ANIDADO) Ciertos niveles de B están ligados a ciertos niveles de A. Niveles de B Niveles de A y 11 y 12 2 y 23 3 y 34 4 y 45 La presencia de un nivel de B depende de la de un cierto nivel de A; en este caso diremos que el factor B está anidado en el factor A,yconB j(i) indicaremos que el j ésimo nivel de B corresponde al i-ésimo de A. Modelo equilibrado: Un factor anidado con el mismo número de observaciones por celda Modelo no-equilibrado: Un factor anidado con distinto número de observaciones por celda 1
2 DISEÑO JERÁRQUICO CON UN FACTOR ANIDADO Y EL MISMO NÚMERO DE OBSERVACIONES POR CELDA 1) Distinto n o de niveles del factor anidado por cada nivel del factor principal MODELO ESTADÍSTIC0 y ijk = µ + τ i + β j(i) + u (ij)k µ : la media global τ i : el efecto del nivel i ésimo del factor A; (i =1, 2,,a) β j(i) : el efecto producido por el nivel j ésimo del factor B dentro del nivel i ésimo del factor A, (j =1, 2,,b i ) (k =1, 2,,r) : r es el número de réplicas n : número de observaciones: n = r X i b i u (ij)k : el error experimental. Variables aleatorias independientes N(0,σ) NO HAY INTERACCIÓN: CADA NIVEL DE B NO APARECE CON CADA NIVEL DE A. MODELO DE EFECTOS FIJOS A y B son fijos: X a τ i =0; X r i β j(i) =0(para i =1, 2,,a). i=1 j=1 2
3 ECUACIÓN BÁSICA DEL ANÁLISIS DE LA VARIANZA SCT = SCA + SCB(A)+SCR H 0 τ i =0 ; 8i ; H 0 β j(i) =0 ; 8i,j Tabla ANOVA para el modelo de efectos fijos F. V. S. C. G. L. C. M. F exp Fac. A SCA = 1 ax yi:: 2 y2 ::: CMA a 1 CMA r b i=1 i n Ã! BenA SCB(A) = 1 X ax yij: 2 r yi:: 2 CMB(A) R a CMB(A) b i;j i=1 i Error SCR = X yijk 2 1 X yij: 2 R(r 1) r i;j;k i;j TOT. SCT = X i;j;k y 2 ijk y2 ::: n n 1 CMT R : el número total de niveles del factor B R = X i bi n el número total de observaciones. n = r X i bi F exp(a) = SCA a 1 SCR R(r 1) = CMA ; F exp(a(b)) = SCB(A) R a SCR R(r 1) = CMB(A) Bajo H 0 F exp(a) Ã F a 1;R(r 1) Bajo H 0 F exp(a(b)) Ã F R a;r(r 1) 3
4 MODELO DE EFECTOS ALEATORIOS Los niveles de A son una muestra aleatoria de una población N(0; σ A ) Los niveles de B son una muestra aleatoria de una población N(0; σ B ) Contrastes: H 0 σ 2 A =0 y H 0 σ 2 B =0, respectivamente MODELO DE EFECTOS MIXTOS A es el factor de efectos fijos. H 0 τ i =0 B el factor de efectos aleatorios. H 0 σ 2 B =0 Tabla ANOVA. Modelo de efectos aleatorios y mixtos F. V. S. C. G. L. C. M. F exp Fac. A SCA = 1 ax yi:: 2 y2 ::: CMA a 1 CMA r b i=1 i n CMB(A) Ã! BenA SCB(A) = 1 X ax yij: 2 r yi:: 2 CMB(A) R a CMB(A) b i;j i=1 i Error SCR = X yijk 2 1 X yij: 2 R(r 1) r i;j;k i;j TOT. SCT = X i;j;k y 2 ijk y2 ::: n n 1 CMT F exp(a) = SCA a 1 SCB(A) R a = CMA CMB(A) Bajo H 0 F exp(a) Ã F a 1;R a ; F exp(a(b)) = SCB(A) R a SCR R(r 1) = CMB(A) Bajo H 0 F exp(a(b)) Ã F R a;r(r 1) 4
5 Ejemplo. Diseños con un factor anidado (no-balanceado) Una entidad bancaria tiene siete sucursales en tres ciudades, distinguiéndose éstas por su distinto carácter económico. En la central del banco están interesados en saber si la diferente captación de clientes, medida por el volumen de las cuentas corrientes, entre unas sucursales y otras, así mismo entre ciudades, se debe al hecho de ser las ciudades diferentes económicamente, a la labor de los directores de las sucursales, o a ambas cosas a la vez. Para contrastar estas posibles fuentes de variabilidad, se decide utilizar un diseño factorial jerárquico (los niveles del factor sucursales no pueden combinarse con todos y cada uno de los niveles del factor ciudades) y se toma una muestra de tres cuentas corrientes en cada sucursal, en miles de ptas. Ciudad 1 Ciudad 2 Ciudad 3 Sucursales Suc. 1 Suc. 2 Suc. 1 Suc. 2 Suc. 3 Suc. 1 Suc y ij y i Modelo jerárquico con un factor anidado: las sucursales están jerarquizadas según las ciudades. SCT = X yijk 2 y2 ::: n = (1150)2 + + (870) 2 (21190)2 21 i;j;k = ,96 SCA = 1 r 3X i=1 yi:: 2 y2 ::: b i n = 1 2 (6819) 3 2 = ,12 SCB(A) = 1 X yij: 2 r 1 r i;j 1 2 (6819) 3 2 ax i=1 + (9369)2 3 + (9369)2 3 + (5002)2 (21190) yi:: 2 = 1 (3455) 2 + (3364) (15) 2 b i 3 + (5002)2 2 SCR = SCT SCA SCB(A) = 3979,33 =3583,5 = 5
6 F. V. S. C. G. L. C. M. Factor A SCA = ,12 2 CMA = ,06 Fact B en A SCB(A) = 3583,50 7 3=4 CMB(A) =895,8750 Error SCR =3979,33 2 7=14 =4,2381 TOTAL SCT = ,96 20 Modelo de efectos fijos: Ciudades (factor A) ysucursales (factor B). son de efectos fijos. H 0A τ i =0 y H 0B(A) β j(i) =0 F.V. g.l. C.M. F exp Factor A 2 CMA = ,06 CMA/ =512,4 Fact B en A 4 CMB(A) =895,8750 CMB(A)/ =3,152 Error 14 =4,2381 Si α = 0.05, como F exp(a) = 512,4 >F 0,05;2,14 =3,74, la captación de clientes es significativamente distinta en los tres tipos de ciudades, debido al hecho de su distinto carácter económico y F exp(a(b)) =3,152 >F 0,05;4,14 =3,11 la labor de los directores de sucursal también es significativamente distinta. Modelo de efectos aleatorios: Ciudades (A) y Sucursales (B) son de efectos aleatorios H 0A σ 2 A =0 y H 0B(A) σ 2 B =0 F.V. g.l. C.M. F exp Factor A 2 CMA = ,06 CMA/CMB(A) = 162,5 Fact B en A 4 CMB(A) =895,8750 CMB(A)/ =3,152 Error 14 =4,2381 Si α = 0.05, como F exp(a) = 162,5 >F 0,05;2,4 =6,94, los distintos niveles del factor A (Ciudades) son significativamente distintos y F exp(b(a)) =3,152 >F 0,05;4,14 =3,11 también son significativamente distintos los efectos del factor B (sucursales). Modelo de efectos mixtos: Ciudades (A): Efectos fijos y Sucursales (B): Efectos aleatorios. Los contrastes H 0A τ i =08i y H 0B σ 2 B =0se resuelven como en el modelo de efectos aleatorios llegándose a las mismas conclusiones. 6
7 2) Igual n o de niveles del factor anidado en todos los niveles del factor principal MODELO ESTADÍSTIC0 8 < y ijk = µ + τ i + β j(i) + u (ij)k : i =1, 2,,a j =1, 2,,b k =1, 2,,r Diseño anidado balanceado: Elmismon o de niveles de B dentro de cada nivel de A yelmismon o de réplicas. EJEMPLO Consideremos una compañía que compra su materia prima a tres diferentes proveedores. La compañía desea determinar si la pureza de la materia prima de cada uno de los proveedores es la misma. Hay cuatro lotes de materia disponible de cada proveedor y se hacen tres determinaciones de la pureza de cada lote. Modelo Jerárquico con un factor anidado (balanceado) Proveed Lotes y 111 y 121 y 131 y 141 y 211 y 221 y 231 y 1 y 311 y 321 y 331 y 341 Observ. y 112 y 122 y 132 y 142 y 212 y 222 y 232 y 2 y 312 y 322 y 332 y 342 y 113 y 123 y 133 y 143 y 213 y 223 y 233 y 3 y 313 y 323 y 333 y 343 Es un modelo jerárquico con un factor anidado, donde los lotes están jerarquizados según los proveedores. Los lotes de un proveedor son únicos para ese proveedor en particular, es decir, el lote 1 del proveedor 1 no tiene relación con el lote 1 de cualquier otro proveedor (igual para los restantes lotes). Si los factores fuesen cruzados el lote 1 siempre sería el mismo para cualquier proveedor y lo mismo ocurriría con los demás lotes) 7
8 Ejemplo: Diseños con un factor anidado (balanceado) Un compañía compra su materia prima por lotes a tres proveedores. La pureza de la materia prima varía considerablemente, se desea determinar si la variabilidad en la pureza puede atribuirse a diferencias entre los proveedores. Para ello, selecciona al azar cuatro lotes de materia prima y se hacen tres determinaciones de la pureza sobre cada lote. Proveedores Lotes Observaciones Modelo de efectos mixtos: el factor proveedor es fijo y el factor lote es aleatorio. El efecto lote-dentro-proveedor también se trata como de efecto aleatorio porque contiene un factor aleatorio. F.V. S. C. G. L. C.M F exp Factor A 15, ,5 7,5/7,769 = 0,969 Fact. B en A 69, =9 7,769 7,769/2,639 = 2,944 Error 63, (3 1) = 2,639 TOTAL 148, Si α =0,05 se observa que el efecto proveedor (F 0,05;2,9 =4,26) no es significativo y el efecto lotes-dentro-proveedor (F 0,05;9, =2,30) si es significativo. 8
9 Ejemplo: Diseños con un factor anidado (balanceado) Con el propósito de estudiar el rendimiento de cinco máquinas diferentes, se realiza un experimento en el que cada máquina es operada por cuatro diferentes operarios y se seleccionan y prueban cuatro piezas de cada operador y se mide el tiempo que tardan en realizarlas. Debido a que las máquinas están en diferente localidad no es posible usar los mismos operarios en cada máquina; además los operarios se eligen al azar. Máquinas Operario A B C D E 1 6,2,0,8 10,9,7,12 0,0,5,5 11,0,6,4 1,4,7,9 2 13,3,9,8 2,1,1,10 10,11,6,7 5,10,8,3 6,7,0,3 3 1,10,0,6 4,1,7,9 8,5,0,7 1,8,9,4 3,0,2,2 4 7,4,7,9 0,3,4,1 7,2,5,4 0,8,6,5 3,7,4,0 Modelo de efectos mixtos: El factor Máquina es de efectos fijos y el factor Operario es de efectos aleatorios. F.V. S. C. G. L. C.M F exp Factor A 45, ,269 11,269/18,858 = 0,598 Fact. B en A 2, =15 18,858 18,858/10,700 = 1,762 Error 642,000 20(4 1) = 60 10,700 TOTAL 969, Si α =0,05 ni el efecto máquina (F 0,05;4,15 =3,06) ni el efecto operario-dentromáquina (F 0,05;15,60 =1,84) son significativos. 9
10 DISEÑO JERÁRQUICO FACTORIAL DISEÑO JERÁRQUICO Y FACTORES CRUZADOS MODELO ESTADÍSTICO y ijkl = µ + τ i + β j + γ k(j) +(τβ) ij +(τγ) ik(j) + u (ijk)l µ : la media global τ i : el efecto del nivel i ésimo del factor A; (i =1, 2,,a) β j : el efecto producido por el nivel j ésimoel factor B ;(j =1, 2,,b) γ k(j) : el efecto producido por el nivel k ésimoel factor C dentro del nivel j ésimo del factor B; (k =1, 2,,c) (τβ) ij : el efecto producido por la interacción A B (τγ) ik(j) : el efecto producido por la interacción del factor A C dentro del factor B (l =1, 2,,r) donde r denota el número de réplicas u (ijk)l : el error experimental. Se suponen variables aleatorias independientes N(0, σ) C está anidado en B ) no existen las interacciones B C ni A B C. A está cruzado con B y C ) Puede existir interacción entre A B y A C ECUACIÓN BÁSICA DEL ANÁLISIS DE LA VARIANZA SCT = SCA + SCB + SC(A B)+SC(C(B)) + SC(A C(B)) + SCR 10
11 SCT = X i:j:k:l y 2 ijkl y2 :::: abcn SCA = ax i:=1 y 2 i::: bcn y2 :::: abcn SCB = bx j=1 y 2 :j:: acn y2 :::: abcn SC(C(B)) = X j;k y 2 :jk: an bx j=1 y 2 :j:: acn. SC(A B) = X i;j yij:: 2 cn y2 :::: SCA SCB abcn SC(A C(B)) = X i;j;k y 2 ijk: n X j;k y 2 :jk: an X i;j y 2 ij:: cn + bx j=1 y 2 :j:: acn ; SCR = SCT SCA SCB SC(A B) SC(C(B)) SC(A C(B)) TablaANOVA.Diseñojerárquicofactorial F.V. S. C. G. L. C.M F exp CMA A (F) SCA a 1 CMA CM(AC(B)) CMB B. (F) SCB b 1 CMB CMC(B) CMC(B) CenB SCC(B) b(c 1) CMC(B) CM(AB) A B SC(AB) (a 1)(b 1) CM(AB) CM(AC(B)) CM(AC(B)) A C en B SC(AC(B)) b(a 1)(c 1) CM(AC(B)) Error SCR abc(r 1) TOTAL SCT abcr 1 CMT 11
12 Ejemplo: Diseños con un factor anidado y dos factores cruzados En un experimento se trata de mejorar la rapidez de ensamblaje en una línea de producción, para ello se estudia la intersección manual de componentes electrónicos en circuitos impresos. Se diseñan tres aparatos para ensamblar y dos distribuciones del lugar de trabajo. Se requiere que los operadores realicen el ensamblaje y se decide seleccionar a cuatro para cada combinación aparatodistribución. Sin embargo, no se pueden probar a los mismos cuatro operadores en cada distribución de lugar de trabajo debido a que los lugares de trabajo están en diferentes localidades dentro de la planta. Por lo tanto, los cuatro operadores de la distribución 1 son diferentes a los de la distribución 2. Se obtienen aleatoriamente dos réplicas de cada combinación de tratamientos de este diseño. Los tiempos de ensamblaje se muestran en la siguiente tabla Distribución 1 Distribución 2 Operario y i... Aparato 1 Aparato 2 Aparato y ij y.j = y SCT = X SCA = SCB = i:j:k:l X i bcr X j acr y 2 ijkl y2 :::: abcr y 2 i::: y 2 :j:: y2 :::: abcr y2 :::: abcr = (12)2 48 = 339,13 (12)2 48 = 32660,42 (12) =299,67 =82,80 =4,08
13 X y 2 ij:: i;j SC(A B) = y2 :::: (12)2 SCA SCB = 362, cr abcr 48 =82,80 4,08 = 19,04. X X SC(C(B)) = j;k y 2 :jk: ar X i;j;k y 2 ijk: j y 2 :j:: = 332, ,42 = 71,91 acr X X X j;k y 2 :jk: SC(A C(B)) = + = r ar cr acr = ,33 362, ,42 = 65,84 SCR = SCT SCA SCB SC(A B) SC(C(B)) SC(A C(B)) = 56 i;j y 2 ij:: j y 2 :j:: F.V. S. C. G. L. C.M F exp Factor A (F) 82, ,40 41,40/5,49 = 7,54 Factor B. (F) 4,08 1 4,09 4,09/11,99 = 0,34 Fact. C en B 71, ,99 11,99/2,33 = 5,15 Inter. A B 19,04 2 9,52 9,52/5,49 = 1,73 Inter. A C en B 65, ,49 5,49/2,33 = 2,36 Error 56 2,33 TOTAL 299,67 47 CMT Al nivel de significación del 5 %, son significativos los efectos de los aparatos (factor A), de los operadores dentro de las distribuciones (factor C en B) yde la interacción entre aparatos y operadores dentro de las distribuciones (factor A C en B). 13
Diseños factoriales con tres factores
Capítulo 6 Diseños factoriales con tres factores SupongamosquehayanivelesparaelfactorA,bnivelesdelfactorBycnivelespara el factor C y que cada réplica del experimento contiene todas las posibles combinaciones
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
Más detallesDiseños factoriales con dos factores
Capítulo 6 Diseños factoriales con dos factores Enprimerlugarvamosaestudiarlosdiseñosmássimples,esdeciraquellosenlos queintervienensólodosfactores.supongamosquehayanivelesparaelfactoraybniveles del factor
Más detallesFactores no controlables
Acepto la Ho y ιj μ α ι β j ε ιj Dr. Alfredo Matos Ch. Universidad Peruana Unión amatosch@upeu.edu.pe Factores Controles Entradas PROCESO FUNCION ACTIVIDAD Salidas Factores no controlables 2 1 Se entiende
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 detallesANOVA O ANAVA PARA DISEÑOS TOTALMENTE ALEATORIZADOS Y ANOVA PARA DISENOS DE BLOQUES ALEATORIZADOS ALBA MARTINEZ ROMERO MARY SOL MEZA CHAVEZ
ANOVA O ANAVA PARA DISEÑOS TOTALMENTE ALEATORIZADOS Y ANOVA PARA DISENOS DE BLOQUES ALEATORIZADOS ALBA MARTINEZ ROMERO MARY SOL MEZA CHAVEZ Presentado a: MARIA ESTELA SEVERICHE CORPORACION UNIVERSITARIA
Más detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
Más detallesBloque II (Columnas) B= Y212 C= Y322 D= Y432 C= Y313 D= Y423 E= Y533. A= Y1k2. B= Y2k3
DISEÑO EN CUADRO LATINO En el diseño en cuadro latino (DCL) se controlan dos factores de bloque y se estudia un solo factor de interés. En este sentido, se tienen cuatro fuentes de variación: Los tratamientos
Más detallesPRÁCTICA 3: Ejercicios del capítulo 5
PRÁCICA 3: Eercicios del capítulo 5 1. Una empresa bancaria a contratado a un equipo de expertos en investigación de mercados para que les asesoren sobre el tipo de campaña publicitaria más recomendable
Más detallesCAPÍTULO IV TRABAJO DE CAMPO Y PROCESO DE CONTRASTE DE LAS HIPÓTESIS
CAPÍTULO IV TRABAJO DE CAMPO Y PROCESO DE CONTRASTE DE LAS HIPÓTESIS 1. HIPÓTESIS ALTERNA E HIPÓTESIS NULA Para someter a contraste una hipótesis es necesario formular las Hipótesis Alternas ( H1 ) y formular
Más detallesAPLICACIÓN DEL SISTEMA FLOWDRILL EN PLACAS DE ACERO INOXIDABLES
APLICACIÓN DEL SISTEMA FLOWDRILL EN PLACAS DE ACERO INOXIDABLES Autores Alberto Gallegos Araya, Ramon Araya Gallardo Departamento Mecánica. Universidad de Tarapacá. 8 Septiembre Arica -e-mail: gallegos@uta.cl
Más detallesModelo de diseños anidados y cruzado-anidados
Modelo de diseños anidados y cruzado-anidados Modelo de diseños anidados En algunas situaciones no se pueden combinar todos los niveles de un factor con todos los niveles de otro, es decir, no se pueden
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesDiseño Estadístico de Experimentos
Capítulo 3 Diseño Estadístico de Experimentos Una prueba o serie de pruebas en las cuales se introducen cambios deliberados en las variables de entrada que forman el proceso, de manera que sea posible
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesEvaluación de Regnum 25 EC en el cultivo de maíz para la producción de grano. Rodolfo Alberto Rubio Chávez. Maíz (Zea mays)
Evaluación de Regnum 25 EC en el cultivo de maíz para la producción de grano. Rodolfo Alberto Rubio Chávez Cadelga Maíz (Zea mays) Científica Objetivos Medir el Efecto Fisiológico AgCelence del Fungicida
Más detallesDiseños en bloques aleatorizados
Capítulo 5 Diseños en bloques aleatorizados 5.1. ntroducción En las situaciones que hemos estudiado en el Capítulo 1 hemos supuesto que existe bastante homogéneidad entre las unidades experimentales, así,
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesbloques SC Suma de Cuadrados k trat bloques
Análisis de un diseño en bloques aleatorios Cuando sólo hay dos tratamientos, el análisis de varianza de una vía equivale al test t de Student para muestras independientes. A su vez, el análisis de varianza
Más detallesAsignación 5. Problema 1
Asignación 5 Problema 1 Consider the four factor factorial experiment where factor A is at a levels, factor B is at b levels, factor C is at c levels, factor D is at d levels, and there are n replicates.
Más detallesANÁLISIS DE LA VARIANZA PARTE SEGUNDA
ANÁLISIS DE LA VARIANZA PARTE SEGUNDA Septiembre de 2012 Índice general 1. INTRODUCCIÓN............................... 1 2. FUNDAMENTOS DEL DISEÑO EN BLOQUES ALEATORIZADOS 1 3. EJEMPLO DE DISEÑO EN BLOQUES
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE II POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS
Más detallesJUNIO Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: A
Bloque A JUNIO 2003 1.- Encuentra, si existen, matrices cuadradas A, de orden 2, distintas de la matriz identidad, tales que: 1 0 A = 1 0 A Cuántas matrices A existen con esa condición? Razona tu respuesta.
Más detallesObjetivos. Epígrafes 3-1. Francisco José García Álvarez
Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.
Más detallesANEXO I. ANÁLISIS DE LA VARIANZA.
ANEXO I. ANÁLISIS DE LA VARIANZA. El análisis de la varianza (o Anova: Analysis of variance) es un método para comparar dos o más medias. Cuando se quiere comparar más de dos medias es incorrecto utilizar
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 detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesAGRO 6600 Segundo Examen Parcial
AGRO 6600 Segundo Examen Parcial Nombre: 2012 Instrucciones: Apague celulares. Se descontarán puntos si su celular suena durante el examen. Por favor lea los enunciados y las preguntas cuidadosamente.
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesPráctica 9: Anova (2).
Práctica 9: Anova (2) Dedicamos esta práctica al estudio de modelos bifactoriales del análisis de la varianza Veremos concretamente diseños bifactoriales con y sin interacción, diseño por bloques al azar
Más detallesIntervalos de confianza y contrastes de hipótesis. Intervalo de confianza de la media.
R PRÁCTICA IV Intervalos de confianza y contrastes de hipótesis Sección IV.1 Intervalo de confianza de la media. 44. Cargar (abrir) el conjunto de Datos Pulso.rda. Se pide: a) Calcular el de confianza
Más detallesMarco de referencia. a) Es útil saber si la estrategia de tratamiento sin un. biológico (menos costosa), tiene mejor o igual eficacia
Marco de referencia a) Es útil saber si la estrategia de tratamiento sin un biológico (menos costosa), tiene mejor o igual eficacia que la estrategia con un biológico en AR temprana. b) No hay estudios
Más detallesUNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA ESCUELA DE CIENCIAS AGRICOLA, PECUARIAS Y DEL MEDIO AMBIENTE ECAPMA
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA ESCUELA DE CIENCIAS AGRICOLA, PECUARIAS Y DEL MEDIO AMBIENTE ECAPMA ESPECIALIZACIÓN EN NUTRICIÓN ANIMAL SOSTENIBLE Nombre del Curso: DISEÑO EXPERIMENTAL AVANZADO
Más detallesEJERCICIOS DE SELECTIVIDAD
EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ
Más detallesContrastes de hipótesis. 1: Ideas generales
Contrastes de hipótesis 1: Ideas generales 1 Inferencia Estadística paramétrica población Muestra de individuos Técnicas de muestreo X 1 X 2 X 3.. X n Inferencia Estadística: métodos y procedimientos que
Más detalleswww.atalayadecristo.org
Marzo 2016 Ing. Rubén Darío Estrella, MBA Cavaliere dell ordine al Merito della Repubblica Italiana (2003) Ingeniero de Sistemas (UNIBE 1993), Administrador (PUCMM 2000), Matemático (PUCMM 2007), Teólogo
Más detallesEsquema (1) Análisis de la Varianza y de la Covarianza. ANOVA y ANCOVA. ANOVA y ANCOVA 1. Análisis de la Varianza de 1 Factor
Esquema (1) Análisis de la arianza y de la Covarianza ANOA y ANCOA 1. (Muestras independientes). () 3. Análisis de la arianza de Factores 4. Análisis de la Covarianza 5. Análisis con más de Factores J.F.
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesRegresión y Correlación
Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesDiseños en cuadrados latinos
Capítulo 7 Diseños en cuadrados latinos 7.1. Introducción En el modelo en bloques aleatorizados, que estudiamos en el capítulo anterior, considerábamos un factor principal y un factor de control o variable
Más detallesb.- Realiza las comparaciones múltiples mediante los métodos LSD, Bonferroni y Tuckey.
Ejercicio 1: Se someten 24 muestras de agua a 4 tratamientos de descontaminación diferentes y asignados al azar. Para cada muestra se mide un indicador de la calidad del agua ( cuanto más alto es el indicador,
Más detallesOPTIMIZACIÓN EXPERIMENTAL. Ing. José Luis Zamorano E.
OPTIMIZACIÓN EXPERIMENTAL Ing. José Luis Zamorano E. Introducción n a la metodología de superficies de respuesta EXPERIMENTACIÓN: Significa variar deliberadamente las condiciones habituales de trabajo
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 26 - Junio - 2.8 Primera Parte - Test Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que, a lo sumo, tengan funciones
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 detallesExperimentos Factoriales Febrero 2010 Apuntes de la Cátedra de Estadística INDICE
Serie Didáctica Nro. 1 Facultad de Ciencias Forestales UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO C Á T E D R A D E ESTADÍSTICA O. F. ANÁLISIS DE LA VARIANCIA EN EXPERIMENTOS FACTORIALES Cátedra de Estadística
Más detallesTALLER N 2. www.siresistemas.com/clases www.fundacionsire.org www.siresistemas.com
TALLER N 2 1. Supóngase que los nueve valores siguientes, representan observaciones aleatorias provenientes de una población normal: 1, 5, 9, 8, 4, 0, 2, 4, 3. Constrúyase un intervalo de confianza de
Más detallesDISEÑO DE BLOQUES COMPLETOS AL AZAR : DBCA
DISEÑO DE BLOQUES COMPLETOS AL AZAR : DBCA Conocido como diseño de doble vía, se aplica cuando el material es heterogéneo. las unidades experimentales homogéneas se agrupan formando grupos homogéneos llamados
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
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 detallesContrastes de hipótesis estadísticas. Contrastes paramétricos
Índice 7 Contrastes de hipótesis estadísticas. Contrastes paramétricos 7.1 7.1 Introducción.......................................... 7.1 7.2 Conceptos básicos...................................... 7.2
Más detallesESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 3 - Septiembre - 2.6 Primera Parte - Test Las respuestas del TEST son las siguientes: Pregunta 2 3 4 5 6 Respuesta C A D C B A Pregunta 7 8 9 2 Respuesta
Más detallesExperimentos factoriales
Capítulo V Experimentos factoriales Se llaman Experimentos Factoriales a aquellos experimentos en los que se estudia simultáneamente dos o más factores, y donde los tratamientos se forman por la combinación
Más detallesINFERENCIA ESTADÍSTICA. Metodología de Investigación. Tesifón Parrón
Metodología de Investigación Tesifón Parrón Contraste de hipótesis Inferencia Estadística Medidas de asociación Error de Tipo I y Error de Tipo II α β CONTRASTE DE HIPÓTESIS Tipos de Test Chi Cuadrado
Más detallesDiseños en cuadrados greco-latinos
Capítulo 8 Diseños en cuadrados greco-latinos 8.1. Introducción El modelo en cuadrado greco-latino se puede considerar como una extensión del cuadrado latino en el que se incluye una tercera variable de
Más detallesPuntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I. L.A. y M.C.E. Emma Linda Diez Knoth
1 Puntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I Qué es la Puntuación Z? 2 Los puntajes Z son transformaciones que se pueden hacer a los valores o puntuaciones de una distribución normal, con el propósito
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesMétodos estadísticos aplicados para la Ingeniería Informática
Grado en Ingeniería Informática Métodos estadísticos aplicados para la Ingeniería Informática Rosa Mª Alcover Arándiga Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Objetivo
Más detallesModelo de diseños factoriales y diseños 2 k
Modelo de diseños factoriales y diseños 2 k Introducción En el tema anterior se analizaron la posible influencia de un factor sobre la variable respuesta, aleatorizando las observaciones para eliminar
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesDISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA
2011 UNED DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 7] Diseños con más de dos grupos independientes. Análisis de varianza con dos factores completamente aleatorizados 1 Índice 7.1 Introducción...
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesTEMA 4 ELABORACIÓN Y COMPROBACIÓN DE LAS HIPÓTESIS DE INVESTIGACIÓN
TEMA 4 ELABORACIÓN Y COMPROBACIÓN DE LAS HIPÓTESIS DE INVESTIGACIÓN 1 MODELO LINEAL GENERAL applemodelo estadístico appledescribe una combinación lineal de los efectos aditivos que forman la puntuación
Más detallesTema 7: Modelos de diseños de experimentos
Tema 7: Modelos de diseños de experimentos Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Modelos de diseños de experimentos Curso
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesVariables Aleatorias. Introducción
Variables Aleatorias Introducción Concepto de variable aleatoria Es conveniente que los resultados de un experimento aleatorio estén expresados numéricamente. Se prueban tres componentes electrónicos,
Más detallesFINANZAS CORPORATIVAS
FINANZAS CORPORATIVAS RIESGO Y RENDIMIENTO JOSÉ IGNACIO A. PÉREZ HIDALGO Licenciado en Ciencias en la Administración de Empresas Universidad de Valparaíso, Chile TOMA DE DECISIONES Certeza: resultado real
Más detallesLas Herramientas de la Calidad
Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ingeniería Industrial Las Herramientas de la Calidad Laboratorio #1 ININ 4078 Control Estadístico de Calidad Preparado: Joymariel
Más detallesOPCIÓN A. La empresa A (x) tiene 30 trabajadores, la B (y) 20 trabajadores y la C (z) 13 trabajadores.
PRUEBAS DE ACCESO A LA UNIVERSIDAD PARA EL ALUMNADO DE BACHILLERATO. 159 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. JUNIO 16 EXAMEN RESUELTO POR JAVIER SUÁREZ CABALLERO (@javiersc9) OBSERVACIONES IMPORTANTES:
Más detallesVARIANTES EN EL DISEÑO DE LOS ENSAYOS CLÍNICOS CON ASIGNACIÓN ALEATORIA. Sandra Flores Moreno. AETSA 21 de Diciembre de 2006
VARIANTES EN EL DISEÑO DE LOS ENSAYOS CLÍNICOS CON ASIGNACIÓN ALEATORIA Sandra Flores Moreno. AETSA 21 de Diciembre de 2006 VARIANTES EN EL DISEÑO DE ENSAYOS CLÍNICOS CON ASIGNACIÓN ALEATORIA *INTRODUCCIÓN
Más detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2007) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2007) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Se considera el sistema lineal de ecuaciones, dependiente del parámetro
Más detallesPruebas de Hipótesis Multiples
Pruebas de Hipótesis Multiples Cuando queremos hacer comparaciones de mas de dos poblaciones, una alternativa es comparar todos los grupos a la vez con el método de Análisis de Varianza (ANOVA) H o : µ
Más detalles2. Análisis de varianza
1. Análisis de varianza Introducción La estadística inferencial no solo realiza estudios con una muestra, también es necesario trabajar con más de una muestra; las que pueden ser dos o más. Para cada una
Más detallesEXPERIMENTACIÓN. Eduardo Jiménez Marqués
EXPERIMENTACIÓN Eduardo Jiménez Marqués 1 CONTENIDO: 1. Experimentación...3 1.1 Concepto...3 1. Definición...4 1.3 Dificultad...4 1.4 Ventaja...5 1.5 Planificación...5 1.6 Aplicaciones...5 1.7 Metodología...6
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesTeoría de muestras 2º curso de Bachillerato Ciencias Sociales
TEORÍA DE MUESTRAS Índice: 1. Introducción----------------------------------------------------------------------------------------- 2 2. Muestras y población-------------------------------------------------------------------------------
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesINFERENCIA ESTADÍSTICA
INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesDiscretas. Continuas
UNIDAD 0. DISTRIBUCIÓN TEÓRICA DE PROBABILIDAD Discretas Binomial Distribución Teórica de Probabilidad Poisson Normal Continuas Normal Estándar 0.1. Una distribución de probabilidad es un despliegue de
Más detallesJuan Carlos Colonia INTERVALOS DE CONFIANZA
Juan Carlos Colonia INTERVALOS DE CONFIANZA INTERVALOS DE CONFIANZA PARA LOS PARÁMETROS DE DOS POBLACIONES I.C. PARA EL COCIENTE DE VARIANZAS Sean X y dos muestras aleatorias,..., Xn Y,..., Yn independientes
Más detallesEjercicio 2. Sean A, B dos sucesos tales que P (A) = 0 4, P (B) = 0 65 y P ( (A B) (A B) ) = Hallar P (A B).
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Hoja 2, curso 2006 2007. Ejercicio 1. Dados cuatro sucesos A, B, C y D, la probabilidad de que ocurra al menos uno
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ALGEBRA II Guía de Matrices y Determinantes Primer año Plan Común de Ingeniería Segundo Semestre 2009 1. Hallar una matriz B que
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 detallesConceptos del contraste de hipótesis
Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesPATRONES DE DISTRIBUCIÓN ESPACIAL
PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de
Más detallesAnálisis de la varianza ANOVA
Estadística Básica. Mayo 2004 1 Análisis de la varianza ANOVA Francisco Montes Departament d Estadística i I. O. Universitat de València http://www.uv.es/~montes Estadística Básica. Mayo 2004 2 Comparación
Más detalles