PRÁCTICA 1: MEDIDA DE MAGNITUDES FÍSICAS Y SU TRATAMIENTO NUMÉRICO
|
|
- Alejandro Soriano Parra
- hace 7 años
- Vistas:
Transcripción
1 PRÁCTICA 1: MEDIDA DE MAGNITUDES FÍSICAS Y SU TRATAMIENTO NUMÉRICO MEDIDA Y ERROR La medda epermental es la base de todo el conocmento centífco. Medr es comparar una determnada propedad de un sstema con el valor que esa msma propedad toma en otro sstema de referenca o patrón y al que hemos asgnado prevamente un número determnado. Por ejemplo, para medr la longtud de un cuerpo lo que hacemos es compararla con la de una regla, en la que se ha fjado prevamente que certa dstanca entre dos puntos equvale a 1 m (o una pulgada, o una vara, etc). Como resultado de una medda se obtene sempre un número que se escrbe segudo del nombre del patrón o undad. Ejemplo: una masa puede ser 1.3 g pero no 1.3. Sn embargo, esto no es todo. En el ejemplo anteror, s decmos que la masa vale 1.3 g podría parecer que este es el valor eacto de esta magntud, es decr, que la masa es eactamente g con nfntos ceros detrás del tres, lo que no tene sentdo. Las razones son varas. La prmera y más mportante, es que las leyes de la Físca nos dcen que esten al menos algunas magntudes que es mposble medr con nfntas cfras (la poscón y el momento en mecánca cuántca). El problema es que aunque no estera esta lmtacón ntrínseca, nuestra habldad y la perfeccón de los aparatos que usamos sempre van a ntroducr un margen de error en las meddas. A efectos práctcos lo que esto sgnfca es que sólo podemos determnar un ntervalo de valores en el que es probable que esté el verdadero valor de la magntud. Volvendo al ejemplo de la masa: s decmos que una masa es 1.3 g, lo queremos epresar realmente que es probable (o cas seguro) que esté entre 1. g y 1.4 g. Ese ntervalo de valores se epresa como: Valor del centro del ntervalo ± la mtad del ntervalo, undades (1) El valor del centro del ntervalo se denomna meda y representa lo que nosotros suponemos que vale la propedad medda. Cuanto menor es el ntervalo, mejor conocemos
2 el verdadero valor de la magntud que medmos. Sguendo con el ejemplo de la masa escrbríamos: m = 1.3 ± 0.1 g. Esa mtad del valor del ntervalo se denomna error absoluto, se representa por, y es la suma de todas las posbles fuentes de error que concurren en la medda. Los errores absolutos se escrben preceddos del sgno ± y segudos de sus undades. Así, en el ejemplo del apartado anteror el error absoluto sería ± 0.1 g. El error absoluto ndca cómo es de bueno nuestro conocmento de la magntud físca, pero es poco útl para comparar el conocmento que tenemos sobre dos o más magntudes. Así, s medmos dos masas de 1 Kg y 1 g con el msmo error absoluto de 0.1 g, es evdente que conocemos con más precsón la prmera y que el error absoluto no srve para epresarlo. Para evtar esta lmtacón de error absoluto, defnmos error relatvo ( /). Como se ve, el error relatvo es el cocente entre el error absoluto y el valor del centro del ntervalo. En el ejemplo anteror / = 0.1/1.3 El error relatvo carece de undades (es un cocente de magntudes con las msmas undades) y suele epresarse en tanto por cento. ε = 100 ORIGEN DE LOS ERRORES De lo dcho anterormente se deduce que cualquer medda epermental lleva asocada un determnado error, resultado de todos los factores que nfluyen sobre ella. Estos son báscamente el propo epermentador y el aparato de medda. Evdentemente, s el epermentador no sabe manejar el aparato de medda y no pone el sufcente cudado al leer sus escalas, todo ello se traducrá en fuentes de error. Sn embargo, ncluso observadores epertos pueden ntroducr nconscentemente neacttudes cuando hacen suposcones no justfcadas en el acto de medr. Por ejemplo, s se utlza un termómetro de laboratoro para medr la temperatura de una bañera llena de agua, es lícto suponer que la medda no va a depender de la temperatura ncal del termómetro, sn embargo, s utlzamos ese msmo termómetro de para medr la temperatura de 1 cm 3 de agua, es muy posble que obtengamos un resultado erróneo, ya que en este caso la medda va a estar domnada por la temperatura del aparato, no de la muestra a analzar. No hay una regla general para detectar y corregr este tpo de errores. Como son más dfícles de detectar que de corregr, el epermentador deberá analzar en cada epermento las hpótess mplíctas en el método de medda que utlza y verfcar s son certas. La otra fuente de error es el propo aparato de medda. Aunque se use correctamente, la caldad de las meddas realzadas con cualquer dspostvo vene sempre afectada por su
3 precsón. Esta nos ndca el error mínmo del aparato debdo a sus característcas propas. Aunque esten varos factores que nfluyen sobre ella (por ejemplo, la fdeldad del aparato, o su capacdad de dar sempre la msma lectura en las msmas condcones epermentales), la precsón suele venr determnada por la resolucón del aparato, es decr, la mínma dvsón de su escala. Por ejemplo: 1 mm en una regla mlmetrada o 1 mnuto en un reloj con manecllas. Un aparato es precso cuando al medr varas veces la msma magntud, los resultados son muy smlares unos a otros. Un aparato es eacto cuando el resultado de las meddas es o esta muy cerca del resultado real (s pudéramos conocerlo). La precsón del aparato se puede verfcar hacendo varas meddas. Para conocer la eacttud es a menudo necesaro hacer la msma medda con varos aparatos dferentes. Cuando un aparato no es eacto, usualmente la desvacón entre el dato real y el obtendo es sempre la msma o muy parecda. Es decr, tenemos sempre el msmo error sstemátco. Por ejemplo, la hora dada por un error adelantado cnco mnutos sempre tendrá un error sstemátco de, precsamente, cnco mnutos, ndependentemente de que nosotros lo sepamos o no, y solo podríamos saberlo pdéndole la hora a varos compañeros. Errores sstemátcos pueden tambén producrse por la mala práctca del epermentador, y han de corregrse sempre que sea posble. Alternatvamente, puede ocurrr que los errores cometdos no sean sempre los msmos, comportándose de forma mprevsble, aleatora, unas veces aumentando, otras dsmnuyendo la medda, y en cantdades dferentes en cada ntento de medr. Las causas pueden ser pequeñas varacones en la magntud a medr, a la lmtada precsón de los aparatos o un epermentador poco hábl. Este tpo de error se denomna error aletoro. Su característca prncpal es que no podemos hacer más que acotarlo en valor absoluto utlzando la teoría estadístca de errores y está sempre presente (aunque sea muy pequeño) en cualquer medda. TIPOS DE MEDIDAS No todas las meddas son guales. No es lo msmo medr la longtud, en la que para hacerlo comparamos drectamente el objeto con una regla, que la superfce, en la cual tenemos que medr una o varas longtudes y utlzar una fórmula matemátca para obtener su valor. Se dstnguen así los dos tpos de meddas: Meddas drectas: Las que se obtenen comparando la magntud con el patrón drectamente o medante un aparato calbrado. Así se pueden medr la longtud, la masa, el tempo,... Meddas ndrectas: Las que se calculan a partr de magntudes meddas drectamente. Así suelen obtenerse la velocdad, la superfce,... De todas las fuentes de error, al menos dos están sempre presentes en cualquer medda: los errores debdos a la precsón del aparato y los errores aleatoros. El error absoluto es por tanto la suma de ambos más cualquer error debdo a otras causas. El manejo de los
4 errores aleatoros vene determnado por la teoría estadístca de errores y depende de s la medda es drecta o ndrecta. TEORÍA ESTADÍSTICA DE ERRORES La justfcacón del tratamento matemátco que realzaremos en este apartado se dará en el apéndce I. CÁLCULO DE ERRORES EN MEDIDAS DIRECTAS Llamemos A a la magntud físca a medr, cuyo verdadero valor, desconocdo, es χ, y sean los valores epermentales obtendos en n ntentos de medda (supongamos que los están lbres de errores sstemátcos). En este caso la teoría estadístca defne los sguentes parámetros: Valor medo: n = 1 n () Desvacón típca: σ n 1 / ( ) 1 n 1 = (3) n 1 Desvacón típca de la medda o error cuadrátco medo de la meda: σ = σ n 1 / ( ) n 1 1 = (4) n n(n 1) que tenen las sguentes utldades:
5 El valor medo es el valor más probable de la magntud A (la meda defnda más arrba). Por lo tanto es la mejor estmacón que podemos hacer del centro del ntervalo de la epresón (1). La desvacón típca σ n-1 srve para decdr s alguna de las meddas es rechazable: s dfere de en menos de σ n-1 es correcta; s dfere más de 3σ n-1 es mala. El error cuadrátco medo σ nos permte asegurar que el verdadero valor tene una probabldad muy alta de estar entre - σ y + σ y la probabldad de estar entre - σ y + σ es del 95%. Por lo tanto σ sería el error absoluto correspondente a los errores aleatoros de las meddas. El error total se calcula entonces de la sguente forma: 1. Se corrgen las meddas, lbrándolas de los errores sstemátcos.. Se calculan y σ de las meddas corregdas. 3. Se determna el error absoluto de las meddas debdo a la precsón del aparato. Frecuentemente se toma la resolucón del aparato como valor de este error. Así lo haremos en este laboratoro. 4. El error total es la suma del error cuadrátco de la meda σ y del error absoluto debdo a la precsón del aparato. S alguno de ellos es pequeño comparado con el otro, se puede desprecar. El error total se puede epresar en forma absoluta o relatva. CÁLCULO DE ERRORES EN MEDIDAS INDIRECTAS S Q = Q(, y, z) en que, y, z son magntudes que se mden drecta e ndependentemente, y Q es la magntud que se calcula a partr de ellas, Cuál es Q s conocemos, y, z? Para obtener Q se utlza el cálculo dferencal, ben drectamente o tomando prevamente logartmos neperanos: Dferencacón Drecta. Dferencando en Q = Q(, y, z) se obtene: dq = Q Q Q d + dy + dz y z S nterpretamos los dferencales como errores se transforma en: Q = Q + Q y y + Q z z
6 Se han tomado valores absolutos para evtar la stuacón nadmsble en que Q pudera resultar nulo, sendo, y o z no nulos (no se puede conocer con eacttud algo calculado con valores neactos). Ejemplo: S Q = A + By entonces Q = A. + B. y Dferencacón Logarítmca Prmero se toman logartmos neperanos, luego se dferenca y fnalmente se susttuyen los dferencales por errores. Por gual motvo que en la dferencacón drecta, cada sumando se toma en valor absoluto. Ejemplo: s Q = A. y B Se toman logartmos: Ln Q = A Ln + B Ln y Luego dferencales Y fnalmente errores dq Q = Q = Q d A + A. dy B y y + B. y En ocasones, cuando la funcón Q es complcada, puede ser necesaro utlzar los dos procedmentos. PRESENTACIÓN NUMÉRICA DE RESULTADOS Una vez calculado el error total como se ndcó, según se trate de meddas drectas o ndrectas se procede como sgue: 1. Se redondea el error total de manera que tenga una sola cfra sgnfcatva. Ejemplo: se redondea a se redondea a % se redondea a % 1.35% se redondea a 1%. El valor medo de las meddas o el valor calculado Q = Q(, y,z) según se trate de meddas drectas o ndrectas, se redondea de forma que su últma cfra sgnfcatva sea del msmo orden que la cfra sgnfcatva del error absoluto total.
7 Ejemplo: S el error total es 0.005, se redondea a se redondea a se reescrbe como El resultado de nuestras meddas se escrbe como: ±, undades O ben como:, undades ± 100., % Consderando en estas epresones las cfras sgnfcatvas que les corresponda según lo dcho antes en este apartado. Ejemplo: ± nm nm ± 0.4 % AJUSTE A UNA RECTA Epermentalmente es muy frecuente que supongamos que dos magntudes e y están relaconadas y que hagamos medcones de y para dstntos valores de. Por ejemplo, puede medrse el volumen de un determnado gas en funcón de la temperatura a presón constante. Una vez obtendos las dos seres de datos, e y, podemos preguntarnos s de verdad este una relacón entre ambos (en el ejemplo anteror entre el volumen y la temperatura del gas). Una forma senclla de saberlo es representar los valores en una gráfca y ver s este alguna funcón para la que se cumpla y = f() (eacta o apromadamente). Uno de los casos más comunes es cuando la relacón entre ambas varables es lnear, es decr y se puede escrbr como: y = a + b donde a y b son constantes. Sn embargo, este método vsual de establecer la dependenca entre dos varables puede llevarnos a error, puesto que ncluye un componente subjetvo. Lo que necestamos es un método matemátco que nos cuantfque la bondad de la suposcón que hacemos, en este caso que y es una funcón lneal de y que nos dé los valores de a y b para la mejor recta posble (la que pase lo más cerca posble de todos los pares,y). Es decr, que nos srva para verfcar la hpótess de que la relacón entre las varables e y es lneal. Este método es el: Método de los mínmos cuadrados Supongamos que hay n pares de medcones ( 1, y 1 ), (, y ),... ( n, y n ) y que los errores están en su totaldad consderados en los valores de y (es decr, conocemos eactamente el valor de ). S suponemos que y es eactamente a + b, el error cometdo en la medda será: y a b. La mejor recta será aquella cuyos valores de a y b mnmcen la suma de los errores para todas las medcones, porque será aquella que en conjunto se desvíe menos del conjunto de datos en general. Sn embargo, esto tene el problema de que algunos
8 errores pueden ser postvos y otros negatvos. S lo que nosotros mramos es la suma total, algunos se cancelarían entre sí, lo que no tene sentdo. Para evtarlo lo que hacemos es mnmzar la suma de los cuadrados de los erorres, que sempre será postva. Tenemos entonces: Y (y -a -b) X = (y a b) = mn. Aplcando la condcón de mínmo: a b = = (y a b) = 0 (y a b) = 0 a + b = a + bn = y y La últma ecuacón muestra que la mejor recta pasa a través del punto: y =, y = es decr, por el centro de gravedad de todos los puntos. n n y y a = b = y a
9 Sn embargo, nosotros podríamos obtener valores de a y b para cualquer conjunto de datos, estuveran relaconados o no. El parámetro que nos cuantfca s de verdad y es una funcón lneal de es el coefcente de correlacón, que tene la epresón: r = n y y [ n ( ) ]. ny ( y ) { [ ]} 1 / Los valores de r se encuentran sempre en el ntervalo [-1, 1]. S r 1, este correlacón entre e y, es decr, y depende lnealmente de. Por el contraro s r 0 debe conclurse que e y son ndependentes (o que y no depende lnealmente de ) y por lo tanto carece de sentdo epresar y = a + b. En general, s r < 0.8, la correlacón entre e y es defcente. El coefcente de correlacón nos permte entonces verfcar la hpótess de partda que ndcaba que la relacón entre los valores e y es lneal. S la hpótess es verdadera, el coefcente será prómo a 1 (en valor absoluto), y s es falsa, r será menor de 0.8. CUESTIONES DE LA PRÁCTICA 1 1. Las meddas del dámetro de un plato con una regla de precsón 1 mm son las sguentes (undades en mm): Calcular: a) Meda y desvacón típca. Es rechazable alguna de las meddas? b) Dstrbucón de frecuenca. Hstograma. c) Calcular el error y el error relatvo del dámetro. d) Determnar la superfce del plato y el error cometdo.. La velocdad de descomposcón del ódo de carbono C 3 O ha poddo segurse usando un rápdo sstema de medda por espectroscopía de masas, obtenéndose en funcón del tempo los sguentes valores de concentracón de C 3 O : [C 3 O ] (undades arbtraras) t (tempo en mlsegundos) Calcular el orden de reaccón y la constante de velocdad de la descomposcón del C 3 O.
10 Apéndce I. Dstrbucón gaussana de errores Como ya hemos menconado, el error aleatoro se debe a una sere de factores no controlados, que asumremos ndependentes y de comportamento aleatoro. Esto sgnfca que en el nstante de la medda cada uno de estos factores afectará al resultado de forma ndependente, ncrementándolo o dsmnuyéndolo. Esto podemos epresarlo: = X + f donde sería el resultado de la medda, X el valor eacto de la magntud objeto de ella y f el efecto del factor sobre la medda. S en el nstante de la medda todos los factores afectan postva o negatvamente a la medda, el resultado dferrá, en gran manera, del valor eacto. Sn embargo, s el comportamento es aleatoro, lo más probable es que en el nstante de la medda unos factores afecten postva y otros negatvamente, de modo que el efecto neto sería pequeño o nulo. De acuerdo a los supuestos de ndependenca y aleatoredad se establecen los postulados báscos del tratamento estadístco del error: 1. La medda epermental de una magntud es una varable aleatora que verfca la ley de establdad estadístca, según la cual las meddas se dstrbuyen en torno a un valor medo, el cual al tender el número de meddas a nfnto tende a un valor constante e ndependente del número de meddas.. A esta varable aleatora se le asgna una funcón de dstrbucón que relacona la probabldad de obtener una medda afectada de un certo error con la magntud de aquélla. Es amplamente aceptado el uso de la dstrbucón Normal, (tambén llamada dstrbucón de Gauss o del Error) para descrbr las observacones epermentales usuales. Asumremos, pues, que los posbles resultados de una medda epermental se dstrbuyen en torno a la meda muestral de la magntud que se mde con una dspersón que puede caracterzarse medante un parámetro que denomnaremos varanza σ. La probabldad de obtener un valor concreto vendrá caracterzada por el valor de la funcón de dstrbucón ϕ() en ese punto.
11 0.40 ϕ() _ Meda muestral Varanza muestral = 1 n σ () = ( n ) Desvacón típca σ = σ Donde representa el valor obtendo en la medda -ésma, y n el número total de meddas. Apéndce II: ecuacón de velocdad y orden de reaccón. La velocdad de una reaccón químca con un solo reactvo, entendda como varacón de concentracón c con el tempo t, se puede epresar como -dc/dt=kc r donde k es la llamada constante de velocdad y r es el orden de reaccón. Consderaremos dos casos: 1) Reaccón de prmer orden (r=1) La ecuacón de velocdad anteror puede ntegrarse de manera senclla para el caso en el que el eponente r sea gual a la undad. El resultado es: Ln[c(t)]=-kt+ Ln[c 0 ],
12 donde c 0 es la concentracón ncal de reactvo. Esta ecuacón ndca que s la reaccón es de prmer orden, la representacón gráfca del logartmo neperano de las concentracones frente al tempo es una recta de pendente k y ordenada en el orgen Ln[c 0 ]. ) Reaccón de segundo orden (r=). La ntegracón de la ecuacón de velocdad para el caso n= es ahora: 1/c(t)=kt+1/c 0 lo que ndca que s la reaccón es de segundo orden, la representacón gráfca de los nversos de las concentracones frente al tempo es una recta de pendente k y ordenada en el orgen 1/ c 0.
13 PRÁCTICA : REPRESENTACIONES GRÁFICAS REPRESENTACIONES GRÁFICAS La representacón gráfca de los resultados obtendos en el laboratoro es una herramenta de prmer orden en la nterpretacón de los datos epermentales, ya que muchas veces permte una nterpretacón del fenómeno estudado de manera mucho más fácl de la que se deduce del análss de una tabla de datos. Normalmente en las gráfcas se representan los valores de una magntud y meddos en funcón de otra,. En épocas pasadas esto se realzaba sobre papel, pero la crecente accesbldad de los ordenadores personales ha permtdo la obtencón de gráfcas de mayor caldad y el acceso a programas que además permten el tratamento numérco de los datos (como la obtencón de ajustes por mínmos cuadrados de los datos realzados en la práctca anteror). En esta práctca aprenderemos a usar la hoja de cálculo EXCEL para estos fnes, aunque por razones pedagógcas, realzaremos tambén una representacón a mano en papel mlmetrado. En este segundo caso, nuestras gráfcas serán de mejor caldad s segumos los sguentes pasos: a) Empezamos por dbujar en el papel ambos ejes, escogendo las escalas correspondentes a e y de forma que ocupen todo el papel y comprendan tan solo los ntervalos dentro de los cuales vamos a representar las varacones de e y. Por tanto, las escalas no tenen porqué empezar por cero. b) Con el fn de stuar fáclmente los valores de las varables, y representables las dstntas fraccones o múltplos de la undad, se recomenda que cada undad corresponda a uno, dos, cnco, dez o vente mm, etc. En el papel mlmetrado; de esta forma, por ejemplo s se ha tomado la undad como 0 mm a cada mm le corresponden 0.05 undades y podemos representar los valores que deseemos aprecando hasta la meda décma. c) No debe olvdarse, en nngún caso de señalar claramente sobre cada eje la magntud o varable que se está representando y las undades utlzadas, así los valores numércos
14 de la escala en puntos del eje unformemente dstrbudos para facltar tanto la representacón, como la lectura posteror de la gráfca. d) A medda que se van obtenendo las parejas de valores e y, se llevan a la gráfca, representándolos por un punto cuya abscsa es y cuya ordenada es y. S se desea hacer uso de los errores, en la representacón, bastará representar la pareja e y en lugar de por un smple punto, por una línea vertcal centrada sobre dcho punto de coordenadas (, y), pero cuyos brazos tengan ambos una longtud gual al error de la ordenada correspondente. e) Al trazar la línea representatva de la funcón y = f(), deberá procurarse hacerlo medante trazo fno y de forma contnua, nunca en forma de quebrada que pase por todos los puntos. No debe pues sorprendernos s la gráfca resultante no pasa por nnguno de los puntos representados. Ahora ben s algún punto cae eageradamente desplazado hay que rechazarlo y trazar la línea sn tenerlo en cuenta. f) En el caso de que la funcón representada resulte ser lneal, es convenente obtener medante el método de mínmos cuadrados la ecuacón de la recta que mejor ajusta a los puntos epermentales, determnando para ello su pendente y la ordenada en el orgen. CUESTIONES DE LA PRÁCTICA 1. Representar en papel mlmetrado la fuerza aplcada frente al estramento de la varlla. L/L F/S (N/m ) Determnar a partr de la gráfca qué puntos obedecen una ley lneal (zona elástca) y calcular a partr de ellos el módulo de Young, ε, que relacona la fuerza por undad de superfce con el estramento relatvo de la varlla: F S = ε L L
15 . La sguente tabla representa medcones de absorbanca frente a concentracón de dcromato potásco en dsolucones patrón de esta sustanca, para dos aparatos de medda dstntos (1) y () Concentracón (moles/ltro) Absorbanca (1) Absorbanca () a) Representar, en la hoja de cálculo Ecel para Wndows, los valores de absorbanca frente a la concentracón (curva de calbrado) para los dos aparatos. b) Según la ley de Lambert-Beer, este una relacón entre la absorbanca y la concentracón dada por A=k[c]L donde [c] es la concentracón y L la longtud de la cubeta en la cual se coloca la muestra. En nuestro caso L = 1 mm. A partr de la recta de mínmos cuadrados (recta de calbrado) obtenda medante el Ecel, deducr el coefcente de etncón molar k. c) La medda de la absorbanca de una muestra de concentracón desconocda (dsolucón problema) en el aparato (1) ha dado como resultado A = Obtener a partr de la recta de calbrado la concentracón de dcromato de dcha dsolucón. Estmar tambén la lectura de absorbanca que se habría obtendo s la medda se hubera realzado en el aparato ()
Análisis estadístico de incertidumbres aleatorias
Análss estadístco de ncertdumbres aleatoras Errores aleatoros y sstemátcos La meda y la desvacón estándar La desvacón estándar como error de una sola medda La desvacón estándar de la meda úmero de meddas
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallesBloque 5. Probabilidad y Estadística Tema 2. Estadística descriptiva Ejercicios resueltos
Bloque 5. Probabldad y Estadístca Tema. Estadístca descrptva Ejerccos resueltos 5.-1 Dada la sguente tabla de ngresos mensuales, calcular la meda, la medana y el ntervalo modal. Ingresos Frecuenca Menos
Más detalles-.GEOMETRÍA.- a) 37 cm y 45 cm. b) 16 cm y 30 cm. En estos dos, se dan la hipotenusa y un cateto, y se pide el otro cateto:
-.GEOMETRÍA.- Ejercco nº 1.- Calcula el lado que falta en este trángulo rectángulo: Ejercco nº 2.- En los sguentes rectángulos, se dan dos catetos y se pde la hpotenusa (s su medda no es exacta, con una
Más detallesFacultad de Ingeniería División de Ciencias Básicas Coordinación de Ciencias Aplicadas Departamento de Probabilidad y Estadística
Facultad de Ingenería Dvsón de Cencas Báscas Coordnacón de Cencas Aplcadas Departamento de Probabldad y Estadístca Probabldad y Estadístca Prmer Eamen Fnal Tpo A Semestre: 00- Duracón máma:. h. Consderar
Más detalles8 MECANICA Y FLUIDOS: Calorimetría
8 MECANICA Y FLUIDOS: Calormetría CONTENIDOS Dencones. Capacdad caloríca. Calor especíco. Equlbro térmco. Calormetría. Calorímetro de las mezclas. Marcha del calorímetro. Propagacón de Errores. OBJETIVOS
Más detalles4 BALANZA DE MOHR: Contracción de mezcla alcohol/h2o
4 LNZ DE OHR: Contraccón de mezcla alcohol/h2o CONTENIDOS Defncones. Contraccón de una ezcla. olumen específco deal y real. Uso de la balanza de ohr. erfcacón de Jnetllos. Propagacón de Errores. OJETIOS
Más 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 detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detalles3 - VARIABLES ALEATORIAS
arte Varables aleatoras rof. María B. ntarell - VARIABLES ALEATORIAS.- Generaldades En muchas stuacones epermentales se quere asgnar un número real a cada uno de los elementos del espaco muestral. Al descrbr
Más detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detalles4. REPRESENTACIONES GRÁFICAS PARA DATOS CATEGÓRICOS.
4. REPRESETACIOES GRÁFICAS PARA DATOS CATEGÓRICOS. Cuando se manejan fenómenos categórcos, se pueden agrupar las observacones en tablas de resumen, para después representarlas en forma gráfca como dagramas
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesLaboratorio de Bases Físicas del Medio Ambiente
Laboratoro de Bases Físcas del Medo Ambente Teoría de errores Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Medr es, báscamente, comparar con un patrón y esta
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 detallesPREGUNTAS TIPO TEST Y EJERCICIOS PRÁCTICOS PROPUESTOS EN EXÁMENES DE LOS CAPÍTULOS 2, 3 Y 4 (DISTRIBUCIONES DE FRECUENCIAS UNIDIMENSIONALES )
TUTORÍA DE ITRODUCCIÓ A LA ESTADÍSTICA. (º A.D.E.) e-mal: mozas@el.uned.es PREGUTAS TIPO TEST Y EJERCICIOS PRÁCTICOS PROPUESTOS E EXÁMEES DE LOS CAPÍTULOS, Y 4 (DISTRIBUCIOES DE FRECUECIAS UIDIMESIOALES
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 detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesEn este caso, el valor actual de una unidad monetaria pagadera al final del año de fallecimiento de
Parte III: Análss de la determnacón de las prmas en los seguros de vda y de la solvenca dnámca del asegurador cuando los tpos de nterés de valoracón venen estmados a través de números borrosos.4. SEGURO
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 detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesCAPITULO CUATRO MEDIDAS DE DISPERSION, ASIMETRIA Y CURTOSIS
CAPITULO CUATRO MEDIDAS DE DISPERSION, ASIMETRIA Y CURTOSIS El conocmento de las meddas de centralzacón no es sufcente para caracterzar completamente a una dstrbucón por ejemplo: s las edades medas de
Más detallesI.E.S. Historiador Chabás -1- Juan Bragado Rodríguez
Problema La sguente tabla epresa la estatura en cm. de soldados: Talla 5 56 60 6 68 6 80 8 88 Soldados 6 86 50 8 95 860 85 6 9 a) Haz un hstograma que represente la estatura en metros de los soldados.
Más detallesPRÁCTICA 1. IDENTIFICACIÓN Y MANEJO DE MATERIAL DE LABORATORIO: PREPARACIÓN DE DISOLUCIONES Y MEDIDA DE DENSIDADES
PRÁCTICA 1. IDENTIFICACIÓN Y MANEJO DE MATERIAL DE LABORATORIO: PREPARACIÓN DE DISOLUCIONES Y MEDIDA DE DENSIDADES OBJETIVOS ESPECÍFICOS 1) Identfcar y manejar el materal básco de laboratoro. ) Preparar
Más detallesTema 21: Distribución muestral de un estadístico
Análss de Datos I Esquema del Tema 21 Tema 21: Dstrbucón muestral de un estadístco 1. INTRODUCCIÓN 2. DISTRIBUCIÓN MUESTRAL DE LA MEDIA 3. DISTRIBUCIÓN MUESTRAL DE LA PROPORCIÓN Bblografía * : Tema 15
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detalles2. Tratamiento de errores
. Tratamento de errores Carlos R. Fernández-Pousa e Ignaco Moreno Dvsón de Optca. Departamento de Cenca y Tecnología de Materales Unversdad Mguel Hernández de Elche.. Introduccón Se entende por medda la
Más detallesVARIABLES ALEATORIAS BIDIMENSIONALES. DISTRIBUCIONES
Gestón Aeronáutca: Estadístca Teórca Facultad Cencas Económcas Empresarales Departamento de Economía Aplcada Profesor: Santago de la Fuente Fernández VARIABLES ALEATORIAS BIDIMENSIONALES. DISTRIBUCIONES
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesDENSIDAD ELABORADO POR: DANIELA ALEJANDRA BARRETO GOMEZ MARIA CAROLINA BENAVIDES MUÑOZ VALENTINA ROJAS MARTINEZ KAREN SUSANA DE MARIA MOSQUERA TORRADO
DENSIDAD ELABORADO POR: DANIELA ALEJANDRA BARRETO GOMEZ MARIA CAROLINA BENAVIDES MUÑOZ VALENTINA ROJAS MARTINEZ KAREN SUSANA DE MARIA MOSQUERA TORRADO PRESENTADO A: FERNANDO VEGA PONTIFICIA UNIVERSIDAD
Más detallesa) Qué población (la de hombres o la de mujeres) presenta un salario medio mayor? b) Qué porcentaje de varones gana más de 900?
EJERCICIO 1. A contnuacón tene dos dstrbucones por sexo y salaro declarado en el prmer empleo tras obtener la lcencatura de un grupo de ttulados por la UNED. Salaro en Hombres en % Mujeres en % < de 600
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 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 detallesUna matriz es un conjunto de elementos de cualquier naturaleza aunque, en general, son números ordenados en filas y columnas.
MATRICES Las matrces se utlzan en el cálculo numérco, en la resolucón de sstemas de ecuacones lneales, de las ecuacones dferencales y de las dervadas parcales. Además de su utldad para el estudo de sstemas
Más detallesDistribuciones de probabilidad
Dstrbucones de probabldad Toda dstrbucón de probabldad es generada por una varable aleatora x, la que puede ser de dos tpos: Varable aleatora dscreta (x). Se le denomna varable porque puede tomar dferentes
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 detallesT. 5 Estadísticos de forma de la distribución
T. 5 Estadístcos de forma de la dstrbucón 1 1. Asmetría 2. Apuntamento o curtoss Ya ha sdo abordado en temas precedentes el análss de la forma de la dstrbucón de frecuencas desde una aproxmacón gráfca.
Más detallesAnálisis de Varianza no paramétricos
Capítulo VII Análss de Varanza no paramétrcos Anova de Kruskal-Walls Anova de Fredman Anova de Q de Cochran Introduccón Las técncas de análss de varanza no paramétrcos son útles cuando los supuestos de:
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
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 detallesRegresión y Correlación
Regresón Correlacón 1.- El número de turstas (en mllones) entrados en España mensualmente durante los años 001 00 se epone en la sguente estadístca. Nº Turstas 001,76,6,9 3,8 4,4 4,81 8,93 9,98 5,91 4,34,6
Más detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
Más detallesCÁLCULO DE INCERTIDUMBRES Y REPRESENTACIONES GRÁFICAS
CÁLCULO DE ICERTIDUMBRES Y REPRESETACIOES GRÁFICAS ITRODUCCIÓ El estudo de la Físca es ncompleto s no se apoya en epermentos de laboratoro que permtan la comprensón de los fenómenos en estudo. Con los
Más detallesMODELOS DE SECUENCIACIÓN EN MÁQUINAS 1
odelos de secuencacón de tareas en máqunas Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu ODELOS DE SECUENCIACIÓN EN ÁQUINAS odelos de secuencacón de tareas
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más 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 detallesDISTRIBUCION DE RENDIMIENTOS: APLICACIONES
DISTRIBUCION DE RENDIMIENTOS: APLICACIONES Puntos a desarrollar Como es el modelo de dstrbucon normal de los rendmentos Como se puede utlzar para hacer predccones futuras sobre precos de actvos Como se
Más detallesCapítulo 11. Movimiento de Rodamiento y Momentum Angular
Capítulo 11 Movmento de Rodamento y Momentum Angular 1 Contendos: Movmento de rodamento de un cuerpo rígdo. Momentum Angular de una partícula. Momentum Angular de un sstema de partículas. Momentum Angular
Más detalles, x es un suceso de S. Es decir, si :
1. Objetvos: a) Aprender a calcular probabldades de las dstrbucones Bnomal y Posson usando EXCEL. b) Estudo de la funcón puntual de probabldad de la dstrbucón Bnomal ~B(n;p) c) Estudo de la funcón puntual
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesLas acciones a considerar en el proyecto de una estructura o elemento estructural se pueden clasificar según los criterios siguientes:
CAÍTULO III ACCIONES Artículo 9º Clasfcacón de las accones Las accones a consderar en el proyecto de una estructura o elemento estructural se pueden clasfcar según los crteros sguentes: - Clasfcacón por
Más detallesCONTRIBUCIÓN A LA MEJORA DE RESOLUCIÓN DE LOS SISTEMAS DE OBTENCIÓN DE IMÁGENES POR ULTRASONIDOS
UNIVERSITAT POLITÈCNICA DE CATALUNYA Departament d Engnyera Electrònca CONTRIBUCIÓN A LA MEJORA DE RESOLUCIÓN DE LOS SISTEMAS DE OBTENCIÓN DE IMÁGENES POR ULTRASONIDOS Autor: Jord Salazar Soler Drector:
Más detallesRegresión y correlación Tema 8. 1.1 Contraste sobre β 1.2 Regresión en formato ANOVA. 2. Correlación. Contraste sobre ρ xy
Unversdad Autónoma de Madrd 1 Regresón y correlacón Tema 8 1. Regresón lneal smple 1.1 Contraste sobre β 1. Regresón en formato ANOVA. Correlacón. Contraste sobre ρ xy Análss de Datos en Pscología II Tema
Más detallesPregunta Hoy está nublado, cuál es la probabilidad de que mañana continúe nublado? cuál es la probabilidad de que está nublado pasado mañana?
Cadenas de Marov Después de mucho estudo sobre el clma, hemos vsto que s un día está soleado, en el 70% de los casos el día sguente contnua soleado y en el 30% se pone nublado. En térmnos de probabldad,
Más detallesCapítulo 11. Movimiento de Rodamiento y Momentum Angular
Capítulo 11 Movmento de Rodamento y Momentum Angular 1 Contendos: Movmento de rodamento de un cuerpo rígdo. Momentum Angular de una partícula. Momentum Angular de un sstema de partículas. Momentum Angular
Más detallesMedidas 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 detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más 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 detallesVII. Solución numérica de ecuaciones diferenciales
VII. Solucón numérca de ecuacones derencales VII. Antecedentes Sea dv dt una ecuacón derencal de prmer orden : g c m son constantes v es una varable dependente t es una varable ndependente c g v I m Las
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 detallesUNIDAD 1: Tablas de frecuencias
UIDAD : Tablas de recuencas Cuando sobre una poblacón hemos realzado una encuesta o cualquer regstro para conocer los valores que toman las varables, nos encontramos ante una gran cantdad de datos que
Más detalles3.3 Caracterización de grupos: Estadísticos de forma de la distribución
3.3 Caracterzacón de grupos: Estadístcos de forma de la dstrbucón 1. Smetría 2. Apuntamento o curtoss 3. Descrpcón estadístca de una varable: tabla resumen Ya ha sdo abordado en temas precedentes el análss
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesCuaderno de actividades 4º ESO
Estadístca Undmensonal 1 Conceptos báscos. Cuaderno de actvdades º ESO Cualquer elemento o ente que sea portador de nformacón sobre alguna propedad en la cual se está nteresado se denomna ndvduo. El conjunto
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detallesCERTIFICADO DE CALIBRACION
Nº de certfcado: Certfcate number: INSTRUMENTO: Instrument: Laboratoro de calbracón CERTIFICADO DE CALIBRACION Certfcate of calbraton XXXXXXXXXXX Estufa Págna 1 de 2 FABRICANTE: Manufacturer: Selecta MODELO:
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
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 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 detallesCOLEGIO INGLÉS MEDIDAS DE DISPERSIÓN
COLEGIO IGLÉS DEPARTAMETO IVEL: CUARTO MEDIO PSU. UIDAD: ESTADISTICA 3 PROFESOR: ATALIA MORALES A. ROLADO SAEZ M. MIGUEL GUTIÉRREZ S. JAVIER FRIGERIO B. MEDIDAS DE DISPERSIÓ Las meddas de dspersón dan
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más detallesELECTROSTÁTICA. CAMPO ELÉCTRICO EN EL VACÍO.
ELECTROSTÁTICA. CAMPO ELÉCTRICO EN EL VACÍO..- PERSPECTIVA HISTÓRICA MATERIA { MOLÉCULAS } { ÁTOMOS}, sendo los átomos y/o moléculas estables por la nteraccón electromagnétca. Desde la perspectva electromagnétca
Más detalleshttp://www.rubenprofe.com.ar biofisica@rubenprofe.com.ar RESISTENCIAS EN PARALELO
bofsca@rubenprofe.com.ar El crcuto funcona así: ESISTENCIS EN PLELO.- Las cargas salen del extremo postvo de la fuente y recorren el conductor (línea negra) hasta llegar al punto, allí las cargas se dvden
Más detallesMatemáticas A 4º E.S.O. pág. 1
Matemátcas A º E.S.O. pág. HOJA : ESTADÍSTICA º.- Agrupa en ntervalos y construye una tabla de frecuencas (con la marca de clase ncluda) y la frecuenca absoluta de las sguentes alturas, meddas en centímetros,
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesAplicación de la termodinámica a las reacciones químicas Andrés Cedillo Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa
Aplcacón de la termodnámca a las reaccones químcas Andrés Cedllo Departamento de Químca Unversdad Autónoma Metropoltana-Iztapalapa Introduccón Las leyes de la termodnámca, así como todas las ecuacones
Más detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesCASO PRÁCTICO TEORÍA. 1 i (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS)
Caso 6: Calbrado para fosfato y predccón nversa 43 Caso 6 : Calbrado para fosfato y predccón nversa (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS) CASO PRÁCTICO Al hacer calbrados con
Más detallesEnlaces de las Series de Salarios. Metodología
Enlaces de las eres de alaros Metodología ntroduccón La Encuesta de alaros en la ndustra y los ervcos (E, cuyo últmo cambo de base se produjo en 996) ha sufrdo certas modfcacones metodológcas y de cobertura,
Más detallesTEORÍA DE MEDIDAS INTRODUCCIÓN
Teoría de Meddas TEORÍA DE MEDIDAS ITRODUCCIÓ Las cencas epermentales operan con valores numércos que se obtenen como resultado de efectuar meddas de varables, por ejemplo una temperatura, una longtud
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesUniversidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud
Unversdad de Pamplona Facultad de Cencas Báscas Físca para cencas de la vda y la salud AÁLISIS GRÁFICO DE DATOS EXPERIMETALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos
Más detallesTÉCNICAS AUXILIARES DE LABORATORIO
TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar
Más detallesTEMA 1.- CONCEPTOS BÁSICOS
TEMA 1.- CONCEPTOS BÁSICOS 1.1.- Cuestones tpo test 1.- En las encuestas personales puede codfcarse, por ejemplo, con un cero las que son contestadas por una mujer y con un uno las que lo son por un varón.
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detalles1. Números imaginarios. Números complejos en forma binómica página 115. 2. Representación gráfica de los números complejos página 116
Números complejos E S Q U E M A D E L A U N I D A D. Números magnaros. Números complejos en forma bnómca págna. Representacón gráfca de los números complejos págna 6.. Suma de números complejos págna 8.
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 detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y
ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO
Más detallesMétodos cuantitativos de análisis gráfico
Métodos cuanttatvos de análss gráfco Método de cuadrados mínmos Regresón lneal Hemos enfatzado sobre la mportanca de las representacones gráfcas hemos vsto la utldad de las versones lnealzadas de los gráfcos
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 detallesFISICOQUÍMICA FARMACÉUTICA (0108) UNIDAD 1. CONCEPTOS BÁSICOS DE CINÉTICA QUÍMICA
FISICOQUÍMICA FARMACÉUTICA (008) UNIDAD. CONCEPTOS BÁSICOS DE CINÉTICA QUÍMICA Mtra. Josefna Vades Trejo 06 de agosto de 0 Revsón de térmnos Cnétca Químca Estuda la rapdez de reaccón, los factores que
Más detallesEstas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.
UIDAD 3: Meddas estadístcas Las meddas estadístcas o parámetros estadístcos son valores representatvos de una coleccón de datos y que resumen en unos pocos valores la normacón del total de datos. Estas
Más detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detallesSistemas Lineales de Masas-Resortes 2D
Sstemas neales de Masas-Resortes D José Cortés Pareo. Novembre 7 Un Sstema neal de Masas-Resortes está consttudo por una sucesón de puntos (de ahí lo de lneal undos cada uno con el sguente por un resorte
Más detallesExamen de Física-1, 1 del Grado en Ingeniería Química Examen final. Septiembre de 2014 Cuestiones (Un punto por cuestión).
Examen de Físca-, del Grado en Ingenería Químca Examen fnal. Septembre de 204 Cuestones (Un punto por cuestón. Cuestón (Prmer parcal: Un satélte de telecomuncacones se mueve con celerdad constante en una
Más detalles