Técnicas de análisis de tendencias en mediciones espectrales y de nivel total de parámetros de diagnóstico

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

Download "Técnicas de análisis de tendencias en mediciones espectrales y de nivel total de parámetros de diagnóstico"

Transcripción

1 Igría Mcáca (000) Téccas d aálss d tdcas mdcos spctrals d vl total d parámtros d dagóstco L. Paad Saz, E. Palomo Marí, I. Pérz Malla Facultad d Igría Mcáca. Isttuto Supror Poltécco José A. Echvrría (ISPJAE) Call 7 s/, CUJAE, Maraao 5, Cudad Haaa, Cua. Tléfoo: , Fa: E-mal: laksm@mcaca.spja.du.cu (Rcdo l 3 d sptmr d 999, acptado l 4 d ro dl 000) Rsum E l prst artículo s mustra la mplmtacó dl aálss d tdca, como tcología prdctva, a través d la stadístca matmátca su utlzacó mdcos d parámtros d dagóstco tato spctral como d vl total. El mplo d sta tcología rsulta d gra mportaca ddo a qu prmt proostcar l momto d fallo, sgú l comportamto d los vls d los parámtros mddos, lo cual faclta la gstó dl matmto. Palaras clavs: matmto, aálss d tdca, mdcó spctral, mdcó d vl total, proóstco d fallo, vracos.. Itroduccó Dsd fals d los años 40 prcpo d la década dl 50, s ha stado dsarrollado traajos l campo d la vstgacó ctífca, camados a studar la volucó d los vls d crtos parámtros como las vracos máquas rotatoras d acurdo co l tmpo d plotacó d éstas co la carga d traajo d las msmas. Dsd sa época, los rsultados más sgfcatvos aputaa a la stca d ua corrspodca tr los vls d stos parámtros l tmpo d plotacó d la máqua, d mara qu los maors vls corrspodía co las máquas qu hía u maor tmpo d plotacó. S margo, otros casos, dod l tmpo d plotacó o ra sufctmt alto como para qu la máqua sufrra l dtroro propo d su plotacó, s prstaa crmtos otals stos vls, por lo qu fu csaro profudzar más l comportamto d la máqua. Como rsultado dl studo s otuvo qu cuado los vls d stos parámtros téccos aumta más allá d crtos valors durat la plotacó d los qupos, ormalmt la causa s u prolma mcáco. Dl msmo modo, a cada dfcto mcáco s l pud asocar u dtrmado comportamto d dchos parámtros partcular. Esto s covrtó pus, ua d las prmsas fudamtals dl matmto prdctvo: coocr co profuddad la rlacó stt tr la causa l dfcto, a qu prmt dtfcar l prolma prst co u lvado grado d crtdumr, a partr d la mdcó aálss d los vls d los parámtros d dagóstco. El matmto prdctvo como forma d plafcar orgazar l matmto d ua mprsa (dtro d la stratga d matmto gral) fucó d la volucó dl comportamto técco d la maquara dustral, prmt lograr u ahorro d rcursos al plafcar las trrupcos csdads d pzas d rpusto, tdo cuta l stado d las máquas partdo dl coocmto d la causa d los dfctos, aprovchado al mámo la vda útl d sus lmtos, admás d ua dsmucó d los volúms d traajo. Las tcologías prdctvas, dfdas por los coocmtos csaros para proostcar l comportamto mcáco d la maquara dustral, s utr d las téccas d dagóstco, qu cosst u cojuto d procdmtos camados a dtfcar la causa dl prolma, asádos la proada rlacó stt tr l stado técco d ua máqua los vls d uo o varos d los parámtros 000 Edcos ISPJAE.

2 8 Téccas d aálss d tdcas mdcos spctrals d vl total d parámtros d dagóstco. d dagóstco qu lla gr. Etr las téccas d dagóstco más mpladas actualmt s cutra:. Dagóstco por vracos: Las vracos ha sdo a través d los años d forma cosct, l método más utlzado para dtrmar s ua máqua fucoa ormalmt o o, mplado l stdo audtvo o dl tacto. Ho día s ha covrtdo l fómo más rprstatvo dl stado técco d ua máqua. Su studo prmt dtctar dtfcar fallos tapas tmpraas d su dsarrollo.. Aálss d lurcats: Es mplado para dtrmar l grado d cotamacó d dgradacó d los lurcats, co l ojtvo d aprovcharlos al mámo. El stado d dtroro d los lurcats o smpr s coscuca d su uso, tamé s rfljo d otros dfctos qu pud prstars, por lo qu su aálss s admás utlzado l dagóstco d otros dfctos. 3. Dagóstco por tmpratura: E la msa maoría d los casos, la tmpratura d dfrts putos d las máquas, partcular dl alojamto d los cojts d rodamtos o d las chumacras, costtu u parámtro d dagóstco d suma utldad qu pud sr mplado como parámtro sítoma o como parámtro d dagóstco complmtaro. E st stdo l aálss trmográfco s d las téccas más actuals dtro dl dagóstco por tmpratura prmt d ua vz dtrmar los putos mas calts u ára dtrmada, s tr qu ralzar tatas mdcos. Tmpraturas suprors a crtos valors prdfdos, o sólo so stomátcas d prolmas d frccó los cojts, so qu tamé costtu la causa d la pérdda d vscosdad d los lurcats, co la cosgut pérdda d la capacdad d traajo dl propo lurcat. 4. Aálss d corrt parámtros léctrcos: La tsdad d corrt s l parámtro d dagóstco d las máquas léctrcas por clca. El cálculo d los spctros d corrt s ásco para la dtrmacó dl stado técco d las msmas. 5. Aálss d tdca: S asa la mdcó sstmátca d los parámtros sítomas tato d caráctr státco (vl total) como dámcos (spctros). Imprscdl para caractrzar l comportamto d las stalacos dustrals proostcar l tmpo d opracó sgura hasta l fallo. Dl aálss d tdcas, qu s l caso qu os ocupa, s tratará su mplmtacó tato mdcos d vl total como spctral mplado para llo métodos stadístcos, los cuals prmtrá stmar l tmpo d opracó sgura tdo cuta l comportamto d dchas mdcos.. Aálss d tdcas proóstcos d fallo Para dtrmar la tdca dl comportamto d u parámtro d dagóstco s mprscdl l uso dl método stadístco coocdo como aálss d rgrsó [5,6,]. Est método s utlzado para hallar la rlacó fucoal d dos o más varals. Los datos so osrvacos ralzadas durat la plotacó d las máquas. La varal dpdt s l tmpo prsado tmpo caldaro o horas d traajo d la máqua la varal dpdt s l vl dl parámtro sítoma vstgado. Al aalzar la tdca d ua sr d valors s csaro coocr cuáls so los modlos d rgrsó a mplar. S ha poddo dmostrar qu las máquas, los modlos qu mjor dscr su comportamto so los d tpo lal pocal (fgura ), por lo tato srá stos los modlos a mplar l aálss d rgrsó. E las fguras 3 s mustra mdcos d dos parámtros d dagóstco qu prsta stos dos tpos d comportamto La curva d rgrsó adopta la sgut forma: Para la rgrsó lal ˆ a + () Para la rgrsó pocal ˆ a + () dod: a, : cofcts d rgrsó. : varal dpdt: tmpo. ŷ: valor sprado d la varal dpdt: vl d los parámtros sítomas. : úmro d Eulr. Aplcado l método d los mímos cuadrados rsolvdo l sstma d cuacos por l método d Gauss s ot los valors stmados d los cofcts d rgrsó. para l modlo lal: a (3) (4)

3 L. Paad Saz, E. Palomo Marí, I. Pérz Malla 9 para l modlo pocal: (5) a (6) Fgura. Comportamto gral d ua máqua Tmpo caldaro Alarma (Matmto) Prcaucó (Idtfcacó) Astamto Comportamto Estacoaro (lal) Icrmto vlocdad dtroro (pocal) Fallo Fgura. Mdcos co comportamto lal Fgura 3. Mdcos co comportamto pocal

4 30 Téccas d aálss d tdcas mdcos spctrals d vl total d parámtros d dagóstco. sdo: : tamaño d la mustra. : cada uo d los valors d la varal dpdt. : cada uo d los valors d la varal dpdt. Las dsvacos mímas cuadrátcas d las curvas d rgrsó (7) d forma sclla da ua da d cuato s acrca l modlo al comportamto ral d los parámtros mddos. Por lo tato rsulta u u dcador a la hora d dtrmar cual d los modlos s l más apropado para dscrr l comportamto dl parámtro custó. SCR ( ) ˆ (7) dod: SCR: suma d cuadrado d los rsduos. Al comparar los valors d las dsvacos mímas cuadradas para cada modlo s ot qu s cumpl qu SCR lal < SCR p tocs la tdca s lal, so, pocal. Ua vz coocda cuál s la tdca dl parámtro, tocs s posl proostcar l tmpo hasta l fallo. Alarma Alrta f Fgura 4. Proóstco d fallo. El proóstco d fallo o s más qu l tmpo qu quda para qu sgú la tdca qu mustra las mdcos, los parámtros alcac vls o tolrals (alarma). Estos vls pud har sdo sumstrados por los farcats, stmados por métodos falístcos o smplmt l rsultado d la prca dl spcalsta matmto (fgura 4). Cuado los cofcts d rgrsó so coocdos tocs s posl dtrmar l tmpo hasta l fallo, a partr d la últma mdcó, sgú la sgut prsó: ( 0 a) f (8) 3. Aálss d tdcas proóstcos d fallo mdcos d vl total Co l ojtvo d valuar algua mdda l stado técco opracoal d las máquas, la mdcó d vl total d uo o varos parámtros d dagóstco s utlza como u clt dcador dl stado gral d la máqua. D modo qu, co l aálss d tdcas vl total s logra jcutar la tapa d dtccó d prolmas, como part d la stratga d plafcacó dl matmto a través d las tcologías prdctvas. Es mportat sñalar qu co l aálss d tdcas vl total, sólo s pud dtctar qu algo o ada, pro o s posl

5 L. Paad Saz, E. Palomo Marí, I. Pérz Malla 3 dtrmar cuál s la causa dl prolma, al mos la msa maoría d los casos. Por llo, l aálss d tdcas vl total cotru al rajust d los plazos para las accos prvtvas, toda vz qu s dscooc la causa dl prolma cluso l prolma sí. Bast dcr qu l crcmto dl vl d los parámtros sítomas (vracos vl total, prsó, tmpratura, tc.) Pud tr ua o más causas cuo dscoocmto mpd la accó corrctva. Para dtrmar la tdca dl comportamto d los parámtros sítomas mplados al valuar l stado técco d las máquas, ha d aplcars las prsos 3,4,5 6. E l caso d los proóstcos d fallo, ats d mplar la cuacó 7, s csaro spcfcar los vls d alrta alarma, lo cual o s tara fácl. Hacrlo rqur d u profudo coocmto d las caractrístcas d la máqua vstgada. 4. Aálss d tdcas proóstcos d fallo mdcos spctrals El aálss spctral rsulta d gra mportaca, a qu muchos dfctos, cluso tapas algo avazadas d su dsarrollo, provoca poca varacó o jrc poca fluca la mdcó d vl total. Es por tato l aálss d mdcos spctrals, a dfrca d las mdcos d vl total d parámtros d dagóstco, l úco qu pud dtctar la prsca d stos prolmas ats d qu sa cosdrals los daños [3]. Para l aálss d tdca mdcos spctrals s csaro prmr lugar dtrmar l método d studo dl spctro a utlzar: por frcucas spcífcas o por adas spctrals d alarma. Co la dvsó dl spctro pars frcuca ampltud o adas spctrals [] qu cotga las frcucas d dagóstco d los prolmas potcals co posl dsarrollo d acurdo al tpo d máqua ua adcuada slccó d los vls d alrta alarma s posl su sgumto la dtrmacó d la tdca d los vls l spctro, así como la laoracó d proóstcos d fallo más fals, ddo a qu s laora a vl d dfcto o a vl d máqua. Co la ampltud para cada armóca o la potca cada ada spctral, sgú l método mplado para l aálss dl spctro, s dtrma la tdca dl comportamto d las armócas o las adas aplcado las cuacos 3,4,5 6 para l cálculo d los cofcts d rgrsó sdo l tmpo caldaro o horas d traajo d la máqua la ampltud d la armóca o la potca d la ada para las mdcos spctrals ralzadas, mtédos proóstcos d fallo mplado para llo la cuacó Coclusos Al mplar l aálss d rgrsó como método para dtrmar la tdca dl comportamto d los parámtros sítomas tato a vl d máqua (Nvl Total) como a vl d dfcto (Badas Espctrals) s posl ralzar proóstcos d fallo co u lvado grado d crtdumr plafcar las trvcos d matmto d acurdo a las csdads rals d la maquara dustral, co l ahorro qu sto collva. Es crto qu l algortmo s compljo gorroso d traajar, por lo qu aulars d ua hrramta formátca al stlo dl softwar SAT.0, ralzado por l grupo Vrasoft, dl Ctro d Estudos d Iovacó Matmto (CEIM) dl ISPJAE, facltaría mucho la laor dl spcalsta la gstó dl matmto stdo gral. 6. Blografía. Brr, Jams E. A prov mthod for spcfg oth 6 spctral alarm ads as wll as arrowad alarm vlops usg toda s prdctv matac softwar, Tchcal Assocats of Charlott Ic., d Edto, EE. UU., 99.. Palomo, M. E. Téccas d aálss por vracos l Matmto, (follto), ISPJAE, Cua, Palomo, M. E. Idtfcacó d prolmas máquas rotatoras a través d sus vracos, (follto), ISPJAE, Cua, Palomo, M. E. Aálss dgtal d vracos máquas, Uvrsdad Nacoal Eprmtal Atoo José d Sucr, Vzula, Harrt, D. L. Itroducto to Statstcal Mthod, Addso Wsl Pulshg Compa, d Edto, EE.UU., Dolado, J.M. Nto O., M. C. Estadístca Tórca, Uvrsdad Nacoal d Educacó a dstaca, Madrd, 970.

6 3 Téccas d aálss d tdcas mdcos spctrals d vl total d parámtros d dagóstco. Trd aalss tchqus spctral ad total lvl msuratos Astract I ths artcl s show th mplmtato of th trd aalss, as prdctv tcholog, through th mathmatcal statstc ad ts us spctral ad total lvl msuratos of dagoss paramtrs. Th us of ths tcholog has a grat mportac caus t allows to prdct th falur momt, accordg to th havor of th lvls of masurd paramtrs, that whch facltats th admstrato of th matac. K words: matac, tdc aalss, spctral msurato, total lvl msurato, falur prsag, vratos, dagoss. II Cogrso Cuao d Igría Rgría dl Matmto Sptmr 5, 000, La Haaa, Cua TEMAS PRINCIPALES Gstó Itgral dl Matmto, Dagóstco Idustral, Igría d las Vracos, Lurcacó, Tcologías d Matmto, Flotas d Maquas Automotors, Gstó, Estadístca Faldad las Emprsas Idustrals d los Srvcos. Para var traajos o solctar formacó adcoal Comté Orgazador CCIM 000 Isttuto Supror Poltécco José Atoo Echvrría Facultad d Igría Mcáca Call 7 s/, CUJAE, Maraao 5, Cudad d La Haaa, Cua Tléfoo: (537) 0 67 Fa: (537) 7 08 E-mal: ccm@mcaca.spja.du.cu cm@mcaca.spja.du.cu

TEMA 2 MODELO DE REGRESIÓN LINEAL SIMPLE

TEMA 2 MODELO DE REGRESIÓN LINEAL SIMPLE TEMA MODELO DE REGRESIÓN LINEAL SIMPLE. INTRODUCCIÓN A LA REGRESIÓN SIMPLE! 4 Supogamos qu la varal s ua fucó lal d otra varal, dod la rlacó tr y dpd d parámtros! y! dscoocdos. Itroduccó a la Rgrsó Smpl!

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

EXAMEN DE TÉCNICAS CUANTITATIVAS III.

EXAMEN DE TÉCNICAS CUANTITATIVAS III. APEIDOS: DNI: EXAMEN DE TÉCNICAS CUANTITATIVAS III. NOMBRE: GRUPO: E todos los casos, cosdr u vl d cofaza dl 95% (z=).. U mprsaro qur stmar l cosumo msual d lctrcdad ua comudad d 000 hogars dvddos 400

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

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

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

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

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

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

4.1 Procedimientos de inferencia para la distribución exponencial

4.1 Procedimientos de inferencia para la distribución exponencial 4 Ifrca paramétrca 4 Procdmtos d frca para la dstrbucó xpocal La dstrbucó xpocal fu la prmra dstrbucó para modlar tmpos d falla y para lla s ha dsarrollado métodos stadístcos d mara xtsva a T ua va xpocal

Más detalles

TEMA 3: ESTIMACIÓN PUNTUAL.

TEMA 3: ESTIMACIÓN PUNTUAL. TEMA 3: ESTIMACIÓN PUNTUAL..- S tra ua mustra por m.a.s. d tamaño d ua poblacó qu sgu l modlo d Posso. Obtr l stmador por l método d los momtos y l stmador por l método d máma vrosmltud. Solucó: El método

Más detalles

(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

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL

CONTRASTES DE SIGNIFICACIÓN CONJUNTA EN EL MBRL Cotrasts d sgfcacó cojuta APNTE DE CLAE ECONOMETRÍA I. DI ECONOMETRÍA E INFORMÁTICA CONTRATE DE IGNIFICACIÓN CONJNTA EN EL MBRL Prof. Rafal d Arc Rafal.darc@uam.s I. Cotrast d sgfcacó cojuta dl modlo a

Más detalles

Análisis estadístico de los factores de riesgo que influyen en la enfermedad Angina de Pecho. Flores Manrique, Luz CAPÍTULO III

Análisis estadístico de los factores de riesgo que influyen en la enfermedad Angina de Pecho. Flores Manrique, Luz CAPÍTULO III Aálss stadístco d los factors d rsgo qu fluy la frmdad Aga d Pcho. Flors Marqu, Luz Drchos rsrvados coform a Ly CAPÍTULO III MODELOS DE REGRESIÓN LOGÍSTICA 3. ANTECEDENTES La rgrsó logístca s ua d las

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

Automá ca. Capítulo4.RespuestadeRégimenTransitorio

Automá ca. Capítulo4.RespuestadeRégimenTransitorio Automáca Capítulo.RputadRégmratoro JoéRamóLlataGarcía EthrGozálzSaraba DámaoFrádzPérz CarloorFrro MaríaSadraRoblaGómz DpartamtodcologíaElctróca IgríadStmayAutomáca Rputa d Régm ratoro Rputa d Régm ratoro..

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

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

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

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

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

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

2. Utilizando el método adimensional basado en el factor de calidad Q, determine:

2. Utilizando el método adimensional basado en el factor de calidad Q, determine: Uivrsidad Simó Bolívar Dpartamto d Covrsió y Trasport d Ergía Autor: Eduardo Albaz. Cart: 06-391 Profsor: J. M. Allr Máquias Eléctricas II CT-311 U motor d iducció coxió strlla d 100 kw, 416 V, rdimito

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

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

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

PASCAL THEORY AS A SOFTWARE IMPLEMENTED BY DIGITAL FILTER FOR FILTERING NOISE GENERATED BY AN INDUCTION MOTOR SQUIRREL CAGE TYPE

PASCAL THEORY AS A SOFTWARE IMPLEMENTED BY DIGITAL FILTER FOR FILTERING NOISE GENERATED BY AN INDUCTION MOTOR SQUIRREL CAGE TYPE ISSN: 169-757 - Volum 1 - Númro 15 - Año 010 Rvsta Colombaa d Tcologías d Avazada Rcbdo: 01 d agosto d 009 Acptado: 15 d octubr d 009 PASCAL TEORY AS A SOFTWARE IMPLEMENTED BY DIGITAL FILTER FOR FILTERING

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

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

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

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

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

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

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

Llave de pivotes

Llave de pivotes 0 Hrramtas spcals csaras Importat! Llav pvots 0 Ats l matmto, ctú u xam prvo comprobacó co alto voltaj acuro co VDE (sa las Istruccos Pruba Eléctrca y Mcáca). Saqu l chu la toma corrt ats cualqur trabajo

Más detalles

BLOQUE I: ESTADÍSTICA DESCRIPTIVA TEMA 1. ESTADISTICA DESCRIPTIVA UNIDIMENSIONAL

BLOQUE I: ESTADÍSTICA DESCRIPTIVA TEMA 1. ESTADISTICA DESCRIPTIVA UNIDIMENSIONAL BLOQUE I: ESTADÍSTICA DESCRIPTIVA TEMA. ESTADISTICA DESCRIPTIVA UNIDIMENSIONAL. Graldads Estadístca: Cojuto d torías y téccas para la rcoplacó, l aálss, la trprtacó y la prstacó d datos umércos Etapas

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

Regresión lineal simple

Regresión lineal simple Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

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

EXAMEN FINAL DE I.O.E. (Curso 02/03 2º Q). Cadenas de Markov

EXAMEN FINAL DE I.O.E. (Curso 02/03 2º Q). Cadenas de Markov EXAMEN FINA DE I.O.E. (Curo / º Q. Cada d Markov S ha comrobado qu la robabldad d qu u dtrmado artdo olítco ga ua lcco dd d la gaó lo do comco mdatamt atror d la gut forma: gaó la do lcco atror toc la

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

Termodinàmica Química i Estadística Curs Part de Termodinàmica Estadística

Termodinàmica Química i Estadística Curs Part de Termodinàmica Estadística rmodámca ItroduccóEstadístca F Curs 7-8 rmodàmca uímca Estadístca Curs - Part d rmodàmca Estadístca Cotdo ma : Fudamtos d rmodámca Estadístca Colctvos Postulados Colctvo Caóco: cofguracos psos cofguracó

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

UNIVERSIDAD CATÓLICA DE SANTA MARÍA

UNIVERSIDAD CATÓLICA DE SANTA MARÍA VCRRCTRAD ACADÉMC UVRSDAD CATÓLCA D SATA MARÍA PLA D STUDS VGT DSD / SCULA : CD. 9 CCAS GRAS FSCAS Y FRMALS GRA MCACA, MCACA-LCTRCA Y MCATRCA ASGATURA SMSTR : MATRALS D FABRCAC CALCUL DFRCAL TP CR HTD

Más detalles

UNIVERSIDAD CATÓLICA DE SANTA MARÍA

UNIVERSIDAD CATÓLICA DE SANTA MARÍA VCRRCTRAD ACADÉMC UVRSDAD CATÓLCA D SATA MARÍA PLA D STUDS VGT DSD / SCULA : CD. 9 CCAS GRAS FSCAS Y FRMALS GRA MCACA, MCACA-LCTRCA Y MCATRCA ASGATURA SMSTR : MATRALS D FABRCAC CALCUL DFRCAL HR. PRÁCTC.

Más detalles

ESTADÍSTICA TEÓRICA: CHI-CUADRADO TABLAS DE APLICACIONES CONTINGENCIA

ESTADÍSTICA TEÓRICA: CHI-CUADRADO TABLAS DE APLICACIONES CONTINGENCIA Gstó Aroáutca: Estadístca Tórca Facultad Ccas Ecoómcas y Emprsarals Dpartamto d Ecoomía Aplcada Profsor: Satago d la Fut Frádz ESTADÍSTICA TEÓRICA: CHI-CUADRADO TABLAS DE APLICACIONES CONTINGENCIA Estadístca

Más detalles

Bootstrap en los modelos de elección discreta: una aplicación en el método de valoración contingente

Bootstrap en los modelos de elección discreta: una aplicación en el método de valoración contingente UNIVERSIDAD NACIONA MAYOR DE SAN MARCOS FACUTAD DE CIENCIAS MATEMÁTICAS UNIDAD DE POSGRADO Bootstrap los modlos d lccó dscrta: ua aplcacó l método d valoracó cotgt TESIS Para optar l Grado Académco d Magístr

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

Potencial periódico Término de corrección Término sin de segundo orden perturbación Término de corrección de primer orden

Potencial periódico Término de corrección Término sin de segundo orden perturbación Término de corrección de primer orden Bds d rgí otdo Tor d Boch. Torí d ctró cs r.org d ds. Modo d Krog-Py. jo. stdo Sódo Potc áss otc qu s usó áss tror fu u otc tt. s áss d uy u rsutdo s s ctr trs tá us ocurr u tto d ctros. S rgo, otros trs

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

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

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

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

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

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

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

MATEMÁTICAS Y CULTURA B O L E T Í N No. 273 COORDINACIÓN DE MATEMÁTICAS APLICACIONES DEL DETERMINANTE DE VANDERMONDE

MATEMÁTICAS Y CULTURA B O L E T Í N No. 273 COORDINACIÓN DE MATEMÁTICAS APLICACIONES DEL DETERMINANTE DE VANDERMONDE MATEMÁTICAS Y CULTURA B O L E T Í N 23.04.20 No. 273 COORDINACIÓN DE MATEMÁTICAS MATEMÁTICAS MATEMÁTICAS APLICACIONES DEL DETERMINANTE DE VANDERMONDE E l Boltí Matmáticas Y Cultura No. 257 dl 23 d abril

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

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

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

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

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

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

UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS

UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS UNIDAD 9: INTRODUCCIÓN A LAS DERIVADAS. DERIVADA DE UNA FUNCIÓN EN UN PUNTO. DERIVADAS LATERALES Dfiici.- S llama drivada d ua fuci f u puto d abscisa al siguit límit si ist: f f ' lím sigifica lo mismo.

Más detalles

El error con ese presupuesto será aproximadamente del 3,1% Ejercicio 8.2

El error con ese presupuesto será aproximadamente del 3,1% Ejercicio 8.2 EJERCICIO 8.1 U ivstigador dispo d 0.000 para ralizar las trvistas d ua custa ua gra ciudad. El custioario s admiistrará mdiat trvistas tlfóicas, sido l cost d cada trvista d 0. Qué marg d rror dbrá asumir

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

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

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

I.AURIOL - E.OLIVERA ) convexity for the set of equilibrium in n-person cyclic game s wit h. en en los cuales la función de pago de

I.AURIOL - E.OLIVERA ) convexity for the set of equilibrium in n-person cyclic game s wit h. en en los cuales la función de pago de Rvsta d a U ó Matmátca Agta Voum 9 994 I INTRCAMBIABILIDAD DL CNUNT D PUNTS D QUILIBRI N UGS N-PRSNALS C CL ICS IAURIL - LIVRA ) Abstact I ths pap w show th quvac of tchagabt ad covxt fo th st of qubum

Más detalles

LA VARIABLE LATENTE CALIDAD MEDIDA A TRAVÉS DEL MODELO DE RASCH

LA VARIABLE LATENTE CALIDAD MEDIDA A TRAVÉS DEL MODELO DE RASCH 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

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

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

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

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

APLICACIONES DE LA CHI-CUADRADO: TABLAS DE CONTINGENCIA. HOMOGENEIDAD. DEPENDENCIA E INDEPENDENCIA

APLICACIONES DE LA CHI-CUADRADO: TABLAS DE CONTINGENCIA. HOMOGENEIDAD. DEPENDENCIA E INDEPENDENCIA Gstó Aroáutca: Estadístca Tórca Facultad Ccas Ecoómcas y Emrsarals Dartamto d Ecoomía Alcada Profsor: Satago d la Fut Frádz APLICACIONES DE LA CHI-CUADRADO: TABLAS DE CONTINGENCIA. HOMOGENEIDAD. DEPENDENCIA

Más detalles

Y i, es decir, la. Regresión Simple y Múltiple Parte II Profesor Oscar Millones Borrador, Octubre 12, Supuestos en el modelo de regresión

Y i, es decir, la. Regresión Simple y Múltiple Parte II Profesor Oscar Millones Borrador, Octubre 12, Supuestos en el modelo de regresión Rgrsón Smpl y Múltpl Part II Profsor Oscar Mllons Borrador, Octubr 1, 8 Supustos n l modlo d rgrsón 1.- Para cada valor d X, xst un grupo d valors d Y qu tnn una dstrbucón normal. (grafcar sta da).- Las

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

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

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

! 1 3 <1 la serie converge (y confirma a n! 0 ). a n. x 2 >0; f 0 (x)<0 si x>1; R 1 f (x)dx = 1 2 e x2 1 = 1 2e. ) Convergente. n! 0 ) Convergente.

! 1 3 <1 la serie converge (y confirma a n! 0 ). a n. x 2 >0; f 0 (x)<0 si x>1; R 1 f (x)dx = 1 2 e x2 1 = 1 2e. ) Convergente. n! 0 ) Convergente. Solucios d los roblmas d Matmáticas (07-08) {a } acotada ifriormt or 0 (los a so ositivos) y dcrcit us + + )9líma a ) a a ) a0 Como a + a < la sri covrg (y cofirma a 0 ) a) (a ) / Divrgt (O orqu {a

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

Para medir la importancia de la clase modal como medida central usaremos el concepto de tasa de variación. Se denota por V

Para medir la importancia de la clase modal como medida central usaremos el concepto de tasa de variación. Se denota por V dds d Tdc Ctrl y Dsprsó EDIDAS DE TENDENCIA CENTRAL Y DISERSIÓN dds d Tdc Ctrl So mdds d u cojuto d dtos qu proporco u vlor smpl y rprsttvo, qu rsum u gr volum d ormcó. Est vlor td ubcrs l ctro dl cojuto

Más detalles

Ensayos de control de calidad

Ensayos de control de calidad Esayos de cotrol de caldad Fecha: 0170619 1. lcace. Este procedmeto es aplcable e la evaluacó del desempeño del persoal que ejecuta pruebas e la Dvsó de Laboratoros de Ifraestructura de la Coordacó de

Más detalles

Tema 5: Transistor Bipolar de Unión (BJT)

Tema 5: Transistor Bipolar de Unión (BJT) Tma 5: Trasistor ipolar d Uió JT) 5.1 troducció otidos 5.2 ucioamito dl trasistor Zoa Activa Dircta 5.3 Modlo d orrits dl Trasistor. Modlo d rs-moll 5.4 Modos o Zoas d Opració 5.5 Modlos Spic 5.6 jmplos

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

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

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

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

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

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

PROBABILIDAD Y ESTADISTICA

PROBABILIDAD Y ESTADISTICA 1. Es u cojuto de procedmetos que srve para orgazar y resumr datos, hacer ferecas a partr de ellos y trasmtr los resultados de maera clara, cocsa y sgfcatva? a) La estadístca b) Las matemátcas c) La ceca

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

Probabilidad de que una variable tome un valor x determinado = N

Probabilidad de que una variable tome un valor x determinado = N Magntuds dscrtas Probabldad d qu una varabl tom un valor dtrmnado p X ota ( p,,,,6 5 7, 6 8,6 7, 8 8,6 9 6,,8 5 p Probabldad,5,,5,,5, 5 6 7 8 9 ota Magntuds contnuas Probabldad d qu una varabl tom un valor

Más detalles

Regresión - Correlación

Regresión - Correlación REGRESIÓN Regresó - Correlacó Aálss que requere la cosderacó de o más varables cuattatvas e forma smultáea. Aálss de Regresó: estuda la relacó fucoal de ua o más varables respecto de otra Aálss de Correlacó:

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