muestreo
Estadística Aplicada
Mg. Adiel Omar FLORES RAMOS
1
Propósito semanal
• Distingue los métodos de
muestreo.
• Identifica las distribuciones
muestrales.
Contenido
• Definiciones básicas.
• Muestreo
• Distribuciones muestrales
Definiciones básicas
Definiciones básicas
• Datos
• Unidad de análisis
• Estadística
• Población
• Muestra
• Parámetro
• Estadístico
• Tipos de datos
Población y muestra
8-3
El Universo Sí Es posible
está bien observar todo el NO
definido Universo ?
Tomar Las observaciones
? solo pueden
una Muestra
No representativa atribuirse a la
NO muestra, NO a
NO
los miembros del
Se quiere Universo
Definir Observar inferir la medición
El una Muestra al Universo
Universo ?
Las observaciones
Sí Tomar pueden atribuirse a
una Muestra
los miembros del
Representativa
Universo
17/01/2018 Mag. Adiel Omar FLORES RAMOS 13
Delimitación de la población
• Una vez definida la unidad de análisis, se procede a delimitar
la población.
• Población Marco, es el conjunto de todos los casos que
concuerdan con una serie de especificaciones.
• Es necesario delimitar las características esenciales del marco
poblacional, (poblaciones de características).
s1 s2
s4
s3
Se quiere estimar un
Parámetro del Universo
partiendo de una Muestra
Representativa
Variable Variable
Cualitativa ¿De qué
naturaleza es el Continua
Parámetro a
estimar?
Muestreo Muestreo
Representativo Representativo
para estimar para estimar
una Proporción una Media
La Variable de
muestreo es
CUALITATIVA
Intención de
describir la variable
(Estudios
descriptivos)
Se ha decidido La Variable de
tomar una muestreo es
muestra CONTINUA
representativa
del Universo
Estudio de
Seguimiento
Intención de
relacionar la
variable con otras
(Estudios
analíticos) Estudio de Casos
17/01/2018 Mag. Adiel Omar FLORES RAMOS 26
DECISIONES DE M U E S T R E O
Definición de
No. 4: Definicion Del Tamaño Muestral tamaño muestral
para una
Proporción
La Variable de conocida
muestreo es
CUALITATIVA
Definición de
tamaño muestral
Intención de para una
describir la variable Proporción
(Estudios desconocida
descriptivos)
Definición de
tamaño muestral
para una varianza
Se ha decidido La Variable de conocida
tomar una muestreo es
muestra CONTINUA
Definición de
representativa tamaño muestral
del Universo para una Varianza
desconocida
Estudio de
Seguimiento
Intención de
relacionar la
variable con otras
(Estudios
analíticos) Estudio de Casos
17/01/2018 Mag. Adiel Omar FLORES RAMOS 27
No. 5: Definición del tamaño muestral n para una Variable
Cualitativa cuyo comportamiento se conoce (p se conoce)
2 𝑝𝑞
𝑛 = 𝑍𝛼ൗ2
𝐸2
17/01/2018 Mag. Adiel Omar FLORES RAMOS 28
Ejercicio 1
• n = 246
• n = 6147
2 0.25
𝑛 = 𝑍𝛼ൗ2
𝐸2
σ2
n = Z2
ES2
Z2 2
n=
e2
n=
1,96 30 2 2
10 2
n = 36
17/01/2018 Mag. Adiel Omar FLORES RAMOS 34
No. 8: Definición del tamaño muestral n para una
Variable CONTINUA cuya variación se Desconoce
s2
n = Z2
ES2
n
no * N
no ( N 1)
Recursos adicionales
https://1drv.ms/f/s!AnpbNMf4AA0wiEV5WjdZUy-Bf9p1
1
Propósito semanal
• Reconocer como la distribución
muestral de un estadístico;
• Identificar el principio básico
acerca de la distribución
muestral de medias de muestra
y la distribución muestral de
proporciones de muestra.
• Distribuciones muestrales
• Distribución muestral de un
estadístico.
• Distribución muestral de medias
de muestra.
• Distribución muestral de
proporciones de muestra.
Distribución muestral
de la media
Distribución muestral
de proporciones
Estimadores de
parámetros
Recursos adicionales
https://1drv.ms/f/s!AnpbNMf4AA0wiEV5WjdZUy-Bf9p1
2
Propósito semanal
• Realiza inferencias estadísticas
basados en el cálculo de
parámetros.
Contenido
• Distribuciones muestrales
• Estimadores
• Intervalo de confianza para un
parámetro
• Intervalos de confianza para dos
parámetros
Estimadores
Estimador
• Un estimador es un estadístico usado para estimar un
parámetro desconocido de la población.
• Por ejemplo, si se desea conocer el precio medio de un
artículo (el parámetro desconocido) se recogerán
observaciones del precio de dicho artículo en diversos
establecimientos (la muestra) y la media aritmética de las
observaciones puede utilizarse como estimador del precio
medio.
Ejemplo
Inferencia
ഥ =240 cc
× µ
Estimador
• Para cada parámetro pueden existir varios estimadores
diferentes. En general, escogeremos el estimador que posea
mejores propiedades que los restantes, como insesgadez,
eficiencia, convergencia y robustez.
• El valor de un estimador proporciona una estimación
puntual del valor del parámetro en estudio.
• En general, se suele preferir realizar una estimación mediante
un intervalo, esto es, obtener un intervalo [a,b] dentro del
cual se espera esté el valor real del parámetro con un
cierto nivel de confianza.
Ejemplo
Inferencia
[235;245] µ
Estimación puntual
Intervalos de
confianza para un
parámetro
Intervalos
• Un intervalo, significa sustituir la estimación puntual, por un
intervalo de posibles valores.
• Esto es una estimación por intervalo o intervalo de confianza,
es decir, un intervalo de valores posibles para el parámetro
que se estima.
• El grado de posibilidades se especifica por un nivel de
confianza, de modo que hablaremos de un intervalo de
confianza de 95% (nivel de confianza de 95%) o intervalo al
99%.
Intervalos de
confianza para una
proporción
¿Funciona la terapia de contacto? (Triola, p.319)
• Ensayos realizados: 280
• Aciertos (éxitos): 123
• Estimador puntual (éxitos):
123
𝑝Ƹ = = 0.439285 = 44%
280
𝑞ො = 56%
Intervalo de confianza
• Nivel de confianza: 95%
𝑝Ƹ − 𝐸 < 𝑝 < 𝑝Ƹ + 𝐸
• Donde
E : Margen de error
Margen de Error
• El margen de error E también se denomina error máximo del
estimado y se calcula como se indica en la fórmula:
• Donde:
Zα/2 es el valor crítico
Valor crítico
Ejemplo: cálculo del valor crítico
• Nos proponemos un nivel de confianza del 95%
1. Hallamos la diferencia respecto al 100% expresado en decimales
100%-95%=5% = 0.05
α = 0.05
2. Dividimos entre 2 para obtener la proporción en cada cola:
α/2 = 0.05/2 = 0.025
3. Calculamos z de acuerdo al área:
Área a la izquierda: 0.025 de la tabla A-2 hallamos Z=-1.96
Área a la derecha: 1-0.025=0.975 de la tabla A-2 hallamos Z=1.96
Valor crítico
=INV.NORM.ESTAND(0.025)
=INV.NORM.ESTAND(0.975)
Intervalo y nivel de confianza
Calculando el intervalo
𝑝Ƹ − 𝐸 < 𝑝 < 𝑝Ƹ + 𝐸
𝑝Ƹ = 0.439285
𝑞ො = 0.560712
n = 280
𝑍α/2 = 1.96
Solución
Requisitos
1. La muestra es aleatoria simple.
2. Las condiciones para la distribución binomial se satisfacen.
Esto es, hay un número fijo de ensayos, los ensayos son
independientes, hay dos categorías de resultados y las
probabilidades permanecen constantes para cada ensayo.
3. Existen al menos 5 éxitos y al menos 5 fracasos. (Cuando p y
q se desconocen, estimamos sus valores utilizando la
proporción muestral, de manera que este requisito es una
forma de verificar que np >= 5 y nq >= 5 se cumplan para
que la distribución normal sea una aproximación adecuada
para la distribución binomial.
Determinación del
tamaño muestral para
la proporción
Determinación del tamaño muestral
• Suponga que queremos reunir datos muestrales con el
objetivo de estimar alguna proporción de la población. ¿Cómo
sabemos cuántos elementos muestrales deben obtenerse?
Ejemplo: Tamaño muestral para una
encuesta por correo electrónico
• Las formas en las que nos comunicamos se han visto afectadas
drásticamente por el uso de máquinas contestadoras
telefónicas, máquinas de fax, correo de voz y correo
electrónico. Suponga que un sociólogo quiere determinar el
porcentaje actual de hogares en Estados Unidos que utilizan el
correo electrónico.
• ¿Cuántos hogares deben encuestarse para tener una confianza
del 95% de que el porcentaje muestral es erróneo por no más
de 4 puntos porcentuales?
Ejemplo: Tamaño muestral para una
encuesta por correo electrónico
• a. Utilice el siguiente resultado de un estudio pionero: en
1997, el 16.9% de los hogares estadounidenses usaban correo
electrónico (según datos de The World Almanac and Book of
Facts).
• b. Suponga que no tenemos información previa que sugiera un
posible valor de p’
Solución
Intervalos de
confianza para dos
parámetros
Intervalos de
confianza para dos
medias
El caso de estudio
• Se lleva a cabo un estudio para comparar el tiempo que tardan
hombres y mujeres para realizar determinada tarea. Las
experiencias anteriores indican que la distribución de tiempos
tanto para hombres como para mujeres es normal con varianzas
diferentes. Una muestra aleatoria de 9 hombres y 8 mujeres han
dado los siguientes tiempos en minutos:
Hombres 12 28 10 25 24 19 22 33 17
Mujeres 16 20 16 20 16 17 15 21
• Mediante un intervalo de confianza del 95% para la verdadera
diferencia de los promedios de tiempos de hombres y mujeres,
¿se puede concluir que los hombres emplean mayor tiempo que
las mujeres para hacer la tarea?.
Intervalo de confianza
−2.681 < 𝜇1 − 𝜇2 < 9.653
Tenemos una confianza del 95% de que los límites de -2.681 min y 9.653
min realmente contienen la diferencia entre las dos medias
poblacionales. Puesto que esos límites contienen a 0, este intervalo de
confianza sugiere que es muy posible que las medias de las dos
poblaciones sean iguales. No existe una diferencia significativa entre las
dos medias.
Cálculo del intervalo de confianza
𝑥1 − 𝑥2 − 𝐸 < 𝜇1 − 𝜇2 < 𝑥1 − 𝑥2 + 𝐸
• Donde
E : Margen de error
𝜎12 𝜎22
𝐸 = 𝑧𝛼/2 +
𝑛1 𝑛2
𝑠12 𝑠22
𝐸 = 𝑡𝛼/2 +
𝑛1 𝑛2
Valor crítico tα/2
• Para un intervalo de confianza del 95%
Calcular 100% - 95% = 5% = 0.05
• Grados de libertad:
nh: 9 gl=9-1=8
nm: 8 gl=8-1=7
• Para 7 grados de libertad a 2 colas:
• De la tabla A-3 se obtiene que tα/2=2.365 =INV.T.2C(0.05;7)
Solución
Recursos adicionales
https://1drv.ms/f/s!AnpbNMf4AA0wiEV5WjdZUy-Bf9p1
1
Propósito semanal
• Dada una aseveración, identificar la
hipótesis nula y la hipótesis alternativa, y
expresar ambas de forma simbólica.
• Dados una aseveración y datos muestrales,
calcular el valor del estadístico de prueba.
• Plantear la conclusión de una prueba de
hipótesis en términos sencillos y sin
tecnicismos.
1)H0: = 0 y H1 : ≠ 0
2)H0: ≤ 0 y H1 : > 0
3)H0: ≥ 0 y H1 : < 0
0 es el valor del parámetro
desconocido
H0: = 0 y H1 : ≠ 0
H1 : Ɵ ≠ Ɵ0
RC RC
VC VC 20
28/01/2018 Adiel Omar FLORES RAMOS
EJEMPLO: Cálculo de valores críticos
• Con un nivel de significancia de α=0.05, calcule los valores z
críticos para cada una de las siguientes hipótesis alternativas
(suponiendo que la distribución normal puede emplearse
como aproximación de la distribución binomial):
a) p < 0.5 (de manera que la región crítica está en la cola izquierda de
la distribución normal)
b) p > 0.5 (de manera que la región crítica está en la cola derecha de
la distribución normal)
c) p ≠ 0.5 (de manera que la región crítica está en ambas colas de la
distribución normal)
Recursos adicionales
https://1drv.ms/f/s!AnpbNMf4AA0wiEV5WjdZUy-Bf9p1
1
Propósito semanal
• Dada una aseveración, identificar la
hipótesis nula y la hipótesis alternativa, y
expresar ambas de forma simbólica.
• Dados una aseveración y datos muestrales,
calcular el valor del estadístico de prueba.
• Plantear la conclusión de una prueba de
hipótesis en términos sencillos y sin
tecnicismos.
1)H0: = 0 y H1 : ≠ 0
2)H0: ≤ 0 y H1 : > 0
3)H0: ≥ 0 y H1 : < 0
0 es el valor del parámetro
desconocido
H0: = 0 y H1 : ≠ 0
H1 : Ɵ ≠ Ɵ0
RC RC
VC VC 20
28/01/2018 Adiel Omar FLORES RAMOS
EJEMPLO: Cálculo de valores críticos
• Con un nivel de significancia de α=0.05, calcule los valores z
críticos para cada una de las siguientes hipótesis alternativas
(suponiendo que la distribución normal puede emplearse
como aproximación de la distribución binomial):
a) p < 0.5 (de manera que la región crítica está en la cola izquierda de
la distribución normal)
b) p > 0.5 (de manera que la región crítica está en la cola derecha de
la distribución normal)
c) p ≠ 0.5 (de manera que la región crítica está en ambas colas de la
distribución normal)
Recursos adicionales
https://1drv.ms/f/s!AnpbNMf4AA0wiEV5WjdZUy-Bf9p1
2
Propósito semanal
• Construir un estimado de un intervalo de
confianza de la diferencia entre las
proporciones poblacionales
correspondientes.
• Probar una aseveración acerca de dos
proporciones poblacionales
Contenido
• Paso 7:
• Puesto que el estadístico de prueba no se ubica dentro de la región
crítica, no se rechaza la hipótesis nula µ1 = µ2 (o µ1 - µ2 =0).
Interpretación
• No existe evidencia suficiente para sustentar la aseveración de que
la edad media de los solicitantes sin éxito es mayor que la edad
media de los solicitantes con éxito. Con base en esta prueba de
hipótesis, no parece existir discriminación por edad.
• Sin embargo, la prueba de hipótesis toma en cuenta una faceta de
la situación general, y existen otros factores que podríamos
considerar. Por ejemplo, podríamos comparar la proporción de
solicitantes mayores de 50 años que tuvieron éxito con la
proporción de solicitantes menores de 50 años que tuvieron éxito.
• Dos especialistas en estadística presentaron evidencias en el juicio
y llegaron a conclusiones diferentes. La corte determinó que había
“un vínculo entre la edad de los candidatos y su éxito o fracaso en
la competencia”.
Análisis de varianza
ANOVA
¿Por qué ANOVA?
H 0 : 1 2 ... k
Al menos una de las medias
H1 : poblacionales es diferente a
las otras
ESTADISICO DE PRUEBA
2
ns
F 2
x
s p
Grados de Libertad:
gl del numerador = k – 1
gl del denominador = k(n - 1)
Calculo con tamaños muestrales Desiguales
SC(tratamiento) ni x i x
2
CM (tratamiento)
F
CM (error)
Grados de liberad:
gl del numerador = k - 1
gl del denominador = n - k
TABLA ANOVA
Donde :
SCT y SCTR se calculan de la misma manera que ANOVA de
una vía
SUMA DE CUADRADOS
SCBL ci ( xi x) 2
SCTR
CMTR
c 1
CUADRADOS MEDIOS
CMBL
F
CME
EJEMPLO
Una empresa de contabilidad grande trata de
seleccionar un sistema de computación integrado
a la oficina, entre los tres modelos que están
actualmente en estudio. La selección final
dependerá de la productividad de los sistemas.
Se seleccionan aleatoriamente 5 operadores para
manejar cada sistema. Es importante tener en
cuenta que el nivel de experiencia que tienen los
empleados en el manejo de computadoras puede
afectar el resultado de la prueba.
EJEMPLO - continuación
Recursos adicionales
https://1drv.ms/f/s!AnpbNMf4AA0wiEV5WjdZUy-Bf9p1
1y2
Propósito de la
• Interpreta los
resultados gráficos
sesión
y numéricos de la
correlación y
regresión de dos
variables.
Contenido
• Introducción
• Diagramas de Dispersión
• Coeficiente de Correlación
• Regresión lineal
• Prueba de Hipótesis de
Correlación
Introducción
Introducción
• Mediante la correlación y regresión, analizaremos el análisis
de situaciones que se presentan en una distribución que
contienen dos variables X y Y.
• El espacio muestral de un experimento con dos variables es
cierto conjunto de pares ordenados de medidas, es decir, dos
observaciones por cada prueba.
03/03/2018
Mag. Adiel Omar FLORES RAMOS 5
Introducción
• Nuestro principal objetivo, al analizar las dos variables X y Y, es
el poder determinar la relación entre éstas dos variables, es
decir como se comportan las dos variables una con respecto a
la otra.
• También nos interesa encontrar una ecuación, de tal manera
que basándonos en una determinada cantidad X podamos
estimar el promedio de cantidad Y.
03/03/2018
Mag. Adiel Omar FLORES RAMOS 6
Introducción
• Así, una ecuación de éste tipo que relaciona las dos variables,
una dependiente de la otra se puede considerar como una
relación de estimación.
• La ecuación que relaciona éstas dos variables se llama
ecuación de Regresión de Y respecto a X.
03/03/2018
Mag. Adiel Omar FLORES RAMOS 7
Diagramas de
dispersión
DIAGRAMAS DE DISPERSION
• Un diagrama de dispersión es
una gráfica en la que cada
punto trazado representa un
par de valores observados de
las variables independientes y
dependientes.
03/03/2018
Mag. Adiel Omar FLORES RAMOS 10
Correlación Positiva Perfecta
03/03/2018
Mag. Adiel Omar FLORES RAMOS 11
Correlación negativa Perfecta
03/03/2018
Mag. Adiel Omar FLORES RAMOS 12
Correlación positiva estrecha
03/03/2018
Mag. Adiel Omar FLORES RAMOS 13
Correlación negativa moderada
03/03/2018
Mag. Adiel Omar FLORES RAMOS 14
Correlación positiva moderada
03/03/2018
Mag. Adiel Omar FLORES RAMOS 15
Correlación nula
03/03/2018
Mag. Adiel Omar FLORES RAMOS 16
Coeficiente de
correlación
Coeficiente de correlación de Pearson
• En la mayoría de los casos el principal interés del investigador
no solamente está en poder medir la relación que puede
existir, entre las dos variables, directa e inversa , sino que
además se concentra en determinar si están o no
correlacionadas, y en caso afirmativo, en hallar que tan fuerte
es éste grado de relación.
03/03/2018
Mag. Adiel Omar FLORES RAMOS 18
Coeficiente de correlación de Pearson
• Esta técnica analítica que se utiliza en hallar este grado de
relación, recibe el nombre de análisis de correlación.
• El valor del coeficiente de correlación puede ir de -1.00 a
+1.00.
• El signo aritmético asociado con el coeficiente de correlación
indica la dirección de la relación entre X y Y (positivo igual a
directa; negativo igual inversa).
03/03/2018
Mag. Adiel Omar FLORES RAMOS 19
Coeficiente de correlación de Pearson
• Cuando las dos variables no están correlacionadas el
coeficiente de correlación es 0 o muy cercano a 0.
• Con base a éstos hechos, podemos deducir que mientras más
cerca esté el valor numérico del coeficiente de correlación a
+1 o -1, entonces más estrecho será el grado de relación de las
variables estudiadas.
03/03/2018
Mag. Adiel Omar FLORES RAMOS 20
Coeficiente de correlación de Pearson
03/03/2018
Mag. Adiel Omar FLORES RAMOS 22
Interpretación
Valor Significado
0 Correlación nula
0,01 a 0,19 Correlación positiva muy baja
0,2 a 0,39 Correlación positiva baja
0,4 a 0,69 Correlación positiva moderada
0,7 a 0,89 Correlación positiva alta
0,9 a 0,99 Correlación positiva muy alta
1 Correlación positiva grande y perfecta
03/03/2018
Mag. Adiel Omar FLORES RAMOS 23
Ejemplo ilustrativo:
• La tabla presenta el peso y la presión sanguínea de una
muestra aleatoria de 7 universitarios.
El coeficiente de correlación
indica que entre el peso y la
presión sanguínea de los 7
universitarios existe una
correlación positiva baja.
Solución: Coeficiente de determinación
• El coeficiente de determinación: cd= r2, entonces:
cd= (0,34)2= 0,1156≈11,56%
• Interpretación: Existe una baja asociación entre las variables.
La variación de cerca del 11,56% de las presiones sanguíneas
se explica por la variación de los pesos de los 7 universitarios.
Prueba de Hipótesis
de correlación
Introducción
• Cuando se prueban hipótesis o cuando se hacen inferencias
sobre una correlación, se deben cumplir las siguientes
condiciones:
• La muestra de datos apareados (x; y) es una muestra aleatoria de
datos cuantitativos.
• El diagrama de dispersión debe confirmar que los puntos se
aproximan al patrón de una línea recta.
• Es conveniente eliminar los valores extremos, si existieran, ya que es
muy probable que sea producto de algún error.
• En la prueba de hipótesis se formulan las siguientes hipótesis:
• H0: ρ=0 (No existe una correlación lineal entre las variables)
• H1: ρ≠0 (Existe una correlación lineal entre las variables)
El estadístico de prueba
• El estadístico de prueba es la t de Student, para n-2 grados de
libertad:
• Conclusión
• Si │t│> tα/2 (valor crítico de la tabla A-3), rechace H0 y concluya que
existe una correlación lineal.
• Si │t│≤ tα/2, no rechace H0 y concluya que no hay evidencia suficiente
para afirmar que existe una correlación lineal.
Ejemplo
• La tabla presenta el peso y la presión sanguínea de una
muestra aleatoria de 7 universitarios.
03/03/2018
Mag. Adiel Omar FLORES RAMOS 35
Regresión Lineal
• Recordemos que la forma general de la ecuación de la línea
recta es Y = mX + b, que es la ecuación que queremos estimar
y la llamaremos:
Y = mX + b
• Para encontrar esta ecuación utilizamos las siguientes
fórmulas:
03/03/2018
Mag. Adiel Omar FLORES RAMOS 36
Pendiente e intercepto
• Pendiente de la recta • Intercepto o corte con el
eje Y
n __ __
X iYi n X Y __ __
m i 1 bYmX
n __
Xi n( X )
2 2
i 1
03/03/2018
Mag. Adiel Omar FLORES RAMOS 39
Ecuación de Regresión
∑xy=3441.52 m=
n=10 𝑥ҧ = 45.50
𝑥ҧ = 45.50 𝑦ത = 7.37
𝑦ത = 7.37
∑x2=21203
Y = mX + b
Solución
• Así que la ecuación de la recta de regresión de Y con
respecto a X será:
Y = mX + b
Y = 0.176 (X) – 0.64
Predicción de otros valores
03/03/2018
Mag. Adiel Omar FLORES RAMOS 45
Predicción de otros valores
• Si X= 40 Y=?
Y* = 0.176 (40) – 0.64= 6.4
Lo que significa que para un supuesto de 40 met. Cub. de
precipitación de agua lluvia se espera una cosecha de 6.4 mill.
de lib. de maíz.
03/03/2018
Mag. Adiel Omar FLORES RAMOS 46
- Si Y = 9 X=?
Y 0.64 9 0.64
X* 54.77
0.176 0.176
03/03/2018
Mag. Adiel Omar FLORES RAMOS 47
Gracias por su atención
Recursos adicionales
https://1drv.ms/f/s!AnpbNMf4AA0wiEV5WjdZUy-Bf9p1
1y2
Propósito de la
• Interpretar
pronósticos
sesión
utilizando el análisis
de correlación,
regresión y modelos
de series de tiempo.
Contenido
29/05/2017
Mag. Adiel Omar FLORES RAMOS 5
Ecuación de regresión
• La forma general de la ecuación de regresión múltiple estimada:
• Donde:
• n: tamaño de la muestra
• k: número de variables de predicción o variables independientes.
• y: valor predicho de y
• x1; x2; … ; xk: son las variables de predicción
• β0: intercepto y, o el valor de y cuando todas las variables de predicción son
0 (este valor es un parámetro poblacional)
• b0: estimado de β0 basado en los datos muestrales (b0 es un estadístico
muestral)
• β1; β2;…; βk: son los coeficientes de las variables de predicción: x1; x2;…; xk
• b1; b2;…; bk: son estimados muestrales de los coeficientes:β1; β2;…; βk
Estadísticos de la regresión
• Matriz de correlación: Es una matriz que contiene los
coeficientes de correlación entre todos los pares de variables,
la cual ayuda a identificar cuáles son las variables
relativamente más importantes.
• Coeficiente múltiple de determinación (R2): Es una medida
que denota lo bien que se ajusta la ecuación de regresión
múltiple a los datos muestrales si se tiene la matriz de
correlación de las variables de la ecuación de regresión
múltiple: ŷ = b0 + b1x1+ b2x2
DEMO
Análisis de
multicolinealidad
Multicolinealidad
• Es la correlación que existe entre las variables independientes,
las que se deben analizar mediante el uso de una matriz de
correlación entre las variables.
• Las variables independientes correlacionadas dificultan las
inferencias acerca de los coeficientes de regresión individuales
y sus efectos individuales sobre la variable dependiente.
• En la práctica, es casi imposible seleccionar variables que
carezcan por completo de alguna relación.
Multicolinealidad
• Primero, se debe destacar que la multicolinealidad no afecta la
capacidad de una ecuación de regresión múltiple para
predecir la variable dependiente.
• No obstante, cuando se tenga interés en evaluar la relación
entre cada variable independiente y la variable dependiente,
la multicolinealidad puede presentar resultados inesperados.
Multicolinealidad
• Una segunda razón para evitar variables independientes
correlacionadas es que pueden generar resultados erróneos en las
pruebas de hipótesis para las variables independientes
individuales. Esto se debe a la inestabilidad del error estándar de
estimación.
• Varias pistas que indican problemas con la multicolinealidad
incluyen lo siguiente:
1. Una variable independiente conocida como anticipador importante
resulta con un coeficiente de regresión que no es significativo.
2. Un coeficiente de regresión que debiera tener un signo positivo resulta
negativo, o lo contrario.
3. Cuando se agrega o elimina una variable independiente, hay un cambio
drástico en los valores de los coeficientes de regresión restantes.
Multicolinealidad
• Un método práctico que se utiliza es que las correlaciones
entre variables independientes, cuyo valor está comprendido
entre -0,70 y 0,70, no ocasionan dificultades.
• Una prueba mas precisa es utilizar el factor de inflación de la
varianza, el cual por lo general se escribe VIF. El valor de VIF
se determina como sigue:
1
𝑉𝐼𝐹 =
1 − 𝑅2
Multicolinealidad
• El termino R2 se refiere al coeficiente de determinación, donde
la variable independiente seleccionada sirve como una
variable dependiente, y las variables independientes
restantes, como variables independientes.
• Un VIF mayor que 10 se considera insatisfactorio, e indica que
la variable independiente se deberá eliminar del análisis.
Ejemplo
• Salsberry Realty vende casas en la costa este de Estados Unidos. Una de
las preguntas mas frecuentes de los compradores potenciales es: si
compramos esta casa, ¿cuanto gastaremos en calefacción durante el
invierno?
• Al departamento de investigación de Salsberry se le pidió desarrollar
algunas directrices respecto de los costos de calefacción de casas
unifamiliares. Se considera que tres variables se relacionan con los costos
de calefacción:
1) la temperatura externa diaria media,
2) el numero de pulgadas de aislamiento en el atico y
3) la antigüedad en años del calentador.
• Para el estudio, el departamento de investigación de Salsberry selecciono
una muestra aleatoria de 20 casas de venta reciente. Determino el costo
de calefacción de cada casa en enero pasado, asi como la temperatura
externa en enero en la región, el numero de pulgadas de aislamiento en el
ático y la edad del calentador.
DEMO
Validación de
Modelos
Introducción
• Un Modelo matemático es una función matemática que se
“ajusta” o describe datos del mundo real.
• Algunos modelos genéricos que aparecen en la calculadora
científica:
29/05/2017
Mag. Adiel Omar FLORES RAMOS 18
Modelos matemáticos
• El modelo que se
seleccione dependerá de
las características de los
datos muestrales y una
herramienta necesaria es
la elaboración de un
diagrama de dispersión
para decidir el modelo
adecuado.
Reglas para la creación de un modelo
matemático
• Elabore el gráfico de puntos y elija el modelo que visualmente
más se ajuste a los puntos observados, es decir a un modelo
lineal, cuadrático, exponencial, potencial, etc.
• Con la calculadora halle los coeficientes de determinación (r2)
de cada modelo y elija el modelo que tenga el mayor
coeficiente de determinación, ya que éste será el mejor
modelo
• Si trabaja con un software estadístico (como el SPSS) elija el
modelo que tenga el menor p-valor.
Ejemplo
• Un ingeniero descubrió que, al incluir pequeñas cantidades de
un compuesto en baterías recargables para computadoras
portátiles, podría extender su tiempo de vida.
• Experimentó con diferentes cantidades de aditivo y los datos
fueron:
DEMO
Evaluamos el modelo
Conclusión
• De los resultados se observa que el modelo lineal presenta el
mayor coeficiente de determinación (r2=87,10%), seguido del
modelo exponencial (r2=78,55%).
• Por lo tanto se concluye que la ecuación: y=1,2 + 1,8x describe
mejor la relación entre la cantidad de aditivo y el tiempo de
vida adicional de las baterías.
Series
temporales
Serie Temporal Y
• Se llama Series de
Tiempo a un
conjunto de
observaciones
sobre valores que
toma una variable
(cuantitativa) en
diferentes
momentos del
1 2 3 4 5 6 7 8 t
tiempo.
Estacional Cíclica
Tendencia
Irregular
Secular
Compo
nentes
Estacional
Cíclica
Irregular
Serie Temporal
Modelo Aditivo
𝑌 T E C I
Modelo Multiplicativo
𝑌 T E C I
Recursos adicionales
https://1drv.ms/f/s!AnpbNMf4AA0wiEV5WjdZUy-Bf9p1
1, 2 y 3
Propósito de la semana
• Identifica los elementos de
diseño experimental.
• Realiza la prueba de hipótesis
para la diferencia de medias y
luego interpreta los
resultados.
• Aplica experimentos de dos
factores y realiza la prueba
de hipótesis para
experimentos factoriales.
Contenido
• Diseño de experimentos.
• Prueba para la diferencia de
medias.
• Experimento factorial A x B
ANOVA.
Diseño de
experimentos
Introducción
• En los métodos
estadísticos, por lo
general se toman datos
que se obtienen de dos
fuentes distintas:
• las investigaciones
observacionales y
• los experimentos.
03/03/2018
Mag. Adiel Omar FLORES RAMOS 5
DISEÑOS EXPERIMENTALES
• El diseño de experimentos es un conjunto de técnicas que
permiten manipular un proceso para inducirlo a proporcionar
la información que se requiere para mejorarlo mediante
cambios en sus variables y su interacción o secuencia de
ejecución. En suma, es la aplicación del método científico para
generar conocimiento acerca de un proceso o sistema.
Tipos de diseños
Objetivo de un diseño de experimentos
• El objetivo de un diseño de experimentos es proporcionar la
mayor cantidad de información para responder el problema
planteado en la investigación, con un mínimo costo y máxima
eficiencia.
• Los principios básicos del diseño de experimentos es que se
cumplan con la reproducción, aleatorización y control.
Ejemplo
• Un investigador está interesado en estudiar el efecto de los
contenidos televisivos antisociales sobre la conducta agresiva de
los niños, para lo cual establece dos grupos de niños, uno que ven
solo programas televisivos con contenidos antisociales y otro grupo
que ven solo programas televisivos con contenidos prosociales.
• Al finalizar la experiencia se observará cuál de los dos grupos
muestra una mayor conducta agresiva, si ocurriera que el grupo de
niños que vieron programas antisociales muestran mayor conducta
agresiva, frente a los niños que vieron programas prosociales, y si
no hay otra causa posible que hubiera afectado a los grupos de
niños se comprobaría la hipótesis.
Ejemplo
• Hipótesis de investigación: Los programas televisivos con
contenidos antisociales influyen sobre la conducta agresiva de los
niños.
• Variable independiente: Programas televisivos antisociales.
• Variable dependiente: Conducta agresiva de los niños.
• Diseño de investigación: El diseño es cuasi experimental,
pudiéndose utilizar de dos maneras, así:
Diseño experimental completamente
aleatorio
• Es el diseño más simple y sencillo de realizar, en el cual los
tratamientos se asignan entre las unidades experimentales. Este
diseño tiene una amplia aplicación cuando las unidades
experimentales son muy homogéneas, es decir, la mayoría de los
factores actúan por igual entre las unidades.
• El diseño completamente al azar es una prueba basada en el
análisis de varianza, en donde la varianza total se descompone en
“la varianza de los tratamientos” y la “varianza del error”.
• El objetivo es determinar si existe una diferencia significativa entre
los tratamientos, para lo cual se compara si la “varianza del
tratamiento” contra la “varianza del error” y se determina si la
primera es lo suficientemente alta.
Características
a) Se definen los tratamientos que se van aplicar a las n
unidades experimentales, de tal forma que a r unidades
experimentales les va a corresponder un tipo de
tratamiento.
b) Las unidades experimentales se sortean para la asignación a
cada tratamiento.
c) Se define la variable a medir.
Ventajas
a) Es flexible, el número de observaciones puede variar de un
tratamiento para otro.
b) El análisis estadístico es simple, aunque se tengan
tratamientos con diferente número de observaciones.
c) El análisis no se complica cuando se pierde algún dato o
todo un tratamiento.
d) Los grados de libertad son máximos y en experimentos
pequeños con pocos tratamientos y repeticiones
representan una ventaja.
Hipótesis de un diseño completamente al
azar
• En este diseño la hipótesis nula (H0) es que los efectos del
tratamiento son todos iguales, lo que se expresa por:
H0: β1= β2= β3=……
• La hipótesis alterna es que hay al menos un efecto de
tratamiento que es diferente a los demás. Para probar esta
hipótesis se hace uso de la prueba ANOVA.
Prueba para la
diferencia de
medias
Introducción
• El análisis de varianza (ANOVA) de un factor sirve para
comparar varios grupos en una variable cuantitativa. Se trata,
por lo tanto, de una generalización de la prueba “t” de
Student para dos muestras independientes al caso de diseños
con más de dos muestras.
• El análisis de la varianza permite contrastar la hipótesis nula
de que las medias de K poblaciones (K>2) son iguales, frente a
la hipótesis alternativa de que por lo menos una de las
poblaciones difiere de las demás en cuanto a su valor
esperado.
Introducción
• El análisis de varianza es un método de prueba de igualdad de
tres o más medias poblacionales, por medio del análisis de las
varianzas muestrales.
• Formulación de la hipótesis nula (H0) y la hipótesis alterna (H1)
• H0: μ1=μ2=μ3= μ4=….
• H1: No todas las medias son iguales
Estadístico de prueba
• Si el valor estadístico de prueba (ANOVA) nos impulsa a
aceptar la hipótesis nula (H0), se concluye que las diferencias
observadas entre las medias muestrales se deben a la
variación casual en el muestreo (por lo que se asevera que los
valores medios de la población son iguales).
• Si se rechaza la hipótesis nula (H0), se concluye que las
diferencias entre los valores medios de la muestra son
demasiado grandes como para deberse únicamente a la
casualidad (por lo que se asevera que, no todas las medias de
la población son iguales)
ANOVA
• El análisis de varianza requiere el cumplimiento de los
siguientes supuestos:
• Las poblaciones (distribuciones de probabilidad de la variable
dependiente correspondiente a cada factor) son normales.
• Las K muestras sobre las que se aplican los tratamientos son
independientes.
• Las poblaciones tienen todas igual varianza (homocedasticidad).
Análisis de varianza de un factor
• Se utiliza para probar la hipótesis de que tres o más medias
poblacionales son iguales y porque se emplea una sola
propiedad o característica para categorizar las poblaciones.
DEMO
Ejemplo
• Se tiene un nuevo limpiador de uso múltiple cuya demanda se
prueba exhibiéndolo en tres lugares diferentes dentro de
diversos supermercados.
• La tabla muestra el número de botellas de 12 onzas de “Clean
All” que se vendieron en cada ubicación. Al nivel de
significancia del 0,025 ¿existe una diferencia en el número
medio de botellas vendidas según el punto de venta?
Solución
1. Formulación de la hipótesis nula (H0) y la hipótesis alterna
(H1)
• H0: La media del número de botellas vendidas no difieren según el
punto de venta. H0: μ1 = μ2 = μ3
• H1: No todas las medias del número de botellas vendidas en los
puntos de ventas son iguales.
2. Nivel de significación α=0,025
3. Prueba análisis de varianza de un factor (ANOVA).
Solución
• Regla de decisión:
Se rechaza H0 si Fc > F(2; 9)
19,5203 >5,7147
• Conclusión: Se rechaza la hipótesis
nula (H0) y se acepta la hipótesis
alterna (H1), por tanto, se afirma que
el número medio de botellas
vendidas de “Clean All” difieren
según el punto de venta donde se
ubicó el producto, para un nivel de
confianza del 97,5%.
Experimento
factorial AxB
(ANOVA en dos
direcciones)
Introducción
• En un análisis de varianza en dos direcciones se considera una
segunda variable de tratamiento. La segunda variable de
tratamiento se denomina la variable de bloqueo.
• La ventaja de considerar otros factores reside en que se puede
reducir la varianza del error.
Recursos adicionales
https://1drv.ms/f/s!AnpbNMf4AA0wiEV5WjdZUy-Bf9p1
4y5
Propósito de la
•Realiza el
semana
control
estadístico de
procesos.
Contenido
Recursos adicionales
https://1drv.ms/f/s!AnpbNMf4AA0wiEV5WjdZUy-Bf9p1
MASA-RESORTE-AMORTIGUADO Y FORZADO
Problemas propuestos:
APLICACIONES DE LA EDL EN CIRCUITO ELÉCTRICOS RLC
Problemass propuestos:
1. Dos grandes tanques, cada uno con 100 litros de agua se encuentran interconectados
por medio de tubos. El agua fluye del tanque A al B a 3 L/m y de B al A a 1 L/m. Una
solución de salmuera con concentración de 2 Kg/L fluye hacia el tanque A a 6 L/m. La
solución diluida sale del tanque A a 4L/m y del tanque B a 2L/m. El tanque A contenía
agua pura y el tanque B 200 kg de sal. Se pide hallar la variación de sal en los tanques
A y B.
4. Consideremos dos tanques, A y B, conteniendo 1000 litros de agua cada uno de ellos
e interconectados. El líquido fluye del tanque A hacia el tanque B a razón de 30 l/min
y del tanque B hacia el A a razón de 10 l/min. Una solución de salmuera con una
concentración de 2 kg/l de sal fluye hacia el tanque A a razón de 60 l/min,
manteniéndose bien agitado el líquido contenido en el interior de cada tanque. La
solución diluida fluye hacia el exterior del sistema, desde el tanque A a razón de 40
l/min y desde B a razón de 20 l/min. Si inicialmente el tanque A solo contiene agua y el
tanque B contiene 200 kg de sal, calcula qué cantidad de sal habría en cada tanque
al cabo de 10 min.
En los ejercicios del 31 al 34, resuelva el problema de valores iniciales que se proporciona
en cada caso.
ECUACION DIFERENCIAL LINEAL CON COEFICIENTES VARIABLES CON
TRANSFORMADA DE LAPLACE
}
Explicaion del profesor
7
CAPÍTULO
3
Aplicaciones de primer orden
T0 T .t / T .t / Ta
Ta Ta Ta
Para modelar la temperatura del objeto utilizamos la ley de Enfriamiento de Newton; ésta afirma que la
rapidez de cambio de la temperatura de un cuerpo es directamente proporcional a la diferencia de tempera-
turas entre el cuerpo y el medio circundante. Esto es,
1. Cuando T0 > Ta , y por lo mismo T .t/ > Ta , en el cuerpo ocurre un enfriamiento y se tiene que T .t/
d d
decrece y que T .t/ Ta > 0, es decir, T .t/ < 0 y T .t/ Ta > 0, por lo que T .t/ D kŒT .t/ Ta )
dt dt
k < 0.
1. canek.azc.uam.mx: 22/ 9/ 2010
1
2 Ecuaciones diferenciales ordinarias
2. Cuando T0 < Ta , y por lo mismo T .t/ < Ta , en el cuerpo ocurre un calentamiento y se tiene que T .t/
d d
crece y que T .t/ Ta < 0, es decir, T .t/ > 0 y T .t/ Ta < 0, por lo que T .t/ D kŒT .t/ Ta )
dt dt
k < 0.
d
Concretando: sea enfriamiento o calentamiento, la ecuación diferencial T .t/ D kŒT .t/ Ta tiene sentido
dt
siempre y cuando k sea negativa (k < 0).
Tenemos entonces que la temperatura T .t/ del cuerpo en el instante t 0 está determinada por el PVI:
dT
D kdt ) T > Ta ) T Ta > 0 )
T Ta
Z
dT
Z ) j T Ta j D T Ta :
) D k dt )
T Ta
Obtenemos lo mismo si:
) ln j T Ta j D kt C C1 )
T < Ta ) T Ta < 0 )
) jT Ta j D e k t CC1 D e k t e C1 D Ce k t )
) jT Ta j D Ce k t )
) jT Ta j D Ce k t )
) .T Ta / D Ce k t )
) T Ta D Ce k t )
)T Ta D Ce k t ) T Ta D Ce k t :
) T .t/ D Ta C Ce k t
Ejemplo 3.4.1 Un cuerpo que tiene una temperatura de 70 ı F es depositado (en el tiempo t D 0) en un lugar donde
la temperatura se mantiene a 40 ı F. Después de 3 min, la temperatura del cuerpo ha disminuido a 60 ı F.
1. ¿Cúal es la temperatura del cuerpo después de 5 min?
2. ¿Cuánto tiempo pasará para que el cuerpo tenga 50 ı F?
H Si T .t/ es la temperatura del cuerpo en ı F después de t minutos, entonces la ecuación diferencial que
modela a T .t/ es
T 0 .t/ D kŒT .t/ Ta ;
donde Ta D 40 ı F es la temperatura fija del medio circundante.
Las condiciones adicionales son T .0/ D 70 y T .3/ D 60.
Luego, la temperatura T .t/ está dada por la solución del PVI:
Ahora,
T .0/ D 70 , T .0/ D Ce k0 C 40 D 70 , C C 40 D 70 , C D 30I
3.4 Ley de Enfriamiento de Newton 3
0:1352 t 50 40 10 1
T .t/ D 50 ) 30e C 40 D 50 ) e 0:1352 t D D D )
30 30 3
ln 3
1 1:0986
) 0:1352 t D ln D ln 3 ) t D D 8:1258 min.
3 0:1352 0:1352
Entonces el cuerpo tendrá una temperatura de 50 ı F después de t 8 minutos, 8 segundos.
Ejemplo 3.4.2 Un objeto que tiene una temperatura 50 ı F se coloca a las 10:00 horas en un horno que se mantiene a
375 ı F. A las 11:15 horas su temperatura era 125 ı F. ¿A qué hora estará el objeto a 150 ı F?
d
T .t/ D kŒT .t/ Ta I
dt
donde Ta D 375 ı F es la temperatura constante del medio circundante.
Puesto que de 10 am a 11:15 am transcurren 75 min, las condiciones adicionales son
Luego la temperatura T .t/ del objeto está dada por la solución del PVI:
Sabemos que:
T .t/ D Ta C Ce k t ) T .t/ D 375 C Ce k t :
Ahora, usando la condición inicial:
Por lo que,
T .t/ D 375 325e k t :
Usando la segunda condición:
125 375 250 10
T .75/ D 125 ) 375 325e k75 D 125 ) e 75k D D D )
325 325 13
10 1 10
) 75k D ln ) kD ln D 0:0034982 0:0035 :
13 75 13
4 Ecuaciones diferenciales ordinarias
Luego,
0:0035t
T .t/ D 375 325e :
Es decir, la temperatura del objeto será T D 150 ı F después de t D 105 min, a partir de las 10 de la mañana.
Por lo tanto, la temperatura será 150 ı F aproximadamente a las 11:45 horas.
Ejemplo 3.4.3 Una taza de café cuya temperatura es 190 ı F se coloca en un cuarto cuya temperatura es 65 ı F. Dos
minutos más tarde la temperatura del café es 175 ı F. ¿Después de cuánto tiempo la temperatura del café será 150 ı F?
H Sea T .t/ la temperatura (en ı F) del café en el instante t 0 min. Observamos que
dT
D k.T 65/; con T .0/ D 190 y además T .2/ D 175;
dt
para determinar la temperatura del café en cualquier instante t 0 min. Sabemos que
T .t/ D Ta C Ce k t ) T D 65 C Ce k t :
Entonces:
0:0639t
T .t/ D 65 C 125e ;
Ejemplo 3.4.4 Un termómetro en el que se lee 70 ı F se coloca en un lugar donde la temperatura es 10 ı F. Cinco
minutos más tarde el termómetro marca 40 ı F. ¿Qué tiempo debe transcurrir para que el termómetro marque medio
grado maś que la temperatura del medio ambiente?
H Sea T .t/ la temperatura (en ı F) del termómetro en el instante t 0 min. Observamos que
dT
D k.T 10/; con T .0/ D 70 y además T .5/ D 40:
dt
La solución es
T .t/ D Ta C Ce k t ) T .t/ D 10 C Ce k t :
Utilizamos la condición inicial:
ln 0:5
T .5/ D 40 ) T .5/ D 10 C 60e 5k D 40 ) e 5k D 0:5 ) D ln.0:5/ ) k D 0:1386 :
5
En conclusión:
0:1386t
T .t/ D 10 C 60e :
Sea t1 el minuto en que T .t1 / D 10:5 F: ı
Ejemplo 3.4.5 Un termómetro que está en el interior de una habitación se lleva al exterior donde la temperatura es
5 ı F. Después de 1 min el termómetro marca 55 ı F y después de 5 min marca 30 ı F. ¿Cuál era la temperatura del
termómetro en la habitación?
Las expresiones (3.1) y (3.2) conforman un sistema de dos ecuaciones con dos incógnitas (T0 y k). Entonces,
por igualación:
k
50e D 25e 5k ; (multiplicando por e 5k ) ) 50e 4k D 25 ) e 4k D 0:5 ) 4k D ln.0:5/ )
ln.0:5/
) kD D 0:1733 ) k 0:1733 :
4
Utilizando el valor de k en (3.1):
k
T0 5 D 50e ) T0 D 5 C 50e 0:1733 ) T0 D 64:46 ı F:
Con estos datos podemos obtener el valor de k, que en cierta forma mide la sensibilidad del termómetro.
El PVI es
dT
D k.T 36/; con T .0/ D 20 y además T .1/ D 27:
dt
Sabemos que
T .t/ D Ta C Ce k t ) T .t/ D 36 C Ce k t :
Usando la condición inicial:
T .0/ D 20 ) Ta C C D 20 ) C D 20 Ta ;
Ejemplo 3.4.7 Un ganadero salió una tarde a cazar un lobo solitario que estaba diezmando su rebaño. El cuerpo del
ganadero fue encontrado sin vida por un campesino, en un cerro cerca del rancho junto al animal cazado, a las 6:00 h
del día siguiente. Un médico forense llegó a las 7:00 y tomó la temperatura del cadáver, a esa hora anotó 23 ı C; una
hora más tarde, al darse cuenta de que en la noche, y aún a esas horas, la temperatura ambiente era aproximadamente
de 5 ı C, el médico volvió a medir la temperatura corporal del cadáver y observó que era de 18:5 ı C. ¿A qué hora murió
el ganadero aproximadamente?
H Podemos suponer por la información proporcionada, que la temperatura ambiente se mantuvo casi
constante como Ta D 5 ı C y también que hasta el instante de su muerte, cuyo momento desconocemos, la
temperatura corporal del ganadero fue de 36 ı C.
Tiene mucho sentido que el forense haya tomado dos mediciones de la temperatura del cuerpo, para deter-
minar el valor de k. Podemos denotar por T .t/ la temperatura del cuerpo al tiempo t, medido en horas; por
comodidad, hagamos t D 0 a las 7:00 h y t D 1 a las 8:00 h, así que tenemos el PVI:
dT
D k.T Ta /; con T .0/ D 23 ı C y además T .1/ D 18:5 ı C;
dt
con Ta D 5 ı C. Se busca determinar el tiempo (negativo) t0 en el que T .t0 / D 36 ı C. Al resolver la ED
sabemos que:
T .t/ D Ta C Ce k t ) T D 5 C Ce k t ) T .t/ 5 D Ce k t :
Al usar las condiciones resulta
0:2877t0 0:2877t0 31
36 D 5 C 18e ) 18e D 36 5 ) e 0:2877t0 D )
18
ln.31=18/
31
) 0:2877t0 D ln ) t0 D D 1:8895 1 h 53 min.
18 0:2877
Comprobamos que el deceso ocurrió aproximadamente 1 h y 53 min antes de las 7:00 (hora de la primer
toma de temperatura), esto es, alrededor de las 5:07 horas.
8 Ecuaciones diferenciales ordinarias
1. 3 h, 46 min, 18 s. 6. 390 ı F.
2. 61:67 ı C; 33 min, 44 s. 7. 40 ı F.
3. 36:7 ı F; 3 min, 4 s. 8. 1 h, 29 min, 22 s.
4. 68 ı C; 20 min, 41 s. 9. 13:20:19; 50:22 ı F.
5. 37:9 ı C; 27:38 s. 10. Luis.
1
D: H La temperatura T .t/, en ı C, del material cerámico al cabo de t minutos, está dada por la
solución del PVI:
T 0 .t/ D kŒT .t/ 5; con T .0/ D 750 y además T .15/ D 600:
Resolvemos la ED:
Z Z
dT dT dT
D k.T 5/ ) D k dt ) Dk dt )
dt T 5 T 5
) ln.T 5/ D k t C C ) T 5 D e ktCC D e kt e C D e kt C )
) T 5 D C e kt ) T .t/ D 5 C C e kt :