Métodos de Diseño y Análisis de Experimentos
|
|
- María Ángeles Espinoza Contreras
- hace 6 años
- Vistas:
Transcripción
1 1 / 101 Méodos de Diseño y Análisis de Experimenos Paricia Isabel Romero Mares Deparameno de Probabilidad y Esadísica IIMAS UNAM febrero 2013
2 Diseño compleamene al azar 2 / 101
3 3 / 101 Ejemplo Suponga que enemos 4 dieas diferenes que queremos comparar. Las dieas esán eiqueadas A,B,C y D. Esamos ineresados en esudiar si las dieas afecan la asa de coagulación en conejos. La asa de coagulación es el iempo en segundos que arda una corada en dejar de sangrar. Tenemos 16 conejos para el experimeno, por lo que usaremos 4 en cada diea. Los conejos esán en una jaula grande hasa que se inicie el experimeno, momeno en que se ransferirán a oras jaulas. Cómo asignamos los conejos a los cuaro grupos raamieno?
4 4 / 101 Diseño compleamene al azar, un facor Ejemplo: Disminución del crecimieno de bacerias en carne almacenada. La vida en esane de carne almacenada es el iempo en que el core empacado se maniene bien, nuriivo y vendible. El empaque esándar con aire del medio ambiene iene una vida de 48 horas. Después se deeriora por conaminación bacerial, degradación del color y encogimieno. El empaque al vacío deiene el crecimieno bacerial, sin embargo, se pierde calidad. Esudios recienes sugieren que al conrolar cieros gases de la amósfera se alarga la vida en esane.
5 5 / 101 Diseño compleamene al azar, un facor Hipóesis de invesigación: Algunas formas de gases conrolados pueden mejorar la efecividad del empacamieno para carne. Diseño de raamienos: Un facor con 4 niveles: 1 Aire ambienal con envolura plásica 2 Empacado al vacío 3 Mezcla de gases: 1% CO (monóxido de carbono) 40% O 2 (oxígeno) 59% N (nirógeno) 4 100% CO 2 (bióxido de carbono) Diseño experimenal: Compleamene al azar.
6 6 / 101 Diseño compleamene al azar, un facor Tres biseces de res, aproximadamene del mismo amaño (75 grs.) se asignaron aleaoriamene a cada raamieno. Cada bisec se empaca separadamene con su condición asignada. Variable de respuesa: Se mide el número de bacerias psichnoropicas en la carne después de 9 días de almacenamieno a 4 C. Esas bacerias se encuenran en la superficie de la carne y aparecen cuando la carne se echó a perder. La medición fué el logarimo del número de bacerias por cm 2.
7 7 / 101 Diseño compleamene al azar, un facor Cómo aleaorizar? Se obiene una permuación aleaoria de los números 1 a 12. Para eso se oma una secuencia de números de 2 dígios de una abla de números aleaorios y se les asigna el rango que les corresponda. Por ejemplo: # aleaorio rango ra u.e ra
8 Diseño compleamene al azar, un facor Modelo esadísico para el experimeno El modelo esadísico para esudios comparaivos supone que hay una población de referencia de u.e. En muchos casos la población es concepual. En el ejemplo, es posible imaginar una población de carne empacada. Cada unidad de la población iene un valor de la variable de respuesa, y, la cual iene media µ y varianza σ 2. Se supone una población de referencia para cada raamieno considerado en el esudio, y las variables en el experimeno se suponen seleccionadas aleaoriamene de dicha población de referencia, como resulado de la aleaorización. Noa. Para esudios observacionales, suponemos que las unidades observadas se seleccionaron aleaoriamene de cada una de las poblaciones. 8 / 101
9 9 / 101 Diseño compleamene al azar, un facor
10 10 / 101 Diseño compleamene al azar, un facor Modelo esadísico lineal para un diseño compleamene al azar. Modelo de medias: y ij = µ i + ε ij i = 1,2,..., j = 1,2,...,r donde y ij es la observación de la j-ésima u.e. del i-ésimo raamieno, µ i es la media del i-ésimo raamieno, ε ij es el error experimenal de la unidad ij. Suponemos que hay raamienos y r repeiciones en cada uno. En el ejemplo de la carne empacada, enemos:
11 11 / 101 Diseño compleamene al azar, un facor bisec raa obser log y ij Modelo mieno vación (coneo/cm 2 ) y 11 µ 1 + ε y 12 µ 1 + ε y 13 µ 1 + ε y 21 µ 2 + ε y 22 µ 2 + ε y 23 µ 2 + ε y 31 µ 3 + ε y 32 µ 3 + ε y 33 µ 3 + ε y 41 µ 4 + ε y 42 µ 4 + ε y 43 µ 4 + ε 43
12 12 / 101 Diseño compleamene al azar, un facor El modelo: y ij = µ i + ε ij lo llamaremos modelo compleo ya que incluye una media separada para cada una de las poblaciones definidas por los raamienos. Si no hay diferencia enre las medias de las poblaciones, es decir, µ 1 = µ 2 = µ 3 = µ 4 = µ se genera el modelo reducido y ij = µ + ε ij que esablece que las observaciones provienen de la misma población con media µ.
13 13 / 101 Diseño compleamene al azar, un facor El modelo reducido represena la hipóesis de no diferencia enre las medias H 0 : µ 1 = µ 2 = µ 3 = µ 4 = µ El modelo compleo represena la hipóesis alernaiva: H a : µ i µ k i k El invesigador debe deerminar cuál de los dos modelos describe mejor a los daos en el experimeno.
14 14 / 101 Diseño compleamene al azar, un facor y ij = µ + ε ij y ij = µ i + ε ij
15 15 / 101 Diseño compleamene al azar, un facor Preguna de invesigación: Hay más crecimieno bacerial con algunos méodos de empacado que con oros? Preguna esadísica: Cuál modelo describe mejor los resulados del experimeno? Se requiere un méodo para esimar los parámeros de los dos modelos y con base en algun crierio objeivo deerminar cuál modelo o hipóesis esadísica se ajusa mejor a los daos del experimeno.
16 16 / 101 Diseño compleamene el azar, un facor Los esimadores de mínimos cuadrados son aquellos que resulan de minimizar la suma de cuadrados de los errores experimenales. Si los errores experimenales son independienes con media cero y varianzas homogéneas, los esimadores de mínimos cuadrados son insesgados y ienen varianza mínima. Noa. El muesreo aleaorio en los esudios observacionales y la aleaorización en los experimenales aseguran la suposición de independencia.
17 17 / 101 Esimadores para el modelo compleo y ij = µ i + ε ij i = 1,..., j = 1,...,r ε ij = y ij µ i SSE c = r i=1 j=1 ε 2 ij = r i=1 j=1 (y ij µ i ) 2 La SSE c es una medida de qué an bien se ajusa el modelo a los daos. Queremos deerminar los esimadores ˆµ i ales que se minimice esa SSE c. Vamos a ener ecuaciones normales, una para cada raamieno, enconradas a parir de derivar la SSE c con respeco a cada µ i e igualarlas a cero.
18 18 / 101 Esimadores para el modelo compleo Para una i: µ i r j=1 (y ij µ i ) 2 = 2 igualando a cero 2 r j=1 r j=1 (y ij ˆµ i ) = 0 y ij r ˆµ i = 0 r j=1 ˆµ i = r j=1 y ij r (y ij µ i ) = ȳ i.
19 19 / 101 Esimadores para el modelo compleo Por lo ano, Enonces, ˆµ i = ȳ i i = 1,..., SSE c = = = r i=1 j=1 r i=1 j=1 i=1 (y ij ˆµ i ) 2 (y ij ȳ i. ) 2 [ ] r (y ij ȳ i. ) 2 j=1
20 20 / 101 Esimadores para el modelo compleo La varianza muesral del i-ésimo raamieno es: S 2 i = r j=1 (y ij ȳ i. ) 2 r 1 es una esimador de σ 2 de los daos del i-ésimo grupo. S 2 = i=1 [ r j=1 (y ij ȳ i. ) 2] = SSE c (r 1) (r 1) es un esimador combinado (pooled) de σ 2 de odos los daos del experimeno. Es un buen esimador si podemos hacer la suposición de que σ 2 es homogénea en odos los grupos.
21 21 / 101 Esimadores para el modelo compleo Para los daos del ejemplo: raamieno comercial vacío mezcla CO ˆµ i = ȳ i r j=1 (y ij ȳ i. ) SSE c = = S 2 = SSE c (r 1) = = (2)
22 22 / 101 Esimadores para el modelo reducido y ij = µ + ε ij ε ij = y ij µ SSE r = r i=1 j=1 ε 2 ij = r i=1 j=1 (y ij µ) 2 µ r i=1 j=1 (y ij µ) 2 = 2 igualando a cero r i=1 j=1 ˆµ = r i=1 j=1 r y ij i=1 j=1 rµ = y.. ˆµ = y.. r = ȳ.. (y ij µ)
23 23 / 101 Esimadores para el modelo reducido Enonces, SSE r = r i=1 j=1 (y ij ˆµ) 2 = r i=1 j=1 (y ij ȳ.. ) 2 Para el ejemplo, ˆµ = ȳ.. = = 5.90
24 24 / 101 Modelo reducido Modelo compleo y ij = µ + ε ij y ij = µ i + ε ij Observado Esimado Diferencia Esimado Diferencia Traamieno y ˆµ (y ij ˆµ) ˆµ i (y ij ˆµ i ) Comercial Vacío Mezcla CO SSE r = SSE c =
25 25 / 101 Diseño compleamene al azar, un facor Siguiendo con el ejemplo: Modelo compleo y ij = µ i + ε ij SSE c = i j (y ij ȳ i. ) 2 = Modelo reducido y ij = µ + ε ij SSE r = i j (y ij ȳ.. ) 2 = Diferencia: SSE r SSE c = i haciendo álgebra = i j j (y ij ȳ.. ) 2 (ȳ i. ȳ.. ) 2 = r i (y ij ȳ i. ) 2 j i (ȳ i. ȳ.. ) 2 En el ejemplo: SSE r SSE c =
26 Diseño compleamene al azar, un facor SSE r SSE c = SS suma de cuadrados de raamienos. Represena la reducción en SSE al haber incluido raamienos en el modelo, ambién se le conoce como reducción en suma de cuadrados debida a raamienos. Llamaremos SS oal = SSE r ya que es la suma de cuadrados de las diferencias de cada observación y la media general ȳ.. Enonces, enemos la parición: i j SS oal = SS + SSE c (y ij ȳ.. ) 2 = i j (ȳ i. ȳ.. ) 2 + i (y ij ȳ i. ) 2 j desviación de la desviación de la desviación de la observación ij media del grupo observación ij con respeco a con respeco a con respeco a la media general la media general la media de su grupo 26 / 101
27 27 / 101 Diseño compleamene al azar, un facor i j (y ij ȳ.. ) 2 = i = i [(y ij ȳ i. ) + (ȳ i. ȳ.. )] 2 j j +2 i (y ij ȳ i. ) 2 + (y ij ȳ i. )(ȳ i. ȳ.. ) j i (ȳ i. ȳ.. ) 2 j i j (y ij ȳ i. )(ȳ i. ȳ.. ) = i (ȳ i. ȳ.. ) j (y ij ȳ i. ) = (ȳ i. ȳ.. )(y i. rȳ i. ) = 0 i
28 28 / 101 Diseño compleamene al azar, un facor Grados de liberad. Represenan el número de piezas de información independienes en las sumas de cuadrados. En general, es el número de observaciones menos el número de parámeros esimados de los daos. Sea n = r, el amaño de muesra oal. Así, SS oal = i r j (y ij ȳ.. ) 2 donde ȳ.. es el esimador de µ, iene n 1 g.l. SSE = i r j (y ij ȳ i. ) 2 se esimaron parámeros (µ 1, µ 2,..., µ ) por lo ano iene n g.l. SS = SS oal SSE = (n 1) (n ) = 1 g.l.
29 29 / 101 Tabla de Análisis de Varianza ANOVA F.V. g.l. SS CM Traamienos 1 SS CM = SS / 1 Error n SSE CME = SSE/n = ˆσ 2 Toal n 1 SS oal Se puede demosrar que: E (CME) = σ 2 E (CM ) = σ i=1 r(µ i µ) 2 ; µ = µ i / i
30 30 / 101 Tabla de Análisis de Varianza Si suponemos ε ij NID(0,σ 2 ) i = 1,..., j = 1,...,r en el modelo compleo y ij = µ i + ε ij Enonces, y ij NID(µ i,σ 2 ). Se puede demosrar que: SS oal σ 2 = i j (y ij ȳ.. ) 2 σ 2 χn 1 2 SSE σ 2 = i j (y ij ȳ i. ) 2 σ 2 χn 2 Cuando H 0 : µ 1 = µ 2 =... = µ es ciera SS σ 2 = i r(ȳ i. ȳ.. ) 2 σ 2 χ 1 2
31 31 / 101 Tabla de Análisis de Varianza Por el Teorema de Cochran (Mongomery, 2001, pág. 69), SS y SSE son independienes, por lo ano cuando H 0 es ciera, F 0 = SS /σ 2 ( 1) SSE/σ 2 (n ) = CM CME F 1,n Además, E (CM ) = σ 2 + θ 2 = σ 2 cuando θ 2 = 0 que es cuando H 0 es ciera. Es decir, E (CM ) = E (CME) cuando H 0 es ciera E (CM ) > E (CME) cuando H 0 no es ciera Enonces, si CM > CME, o sea, valores grandes de F 0 llevan a rechazar la hipóesis nula H 0 : µ 1 = µ 2 =... = µ. Por lo ano, la región de rechazo es: F 0 > F α 1,n
32 32 / 101 Tabla de Análisis de Varianza ANOVA F.V. g.l. SS CM F E(CM) Traamienos 1 SS CM = SS CM 1 CME σ 2 + θ 2 Error n SSE CME = SSE n σ 2 Toal n 1 SS oal SS = SSE = SS oal = i=1 r i=1 j=1 i=1 j=1 r (ȳ i. ȳ.. ) 2 r (y ij ȳ i. ) 2 (y ij ȳ.. ) 2
33 33 / 101 Tabla de Análisis de Varianza En el ejemplo de empacado de carne: F.V. g.l. SS CM F Pr > F ra error oal Por lo ano, se rechaza la hipóesis H 0 : µ 1 = µ 2 =... = µ 4, es decir, hay algún méodo de empaque que iene diferene comporamieno en promedio.
34 Diseño compleamene al azar, un facor Se quieren comparar niveles de un facor, lo que implica raamienos y se dispone de n i u.e. para el raamieno i, i = 1,...,. Hay dos siuaciones: 1 Los raamienos son escogidos específicamene por el invesigador. En esa siuación deseamos probar hipóesis acerca de las medias de los raamienos y nuesras conclusiones se aplicarán solamene a los niveles del facor considerados en el análisis. Las conclusiones no se pueden exender a raamienos similares que no fueron explíciamene considerados. Ese es el modelo de efecos fijos. 2 Los raamienos son una muesra aleaoria de una población de raamienos. En esa siuación nos gusaría poder exender las conclusiones (las cuales esán basadas en la muesra de raamienos considerada) a odos los raamienos de la población. Ese es el modelo de efecos aleaorios. 34 / 101
35 35 / 101 Diseño compleamene al azar, un facor A las canidades n 1,n 2,...,n se les llama repeiciones de cada raamieno. Si n i = r i se dice que el diseño es balanceado. y ij es la respuesa de la u.e. j del raamieno i, i = 1,..., j = 1,...,n i.
36 36 / 101 Diseño compleamene al azar Esrucura de los daos. raamienos y 11 y 21 y y 1 y 12 y 22 y y 2 y 13 y 23 y y y 1n1 y 2n2 y 3n3... y n y 1. y 2. y y. oales ȳ 1. ȳ 2. ȳ ȳ. medias
37 37 / 101 Diseño compleamene al azar n = y i. = n i i=1 n i y ij j=1 ȳ i. = n i j=1 y ij y.. = ȳ.. = y.. n n i n i i=1 j=1 i = 1,..., oal raamieno i y ij = i = 1,..., media raamieno i i=1 media general y i. oal de las observaciones
38 38 / 101 Diseño compleamene al azar Se ienen muesras aleaorias independienes de amaños n 1,n 2,...,n respecivamene. y 11,y 12,...,y 1n1 es una muesra aleaoria de N(µ 1,σ 2 ) y 21,y 22,...,y 2n2 es una muesra aleaoria de N(µ 2,σ 2 ) y 1,y 2,...,y n es una muesra aleaoria de N(µ,σ 2 )
39 39 / 101 Diseño compleamene al azar Las observaciones en cada una de esas muesras se pueden represenar por el modelo lineal simple y ij = µ i + ε ij i = 1,..., j = 1,...,n i con ε ij error experimenal en la observación j-ésima del raamieno i-ésimo. Esamos suponiendo independencia enre y denro de las muesras, es decir, ε ij son independienes y ε ij N(0,σ 2 ).
40 40 / 101 Diseño compleamene al azar Ora forma de verlo Como suponemos que las u.e. son homogéneas, es decir, el promedio de respuesa de odas las u.e. es el mismo (µ) anes de aplicar los raamienos, y si se observan en condiciones similares, las respuesas las podemos modelar como y ij = µ + ε ij
41 41 / 101 Modelo de efecos Enonces al aplicar el raamieno i-ésimo a un grupo (de amaño n i ) de u.e. se inroduce un efeco (τ i ) de ese raamieno en las variables por observar. El modelo se puede escribir como: Modelo de efecos donde y ij = µ + τ i + ε ij i = 1,..., j = 1,...,n i µ es la media general, común a odas las u.e. τ i es el efeco del raamieno i-ésimo
42 Modelo de efecos 42 / 101
43 43 / 101 Modelo de efecos El modelo de efecos implica que se empieza el experimeno con u.e. con la misma capacidad de respuesa (µ) y con la misma varianza (σ 2 ). La aplicación de los raamienos iene el efeco de alerar las medias, que ahora son µ i = µ + τ i, pero supone que no se modifican las varianzas. En ese caso, la hipóesis a probar es: H 0 : τ 1 = τ 2 =... = τ = 0 H a : τ i 0 para al menos una i
44 44 / 101 Modelo de efecos Esimadores de mínimos cuadrados: y ij = µ + τ i + ε ij i = 1,..., j = 1,...,n i µ τ i i=1 j=1 SSE = n i n i i=1 j=1 n i i=1 j=1 ε 2 ij = n i i=1 j=1 (y ij µ τ i ) 2 = 2 (y ij µ τ i ) 2 = 2 (y ij µ τ i ) 2 n i i=1 j=1 n i j=1 (y ij µ τ i ) (y ij µ τ i ) i = 1,...,
45 45 / 101 Modelo de efecos Igualando a cero: n i i=1 j=1 n 1 j=1 n 2 j=1 n j=1 y ij = n ˆµ + i=1 n i ˆτ i y 1j = n 1 ˆµ + n 1 ˆτ 1 y 2j = n 2 ˆµ + n 2 ˆτ y j = n ˆµ + n ˆτ Las ecuaciones normales no son linealmene independienes, por lo ano no hay una solución única. Eso ocurre porque el modelo de efecos esá sobreparamerizado.
46 Modelo de efecos Se añade una ecuación linealmene independiene: a) i=1 ˆτ i = 0 ˆµ = ȳ.. ˆτ i = ȳ i. ȳ.. i = 1,..., b) ˆµ = 0 ˆµ = 0 ˆτ i = ȳ i. i = 1,..., c) ˆτ 1 = 0 ˆµ = ȳ 1. ˆτ i = ȳ i. ȳ 1. i = 2,..., 46 / 101
47 47 / 101 Modelo de efecos Hay un número infinio de posibles resricciones que se pueden usar para resolver las ecuaciones normales. Enonces Cuál usar? No impora ya que en cualquier caso µ + τ i = ȳ i. Aunque no podemos obener esimadores únicos de los parámeros del modelo de efecos, podemos obener esimadores únicos de funciones de esos parámeros. A esas funciones se les llama funciones lineales linealmene esimables.
48 48 / 101 Diseño compleamene al azar, Tabla de ANOVA F.V. g.l. SS CM F E(CM) Traamienos 1 SS CM = SS 1 Error n SSE CME = SSE n σ 2 Toal n 1 SS oal CM CME σ 2 + i n i (τ i τ) 2 1 SS = SSE = SS oal = i=1 n i i=1 j=1 n i (ȳ i. ȳ.. ) 2 = n i i=1 j=1 (y ij ȳ i. ) 2 = (y ij ȳ.. ) 2 = n = i=1 i=1 j=1 y 2 i. y2.. n i n n i n i i=1 j=1 n i i=1 y 2 ij i=1 y 2 ij y2.. n y 2 i. n i
49 49 / 101 Inervalos de confianza ˆµ i = ȳ i. Sȳ 2 i. = S2 CME con S 2 = CME = ˆσ 2 Sȳi. = n i n i Como suponemos que y ij N ( µ i,σ 2) enonces ȳ i. N ( µ i,σ 2 /n i ) como esimamos la varianza: ȳ i. µ i Sȳi. n Por lo ano, un inervalo del (1 α)100% de confianza para µ i es ȳ i. ± 1 α/2 n (Sȳi. )
50 50 / 101 Conrases En el ejemplo del empacado de carne eníamos: Comercial Al vacío CO,O2,N CO2 ˆµ i = ȳ i S 2 = CME = con 8 g.l. Una vez que rechazamos la hipóesis H 0 : µ 1 = µ 2 = µ 3 = µ 4 Qué sigue?
51 51 / 101 Conrases Se podrían conesar pregunas como: Es más efeciva la creación de una amósfera arificial que el aire ambiene con plásico para reducir el crecimieno de bacerias? Son más efecivos los gases que el vacío? Es más efecivo el raamieno de CO2 puro que la mezcla CO,O2 y N? Un conrase es una función lineal de los parámeros µ i definido como C = donde i=1 k i = 0. i=1 k i µ i = k 1 µ 1 + k 2 µ k µ
52 52 / 101 Conrases Los conrases para las pregunas aneriores son: comercial vs. amósfera arificial C 1 = µ (µ 2 + µ 3 + µ 4 ) vacío vs. gases C 2 = µ (µ 3 + µ 4 ) mezcla de gases vs. CO2 puro C 3 = µ 3 µ 4
53 53 / 101 Conrases El esimador del conrase C = i=1 Si suponemos que enonces Por lo ano, Ĉ = k i µ i es Ĉ = i=1 i=1 y ij N ( µ i,σ 2) ȳ i. N ( µ i,σ 2 /n i ) k i ˆµ i = ( k i ȳ i. N k i µ i,σ 2 i=1 i=1 i=1 k 2 i n i k i ȳ i. )
54 54 / 101 Conrases Ya que: V ( i=1 ( ) E k i ȳ i. = i=1 k i ȳ i. ) = }{{} m.indep i=1 ˆV ( Ĉ ) = ˆσ 2 i=1 k i E (ȳ i. ) = k 2 i V (ȳ i. ) = i=1 k 2 i n i = CME i=1 k 2 σ 2 i i=1 i=1 k i µ i n i = σ 2 k 2 i n i i=1 k 2 i n i
55 55 / 101 Conrases Enonces, i=1 k iȳ i. i=1 k iµ i CME i=1 k2 i /n i g.l.error De aquí un inervalo del 100(1 α)% de confianza para el conrase C es: Ĉ ± 1 α/2 g.l.error CME i=1 k 2 i /n i
56 56 / 101 Conrases Además, Ĉ C N (0,1) σ 2 i=1 k2 i /n i Si H 0 : i=1 k iµ i = 0, es decir, H 0 : C = 0 es ciera, enonces, Ĉ 2 σ 2 i=1 k2 i /n i χ 2 1 Sea enonces Ĉ 2 SS c = i=1 k2 i /n i SS c /σ 2 SSE/σ 2 (n ) = Ĉ2 / i=1 k2 i /n i F 1,n CME Por lo ano, para probar H 0 : C = 0 se rechaza si F c > F α 1,n
57 57 / 101 Conrases El número de conrases que se pueden hacer es muy grande, sin embargo, esa écnica iene su mayor uilidad cuando se aplica a comparaciones planeadas anes de realizar el experimeno. Una clase de conrases, conocida como Conrases orogonales (como son los del ejemplo anerior) ienen propiedades especiales con respeco a la parición de sumas de cuadrados y grados de liberad y con respeco a su relación enre ellos. La orogonalidad implica que un conrase no apora información acerca de oro. Dos conrases, con coeficienes {k i },{l i } son orogonales si k i l i = 0 i=1 n i
58 58 / 101 Conrases Para raamienos exise un conjuno de 1 conrases orogonales, los cuales hacen una parición de la suma de cuadrados de raamienos en 1 componenes independienes, cada uno con 1 g.l. Por lo ano las pruebas realizadas con conrases orogonales son independienes. En el ejemplo anerior, los conrases son orogonales. k 1 k 2 k 3 k 4 C 1 1-1/3-1/3-1/3 C /2-1/2 C
59 59 / 101 ANOVA La abla de ANOVA incorporando las pruebas de hipóesis de los 3 conrases es: F.V. g.l. SS CM F Pr > F ra C C C error oal Se rechaza H 0 : µ 1 = µ 2 = µ 3 = µ 4 Se rechaza H 01 : µ 1 = 1 3 (µ 2 + µ 3 + µ 4 ) No se rechaza H 02 : µ 2 = 1 2 (µ 3 + µ 4 ) Se rechaza H 03 : µ 3 = µ 4 SS C1 = 2 Cˆ 1 1 r 4 i=1 k2 i = (2.11) ( 1/3) 2 3 = = 10.01
60 60 / 101 Oro ejemplo Los siguienes daos son los iempos de coagulación de sangre para 24 animales que fueron aleaoriamene asignados a una de cuaro dieas (A,B,C,D) Diea A Diea B Diea C Diea D
61 61 / 101 Oro ejemplo Pruebe la hipóesis de igualdad de medias H 0 : µ 1 = µ 2 = µ 3 = µ 4. Pruebe el siguiene conrase: El promedio de la diea A y B es igual al promedio de la C y D El análisis en R: Los daos esán en el archivo coag.x El programa esá en anova coag.x
62 62 / 101 Comparaciones múliples En muchas siuaciones prácicas, se desea comparar pares de medias. Podemos deerminar cuáles medias difieren probando las diferencias enre odos los pares de medias de raamienos. Es decir, esamos ineresados en conrases de la forma Γ = µ i µ j i j Lo primero que se nos viene a la mene es hacer una prueba para cada par de medias, es decir, probar H 0 : µ i = µ j H a : µ i µ j i j
63 63 / 101 Comparaciones múliples Si suponemos varianzas iguales, se iene la esadísica de prueba c = ȳi. ȳ j. s p 1 n i + 1 n j y se rechaza H 0 al nivel de significancia α si c α/2 n i +n j 2 ó c 1 α/2 n i +n j 2 Eso es equivalene a decir que se rechaza H 0 si c = ȳ i. ȳ j. s p 1 n i + 1 n j > 1 α/2 n i +n j 2 o equivalene a ȳ i. ȳ j. > 1 α/2 n i +n j 2 s p 1 n i + 1 n j
64 64 / 101 Comparaciones múliples Esa prueba conocida como Diferencia Mínima Significaiva (DMS ó LSD) en el conexo de ANOVA, lo que hace es comparar el valor absoluo de la diferencia de cada par de medias con DMS: Si ȳ i. ȳ j. > DMS = 1 α/2 glerror se rechaza H 0 : µ i = µ j. ( 1 CME + 1 ) n i n j CME es el cuadrado medio del error que es una esimación ponderada de la varianza basada en esimaciones de la varianza. El uilizar ese procedimieno no es conveniene por que el nivel de significancia global, es decir, para el conjuno de odas las pruebas, resula muy superior al nivel de significancia (α) planeado.
65 65 / 101 Comparaciones múliples Por ejemplo, si se ienen 4 medias de raamienos, enonces se ienen ( ) 4 = 4! 2 2!2! = 6 pares a comparar, es decir, 6 pruebas de hipóesis a realizar, con lo que se pueden comeer 0,1,2,3,4,5, ó 6 errores Tipo I, si odas las medias son iguales. Se define ora forma de error ipo I basado en los riesgos acumulados asociados a la familia de pruebas bajo consideración. Ese es el error ipo I del experimeno α E que es el riesgo de comeer el error ipo I al menos una vez. La probabilidad de error ipo I del experimeno puede evaluarse para una familia de pruebas independienes.
66 66 / 101 Comparaciones múliples Sin embargo, odas las pruebas a pares usando la DMS no son independienes, pueso que el CME es el mismo en cada una de las esadísicas de prueba y el numerador coniene las mismas medias en varias de las esadísicas de prueba. Aún así, se puede evaluar el límie superior de la probabilidad de error ipo I del experimeno, suponiendo n pruebas independienes. Suponga que la H 0 es ciera para cada una de las n = ( ) 2 pruebas y que son independienes. Sea α c = P(error ipo I) en una sola prueba (comparación) con (1 α c ) = P(decisión correca).
67 67 / 101 Comparaciones múliples La probabilidad de comeer x errores ipo I esá dada por la disribución binomial como: P(X = x) = ( ) n αc x (1 α c ) n x x P(X = x) = n! (n x)!x! αx c (1 α c ) n x x = 0,1,2,...,n La probabilidad de no comeer ningún error ipo I es P(X = 0) = (1 α c ) n
68 68 / 101 Comparaciones múliples La probabilidad de comeer al menos 1 error ipo I es P(X 1) = 1 P(X = 0) = 1 (1 α c ) n es decir, la máxima probabilidad de comeer al menos un error ipo I enre las n comparaciones es: α E = 1 (1 α c ) n de aquí α c = 1 (1 α E ) 1/n
69 69 / 101 Comparaciones múliples # de pruebas α E cuando α c cuando indep. n α c = 0.05 α E = Por el razonamieno anerior es que han surgido una serie de pruebas de diferenes auores para hacer comparaciones múliples raando de manener la P(error ipo I del experimeno) = α
70 70 / 101 Bonferroni α E nα c n comparaciones, la igualdad se dá cuando las pruebas son independienes. Enonces, α c = α E /n Si queremos α E = 0.05 enonces, α c = 0.05/n y se hacen las pruebas para los pares de medias con un nivel de significancia α c en cada una de ellas.
71 71 / 101 Tukey Conocida como la prueba de la Diferencia Mínima Significaiva Honesa (DMSH) CME DMSH = q α,glerror si n i = r r ( DMSH = q α CME 1,glerror + 1 ) 2 n i n j i Si ȳ i. ȳ j. > DMSH se rechaza H 0 : µ i = µ j. q α ν 1,ν 2 se obiene de las ablas de rangos esudenizados.
72 72 / 101 Tukey Para el ejemplo del empaque de carne: Comercial Al vacío CO,O2,N CO2 ȳ i S 2 = CME = con 8g.l. = 4, r = DMSH = q ,8 = (4.53)(0.197) = ȳ 1. ȳ 2. = 1.98 ȳ 1. ȳ 3. = 0.22 ȳ 1. ȳ 4. = 4.12 ȳ 2. ȳ 3. = 1.76 ȳ 2. ȳ 4. = 2.14 ȳ 3. ȳ 4. = 3.90
73 73 / 101 Suden-Newman-Keuls (SNK) Se calcula un conjuno de valores críicos k p = q α p,f S ȳ i. p = 2,3,..., donde q α p,f es el percenil 1 α de la disribución del rango esudenizado para el número p de medias involucradas en la comparación y f g.l. del error, y Sȳi. = Para el ejemplo de la carne empacada: CME r p q.05 p, k p
74 74 / 101 Suden-Newman-Keuls (SNK) Comercial Al vacío CO,O2,N CO2 ȳ i Medias ordenadas: ȳ 4. = 3.36 ȳ 2. = 5.50 ȳ 3. = 7.26 ȳ 1. = 7.48 ȳ 4. ȳ 1. = 4.12 > k4 ȳ 4. ȳ 3. = 3.90 > k3 ȳ 4. ȳ 2. = 2.14 > k2 ȳ 2. ȳ 1. = 1.98 > k3 ȳ 2. ȳ 3. = 1.76 > k2 ȳ 3. ȳ 1. = 0.22 < k 2 (N.S.)
75 75 / 101 Duncan Es similar a la de SNK. Los promedios de los raamienos se ordenan en forma ascendene y el error esándar de cada promedio se deermina con Sȳi. = CME r si n i = r i Para muesras de diferene amaño, se reemplaza la r por la media armónica (n h ) de los {n i } n h = i=1 ( 1 n i )
76 76 / 101 Duncan De las ablas de Duncan de rangos significaivos se obienen los valores de r α p,f para p = 2,3,...,. p es el número de medias involucradas en la comparación, α es el nivel de significancia y f los grados de liberad del error. Se calculan R p = r α p,f S ȳ i. p = 2,3,..., Para el ejemplo de la carne empacada: p r p, R p
77 77 / 101 Duncan Comercial Al vacío CO,O2,N CO2 ȳ i Medias ordenadas: ȳ 4. = 3.36 ȳ 2. = 5.50 ȳ 3. = 7.26 ȳ 1. = 7.48 ȳ 4. ȳ 1. = 4.12 > R 4 ȳ 4. ȳ 3. = 3.90 > R 3 ȳ 4. ȳ 2. = 2.14 > R 2 ȳ 2. ȳ 1. = 1.98 > R 3 ȳ 2. ȳ 3. = 1.76 > R 2 ȳ 3. ȳ 1. = 0.22 < R 2 (N.S.)
78 78 / 101 Dunne Para comparar las medias de los raamienos con la media del raamieno conrol. Suponga que el raamieno es el conrol, queremos probar las hipóesis H 0 : µ i = µ H a : µ i µ i = 1,2,..., 1 H 0 : µ i = µ se rechaza si ȳ i. ȳ. > D = d α ( 1,glerror) CME con d α (k,ν) es el percenil 1 α de las ablas de Dunne. Para el ejemplo de la carne empacada, el raamieno 1 es el conrol. Comercial Al vacío CO,O2,N CO2 ȳ i r
79 79 / 101 Dunne d 0.05,3,8 = 2.42 ( ) CME D = 2.42 = r ȳ 2. ȳ 1. = 1.98 > D ȳ 3. ȳ 1. = 0.22 < D(N.S.) ȳ 4. ȳ 1. = 4.12 > D
80 80 / 101 Scheffé Scheffé (1953) propuso un méodo para probar odos los posibles conrases. Considere cualquier conrase C = con error esándar i=1 k i µ i esimado con Ĉ = S C = CME [ i=1 k 2 i n i ] i=1 k i ȳ i. La hipóesis nula pra el conrase H 0 : C = 0 se rechaza si C > S(α E ) donde S(α E ) = S C ( 1)F α E 1,g.l.error
81 81 / 101 Análisis de residuales Tenemos el modelo Suposiciones: errores normales independienes varianza consane y ij = µ i + ε ij ó y ij = µ + τ i + ε ij ε ij NID ( 0,σ 2) La prueba F del análisis de varianza es robusa a fala de normalidad.
82 82 / 101 Análisis de residuales Si los errores experimenales esán correlacionados, el error esándar esará mal esimado. La independencia se jusifica aleaorizando las u.e. a los raamienos en experimenos y seleccionando muesras aleaorias en esudios observacionales. Si no hay homogeneidad de varianzas el esimador de σ 2 es malo, aunque se ha viso en esudios que si el diseño es balanceado no efeca mucho. También si los amaños de muesra mayores corresponden a las poblaciones con mayor varianza.
83 83 / 101 Análisis de residuales, Normalidad Residuales e ij = y ij ŷ ij ŷ ij = µ + τ i = ˆµ i = ȳ i. e ij = y ij ȳ i. Hisograma (muesras grandes) gráfica en papel normal análisis de residuales esandarizados para deecar ouliers. Si ε ij N(0,σ 2 ) enonces ε ij 0 σ N(0,1). Sean d ij = e ij CME, esperamos que: 68% de los residuales esandarizados esén enre -1 y 1 95% esén enre -2 y 2 Virualmene odos esén enre -3 y 3.
84 Análisis de residuales, Homogeneidad de varianzas Prueba de Barle H 0 : σ1 2 = σ2 2 =... = σ 2 H a : no H 0 Esadísica de Prueba: [ donde U = 1 C (n )ln( ˆσ 2 ) (n i 1)ln( ˆσ i 2 ) i ˆσ 2 = i C = 1 + (n i 1) ˆσ i 2 n 1 3( 1) ( i ] ˆσ i 2 (y ij ȳ i. ) = 2 j n i 1 ) 1 n i 1 1 n H 0 se rechaza si U > χα, 1 2 (prueba sensible a fala de normalidad) 84 / 101
85 85 / 101 Análisis de residuales, Homogeneidad de varianzas Prueba de Levene Se calcula d ij = y ij ỹ i. i = 1,..., j = 1,...,n i donde ỹ i. es la mediana de las observaciones en el raamieno i. Se evalúa si el promedio de esas observaciones d ij es igual para odos los raamienos, es decir, se hace un ANOVA para probar igualdad de medias de d ij.
86 86 / 101 Prueba de Welch La prueba F usual es robusa ane heeroscedasicidad (varianzas diferenes) si los amaños de muesra son muy parecidos o, si los amaños de muesra más grandes corresponden a las poblaciones con varianzas más grandes. Sin embargo, se han consruído algunas procedimienos de prueba de igualdad de medias (H 0 : µ 1 = µ 2 =... = µ ) como por ejemplo el desarrollado por Welch, conocido como la prueba de Welch, uilizada cuando no hay homoscedasicidad. Sean W i = n i / ˆσ 2 i ȳ = i W i ȳ i. / i W i y donde W. = i W i. (1 W i /W. ) Λ = 2 i n i 1
87 87 / 101 Prueba de Welch Enonces F c = i W i (ȳ i. ȳ ) ( 2)Λ/( 2 1) iene aproximadamene una disribución F con ν 1 = 1 y ν 2 = ( 2 1)/3Λ grados de liberad. H 0 : µ 1 = µ 2 =... = µ se rechaza al nivel de significancia α si F c > F α ν 1,ν 2.
88 88 / 101 Transformaciones Se uilizan las ransformaciones para cambiar la escala de las observaciones para que se cumplan las suposiciones del modelo lineal y dar inferencias válidas del análisis de varianza. Cuando las ransformaciones son necesarias, se hace el análisis y se hacen las inferencias en la escala ransformada. 1. Disribución Poisson. Mediciones que son coneos (número de planas en ciera área, insecos en planas, accidenes por unidad de iempo) ienen disribución Poisson. La ransformación x = y + a, a R es la adecuada.
89 89 / 101 Transformaciones 2. Disribución binomial. Observaciones del número de éxios en n ensayos independienes iene disribución binomial (proporción de semillas germinadas, proporción de planas con flores en un ranseco). ˆπ = y/n La ransformación x = sin 1 ˆπ es la adecuada. Las ransformaciones del ipo poencia aleran la simería o asimería de las disribuciones de las observaciones. Si suponemos que la desviación esándar de y es proporcional a alguna poencia de la media, es decir, σ y µ β Una ransformación de las observaciones, del esilo: x = y p
90 Transformaciones Da una relación σ x µ p+β 1 Si p = 1 β enonces la desviación esándar de la variable ransformada x será consane, ya que p + β 1 = 0 y σ x µ 0. La ransformación de Box-Cox x = (y p 1)/p p 1 x = log e y p = 1 El esimador de p se encuenra maximizando L(p) = 1 2 log e [CME(p)] donde CME(p) es el cuadrado medio del error del análisis de varianza usando la ransformación x = (y p 1)/p para el valor dado p. 90 / 101
91 91 / 101 Transformaciones Se deermina CME(p) para un conjuno de valores de p, se grafica CME(p) vs. p y se oma el valor de p que corresponde al valor mínimo de CME(p). JMP calcula la ransformación de Box-Cox, da una gráfica de p vs. CME y da la opción de guardar los daos ransformados en el archivo. La dificulad de uilizar esa ransformación es la inerpreación.
92 92 / 101 Ejemplo Los siguienes daos son el número de errores en un examen de sujeos bajo la influencia de dos drogas. El grupo 1 es un grupo conrol (sin droga), a los sujeos del grupo 2 se les dió la droga 1, a los del grupo 3 la droga 2 y a los del grupo 4 las dos drogas. Grupo 1 Grupo 2 Grupo 3 Grupo 4 (sin droga) (droga 1) (droga 2) (dos drogas)
93 93 / 101 Ejemplo Correr el ejemplo con R y JMP. 1 Probar homogeneidad de varianzas. (Barle y Levene) 2 Hacer prueba de Welch 3 Probar con algunas ransformaciones, checando normalidad y homogeneidad de varianzas ej2 1 messy.jmp ej2 1 messy.x
94 94 / 101 Relación enre Regresión y ANOVA Cualquier modelo de ANOVA se puede escribir como un modelo de regresión lineal. Suponga el ejemplo de la carne empacada raamieno comercial vacío mezcla CO Un diseño compleamene al azar con un solo facor (méodo de empacado) con 4 niveles (4 raamienos) y 3 repeiciones en cada raamieno (diseño balanceado).
95 95 / 101 Relación enre Regresión y ANOVA Modelo ANOVA compleamene al azar un solo facor balanceado: y ij = µ i + ε ij = µ + τ i + ε ij { i = 1,2,3,4 j = 1,2,3 El modelo de regresión equivalene es: y ij = β 0 + β 1 x 1j + β 2 x 2j + β 3 x 3j + ε ij { i = 1,2,3,4 j = 1,2,3
96 96 / 101 Relación enre Regresión y ANOVA Donde las variables x 1j,x 2j,x 3j esán definidas como: { 1 si la observación j es del raamieno 1 x 1j = 0 en oro caso { 1 si la observación j es del raamieno 2 x 2j = 0 en oro caso { 1 si la observación j es del raamieno 3 x 3j = 0 en oro caso
97 Relación enre Regresión y ANOVA La relación enre los parámeros del modelo ANOVA y el modelo de regresión es: Si la observación viene del raamieno 1, enonces x 1j = 1,x 2j = 0,x 3j = 0 y el modelo de regresión es y 1j = β 0 + β 1 (1) + β 2 (0) + β 3 (0) + ε 1j = β 0 + β 1 + ε 1j y el modelo ANOVA es: Por lo ano: y 1j = µ 1 + ε 1j = µ + τ 1 + ε 1j β 0 + β 1 = µ 1 = µ + τ 1 97 / 101
98 Relación enre Regresión y ANOVA Similarmene, para las observaciones del raamieno 2 y 2j = β 0 + β 1 (0) + β 2 (1) + β 3 (0) + ε 2j = β 0 + β 2 + ε 2j y la relación enre los parámeros es: β o + β 2 = µ 2 = µ + τ 2 Lo mismo para las observaciones del raamieno 3 y 3j = β 0 + β 1 (0) + β 2 (0) + β 3 (1) + ε 3j = β 0 + β 3 + ε 3j y la relación enre los parámeros es: β o + β 3 = µ 3 = µ + τ 3 98 / 101
99 Relación enre Regresión y ANOVA Finalmene, considere las observaciones del raamieno 4, para las cuales el modelo de regresión es: y 4j = β 0 + β 1 (0) + β 2 (0) + β 3 (0) + ε 4j = β 0 + ε 4j enonces β 0 = µ 4 = µ + τ 4 Por lo ano, β 0 = µ 4 β 1 = µ 1 µ 4 β 2 = µ 2 µ 4 β 3 = µ 3 µ 4 99 / 101
100 100 / 101 Relación enre Regresión y ANOVA Enonces, para probar la hipóesis H 0 : µ 1 = µ 2 = µ 3 = µ 4 endríamos que probar H 0 : β 1 = β 2 = β 3 = 0, lo cual se puede hacer con cualquier paquee de cómpuo esadísico. Para el ejemplo de la carne empacada: raamieno y x 1 x 2 x
101 101 / 101 Relación enre Regresión y ANOVA Si pedimos una regresión y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 3 + ε y pedimos una abla de análisis de varianza del modelo y ij = µ + τ i + ε ij las dos ablas ANOVA son idénicas.
Diseño completamente al azar. Diseño de experimentos p. 1/111
Diseño completamente al azar Diseño de experimentos p. 1/111 Ejemplo Suponga que tenemos 4 dietas diferentes que queremos comparar. Las dietas están etiquetadas A,B,C y D. Estamos interesados en estudiar
Más detallesPRÁCTICA 2: Ejercicios del capítulo 4
PRÁCTICA : Ejercicios del capíulo 4. Un psicólogo clínico desea evaluar la eficacia de una erapia para reducir la ansiedad de los ejecuivos que padecen esrés en la oma de decisiones empresariales. Para
Más detallesUSO DE LAS TRANSFORMADAS DE LAPLACE Y Z EN EL ÁREA DE PROBABILIDAD
USO DE LAS TRANSFORMADAS DE LAPLACE Y Z EN EL ÁREA DE PROBABILIDAD Inroducción. En muchas áreas de ingeniería se uilizan procesos esocásicos o aleaorios para consruir modelos de sisemas ales como conmuadores
Más detallesESTUDIO DE MERCADO. MÉTODOS DE PROYECCIÓN
ESTUDIO DE MERCADO. MÉTODOS DE PROECCIÓN Qué es una proyección? Es una esimación del comporamieno de una variable en el fuuro. Específicamene, se raa de esimar el valor de una variable en el fuuro a parir
Más detalles1. Derivadas de funciones de una variable. Recta tangente.
1. Derivadas de funciones de una variable. Reca angene. Derivadas Vamos a ver en ese capíulo la generalización del concepo de derivada de funciones reales de una variable a funciones vecoriales con varias
Más detallesModelo de regresión lineal simple
Modelo de regresión lineal simple Inroducción Con frecuencia, nos enconramos en economía con modelos en los que el comporamieno de una variable,, se puede explicar a ravés de una variable X; lo que represenamos
Más detallesFacultad de Ciencias del Mar. Curso 2007/08 11/07/08
Esadísica Convocaoria de Junio Faculad de Ciencias del ar. Curso 007/08 /07/08 El galludo (Squalus egalops) es una especie de iburón de aguas empladas a ropicales, que habia la plaaforma coninenal exerior
Más detallesAnálisis Estadístico de Datos Climáticos
Análisis Esadísico de Daos Climáicos SERIES TEMPORALES I Mario Bidegain (FC) Alvaro Diaz (FI) Universidad de la República Monevideo, Uruguay 2011 CONTENIDO Esudio de las series emporales en Climaología.
Más detallesPROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce
Economería I. DADE Noas de Clase PROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce (rafael.dearce@uam.es) INTRODUCCIÓN Una vez lograda una expresión maricial para la esimación de los parámeros
Más detallesEstimación de modelos de volatilidad estocástica asimétrica. Aplicación en series de rendimientos de índices bursátiles.
Esimación de modelos de volailidad esocásica asimérica. Aplicación en series de rendimienos de índices bursáiles. Esimación de modelos de volailidad esocásica asimérica. Aplicación en series de rendimienos
Más detallesPREVISIÓN DE LA DEMANDA
Capíulo 0. Méodos de Previsión de la OBJETIVOS. Los pronósicos y la planificación de la producción y los invenarios. 2. El proceso de elaboración de los pronósicos. Méodos de previsión de la demanda 4.
Más detalles6 METODOLOGÍA PROPUESTA PARA VALORAR USOS IN SITU DEL AGUA
38 6 METODOLOGÍA PROPUESTA PARA VALORAR USOS IN SITU DEL AGUA 6.1 Méodo general Para valorar los usos recreacionales del agua, se propone una meodología por eapas que combina el uso de diferenes écnicas
Más detallesLos Procesos de Poisson y su principal distribución asociada: la distribución exponencial
Los Procesos de Poisson y su principal disribución asociada: la disribución exponencial Lucio Fernandez Arjona Noviembre 2004. Revisado Mayo 2005 Inroducción El objeivo de esas noas es inroducir al esudio
Más detallesω ω ω y '' + 3 y ' y = 0 en la que al resolver se debe obtener la función y. dx = + d y y+ m = mg k dt d y dy dx dx = x y z d y dy u u x t t
E.D.O para Ingenieros CAPITULO INTRODUCCIÓN A LAS ECUACIONES DIFERENCIALES Las ecuaciones diferenciales son ecuaciones en las que conienen derivadas, Por ejemplo: '' + ' = en la que al resolver se debe
Más detallesTema 3. Circuitos capacitivos
Inroducción a la Teoría de ircuios Tema 3. ircuios capaciivos. Inroducción... 2. Inerrupores... 3. ondensadores... 2 3.. Asociación de capacidades.... 5 ondensadores en paralelo... 5 ondensadores en serie...
Más detallesINCERTIDUMBRE EN LA CALIBRACIÓN DE VISCOSÍMETROS CAPILARES
CENTO NACIONAL DE METOLOGÍA INCETIDUMBE EN LA CALIBACIÓN DE VISCOSÍMETOS CAPILAES Wolfgang A. Schmid ubén J. Lazos Marínez Sonia Trujillo Juárez Noa: El presene ejercicio ha sido desarrollado bajo aspecos
Más detallesANEXO Las instituciones calcularán mensualmente los puntos en riesgo utilizando el procedimiento que a continuación se detalla:
ANEXO 5 METODOLOGIA A SEGUIR PARA DETERMINAR EL MONTO MÍNIMO DEL FIDEICOMISO, ASÍ COMO EL IMPORTE DE LAS CUOTAS SOBRE LAS CUALES SE CALCULARÁN LAS APORTACIONES A QUE SE REFIERE EL ARTÍCULO 55 BIS DE LA
Más detallesECONOMETRÍA EMPRESARIAL II ADE
4 Bernardí Cabrer Economería Empresarial II Tema 8 ECONOMETRÍA EMPRESARIAL II ADE TEMA 8 MODELOS LINEALES SIN ESTACIONALIDAD I ( Modelos regulares 4 Bernardí Cabrer Economería Empresarial II Tema 8 8.
Más detallesDeterminación de las garantías para el contrato de futuros de soja en pesos. Value at Risk
Deerminación de las garanías para el conrao de fuuros de soja en pesos. Value a Risk Gabriela acciano inancial Risk Manager gfacciano@bcr.com.ar Direcora Deparameno de Capaciación y Desarrollo de Mercados
Más detallesUNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA
UNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA Por Mónica Orega Moreno Profesora Esadísica. Deparameno Economía General y Esadísica RESUMEN El aumeno de la siniesralidad laboral
Más detallesMétodo desarrollado en el año de 1889, pero por su sencillez todavía se sigue utilizando.
1 3.2.1.1. Fórmula racional Méodo desarrollado en el año de 1889, pero por su sencillez odavía se sigue uilizando. Hipóesis fundamenal: una lluvia consane y uniforme que cae sobre la cuenca de esudio,
Más detallesTEMA 1: SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS.
TEMA : SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS. RELACIÓN DE PROBLEMAS. Pon un ejemplo, cuando sea posible, de un sisema de dos ecuaciones con res incógnias que sea: a) Compaible deerminado b)
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán
CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA Insrucor: Horacio Caalán TEORÍA DE COINTEGRACIÓN Efecos de las propiedades esocásicas de las series en un modelo de regresión
Más detalles1 Introducción... 2. 2 Tiempo de vida... 3. 3 Función de fiabilidad... 4. 4 Vida media... 6. 5 Tasa de fallo... 9. 6 Relación entre conceptos...
Asignaura: Ingeniería Indusrial Índice de Conenidos 1 Inroducción... 2 2 Tiempo de vida... 3 3 Función de fiabilidad... 4 4 Vida media... 6 5 Tasa de fallo... 9 6 Relación enre concepos... 12 7 Observaciones
Más detallesExperimento 3. Análisis del movimiento en una dimensión. Objetivos. Teoría
Experimeno 3 Análisis del movimieno en una dimensión Objeivos. Esablecer la relación enre la posición y la velocidad de un cuerpo en movimieno 2. Definir la velocidad como el cambio de posición en un inervalo
Más detallesNormalidad de los errores. Fortino Vela Peón Universidad Autónoma Metropolitana
Normalidad de los errores Forino Vela Peón Universidad Auónoma Meropoliana fvela@correo.xoc.uam.mx Ocubre, 00 0/0/0 México, D. F. Inroducción Uno de los supuesos básicos del modelo de regresión lineal
Más detallesLuis H. Villalpando Venegas,
2007 Luis H. Villalpando Venegas, [SIMULACIÓN DE PRECIOS DEL PETROLEO BRENT ] En ese rabajo se preende simular el precio del peróleo Bren, a ravés de un proceso esocásico con reversión a la media, con
Más detallesPRÁCTICA 3: Sistemas de Orden Superior:
PRÁCTICA 3: Sisemas de Orden Superior: Idenificación de modelo de POMTM. Esabilidad y Régimen Permanene de Sisemas Realimenados Conrol e Insrumenación de Procesos Químicos. . INTRODUCCIÓN Esa prácica se
Más detallesREPRESENTACIÓN DE CURVAS PLANAS DADAS EN FORMA PARAMÉTRICA
Represenación de curvas planas dadas en forma paramérica REPRESENTACIÓN DE CURVAS PLANAS DADAS EN FORMA PARAMÉTRICA PLANTEAMIENTO DEL PROBLEMA Sean x e y dos funciones reales de variable real, de dominios
Más detallesCobertura de una cartera de bonos con forwards en tiempo continuo
Coberura de una carera de bonos con forwards en iempo coninuo Bàrbara Llacay Gilber Peffer Documeno de Trabajo IAFI No. 7/4 Marzo 23 Índice general Inroducción 2 Objeivos......................................
Más detalles6. ALGEBRAS DE BOOLE
6.1. Relaciones de orden Relación de orden Se llama relación de orden sobre un conjuno A a cualquier relación R enre sus elemenos que verifica las siguienes res propiedades: 1. Refleiva: ara, para cualquier
Más detallesCAPÍTULO II. Conceptos de Confiabilidad
CAPÍTULO II Concepos de Confiabilidad CAPÍTULO II CONCEPTOS DE CONFIABILIDAD Una de las áreas de ingeniería de confiabilidad es la modelación de la misma, debido a que los procesos en general se comporan
Más detallesDERECHOS BÁSICOS DE APRENDIZAJE matemáticas - grado 9
EREHOS ÁSIOS E PRENIZJE Reconoce el significado de los eponenes racionales posiivos negaivos uiliza las lees de los eponenes. Por ejemplo: 7 7 7+ 7 7 7 7 7 0 Realiza conversiones de unidades de una magniud
Más detallesAplicaciones de la Probabilidad en la Industria
Aplicaciones de la Probabilidad en la Indusria Cuara pare Final Dr Enrique Villa Diharce CIMAT, Guanajuao, México Verano de probabilidad y esadísica CIMAT Guanajuao,Go Julio 010 Reglas para deección de
Más detallesMétodos de Previsión de la Demanda Datos
Daos Pronósico de la Demanda para Series Niveladas Esime la demanda a la que va a hacer frene la empresa "Don Pinzas". La información disponible para poder esablecer el pronósico de la demanda de ese produco
Más detallesCapítulo 19. MINIMOS CUADRADOS NO LINEALES
Capíulo 9. MINIMOS CUADRADOS NO LINEALES 9. PRUEBA DE LINEALIDAD DEL MODELO... 84 9.. ESPECIFICACIÓN DE MODELOS NO LINEALES... 85 9.3. ESTIMACIÓN POR MCNL... 830 9.4. EVALUACIÓN DE ECUACIONES DE REGRESIÓN
Más detalles1.10 Aplicaciones de las ecuaciones diferenciales de primer orden
. Aplicaciones de las ecuaciones diferenciales de primer orden 55. Aplicaciones de las ecuaciones diferenciales de primer orden Ejemplo.. Decaimieno radiacivo El isóopo radiacivo Torio 24 se desinegra
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D o de Economía Aplicada Cuaniaiva I Basilio Sanz Carnero PROCESOS ESTOCÁSTICOS Un proceso esocásico «Z» considera «n» variables aleaorias, Z n, en momenos de iempo sucesivos, cada una de esas «n» variables
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE.
Invesigación y écnicas de Mercado Previsión de Venas ÉCNICAS CUANIAIVAS ELEMENALES DE PREVISIÓN UNIVARIANE. (II) écnicas elemenales: Modelos Naive y Medias Móviles. Medición del error de previsión. Profesor:
Más detallesTema: Análisis de regresión y análisis de varianza. La tabla ANOVA tiene la siguiente representación: CMR F c CME SCE CME=SCE/GLE
Clase de economería 1: Universidad Cenroamericana UCA Tema: Análisis de regresión y análisis de varianza La abla ANOVA iene la siguiene represenación: Fuenes de variación Grados de liberad uma de cuadrados
Más detallesGUÍA DE MOVIMIENTO RECTILÍNEO UNIFORME
INSTITUTO NACIONAL Deparameno de Física Coordinación Segundo Medio 06. GUÍA DE MOVIMIENTO RECTILÍNEO UNIFORME NOMBRE: CURSO: Caracerísica general de M.R.U: Si una parícula se mueve en la dirección del
Más detallesTécnicas cualitativas para las Ecuaciones diferenciales de primer orden: Campos de pendientes y líneas de fase
Lección 5 Técnicas cualiaivas para las Ecuaciones diferenciales de primer orden: Campos de pendienes y líneas de fase 5.. Técnicas Cualiaivas Hasa ahora hemos esudiado écnicas analíicas para calcular,
Más detallesV () t que es la diferencia de potencial entre la placa positiva y la negativa del
:: OBJETIVOS [7.1] En esa prácica se deermina experimenalmene la consane de descarga de un condensador, ambién llamado capacior ó filro cuando esá conecado en serie a una resisencia R. Se esudian asociaciones
Más detallesEl Proceso de Poisson en Confiabilidad
El Proceso de Poisson en Confiabilidad Enrique Villa Diharce Verano de Probabilidad y Esadísica 9 CIMAT, Guanajuao, Go. 5 de Julio de 9. Resumen: El objeo de esudio en confiabilidad son la fallas de componenes
Más detallesDERIVACIÓN BAJO EL SIGNO INTEGRAL. 1. Hallar el punto del intervalo [0,2] en el que la función =
DERIVACIÓN BAJO EL SIGNO INTEGRAL. Hallar el puno del inervalo [,] en el que la función F () d alcanza su valor mínimo. El mínimo de una función se alcanza en los punos donde su primera derivada es nula
Más detallesCAPÍTULO 5. INTEGRACIÓN DE FUNCIONES TRIGONOMÉTRICAS 5.1. Introducción 5.2. Cambios de variable 5.3. Transformación en sumas 5.4. Problemas resueltos
CAPÍTULO 5. INTEGRACIÓN DE FUNCIONES TRIGONOMÉTRICAS 5.. Inroducción 5.. Cambios de variable 5.3. Transformación en sumas 5.4. Problemas resuelos 5.5. Inegración por recurrencia Capíulo 5 Inegración de
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 detallesSOLUCION NUMERICA DE ECUACIONES DIFERENCIALES ORDINARIAS.
SOLUCION NUMERICA DE ECUACIONES DIFERENCIALES ORDINARIAS. El objeivo de esas noas complemenarias al ema de solución numérica de ecuaciones diferenciales ordinarias es dar una inroducción simple al ema,
Más detallesPROPAGACIÓN DE INCERTIDUMBRE EN LA CONVERSIÓN DE ALGUNAS MAGNITUDES DE HUMEDAD
Simposio de Merología 5 al 7 de Ocubre de 006 PROPAGACIÓN DE INCERTIDUMBRE EN LA CONVERSIÓN DE ALGUNAS MAGNITUDES DE HUMEDAD Jesús A. Dávila Pacheco, Enrique Marines López Cenro Nacional de Merología,
Más detallesCrecimiento Discreto Denso-Independiente
Ecología General: 25M 76 Modelos de Crecimieno. Crecimieno Discreo Denso-Independiene 2. Crecimieno Coninuo Denso-Dependiene Crecimieno Discreo Denso-Independiene - Reproducción Discrea - Ambiene esable
Más detallesAnálisis de inversiones y proyectos de inversión
Análisis de inversiones y proyecos de inversión Auora: Dra. Maie Seco Benedico Índice 5. Análisis de Inversiones 1. Inroducción. 2. Crierios para la valoración de un proyeco. 3. Técnicas de valoración
Más detallesCapítulo 5 Sistemas lineales de segundo orden
Capíulo 5 Sisemas lineales de segundo orden 5. Definición de sisema de segundo orden Un sisema de segundo orden es aquel cuya salida y puede ser descria por una ecuación diferencial de segundo orden: d
Más detallesy = log b x b y =x. ln(e x ) = x = e lnx.
5. FUNCIÓN LOGARÍTMICA La función logarímica de base b se define como la inversa de la función exponencial con base b. Es decir, el logarimo de base b de un número x es el exponene al cual debe elevarse
Más detallesPráctica 20. CARGA Y DESCARGA DE UN CONDENSADOR ELÉCTRICO
Prácica 20. CARGA Y DESCARGA DE UN CONDENSADOR ELÉCTRICO OBJETIVOS Esudiar los procesos de carga y de descarga de un condensador. Medida de capacidades por el méodo de la consane de iempo. MATERIAL Generador
Más detallesLas señales pueden ser también, señales continuas o señales alternas.
INSIUO ÉCNICO SLESINO LORENZO MSS ema 1: CONCEPOS PRELIMINRES LLER DE MEDICIONES Conenido: Concepo de señal elécrica. Valores caracerísicos de las señales elécricas: Frecuencia (período, Fase, Valor de
Más detallesTema 5: 5 Técnicas de Evaluación de la Fiabilidad
Tema 5: 5 Técnicas de Evaluación de la Fiabilidad.- Inroducción 2.- Funciones para la evaluación de STFs 3.- Técnicas de modelado Arboles de fallos Modelos combinaorios Cadenas de Markov 4.- Modelado con
Más detallesMaster en Economía Macroeconomía II. 1 Problema de Ahorro-Consumo en Horizonte Finito
Maser en Economía Macroeconomía II Profesor: Danilo Trupkin Se de Problemas 1 - Soluciones 1 Problema de Ahorro-Consumo en Horizone Finio Considere un problema de ahorro-consumo sobre un horizone finio
Más detallesUNIDAD IX. Técnicas de Suavización
UNIDAD IX Técnicas de Suavización UNIDAD IX La esadísica demuesra que suele ser más fácil hacer algo bien que explicar por qué se hizo mal. Allen L. Webser, 1998 Cuál es el objeivo de la Técnica de suavización?
Más detallesGuía de Ejercicios Econometría II Ayudantía Nº 3
Guía de Ejercicios Economería II Ayudanía Nº 3 1.- La serie del dao hisórico del IPC Español desde enero de 2002 hasa diciembre de 2011, esá represenada en el siguiene gráfico: 115 110 105 100 95 90 85
Más detallesTema 2: El modelo de Solow y Swan: análisis teórico
Tema 2: El modelo de Solow y Swan: análisis eórico 2.1 El modelo 2.2 El esado esacionario 2.3 La regla de oro de la acumulación del capial. 2.4 La asa de crecimieno a lo largo del iempo Bibliografía: Sala
Más detallesMetodología de cálculo del diferencial base
Meodología de cálculo del diferencial base El diferencial base es el resulado de expresar los gasos generales promedio de operación de las insiuciones de seguros auorizadas para la prácica de los Seguros
Más detallesEstadística de Vivienda Libre
Esadísica de Vivienda Libre Meodología Subdirección General de Esadísicas Madrid, febrero de 2012 Índice 1 Inroducción 2 Objeivos 3 Ámbios de la esadísica 3.1 Ámbio poblacional 3.2 Ámbio geográfico 3.3
Más detallesEconometría II. Análisis de series temporales (I): Procesos estacionarios. Miguel Jerez y Sonia Sotoca Universidad Complutense de Madrid.
Economería II Análisis de series emporales (I): Procesos esacionarios Miguel Jerez y Sonia Sooca Universidad Compluense de Madrid Febrero 2004 Ver. /6/2003, Pag. # Índice: Inroducción Concepos básicos
Más detallesDERECHOS BÁSICOS DE APRENDIZAJE matemáticas - grado 9
4 Reconoce el significado de los eponenes racionales posiivos negaivos uiliza las lees de los eponenes. Por ejemplo: 7 7 7 + 7 4 7 7 7 7 40 ( 7 / ) / 7 / / 7 /0 0 7,... Uiliza la noación cienífica para
Más detallesPROCESOS ESTOCÁSTICOS PROCESOS ESTOCÁSTICOS INTEGRAL ESTOCÁSTICA ECUACIONES DIFERENCIALES ESTOCASTICAS: LEMA DE ITO
PROCESOS ESOCÁSICOS PROCESOS ESOCÁSICOS INEGRAL ESOCÁSICA ECUACIONES DIFERENCIALES ESOCASICAS: LEMA DE IO Procesos esocásicos Un proceso esocásico describe la evolución emporal de una variable aleaoria.
Más detallesTEMA 2 MODELO LINEAL SIMPLE (MLS) Gujarati, Econometria (2004)
EMA 2 MODELO LINEAL SIMPLE (MLS) Gujarai, Economeria (2004). Planeamieno e inerpreación del modelo economérico lineal simple. Capíulo 2 páginas 36 a 39 2. Hipóesis Básicas del Modelo Capíulo 3 páginas
Más detallesASPECTOS METODOLÓGICOS DE INDICADORES DE VOLUMEN DE VENTAS, DE ARTÍCULOS ELABORADOS POR LA ACTIVIDAD MANUFACTURERA. Lima noviembre 2008
Índice de volumen de venas de la producción indusrial ASPECTOS METODOLÓGICOS DE INDICADORES DE VOLUMEN DE VENTAS, DE ARTÍCULOS ELABORADOS POR LA ACTIVIDAD MANUFACTURERA Lima noviembre 2008 Rolando Porilla
Más detalles5. ESPACIOS VECTORIALES EUCLÍDEOS. PROYECCIONES ORTOGONALES. MÍNIMOS CUADRADOS.
Espacios vesoriales euclídeos. Proyecciones orogonales. Mínimos cuadrados. 5. ESPACIOS VECTORIALES EUCLÍDEOS. PROYECCIONES ORTOGONALES. MÍNIMOS CUADRADOS. SUMARIO: INTRODUCCIÓN OBJETIVOS INTRODUCCIÓN TEÓRICA.-
Más detallesDEPARTAMENTO DE QUÍMICA ANALÍTICA Y TECNOLOGÍA DE ALIMENTOS
DEPARTAMETO DE QUÍMICA AALÍTICA Y TECOLOGÍA DE ALIMETOS FUDAMETOS DE AÁLISIS ISTRUMETAL. 7º RELACIÓ DE PROBLEMAS..- Las susancias A y B ienen iempos de reención de 6.4 y 7.63 min, respecivamene, en una
Más detallesEcuaciones diferenciales, conceptos básicos y aplicaciones
GUIA 1 Ecuaciones diferenciales, concepos básicos y aplicaciones Las ecuaciones diferenciales ordinarias son una herramiena básica en las ciencias y las ingenierías para el esudio de sisemas dinámicos
Más detallesECONOMETRÍA PRÁCTICA CON EXCEL
ECONOMETRÍA PRÁCTICA CON EXCEL SERGIO ZÚÑIGA Universidad Caólica del Nore Julio, 4 PRESENTACION Es sabido que el esudio de la economería requiere, en apoyo al esudio de los aspecos concepuales, la esimación
Más detallesTEMA 1 INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL. 1. Sistemas analógicos y digitales.
T-1 Inroducción a la elecrónica digial 1 TEMA 1 INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL El raamieno de la información en elecrónica se puede realizar de dos formas, mediane écnicas analógicas o mediane écnicas
Más detallesLÍNEAS DE FASES. Fig. 1. dx (1) dt se llama Ecuación Diferencial Ordinaria (E.D.O.) de Primer Orden definida en Ω.
LÍNEAS DE FASES E. SÁEZ Sea el dominio Ω R R y la función F : Ω R. F R Ω Una epresión de la forma Fig. 1 d (1) = F(,), o bien, ẋ = F(,) se llama Ecuación Diferencial Ordinaria (E.D.O.) de Primer Orden
Más detallesCapítulo 4 Sistemas lineales de primer orden
Capíulo 4 Sisemas lineales de primer orden 4. Definición de sisema lineal de primer orden Un sisema de primer orden es aquel cuya salida puede ser modelada por una ecuación diferencial de primer orden
Más detallesECONOMETRÍA I. Autocorrelación. Autocorrelación. Lección 4: Autocorrelación. Siga. 1. Qué es un modelo con autocorrelación?
ECONOMERÍA I Lección 4: Auocorrelación. jm Auocorrelación.. Qué es un modelo con auocorrelación?. Con qué ipo de daos económicos se suelen presenar modelos auocorrelacionados? Auocorrelación. 3. Qué problemas
Más detallesTema 8: SERIES TEMPORALES
Inroducción a la Economería Tema 8: ERIE TEMPORALE Tema 8: ERIE TEMPORALE. Concepo y componenes de una serie emporal. Definiremos una serie emporal como cualquier conjuno de N observaciones cuaniaivas
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesUNIDAD 6: CONGELACIÓN DE ALIMENTOS. GUIA DE PROBLEMAS RESUELTOS (Versión ALFA)
UNIVERSIDAD AUSTRAL DE CHILE INSTITUTO DE CIENCIA Y TECNOLOGIA DE LOS ALIMENTOS / ASIGNATURA : Ingeniería de Procesos III (ITCL 4) PROFESOR : Elon F. Morales Blancas UNIDAD 6: CONGELACIÓN DE ALIMENTOS
Más detallesSERIES TEMPORALES. Cecilia Esparza Catalán
SERIES TEMPORALES Cecilia Esparza Caalán Cecilia Esparza Caalán ÍNDICE Página.- INTRODUCCIÓN.. 2 2.- ANÁLISIS PRELIMINAR DE UNA SERIE... 3 - Tendencia y nivel de la serie.... 4 - Esacionalidad.... 9 -
Más detallesCONSIDERACIONES RESPECTO AL INDICADOR DÉFICIT FISCAL/PIB Juan Carlos Requena I N T R O D U C C I O N
CONSIDERACIONES RESPECTO AL INDICADOR DÉFICIT FISCAL/PIB Juan Carlos Requena I N T R O D U C C I O N Los méodos uilizados para la elaboración del Presupueso General de la Nación es uno de los emas acuales
Más detallesCAPÍTULO 5 VALIDACIÓN DEL MODELO DE REGRESIÓN: CONTRASTES DE ESPEFICIACIÓN INCORRECTA Y CONTRASTES DE ESPECIFICACIÓN
Fichero: capiulo 5 CAPÍTULO 5 VALIDACIÓN DEL MODELO DE REGRESIÓN: CONTRASTES DE ESPEFICIACIÓN INCORRECTA Y CONTRASTES DE ESPECIFICACIÓN. INTRODUCCION. TIPOS DE PRUEBAS DE VALIDACIÓN DE LOS RESULTADOS DE
Más detallesTEMA 2 LOS MODELOS ECONOMETRICOS Y SU PROBLEMATICA
TEMA 2 LOS MODELOS ECONOMETRICOS Y SU PROBLEMATICA 1. CONCEPTO DE MODELO El ermino modelo debe de idenificarse con un esquema menal ya que es una represenación de la realidad. En ese senido, Pulido (1983)
Más detallesUN MODELO DE METAS DE INFLACIÓN CON PREFERENCIAS ASIMÉTRICAS DEL BANCO CENTRAL
UN MODELO DE METAS DE INFLACIÓN CON PREFERENCIAS ASIMÉTRICAS DEL BANCO CENTRAL Versión preliminar e inconclusa. Derry Quinana Aguilar Absrac Ese documeno presena un modelo en el cual las preferencias del
Más detallesACTIVIDADES UNIDAD 7: Funciones elementales
ACTIVIDADES UNIDAD 7: Funciones elemenales 1. La facura del gas de una familia, en sepiembre, fue de 4,8 euros por 1 m 3, y en ocubre, de 43,81 por 4 m 3. a) Escribe la función que da el impore de la facura
Más detallesMATEMÁTICAS II. x x x d) ( ) b) Como el grado del numerador y del denominador son iguales, hay que empezar por hacer la división.
Albero Enero Conde Maie González Juarrero Inegral indefinida. Cálculo de primiivas Ejercicio Calcula la siguienes inegrales a) d b) d c) 6 d d) 3 d e) d 9 e a) Haciendo el cambio de variable d d. d d d
Más detallesMATRICES. M(n) ó M nxn A =
MTRICES Definición de mari. Una mari de orden m n es un conjuno de m n elemenos perenecienes a un conjuno, que para nosoros endrá esrucura de cuerpo conmuaivo y lo denoaremos por K, dispuesos en m filas
Más detalles5. MODELOS DE FLUJO EN REACTORES REALES
5. MODLOS D FLUJO N RACTORS RALS 5.1 INTRODUCCIÓN n el caso de los reacores homogéneos isoérmicos, para predecir el comporamieno de los mismos deben enerse en cuena dos aspecos: - La velocidad a la cual
Más detallesPRÁCTICA 3: Ejercicios del capítulo 5
PRÁCICA 3: Eercicios del capítulo 5 1. Una empresa bancaria a contratado a un equipo de expertos en investigación de mercados para que les asesoren sobre el tipo de campaña publicitaria más recomendable
Más detallesCiclos Económicos y Riesgo de Crédito: Un modelo umbral de proyección de la morosidad bancaria de Perú
Ciclos Económicos y Riesgo de Crédio: Un modelo umbral de proyección de la morosidad bancaria de Perú Subgerencia de Análisis del Sisema Financiero y del Meado de Capiales Deparameno de Análisis del Sisema
Más detallesTest. Cada pregunta correcta está valorada con 0.5 puntos y cada incorrecta resta 0.25 puntos
Teléf.: 91 533 38 4-91 535 19 3 8003 MADRID EXAMEN DE ECONOMETRÍA (enero 010) 1h 15 Apellidos: Nombre: Tes. Cada preguna correca esá valorada con 0.5 punos y cada incorreca resa 0.5 punos 1.- Al conrasar
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 detallesUNA APROXIMACION A LA SOSTENIBILIDAD FISCAL EN REPUBLICA DOMINICANA Juan Temístocles Montás
UNA APROXIMACION A LA SOSTENIBILIDAD FISCAL EN REPUBLICA DOMINICANA Juan Temísocles Monás Puede el comporamieno acual de la políica fiscal sosenerse sin generar una deuda pública que crezca sin límie?
Más detallesCAPÍTULO 3: INFILTRACIÓN
27 CAPÍTULO 3: INFILTRACIÓN 3.1 DEFINICIÓN El agua precipiada sobre la supericie de la ierra, queda deenida, se evapora, discurre por ella o penera hacia el inerior. Se deine como inilración al paso del
Más detallesSolución: El sistema de referencia, la posición del cuerpo en cada instante respecto a dicha referencia, el tiempo empleado y la trayectoria seguida.
1 Qué es necesario señalar para describir correcamene el movimieno de un cuerpo? El sisema de referencia, la posición del cuerpo en cada insane respeco a dicha referencia, el iempo empleado y la rayecoria
Más detallesMedición del tiempo de alza y de estabilización.
PRÁCTICA # 2 FORMAS DE ONDA 1. Finalidad Esudiar la respuesa de configuraciones circuiales simples a diferenes formas de exciación. Medición del iempo de alza y de esabilización. Medición del reardo. Medición
Más detallesCircuitos para observar la descarga y carga de un capacitor.
IUITO Objeivo Enconrar el comporamieno de la diferencia de poencial en función del iempo, (), enre los exremos de un capacior cuando en un circuio se carga y cuando se descarga el capacior. INTODUION onsidere
Más detallesSistemade indicadores compuestos coincidentey adelantado julio,2010
Sisemade indicadores compuesos coincideney adelanado julio,2010 Sisema de Indicadores Compuesos: Coincidene y Adelanado SI REQUIERE INFORMACIÓN MÁS DETALLADA DE ESTA OBRA, FAVOR DE COMUNICARSE A: Insiuo
Más detallesIntroducción a la Estadística Empresarial. Capítulo 4.- Series temporales Jesús Sánchez Fernández
Inroducción a la Esadísica Empresarial. Capíulo 4.- Series emporales CAPITULO 4.- SERIES TEMPORALES 4. Inroducción. Hasa ahora odas las variables que se han esudiado enían en común que, por lo general,
Más detallesExamen Parcial de Econometría II. Nombre: RESOLUCION DEL EXAMEN PARCIAL Paralelo:
Escuela Superior Poliécnica del Lioral Faculad de Economía y Negocios 30-11-2011 Examen Parcial de Economería II Nombre: RESOLUCION DEL EXAMEN PARCIAL Paralelo: REGLAMENTO DE EVALUACIONES Y CALIFICACIONES
Más detallesRepresentación gráfica de curvas en forma paramétrica x a(t sent) 1.- Representar la curva dada por
Represenación gráfica de curvas en forma paramérica x a( sen) 1.- Represenar la curva dada por, siendo a > 0. y a(1 cos).- Emparejar cada curva con su gráfica ì ì x = a) ï x = í b) ï ì í ï c) ï x = - sen
Más detalles