Procesos Estacionarios. Francisco J. González Serrano. Universidad Carlos III de Madrid
|
|
- Victoria Aguilar de la Fuente
- hace 8 años
- Vistas:
Transcripción
1 PREDICCIÓN DE SEÑALES Procesos Estacionarios Francisco J. González Serrano Universidad Carlos III de Madrid
2 Procesos Estacionarios A la hora de hacer predicciones parece obvio suponer que algo debe permanecer constante o invariable. Ejemplo: si la derivada de la función a predecir es constante (localmente, si se prefiere) se pueden aplicar las técnicas de extrapolación lineal para predecir sus valores desconocidos. La hipótesis de estacionariedad de la componente aleatoria de la serie temporal simplifica el problema. F. González 1
3 Propiedades básicas Un proceso estacionario {X t } se caracteriza, al menos desde la perspectiva de sus estadísticos de segundo orden, por su media µ y su función de autocovarianza γ( ). La función de autocovarianza (ACVF) de un serie temporal {X t } estacionaria (en sentido amplio) se define como γ(h) = Cov(X t+h X t );, h = 0, ±1, ±2,... (1) La función de autocorrelación (ACF) de {X t } se define como ρ(h) = γ(h) γ(0) (2) Estas dos funciones proporcionan una medida del grado de independencia entre los valores de las series temporales en diferentes instantes y, por esta razón, desempeñan un papel primordial en la predicción de valores futuros. F. González 2
4 Propiedades media muestral Estimación de la media µ: media muestral Estimador insesgado:e ( Xn ) = µ La varianza del estimador es X n = 1 n (X 1 + X X n ). (3) Var( X n ) = 1 n 2 n = 1 n i=1 n h= n n Cov(X i, X j ) (4) j=1 ( 1 h ) n γ(h). 1. Si γ(h) 0 cuando h, Xn µ en valor cuadrático medio. 2. Si h= γ(h) <, entonces lím nvar( X n ) = γ(h). n Inferencia estadística sobre µ: F. González 3 h <
5 Modelo función de distribución de X n (series lineales: ARMA) ( X n N µ, 1 n ( 1 h ) ) γ(h) n n h= n, Margen de confianza del 95 % para el valor estimado de µ: 1/2 X n ± 1,96 1 γ(h) (5) n h < F. González 4
6 y ˆγ(h) = 1 n Estimación de γ( ) y ρ( ) n h t=1 ( Xt+ h X n ) ( Xt X n ), n < h < n (6a) ˆρ(h) = ˆγ(h) ˆγ(0), n < h < n. (6b) Ambos estimadores están sesgados, incluso cuando se sustituye el factor n 1 de la Ecuación (6a) por (n h) (tal y como asegura Matlab en la función xcov). Sin mayor información sobre los datos observados no es posible proporcionar estimas razonables de γ(h) y ρ(h) para h n. Incluso para valores de h ligeramente menores que n, las estimas ˆγ(h) y ˆρ(h) no son fiables debido a que se dispone de pocos pares de la forma (X t+h X t ) (cuando h = n 1 sólo hay un par). Una receta que se suele aplicar es la sugerida por Box: El tamaño del espacio muestral n debe ser al menos igual a 50 para que los valores de ˆγ(h) y ˆρ(h) proporcionen estimas razonables en el intervalo h n/4. F. González 5
7 Estimación de γ( ) y ρ( ) Ya se ha visto en el Análisis de residuos que la función de autocorrelación desempeña un papel importante a la hora de comprobar si un modelo es adecuado o no. Por ello, vuelve a ser necesario establecer unos intervalos de confianza en los valores estimados. Caracterizar la distribución de ˆρ(k) resulta (cuando menos) complicado (incluso para los modelos más sencillos). Suele funcionar bien suponer que se trata (como no) de una distribución normal, cuando n es suficientemente grande: ρ = (ρ(1),..., ρ(k)) T W es la matriz de covarianza ˆρ k = (ˆρ(1),..., ˆρ(k)) T N(ρ, 1 n W ). (7) w i,j = k=1 {ρ(k + i) + ρ(k i) 2ρ(i)ρ(k)} (8) {ρ(k + j) + ρ(k j) 2ρ(j)ρ(k)} F. González 6
8 Ejemplo: proceso MA(1) Consideremos el proceso MA(1) definido por: X t = Z t + θ 1 Z t 1, con {Z t } WN(0, σ 2 ) Su función de autocovarianza es Autocorrelación γ(h) = ρ(h) = σ 2 (1 + θ1), 2 si h = 0, σ 2 θ 1, si h = ±1 0, si h > 1 1, si h = 0, θ θ1 2, si h = ±1 0, si h > 1 Términos de la diagonal de la matriz W : { 1 3ρ w ii = 2 (1) + 4ρ 4 (1), si i = 1, 1 + 2ρ 2 (1), si i > 1. Límites de confianza [ en el estimador de la ACF: ˆρ(k) 1,96 1 ( 1 + 2ρ 2 (1) ) 1/2 1 (, ˆρ(k) + 1, ρ 2 (1) ) ] 1/2 n n (9) (10) (11) (12) F. González 7
9 Predicción de una serie temporal estacionaria Supongamos que {X t } es una serie temporal estacionaria y que tenemos acceso al valor X n. Supongamos, además, que deseamos encontrar una función m( ) de X n que nos permita obtener la mejor predicción del valor X n+h. La función predictora más simple es la función constante m(x n ) = c. Si consideramos mejor a aquel valor que minimiza E [ (X n+h c) 2], resulta sencillo demostrar que ese valor es c = E [X n+h ]. Si este problema concreto de predicción se plantea como la minimización de la esperanza condicional E [ (X n+h m(x n )) 2 X n ], la mejor función predictora resulta m(x n ) = E [X n+h X n ]. A igual resultado llegamos si minimizamos la esperanza E [ (X n+h m(x n )) 2]. Predicción lineal: m(x n ) = l(x n ) = ax n + b. Problema: encontrar los parámetros a y b que minimizan E [ (X n+h ax n b) 2]. Tras una simple manipulación algebráica resulta que a = ρ(h) y b = µ(1 ρ(h)). F. González 8
10 Ejemplo: Procesos gaussianos Supongamos que {X t } es una serie temporal gaussiana. Función de distribución de probabilidad normal multidimensional N(µ, Σ): { f X (x) = (2π) 1/2 exp 1 } 2 (x µ)t Σ 1 (x µ), (13) Caso bidimensional (X = (X 1, X 2 ) T = (X n+h, X n ) T ), la matriz de covarianza es [ ] [ ] σ 2 Σ = 1 ρσ 1 σ 2 σ ρσ 1 σ 2 σ2 2 = 2 ρ(h)σ 2 ρ(h)σ 2 σ 2, (14) Puede demostrarse que: 1. las variables X n y X n+h son independientes si, y sólo si, Σ 12 = 0 ρ(h) = 0, y que 2. la distribución de probabilidad condicional de X 1 dado que X 2 = x 2 es N(µ 1 + Σ 12 Σ 1 22 (x 2 µ 2 ), Σ 11 Σ 12 Σ 1 22 Σ 21). En particular, si X n es conocido X n+h N(µ + ρ(h)(x n µ), σ 2 (1 ρ(h) 2 )) F. González 9
11 La mejor predicción del valor X n+h en función de X n es E [X n+h X n ] = µ + ρ(h)(x n µ) (15) Error cuadrático medio: E [ (X n+h m(x n )) 2] = σ 2 (1 ρ(h) 2 ) (16) F. González 10
12 Ejemplo: Procesos gaussianos La predicción de X n+h es tanto más exacta, cuanto más cercana a uno sea ρ(h) ; E [ (X n+h m(x n )) 2] = σ 2 (1 ρ(h) 2 ) 0 (17) En el límite ρ 1 m(x n ) = E [X n+h X n ] µ ± (X n µ) (18) Si hubiésemos utilizado un predictor lineal, l(x n ) = µ + ρ(h)(x n µ). (19) Para procesos gaussianos, l(x n ) m(x n ). En general, m(x n ) proporciona un error de predicción menor que l(x n ). F. González 11
13 Procesos lineales El proceso {X t } es lineal si: X t = j= ψ j Z t j t (20) {Z t } WN(0, σ 2 ) {ψ j } satisface j= ψ j < (estabilidad). Empleando el operador retardo, X t = ψ(d)z t, (21) donde ψ(d) = k= ψ k D k. El operador ψ(d) puede interpretarse como un filtro lineal que se aplica a la serie ruidosa de entrada {Z t } para producir la salida {X t }. F. González 12
14 Predicción de series estacionarias Problema: predecir X n+h, h > 0. µ y γ( ) conocidas. Función de coste: error cuadrático medio. Minimización: ɛ n a i = 0 ɛ n a j = 0 E Notación vectorial: P n X n+h = a 0 X n + a 1 X n a n 1 X 1 + a n (22) ɛ n = E (X n+h a 0 X n a 1 X n 1 a n 1 X 1 a n ) 2 [ ] ɛ n n 1 = 0 E X n+h a i X n i = a n (23a) a n i=0 [( ) ] n 1 X n+h a i X n i X n j = 0,, j = 0,..., n 1. (23b) a n = µ i=0 ( 1 n 1 i=0 a i ) Γ n a n = γ n (h), a n = (a 0,..., a n 1 ) T, Γ n = [γ(i j)] n 1 i,j=0, γ n(h) = [γ(h),..., γ(h + n 1)] T (24a) F. González 13
15 Predicción de series estacionarias Predictor lineal satisface 1. P n X n+h = µ + n 1 i=0 a i(x n i µ) Cuando µ = 0 P n X n+h = a T nx n, (25) siendo X n = (X n,..., X 1 ) T. 2. Error de predicción. E [(X n+h P n X n+h )] = 0, (26) 3. Error cuadrático medio ɛ n = E [ (X n+h P n X n+h ) 2] = γ(0) 2 n 1 i=0 a i γ(h i) + n 1 n 1 i=0 j=0 a i γ(i j)a j = γ(0) a T nγ n (h) (27) F. González 14
16 Ejemplo: predicción proceso AR(1) Consideremos el proceso AR de primer orden X t φx t 1 = Z t, t = 0, ±1, ±2,... (28) {Z t } WN(0, σ 2 ) φ < 1 Z t incorrelado con X s para s < t. Única solución estacionaria de (28): X t = φ k Z t k. (29) k=0 Función de autocovarianza de {X t }: γ X (h) = φ k φ k+h σ 2 = σ2 φ h (30) 1 φ 2 k=0 Problema de predicción lineal resolver Γ n a n = γ n (h). F. González 15
17 Caso h = 1 (factor σ 2 1 φ 2) 1 φ φ 2 φ n 1 φ 1 φ φ n φ n 1 φ n 2 φ n 3 1 a 1 a 2. a n = φ φ 2. φ n, (31) Solución: a n = (φ, 0,..., 0) T. Por tanto, Para h > 1, tener en cuenta que P n X n+1 = a T nx n = φx n. P n X n+h = φp n X n+h 1. (32) F. González 16
18 Algoritmo Levinson-Durbin El ejemplo anterior nos permite abrir un camino para realizar predicciones: la recursividad. El algoritmo de Levison-Durbin permite obtener recursivamente los coeficientes del vector Γ n es no singular. a n = Γ 1 n γ n Algoritmo Levinson-Durbin y a nn = a n1. a n,n 1 donde a 11 = γ(1)/γ(0) y ɛ 0 = γ(0) [ γ(n) = n 1 k=1 a n 1,1. a n 1,n 1 a n 1,k γ(n k) a nn ɛ n = ɛ n 1 [ 1 a 2 nn ] ] ɛ 1 n 1, a n 1,n 1. a n 1,1 (33a) (33b) (33c) F. González 17
19 Función de autocorrelación parcial (PACF): α(0) = 1,..., α(n) = a nn, n = 1, 2,... Relación entre α(n) y la reducción del error cuadrático medio al aumentar el número de predictores de n 1 a n ɛ n = ɛ n 1 [ 1 α 2 (n) ] (34) F. González 18
20 {X t } proceso MA(1) Algoritmo Levinson-Durbin. Ejemplo X t = Z t + θz t 1, {Z t } WN(0, σ 2 ). (35) Función de autocorrelación de procesos MA(q) X t = q k=0 θ kz t k (θ 0 = 1): { σ γ(h) = 2 q h k=0 θ kθ k+ h, si h q 0, si h > q (36) Matriz de covarianzas: γ(h) = 0 para i j = h > 1 γ(0) = σ 2 (1 + θ 2 ) γ(1) = θσ 2. (37) Algoritmo Levinson-Durbin. Primera iteracion ɛ 0 = γ(0) = σ 2 (1 + θ 2 ), a 11 = γ(1) γ(0) = θ 1 + θ ( 2 ( ) ɛ 1 = ɛ 0 1 a 2 11 = σ 2 (1 + θ 2 θ 2 ) ) 1 = σ 21 + θ2 + θ 4 (1 + θ 2 ) θ 2 F. González 19
21 Segunda iteración Tercera iteración En general, θ 2 a 22 = a 11 θσ 2 /ɛ 1 = 1 + θ 2 + θ 4 a 21 = a 11 a 22 a 11 = θ ( 1 + θ 2) 1 + θ 2 + θ 4 ɛ 2 = ɛ 1 ( 1 a 2 22 ) = σ θ2 + θ 4 + θ θ 2 + θ 4 θ 3 a 33 = (a 21 γ(2) + a 22 γ(1)) = a 22 γ(1) = 1 + θ 2 + θ 4 + θ 6 a 31 = a 21 a 33 a 22 = θ ( 1 + θ 2 + θ 4) 1 + θ 2 ( + θ 4 + θ 6 a 32 = a 22 a 33 a 21 = θ2 1 + θ 2) 1 + θ 2 + θ 4 + θ 6 a nl = ( 1) l+1 ( θ l ) n l k=0 θ2k n k=0 θ2k ( n+1 ) ɛ n = σ 2 k=0 θ2(k+1) n k=0 θ2k F. González 20
22 Algoritmo de Levinson-Durbin. Ejemplo Ejemplo numérico: X t = Z t + 0,9Z t 1, {Z t } WN(0, 1). (38) Levinson-Durbin ˆX n+1 = n a nk X n+1 k (39) k=1 ɛ 0 = 1,81 a 11 = 0,497 ɛ 1 = 1,3625 a 21 = 0,660 a 22 = 0,3285 ɛ 2 = 1,2155 a 31 = 0,740 a 32 = 0,4892 a 33 = 0,2433 ɛ 3 = 1,1436 a 41 = 0,787 a 42 = 0,5828 a 43 = 0,385 a 44 = 0,1914 ɛ 4 = 1,1017 F. González 21
23 Algoritmo de innovaciones Algoritmo recursivo que puede aplicarse a todas las series temporales con momentos de segundo orden finitos, independientemente de si son estacionarias o no. Supongamos que {X t } tiene media 0, que E X t 2 < para cada t y que E (X i X j ) = κ(i, j). (40) Definimos los predictores de orden 1 y sus errores cuadrático medios como y ˆX n = { 0, si n = 1 P n 1 X n, si n = 2, 3,... ɛ n = E (X n+1 P n X n+1 ) 2. (41a) (41b) F. González 22
24 La innovación, o el error de predicción de orden 1, es U n = X n ˆX n, (42) Generalización: vectores U n = (U 1,..., U n ) T y X n = (X 1,..., X n ) T a U n = a 22 a a n 1,n 1 a n 1,n 2 a n 1,n 3 1 U n = A n X n (43) Si {X t } estacionario, a ij = a j con a j solución de con h = 1. X n Γ n a n = γ n (h) (44) F. González 23
25 Algoritmo de innovaciones La matriz A n (U n = A n X n ) no es singular. A 1 n = C n = Predictores de orden 1, ϑ ϑ 22 ϑ ϑ n 1,n 1 ϑ n 1,n 2 ϑ n 1,n 3 1 = I + Θ n (45) X n = (I + Θ n ) U n (46) ˆX n = (X 1, P 1 X 2,..., P n 1 X n ) ( T ˆX n = X n U n = Θ n X n ˆX ) n (47) Forma recursiva: ˆX n+1 = { 0, si n = 0 n j=1 ϑ nj (X n+1 j ˆX n+1 j ), si n = 1, 2,... (48) Levinson-Durbin: ˆXn+1 = n j=1 a njx n+1 j F. González 24
26 Algoritmo de innovaciones ϑ n,n k = 1 ɛ k κ(n + 1, k + 1) ɛ 0 = κ(1, 1) k 1 j=0 ɛ n = κ(n + 1, n + 1) ϑ k,k j ϑ n,n j ɛ j, 0 k < n n 1 j=0 ϑ 2 n,n jɛ j (49a) (49b) (49c) F. González 25
27 Algoritmo de innovaciones. Ejemplo {X t } proceso MA(1) X t = Z t + θz t 1, {Z t } WN(0, σ 2 ). (50) Función de autocorrelación de procesos MA(q) X t = q k=0 θ kz t k (θ 0 = 1): { σ γ(h) = 2 q h k=0 θ kθ k+ h, si h q 0, si h > q Matriz de covarianzas: κ(i, j) = γ(h) = 0 para i j = h > 1 κ(i, i) = γ(0) = σ 2 (1 + θ 2 ) (51) κ(i, i + 1) = γ(1) = θσ 2. (52) Algoritmo de innovaciones: ɛ 0 = κ(1, 1) = (1 + θ 2 )σ 2 θ n1 = θσ2 ɛ n 1 θ nj = 0, 2 j n F. González 26
28 ɛ n = [1 + θ 2 θ2 σ 2 ɛ n 1 ] ( n+1 ) = σ 2 k=0 θ2(k+1) n k=0 θ2k A medida que n aumenta, ɛ n σ 2. Debe aplicarse el algoritmo de innovaciones para la predicción de procesos MA(q) puesto que en este caso ϑ nj = 0 para n j > q. Por el contrario, para procesos AR(p) es mejor utilizar el algoritmo Durbin-Levinson puesto que a nj = 0 para n j > p. F. González 27
29 Algoritmo de innovaciones. Ejemplo Ejemplo numérico: X t = Z t + 0,9Z t 1, {Z t } WN(0, 1). (53) Innovaciones ˆX n+1 = n ϑ nk ( X n+1 k ˆX n+1 k ) = ϑ n1 ( X n ˆX n ) (54) k=1 ɛ 0 = 1,81 ϑ 11 = 0,497 ɛ 1 = 1,3625 ϑ 21 = 0,660 ϑ 22 = 0 ɛ 2 = 1,2155 ϑ 31 = 0,740 ϑ 32 = 0 ϑ 33 = 0 ɛ 3 = 1,1436 ϑ 41 = 0,787 ϑ 42 = 0 ϑ 43 = 0 ϑ 44 = 0 ɛ 4 = 1,1017 F. González 28
30 Descomposición de Wold Para explicar esta descomposición se necesita utilizar el concepto de proceso determinístico. Considérese el proceso estacionario X t = A cos(ωt) + Bsen(ωt) donde ω (0, π) es una constante y A, B son variables aleatorias incorreladas de media 0 y varianza σ 2. Manipulando algebráicamente Predictor lineal de X n : X n P n 1 X n = 0 para todo n. X n = 2 cos(ω)x n 1 X n 2 = P n 1 X n, n = 0, ±1,... P n X n+h = α k X n k Los procesos que cumplen esta propiedad se denominan determinísticos. k=0 F. González 29
31 Descomposición de Wold La descomposición de Wold establece que los procesos estacionarios no determinísticos se pueden expresar como X t = ψ k Z t k + V t (55) donde k=0 1. ψ 0 = 1 y k=0 ψ2 k <, 2. {Z t } WN(0, σ 2 ), 3. Cov(Z s, V t ) = 0 para todos s y t, 4. Z t es el límite de las combinaciones lineales de X s, s t, y 5. {V t } es determinístico, ésto es, perfectamente predecible a partir del proceso {X t }. Para la mayoría de los procesos que se estudiarán en este curso, la componente determinística valdrá 0, por lo que se denominan no determinísticos puros. F. González 30
Tema 8: Análisis Discriminante. Clasificación. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. Análisis discriminante
Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Análisis discriminante Tema 8: Análisis Discriminante y Clasificación Aurea
Más detalles8.2.2. Intervalo para la media (caso general)
182 Bioestadística: Métodos y Aplicaciones 100 de ellos se obtiene una media muestral de 3 kg, y una desviación típica de 0,5 kg, calcular un intervalo de confianza para la media poblacional que presente
Más detallesTema 3: Aplicaciones de la diagonalización
TEORÍA DE ÁLGEBRA II: Tema 3. DIPLOMATURA DE ESTADÍSTICA 1 Tema 3: Aplicaciones de la diagonalización 1 Ecuaciones en diferencias Estudiando la cría de conejos, Fibonacci llegó a las siguientes conclusiones:
Más detallesProcesos de Media Móvil y ARMA
Capítulo 4 Procesos de Media Móvil y ARMA Los procesos AR no pueden representar series de memoria muy corta, donde el valor actual de la serie sólo está correlado con un número pequeño de valores anteriores
Más detallesSelectividad Septiembre 2013 OPCIÓN B
Pruebas de Acceso a las Universidades de Castilla y León ATEÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJERCICIO Nº páginas Tablas OPTATIVIDAD: EL ALUNO DEBERÁ ESCOGER UNA DE LAS DOS OPCIONES Y DESARROLLAR
Más detallesPoblación, Unidad de Análisis, Criterios de Inclusión y Exclusión.
Población Población, Unidad de Análisis, Criterios de Inclusión y Exclusión. Muestra: Identificación y Reclutamiento. Nomenclatura En esta aproximación conceptual consideraremos a Población como sinónimo
Más detallesOPCIÓN A 0 1 X = 1 12. Podemos despejar la matriz X de la segunda ecuación ya que la matriz. 1 1 ; Adj 0 1 X =
Selectividad Junio 011 Pruebas de Acceso a las Universidades de Castilla y León MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJERCICIO Nº páginas Tablas OPTATIVIDAD: EL ALUMNO/A DEBERÁ ESCOGER UNO DE
Más detallesVECTORES. Módulo, dirección y sentido de un vector fijo En un vector fijo se llama módulo del mismo a la longitud del segmento que lo define.
VECTORES El estudio de los vectores es uno de tantos conocimientos de las matemáticas que provienen de la física. En esta ciencia se distingue entre magnitudes escalares y magnitudes vectoriales. Se llaman
Más detallesFunciones vectoriales de variable vectorial. Son aplicaciones entre espacios eucĺıdeos, IR n, f : X IR n Y IR m
Funciones vectoriales de variable vectorial Son aplicaciones entre espacios eucĺıdeos, IR n, f : X IR n Y IR m x y x = (x 1, x 2,, x n ), y = (y 1, y 2,, y m ) e y j = f j (x 1, x 2,, x n ), 1 j n n =
Más detallesCadenas de Markov. http://humberto-r-alvarez-a.webs.com
Cadenas de Markov http://humberto-r-alvarez-a.webs.com Definición Procesos estocásticos: procesos que evolucionan de forma no determinista a lo largo del tiempo en torno a un conjunto de estados. Estos
Más detallesDistribuciones Multivariantes. Distribuciones Multivariantes. Distribuciones Multivariantes. Objetivos del tema:
Distribuciones Multivariantes Distribuciones Multivariantes Distribución conjunta de un vector aleatorio Objetivos del tema: Distribuciones marginales y condicionadas Al final del tema el alumno será capaz
Más detallesTema 1. Inferencia estadística para una población
Tema 1. Inferencia estadística para una población Contenidos Inferencia estadística Estimadores puntuales Estimación de la media y la varianza de una población Estimación de la media de la población mediante
Más detallesEstimación de la densidad
23 de marzo de 2009 : histograma Si suponemos que F tiene función de densidad f puede ser útil estimarla. Un estimador muy utilizado es el histograma. Dado un origen x 0 y un ancho h > 0 el histograma
Más detallesCAPÍTULO 1. PROPAGACIÓN DE LAS ONDAS PLANAS UNIFORMES
CAPÍTULO 1. PROPAGACIÓN DE LAS ONDAS PLANAS UNIFORMES 1.1 Ecuación de onda. Las ecuaciones de Maxwell se publicaron en 1864, su principal función es predecir la propagación de la energía en formas de Onda.
Más detallesGeometría Tridimensional
Capítulo 4 Geometría Tridimensional En dos dimensiones trabajamos en el plano mientras que en tres dimensiones trabajaremos en el espacio, también provisto de un sistema de coordenadas. En el espacio,
Más detallesLos valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas:
Sobre los modelos lineales mixtos Ejemplo: Recuperación de infarto. Para estudiar las diferencias entre dos procedimientos diferentes de recuperación de pacientes de un infarto, se consideraron dos grupos
Más detallesLÍMITES Y CONTINUIDAD
UNIDAD 5 LÍMITES Y CONTINUIDAD Páginas 0 y Describe las siguientes ramas: a) f () b) f () no eiste c) f () d) f () + e) f () f) f () + g) f () h) f () no eiste; f () 0 i) f () + f () + j) f () 5 4 f ()
Más detallesEjercicios Propuestos Tema 2
Ejercicios Propuestos Tema 2 1 Programar la función: fx, A, X = a 0 + a 1 x x 1 + a 2 x x 1 x x 2 + + a n x x 1 x x 2 x x n, donde A = [a 0, a 1,, a n ], X = [x 1, x 2,, x n ], con x R Calcular todas las
Más detallesAlgebra Lineal -III: Álgebra Vectorial en R2 and R 3
Algebra Lineal -III: Álgebra Vectorial en R2 and R 3 José María Rico Martínez Departamento de Ingeniería Mecánica División de Ingeniería, Campus Irapuato-Salamanca Universidad de Guanajuato email: jrico@ugto.mx
Más detallesMétodos generales de generación de variables aleatorias
Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad
Más detallesTeoría de Colas o Fenómenos de Espera
Teoría de Colas o Fenómenos de Espera Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Introducción 2 Introducción............................................................
Más detallesTema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor
Tema 5 Aproximación funcional local: Polinomio de Taylor Teoría Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una función resulta difícil de evaluar con exactitud,
Más detallesMATEMÁTICAS CON LA HOJA DE CÁLCULO
MATEMÁTICAS CON LA HOJA DE CÁLCULO Podemos dar a esta aplicación un uso práctico en el aula de Matemáticas en varios sentidos: Como potente calculadora: sucesiones, límites, tablas estadísticas, parámetros
Más detallesTÉCNICAS DE INTEGRACIÓN
C TÉCNICAS DE INTEGRACIÓN C. CONCEPTOS PRELIMINARES C.. Función primitiva Sea f : I R, donde I es un intervalo real. Diremos que la función F : I R es una función primitiva de la función f en I si se cumple
Más detallesCapitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES. ÁLGEBRA PARA INGENIEROS (Solucionario)
Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES ÁLGEBRA PARA INGENIEROS (Solucionario) 2 Í N D I C E CAPÍTULO : MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES CAPÍTULO 2: ESPACIOS VECTORIALES
Más detallesExamen de Estadística Ingeniería de Telecomunicación
Examen de Estadística Ingeniería de Telecomunicación 8 de Mayo de 3 Cuestiones solucion h C. (.5p) El equipo directivo de cierta empresa del sector de hostelería está constituido por 5 personas de las
Más detallesMODELOS DE RECUPERACION
RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN INGENIERÍA INFORMÁTICA RECUPERACIÓN Y ACCESO A LA INFORMACIÓN MODELOS DE RECUPERACION AUTOR: Rubén García Broncano NIA 100065530 grupo 81 1 INDICE 1- INTRODUCCIÓN
Más detallesSoluciones Examen de Estadística Ingeniería Superior de Telecomunicación
Soluciones Examen de Estadística Ingeniería Superior de Telecomunicación de Septiempbre, 00 Cuestiones 1h C1. El tiempo que un ordenador tarda en ejecutar una tarea es una v.a. Y Expλ). Para hacer un estudio
Más detallesTema 5: Vectores aleatorios bidimensionales.
Estadística 52 Tema 5: Vectores aleatorios bidimensionales. Hasta ahora hemos estudiado las variables aleatorias unidimensionales, es decir, los valores de una característica aleatoria. En muchos casos,
Más detallesFundamentos físicos de la teledetección
Tema 1 Fundamentos físicos de la teledetección 1.1 La radiación electromagnética Dada la importancia que la radiación electromagnética tiene como transmisor de información en todas las formas de teledetección,
Más detallesÁlgebra Vectorial. Principios de Mecánica. Licenciatura de Física. Curso 2007-2008. 1
Álgebra Vectorial Principios de Mecánica. Licenciatura de Física. Curso 2007-2008. 1 Indice. 1. Magnitudes Escalares y Vectoriales. 2. Vectores. 3. Suma de Vectores. Producto de un vector por un escalar.
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 7 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Universidad de Cádiz Departamento de Matemáticas MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Tema 4 La recta en el plano Elaborado por la Profesora Doctora María Teresa
Más detallesMuestreo. Introducción
Muestreo Introducción En este documento ofrecemos un resumen sobre el concepto de muestreo, y los tipos de muestreo existentes. Además, adjuntamos una hoja para el cálculo de tamaños muestrales en auditorías
Más detallesCapítulo 9. Regresión lineal simple
Capítulo 9. Regresión lineal simple 9.1 Introducción Uno de los aspectos más relevantes de la Estadística es el análisis de la relación o dependencia entre variables. Frecuentemente resulta de interés
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD OPCIÓN A
OPCIÓN A (3 puntos) Una imprenta local edita periódicos y revistas. Para cada periódico necesita un cartucho de tinta negra y otro de color, y para cada revista uno de tinta negra y dos de color. Si sólo
Más detallesSea T R y (Ω, F, P ) un espacio de probabilidad. Un proceso aleatorio es una función
Capítulo 2 Cadenas de Markov 21 Introducción Sea T R y (Ω, F, P ) un espacio de probabilidad Un proceso aleatorio es una función X : T Ω R tal que para cada t T, X(t, ) es una variable aleatoria Si fijamos
Más detallesUnidad III: Programación no lineal
Unidad III: Programación no lineal 3.1 Conceptos básicos de problemas de programación no lineal Programación no lineal (PNL) es el proceso de resolución de un sistema de igualdades y desigualdades sujetas
Más detallesINSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERÍA MECÁNICA Y ELÉCTRICA UNIDAD CULHUACÁN INTEGRANTES
INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERÍA MECÁNICA Y ELÉCTRICA UNIDAD CULHUACÁN INTEGRANTES CÁRDENAS ESPINOSA CÉSAR OCTAVIO racsec_05@hotmail.com Boleta: 2009350122 CASTILLO GUTIÉRREZ
Más detallesMADRID / JUNIO 06 LOGSE / MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES / OPCIÓN A/ EXAMEN COMPLETO
EXAMEN COMPLETO INSTRUCCIONES GENERALES Y VALORACIÓN INSTRUCCIONES: El examen presenta dos opciones: A y B. El alumno deberá elegir una de ellas y contestar razonadamente a los cuatro ejercicios de que
Más detallesT.1 CONVERGENCIA Y TEOREMAS LÍMITE
T.1 CONVERGENCIA Y TEOREMAS LÍMITE 1. CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIA CONVERGENCIA CASI-SEGURA CONVERGENCIA EN PROBABILIDAD CONVERGENCIA EN MEDIA CUADRÁTICA CONVERGENCIA EN LEY ( O DISTRIBUCIÓN)
Más detallesEstructuras de Datos y Algoritmos
Estructuras de Datos y Algoritmos Año 205 Deducción de algunos esfuerzos para una Distribución pseudo-aleatoria de datos Introducción Vamos a desarrollar algunos de los esfuerzos para estructuras que utilizan
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesInversión en el plano
Inversión en el plano Radio de la circunferencia x 2 + y 2 + Ax + By + D = 0 Circunferencia de centro (a, b) y radio r: (x a) 2 + (y b) 2 = r 2. Comparando: x 2 + y 2 2ax 2by + a 2 + b 2 r 2 = 0 con x
Más detallesProcesos ARIMA estacionales
Capítulo 6 Procesos ARIMA estacionales 6.1. INTRODUCCIÓN Otra causa de no estacionaridad es la estacionalidad: En una serie mensual con estacionalidad anual, cada mes tiene una media distinta, con lo cual
Más detallesResolución de problemas. Temas: VOR e ILS
Resolución de problemas. Temas: VOR e ILS Autor: Mario E. Casado García 3er Curso ITT ST Índice 1. Problema tema 5: VOR......3 2. Problema tema 7: ILS.....7 3. Referencias..12 2 1. Problema tema 5: VOR
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 2 Programación Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 2 Programación Lineal ORGANIZACIÓN DEL TEMA Sesiones: Introducción, definición y ejemplos Propiedades y procedimientos de solución Interpretación económica
Más detalles1 Introducción... 2. 2 Distribución exponencial... 2. 3 Distribución Weibull... 6. 4 Distribuciones Gamma y k-erlang... 10
Asignatura: Ingeniería Industrial Índice de Contenidos 1 Introducción... 2 2 Distribución exponencial... 2 3 Distribución Weibull... 6 4 Distribuciones Gamma y k-erlang... 10 5 Distribución log-normal...
Más detallesVariables aleatorias continuas
Variables aleatorias continuas Hemos definido que una variable aleatoria X es discreta si I X es un conjunto finito o infinito numerable. En la práctica las variables aleatorias discretas sirven como modelos
Más detallesTEMA 2. CÁLCULO DE PROBABILIDADES
TEM 2. CÁLCULO DE PROILIDDES 2.1. Introducción 2.2. Conceptos básicos 2.2.1. Espacio muestral. Sucesos 2.2.2. Operaciones con sucesos 2.3. Concepto de Probabilidad. Propiedades 2.3.1. Definición clásica
Más detalles1. INVERSA DE UNA MATRIZ REGULAR
. INVERSA DE UNA MATRIZ REGULAR Calcular la inversa de una matriz regular es un trabajo bastante tedioso. A través de ejemplos se expondrán diferentes técnicas para calcular la matriz inversa de una matriz
Más detallesANALISIS MULTIVARIANTE
ANALISIS MULTIVARIANTE Es un conjunto de técnicas que se utilizan cuando se trabaja sobre colecciones de datos en las cuáles hay muchas variables implicadas. Los principales problemas, en este contexto,
Más detallesSistemas de Generación de Energía Eléctrica HIDROLOGÍA BÁSICA. Universidad Tecnológica De Pereira
2010 Sistemas de Generación de Energía Eléctrica HIDROLOGÍA BÁSICA Universidad Tecnológica De Pereira Conceptos Básicos de Hidrología La hidrología es una ciencia clave en el estudio de los sistemas de
Más detallesCurso: Métodos de Monte Carlo Unidad 2, Sesión 6: Integración por Monte Carlo
Curso: Métodos de Monte Carlo Unidad 2, Sesión 6: Integración por Monte Carlo Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo,
Más detallesLA MEDIDA Y SUS ERRORES
LA MEDIDA Y SUS ERRORES Magnitud, unidad y medida. Magnitud es todo aquello que se puede medir y que se puede representar por un número. Para obtener el número que representa a la magnitud debemos escoger
Más detallesJuegos estáticos y juegos estocásticos
Capítulo 1 Juegos estáticos y juegos estocásticos La teoría de juegos estudia modelos matemáticos de situaciones de cooperación o de conflicto en el que participan dos o más entidades (personas, empresas,
Más detallesPrograma de Postgrado en Tecnología, Administración y Ges
Programa de Postgrado en Tecnología, Administración y Gestión del Agua Universidad de Murcia Máster en Consultoría hidrológica y manejo de ecosistemas acuáticos: Sistemas de Información Geográfica Estimación
Más detallesLÍMITES DE FUNCIONES. CONTINUIDAD
LÍMITES DE FUNCIONES. CONTINUIDAD Página REFLEXIONA Y RESUELVE Algunos ites elementales Utiliza tu sentido común para dar el valor de los siguientes ites: a,, b,, @ c,, 5 + d,, @ @ + e,, @ f,, 0 @ 0 @
Más detallesSESION 4. 1. El comando Integrate 2. Aproximación de integrales definidas 3. Integración de funciones racionales
SESION. El comando Integrate. Aproimación de integrales definidas. Integración de funciones racionales . El comando Integrate El cálculo de integrales definidas e indefinidas en MATHEMATICA es sencillo
Más detallesREPRESENTACIÓN DE FUNCIONES
REPRESENTACIÓN DE FUNCIONES Tema 4: Representación de funciones Índice:. Información obtenida de la función... Dominio de la función.. Simetrías..3. Periodicidad.4. Puntos de corte con los ejes..5. Ramas
Más detallesUNIDAD 6. Programación no lineal
UNIDAD 6 Programación no lineal En matemática Programación no lineal (PNL) es el proceso de resolución de un sistema de igualdades y desigualdades sujetas a un conjunto de restricciones sobre un conjunto
Más detallesADALINE Y PERCEPTRON
Tema 3: Adaline y Perceptron Sistemas Conexionistas 1 ADALINE Y PERCEPTRON 1. Adaline 1.1. Características. 1.. Regla de Aprendizaje (LMS). Regla Delta. 1.3. Aplicaciones. 1.3.1. Clasificación de vectores.
Más detallesLa aplicación derivada sobre el espacio E de los polinomios en una variable, E D E, es
Álgebra lineal y Geometría I Gloria Serrano Sotelo Departamento de MATEMÁTICAS 1 Aplicaciones lineales Núcleo e Imagen Tipos de aplicaciones lineales Sean E y E k-espacios vectoriales Definición 11 Una
Más detallesTema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice
Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice 1 Polinomios Dedicaremos este apartado al repaso de los polinomios. Se define R[x] ={a 0 + a 1 x + a 2 x 2 +... +
Más detallesTratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA
Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA NOTA: en toda esta práctica no se pueden utilizar bucles, para que los tiempos de ejecución se reduzcan. Esto se puede hacer
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN ANÁLISIS MULTIVARIADO
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN ANÁLISIS MULTIVARIADO OBJETIVO GENERAL El curso es de un nivel matemático intermedio y tiene
Más detallesFinanzas de Empresas Turísticas
Finanzas de Empresas Turísticas Prof. Francisco Pérez Hernández (f.perez@uam.es) Departamento de Financiación e Investigación de la Universidad Autónoma de Madrid 1 Departamento de Financiación e Investigación
Más detallesTest ( o Prueba ) de Hipótesis
Test de Hipótesis 1 Test ( o Prueba ) de Hipótesis Ejemplo: Una muestra de 36 datos tiene una media igual a 4.64 Qué puede deducirse acerca de la población de donde fue tomada? Se necesita contestar a
Más detallesAsignatura: Econometría. Conceptos MUY Básicos de Estadística
Asignatura: Econometría Conceptos MUY Básicos de Estadística Ejemplo: encuesta alumnos matriculados en la UMH Estudio: Estamos interesados en conocer el nivel de renta y otras características de los estudiantes
Más detallesTema 07. LÍMITES Y CONTINUIDAD DE FUNCIONES
Tema 07 LÍMITES Y CONTINUIDAD DE FUNCIONES Límite de una función en un punto Vamos a estudiar el comportamiento de las funciones f ( ) g ( ) ENT[ ] h ( ) i ( ) en el punto Para ello, damos a valores próimos
Más detallesTema 3. Espacios vectoriales
Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición
Más detallesEste documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales.
Este documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales. Introducción Por qué La Geometría? La Geometría tiene como objetivo fundamental
Más detallesEl ímpetu de un cuerpo es el producto de la masa del cuerpo por su vector velocidad
3. Fuerza e ímpetu El concepto de ímpetu (cantidad de movimiento o momentum surge formalmente en 1969 y se define como: El ímpetu de un cuerpo es el producto de la masa del cuerpo por su vector velocidad
Más detalles_ Antología de Física I. Unidad II Vectores. Elaboró: Ing. Víctor H. Alcalá-Octaviano
24 Unidad II Vectores 2.1 Magnitudes escalares y vectoriales Unidad II. VECTORES Para muchas magnitudes físicas basta con indicar su valor para que estén perfectamente definidas y estas son las denominadas
Más detallesCapítulo 4 4. CONCLUSIONES Y RECOMENDACIONES. compañías estudiadas con un 45% y un 34% respectivamente.
Capítulo 4 4. CONCLUSIONES Y RECOMENDACIONES 4.1. CONCLUSIONES En las ciudades de Quito y Guayaquil se concentra la mayoría de las compañías estudiadas con un 45% y un 34% respectivamente. La industria,
Más detallesAlternativamente, los vectores también se pueden poner en función de los vectores unitarios:
1. Nociones fundamentales de cálculo vectorial Un vector es un segmento orientado que está caracterizado por tres parámetros: Módulo: indica la longitud del vector Dirección: indica la recta de soporte
Más detallesTema 2 Límites de Funciones
Tema 2 Límites de Funciones 2.1.- Definición de Límite Idea de límite de una función en un punto: Sea la función. Si x tiende a 2, a qué valor se aproxima? Construyendo - + una tabla de valores próximos
Más detallesSeries de Tiempo. Una Introducción
Series de Tiempo. Una Introducción Series de Tiempo Muchas veces, sobretodo para realizar pronósticos, resulta conveniente no suponer un modelo explícito para que explique la variables de interés, sino
Más detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detallesPropuesta A. 2 0 b) Dada la ecuación matricial: X =, despeja y calcula la matriz X (0.75 ptos) 1 1
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (014) Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II El alumno deberá contestar a una de las dos opciones propuestas A o B. Se
Más detallesSelectividad Septiembre 2009 SEPTIEMBRE 2009. Opción A
SEPTIEMBRE 2009 Opción A 1.- Como cada año, el inicio del curso académico, una tienda de material escolar prepara una oferta de 600 cuadernos, 500 carpetas y 400 bolígrafos para los alumnos de un IES,
Más detallesTema 6: Problemas Especiales de Programación Lineal
Tema 6: Problemas Especiales de Programación Lineal Transporte Asignación Transbordo Tienen una estructura especial que permite modelizar situaciones en las que es necesario: Determinar la manera óptima
Más detallesJOSE VICENTE CONTRERAS JULIO CALCULO INTEGRAL LA ANTIDERIVADA
CALCULO INTEGRAL LA ANTIDERIVADA Así como las operaciones matemáticas de la adición, la multiplicación y la potenciación tienen sus inversas en la sustracción, la división y la radicación, la diferenciación
Más detallesMÉTODOS DIRECTOS PARA LA RESOLUCIÓN DE ECUACIONES ALGEBRAICAS LINEALES
CAPÍTULO 4 EJERCICIOS RESUELTOS: MÉTODOS DIRECTOS PARA LA RESOLUCIÓN DE ECUACIONES ALGEBRAICAS LINEALES Ejercicios resueltos 1 1. Determine el número de operaciones aritméticas necesarias para calcular
Más detallesSistemas de Ecuaciones Lineales y Matrices
Sistemas de Ecuaciones Lineales y Matrices Oscar G Ibarra-Manzano, DSc Departamento de Area Básica - Tronco Común DES de Ingenierías Facultad de Ingeniería, Mecánica, Eléctrica y Electrónica Trimestre
Más detallesFORMA CANONICA DE JORDAN Y ECUACIONES DIFERENCIALES LINEALES A COEFICIENTES CONSTANTES
FORMA CANONICA DE JORDAN Y ECUACIONES DIFERENCIALES LINEALES A COEFICIENTES CONSTANTES Eleonora Catsigeras 6 de mayo de 997 Notas para el curso de Análisis Matemático II Resumen Se enuncia sin demostración
Más detallesCómo?: Resolviendo el sistema lineal homógeneo que satisfacen las componentes de cualquier vector de S. x4 = x 1 x 3 = x 2 x 1
. ESPACIOS VECTORIALES Consideremos el siguiente subconjunto de R 4 : S = {(x, x 2, x 3, x 4 )/x x 4 = 0 x 2 x 4 = x 3 a. Comprobar que S es subespacio vectorial de R 4. Para demostrar que S es un subespacio
Más detallesTEMA 9 DISTRIBUCIONES BIDIMENSIONALES
Tema 9 Distribuciones bidimensional Matemáticas CCI 1º Bachillerato 1 TEMA 9 DITRIBUCIONE BIDIMENIONALE NUBE DE PUNTO Y COEFICIENTE DE CORRELACIÓN EJERCICIO 1 : Las notas de 10 alumnos y alumnas de una
Más detallesGeneración de números aleatorios
Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad
Más detalles1. Hallar a qué velocidad hay que realizar un tiro parabólico para que llegue a una altura máxima de 100 m si el ángulo de tiro es de 30 o.
Problemas de Cinemática 1 o Bachillerato Tiro parabólico y movimiento circular 1. Hallar a qué velocidad hay que realizar un tiro parabólico para que llegue a una altura máxima de 100 m si el ángulo de
Más detallesb) Para encontrar los intervalos de crecimiento y decrecimiento, hay que derivar la función. Como que se trata de un cociente, aplicamos la fórmula:
1. Dada la función f(x) = : a) Encontrar el dominio, las AH y las AV. b) Intervalos de crecimiento, decrecimiento, máximos y mínimos relativos. c) Primitiva que cumpla que F(0) = 0. a) Para encontrar el
Más detallesVibración y rotación en mecánica cuántica
Vibración y rotación en mecánica cuántica Antonio M. Márquez Departamento de Química Física Universidad de Sevia Curso 14-15 Probema 1 Una moécua de 1 H 17 I en fase gaseosa, cuya ongitud de enace es 16.9
Más detalles3 Espacios Vectoriales
Prof. Susana López 31 3 Espacios Vectoriales 3.1 Introducción Un ector fijo en el plano no es más que un segmento orientado en el que hay que distinguir tres características: -dirección: la de la recta
Más detallesSubespacios vectoriales en R n
Subespacios vectoriales en R n Víctor Domínguez Octubre 2011 1. Introducción Con estas notas resumimos los conceptos fundamentales del tema 3 que, en pocas palabras, se puede resumir en técnicas de manejo
Más detallesMATEMÁTICAS aplicadas a las Ciencias Sociales II
MATEMÁTICAS aplicadas a las Ciencias Sociales II UNIDAD 1: SISTEMAS DE ECUACIONES. MÉODO DE GAUSS Sistemas de ecuaciones lineales Sistemas equivalentes. Transformaciones que mantienen la equivalencia.
Más detallesMatrices Invertibles y Elementos de Álgebra Matricial
Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CCIR/ITESM 12 de enero de 2011 Índice 91 Introducción 1 92 Transpuesta 1 93 Propiedades de la transpuesta 2 94 Matrices
Más detallesSistemas y Circuitos
Sistemas y Circuitos Práctica 4: Circuitos Analógicos Curso Académico 09/10 Objetivos En esta práctica el alumno aprenderá a calcular impedancias equivalentes analizar filtros de primer orden Normas La
Más detallesSoluciones a los problemas Olimpiada de Matemáticas Fase local Extremadura Enero de 2015
Olimpiada atemática Española RSE Soluciones a los problemas Olimpiada de atemáticas Fase local Extremadura Enero de 2015 1. lrededor de una mesa circular están sentadas seis personas. ada una lleva un
Más detalles