IX.- ANÁLISIS DE VARIANZA
|
|
- Carmelo Esteban Tebar Peña
- hace 8 años
- Vistas:
Transcripción
1 IX- ANÁLISIS DE VARIANZA Las técnicas de Diseño Experimental basadas en la estadística son particularmente útiles en el mundo de la Ingeniería en lo que corresponde a la mejora del rendimiento de los procesos de manufactura Estas técnicas también tienen una extensa aplicación en el desarrollo de nuevos procesos Muchos procesos pueden describirse en términos de varias variables controladas o controlables, tales como temperatura, presión, Ph, concentración, etc Mediante el empleo de experimentos diseñados, los ingenieros pueden determinar el subconjunto de variables del proceso que tienen mayor influencia sobre el rendimiento de éste Los resultados de estos experimentos pueden conducir a: 1- Mejorar el rendimiento del proceso 2- Reducir la variabilidad del proceso y acercarlo a los requerimientos nominales 3- Disminución de los tiempos de diseño y desarrollo 4- Disminución de los costos de operación Los métodos de diseño experimental también son útiles en las actividades de ingeniería de diseño, donde se desarrollan nuevos productos y se mejoran los existentes Algunas aplicaciones representativas de los experimentos diseñados de manera estadística en la ingeniería de diseño incluyen: 1- Evaluación y comparación de configuración de diseños básicos 2- Evaluación de materiales diferentes ocupados con un mismo fin 3- Selección de parámetros de diseño de modo que el producto funcione bien bajo una amplia gama de condiciones de campo o de operación ( diseño robusto ) 4- Determinación de los parámetros de diseño importantes del producto que tienen impacto sobre el funcionamiento de éste El empleo del diseño experimental en el proceso de diseño puede dar como resultado productos que son más fáciles de fabricar, productos que tienen un desempeño y una confiabilidad mejores que los de la competencia, y productos que pueden diseñarse, desarrollarse y producirse en menor tiempo Los experimentos diseñados se utilizan, de manera usual, secuencialmente Esto es, el primer experimento con un sistema complejo (quizás un proceso de fabricación) que tiene muchas variables controladas es, a menudo, un experimento de diagnóstico diseñado para determinar qué variables son las más importantes Los experimentos que siguen a éste se utilizan para refinar la información y determinar los ajustes que deben hacerse a las variables críticas para mejorar el proceso Finalmente el objetivo del experimentador es la optimización, es decir, la determinación de los niveles que deben tener las variables críticas para obtener el mejor desempeño del proceso Todo experimento implica una secuencia de actividades : 1- Conjetura : La hipótesis original que motiva el experimento 2- Experimento : Prueba efectuada para investigar la conjetura 3- Análisis : Análisis estadístico de los datos obtenidos del experimento 4- Conclusión : Lo que se ha aprendido de la conjetura original con la realización del experimento A menudo, éste conduce a una nueva conjetura y a un nuevo experimento, y así sucesivamente Los experimentos diseñados estadísticamente permiten eficiencia y economía en el proceso experimental, y el empleo de los métodos estadísticos para el análisis de los datos brinda objetividad científica al obtener conclusiones 184
2 Uno de los métodos estadísticos para analizar los experimentos diseñados estadísticamente es el Análisis de Varianza 91- Experimento completamente aleatorizado, de un solo factor Es evidente que en una investigación determinada podemos estudiar el efecto o la respuesta que se produce en la unidad de experimentación por el hecho de haberles aplicado alguna variable independiente controlable En diseño, particularmente estas variables reciben el nombre genérico de tratamientos ( o combinación de tratamientos ), que implica el conjunto particular de condiciones experimentales que deben imponerse a una unidad experimental dentro de los marcos en que se efectúa el diseño La combinación de tratamientos y su acción combinada recibe el nombre de interacción En muchas oportunidades el término tratamiento se indica o denomina como Factor, el cual puede ser: 1- Cualitativos: Como máquinas diferentes, operarios, ubicación geográfica, tipo de material utilizado, etc 2- Cuantitativos: Como temperatura, presión, dosificación de reactivos, concentración, Tiempo de residencia, etc Debido a su simplicidad, este diseño es ampliamente utilizado Sin embargo, el ingeniero o investigador debe ser cauteloso de que su uso debe limitarse a aquellos casos en que se dispone de material o unidades experimentales lo más homogéneas posibles, y el número de tratamientos es pequeño (menor o igual que 5 ) La matriz de datos obtenidos de un diseño experimental a un factor, el que tiene k niveles o tratamientos, generalmente presenta la siguiente estructura Tratamientos k Y 31 Y 41 Y 11 Y 12 Y 13 Y 14 Y 15 Y 21 Y 22 Y 23 Y 24 Y 25 Y 32 Y 33 Y 34 Y 35 Y 42 Y 43 Y 44 Y 45 Y k2 Y k3 Y k4 Y k5 Y Y Y n Y n Y n n n k k Y k1 Totales por tratamientos Promedios por tratamientos 185
3 En el Análisis de Varianza a un Factor en interés está centrado en probar la igualdad de los promedios μ 1, μ 2, μ 3,, μ k Las observaciones de la tabla anterior pueden describirse con el Modelo estadístico Lineal Y ij = μ + τ i + ε ij i = 1, 2, 3,k ; j = 1,2, 3, n i Donde Y ij = Es una variable aleatoria que denota la (ij)-ésima observación μ es una parámetro común a todos los tratamientos denominado Media Global τ i es un parámetro asociado con el i-ésimo tratamiento denominado efecto del i-ésimo tratamiento ε ij es un componente de error aleatorio que se comporta según el modelo normal de probabilidades, con promedio igual a cero y varianza σ 2 constante, y no Correlacionados entre sí La prueba de hipótesis consiste en probar H 0 de que no existen diferencias estadísticamente significativas, en los efectos promedios de los distintos niveles del factor contra la hipótesis alternativa H 1 de que existe algún efecto promedio que difiere significativamente de los demás Es decir: H 0 : τ 1 = τ 2 = = τ k v/s H 1 : τ i τ j para algún i j El procedimiento de cálculo lo haremos usando un software estadístico De aquí podemos obtener: 1- Intervalos de confianza para los efectos medios de los tratamientos (niveles del Factor 2- Análisis de los residuos (errores) y verificación de la adecuación del modelo 3- Diversas pruebas de comparaciones múltiples sobre los promedios de los Tratamientos 4- Diagramas de cajas para analizar el comportamiento de las respuestas en cada tratamiento 5- Prueba no paramétrica de Kruskall - Wallis para analizar los datos De los procedimientos que están contenidos en la opción Opciones tabulares " del software aplicado, obtendremos en primer lugar una tabla denominada ANOVA Table ( Análisis of Variance) La penúltima columna de esta tabla aparece denominada como " F - Ratio ", que representa el cuociente entre los cuadrados medios de las filas entre grupos e Intra Grupos Un valor de " F- Ratio " grande, Junto al valor del " P-Value " que entonces será pequeño (relación inversa entre ambos) nos permite decidir que los efectos medios de los distintos niveles del factor difieren de manera estadísticamente significativa 186
4 Sin embargo, es posible que el valor "F-Ratio" sea un valor bastante menor que 1, pero el valor recíproco del mismo (1/ F-ratio) llegue a ser un valor grande y resultase significativo En este caso parece razonable rechazar el modelo estadístico planteado Algunos de los pasos a seguir pueden ser: 1- El procedimiento experimental deberá ser revisado para ver si se satisfacen los diferentes supuestos En el caso de no cumplimiento debido a la aleatorización de la asignación de tratamientos a unidades experimentales y por lo tanto la validez de la suposición de independencia es dudosa 2- Si se dispone de suficientes observaciones, la suposición de normalidad Estadística podría ser revisada utilizando la representación gráfica de los datos o tests adecuados 3- La suposición de varianzas homogéneas (homocedasticidad) deberá revisarse, lo que requiere un importante número de observaciones por cada tratamiento(variance Check) 4- El fenómeno básico debería re-estudiarse para ver si el modelo lineal supuesto es una buena aproximación a la verdad de los hechos En el caso de ser rechazado el Modelo Lineal, debería buscarse un nuevo modelo que describa mejor los datos obtenidos y el fenómeno bajo investigación Ejemplo : Se están investigando cuatro catalizadores que pueden afectar la concentración de un componente en una mezcla líquida Se obtuvieron las siguientes concentraciones Catalizador ,2 57,2 58,4 55,8 54,9 56,3 56,3 54,5 57,0 55,3 54,8 50,1 52,3 54,6 51,3 53,7 52,9 49,9 50,0 51,7 50,8 48,4 50,2 Desarrollo: a) Las hipótesis a probar son: H 0 : No existen diferencias estadísticamente significativas en las concentraciones promedios de los catalizadores utilizados H 1 : Existe algún catalizador que produce un efecto promedio en la concentración, que difiriere significativamente de los demás 187
5 b) Debe crear un archivo en Statgraphics que contenga dos columnas o variables Una de ellas debe contener el número del catalizador y la otra el valor de la medición Por ejemplo: Catali Concent 58,2 57,2 58,4 56,3 54,5 50,1 52,3 54, ,4 50,2 c) Ubique la punta de flecha del mouse ventanas comparación Análisis de la varianza Anova simple Tendrá la siguiente pantalla 188
6 Una vez que se ha completado la pizarra de diálogo, utilizando la ventana opciones tabulares podemos obtener: Resumen del procedimiento Resumen estadístico Tabla Anova Tabla de medias Contraste múltiple de rango Contrastes de varianza Contraste de Kruskal Wallis Para decidir si rechazamos o aceptamos la Hipótesis H 0, debemos seleccionar Tabla Anova Para este ejemplo, la tabla referida es Tabla ANOVA para Concent según Catali Análisis de la Varianza Fuente Sumas de cuad Gl Cuadrado Medio Cociente-F P-Valor Entre grupos 152, , ,61 0,0000 Intra grupos 39, , Total (Corr) 192, Dado que la columna del P-valor, que es el cuociente entre el Cuadrado Medio Entre Grupos y el Cuadrado Medio Intra Grupo [ 50,9713 / 2,0708 ] resulta ser menor que 0,05, entonces esto nos lleva a concluir de que debemos aceptar la hipótesis alternativa H 1 Es decir, existe algún catalizador que produce un efecto promedio significativamente diferente a los demás d) Los intervalos de confianza para los valores de concentración promedio para cada uno de los catalizadores, se obtienen Tabla de medias en el icono Opciones Tabulares En este caso los intervalos son 189
7 Tabla de Medias para Concent según Catali con 95,0 intervalos LSD Error Estándar Catali Frec Media (s agrupada) Límite inf Límite sup ,8 0, , , ,58 0, , , ,4 0, , , ,5571 0, , ,3621 Total 23 53,678 e) Esta tabla se puede visualizar desde una grafica Para ello debe ubicar el icono de opciones graficas y seleccionar dentro de la ella, la ventana gráfico de medias, que entrega para este caso el siguiente gráfico f) Al observar el gráfico, vemos que los intervalos de confianza de los catalizadores 1 y 2 tienen una importante zona de intersección A si mismo, pero en valores más bajos, tienen un poco intersección los catalizadores 3 y 4 La situación anterior queda reflejada en las denominadas pruebas Contraste múltiple de rango, que están dentro de Opciones tabulares 190
8 Contraste Múltiple de Rango para Concent según Catali Método: 95,0 porcentaje LSD (Diferencia Mínima significativa) Catali Frec Media Grupos homogéneos ,5571 X ,4 X ,58 X ,8 X Contraste Diferencias +/- Límites ,22 1, *4,4 1, *6, , *3,18 1, *5, , *1, , indica una diferencia significativa g)- Una manera de comprobar si la decisión dada por la Tabla de Análisis de la varianza, ANOVA, es tener la opinión de otro test estadístico que no requiere de los supuesto de normalidad estadística para la variable respuesta Esta prueba de se denomina Contraste de Kruskal Wallis, que se obtienen de Opciones tabulares En este caso los resultados de esta prueba son: ANOVA Simple - Concent según Catali Contraste de Kruskal-Wallis para Concent según Catali Catali Tamaño muestral Rango Promedio , , , , Estadístico = 17,5802 P-valor = 0, Dado que el valor del P-valor = 0, y por lo tanto es menor que 0,05 ( 5%), llegamos a concordar con lo que obtuvimos en la tabla de Análisis de varianza (ANOVA) Para completar el análisis y verificar si los supuestos del modelo se cumplen, es necesario analizar dos puntos que resultan fundamentales 1- Que la variabilidad de los diferentes grupos o niveles del tratamiento experimental no difiera de manera muy significativa 2- Que los errores (residual) se comporten según el modelo de probabilidad normal 191
9 El primer punto se puede verificar seleccionando del icono Opciones Tabulares, la ventana Contraste de Varianza Obtenemos para este caso la siguiente información: Contraste de Varianza Contraste C de Cochran: 0, P-valor = 0, Contraste de Bartlett: 1,06288 P-valor = 0, Contraste de Hartley: 2,97174 Test de Levene: 0,43106 P-valor = 0, El cuarto estadístico mostrado en esta tabla, comprueba la hipótesis nula de que la desviación típica de la variable Concentración, dentro de cada uno de los 4 niveles de los Catalizadores es la misma Resulta de mucho interés observar los tres P-valores Dado que el menor de los p-valores es superior o igual a 0,05, ello implica que no hay diferencia estadísticamente significativa entre las desviaciones típicas para un nivel de confianza del 95,0% Por lo tanto, el primer supuesto del análisis de varianza ha sido satisfecho El segundo punto se puede verificar haciendo primero que el software guarde los residuos para que los incorpore al archivo y luego ir a Descripción Datos numéricos Análisis unidimensional El la pantalla de diálogo, ingresar en el campo Data, la variable Residuals En el icono opciones gráficas, seleccionar gráfico de probabilidad Se obtiene en este caso, Esto nos permite verificar que efectivamente los errores tiende a distribuirse como el Modelo de Probabilidad Normal Otra forma es ajustando a los residuals o errores un modelo de probabilidad normal, que requiere de las siguientes instrucciones a aplicar: Descripción Distribuciones Ajuste de distribuciones (datos no censurados) 192
10 En la pantalla de diálogo que aparece, en el campo Data, ingrese la variable residuals La primera distribución que se propone a ajustar es la Distribución Normal En el icono Opciones Tabulares selecciones las ventanas: Test para normalidad, Test de Bondad de Ajuste Aquí obtendrá la siguiente información: Tests para la Normalidad para RESIDUALS Estadístico chi-cuadrado de bondad de ajuste = 4,69565 P-valor = 0,91056 Estadístico W de Shapiro-Wilks = 0, P-valor = 0, Puntuación Z para asimetría = 0, P-valor = 0, Puntuación Z para curtosis = -1,02859 P-valor = 0,30367 Como podemos ver, todos los P-valor son mayores que 5 %, con lo que debemos concluir que los errores se distribuyen según el modelo de probabilidad normal Un segundo tabulado para este punto, puede ser la bondad del ajuste Tests de Bondad de Ajuste para RESIDUALS Contraste Chi-cuadrado Límite Límite Frecuencia Frecuencia Inferior Superior Observada Esperada Chi-cuadrado menor o igual -1, ,83 0,18-1, , ,83 0,36-0, ,47826E-7 5 3,83 0,36 3,47826E-7 0, ,83 0,88 0, , ,83 0,88 mayor 1, ,83 1, Chi-cuadrado = 3,8696 con 3 gl P-Valor = 0,
11 Estadístico DMAS de Kolmogorov = 0, Estadístico DMENOS de Kolmogorov = 0,10796 Estadístico DN global de Kolmogorov = 0,10796 P-Valor aproximado = 0, Estadístico EDF Valor Forma Modificada P-Valor Kolmogorov-Smirnov D 0, , >=010* Anderson-Darling A^2 0, , ,5805* *Indica que el p-valor se ha comparado con las tablas de valores críticos especialmente construido para el ajuste de la distribución actualmente seleccionada Otros p-valores están basados en tablas generales y pueden ser muy conservadores Por lo tanto el segundo supuesto, de normalidad estadística, para nuestro ejemplo, ha sido satisfecho Dado entonces que los dos supuestos fundamentales del análisis de varianza se han cumplido, ello significa entonces que esta metodología está siendo bien aplicada Todos los ejercicios propuestos en el taller de aplicaciones, deberán de seguir los diferentes puntos e interrogantes antes desarrollados 92- Análisis de la varianza de experimentos con dos factores controlables Con frecuencia interesa examinar los efectos de dos tipos de Factores,cada uno con varios niveles de medición Por ejemplo un Factor A con niveles de medición A 1, A 2, Aj Además un factor B con niveles de medición B 1, B 2, BBk, Se supone que para cada combinación conjunta entre los niveles de los factores, se hacen dos o más observaciones ( la misma cantidad para todos )Este requisito se hace para que pueda efectuarse un contraste respecto de la existencia del efecto de interacción Las observaciones se registran en una tabla, cuya estructura es la siguiente: Factor B BB1 BB2 B K A 1 A 2 A J 194
12 El modelo estadístico lineal que lo describe es: Y ij = μ + τ i + β j + (τβ) ij ε ijk i = 1, 2, 3,a ; j = 1,2, 3, b ; k = 1,2, n Donde Y ij = Es una variable aleatoria que denota la ij-ésima observación μ es una parámetro común a todos los tratamientos denominado Media Global τ i es el efecto del i -ésimo nivel factor τ β j es el efecto del j-ésimo nivel del factor β (τβ ) ij es el efecto de interacción de los factores τ y β ε ij k es un componente de error aleatorio que se comporta según el modelo normal de probabilidades, con promedio igual a cero y varianza σ 2 constante, y no correlacionados entre sí En este modelo se deben probar tres hipótesis a saber: 1- En primer lugar debe establecerse si es significativo es el efecto de interacción entre los factores principales 2- Si existen diferencias significativas en los efectos promedio del factor A 3- Si existen diferencias significativas en los efectos promedio del factor B Para discutir o analizar las hipótesis planteadas se necesita una base de datos empírica que contenga los datos maestrales que represente a los efectos planteados en las hipótesis Para ello, se descompone la medida de la variabilidad total, en términos que recojan la variabilidad debido a los tratamientos o niveles del Factor A La variabilidad debida debido a los tratamientos o niveles de medición del factor B, la variabilidad debida a la interacción entre los factores, y por último, la ocasionada por el error aleatorio muestral ε ij k Por ejemplo, en la investigación de mercados, se pueden clasificar los vendedores por dos factores, tales como el segmento o intervalo de edad (A) y su nivel de escolaridad (B) El objetivo podría ser determinar si la edad y el nivel de escolaridad o formación alcanzada tiene algún efecto significativo sobre el volumen de ventas Tal vez interese no solo el efecto individual de cada uno de estos dos factores sino también el efecto conjunto o interacción Otro ejemplo, en la investigación educacional para mejorar lo niveles de aprobación en los cursos, puede ser deseable investigar el efecto de diferentes métodos de enseñanza y las distintas materias enseñadas, sobre el rendimiento de los estudiantes Aquí también puede haber interacción, porque ciertos métodos específicos de enseñanza pueden ser especialmente eficaces aplicados a la enseñanza de cierta materias Cabe destacar que cada uno de los factores involucrados puede tener niveles de medición cuantitativos o bien cualitativos Los cálculos fundamentales del análisis de varianza se realizarán utilizando un software estadístico En todo caso a continuación se plantea un problema para visualizar mejor los aspectos enunciados 195
13 Ejemplo Un ingeniero diseña una batería para su uso en un dispositivo que será sometido a ciertas variaciones extremas de temperatura El único parámetro de diseño que el puede seleccionar en este punto es el material de la cubierta de la batería, y tiene tres alternativas Cuando el dispositivo se manufactura y se envía al campo de prueba, el ingeniero no tiene control sobre las temperaturas extremas a que será expuesto el dispositivo, y sabe por experiencia que es probable que la temperatura influya en la duración efectiva de la batería Sin embargo, si es posible controlar la temperatura en el laboratorio de desarrollo del producto para los fines de ensayo El ingeniero decide probar los tres materiales de la cubierta a tres niveles de temperatura (15, 70 y 125 ºF ) consistentes en el entorno del uso final del producto Se prueban cuatro baterías en cada combinación de material de material de la cubierta y temperatura Las 36 pruebas se ejecutan al azar Se registra el tiempo de duración, en horas, de las baterías Temperatura º F Tipo de material A B C Metodología de solución y análisis del problema 1º Paso: Para resolver este tipo de problemas o ejemplos, debe crear un archivo en Statgraphics que contenga tres columnas o variables Es decir, construir la Base de Datos Una de ellas deben contener el tipo de material ( Factor ) Otra columna de contener los niveles de temperatura (Factor B ) Una tercera columna debe contener el valor de la medición (respuesta cuantitativa) Por ejemplo: Tip_ Mat Temp Duración A A A A A A A A A A A A B B B
14 B C C C C º Paso: Redactar las hipótesis a probar, en el contexto del enunciado del problema H 0 : No existen diferencias estadísticamente significativas en la duración de las baterías, según el tipo de material utilizado H 1 : Existe algún tipo de material utilizado en la fabricación de las baterías que produce una duración promedio significativamente diferente a los demás H 0 : No existen diferencias estadísticamente significativas en la duración de las baterías, según la temperatura de trabajo a la que sean sometidas H 1 : Existe alguna temperatura de trabajo a la que se someten las baterías de las baterías que produce una duración promedio significativamente diferente a las demás H 0 : No existe una interacción significativa entre tipo de material utilizado y la temperatura de trabajo, que produzca duraciones promedios significativamente diferentes en la duración de las baterías H 1 : Existe una interacción significativa entre algún tipo de material utilizado y alguna temperatura de trabajo, que producen duraciones promedios significativamente diferentes en la duración de las baterías 3º Paso : Utilizar el siguiente procedimiento en Statgraphics, para procesar los datos: Ubique la ventana Comparación Análisis de la varianza Anova Factorial Tal como lo indica la siguiente pantalla 197
15 Proceda a llenar los campos solicitados en la siguiente pantalla de diálogo En el campo variable dependiente, ingrese las respuestas que se obtienen En este caso es la variable duración En el campo Factores, ingrese los factores que se consideraron como fuente o base de la observación En este caso son el factor tipo de Material (Tip_Mat) y el Factor Temperatura (Temp) 4º Paso : El análisis de los informes o pantallas que proporciona el software permitirá ir obteniendo diverso tipo de información para sacar las conclusiones y posterior toma de decisiones Ubicando el icono Opciones tabulares, seleccione la ventana Tabla Anova Una vez que aparezca la respectiva pantalla, pulse el sector derecho del ratón y en el cuadro de diálogo que aparecerá,seleccione Opciones de Análisis y seguidamente en el recuadro máximo orden de interacción, ingrese un 2Esto debido a que en este ejemplo hay dos Factores Si hubiesen tres factores, el número a ingresar sería por lo tanto un 3 ANOVA Factorial - Duración Análisis de la Varianza para Duración - Sumas de Cuadrados de Tipo III Fuente Suma de cuadrados GL Cuadrado Medio Cociente-F P-Valor EFECTOS PRINCIPALES A:Temp 40110, ,2 53,58 0,0000 B:Tip_ Mat 6772, ,03 9,05 0,0010 INTERACCIONES AB 12948, ,19 8,65 0,0001 RESIDUOS 10105, , TOTAL (CORREGIDO) 69937, Los cocientes F están basados en el error cuadrático medio residual Al analizar la tabla anterior concluimos que los efectos principales, que son la temperatura y el tipo de material, producen, por separado, efectos promedios que son significativamente diferentes A si mismo, la interacción entre ambos factores resulta ser significativamente importante 198
16 Ubicando el icono Opciones tabulares, seleccione la ventana Tabla de medias Tendrá una pantalla que contiene información de Media Total, valores promedio por niveles de temperatura, valores promedio por tipo de material utilizado y los valores medios de las combinaciones de temperatura y tipo de material utilizado Además un intervalo de confianza, del 95%, donde según los datos obtenidos, oscilará cad uno de los valores promedio Tabla de Medias e intervalos de confianza del 95,0 % Error Límite Límite Nivel Frecuencia Media Estándar Inferior Superior Media Total ,528 Temp ,167 5, , , ,75 5, , , ,6667 5, , ,1259 Tip_ Mat A 12 94,0 5, , ,459 B ,0 5, , ,459 C ,583 5, , ,043 Temp según Tip_ Mat 15 A 4 159,75 9, , , B 4 155,75 9, , , C 4 144,0 9, , , A 4 57,25 9, , , B 4 117,25 9, , , C 4 145,75 9, , , A 4 65,0 9, , , B 4 57,0 9, , , C 4 93,0 9, , , Ubicando el icono Opciones tabulares, seleccione la ventana contraste múltiple de rango Esto permite obtener una tabla que nos entrega información a cerca de que valores promedio resultan significativamente diferente Contraste Múltiple de Rangos para Duración según Temp Método: 95,0 porcentaje LSD Temp Recuento Media LS Sigma LS Grupos Homogéneos ,6667 5,58485 X ,75 5,58485 X ,167 5,58485 X Contraste Diferencias +/- Límites *46, , *81,5 16, *35, , * indica una diferencia significativa Estando dentro de esta pantalla y con el lado derecho del ratón, usted tendrá la posibilidad de seleccionar opciones de ventan y puede cambiar al otro Factor involucrado en el experimento 199
17 Contraste Múltiple de Rangos para Duración según Tip_ Mat Método: 95,0 porcentaje LSD Tip_ Mat Recuento Media LS Sigma LS Grupos Homogéneos A 12 94,0 5,58485 X B ,0 5,58485 X C ,583 5,58485 X Contraste Diferencias +/- Límites A - B -16,0 16,2058 A - C *-33, ,2058 B - C *-17, , * indica una diferencia significativa Todas las tablas anteriores se pueden acompañar de gráficos que son muy aclaratorios para la discusión y análisis de la información entregada Gráficos para los valores promedios, en cada uno de los niveles del factor 200
18 Gráficos para los valores promedio de las interacciones o combinaciones de niveles de los factores involucrados 5º Paso : Verificación el comportamiento de los errores Que los errores (residuals) se comporten según el modelo de probabilidad normal Este punto se puede verificar haciendo primero que el software guarde los residuos para que los incorpore al archivo y luego ir a Descripción Datos numéricos Análisis unidimensional El la pantalla de diálogo, ingresar en el campo Data, la variable Residuals En el icono opciones gráficas, seleccionar gráfico de probabilidad Se obtiene en este caso 201
19 Otra forma es ajustando a los residuals o errores un modelo de probabilidad normal, que requiere de las siguientes instrucciones a aplicar: Descripción Distribuciones Ajuste de distribuciones (datos no censurados) Tests para la Normalidad para RESIDUALS Estadístico chi-cuadrado de bondad de ajuste = 9,33333 P-valor = 0, Estadístico W de Shapiro-Wilks = 0, P-valor = 0, Puntuación Z para asimetría = 0, P-valor = 0,78072 Puntuación Z para curtosis = -0, P-valor = 0, En este caso todos los Teste estadísticos para probar normalidad tienen P-valor superiores significativamente especto del 0,05 (5 %) Ello significa entonces que los errores se comportan según el modelo de probabilidad normal También esto es refrendado aplicando un test de bondad del ajunte, cuyo resultado entregado por Statgraphics es Tests de Bondad de Ajuste para RESIDUALS Contraste Chi-cuadrado Límite Límite Frecuencia Frecuencia Inferior Superior Observada Esperada Chi-cuadrado menor o igual -18, ,14 0,00-18,1404-9, ,14 0,00-9, , ,14 0,00-3, , ,14 0,00 3, , ,14 0,00 9, , ,14 0,14 mayor 18, ,14 0, Chi-cuadrado = 0, con 4 gl P-Valor = 0, Estadístico DMAS de Kolmogorov = 0, Estadístico DMENOS de Kolmogorov = 0, Estadístico DN global de Kolmogorov = 0, P-Valor aproximado = 0,99899 Estadístico EDF Valor Forma Modificada P-Valor Kolmogorov-Smirnov D 0, , >=010* Anderson-Darling A^2 0, , ,9251* *Indica que el p-valor se ha comparado con las tablas de valores críticos especialmente construido para el ajuste de la distribución actualmente seleccionada Otros p-valores están basados en tablas generales y pueden ser muy conservadores 202
Detergente Lavad.1 Lavad.2 Lavad.3 Media A 45 43 51 46.3 B 47 44 52 47.6 C 50 49 57 52 D 42 37 49 42.6. Media 46 43.2 52.2 47.16
3. DISEÑO EN BLOQUES ALEATORIZADOS En muchos experimentos además de que interesa investigar la influencia de un factor controlado sobre la variable de respuesta, como en la sección anterior, existe una
Más detallesIndicaciones específicas para los análisis estadísticos.
Tutorial básico de PSPP: Vídeo 1: Describe la interfaz del programa, explicando en qué consiste la vista de datos y la vista de variables. Vídeo 2: Muestra cómo crear una base de datos, comenzando por
Más detallesDIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009
Índice general 6. Regresión Múltiple 3 6.1. Descomposición de la variabilidad y contrastes de hipótesis................. 4 6.2. Coeficiente de determinación.................................. 5 6.3. Hipótesis
Más detallesSPSS: ANOVA de un Factor
SPSS: ANOVA de un Factor El análisis de varianza (ANOVA) de un factor nos sirve para comparar varios grupos en una variable cuantitativa. Esta prueba es una generalización del contraste de igualdad de
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesExperimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.
Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables
Más detallesPRUEBA DE KOLMOGOROV SMIRNOV (Contraste sobre la forma de la distribución) F(X) es la función de distribución que hipotetizamos.
PRUEBA DE KOLMOGOROV SMIRNOV (Contraste sobre la forma de la distribución) PRUEBAS NO PARAMÉTRICAS F(X) es la función de distribución que hipotetizamos. Fs(X) es la probabilidad o proporción teórica de
Más detalles3. ANÁLISIS ESTADÍSTICOS DE LAS PRECIPITACIONES EN EL MAR CASPIO
Análisis estadístico 31 3. ANÁLII ETADÍTICO DE LA PRECIPITACIONE EN EL MAR CAPIO 3.1. ANÁLII Y MÉTODO ETADÍTICO UTILIZADO 3.1.1. Introducción Una vez analizado el balance de masas que afecta al mar Caspio
Más detallesANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS
ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se
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 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 detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesControl Estadístico del Proceso. Ing. Claudia Salguero Ing. Alvaro Díaz
Control Estadístico del Proceso Ing. Claudia Salguero Ing. Alvaro Díaz Control Estadístico del Proceso Es un conjunto de herramientas estadísticas que permiten recopilar, estudiar y analizar la información
Más detalles1 Ejemplo de análisis descriptivo de un conjunto de datos
1 Ejemplo de análisis descriptivo de un conjunto de datos 1.1 Introducción En este ejemplo se analiza un conjunto de datos utilizando herramientas de estadística descriptiva. El objetivo es repasar algunos
Más detallesTEMA 7: Análisis de la Capacidad del Proceso
TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad
Más detallesHay diferencias en la media del HOMA entre los diabéticos y los no diabéticos? Resumen del procesamiento de los casos
Test de hipótesis t de Student Hay diferencias en la media del HOMA entre los diabéticos y los no diabéticos? Resumen del procesamiento de los casos HOMA Casos Válidos Perdidos Total N Porcentaje N Porcentaje
Más detallesCORRELACIÓN Y PREDICIÓN
CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una
Más detallesStatgraphics Centurión
Facultad de Ciencias Económicas y Empresariales. Universidad de Valladolid 1 Statgraphics Centurión I.- Nociones básicas El paquete Statgraphics Centurión es un programa para el análisis estadístico que
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 detallesESTADÍSTICA DESCRIPTIVA CON SPSS
ESTADÍSTICA DESCRIPTIVA CON SPSS (2602) Estadística Económica Joaquín Alegre y Magdalena Cladera SPSS es una aplicación para el análisis estadístico. En este material se presentan los procedimientos básicos
Más detallesPRUEBAS NO PARAMÉTRICAS
PRUEBAS NO PARAMÉTRICAS 1. PRUEBAS DE NORMALIDAD Para evaluar la normalidad de un conjunto de datos tenemos el Test de Kolmogorov- Smirnov y el test de Shapiro-Wilks La opción NNPLOT del SPSS permite la
Más detallesIntroducción a la estadística y SPSS
Introducción a la estadística y SPSS Marcelo Rodríguez Ingeniero Estadístico - Magister en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I
Más detallesANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral
ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral Enero 2005 1.- INTRODUCCIÓN En múltiples ocasiones el analista o investigador se enfrenta al problema de determinar
Más detallesTEMA 4: Variables binarias
TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables
Más detallesTema 3. Comparaciones de dos poblaciones
Tema 3. Comparaciones de dos poblaciones Contenidos Hipótesis para la diferencia entre las medias de dos poblaciones: muestras pareadas Hipótesis para la diferencia entre las medias de dos poblaciones:
Más detallesSÍNTESIS Y PERSPECTIVAS
SÍNTESIS Y PERSPECTIVAS Los invitamos a observar, a identificar problemas, pero al mismo tiempo a buscar oportunidades de mejoras en sus empresas. REVISIÓN DE CONCEPTOS. Esta es la última clase del curso.
Más detallesAnálisis de la Varianza (ANOVA) de un factor y test a posteriori.
Análisis de la Varianza (ANOVA) de un factor y test a posteriori. Ejercicios Temas 8 y 9 (Resuelto) 1. Problema 5 Se quiere estudiar el efecto de distintas dosis de un medicamento para combatir a los parásitos
Más detallesAnálisis estadístico con Microsoft Excel
Análisis estadístico con Microsoft Excel Microsoft Excel ofrece un conjunto de herramientas para el análisis de los datos (denominado Herramientas para análisis) con el que podrá ahorrar pasos en el desarrollo
Más detallesaplicado al Experiencia La gestión de un servicio y, por ende, la
EN PORTADA 6 Sigma aplicado al Experiencia En este artículo vamos a dar una visión más particular sobre la aplicabilidad de 6 Sigma al sector Servicios. Existe abundante literatura al respecto, pero sobre
Más detallesDE VIDA PARA EL DESARROLLO DE SISTEMAS
MÉTODO DEL CICLO DE VIDA PARA EL DESARROLLO DE SISTEMAS 1. METODO DEL CICLO DE VIDA PARA EL DESARROLLO DE SISTEMAS CICLO DE VIDA CLÁSICO DEL DESARROLLO DE SISTEMAS. El desarrollo de Sistemas, un proceso
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesESQUEMA GENERAL DISEÑOS DE MEDIDAS REPETIDAS
TEMA IV ESQUEMA GENERAL Definición Clasificación Diseño simple de medidas repetidas Diseño factorial de medidas repetidas Diseño de medidas parcialmente repetidas DISEÑOS DE MEDIDAS REPETIDAS Definición
Más detallesPráctica 5. Contrastes paramétricos en una población
Práctica 5. Contrastes paramétricos en una población 1. Contrastes sobre la media El contraste de hipótesis sobre una media sirve para tomar decisiones acerca del verdadero valor poblacional de la media
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 1. Comparación de múltiples poblaciones
EL ANÁLISIS DE LA VARIANZA (ANOVA) 1. Comparación de múltiples poblaciones Ricard Boqué, Alicia Maroto Grupo de Quimiometría y Cualimetría. Universitat Rovira i Virgili. Pl. Imperial Tàrraco, 1. 43005Tarragona
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesTrabajo de Matemáticas y Estadística Aplicadas
Licenciatura en Ciencia Ambientales Matemáticas y Estadística aplicada Prof. Susana Martín Fernández POLITÉCNICA Trabajo de Matemáticas y Estadística Aplicadas GUIÓN 1: Estadística descriptiva Tipo 1 1-
Más detallesPruebas de Hipótesis de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Pruebas de ipótesis de Una y Dos Muestras UCR ECCI CI-35 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides ipótesis Estadísticas Conceptos Generales En algunos casos el científico
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 detallesTEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones.
TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. La herramienta que nos indica si el proceso está o no controlado o Estado de Control son
Más detallesANÁLISIS DESCRIPTIVO CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística ANÁLISIS DESCRIPTIVO CON SPSS 1.- INTRODUCCIÓN Existen dos procedimientos básicos que permiten describir las propiedades de las distribuciones:
Más detalles4 Pruebas y análisis del software
4 Pruebas y análisis del software En este capítulo se presentan una serie de simulaciones donde se analiza el desempeño de ambos sistemas programados en cuanto a exactitud con otros softwares que se encuentran
Más detallesControl Estadístico de Procesos
Control Estadístico de Procesos Gráficos de Control Los gráficos de control o cartas de control son una importante herramienta utilizada en control de calidad de procesos. Básicamente, una Carta de Control
Más detallesESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos
Descargado desde www.medwave.cl el 13 Junio 2011 por iriabeth villanueva Medwave. Año XI, No. 2, Febrero 2011. ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos Autor:
Más detallesPRUEBAS DE HIPÓTESIS
PRUEBAS DE HIPÓTESIS Muchos problemas de ingeniería, ciencia, y administración, requieren que se tome una decisión entre aceptar o rechazar una proposición sobre algún parámetro. Esta proposición recibe
Más detallesESTIMACION POR INTERVALOS
ESTIMACION POR INTERVALOS En muchas situaciones, una estimación puntual no proporciona información suficiente sobre el parámetro. Por esta razón se construyen intervalos de confianza en donde el parámetro
Más detallesDefinición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices Estructura del tema. Conceptos básicos y ejemplos Operaciones básicas con matrices Método de Gauss Rango de una matriz Concepto de matriz regular y propiedades Determinante asociado a una
Más detallesMEDICION DEL TRABAJO
MEDICION DEL TRABAJO Habíamos dicho al comenzar el curso que habían 4 técnicas que permiten realizar una medición del trabajo 1 Técnicas Directas: - Estudio de tiempos con cronómetro - Muestreo del trabajo
Más detallesCapítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI
Capítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI La segunda fase del NIPE corresponde con la adecuación de las intervenciones de enfermería del sistema de clasificación N.I.C. (Nursing Intervention
Más detallesCapítulo 3 Marco Metodológico.
Capítulo 3 Marco Metodológico. 3.0 METODOLOGÍA DE LA INVESTIGACIÓN 3.1 FORMULACIÓN DE HIPÓTESIS DE TRABAJO 3.1.1 Hipótesis General HG. La creación de un plan estratégico permite mejorar el uso de los servicios
Más detallesCalculadora de Tamaño muestral GRANMO
Calculadora de Tamaño muestral GRANMO Versión 7.12 Abril 2012 http://www.imim.es/ofertadeserveis/software-public/granmo/ Entre las distintas ofertas que existen para el cálculo del tamaño muestral, ofrecemos
Más detallesLos modelos que permite construir el ANOVA pueden ser reducidos a la siguiente forma:
Ignacio Martín Tamayo 25 Tema: ANÁLISIS DE VARIANZA CON SPSS 8.0 ÍNDICE --------------------------------------------------------- 1. Modelos de ANOVA 2. ANOVA unifactorial entregrupos 3. ANOVA multifactorial
Más detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detallesPrograma de Statgraphics. TITULO: Aplicaciones del Análisis de la Varianza. Resolución de dos Ejercicios propuestos paso por paso.
Programa de Statgraphics TITULO: Aplicaciones del Análisis de la Varianza. Resolución de dos Ejercicios propuestos paso por paso. AUTOR: JUAN VICENTE GONZÁLEZ OVANDO ANALISIS Y CALCULOS A) Planteamos los
Más detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detallesTEMA 4: Introducción al Control Estadístico de Procesos
TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción
Más detallesx 10000 y 8000 x + y 15000 a) La región factible asociada a las restricciones anteriores es la siguiente: Pedro Castro Ortega lasmatematicas.
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Septiembre 2012 - Propuesta A 1. Queremos realizar una inversión en dos tipos
Más detallesElementos requeridos para crearlos (ejemplo: el compilador)
Generalidades A lo largo del ciclo de vida del proceso de software, los productos de software evolucionan. Desde la concepción del producto y la captura de requisitos inicial hasta la puesta en producción
Más detallesPRÁCTICA 4. Ingeniería Técnica Industrial (2º) - Mecánica.
PRÁCTICA 4. Ingeniería Técnica Industrial (2º) - Mecánica. Profesores: Javier Faulín y Francisco Ballestín 1. Introducción. El objetivo de esta parte es obtener resultados sobre contrastes de hipótesis
Más detallesLas bebidas Alcohólicas
Las bebidas Alcohólicas Hecho por: - Elisa Gutiérrez - Guillermo Rivas-plata - Rodrigo Pumares - Beatriz Sánchez 1 Índice 1- Introducción... 3 2- Objetivos... 3 3- Preguntas de la encuesta... 4 4- Encuesta...
Más detallesDecisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.
Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El
Más detallesMatemáticas 2º BTO Aplicadas a las Ciencias Sociales
Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD
Más detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detallesEJERCICIOS ANALISIS DE DISEÑOS EXPERIMENTALES Y CUASIEXPERIMENTALES CON SPSS
EJERCICIOS ANALISIS DE DISEÑOS EXPERIMENTALES Y CUASIEXPERIMENTALES CON SPSS Las soluciones a estos ejercicios y los outputs del SPSS se encuentran al final. EJERCICIO 1. Comparamos dos muestras de 10
Más detallesCapítulo 15. Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante
Capítulo 15 Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante Los modelos factoriales de análisis de varianza (factorial = más de un factor) sirven para evaluar el efecto
Más detallesSolución ESTADÍSTICA. Prueba de evaluación contínua 2 - PEC2
Semestre set04 - feb05 Módulos 11-17 Prueba de evaluación contínua 2 - PEC2 Solución Presentación i objetivos Enunciados: descripción teórica de la práctica a realizar Materiales Criterios de evaluación
Más detallesGráficas de caja. El borde derecho de la caja es el tercer cuartil, Q 3, que es la mediana de los valores que están por encima de la mediana.
LECCIÓN CONDENSADA 2.1 Gráficas de caja En esta lección crearás e interpretarás las gráficas de caja para conjuntos de datos usarás el rango intercuartil (IQR) para identificar valores extremos potenciales
Más detallesClase 8: Distribuciones Muestrales
Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas
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 detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detallesCASO PRÁCTICO. ANÁLISIS DE DATOS EN TABLAS DINÁMICAS
CASO PRÁCTICO. ANÁLISIS DE DATOS EN TABLAS DINÁMICAS Nuestra empresa es una pequeña editorial que maneja habitualmente su lista de ventas en una hoja de cálculo y desea poder realizar un análisis de sus
Más detallesTest ( o Prueba ) de Hipótesis
Test de Hipótesis 1 Test ( o Prueba ) de Hipótesis Ejemplo: Una muestra de 36 datos tiene una media igual a 4.64 Qué puede deducirse acerca de la población de donde fue tomada? Se necesita contestar a
Más detallesESTUDIO PRELIMINAR DE ALGUNOS FACTORES INFLUYENTES EN EL RENDIMIENTO ACADÉMICO DE ALUMNOS DEL GRUPO EXECUTIVE FISIOTERAPIA
ESTUDIO PRELIMINAR DE ALGUNOS FACTORES INFLUYENTES EN EL RENDIMIENTO ACADÉMICO DE ALUMNOS DEL GRUPO EXECUTIVE FISIOTERAPIA Autores: Noemí Díaz Matas; Carlos Martín Saborido; Raquel Díaz-Meco Conde; Silvia
Más detallesCurso de Estadística no-paramétrica
Curso de Estadística no-paramétrica Sesión 1: Introducción Inferencia no Paramétrica David Conesa Grup d Estadística espacial i Temporal Departament d Estadística en Epidemiologia i Medi Ambient i Investigació
Más detalles1 Introducción al SPSS
Breve guión para las prácticas con SPSS 1 Introducción al SPSS El programa SPSS está organizado en dos bloques: el editor de datos y el visor de resultados. En la barra de menú (arriba de la pantalla)
Más detallesESTIMACION DE INTERVALOS DE CONFIANZA
pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones
Más detallesTEMA 9: Desarrollo de la metodología de Taguchi
TEMA 9: Desarrollo de la metodología de Taguchi 1 La filosofía de la calidad de Taguchi 2 Control de calidad Off Line y On Line Calidad Off Line Calidad On Line 3 Función de pérdida 4 Razones señal-ruido
Más detallesMetodología. del ajuste estacional. Tablero de Indicadores Económicos
Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,
Más detallesPruebas de. Hipótesis
Pruebas de ipótesis Pruebas de ipótesis Otra manera de hacer inferencia es haciendo una afirmación acerca del valor que el parámetro de la población bajo estudio puede tomar. Esta afirmación puede estar
Más detallesFundamentos de Investigación de Operaciones Investigación de Operaciones 1
Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 1 de agosto de 2003 1. Introducción Cualquier modelo de una situación es una simplificación de la situación real. Por lo tanto,
Más detallesProcesos Críticos en el Desarrollo de Software
Metodología Procesos Críticos en el Desarrollo de Software Pablo Straub AgileShift Imagine una organización de desarrollo de software que consistentemente cumple los compromisos con sus clientes. Imagine
Más detallesTema 3. Espacios vectoriales
Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición
Más detallesTema 12: Contrastes Paramétricos
Tema 1 Tema 1: Contrastes Paramétricos Presentación y Objetivos. Se comienza este tema introduciendo la terminología y conceptos característicos de los contrastes de hipótesis, típicamente a través de
Más detallesPruebas de Acceso a las Universidades de Castilla y León
Pruebas de Acceso a las Universidades de Castilla y León MATEMÁTICA APLICADA A LA CIENCIA OCIALE EJERCICIO Nº páginas 2 Tablas OPTATIVIDAD: EL ALUMNO DEBERÁ ECOGER UNA DE LA DO OPCIONE Y DEARROLLAR LA
Más detallesIAP 1009 - TÉCNICAS DE AUDITORÍA APOYADAS EN ORDENADOR (TAAO)
IAP 1009 - TÉCNICAS DE AUDITORÍA APOYADAS EN ORDENADOR (TAAO) Introducción 1. Como se indica en la Norma Internacional de Auditoría 401, "Auditoría en un contexto informatizado", los objetivos globales
Más detallesCapítulo 10. Estudio de un caso con parámetros reales: acuífero de Borden
Capítulo 10. Estudio de un caso con parámetros reales: acuífero de Borden Tras la realización de muchos casos sintéticos y un estudio detallado de todos los parámetros que intervienen en el problema y
Más detallesSEMINARIOS. (Problemas de exámenes de años anteriores) Estadística. 1º Grado en Informática
SEMINARIOS (Problemas de exámenes de años anteriores) Estadística. 1º Grado en Informática Seminario de Estadística Descriptiva Unidimensional y Bidimensional 1. Se ha realizado un control de calidad en
Más detallesUNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL
UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características
Más detallesREGRESION simple. Correlación Lineal:
REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)
Más detalles13.1. Tablas dinámicas de Excel
13.1. Tablas dinámicas de Excel Una tabla dinámica consiste en el resumen de un conjunto de datos, atendiendo a varios criterios de agrupación, representado como una tabla de doble entrada que nos facilita
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 detallesCMMI (Capability Maturity Model Integrated)
CMMI (Capability Maturity Model Integrated) El SEI (software engineering institute) a mediados de los 80 desarrolló el CMM (modelo de madurez de la capacidad de software). CMMI: CMM integrado, una mezcla
Más detallesMedidas de la tendencia central y las gráficas de caja
LECCIÓN CONDENSADA 2.1 Medidas de la tendencia central y las gráficas de caja En esta lección Encontrarás e interpretarás la media, la mediana, y la moda para unos conjuntos de datos Crearás e interpretarás
Más detallesMedia vs mediana vs moda Cual medida de tendencia central es mas adecuada? MEDIA conveniencias:
Iniciar con las interpretaciones de las medidas MEDIA VS MEDIANA VS MODA CUAL ES LA MEDIDA ADECUADA TAREA MEDIA PONDERADA Actividad de Medidas de Localización Problema 1. El problema de las tasas de delito.
Más detallesFundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I
Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Estimación de un modelo de regresión logística con SPSS 2 2.1. Ajuste de un modelo de regresión logística.............................
Más detallescapitulo3 MARCO TEÓRICO Para el diseño de la reubicación de los procesos se hará uso de la Planeación
capitulo3 MARCO TEÓRICO Para el diseño de la reubicación de los procesos se hará uso de la Planeación Sistemática de Layout, SLP por sus siglas en inglés. Se hará uso de la simulación para comparar el
Más detallesESTADÍSTICA BÁSICA en LABORATORIOS (Físico - Químicos)
ESTADÍSTICA BÁSICA en LABORATORIOS (Físico - Químicos) (Aplicaciones de Microsoft Excel ) Curso a distancia (EDICIÓN Junio 2012) ASECAL, S.L. MADRID-ESPAÑA RONDA DE TOLEDO, 8, LOCAL 1º- 28005 MADRID. Teléfono:
Más detallesNIC 38 Activos Intangibles
2012 Resumen técnico NIC 38 Activos Intangibles emitida el 1 de enero de 2012. Incluye las NIIF con fecha de vigencia posterior al 1 de enero de 2012 pero no las NIIF que serán sustituidas. Este extracto
Más detallesFICHERO DE AYUDA DEL PROGRAMA MEGAEURO
FICHERO DE AYUDA DEL PROGRAMA MEGAEURO Versión MEGAEURO : 1.0 Fecha : 02/10/2010 1. INFORMACION GENERAL Versión completamente gratuita. Entre otras muchas opciones, el programa permite seleccionar cualquier
Más detallesProf. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE EXPERIMENTOS
Prof. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE EXPERIMENTOS ANÁLISIS DE EXPERIMENTOS 1. Introducción 2. Comparación de dos medias 3. Comparación de más de dos medias 4. Pruebas post-hoc 5. ANCOVA
Más detalles1. INTRODUCCIÓN 1.1 INGENIERÍA
1. INTRODUCCIÓN 1.1 INGENIERÍA Es difícil dar una explicación de ingeniería en pocas palabras, pues se puede decir que la ingeniería comenzó con el hombre mismo, pero se puede intentar dar un bosquejo
Más detalles