LA VARIABLE LATENTE CALIDAD MEDIDA A TRAVÉS DEL MODELO DE RASCH

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

Download "LA VARIABLE LATENTE CALIDAD MEDIDA A TRAVÉS DEL MODELO DE RASCH"

Transcripción

1 A VARIABE ATENTE CAIDAD MEDIDA A TRAVÉS DE MODEO DE RASCH Álvarz Martíz, Pdro Blaco Sadía, Mª d los Ágls Gurrro Mazao, Mª dl Mar a obtcó d acts d olva d caldad rqur uos cudados spcals todas y cada ua d las sucsvas fass d laboracó d los msmos, s ua cada qu comza l olvo y trma l cosumo. Codcó dspsabl para llo s coocr las caractrístcas orgaoléptcas dl act (a f d potcar sus atrbutos y lmar, la mdda d los posbl, sus dfctos), y la fluca dl procso d laboracó las msmas. El cotrol y mdda d stos caractrs s hará mdat las catas, ralzadas por xprtos catadors utlzado para llo las fchas d cata dl Cosjo Olícola Itracoal. El modlo d Rasch, qu mplarmos para obtr la valuacó ssoral d los acts d olva vrg, os prmtrá o sólo dar ua calfcacó orgaoléptca global al act (qu ya podmos ralzar s csdad d aplcar gú método, sgudo la mtodología d valoracó dl Cosjo Olícola Itracoal), so també clasfcar y mdr los factors ssorals qu trv la caldad, lo qu os prmtrá ralzar las accos oportuas camadas a obtr acts d olva d cualdads óptmas.. INTRODUCCIÓN os modlos d varabls latts, la Toría d los Tst, ctra su atcó o sólo l rsultado total d los tst, so també la traccó tr ua prsoa y u ítm El dsño dl platamto y la formulacó matmátca trata d xplcar l procso d cómo s obt ua rspusta a u ítm. El modlo más rprstatvo d la Toría d la Rspusta al Ítm (Ítm Rspos Thory) s l modlo d Rasch, l cual pud sr cosdrado como u strumto d mdda d varabls latts (Adrch, 988). as mddas s basa obsrvacos qu scalmt so cualtatvas. Para hacr mddas s dsarrolla uas ormaso rglas qu cotrola cómo s llva a cabo stas obsrvacos. Estas rglas spcfca l grado d valdz y crtza qu las

2 Alvarz Martíz, P. y otros mddas rqur. Mdr la caldad dl act s aálogo a mdr la altura, por jmplo. Prmro s cocb la da d la varabl caldad dl act qu s qur mdr. Dspués s dtrma qué obsrvacos so útls cosdrar como mafstacos d sa varabl. A cotuacó s lg los agts (ítms) qu proporcoa sa caldad, los cuals pud mafstar casos d sa varabl udmsoal. a da d ua lía dod s stú los ítms os da ua mag d sa varabl artmétca. Esto os faclta la cocpcó d cómo procdr la costruccó d sa varabl. S hac uso dl coocmto d artmétca para stuar los ítms a lo largo d la lía y su cotuo, y justfcar stas poscos mdat aálss mpírcos. 2. MÉTODO: E MODEO DE RASCH. Varabl latt. a caldad dl act s cosdrada como ua varabl latt (X) dfda por u cojuto d factors, domados ítms, como l rsultado d la traccó dl act y los órgaos ssorals dl catador. Estos ítms so los atrbutos qu dtrma la caldad. Como cualqur otra varabl, "caldad dl act" s cocb como ua lía co drccó a lo largo d la cual s stúa los ítms y acts. Todos los ítms db aputar haca la msma dmsó dl cotuo, caldad, y pud sr dulc, atrojado, tc. S supo ua úca dmsó. a drccó mplca "más" d la varabl. Mjor s "más" dstaca a lo largo d la lía. Es csaro cotrar la forma d stablcr la localzacó d los ítms la mcoada lía s psamos qu sto s ua forma útl d psar sobr la caldad dl act. Cómo ubcar stos atrbutos y acts a lo largo d la lía? El sgut sgmto gráfco os rprsta la varabl latt y la forma qu acts y atrbutos pud sr localzados a través d la lía d caldad. os ítms so rprstados por l parámtro δ (=,2,3,...), y los acts por l parámtro ß (=,2,3,...), cuyos valors posbls so l cojuto d úmros rals. Todos los parámtros db aputar haca la msma dmsó dl cotuo, caldad ustro caso, dod s stúa los parámtros B y δ. ß ß 2 ß 3 0 δ δ 2 δ 3 + Facultad d Ccas Ecoómcas y Emprsarals. Uvrsdad d Extrmadura 2

3 mor caldad mayor caldad Cuya trprtacó s: - Parámtros δ: l atrbuto rprstado por l parámtro δ s l d mor mdda, y stá prst los acts ß 2 y ß 3, pro o l ß. D la msma mara, l ítm o atrbuto rprstado por δ 2 lo prsta l act ß 3, y o lo prsta los acts ß y ß 2. El ítm δ 3 o ha sdo dtctado gú act, s l d mdda más alta (stá más a la drcha), l más raro. - Parámtros ß : l act ß s l d mor caldad ya qu él o stá prst gú atrbuto. El rprstado por l parámtro ß 3 s l d mayor caldad, al cotablzar u mayor úmro d atrbutos. os parámtros δ clasfca a ß y vcvrsa (Wrght y Sto, 979). U act srá d mayor caldad cuato mayor úmro d atrbutos prst. U atrbuto srá más corrt cuato más prst sté u mayor úmro d acts. Para qu u act ß prst u dtrmado atrbuto δ s csaro qu st atrbuto sa dtctado mdat ua prcpcó. Exst prcpcó cuado l parámtro ß sa mayor qu δ. S hay dos o más acts dfrts caldad, su dfrca s rvlará u cojuto d atrbutos y su rlatva poscó rspcto d llos. Cosdramos la rspusta a u stímulo como ua varabl dcotómca y l rsultado s xprsado d la forma X, térmos dl parámtro ß, habldad para dtctar u stímulo l act, y δ, agt "" provocador dl stímulo. ugo X s la varabl dcotómca caldad qu dscrb l hcho d qu u catador valúa la prcpcó d u atrbuto "" u act "". S X = s dc qu l catador cosdra qu l atrbuto "" stá prst l act "" qu stá catado. Aálogamt, l valor d X srá ulo cuado l catador cosdr qu l atrbuto o stá prst l act. Por tato la varabl latt "caldad" s cocb como u cotuo a lo largo dl cual s stúa los parámtros δ, para los atrbutos, y ß para los acts. Ua vz qu la prcpcó s haya llvado a cabo, qu s dtcta la prsca d u atrbuto u act, t lugar u juco d valor rlacó co la caldad. S δ s u atrbuto o caractrístca qu df la caldad dl act, podmos stablcr qu s (ß -δ )>0 s muy probabl qu l act sté prst l atrbuto, tocs s pud sprar qu la probabldad d qu u act sa calfcado a través d la prcpcó como buo, xprsado d la forma P(X =), srá mayor qu 0,5, s dcr: S ß > δ, (ß -δ ) > 0, tocs P(X =) > 0,5. S l parámtro habldad para dtctar u stímulo s mor qu l agt 3

4 Alvarz Martíz, P. y otros provocador dl stímulo, tocs la prcpcó o s dtfcada; lugo, la probabldad d qu l act sa calfcado como buo srá mor qu 0,5, por lo tato, tmos qu s ß < δ, (ß -δ )<0, tocs P( X =) < 0,5. Cuado l parámtro habldad para dtctar u stímulo y l parámtro dl agt provocador dl stímulo so guals, tocs ambos stá stuados l msmo puto d la scala, y la probabldad d qu l act sa calfcado como buo srá d 0,5, o proucádos ada acrca d la caldad dl act, s dcr: S ß = δ, (ß - δ )=0, tocs P(X =) = 0,5. Est aálss os prmt rlacoar la probabldad d qu u act sa calfcado como buo co la dfrca tr los parámtros ß y δ. Esta dfrca (ß - δ ) t u rago d - a +, y por otro lado la probabldad varía d 0 a. Esto s: 0 P(X =) - (ß - δ ) + Podmos tomar la dfrca (ß -δ ) como xpot d bas "", rsultado la sgut xprsó: S = r P( X = ) r= Co los cálculos corrspodts y aplcado límts s obt la xprsó: 0 + ( β - δ ) ( β - δ ) 0 0 Esta xprsó podría sr la probabldad d ua rspusta qu calfqu la caldad dl act. Tomado sta fórmula como u stmador d la probabldad d obtr ua rspusta d qu u act sa calfcado como buo s l msmo s dtcta la prsca dl atrbuto, rsulta. P( X = 0) = ( β - δ ) + Esta s la fórmula qu Gorg Rasch (Rasch, 980) obtuvo l dsarrollo d la Toría d Varabls atts. a probabldad d qu X = 0, s dcr, la probabldad d qu u act o sa calfcado como buo rspcto al ítm, srá: P{ X = 0 /, } = - Pr{ X = /, } = - β δ β δ + ( β - δ ) s = + ( β - δ ) ( β - δ ) E la fórmula s obsrva qu o so rlvats los valors para ß y δ, so las dfrcas (ß -δ ) tr llos, las cuals so udads d scala domadas "logts". Todo 4

5 par d valors co la msma dfrca tr llos producrá la msma probabldad, co dpdca d los valors d ß y δ. Sparacó d los parámtros. U prsupusto d sta cocptualzacó s qu la rspusta d u stímulo a u ítm s dpdt d las rspustas a todos los dmás stímulos d todos los ítms. o qu supo qu, u act, la caldad dbda al atrbuto s dpdt a la dbda al rsto d los atrbutos qu s prst l ctado act. Cosdrmos l caso d la habldad dtctar uo d los dos stímulos "" o "j" cuado la rspusta s dcotómca, sría la probabldad codcoada: Pr( X = / ( X + X j ) =, β,, j ) = -δ + -δ -δj 0 qu xprsa la probabldad d qu u act rfrdo al ítm "", y o al ítm "j" sa calfcado como buo. S pud aprcar qu sta probabldad o dpd dl parámtro ß. Cuado s rfr a más d 2 ítms stos s agrupa parjas, co los dbdos ajusts para vtar cosstcas. 0Supogamos qu l rsultado dcotómcod la valuacó d u act rspcto al cojuto d atrbutos d la fcha d cata s: X, X 2, X 3,..., X, dod cada X (=,2,3,...,) srá ó 0, dpddo d qu dcho act s d o o l atrbuto. Ua mara d mdr la "caldad" srá l úmro d atrbutos qu l act "" ha valuado co X =, gorado la forma dl pal d los rsultados. El rsultado total qu obt u act lo rprstamos por r : r = X + X 2 + X X. S mbargo, sabmos qu o todos los ítms obt la msma valuacó, lugo la forma dl pal d los rsultados obtdos s mportat. a probabldad d obtr u rsultado cocrto u act mdat u pal d rsultados dtrmado v dada por: P X r P{ ( X, X 2,..., X ) / ( r, β, δ, δ 2,..., δ )} = P( X / r, β, δ ) = P r {( I ) / β, δ } { / β, δ } dod dca todos los valors rfrdos. D st modo X dca l rsultado obtdo por l act al valuar todos los atrbutos, dsd hasta. Por tato, X hac rfrca al pal d todas las rspustas al act, y δ hac rfrca a todos los ítms. El umrador s la probabldad d obtr u pal dtrmado y la dl rsultado 5

6 Alvarz Martíz, P. y otros total qu s pal gra. El domador s la probabldad d obtr s rsultado total mdat cualqur pal d rsultados. Co los cálculos apropados s obt: P( X / r, β, δ ) = / r ( X δ ) ( X δ ) [ ] a suma s xtd a todos los valors d, s dcr, todos los atrbutos, dado l rsultado total para l pal qu gra r. ugo la probabldad d obtr u msmo rsultado total por u pal d rspustas mjor qu otro, dpd d los parámtros δ d los ítms y o d los parámtros β ; l pal d rspustas o proporcoa formacó algua acrca d los acts ß. a formacó la proporcoa l rsultado total r. El modlo d Rasch s l úco modlo d varabls latts qu justfca l uso dl rsultado total. Otros modlos más compljos rqur podracó dl rsultado d los ítms. S utlza r como l rsultado total (úmro d atrbutos valuados por l act ) dfdo por: r = a msma trprtacó s pud aplcar para la stmacó dl parámtro ß. S s cosdra todas las valuacos a u atrbuto, lugar d las valuacos a u act, s podría cotar l úmro d acts qu valúa a s atrbuto. Para l atrbuto srá: S = S dmustra qu las valuacos qu u crto úmro d acts fctúa sobr u dtrmado atrbuto o dpd dl atrbuto. ugo l modlo d Rasch o sólo justfca l uso dl rsultado total para valuar a los acts so també para valuar a los atrbutos. os rsultados totals r y S o so utlzados drctamt como mddas, s mbargo cot toda la formacó csara para stmar los parámtros β y δ. So stadístcos sufcts para la stmacó. Estmacó d máxma vrosmltud. Cosdrmos la matrz complta (N*) d todas las valuacos d los N acts sobr los atrbutos. a probabldad d qu l pal d rsultados obsrvados d las valuacos haya ocurrdo, srá l producto d las probabldads por sparado d todas las = N = X X 0 0 6

7 valuacos d cada act co u atrbuto. Esta probabldad, la vrosmltud (Λ) d ocurrca d la matrz d las valuacos v dada por: { / β, δ } P{ X / β, δ } Λ = P X = = Tomado logartmos y smplfcado rsulta: N N = = = = + N X ( β δ ) { } λ = log Λ = r β S δ og + ( β δ ) N X ( β δ ) Esta cuacó s l logartmo d vrosmltud dl pal d rsultados obsrvados térmos d los parámtros β, δ,, S y r. No aparc los pals d las valuacos dvduals d los acts, sólo aparc l rsultado total. Esto, juto co la sparacó d r ß y S δ, stablc la sufcca d r para stmar β y d S para stmar δ, y proporcoa los mdos para obtr las stmacos d los β dpdtmt d los δ y vcvrsa. Dcha cuacó prmt calcular la probabldad d ocurrca d la matrz complta d las valuacos, ua vz coocdos los parámtros β y δ. Cómo stmar los valors β y δ. as mjors stmacos d los parámtros β y δ s calcula maxmzado la fucó d vrosmltud (cuacó ()). Icalmt s toma u cojuto d stmas y s calcula l logartmo d la vrosmltud d ocurrca utlzado (). A cotuacó las stmas varía la drccó la qu aumt la vrosmltud d ocurrca d las valuacos obsrvadas. Est procso s cotúa hasta qu las stmas d los parámtros (β y δ ) cotablc mjor l pal d las valuacos obtdas. Co los cálculos apropados s dmustra qu la fucó d vrosmltud s maxmza cuado para cada act s tga: r = P( X = ) y para cada atrbuto: S = P( X = ) N = (3) a cuacó (2) rprsta N cuacos, ya qu hay ua para cada act. a cuacó (3) rprsta cuacos, ya qu hay ua para cada uo d los atrbutos. Auqu hay N acts, o todos obt dsttos rsultados totals, al mos qu haya más atrbutos qu acts; s u act o valúa a gú atrbuto y por tato r = 0, tocs β o s pud stmar y stará cualqur lugar d la lía a la zqurda d los atrbutos. Igualmt los acts qu valú a todos los atrbutos r = o s pud = (2) ()0 7

8 Alvarz Martíz, P. y otros stmar. Admás, todos los acts qu haya valuado d la msma forma, obtdo l msmo rsultado comprddo tr y (-), s stmará gual y t l msmo parámtro β. No s csaro xprsar β pusto qu s aplca a todos los acts co st rsultado total r. E lugar d ua cuacó para cada act sólo s csta ua cuacó para cada uo d los (-) rsultados d los atrbutos, s dcr, l rsultado d hasta (- ), l rsto d la cuacó (2) quda: r = P( X = ) = dod P(X =) s la probabldad d aqullos acts qu obt u rsultado r cuado valúa a los atrbutos. as cuacos (3) rsulta: S r r= (4) = P( X = ) dod r s l úmro d acts qu obt u rsultado r. Co las (-) stmas d β r y las stmas d δ, las (-) probabldads d u act qu obt u rsultado r los ( β r δ ) atrbutos vdrá dada por: P ( X r = ) = β r δ + ( ) P = E l programa qu calcula las stmas para los parámtros s mpza por las (-) r stmas asocadas co cada rsultado d la forma: β r = log y los valors cals r N S para las stmas d los atrbutos so: δ = log S r = (5) N S log S El térmo rstado srv sólo para fjar la mdda d los valors cals para δ cro. a scala s l trvalo lugo l org s arbtraro. Fjado la mda d los δ cro, smplmt s fja la scala dod sté las poscos rlatvas d los atrbutos y acts. as mjors stmas para β r y δ s va obtdo hasta qu l sgudo mmbro d (4) y (5) dfra d los rsultados obsrvados ua catdad muy pquña. Éstas so pus las mjors stmas d los β r y δ l stdo d qu co guos otros valors s obtdría l rsultado más probabl al obtdo. El procso dscrto s u método d stmacó codcoal. por: os rrors stadard d las stmas d los parámtros d los atrbutos v dados 8

9 SE( δ ) = r= P P r r r os rrors stadard d las stmas d los parámtros d los acts v dados por: SE( β ) = r = P r P Aplcacó práctca: rsultado y dscusó. Est método s ha aplcado al rsultado d ua cata d 35 acts d org xtrmño valuados coform a la fcha d cata dl Cosjo Olícola Itracoal para la valuacó orgaoléptca d acts d olva vrg. a "caldad dl act d olva vrg" s cosdrada como ua varabl latt dfda por u cojuto d atrbutos qu rprstados por l parámtro δ (=,2,3,...,7), so los dcst factors cotdos las fchas d catas: mazaa, otra fruta madura, vrd (hoja, hrba), amargo, pcat, dulc, otros atrbutos tolrabls, moho (humdad), basto, atrojado, frutado d actua, mtálco borras/turbo, otros atrbutos tolrabls, frutos scos, raco y agro. os 35 acts stá rprstados por l parámtro β (=,2,3,...,35) y ha sdo catados por xprtos catadors, los cuals ha valuado cada uo d los 7 ítms sgú la tsdad d la prcpcó ua scala dl 0 al 5 (fcha d cata dl Cosjo Olícola Itracoal). S ha cosdrado l úmro d atrbutos qu s da cada act. os acts actúa como lmtos d obsrvacó d cada ítm. S s cosdra ua caractrístca dcotómca cosstt la prsca o ausca d los ítms los acts, ésta podría tomar dos valors: 0 s l ítm o stá prst l act y s l act s dtcta la prsca dl ítm. Ordada ua tabla d dobl trada la qu las columas rprst a cada uo d los atrbutos y las flas a cada uo d los acts, s t ua matrz d 35 flas y 7 columas. El rsultado d sumar cada ua d las columas s l total d putos co qu ha sdo valuado u atrbuto dtrmado. D la msma forma, l rsultado d sumar cada ua d las flas os formará dl total d putos co qu ha sdo valuado u dtrmado act. S ha cosdrado, ustra xplcacó prva, las varabls forma dcotómca al fcto d facltar la comprsó dl fucoamto d éstas l modlo. Vamos a gralzar l procso para l caso qu os ocupa, l qu cada varabl X dca la tsdad co la qu l catador prcb l atrbuto l act. r 9

10 Alvarz Martíz, P. y otros a fórmula d Rasch vdría xprsada por: P( X = X) = + ( β - δ ) ( β - δ ) qu os da la probabldad d qu l act valú al atrbuto co u vl X, dod X toma los valors d la scala 0-5. a probabldad d qu u catador d act "" cosdr qu o prcb la cata la prsca dl atrbuto v dada por: P( X = 0) = + β ( - δ ) 0 os parámtros ß y δ s stma mdat l método d Máxma Vrosmltud utlzado los algortmos PROX y UNCON (Wrght B.; Mastrs G., 982), a partr d los rsultados d la cata d los 35 acts (ß ) calbrado 7 ítms (δ, atrbutos cotdos las fchas) 6 catgorías. Valédos d las obsrvacos s ha obtdo las calbracos d los 7 atrbutos y las mddas d los 35 acts. El rsultado obtdo s fruto d la trrlacó tr todos los atrbutos, todos los acts, y os rflja la lógca subyact l cotxto mpírco dl total d los datos. as dfrcas tr las mddas d caldad obtdas por los dsttos acts s mafstará a través d los ítms y d su poscó rlatva co rspcto a llos. os atrbutos so valuados por l modlo d la forma sgut: l δ co la mdda más pquña s corrspod co l ítm o ítms cuya prsca los acts obsrvados s mayor. Sgudo u ord crct, l ítm qu prst l δ co mayor mdda s l d mor prsca las obsrvacos. os acts, cuyo β tga mayor mdda, srá aqullos los qu s d u mayor úmro d atrbutos; sgudo u ord dcrct d mdda, l β d mor mdda corrspodrá a aqul act qu s d l mor úmro d atrbutos, puddo o dars guo. Es dcr, qu l act qu s d mayor mdda tdrá u mayor úmro d atrbutos, y por cosgut, srá l d mayor caldad. Mdda d los atrbutos: El cuadro º os mustra las stadístcas d la stmacó d la mdda d los parámtros δ d los 7 ítms. Ua brv dscrbr l cotdo d st cuadro s la sgut: a dtfcacó d los tms stá la columa domada FASES. a columa ENTRY NUM s l úmro qu dtfca a cada uo d los atrbutos, s dcr, codfca mdat úmros la columa atror. RAW SCORE s l úmro total d putos qu ha obtdo cada ítm. COUNT s l úmro total d acts valuados cada ítm. MEASURE s la stmacó d cada uo d los parámtros d los ítms, δ. S obsrva qu s prsta stdo dcrct. ERROR s l rror stádar d la stmacó. MNSQ 0

11 s ua formacó podrada dl cuadrado d la mda dl stadístco ft, co u valor sprado d. Valors substacalmt mors qu uo dca dpdca los datos; valors substacalmt mayors qu dca dsajust. INFIT y OUTFIT hac rfrca a las rspustas o valuacos spradas, bas a la stadarzacó dl MNSQ rfrt a la mdda co mda 0 y dsvacó típca. PIBITS s la corrlacó bsral tr la putuacó dvdual dl ítm y l rsultado d la cata sgú las putuacos d las obsrvacos utlzadas l aálss (Wrght B., acr M., 992). Est cuadro os dc qu l ítm atrojado (co ua mdda d 45,9), s l qu prsta la mor mdda, s la caractrístca más rlvat d todos los 35 acts catados, sgudo d moho (co ua mdda d 46,6), basto (co ua mdda d 47,0), dulc(co ua mdda d 47,7), tc. a caractrístca mos aprcada los acts aalzados corrspod al ítm mazaa (co ua mdda d 56,2). Dsajusts: S os fjamos la columa INFIT/OUTFIT s obsrva qu l ítm úmro : basto, t uos ídcs altos, o s ajusta al modlo, lo cual qur dcr qu s ha valuado co putuacos spradas. S rqur u aálss pormorzado a través d sus rsduals co objto d cotrar las causas qu xplqu tals dsajusts. També t ídcs altos los ítms úmros 5 (atrojado), 2 (mtálco) y 6 (raco). El cuadro º 2 os proporcoa las putuacos qu stos ítms ha cosgudo y sus rspctvos rsduals. Rsduals altos, postvos o gatvos, dca dscrpaca tr la putuacó otorgada por sos acts y la qu l corrspodría rlacó co las dmás putuacos, tras la stmacó d los parámtros. Por jmplo, l act úmro 9 (rspusta 9) ha sdo valuado l ítm rprstado por l úmro 5 (atrojado) co ua putuacó d 0, tdo u rsdual d - 2, ha cosgudo mos putos d los qu dbra; habría qu r a la fcha corrspodt y cotrar ua xplcacó a tal dsavca ats d prscdr d él para otro aálss dftvo. D gual mara l act úmro 3 (rspusta 3) ha sdo valuado l ítm rprstado por l úmro 6 (raco) co ua putuacó d 4, tdo u rsdual d 2; ha cosgudo más putos d lo sprado, tc. Mdda d los acts: D la msma forma qu s ha obtdo ua mdda para cada uo d los atrbutos tras la stmacó dl parámtro δ, s obt las mddas d cada uo d los acts corrspodts a la stmacó dl parámtro ß. El cuadro º 3 os mustra la lsta d todas las mddas d los acts catados

12 Alvarz Martíz, P. y otros ord dcrct. as columas t la msma dtfcacó qu las dl cuadro. Así, l act úmro 7 s l mjor d los acts catados ya qu su mdda 5,6 s la más alta, sgudo d los acts rprstados por los úmros 4, 22, 20, tc. El por act sría l úmro 29 co ua mdda d 44,7, catado por M.J. Corrdor. Igual qu los atrbutos s obsrva qu hay acts qu prsta dsajusts sgú los ídcs INFIT y OUTFIT, s dcr, dtrmados acts su valuacó s mayor d la sprada y otros s mor. S rqurría vr las rspustas co sus rspctvos rsduals qu s dtrmado act ha obtdo y cotrar ua xplcacó a las causas d tals dsajusts. * Ua clasfcacó d los acts coform a la caldad sgú sus mddas. 3. CONCUSIONES El Modlo d Rasch os proporcoa: * Ua clasfcacó d los factors ssorals (tms) qu trv la caldad co sus corrspodts mddas. * Ua tarjta dtfcatva d los caractrs orgaoléptcos qu caractrza a los acts d ua dtrmada rgó. * Ua forma d comparar las fchas d catas y la posbldad d stablcr los patros adcuados para l dsño y obtcó d ua fcha d cata dóa para cada ua d las domacos d org. * U crtro objtvo d cotrol y mdda d los caractrs orgaoléptcos a la hora d stablcr s u act cumpl o o las caractrístcas d ua dtrmada domacó d org. * a dtfcacó d los compots químcos rsposabls d cada uo d los caractrs orgaoléptcos. * U xam d los atrbutos y d los acts qu os prmtrá ralzar las accos oportuas, las dsttas fass dl procso productvo, camadas a obtr acts d olva d cualdads prdtrmadas. * U cotrol d la cosstca dl juco d valor d los catadors. * A la Admstracó l sumstra uos crtros objtvos qu garatza la domacó d org d ua rgó y a los catadors ls supo u aval qu po d mafsto la habldad d los msmos a la hora d trasmtr toda la formacó qu so capacs d dtctar l aálss ssoral. 2

13 CUADRO. ESTADISTICA DE OS ATRIBUTOS: ORDEN DE MEDIDA TABE 3. Cata dl act.aalss ssoral:caldad R MODE May 20 3: ACEITES 8 FASES ANAYZED: 35 ACEITES 7 FASES 5 CATEGORIES FASES STATISTICS: MEASURE ORDER ENTRY RAW INFIT OUTFIT NUM SCORE COUNT MEASURE ERROR MNSQ STD MNSQ STD PTBIS FASES Mazaa Cuals. Frutos scos (sabor) Otros atrbutos tolrabls Otros atrbutos tolrabls Vrd (hoja, hrba) Borras\Turbo Otros frutos maduros Amargo Mtálco Agro\Avado\Avagrado\Acdo Raco Frutado d actua Pcat Dulc Basto Moho (humdad) Atrojado MEAN S.D CUADRO 2.TABA DE DESAJUSTES DE OS ITEMS. TABE. Cata dl act.aalss ssoral:caldad R MODE May 20 3: ACEITES 8 FASES ANAYZED: 35 ACEITES 7 FASES 5 CATEGORIES TABE OF POORY FITTING FASES (ACEITES IN ENTRY ORDER) NUMBER NAME POSITION MEASURE INFIT (STD) OUTFIT MISFIT OVER 2.0 Basto A 2.6 RESPONSE: : 3 M M M M M M M 4 3 M 4 3 M RESIDUA:

14 Alvarz Martíz, P. y otros RESPONSE: 26: RESIDUA: Atrojado B 2.3 RESPONSE: : M M 4 3 M M M 4 3 M M M 3 M RESIDUA: RESPONSE: 26: RESIDUA: -- 2 Mtálco C 2.3 RESPONSE: : M M 3 M 2 M M M M M M M M M RESIDUA: - - RESPONSE: 26: RESIDUA: Raco D.9 RESPONSE: : M M M M M M M 3 M M RESIDUA: RESPONSE: 26: RESIDUA: CUADRO 3: ESTADISTICA DE OS ACEITES: ORDEN DE MEDIDA TABE 7. Cata dl act.aalss ssoral:caldad R MODE May 20 3: ACEITES 8 FASES ANAYZED: 35 ACEITES 7 FASES 5 CATEGORIES ACEITE STATISTICS: MEASURE ORDER ENTRY RAW INFIT OUTFIT NUM SCORE COUNT MEASURE ERROR MNSQ STD MNSQ STD PTBIS ACEITE PEDRO EON (7) PEDRO EON (4) MA.MADUEÑO () M. MEDINA (6) M. MEDINA (4) M. MEDINA (2) M. MEDINA (5) PEDRO EON () M. MEDINA () M. MEDINA (7) M. MEDINA (3) PEDRO EON (2) PEDRO EON (6) PEDRO EON (3) PEDRO EON (5) J. CABEO (4) MA.MADUEÑO (3) 4

15 MA.MADUEÑO (6) MJ.CORREDOR(7) J. CABEO (2) MA.MADUEÑO (7) MJ.CORREDOR(4) MJ.CORREDOR(6) MA.MADUEÑO (2) J. CABEO (5) J. CABEO (3) J. CABEO (6) MA.MADUEÑO (5) MJ.CORREDOR(3) MJ.CORREDOR(5) J. CABEO () MA.MADUEÑO (4) MJ.CORREDOR(2) J. CABEO (7) MJ.CORREDOR() MEAN S.D BIBIOGRAFÍA. CONSEJO OEICOA INTERNACIONA; Mjora d la caldad dl act d olva. Colccó: Mauals práctcos. 2. Norma comrcal tracoal aplcabl a los acts d olva y a los acts d orujo d actua; (993) COI/T. 5/NC º /Rv Valoracó orgaoléptca dl act d olva vrg;(992) COI/T. 20/Doc º 3/Rv ANDRICH, D. (988); Rasch Modl for Masurmt. Murdoch Uvrsty, Sag. 5. WRIGHT, B.D. ad STONE, M.H. (978) ; Bst Tst Dsg. Chcago: MESA Prss. 6. AVAREZ, P., MORAN, J.C. ad WRIGHT, B.D. (993); Qualty of f. VII Objtv masurmt workshop, Emory Uvrsty, Atlata, Gorga (USA). 7. RASCH, G.(980); Probablstc Modls for som Itllgc ad attamt Tst. Chcago: Th Uvrsty of Chcago Prss. 8. WRIGHT, B.D. ad MASTERS, J. (982); Ratg Scal Aalyss. Chcago: MESA Prss. 9. WRIGHT, B.D. ad INACRE, J.M. (99); Bgstps. Chcago: MESA Prss 5

(tema 13 del libro) 1. PARÁMETROS DE CENTRALIZACIÓN

(tema 13 del libro) 1. PARÁMETROS DE CENTRALIZACIÓN UIDAD.- Dstrbucos udmsoals. Parámtros (tma dl lbro). PARÁETROS DE CETRALIZACIÓ Auqu las tablas stadístcas y las rprstacos grácas cot toda la ormacó rlatva a u problma, muchas vcs trsa smplcar s cojuto

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Aálss Estadístco d Datos Clmátcos Rgrsó lal smpl (Wlks, cap. 6.) Vo Storch ad Zwrs (Cap. 8) 05 Rgrsó La rgrsó, gral, s utlza habtualmt para stmar modlos paramétrcos d la rlacó tr varabls ua scala cotua,

Más detalles

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

MODELO DE REGRESIÓN LINEAL MÚLTIPLE Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas

Más detalles

Capítulo III. Colectivos estadísticos.

Capítulo III. Colectivos estadísticos. Capítulo III. Colctvos stadístcos. Lccó Itroduccó al formalsmo d los colctvos d Gbbs. Lccó Colctvo caóco. Lccó Colctvos macrocaóco y mcrocaóco Lccó 4 Aplcacó dl colctvo caóco: gas dal mooatómco. arabls

Más detalles

ANEXO A. Bipuerto libre de. i 1. i 2 V 2 ruido. Figura A.1 Bipuerto libre de ruido con dos fuentes equivalentes de corriente de ruido, configuración π

ANEXO A. Bipuerto libre de. i 1. i 2 V 2 ruido. Figura A.1 Bipuerto libre de ruido con dos fuentes equivalentes de corriente de ruido, configuración π xo. Bpurtos rudosos NEXO BIPUERTOS RUIDOSOS.. REPRESENTCIÓN DE BIPUERTOS RUIDOSOS U bpurto rudoso, sgú la toría prstada [], s pud rprstar como u bpurto lbr d rudo co dos futs quvalts d rudo, coctadas a

Más detalles

MECÁNICA ESTADÍSTICA

MECÁNICA ESTADÍSTICA FAyA Lccatura Químca Físca III año 26 MÁIA SADÍSIA IRODUIÓ ROBABILIDAD robabldad s la cuatfcacó d la spraza dl rsultado d u xprmto o vto. S l posbl rsultado d u xprmto s A la probabldad d qu ocurra A s

Más detalles

10 REGRESIÓN LINEAL SIMPLE

10 REGRESIÓN LINEAL SIMPLE Part stadístca Prof. María B. Ptarll GIÓN LINAL IMPL. Itroduccó muchos problmas st ua rlacó tr dos o más varabls, rsulta d trés studar la aturalza d sa rlacó. l aálss d rgrsó s la técca stadístca para

Más detalles

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) UIDAD.- Estadístca. Tablas y grácos (tma dl lbro). ESTADÍSTICA: CLASES Y COCEPTOS BÁSICOS E sus orígs hstórcos, la Estadístca stuvo lgada a custos d Estado (rcutos, csos, tc.) y d ahí prov su ombr. Hoy

Más detalles

Capítulo 12. Introducción a la Termodinámica Estadística.

Capítulo 12. Introducción a la Termodinámica Estadística. Capítulo. Itroduccó a la Trmodámca Estadístca. ) Itroduccó Mcáca Estadístca: dscpla ctífca qu prtd prdcr las propdads macroscópcas d u sstma a partr d las propdads molculars. Trmodámca stadístca: part

Más detalles

Teoría de errores. Tema 4

Teoría de errores. Tema 4 Toría d rrors Tma 4 Tma 4 Toría d rrors 4. El rror rdadro 4. Clasfcacó d rrors Sgú las causas qu los prooca Sgú los fctos qu produc 4.3 Ly d rrors d Gauss Postulados d Gauss y dstrbucó d rrors Valor más

Más detalles

PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES

PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES EJERCICIO Rcordmos prmro la sgut dfcó: U stmador T s dc ssgado rspcto a u parámtro μ ET μ a E T laldad d la spraza [ EX + EX ] + [ EX3 + EX ] 6 3 μ

Más detalles

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l

Un forward sobre commodities como el oro sufre una pequeña variación ya que se incluye la tasa de interés del oro (lease rate) con la variable l El Forward U corao fuuro o a plazo, s odo aqul cuya lqudacó o slm dfr hasa ua fcha posror spulada l msmo, s dcr s dos pas acurda hacr la rasaccó hasa u prodo fuuro dígas por jmplo 6 mss, so s u corao forward.

Más detalles

Elementos de Probabilidad y Estadística

Elementos de Probabilidad y Estadística Capítulo 3 Elmtos d robabldad y Estadístca 3.. Itroduccó E st capítulo s prsta cocptos báscos d robabldad y Estadístca, ya u dtro dl dsño y plaacó d ua obra hdráulca juga u papl mportat l aálss hdrológco

Más detalles

RIESGO MORAL. Comportamiento (acciones) del A no observable para el P (o, simplemente, no verificable). P. ej.:

RIESGO MORAL. Comportamiento (acciones) del A no observable para el P (o, simplemente, no verificable). P. ej.: RIESGO MORA Comportamto accos dl A o obsrvabl para l o, smplmt, o vrfcabl.. j.: s A pd jrcr dsttos vls d sfrzo, co RM l o sab cál d llos llva a cabo. acr sfrzo spo dstldad para l A Úca varabl cotratabl:

Más detalles

3. Regresión lineal. Regresión simple consumo y peso de automóviles. Curso Estadística. Regresión Lineal. Consumo (litros/100 Km)

3. Regresión lineal. Regresión simple consumo y peso de automóviles. Curso Estadística. Regresión Lineal. Consumo (litros/100 Km) 3. Rgrsó lal Curso - Estadístca Rgrsó smpl cosumo pso d automóvls Núm. Obs. Pso Cosumo g ltros/ m 98 878 3 78 8 4 38 5 64 3 6 655 6 7 73 4 8 485 7 9 366 8 35 8 635 9 3 888 7 4 766 9 5 98 3 6 79 7 7 34

Más detalles

Tema 5. Contraste de hipótesis (II)

Tema 5. Contraste de hipótesis (II) Tma 5. Cotrast d hpótss (II CA UNED d Hulva, "Profsor Dr. José Carlos Vílchz Martí" Itroduccó Bvda Objtvos pdagógcos: Aprdr a obtr la fucó d potca d u cotrast y la rprstar la curva d potca d u cotrast.

Más detalles

al siguiente límite si existe: . Se suele representar por ( x )

al siguiente límite si existe: . Se suele representar por ( x ) UNIDAD : DERIVADAS. DERIVADA DE UNA FUNCIÓN EN UN PUNTO. DERIVADAS LATERALES Dfiici.- S llama drivada d ua fuci f u puto d abscisa al siguit it si ist: f f ' sigifica lo mismo. f. S sul rprstar por f D

Más detalles

Procesamiento Digital de Señales de Voz

Procesamiento Digital de Señales de Voz Procsamto Dgtal d Sñals d Voz Trasparcas: Procsamto d Sñals y Métodos d Aálss para rcoocmto d Voz Autor: Dr. Jua Carlos Gómz Basado : Rabr, L. ad Juag, B-H.. Fudamtals of Spch Rcogto, Prtc Hall,.J., 993.

Más detalles

Tema 4 - FUNDAMENTOS DE LA MECÁNICA ESTADÍSTICA CLÁSICA

Tema 4 - FUNDAMENTOS DE LA MECÁNICA ESTADÍSTICA CLÁSICA ma 4 - FUDAMOS D LA MCÁICA SADÍSICA CLÁSICA Cocptos stadístcos lmtals. Mcáca stadístca d sstmas mcroscópcos. Los colctvos mcrocaóco caóco y gracaóco. La fucó d partcó y las fucos trmodámcas. l gas dal

Más detalles

SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA 1: Problema Nº 5.34 Oppenheim

SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA 1: Problema Nº 5.34 Oppenheim SEÑALES Y SISTEMAS. PROBLEMAS RESUELTOS. CAPITULO V PROBLEMA : Problma Nº 5.3 Opphim Obsrv l siguit sistma: Dtrmi y() Solució: El traycto d arriba produc, al multiplicar por Cos(/), traslació dl spctro

Más detalles

3. Cálculo y dimensionado

3. Cálculo y dimensionado Documto Básco HE Ahorro d Ergía. Codsacos 1 Las codsacos suprfcals los crramtos y partcos trors qu compo la volvt térmca dl dfco, s lmtará d forma qu s vt la formacó d mohos su suprfc tror. Para llo, aqullas

Más detalles

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

MODELO DE REGRESIÓN LINEAL MÚLTIPLE Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas

Más detalles

ANÁLISIS DE DATOS PROVENIENTES DE DISEÑOS MUESTRALES COMPLEJOS: APLICACIONES A LA ENCUESTA DE HOGARES Y EMPLEO DE LA PROVINCIA DE BUENOS AIRES 1.

ANÁLISIS DE DATOS PROVENIENTES DE DISEÑOS MUESTRALES COMPLEJOS: APLICACIONES A LA ENCUESTA DE HOGARES Y EMPLEO DE LA PROVINCIA DE BUENOS AIRES 1. AÁLISIS DE DATOS PROVEIETES DE DISEÑOS MUESTRALES COMPLEJOS: APLICACIOES A LA ECUESTA DE HOGARES Y EMPLEO DE LA PROVICIA DE BUEOS AIRES. Autors: Damot C, Motvrd M 3, Prz V 4 y Sotlo R 5 (VERSIÓ DEL 3 DE

Más detalles

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL Cotrasts d sgfcacó cojuta /4 APUNTE DE CLAE ECONOMETRÍA I. UDI ECONOMETRÍA E INFORMÁTICA CONTRATE DE IGNIFICACIÓN CONJUNTA EN EL MBRL Prof. Rafal d Arc Prof. Ramó Mahía rafal.darc@uam.s ramo.maha@uam.s

Más detalles

FACULTAD DE ECONOMÍA, U.V. PRIMER EXAMEN DE ECONOMETRÍA 1 Profesor: Carlos Pitta Arcos. Grupos 401 y 402

FACULTAD DE ECONOMÍA, U.V. PRIMER EXAMEN DE ECONOMETRÍA 1 Profesor: Carlos Pitta Arcos. Grupos 401 y 402 FACULTAD DE ECONOMÍA, U.V. PIME EAMEN DE ECONOMETÍA Profsor: Carlos Ptta Arcos. Grupos 40 y 40 Paorama Gral: El am costa d 5 problmas, co ua podracó fal d 00 putos (pts). Para facltarl l cálculo dl valor

Más detalles

Obtención de la matriz de varianzas y covarianzas a través de los productos Kronecker en modelos balanceados de dos y tres vías con aplicaciones en R

Obtención de la matriz de varianzas y covarianzas a través de los productos Kronecker en modelos balanceados de dos y tres vías con aplicaciones en R Matrz d varazas covarazas modlos balacados d dos trs vías Dspobl lía : www.javraa.du.co/uvrstas_sctarum, Vol. 6 N : 6-7 SICI: 7-5(9/)6:..S;-L Artículo orgal Obtcó d la matrz

Más detalles

Análisis del caso promedio El plan:

Análisis del caso promedio El plan: Aálisis dl caso promdio El pla: Probabilidad Aálisis probabilista Árbols biarios d búsquda costruidos alatoriamt Tris, árbols digitals d búsquda y Patricia Listas sip Árbols alatorizados Técicas Avazadas

Más detalles

INTEGRAL INDEFINIDA. Derivación. Integración

INTEGRAL INDEFINIDA. Derivación. Integración TEMA 8 Itgral Idfiida INTEGRAL INDEFINIDA FUNCIÓN PRIMITIVA. F() s ua primitiva d f() si F ()= f(). Esto s prsa así: f() = F'() = F() La itgració s la opració ivrsa a la drivació, d modo qu: FUNCIONES

Más detalles

9 Momentos y funciones generatrices de Momentos

9 Momentos y funciones generatrices de Momentos 9 omos y fucos grarcs d omos Edgar Acua ESA 400 Edgar Acua 9. omos Sa ua varabl alaora s df su smo momo co rspco al org como μ E[ ], smpr qu l caso dscro y qu p < f d < l caso couo. Obvam, μμ..tamb, s

Más detalles

Multicupón no garantizado 07/09 1

Multicupón no garantizado 07/09 1 ANEXO AL CONTRATO FINANCIERO DENOMINADO MULTICUPÓN NO GARANTIZADO OBRE UPUETO DE AJUTE O UPUETO EPECIALE DE AJUTE. UPUETO DE AJUTE: E caso d qu s produzca cualqura d las stuacos qu a cotuacó s dca l Baco

Más detalles

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin

Aproximación de funciones derivables mediante polinomios: Fórmulas de Taylor y Mac-Laurin Aproimació d ucios drabls mdiat poliomios: Fórmulas d Taylor y Mac-Lauri. Eprsa l poliomio P - - potcias d - Hay qu dtrmiar los coicits a, b, c, d y qu cumpla: P - -a- b- c- d- Drado vcs la iualdad atrior,

Más detalles

Estadística Teórica II

Estadística Teórica II Tablas d Cotgca Estadístca Tórca II TABLAS DE CONTINGENCIA Satago d la Fut Frádz 89 CONTRASTE NO PARAMÉTRICO DE BONDAD DE AJUSTE Tablas d Cotgca.- Para comprobar s los opraros cotraba dfcultads co ua prsa

Más detalles

TEMA 1: CALCULO DIRECTO DE LÍMITES

TEMA 1: CALCULO DIRECTO DE LÍMITES INSTITUCION EDUCATIVA DISTRITAL RODRIGO DE BASTIDAS Rsolució Nº 88 d ovimbr.8/ ScrtariaD Educació Distrital REGISTRO DANE Nº-99 Tléfoo Barrio Bastidas Sata Marta DEPARTAMENTO DE MATEMATICAS ACTIVIDAD ESPECIAL

Más detalles

11 INTRODUCCIÓN A LA DINÁMICA NO LINEAL (BIFURCACIONES, CAOS)

11 INTRODUCCIÓN A LA DINÁMICA NO LINEAL (BIFURCACIONES, CAOS) INTRODUCCIÓN A LA DINÁMICA NO LINEAL (BIFURCACIONES, CAOS) Los sistmas o lials pud llgar a tr comportamitos ralmt sorprdts alguos casos: por u lado pud llgar a tr diámicas totalmt difrts sgú l valor qu

Más detalles

Prueba de bondad de ajuste Prueba de independencia Prueba de homogeneidad.

Prueba de bondad de ajuste Prueba de independencia Prueba de homogeneidad. 5.4 PRUEBS CHI-CUDRDO CONTENIDOS: OBJETIVOS: 5.4.1. Pruba d bodad d aust. 5.4. Pruba d dpdca. 5.3.3 Pruba d hoogdad. Platar hpótss para dfrts propóstos. Dtrar los pasos a sgur al ralzar ua pruba ch-cuadrado.

Más detalles

EXPONENTES Y POTENCIAS Muchos números se expresan en forma más conveniente como potencias de 10. Por ejemplo: m n n 0,2 3 3

EXPONENTES Y POTENCIAS Muchos números se expresan en forma más conveniente como potencias de 10. Por ejemplo: m n n 0,2 3 3 Rpaso d Matmáticas E st apédic s hará u brv rpaso d las cuacios y fórmulas básicas d utilidad Química Física gral y Trmodiámica Química particular. EXPONENTES Y POTENCIAS Muchos úmros s xprsa forma más

Más detalles

ESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES ALEATORIAS EN EL MBRL

ESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES ALEATORIAS EN EL MBRL Apts d Clas d cootría Prof Rafal d Arc STMADORS D LA VARANZA D LAS PRTURBACONS ALATORAS N L MBRL rafaldarc@as Ua vz ddcda a fórla para la stacó para la dtracó d los parátros dl odlo, a través d los MCO

Más detalles

Intensificación en Estadística

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

Más detalles

INTEGRAL INDEFINIDA. Derivación. Integración

INTEGRAL INDEFINIDA. Derivación. Integración TEMA 8 Itgral Idfiida INTEGRAL INDEFINIDA. FUNCIÓN PRIMITIVA F() s ua primitiva d f() si F ()= f(). Esto s prsa así: La itgració s la opració ivrsa a la drivació, d modo qu: f() F'() F() FUNCIONES PRIMITIVAS

Más detalles

APUNTE Y PROBLEMAS DE FÍSICA III

APUNTE Y PROBLEMAS DE FÍSICA III APUE Y PROBLEMAS DE FÍSICA III CARRERA: LICECIAURA E QUÍMICA PROFESOR Mg. CARLOS A. CAAEO AUILIAR Lc. ERIQUE M. BIASOI COEIDOS: Mcáca Clásca: Mcáca Cuátca: Mcáca Estadístca: Problmas: Cmátca Dámca Prcpos

Más detalles

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares.

Fisicoquímica II-Módulo de Estructura y Propiedades Moleculares. Fscouímca II-Módulo d Estructura y Propdads Molculars. Bollla 4. Coctado las dscrpcos mcro/macroscópcas: Trmodámca Estadístca 4. La coxó tr la dscrpcó cuátca y las propdads trmodámcas. Hmos vsto como dscrbr

Más detalles

Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ciencias Matemáticas

Universidad de Puerto Rico Recinto Universitario de Mayagüez Departamento de Ciencias Matemáticas Uivrsidad d Purto Rico Rcito Uivrsitario d Mayagüz Dpartamto d Cicias Matmáticas Eam III Mat - Cálculo II d abril d 8 Nombr Númro d studiat Scció Profsor Db mostrar todo su trabajo. Rsulva todos los problmas.

Más detalles

FÓRMULAS DE MATEMÁTICAS FINANCIERAS

FÓRMULAS DE MATEMÁTICAS FINANCIERAS FÓRMULAS DE MATEMÁTIAS FINANIERAS TEMAS Y 2: ONEPTOS BÁSIOS... 2 Ly facra. Suma facra. Potulado d quvalca facra. Saldo facro. TEMA 3: MAGNITUDES DERIVADAS... 3 Factor, rédto, rédto acumulado, tato (d captalzacó

Más detalles

Tema 4: Regresiones lineales y no lineales TEMA 4. REGRESIONES LINEALES LINEALES Y NO. 1. 2. 3. Introducción 4. Nomenclatura

Tema 4: Regresiones lineales y no lineales TEMA 4. REGRESIONES LINEALES LINEALES Y NO. 1. 2. 3. Introducción 4. Nomenclatura T 4: grsos lls o lls TEMA 4. EGEIONE LINEALE LINEALE Y NO.. 3. Itroduccó 4. Nocltur 5. Llzcó Ajust grsó ll ll d últpl cucos 6. 7. 8. grsos EUMEN Progrcó o lls Mtlb Cálculo uérco Igrí T 4: grsos lls o lls.

Más detalles

PROBLEMAS TEMA 4 EJERCICIO 1 (Ej 9.15 de Fernández Abascal)

PROBLEMAS TEMA 4 EJERCICIO 1 (Ej 9.15 de Fernández Abascal) PROLMAS TMA JRCICIO j 9.5 d Frádz Abascal La cotizació olsa d u cirto título s cosidra ua variabl alatoria ormalmt distribuida co arámtros dscoocidos, ro s diso d la siguit iformació: a ist u,5% d robabilidad

Más detalles

MEDIDAS DE FORMA Y CONCENTRACIÓN

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

Más detalles

Tema IV: Ruidos e Interferencias: Técnicas de reducción.

Tema IV: Ruidos e Interferencias: Técnicas de reducción. SCUA TÉCNICA SUPIO D INGNIOS INDUSTIAS Y D TCOMUNICACIÓN UNIVSIDAD D CANTABIA INSTUMNTACIÓN CTÓNICA D COMUNICACIONS (5º Curso Igría d Tlcomucacó) Tma IV: udos Itrrcas: Téccas d rduccó. José María Drak

Más detalles

Universidad de Costa Rica. Instituto Tecnológico de Costa Rica. Determinar si las integrales impropias convergen o divergen.

Universidad de Costa Rica. Instituto Tecnológico de Costa Rica. Determinar si las integrales impropias convergen o divergen. Uivrsidad d Costa Rica Istituto Tcológico d Costa Rica Tma: Itgrals impropias. Objtivos: Clasificar las itgrals impropias sgú su spci: primra, sguda o trcra spci. Calcular itgrals impropias utilizado su

Más detalles

Se llama sucesión a un conjunto de números dados ordenadamente de modo que se puedan numerar: primero, segundo, tercero,...

Se llama sucesión a un conjunto de números dados ordenadamente de modo que se puedan numerar: primero, segundo, tercero,... TEMA SUCESIONES. CONCEPTO DE SUCESIÓN DEFINICIÓN DE SUCESIÓN S llama sucsió a u cojuto d úmros dados ordadamt d modo qu s puda umrar: primro, sgudo, trcro,... Los lmtos d la sucsió s llama térmios y s

Más detalles

8 Límites de sucesiones y de funciones

8 Límites de sucesiones y de funciones Solucioario 8 Límits d sucsios y d ucios ACTIVIDADES INICIALES 8.I. Calcula l térmio gral, l térmio qu ocupa l octavo lugar y la suma d los ocho primros térmios para las sucsios siguits., 6,,,..., 6, 8,,...,,,,...

Más detalles

CÁLCULO DE LÍMITES. Por otro lado es importante distinguir en el cálculo de límites, los casos indeterminados de los determinados: = ; = ; =

CÁLCULO DE LÍMITES. Por otro lado es importante distinguir en el cálculo de límites, los casos indeterminados de los determinados: = ; = ; = CÁLCULO DE LÍMITES Propidds d los límits.- ( b ) b.- ( b ) b.- ( b ) b.- ( b ) b b.- ( ) ( ) 6.- k k b Por otro ldo s importt distiguir l cálculo d límits, los csos idtrmidos d los dtrmidos: Csos dtrmidos:

Más detalles

Incentive Schemes and Innovative Portfolios

Incentive Schemes and Innovative Portfolios Esqumas Estudos d d Ecoomía. ctvos Vol. y cartras 7 - Nº, / Juo Go Loyola, 2. Págs. Yolada 4-66 Portlla 4 Esqumas d Ictvos y Cartras d Ivrsó Iovadoras Ictv Schms ad Iovatv Portfolos Go Loyola Yolada Portlla

Más detalles

Capítulo 4-1. El problema de la interpolación. Polinomio interpolador de Lagrange

Capítulo 4-1. El problema de la interpolación. Polinomio interpolador de Lagrange Capítulo 4-. El poblma d la tpolacó. Polomo tpolado d Lagag 4 El poblma d la Itpolacó. Sa f ua fucó cotua [a, b] d la qu s cooc l valo qu toma putos dsttos (odos):...... S tata d calcula l valo apomado

Más detalles

TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria)

TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria) TMS D MTMÁTICS Ooscos d Scudara TM 65 DISTRIBUCIOS D PROBBILIDD D VRIBL DISCRT. CRCTRÍSTICS Y TRTMITO. LS DISTRIBUCIOS BIOMIL Y D POISSO. PLICCIOS.. Itroduccó.. Fucos d Cuatía.. Dstrbucos Multvarats..

Más detalles

Q c 0 en V (5.1a) y z k. y n

Q c 0 en V (5.1a) y z k. y n V.- PROBLEM DE CMPO ECLR 5..- Itroduccó dfrca d los problmas abordados los capítulos atrors, dod las cógtas rlacoados co los msmos ra catdads vctorals, st ua gra gama d problmas dod las cógtas so d aturala

Más detalles

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

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

Más detalles

1.- a) Hallar a y b para que la siguiente función sea continua en x = 1:

1.- a) Hallar a y b para que la siguiente función sea continua en x = 1: .- a) Hallar a y b para qu la siguit fució sa cotiua = : b L( ) < f = a = > L b) Para sos valors d a y b, studiar la drivabilidad d f =. Solució: a) f s cotiua l puto = lim f = f() E st caso f () = a lim

Más detalles

Ampliació de Química-Física Curs Introducció

Ampliació de Química-Física Curs Introducció Itroduccó F Curs 7-8 mplacó d uímca-físca Curs 7-8 Itroduccó Cotdo ma : Cocptos báscos d Mcáca Cuátca Postulados d la Mcáca Cuátca Sstmas scllos Caja Cuátca rdmsoal Rotor Rígdo Osclador armóco promacó

Más detalles

OPTIMIZACIÓN ESTRUCTURAL CON MALLAS FIJAS Y ANALISIS DE SENSIBILIDAD UTILIZANDO VARIAS APROXIMACIONES A LOS ELEMENTOS DE FRONTERA

OPTIMIZACIÓN ESTRUCTURAL CON MALLAS FIJAS Y ANALISIS DE SENSIBILIDAD UTILIZANDO VARIAS APROXIMACIONES A LOS ELEMENTOS DE FRONTERA OPMZACÓN ESRUCURAL CON MALLAS FJAS Y ANALSS DE SENSBLDAD ULZANDO VARAS APROXMACONES A LOS ELEMENOS DE FRONERA Wllam Ramírz Bítz, Maul Julo García Ruíz Prgrado gría Mcáca Uvrsdad EAF, Colomba. Ph.D. gría

Más detalles

TEMA 4: REGRESIÓN Y CORRELACIÓN.

TEMA 4: REGRESIÓN Y CORRELACIÓN. TEMA 4: REGREIÓN Y CORRELACIÓN. 4.. Rgrsó corrlacó lal smpl... 4.. El método d los mímos cuadrados las cuacos ormals.... 3 4.3. Rgrsó lal: rcta d rgrsó (mímos cuadrados)... 4 4.3.. Propdads d las rctas

Más detalles

Administración de inventarios. Ejercicio práctico.

Administración de inventarios. Ejercicio práctico. Admnstracón d nvntaros. Ejrcco práctco. La Cía. GOMA REDONDA S.A. llva n nvntaro un crto tpo d numátcos, con las sgunts caractrístcas: Vntas promdo anuals: 5000 numátcos Costo d ordnar: $ 40/ ordn Costo

Más detalles

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

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

Más detalles

ANÁLISIS DE ERROR DE ESTADO ESTABLE

ANÁLISIS DE ERROR DE ESTADO ESTABLE AÁLISIS DE ERROR DE ESTADO ESTABLE El rror stcoro s u dd d l xcttud d u t d cotrol. S lz l rror stcoro dbdo trds scló, rp y prábol. COTROL AALÓGICO COTROL DIGITAL Esqu Error Fucó d trsfrc d ll Es ( Rs

Más detalles

DISCRETIZACION DE VARIABLES ALEATORIAS CONTINUAS DE DOMINIO NEGATIVO

DISCRETIZACION DE VARIABLES ALEATORIAS CONTINUAS DE DOMINIO NEGATIVO ISCRETIZCION E VRIBLES LETORIS CONTINUS E OMINIO NEGTIVO ERNESTO JESUS VERES ERRER pto. Ecoomía plcada/uvrsdad d Valca v d los Narajos s/ 6 - VLENCI JOSE MNUEL PVI MIRLLES pto. Ecoomía plcada/uvrsdad d

Más detalles

2.8.3 Solución de las ecuaciones diferenciales lineales no homogéneas por el método de variación de parámetros

2.8.3 Solución de las ecuaciones diferenciales lineales no homogéneas por el método de variación de parámetros .8.3 Solució d las cuacios difrcials lials o hoogéas por l étodo d variació d parátros 59.8.3 Solució d las cuacios difrcials lials o hoogéas por l étodo d variació d parátros Variació d parátros U procdiito

Más detalles

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008 Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete

Más detalles

Tema 2: Distribuciones bidimensionales

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

Más detalles

PARÁMETROS ESTADÍSTICOS ... N

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

Más detalles

Tema 8. Limite de funciones. Continuidad

Tema 8. Limite de funciones. Continuidad . Límit d ua fució. Fucios covrgts.... Límits latrals.... Distitos tipos d límits.... Límits ifiitos cuado tid a u úmro ral asítota vrtical.... Límits fiitos cuado tid a ifiito asítota horizotal... 8.

Más detalles

La inferencia estadística es primordialmente de naturaleza

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

Más detalles

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

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

Más detalles

a a lim i) L< 1 absoluta convergencia absoluta convergencia convergencia condicional divergencia > r.

a a lim i) L< 1 absoluta convergencia absoluta convergencia convergencia condicional divergencia > r. (Aputs rvisió para oritar l aprdizaj) DESARROLLO DE LAS FUNCIONES LOGARÍTMICA Y EXPONENCIAL EN SERIES DE POTENCIAS Ua Sri d Potcias s dfi como: a a a a a = = + + + la qu s vidt qu covrg si =. Para dtrmiar

Más detalles

Estadística Descriptiva

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

Más detalles

INFERENCIA ESTADISTICA

INFERENCIA ESTADISTICA Uivrsidad Católica Adrés Bllo UIVERSIDAD CATOLICA ADRES BELLO Urb. Motalbá La Vga Apartado 068 Tléfoo: 47-448 Fa: 47-3043 Caracas, 0 - Vzula Facultad d Igiría Escula d Igiría Iformática -----------------------

Más detalles

División 2. Mecánica de Tornillos Tornillos de transmisión Tornillo de ajuste y sujeción

División 2. Mecánica de Tornillos Tornillos de transmisión Tornillo de ajuste y sujeción Vrsó 014 CAITULO 4 OYECTO DE ELEMENTOS DE SUJECIÓN, ANCLAJE Y CIEE Dvsó Mcáca d Torllos Torllos d trasmsó Torllo d ajust y sujcó UTN-BB Cátdra: Elmtos d Máquas. rofsor: Dr. Ig. Marclo Tulo ova Vrsó 014

Más detalles

Teoría de Sistemas y Señales

Teoría de Sistemas y Señales Toría d Sistmas y Sñals Trasparias: Aálisis ruial d sñals TD Autor: Dr. Jua Carlos Gómz Aálisis ruial d Sñals Timpo Disrto. Sri d ourir d Sñals Timpo Disrto Sa () ua sñal priódia o príodo, s dir: ( ) +

Más detalles

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

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

Más detalles

I. MEDIDAS DE TENDENCIA CENTRAL

I. MEDIDAS DE TENDENCIA CENTRAL I. MEDIDAS DE TENDENCIA CENTRAL 1. La MEDIA ARITMETICA o PROMEDIO o smplmnt LA MEDIA Es la mdda d tndnca cntral más utlzada, la cual s rprsnta mdant l símbolo X y corrspond al promdo d todos los valors

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

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

Más detalles

Señales y Sistemas. Análisis de Fourier.

Señales y Sistemas. Análisis de Fourier. Sñals y Sistmas Aálisis d Fourir. Itroducció El foqu d st capítulo s la rprstació d sñals utilizado sos y cosos ( otras palabras, xpocials complas). El studio d sñals y sistmas utilizado xpocials complas

Más detalles

Tema 3. LA COMPETENCIA PERFECTA PROBLEMA RESUELTO

Tema 3. LA COMPETENCIA PERFECTA PROBLEMA RESUELTO Mcroconomía AE Tma 3. LA COMPETENCIA PERFECTA PROBLEMA REUELTO uponga qu cada una d las 144 mprsas qu forman una ndustra prfctamnt compttva tnn una curva d costs totals a corto plazo déntca qu vn dada

Más detalles

desarrollo del enfoque

desarrollo del enfoque có dl poblma y dsaollo dl oqu Lccó 4 1 José Lus Solózao - Ivstgacó d Mcados Objtvos 1. stgu t l poblma d dcsó admstatva y l poblma d vstgacó d mcados. 2. Explca y aplca téccas paa stuctua l poblma d vstgacó

Más detalles

DELTA MASTER FORMACIÓN UNIVERSTARIA C/ Gral. Ampudia, 16 Teléf.: MADRID

DELTA MASTER FORMACIÓN UNIVERSTARIA C/ Gral. Ampudia, 16 Teléf.: MADRID C/ Gal. Auda, 6 Tléf.: 9 5 8 4-9 55 9 800 MADRID ORMULARIO DE ESTADÍSTICA. DISTRIBUCIONES UNIDIMENSIONALES. Esaza atátca. Sdo ua vaabl alatoa g ( ua fucó d la sa, dfos: E ( g ( ( g Caso dscto g ( f ( Caso

Más detalles

IMPACTOS DE LA INTRODUCCIÓN DE LA COMERCIALIZACIÓN EN EL MERCADO ELÉCTRICO PERUANO

IMPACTOS DE LA INTRODUCCIÓN DE LA COMERCIALIZACIÓN EN EL MERCADO ELÉCTRICO PERUANO IMPACTOS DE LA INTRODUCCIÓN DE LA COMERCIALIZACIÓN EN EL MERCADO ELÉCTRICO PERUANO Msc. Ig. Waltr Aladro Guzmá Estrmadoyro Orgasmo Suprvsor la Ivrsó y Mría (OSINERGMIN) guzmastrmadoyro@yahoo.s RESUMEN

Más detalles

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

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

Más detalles

CASO DE ESTUDIO N 8. Análisis de un tornillo de transmisión

CASO DE ESTUDIO N 8. Análisis de un tornillo de transmisión Vrsió 01 CAPITULO POYECTO DE ELEMENTOS DE SUJECIÓN, ANCLAJE Y CIEE CASO DE ESTUDIO N 8 Aálisis u torillo trasmisió Vrsió 01 1. Itroucció Los torillos trasmisió stá somtios a cosirabls solicitacios bias

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

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

Más detalles

TEORÍA DE LOS CONTRATOS: UN ENFOQUE ECONÓMICO

TEORÍA DE LOS CONTRATOS: UN ENFOQUE ECONÓMICO Facultad d Ccas Ecoómcas y Admstratvas TEORÍA DE LOS CONTRATOS: UN ENFOQUE ECONÓMICO Rafal Sarmto Lotro RESUMEN La Toría d Cotratos també coocda como Ecoomía d la Iformacó, studa las coscucas d la xstca

Más detalles

6 Cinemática de rotaciones finitas

6 Cinemática de rotaciones finitas 6 Cmátca d otacos ftas 6. Momto sféco Dfcó: Cpo ígdo: s sstma d patíclas tal q las dstacas t las dsttas patíclas o aía sta codcó s dal, po la mayoía d los casos los sóldos pd dspcas los pqños cambos d

Más detalles

Cadenas de Markov de tiempo continuo

Cadenas de Markov de tiempo continuo Cocpts foamtals d xarxs d computadors. U focamt aalítc. Cadas d Markov d tmpo cotuo Qué propdads db cumplr u procso stocástco para sr ua MC d tmpo cotuo? Los stados db formar u couto umrabl E caso cotraro

Más detalles

TEMA 4: VALORACIÓN DE RENTAS

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

Más detalles

SEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE

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

Más detalles

COLEGIO DE POSTGRADUADOS

COLEGIO DE POSTGRADUADOS OLEGIO E POSTGAUAOS INSTITUIÓN E ENSEÑANZA E INVESTIGAIÓN EN IENIAS AGÍOLAS AMPUS MONTEILLO SOIOEONOMÍA, ESTAÍSTIA E INFOMÁTIA ESTAÍSTIA VALIAIÓN E MOELOS MEANÍSTIOS BASAA EN LA PUEBA JI-UAAA E FEESE,

Más detalles

FINITOS Introducción

FINITOS Introducción I.- ORMULACIÓN ARIACIONAL INITO DL MÉTODO D LO LMNTO 4..- Itroduccó l Capítulo II, las cuacos d los lmtos s dduro usado l método drcto. Como a s mcoó, st método, a psar qu mustra claramt l squma d ucoamto

Más detalles

CAPÍTULO 2. Ecuación paraxial de Helmholtz.

CAPÍTULO 2. Ecuación paraxial de Helmholtz. CAPÍTLO Ecuacón paraal d Hlmholt. S dscut la posbldad d vsualar mdant un procsador óptco [1] a las solucons d la cuacón paraal d Hlmholt. Para llo s rala una comparacón d los rsultados obtndos consdrando

Más detalles

TEMA 2 SUCESIONES. Tema 2 Sucesiones Matemáticas I 1º Bach. 1 SUCESIONES Y TÉRMINOS

TEMA 2 SUCESIONES. Tema 2 Sucesiones Matemáticas I 1º Bach. 1 SUCESIONES Y TÉRMINOS Tma Sucsios Matmáticas I º Bach. TEMA SUCESIONES SUCESIONES Y TÉRMINOS EJERCICIO : Si l térmio gral d ua sucsió s a 0 Halla l térmio sgudo y l décimo. b) Hay algú térmio qu valga? Si hay dcir qu lugar

Más detalles

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

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

Más detalles

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

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

Más detalles

Interacción genotipo-ambiente en ganado Holstein colombiano* Genotype and environment interaction in Colombian Holstein cattle

Interacción genotipo-ambiente en ganado Holstein colombiano* Genotype and environment interaction in Colombian Holstein cattle Itraccó goto-ambt gaado Holst colombao* M. F. Cró Muñoz **, H. Tohat, C. Costa y F. Bavds FCAVj-Uvrsdad Estadual Paulsta- Jabotcabal SP-Brasl. Emrsa Braslra d Psqusa Agrocuára EMBRAPA/CNPGL. Uvrsdad d

Más detalles

APLICACIÓN DEL MÉTODO (PFEM) A LA SIMULACIÓN DE PROCESOS INDUSTRIALES CON GRANDES DEFORMACIONES

APLICACIÓN DEL MÉTODO (PFEM) A LA SIMULACIÓN DE PROCESOS INDUSTRIALES CON GRANDES DEFORMACIONES APLICACIÓ DEL MÉTODO (PFEM A LA SIMULACIÓ DE PROCESOS IDUSTRIALES CO GRADES DEFORMACIOES Carlos G. Frrar *, Jua Carlos Cat, y Javr Olvr * * Uvrsdad Poltécca d Cataluña (UPC Campus ord UPC, Edfc C Jord

Más detalles