EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED
|
|
- Alfredo Ruiz Coronel
- hace 6 años
- Vistas:
Transcripción
1 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 del factor B que son smlares para cada nvel del factor A pero por no ser déntcos, se encuentran andados en el nvel al que correspondan para el factor A. Para lustrar lo descrto, suponga que tene una máquna de refrescos compuesta de 3 bombas y cada una de ellas suple a dos dspensadores como muestra la fgura: En la fgura se observa entonces un expermento andado de dos nveles, esto porque los dspensadores componen un nvel del nested que están andados en las bombas (que componen un segundo nvel) y ellas a su vez andadas en la máquna. Allí se observa la teoría descrta ya que las bombas son componentes smlares pero no guales porque cadaa una de ellas tene un funconamento ndependente, y, de la msma manera, los dspensadores son un factor con componentes smlares pero no déntcos; por este motvo s lo que se desea es analzar una respuesta con respecto a los factores bomba y dspensador, se debe hacer entonces un expermento andado o jerárquco.
2 El modelo que descrbe estos expermentos es: Y jk = µ + M + B j( ) + Dk ( j) + ε ( jk ) l Donde: µ = meda _ general M B D ε j( ) k ( j) ( jk ) l = Maquna = Bomba = Dspensador = error : corresponde al suscrto para la máquna que en el ejemplo corresponde a 1, s tuvera mas m aqunas correspondería a 1 a j(): corresponde al suscrto de las bombas que en el ejemplo corresponde a j = 1,, 3 andadas en = 1 máquna. S tuvera más bombas el suscrto sera j = 1 b k(j): corresponde al suscrto de los dspensadores k = 1, andados en las bombas j y las máqunas. S tuvera más dspensadores k = 1 c (jk)l: corresponde al termno del error Para realzar el expermento descrto anterormente como uno tpo factoral, tendrían que cambarse los dspensadores para las bombas cada vez que se haga una corrda, de manera que los dspensadores fueran los msmos dos para las 3 bombas. Esto resulta nútl ya que este tpo de maqunas requeren un arreglo como el que se descrbó anterormente. De esta manera por ser éste un expermento andado, no hay nteraccones presentes entre los factores. Suponendo que adconal a la máquna presentada en la fgura, se tene otra más, la tabla de análss de varanza para las dos maqunas, con 3 bombas cada una y cada bomba con dos dspensadores es:
3 Análss de Varanza para un expermento andado en 3 nveles Fuente de varacón Suma de cuadrados Grados de lbertad A (máqunas) bcn ( y y a-1 B (bombas dentro de A) C (dspensadores dentro de B) Error Total......) cn ( y j y a(b-1) n.....) Medas cuadradas esperadas para A y B fjos y C aleatoro bcn τ σ + nσ c + a 1 σ + nσ c ( y jk. y... ) ab(c-1) σ + nσ c j k l j k l ( y jkl y abc(n-1) jk σ. ) ( y jkl y abcn-1... ) cn + β a( b 1) j( ) Ejemplo Suponga que se está estudando la dureza de la superfce de un materal de acuerdo a 3 máqunas que se encuentran en 3 plantas de produccón dferentes. Estas máqunas son operadas por 3 personas dferentes cada una que se escogeron de manera aleatora. Cada persona que opera la máquna toma 3 meddas para la dureza del materal. Se obtuveron las sguentes respuestas: Máquna 1 Máquna Máquna 3 Personas A contnuacón se presenta el procedmento en Mntab: 1. Se ntroducen los datos como muestra la grafca:
4 . En el menú stat se hace clck sobre la opcón ANOVA y allí se hace clck sobre la opcón Balanced Anova como muestra la fgura: 3. En la pantalla que se desplega se pone en la caslla responses la columna que contene las respuestas, y, en la caslla Model, se pone la columna de máquna y la columna de personas. Nótese que después de la columna de personas se encuentra la columna de
5 máqunas entre paréntess, esto ndca a Mntab que las personas están andadas dentro de las máqunas. 4. Al hacer clck en el botón de graphs se desplega un menú de grafcas, se hace clck sobre la opcón four n one de manera que se muestren las 4 grafcas de los resduales en una. Se da ok a todas las pantallas y se obtenen los resultados. 5. Los resultados se muestran a contnuacón:
6 ANOVA: respuesta versus maquna, personas Factor Type Levels Values maquna fxed 3 1,, 3 personas(maquna) random 3 1,, 3 Analyss of Varance for respuesta Source DF SS MS F P maquna personas(maquna) Error Total S = R-Sq = 80.06% R-Sq(adj) = 71.19% Se observa que no exste dferenca sgnfcatva en el factor máqunas a pesar de que las msmas se encuentran en dferentes plantas, sn embargo, se observa dferenca en las personas ya que su valor p es menor al nvel de sgnfcanca utlzado para la prueba (0.05). Debdo a que hay dferenca entre las personas que operan las maqunas, el nterés mayor es saber en qué máquna están dfrendo estas personas pero el análss hecho con anterordad no permte obtener esta nformacón, ya que el msmo se realzó de manera global. Para obtener un análss por cada máquna se realza entonces un análss para un solo factor aleatoro para cada una de las maqunas. El factor en consderacón para cada análss es las personas con 3 nveles. En la seccón correspondente a un solo factor aleatoro de este materal se muestra el procedmento para la realzacón del msmo en Mntab, de manera que se procede a mostrar aquí los resultados. 1. Análss de un solo factor aleatoro para la máquna 1: One-way ANOVA: respuesta versus personas Source DF SS MS F P personas Error Total S = R-Sq = 59.0% R-Sq(adj) = 45.35% Indvdual 95% CIs For Mean Based on
7 Pooled StDev Level N Mean StDev ( * ) ( * ) ( * ) Análss de un solo factor aleatoro para la máquna : One-way ANOVA: respuesta m versus personas m Source DF SS MS F P personas m Error Total S = 5.80 R-Sq = 76.73% R-Sq(adj) = 68.97% Indvdual 95% CIs For Mean Based on Pooled StDev Level N Mean StDev ( * ) ( * ) ( * ) Pooled StDev = Análss de un solo factor aleatoro para la máquna 3: One-way ANOVA: respuesta m3 versus Personas m3 Source DF SS MS F P Personas m Error Total S = R-Sq = 7.0% R-Sq(adj) = 6.93% Indvdual 95% CIs For Mean Based on Pooled StDev Level N Mean StDev ( * ) ( * ) ( * ) Pooled StDev = 8.544
8 Se observa que al sumar la suma de cuadrados para el factor persona de cada una de las máqunas, se obtene la suma de cuadrados total que se observa en el análss global. Es decr: = Con los análss realzados para un solo factor aleatoro se puede observar que hay dferenca sgnfcatva entre las personas de las máqunas y 3. Sn embargo se podría decr que en la máquna uno tambén puede haber una dferenca entre las personas ya que el valor p no está muy lejano del nvel de sgnfcanca de la prueba (0.05). Expermentos andados cruzados o andados factorales Hay ocasones donde se tenen expermentos en que algunos factores están organzados de manera factoral y otros andados dentro de alguno de estos factores factorales. De manera entonces que en este tpo de expermentos hay nteraccón entre los factores factorales. El modelo para estos expermentos esta descrto por: Y jkl = µ + τ + B + y + + y + j( ) k ( j) τβj τ k ( j) ε ( jk ) l Donde: τ : Es el efecto del factor factoral A β : Es el efecto del factor factoral B j yk ( j) : Es el efecto del factor C andado en B τβ : Es la nteraccón de los factores A y B j τy k ( j) : Es la nteraccón entre el factor A y el factor C andado en B ε ( jk ) l : Es el error expermental
9 Ejemplo Un profesor está estudando la velocdad de ensamble de los alumnos al armar carrtos con unos legos. El dseñó 3 formas de ensamblaje y dos estacones de trabajo. Para la práctca seleccono 4 alumnos de manera aleatora para asgnarlos a la combnacón entre forma de ensamble y estacón de trabajo. Las estacones de trabajo se ubcaron cada una en un salón de clase dferente, de manera que los cuatro alumnos selecconados para cada trabajo son dferentes para cada estacón. Para cada combnacón se realzaron replcas. Debdo a que los alumnos son dferentes para cada estacón de trabajo, estos se van a encontrar andados dentro de las estacones de trabajo, pero como las tres formas de ensamble son las msmas para las dos estacones de trabajo, estos dos factores son factorales y por tanto pueden nteractuar. A contnuacón se presenta la tabla con las velocdades de ensamble para cada tratamento: Estacón de trabajo 1 Estacón de trabajo Alumno Ensamble Ensamble Ensamble Una vez se tenen las respuestas al expermento se procede a realzar el análss medante el programa Mntab: 1. En el menú stat, se hace clck sobre la opcón ANOVA, allí se puede escoger para este caso, la opcón Balanced Anova o General lnear model, cualquera de los dos funcona porque se tene un dseño balanceado. En este caso haga clck sobre la opcón Balanced Anova como muestra la fgura:
10 . En la pantalla que se desplega (mostrada en la fgura) se ntroduce el modelo. En la caslla de response se hace clck a la columna de respuestas, en la caslla de model, se ntroducen las columnas correspondentes al modelo como se muestra en la fgura. Observe que cuando se ntroduce el factor alumno, se pone entre parentecs las estacones de trabajo, esto se hace para darle a entender a Mntab que los alumnos se encuentran andados dentro de las estacones de trabajo. Tambén observe que se ponen nteraccones entre los tpos de ensamble y las estacones de trabajo porque ambas estacones ven todos los tpos de ensamble, gualmente los alumnos de cada estacón ven los msmos tpos de ensamble, de manera que estos nteractúan. Sn embargo no hay nteraccon entre las estacones de trabajo y los alumnos porque los msmos varan para cada estacón de trabajo, es decr, se encuentran andados dentro de las estacones. En la caslla de Random factors se pone el factor alumnos porque el nterés del expermentador es hacer nferenca en una poblacón mayor de los msmos:
11 3. Al hacer clck en el botón de graphs, se obtene una pantalla donde se escoge la opcón de four n one para que el programa muestre las 4 grafcas para los resduales en una msma como muestra la fgura. Una vez escogda la opcón se da ok: 4. Al regresar a la pantalla prncpal, se hace clck sobre el botón de optons con el fn de que el programa desplegue la pantalla mostrada en la fgura. En esta pantalla se de clck sobre la caslla que dce Use the restrcted form of the model para que entonces Mntab entenda que debe hacer el análss consderando el modelo restrngdo. Esto quere decr
12 que los cálculos para la estadístca F se hacen presumendo que los estmados de varanza que sean negatvos son guales a cero. 5. Al dar ok en la pantalla de la fgura anteror, se regresa al menú prncpal donde se da de nuevo ok para obtener los sguentes resultados: ANOVA: Respuesta versus Estacon de trabajo, Tpo de ensamble, Alumno Factor Type Levels Values Estacon de trabajo fxed 1, Alumno(Estacon de trabajo) random 4 1,, 3, 4 Tpo de ensamble fxed 3 1,, 3 Analyss of Varance for Respuesta Source DF SS MS F P Estacon de trabajo Alumno(Estacon de trabajo) Tpo de ensamble Estacon de trabajo*tpo de ensamble Tpo de ensamble*alumno( Estacon de trabajo) Error Total S = R-Sq = 81.31% R-Sq(adj) = 63.40% Varance Error Source component term 1 Estacon de trabajo
13 Alumno(Estacon de trabajo) Tpo de ensamble 5 4 Estacon de trabajo*tpo de ensamble 5 5 Tpo de ensamble*alumno( Estacon de trabajo) 6 Error.333 Expected Mean Square for Each Term (usng Source restrcted model) 1 Estacon de trabajo (6) + 6 () + 4 Q[1] Alumno(Estacon de trabajo) (6) + 6 () 3 Tpo de ensamble (6) + (5) + 16 Q[3] 4 Estacon de trabajo*tpo de ensamble (6) + (5) + 8 Q[4] 5 Tpo de ensamble*alumno( (6) + (5) Estacon de trabajo) 6 Error (6) Se observa entonces que no exste dferenca sgnfcatva en la respuesta cuando se camba la estacón de trabajo, sn embargo, los factores alumnos dentro de las estacones y los tpos de ensamble afectan la respuesta sgnfcatvamente al cambar sus nveles. Una forma de observar cuando dsmnuye el tempo de ensamble, sera con la grafca de los efectos de los factores prncpales. Para obtener esta grafca se hace clck sobre el menú stat, luego en ANOVA y en el menú que se desplega se hace clck sobre Man Effects Plot (grafco de los efectos prncpales) como muestra la fgura: En la pantalla que se deplega, se pone la columna de respuestas en la caslla correspondente a Responses y en la caslla de Factors se ponen los factores del modelo que son de tpo factoral. Una vez se hayan puesto los factores y la respuesta se da clck en ok como muestra la fgura:
14 Al dar ok se obtene la sguente grafca: Man Effects Plot (data means) for Respuesta 8.0 Estacon de trabajo Tpo de ensamble 7.5 Mean of Respuesta Aunque la dferenca entre las estacones de trabajo no es sgnfcatva, se observa que la respuesta puede ser un poco más pequeña al trabajar en la estacón 1. En cuanto a los tpos de ensamble, se observa que entre el tpo de ensamble 1 y 3 la dferenca de tempo no es sgnfcatva, sn embargo, el tpo de ensamble hace que la respuesta aumente consderablemente; de manera que se recomenda entonces utlzar el tpo de ensamble 1 o 3 en la estacón de trabajo 1, aunque s es más económco usar la estacón de trabajo, tambén puede ser usada sn afectar la respuesta. En cuanto a los operadores, se tendría que realzar un análss smlar al mostrado en la seccón de expermentos andados, es decr que se haría un análss consderando las estacones de trabajo por aparte.
Modelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detallesEL 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 detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesHERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: ANOVA (PARTE I)
HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: Módulo 13 APUNTES DE CLASE Profesor: Arturo Ruz-Falcó Rojas Madrd, Mayo 009 Pág. 1 Módulo 13. HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS
Más detallesH 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 detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesCURSO 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 detallesAplicación de modelos multiniveles: meta análisis y meta regresión. Aplicación de modelos multinivel
Aplcacón de modelos multnveles: meta análss y meta regresón Shrkant I. Bangdwala, PhD Profesor ttular Departamento de Boestadístca Lma Peru 01 1 Aplcacón de modelos multnvel Podemos utlzar la metodología
Más detallesFE 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 detallesFigura 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 detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesDiseño y Análisis de Experimentos en el SPSS 1
Dseño y Análss de Expermentos en el SPSS EJEMPLO. Los sguentes datos muestran las meddas de hemoglobna (gramos por 00 ml) en la sangre de 40 ejemplares de una espece de truchas marrones. Las truchas se
Más detallesEstadísticos 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 detalles3 LEYES DE DESPLAZAMIENTO
eyes de desplazamento EYES DE DESPAZAMIENTO En el capítulo dos se expone el método de obtencón de las leyes de desplazamento dseñadas por curvas de Bézer para mecansmos leva palpador según el planteamento
Más detallesCARTAS 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 detallesComparación 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 detallesLo que nos interesa en el análisis de varianza de una vía es extender el test t para dos muestras independientes, para comparar más de dos muestras.
Capítulo : Comparacón de varos tratamentos o grupos Muchas preguntas de nvestgacón en educacón, pscología, negocos, ndustra y cencas naturales tenen que ver con la comparacón de varos grupos o tratamentos.
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesEjemplo: 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 detallesESTADÍSTICA. 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 detallesTema 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 detallesOferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA
Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesPoblación 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 detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesTema 6 El mercado de bienes y la función IS
Tema 6 El mercado de benes y la funcón IS Macroeconomía I Prof. Anhoa Herrarte Sánchez Curso 2007-08 Bblografía para preparar este tema Apuntes de clase Capítulo 3, Macroeconomía, O. Blanchard Prof. Anhoa
Más detallesIN540: Métodos Estadísticos para economía y gestión Profesores: Marcelo Henríquez, Felipe Avilés Auxiliares: José Miguel Carrasco
Departamento de Ingenería Industral Facultad de Cs. Físcas y Matemátcas Unversdad de Chle IN540: Métodos Estadístcos para economía y gestón Profesores: Marcelo Henríquez, Felpe Avlés Auxlares: José Mguel
Más detallesINTRODUCCIÓN. 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 detallesCAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA
CAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA 0. INTRODUCCIÓN. Los estudos hdrológcos requeren del análss de nformacón hdrometeorológca, esta nformacón puede ser de datos de precptacón, caudales, temperatura,
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesMedidas 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 detallesPRUEBAS DE SIGNIFICACIÓN DE MEDIAS Y SUS DIFERENCIAS 1. La Significación de Medias en Muestras Grandes
Departamento de Maneo Forestal FR00 SEMINARIO EN ESTADISTICA FORESTAL PRUEBAS DE SIGNIFICACIÓN DE MEDIAS Y SUS DIFERENCIAS La Sgnfcacón de Medas en Muestras Grandes De las sesones anterores podemos entender
Más detallesSEGUNDA 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 detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una muestra de observacones formadas por pares de varables: (x 1, y 1 ), (x, y ),.., (x n, y n ) A través de esta muestra, se desea estudar la relacón
Más detalles5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.
Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las
Más detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
Más detallesAnálisis de la Varianza de dos factores con replicaciones: Caso Balanceado (Scheffé, 1959)
Modelo Lneal 03 Ana M Banco 1 Análss de la Varanza de dos factores con replcacones: Caso Balanceado cheffé, 1959 En este eemplo nos nteresa el tempo de coagulacón en mnutos del plasma sanguíneo para 3
Más detalles1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,
Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesTema 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 detallesGráficos de flujo de señal
Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente en el análss y dseño de sstemas de control. Otro procedmento alternatvo
Más detallesInteracción de Métodos Teóricos, Numéricos y Experimentales en el Rediseño y Análisis de un Elemento Estructural Hecho de Materiales Compuestos.
Interaccón de Métodoeórcos, Numércos y Expermentales en el Redseño y Análss de un Elemento Estructural Hecho de Materales ompuestos. Juan arlos Valdés alazar McME Gerente de Ingenería y Desarrollo PADA
Más detallesRiesgos Proporcionales de Cox
Resgos Proporconales de Cox Resumen El procedmento Resgos Proporconales de Cox esta dseñado para ajustar un modelo estadístco sem-parámetrco a los tempos de falla de una o mas varables predctoras. Los
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesModelos para más de una variable
1 Modelos para más de una varable Hasta ahora se han vsto dferentes modelos estadístcos para el caso de una sola magntud bológca medda. Pero en los expermentos es frecuente tratar el caso donde hay más
Más detallesPista curva, soporte vertical, cinta métrica, esferas metálicas, plomada, dispositivo óptico digital, varilla corta, nuez, computador.
ITM, Insttucón unverstara Guía de Laboratoro de Físca Mecánca Práctca : Colsones en una dmensón Implementos Psta curva, soporte vertcal, cnta métrca, eseras metálcas, plomada, dspostvo óptco dgtal, varlla
Más detallesColección de problemas de. Poder de Mercado y Estrategia
de Poder de Mercado y Estratega Curso 3º - ECO- 0-03 Iñak Agurre Jaromr Kovark Marta San Martín Fundamentos del Análss Económco I Unversdad del País Vasco UPV/EHU Tema. Olgopolo y competenca monopolístca.
Más detallesTema 9. Análisis de Varianza de un factor. Análisis de la Varianza (ANOVA) Conceptos generales
Tema 9 Análss de la Varanza (ANOVA) Conceptos generales La técnca del Análss de la Varanza consste en descomponer la varabldad de una poblacón (representada por su varanza) en dversos sumandos según los
Más detallesApéndice 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 detallesOPTIMIZACIÓN DE UNA SUPERFICIE DE RESPUESTA UTILIZANDO JMP IN. Gudelia Figueroa Preciado Departamento de Matemáticas Universidad de Sonora.
Mosacos Matemátcos No Dcembre, 3 Nvel Superor OPTIMIZACIÓN DE UNA SUPERFICIE DE RESPUESTA UTILIZANDO JMP IN Gudela Fgueroa Precado Departamento de Matemátcas Unversdad de Sonora Resumen La metodología
Más detallesVariables Dummy (parte I)
Varables Dummy (parte I) Fortno Vela Peón Unversdad Autónoma Metropoltana fvela@correo.xoc.uam.mx Octubre, 2010 19/10/2010 Méxco, D. F. 1 Introduccón Algunas de las varables son por su naturaleza propa
Más detallesFORMA TRADICIONAL DE CÁLCULO DE DESPLAZAMIENTOS Y FUERZAS EN ESTRUCTURAS SIN MAMPOSTERÍA RESUMEN
CAPITULO 1 FORMA TRADICIONAL DE CÁLCULO DE DESPLAZAMIENTOS Y FUERZAS EN ESTRUCTURAS SIN MAMPOSTERÍA RESUMEN En la actualdad los métodos de dseño estructural y las consderacones que se realzan prevas al
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detalles16.21 Técnicas de diseño y análisis estructural. Primavera 2003 Unidad 8 Principio de desplazamientos virtuales
16.21 Técncas de dseño y análss estructural Prmavera 2003 Undad 8 Prncpo de desplazamentos vrtuales Prncpo de desplazamentos vrtuales Tengamos en cuenta un cuerpo en equlbro. Sabemos que el campo de esfuerzo
Más detallesPráctica 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 detallesTema 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 detallesUnidad Nº III Unidad Aritmética-Lógica
Insttuto Unverstaro Poltécnco Santago Marño Undad Nº III Undad Artmétca-Lógca Undad Artmétca-Lógca Es la parte del computador que realza realmente las operacones artmétcas y lógcas con los datos. El resto
Más detallesTema 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 detallesRegresión y correlación simple 113
Regresón y correlacón smple 113 Captulo X ANALISIS DE REGRESION Y CORRELACION El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesDeterminar el momento de inercia para un cuerpo rígido (de forma arbitraria).
Unversdad de Sonora Dvsón de Cencas Exactas y Naturales Departamento de Físca Laboratoro de Mecánca II Práctca #3: Cálculo del momento de nerca de un cuerpo rígdo I. Objetvos. Determnar el momento de nerca
Más detallesEl Modelo IS-LM. El modelo IS-LM
El Modelo IS-LM El modelo IS-LM 4. Introduccón 4.2 La demanda agregada: La funcón de nversón 4.3 Equlbro del mercado de benes: La curva IS 4.4 Equlbro del mercado de dnero: La curva LM 4.5 Equlbro de la
Más detallesFacultad de Ciencias Básicas
Facultad de Cencas Báscas ANÁLISIS GRÁFICO DE DATOS EXPERIMENTALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos expermentales. Establecer un crtero para el análss de grafcas
Más detallesRECUENTO DE MICROORGANISMOS VIABLES EN MEDIOS LIQUIDOS: TECNICA DEL NUMERO MAS PROBABLE (NMP).
RECUENTO DE MICROORGANISMOS VIABLES EN MEDIOS LIQUIDOS: TECNICA DEL NUMERO MAS PROBABLE (NMP). Cátedra de Mcrobología General- Facultad de Cencas Exactas- UNLP. En muchas ocasones, ya sea por un bajo número
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesELECTRICIDAD Y MAGNETISMO FIZ 1300 FIS 1532 (6a)
ELECTRICIDAD Y MAGNETISMO FIZ 1300 FIS 1532 Rcardo Ramírez Facultad de Físca, Pontfca Unversdad Católca, Chle 1er. Semestre 2008 Corrente eléctrca CORRIENTE ELECTRICA Corrente eléctrca mplca carga en movmento.
Más detallesVida 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 detallesSistemas de Control Primario y Secundario. Roberto Cárdenas D. Ingeniero Electricista, Msc. Ph.D.
Sstemas de Control Prmaro y Secundaro Roberto Cárdenas D. Ingenero Electrcsta, Msc. Ph.D. Droop Control Ya dscutmos Droop Control, maestro y esclavo, los cuales son utlzados en sstemas de generacón convenconal.
Más detallesESTADÍSTICA 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 detallesLOS MEXICANOS VISTOS POR SÍ MISMOS LOS GRANDES TEMAS NACIONALES. Introducción
DISEÑO MUESTRAL LOS MEXICANOS VISTOS POR SÍ MISMOS LOS GRANDES TEMAS NACIONALES 2 Introduccón La coleccón Los mexcanos vstos por sí msmos. Los grandes temas naconales dbuja un panorama extenso del país,
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesEstadística Descriptiva y Analisis de Datos con la Hoja de Cálculo Excel. Números Índices
Estadístca Descrptva y Analss de Datos con la Hoja de Cálculo Excel úmeros Índces úmeros Índces El número índce es un recurso estadístco para medr dferencas entre grupos de datos. Un número índce se puede
Más detallesTema 6 El mercado de bienes y la función IS
Tema 6 El mercado de benes y la funcón IS Macroeconomía I Sánchez Curso 2008-09 Bblografía para preparar este tema Apuntes de clase Capítulo 5, Macroeconomía, O. Blanchard, pp. 81-100 Objetvo del tema
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesEVALUACIÓN DEL COMPORTAMIENTO DE LOS ESTIMADORES DE LOS PARÁMETROS DE UN MODELO NO LINEAL MIXTO. UNA COMPARACIÓN DE MÉTODOS DE ESTIMACIÓN
Chapella, Lucana Garca, María del Carmen Rapell, Cecla Castellana, Noela Koegel, Llana Insttuto de Investgacones Teórcas y Aplcadas, de la Escuela de Estadístca EVALUACIÓN DEL COMPORTAMIENTO DE LOS ESTIMADORES
Más detallesUNED. DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 5] Diseños con más de dos grupos independientes
0 UNED DSEÑOS DE NVESTGACÓN Y ANÁLSS DE DATOS [TEMA 5] Dseños con más de dos grupos ndependentes Índce 5..- ntroduccón 5..- Objetvos 5.3.- Conceptos báscos del ANOVA 5.4.- Fundamentos del ANOVA 5.5.- Análss
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesHidrología superficial
Laboratoro de Hdráulca Ing. Davd Hernández Huéramo Manual de práctcas Hdrología superfcal 7o semestre Autores: Héctor Rvas Hernández Juan Pablo Molna Agular Rukmn Espnosa Díaz alatel Castllo Contreras
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallesPRÁCTICA 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 detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesICIDCA. Sobre los Derivados de la Caña de Azúcar ISSN: 0138-6204 revista@icidca.edu.cu
ICIDCA. Sobre los Dervados de la Caña de Azúcar ISSN: 0138-6204 revsta@cdca.edu.cu Insttuto Cubano de Investgacones de los Dervados de la Caña de Azúcar Cuba Rbas, Maurco; Lorenzo, Magdalena; Porto, Olga
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesPROYECTO 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 detalles7ª 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 detallesComparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó
Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor
Más detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más detallesOrganización 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 detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
Más detallesPyE_ EF1_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesGuía de Electrodinámica
INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan
Más detalles