AYUDA PARA EL PROGRAMA "MULTIVARIATE CONTROL CHARTS SIMULATOR".

Tamaño: px
Comenzar la demostración a partir de la página:

Download "AYUDA PARA EL PROGRAMA "MULTIVARIATE CONTROL CHARTS SIMULATOR"."

Transcripción

1 AYUDA PARA EL PROGRAMA "MULTIVARIATE CONTROL CHARTS SIMULATOR". Índce. 1. Introduccón. 2. Prmera aproxmacón al programa. 3. Característcas adconales. 4. Lmtacones del programa. 5. El caso especal unvarante. 6. Referencas. 1. Introduccón. La fnaldad del programa "Multvarate Control Charts Smulator" es proporconar al usuaro una herramenta senclla, pero a la vez potente, capaz de estudar el comportamento de los gráfcos de control de caldad multvarante más ctados en la bblografía. En concreto, los gráfcos mplementados son: El gráfco MEWMA (Multvarate Exponentally Weghted Movng Average Control Chart). Lowry, Woodall, Champ y Rgdon (1992). El gráfco MC1 (gráfco CUSUM multvarante). Pgnatello y Runger (1990). El gráfco MCUSUM (gráfco CUSUM multvarante). Croser (1988). A su vez, es posble combnar cada uno de estos tres gráfcos con el T 2 de Hotellng, obtenendo de esta forma ses posbles opcones a elegr. Los tres gráfcos anterormente 1

2 ctados pueden smularse para el caso unvarante, es decr, cuando sólo se controla una característca de caldad. De esta forma el programa tambén puede smular el gráfco EWMA, y los casos unvarantes del MC1 y MUSUM, que resultan ser gráfcos de sumas acumuladas muy potentes, con una potenca ncluso superor al gráfco CUSUM. Además, estos gráfcos unvarantes pueden combnarse con el gráfco X de Shewhart. El programa proporcona medante smulacón la sguente nformacón: ARL (Average Run Length) y SDRL( Standard Devaton of Run Length) para un descentrado (dstanca de Mahalanobs) determnado. Hstograma de los valores de RL (Run Length). Funcón de dstrbucón de los valores de RL. Comparacón del hstograma y de la funcón de dstrbucón de RL con el gráfco T 2 de Hotellng, caso multvarante, o con el gráfco de Shewhart (caso unvarante). Como se explca con detalle más adelante, se ha cudado la forma en que el usuaro puede almacenar la nformacón que proporcona el programa. En concreto, el usuaro puede: Copar al portapapeles los resultados obtendos en la smulacón. Obtener opconalmente un fchero de texto con los resultados de la smulacón, ncluyendo todos los valores de RL obtendos. Copar al portapapeles el hstograma que muestra la dstrbucón de los valores de RL, para así poder utlzarlo en otras aplcacones. 2

3 2. Prmera aproxmacón al programa. La fgura 1 muestra el contendo del programa cuando se ejecuta el fchero Mcharts.exe, cuyo cono es, sn cambar las opcones que aparecen por defecto. Como puede verse, el programa empeza preparado para smular el gráfco MEWMA, con la opcón de utlzar la fórmula asntótca para la matrz de varanzas covaranzas de los valores de Z, es decr, Σ Z r = Σ. S se seleccona la opcón "Exact", tal y como se 2 r r 1 (1 r) r [ ] muestra en la fgura 2, la matrz utlzada es Σ = Σ Z 2 2. Los tres gráfcos smulados requeren sempre una nformacón que se ha agrupado bajo el nombre de "General Inputs". La fgura 3 muestra estos valores ha ntroducr. Como puede verse, se trata del número de varables, p (tres varables en el ejemplo que se muestra), el tamaño de muestra, n (1 ítem por muestreo), la dstanca de Mahalanobs, d (d = 1) y el número de rachas en el gráfco a smular (5000). El usuaro puede cambar estos valores a dscrecón, con la únca lmtacón de que el número de rachas ha de ser nferor o gual a 25000, y que el número de varables ha de ser menor o gual a 30, con excepcón del gráfco MC1, dónde está lmtado a 20. Recordemos al lector que en los ses gráfcos que se smulan la potenca depende del valor 2 λ = nd. Por tanto, las combnacones de n y d que proporconen el msmo λ producrán los msmos valores de ARL 1. 1 El caso unvarante es explcado con detalle en el apartado 5 de esta ayuda. 3

4 Fgura 1. 4

5 Fgura 2. Fgura 3. A contnuacón se ntroducen los datos necesaros para smular el gráfco selecconado. El programa sólo permte ntroducr los datos para el gráfco elegdo. En el ejemplo, como el gráfco selecconado es el MEWMA, se ha de ntroducr, ver fgura 4, el valor del límte de control (11.52 en el ejemplo mostrado), el valor de r (0.16) y el tpo de matrz (asntótca). Los valores que aparecen por defecto (para los tres gráfcos sn combnar con el T 2 ) son los que producen, aproxmadamente, un valor de ARL = 200 para p = 3 y d = 0. Fgura 4. En el caso de que se desee smular el gráfco selecconado combnandolo con el T 2 de Hotellng (o con el X en el caso unvarante), se debe selecconar la caslla correspondente, actvándose la opcón de ntroducr el límte de control para el gráfco de Hotellng. La fgura 5 muestra este proceso. Fgura 5. 5

6 Con los datos ntroducdos hasta ahora ya podemos smular el gráfco. Para ello hay que hacer clck en el botón, o apretar "Enter". La fgura 6 muestra los resultados obtendos para un ejemplo. Los valores de la smulacón se encuentran en la ventana "Results" (fgura 7). La ventana "Results" puede ser modfcada por el usuaro (puede escrbr en ella) y puede copar el contendo que seleccone con el ratón de esta ventana al portapapeles de Wndows. Además, s se realzan varas smulacones, el contendo de todas ellas se queda almacenado en esta ventana. Es posble ver todo el contendo utlzando las flechas de desplazamento, como en cualquer ventana de Wndows. 6

7 Fgura 6. 7

8 Fgura Característcas adconales. 3.1 Grabacón de los resultados en un archvo. El programa permte grabar los resultados de la smulacón en un archvo cuyo nombre elge el usuaro. Al selecconar la opcón "Wrte to a Fle" (fgura 8) se actva la opcón de escrbr el nombre del fchero. Fgura 8. S no se ndca la trayectora antes del nombre del fchero, el archvo se crea en el carpeta donde se ejecuta el programa. El fchero es de tpo "texto" y puede ser edtado con cualquer edtor de archvos texto. La fgura 9 muestra el contendo de este archvo para una smulacón efectuada con el gráfco MC1. S el usuaro quere obtener los valores de RL producdos en la smulacón, sólo tene que coparlos de este fchero, a partr de "Follow 8

9 Run Length Values". Por últmo, destacar que sólo se produce la grabacón del archvo después de apretar "Start", es decr, después de realzar una smulacón. Fgura Dstrbucón de los valores de RL. El gráfco "RL Dstrbuton" muestra al usuaro el hstograma obtendo con los valores de RL para el ejemplo smulado. El gráfco que ha sdo selecconado se representa en color rojo. En azul, aparece la dstrbucón de los valores de ARL para el gráfco T 2 con las 9

10 sguentes condcones: 1) Se utlza como valor de ARL bajo control para el gráfco T 2 el ntroducdo en. 2) Los valores que se dbujan del gráfco T 2 corresponden al valor de 2 λ = nd ntroducdo por el usuaro en "General Inputs". 3) Cada vez que se cambe el valor de ARL bajo control la curva para T 2 se vuelve a dbujar. Así pues, para que la comparacón entre ambos gráfcos, el selecconado por el usuaro y el T 2, sea justa, se debe fjar para el gráfco T 2 el valor de ARL bajo control que tenga el gráfco selecconado cuando d = 0. A partr de ese momento podemos hacer comparacones para dstntos valores de λ. El usuaro debe tener en cuenta que el hstograma mostrado reproduce de forma aproxmada la dstrbucón de los valores de RL. Resulta mucho más precso utlzar la nformacón que se obtene en la funcón de dstrbucón para realzar cálculos sobre cómo se dstrbuyen estos valores. Los valores dbujados para el gráfco T 2 no son calculados por smulacón, sno empleando la dstrbucón ch-cuadrado no central 2. Tambén con esta dstrbucón se calcula la funcón de dstrbucón de los valores de RL para el gráfco T 2. Por ejemplo, ndca que el 6.7 % de los valores de RL son guales o nferores a 10, para los valores de ARL bajo control y de λ que el usuaro ha ntroducdo prevamente. Cada vez que cambemos el punto donde queremos obtener la funcón de dstrbucón, se calcula su valor en ese punto. En el caso del gráfco selecconado este cálculo se realza con los datos de la smulacón, y aparece en. Así pues, en este ejemplo mostrado, el 33.81% de los valores smulados son guales o menores que 15. Tambén aquí se recalcula el valor de la funcón de dstrbucón cada vez que se cambe el punto a calcular. 2 En el caso unvarante se emplea la dstrbucón normal. 10

11 3.3 Opcones avanzadas en el gráfco "RL Dstrbuton". A contnuacón se comentan algunas característcas avanzadas que posee el gráfco "RL Dstrbuton" Número de barras para el hstograma. El programa seleccona el número de barras para el hstograma de forma automátca, realzando unos cálculos nternos. Esta característca suele funconar correctamente, sempre que el número de valores de RL smulados sea sufcentemente grande (aprox. mayor de 1000). El usuaro puede modfcar el número de barras a su voluntad, utlzando la opcón. El cambo sólo se puede producr s el programa ya ha realzado la smulacón y ha calculado automátcamente un número de barras prevamente. El gráfco se redbuja cada vez que el usuaro camba el número de barras Copar el gráfco al portapales. S posconamos el puntero del ratón sobre el gráfco, y hacemos doble-clck, el gráfco se copa al portapapeles de Wndows. A partr de ese momento se puede pegar en cualquer otra aplcacón. La magen es del tpo "btmap". S la operacón se realza satsfactoramente se oye un sondo de confrmacón. 11

12 3.3.3 Zoom y desplazamento en el gráfco. Para realzar zoom en una zona del gráfco hay que selecconarla con el ratón, elgendo prmero la esquna superor zquerda de la zona a amplar, y termnar con la nferor derecha. Se puede realzar zoom varas veces. Para volver al gráfco orgnal hay que selecconar con el ratón un área rectangular (cualquer área del gráfco), como s quséramos hacer zoom, pero empezando por la esquna nferor derecha y termnando por la superor zquerda. Esta operacón deshace todos los zooms que se huberan realzado. Podemos desplazar el gráfco arrba-abajo y/o derecha-zquerda s mantenemos pulsado el botón derecho del ratón sobre el gráfco y movemos el ratón. S queremos volver al gráfco ncal debemos realzar la msma operacón descrta anterormente para deshacer el zoom. 4. Lmtacones del programa. Por razones de memora se han lmtado el número de varables a 30, salvo para el gráfco MC1 (que requere un almacenamento de datos mucho más costoso) donde se ha lmtado a 20. Por la msma razón se ha lmtado el número de rachas a para todos los gráfcos. En cuanto a la longtud de racha máxma que admte el programa durante la smulacón tenemos los dos sguentes casos: 1) Gráfco MC1. Longtud máxma = S se sobrepasa este valor durante la smulacón de este gráfco aparece una ventana de avso (fgura 10). En ese caso esa racha se descarta y se comenza con la smulacón de otra racha. Este problema sólo puede aparecer cuando el valor de ARL bajo control sea elevado y d = 0. 12

13 Fgura 10. 2) Resto de gráfcos. Longtud Máxma = Este valor corresponde al entero más grande posble con 32 bts. 5. El caso especal unvarante. Como ya se comento anterormente, es posble utlzar este programa para el caso unvarante, p = 1. El gráfco MEWMA se converte entonces en el gráfco EWMA. El programa no utlza una rutna especal para smular el EWMA, sno que se utlza la msma rutna que para el MEWMA. El gráfco MEWMA tene como procedmento de cálculo el sguente: S X r es el vector de medas muestrales obtendo en el muestreo -ésmo, calcularemos el vector Z r como: r Z r r = rx + ( 1 r) Z 1 Con Z r 0 = 0. El estadístco a dbujar T 2 tene como expresón: T r = Z Σ 2 1 Z r Z El gráfco muestra señal de falta de control cuando T 2 > CL, donde CL > 0. 13

14 S ahora hacemos p = 1, las expresones anterores quedan de la sguente forma: Z = rx + ( 1 r) Z 1 T = Z Z = Z 2 2 Téngase en cuenta que para la smulacón se utlzan valores tpfcados. Así pues, s utlzamos la msma subrutna que en el MEWMA para p = 1, tenemos que estamos smulado el gráfco EWMA al cuadrado. Por tanto, hay que utlzar como límte de control en la procedmento que utlza el programa el cuadrado del valor que se utlzaría en el EWMA. Sn embargo, el usuaro debe utlzar los valores habtuales de límte de control para el EWMA, ya que nternamente se elevan al cuadrado (sólo cuando p = 1) para poder utlzar la msma rutna de smulacón que en el MEWMA. En resumen, el usuaro puede smular el EWMA con los valores de límte de control y de parámetro r que aparecen recomendados en la bblografía de control de caldad unvarante. En cuanto a los gráfcos MC1 y MCUSUM, es posble utlzarlos cuando p =1. En la bblografía no aparecen estudadas sus propedades para el control de una sola varable. En las smulacones realzadas se ha comprobado que tenen una potenca mejor que el gráfco CUSUM, tal y como se muestra más adelante. Así pues, descrbamos estos gráfcos cuando p = 1. El gráfco MC1 tene por procedmento, para cualquer valor de p, el sguente: Sea X r j el vector de medas muestrales obtendas en el muestreo j. En prmer lugar, se calcula el vector D, correspondente al últmo muestreo realzado, muestreo -ésmo. 14

15 r D = r X j j= l + 1 El valor a dbujar es MC, que tene por expresón: MC = max r 1 2 { 0,( D Σ D ) } 1 / k l r 2 2 donde k 2 > 0 y l = l , s MC -1 > 0 l = 1, en caso contraro. Se produce una señal de falta de control tan pronto como MC > h 3, donde h 3 > 0. Cuando p = 1, las anterores expresones quedan, para el caso de que se utlcen valores tpfcados de la varable que se está controlando, MC = max D = X j j= l { 0,( D D ) 1/ k l } = max{ 0, D k l } sendo la expresón para l la msma que en el caso anteror. En este caso resulta evdente que no se requere elevar al cuadrado los valores del límte de control para poder utlzar la msma subrutna en la smulacón, puesto que al valor que se obtene en la forma cuadrátca se le aplca sempre la raíz cuadrada. En el caso del gráfco MCUSUM, se descrbe a contnuacón su expresón general, para cualquer valor de p. Se calcula el vector C, que tene por expresón: 15

16 r C r r r r 1 ( S + X ) Σ ( S + X ) = 1 1 1/ 2 Los valores de S son: r S S r r = 0 s C k1 r r r r = ( S 1 + X )(1 k1 / C ) s C > k1 donde S 0 = 0 y k 1 > 0. El valor que se dbuja, Y, tene por expresón: Y = r r 1 ( S Σ S ) 1/ 2 El gráfco muestra señal de falta de control cuando Y > h 2, sendo h 2 > 0. Cuando p = 1, obtenemos: 1/ 2 {( S + X )( S + X )} = ( S X ) C + = S = 0 s C k1 S = ( S 1 + X )(1 k1 / C ) s C > k1 1/ 2 ( SS ) S Y = = Así pues, obtenemos tambén un gráfco unvarante de sumas acumuladas. Tambén aquí no resulta necesaro programar una rutna específca para el caso unvarante, n es necesaro elevar el valor de límte de control al cuadrado, pues tambén en este caso la rutna se encarga de hallar sempre la raíz cuadrada del estadístco a dbujar. Para los tres gráfcos unvarantes que puede smular este programa la dstanca de Mahalanobs se converte en el parámetro de descentrado δ m m 0 1 =, donde m 0 y σ 0 son σ 0 16

17 la meda y desvacón típca del proceso cuando este se haya bajo control, y m 1 es la meda cuando el proceso se haya fuera de control. Este valor de δ se ntroduce en el programa en el lugar correspondente a la dstanca de Mahalanobs. Por últmo, señalar que es posble añadr a estos gráfcos unvarantes el uso combnado de, en este caso, el gráfco X de Shewhart. Por otra parte, cuando se ntroduce en el programa el valor "1" en la caslla correspondente al número de varables, se modfcan los textos del programa donde aparecía "T 2 ", que se converten a "X". Como prueba de la efcaca de los gráfcos de sumas acumuladas unvarantes que smula el programa, se reproduce a contnuacón una comparacón de su potenca con respecto al gráfco CUSUM. Los tres gráfcos tene un valor de ARL bajo control gual a 168. Los valores para el CUSUM han sdo obtendos de Lucas y Croser (2000). Los valores para MC1 y MCUSUM han sdo obtendos por smulacón con el programa Mcharts.exe con rachas. No se ha empleado el "Fast Intal Response" en nnguno de estos gráfcos. δ CUSUM h = 4; k = 0.5; S 0 = 0 MC1 CL =3.64; k 2 = 0.5 MCUSUM CL = 3.729; k 1 =

18 6. Referencas. Croser (1988). Multvarate Generalzatons of Cumulatve Sun Qualty Control Schemes. Technometrcs, 30. Lowry, Woddall, Champ and Rgdon (1992). A Multvarate Exponentally Weghted Movng Average Control Chart. Technometrcs, 34 (1). Lucas and Croser (2000). Fast Intal Response for CUSUM Qualty-Control Schemes: Gve your CUSUM a Head Start. Technometrcs, 42 (1). Pgnatello and Runger (1990). Comparsons of Multvarate CUSUM Charts. Journal of Qualty Technology,

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Métodos multivariantes en control estadístico de la calidad

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Métodos multivariantes en control estadístico de la calidad UNIVERSIDAD NAIONAL MAYOR DE SAN MAROS FAULTAD DE IENIAS MATEMÁTIAS E.A.P. DE ESTADÍSTIA Métodos multvarantes en control estadístco de la caldad apítulo IV. Gráfcos de control MUSUM TRABAJO MONOGRÁFIO

Más detalles

Estructura de tabla. Crear una tabla de base de datos. Paso previo a la creación i

Estructura de tabla. Crear una tabla de base de datos. Paso previo a la creación i Estructura de una tabla Estructura de tabla Access 2016 Crear una tabla de base de datos Paso prevo a la creacón Una tabla es un conjunto de datos estructurados. Esta estructura se basa en un elemento

Más detalles

Estadísticos muéstrales

Estadísticos muéstrales Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día

Más detalles

I.E.S. Historiador Chabás -1- Juan Bragado Rodríguez

I.E.S. Historiador Chabás -1- Juan Bragado Rodríguez Problema La sguente tabla epresa la estatura en cm. de soldados: Talla 5 56 60 6 68 6 80 8 88 Soldados 6 86 50 8 95 860 85 6 9 a) Haz un hstograma que represente la estatura en metros de los soldados.

Más detalles

En el panel de navegación, haga doble clic en el nombre de la tabla o de la consulta a la que desee agregar registros.

En el panel de navegación, haga doble clic en el nombre de la tabla o de la consulta a la que desee agregar registros. Regstros Regstros Access 2013 - Funcónes báscas Introducr regstros en la hoja de datos En el panel de navegacón, haga doble clc en el nombre de la tabla o de la consulta a la que desee agregar regstros.

Más detalles

Relaciones entre las tablas

Relaciones entre las tablas Relacones entre las tablas Relacones entre las tablas Access 2013 Establecer una relacón entre dos tablas Los dstntos tpos de relacones entre tablas Establecer una relacón entre las tablas de la base de

Más detalles

Población 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia

Población 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen

Más detalles

CAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información

CAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.

Más detalles

FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)

FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004) FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz

Más detalles

CASO PRÁCTICO TEORÍA. 1 i (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS)

CASO PRÁCTICO TEORÍA. 1 i (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS) Caso 6: Calbrado para fosfato y predccón nversa 43 Caso 6 : Calbrado para fosfato y predccón nversa (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS) CASO PRÁCTICO Al hacer calbrados con

Más detalles

SEMANA 13. CLASE 14. MARTES 20/09/16

SEMANA 13. CLASE 14. MARTES 20/09/16 SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.

Más detalles

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL

Más detalles

CAMPO MAGNÉTICO CREADO POR CORRIENTES RECTILÍNEAS INDEFINIDAS

CAMPO MAGNÉTICO CREADO POR CORRIENTES RECTILÍNEAS INDEFINIDAS Departamento de Físca - UBU enero de 2017 1 CAMPO MAGNÉTICO CREADO POR CORRIENTES RECTILÍNEAS INDEFINIDAS En esta hoja podrán vsualzar el campo magnétco creado por una, dos tres o cuatro correntes rectlíneas

Más detalles

Presentación con diapositivas

Presentación con diapositivas Presentacón con dapostvas Presentacón con dapostvas PowerPont 2013 Confgurar la presentacón con dapostvas La presentacón con dapostvas es la proyeccón en pantalla de la presentacón. Abra la presentacón

Más detalles

ESTADÍSTICA. Definiciones

ESTADÍSTICA. Definiciones ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una

Más detalles

Tema 11: Estadística.

Tema 11: Estadística. Tema 11: Estadístca. Ejercco 1. Un fabrcante de tornllos desea hacer un control de caldad. Para ello, recoge 1 de cada 100 tornllos producdos y lo analza. a) Cuál es la poblacón? b) Cuál es la muestra?

Más detalles

Estas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.

Estas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas. UIDAD 3: Meddas estadístcas Las meddas estadístcas o parámetros estadístcos son valores representatvos de una coleccón de datos y que resumen en unos pocos valores la normacón del total de datos. Estas

Más detalles

SEGUNDA PARTE RENTAS FINANCIERAS

SEGUNDA PARTE RENTAS FINANCIERAS SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de

Más detalles

CLAVE - Laboratorio 1: Introducción

CLAVE - Laboratorio 1: Introducción CLAVE - Laboratoro 1: Introduccón ( x )( x ) x ( xy) x y a b a b a a a ( x ) / ( x ) x ( x ) x a b a b a b ab n! n( n 1)( n 2) 1 0! 1 x x x 1 0 1 (1) Smplfque y evalúe las sguentes expresones: a. 10 2

Más detalles

Tema 1.- Variable aleatoria discreta (V2.1)

Tema 1.- Variable aleatoria discreta (V2.1) Tema.- Varable aleatora dscreta (V2.).- Concepto de varable aleatora A cada posble resultado de un expermento lo llamamos suceso elemental, y lo denotamos con ω, ω 2, Llamamos espaco muestral al conjunto

Más detalles

Tema 1.3_A La media y la desviación estándar

Tema 1.3_A La media y la desviación estándar Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.

Más detalles

Regresión Lineal Simple y Correlación

Regresión Lineal Simple y Correlación 4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse

Más detalles

Teléfonos Avaya T3 para conexión a Integral 5 Configurar y utilizar la sala de conferencias Apéndice del Manual del usuario

Teléfonos Avaya T3 para conexión a Integral 5 Configurar y utilizar la sala de conferencias Apéndice del Manual del usuario Teléfonos Avaya T3 para conexón a Integral 5 Confgurar y utlzar la sala de conferencas Apéndce del Manual del usuaro Issue 1 Integral 5 Software Release 2.6 Septembre 2009 Utlzar la sala de conferencas

Más detalles

2 Dos tipos de parámetros estadísticos

2 Dos tipos de parámetros estadísticos Dos tpos de parámetros estadístcos Págna 198 1. Calcula la meda, la medana y la moda de cada una de estas dstrbucones estadístcas: a) 4, 5, 6, 6, 6, 6, 7, 11, 1, 17 b), 1, 6, 9,, 8, 9,, 14, c), 3, 3, 3,

Más detalles

Medidas de Variabilidad

Medidas de Variabilidad Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces

Más detalles

COLEGIO INGLÉS MEDIDAS DE DISPERSIÓN

COLEGIO INGLÉS MEDIDAS DE DISPERSIÓN COLEGIO IGLÉS DEPARTAMETO IVEL: CUARTO MEDIO PSU. UIDAD: ESTADISTICA 3 PROFESOR: ATALIA MORALES A. ROLADO SAEZ M. MIGUEL GUTIÉRREZ S. JAVIER FRIGERIO B. MEDIDAS DE DISPERSIÓ Las meddas de dspersón dan

Más detalles

EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED

EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles

Más detalles

Organización y resumen de datos cuantitativos

Organización y resumen de datos cuantitativos Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS

Más detalles

MÓDULO DE ADMINISTRACIÓN DE DOCUMENTOS EN IRON MOUNTAIN CONNECT C

MÓDULO DE ADMINISTRACIÓN DE DOCUMENTOS EN IRON MOUNTAIN CONNECT C Búsqueda smple MÓDULO DE ADMINISTRACIÓN DE DOCUMENTOS EN IRON MOUNTAIN CONNECT C3.2 07.16 2016 Iron Mountan Incorporated. Todos los derechos reservados. Iron Mountan y el dseño de montaña son marcas regstradas

Más detalles

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología

Más detalles

Un estimado de intervalo o intervalo de confianza ( IC

Un estimado de intervalo o intervalo de confianza ( IC Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá

Más detalles

Práctica 12 - Programación en C++ Pág. 1. Practica Nº 12. Prof. Dr. Paul Bustamante. Informática II Fundamentos de Programación - Tecnun

Práctica 12 - Programación en C++ Pág. 1. Practica Nº 12. Prof. Dr. Paul Bustamante. Informática II Fundamentos de Programación - Tecnun Práctca 1 - Programacón en C++ Pág. 1 Práctcas de C++ Practca Nº 1 Informátca II Fundamentos de Programacón Prof. Dr. Paul Bustamante Práctca 1 - Programacón en C++ Pág. 1 INDICE ÍNDICE... 1 1.1 Ejercco

Más detalles

Comparación de Tasas. Ejemplo StatFolio: comparerates.sgp

Comparación de Tasas. Ejemplo StatFolio: comparerates.sgp STATGRAPHICS Rev. 9/4/2006 Comparacón de Tasas Resumen El procedmento Comparacón de Tasas esta dseñado para comparar las tasas observadas de un evento entre muestras. Este realza una prueba de dspersón

Más detalles

AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.

AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método

Más detalles

Utilizar sumatorias para aproximar el área bajo una curva

Utilizar sumatorias para aproximar el área bajo una curva Cálculo I: Guía del Estudante Leccón 5 Apromacón del área bajo la curva Leccón 5: Apromacón del área bajo una curva Objetvo: Utlzar sumatoras para apromar el área bajo una curva Referencas: Stewart: Seccón

Más detalles

TEMA 6: TRATAMIENTO DE DATOS. OPERACIONES CON CAL.

TEMA 6: TRATAMIENTO DE DATOS. OPERACIONES CON CAL. TEMA 6: TRATAMIENTO DE DATOS. OPERACIONES CON CAL. 1. LAS FÓRMULAS DE OPENOFFICE CALC. 2. REFERENCIAS ABSOLUTAS, RELATIVAS Y MIXTAS. 3. PEGADO ESPECIAL. 4. FUNCIONES EN OPENOFFICE CALC. 5. ANÁLISIS ESTADÍSTICO

Más detalles

PROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.

PROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad. Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en

Más detalles

ESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística

ESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es

Más detalles

ESTADÍSTICA UNIDIMENSIONAL

ESTADÍSTICA UNIDIMENSIONAL ESTADÍSTICA UNIDIMENSIONAL La estadístca undmensonal trata de resumr la nformacón contenda en una tabla que contene nformacón de una sola varable en unos pocos números. Las meddas de poscón pueden ser:

Más detalles

( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )

( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror

Más detalles

Tema 4: Variables aleatorias

Tema 4: Variables aleatorias Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son

Más detalles

VISIÓN POR COMPUTADOR

VISIÓN POR COMPUTADOR Escuela Poltécnca Superor de Elche VISIÓN POR COMPUTADOR Grado en Electrónca y Automátca Industral PRÁCTICAS TITERE Práctca 4: Segmentacón, Localzacón y Reconocmento de Obetos Departamento de Ingenería

Más detalles

) para toda permutación (p p 1 p

) para toda permutación (p p 1 p 09 Elena J. Martínez do cuat. 004 Análss de la varanza de dos factores El problema anteror consderaba la comparacón de muestras para detectar dferencas entre las respectvas poblacones. En el modelo de

Más detalles

Prácticas de Mathematica. Diplomatura de Óptica y Optometría. Cuando el programa se cuelga.

Prácticas de Mathematica. Diplomatura de Óptica y Optometría. Cuando el programa se cuelga. Práctcas de Mathematca. Dplomatura de Óptca Optometría. Segunda Práctca Cuando el programa se cuelga. En ocasones, por la dfcultad o la mala escrtura de las operacones que le pedmos, el programa no responde.

Más detalles

Flury, María Isabel Quaglino, Marta Barbiero, Cristina Ruggieri, Marta Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística

Flury, María Isabel Quaglino, Marta Barbiero, Cristina Ruggieri, Marta Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística Flury, María Isabel Quaglno, Marta Barbero, Crstna Rugger, Marta Insttuto de Investgacones Teórcas y Aplcadas de la Escuela de Estadístca PROPUESTA DE IMPLEMENTACIÓN DE UN GRÁFICO MULTIVARIADO DE PROME-

Más detalles

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso. CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de

Más detalles

Medidas de centralización

Medidas de centralización 1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos

Más detalles

Tema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1

Tema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1 Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para

Más detalles

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................

Más detalles

DESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO

DESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO Clascacón: Emtdo para Observacones de los Coordnados Versón: 1.0 DESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO Autor Dreccón de Operacón Fecha Creacón 06-04-2010 Últma Impresón 06-04-2010 Correlatvo

Más detalles

Capítulo 7 Bucles. Bucle For-Next. Informática

Capítulo 7 Bucles. Bucle For-Next. Informática Capítulo 7 Bucles Bucle For-Net Un procedmento más práctco para controlar varables que deben tomar valores numércos entre un valor ncal hasta un valor fnal, con un ncremento determnado, es el sguente:

Más detalles

Tema 1: Análisis de datos unidimensionales

Tema 1: Análisis de datos unidimensionales Tema : Análss de datos undmensonales. Varables estadístcas undmensonales. Representacones gráfcas.. Característcas de las dstrbucones de frecuencas undmensonales.. Varables estadístcas undmensonales. Representacones

Más detalles

Para construir un diagrama de tallo y hoja seguimos los siguientes pasos:

Para construir un diagrama de tallo y hoja seguimos los siguientes pasos: UNIDAD 2: Gráfcos estadístcos Los gráfcos muestran vsualmente y de forma rápda la dstrbucón de los datos y sus prncpales característcas, consttuyen un mportante complemento en la presentacón de la nformacón.

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la

Más detalles

1º. a) Deducir la expresión de la fórmula de derivación numérica de tipo x,x,x,x,.

1º. a) Deducir la expresión de la fórmula de derivación numérica de tipo x,x,x,x,. º. a Deducr la expresón de la fórmula de dervacón numérca de tpo x,x,x,x,. nterpolatoro que permte aproxmar f (x* con el soporte { } 3 x 4 b Demostrar que en el caso de que el soporte sea de la forma:

Más detalles

Tema 9: Otros temas de aplicación

Tema 9: Otros temas de aplicación Tema 9: Otros temas de aplcacón. Introduccón Exsten muchos elementos nteresantes y aplcacones del Matlab que no se han comentado a lo largo de los temas. Se nvta al lector a que nvestgue sobre ellos según

Más detalles

Universidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud

Universidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud Unversdad de Pamplona Facultad de Cencas Báscas Físca para cencas de la vda y la salud AÁLISIS GRÁFICO DE DATOS EXPERIMETALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos

Más detalles

7ª SESIÓN: Medidas de concentración

7ª SESIÓN: Medidas de concentración Curso 2006-2007 7ª Sesón: Meddas de concentracón 7ª SESIÓN: Meddas de concentracón. Abrr el rograma Excel. 2. Abrr el lbro utlzado en las ráctcas anterores. 3. Insertar la Hoja7 al fnal del lbro. 4. Escrbr

Más detalles

, x es un suceso de S. Es decir, si :

, x es un suceso de S. Es decir, si : 1. Objetvos: a) Aprender a calcular probabldades de las dstrbucones Bnomal y Posson usando EXCEL. b) Estudo de la funcón puntual de probabldad de la dstrbucón Bnomal ~B(n;p) c) Estudo de la funcón puntual

Más detalles

Figura 1

Figura 1 5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto

Más detalles

Mosto Vino joven Vino crianza Vino reserva Gran reserva Precio [ /l] Coste [ /l] Evap [%]

Mosto Vino joven Vino crianza Vino reserva Gran reserva Precio [ /l] Coste [ /l] Evap [%] PROBLEMA: EL BODEGUERO Un bodeguero ha tendo una buena cosecha que estma sea de 10000 ltros. El bodeguero ha de decdr qué cantdad de la cosecha dedcarla a hacer mosto, qué cantdad conservarla un año en

Más detalles

9Soluciones a los ejercicios y problemas

9Soluciones a los ejercicios y problemas 38 S a todos los datos de una dstrbucón le sumamos un msmo número, qué le ocurre a la meda? Y a la desvacón típca? Y s multplcamos todos los datos por un msmo número? Llamamos a al valor sumado a cada

Más detalles

CASO 1: Variable CONTINUA con idéntica probabilidad de ocurrencia para los infinitos valores comprendidos entre dos extremos (inferior y superior)

CASO 1: Variable CONTINUA con idéntica probabilidad de ocurrencia para los infinitos valores comprendidos entre dos extremos (inferior y superior) DIFERENTES TIOS DE DISTRIBUCIÓN UTILIZACIÓN DE FUNCIONES DE EXCEL EN MODELOS DE SIMULACIÓN Utlzacón ndvdual y conjunta de funcones para la representacón del comportamento de varables bajo las alternatvas

Más detalles

EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA

EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de

Más detalles

Tema 1: Estadística Descriptiva Unidimensional

Tema 1: Estadística Descriptiva Unidimensional Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde

Más detalles

DISTRIBUCIONES BIDIMENSIONALES

DISTRIBUCIONES BIDIMENSIONALES Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón

Más detalles

Tema 6. Estadística descriptiva bivariable con variables numéricas

Tema 6. Estadística descriptiva bivariable con variables numéricas Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA PROBABILIDAD Y ESTADÍSTICA 1. S A es un suceso de probabldad 0.3, la probabldad de su suceso contraro es: a) 0. b) 1.0 c) 0.7 (Convocatora juno 006. Eamen tpo H) S A es un suceso, la probabldad de su suceso

Más detalles

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa. MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan

Más detalles

Estadísticos muéstrales

Estadísticos muéstrales Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas

Más detalles

PRÁCTICA 11. AMPLIFICADOR OPERACIONAL I

PRÁCTICA 11. AMPLIFICADOR OPERACIONAL I PRÁCTICA 11. AMPLIFICADOR OPERACIONAL I 1. Objetvo El objetvo de esta práctca es el estudo del funconamento del amplfcador operaconal, en partcular de dos de sus montajes típcos que son como amplfcador

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA Estadístca descrptva. ESTADÍSTICA DESCRIPTIVA POBLACIÓN Y MUESTRA. VARIABLES ESTADÍSTICAS DISTRIBUCIÓN DE FRECUENCIAS DE UNA MUESTRA AGRUPACIÓN DE DATOS REPRESENTACIONES GRÁFICAS DE LAS MUESTRAS PRINCIPALES

Más detalles

Vida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad

Vida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede

Más detalles

INTRODUCCIÓN. Técnicas estadísticas

INTRODUCCIÓN. Técnicas estadísticas Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad

Más detalles

TÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3

TÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3 PROCEDIMIENTO DO DESEMPEÑO DEL CONTROL DE FRECUENCIA EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE TÍTULO I Aspectos Generales... 3 TÍTULO II Alcance... 3 TÍTULO III Metodología de Cálculo de FECF... 3 TÍTULO

Más detalles

Asignar una o varias categorías a un elemento

Asignar una o varias categorías a un elemento Outlook 2016 - Funcones avanzadas Categoría de los elementos Asgnar una o varas categorías a un elemento Seleccone la carpeta y el elemento al cual desea asocar una categoría; s la operacón afecta a varos

Más detalles

16/02/2015. Ángel Serrano Sánchez de León

16/02/2015. Ángel Serrano Sánchez de León Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,

Más detalles

Media es la suma de todas las observaciones dividida por el tamaño de la muestra.

Media es la suma de todas las observaciones dividida por el tamaño de la muestra. Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE DATOS SEPTIEMBRE 2014 Código asignatura: EXAMEN TIPO TEST MODELO B DURACION: 2 HORAS.

INTRODUCCIÓN AL ANÁLISIS DE DATOS SEPTIEMBRE 2014 Código asignatura: EXAMEN TIPO TEST MODELO B DURACION: 2 HORAS. eptembre 04 EAMEN MODELO B ág. INTRODUCCIÓN AL ANÁLII DE DATO ETIEMBRE 04 Códgo asgnatura: 60037 EAMEN TIO TET MODELO B DURACION: HORA olucones 0 4 40 30 0 0 0 44 4 39 6 4 36 37 3 8 00 0 0 03 04 Nº de

Más detalles

Ejemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias

Ejemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8

Más detalles

Enlaces de las Series de Salarios. Metodología

Enlaces de las Series de Salarios. Metodología Enlaces de las eres de alaros Metodología ntroduccón La Encuesta de alaros en la ndustra y los ervcos (E, cuyo últmo cambo de base se produjo en 996) ha sufrdo certas modfcacones metodológcas y de cobertura,

Más detalles

1. Notación y tabulación

1. Notación y tabulación Tema 2: Descrpcón Unvarante. otacón y tabulacón 2. Descrpcón gráfca 3. Descrpcón numérca. Momentos estadístcos. Meddas de poscón. Meddas de dspersón v. Varable tpfcada v. Meddas de forma v. Meddas de concentracón

Más detalles

Descripción de una variable

Descripción de una variable Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad

Más detalles

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que

Más detalles

17/02/2015. Ángel Serrano Sánchez de León

17/02/2015. Ángel Serrano Sánchez de León Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,

Más detalles

EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco

EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Juno de 3 9: horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta A B C En Blanco Pregunta

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

INTRODUCCIÓN A LOS MODELOS DE SUPERPOBLACIÓN EN LAS TÉCNICAS DE MUESTREO CON PROBABILIDADES DESIGUALES

INTRODUCCIÓN A LOS MODELOS DE SUPERPOBLACIÓN EN LAS TÉCNICAS DE MUESTREO CON PROBABILIDADES DESIGUALES Metodología de Encuestas ISSN: 1575-7803 Vol 4, Núm 1, 00, 87-104 INTRODUCCIÓN A LOS MODELOS DE SUPERPOBLACIÓN EN LAS TÉCNICAS DE MUESTREO CON PROBABILIDADES DESIGUALES Gonzalo Sánchez-Crespo Insttuto

Más detalles

EL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza

EL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona

Más detalles

Examen Final de Econometría Grado

Examen Final de Econometría Grado Examen Fnal de Econometría Grado 17 de Mayo de 2016 15.30 horas Apelldos: Grado (ADE/ ECO): Nombre del profesor(a): Nombre: Grupo: Emal: Antes de empezar a resolver el examen, rellene TODA la nformacón

Más detalles

ACTIVIDADES ESTADÍSTICA UNIDIMENSIONAL. a) Calcula la temperatura media y la temperatura mediana de la semana.

ACTIVIDADES ESTADÍSTICA UNIDIMENSIONAL. a) Calcula la temperatura media y la temperatura mediana de la semana. Matemátcas Aplcadas a las Cencas Socales I ACTIVIDADES ESTADÍSTICA UNIDIMENSIONAL 1) Se ha meddo la temperatura en grados centígrados la presón atmosférca en mm en una cudad durante una semana obtenéndose

Más detalles

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio. Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco

Más detalles

H 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme

H 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor

Más detalles

Matemáticas II. Segundo Curso, Grado en Ingeniería Electrónica Industrial y Automática Grado en Ingeniería Eléctrica. 17 de febrero de

Matemáticas II. Segundo Curso, Grado en Ingeniería Electrónica Industrial y Automática Grado en Ingeniería Eléctrica. 17 de febrero de Matemátcas II Segundo Curso, Grado en Ingenería Electrónca Industral y Automátca Grado en Ingenería Eléctrca 7 de febrero de 0. Conteste las sguentes cuestones: Ã! 0 (a) (0.5 ptos.) Escrba en forma bnómca

Más detalles

Estimación no lineal del estado y los parámetros

Estimación no lineal del estado y los parámetros Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca

Más detalles

3 - VARIABLES ALEATORIAS

3 - VARIABLES ALEATORIAS arte Varables aleatoras rof. María B. ntarell - VARIABLES ALEATORIAS.- Generaldades En muchas stuacones epermentales se quere asgnar un número real a cada uno de los elementos del espaco muestral. Al descrbr

Más detalles