Submicrométricas Ópticas
|
|
- Victoria Montes Soler
- hace 8 años
- Vistas:
Transcripción
1 Estmacón n de la Dstrbucón n de Tamaños de Partículas Submcrométrcas de Látex L por Técncas T Óptcas Lus M. Guglotta, Georgna S. Stegmayer, Jorge R. Vega Santa Fe (ARGENTINA) Septembre de 007 Unversdad Naconal del Ltoral CONICET Unversdad Tecnológca Naconal Facultad Regonal Santa Fe
2 MOTIVACIÓN Proceso de Polmerzacón Adcones Sembatch Monómero(s) Incador Emulsfcante Agua DISTRIBUCIÓN DE DE TAMAÑOS DE DE PARTÍCULAS (PSD) f(d) Polmerzacón Heterogénea Producto Fnal: Dspersón de partículas de polímero en agua (Látex) - Nucleacón - Crecmento PSD (D = nm) Varable ndcatva de CALIDAD en: Pnturas, Adhesvos, Tntas, Recubrmentos, Etc.
3 Importanca de la PSD de un Látex Relacón de la PSD con las propedades de uso fnal del látex Comportamento reológco del látex (vscosdad) Establdad a la coagulacón Temperatura de formacón del flm (MFT) Característcas del flm (permeabldad a gases y humedad, transparenca / opacdad). Informacón de la PSD sobre parámetros de la reaccón Constantes cnétcas y velocdad de polmerzacón, Reaccones que determnan la macroestructura molecular. PSD: Normalmente: D < 1000 nm NANOPARTÍCULAS
4 La PSD y sus Dámetros Medos Partículas esfércas de dámetro (D) f Dstrbucón en número D 1,0 D 3, D 6,5 D D 6,3 4, D 1,0 = 3.1 nm D 3, = 90. nm D 4,3 = D 6 = D (nm) 34.7 nm,3 35. nm D 6 = nm,5 D D 1,0 D 3, D 4,3 a, b Dámetros medos = N = 1 N = 1 f ( D f ( D ) ) D D a b 1 a b a, b = 0,1,,3 ; a>b : Dámetro medo en número : Dámetro medo en superfce : Dámetro medo en peso
5 Clasfcacón de Técncas de Medcón de PSDs 1) Observacón Drecta ) Dspersón de Luz Mcroscopías de transmsón (TEM) Mcroscopías de barrdo (SEM) Dnámca (DLS, QELS, PCS) Elástca (ELS) Turbdmetría (T) Cromatografía Hdrodnámca (HDC) Exclusón (SEC) Caplar (CHDF) 3) Fracconamento Campo + Flujo (FFF) Sedmentacón Flujo (FFFF) Térmco (TFFF) Eléctrco (EFFF) Sedmentacón (SFFF) Centrífuga de Dsco (DC) Ultracentrfugacón (UC) Otras: Electroforess, Electroacústca
6 Mcroscópía Electrónca (TEM, SEM) Mcrografía SEM: Látex PS Monodsperso Mcrografías TEM: Morfologías externas VENTAJA Permte la observacón drecta de la PSD DESVENTAJAS Cara Lenta Deformacón y Contraccón de partículas Dfcultad de Muestreo Dfcultad para medr partículas blandas
7 Fracconamento Hdrodnámco Caplar (CDHF) Fracconamento por tamaños (debdo a dferenca de velocdades de las partículas que fluyen en un tubo caplar) Las partículas más grandes eluyen antes que las más pequeñas. Deteccón turbdmétrca (0, 54 nm) Fractograma: señal de turbdez vs. tempo 1) Calbracón de abscsas (con estándares): tempo dámetro partícula ) Calbracón de ordenadas turbdez número partículas { π D Q ( )} 1 F( D) = 4τ D ext
8 T É C N I C A S Ó P T I C A S Modelos de Medcón y Problemas Inversos Dspersón de Luz Dnámca (DLS) Dspersón de Luz Elástca (ELS) Turbdmetría (T)
9 El Problema de las Técncas Óptcas Se pretende medr: Tamaños de Partículas... Pero se mde... Dspersón de Luz! Medcón INDIRECTA MODELO de Medcón PSD Verdadera MODELO DE MEDICIÓN MEDICIÓN Indrecta Inconvenente PSD dferentes orgnan medcones smlares Problema Inverso MAL CONDICIONADO
10 El Modelo de Medcón Modelo Contnuo (Integral de Fredholm) MEDICIÓN y( t) = 0 g( t, D) f ( D) dd PSD Kernel (Teoría de Me) Modelo Dscreto (Vectoral) y = A f DLS: y = Funcón de de autocorrelacón de de la la luz dspersada t t = tempo de de retardo de de la la correlacón ELS: y = Intensdad de de la la luz dspersada t t = ángulo de de medcón T: T: y = Espectro de de absorbanca t t = longtud de de onda
11 Teoría de MIE LUZ DISPERSADA C θ I, ( D) Coefcentes de de Me Me Intensdad dspersada a cada cada ángulo ángulo (θ) (θ) por por una una partícula de de dámetro D. D. LUZ MONO- CROMÁTICA D θ log(c ) I r=0 30 o 130 o r= D [nm] D =330 nm 1 D =1000 nm Amplfcacón relatva de ntensdades CI, θ ( D r( θ ) = CI, θ ( D r(θ (θ) ) ) θ [grados] θ = 30 : r 0 θ = 90 : r 5 θ = 130 : r 100
12 El Problema Inverso Medcón y Modelo ^ f Inverso PSD estmada Modelo de Medcón: y = A f Solucón del Problema Inverso: ^ f = A [-1] y Técncas de Regularzacón Inconvenentes en en la la Estmacón de de la la PSD Medcones: a) a) Bajo contendo de de nformacón b) b) Extremos cudados expermentales c) c) Mnmzar fuentes externas de de rudo.-.-modelo: Incertdumbres paramétrcas (IRP) Método: Experenca en en Problemas Inversos
13 Equpo para DLS (Brookhaven Instrument)
14 Dspersón de Luz Dnámca (DLS) Laser λ Luz ncdente Baño (T ) θ Sensor + Correlador Dgtal Muestra Luz dspersada ( ) G G () θ Medcón τ [ms] j DTP: f (D) () 1 G ( τ ) 1 ) j θ τ j = ( ) β G ( ) g ( β 1/ ^f (D) f (D) Cumulantes D DLS T, η, n m g (1) θ Autocorrelacón calculada Problema Inverso T, T, η, η, n m,, n p p τ [ms] j
15 DLS: Modelo Dscreto g (1) θ con: ( τ ) j n = D e C θ ( D Γ = 1 Γ 0 D τ j I, 0 = θ 16 n π m kt sn 3 λ η ) f ( / ) ( D ) Varables: C I,θ : coefcentes de Me τ j : tempo de retardo D : dámetro de partícula Parámetros: n m : índce de refraccón del medo n p : índce de refraccón de partículas (IRP) λ: long. de onda del láser η: vscosdad del medo (agua) T: temperatura k: Constante de Boltzmann PROBLEMA INVERSO Hallar la PSD: f(d ) a partr de las medcones g (1) θ ( τ ) j
16 MEDICIONES COMBINADAS Con el objetvo de: Aumentar el el Contendo de de Informacón en en las las medcones Alternatvas Exploradas 1) DLS Multángulo ) ELS + T 3) DLS Multángulo + T 4) DLS + ELS Técncas de Regularzacón Optmzacón por Prueba y Error Red Neuronal
17 TÉCNICA COMBINADA: DLS MULTIÁNGULO
18 TÉCNICA COMBINADA: DLS MULTIÁNGULO + T Látex de PS para dagnóstco DDLS [nm] D ˆ DLS D DLS,exp 400 ( ) T λ j θ r [º] Texp ( λ j ) DT [nm] D T,exp % (en número) 90.1 % (en peso) 0.6 % (en número) 9.9 % (en peso) 340 nm 865 nm ˆ( ) T λ j λ j [nm] 30
19 TÉCNICA COMBINADA: ELS + DLS Modelo ELS (Intensdad dspersada) Modelo DLS (Dámetro promedo) D I DLS N ( θ r ) = = C (, ) ( ) 1 I θ r D f D ( θ r ) N = 1 = N [ C = 1 I C I ( θ, D r r ( θ, D ) f ) f ( D ( D ) )] / D Medcones ndependentes, a (r = 1,,..., R) ángulos dstntos. Problema Inverso Hallar la la PSD, f(d), a partr de de las las medcones: {I(θ {I(θ r ), r ), D DLS (θ DLS (θ r )} r )}
20 El Modelo Inverso basado en Redes Neuronales Estmacón de la PSD GRNN: Generalzed Regresson Neural Network GRNN es un caso partcular de una red tpo RBF (Radal Bass Functon) Una undad oculta centrada en cada caso de entrenamento No. neuronas = No. patrones de entrenamento y h k j = = e GRNN j d w kj = h e j x c j x: vector de entradas y k : k-ésma varable de salda w kj : factores de peso c j : centro de la j-ésma neurona d: dstanca Eucldea
21 Entrenamento de la Red Neuronal Dstrbuton Normal-Logarítmca (asmétrca) f [ ] 1 ln( D / D ) ( ) = exp D - D σ π σ D (nm): dámetro medo geométrco σ (nm): desvacón estándar Rango de entrenamento Dámetros medos: [ ] nm, cada 5 nm (133 valores) Desvacón estándar: [ ] nm, cada 0.01 nm (0 valores) Eje de dámetros: [ ] nm, cada 5 nm Eje de ángulos: [10 170] grados, cada 10 grados Total de patrones de entrenamento: = 660
22 Ejemplos Smulados Se selecconaron PSDs PSD 1: Normal logarítmca: f 1 (D) D 1 { = 05 nm, σ 1 = nm} PSD : EMG (Gaussana modfcada D exponencalmente): f (D) { = 340 nm, σ = 0 nm, τ=10 nm} f ( D ) = 1 π σ exp ( D D σ ) exp ( D / τ ) τ Producto de Convolucón
23 Valdacón Expermental. Técncas Utlzadas Estándar de polestreno (PS) de dámetro nomnal 111 nm Medcones por 4 técncas ndependentes: DLS; ELS; TEM; CHDF. Óptca (combnada) Medcones de DLS + ELS Modelo GRNN PSD Estmada Óptca (smple) Medcón de ELS Inversón Numérca PSD Estmada Mcroscopía (referenca) Medcón de TEM Medcón Drecta de la PSD Fracconamento Medcón de CHDF Medcón Drecta de la PSD
24 Valdacón Expermental. Comparacón de Resultados Comparacón de dámetros medos Técnca D 1,0 D DLS (90 ) D 6,5 NN TEM CHDF ELS Expermental (Cumulantes) Calculado a partr de la PSD NN provee la solucón más próxma a la de TEM (PSD verdadera ) CHDF provee una PSD muy ancha ELS sugere una bmodaldad Los dámetros medos calculados con NN son los más cercanos a los meddos por DLS (cas unformes).
25 HERRAMIENTA DE SOFTWARE (en desarrollo) f(d) MODELO DE MIE ELS DLS Entrenamento de la Red Neuronal PERFIL ADMINISTRADOR Medcones Smuladas Base de Datos de Redes Neuronales Entrenadas Medcones Reales ELS DLS Red Neuronal Selecconada PERFIL USUARIO PSD Estmada
26
27
28 PROBLEMAS DE INTERÉS S PENDIENTES ( Muchos! ) APLICACIONES Tamaños de partículas con IRP desconocdos Sstemas partculados con IRP combnados (partículas núcleo / coraza ) Formas de partículas (dscos, clndros, elpsodes,...) Tamaños moleculares, composcón y topologías de polímeros El problema de la Cromatografía de Exclusón TÉCNICAS Mejorar la técncas dsponbles (numércas, redes neuronales) Crteros para determnar la mejor combnacón de técncas Combnar técncas de fracconamento con técncas óptcas
Medidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesMAGNITUD: propiedad o cualidad física susceptible de ser medida y cuantificada. Ejemplos: longitud, superficie, volumen, tiempo, velocidad, etc.
TEMA. INSTRUMENTOS FÍSICO-MATEMÁTICOS.. SISTEMAS DE MAGNITUDES Y UNIDADES. CONVERSIÓN DE UNIDADES. MAGNITUD: propedad o cualdad físca susceptble de ser medda y cuantfcada. Ejemplos: longtud, superfce,
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesCapítulo 3. SISTEMAS DE PARTÍCULAS
Capítulo 3. SISTEMAS DE PARTÍCULAS 3.1. Introduccón En la mayoría de los sstemas partculados esten partículas de dstnto tamaño tal como se observa en la Fgura 3.1. Muchos de los métodos que mden tamaño
Más detalles16/07/2012 P= F A. Pascals. Bar
El Estado Gaseoso El Estado Gaseoso Undad I Característcas de los Gases Las moléculas ndvduales se encuentran relatvamente separadas. Se expanden para llenar sus recpentes. Son altamente compresbles. enen
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detalles12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández
MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández
Más detallesDISEÑO MECÁNICO CÁLCULO DE INCERTIDUMBRE EN LA CALIBRACIÓN DE UN FRENÓMETRO
Hgno Rubo Alonso DISEÑO MECÁNICO CÁLCULO DE INCERTIDUMBRE EN LA CALIBRACIÓN DE UN FRENÓMETRO 1 1. INTRODUCCIÓN Frenómetro Verfcacón del sstema de frenos Evaluacón de la efcaca de frenado: relacón entre
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesPROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)
ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesPROYECTO DIAFORM. Aelio A. Arce Criado y Rafael Muñoz Bueno Centro Español de Metrología Laboratorio de Control de Formas Área de Longitud
PROYECTO DAFORM Calbracón de patrones de dámetro y determnacón de defectos de forma, por métodos óptcos y de contacto, con trazabldad al Patrón aconal de Longtud Aelo A. Arce Crado y Rafael Muñoz Bueno
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesGUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22
DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesTiempos de relajación T 1 y T 2
empos de relajacón y Levtt,;Haacke, 7/4/ RI - Lus Agulles Pedrós Relajacón y dnámca: Supongamos un sstema de espnes alnados cuyo campo vertcal es estátco. d dt Supongamos el campo horzontal por acople
Más detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más detallesProbabilidad Grupo 23 Semestre Segundo examen parcial
Probabldad Grupo 3 Semestre 015- Segundo examen parcal La tabla sguente presenta 0 postulados, algunos de los cuales son verdaderos y otros son falsos. Analza detendamente cada postulado y elge tu respuesta
Más detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesUNIDAD DE PLANEACIÓN MINERO ENERGÉTICA
UNIDAD DE PLANEACIÓN MINERO ENERGÉTICA FORMULACIÓN DE UN PROGRAMA BÁSICO DE NORMALIZACIÓN PARA APLICACIONES DE ENERGÍAS ALTERNATIVAS Y DIFUSIÓN Documento ANC-0603-10-01 ANTEPROYECTO DE NORMA AEROGENERADORES
Más detallesÍndice de Precios de las Materias Primas
May-15 Resumen Ejecutvo El objetvo del (IPMP) es sntetzar la dnámca de los precos de las exportacones de Argentna, consderando la relatva establdad en el corto plazo de los precos de las ventas externas
Más detallesDeterminación de Puntos de Rocío y de Burbuja Parte 1
Determnacón de Puntos de Rocío y de Burbuja Parte 1 Ing. Federco G. Salazar ( 1 ) RESUMEN El cálculo de las condcones de equlbro de fases líqudo vapor en mezclas multcomponentes es un tema de nterés general
Más detallesTema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema
Tema :Descrpcón de una varable Tema :Descrpcón de una varable. El método estadístco. Descrpcón de conjuntos de datos Dstrbucones de frecuencas. Representacón gráfca Dagrama de barras Hstograma. Meddas
Más detallesEFECTOS DE LA MODULACIÓN DE FASE CRUZADA SOBRE LA PROPAGACIÓN DE ONDAS EN FIBRA ÓPTICA
Saavedra et al.: Efectos de la modulacón de Rev. fase Fac. cruzada Ing. - sobre Unv. la Tarapacá, propagacón vol. 13 de Nº ondas 3, 005, en fbra pp. óptca 67-74 EFECTOS DE LA MODULACIÓN DE FASE CRUZADA
Más detallesCARACTERIZACIÓN DE UNA BOBINA DE FIBRA ÓPTICA PARA SER UTILIZADA COMO PATRÓN DE REFERENCIA EN LA CALIBRACIÓN DE
CARACTERIZACIÓN DE UNA BOBINA DE FIBRA ÓPTICA PARA SER UTILIZADA COMO PATRÓN DE REFERENCIA EN LA CALIBRACIÓN DE OTDRs EN LA ESCALA DE LONGITUD A 550 nm J. C. Bermúdez, M. A. López, W. Schmd Centro Naconal
Más detallesTEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI)
TEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI) 14.1. La Curva Característca de los ítems (CCI) 14.. Los errores típcos de medda 14.3. La Funcón de Informacón
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesImportancia del estudio de vibraciones. Descripción del fenómeno vibratorio (i)
nversdad Smón Bolívar pos de ectacón pos de vbracón Euro Casanova, 006 del estudo de vbracones MC-45 Vbracones Mecáncas odas las estructuras mecáncas, son susceptbles de epermentar problemas de vbracones
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detallesEstimación de incertidumbres en calibración de Osciladores
Estmacón de ncertdumbres en calbracón de Oscladores J. Maurco López R. Dvsón de Tempo Frecuenca Centro Naconal de Metrología maurco.lopez@cenam.mx Resumen La frecuenca de salda de los oscladores debe ser
Más detallesEconomía de la Empresa: Financiación
Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se
Más detallesEnfoque de la dominancia para el análisis de la evolución de la pobreza entre 1988 y 2004
Enfoque de la domnanca para el análss de la evolucón de la pobreza entre 1988 y 2004 Juan Dego Trejos S. Lus Ángel Ovedo C. Insttuto de Investgacones en Cencas Económcas Unversdad de Costa Rca Hechos 30
Más detallesFUNCION DE BASE RADIAL Radial Basis Function (RBF)
FUNCION DE BASE RADIAL Radal Bass Functon () Característcas generales y dferencas resaltantes con los modelos neuronales multcapas (Bakpropagaton): Broomhead y Lowe, 988, ntroducen un método alternatvo
Más detallesRegresión lineal y correlación lineal
UNIVERSIDAD ESTATAL DEL SUR DE MANABÍ Creada medante regstro Ofcal 61 del 7 de Febrero del 001 CARRERA DE AUDITORÍA Novembre 016 abrl 017 Semnaro de Investgacón Regresón lneal y correlacón lneal Dra. Marsabel
Más detallesDIPLOMADO EN LOGÍSTICA Y CADENA DE SUMINISTRO
IPLOMAO EN LOGÍSTICA Y CAENA E SUMINISTRO MÓULO I: Rs Poolng CRISTINA GIGOLA epto Ingenería Industral ITAM ggola@tam.mx Coordnacón en la SC ecsones que maxmcen la utldad de la SC. Caso 1: El mercado determna
Más detallesVARIABLES DE INFLUENCIA EN LA MEDICIÓN DE POTENCIA ULTRASÓNICA
Smposo de Metrología 5 al 7 de Octubre de 006 VARIABLES DE INFLUENCIA EN LA MEDICIÓN DE POTENCIA ULTRASÓNICA Rogelo Amezola Luna y Alfredo A. Elías Juárez Centro Naconal de Metrología Laboratoro de Ultrasondo/
Más detallesLa adopción y uso de las TICs en las Microempresas Chilenas
Subdreccón Técnca Depto. Investgacón y Desarrollo Estadístco Subdreccón de Operacones Depto. Comerco y Servcos INFORME METODOLÓGICO DISEÑO MUESTRAL La adopcón y uso de las TICs en las Mcroempresas Clenas
Más detallesDINÁMICA DE FLUIDOS COMPUTACIONAL APLICADA AL ESTUDIO DE REGENERADORES TÉRMICOS
DINÁMICA DE FLUIDOS COMPUTACIONAL APLICADA AL ESTUDIO DE REGENERADORES TÉRMICOS CESAR NIETO LODOÑO, I.M. Escuela de Procesos y Energía, Unversdad Naconal de Colomba Sede Medellín. cneto@unalmed.edu.co
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesTÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3
PROCEDIMIENTO DO DESEMPEÑO DEL CONTROL DE FRECUENCIA EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE TÍTULO I Aspectos Generales... 3 TÍTULO II Alcance... 3 TÍTULO III Metodología de Cálculo de FECF... 3 TÍTULO
Más detallesSmoothed Particle Hydrodynamics Animación Avanzada
Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla
Más detallesCAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información
IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.
Más detallesCarlos de Gonzalo Aranoa. José Carlos Robredo Sánchez, Juan Ángel Mintegui Aguirre. Ávila, 21 de Septiembre de 2009
Estmacón de la Intensdad de Precptacón Meda Superfcal a Través de Curvas de Intensdad- Área los Regstros Puntuales de la Red SAIH en la Provnca de Vzcaa. Carlos de Gonzalo Aranoa. José Carlos Roredo Sánchez,
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la
Más detallesTema 1.- Variable aleatoria discreta (V2.1)
Tema.- Varable aleatora dscreta (V2.).- Concepto de varable aleatora A cada posble resultado de un expermento lo llamamos suceso elemental, y lo denotamos con ω, ω 2, Llamamos espaco muestral al conjunto
Más detallesRedes Neuronales Support Vector Regression
Redes Neuronales Support Vector Regresson Seres Temporales Máster en Computacón Unverstat Poltècnca de Catalunya Dra. Alca Troncoso Lora Contendo Introduccón Redes Neuronales: Aplcacón Support Vector Regresson:
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesDeterminación de la solubilidad de hidrógeno en TiO 2. formado sobre Ti6Al4V a partir del concepto de impedancia de warburg
Prospect Vol 11, No 1, Enero - Juno de 2013, págs 7-11 Determnacón de la solubldad de hdrógeno en TO 2 formado sobre T6Al4V a partr del concepto de mpedanca de warburg Determnaton of the solublty of hydrogen
Más detallesNiveles de Energía. Electrónicos Vibracionales Rotacionales + correcciones
Termouímca El valor ue obtenemos para la energía del sstema en un calculo de estructura electrónca como Hartree-Fock corresponde típcamente a la energía electrónca del sstema en su estado fundamental.
Más detallesAnálisis de error y tratamiento de datos obtenidos en el laboratorio
Análss de error tratamento de datos obtendos en el laboratoro ITRODUCCIÓ Todas las meddas epermentales venen afectadas de una certa mprecsón nevtable debda a las mperfeccones del aparato de medda, o a
Más detallesExtracción de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311
Extraccón de Atrbutos Dr. Jesús Arel Carrasco Ochoa arel@naoep.mx Ofcna 8311 Contendo Introduccón PCA LDA Escalamento multdmensonal Programacón genétca Autoencoders Extraccón de atrbutos Objetvo Preprocesamento
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesCapítulo 2: ANALISIS EXPLORATORIO de DATOS Estadística Computacional 1º Semestre 2003
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo : ANALISIS EXPLORATORIO de DATOS Estadístca Computaconal º Semestre 003 Profesor :Héctor Allende Págna : www.nf.utfsm.cl/~hallende
Más detallesTEMA2. Dinámica I Capitulo 3. Dinámica del sólido rígido
TEM. Dnámca I Captulo 3. Dnámca del sóldo rígdo TEM : Dnámca I Capítulo 3: Dnámca del sóldo rígdo Eje nstantáneo de rotacón Sóldo con eje fjo Momento de nerca. Teorema de Stener. Conservacón del momento
Más detallesRealización física del sistema de control
Unversdad de Ovedo Realacón físca del sstema de control Tema 0 Unversdad de Ovedo Indce Tarjetas AD/DA Estructura de los convertdores AD y DA Característcas de una tarjeta AD/DA Algortmos de conversón
Más detallesRadiaciones ópticas: metodología de evaluación de la exposición laboral
Año: 2007 INSTITUTO NACIONAL DE SEGURIDAD E HIGIENE EN EL TRABAJO 755 Radacones óptcas: metodología de evaluacón de la exposcón laboral Rayonnements Optques. Méthodologe pour évaluer l exposton des travalleurs
Más detallesPyE_ EF1_TIPO1_
SEMESTRE 00- TIPO DURACIÓN MÁIMA.5 HORAS DICIEMBRE DE 00 NOMBRE. El índce de clardad se determnó en los celos de Morelos, para cada uno de los 365 días de un año, obtenéndose los sguentes datos. Límtes
Más detallesIncertidumbre de la Medición: Teoría y Práctica
CAPACIDAD, GESTION Y MEJORA Incertdumbre de la Medcón: Teoría y Práctca (1 ra Edcón) Autores: Sfredo J. Sáez Ruz Lus Font Avla Maracay - Estado Aragua - Febrero 001 Copyrght 001 L&S CONSULTORES C.A. Calle
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesINSTITUTO POLITÉCNICO NACIONAL ESCUELA NACIONAL DE CIENCIAS BIOLÓGICAS INGENIERÍA EN SISTEMAS AMBIENTALES
ESCUELA NACONAL DE CENCAS BOLÓGCAS NGENERÍA EN SSTEMAS AMBENTALES HORAS DE TEORÍA 5 ASGNATURA TERMODNÁMCA BÁSCA HORAS DE PRÁCTCA 4 SEMESTRE 3 CRÉDTOS 14 OBJETVO: EL ESTUDANTE MANEJARÁ CORRECTAMENTE LA
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Ejerccos para Evaluacón: Tema 5 1. Contestar brevemente a las sguentes cuestones relaconadas con las Redes de Base
Más detallesDeterminar el momento de inercia para un cuerpo rígido (de forma arbitraria).
Unversdad de Sonora Dvsón de Cencas Exactas y Naturales Departamento de Físca Laboratoro de Mecánca II Práctca #3: Cálculo del momento de nerca de un cuerpo rígdo I. Objetvos. Determnar el momento de nerca
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesEJEMPLO DE APLICACIÓN
Aprendzaje Automátco y Data Mnng Bloque VI EJEMPLO DE APLICACIÓN 1 Índce Problema a resolver. Propuesta de uso de aprendzaje. Algortmo desarrollado. Seleccón del clasfcador. Resultados expermentales. Entorno
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17
Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES
Más detallesTema 7. Macromoléculas y Coloides
Tema 7. Macromoléculas y Colodes INDICE. Introduccón stora Defncones y característcas. Clasfcacón y tpos de polímeros 3. Dstrbucón de tamaños moleculares. Masas moleculares promedo 4. Propedades físcas
Más detallesIII CONGRESO COLOMBIANO Y I CONFERENCIA ANDINA INTERNACIONAL DE INVESTIGACIÓN DE OPERACIONES
III CONGRESO COLOMBIANO Y I CONFERENCIA ANDINA INTERNACIONAL DE INVESTIGACIÓN DE OPERACIONES TUTORIAL: ANÁLISIS MULTIOBJETIVO CONSIDERANDO INCERTIDUMBRE E IMPRECISIÓN Patrca Jaramllo A. y Rcardo A. Smth
Más detallesProcedimiento de Calibración. Metrología PROCEDIMIENTO DI-010 PARA LA CALIBRACIÓN DE COMPARADORES MECÁNICOS
Procedmento de Calbracón Metrología PROCEDIMIENTO DI-00 PARA LA CALIBRACIÓN DE COMPARADORES MECÁNICOS La presente edcón de este procedmento se emte exclusvamente en formato dgtal y puede descargarse gratutamente
Más detallesLABORATORIO DE OPERACIONES UNITARIAS I
UNIVERSIA EL ZULIA FACULTA E INGENIERÍA ESCUELA E INGENIERÍA QUÍMICA EPARTAMENTO E INGENIERÍA QUÍMICA BÁSICA LABORATORIO E OPERACIONES UNITARIAS I TRANSFERENCIA E CALOR EN INTERCAMBIAORES Profesora: Maranela
Más detallesControl de la exactitud posicional por medio de tolerancias
Control de la exacttud posconal por medo de tolerancas Francsco Javer Arza López José Rodríguez-Av María Vrtudes Alba Fernández Plan Estatal de Investgacón Centífca y Técnca y de Innovacón 2013-2016. Ref.:
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detallesRelación 2: Regresión Lineal.
Relacón 2: Regresón Lneal. 1. Se llevó a cabo un estudo acerca de la cantdad de azúcar refnada (Y ) medante un certo proceso a varas temperaturas dferentes (X). Los datos se codfcan y regstraron en el
Más detallesCONCEPTOS GENERALES DEL CAMPO MAGNÉTICO
CONCEPTOS GENERALES DEL CAMPO MAGNÉTICO 1 ÍNDICE 1. INTRODUCCIÓN 2. EL CAMPO MAGNÉTICO 3. PRODUCCIÓN DE UN CAMPO MAGNÉTICO 4. LEY DE FARADAY 5. PRODUCCIÓN DE UNA FUERZA EN UN CONDUCTOR 6. MOVIMIENTO DE
Más detallesESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística
ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es
Más detallesFacultad de Química. UNAM Alejandro Baeza
Facultad de Químca. UNM lejandro Baeza.006 Químca nalítca Instrumental I nálss de mezclas por espectrofotometría. Documento de apoyo. Dr. lejandro Baeza. Semestre 007-I.0 Selectvdad espectral en espectrofotometría
Más detallesInstrucciones: Leer detenidamente los siete enunciados y resolver seis de los siete problemas propuestos. Frecuencia absoluta (f i )
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesTERMODINÁMICA AVANZADA
TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón
Más detallesDEPARTAMENTO DE INGENIERIA MECÁNICA INGENIERÍA INDUSTRIAL
DEPARTAMENTO DE INGENIERIA MECÁNICA INGENIERÍA INDUSTRIAL DISEÑO MECÁNICO PRÁCTICA Nº 4 METROLOGÍA Y CALIDAD. CALIBRACIÓN DE UN PIE DE REY Metrología y Caldad. Calbracón de n pe de rey. INDICE 1. OBJETIVOS
Más detalles