TESIS DE GRADO - DSpace ESPOCH

More documents

Recommendations

Info

Distancia- 140 -El análisis consiste en clasificar datos multidimensionales en un grupos homogéneos,para ello utiliza funciones de similitud o similaridad entre ellos, este análisis también selo utilizará para agrupar variables.3.2.3.1 Conglomerados por observaciones.Con ayuda del dendrograma es posible asignar el número de conglomeradosnecesarios para el análisis.DendrogramaEnlace de Ward. Distancia euclediana56,2237,4818,740,00ObservacionesGráfico 11: Dendrograma por observaciones.En el dendrograma queda reflejada la formación de los conglomerados, así como lasdistancias entre ellos.
- 141 -La decisión sobre el número óptimo de clusters es subjetiva, especialmente cuando seincrementa el número de objetos ya que si se seleccionan muy pocos, los clustersresultantes son heterogéneos y artificiales, mientras que si se seleccionan demasiados,la interpretación de los mismos suele ser complicada.Como ayuda a la decisión sobre el número de clusters se suelen representar losdistintos pasos del algoritmo y la distancia a la que se produce la fusión. En losprimeros pasos el salto en las distancias será pequeño, mientras que en los últimos elsalto entre pasos será mayor. El punto de corte será aquel en el que comienzan aproducirse saltos bruscos, y estos saltos empiezan a partir de la línea azul y bajo estalínea están definidos claramente 6 conglomerados.Gráfico 12: Análisis de Conglomerados por Observaciones en MINITAB.
Page 1 and 2:
ESCUELA SUPERIOR POLITECNICA DE CHI
Page 3:
- 3 -DEDICATORIALa concepción de e
Page 6 and 7:
- 6 -INDICE GENERALAGRADECIMIENTO .
Page 8 and 9:
- 8 -1.2.2.7. Análisis de Datos At
Page 10 and 11:
- 10 -3.1.3 Matriz de Datos. ......
Page 12 and 13:
- 12 -INDICE DE FIGURASFigura 1: Ma
Page 14 and 15:
- 14 -Tabla XV: Intervalos de Confi
Page 16 and 17:
- 16 -Gráfico 14: Análisis de Con
Page 18 and 19:
- 18 -INTRODUCCIONDentro de la hist
Page 20 and 21:
- 20 -ANTECEDENTESLa historia del E
Page 22 and 23:
- 22 -de acuerdo a excavaciones se
Page 24 and 25:
- 24 -JUSTIFICACIONEl presente trab
Page 26 and 27:
- 26 -Determinar la presencia de fa
Page 28 and 29:
- 28 -Spaulding en el año 1953, co
Page 30 and 31:
- 30 -información y diseñar siste
Page 32 and 33:
- 32 -1.2.1.2. Matriz de DatosSobre
Page 34 and 35:
- 34 -Y su cuadrado es la varianza,
Page 36 and 37:
- 36 -Su expresión a partir de la
Page 38 and 39:
- 38 -1.2.2.4. Variables Redundante
Page 40 and 41:
- 40 -Un inconveniente de la varian
Page 42 and 43:
- 42 -Y tiene las siguientes propie
Page 44 and 45:
- 44 -1.2.2.7. Análisis de Datos A
Page 46 and 47:
- 46 -Fig. 4: Ejemplo de diagrama d
Page 48 and 49:
- 48 -1.2.2.7.3. Identificación de
Page 50 and 51:
- 50 -Mahalanobis calculada con las
Page 52 and 53:
- 52 -1.2.3. Componentes Principale
Page 54 and 55:
- 54 -Como las variables originales
Page 56 and 57:
- 56 -variabilidad y sin embargo pu
Page 58:
- 58 -Estrictamente, estos métodos
Page 61 and 62:
- 61 -Este criterio será también
Page 63 and 64:
- 63 -Y una medida de distancia que
Page 65 and 66:
- 65 -El análisis factorial está
Page 67 and 68:
- 67 -1.2.5.2. Número Máximo de F
Page 69 and 70:
- 69 -1. Partir de una estimación
Page 72 and 73:
- 72 -II.CAPITULOTECNICAS EXPERIMEN
Page 74 and 75:
- 74 -2.1.2 Productos de la corrosi
Page 76 and 77:
- 76 -a) Tratamiento previo de la p
Page 78 and 79:
- 78 -Foto 2: Aplicación de HCL al
Page 80 and 81:
- 80 -2.2 APLICACIÓN DE LA MÁQUIN
Page 82 and 83:
- 82 -2.3 OBTENCION DE DATOSFinalme
Page 84 and 85:
- 84 -reúnen los requisitos de: ú
Page 86 and 87:
- 86 -Arsénico (As): Al arsénico
Page 88 and 89:
- 88 -cantidades apreciables de ní
Page 90 and 91: - 90 -TABLA I: MATRIZ DE DATOS INIC
Page 100 and 101: - 100 -TABLA I: MATRIZ DE DATOS INI
Page 102 and 103: - 102 -MediaTabla II: Prueba de Kol
Page 104 and 105: - 104 -Gráfico 1: Histogramas con
Page 106 and 107: - 106 -3.2.1.2 Análisis Univariant
Page 108 and 109: - 108 -3.2.1.3 El vector de medias.
Page 110 and 111: - 110 -TABLA VI:AUTOVALORES11,51870
Page 112 and 113: - 112 -TABLA VII: MATRIZ DE DATOS S
Page 114 and 115: - 114 -TABLA VII: MATRIZ DE DATOS S
Page 116 and 117: - 116 -3.2.1.6 Datos atípicos.Grá
Page 118 and 119: - 118 -Gráfico 5: Representación
Page 120 and 121: - 120 -eliminación de variables re
Page 122 and 123: - 122 -3.2.1.8 Medidas de Dependenc
Page 124 and 125: - 124 -3.2.1.8.2 Dependencia de cad
Page 126 and 127: - 126 -Una vez descritas las ecuaci
Page 128 and 129: - 128 -Antes de referirnos a los mo
Page 130 and 131: - 130 -correlacionados entre sí, c
Page 132 and 133: - 132 -positivas, además a esta co
Page 134 and 135: - 134 -TABLA XVIII: NUEVO ORDEN DE
Page 142 and 143: - 142 -A partir del el análisis po
Page 144 and 145: - 144 -Cada uno de los conglomerado
Page 146 and 147: - 146 -Gráfico 14: Análisis de Co
Page 148 and 149: - 148 -Las comunalidades de la Tabl
Page 150 and 151: - 150 -La Tabla XXIII ofrece un lis
Page 152 and 153: - 152 -la matriz de datos están li
Page 154 and 155: - 154 -extrajo la materia prima par
Page 156 and 157: - 156 -IV.CAPITULOCONCLUSIONES Y RE
Page 158 and 159: - 158 -Finalmente, no se pudo cumpl
Page 160 and 161: - 160 -RESUMENEl objetivo fundament
Page 162 and 163: - 162 -BIBLIOGRAFIA1. BARCELÓ, J.,
Page 164 and 165: - 164 -11. PROCESOS DE RESTAURACION
Page 166 and 167: - 166 -ACUERDO DECOOPERACIONACADEMI
Page 168 and 169: - 168 -
Page 170 and 171: - 170 -
Page 172 and 173: - 172 -
Page 174 and 175: - 174 -
Page 176 and 177: - 176 -Foto 7: Instalaciones de ECS
Page 178 and 179: - 178 -PROCESO DE RESTAURACION Y TO
Page 180 and 181: - 180 -Foto 3: Muestra pulida para
show all

TESIS DE GRADO - DSpace ESPOCH

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?