DETECCIÓN DE OBSERVACIONES INFLUYENTES EN DISEÑOS FACTORIALES 2 k-p, ESTUDIO DE CASOS
|
|
- Pilar Rodríguez Nieto
- hace 6 años
- Vistas:
Transcripción
1 XVIII Simposio Colombiano de Estadística Estadística en la industria y los negocios Cartagena de Indias, Agosto 11 al 15 de 2008 DETECCIÓN DE OBSERVACIONES INFLUYENTES EN DISEÑOS FACTORIALES 2 k-p, ESTUDIO DE CASOS Detection of influential observations in factorial design 2 k-p, Case Studies Tatiana Pamela Jiménez *... Resumen Uno de los problemas que se pueden presentar al analizar un diseño con estructura factorial fraccionada es la presencia de observaciones influyentes, las cuales pueden distorsionar el análisis de varianza, conllevando a conclusiones erróneas. Este problema, no tratado aún el la literatura estadística, es el interés principal de este trabajo. En este se plantea la posibilidad de detectar las observaciones influyentes mediante el uso de herramientas implementadas en los modelos de regresión lineal múltiple. Palabras claves: Diseño Factorial Fraccionado, Mínima Aberración, Regresión Lineal Múltiple, Observaciones Influyentes. Abstract One of the difficulties that can appear when analyzing a factorial structure design is the influent observation presence, which can distort the variance analysis, leading to wrong conclusions. This problem, which is not so explored until now in the statistics research, is the main topic in this work. The possibility of detecting influent observations through the usage of tools implemented in the multiple linear regression models, is suggested. Keywords: Fractional Factorial Design, Minimal aberration, Multiple Linear regression, Influent Observations. 1. Introducción El uso de técnicas experimentales dentro del programa de producción y mejoramiento de la calidad en la industria, ayuda a seleccionar en forma óptima, la combinación de las categorías de los factores que intervienen en la elaboración de un producto; de forma tal que este se acerque al ideal tanto en calidad como en economía; este hecho ha permitido que muchas empresas hayan fortalecido sus departamentos de estadística, ante la efectividad de estas herramientas en el control de la calidad final del producto. Por lo general en los procesos industriales que conducen a problemas de optimización, en aras al mejoramiento de la calidad se busca estudiar el efecto de las variables Estadística, Magister en Ciencias Estadísticas: mtjimenezv@gmail.com 1
2 Tatiana Pamela Jiménez Valderrama (factores) en la elaboración del producto. Cuando en la elaboración de un producto intervienen muchos factores, se recomienda la aplicación del diseño con arreglo factorial como una alternativa más eficiente a los métodos donde se van estudiando los factores en forma separada, es decir frente a los experimentos secuenciales, esto se traduce en eficiencia y economía. Sin embargo, en condiciones de uniformidad y de encontrarse similitudes, los efectos de las interacciones de orden superior con frecuencia son negligibles (de poco interés práctico) siendo deseable emplear un diseño fraccionado que con menos corridas dé información sobre los efectos de mayor interés (efectos principales e interacciones dobles). Uno de los problemas que puede presentarse al desarrollar esta clase de experimentos es el de identificación de observaciones influyentes, el cual no ha sido abordado hasta el momento según la revisión literaria realizada. Se han realizado algunas propuesta para solucionar este problema en los diseños factoriales 2 k, Oehlert (1994), Vargas (1998) y Jiménez (2000). Se han propuesto diferentes metodologías, destacándose principalmente los métodos robustos y la aplicación de métodos de identificación de observaciones influyentes desarrollados en la teoría de la regresión. Esta técnica de reparametrización es de gran interés en el desarrollo de este trabajo ya que se utiliza este resultado para transformar el diseño de estructura factorial fraccionada 2 k p a un modelo de regresión lineal múltiple con el fin de emplear las herramientas de detección de observaciones influyentes que existen para este modelo y poder así dar una posible solución a la detección de observaciones influyentes en el diseño factorial fraccionado. 2. Métodos Empleados Para la identificación de observaciones influyentes presentes en un diseño factorial fraccionado 2 k-p se propone utilizar los estadísticos DfFits, Matriz de Influencia M y los estimadores M redescending. Método que han sido propuestos en la literatura estadística con el fin de identificar observaciones influyentes en modelos de regresión lineal múltiple Estadístico DfFits Este estadístico está diseñado para detectar la presencia de observaciones influyentes mediante la medición del número de desviaciones estándar ñeque cambian los valores ajustados al eliminar una observación determinada, como se explica en Montgomery & Peck (1995), este estadístico se define como: DfFits i = yˆ i s ( i) yˆ ( i) h ii ˆ i con i=1,2,,n, y( ) es el valor ajustado de y i sin utilizar la i-ésima observación, y ( ) es el valor ajustado utilizando todas las observaciones, s (i) la estimación de la escala sin tener en cuenta la i- ésima observación y h ii es el elemento de la diagonal de matriz H = X(X t X) -1 X t correspondiente a la i-ésima observación. ˆ i
3 Detección de Observaciones Influyentes 3 El estadístico DfFit se ve afectado tanto por los errores de predicción como por apalancamiento, en general cualquier observación para la cual DfFit i > 4( p / n) requiere atención Matriz de Influencia M Es un método, propuesto por Peña & Yohai (1985), para detectar conjuntos de observaciones influyentes en modelos de regresión lineal múltiple mediante el estudio las coordenadas de los vectores propios de una matriz de covarianzas no-centradas. Esta matriz esta definida como: 1 M = EDHDE 2 ps Donde s 2 representa la estimación del cuadrado medio del error para el modelo de regresión lineal múltiple, E es una matriz diagonal cuyos elementos son los residuales obtenidos y D es una 1 matriz diagonal con elementos (1 h ). ii Para determinar cuáles observaciones tienen grandes ponderaciones se deben comparar el valor relativo de las componentes para identificar los elementos del conjunto. El método sugerido es observar todas las razones posibles entre las componentes en orden decreciente, buscando un punto claro de corte y formar un conjunto de posibles puntos influyentes, y se procede a probarlos Estimadores M redescendign Vargas (1998) propone utilizar estimadores M redescending, en regresión robusta, con el fin de identificar celdas con información influyente cuando se requiere ajustar un modelo de orden menor, por ejemplo un modelo de efectos principales únicamente, razón por la cual esté método se propone como una buena alternativa ya que se ajusta al tipo de diseño considerado para este estudio. Se define a los estimadores M como aquellos que minimizan una función ρ de los residuales: n min ρ( β i= 1 e i ) Donde la función ρ está relacionada con la función de máxima verosimilitud para una distribución de los errores, seleccionada en forma adecuada. Para obtener un estimador M se resuelve el sistema: n t y i xi β x Ψ ij i= 1 cs donde ψ denota la derivada de la función ρ, y c es una constante de ajuste.
4 Tatiana Pamela Jiménez Valderrama Vargas (1998) considera el diseño factorial con la siguiente estructura para los datos: p y mi = x i θ j + δ i + ε i j= 1 donde i=1,2,,n, y mi es la mediana de las r réplicas por tratamiento y δ i = 0 para la mayoría de las celdas. Aquellas para las cuales δ i 0 se identifican como posibles influyentes. Se asume que εi sigue una distribución normal con media igual a cero y varianza σ 2. El modelo anterior se ajusta mediante una regresión robusta y aquellas celdas a las que el ajuste les asigne un peso muy pequeño se consideran candidatas a influyentes. 3. Ejemplo Los datos de éste factorial fueron simulados por Oehlerth (1994) con el fin de ajustarse a un modelo de efectos principales más una interacción de segundo orden. Su estructura es presentada en la Tabla 1 donde las observaciones correspondientes a la combinación de tratamientos donde todos los niveles de los factores están presentes en el nivel bajo se encuentra contaminada. Tabla 1: Datos del diseño factorial 2 4 propuesto por Oehlerth (1994) D A B C Bajo Alto Bajo Bajo Bajo 26,1 27,5 23,5 21,1 Alto Bajo Bajo 11,4 11,0 20,4 22,0 Bajo Alto Bajo 22,0 20,2 28,1 29,9 Alto Alto Bajo 18,9 16,4 26,5 26,6 Bajo Bajo Alto 22,8 23,8 30,6 32,5 Alto Bajo Alto 22,3 20,2 28,7 28,8 Bajo Alto Alto 30,0 29,3 38,3 38,5 Alto Alto Alto 29,6 29,8 34,5 34,9 El análisis de varianza (Tabla 2) para este factorial completo muestra, que con un nivel de significancia de 0.05 el único efecto no significativo es CD, as subir el nivel de significancia a 0.08 todos los efectos son significativos. El hecho de que aparezcan como significativas intersecciones de tercer orden hace sospechar de la presencia de observaciones influyentes en el conjunto de datos, así que se realizaron las pruebas para la validación de supuestos: con la prueba de Levene se obtuvo un valor de prueba F 15,16 =0,174 (p_valor de 0,999) para la hipótesis nula de igualdad de varianzas intratratamientos; al realizar la prueba de Kolmogorov-Smirnov se obtuvo un p_valor de 0,454 para la hipótesis nula de distribución normal para los errores. De esta forma se comprueban los supuestos del modelo. Esto, en condiciones ideales, sería suficiente para suponer que el modelo propuesto en el análisis de varianza es el correcto. j
5 Detección de Observaciones Influyentes 5 Tabla 2: Análisis de varianza para el diseño factorial 2 4 propuesto por Oehlerth (1994) Fuente de Variabilidad Sumas de Cuadrados p_valor A 120,901 0,000 B 204,020 0,000 C 472,781 0,000 D 335,405 0,000 AB 18,000 0,005 AC 24,811 0,002 AD 15,125 0,010 BC 27,380 0,001 BD 10,811 0,025 CD 6,480 0,073 ABC 11,520 0,021 ABD 34,031 0,000 ACD 50,000 0,000 BCD 22,111 0,000 Error 30,251 Sin embargo, el estudio llevado a cabo por Jiménez (2000) mostró que las observaciones correspondientes al tratamiento (1) fueron identificadas como influyentes mediante el método propuesto por Vargas (1998) y se estimaron dichas observaciones en 14,23. Al estudiar de nuevo el conjunto de datos, ahora con las observaciones influyentes ya corregidas se obtiene un nuevo análisis de varianza (Tabla 3) en el cual a un nivel de significancia de 0,05 son significativos los efectos principales, una interacción de segundo orden y una de tercer orden. El error estándar del error fue reducido a 0,97, el R 2 ajustado es de 0,982 el cual también mejoró y la prueba de distribución normal sobre los errores obtuvo una significancia de 0,781 mejor que la obtenida con los datos originales. Ahora, bien como el interés es identificar este tipo de observaciones en una estructura factorial fraccionada, ya que es la de uso más frecuente en problemas industriales, se fraccionó el factorial 2 4 según el criterio de la tabla de signos (Tabla 4).
6 Tatiana Pamela Jiménez Valderrama Tabla 3: Análisis de varianza para el factorial 24 de Oehlerth (1994) con observaciones ajustadas Fuente de Variabilidad Sumas de Cuadrados p_valor A 42,920 0,000 B 350,728 0,000 C 685,796 0,000 D 517,937 0,000 AB 0,041 0,838 AC 0,293 0,585 AD 0,308 0,575 BC 0,622 0,428 BD 1,337 0,250 CD 3,605 0,067 ABC 1,103 0,295 ABD 1,931 0,171 ACD 6,901 0,015 BCD 0,067 0,794 Error 16,026 Tabla 4: Estructura de las fracciones generadas para el factorial 2 4 de Oehlerth (1994)
7 Detección de Observaciones Influyentes 7 Así las fracciones quedaron de tal forma que la información influyente se encuentra en la fracción generada por I = +ABCD y la fracción generada por I = ABCD se encuentra limpia de observaciones influyentes. Al llevarse a cabo el análisis de varianza para la fracción I = +ABCD (Tabla 5) se encuentra que todos los efectos son significativos, su R 2 ajustado es 0,957 y s 2 es 1,417. Estos resultados concuerdan con el análisis de varianza del factorial completo, ya que significancia de las interacciones dobles hace sospechar de la posible presencia de observaciones influyentes. Tabla 5: Análisis de varianza para la fracción generada por I = +ABCD Fuente de Variabilidad Sumas de Cuadrados p_valor A 123,210 0,000 B 26,010 0,003 C 126,563 0,000 AB 23,040 0,004 AC 34,223 0,001 BC 41,603 0,001 ABC 111,303 0,000 Error 11,340 Sin embargo, con la otra fracción, I = ABCD, se obtiene que únicamente son significativos los efectos principales y la interacción de orden tres (alias del efecto principal D), su R 2 es 0,989 y s 2 es 0,641 (Tabla 6), lo cual concuerda con el análisis de varianza del factorial completo cuando se han ajustado las observaciones influyentes. Tabla 6: Análisis de varianza para la fracción generada por I = -ABCD Fuente de Variabilidad Sumas de Cuadrados p_valor A 19,803 0,001 B 228,010 0,000 C 380,250 0,000 AB 1,440 0,172 AC 1,440 0,172 BC 0,903 0,270 ABC 235,622 0,000 Error 5,130 A partir de estos análisis de varianza se comprueba la importancia de identificar observaciones influyentes, pues se pueden tomar decisiones en forma errónea si se considera como único criterio el análisis de varianza.
8 Tatiana Pamela Jiménez Valderrama Ahora, se lleva a cabo el diagnóstico de presencia de observaciones influyentes estudiando el diseño con estructura factorial fraccionada como un modelo de regresión lineal múltiple. La primera herramienta propuesta fue el estadístico DfFits, con valor de prueba F = 2 p / n = 2 7 /16 = 1,323, el máximo valor absoluto obtenido, mediante en paquete SPSS, de los DfFits fue 1,25, el cual es más pequeño que el valor de prueba por tanto se puede concluir que ninguna de las observaciones fue identificada como posible valor influyente (Tabla 7). Tabla 7: Valores DfFit para la fracción generada por I = +ABCD A B C DfFits Bajo Bajo Bajo -0,70 0,70 Alto Alto Bajo 1,25-1,25 Alto Bajo Alto 1,05-1,05 Bajo Alto Alto 0,35-0,35 Alto Bajo Bajo -0,80 0,80 Bajo Alto Bajo -0,90 0,90 Bajo Bajo Alto -0,95 0,95 Alto Alto Alto -0,20 0,20 El siguiente método empleado fue el de Matriz de Influencia, para la cual se tuvo en cuenta los valores residuales que se presentan en la Tabla 8 para la construcción de la Matriz E, también se construyó la matriz X t X, la cual es una matriz diagonal con elementos (x t x) ii = 16, a partir de esta se obtuvo la matriz H cuyos elementos de la diagonal fueron h ii = 0,4375 y teniendo en cuenta estos valores se construyó la Matriz D, obtenidas las marices E, D y H se tienen todos los elementos para la construcción de la matriz M que se muestra a continuación:
9 Detección de Observaciones Influyentes 9 La cual tiene siete (7) valores propios no nulos, cada vector propio esta conformado por los componentes: { 0.707, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.707}. Según el procedimiento de identificación de observaciones influyentes mediante la Matriz de Influencia M, el siguiente paso consiste en ordenar las componentes de cada vector propio y así calcular los valores de a j = v i(j) /v i(j 1), con j = n, n 1, n 2,..., c 1, y de b j = v i(j) /v i(j+1) con j = 1, 2, 3,...,c 2 : al ordenar las componentes se obtiene un arreglo como el presentado en el párrafo anterior de esta forma si se quiere calcular el valor de b 1 y el valor de a n como son divisiones se tendría entonces operaciones indefinidas, no solo en ente caso sino también para el calculo de los otros valores de b j y de a j ya que las componentes que están en medio son iguales a cero. Esto último indica que para este tipo de diseños este método no es viable. Tabla 8: Residuales para la fracción generada por I = +ABCD A B C Residuales Bajo Bajo Bajo -0,70 0,70 Alto Alto Bajo 1,25-1,25 Alto Bajo Alto 1,05-1,05 Bajo Alto Alto 0,35-0,35 Alto Bajo Bajo -0,80 0,80 Bajo Alto Bajo -0,90 0,90 Bajo Bajo Alto -0,95 0,95 Alto Alto Alto -0,20 0,20 Por último se emplearon métodos robustos utilizando como funciones de influencia las de Hampel, Huber y Andrews. Las constantes de ajuste que se utilizaron fueron las establecidas en el programa S-PLUS2000 (Huber: c = 1,5, Hampel: a = 1,5, b = 3,5 y c = 8 y para Andrews c = 2,1). Como se muesra en la Tabla 9 estas funciones no identificaron ninguna observación como posible influyente. De estos se esperaba que identificaran de forma eficaz la celda con información influyente pero no se obtuvo el resultado esperado, los estimadores de Huber y Hampel asignaron pesos iguales a 1 para todas las observaciones y el de Andrews pesos iguales a 0,958, así que no identificaron a ninguna de las observaciones como posible influyente. 4. Conclusiones En este caso ninguno de los métodos propuestos identificaron las observaciones influyentes contenidas en la fracción I = +ABCD, con lo cual se llega a la conclusión que los efectos correspondientes a los factores principales y a los de las interacciones son significativos para la variable respuesta, sin embargo esto conlleva a una decisión errónea y podría significar un alto costo si de esto dependiera la elaboración de un producto.
10 Tatiana Pamela Jiménez Valderrama Tabla 9: Asignación de pesos a las observaciones, de la fracción generada por I = +ABCD, por métodos robustos Residual Ajuste Peso asignado por Huber Peso asignado por Hampel Peso asignado por Andrews -0,70 26, ,97 0,70 26, ,97-0,95 31, ,95 0,95 31, ,95-0,90 29, ,95 0,90 29, ,95 0,35 29, ,99-0,35 29, ,99-0,80 21, ,96 0,80 21, ,96 1,05 21, ,94-1,05 21, ,94 1,25 17, ,91-1,25 17, ,91-0,20 34, ,00 0,20 34, ,00 Referencias Jiménez, M. (2000), Ajuste de factoriales 2k con presencia de Observaciones Influyentes y Valores Faltantes mediante Modelos de Regresión, Trabajo de Grado (Estadística), Universidad Nacional de Colombis, Facultad de Ciencias, Departamento de Estadística, Bogotá. Montgomery, D. C., & Peck, E. A., (1995), Introduction to Linear Regression, Second Edition. John Wiley & Sons, Inc. New York. Oehlert, G., (1994), Isolating One-Cell Interactions, Technometrics 36, Peña, D. & Yohai, V. J., (1995), The Detection of Influential Subsets in Lineal Regression using an Influence Matrix, Journal of the Royal Statistical Society, Serie B 57, Vargas, J. A., (1998), Identificación de Celdas Atípicas en Experimentos Factoriales Mediante el uso de Regresión Robusta Revista Colombiana de Estadística 22, 9-16.
Agro 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 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
Más detallesEscuela Nacional de Estadística e Informática ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA
ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA Lima Perú 2013 DISEÑO COMPLETAMENTE ALEATORIZADO Es el diseño más simple y sencillo de realizar, en el cual los tratamientos
Más detallesFACTORIALES FRACCIONADOS 2 f-p
1 FACTORIALES FRACCIONADOS 2 f-p Aun en los experimentos 2 f el número de condiciones experimentales crece exponencialmente con el número de factores f a estudiar. El n de interacciones de r factores combinados
Más detallesIntroducción 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
Más detalles2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS)
2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) La idea principal en este capitulo es el inicio a planear los diseño experimentales y su correspondiente análisis estadístico. En este caso iniciaremos
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detallesCómo observar el impacto del i-ésimo registro sobre el coeficiente de determinación al ajustar un modelo de regresión lineal múltiple
Comunicaciones en Estadística Junio 2013, Vol. 6, No. 1 Cómo observar el impacto del i-ésimo registro sobre el coeficiente de determinación al ajustar un modelo de regresión lineal múltiple How to observe
Más detallesRevista Colombiana de Estadística ISSN: Universidad Nacional de Colombia Colombia
Revista Colombiana de Estadística ISSN: 0120-1751 revcoles_fcbog@unal.edu.co Universidad Nacional de Colombia Colombia Jiménez Moscoso, José Alfredo Un criterio para identificar datos atípicos Revista
Más detallesRobusticidad de los Diseños D-óptimos a la Elección. de los Valores Locales para el Modelo Logístico
Robusticidad de los Diseños D-óptimos a la Elección de los Valores Locales para el Modelo Logístico David Felipe Sosa Palacio 1,a,Víctor Ignacio López Ríos 2,a a. Escuela de Estadística, Facultad de Ciencias,
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 detallesINSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5
INSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5 PROGRAMA ACADÉMICO: LICENCIATURA EN INGENIERIA INDUSTRIAL TIPO EDUCATIVO: INGENIERIA MODALIDAD: MIXTA SERIACIÓN: NINGUNA CLAVE DE LA ASIGNATURA: 126 CICLO: QUINTO
Más detallesEVALUACIÓN DEL MÉTODO DE MURPHY PARA LA INTERPRETACIÓN DE SEÑALES EN LA CARTA T 2 MULTIVARIADA
EVALUACIÓN DEL MÉTODO DE MURPHY PARA LA INTERPRETACIÓN DE SEÑALES EN LA CARTA T 2 MULTIVARIADA Hector Fabian Lopez Casas 1 hectorfl86@hotmail.com 1 Estudiante de Matematicas Con Enfasis en Estadistica,
Más detallesOPTIMIZACIÓN 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
Más detallesDiseños Factoriales. Diseño de experimentos p. 1/18
Diseños Factoriales Diseño de experimentos p. 1/18 Introducción El término experimento factorial o arreglo factorial se refiere a la constitución de los tratamientos que se quieren comparar. Diseño de
Más detallesINDICE. Introducción Capitulo uno. La idea nace un proyecto de investigación Como se originan las investigaciones? 2 Resumen Conceptos básicos
INDICE Introducción Capitulo uno. La idea nace un proyecto de investigación 1 1.1. Como se originan las investigaciones? 2 Resumen 6 Ejemplo 7 Capitulo dos. El planteamiento del problema objetivos, preguntas
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 Lineal Múltiple
Universidad Nacional Agraria La Molina 2011-2 Efectos de Diagnósticos de Dos predictores X 1 y X 2 son exactamente colineales si existe una relación lineal tal que C 1 X 1 + C 2 X 2 = C 0 para algunas
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesEstadística 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.
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
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 detallesCarrera: CPB
Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Tópicos de ingeniería de calidad Ingeniería Industrial CPB - 0601 4-0- 8 2.- HISTORIA DEL PROGRAMA Lugar y
Más detallesDIFERENCIAS EN LA UTILIZACIÓN DE LA BIBLIOTECA DEL IIESCA ANTE UN CAMBIO DE INFORMACIÓN
DIFERENCIAS EN LA UTILIZACIÓN DE LA BIBLIOTECA DEL IIESCA ANTE UN CAMBIO DE INFORMACIÓN Beatriz Meneses A. de Sesma * I. INTRODUCCIÓN En todo centro educativo, es de suma importancia el uso que se haga
Más detallesMODELOS DE REGRESIÓN
MISIÓN Formar profesionales altamente capacitados, desarrollar investigación y realizar actividades de extensión en Matemáticas y Computación, así como en sus diversas aplicaciones. MODELOS DE REGRESIÓN
Más detallesESTADISTICA 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
Más detallesPruebas de hipótesis
Pruebas de hipótesis Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Prueba de hipótesis Uno de los objetivos de la estadística es hacer
Más detallesAnálisis matemático de la función de Nelson y Siegel
Anexos Anexo 1 Análisis matemático de la función de Nelson y Siegel La función que define el tipo forward según el modelo propuesto por Nelson y Siegel (1987) es la siguiente: con m 0 y τ 0. 1 > m m m
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detalles1.- DATOS DE LA ASIGNATURA. Diseño Asistido por Computadora. Nombre de la asignatura: Ingeniería Industrial. Carrera: Clave de la asignatura: OPN-1307
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Diseño Asistido por Computadora Ingeniería Industrial Clave de la asignatura: (Créditos) SATCA 1 OPN-1307 0-6-6 2.- PRESENTACIÓN Caracterización
Más detallesDiplomado en Estadística Aplicada
Diplomado en Estadística Aplicada Con el propósito de mejorar las habilidades para la toma de decisiones, la División de Estudios de Posgrado de la Facultad de Economía ha conjuntado a profesores con especialidad
Más detallesCARGA 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
Más detallesModelos mixtos. Diseño de experimentos p. 1/26
Modelos mixtos Diseño de experimentos p. 1/26 Introducción Cuando en la estructura de tratamientos de un experimento se tienen tanto factores fijos como aleatorios, el modelo que describe tales experimentos
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesIdeas básicas del diseño experimental
Ideas básicas del diseño experimental Capítulo 4 de Analysis of Messy Data. Milliken y Johnson (1992) Diseño de experimentos p. 1/23 Ideas básicas del diseño experimental Antes de llevar a cabo un experimento,
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 detallesAnálisis de la varianza
Análisis de la varianza José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 I 1 Introducción 1 Comparación de medias 2 El pricipio de aleatorización 2 El problema de un factor
Más detallesQué hacemos cuando la distribución no es normal? Qué significa ser normal? Qué significa ser normal? 1er. Simposio Metodología Seis Sigma
er. imposio Metodología eis igma Resumen Qué hacemos cuando la distribución no es normal? Qué significa ser normal? Ejemplos de situaciones normales Ejemplos de situaciones no normales Resumen Implicaciones
Más detallesContenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos
Contenido Prefacio ix 1 Introducci6n a la estadfstica y al an;!llisis de datos 1 1.1 1.2 1.3 1.4 1.5 1.6 Repaso 1 EI papel de la probabilidad 2 Medidas de posici6n: media de una muestra 4 Medidas de variabilidad
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detalles6. DISEÑOS FACTORIALES 2 K NO REPLICADOS
6. DISEÑOS FACTORIALES 2 K NO REPLICADOS 6.1 INTRODUCCION El aumentar el numero de factores en un diseño 2 k crece rápidamente el numero de tratamientos y por tanto el numero de corridas experimentales.
Más detallesAnálisis 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
Más detallesAPLICACIÓN DEL SISTEMA FLOWDRILL EN PLACAS DE ACERO INOXIDABLES
APLICACIÓN DEL SISTEMA FLOWDRILL EN PLACAS DE ACERO INOXIDABLES Autores Alberto Gallegos Araya, Ramon Araya Gallardo Departamento Mecánica. Universidad de Tarapacá. 8 Septiembre Arica -e-mail: gallegos@uta.cl
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
Más detallesMINERIA DE TEXTOS EN R: VIA UN MODELO DE ESPACIO VECTORIAL Y ANÁLISIS CLUSTER. Resumen
MINERIA DE TEXTOS EN R: VIA UN MODELO DE ESPACIO VECTORIAL Y ANÁLISIS CLUSTER Resumen El objetivo del presente estudio fue encontrar la similitud entre textos para asociar reclamos y determinar si estos
Más detalles1. Matrices. Operaciones con matrices
REPASO MUY BÁSICO DE MATRICES. Matrices. Operaciones con matrices.. Introducción Las matrices aparecieron por primera vez hacia el año 850, introducidas por el inglés J. J. Sylvester. Su desarrollo se
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detallesUNIVERSIDAD 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
Más detallesEstadísticos Descriptivos
ANÁLISIS EXPLORATORIO DE DATOS El análisis exploratorio tiene como objetivo identificar el modelo teórico más adecuado para representar la población de la cual proceden los datos muéstrales. Dicho análisis
Más detalles3. Correlación. Introducción. Diagrama de dispersión
1 3. Correlación Introducción En los negocios, no todo es el producto, pueden existir factores relacionados o externos que modifiquen cómo se distribuye un producto. De igual manera, la estadística no
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesESTIMACIÓN DE LOS COMPONENTES DE LA VARIACIÓN DE UN SISTEMA DE MEDICIÓN, USANDO EL RANGO. Resumen
ESTIMACIÓN DE LOS COMPONENTES DE LA VARIACIÓN DE UN SISTEMA DE MEDICIÓN, USANDO EL RANGO RIVAS C., Gerardo A. Escuela de Ingeniería Industrial. Universidad de Carabobo. Bárbula. Valencia. Venezuela Jefe
Más detalles8.2 CONSTRUCCION DEL DISEÑO FRACCIONADO UN CUARTO 2 k-2
8. DISEÑOS FACTORIALES FRACCIONADOS 2 K-2 8.1 DISEÑOS FACTORIALES FRACCION UN CUARTO Dependiendo del número de factores y del costo de cada corrida experimental, en ocasiones es necesario correr una fracción
Más detallesAplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel
Más detallesAnova unifactorial Grados de Biología y Biología sanitaria
Anova unifactorial Grados de Biología y Biología sanitaria M. Marvá e-mail: marcos.marva@uah.es Unidad docente de Matemáticas, Universidad de Alcalá 29 de noviembre de 2015 El problema Analizaremos la
Más detallesb. Universidad Nacional-Sede Medellín
Comparación de Intervalos de Confianza para el Coeficiente de Correlación Juan Carlos Correa a, Liliana Vanessa Pacheco b Email: jccorrea@unal.edu.co a. Universidad Nacional-Sede Medellín b. Universidad
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 detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA)
ANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA) El análisis de la varianza permite contrastar la hipótesis nula de que las medias de K poblaciones (K >2) son iguales, frente a la hipótesis alternativa de
Más detallesINGENIERÍA EN TECNOLOGÍAS DE LA INFORMACIÓN
INGENIERÍA HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Estadística Aplicada 2. Competencias Dirigir proyectos de tecnologías de información (T.I.) para contribuir a
Más detallesEstadísticas 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
Más detallesDISEÑOS MULTIFACTORIALES CON RESTRICCIONES DE ALEATORIZACIÓN. Diseños en bloques completos aleatorizados con dos tratamientos
DISEÑOS MULTIFACTORIALES CON RESTRICCIONES DE ALEATORIZACIÓN Los diseños en bloques utilizan una restricción en la aleatorización. Los cuadrados latinos utilizan dos restricciones en la aleatorización.
Más detalles4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
Más detallesTema 1: Matrices y Determinantes
Tema 1: Matrices y Determinantes September 14, 2009 1 Matrices Definición 11 Una matriz es un arreglo rectangular de números reales a 11 a 12 a 1m a 21 a 22 a 2m A = a n1 a n2 a nm Se dice que una matriz
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesGráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado
Caso 1: Solución Apartado a) - 2 0 2 4 6 0 2 0 4 0 6 0 8 0 1 0 0 p e r i o d E x c e s s r e t u r n, c o m p a n y a e x c e s s r e t u r n m a r k e t p o r t f o l i o Gráfico 1: Evolución del exceso
Más detallesTema 2: Determinantes
Tema : Determinantes.- a) Encontrar los valores de λ para los que la matriz λ A = 0 λ λ 0 es invertible b) Para λ = hallar la inversa de A comprobar el resultado c) Resolver el sistema x 0 A = 0 z 0 para
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 detallesINDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas
INDICE Prefacio XIII 1. Introducción 1.1. la imagen de la estadística 1 1.2. dos tipos de estadísticas 1.3. estadística descriptiva 2 1.4. estadística inferencial 1.5. naturaleza interdisciplinaria de
Más detallesFINANZAS CORPORATIVAS
FINANZAS CORPORATIVAS RIESGO Y RENDIMIENTO JOSÉ IGNACIO A. PÉREZ HIDALGO Licenciado en Ciencias en la Administración de Empresas Universidad de Valparaíso, Chile TOMA DE DECISIONES Certeza: resultado real
Más detallesPruebas para evaluar diferencias
Pruebas para evaluar diferencias Métodos paramétricos vs no paramétricos Mayoría se basaban en el conocimiento de las distribuciones muestrales (t- student, Normal, F): EsFman los parámetros de las poblaciones
Más detallesCarrera: COT Participantes Representante de las academias de Contaduría de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadística administrativa II Licenciatura en Contaduría COT-0426 2-3-7 2.- HISTORIA
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 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 detallesPercepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú
Percepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú Luis Bendezú Medina Universidad de Chile Diciembre 2007 Contenido Introducción Modelo Teórico Implementación Empírica
Más detallesEvaluación económica de proyectos de inversión utilizando simulación
Jiménez Boulanger, Francisco. Evaluación económica de proyectos de inversión utilizando simulación Tecnología en Marcha. Vol. 19-1. Evaluación económica de proyectos de inversión utilizando simulación
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesMEDIDAS DE TENDENCIA CENTRAL
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMERICA) MEDIDAS DE TENDENCIA CENTRAL 20/05/2008 Ing. SEMS 2.1 INTRODUCCIÓN En el capítulo anterior estudiamos de qué manera los
Más detallesScientia Et Technica ISSN: Universidad Tecnológica de Pereira Colombia
Scientia Et Technica ISSN: 01221701 scientia@utp.edu.co Universidad Tecnológica de Pereira Colombia URRUTIA MOSQUERA, JORGE ANDRÉS; SALAZAR, HEVER DARÍO; CRUZ TREJOS, EDUARDO ARTURO EVALUACIÓN DE LA ROBUSTEZ
Más detallesCarrera: ADT Participantes Representante de las academias de Administración de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Estadística administrativa II Licenciatura en Administración ADT-0427 2-3-7 2.-
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
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 detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
Más detallesAsignación 5. Problema 1
Asignación 5 Problema 1 Consider the four factor factorial experiment where factor A is at a levels, factor B is at b levels, factor C is at c levels, factor D is at d levels, and there are n replicates.
Más detallesCAPÍTULO I. INTRODUCCIÓN. Cuando se requiere obtener información de una población, y se desean obtener los mejores
CAPÍTULO I. INTRODUCCIÓN I.1 Breve Descripción Cuando se requiere obtener información de una población, y se desean obtener los mejores y más completos resultados, el censo es una opción para dar una respuesta
Más detallesLas escalas de equivalencia en la medición de la pobreza Síntesis de tesis de Maestría en Estadística, UCR. Nancy Pérez Valverde
Las escalas de equivalencia en la medición de la pobreza Síntesis de tesis de Maestría en Estadística, UCR Nancy Pérez Valverde Actualmente en Costa Rica, para delimitar los hogares pobres, el Instituto
Más detallesANÁLISIS 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
Más detallesPrueba de Hipótesis. Para dos muestras
Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de
Más detallesGustavo Rodríguez Gómez. Agosto Dicembre 2011
Computación Científica Gustavo Rodríguez Gómez INAOE Agosto Dicembre 2011 1 / 46 Capítulo II 2 / 46 1 Introducción Métodos Directos Sistemas Triangulares Sustitución Hacia Atrás Invertibilidad de una Matriz
Más detallesELABORACIÓN DE CARTAS DE CONTROL X BARRA S EN EL LABORATORIO DE METROLOGÍA DE VARIABLES ELÉCTRICAS DE LA UNIVERSIDAD TECNOLÓGICA DE PEREIRA
Scientia et Technica Año XV, No 41, Mayo de 2009.. ISSN 0122-1701 241 ELABORACIÓN DE CARTAS DE CONTROL X BARRA S EN EL LABORATORIO DE METROLOGÍA DE VARIABLES ELÉCTRICAS DE LA UNIVERSIDAD TECNOLÓGICA DE
Más detallesIdentificación Paramétrica
Identificación Paramétrica Métodos para la Obtención de un Modelo Discreto Un modelo, incluyendo el ruido o perturbación, a tiempo discreto puede ser representado por la siguiente i ecuación Donde: ( )
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 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 detallesPRINCIPIOS 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
Más detallesRegresión con variables independientes cualitativas
Regresión con variables independientes cualitativas.- Introducción...2 2.- Regresión con variable cualitativa dicotómica...2 3.- Regresión con variable cualitativa de varias categorías...6 2.- Introducción.
Más detallesDETERMINANTES UNIDAD 3. Página 76
UNIDAD 3 DETERMINANTE Página 76 Determinantes de orden 2 Resuelve cada uno de los siguientes sistemas de ecuaciones y calcula el determinante de la matriz de los coeficientes: 2x + 3y 29 5x 3y 8 4x + y
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesAnálisis de la varianza ANOVA
Estadística Básica. Mayo 2004 1 Análisis de la varianza ANOVA Francisco Montes Departament d Estadística i I. O. Universitat de València http://www.uv.es/~montes Estadística Básica. Mayo 2004 2 Comparación
Más detalles