FIABILIDAD (II): IDENTIFICACIÓN Y DESCRIPCIÓN GRÁFICA DE LOS DATOS
|
|
- Juana Camacho Velázquez
- hace 6 años
- Vistas:
Transcripción
1 FIABILIDAD (II): IDENTIFICACIÓN Y DESCRIPCIÓN GRÁFICA DE LOS DATOS Autores: Ángel A. Juan Pérez (ajuanp@uoc.edu), Rafael García Martín (rgarciamart@uoc.edu). RELACIÓN CON OTROS MATH-BLOCS Este math-block forma parte de una serie de 8 documentos relacionados todos ellos con la Fiabilidad de componentes desde un punto de vista estadístico: Conceptos Básicos (I). Identificación y descripción gráfica de los datos (II). Análisis paramétrico de los tiempos de fallo (III). Análisis no paramétrico de los tiempos de fallo (IV). Comparación no paramétrica de muestras (V). Tests de vida acelerada (VI). Modelos de regresión para observaciones censuradas (VII). Análisis Probit (Éxito / fracaso) (VIII). MAPA CONCEPTUAL Gráficos de probabilidad Identificación gráfica de la distribución de ajuste (Minitab) Fiabilidad (II): Identif. y descripción gráfica Estadístico Anderson-Darling Descripción gráfica de la distribución de ajuste (Minitab) Paramétrica No paramétrica Proyecto e-math 1
2 INTRODUCCIÓN Supongamos que se dispone de una relación de tiempos de fallo asociados a un determinado dispositivo, i.e., se tienen n observaciones de la v.a. T = tiempo transcurrido hasta que se produce el fallo. Lo primero que convendría hacer es tratar de identificar alguna distribución conocida a la cual se ajustasen bien las observaciones, pues ello nos simplificaría el análisis descriptivo de los datos, así como la realización de inferencias sobre la población. En muchas ocasiones será posible identificar la distribución que mejor se aproxima a las observaciones mediante el uso de gráficos de probabilidad. Este tipo de gráficos muestran la f.d. linealizada de una distribución teórica junto con una nube de puntos que representan estimaciones (no paramétricas) puntuales de la f.d. de T. Evidentemente, cuanto más se aproxime la nube de puntos a la recta que aparece en el gráfico, tanto mejor será el ajuste. Si se lograse aproximar la distribución de T mediante alguna distribución teórica conocida, sería posible usar esta última para representar gráficamente estimaciones de la función de supervivencia, de la f.d.p., y de la tasa de fallos (descripción paramétrica) de las observaciones. En caso contrario, será necesario recurrir a la estimación puntual de la f.d. asociada a T para representar gráficamente estimaciones de las funciones anteriores (descripción no paramétrica). En este math-block se hará uso del programa estadístico MINITAB para identificar y describir gráficamente la distribución que mejor se ajuste a un conjunto de observaciones que usaremos como ejemplo. Las posibles distribuciones de ajuste son: la normal, la lognormal (base e), la Weibull, y la exponencial. GRÁFICOS DE PROBABILIDAD Al representar gráficamente las funciones de distribución (f.d.) de las diferentes distribuciones teóricas, se obtienen curvas muy similares, muchas de ellas difíciles de ser identificadas a simple vista. Es por ello que se utilizan los gráficos de probabilidad, los cuales hacen uso de escalas especiales en los ejes, de manera que al representar la f.d. ésta tenga forma lineal. El primer paso será pues encontrar la transformación adecuada para t y F(t) de modo que al representar t vs. F(t) se obtenga una función lineal. Ejemplo (linealización de una Weibull): La f.d. asociada a una distribución Weibull de dos parámetros (α, β) viene dada por la expresión: F(t) = 1 exp{-(t/α)β} con α, β > Esta función puede ser linealizada (i.e., puesta de la forma: y = a + bx) como sigue: F(t) = 1 exp{-(t/α)β} ln(1-f(t)) = ln(exp{-(t/α)β}) ln(1-f(t)) = -(t/α)β ln(-ln(1-f(t))) = β ln(t/α) ln(ln(1-f(t))-1) = β ln(t) - β ln(α) Tomando ahora y = ln(ln(1-f(t))-1), y x = ln(t) la f.d. puede rescribirse en forma lineal como: y = β x - β ln(α). A continuación se representa gráficamente la f.d. de una Weibull (con escala α = y forma β = 4) y su versión linealizada: Proyecto e-math 2
3 Escala (alpha) = WEIBULL Forma (beta) = 4 t F(t) x = ln(t) y = ln(ln(1-f(t))-1) 1,, -9,2 2,,69-6,4 3,1 1, -4,8 4,3 1,39-3,7 5,6 1,61-2,8 6,12 1,79-2, 7,21 1, -1,4 8,34 2,8 -,9 9,48 2, -,4,63 2,, 11,77 2,,4 12,87 2,48,7 13,94 2,56 1, 14,98 2,64 1,3 15, 2,71 1,6 16 1, 2,77 1,9 F(t) y 1,,,,, f.d. Weibull, escala = forma = 4, , 1, -1, -3, -5, -7, f.d. Weibull linealizada, escala = forma = 4 t -9,,, 1, x 1, 2, 2, 3, Una vez conocidas las transformaciones que permiten linealizar la f.d. asociada a una distribución, es posible construir una plantilla especial (con los ejes graduados de forma adecuada) sobre la cual representar una nube de puntos que contenga cada uno de los tiempos de fallo observados (eje x) junto con el valor (estimado) de la f.d. asociado a dicha observación (eje y). Para cada punto (x j,y j ), el valor x j vendrá dado por la j-ésima observación t j (instante en que se ha producido el fallo j-ésimo). Más complicado será hallar el valor de la coordenada y j, la cual representará el valor estimado de F(t j ). Es usual estimar el dicho valor mediante los llamados rangos medianos, los cuales se pueden calcular, en el caso de la distribución Weibull con observaciones completas (sin censura), mediante la ecuación que se muestra a continuación. Para profundizar más sobre este método, se recomiendan las referencias bibliográficas Hald (12a) [9] y Hald (12b) []: F(t j ) rango mediano j-ésimo = ( 1 + F(,5; m,n) (n j + 1) / j )-1 donde: F(,5; m,n) es la mediana de una F-Snedecor con m = 2(n j + 1) y n = 2j grados de libertad, j es el orden del fallo, y n es el tamaño muestral. Como se verá en el apartado siguiente, los programas estadísticos actuales (como MINITAB) son capaces de realizar los cálculos anteriores, automatizando así el proceso de construcción de estos gráficos de probabilidad. Cuando se tengan ya representados todos los puntos (x,y) asociados a las observaciones, se deberá hallar la recta de regresión asociada, la cual corresponderá a la f.d. de la distribución elegida cuyos parámetros mejor se ajusten a las observaciones. Para ver si las observaciones pueden aproximarse bien por dicha distribución, habrá que analizar (gráficamente o mediante el estadístico Anderson- Darling) si los puntos representados se encuentran suficientemente próximos a la recta, prestando especial atención a los valores de los extremos. Proyecto e-math 3
4 IDENTIFICACIÓN GRÁFICA DE LA DISTRIB. DE AJUSTE Ejemplo (identificación gráfica): se considerará aquí el caso de una compañía que fabrica cubiertas para motores, cubiertas que pueden estropearse rápidamente si se ven sometidas a temperaturas elevadas. El archivo Motores.mtw contiene los tiempos de fallo (en meses) de las cubiertas a dos temperaturas distintas. La primera muestra (Tiemp) consta de cubiertas sometidas a º C; la segunda muestra (Tiemp) abarca cubiertas a º C. Algunas de las cubiertas que se empezaron a estudiar, o bien fallaron debido a causas distintas a la temperatura, o bien no continuaron en el estudio por motivos diversos y, por tanto, se desconoce el instante en que fallaron (observaciones censuradas a derecha). En las columnas Comp y Comp se especifica si los tiempos obtenidos pertenecen a observaciones completas (1) o a observaciones censuradas (). Una vez introducidos los datos, seleccionamos Stat > Reliability/Survival > Distribution ID Plot-Right Cens... : Se eligen las variables que contienen los tiempos de fallo, así como las columnas en las que se indica si ha habido o no censura (cada una de éstas se asociará a una variable según el orden de entrada): Proyecto e-math 4
5 Observar que una alternativa al uso de columnas indicadoras de censura sería fijar el tiempo que ha de transcurrir (o el número de observaciones que han de fallar) como indicador de censura (censura por tiempo o por fallos). El programa ofrece una serie de opciones, como la de escoger entre los siguientes métodos no paramétricos para la obtención de los gráficos: Herd-Jonhson, Kaplan-Meier, y Kaplan-Meier modificado (ver el math-block Fiabilidad IV). Por defecto, en el caso de observaciones censuradas, MINITAB utiliza el método Kaplan-Meier modificado: Si los puntos representados en el gráfico están suficientemente próximos a la recta, podremos dar por bueno el ajuste de las observaciones mediante la distribución teórica elegida (resulta conveniente prestar atención especial a los valores de los extremos). Como se observa en los gráficos siguientes, la distribución que mejor se ajusta a los datos es la lognormal (base e). Por su parte, el estadístico Anderson-Darling nos da una medida de lo alejadas que se encuentran las observaciones de las recta que representa las función de distribución. Cuanto mejor sea el ajuste, tanto menor será dicho estadístico. En este caso vemos que el menor valor que toma el estadístico AD corresponde a la distribución lognormal (67,22 para la muestra a º C y 16, para la muestra a º C), lo que confirma que es esta distribución la que mejor se ajusta a las observaciones: DNI distribución tiempos de fallo de cubiertas ML Estimates - Censoring Column in Comp...Comp Weibull Exponential 5 1 Lognormal base e Normal Tiemp Tiemp Anderson-Darling (adj) Weibull 67,64; 16, Lognormal base e 67,22; 16, Exponential,33; 18,19 Normal 67,73; 17, Proyecto e-math 5
6 DESCRIPCIÓN GRÁFICA DE LOS DATOS Una vez se haya tratado de ajustar los tiempos de fallo mediante alguna distribución conocida, será conveniente realizar una descripción gráfica de las observaciones. Si se ha logrado identificar la distribución de los tiempos de fallo, se optará por un enfoque paramétrico. Si, por el contrario, las observaciones no se ajustan a ninguna de las cuatro distribuciones propuestas (exponencial, Weibull, normal y lognormal), se optará por usar métodos no paramétricos. El enfoque paramétrico incluye los siguientes gráficos: f.d.p., función de supervivencia, f.d. (linealizada), y tasa de fallo. La opción no paramétrica incluye un gráfico de la función de supervivencia (basado en Kaplan-Meier) y otro de la función tasa de fallo. Ejemplo (descripción paramétrica): Siguiendo con el ejemplo anterior de las cubiertas, se utilizará la distribución lognormal (base e) para hacer una descripción completa de las variables que interesan:,2 Probability Density Function Gráficas distribución de datos ML Estimates - Censoring Column in Comp...Comp Lognormal base e Probability Tiemp Tiemp,1 9 Location 4,927 3,6287 Scale,4862,79 AD* 67,22 16, F/C 37/13 34/ 6 5, 1 1,,9 Survival Function,3 Hazard Function Tiemp Tiemp,8,7 Probability,6,5,4 Rate,2,3,1,2,1,, Las cuatro gráficas anteriores describen la distribución de los tiempos de fallo de las cubiertas para dos niveles diferentes de temperatura. A partir de las mismas, es posible determinar, p.e., cuánto más probable resulta el que las cubiertas fallen si se encuentran sometidas a una temperatura de º C que si lo están a una de º C. Proyecto e-math 6
7 Así, p.e., se observa (a partir del gráfico de supervivencia) que, tras meses, sólo sobrevivirán (aproximadamente) un % de las cubiertas sometidas a º C, mientras que el porcentaje de supervivientes a los meses sube hasta (aproximadamente) un 65% para las cubiertas sometidas a º C. Ejemplo (descripción no paramétrica): Si se hubiese optado por un método no paramétrico (sin suponer que los datos pueden ajustarse por una determinada distribución teórica), los resultados hubiesen sido los siguientes: Gráficas distribución de datos Kaplan-Meier Method - Censoring Column in Comp...Comp Kaplan-Meier Survival Function Probability 1,,9,8,7,6,5,4,3,2,1 Tiemp Tiemp Nonparametric Hazard Function,2 Rate,1, A partir de las funciones de supervivencia se aprecia que hay una sustancial diferencia entre los tiempos de fallo de las cubiertas a º C y los de las cubiertas a º C: claramente, a una temperatura de º C la mayor parte de las cubiertas perdura durante más tiempo que a º C. Proyecto e-math 7
8 Por su parte, la gráfica de las tasas de riesgo muestra dos funciones crecientes, siendo la de mayor pendiente la asociada a las cubiertas que soportan más temperatura. Nuevamente, se aprecia cómo transcurridos meses, solo sobrevivirán aprox. un % de las cubiertas sometidas a º C, mientras que este porcentaje llega al 65-% para cubiertas a º C. Notar, además, que aproximadamente un % de las cubiertas a º C habrán fallado entre los 35 y meses. Por otro lado, en el caso de las cubiertas a º C, un % de las mismas sobrevivirá hasta los 55- meses. BIBLIOGRAFÍA [1]. Cramer, H., Mathematical Methods of Statistics, Princeton University Press, Princeton, NJ, [2]. Davis, D.J., An Analysis of Some Failure Data, J. Am. Stat. Assoc., Vol. 47, p. 113, 12. [3]. Dietrich, D., SIE 5 Engineering Statistics Lecture Notes, The University of Arizona, Tucson, Arizona. [4]. Dudewicz, E.J., An Analysis of Some Failure Data, J. Am. Stat. Assoc., Vol. 47, p. 113, 12. [5]. Dudewicz, E.J., and Mishra, Satya N., Modern Mathematical Statistics, John Wiley & Sons, Inc., New York, [6]. Evans, Ralph A., The Lognormal Distribution is Not a Wearout Distribution, Reliability Group Newsletter, IEEE, Inc., 345 East 47th St., New York, N.Y. 17, p. 9, Vol. XV, Issue 1, January 19. [7]. Glasstone, S., Laidler, K. J., and Eyring, H. E., The Theory of Rate Processes, McGraw Hill, NY, [8]. Hahn, Gerald J., and Shapiro, Samuel S., Statistical Models in Engineering, John Wiley & Sons, Inc., New York, 355 pp., [9]. Hald, A., Statistical Theory with Engineering Applications, John Wiley & Sons, Inc., New York, 783 pp., 12. []. Hald, A., Statistical Tables and Formulas, John Wiley & Sons, Inc., New York, 97 pp., 12. [11]. Hirose, Hideo, Maximum Likelihood Estimation in the 3-parameter Weibull Distribution - A Look through the Generalized Extreme-value Distribution, IEEE Transactions on Dielectrics and Electrical Insulation, Vol. 3, No. 1, pp , February 16. [12]. Johnson, Leonard G., The Median Ranks of Sample Values in their Population With an Application to Certain Fatigue Studies, Industrial Mathematics, Vol. 2, 11. [13]. Johnson, Leonard G., The Statistical Treatment of Fatigue Experiment, Elsevier Publishing Company, New York, 144 pp., [14]. Kao, J.H.K., A New Life Quality Measure for Electron Tubes, IRE Transaction on Reliability and Quality Control, PGRQC 13, pp , July 18. Proyecto e-math 8
9 [15]. Kapur, K.C., and Lamberson, L.R., Reliability in Engineering Design, John Wiley & Sons, Inc., New York, 586 pp., [16]. Kececioglu, Dimitri, Reliability Engineering Handbook, Prentice Hall, Inc., New Jersey, Vol. 1, 11. [17]. Kececioglu, Dimitri, Reliability & Life Testing Handbook, Prentice Hall, Inc., New Jersey, Vol. 1 and 2, 13 and 14. [18]. Leemis Lawrence M., Reliability - Probabilistic Models and Statistical Methods, Prentice Hall, Inc., Englewood Cliffs, New Jersey, 15. [19]. Lieblein, J., and Zelen, M., Statistical Investigation of the Fatigue Life of Deep-Groove Ball Bearings, Journal of Research, National Bereau of Standards, Vol. 57, p. 273, 16. []. Lloyd, David K., and Lipow Myron, Reliability: Management, Methods and Mathematics, 1962, Prentice Hall, Englewood Cliffs, New Jersey. [21]. Mann, Nancy R., Schafer, Ray. E., and Singpurwalla, Nozer D., Methods for Statistical Analysis of Reliability and Life Data, John Wiley & Sons, Inc., New York, [22]. Meeker, William Q., and Escobar, Luis A., Statistical Methods for Reliability Data, John Wiley & Sons, Inc., New York, 18. [23]. Nelson, Wayne, Applied Life Data Analysis, John Wiley & Sons, Inc., New York, [24]. Nelson, Wayne, Accelerated Testing: Statistical Models, Test Plans and Data Analyses, John Wiley & Sons, Inc., New York, 1. [25]. Perry, J. N., Semiconductor Burn-in and Weibull Statistics, Semiconductor Reliability, Vol. 2, Engineering Publishers, Elizabeth, N.J., pp. 8-9, [26]. Procassini, A. A., and Romano, A., Transistor Reliability Estimates Improve with Weibull Distribution Function, Motorola Military Products Division, Engineering Bulletin, Vol. 9, No. 2, pp , [27]. ReliaSoft Corporation, Life Data Analysis Reference, ReliaSoft Publishing, Tucson, AZ, 17. [28]. Weibull, Waloddi, A Statistical Representation of Fatigue Failure in Solids, Transactions on the Royal Institute of Technology, No. 27, Stockholm, [29]. Weibull, Wallodi, A Statistical Distribution Function of Wide Applicability, Journal of Applied Mechanics, Vol. 18, pp , 11. []. Wingo, Dallas R., Solution of the Three-Parameter Weibull Equations by Constrained Modified Quasilinearization (Progressively Censored Samples), IEEE Transactions on Reliability, Vol. R-22, No. 2, pp. 96-, June ENLACES [W1] La página de Relia Soft contiene multitud de enlaces documentación y software relacionados con la Fiabilidad de Sistemas. [W2] También de Relia Soft, la página Weibull.com es, sin duda, una de las principales fuentes de información sobre Fiabilidad. Proyecto e-math 9
FIABILIDAD (VII): MODELOS DE REGRESIÓN PARA OBSERVACIONES CENSURADAS
FIABILIDAD (VII): MODELOS DE REGRESIÓN PARA OBSERVACIONES CENSURADAS Autores: Ángel A. Juan Pérez (ajuanp@uoc.edu), Rafael García Martín (rgarciamart@uoc.edu). RELACIÓN CON OTROS MATH-BLOCS Este math-block
AJUSTE DE DATOS POR UNA DISTRIBUCIÓN TEÓRICA CON MINITAB
AJUSTE DE DATOS POR UNA DISTRIBUCIÓN TEÓRICA CON MINITAB Autor: Ángel A. Juan (ajuanp@uoc.edu). ESQUEMA DE CONTENIDOS Ajuste mediante una distribución continua conocida (Minitab) Introducción a los tests
FIABILIDAD (VIII): ANÁLISIS PROBIT (ÉXITO / FRACASO)
FIABILIDAD (VIII): ANÁLISIS PROBIT (ÉXITO / FRACASO) Análisis PROBIT Autores: Ángel A. Juan Pérez (ajuanp@uoc.edu), Rafael García Martín (rgarciamart@uoc.edu). RELACIÓN CON OTROS MATH-BLOCS Este math-block
El modelo de azar proporcional: la regresión de Cox
El modelo de azar proporcional: la regresión de Cox Alfonso Luis Palmer Pol y Jose Maria Losilla Vidal El Análisis de la Supervivencia (Palmer, 1988) engloba una variedad de técnicas estadísticas que permiten
Fiabilidad. Estadística Industrial
Fiabilidad Estadística Industrial Qué es la fiabilidad? Permanencia de la calidad de los productos (o servicios) a lo largo del tiempo. Capacidad de desarrollar adecuadamente su labor a lo largo del tiempo.
ACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Gráficos de Probabilidad
Gráficos de Probabilidad Resumen El procedimiento Gráficos de Probabilidad grafica los datos de una sola columna numérica en gráficas con una escala específica tal que, si los datos provienen de una distribución
07 Estimación puntual e introducción a la estadística inferencial
07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?
MANTENIMIENTO CENTRADO EN CONFIABILIDAD (MCC) DR. JORGE ACUÑA 1
MANTENIMIENTO CENTRADO EN CONFIABILIDAD (MCC) 1 ADMINISTRACION DEL news MANTENIMIENTO ( QUE ES? Mantenimiento: operación mediante la cual los sistemas están sometidos a rutinas de revisión, reparación
4. Regresión Lineal Simple
1 4. Regresión Lineal Simple Introducción Una vez conociendo las medidas que se utilizan para expresar la fuerza y la dirección de la relación lineal entre dos variables, se tienen elementos base para
Estadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Prácticas de Fiabilidad
Prácticas de Fiabilidad Práctica 1: Objetivo: En esta práctica se van a analizar una serie de muestras de duración de procesos para ver si corresponden a procesos con Tasa de Fallos (Hazard Rate) creciente,
Método bayesiano bootstrap y una aplicación en la estimación del percentil 85 en ingeniería de tránsito
Revista Colombiana de Estadística Volumen 27 N o 2. Págs. 99 a 107. Diciembre 2004 Método bayesiano bootstrap y una aplicación en la estimación del percentil 85 en ingeniería de tránsito Juan Carlos Correa
Comparación de métodos de estimación en regresión de Cox
Comunicaciones en Estadística Junio 2017, Vol. 10, No. 1, pp. 101 112 Comparación de métodos de estimación en regresión de Cox Comparison of Methods of Estimation in Regression of Cox Javier Ramírez a
Pruebas de bondad de ajuste para distribuciones con parámetro de forma
Pruebas de bondad de ajuste para distribuciones con parámetro de forma José A. Villaseñor Alva Colegio de Postgraduados, México ITESM, Monterrey, N.L. 2 de septiembre de 2011 Conferencia Bimestral de la
Estadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Estimación por intervalo del parámetro de la distribución de Poisson con una sola observación
Revista Colombiana de Estadística Volumen 30 No. 1. pp. 69 a 75. Junio 2007 Estimación por intervalo del parámetro de la distribución de Poisson con una sola observación Interval Estimation for the Poisson
TESIS DE MAESTRIA EN ESTADISTICA APLICADA
TESIS DE MAESTRIA EN ESTADISTICA APLICADA INDICADORES MULTIDIMENSIONALES DE CAPACIDAD DE PROCESOS REGIONES DE CONFIANZA MEDIANTE BOOTSTRAP 1 Noemí María Ferreri Facultad de Ciencias Exactas, Ingeniería
Estadística Económica y Estadística Empresarial
Universidad de Valladolid Facultad de Ciencias Económicas y Empresariales Departamento de Estadística y Econometría Licenciatura en Ciencias Económicas Sin docencia. Plan a extinguir Proyecto docente de:
PROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE CIENCIAS EXACTAS Y NATURALES ESCUELA DE CIENCIAS QUIMICAS
1. DATOS INFORMATIVOS: PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE CIENCIAS EXACTAS Y NATURALES ESCUELA DE CIENCIAS QUIMICAS MATERIA: ESTADISTICA II CODIGO: 12820 CARRERA: CIENCIAS QUIMICAS,
GUIA DOCENTE DE LA ASIGNATURA ANÁLISIS ESTADÍSTICO CON ORDENADOR DE DATOS MÉDICOS Curso (Fecha última actualización: 28/06/16)
GUIA DOCENTE DE LA ASIGNATURA ANÁLISIS ESTADÍSTICO CON ORDENADOR DE DATOS MÉDICOS Curso 2016-2017 (Fecha última actualización: 28/06/16) MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO VI.- Complementos de
ESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Análisis de la covarianza
Análisis de la covarianza Preparado por Luis M. Molinero (Alce Ingeniería) CorreoE: bioestadistica alceingenieria.net Artículo en formato PDF Enero 2002 El análisis de la covarianza es una técnica estadística
Intervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
FUNCIÓN DE DENSIDAD DE PROBABILIDADES DE LA ALTURA DE LA PRECIPITACIÓN Y LA CORRELACION ENTRE LA INTENSIDAD Y LA DURACIÓN
FUNCIÓN DE DENSIDAD DE PROBABILIDADES DE LA ALTURA DE LA PRECIPITACIÓN Y LA CORRELACION ENTRE LA INTENSIDAD Y LA DURACIÓN Rafael S. Seoane(1), Mónica E. Gelmi(2) y Alejandra I. Vornetti(2) Resumen El objetivo
Teoría 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
Comparación de intervalos de confianza para la función de supervivencia con censura a derecha
Revista Colombiana de Estadística Junio 2011, volumen 34, no. 1, pp. 197 a 209 Comparación de intervalos de confianza para la función de supervivencia con censura a derecha Comparison of Confidence Intervals
Métodos estadísticos en estudios de supervivencia
Métodos estadísticos en estudios de supervivencia Belén San José, Elia Pérez y Rosario Madero Sección de Bioestadística. Hospital Universitario La Paz. Madrid. España. bjose.hulp@salud.madrid.org; epefer@gmail.com;
Comparación de dos Grupos en Presencia de Riesgos Competitivos María Carolina Paz S. a, Sergio Yanez Canal b Email: mcpazs@unal.edu.co a. Estudiante de Maestría en Ciencias - Estadística, Universidad Nacional
PROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA I. DATOS GENERALES Unidad Académica: Departamento de Suelos Programa Educativo: Ingeniería en Recursos Naturales Renovables Nivel educativo: Licenciatura Eje curricular: Ingeniería
Carta de control CEV X para distribuciones Weibull con datos censurados
Revista Colombiana de Estadística Volumen 28 N o 2. pp. 125 a 139. Diciembre 2005 Carta de control CEV X para distribuciones Weibull con datos censurados CEV X Control Chart for Weibull Distributions with
Estudio de un modelo lineal EL CASO DE RESISTIVIDAD ELÉCTRICA
Estudio de un modelo lineal EL CASO DE RESISTIVIDAD ELÉCTRICA OBJETIVOS Encontrar la relación que existe entre la resistencia eléctrica, R, y la longitud, L, para determinado material escribiendo su ecuación
Apéndice tablas AT-1. Apéndice tabla , del área
0.4875, del área Apéndice tabla 1 *Áreas bajo la curva de distribución de probabilidad normal estándar, entre la media y valores positivos de z Media z 2.24 Ejemplo: z 0.00 0.01 0.02 0.03 0.04 0.05 0.06
Análisis Avanzado de de Series Temporales Curso de Macroeconometría Doctorado en Economía (UPV-EHU)
Análisis Avanzado de de Series Temporales Curso de Macroeconometría Doctorado en Economía (UPV-EHU) Josu Arteche 2006-2007 (15 horas) 1. Series Temporales y el Dominio de la Frecuencia 1.1 Ciclos 1.2 Funciones
Fiabilidad. Teresa Villagarcía
Fiabilidad Teresa Villagarcía 1 1. Qué es la fiabilidad? La Fiabilidad se refiere a la permanencia de la Calidad de los productos o servicios a lo largo del tiempo. Decimos que un aparato o componente
1. Capacitar al estudiante en las aplicaciones más importantes de la Termoquímica experimental y teórica.
NOMBRE DE LA MATERIA: CÓDIGO DE LA MATERIA: DEPARTAMENTO: CARGA TOTAL DE HORAS TEORÍA: CARGA TOTAL DE HORAS DE TRABAJO INDEPENDIENTE: TOTAL DE HORAS: NÚMERO DE CRÉDITOS: NIVEL DE FORMACIÓN: TIPO DE CURSO:
INDICE. 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.
Esatadística II: inferencial Departamento de Ciencias Sociales y Políticas Universidad Católica del Uruguay
Esatadística II: inferencial Departamento de Ciencias Sociales y Políticas Universidad Católica del Uruguay : santiago.lopez@ucu.edu.uy : 420 - cuarto piso : Viernes 14:00-15:00 pm Marzo-Junio, 2015 Descripción
CARGA HORARIA Horas totales: 80 Horas totales de resolución de problemas de aplicación: 32
PROBABILIDAD Y ESTADISTICA OBJETIVOS: 1. Extraer y sintetizar información de un conjunto de datos. 2. Aprehender los conceptos de aleatoriedad y probabilidad. 3. Estudiar los modelos más importantes de
DEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CIENCIAS BIOLÓGICAS SUBDIRECCIÓN DE POSGRADO
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CIENCIAS BIOLÓGICAS SUBDIRECCIÓN DE POSGRADO CONTENIDO DE CARTA DESCRIPTIVA 1.- IDENTIFICACIÓN Curso: Bioestadística Programa: Doctorado en Inmunobiología
Prácticas de Fiabilidad
Prácticas de Fiabilidad Práctica : Objetivo: El objetivo de esta práctica es conocer y aprender a manejar las herramientas que nos van a permitir decidir si nuestros datos de supervivencia se comportan
Procesos Estocásticos I
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Ciencias Plan de estudios de la Licenciatura en Actuaría Procesos Estocásticos I Clave 0630 Modalidad Semestre 5 Créditos 10 Área Campo de conocimiento
Tema 8. Análisis de dos variables Ejercicios resueltos 1
Tema 8. Análisis de dos variables Ejercicios resueltos 1 Ejercicio resuelto 8.1 La siguiente tabla muestra la distribución del gasto mensual en libros y el gasto mensual en audiovisual en euros en los
UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS
Carta de Probabilidad de Weibull
Carta de Probabilidad de Weibull Israel Jair Pérez Pérez* Israel González Barrera*, José Antonio Ruiz Ayerdi*, Christian Bonilla Monzón*, Antonio Romero Hernández*, Juan José Hurtado Moreno** *alumnos
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 5 Simulación
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 5 Simulación ORGANIZACIÓN DEL TEMA Sesiones: Introducción Ejemplos prácticos Procedimiento y evaluación de resultados INTRODUCCIÓN Simulación: Procedimiento
UNIVERSIDAD DE PUERTO RICO EN HUMACAO DEPARTAMENTO DE BIOLOGÍA PRONTUARIO DEL CURSO DE BIOMETRÍA BIOL Preparado por PROF. IVÁN DÁVILA MARCANO
UNIVERSIDAD DE PUERTO RICO EN HUMACAO DEPARTAMENTO DE BIOLOGÍA PRONTUARIO DEL CURSO DE BIOMETRÍA BIOL 3740 Preparado por PROF. IVÁN DÁVILA MARCANO Actualizado por: PROF. IVÁN DÁVILA MARCANO 2006 UPR-H
PROCESOS ESTOCÁSTICOS
CURSO: PROCESOS ESTOCÁSTICOS 1 SEMESTRE: VIII 2 CODIGO: 602804 3 COMPONENTE: 4 CICLO: 5 AREA: Profesional 6 FECHA DE APROBACIÓN: 7 NATURALEZA: Teórica 8 CARÁCTER: Obligatorio 9 CREDITOS (RELACIÓN): 3 (1-1)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Cálculo del tamaño muestral para la determinación de factores pronósticos
Investigación: Cálculo del tamaño muestral para la determinación de factores pronósticos /5 Cálculo del tamaño muestral para la determinación de factores pronósticos Pértegas Día S. Pita Fernánde S. Unidad
UNIVERSIDAD DEL TOLIMA FACULTAD DE CIENCIAS PROGRAMA MATEMÁTICAS CON ÉNFASIS EN ESTADÍSTICA
UNIVERSIDAD DEL TOLIMA FACULTAD DE CIENCIAS PROGRAMA MATEMÁTICAS CON ÉNFASIS EN ESTADÍSTICA. IDENTIFICACIÓN ASIGNATURA: TEORÍA ESTADÍSTICA CODIGO: NIVEL: III CREDITOS: 3 DESCRIPCIÓN: El curso de teoría
ANÁLISIS MULTIVARIADO
MISIÓN Formar profesionales altamente capacitados, desarrollar investigación y realizar actividades de extensión en matemáticas y computación, así como en sus diversas aplicaciones. ANÁLISIS MULTIVARIADO
1 Introducción... 2. 2 Distribución exponencial... 2. 3 Distribución Weibull... 6. 4 Distribuciones Gamma y k-erlang... 10
Asignatura: Ingeniería Industrial Índice de Contenidos 1 Introducción... 2 2 Distribución exponencial... 2 3 Distribución Weibull... 6 4 Distribuciones Gamma y k-erlang... 10 5 Distribución log-normal...
GRÁFICOS DE CONTROL PARA LA MEDIA DE UN PROCESO EN POBLACIONES CON DISTRIBUCIÓN ASIMÉTRICA
Revista Colombiana de Estadística Volumen 23 (2000) N 2, páginas 29 a 44 GRÁFICOS DE CONTROL PARA LA MEDIA DE UN PROCESO EN POBLACIONES CON DISTRIBUCIÓN ASIMÉTRICA EMERSON A. CHAPARRO S. * JOSE A. VARGAS
Preliminares Métodos de Ajuste de Curvas AJUSTE DE CURVAS AJUSTE DE CURVAS
Contenido 1 Preliminares Definiciones 2 Definiciones Contenido 1 Preliminares Definiciones 2 Definiciones Definiciones En ciencias e ingeniería es frecuente que un experimento produzca un conjunto de datos
para asegurar que la prueba exacta tenga suficiente potencia para detectar diferencias prácticamente importantes en el porcentaje de defectuosos.
Este documento forma parte de un conjunto de informes técnicos que explican la investigación llevada a cabo por los especialistas en estadística de Minitab para desarrollar los métodos y las verificaciones
ALGEBRA Y GEOMETRIA ANALITICA
Diplomatura en Ciencia y Tecnología ALGEBRA Y GEOMETRIA ANALITICA SEGUNDO CUATRIMESTRE DE 009 Profesora Mariana Suarez PRACTICA N 8: RECTA EN EL ESPACIO PLANO ALGEBRA Y GEOMETRIA ANALITICA - Segundo cuatrimestre
ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
ANÁLISIS DE DATOS. L.A. y M.C.E. Emma Linda Diez Knoth
ANÁLISIS DE DATOS 1 Tipos de Análisis en función de la Naturaleza de los Datos Datos cuantitativos Datos cualitativos Análisis cuantitativos Análisis cuantitativos de datos cuantitativos (Estadística)
GUIA DOCENTE. Curso Académico Licenciatura Administración y Dirección de Empresas
GUIA DOCENTE Curso Académico 2012-2013 1. ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA 1.1. Datos de la asignatura Tipo de estudios Licenciatura Titulación Administración y Dirección de Empresas Nombre
Transformaciones de Potencia
Transformaciones de Potencia Resumen El procedimiento Transformaciones de Potencia está diseñado para definir una transformación normalizadora para una columna de observaciones numéricas que no provienen
EVOLUCIÓN DE LAS CARACTERÍSTICAS DE COMPONENTES ELECTRÓNICOS CON EL TIEMPO
EVOLUCIÓN DE LAS CARACTERÍSTICAS DE COMPONENTES ELECTRÓNICOS CON EL TIEMPO J. Marcos-Acevedo 1), E. Soto-Campos 1), S. Fernández-Gómez 2) 1) Dpto. De Tecnología Electrónica, Universidad de Vigo, España
Estadística II. Carrera: INB Participantes. Representante de las academias de ingeniería industrial de Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadística II Ingeniería Industrial INB - 0408 4 0 8 2.- HISTORIA DEL PROGRAMA
ANEXO 1. CALIBRADO DE LOS SENSORES.
ANEXO 1. CALIBRADO DE LOS SENSORES. Las resistencias dependientes de la luz (LDR) varían su resistencia en función de la luz que reciben. Un incremento de la luz que reciben produce una disminución de
UNIVERSIDAD DEL TOLIMA FACULTAD DE CIENCIAS PROGRAMA MATEMÁTICAS CON ÉNFASIS EN ESTADÍSTICA
UNIVERSIDAD DEL TOLIMA FACULTAD DE CIENCIAS PROGRAMA MATEMÁTICAS CON ÉNFASIS EN ESTADÍSTICA 1. IDENTIFICACIÓN ASIGNATURA: ELECTIVA EN MODELOS LINEALES CODIGO: NIVEL: V CREDITOS: 4 DESCRIPCIÓN: EL CURSO
Análisis de la Capacidad o Aptitud de un proceso ( Capítulo 8 ) Control Estadístico de Calidad
Análisis de la Capacidad o Aptitud de un proceso ( Capítulo 8 ) Control Estadístico de Calidad Introducción Cuantificar la variabilidad de un proceso. Analizar esta variabilidad en relación con los requisitos
Análisis de estudios de cohortes en Ciencias de la P005/10. Salud (modelos regresión de Poisson y de Cox)
Análisis de estudios de cohortes en Ciencias de la P005/10 Salud (modelos regresión de Poisson y de Cox) Fecha de aprobación de programa: Marzo 2012 Fechas curso: 4 y 5 de Junio de 2012 Horario: Mañana
Preparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
INDICADORES MULTIVARIADOS DE CAPACIDAD DE PROCESOS. SU EFICIENCIA BAJO DISTRIBUCIONES NORMALES.
Dianda, Daniela Hernández, Lucia Quaglino, Marta Pagura, José Alberto Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística INDICADORES MULTIVARIADOS DE CAPACIDAD DE PROCESOS.
PRINCIPIOS DE ECONOMETRÍA
PRINCIPIOS DE ECONOMETRÍA 2009-2010 I. IDENTIFICACIÓN Asignatura: Duración: Titulación: Ciclo: Departamento: Profesor: Principios de Econometría Semestral (Primer semestre) Licenciatura en Economía Primer
Grupo 4: BUENAS PRÁCTICAS ESTADÍSTICAS
Red ibérica de evaluación de eficacia y efectos secundarios de tratamientos para el control de plagas en el olivar (RIESPO) 2ª Reunión, Madrid 10-11/06/2010 Grupo 4: BUENAS PRÁCTICAS ESTADÍSTICAS ESTADÍSTICA
OPTIMIZACIÓN EXPERIMENTAL. Ing. José Luis Zamorano E.
OPTIMIZACIÓN EXPERIMENTAL Ing. José Luis Zamorano E. Introducción n a la metodología de superficies de respuesta EXPERIMENTACIÓN: Significa variar deliberadamente las condiciones habituales de trabajo
La interpolación polinomial en el análisis de métodos iterativos
Notas La interpolación polinomial en el análisis de métodos iterativos Resumen La solución de ecuaciones no lineales es de extrema importancia en la ingeniería y ciencias. Los métodos que se estudian para
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
Estadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 2. Modelos de regresión
Estadís5ca Tema 2. Modelos de regresión María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica bajo
La Estadística en el Mantenimiento y Reemplazo Óptimo en el Control de Calidad
Universidad Autónoma Metropolitana-Iztapalapa División de Ciencias Básicas e Ingeniería La Estadística en el Mantenimiento y Reemplazo Óptimo en el Control de Calidad Tesis Que para obtener el grado de:
SERVICIOS DE INGENIERÍA DE CONFIABILIDAD Colombia, Cali
Resumen: SERVICIOS DE INGENIERÍA DE CONFIABILIDAD CONFIABILIDAD DE PLANTAS DE GENERACION Ing. William M Murillo En este artículo, se presenta una metodología para calcular la confiabilidad de componentes,
ADMINISTRACION DE OPERACIONES
Sesión4: Métodos cuantitativos ADMINISTRACION DE OPERACIONES Objetivo específico 1: El alumno conocerá y aplicara adecuadamente los métodos de pronóstico de la demanda para planear la actividad futura
Carrera: ACF-0803 4-2 - 8. Participantes. Academia Eléctrica y Electrónica del Instituto Tecnológico Superior de Coatzacoalcos
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Análisis Estadístico a Procesos Ingeniería Electrónica ACF-0803 4-2 - 8 2.- HISTORIA
Asunto: Probabilidad I PROGRAMA DE LA ASIGNATURA PROBABILIDAD I. Curso académico: Identificación y características de la asignatura
PROGRAMA DE LA ASIGNATURA PROBABILIDAD I Curso académico: 2013-14 Identificación y características de la asignatura Código 502254 Créditos ECTS 6 Denominación (español) Denominación Probability I (inglés)
SERIES TEMPORALES. Isabel Molina Peralta. Departamento de Estadística Universidad Carlos III de Madrid. Roland Fried
SERIES TEMPORALES Isabel Molina Peralta Departamento de Estadística Universidad Carlos III de Madrid Roland Fried Department of Statistics Technique University of Dormund 1 CONTENIDO 0. Introducción. 1.
OBJETIVO GENERAL DE LA MATERIA
UNIVERSIDAD DE SONORA UNIDAD: Regional Centro H/S/M: 80 DIVISIÓN: Ciencias Económicas y Administrativas REQUISITO (S) : MATEMATICAS II MATERIA: Estadística I ESPACIO EDUCATIVO: Obligatoria. Tercer Semestre
TABLA DE CONTENIDO. TABLA DE CONTENIDO...ii ÍNDICE DE FIGURAS... iv ÍNDICE DE TABLAS... v CAPITULO INTRODUCCIÓN MOTIVACIÓN...
TABLA DE CONTENIDO RESUMEN... i TABLA DE CONTENIDO...ii ÍNDICE DE FIGURAS... iv ÍNDICE DE TABLAS... v LISTA DE ACRÓNIMOS... 1 CAPITULO 1... 2 INTRODUCCIÓN... 2 1.1. MOTIVACIÓN... 2 1.2. ALCANCES... 3 1.3.
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Caso 17. Análisis multivariante: reducción de datos por componentes principales.
Caso 17: reducción por componentes principales 115 Caso 17. Análisis multivariante: reducción de datos por componentes principales. (JESÚS LÓPEZ FIDALGO, UCLM) CASO PRÁCTICO Se dispone de 15 variables
Teorema 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
AUTOMATIZACION DE LA ENTREGA DE CEDULAS EN LA REGISTRADURIA 1. Sistema para Administración y Control de la Información en las Registradurías del
AUTOMATIZACION DE LA ENTREGA DE CEDULAS EN LA REGISTRADURIA 1 Julieth Giraldo Blandón Mauricio Pareja Bolívar Leonardo Serna Guarín 2 Sistema para Administración y Control de la Información en las Registradurías
Estadística. Grado en Relaciones Laborales y Recursos Humanos. Tema 6 Estadística poblacional.
Estadística. Grado en Relaciones Laborales y Recursos Humanos Tema 6 Estadística poblacional. Fenómenos demográficos 1 Variable estadística edad a la que ocurre un suceso Los fenómenos demográficos que
UTILIDAD RELATIVA DE UN SISTEMA DE MEDICIÓN
UTILIDAD RELATIVA DE UN SISTEMA DE MEDICIÓN G. Américo Rivas C. Prof. De la Escuela de Ingeniería Industrial. Área de Postgrado. Maestría en Ingeniería Industrial. Universidad de Carabobo e. Mail: arivas@postgrado.uc.edu.ve
METODOLOGÍA PARA MEDIR CONFIABILIDAD, MANTENIBILIDAD Y DISPONIBILIDAD EN MANTENIMIENTO
METODOLOGÍA PARA MEDIR CONFIABILIDAD, MANTENIBILIDAD Y DISPONIBILIDAD EN MANTENIMIENTO Juan Carlos Toro Osorio Ingeniero Mecánico - Universidad EAFIT Medellín, Colombia toroj@asme.org Pedro Alejandro Céspedes
Tema 3. Relación entre dos variables cuantitativas
Tema 3. Relación entre dos variables cuantitativas Resumen del tema 3.1. Diagrama de dispersión Cuando sobre cada individuo de una población se observan simultáneamente dos características cuantitativas
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de
Mapeo del Campo Magnético de un Solenoide Finito
Universidad Nacional Autónoma de Honduras Facultad de Ciencias Escuela de Física Mapeo del Campo Magnético de un Solenoide Finito Elaborado por: Roberto Ortiz Introducción Se tiene un Solenoide de N 1
Caso 105. Tamaño de muestra y potencia de una prueba. Diseño de experimentos. Jesús López Fidalgo
Caso 105. Tamaño de muestra y potencia de una prueba. Diseño de experimentos. Jesús López Fidalgo Caso Práctico El objetivo de este ejercicio es analizar diferentes tipos de pruebas estadísticas en las
Universidad Autónoma de San Luis Potosí Facultad de Ingeniería Programas Analíticos del Área Mecánica y Eléctrica 5965 CONTROL DE CALIDAD
A) CURSO. Clave Asignatura 5965 CONTROL DE CALIDAD Horas de teoría Horas de práctica Horas trabajo Créditos Horas Totales por semana por semana adicional estudiante 3 0 3 6 48 B) DATOS BÁSICOS DEL CURSO
BIOESTADÍSTICA Curso
GUIA DOCENTE DE LA ASIGNATURA BIOESTADÍSTICA Curso 2014-2015 MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO MATERIAS BÁSICAS INSTRUMENTALES PARA LA BIOLOGÍA ESTADÍSTICA 1º 2º 6 Obligatorio Coordinador de
Introducción a la Estadística Aplicada en la Química
Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00