Desarrollo de un Modelo Porcentual para la Evaluación de Sigatoka negra en Condiciones de Invernadero

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

Download "Desarrollo de un Modelo Porcentual para la Evaluación de Sigatoka negra en Condiciones de Invernadero"

Transcripción

1 Desarrollo e un Moelo Porcentual para la Evaluación e Sigatoka negra en Coniciones e Invernaero Betsy Ribaeneira Coloma (), Omar Ruiz Barzola () Instituto e Ciencias Matemáticas () Centro e Investigaciones Biotecnológicas el Ecuaor () () () Escuela Superior Politécnica el Litoral Campus Gustavo Galino km 3.5 Vía Perimetral, 593, Guayaquil, Ecuaor bribaen@espol.eu.ec () oruiz@espol.eu.ec () () Resumen Se realizó el presente estuio para obtener una escala porcentual, que permita evaluar el esarrollo e la Sigatoka negra sobre plantas en invernaero. Los atos utilizaos en este estuio corresponen a imágenes igitales obtenias e las hojas e plantas e banano inoculaas en invernaero el Centro e Investigaciones Biotecnológicas el Ecuaor, estas imágenes fueron recogias perióicamente. El estuio empieza con el iseño muestral, se utilizó como tipo e muestreo el métoo por conglomerao, y se obtuvo un tamaño e muestra e 36 observaciones, estas hojas se seleccionaron e un total e 5 hojas la que conformaron la población objetivo en el estuio. Aemás se construyó contrastes e hipótesis, entre ellos está el siguiente El área calculaa usano el factor Murray y el área calculaa por imágenes igitales ifieren significativamente, sieno el área calculaa con el factor e Murray la que sobreestima el área igital. Se creó un moelo e regresión que permita calcular el área foliar a partir el largo y ancho e la hoja. Al agrupar las hojas según el síntoma se eterminó los intervalos e confianza para caa meia el porcentaje e entro e caa grupo, estos intervalos permitieron establecer los rangos e la nueva escala porcentual. Palabras Claves Sigatoka negra, área e la hoja e planta e banano, regresión. Abstract his work was mae to obtain a percent scale, which provies a measure to growing of black Sigatoka on plants in greenhouse. he ata use in this research to belong to the igital images from leaves of banana plants inoculate in greenhouse of Centro e Investigaciones Biotecnológicas el Ecuaor (CIBE-ESPOL). Firstly, it was evelope the sample esign to get the sample of 36 elements from a population of 5 leaves to be analyze. he principal variables were With, Large an leaf Area. hrough the t test was emonstrate that the Murray factor not is satisfactory to calculate the leaf area, so was got a regression moel to calculate the Leaf Area. he confience intervals were calculate from each symptoms group of black Sigatoka, it allowe to fin the new percent scale.

2 Introucción. El Centro e Investigaciones Biotecnológicas el Ecuaor (CIBE - ESPOL) realiza estuios relacionaos al control e la Sigatoka negra, enfermea que afecta los cultivos e banano en too el muno. Los altos costos en los que se incurren al controlar la Sigatoka negra han ao inicio a la búsquea e nuevas alternativas que permitan vigilar la evolución el hongo causante e la misma. Por esto se eciió utilizar la estaística como una muy potente herramienta para analizar los atos isponibles en el CIBE relacionaos a la Sigatoka negra. El objetivo el estuio es esarrollar un moelo porcentual para la evaluación e Sigatoka negra en coniciones e invernaero. La primera etapa el estuio fue capturar las imágenes e las hojas inoculaas con el hongo causante e la enfermea Sigatoka negra, la seguna etapa fue transformar estas imágenes a atos, usano una aplicación en MALAB 7. Finalmente se proceió a realizar el análisis estaístico el cual incluye análisis univariao, contrastes e hipótesis y análisis e regresión. Metoología e Inoculación en Invernaero. Inoculación es el métoo e transmisión e microorganismos e un cultivo artificial el patógeno Mycosphaerella Fijiensis sobre las hojas e las plantas e banano en invernaero. El métoo aplicao es la inoculación artificial In Vitro utilizano la suspensión e Micelio. Las plantas crecen en macetas e centímetros e iámetro, luego las plantas son aclimataas por 8 semanas y se inoculan las tres primeras hojas en abrirse, utilizano un spray. Las plantas se mantienen a humea relativa el 9% % y el perioo e evaluación empieza a los 5 ías espués el inoculo y termina a los 6 ías (Figura ). Los síntomas utilizaos en invernaero corresponen a la escripción e Fullerton y Olsen (995) presentaos a continuación en el Cuaro Cuaro Estaios el esarrollo e la Sigatoka negra en in Vitro inoculaas en invernaero Síntoma Ningún síntoma Descripción el Síntoma Pequeña pizca e color café rojizo en el envés e la hoja Pequeña estría e color café rojizo visible en el haz y envés Hay cambio e color a café oscuro y negro. Se consiera este síntoma como mancha. La mancha negra está roeaa e un halo amarillo La mancha nuevamente sufre cambios e color, empieza a eprimirse y en las zonas mas claras (gris-blanco). Figura Esquema el proceso e inoculación en invernaero. Prueba t pareaa. Esta prueba se puee llevar a cabo cuano los atos están en la forma e observaciones pareaas, es ecir caa unia experimental tiene un par e observaciones; el cálculo para esta prueba e observaciones pareaas se basa en la variable aleatoria D y que representan la meia muestral y la S esviación estánar e las iferencias entre las observaciones pareaas. En esta prueba si el tamaño e la muestra es suficientemente grane, como n>=3, la istribución t no ifiere e manera consierable e la istribución normal estánar, para esto se establece el siguiente contraste e hipótesis H H EP RR Regresión. µ µ t t D D = = s α n Si, basaos en una relación teórica, se tiene observaciones relacionaas (X e Y), para suponer que las variaciones e Y son causaas por las variaciones X, poemos utilizar el análisis e regresión para probar la relación matemática que existe entre estas variables. Al conjunto e observaciones Y se los enotará como variable enógena, explicaa, epeniente o respuesta. Al conjunto e / n

3 observaciones X se los enotará como variable exógena, explicativa, inepeniente, preictora, o regresora. enieno en cuenta que un moelo es un conjunto e restricciones sobre la istribución conjunta e las variables epenientes e inepenientes, entonces los objetivos e un moelo e regresión puee ser os o Preictivo, en el que el interés el investigaor es preecir lo mejor posible la variable epeniente, usano un conjunto e variables inepenientes, es ecir, obtener una ecuación que nos permita preecir la variable epeniente. o Estimativo, en el que el interés se centra en estimar la relación e una o más variables inepenientes con la variable epeniente, es ecir cuantificar la relación entre las variables X y la variable Y. Regresión Múltiple. Generalizano la notación usaa para el moelo e regresión lineal simple, a partir e una muestra e n observaciones e la cual se ispone los valores e una variable respuesta Y aemás e los valores e k variables explicativas X,X,...,Xk. El moelo e regresión lineal múltiple con k variables intenta aproximar la variable respuesta meiante una función lineal e las variables explicativas e la siguiente forma Yi = β + β Xi + β Xi βk Xik+ i ε ; i=,,..., n () De moo que los coeficientes (parámetros) e la ecuación se estiman siguieno el criterio e mínimos cuaraos Mín n i= ( Yi β βx i βxi... βk Xik) La obtención aquí e las expresiones e los estimaores mínimo cuaráticos e ichos coeficientes exigen reescribir la expresión () utilizano notación matricial. Así, () quearía Y = Xβ + ε Done Y X X Λ X k β ε Y X X Λ X k β ε Y= X= β= ε= Μ Μ Μ Μ Ο Μ Μ Μ Y n Xn Xn Λ Xnk β k n ε Resolvieno este problema meiante el cálculo iferencial, se obtienen los estimaores e mínimos cuaraos a través e la siguiente expresión matricial ˆ β = ( X X ) X Y Y mantienen una interpretación análoga al caso e la regresión lineal simple (representa el incremento por término meio en la variable respuesta por caa unia aicional en la variable). Estimación e sigma SCE S = n p Done n es el número e observaciones p el número e parámetros (k+) SCE igual a la siguiente expresión SCE = ( Y X ˆ) β ( Y X ˆ) β Matriz e covarianza = S ( X X ) Coeficiente e eterminación SCR R =, R SC Coeficiente e eterminación ajustao n SCE R a = *, R n p SC Done SCR = β X Y ny SCE = Y SC = Y Y β X Y ny Área e la Hoja. Y abla evaluación e la Sigatoka negra en invernaero Meias Descriptivas el Área e la Hoja N 36 Meia 8, Meiana 96,5 Desv. Estánar 68,86 Coef. e Asimetría,37 Curtosis,99 Rango 33,8 Mínimo 3,7 Máximo 365,9 Q 63,35 Q 96,5 Q3 45,96 Meia, el valor promeio e la variable área e la hoja es 8, cm Meiana, en consieración a esta meia se observa que la muestra es iviia justo en el centro por el valor e 96,5 cm inicano que el 5% e las observaciones registran valores mayores al e esta meia.

4 Desviación estánar, la variable Área e la hoja presenta una ispersión e 68,86 cm y esto equivale en relación a la meia una variación el 58%. Asimetría, este coeficiente e,37 inica que la istribución posee una asimetría positiva y puesto que el valor es mayor se establece que la istribución e esta variable ifiere significativamente e una istribución normal simétrica. Curtosis, este coeficiente inica que es una istribución leptocúrtica en relación a una istribución normal puesto que el valor e esta meia es,99. Rango, según esta meia el rango e las atos es 33,8 cm. 3,7 cm. 365,9 cm. Cuartil, el 5% e las observaciones registran valores por ebajo el 63,35 cm. Cuartil 3, el 5% e las observaciones registran valores por encima e 45,96 cm. Área e la Mancha. abla evaluación e la Sigatoka negra en invernaero Meias Descriptivas el Área e la Mancha (%) N 36 Meia 6,7 Meiana,65 Desv. Estánar,93 Coef. e Asimetría,84 Curtosis 8,94 Rango 67,49 Mínimo, Máximo 67,49 Q, Q,65 Q3 8,4 Meia, el valor promeio e la variable área e la mancha es 6,7 %. Meiana, en consieración a esta meia se observa que la muestra se ivie justo en el centro por el valor e,65 %, inicano que el 5% e las observaciones registran valores menores al % e área. Desviación estánar, la variable área e la mancha presenta una ispersión el,93 uniaes, esto inica en relación a la meia un coeficiente e variación mayor al %. Asimetría, este coeficiente e,84 inica que la istribución posee una asimetría positiva y puesto que el valor es mayor a se establece que la istribución e esta variable ifiere significativamente e una istribución normal simétrica. Curtosis, este coeficiente inica que es una istribución leptocúrtica en relación a una istribución normal puesto que el valor e esta meia es 8,94. Rango, según esta meia el rango e las atos es 67,49 uniaes., % 67,49 %. Cuartil, el 5% e las observaciones registran valores por ebajo e, %. Cuartil 3, el 5% e las observaciones registran valores por encima e 8,4 %. Largo e la hoja. abla 3 evaluación e la Sigatoka negra en invernaero Meias Descriptivas el Largo e la hoja N 36 Meia 9,83 Meiana 9,53 Desv. Estánar 4,58 Coef. e Asimetría, Curtosis -,68 Rango 9,75 Mínimo,97 Máximo 3,7 Q 6,9 Q 9,53 Q3 3, Meia, el valor promeio e la variable Largo e la hoja es 9,83 cm e longitu. Meiana, en consieración a esta meia se observa que la muestra se ivie justo en el centro por el valor e 9,53 cm; inicano que el 5% e las observaciones registran valores mayores al e esta meia. Desviación estánar, la variable largo e la hoja presenta una ispersión e 4,58 cm y en relación a la meia presenta una variación el %. Asimetría, este coeficiente e, inica que la istribución posee una asimetría positiva baja, esto inica que la istribución e esta variable es semejante a una istribución normal simétrica. Curtosis, este coeficiente inica que es una istribución platicúrtica en relación a una istribución normal puesto que el valor e esta meia es -,68. Rango, según esta meia el rango e las atos es 9,75 cm.,97 cm. 3,7 cm.

5 Cuartil, el 5% e las observaciones registran valores por ebajo e 6,9 cm. Cuartil 3, el 5% e las observaciones registran valores por encima e 3, cm. Ancho e la hoja. abla 4 evaluación e la Sigatoka negra en invernaero Meias Descriptivas el Ancho e la hoja N 36 Meia 7,5 Meiana 7, Desv. Estánar,38 Coef. e Asimetría,68 Curtosis, Rango,33 Mínimo 3,85 Máximo 5,8 Q 5,55 Q 7, Q3 8,97 Meia, el valor promeio e la variable ancho e la hoja es 7,5 cm. Meiana, en consieración a esta meia se observa que la muestra se ivie justo en el centro por el valor e 7, cm; inicano que el 5% e las observaciones registran valores mayores al e esta meia. Desviación estánar, la variable ancho e la hoja presenta una ispersión e,38 cm y en relación a la meia presenta una variación el 3%. Asimetría, este coeficiente e,68 inica que la istribución posee una asimetría positiva baja, esto inica que la istribución e esta variable es semejante a una istribución normal simétrica. Curtosis, este coeficiente inica que es una istribución leptocúrtica en relación a una istribución normal puesto que el valor e esta meia es,. Rango, según esta meia el rango e las atos es,33 cm. 3,85 cm. 5,8 cm. Cuartil, el 5% e las observaciones registran valores por ebajo e 5,55 cm. Cuartil 3, el 5% e las observaciones registran valores por encima e 8,97 cm. Contraste para Área e la hoja. Se contrastó las siguientes hipótesis por meio e una prueba t pareaa H La meia e las iferencias entre las variables área y área es igual a cero. H No es vera H Done Área Área calculaa utilizano el factor e Murray Área Área calculaa ese la imagen igital Luego e realizar los respectivos cálculos se obtuvo los siguientes resultaos mostraos en la siguiente abla 5 abla 5 evaluación e la Sigatoka negra en invernaero Contraste e Hipótesis para Área e la hoja 9,6 s 5,8 Estaístico prueba e t 6,69 Significancia e t, rabajano con un 95% e confianza y puesto que la significancia e la prueba t es menor que,5 se rechaza Ho, la cual establece que La meia e las iferencias entre las variables área y área es igual a cero. Lo cual eja como hipótesis alternativa, la meia e las iferencias entre el Área calculaa por Murray y el Área calculaa igitalmente, iferente e cero, es ecir, que el cálculo el área foliar utilizano el factor e Murray ifiere el calculo e las hojas a través e imagen igital e las plantas en invernaero. Aemás se observó iferencias positivas entre el Área y el Área cuya meia es 9,6, consierano esto y aemás que el estaístico e prueba resultó positivo, se concluye que el Área calculaa por Murray es mayor a la calculaa igitalmente. Regresión. En la abla 6 se presentan los coeficientes e las variables inepenientes Largo y Ancho e la hoja, que inican el cambio promeio en la variable epeniente Área e la hoja cuano se incrementa una unia alguna e las variables inepenientes asumieno que las otras variables permanecen constantes. Para establecer la significancia estaística e caa coeficiente entro el moelo se calculó el estaístico (Est. t) y la significancia (Sig.), se consiera coeficientes significativos aquellos cuyo estaístico este fuera el intervalo [-,] o también aquellos cuya significancia sea menor a.5. abla 6 evaluación e la Sigatoka negra en invernaero Moelo e Regresión Y = Área Coeficientes σ ) β Est. Sig.

6 ) β -9,8 8,74-3,7, Largo 4,98, 4,9, Ancho 8,5,95 9,5, Anova. Para establecer la significancia global el moelo e regresión y verificar la influencia e al menos una e las variables inepenientes Largo y Ancho e la hoja sobre la variable epeniente Área e la hoja se construyó la tabla Anova que incluye los graos e liberta (Gl), las sumas cuaráticas (SC), meias cuaráticas (MC), estaístico (Est. F) y la significancia presentaos a continuación, basaos en la significancia (Sig.) e la tabla igual a. se rechaza la hipótesis nula y se concluye a un nivel e significancia el 5% que existe eviencia estaística para afirmar que al menos una e las variables inepenientes explican la variable epeniente. abla 7 evaluación e la Sigatoka negra en invernaero Anova e Regresión Fuente Gl. SC MC Est. F Sig. Regresión ,4 974,7 7,78, Error ,8 4,5 otal ,95 Acerca el moelo. Para establecer el ajuste el moelo, se calculó el R coeficiente. abla 8 evaluación e la Sigatoka negra en invernaero Estimaor R,9 Intervalos e Confianza. Para establecer una nueva escala que puea ser utilizaa en invernaero, se agrupó las hojas e las plantas en estuio según el síntoma. En el primer grupo que corresponen a las hojas con síntoma se les evaluó el porcentaje e y se obtuvo una meia muestral el,9%. Aemás se obtuvo un intervalo e confianza para la meia poblacional cuyo límite inferior es,54% y el límite superior.8%. En el seguno grupo que corresponen a las hojas con síntoma se les evaluó el porcentaje e y se obtuvo una meia muestral el,84%. Aemás se obtuvo un intervalo e confianza para la meia poblacional cuyo límite inferior es,36% y el límite superior,3%. Para el tercer grupo que corresponen a las hojas con síntoma 3 se les evaluó el porcentaje e y se obtuvo una meia muestral el,35%. Y también se obtuvo un intervalo e confianza para la meia poblacional cuyo límite inferior es,36% y el límite superior,573%. En el cuarto grupo que corresponen a las hojas con síntoma 4 se les evaluó el porcentaje e y se obtuvo una meia muestral el 4,574%. Aemás se obtuvo un intervalo e confianza para la meia poblacional cuyo límite inferior es,8% y el límite superior 7,37%. Y para el quinto grupo que corresponen a las hojas con síntoma 5 se les evaluó el porcentaje e y se obtuvo una meia muestral el 8,5%. Aemás se obtuvo un intervalo e confianza para la meia poblacional cuyo límite inferior es,88% y el límite superior 3,43%. abla 9 evaluación e la Sigatoka negra en invernaero Intervalos e Confianza según el Síntoma % Infección IC (95% confianza) Síntoma Meia Error Estánar Límite Inferior Límite Superior,9,8,54,8,84,43,36,3 3,35,59,36, ,574,334,8 7,37 5 8,5,594,88 3,43 ambién se puo construir los extremos superiores e acumulaa sobre la hoja según el síntoma, sieno el primer límite superior el intervalo e confianza el primer extremo superior e acumulaa (,8%), para el síntoma ; el seguno extremo superior e acumulaa se obtuvo sumano el primer extremo superior e acumulaa (,8%) más el seguno limite superior el intervalo (,3%), para el síntoma ; luego para el tercer extremo superior e acumulaa se sumó el seguno extremo superior e acumulaa (,49%) mas el tercer limite superior el intervalo (,57%), para el síntoma 3; consecuentemente para el cuarto extremo superior e acumulaa se sumó el tercer extremo superior e acumulaa (4,%) mas el cuarto limite superior el intervalo (7,36%), para el síntoma 4; y por ultimo, el quinto extremo superior e acumulaa se obtuvo sumano el cuarto extremo superior e acumulaa (,39%) mas el quinto limite superior intervalo (3,43%), para el síntoma 5. abla Desarrollo e moelo porcentuales para la Sigatoka negra en invernaero Porcentaje e Infección según el Síntoma

7 Síntoma Límite Superior Extremos superiores e acumulaa Extremos superiores e acumulaa reoneaos,8,8,3,49 3,57 4, 4 4 7,36,39 5 3,43 34,75 35 Una vez hecho el análisis y obtenio los extremos superiores e e acumulación reoneaos para caa síntoma, se iseño la nueva escala para eterminar el grao e e la Sigatoka negra en la hojas e banano en invernaero (abla ). abla Desarrollo e moelo porcentuales para la Sigatoka negra en invernaero Escala para eterminar el grao e e la Sigatoka negra en las hojas e invernaero Extremos superiores Valores e Descripción acumulaa reoneaos Hoja sin < % Hoja con hasta el % e < % Hoja con hasta el % e 3 < 4% Hoja con hasta el 4% e 4 < % Hoja con hasta el % e 5 < 35% Hoja con hasta el 35% e Conclusiones. El uso e técnicas igitales y estaísticas, permitió establecer nuevos lineamientos para la evaluación e la e la Sigatoka negra en plantas e banano en invernaero. Se emostró estaísticamente que existe iferencia entre el calculo e Área foliar a través el uso el factor e Murray y el cálculo e Área por meio e imágenes igitales. La primera y seguna evaluación, no presentaron avances e la enfermea; mientras que las evaluaciones el primer perioo y tercero presentaron un esarrollo significativo e la enfermea. Se obtuvo un moelo e regresión, cuya variable epeniente fue el Área e la hoja y variables inepenientes Largo y Ancho e la hoja, que se ajusta significativamente para el cálculo el Área Foliar e la hoja. Se eterminó un moelo preliminar para la evaluación porcentual e e la Sigatoka negra en plantas en invernaero. Bibliografía.. Jacome L., Lepoivre P., Marin D., Ortiz R., Romero R. y Escalant J.V.; 3; Mycosphaerella leaf spot iseases of bananas present status an outlook ; Imprimerie Horizon, Francia.. Kumar N., Krishnamoorthy V., L. Nalina & K. Soorianathasnharam.. Nuevo factor para estimar el área foliar total en banano, INFOMUSA ()4-43; Re Internacional para el Mejoramiento el Banano y el Platano (INIBAP), Francia. 3. urner D.W., 3. Métoo integral para estimar el área foliar total en los bananos, INFOMUSA ()5-7; Re Internacional para el Mejoramiento el Banano y el Platano (INIBAP), Francia. 4. Walpole R., Myers R., Myers S.; 998; Probabilia y Estaística para Ingenieros ; sexta eición; Pearson Eucación; México. 5. Montgomery D.; 3; Diseño y Análisis e Experimentos ; seguna eición; Limusa Wiley. 6. Páginas Web Acerca e Sigatoka negra. Monografías ;http// bajos33/sigatoka-negra/sigatoka-negra.shtml#eva, Julio/6 (última visita). Centro e Agronómico ropical e Investigación y Enseñanza ; http// asigatokanegra(mycosphaerellafijiensis)/musasig atokanegra(mycosphaerellafijiensis).asp?cosecc ion=353; Julio 6 (última visita) 3. Proyecto SICA ; http// para%invertir/organicos/organicos_ecuaor/s igatoka_organico.htm; Julio 6 (última visita). 7. Foros en Internet. Acerca el Área Foliar - Factor e Murray. Marzo 7 (última charla). Marzo 7 (última charla) 3. Marzo 7 (última charla)

UCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG)

UCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) PAEG Junio 03 Propuesta B Matemáticas aplicaas a las CCSS II º Bachillerato UCLM - Pruebas e Acceso a Enseñanzas Universitarias Oiciales e Grao (PAEG) Matemáticas aplicaas a las Ciencias Sociales II Junio

Más detalles

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Métodos multivariantes en control estadístico de la calidad

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Métodos multivariantes en control estadístico de la calidad UNIVESIDAD NACIONAL MAYO DE SAN MACOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE ESTADÍSTICA Métoos multivariantes en control estaístico e la calia Capítulo I. Gráficos e control estaístico univariaa TABAJO

Más detalles

Boletín audioprotésico número 35

Boletín audioprotésico número 35 Boletín auioprotésico número 35 Cómo asegurar la ganancia in-situ correcta Noveaes el epartamento e Investigación auioprotésica y comunicación 9 502 1041 004 / 06-07 Introucción Normalmente, los auífonos

Más detalles

CONCEPTOS BÁSICOS DE CONFIABILIDAD

CONCEPTOS BÁSICOS DE CONFIABILIDAD CAPÍTULO II CONCEPTOS BÁSICOS DE CONFIABILIDAD El iseño e sistemas, comprene los aspectos más amplios e la organización e equipo complejo, turnos e operación, turnos e mantenimiento y e las habiliaes necesarias

Más detalles

La capacitancia tiene la unidad del SI coulomb por volt. La unidad de capacitancia del SI es el farad (F), en honor a Michael Faraday.

La capacitancia tiene la unidad del SI coulomb por volt. La unidad de capacitancia del SI es el farad (F), en honor a Michael Faraday. 1. Qué es capacitancia? Se efine como la razón entre la magnitu e la carga e cualquiera e los conuctores y la magnitu e la iferencia e potencial entre ellos. La capacitancia siempre es una cantia positiva

Más detalles

(f + g) (x) = f (x) + g (x) (α f) (x) = α f (x) (f g) (x) = f (x) g(x) + f(x) g (x) (x) = f (x) g(x) f(x) g (x) g. [g(x)] 2 (f g) (x) = f (g(x)) g (x)

(f + g) (x) = f (x) + g (x) (α f) (x) = α f (x) (f g) (x) = f (x) g(x) + f(x) g (x) (x) = f (x) g(x) f(x) g (x) g. [g(x)] 2 (f g) (x) = f (g(x)) g (x) Derivaa e una función en un punto: El concepto e erivaa e una función matemática se halla íntimamente relacionao con la noción e límite. Así, la erivaa se entiene como la variación que experimenta la función

Más detalles

Tema 7. Propagación por onda de superficie

Tema 7. Propagación por onda de superficie Tema 7. Propagación por ona e superficie 1 Introucción...2 1.1 Características e la propagación...2 2 Antena monopolo corto...2 2.1 Ganancia respecto a la antena isótropa y al ipolo...3 2.2 Campo raiao

Más detalles

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:

Más detalles

Información importante

Información importante Departamento e Matemática Coorinación e Matemática I (MAT01) 1 er Semestre e 010 Semana 1: Lunes 07 viernes 11 e Junio Información importante Durante esta semana se publicarán las notas el Certamen en

Más detalles

ESTADÍSTICA. Tema 4 Regresión lineal simple

ESTADÍSTICA. Tema 4 Regresión lineal simple ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del

Más detalles

4. Mecánica en la Medicina Derivar e Integrar

4. Mecánica en la Medicina Derivar e Integrar 4. Mecánica en la Meicina Derivar e Integrar Teoría Dr. Willy H. Gerber Instituto e Ciencias Físicas y Matemáticas, Universia Austral, Valivia, Chile 17.04.2011 W. Gerber 4. Mecánica en la Meicina - Matemática

Más detalles

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,

Más detalles

Teorema Central del Límite (1)

Teorema Central del Límite (1) Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico

Más detalles

DEFINICIONES DE HUMEDAD Y SU EQUIVALENCIA

DEFINICIONES DE HUMEDAD Y SU EQUIVALENCIA ENME007 DEFINICIONES DE HUMEDAD Y SU EQUIVALENCIA Enrique Martines L. Centro Nacional e Metrología División e Termometría km 45 Carretera a Los Cués El Marquez Qro. México 110500 ext. 340emartine@cenam.mx

Más detalles

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse

Más detalles

UN TERCER METODO EXPERIMENTAL PARA LA DETERMINACIÓN DE LA CONSTANTE DE ELASTICIDAD DE UN RESORTE

UN TERCER METODO EXPERIMENTAL PARA LA DETERMINACIÓN DE LA CONSTANTE DE ELASTICIDAD DE UN RESORTE REVISTA COLOMBIANA DE FÍSICA, VOL. 6, No. 1. 004 UN TERCER METODO EXPERIMENTAL PARA LA DETERMINACIÓN DE LA CONSTANTE DE ELASTICIDAD DE UN RESORTE Francisco Ernesto Cortés Sánchez Funación Interamericana

Más detalles

( ) 2. Pendiente de una Recta Tangente. Sea f una función que es continua en x. 1. Para definir la pendiente de la recta tangente ( )

( ) 2. Pendiente de una Recta Tangente. Sea f una función que es continua en x. 1. Para definir la pendiente de la recta tangente ( ) Derivaa e una Función Ínice.. Introucción.. Peniente e una recta tangente.. Derivaa e una función. 4. Derivaas laterales. 5. Derivaa e una función compuesta (Regla e la Caena). 6. Tabla e erivaas usuales.

Más detalles

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------

Más detalles

478 Índice alfabético

478 Índice alfabético Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión

Más detalles

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016 ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una

Más detalles

Cuál es el resto? Números en columnas. Con la planilla de cálculo: b) Se escriben los números

Cuál es el resto? Números en columnas. Con la planilla de cálculo: b) Se escriben los números Números en columnas a) Se escriben los números en tres columnas: Encuentra en qué columna se ubican los números: 24; 141; 814; 1721; 10001. b) Se escriben los números en cinco colum- 0 1 2 3 4 5 6 7 8

Más detalles

6. PROBLEMAS DE MARKETING

6. PROBLEMAS DE MARKETING 6. PROBLEMAS DE MARKETING PROBLEMA 1 (POSICIONAMIENTO DEL PRODUCTO) Se ha realizao una encuesta sobre un grupo e consumiores e vino tinto e mesa para que, sobre una escala e 0 a 10, califiquen a las iferentes

Más detalles

Dispone de 1 hora para resolver las siguientes cuestiones planteadas.

Dispone de 1 hora para resolver las siguientes cuestiones planteadas. ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL FACULTAD DE ECONOMÍA Y NEGOCIOS EXAMEN TEÓRICO DE ESTADÍSTICA COMPUTARIZADA NOMBRE: PARALELO: Dispone de 1 hora para resolver las siguientes cuestiones planteadas.

Más detalles

ESTADÍSTICA SEMANA 3

ESTADÍSTICA SEMANA 3 ESTADÍSTICA SEMANA 3 ÍNDICE MEDIDAS DESCRIPTIVAS... 3 APRENDIZAJES ESPERADOS... 3 DEFINICIÓN MEDIDA DESCRIPTIVA... 3 MEDIDAS DE POSICIÓN... 3 MEDIDAS DE TENDENCIA CENTRAL... 4 MEDIA ARITMÉTICA O PROMEDIO...

Más detalles

REVISTA INVESTIGACION OPERACIONAL Vol. 23, No. 1, 2002

REVISTA INVESTIGACION OPERACIONAL Vol. 23, No. 1, 2002 REVISTA INVESTIGACION OPERACIONAL Vol. 23, No. 1, 2002 OPTIMIZACION DE MULTIPLES RESPUESTAS POR EL METODO DE LA FUNCION DE CONVENIENCIA PARA UN DISEÑO DE MEZCLAS Margarita Nuñez e Villavicencio Ferrer

Más detalles

TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD

TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia

Más detalles

Tema 2. Inferencia en poblaciones normales multivariantes

Tema 2. Inferencia en poblaciones normales multivariantes Máster en Técnicas Estaísticas Análisis Multivariante. Año 008 009. Profesor: César Sánchez Sellero. Tema. Inferencia en poblaciones normales multivariantes.1. Introucción. En este tema realizaremos tareas

Más detalles

LA EQUIVALENCIA DE LAS REPRESENTACIONES DE LA SOLUCIÓN PARTICULAR POR LOS MÉTODOS DE REDUCCIÓN DE ORDEN Y VARIACIÓN DE PARÁMETROS

LA EQUIVALENCIA DE LAS REPRESENTACIONES DE LA SOLUCIÓN PARTICULAR POR LOS MÉTODOS DE REDUCCIÓN DE ORDEN Y VARIACIÓN DE PARÁMETROS Faculta e Ingeniería - Universia Rafael Lanívar Boletín Electrónico No. 06 LA EQUIVALENCIA DE LAS REPRESENTACIONES DE LA SOLUCIÓN PARTICULAR POR LOS MÉTODOS DE REDUCCIÓN DE ORDEN Y VARIACIÓN DE PARÁMETS

Más detalles

Otra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza

Otra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer

Más detalles

Cálculos de instalaciones de fontanería, gas y calefacción. Volumen 2: métodos de cálculos de calefacción y gas. Santiago Durán Montejano

Cálculos de instalaciones de fontanería, gas y calefacción. Volumen 2: métodos de cálculos de calefacción y gas. Santiago Durán Montejano Cálculos e instalaciones e fontanería, gas y calefacción. Volumen 2: métoos e cálculos e calefacción y gas. Santiago Durán Montejano 1ª eición: febrero 2008 Santiago Durán Montejano Tornapunta Eiciones,

Más detalles

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11 Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales

Más detalles

4. CARACTERIZACIÓN DE LA MUESTRA:... 16

4. CARACTERIZACIÓN DE LA MUESTRA:... 16 1. INTRODUCCIÓN:... 3 2. OBJETIVOS:... 3 3. GENERAIDADES:... 4 3.1. MINERA:... 4 3.2. CASIFICACIÓN DE OS MINERAES SEGÚN SU COMPOSICIÓN QUÍMICA Y ESTRUCTURA:... 4 3.3. CARACTERIZACIÓN DE PARTÍCUAS:... 4

Más detalles

ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.

ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada. ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos

Más detalles

Juan Carlos Colonia INTERVALOS DE CONFIANZA

Juan Carlos Colonia INTERVALOS DE CONFIANZA Juan Carlos Colonia INTERVALOS DE CONFIANZA INTERVALOS DE CONFIANZA PARA LOS PARÁMETROS DE DOS POBLACIONES I.C. PARA EL COCIENTE DE VARIANZAS Sean X y dos muestras aleatorias,..., Xn Y,..., Yn independientes

Más detalles

Distribución Chi (o Ji) cuadrada (χ( 2 )

Distribución Chi (o Ji) cuadrada (χ( 2 ) Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably

Más detalles

A qué nos referimos con medidas de dispersión?

A qué nos referimos con medidas de dispersión? Estadística 1 Sesión No. 4 Nombre: Medidas de dispersión. Contextualización A qué nos referimos con medidas de dispersión? En esta sesión aprenderás a calcular las medidas estadísticas de dispersión, tal

Más detalles

Fase 2. Estudio de mercado: ESTADÍSTICA

Fase 2. Estudio de mercado: ESTADÍSTICA 1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.

Más detalles

CARACTERÍSTICAS TÉCNICAS GENERALES

CARACTERÍSTICAS TÉCNICAS GENERALES CARACTERÍSTICAS TÉCNICAS GENERALES SELECCIÓN Y TRATAMIENTO EL ACERO IMENSIONES Y GEOMETRÍA E LOS ROAMIENTOS SISTEMA E OBTURACIONES CÁLCULO E URACIÓN E LOS ROAMIENTOS JUEGO RAIAL E LOS ROAMIENTOS A ROILLO

Más detalles

Estadística I. Presentación de casos N 2

Estadística I. Presentación de casos N 2 Presentación de casos N 2 1. Dados los siguientes datos : 12 3 4 4 10 12 14 09 16 12 8 14 5 17 12 Calcule la Desviación Media Calcule la Desviación Típica o Estándar Calcule la Varianza Si todos los datos

Más detalles

IMPLEMENTACIÓN DE SENSORES VIRTUALES EN FOUNDATION FIELDBUS

IMPLEMENTACIÓN DE SENSORES VIRTUALES EN FOUNDATION FIELDBUS IMPLEMENACIÓN DE SENSORES VIRUALES EN FOUNDAION FIELDBUS Anrés J. Piñón Pazos Dpto. Ingeniería Inustrial, Universiae e A Coruña. E.U.P. Ferrol, Ava. 19 e Febrero, s/n, 15405 A Coruña, anrespp@cf.uc.es

Más detalles

Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda

Más detalles

ESCUELA COLOMBIANA DE INGENIERÍA

ESCUELA COLOMBIANA DE INGENIERÍA ESCUELA COLOMBIANA DE INGENIERÍA ASIGNATURA: ESTADÍSTICA DEPARTAMENTO: MATEMÁTICAS PLANES DE ESTUDIO: CÓDIGO: Mnemónico ESTI Numérico 1. OBJETIVOS GENERALES Desarrollar habilidades para organizar, representar

Más detalles

Indicadores de riesgo de crédito derivado de los depósitos bancarios constituidos en el exterior

Indicadores de riesgo de crédito derivado de los depósitos bancarios constituidos en el exterior Inicaores e riesgo e créito erivao e los epósitos bancarios constituios en el eterior Verónica Roríguez Bruné 1 setiembre e 2010 Resumen: En este trabajo se presenta un conjunto e inicaores esarrollaos

Más detalles

4. CÁLCULO INTEGRAL...71

4. CÁLCULO INTEGRAL...71 Inice. FUNCIONES..... NATURALEZA Y DEFINICIÓN DE FUNCIÓN MATEMÀTICA..... PRINCIPALES TIPOS DE FUNCIONES...9.. APLICACIONES DE LAS FUNCIONES.... LÍMITES..... LÌMITE DE UNA FUNCIÒN..... PROPIEDADES DE LOS

Más detalles

Control de Nivel de Multitanques Acoplados Mediante Control Asíncrono (y Red de Comunicación)

Control de Nivel de Multitanques Acoplados Mediante Control Asíncrono (y Red de Comunicación) Control e Nivel e Multitanques Acoplaos Meiante Control Asíncrono (y Re e Comunicación) Eliceo Águila Rojas 1, J. Fermi Guerrero Castellanos 1, Josefina Castañea Camacho 1 W. Fermín Guerrero Sánchez 2

Más detalles

ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ

ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El

Más detalles

PROGRAMA DE ESTUDIOS. - Nombre de la asignatura : Taller de herramientas Estadísticas. - Pre requisitos : LCP 219 Estadística

PROGRAMA DE ESTUDIOS. - Nombre de la asignatura : Taller de herramientas Estadísticas. - Pre requisitos : LCP 219 Estadística PROGRAMA DE ESTUDIOS A. Antecedentes Generales. - Nombre de la asignatura : Taller de herramientas Estadísticas - Carácter de la asignatura (obligatoria/ electiva) : Obligatoria - Pre requisitos : LCP

Más detalles

MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN

MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO DE EXAMEN CURSO 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES

Más detalles

OPTIMIZACIÓN EXPERIMENTAL. Ing. José Luis Zamorano E.

OPTIMIZACIÓN EXPERIMENTAL. Ing. José Luis Zamorano E. OPTIMIZACIÓN EXPERIMENTAL Ing. José Luis Zamorano E. Introducción n a la metodología de superficies de respuesta EXPERIMENTACIÓN: Significa variar deliberadamente las condiciones habituales de trabajo

Más detalles

Tema 5. Contraste de hipótesis (I)

Tema 5. Contraste de hipótesis (I) Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar

Más detalles

TEMA 3: Contrastes de Hipótesis en el MRL

TEMA 3: Contrastes de Hipótesis en el MRL TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12

Más detalles

PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E

PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 00-.003 - CONVOCATORIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumno debe elegir sólo una de las pruebas (A o B) y, dentro de ella, sólo

Más detalles

Estática de Fluidos Parte III. Vasos comunicantes. Prensa Hidráulica Manómetro

Estática de Fluidos Parte III. Vasos comunicantes. Prensa Hidráulica Manómetro Estática e Fluios arte III Vasos comunicantes. rensa Hiráulica Manómetro rofesor Juan anmartín - Física y Química Curso 2012/2013 Fluios Hirostática Vasos comunicantes es el nombre que recibe un conjunto

Más detalles

Universidad Autónoma de Zacatecas, Av. Ramón López Velarde 801, Col. Centro, 98000 Zacatecas, Zacatecas, México. baucap@uaz.edu.

Universidad Autónoma de Zacatecas, Av. Ramón López Velarde 801, Col. Centro, 98000 Zacatecas, Zacatecas, México. baucap@uaz.edu. ENERGÍA CINÉTICA DE LAS GOTAS EMITIDAS POR UN ASPERSOR Bautista Capetillo, C. F. 1, Playán, E., Salvaor, R., Montero, J. 3, Burguete, J., Tarjuelo, J. M. 3, Zapata, N. y González, T. J. 1 RESUMEN La energía

Más detalles

GUATEMALA. Encuesta Nacional de Empleo e Ingresos ENEI. Metodología y Cuestionario. Octubre y Noviembre de 2004

GUATEMALA. Encuesta Nacional de Empleo e Ingresos ENEI. Metodología y Cuestionario. Octubre y Noviembre de 2004 COMISION ECONOMICA PARA AMERICA LATINA Y EL CARIBE CEPAL División e Estaística y Proyecciones Económicas BANCO DE DATOS DE ENCUESTAS DE HOGARES GUATEMALA Encuesta Nacional e Empleo e Ingresos ENEI Octubre

Más detalles

XXII OLIMPIADA NACIONAL DE FÍSICA Guadalajara, Jal de noviembre de 2011 Prueba teórica

XXII OLIMPIADA NACIONAL DE FÍSICA Guadalajara, Jal de noviembre de 2011 Prueba teórica XXII OLIMPI NIONL E FÍSI Guaalajara, Jal. 0-4 e noviembre e 011 Prueba teórica 1. PROLEM olisión e pieras (8 puntos) Una piera esférica se eja caer ese un eificio alto e altura h (ese la calle) al tiempo

Más detalles

Transformaciones de variables

Transformaciones de variables Transformaciones de variables Introducción La tipificación de variables resulta muy útil para eliminar su dependencia respecto a las unidades de medida empleadas. En realidad, una tipificación equivale

Más detalles

ANÁLISIS Y PROPUESTA PARA LA ENSEÑANZA DE LA COMPUTACIÓN A LOS ESTUDIANTES DE NIVEL MEDIO DE LOS COLEGIOS FISCALES DE GUAYAQUIL

ANÁLISIS Y PROPUESTA PARA LA ENSEÑANZA DE LA COMPUTACIÓN A LOS ESTUDIANTES DE NIVEL MEDIO DE LOS COLEGIOS FISCALES DE GUAYAQUIL ANÁLISIS Y PROPUESTA PARA LA ENSEÑANZA DE LA COMPUTACIÓN A LOS ESTUDIANTES DE NIVEL MEDIO DE LOS COLEGIOS FISCALES DE GUAYAQUIL Hugo Renán Ruíz 1, Luis Rodríguez Ojeda 1 Ingeniero en Estadística Informática

Más detalles

U(r, θ) = 1. 2.1. Conjunto completo de operadores del dipolo puntual. Si usamos el operador asociado a la componente z del momento angular

U(r, θ) = 1. 2.1. Conjunto completo de operadores del dipolo puntual. Si usamos el operador asociado a la componente z del momento angular Capítulo Dipolo puntual. Como vimos en la introucción al primer capítulo, la energía potencial que aquiere una partícula e carga eléctrica e cuano interacciona con un ipolo puntual es Ur, θ) = 4πϵ ep cos

Más detalles

3.1. DERIVADAS DE SEGUNDO ORDEN

3.1. DERIVADAS DE SEGUNDO ORDEN .. DERIVADAS DE SEGUNDO ORDEN La erivaa y ' f ' es la primera erivaa e y con respecto a, pero igualmente es posible realizar la erivaa e la erivaa, y y '' f ''. Lo que se conoce como la seguna erivaa e

Más detalles

OBTENCIÓN DE UN MODELO DINÁMICO PARA SIMULACIÓN DE UNA CALDERA DE VAPOR INDUSTRIAL

OBTENCIÓN DE UN MODELO DINÁMICO PARA SIMULACIÓN DE UNA CALDERA DE VAPOR INDUSTRIAL OBTENCIÓN DE UN MODELO DINÁMICO PARA SIMULACIÓN DE UNA CALDERA DE VAPOR INDUSTRIAL Susana Pelayo Díaz Centro e Tecnología Azucarera, Universia evallaoli C/Real e Burgos. Eificio Alfonso VIII. Planta baja

Más detalles

Multicolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17

Multicolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las

Más detalles

LA CICLOIDE, UNA CURVA DE MUCHO EMPAQUE

LA CICLOIDE, UNA CURVA DE MUCHO EMPAQUE LA CICLOIDE, UNA CUVA DE MUCHO EMPAQUE CALOS S CHINEA LA CICLOIDE UNA CUVA DE MUCHO EMPAQUE Una breve introucción 1 Ecuaciones paramétricas La tangente y la normal en un punto 3 Longitu e un arco 4 El

Más detalles

Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )

Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 ) Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)

Más detalles

INFERENCIA ESTADISTICA

INFERENCIA ESTADISTICA 1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,

Más detalles

PRÁCTICA 3: Ejercicios del capítulo 5

PRÁCTICA 3: Ejercicios del capítulo 5 PRÁCICA 3: Eercicios del capítulo 5 1. Una empresa bancaria a contratado a un equipo de expertos en investigación de mercados para que les asesoren sobre el tipo de campaña publicitaria más recomendable

Más detalles

UNIVERSIDAD AUTONOMA DE SANTO DOMINGO

UNIVERSIDAD AUTONOMA DE SANTO DOMINGO UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Descriptiva Para Psicólogos (EST-225)

Más detalles

UNIVERSIDAD DON BOSCO DEPARTAMENTO DE CIENCIAS BÁSICAS LABORATORIO DE FÍSICA ASIGNATURA: ELECTRICIDAD Y MAGNETISMO

UNIVERSIDAD DON BOSCO DEPARTAMENTO DE CIENCIAS BÁSICAS LABORATORIO DE FÍSICA ASIGNATURA: ELECTRICIDAD Y MAGNETISMO UNIVERSIDAD DON BOSCO DEPARTAMENTO DE CIENCIAS BÁSICAS LABORATORIO DE FÍSICA ASIGNATURA: ELECTRICIDAD Y MAGNETISMO I. OBJETIVOS LABORATORIO 7: REGLAS DE KIRCHHOFF Comprobar experimentalmente que en un

Más detalles

2.5 Derivación implícita

2.5 Derivación implícita SECCIÓN.5 Derivación implícita 4.5 Derivación implícita Distinguir entre funciones eplícitas e implícitas. Hallar la erivaa e una función por erivación implícita. E X P L O R A C I Ó N Representación gráfica

Más detalles

ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 3 - Septiembre - 2.6 Primera Parte - Test Las respuestas del TEST son las siguientes: Pregunta 2 3 4 5 6 Respuesta C A D C B A Pregunta 7 8 9 2 Respuesta

Más detalles

Exactitud y Linearidad del Calibrador

Exactitud y Linearidad del Calibrador Exactitud y Linearidad del Calibrador Resumen El procedimiento Exactitud y Linearidad del Calibrador fue diseñado para estimar la exactitud del sistema de medición. En contraste con los procedimientos

Más detalles

PROGRAMA ANALITICO Y DE EXAMENES FINALES

PROGRAMA ANALITICO Y DE EXAMENES FINALES PROGRAMA ANALITICO Y DE EXAMENES FINALES UNIVERSIDAD NACIONAL DE LA RIOJA Carrera: Ingeniería Agropecuaria. Ordenanza: RCF Número 271/98 - RR 46/80 Asignatura: Estadística Aplicada Curso: Segundo Cuatrimestre:

Más detalles

Medidas de dispersión

Medidas de dispersión Medidas de dispersión Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. Las medidas de dispersión son: Rango o recorrido El rango es la diferencia

Más detalles

Curva de Lorenz e Indice de Gini Curva de Lorenz

Curva de Lorenz e Indice de Gini Curva de Lorenz Curva de Lorenz e Indice de Gini Curva de Lorenz La curva de Lorenz es útil para demostrar la diferencia entre dos distribuciones: por ejemplo quantiles de población contra quantiles de ingresos. También

Más detalles

DESCOMPOSICÓN DE LA LUZ EN DETERMINADAS LONGITUDES DE ONDA MEDIANTE LA RED DE DIFRACCIÓN.

DESCOMPOSICÓN DE LA LUZ EN DETERMINADAS LONGITUDES DE ONDA MEDIANTE LA RED DE DIFRACCIÓN. ESPECTROS DE EMISIÓN DE LUZ EN LOS GASES: DESCOMPOSICÓN DE LA LUZ EN DETERMINADAS LONGITUDES DE ONDA MEDIANTE LA RED DE DIFRACCIÓN. (Práctica nº 14: Espectroscopía) CARLOS HUERTAS BARRA FERNANDO HUESO

Más detalles

RECOMENDACIÓN 326-6. (Cuestión 59/1)

RECOMENDACIÓN 326-6. (Cuestión 59/1) Rc. 326-6 RECOMENDACIÓN 326-6 DETERMINACIÓN Y MEDICIÓN DE LA POTENCIA DE LOS TRANSMISORES RADIOELÉCTRICOS (Cuestión 59/) Rc. 326-6 (95-959-963-966-974-978-982-986-990) El CCIR, CONSIDERANDO a) que el artículo

Más detalles

Pregunta 1. Pregunta 2. Pregunta 3. Pregunta 4. Pregunta 5. Pregunta 6. Pregunta 7. Comenzado el lunes, 25 de marzo de 2013, 17:24

Pregunta 1. Pregunta 2. Pregunta 3. Pregunta 4. Pregunta 5. Pregunta 6. Pregunta 7. Comenzado el lunes, 25 de marzo de 2013, 17:24 Comenzado el lunes, 25 de marzo de 2013, 17:24 Estado Finalizado Finalizado en sábado, 30 de marzo de 2013, 17:10 Tiempo empleado 4 días 23 horas Puntos 50,00/50,00 Calificación 10,00 de un máximo de 10,00

Más detalles

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición... Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................

Más detalles

Diseño, Implementación y Validación de un Controlador PID Autosintonizado. Design, Implementation and Validation of a Self-Tuning PID Controller

Diseño, Implementación y Validación de un Controlador PID Autosintonizado. Design, Implementation and Validation of a Self-Tuning PID Controller Artículo e Investigación/Research Article Diseño, Implementación y Valiación e un Controlaor PID Autosintonizao Design, Implementation an Valiation of a Self-Tuning PID Controller Leonaro F. Lozano-Valencia

Más detalles

Curso Práctico de Bioestadística Con Herramientas De Excel

Curso Práctico de Bioestadística Con Herramientas De Excel Curso Práctico de Bioestadística Con Herramientas De Excel Fabrizio Marcillo Morla MBA barcillo@gmail.com (593-9) 4194239 Fabrizio Marcillo Morla Guayaquil, 1966. BSc. Acuicultura. (ESPOL 1991). Magister

Más detalles

Contrastes de hipótesis paramétricos

Contrastes de hipótesis paramétricos Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,

Más detalles

Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos

Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Una carpintería vende paneles de contrachapado de dos tipos A y B.

Más detalles

Determinación de los Parámetros Dinámicos de una Máquina Síncrona de Laboratorio Utilizando el Método de Respuesta a la Frecuencia

Determinación de los Parámetros Dinámicos de una Máquina Síncrona de Laboratorio Utilizando el Método de Respuesta a la Frecuencia Determinación e los Parámetros Dinámicos e una Máquina Síncrona e Laboratorio Utilizano el Métoo e Respuesta a la Frecuencia Salvaor Campos Tomás I. Asiaín Daniel Ruiz-Vega INSTITUTO POLITÉCNICO NACIONAL

Más detalles

DETERMINACIÓN DE LA DENSIDAD DE UN SÓLIDO REGULAR A PARTIR DE DOS MÉTODOS DIFERENTES

DETERMINACIÓN DE LA DENSIDAD DE UN SÓLIDO REGULAR A PARTIR DE DOS MÉTODOS DIFERENTES Atlántia Año: 009 Profesor: Anrés Pazos DETERMINACIÓN DE LA DENSIDAD DE UN SÓLIDO REGULAR A PARTIR DE DOS MÉTODOS DIFERENTES RESUMEN En este infore se escriben algunas e las posibles aneras e eterinar

Más detalles

2. Análisis de varianza

2. Análisis de varianza 1. Análisis de varianza Introducción La estadística inferencial no solo realiza estudios con una muestra, también es necesario trabajar con más de una muestra; las que pueden ser dos o más. Para cada una

Más detalles

Tema 5: Introducción a la inferencia estadística

Tema 5: Introducción a la inferencia estadística Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas

Más detalles

Índice general. Pág. N. 1. Metodología de la investigación científica. Conocimiento y Ciencia. Investigación. Métodos y técnicas de investigación

Índice general. Pág. N. 1. Metodología de la investigación científica. Conocimiento y Ciencia. Investigación. Métodos y técnicas de investigación Pág. N. 1 Índice general Metodología de la investigación científica Conocimiento y Ciencia 1. Origen del Conocimiento 1.1 Sujeto cognoscente 1.2 Objeto del conocimiento 1.3 El conocimiento 2. Principales

Más detalles

Tercera práctica de REGRESIÓN.

Tercera práctica de REGRESIÓN. Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión

Más detalles

A. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords

A. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica

Más detalles

Pruebas de Hipótesis Multiples

Pruebas de Hipótesis Multiples Pruebas de Hipótesis Multiples Cuando queremos hacer comparaciones de mas de dos poblaciones, una alternativa es comparar todos los grupos a la vez con el método de Análisis de Varianza (ANOVA) H o : µ

Más detalles

Metodología para el cálculo de esperanzas de salud

Metodología para el cálculo de esperanzas de salud Metoología para el cálculo e esperanzas e salu El cálculo e las esperanzas e via en un estao e salu específico está basao en las técnicas para la obtención e la esperanza e via. Básicamente, se particiona

Más detalles

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009 Índice general 6. Regresión Múltiple 3 6.1. Descomposición de la variabilidad y contrastes de hipótesis................. 4 6.2. Coeficiente de determinación.................................. 5 6.3. Hipótesis

Más detalles

Este procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros:

Este procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros: STATGRAPHICS Re. 4/d/yyyy Pruebas de Hipótesis (Una Muestra) Este procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros: 1. la media μ de una distribución normal.. la desiación

Más detalles

Facultad de Ciencias Sociales - Universidad de la República

Facultad de Ciencias Sociales - Universidad de la República Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura

Más detalles

REGRESION simple. Correlación Lineal:

REGRESION simple. Correlación Lineal: REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)

Más detalles

Indicaciones para el lector... xv Prólogo... xvii

Indicaciones para el lector... xv Prólogo... xvii ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...

Más detalles

Contraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste

Contraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste 1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y

Más detalles

Estructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo

Estructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,

Más detalles

Módulo de Estadística

Módulo de Estadística Módulo de Estadística Tema 2: Estadística descriptiva Tema 2: Estadísticos 1 Medidas La finalidad de las medidas de posición o tendencia central (centralización) es encontrar unos valores que sinteticen

Más detalles

ANÁLISIS DE PEQUEÑA SEÑAL DE UN SISTEMA MÁQUINA - BARRA INFINITA

ANÁLISIS DE PEQUEÑA SEÑAL DE UN SISTEMA MÁQUINA - BARRA INFINITA I Jornaas en Ingeniería Eléctrica y Electrónica ANÁLISIS E PEQUEÑA SEÑAL E UN SISTEMA MÁQUINA - BARRA INFINITA Játiva Jesús, Ph.. Aguilar Rommel epartamento e Energía Eléctrica Escuela Politécnica Nacional

Más detalles