NOTAS SOBRE MANEJO DE ERRORES Y GRAFICAS 1
|
|
- César Acuña Flores
- hace 6 años
- Vistas:
Transcripción
1 Unversdad del Valle Unversdad del Valle Departamento de Físca 1. INTRODUCCION NOTAS SOBRE MANEJO DE ERRORES Y GRAFICAS 1 En todas las ramas de las cencas físcas y de la ngenería se trabaja constantemente con valores numércos que son el resultado drecto e ndrecto de medcones expermentales. En realdad en las cencas físcas el expermento es el juez de últma nstanca, en el sentdo de que son las medcones expermentales de varables o cantdades físcas las que nos permten someter a prueba concluyente las predccones de las dferentes teorías que puedan desarrollarse en un campo dado. Las medcones sempre tenen nexacttudes y en el trabajo expermental es necesaro conocer su magntud. S, para calcular un resultado se hacen varas meddas, las nexacttudes de las medcones ndvduales mplcan una nexacttud en el resultado; sn embargo, s se tene en cuenta el comportamento estadístco de los errores en la medcón es posble reducr su efecto en la ncertdumbre del resultado fnal. Cuando se desea comparar un número resultado de la medcón con uno basado en predccones teórcas, es necesaro conocer la nexacttud en ambos para poder conclur de manera aceptable s hay alguna concdenca entre ellos. En estas notas no se pretende hacer un tratamento profundo de la teoría de errores el cual mplcaría una sere de dscusones sobre probabldad y estadístca. Nos lmtaremos a los aspectos más sencllos de los errores, su clasfcacón y su propagacón cuando se usan datos expermentales para calcular valores de otras magntudes físcas.. CLASE DE ERRORES Cuando se habla de errores se acostumbra dstngur entre dos tpos: Errores sstemátcos Errores aleatoros o al azar.1 Errores sstemátcos: Son aquellos que están asocados con los nstrumentos de medcón o que tenen relacón con la técnca de medcón. Por ejemplo s un termómetro sumergdo en una mezcla de agua destlada e helo (a la presón de una atmósfera) marca ºC, obvamente no está 1 Notas del profesor Ramro Tobón. Revsadas y aumentadas por el profesor Alberto.J. Sánchez. Se ncluyeron apartes de las notas del profesor Mchel Valero y del lbro Statstcal Treatment of Expermental Data.
2 correctamente calbrado y todas las medcones de temperatura que hagamos con este termómetro presentarán una desvacón sstemátca respecto a las medcones hechas con otro termómetro debdamente calbrado. Un caso smlar se presenta cuando se mden dferencas de potencal o correntes eléctrcas con nstrumentos (voltímetros o amperímetros) que no estén debdamente calbrados. Es dfícl detectar los errores sstemátcos. Por ejemplo s usamos el termómetro del ejemplo dado y su descalbracón es sólo de unos pocos décmos de grado. Será poco probable que nos demos cuenta del error sstemátco, a menos que hagamos una calbracón cudadosa del termómetro. El expermentador con experenca generalmente encuentra estos errores sstemátcos al detectar pequeñas desvacones con respecto a relacones que él espera que sean váldas.. Errores aleatoros: Se presentan por un gran número de varacones mpredecbles y desconocdas en la stuacón expermental dada. Pueden provenr de errores de crtero al estmar fraccones de las dvsones más pequeñas de una escala; por ejemplo, cuando medmos una longtud y estmamos fraccones de mlímetro. S repetmos la medcón varas veces (o s la hacen varas personas), seguramente sempre obtendremos el msmo número de centímetros y de mlímetros (por ejemplo, 5.3 cm.) pero dferremos en la aprecacón de las décmas de mlímetro; así, por ejemplo, podríamos obtener una sere de valores tales como: 5.3, 5.34, 5.33, etc. Cuál de estos valores dríamos que es la longtud que estamos mdendo? Puede parecer un tanto paradójco, pero el hecho es que se pueden tratar los errores aleatoros en una forma sstemátca y que se puede desarrollar una teoría matemátca que nos permta hacer un tratamento estadístco de los datos expermentales. Aquí no vamos a entrar en los detalles de dcha teoría, smplemente menconamos algo que ntutvamente se ve que tene certa justfcacón o que ya estando establecdo lo podemos utlzar sn mucha dfcultad. Cuando hacemos varas medcones de una msma varable (10 por ejemplo) un promedo de ellas (la suma de todas, dvdda por 10) es un mejor estmatvo del valor de esta medcón que cada uno de los resultados ndvduales. A contnuacón daremos una dea general sobre los errores aleatoros. S hacemos una sere de medcones de alguna cantdad, que llamaremos x, obtendremos una sere de valores: x 1, x, x 3,...x N. Podemos ahora agrupar todos los valores que caen en un ntervalo dado del eje x (ver fgura 1) y construr así un hstograma. La altura de las barras ndca el número de medcones que caen en cada uno de los ntervalos, de ancho x, en que hemos dvddo el eje x. Claramente los valores obtendos en las medcones no están unformemente dstrbudos, sno que es mucho más frecuente obtener valores cercanos a 41 que cercanos a 40 o a 4. Cuando decmos que el valor de la cantdad x es 41 y no nclumos el hstograma, ncurrmos en una aseveracón un tanto engañosa, y lo será aún más s afrmamos que el valor de la cantdad x es de Cómo podemos reportar está nformacón en una forma que ndque cuál es su precsón? Una alta proporcón de nuestras medcones está comprendda entre 40.5 y 41.5 (el ntervalo ndcado como en el gráfco) y esto lo podemos decr en una forma compacta s reportamos que el valor de x = Así evtamos dar una falsa Págna de 1
3 mpresón sobre nuestro valor de x y no es necesaro presentar el hstograma con todas las medcones. Fgura 1. Hstograma para un conjunto de medcones. Matemátcamente se puede demostrar que para errores aleatoros, o sea, s es gualmente probable que ocurra un error negatvo de una magntud dada, y s se hace un número muy grande de medcones, el hstograma se aproxmará a una funcón contnua, como se ha ndcado en la fgura. A esta funcón se le conoce como funcón de Gauss o Funcón de error Fgura. Para errores aleatoros el hstograma se aproxma a una funcón de Gauss. Págna 3 de 1
4 Es bueno nsstr en que el hecho de hacer muchas medcones nos permte un tratamento adecuado de los errores aleatoros, pero no puede elmnar errores sstemátcos. En el ejemplo de la fgura 1, podríamos estar mdendo el dámetro de una varlla usando una regla corrente y al usar un calbrador o un mcrómetro muy ben calbrados podríamos encontrar que el dámetro de la varlla es de 4,5 0,01 mm. Por ejemplo, ndcando que nuestra regla no es un nstrumento debdamente calbrado. Ahora ben, que sucederá s medmos la msma magntud físca con dos nstrumentos, uno de alta precsón, pero ambos calbrados en forma debda? La Fgura 3 lustra el caso, usando sólo las funcones de Gauss. La más estrecha representa las medcones realzadas con el nstrumento más precso y la más ancha las realzadas con el nstrumento de menor precsón. Fgura 3. Funcones de Gauss para dos medcones de dferente precsón. S estas medcones se hubesen realzado por dos expermentadores dferentes, ellos podrían nformar los resultados de sus expermentos así: el expermentador con mejor equpo dría que la cantdad físca tene un valor de 40,0 0,1 y el expermentador con equpo menos precso reportaría 40,0 0,5. Pero, aún dsponendo de nstrumentos de gran exacttud, sensbldad y precsón, cuando se repte varas veces una medcón, los datos obtendos se dstrbuyen al azar sobre ntervalos mayores que el error absoluto, o ncertdumbre, que afecta cada una de las medcones efectuadas. La presenca de los errores aleatoros en el proceso de medcón mplca que la magntud medda se consttuya en una varable aleatora. La medcón de una varable aleatora X tene una dstrbucón normal o gaussana cuando el contorno o envolvente del hstograma, para un número de observacones muy grande, se puede expresar en térmnos de la funcón: Págna 4 de 1
5 1 x/ f x e (.1) sendo y los parámetros que permten ajustar la funcón al contorno del hstograma. Estos parámetros se denomnan meda y desvacón estándar respectvamente. La expresón.1 es la funcón de error que habíamos menconado. La fgura 4 es una representacón gráfca dcha funcón y ayuda a lustrar el sgnfcado de los parámetros y Los valores de la varable se agrupan alrededor de la meda donde el valor de la varable es máxmo y consttuye el valor más probable de obtener en caso de realzar una nueva medcón. La probabldad de que una nueva medda de la varable resulte dentro del rango [-, + alrededor de la meda, tenen una probabldad de 68.3%; o el 95,5% dentro del rango [ -, +]; o el 99,7% dentro del rango [ - 3, 3]. Fgura 4: Ilustracón de la desvacón estándar y la meda de una curva gaussana. La estadístca nos permte determnar el valor de los parámetros y a partr de un conjunto de medcones realzadas. Sea (x l, x,..., x N ) dcho conjunto de datos expermentales. Se puede demostrar que la mejor estmacón de los parámetros de la funcón de Gauss que hpotétcamente descrbe la dstrbucón de nuestra varable aleatora está dada por las sguentes fórmulas: N 1 x x (.) N N 1 x x S (.3) N 1 Mentras más grande sea el número de medcones N mejor será la aproxmacón de la funcón a la dstrbucón de las medcones. Se puede estmar el grado de confanza del valor obtendo para la meda en térmnos del denomnado error estándar de la meda, defndo de la sguente manera: Págna 5 de 1
6 S S m (.4) N de tal manera que, a mayor número de meddas, menor error estándar en el valor de la meda obtenda. Cuando N es mayor a 30 se puede aseverar que el valor de la meda está contendo en el ntervalo de confanza x S m (.5) en el que se encontrará el valor de la meda. Para N menor a 10 no tene sentdo la utlzacón de los cálculos estadístcos. Por lo anteror, en cualquer caso, es necesaro reportar el número de datos N que consttuyen la muestra expermental. En el dseño expermental es fundamental fjar el tamaño de la muestra N de acuerdo con la precsón requerda, para lo cual se defne el ntervalo de confanza requerdo, se toman unas observacones prelmnares para obtener una prmera estmacón de la desvacón estándar S y con ello estmar N, medante la relacón: 4 N S (.6) sendo el máxmo valor de la ncertdumbre de la meda permsble o deseado. 3. CIFRAS SIGNIFICATIVAS La dscusón de la seccón anteror nos conduce de nmedato a la cuestón de las cfras sgnfcatvas. Cuando decíamos que el valor de x = 41,0 0,5 tambén estábamos dcendo (o mplcando) que no tendría nngún sentdo decr que el valor de x es 41,000. Aun cuando matemátcamente sea certo que 41.0 = , físcamente el segundo valor no tene nngún sentdo, puesto que todo lo que podemos afrmar es que el valor de x muy probablemente se encuentra entre 40.5 y 41.5 carece de sentdo el agregar ceros a la derecha. Muchas veces no tenemos el tempo o no necestamos hacer un gran número de medcones, pero aún así queremos dar una ndcacón de la precsón de nuestra medcón, en tal caso las cfras sgnfcatvas tambén nos permten hacerlo. S medmos una longtud con una regla corrente podemos dar el resultado como 50.1 cm, sn otros decmales, ndcando que sólo tenemos confanza en los mlímetros y que no queremos estmar fraccones de mlímetro. Llamaremos cfras sgnfcatvas de una medda al número de dígtos seguros más el dígto dudoso. En el ejemplo anteror, tenemos tres (3) cfras sgnfcatvas. S medmos la barra en 1,60 m es que se tene duda en el 0; esta medda es de cuatro (4) cfras sgnfcatvas, y por lo Págna 6 de 1
7 tanto es más precsa. Escrbr más cfras adconales de las cuales no tenemos segurdad, no tene sentdo. Qué pasará en los cambos de las undades?. S se encuentra que la dstanca entre dos cudades es 45,7 km, tendremos cuatro (4) cfras sgnfcatvas. Y s escrbmos la dstanca en metros?. Será metros? Tendríamos ahora ses (6) cfras sgnfcatvas, y por lo tanto mayor precsón, por un smple cambo de undad? La notacón en potenca de 10 nos ndca la manera correcta de escrbr un dato expermental: 45,7 x 10 3 m o,457 x 10 5 m. El número de cfras sgnfcatvas lo dan los dígtos que multplcan la potenca de 10. La poscón de la coma no nfluye en el resultado. Y que hacemos s por algún medo mdéramos la dstanca entre la terra y la luna con un método que sabemos no puede dar una aproxmacón mayor de 1000 Km? Cómo reportar el resultado? S decmos que la dstanca es de Km, alguen podría nterpretar que nuestra medcón es supremamente buena y que su ncertdumbre es del orden de 1 km. Para evtar el dar estas falsas mpresones, recurrmos a expresar los resultados con potencas de 10 y dríamos que la dstanca a la luna es de 3.80 x 10 5 km. S nuestro resultado fuese precso con una aproxmacón de 100 Km, escrbríamos x 10 5 Km. Además de permtr una nformacón más correcta, el usar potencas de 10 tambén nos permte hacer el reporte, en forma compacta, de números muy grandes y muy pequeños. Cuando se suman cantdades que tenen dferente número de cfras sgnfcatvas, el resultado de menor precsón es el que lmta la precsón del resultado. Ilustremos esto con un ejemplo; s medmos dos longtudes L 1 = 58,1 cm y L = 40,3 cm y las sumamos: 58, 1?? 40, 3 L1 L 98, 4?? no tendría sentdo decr que la longtud total es de 98.4 cm; puesto que ya en la prmera longtud sólo podemos decr que es cm. y por tanto el resultado fnal será ncerto al menos en 0.1 cm. Para las multplcacones y dvsones es convenente escrbr los factores en potenca de 10. Por ejemplo: 354,6 m x 4,5 m = 3,546x10 x,45x10 m = 3,546 x,45 x 10 3 m En el número de menor precsón, un error de una undad en el últmo dígto, daría un error en el resultado de: 3,546 x 0,01 = 0,03... lo que nos ndca que el resultado tendrá un error en sus centésmas. En resumen, el resultado tendrá el msmo número de decmales que el número de menor precsón: Págna 7 de 1
8 3,546 x,45 x 10 3 m = 8,69 x 10 3 m 4. ERROR ABSOLUTO Y ERROR RELATIVO. S alguen nos dce que ha meddo una dstanca con una precsón de 1 m; esta nformacón nos dce muy poco sobre la caldad de los nstrumentos usados y sobre la bondad del método expermental usado en la medcón. S la nformacón se refere a la medcón de un lote de 5m de fondo, por ejemplo, obvamente es una medcón bastante mala. Pero s la nformacón se refere a medr la dstanca entre un punto determnado de superfce de la terra y otro punto dado en la superfce de la Luna, la medcón sería tan extraordnara que empezaríamos a preguntar cómo se hzo la medcón. En ambos casos dríamos que el error absoluto de la medcón es de 1m, pero el error relatvo sería ben dstnto en ambos casos. El error relatvo se expresa generalmente en la forma de porcentaje de error y para nuestros dos ejemplos los errores porcentuales serían: a) % 5 x b) 1 38x10 6 x100 3x10 6 % Cuál debería ser el error absoluto al medr los 5 m para que el error porcentual fuera como en el caso b? 5. PROPAGACION DE ERRORES En muchas ocasones el problema expermental que se nos presenta es el sguente: Queremos determnar el valor de una magntud físca A, pero no podemos hacerlo en forma drecta, sno que lo hacemos mdendo los valores de otras cantdades y calculando el valor de A medante alguna relacón matemátca. Por ejemplo s queremos saber el área de un rectángulo, medmos las longtudes de los lados (x e y) y determnamos el área medante la relacón A = xy. Ahora ben, s sabemos que el valor de x es ncerto en una cantdad x y el valor de y en una cantdad y, cual será la ncertdumbre en el valor obtendo para el área?. Note que en la formulacón de la pregunta va mplícto que las cantdades x y y pueden ser postvas o negatvas. La fgura 5 lustra la stuacón. Ahora consderemos el valor de la cantdad A: A = xy (5.1) A + A = ( x + x )(y + y) Págna 8 de 1
9 = xy + xy + yx + xy (5.) Fgura 5. Propagacón de errores en el cálculo de un área Puesto que y y x son cantdades pequeñas comparadas con y y x, respectvamente, el últmo térmno es pequeño y lo podemos desprecar. En el ejemplo del área este térmno corresponde al área del pequeño rectángulo del extremo superor derecho. Restando las dos expresones que tenemos, obtenemos de nmedato: A xy + yx (5.3) S ahora dvdmos por la relacón A = xy, obtenemos fnalmente: A x A y x y (5.4) Esta relacón es bastante smple y nos permte calcular el error relatvo en A a partr de los errores relatvos en x e y. Así, por ejemplo s tenemos el caso del área del rectángulo con x = ( )cm e y = (.3 0.)cm, el error relatvo en el área resultante sería: A A y como A = 58.1 x.3 = cm, se sgue que: A = x = Por tanto dríamos que el área del rectángulo es de cm. Págna 9 de 1
10 Es convenente notar que el procedmento que hemos segudo nos permte estmar el mayor error en A, puesto que tanto x como y pueden ser postvos o negatvos, el cálculo anteror nos da el peor de los casos. El mejor de los casos se presentaría cuando uno de los errores (x por ejemplo) fuera postvo y el otro (y) fuese negatvo, pues en tal caso la ecuacón 5.4 nos daría una dferenca en lugar de una suma. Sn embargo, como no podemos saber s los errores son del msmo sgno o de sgno contraro, nuestro estmatvo del error en A debe ser el que hemos calculado arrba. S la cantdad A es el resultado de dvdr dos cantdades que medmos, es decr, s A = x/y, podemos repetr el proceso que segumos para obtener la ecuacón 5.4: A x x y y x y yx xy y( y y) A y x x y x y (5.5) xy x y En esta deduccón se hzo la aproxmacón y + y y en el denomnador. Aparentemente el resultado es dferente del obtendo antes (ecuacón 5.4) pero como x, y pueden ser postvos o negatvos, el estmatvo del error en A debe ser nuevamente: A x y (5.6) A x y y este resultado resume las ecuacones 5.4 y 5.5. Es posble generalzar esto aún más, así por ejemplo s A = x n y m, sendo n y m postvos o negatvos, enteros o fracconaros el error en A está dado por: A n x m y (5.7) A x y Estos resultados pueden generalzarse por medo del cálculo dferencal. S una cantdad U es funcón de varas varables, U = U(x, y, z) su dferenca total es: d U U U U dx dy dz (5.8) x y z En donde U/x (dervada parcal de U con respecto a x) quere decr smplemente que estamos efectuando la dervada de U con respecto a x, mentras todas las otras demás varables se mantenen constantes. Smlarmente, calculamos las dervadas parcales U/y y U/z. Págna 10 de 1
11 S ahora, hacemos la aproxmacón de las dferencales a ncrementos pequeños o sea a los errores asocados a las varables, du = U, dx = x, dy = y, dz = z. Tendremos como valor máxmo del error absoluto: y el error relatvo será: U U U U x y z (5.9) x y z U U 1 U U x x 1 U U y y 1 U U z z (5.10) 5.1 Consejos Práctcos. a. S tenemos una sere de meddas de una magntud, el cálculo de error se hará solamente para una medda. b. Las constantes como por ejemplo, no ntroducen errores porque se pueden tomar con el número de decmales que se quera. c. Las masas pueden ser estmadas con un error relatvo de 1% o sea que m (1/100)m. d. Las resstencas de uso común y corrente pueden ser estmadas con un error de 5 a 10%. e. Para la medcón de una longtud por medo de una regla, se puede estmar que se hace un error de 0.5 mm en cada extremo de la medcón, lo que nos da un error l = 1 mm. f. Para la medcón del tempo, con un cronómetro manual, se puede estmar un error de 1/5 de segundo al ncar el movmento y de 1/5 de segundo al fnalzar el movmento o sea que T = /5 de segundo. g. Para la medcón de una varacón de temperatura, generalmente pequeña, las lecturas deben hacerse con mucho cudado y se debe aprecar ¼ de dvsón, lo que produce un error total de ½ dvsón. h. Para la medcón de los ángulos, los errores absolutos deben expresarse en radanes. S por ejemplo, hacemos un error de 1 o, el error en radanes será: = /180.1 o.= 0, o. Págna 11 de 1
12 x (cm) Físca Fundamental I: Notas sobre manejo de Errores y Gráfcas. 6. GRAFICAS En muchos expermentos lo que obtenemos es una sere de valores smultáneos de dos varables, que podemos organzar en forma de tabla de datos, sn embargo, es muy dfícl encontrar una relacón cuanttatva entre las varables o aún formarse una dea de la varacón de una de ellas al varar la otra. Una gráfca nos permte vsualzar la relacón entre las varables en forma más rápda y tambén permte, en muchos casos, deducr una ecuacón que relacone las dos varables en cuestón. Antes de dscutr cómo se pueden obtener estas relacones entre varables, es convenente hacer algunas observacones generales sobre la forma de grafcar manualmente una sere de datos. Nos lmtaremos a gráfcas que pueden hacerse en papel mlmetrado y dejaremos para un apéndce de estas notas una breve dscusón sobre gráfcas en otros tpos de papel, tales como el logarítmco y el semlogarítmco. S el estudante sgue las sguentes recomendacones, desde el prmer expermento, encontrará que sus gráfcas serán mejores y de mayor utldad: 1) No es necesaro que las escalas empecen desde cero y vayan hasta el mayor valor de cada una de las varables. S por ejemplo tenemos datos smultáneos de dos varables x y t cuyos valores fluctúan así: x desde 150 hasta 50 y t desde 0 hasta 40, la escala para x puede empezar en 150. De lo contraro sólo se usaría una porcón pequeña de la gráfca y no sería tan útl. La fgura 6 lustra la mejor forma de hacer esta gráfca. x vs t t (seg) Págna 1 de 1
13 Fgura 6. Ejemplo de una gráfca. Note la manera de destacar los puntos grafcados y tambén que las escalas son dferentes para x y t. ) La escala deberá ser senclla, o sea que cada centímetro debe representar 1,, 5, 10, 50, 100, etc. undades de la varable que queremos representar. Las escalas para los dos ejes no tenen que ser las msmas. S se usan escalas en las cuales 1cm representa 3 undades, por ejemplo, será muy dfícl grafcar los puntos y tambén hacer lecturas de las coordenadas de puntos en el gráfco. 3) Las gráfcas deben tener una dentfcacón, un título, que ndque lo que la gráfca representa. Sobre los ejes deben marcarse las varables representadas, ndcando las undades en que se mde cada una de ellas. La gráfca debe permtr a una persona, que no ha realzado el expermento, formarse una dea clara de lo que se ha hecho. 4) Un punto expermental debe estar claramente dentfcado, por ejemplo, colocando un pequeño círculo alrededor del punto, como se ha hecho en la fgura 6. S en una msma gráfca se representan varas curvas o relacones, para varas condcones expermentales, cada una de ellas deberá dstngurse con un símbolo dstnto: círculo, cuadrado, trángulo, cruz, X, etc. 5) Es convenente usar lápz, al menos ncalmente, para marcar las escalas, los puntos, etc., y usar tnta o repntar cuando ya estemos seguros de que la escogenca de escalas y de convencones han sdo adecuadas Gráfca Lneal La ecuacón de una línea recta es: y = mx + b (6.1) En la fgura 7 se lustra este caso especal y se ndca el sgnfcado de la constante b, el ntercepto, de la recta. La constante m, la pendente, es la tangente del ángulo que la recta hace con el eje x. Generalmente no podemos determnar, para una recta dada, esta constante medante la smple operacón de medr el ángulo con un transportador. Esto sólo puede hacerse cuando las escalas de los dos ejes son guales y se mden las dos varables en las msmas undades. Pero la pendente s puede determnarse a partr de la relacón: y x ( y y1), (6.) ( x x ) 1 como se ha ndcado en la fgura 7. Págna 13 de 1
14 Fgura 7. Se lustra el sgnfcado del ntercepto (b) de una recta y la manera de calcular su pendente (m) S x e y son dos varables que medmos expermentalmente y al hacer un gráfco se obtenen los puntos ndcados en la fgura 7, podremos decr que la relacón entre estas varables es lneal y podremos obtener la pendente y el ntercepto para dar la relacón entre estas varables como una ecuacón de la forma de la ecuacón Gráfcas No Lneales Sólo en casos muy especales tenemos la suerte de que las varables que nos nteresan estén en una relacón lneal, como en el caso que dscutmos en la seccón anteror. En general, cuando se grafquen los valores smultáneos de dos varables (x y t, por ejemplo) e ntentemos unr los puntos medante una línea, tal línea resultará curvada, como se ha ndcado en la fgura 8. La Tabla No. 1 da los valores smultáneos de x y t usados para la fgura 8. TABLA No 1. t (seg) x (cm) z(cm/seg) 0 5,00 0,00 1 5,75 0,75 7,00 1,00 3 8,75 1,5 4 11,00 1, ,75 1, ,00,00 7 0,75,5 8 5,00,50 9 9,75, ,00 3,00 Págna 14 de 1
15 x (cm) Físca Fundamental I: Notas sobre manejo de Errores y Gráfcas. 40 x vs t t (seg) Fgura 8. Ejemplo de gráfca no lneal, los datos grafcados se dan en la tabla No.1. Aun cuando la relacón entre x y t no es lneal, es obvo que s es lo sufcentemente regular como para poderse representar medante una ecuacón. Pero, cómo saber que tpo de ecuacón debemos usar? No exste una respuesta únca a esta pregunta, es decr, no se puede dar una sere de nstruccones que se puedan segur en todos los casos, con garantía de éxto. Muchas veces, sn embargo, se puede prever que las varables o cantdades físcas x y t deben tener una relacón cuya forma general conocemos a pror. Por ejemplo s x representa la poscón de una partícula y t el tempo y tenemos razones para creer que el movmento de la partícula es unformemente acelerado, la ecuacón que relacona x con t es de la forma: x x0 bt ct (6.3) Obvamente x 0 es el valor de x cuando t = 0 y lo conocemos a partr de los datos que tenemos. Lo más convenente sería transformar o modfcar la ecuacón 6.3 en forma tal que la relacón entre las nuevas varables sea lneal. Esto puede lograrse s defnmos: x x z 0 b ct t (6.4) Y s hacemos ahora un gráfco de z vs t, debemos obtener una línea recta. S el movmento no es unformemente acelerado, z vs t no nos dará una línea recta, pero este resultado negatvo es útl, pues ya sabemos algo acerca del movmento del cuerpo y podremos buscar otras combnacones. Págna 15 de 1
16 z (cm/seg) Físca Fundamental I: Notas sobre manejo de Errores y Gráfcas. La fgura 9 muestra el resultado de grafcar z vs t para los datos de la fgura 8. En la Tabla No 1 se han lstado los valores de z usados para la fgura 9. S no tenemos nnguna dea preva de cual puede ser la relacón entre dos varables que medmos, posblemente tendremos que hacer muchos ensayos de dversas combnacones de las varables meddas para obtener fnalmente una línea recta. Es posble que tengamos que recurrr a gráfcas en papeles logarítmco o semlogarítmco, Sobre las cuales dremos algo en el Apéndce. z vs t 3,0,5,0 1,5 1,0 0, t (seg) Fgura 9. Lnealzacón de la gráfca de la fgura EL METODO DE MINIMOS CUADRADOS PARA LA DETERMINACION DE DOS CANTIDADES DESCONOCIDAS Para el manejo de datos expermentales se han desarrollado varas técncas de mucha mportanca práctca entre las que se encuentra el método de mínmos cuadrados, el cual permte obtener una nformacón dgna de confanza a partr de un conjunto de medcones expermentales. Este método puede ser utlzado en la determnacón de cantdades desconocdas a partr de un conjunto de pares de medcones de dos cantdades relaconadas lnealmente. Sean dos varables x, y. Su relacón lneal se puede escrbr en la forma y = mx + b, donde m es la pendente y b es el ntercepto y. A partr de una sere de N medcones (y, x ), en las que sólo se tenen errores aprecables de medcón en los valores y, el método de mínmos cuadrados establece que los valores mas probables de m y b están dados por: Págna 16 de 1
17 x y N x y x N m (7.1) x y x x y x b (7.) N x x La fgura 10 lustra los cálculos de m y b; cada punto representa un par de medcones. La línea se dbuja con los valores obtendos medante las ecuacones 7.1 y 7.. En general, esta línea no necesta pasar exactamente por nnguno de los puntos expermentales. En la fgura tambén se lustra la dstanca vertcal entre los puntos expermentales y la línea recta obtenda; el método de mínmos cuadrados expuesto mnmza la suma de los cuadrados de estas dstancas vertcales. Por esto, la línea determnada por este procedmento es llamada algunas veces la línea de regresón de y en x. Fgura 10. Gráfca para lustrar los cálculos de m y b. Cada punto representa un par de meddas; un par típco es la ndcado por (y,x ). La dstanca vertcal entre dcho punto y la recta de mínmos cuadrados calculada se desgna por d. La desvacón de cada medcón, d, ndcada en la fgura 10, está dada por d mx b y (7.3) La varanza de la muestra, (el cuadrado de la desvacón estándar es por lo tanto: 1 1 d mx b y (7.4) N N Los errores en los valores y producen errores en los valores de m y de b encontrados. Págna 17 de 1
18 Las desvacones estándar m y b correspondentes se puede calcular a partr de la desvacón estándar de la muestra, medante las sguentes relacones: N m (7.4) N x x x x b (7.5) N x Ahora ben, es posble que la relacón entre las dos varables y,x no se conozca de antemano o al grafcar los puntos estos aparezcan tan dspersos debdo a los errores expermentales que no sea claro s exste o no alguna relacón entre y y x, como lo puede sugerr una representacón gráfca como la de la fgura 11, en cuyo caso cabe preguntarse s exste alguna correlacón entre las dchas varables. Fgura 11. Puntos expermentales de una medcón cualquera. Exste alguna relacón entre las varables y y x meddas? Para fjar algún crtero que permta hacer un juco razonable sobre la relacón entre las varables se defne una nueva cantdad denomnada coefcente de correlacón r de tal manera que, cuando los puntos cagan exactamente en una línea recta, r = 1, tengamos una correlacón lneal perfecta entre dchas varables y cuando r = 0 tengamos que no es posble establecer una correlacón lneal entre ellas. Es decr, de haber alguna correlacón lneal, el valor de r debe ser mayor que 0 y menor que 1. La defncón de r es la sguente: N x y x y 1/ x N y y r (7.7) 1/ N x Págna 18 de 1
19 APENDICE GRAFICAS LOGARITMICAS Y SEMILOGARITMICAS S por alguna razón sospechamos que la relacón entre dos varables o cantdades físcas que medmos es de la forma: y = ax (A.1) Pero no tenemos una manera clara de predecr el exponente n, podemos recurrr al sguente artfco: Tomemos logarítmos a ambos lados de la ecuacón A.1, para obtener: log y = log a + n log x (A.) Y s llamamos z = logy, w = logx, la ecuacón A. es de la forma: z = b + nw (A.3) Sendo b = loga. Por tanto una gráfca de z vs w debe ser una línea recta. El gráfco de z vs w puede hacerse en un papel mlmetrado, s calculamos prmero los logartmos de x e y. Tambén puede hacerse drectamente sobre un papel logarítmco, el cual se construye de tal manera que las escalas sean proporconales a los logartmos de los números. La fgura 1 lustra un gráfco hecho en este tpo de papel y en la tabla No se dan los valores de x e y usados en este caso. La Fgura 13 lustra cómo se construye una escala logarítmca. Sobre un eje de coordenadas escogemos una longtud básca o módulo que nos representará una undad, por ejemplo 5 cm; luego medante una tabla de logartmos o medante una calculadora obtenemos los logartmos de los números (En la fgura se ha lustrado úncamente para los números enteros) y los colocamos en la escala escogda. S ahora numeramos la escala con los números naturales, la dstanca desde el orgen (log1 = 0) será proporconal al logartmo del número; así cuando ubcamos el punto x = 4, y= 4, como se lustra en la fgura 1: Estaremos realmente grafcando (log 4, log 4). En otras palabras la escala logarítmca es una manera de tomar los logartmos de las abscsas y de las ordenadas, en forma automátca. Como en el gráfco de la fgura 1, las escalas son guales, la pendente se puede determnar mdendo con una regla común las dstancas y y x que se han ndcado y hacendo su cocente. El ntercepto ocurre para log x = 0, o sea, para x = 10 o = 1, y la ordenada correspondente a x = 1 será el valor de a en las ecuacones A.1 y A.. Para convencerse de esto basta mrar la ecuacón A. y ver que para log x = 0, log y o = log a, luego y o = a. Págna 19 de 1
20 Y Y X X 0 1 Fgura 1. Gráfco en papel logarítmco, Usando los datos de la tabla No. Fgura 13. Forma de construr una escala logarítmca Dejemos ya el caso de las gráfcas logarítmcas y dscutamos brevemente el caso de las gráfcas semlogarítmcas. Estas encuentran aplcacón cuando la relacón funconal entre las varables sea de la forma: y ae kx (A.4) S tomamos logartmos, tendremos: log y log a kx log e (A.5) Págna 0 de 1
21 Y s defnmos: z = log y, b = log a y k log e = m, tendremos: z b mx (A.6) o sea una relacón lneal. Podemos entonces grafcar z = log y, vs x y la gráfca debe ser una línea recta. Nuevamente esto se puede hacer en un papel especal con el cual la escala vertcal (las ordenadas) es logarítmca, pero la escala horzontal (las abscsas) es una escala común o s se quere mlmétrca. La ecuacón A.6 permte ver que el ntercepto nos da drectamente el valor de la constante b. Para determnar la pendente, sn embargo, es necesaro tomar los logarítmos de las ordenadas de dos puntos, hacer su dferenca y dvdr por la dferenca de las respectvas abscsas, o sea: log y log y1 m k log e (A.7) x x1 Una vez calculado el valor de m, se puede obtener de nmedato el valor de la constante k, puesto que log e = 0, Para termnar, nsstamos en que en esta era de las calculadoras electróncas, con las cuales se pueden obtener en forma rápda y fácl los logarítmos de los números que nos nteresan, es muy fácl hacer las gráfcas que hemos dscutdo en esta seccón en papel mlmetrado y obtener toda la nformacón que ellas puedan proporconarnos, sn recurrr al uso de papeles especales. Págna 1 de 1
Problemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesTÉCNICAS AUXILIARES DE LABORATORIO
TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
Más detallesAnálisis de error y tratamiento de datos obtenidos en el laboratorio
Análss de error tratamento de datos obtendos en el laboratoro ITRODUCCIÓ Todas las meddas epermentales venen afectadas de una certa mprecsón nevtable debda a las mperfeccones del aparato de medda, o a
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesTratamiento de datos experimentales. Teoría de errores
Tratamento de datos expermentales. Teoría de errores. Apéndce II Tratamento de datos expermentales. Teoría de errores (Fuente: Práctcas de Laboratoro: Físca, Hernández et al., 005) El objetvo de la expermentacón
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesGuía de Electrodinámica
INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan
Más detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesMateriales Industriales, Ingeniería Técnica Industrial Mecánica Profesor: Dr. María Jesús Ariza, Departamento de Física Aplicada, CITE II-A, 2.
Materales Industrales, Ingenería Técnca Industral Mecánca Profesor: Dr. María Jesús Arza, Departamento de Físca Aplcada, CITE II-A,. Teoría de meddas. Meddas magntudes: La teoría de meddas Las varables
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesTEORÍA DE MEDIDAS INTRODUCCIÓN
Teoría de Meddas TEORÍA DE MEDIDAS ITRODUCCIÓ Las cencas epermentales operan con valores numércos que se obtenen como resultado de efectuar meddas de varables, por ejemplo una temperatura, una longtud
Más detallesINSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA
INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA LABORATORIO 1-008 PRACTICA 4: LEYES DE LOS GASES 1. OBJETIVOS ) Comprobacón expermental de las leyes de los gases. En este caso nos vamos a concentrar en el estudo
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesFUNDAMENTOS QUIMICOS DE LA INGENIERIA
FUNDAMENTOS QUIMICOS DE LA INGENIERIA (BLOQUE DE INGENIERIA QUIMICA) GUION DE PRACTICAS DE LABORATORIO ANTONIO DURÁN SEGOVIA JOSÉ MARÍA MONTEAGUDO MARTÍNEZ INDICE PRACTICA PAGINA BALANCE MACROSCÓPICO DE
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesCAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED
Modelo en red para la smulacón de procesos de agua en suelos agrícolas. CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED IV.1 Modelo matemátco 2-D Exsten dos posbldades, no ndependentes, de acuerdo con
Más detallesLaboratorio de Física con soporte interactivo en Moodle
Laboratoro de Físca con soporte nteractvo en Moodle Laboratoro de Físca con soporte nteractvo en Moodle Javer Ablanque Ramírez Rosa María Bento Zafrlla Juan Carlos Losada González Departamento de Físca
Más detallesTema 1: Análisis de datos unidimensionales
Tema : Análss de datos undmensonales. Varables estadístcas undmensonales. Representacones gráfcas.. Característcas de las dstrbucones de frecuencas undmensonales.. Varables estadístcas undmensonales. Representacones
Más detallesTRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).
TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesMaestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza
Maestría en Admnstracón Meddas Descrptvas Formularo e Interpretacón Dr. Francsco Javer Cruz Arza A contnuacón mostramos el foco de atencón de las dstntas meddas que abordaremos en el presente manual. El
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesNÚMEROS COMPLEJOS. y sabemos que no podemos calcular raíces de números negativos en R. Para resolver este problema introduciremos el valor i = 1
NÚMEROS COMPLEJOS 1. Qué es un número complejo? Defncones. La ecuacón x + 1 = 0 no tene solucón en el campo real puesto que s ntentamos resolverla tendremos que x = ± 1 y sabemos que no podemos calcular
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesGUÍA 5. Roberto Fabián Retrepo A., M. Sc. en Física Profesor Asociado Escuela de Física Universidad Nacional de Colombia
GUÍA 5 Dego Lus Arstzábal R., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal de Colomba Roberto Fabán Retrepo A., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal
Más detallesGUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22
DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.
Más detalles8 MECANICA Y FLUIDOS: Calorimetría
8 MECANICA Y FLUIDOS: Calormetría CONTENIDOS Dencones. Capacdad caloríca. Calor especíco. Equlbro térmco. Calormetría. Calorímetro de las mezclas. Marcha del calorímetro. Propagacón de Errores. OBJETIVOS
Más detallesProcedimiento de Calibración. Metrología PROCEDIMIENTO DI-010 PARA LA CALIBRACIÓN DE COMPARADORES MECÁNICOS
Procedmento de Calbracón Metrología PROCEDIMIENTO DI-00 PARA LA CALIBRACIÓN DE COMPARADORES MECÁNICOS La presente edcón de este procedmento se emte exclusvamente en formato dgtal y puede descargarse gratutamente
Más detallesLaboratorio de Electricidad PRACTICA - 8 SHUNTS PARA INSTRUMENTOS DE MEDICIÓN DE CORRIENTE
PRACTCA - 8 HUNT PARA NTRUMNTO D MDCÓN D CORRNT - Fnaldades 1.- Convertr un dspostvo fundamental de medcón (alvanómetro) en un mlamperímetro con márenes de medda más elevados. 2.- Calcular el valor del
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesHidrología superficial
Laboratoro de Hdráulca Ing. Davd Hernández Huéramo Manual de práctcas Hdrología superfcal 7o semestre Autores: Héctor Rvas Hernández Juan Pablo Molna Agular Rukmn Espnosa Díaz alatel Castllo Contreras
Más detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detalles1.- Objetivo Alcance Metodología...3
PROCEDIMIENTO DO PARA EL CÁLCULO DEL FACTOR DE DESEMPEÑO DEL CONTROL DE FRECUENCIA (FECF) EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE 1.- Objetvo...3 2.- Alcance...3 3.- Metodología...3 3.1.- Cálculo de la
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesEJERCICIOS DE ESTADÍSTICA BIDIMENSIONAL.
EJERCICIOS DE ESTADÍSTICA BIDIMENSIONAL. 1. Una cofradía de pescadores regstra la cantdad de sardnas que llegan al puerto (X), en klogramos, el preco de la subasta en la lonja (Y), en euros por klo, han
Más detallesMatemáticas Discretas
Coordnacón de Cencas Computaconales - INAOE Matemátcas Dscretas Cursos Propedéutcos 2010 Cencas Computaconales INAOE Dr. Lus Vllaseñor Pneda vllasen@naoep.mx http://ccc.naoep.mx/~vllasen Algo de nformacón
Más detallesTEMA 10: ESTADÍSTICA
TEMA 10: La Estadístca es la parte de las matemátcas que se ocupa de recoger, organzar y analzar grandes cantdades de datos para estudar alguna característca de un colectvo. 1. VARIABLES S UIDIMESIOALES
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesAdemás podemos considerar diferentes tipos de medidas de resumen. Entre ellas tenemos:
MEDIDAS DE POSICIÓN Y DISPERSIÓN Estadístca En la clase anteror vmos como resumr la nformacón contenda en un conjunto de datos medante tablas y gráfcos. En esta clase vamos a ver como resumrlos medante
Más detallesCAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.
Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo
Más detallesMEDIDAS DESCRIPTIVAS
Tema 2: MEDIDAS DESCRIPTIVAS DE LOS DATOS 1. MEDIDAS DE CETRALIZACIÓ: Meda Medana Moda Cuantles Otras 2. MEDIDAS DE DISPERSIÓ: Desvacón típca Varanza Rango Otras 3. MEDIDAS DE FORMA: Asmetría Apuntamento
Más detallesACTIVIDADES INICIALES
Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesAnálisis de ruido en detectores ópticos.
Análss de rudo en detectores óptcos. La corrente real generada en un fotododo es de carácter aleatoro, cuyo valor fluctúa entre el valor promedo defndo por la foto-corrente: p = RP Dchas fluctuacones se
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesDELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID
DELTA MATE OMAÓN UNETAA / Gral. Ampuda, 6 8003 MADD EXÁMEN NTODUÓN A LA ELETÓNA UM JUNO 008 El examen consta de ses preguntas. Lea detendamente los enuncados. tene cualquer duda consulte al profesor. Todas
Más detallesEJERCICIOS RESUELTOS TEMA 2
EJERCICIOS RESUELTOS TEMA.1. La Moda, para el grupo de Varones de la Tabla 1, es: A) 4,5; B) 17; C) 60.. Con los datos de la Tabla 1, la meda en para las Mujeres es: A) gual a la meda para los Varones;
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesPráctica 2 Caracterización de un dinamómetro
Págna 1/9 Práctca Caracterzacón de un dnamómetro Págna 1 Págna /9 1. Segurdad en la ejecucón Pelgro o fuente de energía 1 Peso de las masas patrón Resgo asocado Al manpular las masas nadecuadamente se
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detalles6.1 EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS
TEMA NÚMEROS COMPLEJOS. EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS DEFINICIONES Al resolver ecuacones del tpo : x + = 0 x = ± que no tene solucón en los números reales. Los números complejos nacen del deseo
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesANEXO B SISTEMAS NUMÉRICOS
ANEXO B SISTEMAS NUMÉRICOS Sstema Decmal El sstema ecmal emplea ez ferentes ígtos (,,,, 4, 5, 6, 7, 8 y 9). Por esto se ce que la base el sstema ecmal es ez. Para representar números mayores a 9, se combnan
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesTEMA 4. TRABAJO Y ENERGIA.
TMA 4. TRABAJO Y NRGIA. l problema undamental de la Mecánca es descrbr como se moverán los cuerpos s se conocen las uerzas aplcadas sobre él. La orma de hacerlo es aplcando la segunda Ley de Newton, pero
Más detallesCinemática del Brazo articulado PUMA
Cnemátca del Brazo artculado PUMA José Cortés Parejo. Enero 8. Estructura del brazo robótco El robot PUMA de la sere es un brazo artculado con artculacones rotatoras que le proporconan grados de lbertad
Más detalles4. REPRESENTACIONES GRÁFICAS PARA DATOS CATEGÓRICOS.
4. REPRESETACIOES GRÁFICAS PARA DATOS CATEGÓRICOS. Cuando se manejan fenómenos categórcos, se pueden agrupar las observacones en tablas de resumen, para después representarlas en forma gráfca como dagramas
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más detallesTeoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios
Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesTipología de nudos y extremos de barra
Tpología de nudos y extremos de barra Apelldos, nombre Basset Salom, Lusa (lbasset@mes.upv.es) Departamento Centro ecánca de edos Contnuos y Teoría de Estructuras Escuela Técnca Superor de Arqutectura
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detalles4 BALANZA DE MOHR: Contracción de mezcla alcohol/h2o
4 LNZ DE OHR: Contraccón de mezcla alcohol/h2o CONTENIDOS Defncones. Contraccón de una ezcla. olumen específco deal y real. Uso de la balanza de ohr. erfcacón de Jnetllos. Propagacón de Errores. OJETIOS
Más detallesPRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE AÑOS EXÁMENES PROPUESTOS Y RESUELTOS DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CONVOCATORIAS DE --- F Jménez Gómez Este cuaderno
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detalles12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández
MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández
Más detallesPRECIOS MEDIOS ANUALES DE LAS TIERRAS DE USO AGRARIO (METODOLOGÍA)
SECREARÍA ENERAL ÉCNICA MINISERIO DE ARICULURA, ALIMENACIÓN Y MEDIO AMBIENE SUBDIRECCIÓN ENERAL DE ESADÍSICA PRECIOS MEDIOS ANUALES DE LAS IERRAS DE USO ARARIO (MEODOLOÍA) OBJEIVO: Desde 1983 el Mnstero
Más detallesIncertidumbre de la Medición: Teoría y Práctica
CAPACIDAD, GESTION Y MEJORA Incertdumbre de la Medcón: Teoría y Práctca (1 ra Edcón) Autores: Sfredo J. Sáez Ruz Lus Font Avla Maracay - Estado Aragua - Febrero 001 Copyrght 001 L&S CONSULTORES C.A. Calle
Más detallesRegresión y correlación simple 113
Regresón y correlacón smple 113 Captulo X ANALISIS DE REGRESION Y CORRELACION El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes
Más detallesMedidas de Tendencia Central y de Variabilidad
Meddas de Tendenca Central y de Varabldad Contendos Meddas descrptvas de forma: curtoss y asmetría Meddas de tendenca central: meda, medana y moda Meddas de dspersón: rango, varanza y desvacón estándar.
Más detalles