Diseño de Experimentos Experimentos Factoriales Fraccionarios. Lic. En Estadística-Año 2015
|
|
- Julia Valverde Botella
- hace 6 años
- Vistas:
Transcripción
1 Diseño de Experimentos Experimentos Factoriales Fraccionarios Lic. En Estadística-Año 2015
2 Conceptos introductorios En un Diseño Factorial, se ensayan TODAS las combinaciones posibles entre niveles o variantes de los factores (tratamientos) Posiblemente en las primeras fases de la experimentación aparezcan numerosos efectos potenciales de interés Si el número de factores a estudiar no es reducido, un plan factorial equilibrado (aún un plan 2 k ) exige un número elevado de pruebas Por ejemplo: para estudiar 11 factores a dos niveles con un diseño 2 k sin replicaciones se necesitan 2 11 =2048 ensayos
3 Conceptos introductorios Un plan 2 k permite estudiar un número elevado de efectos posibles. Por ejemplo, si k=6 se requieren 64 pruebas y se pueden estudiar: 6 efectos simples 15 interacciones dobles 20 triples 15 cuádruples 6 quíntuples 1 séxtuple
4 Conceptos introductorios Cada efecto se estimaría con alta precisión, a través de la diferencia de las medias de dos conjuntos de 32 observaciones cada uno La mayor parte de estos efectos serán inexistentes Además la precisión obtenida podría ser innecesariamente alta
5 Estudiando 4 factores en 8 pruebas Se puede reducir el tamaño del experimento sacrificando algo de precisión y la posibilidad de estudiar algunas interacciones de orden elevado Un plan completo para estudiar 4 factores a dos niveles requiere al menos 16 pruebas Si se desea reducir ese número cuáles elegir? Parece razonable que en las pruebas a realizar todos los factores se ensayen por partes iguales en ambos niveles (-) y (+). Eso reduce las 16 pruebas a 8. Cuáles 8? Presentemos un plan completo 2 4 y algunas reducciones posibles a 8 pruebas
6 Prueba A B C D Prueba A B C D
7 Críticas a las dos propuestas En la primera opción, se eliminaron todas las pruebas con D a nivel (-) no se podría estudiar el efecto principal del factor D. Esta opción no cumple con el equilibrio requerido entre (+) y (-) (en D) En la segunda opción, se da el equilibrio pero quedan los factores A y B ensayados en los mismos niveles, al mismo tiempo la estimación del efecto de A coincidiría con la de B. Están CONFUNDIDOS Más aún, si ambos efectos fueran importantes, de orden de magnitud parecida y de signos contrarios en el experimento NO se detectaría efecto alguno El segundo diseño NO es ortogonal
8 Una reducción adecuada Prueba A B C D Todos los efectos simples son ortogonales entre sí Todos los efectos simples son ortogonales a las interacciones dobles
9 Estimación de los efectos en la fracción factorial Para estimar el efecto del factor A deberíamos hacer la diferencia entre el promedio de las pruebas en que A está al nivel (+) y el de las que está a nivel (-): Efecto de A = (4)+(6)+(10)+(16) - (1)+(7)+(11)+(13) 4 4 Notemos que en c/u de esas 4 pruebas, B, C, D, B*C, B*D, C*D, A*B, etc. están dos veces a nivel (+) y dos veces a nivel (-) no inciden sobre el efecto A El Plan es ortogonal
10 Qué pérdida produjo la fracción? Prueba A B C D ABCD En las pruebas elegidas la interacción ABCD está siempre a nivel (+) En esas pruebas el factor D está en los mismos niveles que ABC Como ABC = D, sus efectos están confundidos Pero...hay más efectos confundidos
11 En general... Una fracción factorial permitirá estudiar el efecto de k factores con un número menor de pruebas que un factorial completo A cambio de tal reducción NO se podrán estudiar ciertos efectos. (En el ejemplo, la interacción ABCD que es llamada generador ) La reducción también producirá confusión entre algunos efectos. Se tratará de confundir efectos potencialmente importantes, con otros que casi seguro no lo sean
12 Propiedades de una buena fracción factorial No debe confundir nunca efectos principales entre sí Debería procurar no confundir efectos simples con interacciones dobles De ser posible, tampoco debería confundir interacciones dobles entre sí El grado en que puedan conseguirse estos objetivos depende del nivel de fraccionamiento del diseño
13 Generador de una fracción Se denomina GENERADOR al efecto utilizado para construir la fracción. Este efecto tiene el mismo signo en todas las pruebas y NO PUEDE ESTUDIARSE Si se eligen los signos positivos, puede expresarse I= generador : relación de definición En un diseño de fracción ½, la fracción obtenida por medio de I= generador se denomina fracción principal. La I=- generador : fracción alterna. En un plan 2 k-1 (fracción 1/2) hay un solo generador: la interacción de orden más elevado Un plan 2 k-p, tiene varios generadores
14 Resolución de un diseño Un diseño es de resolución R si ningún efecto de p factores es alias de otro efecto que tenga menos de R-p factores. La resolución de un diseño es el número de letras del generador más corto
15 Esquemas de confusión o estructura de alias En una fracción factorial cada efecto está confundido con otros. Con quien está confundido cada efecto? La estructura de confusión puede encontrarse multiplicando las letras del generador con las del efecto en cuestión (tachando los cuadrados) Por ejemplo, en la fracción anterior 2 4-1, el generador fue la interacción ABCD, entonces A está confundido con A x ABCD=A 2 BCD=BCD B está confundido con B x ABCD=AB 2 CD=ACD AB está confundido con AB x ABCD=CD, etc. Si A está confundido con AB: qué se estima en realidad cuando se calcula el efecto de A?
16 Nivel de confusión según Resolución de la fracción factorial Resolución III : los efectos principales no están confundidos entre ellos pero si lo están con las interacciones dobles Resolución IV: los efectos principales no estarán confundidos con interacciones dobles, pero las interacciones dobles están confundidas entre sí Resolución V: las interacciones dobles no estarán confundidas entre sí, ni tampoco los efectos simples con interacciones dobles. (Los efectos simples están confundidos con interacciones triples)
17 Construcción de una fracción factorial 2 k-1 Permiten estudiar el efecto de k factores a dos niveles haciendo la mitad de las pruebas de un plan completo 2 k Un método para elaborar el plan es construir el plan completo y seleccionar sólo las pruebas que correspondan a igual signo en la interacción de mayor orden Otra forma (más cómoda) es elaborar el plan completo para (k-1) factores y luego asociar el factor k a la interacción entre los (k-1) primeros
18 Ejemplo de construcción de un Plan Prueba A B C D=ABC ABCD Verificamos que ABCD es el generador de la fracción
19 Ejemplo de fracción factorial Se trata de un ensayo para estudiar el efecto de 4 factores en la estabilidad de un producto Los factores son: A: Concentración ácida: (-)=20% y (+)=30% B: Concentración catalizador: (-)=1% y (+)=2% C: Temperatura (en grados): (-)=100 y (+)=150 D:Concentración d/monómetros:(-)=25 y (+)=50.
20 Prueba Factores A B C D Estabilidad
21 Estudio de efectos en el ejemplo Cada efecto simple está confundido con la interacción triple entre los otros tres factores Cada interacción doble está confundida con la doble de los otros dos factores Efecto simple de A= (confundido con BCD) Efecto simple de B= (confundido con ACD) Efecto simple de C= (confundido con ABD) Efecto simple de D= 0.75 (confundido con ABC) La SC de cada efecto = (N/4)*Efecto 2
22 Más efectos... Se podrían estimar los efectos de las interacciones dobles, aunque si hay alguno significativo no se podrá identificar cuál es Interacción AB=CD=0.25 Interacción AC=BD=0.75 Interacción AD=BC=-0.25 Si se estiman todos estos efectos no quedan grados de libertad residuales para estimar el error...pero se podría hacer un plot de Daniel...
23 Percent Gráfico de Daniel con todos lo efectos A Normal Probability Plot of the Effects (response is estabilidad, Alpha =,05) Effect Type Not Significant Significant F actor A B C D Name concentración ácida catalizador temperatura monomeros Effect Lenth's PSE = 1,125
24 Term Gráfico de Pareto con la importancia relativa de los efectos Pareto Chart of the Effects (response is estabilidad, Alpha =,05) 4,235 A B F actor A B C D Name concentración ácida catalizador temperatura monomeros C D AC AD AB Effect Lenth's PSE = 1,125
25 ANOVA (usando interacciones para estimar variancia residual) Analysis of Variance for estabilidad(coded units) Source DF Seq SS Adj SS Adj MS F P Main Effects 4 98,500 98,500 24,625 53,73 0,004 Residual Error 3 1,375 1,375 0,4583 Total 7 99,875
26 Significatividad de los efectos Estimated Effects and Coefficients for estabilidad (coded units) Term Effect Coef SE Coef T P Constant 14,625 0, ,10 0,000 concentración ácida -5,750-2,875 0, ,01 0,001 catalizador -3,750-1,875 0,2394-7,83 0,004 temperatura -1,250-0,625 0,2394-2,61 0,080 monomeros 0,750 0,375 0,2394 1,57 0,215 S = 0, R-Sq = 98,62% R-Sq(adj) = 96,79%
27 Estimación de efectos en unidades no codificadas de los factores Estimated Coefficients for estabilidad using data in uncoded units Term Coef Constant 36,6250 concentración ácida -0, catalizador -3,75000 temperatura -0, monomeros 0,
28 Percent Plot de Daniel para los efectos incluidos en el modelo Normal Probability Plot of the Standardized Effects (response is estabilidad, Alpha =,05) Effect Type Not Significant Significant catalizador concentración ácida Standardized Effect 0 2 4
29 Term Gráfico de Pareto para los efectos incluidos en el modelo Pareto Chart of the Standardized Effects (response is estabilidad, Alpha =,05) 3,18 concentración ácida catalizador temperatura monomeros Standardized Effect 10 12
30 Frequency Standardized Residual Percent Standardized Residual Estudio de residuales Residual Plots for estabilidad 99 Normal Probability Plot of the Residuals 1 Residuals Versus the Fitted Values Standardized Residual 2 10,0 12,5 15,0 Fitted Value 17,5 20,0 4 Histogram of the Residuals 1 Residuals Versus the Order of the Data ,5-1,0-0,5 0,0 0,5 Standardized Residual 1, Observation Order 7 8
31 Otro ejemplo con más factores Se considera un problema en el que se estudia la producción de piezas de polipropileno de gran dimensión, por inyección (son piezas utilizadas en guardabarros de autos) Por la dimensión de las piezas y el sistema de llenado de los moldes, suelen quedar piezas incompletas...que hay que tirar Cuando se modifican las condiciones del proceso de inyección (material más líquido) se producen rebabas que hay que eliminar...encareciendo el proceso
32 Ejemplo: fabricante de sopas instantáneas Se desea producir paquetes con mezclas de sopas frescas con una variación mínima en el peso de los paquetes Se identifican 5 factores que pueden influir en la variación del peso de llenado Se realizó un experimento con la relación de definición I=-ABCDE
33 Factores y niveles A) número de puertos en las mezcladoras donde se agrega aceite vegetal: 1 y 3 B) temperatura que rodea la mezcladora: enfriado y temperatura ambiente C) tiempo de mezclado: 60 y 80 segundos D) peso del lote: 1500 y 2000 lb E) días de retraso entre mezclar y empacar: 1 y 7
34 Para comentar y resolver Cuál es la resolución de este diseño? Cómo se determinaron los signos + y para el factor E? Cuál es la estructura de alias? Efectos principales e interacciones dobles? Construir una fracción ¼ a partir de este diseño
35 Fracciones factoriales 2 k-p Cuando hay un número considerable de factores, es posible usar planes más fraccionados, sin perder la posibilidad de estudiar efectos importantes Para construir un 2 k-p, se escribe el plan completo para los primeros (k-p) factores y luego se asignan los p restantes a interacciones entre los primero (k-p) Deben seleccionarse estas interacciones de modo que no se confundan entre sí factores importantes Ver tabla de Box, Hunter y Hunter
36 Estructura de confusiones y generadores Por ejemplo, consideremos k=6 y p=2 Construimos un factorial completo para A,B,C y D Se asigna el factor E a la interacción ABC ABCE es un generador Se asigna el factor F a la interacción BCD BCDF es un generador El producto de generadores (tachando cuadrados) también es generador: ABCE x BCDF = ADEF El diseño será de Resolución IV. Con qué estará confundido el efecto de A? Y la interacción AB?
37 Un ejemplo de Plan Se plantea como objetivo mejorar la resistencia de un adhesivo de resina y sacarosa Se estudian seis parámetros del proceso: Sacarosa en gr., Paraformol en gr., Sosa en gr., Agua en gr., Temperatura máxima en ºC, Tiempo a 7ºC En la Tabla 3 están las mediciones de resistencia para niveles codificados de las variables, en un diseño donde se asignó el factor 5 a la interacción123 y el factor 6 a la interacción 234
38 Orthogonal Array Genichi Taguchi elaboró un conjunto de tablas y gráficos con la intención de facilitar el uso del Diseño de Experimentos, por personal no especializado, como una herramienta de trabajo Sus tablas, conocidas como Orthogonal Array Li contienen planes factoriales altamente fraccionados, siendo i el número de pruebas El nombre es porque con ellos (como con toda fracción factorial), los efectos simples de los factores son ortogonales
39 Más sobre los diseños Li En particular, los arreglos L8 y L16, que corresponden a diseños con 8 y 16 pruebas para factores a 2 niveles, son las fracciones factoriales y Las tablas están dispuestas de modo que los factores asignados a las primeras columnas tengan que cambiarse de nivel pocas veces en el experimento (por supuesto debería seguirse el orden indicado) Se utilizan símbolos 1 y 2 en lugar de y +
40 Asignación de factores en un Li El número de factores a ensayar con un Li puede ser igual a la cantidad de columnas del Plan o menor Si hay menos factores que columnas, se pueden aprovechar grados de libertad para estudiar algunas interacciones dobles de interés, evitando que estén confundidas entre sí o con factores simples Para ello se buscan las columnas a las que asignar los factores, de modo que dichas interacciones resulten asociadas a columnas que quedan libres Para facilitar, se acompañan de tablas que especifican con qué columna se confunde c/interacción doble
41 Diseño de Plakett-Burman (1946) Es un L12, con el que se podrían estudiar los efectos de 11 factores en sólo 12 pruebas (de este modo sería un diseño completamente saturado, sin grados de libertad para el error) Para estudiar 11 factores a dos niveles serían necesarias 2048 pruebas en un factorial completo Si se añadieran otras 12 pruebas en las que se intercambiaran los 1 y 2, se obtendría un Plan de Resolución IV y sería posible agregar el estudio de un factor más que estuviera al nivel 1 en las 12 primeras pruebas y a nivel 2 en las 12 últimas
42 Diseños factoriales a 3 niveles En variadas situaciones es necesario estudiar algunos factores a más de dos niveles, en particular, cuando alguno de ellos es cuantitativo y se desea precisar la naturaleza de la función de respuesta En estos casos, si se necesita investigar la existencia de posibles curvaturas que permitan obtener los niveles óptimos de los factores es imprescindible experimentar al menos en tres niveles
43 Fracciones factoriales a 3 niveles Los planes factoriales completos con factores a tres niveles exigen muchas pruebas, por ejemplo: C/ 4 factores 81 pruebas (sólo 16 a 2 niveles) C/ 5 factores 243 pruebas (sólo 32 a 2 niveles) C/ 6 factores 729 pruebas (sólo 64 a 2 niveles) En estos casos, es muy útil utilizar fracciones factoriales. Fueron propuestas hace muchos años, pero Taguchi, las popularizó impulsando su uso en Ingeniería de Calidad y Diseño robusto Tres de ellos, muy usados son L9, L18 y L27
44 Fracción factorial L9 Corresponde a un cuadrado grecolatino 3x3 del diseño clásico. Es completamente saturado ya que los 8 grados de libertad son para 4 factores con 2 grados de libertad cada uno Si en lugar de 4. Hay 3 factores cuantitativos, conviene asignarlos a las columnas 2,3 y 4 porque así los efectos de primer orden (lineal) no están confundidos con los efectos de segundo orden (cuadráticos o interacciones lineal x lineal) diseño de Resolución IV generalizado
45 Diseño L9 Gráfico lineal: 3, Prueba Nº Columnas
46 Fracción factorial L18 Estudiando 4 factores a tres niveles, el L18 resulta un diseño de Resolución IV si se los asigna a las columnas , o De las tres alternativas la es mejor porque los efectos cuadráticos de 3 y 7 no están confundidos con efectos de segundo orden y la estructura de confusiones de las componentes lineal x lineal son más sencillas Para 5 o más factores, ya no se encuentran alternativas de Resolución IV
47 Estudios posibles con el L18 En las 18 pruebas, se pueden ensayar un factor a 2 niveles y hasta 7 factores a 3 niveles (un plan equilibrado exigiría 3 7 *2 = 4374 pruebas) Es posible adaptarlo a otras situaciones (por ejemplo si hubiera dos factores a dos niveles) sin perder la ortogonalidad del diseño
48 Diseño L18 Prueba
49 Fracción factorial L27 El L27 fue ideado por Fisher en 1942 Pueden probarse 13 factores a 3 niveles en 27 pruebas (un plan equilibrado exigiría 3 13 = ) Para 13 factores es un diseño completamente saturado Es posible estudiar alguna interacción sacrificando ciertas columnas. Su elección está facilitada por la Tabla de interacciones y los Grafos lineales que acompañan al diseño.
50 Estudios posibles con el L27 Si se estudian 9 factores a 3 niveles las 27 pruebas constituyen un diseño de Resolución IV. Para ello habría que elegir las columnas y 13 Hay varios subconjuntos de 4 columnas, entre estas 9, con la propiedad de que los efectos cuadráticos están también incorrelacionados con las componentes lineal x lineal de las interacciones dobles. Uno posible es el
51 Manejo de los Orthogonal Arrays Hay situaciones prácticas que no se adaptan exactamente a un OA, pero se pueden acomodar manteniendo la ortogonalidad de los efectos estudiados En una columna para un factor a 3 niveles, se puede acomodar uno a 2 niveles, haciendo equivalentes 2 de los 3 primitivos En cualquier diseño con factores a 2 niveles, es posible acomodar uno con 4, usando 2 columnas cualquiera y la de su interacción En un diseño con factores a 2 niveles es posible acomodar uno con 3, haciendo el juego anterior y luego haciendo equivalentes 2 de los 4 resultantes
52 Método del nivel ficticio Con este método es posible asignar un factor a alguna columna que fue prevista para más niveles Se convierten en equivalentes los dos o más niveles sobrantes del factor previsto por el OA Por ejemplo, partimos de un L9 originalmente previsto para 4 factores a tres niveles, y queremos acomodar en esas 9 pruebas un factor a 2 niveles y tres factores a 3 niveles En la columna 1 (por ej) se asigna el factor a dos niveles haciendo el doble de pruebas a nivel 2
53 Ortogonalidad lograda con el Método del nivel ficticio El método enunciado garantiza que no se pierda la otogonalidad de los efectos de cada factor Esto significa que al estimar el efecto del factor con el nivel ficticio, los niveles de los otros factores estarán repartidos equilibradamente y por lo tanto en el cálculo de las medias influirán por igual y se anulará su efecto Análogamente,este factor con nivel ficticio aparece equilibradamente en cada nivel de los otros factores por lo cual no incide en la estimación de sus efectos
54 Método de fusión de columnas Si al contrario de la situación anterior, se debe experimentar con un factor a más niveles de aquellos para los que están previstos los OA, se pueden usar dos columnas y la de su interacción, fusionadas en una sola Por ejemplo ubiquemos en un L8 un factor a 4 niveles. Se fusionan las columnas 1, 2 y la 3 (interacción), asignando un nivel a cada combinación de los niveles originales El nuevo diseño es también ortogonal
55 Otros ejemplos de fusión de columnas En un L27 se podría asignar un factor a 9 niveles construyendo una nueva columna a partir de las 1,2,3 y 4 En un L18 se podría asignar un factor a 6 niveles utilizando las columnas 1 y 2 (en este caso la interacción entre ambas no está confundida con las otras columnas)
7. FRACCIONES FACTORIALES 7.2 DISEÑOS FRACCIONADOS 7.1 INTRODUCCION
7. FRACCIONES FACTORIALES 7.1 INTRODUCCION Si el número de factores a estudiar no es reducido los planes factoriales equilibrados (por ejemplo, los planes 2 k ) exigen un número muy elevado de pruebas.
Más detallesDiseño de Experimentos Diseños factoriales 2 k. Diseños 2 k
Diseño de Experimentos Diseños factoriales 2 k Licenciatura en Estadística 2015 Dr. José Alberto Pagura Lic. Lucía N. Hernández Dra. Daniela F. Dianda Diseños 2 k Una clase especial de diseños factoriales
Más detallesDiseño Factorial 2 k con bloques
iseño Factorial k con bloques Existen muchas situaciones en las cuales no es posible efectuar todos los tratamientos del experimento factorial bajo las mismas condiciones. En este caso usted puede considerar
Más detallesa) Construct a normal probability plot of the effect estimates. Which effects appear to be large?
Problema 6- n experiment was run in a semiconductor fabrication plant in an effort to increase yield. Five factors each at two levels were studied. The factors and levels were = aperture setting (small,
Más detallesCAPÍTULO 12 FRACCIONES FACTORIALES
CAPÍTULO FRACCIONES FACTORIALES. INTRODUCCIÓN Cuando el número de factores que intervienen en un experimento no es pequeño, los diseños factoriales equilibrados exigen una gran cantidad de pruebas. Así
Más detalles1. Metodología de respuesta
1. Metodología de respuesta En las secciones anteriores se ha estudiado el comportamiento de la variable respuesta cuando se ve afectada por diferentes factores, sin embargo no se ha tocado el tema a cerca
Más detallesDiseño Factorial 2 k
Diseño Factorial k El más importante de los casos especiales de los diseños factoriales es el que tiene k factores cada uno a dos niveles. Estos niveles pueden ser cuantitativos, valores de temperatura
Más detalles8.2 CONSTRUCCION DEL DISEÑO FRACCIONADO UN CUARTO 2 k-2
8. DISEÑOS FACTORIALES FRACCIONADOS 2 K-2 8.1 DISEÑOS FACTORIALES FRACCION UN CUARTO Dependiendo del número de factores y del costo de cada corrida experimental, en ocasiones es necesario correr una fracción
Más detallesEn el pasado, en la realización de experimentos que envolvían más de un factor, y cada
Capitulo 4. Planeamiento Factorial (Convencionales) 4.1 Introducción. En el pasado, en la realización de experimentos que envolvían más de un factor, y cada factor con más de una variable, se adoptaba
Más detallesFACTORIALES FRACCIONADOS 2 f-p
1 FACTORIALES FRACCIONADOS 2 f-p Aun en los experimentos 2 f el número de condiciones experimentales crece exponencialmente con el número de factores f a estudiar. El n de interacciones de r factores combinados
Más detallesEfecto Grados de Libertad A 1 D 1 B 1 E 1 C 1 F 1 AD 1 CD 1 AE 1 CD 1 AF 1 CF 1 BD 1 BE 1 BF 1
Diseños Robustos El diseño robusto es esencialmente un principio que hace énfasis en seleccionar adecuadamente los niveles de los factores controlables en el proceso para la manufactura de productos. El
Más detallesIdeas básicas del diseño experimental
Ideas básicas del diseño experimental Capítulo 4 de Analysis of Messy Data. Milliken y Johnson (1992) Diseño de experimentos p. 1/23 Ideas básicas del diseño experimental Antes de llevar a cabo un experimento,
Más detallesEscribir el modelo. Evaluar los efectos de los factores y la interacción entre ellos.
Ejercicio 1: Se aplican pinturas tapaporos para aeronaves en superficies de aluminio, con dos métodos: inmersión y rociado. La finalidad del tapaporos es mejorar la adhesión de la pintura, y puede aplicarse
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 detallesANOVA (Análisis de varianza)
ANOVA (Análisis de varianza) Las pruebas de hipótesis son una herramienta útil cuando se trata de comparar dos tratamientos La experimentación usualmente requiere comparación de más de dos tratamientos
Más detallesAnálisis de Regresión
Análisis de Regresión Diplomado en Lean Six Sigma Objetivo 1.Identificar problemas que incluyan una Y continua y una X continua 2. Entender la diferencia entre regresión lineal y no lineal 3. Ajustar modelos
Más detallesANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y
Más detallesCAPITULO 6 DISEÑOS FACTORIALES 2 K
CAPITULO 6 DISEÑOS FACTORIALES 2 K 6.1 Generalidades Los diseños factoriales 2 K son una clase especial de los diseños factoriales en los que se tienen k factores de interés a dos niveles cada uno. Son
Más detallesDiseño de experimentos factoriales fraccionados: aplicaciones en fabricación.
Diseño de experimentos factoriales fraccionados: aplicaciones en fabricación. Carlos Marqués Durbán. 326 ing de calidad 3º ing Industrial. Índice: Introducción.3 Definiciones..4 Diseño de experimentos
Más detalles6. DISEÑOS FACTORIALES 2 K NO REPLICADOS
6. DISEÑOS FACTORIALES 2 K NO REPLICADOS 6.1 INTRODUCCION El aumentar el numero de factores en un diseño 2 k crece rápidamente el numero de tratamientos y por tanto el numero de corridas experimentales.
Más detallesDiseño de Experimentos Diseños de un Solo Factor Categórico
Diseño de Experimentos Diseños de un Solo Factor Categórico Resumen La selección de Diseños de un Solo Factor Categórico sobre el menú de Crear un Diseño crea diseños experimentales para situaciones donde
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 detallesDISEÑO DE EXPERIMENTOS (PARTE I) CURSO DE APLICACIÓN DE LOS MÉTODOS ESTADÍSTICOS A LA CALIDAD MÓDULO 9
Módulo 6 CURSO DE APLICACIÓN DE LOS MÉTODOS ESTADÍSTICOS A LA CALIDAD APUNTES DE CLASE Profesor: Arturo Ruiz-Falcó Rojas Madrid, Mayo 2009 MÓDULO 9 DISEÑO DE EXPERIMENTOS 2 K Pág. Módulo 6.. Apuntes ÍNDICE.
Más detallesAPÉNDICE B ANOVA para las salsas comerciales
APÉNDICE B ANOVA para las salsas comerciales ANOVA de una vía para Densidad de salsas comerciales One-way ANOVA: Densidad versus Marca Marca 3 8727.7 2909.2 41.22 0.000 Error 8 564.6 70.6 Total 11 9292.4
Más detallesRegresión polinomial y factores
Capítulo Regresión polinomial y factores.. Regresión polinomial Si una función media tiene un predictor X pueden usarse sus potencias enteras para aproximar E (Y X). El caso más simple es la regresión
Más detallesCLAVE Laboratorio 14: Diseño en bloques completos aleatorizados
CLAVE Laboratorio 14: Diseño en bloques completos aleatorizados 1. Digamos que estamos interesados en conducir un experimento para comparar los efectos de tres insecticidas diferentes en habichuela. Pensamos
Más detallesSoluciones a los ejercicios propuestos del Tema 6
Soluciones a los ejercicios propuestos del Tema 6 1 Soluciones a los ejercicios propuestos del Tema 6 6.1. Es un diseño de un factor (la estirpe). La tabla ANOVA es: actor (entre tratamientos) Error (dentro
Más detallesTécnicas Cuantitativas para el Management y los Negocios
Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis
Más detallesDiseño de Experimentos para la Evaluación de un Algoritmo Genético de Programación de Producción
Diseño de Experimentos para la Evaluación de un Algoritmo Genético de Programación de Producción Alexander A. CORREA ESPINAL Profesor Escuela de Ingeniería de la Organización, Universidad Nacional de Colombia
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 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 detallesOPTIMIZACIÓN DEL PROCESO DE ELABORACIÓN DE HORMIGÓN COMPACTADO CON PAVIMENTADORA
OPTIMIZACIÓN DEL PROCESO DE ELABORACIÓN DE HORMIGÓN COMPACTADO CON PAVIMENTADORA Arias, C; Adanaqué, I; Buestán, M. Maestría en Administración de la Producción y Gestión de Calidad Facultad de Ingeniería
Más detallesDiferentes tamaños de u.e. Diseño de experimentos p. 1/24
Diferentes tamaños de u.e. Diseño de experimentos p. 1/24 Introducción Los diseños experimentales que tienen varios tamaños de u.e. son: diseños de mediciones repetidas, diseños de parcelas divididas,
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 detallesExperimentos con Mezclas
Experimentos con Mezclas Para los experimentos que hemos estudiado (experimentos factoriales, CCD, otros), los niveles de cada factor son independientes de los niveles de otros factores. En los experimentos
Más detallesPOBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN
POBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN Adela del Carpio Rivera Doctor en Medicina UNIVERSO Conjunto de individuos u objetos de los que se desea conocer algo en una investigación Población o universo
Más detallesLAB 13 - Análisis de Covarianza - CLAVE
LAB 13 - Análisis de Covarianza - CLAVE Se realizó un experimento para estudiar la eficacia de un promotor de crecimiento en terneros en lactación. Se usaron cuatro dosis de la droga (0, 2.5, 5 y 7.5 mg).
Más detallesCAPÍTULO 5: ANÁLISIS ESTADÍSTICOS DE LOS DATOS OBTENIDOS. El primer paso a efectuar fue la transformación de los datos obtenidos a la variable de
CAPÍTULO 5: ANÁLISIS ESTADÍSTICOS DE LOS DATOS OBTENIDOS El primer paso a efectuar fue la transformación de los datos obtenidos a la variable de respuesta que se había definido, la cual es la diferencia
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 detallesCONTENIDOS MÍNIMOS MATEMÁTICAS 2º Y 4º E.S.O.
CONTENIDOS MÍNIMOS MATEMÁTICAS 2º Y 4º E.S.O. Matemáticas 2º E.S.O. a) Contenidos comunes. Utilizar estrategias y técnicas sencillas en la resolución de problemas. b) Números. Conocer los conceptos de
Más detallesAnálisis de Regresión y Correlación con MINITAB
Análisis de Regresión y Correlación con MINITAB Primeras definiciones y conceptos de la regresión El análisis de la regresión es una técnica estadística que se utiliza para estudiar la relación entre variables
Más detallesEstadística Descriptiva Métodos descriptivos visuales y medidas resumen
6 Estadística Descriptiva Métodos descriptivos visuales y medidas resumen Las técnicas de la estadística descriptiva pueden aplicarse tanto a datos muestrales como a datos poblacionales. Tipos de datos.
Más detallesDiseño o de Experimentos para la Mejora de Recubrimientos Arquitectónicos
Diseño o de Experimentos para la Mejora de Recubrimientos Arquitectónicos Mesa Redonda: Sistemas Empresariales de Gestión de la Calidad. Prácticas y Experiencias Competitivas M. en A. Pablo René Aragón
Más detallesDISEÑOS FACTORIALES A DOS NIVELES
DISEÑOS FACTORIALES A DOS NIVELES Octubre 2013 Índice general 1. DISEÑO COMPLETO............................ 1 1.1. Introducción............................... 1 1.2. Fundamentos del diseño completo.................
Más detallesEstas dos clases. ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías
ANOVA I 19-8-2014 Estas dos clases ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías ANOVA II - ANOVA factorial - ANCOVA (análisis
Más detallesDiseños factoriales a dos niveles. Teresa Villagarcía
Diseños factoriales a dos niveles. Teresa Villagarcía Si Si queremos estudiar muchos factores Hay que cruzar todos los factores a todos los niveles. Son muchas observaciones Es muy caro. Veamos un ejemplo.
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 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 detallesAPLICACIÓN DE DISEÑO DE EXPERIMENTOS EN LA FABRICACIÓN DE CAUCHOS QUE SIRVEN DE APOYO PARA PUENTES COLGANTES EN GUAYAQUIL
APLICACIÓN DE DISEÑO DE EXPERIMENTOS EN LA FABRICACIÓN DE CAUCHOS QUE SIRVEN DE APOYO PARA PUENTES COLGANTES EN GUAYAQUIL Barba, A.; Buestán, M. Maestría en Gestión de la Calidad Escuela Superior Politécnica
Más detallesADMINISTRACION DE OPERACIONES
Sesión4: Métodos cuantitativos ADMINISTRACION DE OPERACIONES Objetivo específico 1: El alumno conocerá y aplicara adecuadamente los métodos de pronóstico de la demanda para planear la actividad futura
Más detallesDISEÑOS EXPERIMENTALES DE DOS GRUPOS Y MULTIGRUPO
TEMA II ESQUEMA GENERAL Diseño experimental de dos grupos: definición y clasificación Formatos del diseño y prueba de hipótesis Diseño experimental multigrupo: definición Formato del diseño multigrupo
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesMATRICES ORTOGONALES CONTENIDO
CAPÍTULO 5 MATRICES ORTOGONALES CONTENIDO 1. Introducción 2 2. Grados de libertad 7 3. Grados de libertar de una matriz ortogonal 11 4. Matrices ortogonales para análisis de datos 12 DISEÑO DE PARÁMETROS
Más detallesDiseño de experimentos (DOE)
INFORME TÉCNICO SOBRE EL ASISTENTE DE MINITAB Este documento forma parte de un conjunto de informes técnicos que explican la investigación llevada a cabo por los especialistas en estadística de Minitab
Más detallesICC CONSULTI UL NG, G INC N.
Diplomado en Ingeniería Estadística - Enfoque algorítmico de reducción de la variación para el Mejoramiento de la Calidad en Procesos de Manufactura Instructor: Dr. Daniel Ballado Todo proceso nos está
Más detallesINSTITUTO TECNOLOGICO Y DE ESTUDIOS SUPERIORES DE MONTERREY
INSTITUTO TECNOLOGICO Y DE ESTUDIOS SUPERIORES DE MONTERREY Campus Monterrey DIVISION DE INGENIERIA Y ARQUITECTURA PROGRAMA DE GRADUADOS DE INGENIERIA APLICACION DEL DISEÑO DE EXPERIMENTOS EN EL ANALISIS
Más detallesUso de la Metodología Seis Sigma para mejorar el consumo de combustible en un vehiculo
CAPÍTULO 5. FASE DE MEJORA Definir Medir Analizar Mejorar Controlar 5.1 Introducción En la fase de Análisis se identificaron las causas de variación. En esta fase se utilizará el diseño de experimentos
Más detallesDiseños Factoriales. Diseño de experimentos p. 1/25
Diseños Factoriales Diseño de experimentos p. 1/25 Introducción El término experimento factorial o arreglo factorial se refiere a la constitución de los tratamientos que se quieren comparar. Diseño de
Más detallesPROGRAMACION DE REDES. MODELOS DE TRANSPORTE
PROGRAMACION DE REDES. MODELOS DE TRANSPORTE El modelo de transporte o modelo de distribución es un ejemplo de un problema de optimización de redes. Se aplican para resolver ciertos tipos de problemas
Más detallesANEXO 8 Pronóstico de ventas. Para realizar los pronósticos de venta del nuevo punto de venta, se utilizó lo que se
ANEXO 8 Pronóstico de ventas Para realizar los pronósticos de venta del nuevo punto de venta, se utilizó lo que se denomina Análisis de Series de Tiempo, el cual comprende una variable independiente (X)
Más detallesCarrera: CPB
Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Tópicos de ingeniería de calidad Ingeniería Industrial CPB - 0601 4-0- 8 2.- HISTORIA DEL PROGRAMA Lugar y
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 detalles( )( x + 3) conseguimos 2x 2 +11x + 15, lo cual tiene más
Factorización de Expresiones Algebraicas Objetivos: Al terminar esta lección podrás expresar polinomios y otras expresiones algebraicas como el producto de otras expresiones más sencillas. Cuando multiplicamos
Más detallesEXPERIMENTOS FACTORIALES Y CON MEZCLAS: APLICACIONES INDUSTRIALES. David R. González Barreto
EXPERIMENTOS FTORILES Y ON MEZLS: PLIIONES INDUSTRILES David R. González arreto Etapas del diestramiento 2 Introducción Experimentos Factoriales Experimentos con Mezclas Experimentos Factoriales y con
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
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 detallesAnálisis de la Capacidad o Aptitud de un proceso ( Capítulo 8 ) Control Estadístico de Calidad
Análisis de la Capacidad o Aptitud de un proceso ( Capítulo 8 ) Control Estadístico de Calidad Introducción Cuantificar la variabilidad de un proceso. Analizar esta variabilidad en relación con los requisitos
Más detallesEscuela Nacional de Estadística e Informática ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA
ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA Lima Perú 2013 DISEÑO COMPLETAMENTE ALEATORIZADO Es el diseño más simple y sencillo de realizar, en el cual los tratamientos
Más detallesDiseño de Experimentos Arreglos Interno/Externo
Diseño de Experimentos Arreglos Interno/Externo STATGRAPHICS Rev. 9/14/2006 Resumen La selección de Arreglos Interno y Externo sobre el menú Crear Diseño crea un diseño experimental en los cuales dos tipos
Más detallesExperimentos con factores aleatorios. Diseño de experimentos p. 1/36
Experimentos con factores aleatorios Diseño de experimentos p. 1/36 Introducción Hasta ahora hemos supuesto que los factores de un experimento son factores fijos, esto es, los niveles de los factores usados
Más detallesOptimización de Problemas de Producción
Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile Colaboran: Héctor Cancela - Antonio Mauttone - Carlos Testuri Depto. Investigación Operativa. Instituto de Computación. Facultad de
Más detallesDiseños Factoriales. Diseño de experimentos p. 1/18
Diseños Factoriales Diseño de experimentos p. 1/18 Introducción El término experimento factorial o arreglo factorial se refiere a la constitución de los tratamientos que se quieren comparar. Diseño de
Más detallesESTUDIO EXPERIMENTAL DE LA VARIACIÓN DE LA RESISTENCIA
Artículo Científico / Scientific Paper ESTUDIO EXPERIMENTAL DE LA VARIACIÓN DE LA RESISTENCIA A LA TRACCIÓN DEL HILO DE POLIPROPILENO DE LOS SACOS UTILIZADOS PARA EL ENVASADO DE ARROZ Salvatore Reina Guzmán
Más detalles- UNIVERSIDAD AUTONOMA DE TAMAULIPAS
R-RS-01-25-03 Rev. 2 - UNIVERSIDAD AUTONOMA DE TAMAULIPAS UNIDAD ACADEMICA MULTIDISCIPLINARIA REYNOSA-AZTLAN NOMBRE DE LA CARRERA Maestría en Ciencias y Tecnología de Alimentos NOMBRE DE LA ASIGNATURA
Más detallesINDICE (606 páginas)
1 INDICE (606 páginas) Agradecimientos Prefacio Dedicatoria Sobre el autor Introducción Significado de Seis-Sigma Estructura organizacional de Seis-Sigma Definición de Problema Selección de un proyecto
Más detallesFactoriales 1 EXPERIMENTOS CON FACTORIALES
Factoriales 1 EXPERIMENTOS CON FACTORIALES Los factoriales son combinaciones de factores (nitrógeno, fósforo, variedades, sustancias, niveles de concentrado, etc.) para formar tratamientos, los cuales
Más detallesUNA ECUACIÓN es una igualdad de dos expresiones algebraicas.
UNA EXPRESIÓN ALGEBRAICA es una combinación de números, variables (o símbolos) y operaciones como la suma, resta, multiplicación, división, potenciación y radicación. Ejemplos. UNA ECUACIÓN es una igualdad
Más detallesOPERACIONES CON POLINOMIOS
4. 1 UNIDAD 4 OPERACIONES CON POLINOMIOS Objetivo general. Al terminar esta Unidad resolverás ejercicios y problemas en los que apliques las operaciones de suma, resta, multiplicación y división de polinomios.
Más detallesCAPITULO 1: INTRODUCCIÓN
CAPITULO 1: INTRODUCCIÓN La Calidad en el Diseño del Producto 1. INTRODUCCIÓN. 1.1 La calidad en el diseño del producto. Cada vez se generaliza más la idea de que la calidad de un producto debe cuidarse
Más detallesResolución de ecuaciones no lineales y Método de Bisección
Resolución de ecuaciones no lineales y Método de Bisección Recordemos algunas ecuaciones 1) Resolver [ ] [ ] Sol: 2) Resolver la siguiente ecuación literal para la variable ; Sol: 3) Resolver Solución:
Más detallesPráctica 3: Regresión simple con R
Estadística II Curso 2010/2011 Licenciatura en Matemáticas Práctica 3: Regresión simple con R 1. El fichero de datos Vamos a trabajar con el fichero salinity que se encuentra en el paquete boot. Para cargar
Más detallesPARTE IV: RESULTADOS CAPÍTULO 13:
PARTE IV: RESULTADOS CAPÍTULO 13: CONTRASTACIÓN DE HIPÓTESIS Y DISCUSIÓN DE RESULTADOS 251 13. Contrastación de hipótesis y discusión de resultados La contrastación de las hipótesis se ha llevado a cabo
Más detalles1. Introducción: eficiencia técnica y eficiencia económica. 2. El análisis coste-beneficio (ACB) 4. El análisis coste-eficacia (ACE)
1. Introducción: eficiencia técnica y eficiencia económica 2. El análisis coste-beneficio (ACB) 3. La lógica del ACB 4. El análisis coste-eficacia (ACE) 5. El análisis de frontera y el modelo DEA 1. Introducción:
Más detallesCAPÍTULO 9 INTRODUCCIÓN AL ANÁLISIS DE LA VARIANZA
CAPÍTULO 9 INTRODUCCIÓN AL ANÁLISIS DE LA VARIANZA 9.1 COMPARACIÓN DE 2 POBLACIONES 9.1.1 Ejemplos En el tema anterior se ha estudiado el problema más sencillo de Inferencia Estadística: el de sacar conclusiones
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 detallesFACULTAD DE INGENIERIA Y CIENCIAS BASICAS LOGICA Y PENSAMIENTO MATEMATICO GUIA DE FACTORIZACIÓN DOCENTE: IDALY MONTOYA A.
DESCOMPOSICION FACTORIAL Factorizar significa descomponer en dos o más componentes. Por ejemplo: 15= 3x 5 ; 7=3 x 9 ; 99 = 9 x 11 ; 6 = 3 x FACTORES: Se llaman factores o divisores de una gran expresión
Más detallesAnálisis de Regresión
Análisis de Regresión por Universidad Nacional de Colombia, Sede Medellín 202 Tipos de gráficos para el análisis residuales Percen nt Normal Probability Plot of the Residuals 99 90 50 0-3.0 -.5 0.0.5 3.0
Más detallesPráctica de Diseños Factoriales a dos niveles
Práctica de Diseños Factoriales a dos niveles Fichero de datos: antenas.sfx El tratamiento de un diseño factorial a dos niveles con Statgraphics tiene dos fases: 1. Diseñar el experimento: seleccionar
Más detallesMATEMÁTICAS CRITERIOS DE EVALUACIÓN Y CALIFICACIÓN E.S.O. CURSO
MATEMÁTICAS CRITERIOS DE EVALUACIÓN Y CALIFICACIÓN E.S.O. CURSO 2006-07 1 1º ESO SELECCIÓN DE CRITERIOS DE EVALUACIÓN 1) Utilizar los números enteros, decimales y fraccionarios y los porcentajes para intercambiar
Más detallesTRABAJO 3: Números Índices. Series Cronológicas (Temas 3 y 4).
TRABAJO 3: Números Índices. Series Cronológicas (Temas 3 y 4). Técnicas Cuantitativas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enunciados de los ejercicios que
Más detallesCurso º ESO. UNIDADES 6 Y 7: EXPRESIONES ALGEBRAICAS Y ECUACIONES Departamento de Matemáticas IES Fray Bartolomé de las Casas de Morón
2º ESO UNIDADES 6 Y 7: EXPRESIONES ALGEBRAICAS Y ECUACIONES Departamento de Matemáticas IES Fray Bartolomé de las Casas de Morón OBJETIVOS CONTENIDOS PROCEDIMIENTOS Lenguaje algebraico. Normas y Traducción
Más detallesMA1001: Introducción al Cálculo
Semestre otoño 2008 Que estudia el cálculo? Estudia funciones reales de variable real. Que estudia el cálculo? Estudia funciones reales de variable real. Que estudia el cálculo? Estudia funciones reales
Más detallesTema1: Introducción a La Estadística 1.1-1
1 Tema1: Introducción a La Estadística 1.1-1 Introducción Un objetivo importante de La Estadística es: aprender acerca de un grupo grande, examinando los datos de algunos de sus miembros. La Estadística
Más detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
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 detallesGRAFICAS LINEALES REGLAS GENERALES PARA LA CONSTRUCCIÓN DE GRÁFICAS
GRAFICAS LINEALES OBJETIVOS 1. Realizar linealización de gráficos por el método de cambios de variables. 2. Obtener experimentalmente la relación matemática, más adecuada, entre dos cantidades o magnitudes
Más detallesContenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos
Contenido Prefacio ix 1 Introducci6n a la estadfstica y al an;!llisis de datos 1 1.1 1.2 1.3 1.4 1.5 1.6 Repaso 1 EI papel de la probabilidad 2 Medidas de posici6n: media de una muestra 4 Medidas de variabilidad
Más detallesAl hacer clic en el vínculo al simulador, en tu navegador se abre la hoja del programa, con una interface como la de la figura siguiente:
Taller de Modelado de Cinética Enzimática Emplearas el programa de simulación de cinética enzimática que se encuentra en el sitio: (htpp://www.kscience.co.uk/-animations/model.swf) para realiza los ejercicios
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detalles