Prácticas de Fiabilidad
|
|
- Montserrat Rojas Franco
- hace 5 años
- Vistas:
Transcripción
1 Prácticas de Fiabilidad Práctica : Objetivo: En esta práctica se van a ajustar datos censurados. De los tres tipos de censura existentes se va a trabajar con la censura aleatoria, es decir, el proceso de fallos y el de censura son independientes y no tienen una estructura predeterminada. Cuando se estudian datos censurados no se dispone de toda la información y por tanto hay que realizar adaptaciones de métodos ya vistos a esta nueva situación. Por ejemplo, para calcular la supervivencia en un determinado instante no es correcto usar la función de supervivencia empírica para todos los datos, además aplicarla sólo a los datos de la muestra que no tienen censura hace que se pierda información, por ello se emplea el estimador de Kaplan-Meier. La estimación paramétrica (ajuste de una distribución a los datos) puede hacerse también teniendo en cuenta la censura. El programa Statgraphics ofrece una opción para estimar el modelo weibull a conjuntos de datos compuestos por grupos. Una vez que se hayan ajustado los datos, es posible conocer la duración media de un componente así como su tasa de fallos y su función de supervivencia. Conocida la función de supervivencia se puede evaluar la probabilidad de que el componente dure más de un determinado tiempo (como se hizo en prácticas anteriores). Datos: Los datos que se van a analizar se encuentran en el fichero practica fiabilidad.sf. El fichero contiene datos las variables:. Duración: Contiene los tiempos de fallo o de censura de las observaciones.. Tipo: Tipo de tratamiento recibido. Se tienen tres grupos etiquetados por esta variable como, y.. Censura: La variable toma el valor si el tiempo es censurado. En otro caso toma el valor cero. Qué hay que hacer:. Estimador de Kaplan Meier Se abre el fichero practica fiabilidad.sf. Se va a: DESCRIBE Life data Life tables (times)
2 Tal como aparece en la figura se introducen las variables en la ventana del análisis: en Data se pone el nombre de la variable que queremos analizar (Tiempos), en Censored se pone la variable que codifica las censuras (La variable que toma valores cero o uno, Censura) y por último en Group se pone la variable que codifica los grupos (en caso de que haya varios, Tipos) Figura : Introducción de datos life tables (times). El ordenador proporciona el gráfico de la función de supervivencia estimada (Estimated Survival Function), es decir, el gráfico de la estimación de Kaplan-Meier. Presionando el botón de opciones gráficas se puede obtener (como se hizo en prácticas anteriores) también el gráfico de la tasa de fallos acumulada (Estimated Survival Function) con el objetivo de determinar el tipo de tasa de fallos de la variable. Los gráficos de ambas funciones se encuentran en las figuras y. survival probability 0,8 0,6 0,4 0, 0 Estimated Survival Function Duraciones Tipo Figura : Función de Supervivencia Estimada para Duraciones usando censura. En la figura se observa como el tratamiento de tipo posee una supervivencia mayor que el de tipo y éste mayor que el de tipo. A partir de la figura se puede determinar que las tasas de fallo son crecientes para los tres tratamientos (crecimiento de las curvas más rápido que lineal).
3 cumulative hazard Estimated Cumulative Hazard Function Duraciones Tipo Figura : Tasa de Fallos Acumulada para Duraciones usando censura. El programa proporciona además tanto los valores del estimador de Kaplan-Meier como las duraciones medias estimadas para cada grupo. Esta información está recogida en la parte del análisis numérico: en el resumen del análisis (Analysis Summary). A continuación se muestran partes de dicho análisis. Analysis Summary Data variable: Duraciones Censoring: Censura Groups: Tipo Number of groups = Product-Limit (Kaplan-Meier) Estimates Tipo = Number at Cumulative Standard Cumulative Row Time Status Risk Survival Error Hazard 0,97 FAILED 99 0,9900 0,0099 0, ,699 FAILED 98 0,9800 0,040 0, ,9864 FAILED 97 0,9700 0,07 0,005 45,6808 WITHDRAWN ,5648 FAILED 95 0,9599 0,096 0, ,747 FAILED 94 0,9498 0,09 0,055 : : : : : : : 6,487 FAILED 4 0,057 0,05,94 60,56 FAILED 0,095 0,0, ,99 FAILED 0,06 0,08,664 5,964 FAILED 0,0 0,00 4, ,479 FAILED 0 0,0000 0,0000 Mean survival time = 95,554 Standard error = 8,598 Tipo = Number at Cumulative Standard Cumulative Row Time Status Risk Survival Error Hazard 58 47,9565 FAILED 99 0,9900 0,0099 0, ,9 FAILED 98 0,9800 0,040 0,00 9,86 FAILED 97 0,9700 0,07 0, ,89 FAILED 96 0,9600 0,096 0,0408 : : : : : : :
4 8 774,08 FAILED 0,044 0,00,6 6 78,775 FAILED 0,08 0,09, ,5 FAILED 0,04 0,09 4, ,5 WITHDRAWN 0 Mean survival time = 47,66 Standard error = 8,8055 Tipo = Number at Cumulative Standard Cumulative Row Time Status Risk Survival Error Hazard 5 8,97 FAILED 99 0,9900 0,0099 0,00 44,8 WITHDRAWN ,977 FAILED 97 0,9799 0,04 0,00 9 4,478 FAILED 96 0,9698 0,07 0, ,04 FAILED 95 0,9597 0,097 0,04 : : : : : : : 9 97,74 WITHDRAWN 40,84 FAILED 0,07 0,0,96 59,59 FAILED 0,086 0,076, ,5 FAILED 0 0,0000 0,0000 Mean survival time = 970,4 Standard error = 0,4089 De esta tabla se extrae la siguiente información: Hay tipos de tratamientos; Para el primer grupo (primera línea de su tabla correspondiente): El primer incidente (fallo o censura) de este grupo se produjo en el instante 0,97 (columna time), dato correspondiente a la observación (columna row), y fue un fallo (columna Status). Para el instante de tiempo inmediatamente posterior, el número de elementos que aún funcionan es de 99 (columna number at risk) y la probabilidad de sobrevivir a dicho período es 0.99 (columna Cumulative Survival). También aparecen datos acerca de la desviación típica de esta probabilidad y de la tasa de fallos acumulada en ese instante en las últimas dos columnas. Para el primer grupo: el primer dato censurado aparece en la fila 4. Su Status es Withdrawn. Eso fue en el instante 45,6808. Nótese que no se realiza ningún cálculo de supervivencia en los tiempos de datos censurados. El estimador Kaplan-Meier calcula la supervivencia sólo para los tiempos de fallo aunque si usa los datos censurados. Por último se tiene tanto la media como la desviación típica para cada grupo. La duración media estimada (mean survival time) para cada grupo es: Grupo : Duración media = 95,554 Grupo : Duración media = 47,66 Grupo : Duración media = 970,4 Para obtener la supervivencia en un momento determinado se actúa como en las prácticas anteriores. Se busca el tiempo de fallo inmediatamente anterior al tiempo que se desea y se toma el valor correspondiente de la tabla. Así, para saber la supervivencia en el instante 50 del primer grupo se busca el fallo inmediatamente anterior que es 40,9864 (entre estos dos fallos hay un dato con censura, pero ese no interesa) y la supervivencia en este grupo y para ese valor es Nótese que de nuevo se tiene una función de supervivencia escalonada. 4
5 La siguiente tabla contiene los valores de supervivencia en los instantes 500 y 900 para los tres grupos. S(500) S(900) Grupo 0 0 Grupo 0,484 0,04 Grupo 0,995 0,56 Pero, qué consecuencias tendría si se trabaja con unos datos censurados y no se tiene en cuenta esta censura? Es decir, Qué pasa si se trabaja con unos datos censurados y se hacen los análisis de las prácticas anteriores? Si se vuelve a hacer el análisis sin utilizar la variable censura: DESCRIBE Life data Life tables (times) y se rellena la ventana de datos conforme a la figura 4, se obtienen las siguientes duraciones medias: Grupo : Duración media sin censura = 86,94 Grupo : Duración media sin censura = 46,7 Grupo : Duración media sin censura = 9,59 Como puede observarse, se subestima la duración de los componentes. En estos datos la censura es por la derecha, es decir, si se tiene un dato igual a 00 censurado, el hecho de conocer que está censurado nos indica que la duración es mayor de dicho valor. De ahí que si se toma como no censurado (se cuenta como fallo) la duración media será menor. Si por el contrario la censura aleatoria fuera por la izquierda, las duraciones medias si no se usa la información de censura estarían sobreestimando las reales. Figura 4: Introducción de datos life tables (times) sin tener en cuenta censura. Qué ocurrirá con la función de supervivencia? La siguiente tabla contiene los valores de supervivencia en los instantes 500 y 900 para los tres grupos. En ésta se puede observar que también se subestima la función de supervivencia. S(500) S(900) Grupo 0 0 Grupo 0, 0,0 Grupo 0,9 0,5 5
6 . Ajuste paramétrico del modelo En el apartado anterior se ha realizado un análisis no paramétrico de los datos. Es decir, ninguna distribución ha sido empleada para el cálculo de la función de supervivencia. En este apartado se va a trabajar de la misma forma que en la práctica anterior, pero teniendo en cuenta la censura. De forma directa se va a ajustar modelos Weibull a los datos haciendo uso de un análisis que proporciona el programa en el que se estiman los modelos para cada uno de los grupos a la vez. Se podrían ajustar los datos a cualquier otra distribución usada en fiabilidad, pero si se tuviera más de un grupo habría que hacer el ajuste a cada grupo por separado. Como hacer esto se verá después de mostrar las posibilidades del análisis weibull (Weibull Analysis). Para obtener dicho análisis debemos seleccionar en el menú: Describe Life Data Weibull analysis Se introducen los datos de la misma manera que en el primer análisis (ver figura ). Por un lado se obtiene el resumen del análisis (Analysis Summary) y por otro el QQ-plot de las observaciones de cada grupo con respecto al modelo weibull estimado para cada uno. Dichos modelos aparecen en el resumen del análisis. El parámetro de forma (shape o β ) para el grupo es.680, para el es,507 y para el es,66. Los parámetros de escala (scale o λ ) son 9.85, y 07.9 respectivamente. Los parámetros de forma confirman el análisis anterior sobre la tasa de fallos ya que son mayores que. Y esto en un modelo Weibull significa que la tasa de fallos es creciente. Por otro lado también se ofrece información del tamaño muestral de cada grupo así como del número de datos no censurados. Por ejemplo, en el Grupo tenemos 00 datos de los cuales 90 son fallos (no están censurados). Analysis Summary Data variable: Duraciones Censoring: Censura Groups: Tipo Number of groups = Estimation method: maximum likelihood Sample Number of Estimated Estimated Starting Group Size Failures Shape Scale Point ,680 9,85 0,0 00 9,507 49,47 0, ,66 07,9 0,0 La figura 5 contiene el gráfico con los QQ-plots mencionados antes. En esta figura se observa como los puntos se ajustan bastante bien a las rectas, por lo que la opción de que sigan un modelo Weibull no puede descartarse. Cada recta y color corresponde a un modelo y grupo. Los modelos en este análisis se estiman con todos los datos y teniendo en cuenta la información de censura, pero en el QQ-plot sólo aparecen los datos no censurados. 6
7 Presionando el botón de opciones gráficas pueden obtenerse numerosos gráficos conocidos de la práctica anterior como por ejemplo las funciones de densidad, las de supervivencias y las tasas de fallo para los tres modelos. Weibull Plot cumulative percent 99, ,5 0, Duraciones Figura 5: QQ-plot del modelo. Tipo Este análisis nos permite hacer uso también de los contrastes de bondad de ajuste vistos en la práctica anterior, pero en ocasiones se vuelven poco fiables ya que hacen el cálculo para todos los grupos a la vez. De ahí que sea más adecuado para el uso de esas técnicas el ajustar a cada distribución el modelo. Pero debido a que se tienen datos con censura el análisis que se tiene que emplear es Distribution Fitting (Censored Data). Para obtenerlo, en el menú se selecciona DESCRIBE Distributions Distribution Fitting (Censored Data). Para seleccionar sólo las observaciones de un grupo se hace uso de la casilla Select tal y como se muestra en la figura 6, es decir, para los del grupo se escribe Tipo=, para el grupo se escribe Tipo=, etc. Figura 6: Inserción de datos para ajustar distribución con censura para un grupo. Antes de ver los resultados hay que seleccionar como modelo a estimar el Weibull (por defecto el ajuste es a la normal). Para cambiar el modelo hay que presionar el botón derecho del ratón y seleccionar analysis options y escoger el modelo weibull. Una vez hecho esto se tiene que el análisis nos proporciona por un lado información de la muestra (máximo, mínimo y número de datos y de datos censurados) y los parámetros 7
8 del modelo (se corresponden con los obtenidos en el análisis weibull) y por otro información gráfica del ajuste por medio del histograma y de la densidad del modelo ajustado. Los análisis gráficos y numéricos adicionales se han visto ya en la práctica anterior, por lo que su manejo se presupone. Presionando el botón de opciones gráficas se obtendría entre otros el QQ-plot. Para obtener los resultados del contraste de Kolmogorov hay que presionar el botón tabular options y seleccionar la opción Goodness-of-fit tests. Para los tres grupos los resultados son los siguientes: Estimated Kolmogorov statistic DPLUS = 0,0778 Estimated Kolmogorov statistic DMINUS = 0,05808 Estimated overall statistic DN = 0,05808 Approximate P-Value = 0,949 Estimated Kolmogorov statistic DPLUS = 0, Estimated Kolmogorov statistic DMINUS = 0,04548 Estimated overall statistic DN = 0, Approximate P-Value = 0,89696 Estimated Kolmogorov statistic DPLUS = 0,06849 Estimated Kolmogorov statistic DMINUS = 0,05404 Estimated overall statistic DN = 0,06849 Approximate P-Value = 0,7787 Para ninguno de los tres grupos se puede rechazar la hipótesis del modelo Weibull ya que a la vista de los p-valores dicho modelo describe con bastante fidelidad los datos. Para calcular valores de la función de supervivencia para cualquier instante de tiempo hay que hacer uso de la opción Tail Areas. Esta opción puede obtenerse para el último análisis de ajuste de distribución (pero habría que hacerlo para cada grupo) o a través del análisis Weibull (todos los modelos a la vez). Volviendo al análisis weibull, Tail Areas se obtiene presionando el botón de opciones de tabla (Tabular Options). Recuérdese que Tail Areas proporciona el valor de la función de distribución, es decir, de P(T<t) y S(t)=-P(T<t). Recuérdese que para variar los valores que vienen por defecto hay que situar el cursor sobre el panel de Tail Areas, presionar el botón derecho del ratón y seleccionar Pane Options. Si se introducen los valores 500 y 900 se obtiene: Tail Areas for Duraciones Group Critical Value Lower Tail Area ,0 0, ,0,0 500,0 0, ,0 0, ,0 0, ,0 0,4089 Empleando esta información se construye la siguiente tabla que contiene la función de distribución y la supervivencia para los tres grupos en los instantes 500 y
9 F(500) S(500) F(900) S(900) Grupo Grupo 0, , Grupo Se puede observar como ya se hizo en la práctica anterior que aplicando un modelo existe más precisión en el cálculo de probabilidades debido a que ofrece curvas suaves no escalonadas. Autoevaluación de la práctica: Se puede dar por superada esta práctica cuando tras su realización el alumno sea capaz de: Calcular supervivencias en cualquier instante para datos con censura (Vía Kaplan-Meier o vía ajuste de distribución, ya sea con análisis weibull o con otro modelo). Identificar si un modelo es adecuado para un conjunto de datos con censura (misma metodología que práctica anterior pero con uncensored data). Identificar los problemas que presenta el hecho de ignorar la censura en un conjunto de datos. Identificar la tasa de fallos cuando hay censura. Realizar la estimación del análisis Weibull y la interpretación de los gráficos y de los análisis numéricos que se obtienen con este análisis (incluyendo el cálculo de valores críticos, ver práctica anterior), así como identificar la tasa de fallos a través de los parámetros del modelo. 9
Prácticas de Fiabilidad
Prácticas de Fiabilidad Práctica : Objetivo: El objetivo de esta práctica es conocer y aprender a manejar las herramientas que nos van a permitir decidir si nuestros datos de supervivencia se comportan
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 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 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 detallesPráctica de AJUSTE DE DISTRIBUCIONES II (ajuste de datos)
Práctica de AJUSTE DE DISTRIBUCIONES II (ajuste de datos) 1 1. Objetivos de la práctica En esta práctica vamos a ajustar modelos de distribución a datos reales. Un vez que hayamos hecho esto, podremos
Más detallesFIABILIDAD (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 detallesPráctica de SIMULACIÓN
1 Práctica de SIMULACIÓN 1. Objetivos En esta práctica vamos a simular datos procedentes de diversos modelos probabilísticos. En la sección 2, comprobaremos visualmente que los datos que simulamos se ajustan
Más detallesPráctica de MODELOS DE PROBABILIDAD
Práctica de MODELOS DE PROBABILIDAD 1 1. Objetivos: Los objetivos que persigue esta práctica son: Representar distribuciones de probabilidad conocidas e interpretar sus parámetros. Generar variables aleatorias
Más detallesControl Estadístico de Procesos con Statgraphics Plus Gráficos de Control con Memoria
Control Estadístico de Procesos con Statgraphics Plus Gráficos de Control con Memoria 1 GRAFICOS DE CONTROL CUSUM Statgraphics permite dos tipos de gráficos de control CUSUM: con plantilla V y algorítmico
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
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 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 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 detallesModelos de Probabilidad con Statgraphics
Modelos de Probabilidad con Statgraphics 1. Objetivos Representar funciones de probabilidad/densidad y de distribución de diferentes modelos de variables aleatorias discretas/continuas Calcular probabilidades
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 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 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 detallesPRÁCTICA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS
PRÁCTICA 8: 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 detallesDos nuevas librerías para análisis de la supervivencia: dcens y bwsurvival
Dos nuevas librerías para análisis de la supervivencia: dcens y bwsurvival Carles Serrat (UPC) carles.serrat@upc.edu Olga Julià (UB), Jorge Cortés (UPC-ICO), Victoria Moneta (UPC-PSSJD) y Guadalupe Gómez
Más detallesPRÁCTICA 2. DISTRIBUCIONES DE PROBABILIDAD OBJETIVOS:
PRÁCTICA 2. DISTRIBUCIONES DE PROBABILIDAD OBJETIVOS: Cálculo de probabilidades y percentiles con diferentes modelos. Comprobación de aproximaciones estudiadas entre distribuciones. Simulación de datos
Más detallesPráctica de Control Estadístico de Procesos Control por Variables
Práctica de Control Estadístico de Procesos Control por Variables Fichero de datos: Sensorpresion.sf3 1. Los datos Un sensor de presión ha de trabajar en condiciones de alta temperatura. Para controlar
Más detallesPráctica 4 vgaribay PRÁCTICA 4. CONTRASTE DE HIPOTESIS. 1 ESTUDIO DE NORMALIDAD Plot de normalidad. Camino 1
PRÁCTICA 4. CONTRASTE DE HIPOTESIS OBJETIVOS: Estudiar el plot de normalidad Manejar los módulos de contrastes de hipótesis. Obtener las probabilidades de error de tipo I y II, la función de potencia y
Más detallesGUÍA DE STATGRAPHICS 5.1
UNIVERSIDAD POLITÉCNICA DE MADRID ESCUELA UNIVERSITARIA DE ARQUITECTURA TÉCNICA DEPARTAMENTO DE MATEMÁTICA APLICADA A LA ARQUITECTURA TÉCNICA GUÍA DE STATGRAPHICS 5.1 (Versión castellana) GUÍA DE STATGRAPHICS
Más detallesUnit 8: Maximum Likelihood for Location-Scale Distributions
Unit 8: Maximum Likelihood for Location-Scale Distributions Ramón V. León Notes largely based on Statistical Methods for Reliability Data by W.Q. Meeker and L. A. Escobar, Wiley, 1998 and on their class
Más detallesPráctica 3 vgaribay PRÁCTICA 3. INTERVALOS DE CONFIANZA
PRÁCTICA 3. INTERVALOS DE CONFIANZA Práctica 3 vgaribay OBJETIVOS: Comprobación del concepto de intervalo de confianza. Construcción de intervalos de confianza para poblaciones normales. Cálculo del tamaño
Más detallesComparación de poblaciones independientes con STATGRAPHICS -Intervalos de Confianza y Contrastes de Hipótesis-
Comparación de poblaciones independientes con STATGRAPHICS -Intervalos de Confianza y Contrastes de Hipótesis- 1. Introducción Ficheros de datos: longitudclavos.sf3 y reciennacidos.sf3 En las siguientes
Más detallesPrimera práctica de REGRESIÓN.
Primera práctica de REGRESIÓN. DATOS: fichero practica regresión 1.sf3 1. Objetivo: El objetivo de esta práctica es aprender cuándo se puede utilizar el análisis de regresión. En la primera parte se presentan
Más detallesUnit 8: Maximum Likelihood for Location-Scale Distributions. Ramón V. León
Unit 8: Maximum Likelihood for Location-Scale Distributions Ramón V. León Notes largely based on Statistical Methods for Reliability Data by W.Q. Meeker and L. A. Escobar, Wiley, 1998 and on their class
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 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 detallesDistribuciones de probabilidad con R Commander
Distribuciones de probabilidad con R Commander En el menú Distribuciones podemos seleccionar Distribuciones discretas Distribuciones continuas Las distribuciones discretas que aparecen en R Commander son
Más detallesUN NUEVO TEST DE BONDAD DE AJUSTE PARA NORMALIDAD Y MUESTRAS CON CENSURA BASADO EN EL COEFICIENTE DE CORRELACION
UN NUEVO TEST DE BONDAD DE AJUSTE PARA NORMALIDAD Y MUESTRAS CON CENSURA BASADO EN EL COEFICIENTE DE CORRELACION CLAUDIA CASTRO-KURISS 1, 1 ccastro@itba.edu.ar, Departamento de Matemáticas, Instituto Tecnológico
Más detallesEstadística I Curso 2011/2012 Guion de la Práctica 3: Simulación de muestras y bondad de ajuste; Teorema Central del Límite; Intervalos de confianza.
Estadística I Curso 2011/2012 Guion de la Práctica 3: Simulación de muestras y bondad de ajuste; Teorema Central del Límite; Intervalos de confianza. En esta práctica veremos una introducción al empleo
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 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 detallesEstadística II Curso 2010/11. Guión de la Práctica 2 El modelo de regresión lineal y su tratamiento en Statgraphics
Estadística II Curso 2010/11 Guión de la Práctica 2 El modelo de regresión lineal y su tratamiento en Statgraphics 1. Contenidos de la práctica - Introducción - El modelo de regresión lineal simple o Estimación
Más detallesEstadística I Guión de la Práctica 2 Probabilidad y modelos probabilísticos; Introducción a la inferencia estadística
Estadística I Guión de la Práctica Probabilidad y modelos probabilísticos; Introducción a la inferencia estadística 1. Simulación de las variables aleatorias En Excel podemos simular valores de variables
Más detallesVariables Aleatorias Positivas
Introducción al ADS Vamos a estudiar Duraciones de Procesos que es algo muy común en muchas ciencias: Duración de un componente (Fiabilidad) Supervivencia de un paciente a un tratamiento (Medicina/farmacología)
Más detallesComparación de poblaciones con STATGRAPHICS -Intervalos de Confianza y Contrastes de Hipótesis-
Comparación de poblaciones con STATGRAPHICS -Intervalos de Confianza y Contrastes de Hipótesis- 1. Introducción Ficheros de datos: longitudclavos, reciennacidos, calibretornillos. En las siguientes líneas
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 detallesAnálisis de los resultados de la evaluación del aprendizaje de procedimientos de análisis descriptivo en ingeniería informática
Análisis de los resultados de la evaluación del aprendizaje de procedimientos de análisis descriptivo en ingeniería informática Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesDEPARTAMENTO DE CIENCIAS BASICAS AREA DE ESTADISTICA
DEPARTAMENTO DE CIENCIAS BASICAS AREA DE ESTADISTICA PRACTICA EI-3 ANALISIS DE VARIANZA Y REGRESION ESTADISTICA INFERENCIAL Objetivo: Que el alumno conozca y comprenda el manejo de un paquete estadístico
Más detallesEstadística Computacional. M. González
Estadística Computacional M. González Facultad de Medicina. Universidad de Extremadura M. González (UEx) Estadística Computacional 1 / 23 Índice Modelos Lineales Generalizados Bioensayos: Modelos Dosis-Respuesta
Más detallesMá M s á ter e Se S c e tor o Fa F r a ma m c a éu é t u ico Es E tad a í d stica a ap a l p icad a a d Teresa Villagarcía
Máster Sector Farmacéutico Estadística aplicada Teresa Villagarcía Indice Probabilidad intuitiva Distribución normal Estimación de la normal Intervalos de confianza Contraste de hipótesis: Una media Dos
Más detallesTaréa Completa. 2.- Se define una función de supervivencia por: a) f (36), b) h (50), c) H (75), d) E(T ),
Taréa Completa 1.- Sea T 1, T 2,..., T n variales aleatorias independientes de tiempos de supervivencia con distribución Weibull: f (t) = λγ (λt) γ 1 exp { (λt) γ } Cuando λ = 1, y γ 1, γ 2,..., γ n. Escriba
Más detallesFiabilidad. Teresa Villagarcía
Fiabilidad Teresa Villagarcía 1 1. Qué es la fiabilidad? La Fiabilidad se refiere a la permanencia de la Calidad de los productos o servicios a lo largo del tiempo. Decimos que un aparato o componente
Más detallesModelos Lineales. Regresión Lineal Múltiple. Práctica 5
Práctica 5 Vamos a analizar con STATGRAPHICS el problema de estimación, descomposición de la variabilidad, contraste de regresión, intervalos de confianza para los parámetros, y predicciones, sobre un
Más detallesEstadística I Solución Examen Final- 19 de junio de Nombre y Apellido:... Grupo:...
Estadística I Examen Final- 19 de junio de 2009 Nombre y Apellido:... Grupo:... (1) La siguiente tabla muestra las distribuciones de frecuencias absolutas de la variable altura (en metros) de n = 500 estudiantes
Más detallesCAPÍTULO 5 ANÁLISIS 1. AJUSTE DE FLUJOS DE EFECTIVO A UNA DISTRIBUCIÓN CONOCIDA
CAPÍTULO ANÁLISIS. AJUSTE DE FLUJOS DE EFECTIVO A UNA DISTRIBUCIÓN CONOCIDA A continuación se realizarán las pruebas de bondad de ajuste para determinar si los flujos de efectivo siguen una distribución
Más detallesPráctica de variables aleatorias (modelos)
Grados en Ingeniería en Tecnologías Industriales, Ingeniería Eléctrica, Ingeniería en Electrónica Industrial y Automática e Ingeniería Mecánica Práctica de variables aleatorias (modelos) 1. OBJETIVOS En
Más detalles1. el tamaño de la población no se modifica entre los dos muestreos. 2. todos los individuos tienen la misma probabilidad de ser capturados
Applet 3.1. Marcaje y recaptura Introducción Este applet ilustra el método de marcaje y recaptura para estimar el tamaño de una población. De forma resumida, lo que hace el método es muestrear M individuos
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 detallesPráctica de INTERVALOS DE CONFIANZA
Práctica de INTERVALOS DE CONFIANZA 1.- Objetivo de la práctica El objetivo de esta práctica es familiarizarse con la estimación por intervalos, el concepto de intervalo de confianza y su aplicación en
Más detallesStatgraphics Centurión
Facultad de Ciencias Económicas y Empresariales. Universidad de Valladolid 1 Statgraphics Centurión I.- Nociones básicas El paquete Statgraphics Centurión es un programa para el análisis estadístico que
Más detallesPRÁCTICA: ESTADÍSTICA DESCRIPTIVA CON SPSS 1
ESTADÍSTICA CURSO 2012/2013 GRADO EN BIOLOGÍA PRÁCTICA: ESTADÍSTICA DESCRIPTIVA CON SPSS 1 1. Introducción El programa estadístico SPSS está organizado en dos bloques: el editor de datos y el visor de
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 detallesChequeo empírico del estimador cópula gráfico para riesgos competitivos dependientes
Chequeo empírico del estimador cópula gráfico para riesgos competitivos dependientes María Carolina Paz Sabogal a, Sergio Yáñez Canal b Email: mcpazs@unal.edu.co a. Estudiante de Postgrado. Maestría en
Más detallesObjetivo: Que el alumno conozca y aprenda a usar algunos de los métodos no paramétricos mas importantes.
DEPARTAMENTO DE CIENCIAS BASICAS AREA DE ESTADISTICA DISEÑO DE EXPERIMENTOS PRACTICA DE-3 ESTADISTICA NO PARAMETRICA Objetivo: Que el alumno conozca y aprenda a usar algunos de los métodos no paramétricos
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 detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
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 detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detallesEstadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
Más detallesConsidere la tasa de nacimiento (B) como la variable respuesta y la actividad económica de las mujeres (W) como variable regresora.
ESTADISTICA (Q) - Ejercicio de regresión - Junio 2010 El archivo tasa_nacimiento.sx contiene datos de tasas de nacimiento y otras variables para 26 naciones. Fuente: Statistical Abstract of the United
Más detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 24 UNIDAD 4: TÉCNICAS AVANZADAS DE PREDICCIÓN Ejercicio 2: Contraste de cointegración y estimación de un modelo VEC en EViews Solución
Más detallesINTRODUCCION AL ECONOMETRIC VIEWS. Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos.
INTRODUCCION AL ECONOMETRIC VIEWS Introducción de datos 1. Creando una hoja de trabajo (workfile) File New Workfile Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos. 2. Importación
Más detallesFigura 1. Generación de variables aleatorias.
PRÁCTICA 3. Ingeniería Técnica Industrial (2º) - Mecánica. Profesores: Javier Faulín y Francisco Ballestín 1. Generación de variables aleatorias. El programa nos permite generar variables aleatorias especificando
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Guía práctica #1 Determinar la Distribución de los datos de una Simulación Prof.: MSc. Julio Rito Vargas A. Grupo: Ingeniería Industrial
Más detallesContraste de hipótesis con STATGRAPHICS
Contraste de hipótesis con STATGRAPHICS Ficheros empleados: Transistor.sf3, Estaturas.sf3 1. Introducción: Una forma habitual de hacer inferencia acerca de uno o más parámetros de una población consiste
Más detallesPRÁCTICA 6: CONTASTE DE HIPÓTESIS
PRÁCTICA 6: CONTASTE DE HIPÓTESIS Los contenidos están organizados para que pueda avanzar a la vez que hacer los ejercicios propuestos en la práctica 5 del cuadernillo de prácticas. Asegúrate de entender
Más detallesEstadística Descriptiva Bivariante con STATGRAPHICS -Dependencia lineal y Regresión-
Estadística Descriptiva Bivariante con STATGRAPHICS -Dependencia lineal y Regresión- 1. Introducción Fichero de datos empleado: VelVientos730.sf3 En este documento se analizarán, utilizando Statgraphics,
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 detallesEconometría I (LADE). Curso 2001/2002 PRÁCTICA 08
PRÁCTICA 08 HETEROCEDASTICIDAD Y NORMALIDAD En el fichero Datos08.wf1 tenemos la renta y consumo anual (en dólares) para 500 familias con el que se pretende estimar el siguiente modelo: C i = β + β R +
Más detallesEjemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 6.2 Inferencia en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia
Más detallesFIABILIDAD (IV): ANÁLISIS NO PARAMÉTRICO DE LOS TIEMPOS DE FALLO
FIABILIDAD (IV): ANÁLISIS NO 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
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesEstadística II Curso 2011/12
Estadística II Curso 2011/12 Guión de la Práctica 1 Introducción a Statgraphics. Intervalos de confianza y contrastes de hipótesis para una y dos poblaciones 1. Contenidos de la práctica - Introducción
Más detallesUNIVERSIDAD DE MANAGUA
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Guía práctica #1 Determinar la Distribución de los datos de una Simulación Prof.: MSc. Julio Rito Vargas A. Enero 013 Objetivos: Utilizar
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 detallesANOVA (Análisis de varianza)
ANOVA (Análisis de varianza) Las pruebas de hipótesis son una herramienta útil cuando se trata de comparar dos tratamientos La experimentación usualmente requiere comparación de más de dos tratamientos
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesEstadística I Examen Final - 28 Mayo de 2009 Tiempo: 2.5h - Total: 40 puntos. Nombre:... Grupo:...
Estadística I Examen Final - 28 Mayo de 2009 Tiempo: 2.5h - Total: 40 puntos Nombre:... Grupo:... Realizar los cálculos intermedios con 4 decimales y redondear el resultado final a 2 decimales. 1. (10
Más detallesGuía docente de la asignatura Asignatura Materia Análisis Estadístico de Datos Matemáticas Módulo Titulación Grado de Ingeniería Informática de Servicios y Aplicaciones Plan 413 Código 40801 Periodo de
Más detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesLADE/LADE-DER. 229, , , , , ,333 y. 3 i 1. y ij /3
LADE/LADE-DER CURSO 2005/2006 EXAMEN DE ESTADÍSTICA II 04 de septiembre de 2006 PROBLEMAS (tiempo: 1 hora 40 minutos) 1. PROBLEMA 1 Una empresa de máquinas tragaperras tiene que decidir entre 3 posibles
Más detallesEstudio del efecto de la imputación de fallas en la estimación de la curva de supervivencia bajo censura a intervalo
Ciencia en Desarrollo, Vol. 8 No. 1 ISSN 0121-7488 Enero-Junio de 2017, pp. 21-28 Estudio del efecto de la imputación de fallas en la estimación de la curva de supervivencia bajo censura a intervalo Study
Más detallesMatemática Aplicada y Estadística - Grado en Farmacia Curso 2014/15 1er. Examen Parcial 6 de noviembre de 2014
Matemática Aplicada y Estadística - Grado en Farmacia Curso 2014/1 1er. Examen Parcial 6 de noviembre de 2014 Apellidos y nombre del alumno/a Grupo 4 1. 2 puntos) En la siguiente tabla se refleja la distribución
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 detallesDescripción simultánea de varias variables con STATGRAPHICS
Descripción simultánea de varias variables con STATGRAPHICS Ficheros empleados: AlumnosIndustriales.sf, Rotura.sf. Introducción En muchas ocasiones nos interesará comparar varias variables, o comparar
Más detallescon los supuestos clásicos, uno de ellos es que ninguna de las variables X 1, X 2,, X K es
TEMA 2: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: MULTICOLINEALIDAD Y TRANSFORMACIONES LINEALES. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. MULTICOLINEALIDAD
Más detallesSociología. Estadística stica MUY aplicada. Teresa Villagarcía
Sociología Estadística stica MUY aplicada Teresa Villagarcía Probabilidad Por qué estudiamos probabilidad? Proporción de piezas defectuosas producidas en un proceso industrial o a favor de una ley. Tomamos
Más detallesModelos Lineales. Regresión Lineal Simple. Práctica 3. Vamos a analizar el problema de contraste de las hipótesis básicas de un modelo de regresión
Práctica 3 Vamos a analizar el problema de contraste de las hipótesis básicas de un modelo de regresión lineal simple. STATGRAPHICS proporciona algunos resultados en este sentido, pero resulta insuficiente.
Más detallesEstadística I Examen Final - 19 de junio de Nombre:... Grupo:...
Estadística I Examen Final - 19 de junio de 2009 Nombre:... Grupo:... Realizar los cálculos intermedios con 4 decimales y redondear el resultado final a 2 decimales. 1. La siguiente tabla muestra las distribuciones
Más detallesExamen de Estadística Convocatoria extraordinaria. Junio de Nombre Nº de Examen Titulación Grupo
Examen de Estadística Convocatoria extraordinaria. Junio de 2018 Nombre Nº de Examen Titulación Grupo 1. Una empresa de alimentación tiene sus fábricas en Alicante, Bilbao y Cádiz, en las cuales se producen
Más detalles1.- Datos censados (censored observations) son aquellos en los que se ha producido el suceso inicial
ANÁLISIS DE SUPERVIVIENCIA El análisis de supervivencia se utiliza cuando la variable dependiente representa un periodo de tiempo entre un suceso inicial y el evento final. El análisis de supervivencia
Más detallesEstadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con
Hasta ahora hemos supuesto que conocemos o podemos calcular la función/densidad de probabilidad (distribución) de las variables aleatorias. En general, esto no es así. Más bien se tiene una muestra experimental
Más detallesPráctica 3: Regresión simple con R
Estadística II Curso 2010/2011 Licenciatura en Matemáticas Práctica 3: Regresión simple con R 1. El fichero de datos Vamos a trabajar con el fichero salinity que se encuentra en el paquete boot. Para cargar
Más detalles