Gráfico ARIMA. Ejemplo StatFolio: ARIMA charts.sgp
|
|
- Sergio Naranjo Castellanos
- hace 7 años
- Vistas:
Transcripción
1 Gráfico ARIMA Resumen El procedimiento del Gráfico ARIMA (AutoRegressive Integrated Moving Average - Promedio Móvil Integrado Auto-Regresivo) crea gráficos de control para una sola variable numérica donde los datos fueron recolectados individualmente o en subgrupos. En contraste con otros gráficos de control, los gráficos ARIMA no asumen que las observaciones sucesivas son independientes. En lugar, un modelo estadístico se construye para describir la correlación serial entre las observaciones a lo largo del tiempo. Entonces las señales de un fuera-de-control se basan en las desviaciones del proceso de este modelo dinámico de serie del tiempo. Muchos procesos continuos, son muestreados en intervalos a lo largo del tiempo, que exhibirán el tipo de auto-correlación que los gráficos ARIMA están diseñadas para controlar. Los gráficos de control estándares tendrían que encontrar muchas falsas alarmas en tales casos. El procedimiento crea dos gráficos, un gráfico ARIMA y un gráfico R, o gráfico S, o gráfico MR(2). Los gráficos se pueden construir en cualquier modo de Estudio Inicial (Fase 1), donde los datos actuales determinan los límites de control, o en modo Control del Estándar (Fase 2), donde los límites provienen de un estándar conocido o de datos a priori. Eemplo StatFolio: ARIMA charts.sgp Datos del Eemplo: El archivo ARIMA charts.sf3 contiene una muestra de n = 120 mediciones de concentración tomadas cada dos horas de un proceso químico. Los datos son de Box, Jenkins, and Reinsel (1994). Una lista parcial de los datos en el archivo se muestran abao: Sample Concentration (Muestra) (Concentración) Un gráfico de control individual estándar aplicado a estos datos nos muestra muchas señales de fuera-de-control: 2006 por StatPoint, Inc. Gráfico ARIMA - 1
2 Carta X para Concentration LSC = CTR = LIC = X Observación En una hora a otra hora, el proceso cambia claramente. Aún en un sentido a largo plazo, el proceso puede actualizarse para estar "en control", variando alrededor de una media con varianza constante estable. Modelos ARIMA La mayoría de los gráficos de control confían en un modelo estadístico simple. Se asume que los datos varían aleatoriamente alrededor de una media μ fia según: x = μ + a (1) donde a es la asunción de que las muestras aleatorias provienen de una distribución normal con media 0 y varianza constante σ (llamada ruido blanco ). 2 a El gráfico ARIMA se construye sobre una clase de modelos más complicados definida por: donde z = 0 2 θ + φ z + φ z +... θ a (2) φ z + a θ a a p p 1 1 θ 2 2 q q z d = x (3) En este modelo, las mediciones en el periodo, x, están relacionadas con las mediciones con el periodo previo p, un choque aleatorio para el proceso a del periodo, y choques aleatorios en los periodos previos q, después de aplicar una diferencia de orden d si es necesario. Los choques representan un efecto aleatorio para el cual el proceso esta sueto en cada periodo, por lo tanto se asume que provienen de una distribución normal con media 0 y desviación estándar σ a.. Los parámetros que definen este modelo son: θ 0 = constante φ 1, φ 2,, φ p = parámetros auto-regresivos 2006 por StatPoint, Inc. Gráfico ARIMA - 2
3 θ 1, θ 2, θ q = parámetros de promedio móvil STATGRAPHICS Rev. 9/14/2006 El valor z puede igualar cualquiera de las diferentes cantidades, dependiendo sobre el orden de diferenciación d: z = x para d = 0 (No Diferenciación) (4) z ( x x 1) para d = 1 (Primera Diferenciación) (5) = z x x ) ( x x ) para d = 2 (Segunda Diferenciación). (6) = ( La identificación de un modelo apropiado ARIMA que se utilizará en cualquier instancia confía en las herramientas de la función de auto-correlación, se encuentra en el procedimiento Métodos Descriptivos dentro de Análisis Series de Tiempo del menú principal de STATGRAPHICS: 1 Autocorrelaciones Parciales Estimadas para Concentration Autocorrelaciones Parciales retraso La función de auto-correlación muestra como la correlación entre pares de valores ( x ), varía x k en función del anterior o número de periodos k entre ellos. Del comportamiento de la función de auto-correlación y la función de auto-correlación parcial relacionada, un analista experimentado podrá seleccionar un buen modelo para un conunto particular de datos. Para una discusión detallada de la identificación y auste de un modelo ARIMA, ver Box, Jenkins and Reinsel (1994). Afortunadamente, aunque la forma general de un modelo ARIMA es muy complicado, los modelos más simples realizan un buen trabao en la modelación de procesos de la vida real. El modelo por defecto utilizado por STATGRAPHICS es un modelo auto-regresivo de segundo orden AR(2) que tiene la forma más simple: x θ + a (7) = 0 + φ1x 1 + φ2 x 2 Este modelo indica el promedio de las mediciones para el periodo es igual a una constante, más un múltiplo de los promedios en los dos periodos de tiempo previos, más un choque aleatorio. Para procesos que varían alrededor de una media constante (procesos estacionarios), tal modelo 2006 por StatPoint, Inc. Gráfico ARIMA - 3
4 es frecuentemente suficiente. Para una discusión de otras aplicaciones de los modelos ARIMA, ver Montgomery (2005). Entrada de Datos Hay dos alternativas del menú para crear gráficos ARIMA, una para datos individuales y otra para datos agrupados. En el caso de datos agrupados, las observaciones originales pueden ser incorporadas, o estadísticas del subgrupo. Caso #1: Individuales Los datos que se analizan consisten en una sola columna numérica que contiene n observaciones. Se asume que los datos se tomaron una vez en el tiempo. Observaciones: Columna numérica que contiene los datos que se analizarán. Etiquetas: Etiquetas opcionales para cada observación. Selección: Selección de un subconunto. Case #2: Datos Agrupados Observaciones Originales Los datos que se analizarán consisten en unas o más columnas numéricas. Se asume que los datos fueron tomados por grupos, en un orden secuencial por filas por StatPoint, Inc. Gráfico ARIMA - 4
5 Observaciones: Una o más columnas numéricas. Si se ingresa más de una columna, cada fila del archivo es asumida para representar a un subgrupo, con tamaño del subgrupo m igual al número de las columnas ingresadas. Si solamente se ingresa una columna, entonces el campo de tamaño o número del subgrupo es utilizado para formar los grupos. Tamaño o Número de Subgrupo: Si cada conunto de m filas representa un subgrupo, ingrese el valor m. Por eemplo, introducir 5 implica que los datos de la filas 1-5 forman el primer subgrupo, filas 6-10 forman el segundo subgrupo, etcétera. Si los tamaños de los subgrupos no son iguales, ingresar el nombre de una columna numérica o no numérica adicional que contenga identificadores del subgrupo. El programa explorará esta columna y pondrá filas secuenciales con códigos idénticos en el mismo subgrupo. Etiquetas de Subgrupo: Etiquetas opcionales para cada subgrupo. Selección: Selección de un subconunto. Caso #3: Datos Agrupados Estadísticas de Subgrupos En este caso, las estadísticas para cada subgrupo se han calculado en otra parte y se incorpora en la base de datos, como en la tabla de abao: 2006 por StatPoint, Inc. Gráfico ARIMA - 5
6 Simple (Muestra) Jeans (Medias) Ranges (Rangos) Sizes (Tamaños) STATGRAPHICS Rev. 9/14/2006 Estadísticas de Subgrupo: Los nombres de las columnas que contengan las medias y rangos de los subgrupos. Tamaño o Número de Subgrupo: Si todos los subgrupos contienen el mismo número de observaciones, ingrese el valor de n. De lo contrario, ingrese el nombre de una columna numérica que contenga los tamaños de los subgrupos. Etiquetas de Subgrupo: Etiquetas opcionales para cada subgrupo. Selección: Selección de un subconunto por StatPoint, Inc. Gráfico ARIMA - 6
7 Gráfico ARIMA El gráfico ARIMA puede ser dibuado de diferentes maneras, dependiendo de la configuración en Opciones del Análisis. Para los modelos estacionarios en los cuales los datos varían alrededor de una media fia μ, un tipo estándar de una carta Shewhart puede desarrollarse. Carta ARIMA para Concentration LSC = CTR = LIC = X Observación En esta carta, los datos se dibuan alrededor de una línea central localizada en μ con límites de control en: ˆ μ ± kσˆ z (8) donde k es un múltiplo (generalmente igual a 3) especificado sobre la sección Gráficos de Control de la caa de dialogo Preferencias, accesible desde el menú Edición. La media y desviación estándar dependen sobre el modelo ARIMA seleccionado. Para un modelo AR(2), y μ θ = 0 ( 1 φ1 φ2 ) (9) σ = z 1 φ2 1+ φ σ 2 2 {( φ ) φ } 2 a 1 (10) En modo Estudio Inicial, los parámetros del modelo ARIMA son estimados usando el procedimiento de estimación por máxima verosimilitud sin condicional con estimación hacia atrás completa. La desviación estándar de los choques aleatorios σ a puede estimarse usando el cuadrado medio del error (MSE) sobre el auste del modelo ARIMA o por medio del rango promedio, como se describe abao. Note que los límites de control para las concentraciones químicas son considerablemente más anchos que en el gráfico X. La auto-correlación entre mediciones sucesivas representa un tipo de comportamiento dinámico que causa que el proceso varié alrededor de su media de una manera seudo-periódica. La desviación de estándar de las mediciones es consecuentemente cerca del 25% más grande que la desviación estándar de los choques aleatorios por StatPoint, Inc. Gráfico ARIMA - 7
8 Resumen del Análisis Este panel despliega el auste del modelo ARIMA y un resumen de los gráficos de control. Gráfico ARIMA Individuos - Concentration Número de observaciones = observaciones excluidas Distribución: Normal Transformación: ninguna Carta ARIMA Período #1-120 LSC: +3.0 sigma Línea Central LIC: -3.0 sigma fuera de límites Carta MR(2) Período #1-120 LSC: +3.0 sigma Línea Central LIC: -3.0 sigma fuera de límites Estimados Período #1-120 Media de proceso Sigma de proceso MR(2) residual promedio Sigma de residuos Sigma estimada a partir del rango móvil promedio de residuos Resumen del Modelo ARIMA Parámetro Estimado Error Estnd. t Valor-P AR(1) AR(2) Media Constante Histórico: si Varianza estimada del ruido blanco = con 117 grados de libertad Desviación estándar estimada del ruido blanco = Se incluye en la tabla: Información del Subgrupo: El número de observaciones y el tamaño promedio de subgrupo. Distribución: La distribución asumida para los datos. Por defecto, se asume que los datos provienen de una distribución normal. Sin embargo, se pueden seleccionar alguna de las otras 26 distribuciones cambiando la selección en Opciones del Análisis. Transformación: Cualquier transformación puede ser aplicada a los datos. Usando Opciones del Análisis, se puede elegir la transformación de los datos una transformación común como raíz cuadrada u optimizar la transformación utilizando el método de Box- Cox por StatPoint, Inc. Gráfico ARIMA - 8
9 Gráfico ARIMA: Un resumen de la línea central y límites de control para el gráfico ARIMA, unto con un conteo de cualquier punto más allá de los límites de control. Gráfico MR(2)/R/S: Un resumen de la linea central y límites de control para el gráfico de dispersión. Estimación: La estimación de la media μ y desviación estándar σ del proceso. El método para la estimación de sigma depende sobre la configuración en la caa de dialogo de Opciones del Análisis, descrita más adelante. Media Residual MR(2), Rango Promedio, o Promedio S: El promedio de los valores dibuados sobre el gráfico de dispersión. Resumen del Modelo ARIMA: Un resumen sobre la estimación del modelo ARIMA. Para las mediciones de la concentración química, el modelo es: x = x x -2 + a (11) Cada coeficiente del modelo estimado se valida con una prueba de hipótesis t. Si el valor P asociado con el coeficiente seleccionado es menor que 0.05, con todos los coeficientes del modelo actual, entonces el coeficiente es significativamente diferente de 0 con un nivel de significancia del 5%. También se muestra la estimación de la media del proceso ˆ μ = y la desviación estándar de los choques aleatorios σ$ a = por StatPoint, Inc. Gráfico ARIMA - 9
10 Opciones del Análisis Tipo de Estudio: Se determina cómo se calcularan los límites de control. Para un gráfico en un Estudio Inicial (Fase 1), los límites se estiman de los datos actuales. Para un gráfico del Control de un Estándar (Fase 2), los límites de control se determinan sobre la información en la sección de Control de un Estándar en la caa de diálogo. Límites de Control ARIMA: Especifica la k múltiple utilizada en la determinación del límite de control inferior y superior sobre el gráfico ARIMA. Para suprimir un límite completamente, ingresar 0. Límites de Control MR(2): Especifica la k múltiple utilizada en la determinación del límite de control inferior y superior sobre el gráfico MR(2), R, o S. Para suprimir un límite completamente, ingresar 0. Control de un Estándar: Para desarrollar un análisis de Fase 2, seleccionar Control de un Estándar en Tipo de Estudio e ingresar el estándar establecido la media y sigma del proceso (u otros parámetros si no se asume una distribución normal) y los parámetros del modelo ARIMA. Modelo: Especifica el orden p de la proporción auto-regresiva (AR) del modelo, el orden de diferenciación d (I), y el orden q de la proporción de promedios móviles (MA) del modelo. Si d > 0, el termino de la constante θ 0 puede removerse por StatPoint, Inc. Gráfico ARIMA - 10
11 Estimación de Sigma: Especifica si la desviación estándar de los choques aleatorios σ a se debe estimar del gráfico de rango, o se estima del cuadrado medio del error residual sobre la estimación del modelo ARIMA. Tipo de Gráfico: El gráfico ARIMA puede construirse de cualquiera de las siguientes cuatro formas: 1. Datos con Límites a Largo Plazo Dibua las medias de subgrupos con límites definidos por ˆ μ ± kσˆ z (12) 2. Datos con Límites de Un-Paso - Dibua las medias de subgrupos con límites definidos por zˆ ( 1) ± kσˆ (13) a donde z$ ( 1) es la esperanza condicional de z en el periodo encontrando toda la información a través del periodo - 1. Por eemplo, la esperanza condicional para la observación en un periodo usando el auste del modelo AR(2) para la concentración es ( 1) = z z 2 z ˆ (14) 3. Residuales Dibua los residuales definidos por a$ = z z$ ( 1 ) (15) 4. Residuales Normalizados - Dibua los residuales normalizados definidos por aˆ / σˆ (16) a Botón de Transformación: Use este botón para especificar una transformación o una distribución no normal. Para una discusión de las propiedades de Transformación, vea la documentación de Gráficos de Control para Individuos por StatPoint, Inc. Gráfico ARIMA - 11
12 Eemplo Datos con Límites de Un-Paso STATGRAPHICS Rev. 9/14/2006 Carta ARIMA para Concentration LSC = CTR = LIC = X Observación Esta forma de gráfico dibua los límites sigma alrededor de la observación esperada en el tiempo, encontrando toda la información a través del tiempo - 1. Esto es útil para determinar si un evento inusual ha ocurrido en el periodo de tiempo. En este formato, estaremos mirando los choques locales del sistema, más bien que tomar una vista global de las desviaciones del proceso con respecto de su media. Eemplo - Residuales Carta de Residuos ARIMA para Concentration Residuo LSC = 1.00 CTR = 0.00 LIC = Observación Esta forma de gráfico dibua los choques estimados del sistema. Las señales de fuera-de-control serán las mismas que para el gráfico con límites de un-paso. Gráfico MR(2)/R/S Un segundo gráfico también es incluido para monitorear la variabilidad del proceso por StatPoint, Inc. Gráfico ARIMA - 12
13 Carta MR(2) para Residuos LSC = 1.23 CTR = 0.38 LIC = 0.00 MR(2) Observación Para datos individuales, la carta que se despliega es un gráfico MR(2), descrita en la documentación de Gráficos de Control Individuales. Para datos agrupados, un gráfico R (Rango) o S (Sigma) será presentado, dependiendo de la configuración en la sección Gráficos de Control de la caa de dialogo de Preferencias: Estás cartas se describen en la documentación sobre Gráfico X-Barra-R o Gráfico X Barra-S. El gráfico de dispersión siempre será creado usando los residuales de la estimación del modelo. Opciones del Panel Límites de Precaución Externos: Active esta caa para agregar Limites de Precaución Externos en una sigma especificada, generalmente se trabaa en 2 sigma por StatPoint, Inc. Gráfico ARIMA - 13
14 Límites de Precaución Internos: Active esta caa para agregar Limites de Precaución Internos en una sigma especificada, generalmente se trabaa en 1 sigma. Promedio Móvil: Activando esta caa se agrega un suavizado de Promedio Móvil en el gráfico. Adicionalmente a las medias de los subgrupos, el promedio del más reciente q puntos será presentado, donde q es el orden del Promedio Móvil. El valor por omisión es q = 9 puesto que los límites de precaución internos a 1 sigma para las medias originales de los subgrupos son equivalentes a límites de control a 3 sigma para el orden del Promedio Móvil. Promedio Móvil Exponencialmente Ponderado (EWMA): Activar esta caa para agregar un suavizado EWMA sobre el gráfico. Adicionalmente a las medias de subgrupos, un promedio móvil exponencialmente ponderado de las medias de subgrupos será presentado, cuando λ es el parámetro suavizado de la EWMA. El valor por omisión λ = 0.2 puesto que los límites de precaución interno en 1 sigma para las medias originales de los subgrupos son equivalentes a límites de control a 3 sigma en la EWMA. Decimales para los Límites: El número de decimales utilizados para presentar los límites de control. Marcar Violaciones a Reglas de Corridas: Banderas con un símbolo especial en el punto para cualquier secuencia o corrida inusual (no aleatoria). Las reglas de corridas aplican por omisión a las especificadas en la sección Pruebas de Corridas dentro de la caa de dialogo Preferencias. Color de Zona: Activar esta caa para desplegar colores de zona, verde, amarrillo y roo por StatPoint, Inc. Gráfico ARIMA - 14
15 Reporte del Gráfico ARIMA Reporte de Carta ARIMA para Individuos Observaciones Fuera de Límites * = Fuera de Límites Observación Residuo MR(2) * * * Los puntos con fuera-de-control son marcados con un asterisco (*). Los puntos excluidos de los cálculos con marcados por una equis (X). Opciones del Panel Desplegar: Especifica las observaciones o subgrupos a desplegar en el reporte. Prueba de Corridas Si el tipo de gráfico ARIMA seleccionado fue dibuar los residuales, entonces el panel de Pruebas de Corridas despliega los resultados de las pruebas estándares designadas para detectar una secuencia de puntos anormales. Runs Tests Reglas (A) secuencias arriba o abao de la línea central con longitud 8 o mayor. (B) secuencias arriba o abao de longitud 8 o mayor. (C) conuntos de 5 observaciones con al menos 4 más allá de 1.0 sigma. (D) conuntos de 3 observaciones con al menos 2 más allá de 2.0 sigma. Violaciones Observación Carta de Residuos Carta MR(2) 65 D 87 A 88 A 89 A 90 A 91 A 92 A 93 A 94 A Para una descripción más detallada de estas pruebas, ver la documentación Gráficos X-Barra-R por StatPoint, Inc. Gráfico ARIMA - 15
16 Opciones del Panel STATGRAPHICS Rev. 9/14/2006 Seleccione las pruebas de corridas a ser aplicadas y los parámetros que definen estas pruebas. Por eemplo, algunos practicantes prefieren probar corridas con 7 puntos en lugar de 8. Función de Auto-Correlación Residual El gráfico de la Función de Auto-Correlación Residual grafica las auto-correlaciones de $a : 1 Autocorrelaciones de Residuos para Concentration Autocorrelatciones lag La auto-correlación mide la relación entre los residuales en una separación especificada del tiempo, llamado "lag". Si el modelo seleccionado ARIMA se austa bien sobre los datos, los residuales deben aleatorizarse y todas las barras deben permanecer dentro de los límites de probabilidad indicados. Cualquier barra que se extienda más allá de los límites indicados tiene auto-correlación estadísticamente significativa entre los residuales separados por un número de períodos indicados. El gráfico antedicho muestra dos pequeñas auto-correlaciones significativas, en las separaciones de los períodos 7 y 14. Puesto que las mediciones fueron tomadas una vez cada dos horas, podría haber un ciclo en los datos con un período de 14 horas. Observe sin embargo que las correlaciones fuertes son en los lags más baos sobre las mediciones originales que han sido consideradas por el modelo AR(2) por StatPoint, Inc. Gráfico ARIMA - 16
17 Opciones del Panel Número de Lags: Máximo lag para estimar la auto-correlación. Nivel de Confianza: Nivel usado para calcular los limites de probabilidad. Función de Auto-Correlación Parcial Residual La función de auto-correlación parcial residual es usada para determinar si términos adicionales AR deben agregarse al modelo. 1 Autocorrelaciones Parciales de Residuos para Concentration Autocorrelaciones Parciales lag Si los valores en los lags más baos están más allá de los límites de probabilidad, entonces el orden del modelo AR tiene que ser aumentado. En este caso, el modelo AR(2) parece ser suficiente para describir la mayoría de la correlación en los datos. Una vez más una correlación posible se indica en el lag 7, que valdría la pena investigar. Opciones del Panel Número de Lags: Máximo lag para estimar la auto-correlación. Nivel de Confianza: Nivel usado para calcular los limites de probabilidad por StatPoint, Inc. Gráfico ARIMA - 17
18 Índices de Capacidad El panel para Índices de Capacidad despliega los valores de los índices seleccionados que miden que tan bien se conforman los datos con los límites de especificación. Índices de Capabilidad para Concentration Especificaciones LSE = 18.5 Nom = 17.0 LIE = 15.5 Corto Plazo Largo Plazo Capabilidad Desempeño Sigma Cp/Pp Cpk/Ppk Cpk/Ppk (superior) Cpk/Ppk (inferior) Con base en límites 6.0 sigma. La sigma de corto plazo se estimó a partir del rango móvil promedio. Los índices reportados por defecto dependen sobre la configuración en la sección Capacidad dentro de la caa de dialogo Preferencias. Una discusión más detallada de estos índices puede consultarse en la documentación para Capacidad del Proceso (Variables). Opción del Panel Índices: Seleccione el índice a ser presentado. Especificaciones: La especificación del límite superior o inferior, nominal o valor obetivo. Cualquiera de estas entradas puede dearse en blanco si no son relevantes por StatPoint, Inc. Gráfico ARIMA - 18
19 Grabar Resultados Los siguientes resultados pueden grabarse en la base de datos, dependiendo si los datos son individuales o agrupados: 1. Observaciones Las observaciones originales o promedios de subgrupos. 2. Rangos, sigmas, o rangos móviles Los valores dibuados sobre el gráfico de dispersión. 3. Tamaños El tamaño de los subgrupos. 4. Etiquetas Las etiquetas de los subgrupos. 5. Media de Proceso La estimación de la media del proceso. 6. Sigma de Proceso La estimación de la desviación estándar del proceso. 7. Residuales Los residuales del modelo ARIMA. Cálculos Para más información sobre la estimación de los modelos ARIMA, ver la documentación de Predicciones por StatPoint, Inc. Gráfico ARIMA - 19
Gráficos EWMA. Ejemplo StatFolio: ewmachart.sgp
Gráficos EWMA Resumen El procedimiento del Gráfico EWMA (Exponentially Weighted Moving Average - Promedios Móviles Exponencialmente Ponderados) construye un gráfico de control para una sola variable numérica
Más detallesGráfico de Control de Aceptación
Gráfico de Control de Aceptación Resumen El procedimiento de Gráfico de Control de Aceptación crea gráficos de control con límites de control modificados basándose en la desviación estándar del proceso
Más detallesGráfico de Medias Móviles (MA)
Gráfico de Medias Móviles (MA) Resumen El procedimiento Gráfico de Medias Móviles crea cuadros de control para una sola variable numérica donde los datos se han recolectado ya sea individualmente o en
Más detallesExactitud y Linearidad del Calibrador
Exactitud y Linearidad del Calibrador Resumen El procedimiento Exactitud y Linearidad del Calibrador fue diseñado para estimar la exactitud del sistema de medición. En contraste con los procedimientos
Más detallesEstadísticas por Filas
Estadísticas por s Resumen El procedimiento Estadísticas por s calcula estadísticas para datos en filas de la hoa de datos. Esto contrasta con la mayoría de los procedimientos de STATGRAPHICS que esperan
Más detallesAnálisis Probit. StatFolio de Ejemplo: probit.sgp
STATGRAPHICS Rev. 4/25/27 Análisis Probit Resumen El procedimiento Análisis Probit está diseñado para ajustar un modelo de regresión en el cual la variable dependiente Y caracteriza un evento con sólo
Más detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesSeries de Tiempo Suavización
Series de Tiempo Suavización Resumen El procedimiento de Suavización está diseñado para ayudar a ilustrar cualquier tendencia y ciclos presentes en una serie de tiempo. Una serie de tiempo consiste en
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesSTATGRAPHICS se refiere a cada fila del archivo como un subgrupo. El tamaño del subgrupo es n = 5.
Gráficos X-Bar y R Resumen El procedimiento Gráficos X-Bar y R crea gráficos de control para una única variable numérica cuando los datos han sido reunidos en subgrupos. Crea un Gráfico X-bar para monitorear
Más detallesAnálisis de Capabilidad (Porcentaje Defectuoso)
Análisis de Capabilidad (Porcentaje Defectuoso) STATGRAPHICS Rev. 9/4/2006 Este procedimiento esta diseñado para estimar el porcentaje de artículos defectuosos en una población basándose en muestra de
Más detallesDiagrama de Barras Múltiple
Múltiple El procedimiento Múltiple grafica dos o más columnas de totales o frecuencias ya sea utilizando barras horizontales o verticales. Si lo desea, pueden agregarse barras de error para desplegar el
Más detallesEste procedimiento también crea una escala cusum grafica para datos individuales monitoreando la variabilidad del proceso.
Gráfico Cusum (H-K) Resumen Los gráficos de sumas acumulativas monitorean datos por variables graficando las sumas acumulativas de las desviaciones al valor obetivo. Esto lo hace, incorporando la historia
Más detallesGráfico de Medianas y Rangos
Gráfico de Medianas y Rangos Resumen El procedimiento Gráfico de Medianas y Rangos crea gráficos de control para una sola variable numérica donde los datos se han recolectad en subgrupos. Crea tanto un
Más detallesDiseño Gráficos de Control
Diseño Gráficos de Control Resumen Este procedimiento esta diseñado para ayudar a determinar el tamaño de muestra apropiado y los parámetros comunes para los gráficos de control. El diseño esta basado
Más detallesEste procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros:
STATGRAPHICS Re. 4/d/yyyy Pruebas de Hipótesis (Una Muestra) Este procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros: 1. la media μ de una distribución normal.. la desiación
Más detallesMétodo de Análisis del Riesgo (Estudio del Calibrador Atributos)
Método de Análisis del Riesgo (Estudio del Calibrador Atributos) Resumen El Método de Análisis del Riesgo cuantifica la incertidumbre de un sistema de medición donde las observaciones consisten de atributos
Más detallesRegresión en Cadena. StatFolio de Ejemplo: ridge reg.sgp
Regresión en Cadena Resumen El procedimiento Regresión en Cadena está diseñado para ajustar un modelo de regresión múltiple cuando las variables independientes exhiben multicolinealidad. Multicolinealidad
Más detallesTransformaciones de Box-Cox
Transformaciones de Box-Cox Resumen El procedimiento para las Transformaciones de Box-Cox es diseñado para determinar una transformación optima para Y mientras se estima un modelo de regresión lineal.
Más detallesHistogramas. Ejemplo StatFolio: histogram.sgp
s Resumen El ilustra la distribución de lo valores de una variable numérica agrupando los datos en intervalos y graficando barras en las cuales la altura es proporcional al numero de observaciones en cada
Más detallesGrafico de Cajas y Bigotes
Grafico de Cajas y Bigotes Resumen El procedimiento del Gráfico de Cajas y Bigotes crea un gráfico diseñado para ilustrar propiedades importantes de una columna de datos numérica. El primero en describirlo
Más detallesUnidad V. Control Estadístico de la Calidad
UNIVERSIDAD NACIONAL DE INGENIERÍA UNI- NORTE - SEDE REGIONAL ESTELÍ Unidad V. Control Estadístico de la Calidad Objetivos Reconocer los principios estadísticos del control de calidad. Explicar la forma
Más detallesLos datos para este análisis consisten de m muestras de una población: = numero de no conformidades observadas en la muestra j
Gráfico C Resumen El procedimiento Gráfico C crea un grafico de control para los datos, que describe el números de no conformidades registradas como el resultado de inspeccionar m muestras. Las muestras
Más detallesGRAFICOS DE CONTROL DATOS TIPO VARIABLES
GRAFICOS DE CONTROL DATOS TIPO VARIABLES OBJETIVO DEL LABORATORIO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control, para realizar
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesRegresión Polinomial. StatFolio de Ejemplo: polynomial reg.sgp
Regresión Polinomial Resumen El procedimiento Regresión Polinomial está diseñado para construir una modelo estadístico que describa el impacto de un solo factor cuantitativo X en una variable dependiente
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesMANUAL DE USO PROGRAMA SENSIBAR
MANUAL DE USO PROGRAMA SENSIBAR ANALSIS DE SENSIBILIDAD Y SIMULACION DE MONTECARLO JOSE FUENTES VALDES FACEA - UNIVERSIDAD DE CONCEPCION Facultad de Economía Universidad de Concepción 1 SensiBar. ANALSIS
Más detallesRegresión No Lineal. StatFolio de ejemplo: nonlinear reg.sgp
Regresión No Lineal Resumen El procedimiento Regresión No Lineal ajusta una función especificada por el usuario relacionando una sola variable dependiente Y con una o más variables independientes X. El
Más detallesEstadística Descriptiva
M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Desde la segunda mitad del siglo anterior, el milagro industrial sucedido en Japón, hizo
Más detallesComparación de Varias Muestras
Comparación de Varias Muestras Resumen El procedimiento de Comparación de Varias Muestras está diseñado para comparar dos o más muestras independientes de datos variables. Se hacen pruebas para determinar
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesTema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0
Ignacio Martín Tamayo 11 Tema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0 ÍNDICE ------------------------------------------------------------- 1. Introducción 2. Frecuencias 3. Descriptivos 4. Explorar
Más detallesDiseño de Experimentos Optimización de Múltiples Respuestas
Diseño de Experimentos Optimización de Múltiples Respuestas Resumen La selección de Optimización de Múltiples Respuestas sobre el menú DDE permite al experimentador determinar las configuraciones de los
Más detallesLABORATORIO Nº 9 TABLAS DINÁMICAS
OBJETIVO Mejorar el nivel de comprensión y el manejo de las destrezas del estudiante para utilizar tablas dinámicas en Microsoft Excel. 1) DEFINICIÓN Las tablas dinámicas permiten resumir y analizar fácilmente
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesTema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Más detallesEl ejemplo: Una encuesta de opinión
El ejemplo: Una encuesta de opinión Objetivos Lo más importante a la hora de planificar una encuesta es fijar los objetivos que queremos lograr. Se tiene un cuestionario ya diseñado y se desean analizar
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesHERRAMIENTAS DE CALIDAD EN PROCESOS METROLÓGICOS
HERRAMIENTAS DE CALIDAD EN PROCESOS METROLÓGICOS Ing. Claudia Santo Directora de Metrología Científica e Industrial 17/05/2016 MEDELLÍN, COLOMBIA MEDIR Cómo sabemos que nuestras meciones son correctas?
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detalles1. Límites normales de tolerancia: estos límites asumen que los datos son una muestra aleatoria de una distribución normal.
Límites de Tolerancia Los límites de tolerancia proporcionan un rango de valores para X tal que se puede tener 100(1-α) % de confianza que P por ciento de la población, de la cual provienen los datos,
Más detallesMedidas de tendencia central y dispersión
Estadística Aplicada a la Investigación en Salud Medwave. Año XI, No. 3, Marzo 2011. Open Access, Creative Commons. Medidas de tendencia central y dispersión Autor: Fernando Quevedo Ricardi (1) Filiación:
Más detallesComparación de Líneas de Regresión
Comparación de Líneas de Regresión Resumen El procedimiento de Comparación de Líneas de Regresión esta diseñado para comparar líneas de regresión relacionas con Y y X en dos o mas niveles de un factor
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión
Más detallesUnidad 5 Control Estadístico de la Calidad. Administración de Operaciones III
Unidad 5 Control Estadístico de la Calidad Administración de Operaciones III 1 Contenido 1. Antecedentes del control estadístico de la calidad 2. Definición 3. Importancia y aplicación 4. Control estadístico
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesEstadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
Más detallesMicrosoft Project 2013
Microsoft Project 2013 SALOMÓN CCANCE Project 2013 Salomón Ccance www.ccance.net CCANCE WEBSITE ANEXO 2. MANEJO DE VISTAS Y TABLAS. 2.1. ELEMENTOS DE VISUALIZACIÓN DE MICROSOFT OFFICE PROJECT PROFESSIONAL
Más detallesSnapStat: Análisis de Una Muestra
SnapStat: Análisis de Una Muestra Resumen La SnapStat Análisis de Una Muestra crea un resumen en una hoja de una sola columna de datos numéricos. Calcula estadísticas de resumen e intervalos de confianza,
Más detallesCREACIÓN Y MANEJO DE TABLAS Instructivo N 1
CREACIÓN Y MANEJO DE TABLAS Instructivo N 1 CREACIÓN DE TABLAS 1. QUÉ ES UNA TABLA? Para Excel una tabla es un conjunto de datos organizados en columnas y filas, donde las columnas representan los campos
Más detallesY accedemos al cuadro de diálogo Descriptivos
SPSS: DESCRIPTIVOS PROCEDIMIENTO DE ANÁLISIS INICIAL DE DATOS: DESCRIPTIVOS A diferencia con el procedimiento Frecuencias, que contiene opciones para describir tanto variables categóricas como cuantitativas
Más detallesPráctica de Control Estadístico de Procesos Control por Variables
Práctica de Control Estadístico de Procesos Control por Variables Fichero de datos: Sensorpresion.sf3 1. Los datos Un sensor de presión ha de trabajar en condiciones de alta temperatura. Para controlar
Más detallesCurso de Estadística Básica
Curso de SESION 3 MEDIDAS DE TENDENCIA CENTRAL Y MEDIDAS DE DISPERSIÓN MCC. Manuel Uribe Saldaña MCC. José Gonzalo Lugo Pérez Objetivo Conocer y calcular las medidas de tendencia central y medidas de dispersión
Más detallesPOBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN
POBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN Adela del Carpio Rivera Doctor en Medicina UNIVERSO Conjunto de individuos u objetos de los que se desea conocer algo en una investigación Población o universo
Más detallesANOVA Multifactorial. StatFolio Muestra: anova.sgp
ANOVA Multifactorial Resumen El procedimiento ANOVA Multifactorial está diseñado para construir un modelo estadístico describiendo el impacto de dos o más factores categóricos X j de una variable dependiente
Más detallesProyecto PropULSA: Estadística y Probabilidad Breviario Académico
Estadística y Probabilidad Breviario Académico Estadística: Es la ciencia que tiene por objetivo recolectar, escribir e interpretar datos, con la finalidad de efectuar una adecuada toma de decisiones en
Más detallesAdministración de la producción. Sesión 9: Hojas de cálculo (Microsoft Excel)
Administración de la producción Sesión 9: Hojas de cálculo (Microsoft Excel) Contextualización Microsoft Excel es un programa de hoja de cálculo electrónica que permite la representación gráfica y el análisis
Más detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
Más detallesUSO HERRAMIENTAS EXCEL PARA LA PREDICCION
USO HERRAMIENTAS EXCEL PARA LA PREDICCION Nassir Sapag Chain MÉTODO DE REGRESIÓN LINEAL SIMPLE El método de Regresión Lineal (o Mínimos cuadrados) busca determinar una recta, o más bien la ecuación de
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesEl Análisis de Correspondencias tiene dos objetivos básicos:
Tema 8 Análisis de correspondencias El Análisis de Correspondencias es una técnica de reducción de dimensión y elaboración de mapas percentuales. Los mapas percentuales se basan en la asociación entre
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesMEDIDAS DE VARIABILIDAD
MEDIDAS DE VARIABILIDAD 1 Medidas de variabilidad Qué son las medidas de variabilidad? Las medidas de variabilidad de una serie de datos, muestra o población, permiten identificar que tan dispersos o concentrados
Más detallesFORMATO CONDICIONAL EN EXCEL
FORMATO CONDICIONAL EN EXCEL El Formato Condicional es una herramienta muy útil como información gráfica adicional para los datos numéricos que están en celdas o en rangos. Este tipo de formato tiene un
Más detallesModelos de PERT/CPM: Probabilístico
INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE CÓMPUTO Modelos de PERT/CPM: Probabilístico M. En C. Eduardo Bustos Farías 1 Existen proyectos con actividades que tienen tiempos inciertos, es decir,
Más detallesLa pestaña General contiene definiciones que afectan el comportamiento general del sistema.
Preferencias La elección de Preferencias en el menú Editar permite a los usuarios personalizar el comportamiento de STATGRAPHICS definiendo diferentes valores por omisión usados por todo el sistema. Cuando
Más detallesLABORATORIO Nº 8 FILTROS EN EXCEL
OBJETIVO Mejorar el nivel de comprensión y el manejo de las destrezas del estudiante para utilizar filtros en Microsoft Excel. 1) FILTRAR INFORMACIÓN Para agregar un filtro a una tabla se debe seleccionar
Más detallesHorsepower (Caballos de Fuerza)
Análisis de Factores Resumen El procedimiento Análisis de Factores esta diseñado para extraer factores comunes de un conjunto de p variables cuantitativas X. En muchas situaciones, un número pequeño de
Más detallesEste programa estadístico está organizado en dos bloques: el editor de datos y el visor de resultados.
Bases de Estadística Licenciatura en Ciencias Ambientales Curso 2oo3/2oo4 Introducción al SPSS/PC Este programa estadístico está organizado en dos bloques: el editor de datos y el visor de resultados.
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesPROGRAMA ACADEMICO Ingeniería Industrial
1. IDENTIFICACIÓN DIVISION ACADEMICA Ingenierías DEPARTAMENTO Ingeniería Industrial PROGRAMA ACADEMICO Ingeniería Industrial NOMBRE DEL CURSO Análisis de datos en Ingeniería COMPONENTE CURRICULAR Profesional
Más detallesSESIÓN PRÁCTICA 3: TRANSFORMACIONES DE DATOS PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas
SESIÓN PRÁCTICA 3: TRANSFORMACIONES DE DATOS PROBABILIDAD Y ESTADÍSTICA PROF. Esther González Sánchez Departamento de Informática y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria
Más detallesUnidad 29: Formato condicional
Unidad 29: Formato condicional 29.0 Introducción El formato condicional es un formato que depende del valor de una celda o de su contenido. Por ejemplo, en una base de datos de salarios del personal, usted
Más detallesTema 6. Estadística Descriptiva e Introducción a la Inferencia Estadística
Tema 6. Estadística Descriptiva e Introducción a la Inferencia Estadística Fuente de los comics: La Estadística en Comic. LarryGonicky Woollcatt Smith. Ed. ZendreraZariquiey, 1999 ESTADÍSTICA ESTADÍSTICA
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesObjetivos. Epígrafes 3-1. Francisco José García Álvarez
Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesFila: Es un conjunto de varias celdas dispuestas en sentido horizontal.
Que Es Excel? Excel es un programa que permite la manipulación de libros y hojas de calculo. En Excel, un libro es el archivo en que se trabaja y donde se almacenan los datos. Como cada libro puede contener
Más detallesMedidas de Tendencia Central.
Medidas de Tendencia Central www.jmontenegro.wordpress.com MEDIDAS DE RESUMEN MDR MEDIDAS DE TENDENCIA CENTRAL MEDIA MEDIANA MODA CUARTILES,ETC. MEDIDAS DE DISPERSIÓN RANGO DESVÍO EST. VARIANZA COEFIC.
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detallesUNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO LICENCIATURA EN TURISMO UNIDAD DE APRENDIZAJE: ESTADISTICA TEMA 1.5 : ESTADISTICA DESCRIPTIVA M. EN C. LUIS ENRIQUE KU MOO FECHA:
Más detallesObjetivos. Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos. Epígrafes
Objetivos Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos Epígrafes Introducción a los Gráficos p, np. Interpretación Gráficos c y u. Interpretación 2-1 Gráfico
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesUNIDAD 7 Medidas de dispersión
UNIDAD 7 Medidas de dispersión UNIDAD 7 MEDIDAS DE DISPERSIÓN Al calcular un promedio, por ejemplo la media aritmética no sabemos su representatividad para ese conjunto de datos. La información suministrada
Más detallesMEDIDAS DE RESUMEN: MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN. Lic. Esperanza García Cribilleros
MEDIDAS DE RESUMEN: MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN Lic. Esperanza García Cribilleros ANÁLISIS EXPLORATORIO DE DATOS Diagrama de tallo y hojas Diagrama de caja DESCRIPCIÓN N DE LOS DATOS Tablas
Más detallesCómo introducir Prueba de Hipótesis para una media, utilizando experimentos en el salón de clase.
Cómo introducir Prueba de Hipótesis para una media, utilizando experimentos en el salón de clase. M. C. Blanca Evelia Flores Soto. Dpto. de Matemáticas Universidad de Sonora Introducción. Actividad desarrollada
Más detallesCarrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Más detallesTabulación Cruzada. Sample StatFolio: crosstabulation.sgp
Tabulación Cruzada El procedimiento de Tabulación Cruzada esta diseñado para resumir dos columnas de datos. Esta construye una tabla de dos-caminos mostrando las frecuencias de ocurrencia de cada uno de
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detallesMedidas descriptivas I. Medidas de tendencia central A. La moda
Medidas descriptivas I. Medidas de tendencia central A. La moda Preparado por: Roberto O. Rivera Rodríguez Coaching de matemática Escuela Eduardo Neuman Gandía 1 Introducción En muchas ocasiones el conjunto
Más detallesCarrera: Ingeniería Civil Participantes Comité de Evaluación Curricular de Institutos Tecnológicos
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Probabilidad y Estadística Ingeniería Civil Clave de la asignatura: Horas teoría-horas práctica-créditos 3-2-8 2.- HISTORIA DEL PROGRAMA Lugar
Más detalles