Scientia Et Technica ISSN: Universidad Tecnológica de Pereira Colombia

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

Download "Scientia Et Technica ISSN: Universidad Tecnológica de Pereira Colombia"

Transcripción

1 Sceta Et echca ISSN: -7 Uversa ecológca e Perera Colomba GOMEZ CARMONA, OSCAR; GALLEGO P., LUIS ALFONSO; GARCES N., LINA PAOLA MEODO DE PUNOS INERIORES PARA PROGRAMACIÓN LINEAL APLICADO A PROBLEMAS CON ÓPIMOS ALERNAIVOS Sceta Et echca, vol. XI, úm. 7, abrl, 5, pp. -6 Uversa ecológca e Perera Perera, Colomba Dspoble e: Cómo ctar el artículo Número completo Más formacó el artículo Pága e la revsta e realyc.org Sstema e Iformacó Cetífca Re e Revstas Cetífcas e Amérca Lata, el Carbe, España y Portugal Proyecto acaémco s fes e lucro, esarrollao bao la catva e acceso aberto

2 Sceta et echca Año XI, No 7, Abrl 5. UP. ISSN -7 MEODO DE PUNOS INERIORES PARA PROGRAMACIÓN LINEAL APLICADO A PROBLEMAS CON ÓPIMOS ALERNAIVOS RESUMEN E problemas e programacó leal que preseta óptmos alteratvos es posble etermar la solucó más atractva e acuero a etermaas cocoes el problema. E este ocumeto se preseta ua mofcacó al métoo e Putos Iterores Prmal-Dual para ser aplcao a problemas e optmzacó co múltples solucoes. PALABRAS CLAVES: Dreccoes e Búsquea, Métoo e Barrera Logarítmca, Óptmos Alteratvos, Programacó Leal, Putos Iterores. ABSRAC I problems of lear programmg that preset optmal alteratve t s possble to eterme the attractve soluto but accorg to the cotos of ths problem. I ths ocumet a mofcato to the metho of Iteror Pots Prmal-Dual appears to be apple to problems of optmzato wth multple solutos. KEYWORDS: Drectos search, Metho of Logarthmc Barrer, Optmal Alteratve, Lear programmg, Iteror Pots. OSCAR GOMEZ CARMONA Igeero Electrcsta Profesor Uversa ecológca e Perera r@utp.eu.co LUIS ALFONSO GALLEGO P. Igeero Electrcsta Uversa ecológca e Perera lagalleg@hotmal.com LINA PAOLA GARCES N. Igeera Electrcsta Profesor Uversa ecológca e Perera lpgarces@utp.eu.co Grupo e Ivestgacó e Plaeameto e Sstemas Eléctrcos. INRODUCCIÓN La programacó leal es ua metoología e optmzacó que permte resolver problemas e la va real, e los cuales ua fucó obetvo es optmzaa sueta a u couto e restrccoes. Fgura. Problemas e Programacó Leal. Geeralmete, los problemas e la va real puee ser escrtos a través e u moelo matemátco seleccoao aecuaamete las varables e ecsó (a caa varable e ecsó está asocaa ua actva), plateao la fucó obetvo y toas las restrccoes el problema. U problema matemátco es leal s f (X, X,...,X ) y caa g (X, X,..., X ) ( =,,...,m) se a como fucoes matemátcas y como relacoes fucoales. Aemás, so leales e caa uo e sus argumetos; esto es, s: f ( X, X,..., X ) = C X + C X C X. g ( X, X,..., X ) = a X + a X a X oe C y a ( =,,..., m; =,,..., ) Fecha e Recepcó: 3 Eero e 5 Fecha e Aceptacó: 8 Marzo e 5 So costates coocas. [], [] El espaco e solucó el couto e ecuacoes leales smultáeas es u couto coveo que tee u úmero fto e putos etremos (puto que o puee ser epresao como ua combacó covea e otros os putos el couto). S S es u couto coveo co u úmero fto e putos etremos, etoces S es el couto e toas las solucoes factbles al problema leal. La fucó obetvo logra su óptmo (ya sea mámo o mímo) e u puto etremo e S, sempre y cuao cho óptmo esta. [] Este també la posbla e que esta u óptmo que o es u puto etremo. E este caso, el couto e solucoes óptmas es ao por el couto e combacoes coveas e los putos etremos el problema. E problemas oe este óptmos alteratvos, es posble etermar e too ese couto, ua solucó que persga otro obetvo acoal. Por eemplo, strbucó uforme e los recursos o agotar u recurso para preservar otro que se tee e meor cata. Las metoologías tracoales, ecuetra solucoes que correspoe a putos etremos, s brar la posbla e eplorar too el couto e solucoes

3 Sceta et echca Año XI, No 7, Abrl 5. UP óptmas. El métoo e putos terores tee la capaca e obteer ua solucó ferete a u puto etremo (u puto etro el couto e solucoes). E este ocumeto se propoe ua metoología para resolver problemas e programacó leal co óptmos alteratvos, que mofca el algortmo e Putos Iterores Prmal Dual, permteo obteer solucoes óptmas que satsfaga obetvos acoales.. MEODO DE PUNOS INERIORES Durate écaas el métoo smple ha so el métoo e solucó e los problemas e programacó leal. S embargo, ese el puto e vsta teórco, el tempo e cálculo requero por este métoo crece epoecalmete co el tamaño el problema. Muchos vestgaores ha tratao e esarrollar algortmos cuyos tempos e calculo tuvese u crecmeto polomal co el tamaño el problema. E 984, Karmarar propuso u algortmo cuya complea computacoal es polomal y que resultó altamete compettvo frete al métoo smple para resolver problemas e programacó leal e gra tamaño. El algortmo e Karmarar orgó multtu e trabaos alreeor e su ea la cual ha so meoraa e muchos aspectos. Ua e las más fructíferas varates es el algortmo barrera logarítmca Prmal-Dual. [3]. Métoo Barrera Logarítmca Prmal-Dual El métoo resuelve el problema e PL prmal estáar: m c A = b oe su problema ual estáar, cluyeo las varables e holgura es: m b y A y+ z = c z Se utlza la fucó e barrera logarítmca para pealzar las restrccoes e esguala z. ma b y+ µ A y+ z = c = l z El algortmo geeral e solucó es el sguete: [4]. Calcular u puto cal. Vector prmal: = ηˆ oe: b + η = y ˆ = Aˆ + A + Vector ual. z s c < z = = caso cotraro z c,, =. Calcular el parámetro e barrera. ( ) z µ = 3. Verfcar covergeca. A b Factbla prmal: ε f + A y+ z c Factbla ual: ε f + y + z c b y Cocó e optmala: ε + b y E caso e que los crteros e covergeca se cumpla paré. 4. Calcular los errores para el puto cal ao. r = c A y z p = c = µ r b A r e X Z e 5. Obteer las reccoes e búsquea. = + + ctr ob fac Drecco cetral ctr = µ D P D ( X ) e Drecco obetvo ob = D P D c Drecco factble fac = D A ( AD A ) r p Doe P = I D A ( AD A ) AD y = ( AD A ) [ AD r A( Z ) rc + rp]

4 Sceta et echca Año XI, No 7, Abrl 5. U..P 3 z = r A y 6. Calcular los tamaños e los pasos para las varables prmal y ual. α m, m p = : =,..., < z α m, m = : =,..., z < z 7. Actualzar las varables Prmal y Dual: = + γα + p + = + γα + = + γα y y y z z z Doe.95 γ Reucr el parámetro e barrera: ( z ) µ + = σ empleaos e la preparacó e estos fertlzates como se muestra a cotuacó: [] Matera prma oelaas e matera prma ecesaras para preparar toelaa e Fertlzates Fertlzates tpo A tpo B Cata mesual máma e matera prma spoble oelaas Lucro por $ $ toelaa abla. Datos el eemplo. El moelo matemátco e este problema es: ma z( ) = () + () 5 (3) ; La represetacó gráfca el espaco e solucoes se muestra e la fg.. 9. Volver al paso APLICACIÓN DE LOS MÉODOS DE SOLUCIÓN DE PL A PROBLEMAS CON ÓPIMOS ALERNAIVOS. Etre los métoos tracoales para resolver problemas e programacó leal el más utlzao es el métoo smple y sus varates. Cuao se solucoa problemas e PL por meo el métoo Smple, la solucó ecotraa es u puto etremo, sempre y cuao esta u óptmo. El métoo e Putos Iterores auque es ua técca ueva, ha ao resultaos muy bueos, tato así, que e los últmos tempos se ha cremetao el estuo e este métoo. La solucó a la que llega este métoo e problemas co óptmos alteratvos, puee ser u puto etremo o u puto etro el couto e solucoes óptmas epeeo el puto cal. Normalmete la solucó ecotraa es u puto ferete al etremo. 3. Eemplo Para epoer las feretes solucoes que se tee cuao se aplca los métoos aterores a problemas co óptmos alteratvos, se plateará el sguete eemplo: Ua empresa fabrca tpos e fertlzates, llamaos fertlzates A y B, 3 tpos e matera prma so Fgura. Espaco e solucoes. El segmeto e recta resaltao es el couto e solucoes óptmas el problema, es ecr toos los putos sobre este segmeto tee el msmo valor para la fucó obetvo. La solucó el problema usao el métoo Smple, es: z ( ) = 5 = 5 = 5 Esta solucó correspoe al vértce resaltao e la fg..

5 4 Sceta et echca Año XI, No 7, Abrl 5. UP La solucó el problema usao el métoo e Putos Iterores Barrera Logarítmca Prmal-Dual es: z( ) = 5 = = La fg. 3 muestra el puto cal calculao por el algortmo y el camo seguo hasta ecotrar el óptmo el problema. Nótese que la solucó o correspoe a u puto etremo el couto e solucoes. prmas y 3 puee ser maeaas e tal maera que se agote ua y se coserve la otra, o vceversa. Se pretee por lo tato, mofcar el algortmo e Putos Iterores Barrera Logarítmca Prmal-Dual co el f e que la respuesta obtea sga u obetvo acoal al e obteer el óptmo el problema. Este obetvo acoal está rectamete relacoao co las restrccoes el problema, puesto que s este óptmos alteratvos, se puee obteer solucoes acoales que permta mapular e forma aecuaa los recursos asocaos a caa ua e chas restrccoes. 4. MODIFICACIÓN AL ALGORIMO DE PUNOS INERIORES BARRERA LOGARÍMICA PRIMAL-DUAL PARA PROBLEMAS CON ÓPIMOS ALERNAIVOS. E el algortmo mostrao e la seccó. se observa que la reccó e búsquea el métoo está ao por: = + + ctr ob fac ( ) [ ( ) c p] y = AD A AD r A Z r + r z = r A y Fgura 3. Solucó meate putos terores. Se puee observar que el métoo e putos terores a la posbla e teer respuestas feretes a los vértces el problema oe las restrccoes se ecuetra actvas mplcao el cosumo total e los recursos. Cuao u problema e programacó leal es resuelto por el métoo smple, la solucó es u vértce el couto factble e solucoes. Esto mplca que las restrccoes que forma ese vértce está actvas (su relacó es e guala). Para el caso el eemplo mostrao, las solucoes posbles ecotraas co el métoo smple, poría ser: = 5 ; = 5 (4) = 3 ; = 9 (5) La solucó (4) correspoe al caso oe las restrccoes () y (3) se ecuetra actvas, es ecr, la cata mesual e matera prma spoble y 3 (abla ) se agotaro totalmete. E la solucó (5) las restrccoes () y () se ecuetra actvas, es ecr, la cata mesual e matera prma y se agotaro totalmete. De lo ateror se puee coclur que la matera prma es spesable y ebe gastarse totalmete. Las materas y y z so las reccoes e búsquea ual. es la reccó e búsquea prmal y esta compuesta por tres compoetes: reccó cetral, reccó obetvo y reccó factble. Esta reccó e búsquea os permte obteer ua varacó recta sobre la solucó el problema prmal. Las reccoes cetral y factble tee como obetvo ecotrar u puto factble cerca el cetro el poltope prmal, estas reccoes calmete so preomates ebo a que los parámetros µ y r p so graes. Cuao se ecuetra u puto factble, r p tee a cero y la reccó obetvo es la que oma. Debo a que el puto cal ao e el algortmo se ecuetra ormalmete e la regó factble, la reccó obetvo preoma ese el co el proceso e búsquea, por lo tato, se propoe mofcar cha reccó e tal forma que persga u seguo obetvo ao por las restrccoes. La mofcacó e cha reccó está rectamete relacoaa co los graetes e las restrccoes que se pretee favorecer; por tato la reccó obetvo terá la sguete forma: Drecco obetvo ob = D P D c+ K µ R

6 Sceta et echca Año XI, No 7, Abrl 5. U..P 5 Doe: : Es el umero e restrccoes que se clurá para el auste e la reccó obetvo. K : Es u factor etre cero y uo, que ca el porcetae e cotrbucó el parámetro e barrera. µ : Es el parámetro e barrera, ebe clurse ebo a que la reccó aa por el graete ebe smur urate el proceso. R : Es el graete e las restrccoes que se pretee favorecer. 4. Eemplo e aplcacó Se aplcará la metoología epuesta al eemplo tratao e la seccó 3.. Para realzar la comparacó se parte el resultao mostrao e la fg. 3. z( ) = 5 = = E este, los recursos e las restrccó fuero agotaos ebo a que sobre esta recta se ecuetra el espaco e solucoes, e cuato a las restrccoes y 3, cueta co recursos ebo a que la solucó obtea o actva chas restrccoes. Se pretee repartr los recursos e las restrccoes y 3 e tal forma que la solucó sga seo óptma. Fgura 4. Eemplo e aplcacó caso. Caso : Coservar ua buea cata e la matera prma 3, y a la vez, mateer spoble e bao porcetae la matera prma. La reccó el graete e la restrccó 3 ca gastar recursos metras que el graete egatvo mplca ahorro e cho recurso. Para este eemplo se clurá formacó e ambas restrccoes (, 3 ) para ver el comportameto e la reccó e búsquea. Se fará el factor K e.6 y K e para los porcetaes e cotrbucó el parámetro e barrera sobre la reccó e auste. El resultao obteo es: z ( ) = 5 = = Caso : Coservar ua buea cata e la matera prma, y a la vez, mateer spoble e bao porcetae la matera prma 3. La reccó postva el graete e la restrccó ca gastar recursos metras que el graete egatvo mplca ahorro e cho recurso. La proporcó que se esee coservar está sueto a otro tpo e restrccoes que puee ser acoaas al problema. Para este caso solo se utlzará formacó e la restrccó. Se fará el factor K gual a.6 que ca ua cotrbucó el 6% el parámetro e barrera sobre la reccó e auste. Este valor ebe ser stozao e acuero al obetvo que se persgue. El resultao obteo e este caso es: z ( ) = = = Fgura 5. Eemplo e aplcacó caso. Lo ateror muestra que etre más formacó tega la reccó e auste, mas eacta será la covergeca el métoo. 5. CONCLUSIONES Y RECOMENDACIONES Alguos problemas e Programacó Leal tee la característca e teer más e ua solucó óptma. Esta

7 6 Sceta et echca Año XI, No 7, Abrl 5. UP propea puee ser utlzaa co la fala e escoger etre ese úmero fto e solucoes ua que sea meor que las otras e relacó a u propósto acoal. El métoo e Putos Iterores obtee solucoes feretes a los putos etremos cuao este óptmos alteratvos, esta propea me permte eplorar ua fa e posbles solucoes a las cuales o tea acceso meate las metoologías tracoales. El métoo e Putos Iterores Prmal-Dual preseta la partculara que sempre teta ecotrar u puto factble el problema ubcao e el cetro el poltope y ese allí realza ua búsquea el óptmo actualzao las varables el problema. Este comportameto permte que sea posble esarrollar algortmos que meore el proceso e búsquea ya sea para volverlo más efcete o para que tega u obetvo acoal. Ua mofcacó posble e el algortmo cosste e la varacó e la reccó obetvo el vector e búsquea prmal, pues urate el proceso e evolucó el algortmo preoma sobre las reccoes cetral y factble. El graete e las restrccoes el problema que acota el espaco e solucoes, permte austar e maera recta la reccó obetvo el vector e búsquea prmal, e tal forma que coserao aspectos acoales al problema se obtega ua solucó gualmete óptma. 6. BIBLIOGRAFÍA [] GALLEGO, Ramó A., Escobar Atoo H., Romero Rubé A. Optmzacó e Sstemas Eléctrcos I. Programacó Leal, Prmera ecó, Uversa ecológca e Perera, Perera, 3. [] BRONSON, Rchar. Ivestgacó e Operacoes, Mc Graw Hll, Méco 996. [3] CASILLO, Erque, Coeo Atoo, Peregal Pablo, García Rcaro, Alguacl Natala. Formulacó y Resolucó e Moelos e Programacó Matemátca e Igeería y Ceca. Febrero,. [4] RIDER, Marcos J. Métoo e Putos Iterores para Optmzacó e Sstemas e Poteca. Uversa ecológca e Perera, Perera 4.

4 METODOLOGIA ADAPTADA AL PROBLEMA

4 METODOLOGIA ADAPTADA AL PROBLEMA 4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor

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

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

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción. TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO 5..- Itroduccó. Stuacoes segú el vel de formacó: Certeza. Icertdumbre parcal o resgo: (Iversoes co resgo) Icertdumbre total: (Iversoes co certdumbre)

Más detalles

CAPÍTULO II MARCO TEÓRICO

CAPÍTULO II MARCO TEÓRICO CAPÍTULO II MARCO TEÓRICO - - MARCO TEÓRICO El marco teórco de este trabajo propoe los métodos heurístcos factbles que resolverá este problema. Co lo que se buscará cubrr las egecas de los datos dspobles

Más detalles

EJERCICIOS SISTEMA FINANCIERO SIMPLE

EJERCICIOS SISTEMA FINANCIERO SIMPLE UNIVERSIDAD DE LOS ANDES FAULTAD DE IENIAS EONÓMIAS Y SOIALES DEPARTAMENTO DE IENIAS ADMINISTRATIVAS ÁTEDRA: ANÁLISIS DE LA INVERSIÓN ASIGNATURA: MATEMÁTIA FINANIERA PROFESOR: MIGUEL A. OLIVEROS V. EJERIIOS

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

x x x x x Y se seguía operando

x x x x x Y se seguía operando . INTRODUCCIÓN. DEFINICIONES UNIDAD : Números complejos Cuado se teta resolver ecuacoes de segudo grado como por ejemplo x 4x 0, se observa que o 4 6 5 4 6 tee solucoes reales x x, pues o exste raíces

Más detalles

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

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

Más detalles

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x) APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)

Más detalles

Supongamos que hemos aplicado el test F y hemos rechazado la H0.

Supongamos que hemos aplicado el test F y hemos rechazado la H0. Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos

Más detalles

PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE. Eva Mª del Pozo García Mª Jesús Segovia Vargas Zuleyka Díaz Martínez

PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE. Eva Mª del Pozo García Mª Jesús Segovia Vargas Zuleyka Díaz Martínez PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE Eva Mª del Pozo García Mª Jesús Segova Vargas Zuleyka Díaz Martíez Departameto de Ecoomía Facera y Cotabldad I Uversdad Complutese

Más detalles

ERRORES EN LAS MEDIDAS (Conceptos elementales)

ERRORES EN LAS MEDIDAS (Conceptos elementales) ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas

Más detalles

( ) ( ) ( )( ) ( )( ) ( )

( ) ( ) ( )( ) ( )( ) ( ) Oetvos El alumo coocerá aplcará y comparará alguos métodos de terpolacó umérca de ucoes. Al al de esta práctca el alumo podrá:. Oteer ua ucó que cotega u couto dado de putos e u plao utlzado los métodos

Más detalles

ANTES DE COMENZAR RECUERDA

ANTES DE COMENZAR RECUERDA ANTES DE COMENZAR RECUERDA 00 Po tres ejemplos de úmeros reales que o sea racoales, y otros tres ejemplos de úmeros reales que o sea rracoales. Respuesta aberta. Tres úmeros reales que o sea racoales:,

Más detalles

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

11. Optimización no lineal con restricciones

11. Optimización no lineal con restricciones . Optzacó o leal co restrccoes. Optzacó o leal co restrccoes Prcpos y teoreas para la búsqueda de óptos lobales Modelos co restrccoes de ualdad Codcoes de uh-tucker Alortos uércos báscos Prcpos y teoreas

Más detalles

SISTEMAS DE ECUACIONES NO LINEALES

SISTEMAS DE ECUACIONES NO LINEALES SISTEMAS DE ECUACIONES NO INEAES Capítulo 7 Sstemas de ecuacoes o leales c Elzabeth Vargas 7 INTRODUCCIÓN os métodos teratvos para resolver ua ecuacó o leal se puede eteder para ecotrar la solucó de u

Más detalles

4. ALGORITMO DE RESOLUCIÓN.

4. ALGORITMO DE RESOLUCIÓN. 4. ALGORITMO DE RESOLUCIÓN. Este capítulo trata acerca de la solucó propuesta para la resolucó del problema de la asgacó de aulas co especal atecó e el algortmo de fluo co costo mímo. A cotuacó se descrbe

Más detalles

CÁLCULO NUMÉRICO (0258)

CÁLCULO NUMÉRICO (0258) CÁLCULO NUÉRICO (58) Tema 4. Apromacó de Fucoes Juo. Ecuetre los polomos de meor grado que terpola a los sguetes cojutos de datos plateado y resolvedo u sstema de ecuacoes leales: 7 y 5-4 7 y 4 9 6.5.7.

Más detalles

En consecuencia: Z=f(x,y)=f[ x(t) ; y(t) ]= F(t) (1) que resulta en definitiva una función de la variable t.la llamaremos Función Compuesta de t.

En consecuencia: Z=f(x,y)=f[ x(t) ; y(t) ]= F(t) (1) que resulta en definitiva una función de la variable t.la llamaremos Función Compuesta de t. TEMA 4 (Últma mocacó 8-7-05) CALCULO DIFERENCIAL E INTEGRAL II FUNCIONES COMPUESTAS DE UNA VARIABLE INDEPENDIENTE. Coseramos e prmer térmo a có e os arables Z=(;) spogamos, aemás qe é o so arables epeetes,

Más detalles

Programación lineal flexible con restricciones difusas

Programación lineal flexible con restricciones difusas REVISTA INGENIERÍA E INVESTIGACIÓN VOL. 28 No., ABRIL DE 28 (62-68) Programacó leal flexble co restrccoes dfusas Flexble lear programmg wth fuzzy costrats Héctor Adrés López Ospa y Maurco Restrepo López

Más detalles

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún: A. Morllas - p. - MUESTREO E POBLACIOES FIITAS () Dos aspectos báscos de la fereca estadístca, o vstos aú: Proceso de seleccó de la muestra Métodos de muestreo Tamaño adecuado e poblacoes ftas Fabldad

Más detalles

CAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_01. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D.

CAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_01. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D. CPIULO 2º FUNCIONES DE VECORES Y MRICES_ Ig. Dego lejadro Patño G. M.Sc, Ph.D. Fucoes de Vectores y Matrces Los operadores leales so fucoes e u espaco vectoral, que trasforma u vector desde u espaco a

Más detalles

Números Complejos PREGUNTAS MÁS FRECUENTES

Números Complejos PREGUNTAS MÁS FRECUENTES Repaso de º de Bachllerato Números Complejos PREGUNTAS MÁS FRECUENTES. Qué es la udad magara? Es u elemeto del que coocemos úcamete su cuadrado:.obvamete, o se trata de u úmero real.. Qué es u úmero complejo?

Más detalles

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN Qué es ESADISICA? Es u couto de la rama de las Matemátcas Es algo aburrdo que mplca u motó de cuetas 3 Es u couto de téccas que se puede usar para probar cualquer cosa 4 Es u couto de coocmetos téccas

Más detalles

La inferencia estadística es primordialmente de naturaleza

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

Más detalles

METODOLOGÍA ALTERNATIVA PARA EL TRATAMIENTO DE PROBLEMAS DE PROGRAMACIÓN ENTERA USANDO PROGRAMACIÓN NO LINEAL

METODOLOGÍA ALTERNATIVA PARA EL TRATAMIENTO DE PROBLEMAS DE PROGRAMACIÓN ENTERA USANDO PROGRAMACIÓN NO LINEAL Sceta et Techca Año XIII, No 34, Mayo de 27. Uversdad Tecológca de Perera. ISSN 122-171 61 METODOLOGÍA ALTERNATIVA PARA EL TRATAMIENTO DE PROBLEMAS DE PROGRAMACIÓN ENTERA USANDO PROGRAMACIÓN NO LINEAL

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

Aplicación de Boostrapping en Regresión I

Aplicación de Boostrapping en Regresión I Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores

Más detalles

Problemas de Polímeros. Química Física III

Problemas de Polímeros. Química Física III Problemas de Polímeros Químca Físca III 7..- Del fraccoameto de ua muestra de u determado polímero se obtuvero los sguetes resultados: Fraccó º, g 5, g/mol,75,6,886,89,,75,57,56 5,9,68 6,8,8 7,55,5 8,6,9

Más detalles

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos Aálss Numérco y Programacó Udad III -Iterpolacó medate trazadores: Leales, cuadrátcos y cúbcos Prmavera 9 Aálss Numérco y Programacó Coceptos geerales Problema geeral: Se tee u cojuto dscreto de valores

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

Métodos indirectos de estimación: razón, regresión y diferencia

Métodos indirectos de estimación: razón, regresión y diferencia Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó

Más detalles

FEM-OF: EDP Elíptica de 2 Orden

FEM-OF: EDP Elíptica de 2 Orden 9/02/2008 Capítulo 5: FM-OF: D líptca de 2 Orde Idce: 5..- Operador Dferecal líptco 5.2.- roblema Básco 5.3.- Fucoes Óptmas 5.4.- FM-OF Steklov-ocaré 5.5.- FM-OF Trefftz-Herrera 5.6.- FM-OF etrov-galerk

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

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

Más detalles

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2010 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES.

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2010 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. EJERCICIO a) ( putos) Racoalce smplfque la fraccó. 8 8 b) ( putos) Determe los coefcetes de la ecuacó 3 a b

Más detalles

CAPITULO 1 ANTECEDENTES HISTORICOS DEL METODO ELIPSOIDAL Y PROBLEMAS SOBRE CONJUNTOS CONVEXOS Métodos antecesores.

CAPITULO 1 ANTECEDENTES HISTORICOS DEL METODO ELIPSOIDAL Y PROBLEMAS SOBRE CONJUNTOS CONVEXOS Métodos antecesores. 27 CAPIULO 1 ANECEDENES HISORICOS DEL MEODO ELIPSOIDAL Y PROBLEMAS SOBRE CONJUNOS CONVEXOS A raíz del auco de Khachya [7] acerca de la exsteca de u algortmo polomal para la programacó leal, surgero umerables

Más detalles

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente.

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente. Sere de radete (eométrco y rtmétco) y su Relacó co el resete. Certos proyectos de versó geera fluos de efectvo que crece o dsmuye ua certa catdad costate cada período. or eemplo, los gastos de matemeto

Más detalles

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

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

Más detalles

al nivel de significación α P6: Conclusión: Se debe interpretar la decisión tomada en Paso 5.

al nivel de significación α P6: Conclusión: Se debe interpretar la decisión tomada en Paso 5. 5. NÁLISIS DE VRINZ CONTENIDOS: OBJETIVOS: 5... Prueba de aálss de varaza. 5.. Comparacoes múltples. Determar los pasos a segur al realzar ua prueba de aálss de varaza Platear hpótess para la prueba de

Más detalles

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad. Parte : MECÁNICA CUÁNTICA 1. Los postulados de la Mecáca Cuátca.. Estados Estacoaros. 3. Relacó de Icertdumbre de Heseberg. 4. Teorema de compatbldad. 1 U breve repaso de Mecáca Clásca 1. Partícula clásca:

Más detalles

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector.

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector. Comportameto Mecáco de Sóldos Capítulo II. Itroduccó al aálss tesoral. Itroduccó al aálss tesoral esores Es aquella catdad físca que después de ua trasformacó de coordeadas (que obedezca certas reglas),

Más detalles

Programación Lineal para la Ingeniería Técnica

Programación Lineal para la Ingeniería Técnica Programacó Leal para la Igeería Técca E los sglos XVII y XVIII matemátcos como Newto, Lebz, Beroull y sobre todo Lagrage, que tato había cotrbudo al desarrollo del cálculo ftesmal, se ocuparo de obteer

Más detalles

Scientia Et Technica ISSN: Universidad Tecnológica de Pereira Colombia

Scientia Et Technica ISSN: Universidad Tecnológica de Pereira Colombia Sceta Et echca ISSN: 0-70 sceta@utp.edu.co Uversdad ecológca de Perera Colomba ola V., Jaso Edw; Restrepo, Carlos Alberto Notacó matrcal e el etreameto de redes euroales Sceta Et echca, vol. XIII, úm.

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS

Más detalles

Expectativas del Mercado y Creación de Valor en la Empresa

Expectativas del Mercado y Creación de Valor en la Empresa 2d teratoal Coferece o dustral Egeerg ad dustral Maagemet X Cogreso de geería de Orgazacó September 3-5, 28, Burgos, Spa Expectatvas del Mercado y Creacó de Valor e la Empresa elpe Ruz López 1, Cáddo Barrea

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

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

Más detalles

TEMA 2: LOS NÚMEROS COMPLEJOS

TEMA 2: LOS NÚMEROS COMPLEJOS Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado

Más detalles

SEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE

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

Más detalles

Calificación= (0,4 x Aciertos) - (0,2 x Errores) No debe entregar los enunciados

Calificación= (0,4 x Aciertos) - (0,2 x Errores) No debe entregar los enunciados EAMEN MODELO A Pág. 1 INTRODUCCIÓN AL ANÁLII DE DATO FEBRERO 018 Códgo asgatura: 6011037 EAMEN TIPO TET MODELO A DURACION: HORA Materal: Addeda (Formularo y Tablas) y calculadora (cualquer modelo) Calfcacó

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u

Más detalles

Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ

Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ TEOREMA DE BERNOULLI GENERALIZADO > 0 Dada ua sucesó x1, x, x3,... x dos a dos depedetes, co ua msma dstrbucó de probabldad y co esperaza µ y varaza lím Se verfca que P x µ = 1 ó lím P x µ > = 0 El límte,

Más detalles

Matemáticas Discretas

Matemáticas Discretas Coordacó de Cecas Computacoales - INAOE Matemátcas Dscretas Cursos Propedéutcos 0 Cecas Computacoales INAOE Dr. Erque Muñoz de Cote jemc@aoep.m http://ccc.aoep.m/~jemc Ofca 80 Dapostvas basadas e prevas

Más detalles

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

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

Más detalles

1.2. Medidas de Concentración

1.2. Medidas de Concentración .. Meddas de Cocetracó Matlde Machado.. Meddas de Cocetracó La gra mayora de los mercados se ecuetra etre los extremos de competeca perfecta (cocetracó mma) y moopolo (cocetracó máxma). Las meddas de cocetracó

Más detalles

02 ) 2 0 en el resto. Tiempo (meses) Ventilador adicional No No Si No Si Si Si Si No Si Tipo carcasa A C B A B A B C B C

02 ) 2 0 en el resto. Tiempo (meses) Ventilador adicional No No Si No Si Si Si Si No Si Tipo carcasa A C B A B A B C B C Ua empresa motadora de equpos electrócos está realzado u estudo sobre aluos de los compoetes que utlza. E partcular mde el tempo de vda e meses reales de los procesadores que mota, dode a aluos de ellos

Más detalles

Aplicaciones de Balances de Energía en Reactores Batch

Aplicaciones de Balances de Energía en Reactores Batch plcacoes de Balaces de Eergía e Reactores Batch Para u reactor batch, el BdeM se epresa como la ecuacó para determar el tempo de resdeca: t N ( rv Separado varables: V N Esta es ua ecuacó dferecal ordara

Más detalles

En el contexto de las redes recurrentes existen redes dinámicas por naturaleza

En el contexto de las redes recurrentes existen redes dinámicas por naturaleza 87.6 REDES RECURRENES E el cotexto e las rees recurretes exste rees ámcas por aturalea como lo so la re e Hopfel, la re e Jor y la re e Elma y rees ámcas que seo e aturalea estátca como lo so las rees

Más detalles

Apéndice 1. Ajuste de la función gamma utilizando el método de máxima probabilidad ( maximum likelihood )

Apéndice 1. Ajuste de la función gamma utilizando el método de máxima probabilidad ( maximum likelihood ) Apédces Apédces 357 Apédce. Ajuste de la fucó gamma utlzado el método de máma probabldad mamum lkelhood Se descrbe a cotuacó el ajuste de la fucó gamma utlzado e el apartado.2..2 pága 28. Véase Burguess

Más detalles

NOTACIÓN MATRICIAL EN EL ENTRENAMIENTO DE REDES NEURONALES

NOTACIÓN MATRICIAL EN EL ENTRENAMIENTO DE REDES NEURONALES Sceta et echca Año XIII, No 34, ayo de 007. Uversdad ecológca de Perera. ISSN 0-70 03 NOACIÓN ARICIA EN E ENRENAIENO DE REDES NEURONAES RESUEN Este documeto cotee la formulacó para efectuar el etreameto

Más detalles

MODELO CÍCLICO DE LOS SISTEMAS RENOVABLES CON EL TÉRMINO DE REPRODUCCION EN LA FORMA INTEGRAL

MODELO CÍCLICO DE LOS SISTEMAS RENOVABLES CON EL TÉRMINO DE REPRODUCCION EN LA FORMA INTEGRAL MODELO ÍLIO DE LOS SISTEMS REOVBLES O EL TÉRMIO DE REPRODUIO E L FORM ITEGRL a Taraseko, Mauel Gozález Heráez, Oleksar Karel Uversa utóoma el Estao e Halgo Isttuto e ecas Báscas e Igeería karel@uaeheum,

Más detalles

GUíAS DE TRABAJOS PRÁCTICOS N 2 y N 3 (2do Cuatrimestre 2018) GRÁFICOS DE CONTROL

GUíAS DE TRABAJOS PRÁCTICOS N 2 y N 3 (2do Cuatrimestre 2018) GRÁFICOS DE CONTROL GUíAS DE TRABAJOS PRÁCTICOS 2 y (2do Cuatrmestre 208) GRÁFICOS DE COTROL ) Guía o 2: El admstrador de servcos de ua ageca grade de automóvles desea estudar la catdad de tempo requerdo para efectuar u tpo

Más detalles

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II) Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca

Más detalles

Tema 2: Distribuciones bidimensionales

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

Más detalles

Es aquella Serie Uniforme, cuyo Pago tiene lugar, al Final del Periodo.

Es aquella Serie Uniforme, cuyo Pago tiene lugar, al Final del Periodo. ANUALIDADES SERIES UNIFORMES SERIE UNIFORME Se defe como u Cojuto de Pagos Iguales y Peródcos. El Térmo PAGO hace refereca tato a Igresos como a Egresos. També se deoma ANUALIDADES: Se defe como u Cojuto

Más detalles

Teoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II.

Teoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II. Teoría Smplfcada de ERRORES Suscrbe este documeto los coordadores de Laboratoro de Químca, Físca I y Físca II. Defcoes Báscas: -Error absoluto (o error): Itervalo xe dode co máxma probabldad se ecuetra

Más detalles

Problemas discretos con valores iniciales

Problemas discretos con valores iniciales Problemas dscretos co valores cales Gustavo Adolfo Juarez Slva Iés Navarro El presete trabajo pretede dfudr problemas dscretos co valores cales (e adelate PVID), a partr de ecuacoes e dferecas leales co

Más detalles

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas. Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

1.3. Longitud de arco.

1.3. Longitud de arco. .. Logtud de arco. Defcó. Sea C ua curva suave defda paramétrcamete por la fucó vectoral f : R R / f () t = ( f() t, f() t,, f ( t) ) e el espaco R, co t [ a, b], que se recorre exactamete ua vez cuado

Más detalles

NOMBRE. para los nuevos datos, incrementando 5 unidades cada calificación. entonces la media sumando 5 unidades a cada calificación es

NOMBRE. para los nuevos datos, incrementando 5 unidades cada calificación. entonces la media sumando 5 unidades a cada calificación es UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE

Más detalles

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE) Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó

Más detalles

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS Sugerecas para que mparte el curso Ha llegado el mometo e que es coveete resolver ejerccos aplcado

Más detalles

1.1 INTRODUCCION & NOTACION

1.1 INTRODUCCION & NOTACION 1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor

Más detalles

Capítulo 1. El algoritmo CORDIC. 1.1 Fundamento teórico

Capítulo 1. El algoritmo CORDIC. 1.1 Fundamento teórico Descrpcó e VHDL e arqutecturas para mplemetar el algortmo CORDIC Capítulo El algortmo CORDIC CORDIC es u acrómo e COorate Rotato DIgtal Computer que e castellao sgfca Computaora Dgtal para Rotacó e Cooreaas.

Más detalles

PARÁMETROS ESTADÍSTICOS ... N

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

Más detalles

EXAMEN DE MATEMÁTICAS APLICADAS I Temas 12 a 15

EXAMEN DE MATEMÁTICAS APLICADAS I Temas 12 a 15 1 EXAMEN DE MATEMÁTICAS APLICADAS I Temas 1 a 15 1. Ocho persoas, co smlar destreza e mecaografía, teclearo 0 líeas de teto e u ordeador. El tempo empleado, e mutos, el úmero de errores cometdos, fuero:

Más detalles

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además

Más detalles

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción Capítulo VII PROBABILIDAD 1. Itroduccó Se dcaba e el capítulo ateror que cuado u expermeto aleatoro se repte u gra úmero de veces, los posbles resultados tede a presetarse u úmero muy parecdo de veces,

Más detalles

Tema 5: Equilibrio General Parte III OWC Economía para Matemáticos. Fernando Perera Tallo ttp://bit.ly/8l8ddu

Tema 5: Equilibrio General Parte III OWC Economía para Matemáticos. Fernando Perera Tallo ttp://bit.ly/8l8ddu y Tea 5: Equlbro Geeral Parte III OWC Ecooía para Mateátcos Ferado Perera Tallo ttp://bt.ly/8l8ddu Esteca de Equlbro Ferado Perera-Tallo A lo largo de esta presetacó os vaos a cocetrar e espacos Eucldos,

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar

Más detalles

Sist. Lineales de Ecuaciones

Sist. Lineales de Ecuaciones Ttulacó: Asgatura: Autor: Igeero Geólogo Aálss Numérco César Meédez Ultma actualzacó: //007 Sst. Leales de Ecuacoes Plafcacó: Materales: Coocmetos prevos: 6 Teoría+4 Práctcas+ Laboratoro MATLAB Coocmetos

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( )

. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( ) Los úmeros complejos surje a ra de ecuacoes de la forma x + 0 Exste u certo paralelsmo etre este cuerpo el plao, cocretamete, lo que ha es ua correspodeca buívoca, es decr, ua relacó bectva etre C R R

Más detalles

Módulo 8 Derivando con fórmulas. Autor: José Luis Gómez Muñoz Revisó: Carlos Daniel Prado Pérez

Módulo 8 Derivando con fórmulas. Autor: José Luis Gómez Muñoz Revisó: Carlos Daniel Prado Pérez Móulo 8 Derivao co órmulas Autor: José Luis Gómez Muñoz Revisó: Carlos Daiel Prao Pérez Peiete e recta secate E la igura se muestra la recta secate que toca a ua ució e los puto P & Q. El puto P tiee cooreaas:

Más detalles

GENERALIDADES SOBRE MÓDULOS

GENERALIDADES SOBRE MÓDULOS GENERALIDADES SOBRE MÓDULOS Presetar el Z -módulo Z como cocete de u Z -módulo lbre Hacer lo msmo para el grupo de Kle Calcular los auladores de los sguetes módulos: a) El Z -módulo Z Z 6 b) El Z -módulo

Más detalles

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL Smposo de Metrología 4 al 7 de Octubre DISTRIBUCIÓ DE LA MEDIA Y EL TEOREMA DEL LÍMITE CETRAL Wolfgag A. Schmd Cetro acoal de Metrología Tel.: (44) 4, e-mal: wschmd@ceam.mx Resume: De acuerdo al Teorema

Más detalles

Modelos de Regresión Simple

Modelos de Regresión Simple 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

Del correcto uso de las fracciones parciales.

Del correcto uso de las fracciones parciales. Del correcto uso de las fraccoes parcales. Rubé Emauel Madrd García. E este opúsculo haré u aálss de lo que hoy llamamos fraccoes parcales, lo cual o es otra cosa que la descomposcó del cocete etre dos

Más detalles

Ingeniería de Sistemas y Automática Continuidad del control visual Ingeniería de Sistemas y Automática Continuidad del control visual

Ingeniería de Sistemas y Automática Continuidad del control visual Ingeniería de Sistemas y Automática Continuidad del control visual Cotudad del cotrol vsual INDICE Itroduccó Teoría prelmar: Cotrol vsual e el espaco varate Cotrol e el espaco varate co pesos(weghted varat space) Expermetos utlzado datos smulados Cotrol de ua camara metras

Más detalles

NOMBRE Apellido Paterno Apellido Materno Nombre(s)

NOMBRE Apellido Paterno Apellido Materno Nombre(s) UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD ESTADÍSTICA SEGUNDO EXAMEN FINAL RESOLUCIÓN SEMESTRE

Más detalles

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre Tema. La medda e Físca Estadístca de la medda Cfras sgfcatvas e certdumbre Cotedos Herrameta para represetar los valores de las magtudes físcas: los úmeros Sstemas de udades Notacó cetífca Estadístca de

Más detalles

PARTICIONES DE ENTEROS Y DIAGRAMAS DE FERRER. José Luis Aguado. Facultad de Ciencias Exactas. UNICEN. Pcia. de Buenos Aires

PARTICIONES DE ENTEROS Y DIAGRAMAS DE FERRER. José Luis Aguado. Facultad de Ciencias Exactas. UNICEN. Pcia. de Buenos Aires V REPEM Memoras Sata Rosa, La Pampa, Argeta, Agosto 4 CB 8 PARTICIONES DE ENTEROS Y DIAGRAMAS DE FERRER José Lus Aguao Faculta e Cecas Exactas. UNICEN. Pca. e Bueos Ares jaguao@exa.uce.eu.ar Palabras Claves:

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA FCULTD DE INGENIERÍ U N M ROILIDD Y ESTDÍSTIC Iree atrca Valdez y lfaro reev@servdor.uam.mx T E M S DEL CURSO. álss Estadístco de datos muestrales. 2. Fudametos de la Teoría de la probabldad. 3. Varables

Más detalles

INTRODUCCIÓN AL RECONOCIMIENTO DE PATRONES SPECTRAL CLUSTERING

INTRODUCCIÓN AL RECONOCIMIENTO DE PATRONES SPECTRAL CLUSTERING INTRODUCCIÓN L RECONOCIMIENTO DE PTRONES SPECTRL CLUSTERING Natala Pgataro Gullermo Fguereo 8 RECPT: Spectral Clusterg Ice Ice Obetvo 3 Itrouccó 3 3 Técca e Spectral Clusterg4 3 Graos e smltu 4 3 Notacó

Más detalles

REDES DE BASE RADIAL. 1. Funciones de Base Radial.

REDES DE BASE RADIAL. 1. Funciones de Base Radial. Tema 5: Redes de Base Radal Sstemas Coexostas 1 REDES DE BASE RADIAL 1. Fcoes de Base Radal. 2. Dervacó del Modelo Neroal. 2.1. Arqtectra de a RBFN 2.2. Fcoaldad. 2.3. Carácter Local de a RBFN. 3. Etreameto.

Más detalles