Capítulo 3. SISTEMAS DE PARTÍCULAS

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

Download "Capítulo 3. SISTEMAS DE PARTÍCULAS"

Transcripción

1 Capítulo 3. SISTEMAS DE PARTÍCULAS 3.1. Introduccón En la mayoría de los sstemas partculados esten partículas de dstnto tamaño tal como se observa en la Fgura 3.1. Muchos de los métodos que mden tamaño de partículas tenen que consderar la naturaleza dspersa de la poblacón. Fgura 3.1. Sstemas de partículas de dstntos tamaños 3.. Métodos de medcón de tamaño de partículas Tamzado Esta técnca es adecuada para el análss de partículas que se encuentren el rango de 15 mm a μm. La muestra de partículas es tamzada en una torre de tamces con mallas de dstnto dámetro que sguen una progresón geométrca y se encuentran estandarzados. Una vez que se establece la torre de tamces, se colocan en un equpo que agta el conjunto de tamces por el tempo que se desee, o la técnca requera. En general, s se carga más masa mayor tempo de tamzado será requerdo. Fgura 3.1. Tren de tamces y equpo de agtacón.

2 El tamz que tene la apertura mayor se coloca arrba, y un recpente cego al fondo para contener todas las partículas pequeñas que pasan el tamz de menor apertura (ver Fgura 3.). Una vez termnado el proceso de tamzado se pesa lo recolectado en cada tamz, los datos luego se representan de dversas maneras como se verá a contnuacón. Es mportante recalcar que el análss por tamzado da resultados en masa. El método de tamces es muy usado porque requere baja nversón, los operadores no tenen que ser muy calfcados, la técnca es smple. Fgura 3.. Esquema de orden de tamces y vsta de una malla Mallas Las mallas que poseen los tamces pueden ser especfcadas por el número de aperturas por pulgada lneal (MESH) y el espesor del alambre; o tambén por el dámetro de apertura (d A ). En la Fgura 3.3 se muestran mallas de dferente MESH, cuanto más grande es el MESH menor la apertura. El tamaño de las partículas queda determnado por los dámetros de tamz Tamces estándares Esten muchos tamces estándares por ejemplo: ASTM (EEUU), BSI (Gran Bretaña), DI (Alemana), AFOR (Franca), JSA/JIS (Japón), ISO (ormas nternaconales). En general las aperturas sguen una progresón geométrca que puede ser,, 3, 4. Por lo tanto el cocente de dos dámetros de tamz consecutvos debe dar una razón sempre constante (ver Tabla 3.1).

3 1 mesh/nch mesh/nch 4 mesh/nch 1/ mesh/nch 8 mesh/nch 16 mesh/nch Fgura 3.3. Mallas de dstnta apertura. Mesh vs. d A. Tabla 3.1. Tamces estándares ASTM ASTM Seve Openng d -1 d /(^.5) (n) (mm) (n) En la Tabla 3. se muestran las aperturas de dferentes tamces estándares.

4 Tabla 3.. Tamces estándares Mesh Sze ASTM- DI-4188 (mcrons) µm TYLER Mesh E11 o. BS-41 Mesh mm Mcroscopía La mcroscopía es el únco método que permte la observacón y medcón de partículas ndvduales. Medante la observacón de las partículas es posble establecer tamaño, forma y morfología. Los valores de tamaño que se obtengan por mcroscopía

5 serán más eactos en la medda que se mdan más partículas. El resultado del análss permte establecer el número de partículas. El rango de análss recomendado para mcroscopos óptcos es 3μm-15μm. Los mcroscopos electróncos pueden analzar partículas de menor tamaño, apromadamente entre.1μm-1μm. Las mágenes que se ven en el mcroscopo son áreas proyectadas, de manera que las dmensones dependen de la orentacón de las partículas. Se mden los dámetros de Feret, de Martn, de perímetro o de área proyectada. Los mcroscopos pueden tener algunos dspostvos automátcos que permten medr las partículas automátcamente. La Fgura 3.4. muestra la dgtalzacón de partículas, cálculo del área proyectada y de d a. Fgura 3.4. Dgtalzacón de mágenes y procesamento de datos. Fuente: Elutracón La elutracón por are es especalmente útl para polvos fnos, los cuales pueden ser clasfcados sometendo las muestras a dferentes caudales de are. Aquellas partículas que alcancen su velocdad termnal (defnda por la velocdad de are en el ensayo), serán arrastradas y podrán ser colectadas aguas abajo del equpo, por ejemplo con un fltro. Luego se aumenta el caudal de are y se recolectan partículas más gruesas, y así sucesvamente Sedmentacón En esta técnca se calcula el dámetro de Stokes medante la observacón de la velocdad con la que caen las partículas en un medo fludo estaconaro. Se dluye el sstema partculado, comúnmente en agua, para poder asumr que las partículas caen a la velocdad termnal de una partícula únca en un medo líqudo. S se asume la Ley

6 de Stokes (tema que se verá en mayor detalle en el prómo capítulo), el Re debe ser menor a.5 (régmen lamnar). Por lo tanto este método de sedmentacón será aplcable a partículas menores a los 5 μm (consderando como fludo agua a temperatura ambente). En la Fgura 3.5 se muestra un equpo típco. Superfce de líqudo Muestreo h vel para muestreo Fgura 3.5. Análss de tamaños por sedmentacón. Fuente: Rhodes (3). La velocdad de sedmentacón de las partículas se establece dbujando la densdad de la muestra retrada en una poscón fja vs el tempo. La densdad de la suspensón se relacona con la masa de menor tamaño que queda aún por sedmentar. Por su parte el tempo se lo relacona con el dámetro de la partícula a través del dámetro de Stokes. Para comprender mejor está técnca se ntroduce el ejemplo 3.1. Ejemplo 3.1. Supongamos que el líqudo con el materal partculado posee una densdad ρ. Al tempo t, en el punto de muestreo consderemos que la densdad del líqudo con materal partculado es ρ. A ese dado tempo, todas aquellas partículas que vajan mas rápdo que vh/t habrán caído debajo del punto de muestreo. Al tempo t la muestra tomada tendrá sólo aquellas partículas que han vajado a una velocdad h/t. La relacón ρ/ρ representa la fraccón másca de partículas que vajan a una velocdad h/t. Podemos hacer gual la velocdad termnal a: v T h/t, reemplazando esta relacón en la epresón vsta en el capítulo :

7 1/ 18 vt μ dst (.8) ( ρp ρf ) g Resulta: 1/ 18h μ dst (3.1) t( ρp ρf ) g Por lo tanto la masa de partículas defnda por la relacón ρ/ρ posee un dámetro menor a d St. Tomando muestras a dstntos tempos es posble establecer la fraccón másca de partículas correspondentes a dstntos dámetros Dfraccón Láser La técnca de dfraccón láser se basa en el prncpo que cuando partículas atravesan una luz láser la dspersan con un ángulo que está drectamente relaconado con el tamaño de las partículas. A medda que el tamaño de las partículas dsmnuye el ángulo de dfraccón que se observa aumenta logarítmcamente. Además la ntensdad de la luz es dependente del tamaño de las partículas, se relacona con el área transversal de las partículas. Por lo tanto partículas de mayor tamaño dfractan la luz a ángulos pequeños con mayor ntensdad, mentras que las partículas pequeñas dfractan con mayores ángulos y menor ntensdad. En la Fgura 3.6 se muestra un esquema de un equpo de dfraccón láser, el msmo posee los sguentes componentes: Un láser, que provee una fuente de luz a una longtud de onda constante. Un espaco donde se confna la muestra dspersa (con are o líqudo) Una sere de detectores para medr el patrón de luz. Fgura 3.6. Incdenca del haz láser sobre materal partculado y dfraccón del msmo. Fuente:

8 3.3. Representacón e nterpretacón de datos Hstogramas En la Tabla 3.3. se muestran datos epermentales obtendos medante una técnca que permte cuantfcar el número de partículas. Tabla 3.3. Datos epermentales y cálculos elementales Rango de tamaño, μm úmero, # Fraccón en número Fraccón porcentual, % Fraccón acumulatva, % > 5 1 Total 1 1 En la Fgura 3.7 se muestra un hstograma donde para un dado rango de tamaño que mde el equpo se grafca el número total de partículas encontrado en dcho ntervalo. Los tamaños pueden segur una progresón artmétca o geométrca, eso depende del equpo de análss usado. En el eje y se puede grafcar número, volumen, masa, o cualquer propedad de la partícula que mda el nstrumental elegdo, epresada como una magntud absoluta, fracconal o fracconal porcentual (columnas, 3 y 4 de la Tabla 3.3). Por su parte en el eje puede grafcarse el dámetro, volumen o masa de las dstntas clases de tamaño dadas. El símbolo n representa el número de partículas de la clase. La últma columna de la Tabla 3.3 representa la fraccón en número acumulatva pasante, esta varable tambén puede ser grafcada en un hstograma. n Fgura 3.7. Hstograma. úmero vs. dámetro de partícula

9 La Fgura 3.7 muestra una curva dscontnua, comúnmente se suelen elaborar funcones contnuas asgnándole el número o masa obtendo epermentalmente en un dado rango de tamaños al promedo artmétco entre los etremos del ntervalo. La Tabla 3.4 repte parte de la nformacón de la Tabla 3.3 con el cálculo de los dámetros promedos artmétcos. Tabla 3.4. Cálculo de dámetros artmétcos promedos Rango de medda, μm úmero, # dp promedo, μm (4+)/ (5+35)/4.5 > 5 Total 1 En la Fgura 3.8 se muestra como se construye y queda fnalmente la curva contnua de número de partículas vs. dámetro. n n 15 úmero, # Dámetro promedo,mm Fgura 3.8.a. Obtencón curva contnua. Fgura 3.8.b. Curva contnua obtenda. Cuando las dstrbucones de tamaño de partículas son angostas se recomenda el uso de una progresón artmétca para representar la poblacón, determnándose el dámetro promedo del ntervalo de tamaño como un promedo artmétco. En cambo cuando la dstrbucón de tamaños es ampla, se prefere usualmente una progresón de tamaños geométrca.

10 Tabla 3.5. Fraccones acumulatvas Rango de tamaño, μm Apertura de mayor tamaño, μm úmero, # úmero, % Fraccón acumulatva pasante, % Fraccón acumulatva retenda, % > 5 Total 1 1 F,1/μm acumulatva pasante,% acumulatva retenda, % , μm Cego Fgura 3.9. Curvas acumulatvas contnuas retendas y pasantes. La funcón F está epresada en porcentaje. La Tabla 3.5 muestra como calcular las fraccones acumulatvas retendas y pasantes, estas fraccones se grafcan como puede observarse en la Fgura 3.9.versus la mayor apertura de los tamces. El símbolo representa el número de partículas acumuladas pasantes ncluyendo todas las partículas de la clase Hstograma de la dstrbucón de frecuenca o funcón densdad. Las dstrbucones de tamaño de partícula epresadas como masa vs. dámetro no son adecuadas para la comparacón de dstrbucones (tema que será dscutdo en más detalle en la seccón 3.3.7). Por esta razón surge una funcón denomnada dstrbucón de frecuenca o densdad, la cual se calcula como sgue:

11 n n (3.) Δdp donde n es la funcón densdad epresada de manera dscreta, esta nueva varable tene undades en este caso de número/undad de dámetro (e.g. #/μm). Tabla 3.6. Funcón densdad Rango de tamaño, μm úmero, # n úmero/δd p, #/μm > 5. Total 1 En la Tabla 3.6 se ejemplfca como se calcula la funcón densdad de una manera dscreta, mentras que en la Fgura 3.1 se grafca el hstograma de esta funcón. La funcón densdad, como su nombre lo ndca, representa la el número de partículas o masa (o cualquer otra propedad selecconada) por undad de tamaño. Esta varable se ndependza de cuán grande o pequeña sea, por ejemplo, la dstanca entre dos tamces consecutvos. n Fgura 3.1. Hstograma de la funcón densdad. El símbolo n representa la dstrbucón de frecuenca o densdad de partículas en la clase. Sus undades son número (o masa, volumen)/ undad de longtud (o cualquer otra magntud con la cual se desee caracterzar el tamaño de las partículas).

12 Hstograma de la dstrbucón de frecuenca normalzada La dstrbucón de frecuenca normalzada se calcula dvdendo la funcón densdad por el número total de partículas de la poblacón, es decr: n f (3.3) T donde f es la funcón de densdad normalzada y tene undades de (undad de longtud) -1. T representa el número de partículas totales de la poblacón. La Tabla 3.7, ejemplfca el cálculo de esta nueva funcón, mentras que la Fgura 3.11 muestra el hstograma de la funcón densdad normalzada. Tabla 3.7. Funcón densdad Rango de tamaño, μm úmero, # Fraccón en número n úmero/δd p, #/μm fn / T, 1/μm > 5.. Total 1 f Fgura Hstograma de la funcón densdad normalzada. El símbolo f representa la frecuenca o densdad de partículas normalzada en la clase. Sus undades son 1/ undad de longtud (o cualquer otra magntud con la cual se desee caracterzar el tamaño de las partículas). El símbolo T representa el número total de partículas.

13 Dstrbucón de frecuenca contnua De acuerdo a la defncón de la funcón densdad (ecuacón 3.), la sguente gualdad debe satsfacerse: n Δdp n T (3.4) 1 1 Tenendo en cuenta la defncón de la funcón densdad normalzada (ecuacón 3.3), la sguente relacón tambén debe satsfacerse: Δdp 1 1 f (3.5) La ecuacón 3.5 ndca que el área debajo del hstograma presentado en la Fgura 3.11 debe ser gual a 1. La Fgura 3.1 muestra que la funcón densdad normalzada contnua puede obtenerse sempre y cuando se tenga la precaucón que el área debajo de la curva satsfaga la condcón (3.5). Con el objeto de mantener el área debajo de la curva puede observarse que la funcón contnua debe bsectar a los rectángulos del hstograma. Esta es la razón por la cual las dstrbucones contnuas se grafcan habtualmente en funcón del dámetro promedo de los etremos del rango de análss. f f Fgura 3.1.a. Obtencón de la funcón dstrbucón normalzada contnua. Fgura 3.1.b. Funcón dstrbucón normalzada contnua Dstrbucones contnuas Las ecuacones (3.) a (3.5) representan cálculos de funcones de dstrbucón de manera dscreta, sn embargo esten tambén epresones para las funcones contnuas. Comenzaremos con algunas defncones báscas: () número acumulado de partículas (3.5) Las undades de () son número. Cuando epresamos funcones contnuas desaparecen los subíndces que señalan las clases y descrbmos que la varable es

14 funcón de (). representa cualquer varable con la cual se desea caracterzar el tamaño de la poblacón, puede ser dámetro, volumen, superfce, etc. La funcón densdad contnua vene dada por la sguente defncón: d() n () (3.6) d Donde las undades de n() son # / μ m s por ejemplo representara el dámetro. De acuerdo a las defncones anterores, el número de partículas acumuladas hasta el tamaño puede calcularse como sgue: () n()d (3.7) La funcón () representa el número de partículas acumuladas, esta funcón puede ser normalzada como sgue: () F () (3.8) T F() representa la funcón acumulatva normalzada. Hasta este punto hemos defndo funcones acumulatvas, y densdades en funcón del número de partículas, sn embargo tambén pueden ser defndas por ejemplo en masa. La Fgura 3.13 resume las conversones entre dstrbucones acumulatvas (no normalzadas y normalzadas) y dstrbucones de frecuenca.

15 Dstrbucón de frecuenca n() f() Area T Dstrbucón de frecuenca normalzada Area 1 () n()d d ( ) n ( ) d F ( ) f ( ) d df ( ) f ( ) d Dstrbucón acumulatva T () Dstrbucón acumulatva normalzada F() 1. Fgura Conversones entre curvas acumulatvas y funcones densdad Resumen de relacones entre funcones contnuas y dscontnuas Tabla 3.8. Funcones contnuas. Tpo de dstrbucón Defncón Relacones entre varables Contnua sn normalzar () n ()d úmero de partículas totales (o acumuladas) menores que la medda, # úmero de partículas entre las meddas y +d, # ( ) n( )d T n( )d n( ) d ( ) d Contnua normalzada F () f ()d Fraccón en número de partículas totales (o acumuladas) menores que la medda, admensonal Fraccón en número de partículas entre las meddas y +d, admensonal () n() F() f() T T F() f()d f()d 1 f() df() d

16 Tabla 3.9. Funcones dscontnuas. Tpo de dstrbucón Defncón Relacones entre varables Dscreta sn normalzar n Δ n úmero de partículas totales (o acumuladas) en todos los ntervalos menores o guales a la clase, # úmero de partículas en el ntervalo, # Medda máma de las partículas en el ntervalo, μm o μm 3 ( ); n n( ) n j njδ j j 1 j 1 nδ n 1 T n j njδ j j 1 j 1 n 1 Δ Δ 1 Ancho o medda del ntervalo, μm o μm 3 Dscreta normalzada F fδ Fraccón en número de partículas totales (o acumuladas) en todos los ntervalos menores o guales a la clase, admensonal Fraccón en número de partículas en el ntervalo, admensonal F F( ) T fδ F F 1 fδ 1 j 1 F F f 1 Δ n f T f() Comparacón de dstrbucones La Tabla 3.1 muestra los datos epermentales de una msma muestra de partículas que fue tamzada tres veces. En prmer lugar se utlzó un gran número de tamces (datos de Fne Grd ), luego se retraron algunos tamces del tren (datos de Coarse Grd 1). Por últmo se resttuyeron los tamces retrados en la prmera etapa y se qutaron otros (datos de Coarse Grd ). Con los datos obtendos y presentados en la Tabla 3.1 se construyeron los hstogramas que se presentan en la Fgura Es claro que aún sendo la msma muestra, los gráfcos son muy dstntos no ndcando la smlardad de la muestra. Esto se debe a que los hstogramas tenen formas que dependen del ancho y número de los ntervalos de medda. Por su parte la Fgura 3.15 muestra el hstograma de la funcón densdad y la obtencón de la funcón contnua. La Fgura 3.16 compara las funcones densdad obtendas para los datos correspondentes a las tres grllas usadas. En este gráfco se observa que se trata de

17 la msma muestra. Por lo tanto, debe quedar claro que s se desean comparar poblacones debe utlzarse la funcón densdad o ben (datos no mostrados) las curvas acumulatvas. Cualquera de las dos representacones resultan adecuadas. Tabla 3.1. Análss de una msma muestra con dferentes trenes de tamces. Fgura Hstogramas de una msma muestra analzadas con dstntos trenes de tamces. Fgura Hstograma de la funcón densdad y obtencón de la curva contnua.

18 Fgura Comparacón entre las funcones densdad obtendas con dstntas grllas Dámetros promedos La defncón de una dstrbucón de tamaño de partículas en forma completa requere mucha nformacón, como por ejemplo los datos dados en la Tabla Sería convenente poder apromar las dstrbucones con alguna funcón matemátca. Esten varas representacones, en general ellas requeren nformacón acerca de donde se localza la dstrbucón y cuan ancha es. La localzacón de la curva puede referencarse adecuadamente con algún dámetro promedo. A contnuacón veremos las defncones de los tamaños promedos más usados. Para ejemplfcar los cálculos utlzaremos los datos del sguente ejemplo: Tabla Ejemplo para el cálculo de dámetros promedo. d nf, μm d sup, μm úmero, # n(dp), #/μm f(dp), %/μm F(dp), % d prom, μm Moda La moda es el punto de mayor frecuenca, se refere al valor mámo de la curva n() o f() (funcón densdad o dstrbucón de frecuenca) vs.. Este valor se puede observar en la Fgura La moda para el ejemplo de la Tabla 3.11 es apromadamente 11 μm. La moda es el mámo de la curva n() o f() vs, o dcho de otra manera corresponde al valor de tamaño para el cual la curva acumulatva alcanza su punto e nfleón. En otras palabras en la moda a se verfca que:

19 La condcón de punto de nfleón es: df() (3.9) d a df(), y (3.1) d a d F() df() (3.11) d d a a F(dp), % Medana F(dp), % (acumulatva) f(dp), %/um f(dp), %/um 3 Medo artmétco Moda dp, um Fgura Moda,medana y medo artmétco Medana La medana es el tamaño de partículas que dvde la curva de la funcón dstrbucón o densdad en dos partes de gual área, y a la vez es el dámetro donde la curva acumulatva alcanza el 5% de su valor. En térmnos matemátcos puede decrse que la medana verfca la sguente condcón: a 5% f()d y F(a) 5% (3.1) Para que se verfque la ecuacón (3.1), f() debe estar epresada en porcentajes por undad de tamaño de partícula. La medana tambén suele denomnarse 5. Para el ejemplo de la Tabla la medana es 14 μm.

20 Dámetro medo artmétco en número (meda) La meda es el centro de gravedad de la dstrbucón. Para una dstrbucón en número el dámetro medo artmétco ( a : aartmétco; : número) (o genércamente tamaño medo artmétco) se calcula como sgue: n()d n a f() d (3.13) n n()d Para el ejemplo planteado el dámetro medo artmétco es alrededor de 4 mcrones y tambén se muestra en la Fgura Es mportante tener en cuenta que el valor del usado en la ecuacón 3.13 corresponde al valor medo artmétco de los etremos del ntervalo de medcón. S la dstrbucón es smétrca las tres medas antes vstas (moda, medana y meda artmétca) son concdentes. En cambo s la dstrbucón está sesgada haca los tamaños más grandes (que resulta común para una gran número de sstemas partculados, ver ejemplo de la Fgura 3.17) resulta que meda>medana> moda. Los tamaños medos sólo pueden representar dos de las propedades de un sstema partculado. Entre las propedades de la poblacón cabe menconar: número total, longtud total, volumen (o masa) total. En otras palabras un sstema de partículas de dferentes tamaños puede ser representado por un sstema de partículas unformes que tene dos y sólo dos característcas déntcas a la dstrbucón orgnal. Por ejemplo para el dámetro medo artmétco en número se conservan sólo el número total de partículas y la longtud total de la poblacón orgnal, en térmnos matemátcos: úmero total: n T (3.14) Longtud total: a T n (3.15) sgue: Como a mantene el número y la longtud, tambén se suele escrbr como a L (3.16)

21 Otras defncones de tamaños medos Hay muchas defncones de tamaños medos, debe usarse la meda que refleje la propedad más mportante para la aplcacón en la cual se usará el tamaño promedo calculado. Esto es mportante ya que dependendo de la meda que se elja la poblacón será caracterzada por un valor promedo numércamente muy dferente. En la Tabla 3.1 se resumen tamaños medos comúnmente calculados. Para entender las propedades que se mantenen de la dstrbucón orgnal, se tomará el ejemplo de LS presentado en la Tabla 3.1. Este tamaño medo debe verfcar que la poblacón de partículas unformes que posea ese tamaño mantenga la longtud y la superfce de la poblacón orgnal, esto es: Longtud total: Superfce total: LS T LS T n (3.17) n (3.18) Dvdendo (3.18) por (3.17) resulta: n LS (3.19) n

22 Tabla 3.1. Tamaños medos. Propedades de la dstrbucón orgnal que se mantenen Epresón dscreta Epresón contnua úmero, Longtud (Medo artmétco en número o longtud meda) n()d n L f L n n()d () d úmero, Superfce (Medo Cuadrátco o de superfce meda) S 1/ n n n()d S n()d f () d úmero, Volumen (Medo Cúbco o de volumen/masa medo) V 1/ 3 3 n n 3 V 3 n()d n()d 3 f () d Longtud, Superfce (Medo artmétco en longtud) LS L L n n LS n()d n()d Longtud, Volumen LV 1/ 3 n n LV 3 n()d n()d Superfce, Volumen (Medo artmétco en superfce - Sauter) SV s s 3 n n SV 3 n()d n()d Medo artmétco en volumen o masa VM v v 3 n 3 n n n n()d VM 3 n()d

23 Para el ejemplo de la Tabla 3.11, el dámetro promedo en masa o volumen es de 4 μm, el que mantene superfce y volumen 66 μm, y el dámetro de peso medo (o artmétco en volumen) 94 μm. Algunos tamaños medos para este ejemplo han sdo presentados en la Fgura El tamaño VM puede calcularse s el equpo mde dstrbucones de tamaño epresadas en masa, ya que para el cálculo no se requere el número de partículas, por esta razón muchas veces este dámetro es utlzado. Surface- volume Fgura Tamaños medos para el ej. de Tabla Fuente: Sevlle et al., Tamaño medo geométrco El tamaño promedo geométrco (base número) de una dstrbucón ( g ) es la raíz enésma (n T ) del producto de los tamaños elevados al número de partículas que poseen dchos tamaño. 1/T n g (3.) S aplcamos logartmos a ambos membros, resulta: n ln ln g (3.1) T Tamaño medo armónco La meda armónca, en base número, se defne como sgue:

24 n H (3.) n La meda armónca en base masa o volumen está relaconada con el área específca (se mantene la relacón S/V) Observacones respecto al uso de dámetros promedos S medmos nuestras partículas con mcroscopa electrónca, es posble medr los dámetros de las partículas y s dvdmos la suma por el número de partículas, esta técnca nos proveerá el tamaño medo L. Las técncas de análss de mágenes nos permten obtener el área de las partículas, con esta nformacón es muy fácl calcular el tamaño medo S. El método de dfraccón láser permte el cálculo del tamaño medo en volumen (o masa s la densdad es constante) VM. Supongamos que para nuestra aplcacón queremos conocer el tamaño medo en volumen o masa, y hemos analzado la muestra medante mcroscopa. En este caso tendríamos que convertr nuestra meda en número a una meda en masa. Matemátcamente esto es factble, pero debemos eamnar las consecuencas de éste tpo de conversón. Imagnemos que nuestra técnca de medda electrónca está sujeta a un error de +/- 3% sobre el tamaño medo artmétco en número. Cuando convertmos el tamaño medo en número, a tamaño medo en masa, como la meda en masa es una funcón cúbca del dámetro, el error estará elevado al cubo. Es decr, será del +/- 7% de varacón del resultado fnal. Veamos la sguente ecuacón para entender mejor el problema, asumendo que las partículas son esfércas y que el dámetro promedo de ellas es dp, resulta que el volumen promedo es: π 3 ρ dp V (3.3) 6 Sn embargo, s calculamos la dstrbucón de volumen o masa a través de la técnca de dfraccón láser, la stuacón es dferente. Con esta técnca se podría consegur generar una reproducbldad de la meda en volumen del +/-.5%. S ahora convertmos esta meda en volumen en meda en número, el error sería la raíz cúbca de.5%.

25 3.5. Modelos matemátcos para representar dstrbucones El tamaño de partículas tende a segur dstrbucones matemátcas ben defndas. Esto es convenente ya que es mucho más fácl manejar una descrpcón que pueda ser descrpta por una ley matemátca. Los datos epermentales de sstemas partculados tenden a segur una dstrbucón de frecuenca gaussana. Sn embargo, la ley log-normal se verfca con mayor frecuenca. Las desventajas del uso de estas leyes es que no pueden ser lmtadas por tamaños mámos o mínmos, lo cual hace que las colas de las dstrbucones sean mal predchas por estas funcones matemátcas Dstrbucón normal artmétca La ecuacón de dstrbucón de frecuenca gaussana (o normal artmétca) posee la conocda forma de campana y se defne como sgue: ( ) dφ 1 y ep (3.4) d σ π σ donde φ representa un térmno general para la frecuenca normalzada acumulatva, (puede ser número, longtud, superfce, volumen/masa acumulatvos); σ es la desvacón estándar y es el tamaño medo. S escrbmos la ecuacón (3.4) como una dstrbucón de frecuenca en número normalzada resulta: ( ) df 1 y f ep (3.5) d σ π σ donde, σ n (3.6) n n ( ) n (3.7) Para obtener la curva acumulatva en número se necesta ntegrar la ecuacón (3.5), consderemos para ello los sguentes cambos de varables: t σ (3.8) σ dt d (3.9)

26 Reemplazando las ecuacones (3.8) y (3.9) en (3.5) resulta: σ f df dt 1 t ep π (3.3) La funcón densdad normal (dada por la ecuacón 3.3) se grafca en la Fgura 3.19, donde puede observarse la típca forma de campana f n,, #/undad 1/undad de de longtud longtud % t Fgura Curva de probabldad normal. S se quere conocer la curva acumulatva pasante en número, se debe ntegrar la ecuacón 3.3: F 1 t t df ep dt (3.31) π La solucón de la ecuacón (3.31) se presenta de manera tabular en la Tabla 3.13, y en forma gráfca en la Fgura 3.. Tabla Solucón tabular de la ecuacón (3.31) de probabldad normal. t F Integral de la ecuacón (3.3)

27 f, 1/undad de longtud F, admensonal t Fgura 3.. f y F en funcón de la varable t. La fraccón de área debajo de la curva entre el tamaño medo (t) y una desvacón estándar de la meda (t1; + σ ), según la Tabla 3.13, es gual a Por lo tanto el 68.6% de la dstrbucón cae dentro de ± σ. Este valor tambén puede calcularse fáclmente de la Fgura 3.. Del msmo modo, la fraccón de área debajo de la curva entre el tamaño medo (t) y dos desvacones estándares de la meda (t; ( + σ) ), según la Tabla 3.13, es gual a Entonces el 99.74% de la dstrbucón cae dentro de ± σ. S queremos calcular la desvacón estándar y conocemos el tamaño medo, podemos hacerlo del sguente modo: σ 84.13% ; sendo en este caso.8413 el valor de tamaño donde se verfca que F alcanza el valor de 84.13% (ver Fgura 3.). La Fgura 3. muestra las curvas campanas para dstntas poblacones que comparten la msma meda artmétca y dferentes desvacones estándares. Una propedad fundamental de la dstrbucón normal es que este gual probabldad de hallar partícula a ambos lados del valor medo. Por lo tanto cuando

28 una dstrbucón normal se grafca en ejes de probabldad, todos los valores deben caer en una línea recta, tal como puede observarse en la Fgura f, 1/mm Sgma. Sgma. Sgma , mm Fgura 3.. f en funcón del tamaño para dstntas desvacones. Tamaño medo artmétco en número1mm. La Fgura 3.3 ndca que cuanto más angosta sea la dstrbucón se tenderá a obtener una recta vertcal en gráfcos F (coordenada y) vs (coordenada ). La dstrbucón gaussana no es muy común en los sstemas partculados, generalmente se verfca cuando las dstrbucones son muy angostas. Las dstrbucones más comunes están sesgadas haca los dámetros mayores, por lo tanto las poblacones se adecuan mejor a las dstrbucones log-normales; las cuales veremos a contnuacón.

29 Sgma Sgma. Sgma Fgura 3.3. F (en escala de probabldad normal porcentual) vs tamaño (en escala lneal) Dstrbucón log-normal Para que la funcón log-normal luzca con forma de campana es necesaro utlzar como eje una progresón geométrca, que la cumple la escala logarítmca. Para obtener la funcón log-normal hay que reemplazar en la ecuacón (3.5) por zln: ( z z) dφ 1 y ep (3.3) dz σ π z σ z En otros térmnos, la ley log-normal para la dstrbucón en número puede epresarse como: ( z z) df 1 f ep (3.33) dz σ π z σ z donde σ z es la desvacón estándar en térmnos de la varable z. La ecuacón (3.33) es totalmente análoga a la (3.5), de manera que con una reconversón de varables como:

30 z z t (3.34) σz la curva campana de la Fgura 3.19 representa adecuadamente a la dstrbucón lognormal. La ecuacón (3.33) puede epresarse como: f ( ln ln ) ( ) g lnσ g df 1 ep d ln lnσ g π (3.35) donde la meda geométrca es: n ln ln g (3.36) T La Fgura 3.4 muestra la funcón densdad normalzada con el eje epresado en escala artmétca. Como allí puede observarse la curva campana, usando escala artmétca, esta sesgada haca la zona de mayores tamaños. Sn embargo, s se repte la fgura (Fgura 3.5) utlzando una escala logarítmca para el eje, resulta que la f, 1/mm , mm curva recupera su forma de campana orgnal. Fgura 3.4. f (en escala lneal) vs tamaño (en escala lneal). X g 1mm, σ g 3mm.

31 f, 1/mm , mm Fgura 3.5. f (en escala lneal) vs tamaño (en escala logarítmca). X g 1mm, σ g 3mm. S se grafca la curva acumulatva pasante normalzada en un eje de probabldad normal versus el tamaño en escala logarítmca, se obtendrá una línea recta s la dstrbucón satsface la curva log-normal, tal como puede observarse en la Fgura 3.6. Fgura 3.6. F (en escala de probabldad normal porcentual) vs tamaño (en escala logarítmca). X g 18 μm, σ g 1.4 μm. Fuente: Allen (3).

32 Para las dstrbucones log-normales, la moda, meda y medana geométrcas concden. La desvacón estándar σ g puede calcularse por dferenca de las varables z, o en térmnos de, del sguente modo (ver Fgura 3.6): ln σ g ln 5 ln 16; σg g / 16 (3.37) o, ln σ g ln 84 ln 5 ln(84 / 5 ) σg 84 / g (3.38) S para las dstntas dstrbucones vstas determnamos el valor medo y la desvacón correspondente, es posble calcular la dstrbucón contnua Conversones entre dstrbucones Como se dscutó en la seccón 3.4.7, en certas oportundades se conoce la dstrbucón de tamaño de partículas en número y por ejemplo se desea conocer la dstrbucón en volumen (en dcha seccón sólo vmos la conversón de medas). Es posble convertr dstrbucones, sn embargo hay que realzar suposcones, y ellas pueden ntroducr errores de mportanca que se suman a los errores epermentales Conversón de f () a f V () Tenemos en prmer lugar que suponer una forma de partícula, por ejemplo s asummos esfercdad, se satsfacen las sguentes relacones: π 3 v (3.39) 6 Recordemos que la funcón densdad no normalzada en volumen se defnría de manera análoga a lo que vmos para la funcón en número: v v (3.4) Δ V La pregunta es: s conocemos f (), cómo calculamos f ()?. La funcón normalzada en volumen se puede calcular como sgue:

33 π Δ π Δ m 1 j 3 j j 3 T T V 6 n 6 n V v V v f (3.41) De la ecuacón (3.) sabemos que: n n Δ (3.4) Además de la ecuacón (3.3) conocemos la sguente relacón: T f n (3.43) Combnando (3.4) y (3.43) resulta: T f n Δ (3.44) Reemplazando (3.44) en (3.41) se obtene: Δ Δ π Δ Δ π 1 j 3 j j j 3 1 j 3 j j T j 3 T V f f 6 f 6 f f (3.45) Los de esta ecuacón son los valores promedos (artmétcos) del ntervalo de medda Conversón de f () a f S () Tenemos en prmer lugar que suponer una forma de partícula, por ejemplo s asummos esfercdad, se satsfacen las sguentes relacones: s π (3.46) La funcón densdad no normalzada en superfce sería: s s Δ (3.47) La funcón normalzada en superfce se puede calcular como sgue: π Δ π Δ 1 j j j T T S n n S s S s f (3.48)

34 Reemplazando la ecuacón (3.44) en (3.48) resulta: S πf TΔ f f (3.49) Δ π f j TΔ j j f j Δ j j j 1 j 1 Ejemplo: Tabla Conversón de funcones densdad d nf, um d sup, um d prom, um úmero, # n, #/um f, 1/um fv(numerador) fv(denomnador) fv,1/um fs(numerador) fs(denomnador) fs,1/um E E En la Tabla 3.14 se presenta un ejemplo para realzar conversones entre funcones densdad. La Fgura 3.7 compara las dstntas dstrbucones. Resulta claro que los tamaños medos serán mayores para las dstrbucones en volumen respecto a las epresadas en superfce y en número f.3 fs.5 fv dp, um Fgura 3.7. Conversones entre dstrbucones.

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................

Más detalles

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ

Más detalles

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos. ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

Pruebas Estadísticas de Números Pseudoaleatorios

Pruebas Estadísticas de Números Pseudoaleatorios Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =

Más detalles

GUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22

GUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22 DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.

Más detalles

Smoothed Particle Hydrodynamics Animación Avanzada

Smoothed Particle Hydrodynamics Animación Avanzada Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla

Más detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN COMERCIAL(I) EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado

Más detalles

Relaciones entre variables

Relaciones entre variables Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.

Más detalles

Guía de ejercicios #1

Guía de ejercicios #1 Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje

Más detalles

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández

Más detalles

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de

Más detalles

Trabajo y Energía Cinética

Trabajo y Energía Cinética Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..

Más detalles

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,

Más detalles

Media es la suma de todas las observaciones dividida por el tamaño de la muestra.

Media es la suma de todas las observaciones dividida por el tamaño de la muestra. Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,

Más detalles

Medidas de Tendencia Central y de Variabilidad

Medidas de Tendencia Central y de Variabilidad Meddas de Tendenca Central y de Varabldad Contendos Meddas descrptvas de forma: curtoss y asmetría Meddas de tendenca central: meda, medana y moda Meddas de dspersón: rango, varanza y desvacón estándar.

Más detalles

TEMA 4 Variables aleatorias discretas Esperanza y varianza

TEMA 4 Variables aleatorias discretas Esperanza y varianza Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón

Más detalles

DEFINICIÓN DE INDICADORES

DEFINICIÓN DE INDICADORES DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.

Más detalles

16/02/2015. Ángel Serrano Sánchez de León

16/02/2015. Ángel Serrano Sánchez de León Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,

Más detalles

MAGNITUD: propiedad o cualidad física susceptible de ser medida y cuantificada. Ejemplos: longitud, superficie, volumen, tiempo, velocidad, etc.

MAGNITUD: propiedad o cualidad física susceptible de ser medida y cuantificada. Ejemplos: longitud, superficie, volumen, tiempo, velocidad, etc. TEMA. INSTRUMENTOS FÍSICO-MATEMÁTICOS.. SISTEMAS DE MAGNITUDES Y UNIDADES. CONVERSIÓN DE UNIDADES. MAGNITUD: propedad o cualdad físca susceptble de ser medda y cuantfcada. Ejemplos: longtud, superfce,

Más detalles

TÉCNICAS AUXILIARES DE LABORATORIO

TÉCNICAS AUXILIARES DE LABORATORIO TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar

Más detalles

ACTIVIDADES INICIALES

ACTIVIDADES INICIALES Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)

Más detalles

Tema 4: Variables aleatorias

Tema 4: Variables aleatorias Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son

Más detalles

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables

Más detalles

Tema 1: Estadística Descriptiva Unidimensional

Tema 1: Estadística Descriptiva Unidimensional Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde

Más detalles

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009 UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas

Más detalles

Probabilidad Grupo 23 Semestre Segundo examen parcial

Probabilidad Grupo 23 Semestre Segundo examen parcial Probabldad Grupo 3 Semestre 015- Segundo examen parcal La tabla sguente presenta 0 postulados, algunos de los cuales son verdaderos y otros son falsos. Analza detendamente cada postulado y elge tu respuesta

Más detalles

Índice de Precios de las Materias Primas

Índice de Precios de las Materias Primas May-15 Resumen Ejecutvo El objetvo del (IPMP) es sntetzar la dnámca de los precos de las exportacones de Argentna, consderando la relatva establdad en el corto plazo de los precos de las ventas externas

Más detalles

Análisis de error y tratamiento de datos obtenidos en el laboratorio

Análisis de error y tratamiento de datos obtenidos en el laboratorio Análss de error tratamento de datos obtendos en el laboratoro ITRODUCCIÓ Todas las meddas epermentales venen afectadas de una certa mprecsón nevtable debda a las mperfeccones del aparato de medda, o a

Más detalles

Unidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles

Unidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles 2 Undad I.. Defncón de reaccón de combustón La reaccón de combustón se basa en la reaccón químca exotérmca de una sustanca (o una mezcla de ellas) denomnada combustble, con el oxígeno. Como consecuenca

Más detalles

INTRODUCCIÓN. Técnicas estadísticas

INTRODUCCIÓN. Técnicas estadísticas Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad

Más detalles

CANTIDADES VECTORIALES: VECTORES

CANTIDADES VECTORIALES: VECTORES INSTITUION EDUTIV L PRESENTION NOMRE LUMN: RE : MTEMÁTIS SIGNTUR: GEOMETRÍ DOENTE: JOSÉ IGNIO DE JESÚS FRNO RESTREPO TIPO DE GUI: ONEPTUL - EJERITION PERIODO GRDO FEH DURION 3 11 JUNIO 3 DE 2012 7 UNIDDES

Más detalles

TEMA 8: PRÉSTAMOS ÍNDICE

TEMA 8: PRÉSTAMOS ÍNDICE TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE

Más detalles

Población 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia

Población 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen

Más detalles

COLEGIO INGLÉS MEDIDAS DE DISPERSIÓN

COLEGIO INGLÉS MEDIDAS DE DISPERSIÓN COLEGIO IGLÉS DEPARTAMETO IVEL: CUARTO MEDIO PSU. UIDAD: ESTADISTICA 3 PROFESOR: ATALIA MORALES A. ROLADO SAEZ M. MIGUEL GUTIÉRREZ S. JAVIER FRIGERIO B. MEDIDAS DE DISPERSIÓ Las meddas de dspersón dan

Más detalles

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor

Más detalles

Introducción a la Física. Medidas y Errores

Introducción a la Física. Medidas y Errores Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren

Más detalles

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso

Más detalles

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17 Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES

Más detalles

CAPÍTULO 4 MARCO TEÓRICO

CAPÍTULO 4 MARCO TEÓRICO CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.

Más detalles

PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES

PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE AÑOS EXÁMENES PROPUESTOS Y RESUELTOS DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CONVOCATORIAS DE --- F Jménez Gómez Este cuaderno

Más detalles

1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo

1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces

Más detalles

Variables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:

Variables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de: Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón

Más detalles

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la

Más detalles

CÁLCULO VECTORIAL 1.- MAGNITUDES ESCALARES Y VECTORIALES. 2.- VECTORES. pág. 1

CÁLCULO VECTORIAL 1.- MAGNITUDES ESCALARES Y VECTORIALES. 2.- VECTORES. pág. 1 CÁLCL ECTRIAL 1. Magntudes escalares y vectorales.. ectores. Componentes vectorales. ectores untaros. Componentes escalares. Módulo de un vector. Cosenos drectores. 3. peracones con vectores. 3.1. Suma.

Más detalles

Estas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.

Estas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas. UIDAD 3: Meddas estadístcas Las meddas estadístcas o parámetros estadístcos son valores representatvos de una coleccón de datos y que resumen en unos pocos valores la normacón del total de datos. Estas

Más detalles

Tema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema

Tema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema Tema :Descrpcón de una varable Tema :Descrpcón de una varable. El método estadístco. Descrpcón de conjuntos de datos Dstrbucones de frecuencas. Representacón gráfca Dagrama de barras Hstograma. Meddas

Más detalles

INSTRUCTIVO No. SP 04 / 2002 INSTRUCTIVO PARA LA DETERMINACIÓN Y CÁLCULO DEL SALARIO BÁSICO REGULADOR

INSTRUCTIVO No. SP 04 / 2002 INSTRUCTIVO PARA LA DETERMINACIÓN Y CÁLCULO DEL SALARIO BÁSICO REGULADOR El Superntendente de Pensones, en el ejercco de las facultades legales contempladas en el artículo 13, lteral b) de la Ley Orgánca de la Superntendenca de Pensones, EMITE el : INSTRUCTIVO No. SP 04 / 2002

Más detalles

DISTRIBUCIONES BIDIMENSIONALES

DISTRIBUCIONES BIDIMENSIONALES Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón

Más detalles

Análisis de Regresión y Correlación

Análisis de Regresión y Correlación 1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón

Más detalles

Disipación de energía mecánica

Disipación de energía mecánica Laboratoro de Mecáa. Expermento 13 Versón para el alumno Dspacón de energía mecáa Objetvo general El estudante medrá la energía que se perde por la accón de la uerza de rozamento. Objetvos partculares

Más detalles

1. Notación y tabulación

1. Notación y tabulación Tema 2: Descrpcón Unvarante. otacón y tabulacón 2. Descrpcón gráfca 3. Descrpcón numérca. Momentos estadístcos. Meddas de poscón. Meddas de dspersón v. Varable tpfcada v. Meddas de forma v. Meddas de concentracón

Más detalles

Clase 25. Macroeconomía, Sexta Parte

Clase 25. Macroeconomía, Sexta Parte Introduccón a la Facultad de Cs. Físcas y Matemátcas - Unversdad de Chle Clase 25. Macroeconomía, Sexta Parte 12 de Juno, 2008 Garca Se recomenda complementar la clase con una lectura cudadosa de los capítulos

Más detalles

3. VARIABLES ALEATORIAS.

3. VARIABLES ALEATORIAS. 3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)

Más detalles

17/02/2015. Ángel Serrano Sánchez de León

17/02/2015. Ángel Serrano Sánchez de León Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,

Más detalles

EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.

EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla. EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente

Más detalles

Variables Aleatorias

Variables Aleatorias Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.

Más detalles

LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA

LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas

Más detalles

Variables Aleatorias

Variables Aleatorias Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.

Más detalles

IMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1

IMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1 IMPEMEACIÓ PRÁCICA DE U BACO DE FIROS UIFORME En este tpo de bancos, la forma de la respuesta espectral de cada uno de los fltros es la msma, y su frecuenca central se raparte de manera unforme en el espectro:

Más detalles

16/07/2012 P= F A. Pascals. Bar

16/07/2012 P= F A. Pascals. Bar El Estado Gaseoso El Estado Gaseoso Undad I Característcas de los Gases Las moléculas ndvduales se encuentran relatvamente separadas. Se expanden para llenar sus recpentes. Son altamente compresbles. enen

Más detalles

SEMANA 13. CLASE 14. MARTES 20/09/16

SEMANA 13. CLASE 14. MARTES 20/09/16 SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.

Más detalles

Medidas de Variabilidad

Medidas de Variabilidad Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces

Más detalles

Universidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud

Universidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud Unversdad de Pamplona Facultad de Cencas Báscas Físca para cencas de la vda y la salud AÁLISIS GRÁFICO DE DATOS EXPERIMETALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos

Más detalles

Métodos específicos de generación de diversas distribuciones discretas

Métodos específicos de generación de diversas distribuciones discretas Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de

Más detalles

ESTADÍSTICA (GRUPO 12)

ESTADÍSTICA (GRUPO 12) ESTADÍSTICA (GRUPO 2) CAPÍTULO II.-ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA.- DISTRIBUCIONES DE FRECUENCIAS DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA . DISTRIBUCIÓN

Más detalles

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que

Más detalles

3 - VARIABLES ALEATORIAS

3 - VARIABLES ALEATORIAS arte Varables aleatoras rof. María B. ntarell - VARIABLES ALEATORIAS.- Generaldades En muchas stuacones epermentales se quere asgnar un número real a cada uno de los elementos del espaco muestral. Al descrbr

Más detalles

Matemáticas II. Segundo Curso, Grado en Ingeniería Electrónica Industrial y Automática Grado en Ingeniería Eléctrica. 17 de febrero de

Matemáticas II. Segundo Curso, Grado en Ingeniería Electrónica Industrial y Automática Grado en Ingeniería Eléctrica. 17 de febrero de Matemátcas II Segundo Curso, Grado en Ingenería Electrónca Industral y Automátca Grado en Ingenería Eléctrca 7 de febrero de 0. Conteste las sguentes cuestones: Ã! 0 (a) (0.5 ptos.) Escrba en forma bnómca

Más detalles

ESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística

ESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es

Más detalles

I.E.S. Historiador Chabás -1- Juan Bragado Rodríguez

I.E.S. Historiador Chabás -1- Juan Bragado Rodríguez Problema La sguente tabla epresa la estatura en cm. de soldados: Talla 5 56 60 6 68 6 80 8 88 Soldados 6 86 50 8 95 860 85 6 9 a) Haz un hstograma que represente la estatura en metros de los soldados.

Más detalles

Física I. TRABAJO y ENERGÍA MECÁNICA. Apuntes complementarios al libro de texto. Autor : Dr. Jorge O. Ratto

Física I. TRABAJO y ENERGÍA MECÁNICA. Apuntes complementarios al libro de texto. Autor : Dr. Jorge O. Ratto ísca I Apuntes complementaros al lbro de teto TRABAJO y ENERGÍA MECÁNICA Autor : Dr. Jorge O. Ratto Estudaremos el trabajo mecánco de la sguente manera : undmensonal constante Tpo de movmento varable bdmensonal

Más detalles

1.1 Ejercicios Resueltos Tema 1

1.1 Ejercicios Resueltos Tema 1 .. EJERCICIOS RESUELTOS TEMA. Ejerccos Resueltos Tema Ejemplo: Probarque ++3+ + n 3 + 3 +3 3 + + n 3 n (n +) Ã n (n +)! - Para n es certa, tambén lo comprobamos para n, 3,... ( + ) + 3 (+) supuesto certa

Más detalles

4ºB ESO Capítulo 12: Estadística LibrosMareaVerde.tk www.apuntesmareaverde.org.es

4ºB ESO Capítulo 12: Estadística LibrosMareaVerde.tk www.apuntesmareaverde.org.es 4ºB ESO Capítulo 1: Estadístca 350 Índce 1. POBLACIÓ Y MUESTRA. VARIABLES ESTADÍSTICAS 1.1. POBLACIÓ 1.. MUESTRA 1.3. IDIVIDUO 1.4. VARIABLE ESTADÍSTICA. TABLAS DE FRECUECIAS.1. FRECUECIA ABSOLUTA.. FRECUECIA

Más detalles

RESISTENCIAS EN SERIE Y LEY DE LAS MALLAS V 1 V 2 V 3 A B C

RESISTENCIAS EN SERIE Y LEY DE LAS MALLAS V 1 V 2 V 3 A B C RESISTENCIS EN SERIE Y LEY DE LS MLLS V V 2 V 3 C D Fgura R R 2 R 3 Nomenclatura: Suponemos que el potencal en es mayor que el potencal en, por lo tanto la ntensdad de la corrente se mueve haca la derecha.

Más detalles

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada. Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo

Más detalles

Fugacidad. Mezcla de gases ideales

Fugacidad. Mezcla de gases ideales Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar

Más detalles

PROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos)

PROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos) PROBLEMAS DE ELECTRÓNCA ANALÓGCA (Dodos) Escuela Poltécnca Superor Profesor. Darío García Rodríguez . En el crcuto de la fgura los dodos son deales, calcular la ntensdad que crcula por la fuente V en funcón

Más detalles

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso. CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de

Más detalles

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa. MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan

Más detalles

ALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.

ALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República. 9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara

Más detalles

Medidas de centralización

Medidas de centralización 1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos

Más detalles

COMPARADOR CON AMPLIFICADOR OPERACIONAL

COMPARADOR CON AMPLIFICADOR OPERACIONAL COMAADO CON AMLIFICADO OEACIONAL COMAADO INESO, COMAADO NO INESO Tenen como msón comparar una tensón arable con otra, normalmente constante, denomnada tensón de referenca, dándonos a la salda una tensón

Más detalles

Utilizar sumatorias para aproximar el área bajo una curva

Utilizar sumatorias para aproximar el área bajo una curva Cálculo I: Guía del Estudante Leccón 5 Apromacón del área bajo la curva Leccón 5: Apromacón del área bajo una curva Objetvo: Utlzar sumatoras para apromar el área bajo una curva Referencas: Stewart: Seccón

Más detalles

Unidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública

Unidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública Undad Central del Valle del Cauca Facultad de Cencas Admnstratvas, Económcas y Contables Programa de Contaduría Públca Curso de Matemátcas Fnanceras Profesor: Javer Hernando Ossa Ossa Ejerccos resueltos

Más detalles

Facultad de Ciencias Básicas

Facultad de Ciencias Básicas Facultad de Cencas Báscas ANÁLISIS GRÁFICO DE DATOS EXPERIMENTALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos expermentales. Establecer un crtero para el análss de grafcas

Más detalles

EQUILIBRIO LÍQUIDO VAPOR EN UN SISTEMA NO IDEAL

EQUILIBRIO LÍQUIDO VAPOR EN UN SISTEMA NO IDEAL EQUILIBRIO LÍQUIDO VAPOR EN UN SISTEMA NO IDEAL OBJETIVO El alumno obtendrá el punto azeotrópco para el sstema acetona-cloroformo, calculará los coefcentes de actvdad de cada componente a las composcones

Más detalles

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,

Más detalles

TEMA 1.- CONCEPTOS BÁSICOS

TEMA 1.- CONCEPTOS BÁSICOS TEMA 1.- CONCEPTOS BÁSICOS 1.1.- Cuestones tpo test 1.- En las encuestas personales puede codfcarse, por ejemplo, con un cero las que son contestadas por una mujer y con un uno las que lo son por un varón.

Más detalles

Una renta fraccionada se caracteriza porque su frecuencia no coincide con la frecuencia de variación del término de dicha renta.

Una renta fraccionada se caracteriza porque su frecuencia no coincide con la frecuencia de variación del término de dicha renta. Rentas Fnanceras. Renta fracconada 6. RETA FRACCIOADA Una renta fracconada se caracterza porque su frecuenca no concde con la frecuenca de varacón del térmno de dcha renta. Las característcas de la renta

Más detalles

Tallerine: Energías Renovables. Fundamento teórico

Tallerine: Energías Renovables. Fundamento teórico Tallerne: Energías Renovables Fundamento teórco Tallerne Energías Renovables 2 Índce 1. Introduccón 3 2. Conceptos Báscos 3 2.1. Intensdad de corrente................................. 3 2.2. Voltaje..........................................

Más detalles

Correlación y regresión lineal simple

Correlación y regresión lineal simple . Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan

Más detalles

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la

Más detalles

MATEMÁTICA DE LAS OPERACIONES FINANCIERAS I

MATEMÁTICA DE LAS OPERACIONES FINANCIERAS I MATEMÁTICA DE LAS OPERACIONES FINANCIERAS I CURSO 0/04 PRIMERA SEMANA Día 7/0/04 a las 6 horas MATERIAL AUXILIAR: Calculadora fnancera DURACIÓN: horas. a) Captal fnancero aleatoro: Concepto. Equvalente

Más detalles

TERMODINÁMICA AVANZADA

TERMODINÁMICA AVANZADA TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón

Más detalles

Algoritmo para la ubicación de un nodo por su representación binaria

Algoritmo para la ubicación de un nodo por su representación binaria Título: Ubcacón de un Nodo por su Representacón Bnara Autor: Lus R. Morera González En este artículo ntroducremos un algortmo de carácter netamente geométrco para ubcar en un árbol natural la representacón

Más detalles

Tema 1.- Variable aleatoria discreta (V2.1)

Tema 1.- Variable aleatoria discreta (V2.1) Tema.- Varable aleatora dscreta (V2.).- Concepto de varable aleatora A cada posble resultado de un expermento lo llamamos suceso elemental, y lo denotamos con ω, ω 2, Llamamos espaco muestral al conjunto

Más detalles