Introducción CONTROL DE ESTRUCTURA VARIABLE DR. BASIL M. AL-HADITHI

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

Download "Introducción CONTROL DE ESTRUCTURA VARIABLE DR. BASIL M. AL-HADITHI"

Transcripción

1 Itroduccó E este capítulo se comeza realzado ua descrpcó de la evolucó hstórca de la Teoría de Cotrol. E la seccó 2 se realza ua breve troduccó al Cotrol de Estructura Varable (VSC, Varable Structure Cotrol) co Modos Deslzates (SM, Sldg Mode). CONTROL DE ESTRUCTURA VARIABLE A cotuacó se preseta las propedades del VSC-SM por las que ha tedo tato éxto. E el apartado 4 se explca los pasos a segur para dseñar el VSC-SM. Falmete, e el últmo apartado se mecoa los trabajos que trata de reducr o evtar el rudo cotuo. DR. BASIL M. AL-HADITHI 1 2 1

2 Tema: Itroduccó Itroduccó al cotrol VSC-SM. El sstema de cotrol de Estructura Varable (VSC) co modos deslzates (SM) se caracterza por la facldad co la que se trata o lealdades e certdumbres e los sstemas de cotrol. Etre los sstemas susceptbles de aplcar la teoría del VSC se tee: sstemas o leales, sstemas co retraso, sstemas de gra escala, sstemas multvarables, etc. Aparte de su aplcacó prcpal, que es la establzacó de sstemas, las téccas del VSC comeza a aplcarse al cotrol de sstemas de segumeto de movmetos, cotrol óptmo y al cotrol adaptatvo. El cotrol VSC co el modo deslzate (SM, Sldg Mode) fue propuesto y eleborado por prmera vez por [Emelyaov, 1967] y varos vestgadores [Utk, 1977], [España, 1984] dode era aplcado al cotrol de ua plata de proceso modelada e el plao de fases medate u sstema leal de segudo orde. No obstate, e sus cos la teoría del VSC o atrajo mucha atecó e aplcacoes dustrales. La razó pudo ser doble: prmero, las téccas más populares de dseño de sstemas de cotrol hcero sombra al VSC; segudo, las propedades mportates de robustez del VSC o se había recoocdo o aprecado etoces

3 Desde 1980, dos desarrollos ha cremetado e gra medda la atecó sobre el VSC [Hug, 1993]. El prmero la exsteca de u método geeral de dseño de VSC para sstemas complejos. El segudo es el recoocmeto total de la robustez perfecta del VSC co respecto a las perturbacoes. Como resultado, la vestgacó y el desarrollo se ha acelerado e los campos teórcos y de aplcacoes. Tras haber recorrdo ua larga hstora de vestgacó y desarrollo, el VSC se ha establecdo como u método geeral de cotrol. Su vabldad es cada vez más recoocda por los profesoales del cotrol, auque queda todavía problemas por vestgar. El VSC resulta muy atractvo para los geeros de cotrol, ya que sus coceptos báscos so fácles de compreder y ha dado u redmeto satsfactoro e muchas áreas práctcas de la electróca dustral. El VSC es aplcable a muchos sstemas de cotrol dode o está be desarrollados otros métodos de dseño. Auque las cotrbucoes e el dseño y aálss teórco de sstemas co VSC cotúa mejorado, resulta mportate drgr també la vestgacó expermetal haca toda clase de problemas dustrales. Los resultados de estos estudos mejorará dudablemete la cofaza de los geeros e el uso del VSC [Hug, 1993]

4 Se puede cosderar el SM como ua cotuacó del VSC y el método de la asgacó de autovalores, porque e el método del modo deslzate los estados del sstema sgue la ecuacó de líea de comutacó s(x)=0. Esto es smlar al caso de asgacó de los autovalores, pero la dfereca es que este método es sólo aplcable a sstemas leales y que los autovalores depede de los parámetros del sstema a cotrolar; metras el cotrolador e el SM es sesble a varacoes e los parámetros del sstema orgal. Se ha mplemetado e aplcacoes de cotrol de robots [Sabaovc, 1981] y cotrol de motores, dado lugar a la publcacó de muchos estudos teórcos [Hug, 1993]. 4. Fudametos y Característcas del VSC-SM. El cotrol deslzate (SM, Sldg Mode) es de terés recete [Itks, 1976], [Utk, 1977], debdo al progreso de la mcroelectróca y de la electróca de poteca [Utk, 1977], [Hug, 1993], [Itks, 1976]. Fgura 1. Cotrol de Estructura Varable

5 El VSC se modela geeralmete e el plao de fases. La ley de cotrol del sstema de estructura varable camba cuado su estado cruza el plao de comutacó, del que se hablará posterormete. S la ley de cotrol Kx se elge de forma que K cambe etre valores dferetes, se modfca la estructura del sstema e cadea cerrada y e cosecueca se obtee trayectoras dferetes de las que se podría obteer co u valor de K fjo. E la fgura 2 se muestra u ejemplo de dos tpos de trayectoras que se podría obteer para u sstema de segudo orde. Fgura 2. Plaos de fase para dos valores de k dsttos

6 E la fgura 3 se muestra cómo sería las trayectoras del sstema e cadea cerrada y se puede observar que ésta costaría de trozos de las trayectoras de los sstemas etre los que tee lugar la comutacó. Precsamete el cotrol VSC se basa e guar la trayectora de estado del sstema haca u plao prefjado y e forzarla a deslzar sobre dcho plao medate comutacoes etre las estructuras resultates de aplcar u cotrol dscotuo. El plao deslzate o fucó de comutacó S(X) pasa por el orge del plao de fase, y este puto represeta el puto de establdad astótca absoluta. De modo que el forzar al estado del sstema a deslzar sobre dcho plao de comutacó tee ua doble fucó: O Prmero, oblgar a la salda del sstema a drgrse al orge del plao de fase. Fgura 3. Trayectora e cadea cerrada. O Segudo, prefjar la característca de la respuesta trastora del sstema

7 E el VSC, los algortmos de dseño cluye la seleccó de las fucoes deslzates S(X) deseadas, esto es, la eleccó de sus parámetros. Posterormete se mplemeta u cotrol dscotuo que asegura la exsteca de los modos deslzates e cada puto del plao deslzate S(X) = 0. E geeral las dámcas del VSC costa de dos codcoes: la codcó de alcace y la codcó deslzate. E la prmera, el objetvo es llegar al plao de comutacó e u tempo fto desde cualquer puto. També se deoma modo o deslzate. La seguda parte se deoma el modo deslzate, durate el cual la trayectora tede astótcamete al orge del espaco de estados. Los parámetros de la fucó de comutacó codcoa el comportameto fal del sstema durate el modo deslzate. Se puede observar cuatro característcas del sstema de estructura varable: Como el orge del espaco de estados represeta el estado de equlbro del sstema, el SM represeta el comportameto del msmo durate el perodo trastoro. E otras palabras, la superfce que descrbe S(x) = 0 defe la respuesta trastora del sstema durate el SM. Durate el SM, las dámcas de la trayectora so de u orde meor que el orde del sstema orgal

8 x& = x = 1..., x& = a x + f ( t) + u = 1 Durate el SM, la dámca de la trayectora está goberada solamete por los parámetros que descrbe la fucó deslzate. El SM es ua trayectora que o es herete a gua de las estructuras de cotrol. A cotuacó se explca los pasos a segur para dseñar u VSC-SM para u sstema de orde eésmo y de r etradas. Procedmeto de Dseño de u VSC-SM. Se cosdera el dseño de u VSC co SM [Emelyaov, 1967], [Utk, 1977], para u sstema de la sguete forma: [Eq.1] sedo: u la accó de cotrol a costates

9 La ecuacó de la líea de comutacó que se sgue e la mplemetacó es la propuesta por [Utk, 1977] s = c x, = 1 c = cost., c = 1 [Eq.2] Las sguetes pares de desgualdades so codcoes sufcete s para que el modo deslzate exsta lm s& > 0 s o y lm s& < 0 s + 0 [Eq.3] Para probar la varaza del SM co respecto a los parámetros y se susttuye e la ecuacó 1. Las ecuacoes resultates del SM so, x& = = 1 x , 2 x& = c x = 1 [Eq.4] Las cuales depede sólo de los parámetros c 1957]. [Emelyaov, a, se resulve la ecuacó s=0 para la varable X

10 El procedmeto de dseño basado e la propedad de varaza es el sguete: prmero, el SM deseado se costruye medate eleccó de los parámetros c. Segudo, se cosgue u cotrol dscotuo que garatza la exsteca de los modos deslzates e todos los putos del plao s=0, també deomado plao, Tercero, la accó de cotrol debe drgr el estado del sstema al plao deslzate, como se explcará a cotuacó. Se supoe que la accó de cotrol es ua fucó leal por tramos de x co coefcetes dscotuos [Utk, 1977], u = ψ x δ sg s, ψ = = 1 α β 1 k s s > 0 s x > = s 0 sg s 1 s s < 0 s x s < 0 α, β, δ cost. 0 [Eq.5] 19 10

11 Aplcado la ecuacó 3, está claro que las codcoes ecesaras y sufcetes para que el m odo deslzate exsta so. α c β c c a c 1 1 a cc a c c = c 1 a ca + c a = 1,..., k, c = 0 = k + 1,..., 0 [Eq.6] 6. Reduccó del Rudo Cotuo. Ua de las característcas del dseño y aálss de sstemas de vsc es que la accó de cotrol puede comutar de u valor a otro de forma ftamete rápda. s embargo, e sstemas práctcos, el rudo cotuo es deseable, porque es mposble cosegur el cotrol de alta comutacó ecesaro e la mayoría de dseños de vsc, debdo a muchas razoes. ua de ellas es la exsteca de u retraso e el cómputo de cotrol. la seguda razó es la lmtacó de los actuadores físcos. El rudo cotuo sempre ocurre e los modos deslzates y e régme permaete. E régme permaete, el rudo cotuo aparece como ua osclacó de alta frecueca alrededor del puto deseado de equlbro y puede resultar ua fuete de exctacó de las dámcas de alta frecueca del sstema o modeladas [Flugge-Lotz, 1959], [Kwaty y Youg, 1987] y [Slote y L, 1991]

12 Exste dsttas aproxmacoes para elmar el rudo cotuo. E varos dseños del VSC, el cotrol tee térmos smlares a u relé. Las propedades deales de u relé so cas mposbles de cosegur. Por ello u efoque para reducr rudo cotuo es reemplazar el relé por ua saturacó (aproxmacó cotua [Slote y L, 1991]. Otro efoque es el de [L, 1997] y [Slote y L, 1991], que sugrero añadr ua capa límte alrededor de la superfce de comutacó para alsar la dscotudad del cotrol como se ve e la fgura 2.5. Detro de esta capa el cotrol se elge para ser ua aproxmacó cotua de la fucó de comutacó

13 Otro método de cotuacó reemplaza el cotrol [Ambroso et al.,.d], [Brerley y Logchamp,1990] sedo δ ua costate postva que hace que el cotrol sea cotuo. Los efoques de cotuacó elma el rudo cotuo de alta frecueca a cambo de perder la varaza

14 Se puede mateer u alto grado de robustez co ua capa límte de pequeña achura, pero los retrasos sgfcates de los actuadores de cotrol mplca la ecesdad de ua ampla capa límte. Es teresate otar que los dferetes tpos de VSC so estables y sus trayectoras está lmtadas e ua bada o zoa e el espaco de estado. S la achura de la bada es sufcetemete estrecha, las dámcas detro de la bada se deoma modos cuas deslzates

Ingeniería de Sistemas y Automática Continuidad del control visual Ingeniería de Sistemas y Automática Continuidad del control visual

Ingeniería de Sistemas y Automática Continuidad del control visual Ingeniería de Sistemas y Automática Continuidad del control visual Cotudad del cotrol vsual INDICE Itroduccó Teoría prelmar: Cotrol vsual e el espaco varate Cotrol e el espaco varate co pesos(weghted varat space) Expermetos utlzado datos smulados Cotrol de ua camara metras

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

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

Capítulo 2 Sistemas Multi-Maquinas -Planteamiento-

Capítulo 2 Sistemas Multi-Maquinas -Planteamiento- LC-3054 Sstemas de Poteca II Capítulo Sstemas Mult-Maquas -Plateameto- Prof. Fracsco M. Gozález-Logatt fglogatt@eee.org http://www.gaelec.org/fglogatt/sp.htm SISTMAS D POTNCIA II stabldad Mult-Maquas Fracsco

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

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

Métodos indirectos de estimación: razón, regresión y diferencia

Métodos indirectos de estimación: razón, regresión y diferencia Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó

Más detalles

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas. Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra

Más detalles

Expectativas del Mercado y Creación de Valor en la Empresa

Expectativas del Mercado y Creación de Valor en la Empresa 2d teratoal Coferece o dustral Egeerg ad dustral Maagemet X Cogreso de geería de Orgazacó September 3-5, 28, Burgos, Spa Expectatvas del Mercado y Creacó de Valor e la Empresa elpe Ruz López 1, Cáddo Barrea

Más detalles

CAPÍTULO II MARCO TEÓRICO

CAPÍTULO II MARCO TEÓRICO CAPÍTULO II MARCO TEÓRICO - - MARCO TEÓRICO El marco teórco de este trabajo propoe los métodos heurístcos factbles que resolverá este problema. Co lo que se buscará cubrr las egecas de los datos dspobles

Más detalles

ERRORES EN LAS MEDIDAS (Conceptos elementales)

ERRORES EN LAS MEDIDAS (Conceptos elementales) ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas

Más detalles

Universidad de Cantabria

Universidad de Cantabria Smulacó dámca Pedro Corcuera Dpto. Matemátca Aplcada Cecas de la Computacó Uversdad de Catabra corcuerp@uca.es Ídce Geeral Smulacó de cotrol PID Smulacó de cotrol de vel Ajuste de cotroladores PID Smulacó

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

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

Máximos y Mínimos de funciones de dos variables

Máximos y Mínimos de funciones de dos variables Mámos Mímos de fucoes de dos varables Aplcacoes a Modelacó Matemátca AJUTE DE CURVA Regresó leal Lealzacó: epoecal, potecas razoes Coceptos geerales f() Problema geeral: e tee u cojuto dscreto de valores

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

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

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

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

FEM-OF: EDP Elíptica de 2 Orden

FEM-OF: EDP Elíptica de 2 Orden 9/02/2008 Capítulo 5: FM-OF: D líptca de 2 Orde Idce: 5..- Operador Dferecal líptco 5.2.- roblema Básco 5.3.- Fucoes Óptmas 5.4.- FM-OF Steklov-ocaré 5.5.- FM-OF Trefftz-Herrera 5.6.- FM-OF etrov-galerk

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

Problemas discretos con valores iniciales

Problemas discretos con valores iniciales Problemas dscretos co valores cales Gustavo Adolfo Juarez Slva Iés Navarro El presete trabajo pretede dfudr problemas dscretos co valores cales (e adelate PVID), a partr de ecuacoes e dferecas leales co

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

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

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

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad. Parte : MECÁNICA CUÁNTICA 1. Los postulados de la Mecáca Cuátca.. Estados Estacoaros. 3. Relacó de Icertdumbre de Heseberg. 4. Teorema de compatbldad. 1 U breve repaso de Mecáca Clásca 1. Partícula clásca:

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

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

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

Regresión - Correlación

Regresión - Correlación REGRESIÓN Regresó - Correlacó Aálss que requere la cosderacó de o más varables cuattatvas e forma smultáea. Aálss de Regresó: estuda la relacó fucoal de ua o más varables respecto de otra Aálss de Correlacó:

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

4 MÉTODOS NUMÉRICOS UTILIZADOS

4 MÉTODOS NUMÉRICOS UTILIZADOS 4 MÉTODOS UMÉRICOS UTILIZADOS C omo se verá más adelate, e alguos de los problemas plateados colleva ua sere de establdades que hace que la solucó sea dfícl de obteer. Las establdades será eucadas coforme

Más detalles

CENTRO DE MASA centro de masas centro de masas

CENTRO DE MASA centro de masas centro de masas CENTRO DE ASA El cetro de masas de u sstema dscreto o cotuo es el puto geométrco que dámcamete se comporta como s e él estuvera aplcada la resultate de las fuerzas exteras al sstema. De maera aáloga, se

Más detalles

TEMA 6 MUESTREO POR CONGLOMERADOS MONOETÁPICO

TEMA 6 MUESTREO POR CONGLOMERADOS MONOETÁPICO TEA 6 UESTREO POR COGLOERADOS OOETÁPICO Cotedo 1- Defcó. Aplcacó. Seleccó de ua muestra por Coglomerados. Etapas. otacó. - uestreo mooetápco co coglomerados de gual tamaño. Estmacó de la meda, el total

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

J O. = r i. por el vector unitario k cuya dirección y sentido son los del semieje positivo OZ:

J O. = r i. por el vector unitario k cuya dirección y sentido son los del semieje positivo OZ: aletos ísca para Cecas e Igeería 1.1 1.1 Cocepto de sóldo rígdo Al comeo del estudo de la Mecáca, vmos que u sóldo rígdo es u caso partcular de u sstema de partículas materales que se caractera por ser

Más detalles

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

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

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos Aálss Numérco y Programacó Udad III -Iterpolacó medate trazadores: Leales, cuadrátcos y cúbcos Prmavera 9 Aálss Numérco y Programacó Coceptos geerales Problema geeral: Se tee u cojuto dscreto de valores

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

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

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

REDES DE BASE RADIAL. 1. Funciones de Base Radial.

REDES DE BASE RADIAL. 1. Funciones de Base Radial. Tema 5: Redes de Base Radal Sstemas Coexostas 1 REDES DE BASE RADIAL 1. Fcoes de Base Radal. 2. Dervacó del Modelo Neroal. 2.1. Arqtectra de a RBFN 2.2. Fcoaldad. 2.3. Carácter Local de a RBFN. 3. Etreameto.

Más detalles

1.2. Medidas de Concentración

1.2. Medidas de Concentración .. Meddas de Cocetracó Matlde Machado.. Meddas de Cocetracó La gra mayora de los mercados se ecuetra etre los extremos de competeca perfecta (cocetracó mma) y moopolo (cocetracó máxma). Las meddas de cocetracó

Más detalles

Probabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C

Probabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C Los axomas de la probabldad obabldad El prmer paso para descrbr la certdumbre es cosderar el cojuto de posbles resultados obtedos a partr de u expermeto aleatoro. Este cojuto es llamado espaco muestral

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

. 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

UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1

UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1 ESCUELA UNIVERSITARIA DE TÉCNICA INDUSTRIAL UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO La sguete tabla muestra la ota fal e los exámees de estadístca (E) e vestgacó operatva (IO) de ua

Más detalles

Apéndice 1. Ajuste de la función gamma utilizando el método de máxima probabilidad ( maximum likelihood )

Apéndice 1. Ajuste de la función gamma utilizando el método de máxima probabilidad ( maximum likelihood ) Apédces Apédces 357 Apédce. Ajuste de la fucó gamma utlzado el método de máma probabldad mamum lkelhood Se descrbe a cotuacó el ajuste de la fucó gamma utlzado e el apartado.2..2 pága 28. Véase Burguess

Más detalles

X / n : proporción de caras ( = frecuencia relativa del suceso A = f A = n A / n ) Se espera que a medida que n crece la frecuencia relativa de cara

X / n : proporción de caras ( = frecuencia relativa del suceso A = f A = n A / n ) Se espera que a medida que n crece la frecuencia relativa de cara 95 Teoremas límte Cosderemos el exermeto aleatoro que cosste e arrojar ua moeda equlbrada veces. Suogamos que se regstra la roorcó de caras. U resultado coocdo es que esta roorcó estará cerca de /. Formalzado

Más detalles

Modelos de Regresión Simple

Modelos de Regresión Simple Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

El Problema de Búsqueda

El Problema de Búsqueda Aálss y Dseño de Algortmos El Problema de Búsqueda Arturo Díaz Pérez Cojutos estátcos Arboles de decsó para búsqueda Cojutos dámcos Arboles de búsqueda bara Aálss del peor caso Aálss del caso promedo Arboles

Más detalles

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa Error tpo I: Rechazar H sedo H Verdara Test Hpótess Error tpo II: No rechazar H sedo H Falsa Nvel Sgfcacó: = P(error tpo I = P(Rechazar H sedo H Verdara Probabldad error tpo II: = P(error tpo II = P(No

Más detalles

TEMA 4: VALORACIÓN DE RENTAS

TEMA 4: VALORACIÓN DE RENTAS TEMA 4: ALORACIÓN DE RENTAS 1. Cocepto y valor facero de ua reta 2. Clasfcacó de las retas. 3. aloracó de Retas dscretas. Temporales. 4. aloracó de Retas dscretas. Perpetuas. 5. Ejerccos tema 4. 1. Cocepto

Más detalles

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE : Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS

Más detalles

1.9. ESTÁTICA CON ROZAMIENTO

1.9. ESTÁTICA CON ROZAMIENTO Fudametos y Teorías Físcas ETS Arqutectura.9. ESTÁTICA CON ROZAMIENTO Hemos estudado el equlbro de los cuerpos stuados lbremete e el espaco, o cuado estaba udos medate elaces a otros cuerpos o a bases

Más detalles

4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór

4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór Capítulo 4 Iterpolacó polomal de Hermte E determadas aplcacoes se precsa métodos de terpolacó que trabaje co datos prescrtos de la fucó y sus dervadas e ua sere de putos, co el objeto de aumetar la aproxmacó

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

Tema 5: Equilibrio General Parte III OWC Economía para Matemáticos. Fernando Perera Tallo ttp://bit.ly/8l8ddu

Tema 5: Equilibrio General Parte III OWC Economía para Matemáticos. Fernando Perera Tallo ttp://bit.ly/8l8ddu y Tea 5: Equlbro Geeral Parte III OWC Ecooía para Mateátcos Ferado Perera Tallo ttp://bt.ly/8l8ddu Esteca de Equlbro Ferado Perera-Tallo A lo largo de esta presetacó os vaos a cocetrar e espacos Eucldos,

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

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

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

RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental.

RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental. RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN Los métodos de regresó se usa para estudar la relacó etre dos varables umércas. Este tpo de problemas aparece co frecueca e el

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

2.4 Pruebas estadísticas para los números pseudoaleatorios

2.4 Pruebas estadísticas para los números pseudoaleatorios Capítulo Números pseudoaleatoros.4 Pruebas estadístcas para los úmeros pseudoaleatoros 34 E la seccó. se presetaro dversos algortmos para costrur u cojuto r, pero ése es sólo el prmer paso, ya que el cojuto

Más detalles

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector.

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector. Comportameto Mecáco de Sóldos Capítulo II. Itroduccó al aálss tesoral. Itroduccó al aálss tesoral esores Es aquella catdad físca que después de ua trasformacó de coordeadas (que obedezca certas reglas),

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

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

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

1.3. Longitud de arco.

1.3. Longitud de arco. .. Logtud de arco. Defcó. Sea C ua curva suave defda paramétrcamete por la fucó vectoral f : R R / f () t = ( f() t, f() t,, f ( t) ) e el espaco R, co t [ a, b], que se recorre exactamete ua vez cuado

Más detalles

2.5. Área de una superficie.

2.5. Área de una superficie. .5. Área de ua superfce. Sea g ua fucó co prmeras dervadas parcales cotuas, tal que z g( x y), 0 e toda la regó D del plao xy. Sea S la parte de la gráfca de g cuya proyeccó e el plao xy es como se lustra

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

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

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2010 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES.

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2010 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. EJERCICIO a) ( putos) Racoalce smplfque la fraccó. 8 8 b) ( putos) Determe los coefcetes de la ecuacó 3 a b

Más detalles

ESTADÍSTICA. UNIDAD 3 Características de variables aleatorias. Ingeniería Informática TEORÍA

ESTADÍSTICA. UNIDAD 3 Características de variables aleatorias. Ingeniería Informática TEORÍA Uversdad Nacoal del Ltoral Facultad de Igeería y Cecas Hídrcas ESTADÍSTICA Igeería Iformátca TEORÍA Mg.Ig. Susaa Valesberg Profesor Ttular UNIDAD Característcas de varables aleatoras Estadístca - Igeería

Más detalles

METODOLOGÍA DE CÁLCULO DEL INDICADOR DE FLOTA EN OPERACIÓN (IFO)

METODOLOGÍA DE CÁLCULO DEL INDICADOR DE FLOTA EN OPERACIÓN (IFO) METODOLOGÍA DE CÁLCULO DEL INDICADOR DE FLOTA EN OPERACIÓN (IFO) I. Descrpcó del cálculo de los dcadores IFO CIFO La flota e operacó se medrá a través de los mecasmos IFO y CIFO, de acuerdo a lo establecdo

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

PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE. Eva Mª del Pozo García Mª Jesús Segovia Vargas Zuleyka Díaz Martínez

PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE. Eva Mª del Pozo García Mª Jesús Segovia Vargas Zuleyka Díaz Martínez PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE Eva Mª del Pozo García Mª Jesús Segova Vargas Zuleyka Díaz Martíez Departameto de Ecoomía Facera y Cotabldad I Uversdad Complutese

Más detalles

SEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE

SEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS PROBABILIDAD ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE 009- DURACIÓN

Más detalles

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre Tema. La medda e Físca Estadístca de la medda Cfras sgfcatvas e certdumbre Cotedos Herrameta para represetar los valores de las magtudes físcas: los úmeros Sstemas de udades Notacó cetífca Estadístca de

Más detalles

TEMA 2: CAPITALIZACIÓN SIMPLE

TEMA 2: CAPITALIZACIÓN SIMPLE Matemátcas Faceras Prof. Mª Mercedes Rojas de Graca TEMA 2: APITALIZAIÓN SIMPLE ÍNDIE 1. APITALIZAIÓN SIMPLE... 1 1.1. ONEPTO... 2 1.2. DESRIPIÓN DE LA OPERAIÓN... 2 1.3. ARATERÍSTIAS DE LA OPERAIÓN...

Más detalles

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además

Más detalles

DINÁMICA DE LOS SISTEMAS DE PARTÍCULAS

DINÁMICA DE LOS SISTEMAS DE PARTÍCULAS ísca para Cecas e Igeería 9 9 Seguda ley de Newto para u sstema de partículas Vmos al comezo de la Mecáca que u sstema de partículas materales es u cojuto más o meos umeroso de partículas que puede ejercer

Más detalles

La Metodología de la Verosimilitud Empírica

La Metodología de la Verosimilitud Empírica La Metodología de la Verosmltud Empírca Gozalo Delgado Facultad de Matemátcas, Uversdad Autóoma de Guerrero Méxco deggozalo@aol.com Probabldad y Estadístca Superor Resume Se expoe la metodología de la

Más detalles

G - Métodos de Interpolación

G - Métodos de Interpolación ESCUELA SUPERIOR DE NÁUTICA Y MÁQUINAS NAVALES / NAUTIKAKO ETA ITSASONTZI MAKINETAKO GOI ESKOLA TEKNIKOA FUNDAMENTOS MATEMÁTICOS G - Métodos de Iterpolacó Polomo de terpolacó de Lagrage. Polomo de terpolacó

Más detalles

Supongamos que hemos aplicado el test F y hemos rechazado la H0.

Supongamos que hemos aplicado el test F y hemos rechazado la H0. Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos

Más detalles

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN Qué es ESADISICA? Es u couto de la rama de las Matemátcas Es algo aburrdo que mplca u motó de cuetas 3 Es u couto de téccas que se puede usar para probar cualquer cosa 4 Es u couto de coocmetos téccas

Más detalles

GENERALIDADES ESTADISTICA DESCRIPTIVA

GENERALIDADES ESTADISTICA DESCRIPTIVA MOD MEDIDS DE TEDECI CETRL MEDI MEDI RITMETIC MOD MEDIDS DE TEDECI CETRL MEDI MEDI RITMETIC MEDIDS DE TEDECI CETRL MEDI RITMETIC Defcó: Es la suma de todos los datos de ua sere dvdda por su úmero Cálculo:

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

UNIVERSISDAD DE SANTIAGO DE CHILE FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA ELÉCTRICA

UNIVERSISDAD DE SANTIAGO DE CHILE FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA ELÉCTRICA UNIVERSISDAD DE SANTIAGO DE CHILE FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA ELÉCTRICA ASIGNACIÓN DE COSTOS POR SERVICIOS COMPLEMENTARIOS EN EL MERCADO DE ENERGÍA ELÉCTRICA: CASO CHILENO ALUMNO:

Más detalles

Como en ningún caso se conoce el valor verdadero de una medida es aconsejable hablar de error aparente.

Como en ningún caso se conoce el valor verdadero de una medida es aconsejable hablar de error aparente. ERRORES EXPERIMENTALES E todo proceso de medcó este lmtacoes dadas por los strumetos usados, el método de medcó, el observador (u observadores) que realza la medcó. Asmsmo, el msmo proceso de medcó troduce

Más detalles

4º MEDIO: MEDIDAS DE POSICIÓN

4º MEDIO: MEDIDAS DE POSICIÓN 4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co

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

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

LECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS

LECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS Uversdad Católca Los Ágeles de Cmbote LECTURA 0: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS TEMA : DISTRIBUCIONES DE FRECUENCIAS: DEFINICIÓN Y CLASIFICACIÓN

Más detalles

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada. MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:

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

Inferencia Estadística

Inferencia Estadística Ifereca Estadístca Poblacó y muestra Coceptos y defcoes Muestra Aleatora Smple (MAS) Cosderemos ua poblacó, cuya fucó de dstrbucó esta dada por F(), la cual está costtuda por u úmero fto de posbles valores,

Más detalles

Análisis de Regresión y Correlación Lineal

Análisis de Regresión y Correlación Lineal Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres

Más detalles