SISTEMAS INTELIGENTES

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "SISTEMAS INTELIGENTES"

Transcripción

1 SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, aic.uniovi.es

2 Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones más usadas Kernelización de algoritmos Máquinas Vectores Soporte (SVM) Concepto de Margen: maximización Teoría: Optimización de funciones Clasificación: caso separable y margen blando Regresión

3 Kernels (I) Constituyen un forma estándar de representar los datos Hay datos que no se pueden representar mediante vectores Ejemplo: cadenas genéticas Sustituyen las representaciones vectoriales por otra genérica aplicable a datos no vectoriales Permiten construir algoritmos de aprendizaje genéricos que pueden utilizarse sobre cualquier tipo de dato (vectorial o no)

4 Kernels (II) Representamos los datos mediante un matriz cuadrada donde cada elemento mide la similitud entre dos ejemplos

5 Kernels (III) Atributos Atr-1 Atr-n Clase(opcional) ejemplo 1 clase ej-1 ejemplo n clase ej-n K Ej 1 Ej j Ej n Ej 1 k(x 1,x 1 ) k(x 1,x j ) k(x 1,x n ) Ej i k(x i,x 1 ) k(x i,x j ) k(x i,x n ) Ej n k(x n,x 1 ) k(x n,x j ) k(x n,x n )

6 Funciones kernel: idea Representar la similitud entre dos objetos Aproximación General

7 Producto escalar Induce una métrica: (1) norma (2) distancia Interpretación geométrica: Salvo escala de los vectores, el producto escalar mide la separación geométrica de sus direcciones. Esta medida está comprendida entre -1 y +1: Es máxima (+1) cuando coinciden y Mínima (-1) cuando son opuestos Es 0 cuando son perpendiculares

8 Funciones kernel (I) Simétrica Semidefinida positiva Si es simétrica y semidefinida positiva, entonces existe un espacio de Hilbert y una función tal que

9 Funciones Kernel (II) Si son kernels en entonces también son kernels

10 Ejemplos de Funciones Kernel Kernel Lineal Kernel Polinómico Kernel Gaussiano Kernel string, kernel booleano,

11 Métodos Kernel Son los métodos de aprendizaje que usan para representar los ejemplos de entrenamiento a través de matrices calculadas mediante la aplicación de funciones kernel Son métodos genéricos Kernelización: siempre que un algoritmo se puede expresar en términos de productos escalares en el espacio de entrada, se pueden reemplazar por productos escalares en un cierto espacio de características mediante una función kernel

12 Clasificación por mínima distancia

13 Perceptrón (versión sin kernels) No es kernelizable, no aparecen productos escalares

14 Perceptrón (versión dual, kernelizable)

15 El espacio de características (I)

16 El espacio de características (II)

17 Ejemplo (I)

18 Ejemplo (II)

19 Máquinas de Vectores Soporte No hay nada más práctico que una buena teoría Introducidas en los 90 por Vapnik Se basan en la Minimización del Riesgo Estructural (SRM) 92: maximización del margen y uso de kernels 95: margen blando Rápido desarrollo: algoritmos más eficientes, diseño de kernels

20 General/Específico: más gráficamente Atributo 2 Específica General Atributo 1

21 Planteamiento

22 Minimización del Riesgo Estructural Minimización del Riesgo Empírico (ERM): podemos interpretarlos como sistemas que tratan de reducir el error empírico Minimización del Riesgo Estructural (SRM): estudian el riesgo estructural en el espacio de hipótesis

23 Maximización del Margen _ + + _ + _ + + +

24 Por qué maximizar el margen? Resistencia al ruido en los datos de entrada Resistencia al error en el cálculo de la función de clasificación Propiedades matemáticas que permiten acotar de manera razonable el error de generalización

25 Margen funcional y geométrico Margen funcional: la menor diferencia entre aplicar la función a los ejemplos de la clase positiva y negativa Margen geométrico: distancia entre los ejemplos de ambas clases, ed, la suma de la distancia del hiperplano al ejemplo más próximo de cada clase definen el mismo hiperplano. Para maximizar uno de ellos debemos mantener fijo el otro. Si mantenemos fijo el funcional ( ), podemos maximizar el geométrico

26 Maximizando el margen geométrico _

27 Maximizar el margen: minimizar la norma Resolviendo este problema obtendremos el hiperplano de margen geométrico máximo que clasifica correctamente todos los ejemplos. Para resolverlo aplicaremos métodos conocidos de optimización de funciones

28 Optimización de funciones Problema primal el objetivo es obtener los valores de las variables primales w que minimizan la función objetivo f. Las solución está sujeta a que dichos valores respeten las restricciones de desigualdad g i. Programación lineal: f y g i lineales Programación cuadrática: f cuadrática y g i lineales Conjunto admisible: todos los puntos del dominio que cumplen las restricciones Óptimo w*: para otro w del cjto admisible

29 Convexidad: óptimos globales (I) Def #1. Un dominio es convexo si y solo si el segmento de la recta que une cualquier par de puntos del dominio también está incluido en el dominio si el dominio es convexo, las restricciones lineales no eliminan la convexidad del cjto admisible Def #2. Una función es convexa si Def #3. Una función doblemente diferenciable es convexa si su matriz Hessiana es semidefinida positiva Def #4. Si tanto el dominio, como la función objetivo y las restricciones son convexas, entonces el problema se dice que es convexo

30 Convexidad: óptimos globales (II) Prop #1. Si una función es convexa, entonces cualquier mínimo local es también global Demostración: Para cualquier v w*, por definición de mínimo local, existirá un θ suficientemente cerca de 1 tal que, global para cualquier v y por tanto w* mínimo

31 Teoría de Lagrange: función lagrangiana Dado el problema de optimización: se define la función langragiana como donde los α i se denominan multiplicadores de Lagrange (o variables duales) y deben tener un valor no negativo. Indican la importancia de cada restricción

32 Dualidad (I) Def #5. El problema dual del problema primal planteado es: bajo ciertas condiciones, al resolver el problema dual (restricciones más simples) obtenemos también la solución del problema primal asociado.

33 Dualidad (II) Teorema. sea w una solución admisible del problema primal y α del dual, entonces W(α) f(w) El valor del problema dual está acotado superiormente por el primal Si f(w*)=w(α*) respetándose las restricciones, entonces w* y α* son, respectivamente, las soluciones del primal y dual.

34 Condiciones de Karush-Kuhn-Tucker (KKT) Teorema. Dado el problema de optimización primal planteado, si es convexo, las condiciones necesarias y suficientes para que w* sea óptimo es que exista α* tal que

35 Lectura de las condiciones KKT Los valores de las variables primales y duales que alcanzan los óptimos están relacionadas por las ecuaciones de las condiciones KKT Las derivadas parciales de la lagrangiana respecto a las variables primarias han de ser cero Condición complementaria: las restricciones activas, aquellas que valen exactamente cero, su multiplicador de Lagrange podrá ser mayor o igual que cero. Sin embargo, para las condiciones inactivas, las que valgan estrictamente menos que cero, el multiplicador asociado debe ser cero (dispersión de la solución) Estos valores han de cumplir las restricciones del primal y el dual Consecuencia (KKT). Se puede solucionar el problema primal a través de una solución del problema dual. Este punto de vista es a veces interesante cuando el problema dual es más fácil de resolver que el primal

36 Clasificación: problema primal dado que podemos cambiar esta versión directa por otra equivalente más operativa para calcular sus derivadas

37 Clasificación: lagrangiana Todas las funciones que intervienen son convexas y diferenciables. Se puede aplicar las condiciones de KKT

38 Clasificación: problema dual

39 Clasificación: análisis La solución w* es una combinación lineal de los ejemplos de entrenamiento No intervienen todos (dispersión), sólo los que tienen un multiplicador de Lagrange distinto de cero (vectores soporte) En el caso separable, los vectores soporte son los ejemplos que estén justo en el margen de cada clase (condición KKT) La variable primal b no aparece en el problema dual, se debe calcular a partir de w*

40 Clasificación: conclusiones Margen: Obtenemos la solución que, desde un punto de vista estructural, tiene menor posibilidad de cometer errores futuros Convexidad: la solución se obtiene resolviendo un programa de optimización cuadrática, convexo, sin mínimos locales y resoluble en tiempo polinomial Dualidad y kernels: el problema dual depende de productos escalares entre los ejemplos. Podremos sustituirlo por el producto escalar en un espacio de características mediante un kernel Dispersión: la solución depende de los vectores soporte

41 Margen blando: primal

42 Margen blando: lagrangiana

43 Margen blando: dual

44 Regularización Las SVMs seleccionan la función que cumple la siguiente condición: El primero sumando representa la complejidad de la hipótesis elegida, se prefiere la más simple (Ockham) El segundo sumando sirve para controlar el coste de la hipótesis elegida, medido sobre los datos de entrenamiento utilizados La constante C es la que nos permite regular la solución de compromiso entre ambos términos, complejidad y coste La determinación del valor adecuado para C en una aplicación real es quizás más difícil que decidir el kernel a emplear, ya que éste en muchos casos puede venir dado por los datos

45 Regularización (II) más bajo intermedio más alto valor de C

46 Regresión Necesitamos una función de coste para el término regularizador

47 Regresión: problema primal Necesitamos dos variables de holgura para cada ejemplo

48 Regresión: lagrangiana

49 Regresión: problema dual

50 Resumen Maximización del margen Problema de Optimización cuadrática: convexidad no hay mínimos locales resoluble en tiempo polinomial sequiential minimal optimization (smo) para cjtos grandes Dualidad: permite el uso de kernels Podemos transformar el espacio de entrada original en un espacio de mayor dimensión Dispersión: sólo son necesarios los puntos cerca del margen (vectores soporte) Las SVM se pueden emplear para: clasificación, regresión, clustering, aprendizaje de preferencias

MÁQUINA DE VECTORES DE SOPORTE

MÁQUINA DE VECTORES DE SOPORTE MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas

Más detalles

MÁQUINAS DE VECTORES DE SOPORTE

MÁQUINAS DE VECTORES DE SOPORTE MÁQUINAS DE VECTORES DE SOPORTE Introducción Se tiene información de N individuos codificada de la forma Las variables X son vectores que reúnen información numérica del individuo, las variables Y indican

Más detalles

Support Vector Machine

Support Vector Machine Juan Carlos Caicedo Juan Carlos Mendivelso Maestria en Ingenieria de Sistemas y Computacion Universidad Nacional de Colombia 20 de marzo de 2007 Agenda 1 2 3 4 Outline 1 2 3 4 Clasificador lineal que utiliza

Más detalles

Support Vector Machines

Support Vector Machines Support Vector Machines Separadores lineales Clasificacion binaria puede ser vista como la tarea de separar clases en el espacio de caracteristicas w T x + b > 0 w T x + b = 0 w T x + b < 0 f(x) = sign(w

Más detalles

SVM: Máquinas de Vectores Soporte. Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid

SVM: Máquinas de Vectores Soporte. Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid SVM: Máquinas de Vectores Soporte Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Contenido 1. Clasificación lineal con modelos lineales 2. Regresión

Más detalles

Las maquinas de vectores de soporte para identificación en línea

Las maquinas de vectores de soporte para identificación en línea CENTRO DE INVESTIGACIÓN Y DE ESTUDIOS AVANZADOS DEL INSTITUTO POLITÉCNICO NACIONAL DEPARTAMENTO DE CONTROL AUTOMÁTICO Las maquinas de vectores de soporte para identificación en línea TESIS QUE PRESENTA

Más detalles

Jesús Getán y Eva Boj. Marzo de 2014

Jesús Getán y Eva Boj. Marzo de 2014 Optimización sin restricciones Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj Optimización sin restricciones 1 / 32 Formulación del problema

Más detalles

INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA

INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA Dentro del campo general de la teoría de la optimización, también conocida como programación matemática conviene distinguir diferentes modelos de optimización.

Más detalles

euresti@itesm.mx Matemáticas

euresti@itesm.mx Matemáticas al Método al Método Matemáticas al Método En esta lectura daremos una introducción al método desarrollado por George Bernard Dantzig (8 de noviembre de 1914-13 de mayo de 2005) en 1947. Este método se

Más detalles

Optimización, Solemne 2. Semestre Otoño 2012 Profesores: Paul Bosch, Rodrigo López, Fernando Paredes, Pablo Rey Tiempo: 110 min.

Optimización, Solemne 2. Semestre Otoño 2012 Profesores: Paul Bosch, Rodrigo López, Fernando Paredes, Pablo Rey Tiempo: 110 min. UNIVERSIDAD DIEGO PORTALES. FACULTAD DE INGENIERIA. ESCUELA DE INGENIERIA INDUSTRIAL. Optimización, Solemne. Semestre Otoño Profesores: Paul Bosch, Rodrigo López, Fernando Paredes, Pablo Rey Tiempo: min.

Más detalles

UNIDAD 6. Programación no lineal

UNIDAD 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 detalles

MATEMÁTICAS II APUNTES DE TEORÍA CURSO ACADÉMICO 2012-13. Carlos Ivorra

MATEMÁTICAS II APUNTES DE TEORÍA CURSO ACADÉMICO 2012-13. Carlos Ivorra MATEMÁTICAS II APUNTES DE TEORÍA CURSO ACADÉMICO 2012-13 Carlos Ivorra Índice 1 Introducción a la optimización 1 2 Programación entera 18 3 Introducción a la programación lineal 24 4 El método símplex

Más detalles

Problema de Programación Lineal

Problema de Programación Lineal Problema de Programación Lineal Introducción La optimización es un enfoque que busca la mejor solución a un problema. Propósito: Maximizar o minimizar una función objetivo que mide la calidad de la solución,

Más detalles

Anexo 1: Demostraciones

Anexo 1: Demostraciones 75 Matemáticas I : Álgebra Lineal Anexo 1: Demostraciones Espacios vectoriales Demostración de: Propiedades 89 de la página 41 Propiedades 89- Algunas propiedades que se deducen de las anteriores son:

Más detalles

CÁLCULO PARA LA INGENIERÍA 1

CÁLCULO PARA LA INGENIERÍA 1 CÁLCULO PARA LA INGENIERÍA 1 PROBLEMAS RESUELTOS Tema 3 Derivación de funciones de varias variables 3.1 Derivadas y diferenciales de funciones de varias variables! 1. Derivadas parciales de primer orden.!

Más detalles

MATEMÁTICAS EMPRESARIALES II:

MATEMÁTICAS EMPRESARIALES II: MATEMÁTICAS EMPRESARIALES II: FUNCIÓN REAL DE VARIAS VARIABLES ÓPTIMOS DE UNA FUNCIÓN ESCALAR MATERIAL DIDÁCTICO DE SOPORTE González-Vila Puchades, Laura Ortí Celma, Francesc J. Sáez Madrid, José B. Departament

Más detalles

Ortogonalidad y Series de Fourier

Ortogonalidad y Series de Fourier Capítulo 4 Ortogonalidad y Series de Fourier El adjetivo ortogonal proviene del griego orthos (recto) y gonia (ángulo). Este denota entonces la perpendicularidad entre dos elementos: dos calles que se

Más detalles

TEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte)

TEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte) TEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte) Francisco José Ribadas Pena Modelos de Razonamiento y Aprendizaje 5 Informática ribadas@uvigo.es 17 de abril de 2012 FJRP ccia [Modelos

Más detalles

CONTENIDOS MÍNIMOS BACHILLERATO

CONTENIDOS MÍNIMOS BACHILLERATO CONTENIDOS MÍNIMOS BACHILLERATO I.E.S. Vasco de la zarza Dpto. de Matemáticas CURSO 2013-14 ÍNDICE Primero de Bachillerato de Humanidades y CCSS...2 Primero de Bachillerato de Ciencias y Tecnología...5

Más detalles

Tema 5: Dualidad y sensibilidad de los modelos lineales.

Tema 5: Dualidad y sensibilidad de los modelos lineales. ema 5: Dualidad y sensibilidad de los modelos lineales. Objetivos del tema: Introducir el concepto de Sensibilidad en la Programación Lineal Introducir el concepto de Dualidad en la Programación Lineal

Más detalles

Matemáticas. Si un error simple ha llevado a un problema más sencillo se disminuirá la puntuación.

Matemáticas. Si un error simple ha llevado a un problema más sencillo se disminuirá la puntuación. UNIVERSIDAD POLITÉCNICA DE CARTAGENA PRUEBAS DE ACCESO A LA UNIVERSIDAD DE LOS MAYORES DE 25 AÑOS CONVOCATORIA 2014 CRITERIOS DE EVALUACIÓN Matemáticas GENERALES: El examen constará de dos opciones (dos

Más detalles

UNIVERSIDAD SIMÓN BOLÍVAR. Sistema para la Detección de Caras en Imágenes de Video

UNIVERSIDAD SIMÓN BOLÍVAR. Sistema para la Detección de Caras en Imágenes de Video UNIVERSIDAD SIMÓN BOLÍVAR Ingeniería de la Computación Sistema para la Detección de Caras en Imágenes de Video por Susan Benzaquen Nahon Proyecto de Grado Presentado ante la Ilustre Universidad Simón Bolívar

Más detalles

OPTIMIZACIÓN ESCALAR. María Jesús de la Fuente Aparicio Dpto. Ingeniería de Sistemas y Automática

OPTIMIZACIÓN ESCALAR. María Jesús de la Fuente Aparicio Dpto. Ingeniería de Sistemas y Automática OPTIMIZACIÓN ESCALAR María Jesús de la Fuente Aparicio Dpto. Ingeniería de Sistemas y Automática CONCEPTOS BÁSICOS DEFINICIONES Definiciones Optimo local (mínimo local) Un punto * F se denomina un mínimo

Más detalles

Dualidad y Análisis de Sensibilidad

Dualidad y Análisis de Sensibilidad Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN34A: Clase Auxiliar Dualidad y Análisis de Sensibilidad Marcel Goic F. 1 1 Esta es una versión bastante

Más detalles

1. Números Reales 1.1 Clasificación y propiedades

1. Números Reales 1.1 Clasificación y propiedades 1. Números Reales 1.1 Clasificación y propiedades 1.1.1 Definición Número real, cualquier número racional o irracional. Los números reales pueden expresarse en forma decimal mediante un número entero,

Más detalles

PROBLEMA 1. 1. [1.5 puntos] Obtener la ecuación de la recta tangente en el punto ( 2, 1) a la curva dada implícitamente por y 3 +3y 2 = x 4 3x 2.

PROBLEMA 1. 1. [1.5 puntos] Obtener la ecuación de la recta tangente en el punto ( 2, 1) a la curva dada implícitamente por y 3 +3y 2 = x 4 3x 2. PROBLEMA. ESCUELA UNIVERSITARIA POLITÉCNICA DE SEVILLA Ingeniería Técnica en Diseño Industrial Fundamentos Matemáticos de la Ingeniería Soluciones correspondientes a los problemas del Primer Parcial 7/8.

Más detalles

VECTORES. 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. 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 detalles

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

Más detalles

4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD

4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD 4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD El problema de programación lineal se puede considerar como modelo de asignación de recursos, en el que el objetivo es maximizar los ingresos o las utilidades,

Más detalles

Programación lineal (+ extensiones). Ejemplos.

Programación lineal (+ extensiones). Ejemplos. Departamento de Matemáticas. ITAM. 2012. Forma estándar de un PPL PPL minimizar x c T x sujeta a Ax = b, x 0, en donde x 0 indica x i 0, i = 1, 2,..., n. c es el vector de costos. c R n. A es una matriz

Más detalles

www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve

www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve Autor: José Arturo Barreto M.A. Páginas web: www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve Correo electrónico: josearturobarreto@yahoo.com Capítulo I El Problema 1.1 Planteamiento del problema

Más detalles

Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier

Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier Andrés Felipe López Lopera* Resumen. Existe una gran similitud entre vectores y las señales. Propiedades tales como la

Más detalles

1. Ecuaciones no lineales

1. Ecuaciones no lineales 1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar

Más detalles

Unidad 4: Vectores. 4.1 Introducción. 4.2 Vectores: enfoque geométrico

Unidad 4: Vectores. 4.1 Introducción. 4.2 Vectores: enfoque geométrico Unidad 4: Vectores 4.1 Introducción En este capítulo daremos el concepto de vector, el cual es una herramienta fundamental tanto para la física como para la matemática. La historia de los vectores se remonta

Más detalles

ANÁLISIS DISCRIMINANTE

ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE 1. Introducción 2. Etapas 3. Caso práctico Análisis de dependencias introducción varias relaciones una relación 1 variable dependiente > 1 variable dependiente

Más detalles

Espacios Vectoriales

Espacios Vectoriales Espacios Vectoriales Departamento de Matemáticas, CCIR/ITESM 4 de enero de 2 Índice 3.. Objetivos................................................ 3.2. Motivación...............................................

Más detalles

Aplicaciones Lineales

Aplicaciones Lineales Aplicaciones Lineales Concepto de aplicación lineal T : V W Definición: Si V y W son espacios vectoriales con los mismos escalares (por ejemplo, ambos espacios vectoriales reales o ambos espacios vectoriales

Más detalles

Matemáticas I: Hoja 3 Espacios vectoriales y subespacios vectoriales

Matemáticas I: Hoja 3 Espacios vectoriales y subespacios vectoriales Matemáticas I: Hoa 3 Espacios vectoriales y subespacios vectoriales Eercicio 1. Demostrar que los vectores v 1, v 2, v 3, v 4 expresados en la base canónica forman una base. Dar las coordenadas del vector

Más detalles

Práctica 11 SVM. Máquinas de Vectores Soporte

Práctica 11 SVM. Máquinas de Vectores Soporte Práctica 11 SVM Máquinas de Vectores Soporte Dedicaremos esta práctica a estudiar el funcionamiento de las, tan de moda, máquinas de vectores soporte (SVM). 1 Las máquinas de vectores soporte Las SVM han

Más detalles

Subespacios vectoriales en R n

Subespacios 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 detalles

MATEMÁTICAS III. RESTRICCIONES DE IGUALDAD

MATEMÁTICAS III. RESTRICCIONES DE IGUALDAD MATEMÁTICAS III. PROBLEMAS Y CUESTIONES TEMA 4: RESTRICCIONES DE IGUALDAD OPTIMIZACIÓN CON Problema 1: Una empresa calcula que puede alcanzar unos beneficios anuales (en miles de euros) dados por la función:

Más detalles

PROGRAMACIÓN LINEAL. 8.1. Introducción. 8.2. Inecuaciones lineales con 2 variables

PROGRAMACIÓN LINEAL. 8.1. Introducción. 8.2. Inecuaciones lineales con 2 variables Capítulo 8 PROGRAMACIÓN LINEAL 8.1. Introducción La programación lineal es una técnica matemática relativamente reciente (siglo XX), que consiste en una serie de métodos y procedimientos que permiten resolver

Más detalles

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Fundamentos de Investigación de Operaciones Investigación de Operaciones de agosto de 200. Estandarización Cuando se plantea un modelo de LP pueden existir igualdades y desigualdades. De la misma forma

Más detalles

Números Reales DESIGUALDADES DESIGUALDADES. Solución de desigualdades. 2x + 4 < 6x +1 6x + 3 8x 7 x 2 > 3x 2 5x + 8. INECUACIONES o DESIGUALDADES

Números Reales DESIGUALDADES DESIGUALDADES. Solución de desigualdades. 2x + 4 < 6x +1 6x + 3 8x 7 x 2 > 3x 2 5x + 8. INECUACIONES o DESIGUALDADES Números Reales INECUACIONES o DESIGUALDADES DESIGUALDADES Una desigualdad en una variable es una expresión donde se establece una relación entre dos cantidades. Las relaciones de orden son: ,, Ejemplos:

Más detalles

Universidad de Costa Rica Escuela de Matemática ALGEBRA LINEAL. x x1 n. θ y. 1 n x1 n ȳ1 n. Carlos Arce S. William Castillo E. Jorge González V.

Universidad de Costa Rica Escuela de Matemática ALGEBRA LINEAL. x x1 n. θ y. 1 n x1 n ȳ1 n. Carlos Arce S. William Castillo E. Jorge González V. Universidad de Costa Rica Escuela de Matemática ALGEBRA LINEAL x x x1 n θ y y ȳ1 n 1 n x1 n ȳ1 n Carlos Arce S. William Castillo E. Jorge González V. 2003 Algebra Lineal Carlos Arce S., William Castillo

Más detalles

Tema 2. Espacios Vectoriales. 2.1. Introducción

Tema 2. Espacios Vectoriales. 2.1. Introducción Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por

Más detalles

Formas bilineales y cuadráticas.

Formas bilineales y cuadráticas. Tema 4 Formas bilineales y cuadráticas. 4.1. Introducción. Conocidas las nociones de espacio vectorial, aplicación lineal, matriz de una aplicación lineal y diagonalización, estudiaremos en este tema dos

Más detalles

INVESTIGACIÓN OPERATIVA

INVESTIGACIÓN OPERATIVA SILABO I. DATOS GENERALES 1. Nombre de la Asignatura : INVESTIGACIÓN OPERATIVA 2. Carácter : Obligatorio 3. Carrera Profesional : Administración de Empresas 4. Código : AD0602 5. Semestre Académico : 2014

Más detalles

1. Derivadas parciales

1. Derivadas parciales Análisis Matemático II. Curso 2009/2010. Diplomatura en Estadística/Ing. Téc. en Inf. de Gestión. Universidad de Jaén TEMA 3. ABLES DIFERENCIACIÓN DE FUNCIONES DE VARIAS VARI- 1. Derivadas parciales Para

Más detalles

FACULTAD DE INGENIERÍA FORESTAL EXCELENCIA ACADÉMICA QUE CONTRIBUYE AL DESARROLLO DE LAS CIENCIAS FORESTALES

FACULTAD DE INGENIERÍA FORESTAL EXCELENCIA ACADÉMICA QUE CONTRIBUYE AL DESARROLLO DE LAS CIENCIAS FORESTALES IDENTIFICACIÓN DE LA ASIGNATURA Nombre: Matemáticas Fundamentales Código: 0701479 Área Específica: Ciencias Básicas Semestre de Carrera: Primero JUSTIFICACIÓN El estudio de las matemáticas es parte insustituible

Más detalles

UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA FACULTAD DE INGENIERÍA MEXICALI

UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA FACULTAD DE INGENIERÍA MEXICALI PROGRAMA EDUCATIVO PLAN DE ESTUDIO CLAVE DE UNIDAD DE APRENDIZAJE NOMBRE DE LA UNIDAD DE APRENDIZAJE Tronco Común 2009-2 11211 Álgebra Lineal PRÁCTICA No. NOMBRE DE LA PRÁCTICA DURACIÓN (HORAS) 7 Producto

Más detalles

Clasificación de métricas.

Clasificación de métricas. Clasificación de métricas. 1. El problema de clasificación. Como bien sabemos, el par formado por una métrica T 2 (esto es, un tensor 2-covariante simétrico) sobre un espacio vectorial E, (E, T 2 ), constituye

Más detalles

DIRECTRICES Y ORIENTACIONES GENERALES PARA LAS PRUEBAS DE ACCESO A LA UNIVERSIDAD

DIRECTRICES Y ORIENTACIONES GENERALES PARA LAS PRUEBAS DE ACCESO A LA UNIVERSIDAD Curso Asignatura 2014/2015 MATEMÁTICAS II 1º Comentarios acerca del programa del segundo curso del Bachillerato, en relación con la Prueba de Acceso a la Universidad La siguiente relación de objetivos,

Más detalles

Espacios vectoriales con producto interno

Espacios vectoriales con producto interno Capítulo 8 Espacios vectoriales con producto interno En este capítulo, se generalizarán las nociones geométricas de distancia y perpendicularidad, conocidas en R y en R 3, a otros espacios vectoriales.

Más detalles

MÓNICA ANDREA JIMÉNEZ MORALES

MÓNICA ANDREA JIMÉNEZ MORALES ACERCAMIENTO A LAS MÁQUINAS DE SOPORTE VECTORIAL Y SUS APLICACIONES EN PROYECTOS DE GRADO DEL PROGRAMA DE INGENIERÍA DE SISTEMAS Y COMPUTACION DE LA UNIVERSIDAD TECNOLOGICA DE PEREIRA. MÓNICA ANDREA JIMÉNEZ

Más detalles

Estructuras algebraicas

Estructuras algebraicas Tema 2 Estructuras algebraicas básicas 2.1. Operación interna Definición 29. Dados tres conjuntos A, B y C, se llama ley de composición en los conjuntos A y B y resultado en el conjunto C, y se denota

Más detalles

Unidad 2 Método gráfico de solución

Unidad 2 Método gráfico de solución Unidad 2 Método gráfico de solución Los problemas de programación lineal (pl) que sólo tengan dos variables de decisión pueden resolverse gráficamente, ya que, como se ha visto en los Antecedentes, una

Más detalles

CAPITULO 4: OPTIMIZACIÓN

CAPITULO 4: OPTIMIZACIÓN CAPITULO 4: OPTIMIZACIÓN Optimización es el proceso de hallar el máimo o mínimo relativo de una función, generalmente sin la auda de gráficos. 4.1 Conceptos claves A continuación se describirá brevemente

Más detalles

Capítulo 9 Vectores en el espacio

Capítulo 9 Vectores en el espacio Capítulo 9 Vectores en el espacio Introducción El concepto de vector es muy amplio y su aplicación se evidencia en los diferentes campos de las ciencias. En matemáticas, un vector es un elemento de una

Más detalles

Valuación de opciones financieras mediante la teoría de la dualidad de la programación lineal

Valuación de opciones financieras mediante la teoría de la dualidad de la programación lineal Miscelánea Matemática 54 (2012) 99 120 SMM Valuación de opciones financieras mediante la teoría de la dualidad de la programación lineal J. Agustín Cano Garcés jacano@unam.mx Departamento de Matemáticas

Más detalles

Métodos Iterativos para Resolver Sistemas Lineales

Métodos Iterativos para Resolver Sistemas Lineales Métodos Iterativos para Resolver Sistemas Lineales Departamento de Matemáticas, CCIR/ITESM 17 de julio de 2009 Índice 3.1. Introducción............................................... 1 3.2. Objetivos................................................

Más detalles

Con el fin de obtener los datos, se procede con las siguientes instrucciones:

Con el fin de obtener los datos, se procede con las siguientes instrucciones: Capitulo 3. La predicción de beneficios del mercado bursátil Este segundo caso de estudio va más allá en el uso de técnicas de minería de datos. El dominio específico utilizado para ilustrar estos problemas

Más detalles

VECTORES COORDENADOS (R n )

VECTORES COORDENADOS (R n ) VECTORES COORDENADOS (R n ) Cómo puede ser representado un número Real? Un número real puede ser representado como: Un punto de una línea recta. Una pareja de números reales puede ser representado por

Más detalles

Tema 3. Problemas de valores iniciales. 3.1. Teoremas de existencia y unicidad

Tema 3. Problemas de valores iniciales. 3.1. Teoremas de existencia y unicidad Tema 3 Problemas de valores iniciales 3.1. Teoremas de existencia y unicidad Estudiaremos las soluciones aproximadas y su error para funciones escalares, sin que ésto no pueda extenderse para funciones

Más detalles

Ejemplo: Resolvemos Sin solución. O siempre es positiva o siempre es negativa. Damos un valor cualquiera Siempre + D(f) =

Ejemplo: Resolvemos Sin solución. O siempre es positiva o siempre es negativa. Damos un valor cualquiera Siempre + D(f) = T1 Dominios, Límites, Asíntotas, Derivadas y Representación Gráfica. 1.1 Dominios de funciones: Polinómicas: D( = La X puede tomar cualquier valor entre Ejemplos: D( = Función racional: es el cociente

Más detalles

Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES ÁLGEBRA PARA INGENIEROS

Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES ÁLGEBRA PARA INGENIEROS Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES ÁLGEBRA PARA INGENIEROS 2 Í N D I C E CAPÍTULO MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES MATRICES. MATRIZ. DEFINICIÓN 2. ALGUNOS

Más detalles

Relación de competencias. Resultado de aprendizaje REQUISITOS PREVIOS: MATERIA 2: Estadística 12 créditos (300 horas) 6 Básicos y 6 Obligatorios

Relación de competencias. Resultado de aprendizaje REQUISITOS PREVIOS: MATERIA 2: Estadística 12 créditos (300 horas) 6 Básicos y 6 Obligatorios Planificación del Módulo 4 Denominación: MÉTODOS CUANTITATIVOS PARA LA ECONOMÍA 39 créditos ECTS -21básicos y 18 obligatorios- Este módulo está integrado por tres materias que se imparten en tres cursos

Más detalles

Tema 1: La conducta del consumidor

Tema 1: La conducta del consumidor Tema 1: La conducta del consumidor 1.1. Las preferencias del consumidor. Concepto de utilidad. 1.2. La restricción presupuestaria. 1.3. La elección del consumidor. 1.4. Los índices del coste de la vida.

Más detalles

1 v 1 v 2. = u 1v 1 + u 2 v 2 +... u n v n. v n. y v = u u = u 2 1 + u2 2 + + u2 n.

1 v 1 v 2. = u 1v 1 + u 2 v 2 +... u n v n. v n. y v = u u = u 2 1 + u2 2 + + u2 n. Ortogonalidad Producto interior Longitud y ortogonalidad Definición Sean u y v vectores de R n Se define el producto escalar o producto interior) de u y v como u v = u T v = u, u,, u n ) Ejemplo Calcular

Más detalles

Investigación Operacional I EII 445

Investigación Operacional I EII 445 Investigación Operacional I EII 445 Programación Lineal Método Simple Gabriel Gutiérrez Jarpa. Propiedades Básicas de Programación Lineal Formato Estándar Un problema de programación lineal es un programa

Más detalles

UNIDAD EDUCATIVA INTERNACIONAL SEK-ECUADOR PROGRAMA DE MATEMÁTICAS NM

UNIDAD EDUCATIVA INTERNACIONAL SEK-ECUADOR PROGRAMA DE MATEMÁTICAS NM UNIDAD EDUCATIVA INTERNACIONAL SEK-ECUADOR PROGRAMA DE MATEMÁTICAS NM I. DATOS INFORMATIVOS: NIVEL DE EDUCACIÓN: Bachillerato. ÁREA: Matemáticas CURSO: Segundo de bachillerato (1º año de Diploma) PARALELO:

Más detalles

Ejercicios de Programación Lineal

Ejercicios de Programación Lineal Ejercicios de Programación Lineal Investigación Operativa Ingeniería Informática, UCM Curso 8/9 Una compañía de transporte dispone de camiones con capacidad de 4 libras y de 5 camiones con capacidad de

Más detalles

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre CURSO CERO Departamento de Matemáticas Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre Capítulo 1 La demostración matemática Demostración por inducción El razonamiento por inducción es una

Más detalles

Las Matemáticas En Ingeniería

Las Matemáticas En Ingeniería Las Matemáticas En Ingeniería 1.1. Referentes Nacionales A nivel nacional se considera que el conocimiento matemático y de ciencias naturales, sus conceptos y estructuras, constituyen una herramienta para

Más detalles

MATEMÁTICAS II. 2º BACHILLERATO (Modalidad: Ciencias y Tecnología) Desarrollado en DECRETO 67/2008, de 19 de junio. B.O.C.M.: 27 de junio de 2008.

MATEMÁTICAS II. 2º BACHILLERATO (Modalidad: Ciencias y Tecnología) Desarrollado en DECRETO 67/2008, de 19 de junio. B.O.C.M.: 27 de junio de 2008. MATEMÁTICAS II 2º BACHILLERATO (Modalidad: Ciencias y Tecnología) Desarrollado en DECRETO 67/2008, de 19 de junio. B.O.C.M.: 27 de junio de 2008. PROGRAMACIÓN DIDÁCTICA I.E.S. JOSÉ HIERRO (GETAFE) CURSO:

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

Tema 1. VECTORES (EN EL PLANO Y EN EL ESPACIO)

Tema 1. VECTORES (EN EL PLANO Y EN EL ESPACIO) Vectores Tema. VECTORES (EN EL PLANO Y EN EL ESPACIO Definición de espacio vectorial Un conjunto E es un espacio vectorial si en él se definen dos operaciones, una interna (suma y otra externa (producto

Más detalles

BASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.

BASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases. BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades

Más detalles

1. Juegos de suma cero con dos jugadores

1. Juegos de suma cero con dos jugadores Teoría de juegos Jesús López Fidalgo Esta teoría está íntimamente relacionada con la teoría de la decisión. Lo que diferencia una de otra es el rival contra el que se entra en juego. En la teoría de la

Más detalles

1. Resolver el sistema de dos ecuaciones con dos incógnitas AX = B, donde 1 0,999 1,999 A = 1,999 . 0,999 1 1 0,999 A = . 0,999 1. AX = αo 1 + βo 2.

1. Resolver el sistema de dos ecuaciones con dos incógnitas AX = B, donde 1 0,999 1,999 A = 1,999 . 0,999 1 1 0,999 A = . 0,999 1. AX = αo 1 + βo 2. Instituto de Matemática y Estadística Prof Ing Rafael Laguardia Facultad de Ingeniería Universidad de la República C1 y GAL1 anuales 2009 Trabajo: número de condición y SVD El objetivo de este trabajo

Más detalles

1. Producto escalar, métrica y norma asociada

1. Producto escalar, métrica y norma asociada 1. asociada Consideramos el espacio vectorial R n sobre el cuerpo R; escribimos los vectores o puntos de R n, indistintamente, como x = (x 1,..., x n ) = n x i e i i=1 donde e i son los vectores de la

Más detalles

Jorge Isauro Rionda Ramírez 1 RESUMEN INTRODUCCIÓN.

Jorge Isauro Rionda Ramírez 1 RESUMEN INTRODUCCIÓN. Página 1 de 11 LA PRODUCTIVIDAD DEL TRABAJO POR SU CONTRIBUCIÓN AL VALOR DEL PRODUCTO (Metodología para medir la contribución marginal de trabajo al valor de lo producido) Jorge Isauro Rionda Ramírez 1

Más detalles

Complejidad - Problemas NP-Completos. Algoritmos y Estructuras de Datos III

Complejidad - Problemas NP-Completos. Algoritmos y Estructuras de Datos III Complejidad - Problemas NP-Completos Algoritmos y Estructuras de Datos III Teoría de Complejidad Un algoritmo eficiente es un algoritmo de complejidad polinomial. Un problema está bien resuelto si se conocen

Más detalles

Producto Interno y Ortogonalidad

Producto Interno y Ortogonalidad Producto Interno y Ortogonalidad Departamento de Matemáticas, CSI/ITESM 15 de octubre de 2009 Índice 8.1. Contexto................................................ 1 8.2. Introducción...............................................

Más detalles

Desarrollar y aplicar estrategias para resolver problemas Determinar si un gráfico es lineal dibujando puntos en una situación dada

Desarrollar y aplicar estrategias para resolver problemas Determinar si un gráfico es lineal dibujando puntos en una situación dada MANEJO DE DATOS Analizar gráficos o diagramas de situaciones dadas para identificar información específica Recoger datos, dibujar los datos usando escalas apropiadas y demostrar una comprensión de las

Más detalles

Tema 14: Cálculo diferencial de funciones de varias variables II

Tema 14: Cálculo diferencial de funciones de varias variables II Tema 14: Cálculo diferencial de funciones de varias variables II 1 Desarrollos de Taylor en varias variables Vamos ahora a generalizar los desarrollos de Taylor que vimos para funciones de una variable.

Más detalles

1. Teorema del Valor Medio

1. Teorema del Valor Medio 1. l Valor Medio Uno de los teoremas más importantes del cálculo diferencial de funciones reales de una variable real es el l Valor Medio, del que se obtienen consecuencias como el Taylor y el estudio

Más detalles

forma explícita forma implícita Por ejemplo cuando: a) representa la forma implícita a una. representa implícitamente a

forma explícita forma implícita Por ejemplo cuando: a) representa la forma implícita a una. representa implícitamente a FUNCIONES IMPLÍCITAS Profesora Claudia Durnbeck Una curva C contenida en ó puede estar definida por una ecuación: forma explícita forma implícita En muchos casos se puede pasar de una forma a otra, pero

Más detalles

Ensayo: Construcción de la Frontera Eficiente de Markowitz mediante el uso de la herramienta SOLVER de Excel y el modelo Matricial.

Ensayo: Construcción de la Frontera Eficiente de Markowitz mediante el uso de la herramienta SOLVER de Excel y el modelo Matricial. UNIVERSIDAD DE ORIENTE NÚCLEO DE MONAGAS POST GRADO EN CIENCIAS ADMINISTRATIVAS MENCIÓN FINANZAS FINANZAS INTERNACIONALES Ensayo: Construcción de la Frontera Eficiente de Markowitz mediante el uso de la

Más detalles

Optimización y la Programación Lineal: Una Introducción

Optimización y la Programación Lineal: Una Introducción Reporte de Investigación 2007-07 Optimización y la Programación Lineal: Una Introducción Responsables: Marchena Williams Ornelas Carlos Supervisor: Francisco M. González-Longatt Línea de Investigación:

Más detalles

Nota 1. Los determinantes de orden superior a 3 se calculan aplicando las siguientes propiedades:

Nota 1. Los determinantes de orden superior a 3 se calculan aplicando las siguientes propiedades: Capítulo 1 DETERMINANTES Definición 1 (Matriz traspuesta) Llamaremos matriz traspuesta de A = (a ij ) a la matriz A t = (a ji ); es decir la matriz que consiste en poner las filas de A como columnas Definición

Más detalles

Clasificador (Classifier) Aprendizaje Automatizado. Atributos. Clases. Conceptos. conceptos.

Clasificador (Classifier) Aprendizaje Automatizado. Atributos. Clases. Conceptos. conceptos. Aprendizaje Automatizado Clasificadores y construcción de conceptos usando aprendizaje automatizado Aprendizaje con Version Spaces Clasificador (Classifier) Brindan modelos para capturar la formación de

Más detalles

L A P R O G R A M A C I O N

L A P R O G R A M A C I O N L A P R O G R A M A C I O N L I N E A L 1. INTRODUCCIÓN: la programación lineal como método de optimación La complejidad de nuestra sociedad en cuanto a organización general y económica exige disponer

Más detalles

MÉTODOS MATEMÁTICOS DE LA ECONOMÍA

MÉTODOS MATEMÁTICOS DE LA ECONOMÍA UNIVERSIDAD DE VALLADOLID DEPARTAMENTO DE ECONOMÍA APLICADA SUBSECCIÓN DE MATEMÁTICAS MÉTODOS MATEMÁTICOS DE LA ECONOMÍA Economía Derecho Administración y Dirección de Empresas RELACIÓN DE PROBLEMAS DE

Más detalles

Tema 2: Estadística Descriptiva Multivariante

Tema 2: Estadística Descriptiva Multivariante Tema 2: Estadística Descriptiva Multivariante Datos multivariantes: estructura y notación Se llama población a un conjunto de elementos bien definidos. Por ejemplo, la población de las empresas de un país,

Más detalles

Análisis de medidas conjuntas (conjoint analysis)

Análisis de medidas conjuntas (conjoint analysis) Análisis de medidas conuntas (conoint analysis). Introducción Como ya hemos dicho anteriormente, esta técnica de análisis nos sirve para analizar la importancia que dan los consumidores a cada uno de los

Más detalles

Tema 4: Aplicaciones lineales

Tema 4: Aplicaciones lineales Tema 4: Aplicaciones lineales Definición, primeras propiedades y ejemplos Definición. Sean V y W dos espacios vectoriales sobre un cuerpo K. Una función f : V W se dice que es una aplicación lineal si

Más detalles

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características

Más detalles

5.1Definición transformación lineal de núcleo ó kernel, e imagen de una transformación lineal y sus propiedades

5.1Definición transformación lineal de núcleo ó kernel, e imagen de una transformación lineal y sus propiedades 5- ransformaciones Lineales 5Definición transformación lineal de núcleo ó kernel, e imagen de una transformación lineal sus propiedades Se denomina transformación lineal a toda función,, cuo dominio codominio

Más detalles

Análisis aplicado. Ax = b. Gradiente conjugado.

Análisis aplicado. Ax = b. Gradiente conjugado. José Luis Morales http://allman.rhon.itam.mx/ jmorales Departamento de Matemáticas. ITAM. 2009. Cuadráticas estrictamente convexas. φ(x) = 1 2 xt Ax b T x, A R n n minimizar φ(x) Ax = b. Cuadráticas estrictamente

Más detalles