TRATAMIENTO DE DATOS EXPERIMENTALES

Tamaño: px
Comenzar la demostración a partir de la página:

Download "TRATAMIENTO DE DATOS EXPERIMENTALES"

Transcripción

1 TRATAMIENTO DE DATO EXPERIMENTALE.- INTRODUCCIÓN Los resltados de las meddas se epresa mércamete, asocado alores cocretos a las magtdes meddas drecta o drectamete: masa, olme cocetracó, temperatra, etc. Al asgar determado alor a a magtd medate proceso de medcó, drecta o drecta, hemos de cotar co el hecho de qe sempre a a r acompañado de certa mprecsó. Dado qe todas las lees epermetales srge de la sstematzacó de los resltados de meddas de laboratoro, es totalmete mprescdble teer e ceta las lmtacoes e la eacttd precsó de dchos resltados para teer a dea clara de s aldez, e defta, de las propas lees de ss coclsoes..- TIPO DE ERRORE EXPERIMENTALE La clasfcacó de los tpos de error sele hacerse co base e la fete de procedeca. Así se sele hablar de los sgetes errores:.. stemátcos: o errores qe se orga sempre e la msma dreccó e cada medda dsme la eacttd de la msma. Es el caso de los strmetos de medda mal calbrados, por ejemplo a balaza qe os hace qe calqer masa qe se mda reslte sempre desplazada os gramos más (o meos) de s alor real... Persoales: A esta categoría perteece los errores cometdos co más frececa cado se tee poca epereca e el laboratoro: lectra adecada de aparato, eqocacó e el reacto tlzado, etc. Estos dos tpo de errores, sstemátcos persoales, o es posble o es m dfícl catfcarlos, por ello cado detectemos error de este tpo es ecesaro comezar el epermeto de eo..3. De escala: Es el error debdo a la lmtacó e el poder resolto del aparato. Es error costate qe depederá del aparato e cocreto qe estemos tlzado para medr..4. Accdetales: o debdos a las flctacoes e las dsttas arables qe fle e el sstema. o mpresbles e etables a qe o se pede ejercer cotrol sobre estas flctacoes, clso ormalmete o se cooce todas las arables qe fle. Dado s carácter aleatoro pede ser tratados estadístcamete.

2 Estos dos últmos tpos de errores, se dfereca de los aterores porqe sí se pede catfcar, posterormete eremos de qe maera se llea esto a la práctca para el tratameto de datos epermetales. 3.- ERRORE ABOLUTO Y RELATIVO El error absolto os dca la eacttd de a medda. Decmos qe a medda es tato mas eacta cato meor sea el teralo fjado por el error absolto. Dada a medda epermetal de a magtd, a, error absolto, el alor erdadero de la magtd A debe estar compreddo etre a + a A a - a () Cato maor segrdad qeramos teer de qe la ecacó ateror se cmple, maor deberá ser el alor de a. El error absolto, a, tee las dades de a se epresa sempre como alor posto. Para comprobar la bodad de las meddas, o es sfcete cosderar el alor de error absolto. pogamos por ejemplo qe medmos dos logtdes dferetes obteedo como resltado l (.±0.)m. l (50.3±0.)m. Las dos meddas, como pede aprecarse, tee el msmo error absolto s embargo la segda medda es claramete mejor qe la prmera. Por eso se hace ecesaro trodcr el cocepto de error relato, qe se defe como: abs ε () A medo se sele epresar el error relato e %. El error relato o tee dades sempre es posto. ε(%) abs *00 ε*00 Coocedo el error relato tedremos a dea clara de la bodad de estra medda, depedetemete del alor de la msma. E el ejemplo ateror: ε (%) 0./.*00 8% ε (%) 0./50.3* % Es edete qe l es a medda mejor qe l.

3 4.- PROPAGACIÓN DE ERRORE E la maoría de las ocasoes a ez medda a o arías magtdes co ss errores, se trata de obteer los errores de otra otras magtdes relacoadas co las aterores. Así por ejemplo podemos medr el lado de cbo co s error a partr de este obteer el alor del olme co el so. 4. Fcoes de a sola arable ea dos magtdes e relacoadas por f() (3) Cado aramos e, obteemos e a aracó de así: +f(+) (4) Desarrollamos f(+) por Talor obteemos df () d f () +f() (5) d d restamos, e ambos térmos de la ecacó os qeda d f () f '(). + d +... (6) spoemos qe es peqeño, mcho mas peqeño será, 3... Por tato e prmera apromacó teemos f '(). (7) tomamos alores absoltos para qe e sea postos f '(). (8) dode e so los errores absoltos de e respectamete. El error relato podríamos obteerlo a partr de ε (9) embargo el error relato també podríamos obteerlo ddedo la ecacó (8) por e ambos térmos. f '(). f () (0) qe podemos trasformarla e d l f() ε. () d 3

4 Así qe el error relato podemos obteerlo també tomado logartmo eperao de la fcó f(); derado esta ea fcó (l f()) co respecto a mltplcado por el error absolto de. Ejemplo. ea la fcó l, coocemos e, qeremos coocer los errores absolto relato de. Error absolto: f '() f '(). Error relato. ε ε f () l l o be aplcado la ecacó () os qeda l f() l [l()] d l (f()) d / l l ε l. A partr de este error relato també podemos obteer el absolto. 4.. Fcoes de aras arables Pede ocrrr qe la magtd de la qe qeremos obteer ss errores depeda de aras arables. f (,,... ) () E este caso spoedo razoameto smlar al caso de fcoes de a arable llegamos a: 4

5 )... f ( (3) o be ε )..., l f( (4) Es habtal tlzar a de las dos ecacoes para calclar el error absolto o relato tlzar la ecacó para obteer el otro error. Ejemplos: Dfereca de dos úmeros - f f. ( f ) + f f ε Dsó de úmeros Tomado logartmos eperaos de os qeda: l - l l l f. l f. ) l f( + ε f l f.. ε + ε + ε + + ε ε 5.- DETERMINACIÓN DE LO ERRORE Como mos e la seccó, so dos los tpos de errores qe debemos teer e ceta e estro tratameto de errores, los de escala (.3) los accdetales (.4). 5

6 5. Errores de escala Como se mecoó aterormete este error depede del strmeto qe estemos tlzado para medr. E todo strmeto de calbrado (balazas, bretas, ppetas, etc) sólo es posble asocar úmero de cfras lmtado al resltado de la medda. E strmetos dgtales es el propo strmeto el qe lmta las cfras qe asoca a la medda las mprme e patalla (ej. la balaza dgtal). Por tato la últma cfra de las qe aparece e patalla es la qe se ecetra afectada de error, s la balaza marca.05 gr, dremos qe el resltado de la pesada es de.05±0.0 gr. E strmetos aalógcos (o dgtales) se pede asocar úmero de cfras segú la escala del aparato. La regla geeral es leer el strmeto dado tatas cfras como permta s gradacó estmar apromadamete a cfra más allá de la gradacó meor. Por ejemplo, teemos a ppeta qe mde hasta las décmas de mlltro marca poco más de.3 ml. se pede hacer a estmacó apromada de la cetésma decr qe se ha meddo.34ml (por ejemplo), edetemete esta últma cfra es apromada, se está cometedo error qe sele tomarse como meda dad de la escala del aparato, es decr, se debería epresar el resltado de esa medda como.34±0.05ml. Este certos strmetos de medda o gradados, como es el caso de los matraces aforados, para los cales el fabrcate establece el error qe habría qe cosderar e caso de qerer tomarlo e ceta. Por lo geeral estos strmetos so los sfcetemete precsos como para desprecar el error qe se comete al medr co ellos s se tlza adecadamete. 5. Errores accdetales Para catfcar estadístcamete el error accdetal debemos cosderar dos tpos de epermetos: aqellos qe cosste e determar certa magtd a traés de cojto de meddas aqellos e los qe dcha magtd se obtee a traés de a represetacó qe poga de mafesto la relacó etre dos arables. E el prmero de los casos dspodremos de cojto amplo de alores co los qe hallaremos la meda la desacó cadrátca meda (este últmo parámetro es el qe determa el error accdetal). E el segdo de los casos realzaremos a represetacó gráfca eremos qe parámetros so los qe os serrá para hallar el error. 6

7 5.. Aálss de error de cojto de meddas. pogamos qe se desea medr el alor de a determada propedad catfcables,, para ello se realza a sere de meddas qe da como alores de esa propedad el cojto:,, 3,.... El alor medo de la propedad e el cojto de meddas es la catdad: se cooce el alor eacto de la propedad, X, la desacó estádar o típca respecto al alor eacto ee dada por: σ ( X) Coee teer e ceta qe ca sele coocerse el alor absoltamete eacto de a propedad. Por tato, el térmo alor eacto debe tomarse e setdo o estrcto. Así, por ejemplo, se pede llamar alor eacto al qe se haa determado por algú otro procedmeto más precso qe el empleado e el epermeto e crso, o be el alor coocdo por la preparacó e el caso de patró, como scede e las eperecas de calbrado de aparato. o se cooce el alor eacto de la propedad se estma por la meda, la desacó estádar respecto de la medda ee dada por: s ( ) El cadrado de la desacó estádar recbe el ombre de araza (σ ó s ). Cado el alor de a propedad se estma por la medda de a sere de meddas, s se spoe qe las desacoes de las meddas ddales respecto al alor eacto sge a dstrbcó ormal, se pede estmar el error del alor meddo respecto al eacto (error accdetal co a fabldad α ó 00α %), como acc t α ( )s dode t -α (-) es el alor de la fcó t de tdet correspodete a - grados de lbertad para el alor de la arable gal a -α. 7

8 Así por ejemplo, el error accdetal estmado co α0.95 (95% de fabldad) para cojto de 6 meddas co desacó estádar s edría dado(apédce ): t (5)s 6 acc Como error absolto de la medda tomaremos acc + el resltado de la medda lo epresamos como.5706s med ± 5... Ajste por mímos cadrados a a recta pogamos qe cojto de datos, (, ),,... correspode a alores epermetales de dos magtdes qe sge a le de tpo leal: 6 ŷ β + ˆ 0 β E la práctca, los alores obtedos e epermeto se apartará del comportameto deal spestamete leal (be por qe el comportameto real o sea eactamete leal, por mprecsoes o errores e las meddas, etc). Es decr, para los datos epermetales: β 0 +β dode δ represeta desacoes de los alores obtedos respecto al comportameto deal spesto (resdos). E el ajste de los datos por el método de mímos cadrados se cosdera como estmacoes óptmas de los parámetros β 0 β los alores b 0 b qe reslta al hacer míma la sma de los cadrados de las desacoes: + δ δ ( b0 b ) es decr, los qe reslta de resoler el sstema de ecacoes: b 0 ( b0 b ) 0 ( b0 b ) 0 b Al resoler el sstema se obtee: b 8

9 co b0 b ( )( ) ( ) Σ Σ Ealacó de la caldad del ajste Ua dea acerca de la caldad del ajste ee dada por el llamado coefcete de regresó leal o coefcete de correlacó, R, defdo por: dode 0 R Σ (ŷ ) Σ ( ) ŷ b + b, metras qe es el correspodete alor meddo epermetalmete. Cato más prómo a la dad se ecetre R (e alor absolto), mejor cabe esperar qe se ajste los ptos a a recta. Desacó típca e teralo de cofaza para la pedete b Bajo certas sposcoes acerca de la dstrbcó probablístca de los resdos, ε, la desacó típca de la pedete pede estmarse por co s (b ) s s Σ ( ŷ dode es el úmero de meddas. El alor eacto de la pedete, β, se ecotrará compreddo e el teralo ) 9

10 b s.t ± α ( ) co a probabldad (fabldad o el de cofaza) de 00α%. Desacó típca e teralo de cofaza para la ordeada e el orge b 0 La desacó típca de la ordeada e el orge pede estmarse por σ(b 0 ) s. Σ los límtes correspodetes a a fabldad del 00α% edrá dados por: Σ 0 ± s..t α ( ) b Es decr, el resltado se presetará como: co a fabldad del 00α%. Σ β0 b0 ± s..t α ( ) Desacó típca e teralo de cofaza para alor terpolado ŷ. La desacó típca de alor terpolado 3, ŷ 0 e certo pto 0 pede estmarse por: s. ( 0 ) + Los límtes correspodetes a el de cofaza de 00α% edrá dados por: el resltado se presetará como: ( 0 ) 0 ± s. +.t α ( ) ŷ ( 0 ) 0 ŷ0 ± s. +.t α ( ) co a fabldad de 00α%, dode ŷ 0 b0 + b 0. Regresó ersa para alor de la ordeada, 0, se desea estmar certo teralo de cofaza de la arable e toro al pto ˆ 0 tal qe 0 b0 + bˆ 0, para el

11 de cofaza de 00α% dcho teralo edrá dado por [ I, ], dode I so raíces meor maor de la ecacó: dode P + Q + R 0 P b t s / Q t s / b ˆ 0 R b 0 t s / t s / ˆ co t t -α (-). Para qe la estmacó sea aceptable, el alor ˆ 0 debe caer detro del teralo [ I, ]. El resltado se presetará etoces como: co a fabldad del 00α%. 0 + I ± I 6.- PREENTACION DE REULTADO 6.- Cfras sgfcatas (C). Las cfras sgfcatas so aqellas cfras de a certa catdad qe coocemos co a certa segrdad. La últma C de dato es la prmera qe ee afectada de error. Por ejemplo, e a balaza dgtal qe mde hasta las cetésmas de gramo cosderamos qe coocemos eactamete las dades las décmas, pero la catdad correspodete a la cetésma es apromada, mprecsa, es la prmera cfra qe ee afectada por el error por lo tato la últma C. empre qe aamos a epresar a catdad obteda epermetalmete, lo haremos co ss cfras sgfcatas omtedo aqellas qe a detrás de la prmera qe se e afectada de error. Vamos a er ahora qé cfras de úmero so sgfcatas. Veremos e partclar cado so sgfcatos los ceros (los dígtos del al 9 so sempre sgfcatos):.- Los ceros colocados a la zqerda de dígtos -9 o so sgfcatos. El dato tee sólamete 3 C..- Los ceros colocados detrás de dígtos -9 además a la derecha del pto decmal sí so sgfcatos. El dato tee 4 C; 4.00 tee 4 C.

12 3.- Los ceros colocados etre dígtos -9 so sgfcatos. 0.4 (4 C), 4.00 (7 C). 4.- E caso de úmeros eteros, los ceros colocados a la derecha o so sgfcatos a meos qe se escrba el pto decmal eplíctamete, e co caso, sí lo so. Ej. 600 tee C, pero 600. tee 4 C. No obstate e estos casos es más cómodo epresar el etero e potecas de 0 dejado claro cátas cáles so las C, por tato, dóde está la mprecsó míma: Dato C mprecsó ± ± ± ± 6. Presetacó de resltados mércos A la hora de dar como alor de a propedad el resltado de epermeto, es ecesaro teer e ceta o sólo el alor estmado de la propedad (por lo geeral, el alor medo de las meddas efectadas e el epermeto) so el error estmado e dcho alor. El resltado se dará etoces e la forma: ± se dcará la fabldad α co qe se estmó el error. Este resltado debe terpretarse como qe ha a probabldad α de qe el alor eacto de la propedad se ecetre (, + ) compreddo e el teralo. El alor de se dará co a cfra sgfcata (e caso e qe la prmera cfra sgfcata sea la dad, pede darse dos), el alor medo,, se dará co tatas cfras como sea ecesaro hasta llegar a la prmera afectada por el error (la segda s el error se da co dos cfras). Tato e el alor como e el error estmado, se redodeará la últma cfra sgfcata. Además, se debe dcar las dades e qe se da el alor e caso de qe las haa.

13 Así, por ejemplo, s e epermeto de medda de a ressteca eléctrca, R, se obtee alor promedo de la propedad R de.376ω el error estmado es de 0.057Ω, el resltado se presetará como: R.38 ± 0.0 Ω o be R.376 ± 0.06 Ω 6.3 Presetacó de resltados gráfcos Las represetacoes gráfcas s lstratos útles para a) Coocer la forma aalítca qe establece la depedeca etre dos propedades, paralela...etc. b) Teer a mage qe faclte la terpretacó de a tabla de datos. La forma de represetar los gráfcos de dos arables debe ser: Partes de la gráfca..- Títlo: També llamado pe de fgra. Debe dar a descrpcó bree, objeta o sperfla del cotedo propósto de la gráfca. Debe redactase de modo qe /a lector/a teresado/a peda compreder dcha formacó..- Rótlo de los ejes: Cada eje debe rotlarse claramete co el ombre de la magtd qe se represeta las dades e qe se epresa, separadas por a barra de dsó; de esta forma los datos especfcados e los ejes se etederá qe esta dddos por esa dad. Ej. rótlos para masa: Masa/g, Masa/Kg, etc. 3.- Escalas: Debe elegrse cdadosamete de modo qe el cojto de ptos a represetar ocpe toda la gráfca o aparezca todos apelmazados e a zoa de la msma. Para hacer cómoda la terpretacó de la gráfca debe procrarse sar dsoes como,,3... ó 5,0,5... ó 0,0,30... etc. Esto faclta estmar alores termedos a los represetados. També tees qe teer e ceta qe o es ecesaro qe los ejes empece e 0, so qe pede empezar e calqer alor coeete al cojto de datos a represetar; por ejemplo, s represetamos eje de temperatras prómas al ambete sas grados Kel, la gráfca sería desastre s empezaras e 0K: apelmazarías todos los alores e toro a 300K.

14 4.- Ptos: Los ptos correspodetes a a pareja de datos debe marcarse claramete, tlzado, clso círclos. Asmsmo, dado qe los ptos de a gráfca de orge epermetal tee a mprecsó estmada o coocda., ésta pede señalarse medate barras qe lstre el error correspodete a esa medda. 5.- La Cra: Debes trazar a recta (o a cra) qe se aprome lo más posble a los ptos qe compoe la gráfca. Para el caso de a recta, la recta trazada debe ser la obteda por el aporte de mímos cadrados (seccó 5..) U ejemplo de gráfca pede erse e la Fgra, dode se represeta la presó de apor del aga frete a la temperatra e C.

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS Epermeto: I. OJETIVOS UNIVERSIDD DE TM Facultad de ecas Naturales Departameto de Físca TEORÍ DE ERRORES Idetfcar errores sstemátcos y accdetales e u proceso de medcó. ompreder los coceptos de eacttud y

Más detalles

Teoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II.

Teoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II. Teoría Smplfcada de ERRORES Suscrbe este documeto los coordadores de Laboratoro de Químca, Físca I y Físca II. Defcoes Báscas: -Error absoluto (o error): Itervalo xe dode co máxma probabldad se ecuetra

Más detalles

Incertidumbre de las medidas.

Incertidumbre de las medidas. Icertdumbre de las meddas. Al realzar el proceso de medcó, el valor obtedo y asgado a la medda dferrá probablemete del valor verdadero debdo a causas dversas, algua de las cuales ombraremos más adelate.

Más detalles

( ) = 1 ; f k. u v. uk v. vk u. Diferenciacion e Interpolacion 1/8. Diferenciacion e Interpolacion numerica. Diferencias finitas

( ) = 1 ; f k. u v. uk v. vk u. Diferenciacion e Interpolacion 1/8. Diferenciacion e Interpolacion numerica. Diferencias finitas Derecaco e Iterpolaco /8 Derecaco e Iterpolaco merca. Derecas tas Dadas las abscsas X ormemete espacadas X X h, a las qe correspode alores de co (): (X) se dee las prmeras derecas tas ( Haca delate ) como:

Más detalles

Estimación de Incertidumbres y presentación de resultados

Estimación de Incertidumbres y presentación de resultados Coceptos prevos Estmacó de Icertdumbres y presetacó de resultados Práctcas de Físca I y Físca II Departameto de Físca Aplcada I Escuela Poltécca Superor Matud: Propedad de u feómeo, cuerpo o sustaca que

Más detalles

La inferencia estadística es primordialmente de naturaleza

La inferencia estadística es primordialmente de naturaleza VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la

Más detalles

En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )

En esta sección estudiaremos el caso en que se usa un solo Predictor para predecir la variable de interés ( Y ) Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo

Más detalles

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x) APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)

Más detalles

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS Sugerecas para que mparte el curso Ha llegado el mometo e que es coveete resolver ejerccos aplcado

Más detalles

Análisis de Regresión

Análisis de Regresión Aálss de Regresó Ig. César Augusto Zapata Urqujo Ig. José Alejadro Marí Del Río Facultad de Igeería Idustral Uversdad Tecológca de Perera 0-05 Modelo de Regresó Leal Smple Y Dados A (, ) =,,. Gráfco o

Más detalles

Guía práctica para la realización de medidas y el cálculo de errores

Guía práctica para la realización de medidas y el cálculo de errores Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;

Más detalles

Línea de Investigación: Fisicoquímica de Alimentos. Programa Educativo: Licenciatura en Química. Nombre de la Asignatura: Química Analítica V

Línea de Investigación: Fisicoquímica de Alimentos. Programa Educativo: Licenciatura en Química. Nombre de la Asignatura: Química Analítica V Área Académca de: Químca Líea de Ivestgacó: Fscoquímca de Almetos Programa Educatvo: Lcecatura e Químca Nombre de la Asgatura: Químca Aalítca V Tema: Represetacoes gráfcas de las relacoes propedadcocetracó

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

EXPRESIÓN DE INCERTIDUMBRE EN LA CALIBRACIÓN DE EQUIPOS DE MEDICIÓN DE ENERGÍA ELÉCTRICA

EXPRESIÓN DE INCERTIDUMBRE EN LA CALIBRACIÓN DE EQUIPOS DE MEDICIÓN DE ENERGÍA ELÉCTRICA Ig. Álvaro Zpaqrá Traa Ig. Gerardo Porras Reda Laboratoro de Poteca y Eergía Spertedeca de Idstra y Comerco 0. INTRODUCCIÓN Cado se expresa el resltado de medcó e a magtd, es coveete y a veces oblgatoro,

Más detalles

INTRODUCCIÓN A LOS MODELOS MULTIECUACIONALES

INTRODUCCIÓN A LOS MODELOS MULTIECUACIONALES Ecoometría II lcecatra ADE INTRODUCCIÓN A LOS MODELOS MULTIECUACIONALES Profesor Rafael de Arce Borda rafael.dearce@am.es. RAZÓN DE SER DE LOS MODELOS MULTIECUACIONALES La ecoomía es feómeo ecesamete complejo

Más detalles

5. ANALISIS DE COLUMNAS DE ABSORCION

5. ANALISIS DE COLUMNAS DE ABSORCION 55 5. AALISIS DE COLUMAS DE ABSORCIO Se cosdera como a dad compleja la qe se etede costtda por cojto de dades smples, por ejemplo, a colma de absorcó o destlacó. La separacó qe se propoe e a de ellas se

Más detalles

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto

Más detalles

Regresión lineal simple

Regresión lineal simple Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,

Más detalles

x x x x x Y se seguía operando

x x x x x Y se seguía operando . INTRODUCCIÓN. DEFINICIONES UNIDAD : Números complejos Cuado se teta resolver ecuacoes de segudo grado como por ejemplo x 4x 0, se observa que o 4 6 5 4 6 tee solucoes reales x x, pues o exste raíces

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2

Más detalles

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro) UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.

Más detalles

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL Smposo de Metrología 4 al 7 de Octubre DISTRIBUCIÓ DE LA MEDIA Y EL TEOREMA DEL LÍMITE CETRAL Wolfgag A. Schmd Cetro acoal de Metrología Tel.: (44) 4, e-mal: wschmd@ceam.mx Resume: De acuerdo al Teorema

Más detalles

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE) Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL TIPOS DE RELACIONES ENTRE VARIABLES Dos varables puede estar relacoadas por: Modelo determsta Modelo estadístco Ejemplo: Relacó de la altura co la edad e ños.

Más detalles

Ensayos de control de calidad

Ensayos de control de calidad Esayos de cotrol de caldad Fecha: 0170619 1. lcace. Este procedmeto es aplcable e la evaluacó del desempeño del persoal que ejecuta pruebas e la Dvsó de Laboratoros de Ifraestructura de la Coordacó de

Más detalles

Estadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo

Estadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo Estadístca Tema 6: Aálss de Regresó. Estadístca. UNITEC Tema 6: Aálss de Regresó Modelos de Regresó E muchos problemas este ua relacó herete etre dos o mas varables, resulta ecesaro eplorar la aturaleza

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u

Más detalles

2 - TEORIA DE ERRORES : Calibraciones

2 - TEORIA DE ERRORES : Calibraciones - TEORIA DE ERRORES : Calbracoes CONTENIDOS Errores sstemátcos.. Modelo de Studet. Curvas de Calbracó. Métodos de los Mímos Cuadrados. Recta de Regresó. Calbracó de Istrumetos OBJETIVOS Explcar el cocepto

Más detalles

4 METODOLOGIA ADAPTADA AL PROBLEMA

4 METODOLOGIA ADAPTADA AL PROBLEMA 4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor

Más detalles

Colegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA

Colegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA Colego Sagrada Famla Matemátcas 4º ESO 011-01 1.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS ESTADÍSTICA DESCRIPTIVA La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

Gráfica de los resultados experimentales: Variable Independiente: Variable Dependiente: Variable asociada:

Gráfica de los resultados experimentales: Variable Independiente: Variable Dependiente: Variable asociada: :: OBJETIVOS [3.] o Apreder a presetar los datos epermetales como grafcas -. o Apreder a usar las hojas de papel logarítmco Semlogarítmco o Determar la relacó matemátca de ua grafca leal de datos epermetales

Más detalles

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2). TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores

Más detalles

1 Estadística. Profesora María Durbán

1 Estadística. Profesora María Durbán Tema 5: Estmacó de Parámetros Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.4 Dstrbucó de u estmador e el muestreo Objetvos del tema: Al fal del tema el

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple 1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( )

. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( ) Los úmeros complejos surje a ra de ecuacoes de la forma x + 0 Exste u certo paralelsmo etre este cuerpo el plao, cocretamete, lo que ha es ua correspodeca buívoca, es decr, ua relacó bectva etre C R R

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

R-C CARGA Y DESCARGA DE UN CONDENSADOR

R-C CARGA Y DESCARGA DE UN CONDENSADOR RC CARGA Y DESCARGA DE UN CONDENSADOR CONTENIDOS Estado trastoro de carga y descarga. Cálculo de la costate de tempo. Método de cuadrados mímos. Errores que se comete durate la evaluacó de τ OBJETIVOS

Más detalles

PRACTICAS AMPLIACION DE ANALISIS NUMERICO FACULTAD DE INFORMATICA

PRACTICAS AMPLIACION DE ANALISIS NUMERICO FACULTAD DE INFORMATICA PRACICAS AMPLIACION DE ANALISIS NUMERICO FACULAD DE INFORMAICA Práctca. Lbrerías para maear mágees. Coger de la pága web de la asgatra las lbreras ttp://serds.ds.lpgc.es/~lalvarez/teacg/aa/am_bmp. y ttp://serds.ds.lpgc.es/~lalvarez/teacg/aa/am..

Más detalles

MEDIDAS DE CENTRALIZACIÓN

MEDIDAS DE CENTRALIZACIÓN Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca

Más detalles

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

TEORÍA DE ERRORES. Los errores pueden clasificarse en dos grandes grupos: A) Sistemáticos y B) Accidentales.

TEORÍA DE ERRORES. Los errores pueden clasificarse en dos grandes grupos: A) Sistemáticos y B) Accidentales. TEORÍA DE ERRORES INTRODUCCIÓN Ates de car u curso práctco de laboratoro, es ecesaro apreder a terpretar de forma satsfactora los resultados que se obtega. Cuado se trata de determar el valor de ua magtud,

Más detalles

PARÁMETROS ESTADÍSTICOS ... N

PARÁMETROS ESTADÍSTICOS ... N el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto

Más detalles

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción. TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO 5..- Itroduccó. Stuacoes segú el vel de formacó: Certeza. Icertdumbre parcal o resgo: (Iversoes co resgo) Icertdumbre total: (Iversoes co certdumbre)

Más detalles

Transformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas

Transformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas 5º Curso-Tratameto Dgtal de Señal Trasformada Z Defcó y Propedades Trasformada Iversa Fucó de Trasfereca Dscreta Aálss de Sstemas 7//99 Capítulo 7: Trasformada Z Defcó y Propedades 5º Curso-Tratameto Dgtal

Más detalles

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos

Más detalles

CALCULO DIFERENCIAL E INTEGRAL II. Figura 1

CALCULO DIFERENCIAL E INTEGRAL II. Figura 1 TEMA (Últma modcacó 8-7-5 CALCULO DIFERENCIAL E INTEGRAL II DERIVABILIDAD Recordemos el cocepto de dervadas para ucoes de ua varable depedete = (. Para lo cual ormamos el cremeto de la ucó = ( + - ( El

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

TEORIA DE ERRORES. Fuentes De error. Error Final

TEORIA DE ERRORES. Fuentes De error. Error Final TEORIA DE ERRORES Fuetes De error Errores heretes: (EI) So los errores que afecta a los datos del prolema umérco puede teer dsttos orígees. Por ejemplo puede ser el resultado de la certdumre e cualquer

Más detalles

1. Introducción 1.1. Análisis de la Relación

1. Introducción 1.1. Análisis de la Relación . Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado

Más detalles

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción Capítulo VII PROBABILIDAD 1. Itroduccó Se dcaba e el capítulo ateror que cuado u expermeto aleatoro se repte u gra úmero de veces, los posbles resultados tede a presetarse u úmero muy parecdo de veces,

Más detalles

Regresión y correlación lineal.

Regresión y correlación lineal. Regresó y correlacó leal. Este procedmeto proporcoa medos legítmos, modelos matemátcos a trabes de los cuales, se puede establecer asocacoes etre varables de terés e las cuales la relacó usual o es casual.

Más detalles

EL DIAGRAMA DE DISPERSIÓN Y EL ANÁLISIS DE CORRELACIÓN

EL DIAGRAMA DE DISPERSIÓN Y EL ANÁLISIS DE CORRELACIÓN CAPÍTULO VIII EL DIAGRAMA DE DISPERSIÓN Y EL ANÁLISIS DE CORRELACIÓN 8. INTRODUCCIÓN A través del Dagrama Causa - Efecto establecemos las posbles causas que provoca u problema de caldad, estas aseveracoes

Más detalles

3 Metodología de determinación del valor del agua cruda

3 Metodología de determinación del valor del agua cruda 3 Metodología de determacó del valor del agua cruda Este aexo de la metodología del valor de agua cruda (VAC), cotee el método de detfcacó de la relacó etre reco y caudal, el cálculo de los estadígrafos

Más detalles

Análisis de la Varianza

Análisis de la Varianza Descrpcó breve del tema Aálss de la Varaza Tema. troduccó al dseño de expermetos. El modelo. Estmacó de los parámetros. Propedades de los estmadores 5. Descomposcó de la varabldad 6. Estmacó de la dfereca

Más detalles

ÁLGEBRA II (LSI PI) VALORES Y VECTORES PROPIOS UNIDAD Nº 6. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO

ÁLGEBRA II (LSI PI) VALORES Y VECTORES PROPIOS UNIDAD Nº 6. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO 6 ÁLGEBRA II (LSI PI) UNIDAD Nº 6 VALORES Y VECTORES PROPIOS Facultad de Cecas Exactas y Tecologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO aa Error! No hay texto co el estlo especfcado e el documeto.

Más detalles

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún: A. Morllas - p. - MUESTREO E POBLACIOES FIITAS () Dos aspectos báscos de la fereca estadístca, o vstos aú: Proceso de seleccó de la muestra Métodos de muestreo Tamaño adecuado e poblacoes ftas Fabldad

Más detalles

Aplicación de Boostrapping en Regresión I

Aplicación de Boostrapping en Regresión I Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores

Más detalles

1 ESTADÍSTICA DESCRIPTIVA

1 ESTADÍSTICA DESCRIPTIVA 1 ESTADÍSTICA DESCRIPTIVA 1.1 OBJETO DE ESTUDIO Y TIPOS DE DATOS La estadístca descrptva es u cojuto de téccas que tee por objeto orgazar y presetar de maera coveete para su aálss, la formacó coteda e

Más detalles

PROBABILIDAD Y ESTADISTICA

PROBABILIDAD Y ESTADISTICA 1. Es u cojuto de procedmetos que srve para orgazar y resumr datos, hacer ferecas a partr de ellos y trasmtr los resultados de maera clara, cocsa y sgfcatva? a) La estadístca b) Las matemátcas c) La ceca

Más detalles

Objetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética

Objetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética Objetvos Itroduccó a las meddas de poscó (tedeca cetral o tpsmo): Moda y Medaa Meda artmétca tca Cuartles,, decles y percetles Meddas de poscó Defcó: : refereca a u lugar específco de ua dstrbucó, epresado

Más detalles

Números Complejos PREGUNTAS MÁS FRECUENTES

Números Complejos PREGUNTAS MÁS FRECUENTES Repaso de º de Bachllerato Números Complejos PREGUNTAS MÁS FRECUENTES. Qué es la udad magara? Es u elemeto del que coocemos úcamete su cuadrado:.obvamete, o se trata de u úmero real.. Qué es u úmero complejo?

Más detalles

MEDIDAS DE FORMA Y CONCENTRACIÓN

MEDIDAS DE FORMA Y CONCENTRACIÓN MEDIDAS DE FORMA Y CONCENTRACIÓN 4..- Asmetría: coefcetes de asmetría de Fsher y Pearso. Otros Coefcetes de asmetría. 4.2.- La ley ormal. 4..- Curtoss o aplastameto: coefcete de Fsher. 4.4.- Meddas de

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

Más detalles

INGENIERÍA INDUSTRIAL DISEÑO EXPERIMENTAL LEOPOLDO VIVEROS ROSAS

INGENIERÍA INDUSTRIAL DISEÑO EXPERIMENTAL LEOPOLDO VIVEROS ROSAS INGENIERÍA INDUTRIAL A meudo, e la práctca, se requere resolver prolemas que clue cojutos de varales, cuado se sae que este algua relacó herete etre ellas, esa relacó se puede ecotrar a partr de la formacó

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

Estadística Espacial. José Antonio Rivera Colmenero Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

LOS NÚMEROS COMPLEJOS

LOS NÚMEROS COMPLEJOS LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate

Más detalles

Incertidumbre en las mediciones directas e indirectas

Incertidumbre en las mediciones directas e indirectas ertdumbre e las medoes dretas e dretas Reordado Para la seleó de u strumeto de medó os basamos e la Regla de Oro de la Metrología Luego, 0. T T La toleraa orregda por la ertdumbre del strumeto queda defda

Más detalles

ANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez

ANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez ANÁLISIS DE REGRESIÓN Feradez Departameto de Matemátcas Uversdad de Puerto Rco Recto Uverstaro de Mayagüez REGRESIÓN LINEAL SIMPLE Regresó: cojuto de téccas que so usadas para establecer ua relacó etre

Más detalles

Estadística Contenidos NM 4

Estadística Contenidos NM 4 Cetro Educacoal Sa Carlos de Aragó. Sector: Matemátca. Prof.: Xmea Gallegos H. 1 Estadístca Cotedos NM 4 Udad: Estadístca y Probabldades. Apredzajes Esperados: * Recooce dferetes formas de orgazar formacó:

Más detalles

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto: Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,

Más detalles

Problemas de Polímeros. Química Física Avanzada Iñaki Tuñón 2010/2011

Problemas de Polímeros. Química Física Avanzada Iñaki Tuñón 2010/2011 Problemas de Polímeros Químca Físca Avazada Iñak Tuñó / POL.-U polímero moodsperso de masa molecular. gmol - está cotamado e u % e peso co ua mpureza de peso molecular. gmol -. Calcular z,, Co los datos

Más detalles

Laboratorio de Física PRÁCTICA 1

Laboratorio de Física PRÁCTICA 1 PRELABORATORIO: MEDICIÓN - Medr. - Aprecacó. - Meddas drectas. - Meddas drectas. MEDIDAS DE LONGITUD - Cta métrca. - Verer. - Torllo mcrométrco. MEDIDAS DE TIEMPO - Croómetro. Error. - Error sstemátco.

Más detalles

FACTOR DE COBERTURA EN MEDIDA DE RADIOACTIVIDAD

FACTOR DE COBERTURA EN MEDIDA DE RADIOACTIVIDAD FACTOR DE COBERTURA EN MEDIDA DE RADIOACTIVIDAD Blázquez J. Dvsó de Fsó Nuclear CIEMAT, Madrd INTRODUCCIÓN Co frecueca, las meddas de recueto radoactvo está sujetas a Garatía de Caldad (). Etre otras cosas,

Más detalles

CAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_01. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D.

CAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_01. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D. CPIULO 2º FUNCIONES DE VECORES Y MRICES_ Ig. Dego lejadro Patño G. M.Sc, Ph.D. Fucoes de Vectores y Matrces Los operadores leales so fucoes e u espaco vectoral, que trasforma u vector desde u espaco a

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacó: Es u cojuto de elemetos co ua determada característca. Muestra: Es u subcojuto de la poblacó. Muestreo: Es el proceso para elegr ua muestra que sea represetatva de la poblacó.

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

Unidad 2. Reactores Continuos

Unidad 2. Reactores Continuos Reactores Químcos: Udad Udad Reactores otuos Reactores cotuos so aquellos e los cuales, de maera cotua, se almeta los reactvos y també, de maera cotua se extrae los productos Detro de esta clasfcacó, de

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar

Más detalles

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo

Más detalles

Guía para la Presentación de Resultados en Laboratorios Docentes

Guía para la Presentación de Resultados en Laboratorios Docentes Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las

Más detalles

Evolución buena 0,7 0,3 Evolución mala 0,2 0,8 Cuál es el valor máximo de esta información?

Evolución buena 0,7 0,3 Evolución mala 0,2 0,8 Cuál es el valor máximo de esta información? APELLIDOS: DNI: EXAMEN DE TÉCNICAS CUANTITATIVAS III. NOMBRE: GRUPO: E todos los casos, cosdere u vel de cofaza del 95% (z=).. U empresaro quere estmar el cosumo mesual de electrcdad e ua comudad de 000

Más detalles

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD. NSTTUTO TECNOLÓGCO DE ZCO Estadístca OLDD XOMS Y TEOEMS DE L OLDD. DEFNCONES DE L OLDD. La palabra probabldad se utlza para cuatfcar uestra creeca de que ocurra u acotecmeto determado. Exste tres formas

Más detalles

ESPACIOS VECTORIALES SUBESPACIOS FINITAMENTE GENERADOS:

ESPACIOS VECTORIALES SUBESPACIOS FINITAMENTE GENERADOS: SUBESPACIOS FINITAMENTE GENERADOS: Teorema S G={v, v,, v } es u sstema fto de geeradores de u subespaco S V K-EV, etoces G`= {v, v,, v,w} sedo w combacó leal de vectores de G, també geera a S. Demostracó

Más detalles

UNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA ANTONIO JOSÉ DE SUCRE VICERRECTORADO BARQUISIMETO DEPARTAMENTO DE INGENIERÍA QUÍMICA QUÍMICA GENERAL

UNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA ANTONIO JOSÉ DE SUCRE VICERRECTORADO BARQUISIMETO DEPARTAMENTO DE INGENIERÍA QUÍMICA QUÍMICA GENERAL UNIERSIDAD NACIONAL EXERIMENAL OLIECNICA ANONIO JOSÉ DE SUCRE ICERRECORADO BARQUISIMEO DEARAMENO DE INGENIERÍA QUÍMICA QUÍMICA GENERAL UNIDAD I CLASE Nº EL ESADO GASEOSO GAS IDEAL Es el estado de la matera

Más detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

Más detalles

. Algebraicamente se obtienen diferentes ecuaciones: v u Op v y es otro vector con el mismo módulo, la

. Algebraicamente se obtienen diferentes ecuaciones: v u Op v y es otro vector con el mismo módulo, la 6 CAPÍTULO : GEOMETRÍA EN EL ESPACIO - VECTORES. GEOMETRÍA DEL PLANO A lo largo de los crsos pasados estdamos la geometría del plao co los sgetes elemetos fdametales: Pto: Poscó e el plao qe por coeo defmos

Más detalles

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo: PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula

Más detalles

Incertidumbre en las mediciones directas e indirectas

Incertidumbre en las mediciones directas e indirectas Icertdumbre e las medcoes drectas e drectas Comezaremos por dstgur dos dferetes tpos de medcoes: Medcoes drectas: La medda de la cota se obtee e ua úca medcó co u strumeto de lectura drecta. Medcoes drectas:

Más detalles

ANTES DE COMENZAR RECUERDA

ANTES DE COMENZAR RECUERDA ANTES DE COMENZAR RECUERDA 00 Po tres ejemplos de úmeros reales que o sea racoales, y otros tres ejemplos de úmeros reales que o sea rracoales. Respuesta aberta. Tres úmeros reales que o sea racoales:,

Más detalles