Como se hace la validacion de un modelo termodinámico

Y el análisis estadístico. Pearson y Fisher ademas de su desviación y varianza.

https://es.scribd.com/doc/125781763/INFORMEEE-Practica-N%C2%BA-1-Determinacion-de-los-
puntos-de-carga-e-inundacion-de-una-torre-empacada-de-absorcion-gaseosa-para-el-sistema-
agua-aire

https://es.scribd.com/document/142742133/Modelos-Termodinamicos

https://es.scribd.com/presentation/207490119/Metodos-Termodinamicos-en-Simulacion

En estadística, el coeficiente de correlación de Pearson es una medida de la

relación lineal entre dos variables aleatorias cuantitativas. A diferencia de
la covarianza, la correlación de Pearson es independiente de la escala de medida
de las variables.
De manera menos formal, podemos definir el coeficiente de correlación de
Pearson como un índice que puede utilizarse para medir el grado de relación de
dos variables siempre y cuando ambas sean cuantitativas.

En estadística se denomina prueba F de Snedecor a cualquier prueba en la que

el estadístico utilizado sigue una distribución F si la hipótesis nula no puede ser
rechazada. El nombre fue acuñado en honor a Ronald Fisher.

 La hipótesis de que las medias de múltiples poblaciones normalmente distribuidas y

con la misma desviación estándar son iguales. Esta es, quizás, la más conocida de
las hipótesis verificada mediante el test F y el problema más simple del análisis de
varianza.

 La hipótesis de que las desviaciones estándar de dos poblaciones normalmente

distribuidas son iguales, lo cual se cumple.
En muchos casos, el test F puede resolverse mediante un proceso directo. Se
requieren dos modelos de regresión, uno de los cuales restringe uno o más de los
coeficientes de regresión conforme a la hipótesis nula. El test entonces se basa en
un cociente modificado de la suma de cuadrados de residuos de los dos modelos
como sigue:
El estadístico F puede calcularse como

Donde:
RSS_0 se refiere al coeficiente de determinación del modelo sin restringir
(R^2)
RSS_1 se refiere al coeficiente de determinación del modelo restringido (R^2)
m se refiere al número de restricciones impuestas a los coeficientes estimados
(coficientes restringidos).
k se refiere al número de coeficientes estimados en el modelo sin restricciones.
n se refiere al número de observaciones del modelo.
El valor resultante debe entonces compararse con el valor correspondiente de
la tabla de valores críticos.
Si F_calculado > F_tablas; rechazo el modelo restringido.

a distribución F de Fisher es una distribución que depende de dos parámetros. Es

una distribución que aparece, con frecuencia, como distribución de un estadístico
de test, en muchos contrastes de hipótesis bajo las suposiciones de normalidad.
Por ejemplo, todos los contrastres ANOVA (Ver Herbario de técnicas).

Su tabla es compleja porque al depender de dos parámetros complica su diseño.

Se acostumbran, pues, a publicar tantas tablas como niveles de significación
interese manejar. Aquí adjunto la del 0.05, la del 0.01 y la del 0.001: