FIABILIDAD (IV): ANÁLISIS NO PARAMÉTRICO DE LOS TIEMPOS DE FALLO
|
|
- Luz Velázquez Ramos
- hace 6 años
- Vistas:
Transcripción
1 FIABILIDAD (IV): ANÁLISIS NO PARAMÉTRICO DE LOS TIEMPOS DE FALLO Autores: Ángel A. Juan Pérez Rafael García Martín RELACIÓN CON OTROS MATH-BLOCS Este math-block forma parte de una serie de 8 documentos relacionados todos ellos con la Fiabilidad de componentes desde un punto de vista estadístico: Conceptos Básicos (I). Identificación y descripción gráfica de los datos (II). Análisis paramétrico de los tiempos de fallo (III). Análisis no paramétrico de los tiempos de fallo (IV). Comparación no paramétrica de muestras (V). Tests de vida acelerada (VI). Modelos de regresión para observaciones censuradas (VII). Análisis Probit (Éxito / fracaso) (VIII). MAPA CONCEPTUAL Observaciones con censura arb. simple Observaciones con censura arb. múltiple Fiabilidad (IV): Análisis no paramétrico de los tiempos de fallo Estimador Kaplan-Meier Bandas de confianza Análisis no paramétrico con Minitab Análisis no paramétrico con Statistica Proyecto e-math 1
2 INTRODUCCIÓN En ocasiones puede resultar ventajoso, o incluso necesario, comenzar el análisis de las observaciones con métodos analíticos y gráficos que no requieran de grandes supuestos previos sobre el modelo. Tales métodos no paramétricos permiten interpretar los datos obtenidos sin la distorsión que podría causar la elección de un modelo subyacente no demasiado acertado. En algunos casos, estos métodos no paramétricos serán suficientes para realizar el análisis de los datos. En otras ocasiones, sin embargo, supondrán un paso intermedio hacia un modelo más estructurado (paramétrico) que permita profundizar más en el análisis de las observaciones. En la primera parte de este math-block se proporcionan un conjunto de fórmulas a partir de las cuales se podrán calcular estimadores no paramétricos e intervalos de confianza para la función de distribución F(t), tanto en el caso de observaciones con censura arbitraria simple como en el caso de observaciones con censura arbitraria múltiple. Se usará la hoja de cálculo Excel para ilustrar el uso de dichas fórmulas. Como referencia bibliográfica, se recomienda consultar Lawless (1982) [13] y Nelson (1982) [18]. De forma análoga a como se enfocó el análisis paramétrico (en el math-block Fiabilidad III), las partes segunda y tercera del presente math-block contienen ejemplos prácticos de análisis no paramétrico desarrollados con ayuda de los programas MINITAB y STATISTICA. OBSERVACIONES CON CENSURA ARBITRARIA SIMPLE Notación: La mayoría de las investigaciones sobre tiempos de fallo comienzan en el instante t = 0 con una muestra inicial de n dispositivos. Al final de cada intervalo temporal, se suele disponer de información sobre el estado de dichos dispositivos. En lo que sigue, se denotará por d i al número de dispositivos que han fallado en el intervalo (t i-1, t i ]. Parece lógico pensar que un buen estimador no paramétrico de F(t i ) será: Fˆ ( ti) = nº de fallos en n ( 0, t ] i = i dj j= 1 n Se puede demostrar que este Fˆ ( t i ) es el EMV de F(ti ). Observar, además, que este estimador está definido para todos los valores de ti (extremos superiores de los intervalos): Si d i = 0, entonces: F ˆ( t) = Fˆ( t i 1) t [ t i- 1, t i ] Si d i > 0, F ˆ( t ) Fˆ( t) Fˆ( t ) ( t, t ] i 1 i t i 1 i, siendo F( ) creciente y F ˆ( ti 1) < Fˆ( ti) ˆ t Proyecto e-math 2
3 ~ ~ Un intervalo de confianza para F(t i ) a nivel 1-α vendrá dado por: F ( ti), F( t i ), siendo: F ~ (t i (n nfˆ + 1) Φ ) = 1 + nfˆ ( α / 2;2n 2nFˆ + 2,2nFˆ ) 1 n nfˆ F ~ (t i ) = 1 + (nfˆ + 1) Φ ( α / 2;2nFˆ + 2,2n 2nFˆ ) 1 donde Fˆ Fˆ( t i ) y Φ ( p; v1, v2 ) es aquel valor que, en una distribución F con (v 1,v 2 ) grados de libertad, deja a su derecha un área p. Ejemplo (censura arbitraria simple): Supongamos que se parte de una muestra de 100 dispositivos que comienzan a funcionar en el instante t = 0. Se sabe que, transcurrido un año, ha fallado 1 dispositivo. Otros dos dispositivos fallan entre el primer y segundo año, y 2 más dejan de funcionar entre el segundo y tercer año. Usando las ecuaciones anteriores, y con ayuda de EXCEL, se calcularán y representarán gráficamente los estimadores de F(t i ) así como sus intervalos de confianza asociados (archivo Censura_simple.xls): A la hora de construir la hoja de cálculo, se han usado las siguientes fórmulas: F5 = E5/$B$11 G5 = (1+(($B$11-$B$11*F5+1)*DISTR.F.INV($B$13/2;2*$B$11-2*$B$11*F5+2;2*$B$11*F5))/($B$11*F5))^(-1) H5 = (1+($B$11-$B$11*F5)/(($B$11*F5+1)*DISTR.F.INV($B$13/2;2*$B$11*F5+2;2*$B$11-2*$B$11*F5)))^(-1)... Etc. Observar que, una vez construída esta hoja de cálculo, es inmediata la obtención obtener de intervalos de confianza a nivel 1-α (para ello sólo es necesario cambiar la casilla B13). Proyecto e-math 3
4 OBSERVACIONES CON CENSURA ARBITRARIA MÚLTIPLE Notación: Supóngase que se dispone de una muestra inicial de n dispositivos, los cuales han comenzado a funcionar en el instante t = 0. Si una unidad no ha fallado en del intervalo i-ésimo (t i-1, t i ], o bien se habrá perdido su pista en dicho intervalo (con lo que sería una observación censurada por intervalo), o bien se sabrá que ha continuado funcionando en el intervalo siguiente. En caso de ser una observación censurada, supondremos que el instante de censura coincide con el extremo superior del intervalo (t i ). Se denotará por: d i = número de unidades que han fallado en el intervalo (t i-1, t i ], r i = número de unidades censuradas en el intervalo (t i-1, t i ], n i = número de unidades entrantes en el intervalo (t i-1, t i ], i.e., aquellas que funcionen correctamente al inicio del mismo: i 1 i 1 n i = n dj rj, i = 1,..., m j= 0 j= 0 donde m es el número de intervalos, y se sobreentiende que d 0 = 0, y r 0 = 0. Según se vio al presentar la tabla de supervivencia (en el math-block Fiabilidad I), un buen estimador no paramétrico para la función de supervivencia sería: i S ˆ ( t i ) = ( 1 pˆ j ), i = 1,...,m j= 1 Por tanto, un estimador no paramétrico para la función de distribución F(t i ) será: Fˆ( ti) = 1 Sˆ( t i ), i = 1,...,m Se puede comprobar que F ˆ( t i ) es el EMV de F(t i ). Observar, además, que este último estimador está definido para todos los valores de t i (extremos superiores de los intervalos): Si d i = 0, entonces: F ˆ( t) = Fˆ( t i 1) t [ t i- 1, t i ] Si d i > 0, F ˆ( t ) Fˆ( t) Fˆ( t ) ( t, t ] t siendo ˆ ( t ) creciente i 1 i i 1 i F y F ˆ( ti 1) < Fˆ( ti ) El siguiente resultado, conocido como Fórmula de Greenwood, proporciona un buen estimador para la varianza de F ˆ( t i ) : Var F i 2 ( ˆ( ti) ) = Var( Sˆ( ti) ) ( Sˆ ( ti ) j= pˆ j nj(1 pˆ 1 j) La raíz cuadrada de la fórmula anterior es un estimador de sˆ, el error estándar de F ˆ( t ) F i. Proyecto e-math 4
5 ~ ~ Un intervalo de confianza para F(t i ) a nivel 1-α vendrá dado por: F ( ti), F( t i ), siendo: Fˆ F ~ Fˆ (t i ) = F ~ (t i ) = Fˆ + (1 Fˆ ) w Fˆ + (1 Fˆ ) / w donde F ˆ = Fˆ( t i ) y z( w = exp Fˆ1 α / 2) ˆs Fˆ ( ) Fˆ, siendo z α/2 el percentil 1 - α/2 en una N(0,1). Ejemplo Censura Arb. Múltiple: Supongamos que se parte de una muestra de 300 dispositivos que comienzan a funcionar en el instante t = 0. Transcurrido un año han fallado 4 dispositivos, y hay 99 observaciones censuradas (no se sabe qué ha ocurrido con dichas unidades). Durante el segundo año han fallado 5 dispositivos, y el número de observaciones censuradas es de 95. Finalmente, durante el tercer año, han fallado otros dos dispositivos, siendo 95 el número de observaciones censuradas. Usando las ecuaciones anteriores, y con ayuda de EXCEL, se calcularán y representarán gráficamente los estimadores de F(ti) así como sus intervalos de confianza asociados (archivo Censura_multiple.xls): F6 = D11-D5-E5 H6 = 1-G6 I6 = H5*H6 K6 = I6^2*(G5/(F5*H5)+G6/(F6*H6)) L6 = J6/(J6+(1-J6)*(EXP(DISTR.NORM.INV(1-$D$13/2;0;1)*RAIZ(K6)/(J6*(1-J6))))) M6 = J6/(J6+(1-J6)/(EXP(DISTR.NORM.INV(1-$D$13/2;0;1)*RAIZ(K6)/(J6*(1-J6))))) Etc. Proyecto e-math 5
6 ESTIMADOR DE KAPLAN-MEIER Hasta ahora, se ha supuesto que los tiempos de fallo exactos no eran conocidos, ya que para ello hubiera sido necesario realizar un proceso de inspección continuo. En cualquier caso, es obvio que conforme se vaya aumentando el número de inspecciones realizadas, irá disminuyendo la longitud de los intervalos, con lo que la mayoría de éstos no contendrán fallo alguno, pues todos los fallos se hallarán concentrados en sólo unos pocos intervalos. Notar que la función F(t) será constante en todos aquellos intervalos sin fallos, incrementándose sólo en los intervalos en que haya uno o más fallos. Si el tamaño de los intervalos es suficientemente pequeño, cada intervalo registrará a lo sumo un único fallo, con lo que se obtendrá una función F(t) escalonada: será constante en todos los intervalos sin fallos, y dará un salto en aquellos intervalos que contengan un fallo. En el límite, conforme la longitud de los intervalos tienda a 0, el estimador F ˆ( t) que se obtiene se conoce como estimador de Kaplan-Meier o estimador Producto-límite. BANDAS DE CONFIANZA PARA MUESTRAS GRANDES En las páginas anteriores, se han proporcionado fórmulas con las cuales es posible hallar intervalos de confianza para el valor de la función F(t) en un instante concreto t i. Sin embargo, en ocasiones puede resultar conveniente disponer de intervalos de confianza para F(t) en todo un rango continuo de posibles valores de t. Cuando el tamaño de la muestra sea suficientemente grande, la mayoría de paquetes estadísticos actuales permiten obtener estas bandas de confianza, las cuales serán especialmente útiles a la hora de determinar si las observaciones se alejan significativamente de un determinado modelo paramétrico. Lógicamente, para cualquier valor de t, la amplitud de estas bandas será mayor que la del correspondiente intervalo de confianza (puesto que las bandas deberán contener a los intervalos de confianza puntuales, siendo su precisión menor que la de estos últimos). TIEMPOS DE CENSURA NO CONOCIDOS Al desarrollar los métodos anteriores, se ha supuesto que todas las censuras ocurren en el extremo superior de cada intervalo. En tal sentido, se puede equiparar el conjunto de observaciones que entra en cada intervalo con el conjunto de observaciones en riesgo. Al hacer esta hipótesis no se está restando generalidad al modelo siempre que los tiempos de censura sean conocidos, ya que en tal caso, bastará con tomar los extremos de los intervalos de forma que coincidan con tales tiempos. Sin embargo, si en vez de conocer de forma exacta los tiempos de censura, lo único que se supiese es que dichos tiempos están contenidos en una serie de intervalos temporales, ya no sería posible identificar el conjunto de observaciones entrantes con el conjunto de observaciones en riesgo, ya que este último va disminuyendo a lo largo del intervalo (debido a que se producen en él censuras). En tal caso, se optaría por tomar el número de observaciones en riesgo como el número de observaciones entrantes en un intervalo menos la mitad de las censuradas en dicho intervalo (tal y como se hizo en el math-block Fiabilidad I cuando se presentó la tabla de supervivencia). Proyecto e-math 6
7 ANÁLISIS NO PARAMÉTRICO CON MINITAB Cuando no resulte posible ajustar los tiempos de fallo observados por ninguna distribución conocida, no se podrá recurrir a los métodos paramétricos, vistos el math-block "Fiabilidad III", para describir la distribución de los datos, por lo que deberemos utilizar otros métodos que no se basen en ninguna distribución teórica (métodos no paramétricos). La opción Non-Parametric Dist. Analysis de MINITAB ofrece el estimador de Kaplan-Meier, la tabla de supervivencia (que ya se explicó en el math-block "Fiabilidad I"), y la tabla de Turnbull. Se mostrarán a continuación sendos ejemplos de análisis no paramétrico según los datos contengan observaciones censuradas a derecha o por intervalos. EJEMPLO ANÁLISIS NO PARAMÉTRICO CON CENSURA A DERECHA. Se pretende realizar un análisis no paramétrico de los datos pertenecientes al caso de las cubiertas para motores visto en el math-block Fiabilidad II (observaciones censuradas sólo a derecha). Entrada de datos (input): Se deberán indicar las variables de interés así como las columnas de censura: Se opta por el estimador de Kaplan-Meier para este ejemplo (otra opción sería la tabla de supervivencia) y se requiere el gráfico de la función de supervivencia: Proyecto e-math 7
8 Salida de datos (output): a continuación se muestran los resultados: Análisis no paramétrico de los tiempos de fallo Distribution Analysis: Tiemp80 Variable: Tiemp80 Censoring Information Count Uncensored value 37 Right censored value 13 Censoring value: Comp80 = 0 Nonparametric Estimates Characteristics of Variable Standard 95,0% Normal CI Mean(MTTF) Error Lower Upper 55,7000 2, , ,0254 Median = 55,0000 IQR = * Q1 = 48,0000 Q3 = * Kaplan-Meier Estimates Number Number Survival Standard 95,0% Normal CI Time at Risk Failed Probability Error Lower Upper 23, ,9800 0,0198 0,9412 1, , ,9600 0,0277 0,9057 1, , ,9200 0,0384 0,8448 0, , ,9000 0,0424 0,8168 0, , ,4200 0,0698 0,2832 0, , ,4000 0,0693 0,2642 0, , ,3800 0,0686 0,2455 0, , ,3600 0,0679 0,2270 0, , ,3400 0,0670 0,2087 0, , ,3200 0,0660 0,1907 0, , ,2800 0,0635 0,1555 0, , ,2585 0,0622 0,1366 0,3803 Distribution Analysis: Tiemp100 La tabla de Kaplan-Meier nos ofrece Variable: Tiemp100 información (para cada intervalo) sobre: Censoring Information Count Uncensored value 34 nº de unidades en riesgo, nº de Right censored value 6 observaciones que han fallado, Censoring value: Comp100 = 0 probabilidad de sobrevivir hasta ese Nonparametric Estimates instante, etc. Characteristics of Variable Standard 95,0% Normal CI Mean(MTTF) Error Lower Upper 41,6563 3, , ,4564 Median = 38,0000 IQR = 30,0000 Q1 = 24,0000 Q3 = 54,0000 Kaplan-Meier Estimates Number Number Survival Standard 95,0% Normal CI Time at Risk Failed Probability Error Lower Upper 6, ,9750 0,0247 0,9266 1, , ,9500 0,0345 0,8825 1, , ,9250 0,0416 0,8434 1, , ,9000 0,0474 0,8070 0, , ,2500 0,0685 0,1158 0, , ,2187 0,0667 0,0881 0, , ,1875 0,0640 0,0620 0, , ,1563 0,0605 0,0376 0, , ,1250 0,0559 0,0154 0,2346 Distribution Analysis: Tiemp80; Tiemp100 Comparison of Survival Curves Test Statistics Method Chi-Square DF P-Value Log-Rank 7, ,0055 Además, MINITAB realiza dos test para contrastar la hipótesis nula de que todos los grupos muestrales son iguales Wilcoxon 13, ,0003 Proyecto e-math 8
9 De los resultados se concluye que el tiempo de fallo mediano para una temperatura de 80º C es de 55 meses, y de 38 meses en el caso de una temperatura de 100º C. Así que el incremento de temperatura conlleva a una disminución del tiempo mediano de fallo de aproximadamente 17 meses. Las estimaciones sobre supervivencia están registradas en la tabla de Kaplan-Meier. Por ejemplo, a 80º C, un 90% de las cubiertas seguirán funcionando correctamente tras 31 meses, mientras que a 100º C dicho porcentaje de cubiertas sólo sobrevivirían unos 14 meses. La última parte del output anterior contiene los resultados de dos test distintos que contrastan la hipótesis nula de que todos los grupos de muestras son similares en cuanto a sus tiempos de fallo. En el ejemplo de las cubiertas para motores, se obtiene un p-valor significativo tanto para el test Log-Rank como para el test de Wilcoxon (considerando α = 0,05), por lo que se confirma la existencia de diferencias sensibles entre los tiempos de fallo a 80º C y a 100º C. Además de los informes anteriores, el programa proporciona también el siguiente gráfico no paramétrico de la función de supervivencia de cada grupo, en el cual se aprecian las mencionadas variaciones entre ambos por cuanto al tiempo de fallo se refiere: Nonparametric Survival Plot for Tiemp80-Tiemp100 Kaplan-Meier Method Censoring Column in Comp80-Comp100 1,0 0,9 Tiemp80 Tiemp100 0,8 0,7 Probability 0,6 0,5 0,4 0,3 0,2 0, Time to Failure Proyecto e-math 9
10 EJEMPLO ANÁLISIS NO PARAMÉTRICO CON CENSURA ARBITRARIA Para mostrar cómo llevar a cabo un análisis no paramétrico cuando las observaciones están censuradas a derecha, izquierda y/o por intervalos (censura arbitraria), se recurrirá nuevamente el ejemplo de los neumáticos introducido en el math-block Fiabilidad III: Entrada de datos (input): como siempre, en primer lugar se deben indicar las variables que contienen los tiempos de fallo y las columnas de censura: Salida de datos (output): a continuación se muestran e interpretan los resultados: Distribution Analysis, Start = Inicio and End = Fin Variable Start: Inicio End: Fin Frequency: Frec Censoring Information Count Right censored value 71 Interval censored value 694 Left censored value 8 Turnbull Estimates Interval Probability Standard Lower Upper of Failure Error * 10000,00 0,0103 0, , ,00 0,0129 0, , ,00 0,0181 0, , ,00 0,0323 0, , ,00 0,0479 0,0077 Aquí aparecen el nº de obs. censuradas a derecha, el nº de obs. censuradas por intervalos, y el nº de obs. censuradas Probabilidad condicional de que la unidad falle en cada intervalo bajo el supuesto de que ha llegado hasta él en buen estado 50000, ,00 0,1125 0,0114 Proyecto e-math 10
11 60000, ,00 0,1876 0, , ,00 0,2988 0, , ,00 0,1876 0, ,00 * 0,0918 * Análisis no paramétrico de los tiempos de fallo Survival Standard 95,0% Normal CI Time Probability Error Lower Upper 10000,00 0,9897 0,0036 0,9825 0, ,00 0,9767 0,0054 0,9661 0, ,00 0,9586 0,0072 0,9446 0, ,00 0,9263 0,0094 0,9078 0, ,00 0,8784 0,0118 0,8554 0, ,00 0,7658 0,0152 0,7360 0, ,00 0,5783 0,0178 0,5435 0, ,00 0,2794 0,0161 0,2478 0, ,00 0,0918 0,0104 0,0715 0,1122 Función de Supervivencia La tabla de Turnbull muestra en primer lugar las probabilidades de fallo para cada intervalo. Así, por ejemplo, la probabilidad de que un neumático que haya llegado en buen estado hasta los km. falle en los próximos km. es de 0,1876. Además, esta tabla también proporciona la función de supervivencia: se aprecia, en la columna correspondiente, que un 92,63% de los neumáticos pasaron en buen estado los km. Proyecto e-math 11
12 ANÁLISIS NO PARAMÉTRICO CON STATISTICA Volviendo al ejemplo de los portátiles, introducido en el math-block Fiabilidad III (archivo fiabilidad.sta), y sobre el cual ya se llevó a cabo un análisis paramétrico, se construirá ahora una tabla de supervivencia (Life Table): Entrada de datos (input): Dentro del módulo Survival Analysis, seleccionar la opción Life Tables & Distributions : Pulsar ahora sobre el botón Variables y seleccionar las primeras seis variables en la lista de la izquierda. Después, seleccionar la variable Censur? como el indicador de censura en la lista de la derecha: Salida de datos (output): se obtendrá la siguiente pantalla: Proyecto e-math 12
13 Ya sólo falta pulsar sobre el botón Life Table para obtener una completa tabla de supervivencia: EJEMPLO ESTIMADOR DE KAPLAN- MEIER Como alternativa a clasificar los tiempos de fallo observados en una tabla de supervivencia, se podría estimar la función de supervivencia directamente de los datos. Intuitivamente, se trata de crear una tabla de supervivencia de forma que cada intervalo temporal contenga una única observación. Así, sería posible estimar la función de supervivencia en cada intervalo sin más que multiplicar las probabilidades de supervivencia de los intervalos (observaciones) anteriores. Este estimador de la función de supervivencia se llama estimador producto-límite o estimador de Kaplan-Meier. La ventaja del método Kaplan-Meier respecto a la tabla de supervivencia es que las estimaciones resultantes no dependen de cómo se agrupan los datos en los intervalos. De hecho, Kaplan-Meier se podría considerar como un caso particular de la tabla de supervivencia. Entrada de datos (input): Para aplicar Kaplan-Meier al ejemplo de los ordenadores portátiles, se debe elegir la opción Kaplan & Meier product-limit method : Nuevamente, se pulsará sobre el botón Variables y se seleccionarán las primeras seis variables en la lista de la izquierda, así como la variable Censur? como el indicador de censura en la lista de la derecha. Proyecto e-math 13
14 Salida de datos (output): se obtendrá la siguiente pantalla: Análisis no paramétrico de los tiempos de fallo Para obtener el estimador Kaplan-Meier, pulsar sobre el botón Product-limit survival analysis : Es posible obtener una representación gráfica de la función de supervivencia pulsando sobre Graph of survival times vs. cum. proportion surviving : Survival Function Complete Censored 1,0 0,9 Cumulative Proportion Surviving 0,8 0,7 0,6 0,5 0,4 0,3 0, Survival Time Proyecto e-math 14
15 Con este gráfico se aprecian mejor las características de la función de supervivencia: dicha función decrece rápidamente durante, aproximadamente, los 100 días posteriores a la reparación. Después, la función va decreciendo de forma mucho menos acentuada. Así, parece lógico concluir que los primeros 100 días después de la reparación configuran un período crítico en la supervivencia de los portátiles. Por último, también es posible obtener los percentiles de la función de supervivencia sin más que pulsar sobre Percentiles of survival function : A partir de este último output, se puede afirmar que el 25% de todos los portátiles fallarán antes de los primeros 64 días tras la reparación. El 50% de todos los portátiles sobrevivirán más de 679 días (casi dos años). El percentil 75 no pudo calcularse debido a que tan sólo las observaciones censuradas mostraban períodos de duración largos según se aprecia en la tabla de supervivencia anterior (están representadas con el signo +). Proyecto e-math 15
16 BIBLIOGRAFÍA [1]. Aitchison, J., Jr. and Brown, J.A.C., The Lognormal Distribution, Campbridge University Press New York, 176 pp., [2]. Cramer, H., Mathematical Methods of Statistics, Princeton University Press,Princeton, NJ, [3]. Davis, D.J., An Analysis of Some Failure Data, J. Am.Stat. Assoc., Vol. 47, p. 113, [4]. Dudewicz, E.J., An Analysis of Some Failure Data, J. Am.Stat. Assoc., Vol. 47, p. 113, [5]. Dudewicz, E.J., and Mishra, Sataya N., Modern Mathematical Statistics, John Wiley & Sons Inc., New York, [6]. Hahn, Gerald J., and Shapiro, Samuel S., StatisticalModels in Engineering, John Wiley & Sons, Inc., NewYork, 355 pp., [7]. Hald, A., Statistical Theory with Engineering Applications,John Wiley & Sons, Inc., New York, 783 pp., [8]. Johnson, Leonard G., The Median Ranks of Sample Values in their Population With an Application to CertainFatigue Studies, Industrial Mathematics, Vol. 2, [9]. Johnson, Leonard G., The Statistical Treatment of Fatigue Experiment, Elsevier Publishing Company, NewYork, 144 pp., [10]. Kapur, K.C., and Lamberson, L.R., Reliability in Engineering Design, John Wiley & Sons, Inc.,New York, 586 pp., [11]. Kececioglu, Dimitri, Reliability Engineering Handbook,Prentice Hall, Inc., Engelwood Cliffs, New Jersey, Vol. 1,1991. [12]. Kececioglu, Demitri, Reliability & Life Testing Handbook,Prentice Hall, Inc., Engelwood Cliffs, New Jersey, Vol. 1and 2, 1993 and [13]. Lawless, J.F., Statistical Models And Methods for Lifetime Data,John Wiley & Sons, Inc., New York, [14]. Leemis Lawrence M., Reliability- Probabalistic Models and Strategical Methods, Prentice Hall, Inc., Engelwood Cliffs, New Jersey, [15]. Lloyd, David K., and Lipow Myron, Reliability: Management, Methods, and Mathematics, 1962,Prentice Hall, Englewood Cliffs, New Jersey. [16]. Mann, Nancy R., Schafer, Ray E., and Singpurwalla,Nozer D., Methods for Statistical Analysis of Reliability and Life Data, John Wiley & Sons, Inc., New York, [17]. Meeker, W.Q., and Escobar, L.A., Statistical Methods for Reliability Data, John Wiley & Sons, Inc., New York, [18]. Nelson, Wayne, Applied Life Data Analysis, John Wiley & Sons, Inc., New York, Proyecto e-math 16
17 ENLACES [W1] Desde la página de la empresa Relia Soft podemos consultar la revista Reliability Edge o bien subcribirnos gratuitamente a ella. Se trata de una publicación cuatrimestral relacionada con la Ingenieria de la Fiabilidad, que contiene artículos desde un nivel de introducción hasta el nivel más alto posible. [W2] También desde esa página podemos consultar, o bien subcribirnos, la revista Reliability Hot Wire, una revista eléctronica con artículos sumamente interesantes. Proyecto e-math 17
FIABILIDAD (VI): TESTS DE VIDA ACELERADA
FIABILIDAD (VI): TESTS DE VIDA ACELERADA Autores: Ángel A. Juan Pérez (ajuanp@uoc.edu), Rafael García Martín (rgarciamart@uoc.edu). RELACIÓN CON OTROS MATH-BLOCS Este math-block forma parte de una serie
Más detallesFIABILIDAD (VII): MODELOS DE REGRESIÓN PARA OBSERVACIONES CENSURADAS
FIABILIDAD (VII): MODELOS DE REGRESIÓN PARA OBSERVACIONES CENSURADAS Autores: Ángel A. Juan Pérez (ajuanp@uoc.edu), Rafael García Martín (rgarciamart@uoc.edu). RELACIÓN CON OTROS MATH-BLOCS Este math-block
Más detallesFIABILIDAD (III): ANÁLISIS PARAMÉTRICO DE LOS TIEMPOS DE FALLO
FIABILIDAD (III): ANÁLISIS PARAMÉTRICO DE LOS TIEMPOS DE FALLO Autores: Ángel A. Juan Pérez (ajuanp@uoc.edu), Rafael García Martín (rgarciamart@uoc.edu). RELACIÓN CON OTROS MATH-BLOCS Este math-block forma
Más detallesFIABILIDAD (II): IDENTIFICACIÓN Y DESCRIPCIÓN GRÁFICA DE LOS DATOS
FIABILIDAD (II): IDENTIFICACIÓN Y DESCRIPCIÓN GRÁFICA DE LOS DATOS Autores: Ángel A. Juan Pérez (ajuanp@uoc.edu), Rafael García Martín (rgarciamart@uoc.edu). RELACIÓN CON OTROS MATH-BLOCS Este math-block
Más detallesSimulación y evaluación de la confiabilidad de un proceso de sistema de producción
Simulación y evaluación de la confiabilidad de un proceso de sistema de producción Jorge Loor Quevedo 1, Fernando Sandoya 2 1 Ingeniero en Estadística Informática 2003 2 Director de Tesis. Matemático.
Más detallesAbril 23 al 26 Cd.Juárez, México Vol. 5, No. 1, 2013
Vol. 5, No., 3 OBTENCIÓN DE TIEMPOS DE FALLA CON DATOS DE DEGRADACIÓN MC. Manuel Jesús Reyes Méndez (ITCJ), Dr. Manuel A. Rodríguez Medina (ITCJ), Dr. Alejandro Alvarado Iniesta (UACJ) Resumen. En este
Más detallesAnálisis de supervivencia: el estimador de Kaplan-Meier. Miguel Rodríguez Barranco Granada, 27 de marzo de 2017
Análisis de supervivencia: el estimador de Kaplan-Meier Miguel Rodríguez Barranco Granada, 27 de marzo de 2017 INTRODUCCIÓN Survival analysis Time-to-event data analysis Lifetime data analysis Reliability
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
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 detallesACTIVIDAD 3: Intervalos de Confianza para 1 población
ACTIVIDAD 3: Intervalos de Confianza para 1 población CASO 3-1: REAJUSTE DE MÁQUINAS Trabajamos como supervisores de una máquina dedicada a la producción de piezas metálicas cuya longitud sigue una distribución
Más detallesATV - Análisis de Tiempo de Vida
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 200 - FME - Facultad de Matemáticas y Estadística 715 - EIO - Departamento de Estadística e Investigación Operativa 1004 -
Más detallesFIABILIDAD (VIII): ANÁLISIS PROBIT (ÉXITO / FRACASO)
FIABILIDAD (VIII): ANÁLISIS PROBIT (ÉXITO / FRACASO) Análisis PROBIT Autores: Ángel A. Juan Pérez (ajuanp@uoc.edu), Rafael García Martín (rgarciamart@uoc.edu). RELACIÓN CON OTROS MATH-BLOCS Este math-block
Más detallesMantenimiento Eléctrico
Universidad Tecnológica de Pereira - 1/27 Mantenimiento Eléctrico Intervalos estadísticos, pruebas de hipótesis Mauricio Holguín Londoño Programa de Ingeniería Eléctrica 2016 Universidad Tecnológica de
Más detallesAspectos probabilísticas de la fiabilidad. Modelos de fiabilidad. Análisis de datos de tiempos de fallo. Fiabilidad de sistemas.
GUÍA DOCENTE DE LA ASIGNATURA TÉCNICAS DE LA FIABILIDAD 1. Descriptores de la asignatura: Aspectos probabilísticas de la fiabilidad. Modelos de fiabilidad. Análisis de datos de tiempos de fallo. Fiabilidad
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesFacultad de Ingeniería ISSN: Universidad Pedagógica y Tecnológica de Colombia. Colombia
Facultad de Ingeniería ISSN: 0121-1129 revista.ingenieria@uptc.edu.co Universidad Pedagógica y Tecnológica de Colombia Colombia Ramírez-Montoya, Javier; Osuna-Vergara, Ignacio; Rojas-Mora, Jessica; Guerrero-
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 detallesPrácticas de Fiabilidad
Prácticas de Fiabilidad Práctica 1: Objetivo: En esta práctica se van a analizar una serie de muestras de duración de procesos para ver si corresponden a procesos con Tasa de Fallos (Hazard Rate) creciente,
Más detallesInferencia Estadística
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Ciencias Plan de estudios de la Licenciatura en Actuaría Inferencia Estadística Clave 1541 Modalidad Semestre 5 Créditos 10 Área Campo de conocimiento
Más detallesEl modelo de azar proporcional: la regresión de Cox
El modelo de azar proporcional: la regresión de Cox Alfonso Luis Palmer Pol y Jose Maria Losilla Vidal El Análisis de la Supervivencia (Palmer, 1988) engloba una variedad de técnicas estadísticas que permiten
Más detallesParte de las notas tomadas de: Prof. Edgar Acuña UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ
Estadística stica No Paramétrica Parte de las notas tomadas de: Prof. Edgar Acuña http://math.uprm math.uprm/edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ METODOS ESTADISTICOS
Más detallesGráfico Arrhenius. Ejemplo StatFolio: arrhenius.sgp
Gráfico Arrhenius Resumen El procedimiento del Gráfico Arrhenius se diseña para dibujar datos de una prueba de vida acelerada en la cual se ha registrado los tiempos de falla y se estiman percentiles de
Más detallesRemuestreo Bootstrap y Jackknife en confiabilidad: Caso Exponencial y Weibull
Javier Ramírez-Montoya - Ignacio Osuna-Vergara - Jessica Rojas-Mora - Stalyn Guerrero-Gómez Remuestreo Bootstrap y Jackknife en confiabilidad: Caso Exponencial y Weibull Bootstrap and Jackknife resampling
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detallesMétodos estadísticos en estudios de supervivencia
Métodos estadísticos en estudios de supervivencia Belén San José, Elia Pérez y Rosario Madero Sección de Bioestadística. Hospital Universitario La Paz. Madrid. España. bjose.hulp@salud.madrid.org; epefer@gmail.com;
Más detallesComparación de dos Grupos en Presencia de Riesgos Competitivos María Carolina Paz S. a, Sergio Yanez Canal b Email: mcpazs@unal.edu.co a. Estudiante de Maestría en Ciencias - Estadística, Universidad Nacional
Más detallesComparación de dos Muestras - SnapStat
Comparación de dos Muestras - SnapStat Resumen La Comparación de Dos Muestras usando SnapStat crea un resumen de una página que compara dos muestras independientes de datos de variables. Calcula estadísticos
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesRESPUESTAS BREVES A LA PRÁCTICA 6
RESPUESTAS BREVES A LA PRÁCTICA 6 EJERCICIO [Prueba bilateral] Se rechaza la hipótesis nula con un nivel de significación del % (z =5). La evidencia muestral sostiene la hipótesis de que el puntaje medio
Más detallesAplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas
Aplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento Centro 1 Estadística e Investigación
Más detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detallesGUIA DOCENTE DE LA ASIGNATURA ANÁLISIS ESTADÍSTICO CON ORDENADOR DE DATOS MÉDICOS Curso (Fecha última actualización: 28/06/16)
GUIA DOCENTE DE LA ASIGNATURA ANÁLISIS ESTADÍSTICO CON ORDENADOR DE DATOS MÉDICOS Curso 2016-2017 (Fecha última actualización: 28/06/16) MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO VI.- Complementos de
Más detallesFiabilidad. Estadística Industrial
Fiabilidad Estadística Industrial Qué es la fiabilidad? Permanencia de la calidad de los productos (o servicios) a lo largo del tiempo. Capacidad de desarrollar adecuadamente su labor a lo largo del tiempo.
Más detallesUNIVERSIDAD DE PUERTO RICO EN HUMACAO DEPARTAMENTO DE BIOLOGÍA PRONTUARIO DEL CURSO DE BIOMETRÍA BIOL Preparado por PROF. IVÁN DÁVILA MARCANO
UNIVERSIDAD DE PUERTO RICO EN HUMACAO DEPARTAMENTO DE BIOLOGÍA PRONTUARIO DEL CURSO DE BIOMETRÍA BIOL 3740 Preparado por PROF. IVÁN DÁVILA MARCANO Actualizado por: PROF. IVÁN DÁVILA MARCANO 2006 UPR-H
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesJuan Carlos Colonia INFERENCIA ESTADÍSTICA
Juan Carlos Colonia INFERENCIA ESTADÍSTICA PARÁMETROS Y ESTADÍSTICAS Es fundamental entender la diferencia entre parámetros y estadísticos. Los parámetros se refieren a la distribución de la población
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 detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 6109 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesUN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS
Más detallesEstadística Inferencial. Resúmen
Ofimega - Estadística inferencial - 1 Estadística Inferencial. Resúmen Métodos y técnicas que permiten inducir el comportamiento de una población. Muestreo o selección de la muestra: 1. Aleatorio simple:
Más detallesU n i v e r s i d a d A u t ó n o m a d e S a n L u i s P o t o s í
1) NOMBRE DEL CURSO MÉTODOS ESTADÍSTICOS PARA INVESTIGADORES Datos básicos: Profesor titular: Dr. Gregorio Álvarez Fuentes Profesores auxiliares: Semestre Horas de teoría Horas de práctica Horas trabajo
Más detallesSelección de un modelo para el análisis de datos de una prueba acelerada
Academia Journals 2 Copyright Academia Journals 2 2 al 24 de abril, 2 Selección de un modelo para el análisis de datos de una prueba acelerada MC. Manuel Jesús Reyes Méndez, Dr. Manuel A. Rodríguez Medina,
Más detallesAjustando Distribución (Datos Censurados)
Ajustando Distribución (Datos Censurados) STATGRAPHICS Rev. 9/14/2006 Resumen El procedimiento Ajustando Distribución (Datos Censurados) ajusta cualquiera de las 45 distribuciones de probabilidad a una
Más detallesLa Función de Disponibilidad en Procesos de Renovación y aproximaciones útiles de ella.
SEMINARIO INSTITUCIONAL DE ESTADÍSTICA Escuela de Estadística Universidad Nacional de Colombia - Sede Medellín La en Procesos de Renovación y aproximaciones útiles de ella. Álvaro Calvache Archila Universidad
Más detallesTESTS DE BONDAD DE AJUSTE: CRITERIOS DE DECISIÓN EN BASE AL P-VALOR Y SU APLICACIÓN A LAS MEDICIONES DE AUDIENCIA.
TESTS DE BONDAD DE AJUSTE: CRITERIOS DE DECISIÓN EN BASE AL P-VALOR Y SU APLICACIÓN A LAS MEDICIONES DE AUDIENCIA. Claudia Castro-Kuriss 1,2 1 Cámara de Control de Medición de Audiencia, CCMA. ckcastro@ccma.org.ar
Más detallesBIOSESTADÍSTICA AMIGABLE
BIOSESTADÍSTICA AMIGABLE EJEMPLO: Ficha solicitud Colección Reserva UNIVERSIDAD AUSTRAL DE CHILE SISTEMA DE BIBLIOTECAS Clasificación: 574.015195 MAR 2001 Vol. y/o Copia: Apellido Autor: Título: C. 1 (SEGÚN
Más detallesLucila Finkel Temario
Lucila Finkel Temario 1. Introducción: el análisis exploratorio de los datos. 2. Tablas de contingencia y asociación entre variables. 3. Correlación bivariada. 4. Contrastes sobre medias. 5. Regresión
Más detalles07 Estimación puntual e introducción a la estadística inferencial
07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más detallesFacultad de Ciencias del Mar, Curso 2011/12 Estadística Convocatoria Extraordinaria de Diciembre. 7/12/11
Facultad de Ciencias del Mar, Curso 2011/12 Estadística Convocatoria Extraordinaria de Diciembre. 7/12/11 1. Una empresa de acuicultura dispone de 8 jaulas flotantes para la cría de doradas. La producción
Más detallesCentro de Nanociencias y Nanotecnología Licenciatura en Nanotecnología
PROGRAMA DE ASIGNATURA 1 CLAVE DENOMINACIÓN DE LA ASIGNATURA SEMESTRE 00 PROBABILIDAD Y ESTADÍSTICA TERCERO MODALIDAD CARÁCTER HORAS HORAS/SEMANA CRÉDITOS SEMESTRE TEÓRICAS PRÁCTICAS CURSO, OBLIGATORIA
Más detallesPRÁCTICA 5: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS
PRÁCTICA 5: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS Objetivos Plantear y resolver problemas mediante la técnica de contraste de hipótesis. Asimilar los conceptos relativos a contrastes de hipótesis, tales
Más detallesCalculo del tiempo de vida con datos de degradación MC. Manuel Jesús Reyes Méndez (ITCJ) 1, Dr. Manuel A. Rodríguez Medina (ITCJ)
Calculo del tiempo de vida con datos de degradación MC. Manuel Jesús Reyes Méndez (ITCJ) 1, Dr. Manuel A. Rodríguez Medina (ITCJ) Resumen En los productos de alta calidad es difícil de obtener suficientes
Más detallesEstimación por intervalo del parámetro de la distribución de Poisson con una sola observación
Revista Colombiana de Estadística Volumen 30 No. 1. pp. 69 a 75. Junio 2007 Estimación por intervalo del parámetro de la distribución de Poisson con una sola observación Interval Estimation for the Poisson
Más detallesINFERENCIA ESTADÍSTICA MUESTRAL TEMA 2: ESTIMACIÓN POR INTERVALO
UNIDAD 2 INFERENCIA ESTADÍSTICA MUESTRAL TEMA 2: ESTIMACIÓN POR INTERVALO 1 2 RECUERDE: un estimador puntual es un estadístico muestral usado para estimar un parámetro poblacional: x (estimación de μ),
Más detallesMÉTODOS ANALÍTICO- MATRICIALES EN EL AJUSTE DE TIEMPOS OBSERVADOS DE FALLO
MÉTODOS ANALÍTICO- MATRICIALES EN EL AJUSTE DE TIEMPOS OBSERVADOS DE FALLO Rafael Pérez Ocón Catedrático de Universidad Departamento de Estadística e I.O. Universidad de Granada María del Carmen Segovia
Más detallesVentanas de SPSS 1 y resultados de los análisis estadísticos descriptivos
Ventanas de SPSS 1 y resultados de los análisis estadísticos descriptivos Al poner en funcionamiento el programado SPSS, aparecen dos ventanas una sobre la otra. La ventana que aparece en el fondo es la
Más detallesUNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CIENCIAS BIOLÓGICAS SUBDIRECCIÓN DE POSGRADO
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CIENCIAS BIOLÓGICAS SUBDIRECCIÓN DE POSGRADO CONTENIDO DE CARTA DESCRIPTIVA 1.- IDENTIFICACIÓN Curso: Bioestadística Programa: Doctorado en Inmunobiología
Más detallesMANTENIMIENTO CENTRADO EN CONFIABILIDAD (MCC) DR. JORGE ACUÑA 1
MANTENIMIENTO CENTRADO EN CONFIABILIDAD (MCC) 1 ADMINISTRACION DEL news MANTENIMIENTO ( QUE ES? Mantenimiento: operación mediante la cual los sistemas están sometidos a rutinas de revisión, reparación
Más detalles1. Si se lanza una vez un dado no cargado, cuál es la probabilidad de que el resultado sea 1, dado que se obtuvo un número impar?
PROAILITY AND STATISTICS ININ4010 Prof. David González arreto 1. Si se lanza una vez un dado no cargado, cuál es la probabilidad de que el resultado sea 1, dado que se obtuvo un número impar? Si el dado
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesCONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN
CONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN Antonio Morillas A. Morillas: C. no paramétricos (II) 1 1. Contrastes de aleatoriedad. Contraste de rachas. 2. Contrastes de localización 2.1 Contraste
Más detallesUniversidad Central del Este UCE Facultad de Ciencias de la Salud Escuela de Medicina
Universidad Central l Este UCE Facultad Ciencias la Salud Escuela Medicina Programa la asignatura: : MED-052 Bioestadística II Código: Semestre: Asignatura electiva Total créditos 3 Teóricos 3 Prácticos
Más detallesTests de Hipótesis. Métodos no paramétricos ESTADÍSTICA (Q) Algunas consideraciones sobre las inferencias sobre la media de una población Normal
148 Algunas consideraciones sobre las inferencias sobre la media de una población Normal 1. Los tests e intervalos de confianza para la media de una población Normal utilizan un estadístico que tiene distribución
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 detallesPrueba del % de defectuosos para 1 muestra
INFORME TÉCNICO SOBRE EL ASISTENTE DE MINITAB Este documento forma parte de un conjunto de informes técnicos que explican la investigación llevada a cabo por los especialistas en estadística de Minitab
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesTema 7. Introducción Metodología del contraste de hipótesis Métodos no paramétricos
7-1 Tema 7 Contrastes de Hipótesis para una Muestra Introducción Metodología del contraste de hipótesis Métodos no paramétricos Test binomial Test de los signos Test de rango con signos de Wilcoxon Test
Más detallesInvestigación: Métodos paramétricos para la comparación de dos medias. t de Student 1/9
Investigación: Métodos paramétricos para la comparación de dos medias. t de Student 1/9 Métodos paramétricos para la comparación de dos medias. t de Student Pértega Díaz S., Pita Fernández S. Unidad de
Más detallesMétodos de estimación para el Conteo Rápido.
Métodos de estimación para el Conteo Rápido. 1 1.1 Procedimiento de estimación El objetivo del conteo rápido es producir, a partir de una selección de casillas, una estimación de la fracción de votos 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 detallesParámetros Estadísticos básicos, Resumen y Presentación de datos. Jhon Jairo Padilla, PhD.
Parámetros Estadísticos básicos, Resumen y Presentación de datos Jhon Jairo Padilla, PhD. Motivación Los resúmenes y las representaciones de datos son esenciales porque: Enfocan al ingeniero en características
Más detallesMicroeconometría. Karoll GOMEZ Segundo semestre 2017
Microeconometría Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 Generalidades: 3 horas a la semana por 16 semanas. Horario clases: Miercoles de 2pm-5pm. Inicio
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesACTIVIDAD 1: Estadística descriptiva + distribución binomial
ACTIVIDAD 1: Estadística descriptiva + distribución binomial CASO 1-1: EVALUACIÓN DE UNA CLASE Supongamos que trabajas como profesor en una universidad y te encuentras al final de un semestre académico.
Más detallesTESIS DE MAESTRIA EN ESTADISTICA APLICADA
TESIS DE MAESTRIA EN ESTADISTICA APLICADA INDICADORES MULTIDIMENSIONALES DE CAPACIDAD DE PROCESOS REGIONES DE CONFIANZA MEDIANTE BOOTSTRAP 1 Noemí María Ferreri Facultad de Ciencias Exactas, Ingeniería
Más detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesCiencia UANL Universidad Autónoma de Nuevo León ISSN (Versión impresa): MÉXICO
Ciencia UANL Universidad Autónoma de Nuevo León rciencia@mail.uanl.mx ISSN (Versión impresa): 1405-9177 MÉXICO 2007 Peter B. Mandeville TEMA 15: ANÁLISIS DE DOS MUESTRAS INDEPENDIENTES CON SPSS Ciencia
Más detallesAJUSTE DE DATOS POR UNA DISTRIBUCIÓN TEÓRICA CON MINITAB
AJUSTE DE DATOS POR UNA DISTRIBUCIÓN TEÓRICA CON MINITAB Autor: Ángel A. Juan (ajuanp@uoc.edu). ESQUEMA DE CONTENIDOS Ajuste mediante una distribución continua conocida (Minitab) Introducción a los tests
Más detallesnorma española UNE-EN DOCUMENTO UNE-EN EXTRACTO DEL Análisis de Weibull Diciembre 2012 TÍTULO CORRESPONDENCIA OBSERVACIONES ANTECEDENTES
norma española UNE-EN 61649 Diciembre 2012 TÍTULO Análisis de Weibull Weibull analysis. Analyse de Weibull. CORRESPONDENCIA Esta norma es la versión oficial, en español, de la Norma Europea EN 61649:2008,
Más detallesINGENIERÍA EN MANTENIMIENTO INDUSTRIAL
HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Estadística Industrial 2. Competencias Diseñar estrategias de mantenimiento mediante el análisis de factores humanos, tecnológicos,
Más detallesCap 7 Intervalos de Confianza
Cap 7 Intervalos de Confianza Mate 3015 7.1-1 INTERVALOS DE CONFIANZA PARA UNA PROPORCIÓN 7.1-2 Estadísticas inferencial Ahora discutimos estadística inferencial -el proceso de generalizar la información
Más detallesCómo se hace la Prueba t a mano?
Cómo se hace la Prueba t a mano? Sujeto Grupo Grupo Grupo Grupo 33 089 74 5476 84 7056 75 565 3 94 8836 75 565 4 5 704 76 5776 5 4 6 76 5776 6 9 8 76 5776 7 4 78 6084 8 65 45 79 64 9 86 7396 80 6400 0
Más detallesINGENIERÍA INDUSTRIAL EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ESTADÍSTICA APLICADA A LA INGENIERÍA
INGENIERÍA INDUSTRIAL EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ESTADÍSTICA APLICADA A LA INGENIERÍA UNIDADES DE APRENDIZAJE 1. Competencias Desarrollar e innovar sistemas de manufactura a través de
Más detallesAnálisis Multivariante de Datos
Análisis Multivariante de Datos Curso 2016-2017 Por qué es importante realizar inferencia sobre los parámetros de la normal? La estimación máximo-verosímil (MV) de la distribución Normal son la media y
Más detallesAnota aquí tus respuestas para esta sección Distribución Z
Tarea 2. Estadística Inferencial Cada sección vale 25%. Cada inciso tiene el mismo peso. Hacer la tarea en equipo de dos personas y entregar solo una copia por cada equipo. 1. Cálculo lo siguiente. Ten
Más detallesComparación por intervalos
81 REVISTA Universidad EAFIT Vol. 42. No. 144. 2006. pp. 81-98 Comparación por intervalos entre diferentes métodos de estimación de la media de la distribución Poisson R a l a Juan Carlos Correa M. Doctor
Más detallesPROGRAMA DE CURSO. Código Nombre MA3402 Estadística Nombre en Inglés Statistics SCT Requisitos. DIM Resultados de Aprendizaje
> < ; U Q R ;?C: VT 2 +D :?CB J B > > ; S6D :? < ;? ; C?C : >? ; W( U C > X?2 > R+DE?C : < > ; ; 9 : : R > ; Y < > < ; U Q R ;?C: VT 2 +D :?C B J B > > ; S6D :? < ;? ; C?C : >? ; W( U C > X?2 > R+DE?C
Más detallespara asegurar que la prueba exacta tenga suficiente potencia para detectar diferencias prácticamente importantes en el porcentaje de defectuosos.
Este documento forma parte de un conjunto de informes técnicos que explican la investigación llevada a cabo por los especialistas en estadística de Minitab para desarrollar los métodos y las verificaciones
Más detallesDistribuciones de Probabilidad.
Práctica núm. 3 1 Distribuciones de Probabilidad. 3.1. Distribuciones de Probabilidad en Statgraphics El estudio de las distribuciones de probabilidad en Statgraphics se puede realizar en el menú Descripción/Distribuciones/Distribuciones
Más detallesUniversidad de Puerto Rico Recinto de Río Piedras Facultad de Ciencias Naturales Departamento de Matemáticas
1 Universidad de Puerto Rico Recinto de Río Piedras Facultad de Ciencias Naturales Departamento de Matemáticas Título: Introducción a la Estadística con Computadoras Codificación: MATE 3026 Número de horas
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesComparación de intervalos de confianza para la función de supervivencia con censura a derecha
Revista Colombiana de Estadística Junio 2011, volumen 34, no. 1, pp. 197 a 209 Comparación de intervalos de confianza para la función de supervivencia con censura a derecha Comparison of Confidence Intervals
Más detallesGráficos de Probabilidad
Gráficos de Probabilidad Resumen El procedimiento Gráficos de Probabilidad grafica los datos de una sola columna numérica en gráficas con una escala específica tal que, si los datos provienen de una distribución
Más detallesCaso 105. Tamaño de muestra y potencia de una prueba. Diseño de experimentos. Jesús López Fidalgo
Caso 105. Tamaño de muestra y potencia de una prueba. Diseño de experimentos. Jesús López Fidalgo Caso Práctico El objetivo de este ejercicio es analizar diferentes tipos de pruebas estadísticas en las
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 10 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización En estadística existen dos métodos para la
Más detallesPONTIFICIA UNIVERSIDAD CATÓLICA DE PUERTO RICO DEPARTAMENTO DE FÍSICA MATEMÁTICAS. Sec. Repaso EX III MAT. 298 Núm.
PONTIFICIA UNIVERSIDAD CATÓLICA DE PUERTO RICO DEPARTAMENTO DE FÍSICA MATEMÁTICAS Nombre: Fecha: Sec. Repaso EX III MAT. 298 Núm. I. Verdadero (V) o Falso (F).. La Curva de Probabilidad Normal Estándar
Más detalles