Análisis y Diseño de Algoritmos
|
|
- Encarnación Quintana Venegas
- hace 7 años
- Vistas:
Transcripción
1 Análisis y Diseño de Algoritmos Ordenamiento en Tiempo Lineal DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE
2 Ordenamiento por Comparación (Comparison Sorts) Tiempo de ejecución HeapSort y MergeSort, O(nlgn), peor caso QuickSort, O(nlgn), caso promedio Para alguna entrada Ω(nlgn) Los algoritmos anteriores comparten una característica El orden que determinan se basa en comparaciones entre los elementos de entrada Los conocemos como ordenamiento basado en comparaciones ó comparison sorts 2
3 Ordenamiento Lineal (Linear Sorting) No se basan en comparaciones Counting Sort Radix Sort Bucket Sort 3
4 Cotas Inferiores para Ordenamiento En comparison sort, comparamos elementos Dados 2 elementos a i y a j probamos: a i < a j, a i a j, a i = a j, a i a j ó a i > a j para determinar orden relativo No verificamos los valores de otra forma Para algoritmos lineales Si asumimos entradas únicas, no serían necesarias las comparaciones = Quedan sólo comparaciones de la forma a i a j 4
5 Modelo de Árboles de Decisión 5 Ordenamientos de comparación se ven en términos de árboles de decisión Árbol binario completo que representa comparaciones hechas por un alg. de ordenamiento particular sobre una entrada de determinado tamaño Se ignora el control, movimientos de datos y otros aspectos del algoritmo
6 Árbol de Decisión para Insertion Sort con 3 Valores Nodo interno anotado como i:j, i y j en el rango [1..n] Hojas anotadas por una permutación <π(1), π(2),, π(n)> La ejecución del alg. de ord à ruta de la raíz a hoja 6 n = 3 Entrada: <a 1 =6, a 2 =8, a 3 =5> Posibles salidas: 3!
7 Counting Sort Asume entrada de n elementos enteros en rango de 0 a k Cuando k = O(n), ordenamiento corre en Θ(n) Determina para cada elemento de entrada x, el # de elementos menores de x Así posiciona a x en su lugar en el arreglo de salida Si hay 17 elementos menores a x à x va en el lugar 18 Manejo de números repetidos 7
8 Algoritmo Counting Sort A[j] à Elemento del arreglo original C[A[j]] à # de repeticiones del número en A[j] B[C[A[j]]] à Arreglo final, pone el número en la posición final 8
9 Ejemplo de Counting Sort 9
10 Análisis de Counting Sort Ciclo for líneas 1-2 toma Θ(k) Ciclo for líneas 3-4 toma Θ(n) Ciclo for líneas 9-11 toma Θ(n) Tiempo total es Θ(k+n) En general usamos counting sort cuando tenemos k = O(n) Tiempo de ejecución Θ(n) Mejora la cota inferior Ω(nlgn) porque no es un algoritmo de ordenamiento por comparación No hace comparaciones entre elementos 10 Usa los valores de los elementos para indexarlos en el arreglo
11 Algoritmo estable Análisis Counting Sort 11 Números con el mismo valor aparecen en la salida en el mismo orden en que estaban en el arreglo de entrada Propiedad importante cuando hay datos asociados con el elemento que se ordena Counting Sort se utiliza como subrutina de Radix Sort La estabilidad de Counting Sort es importante para que Radix Sort sea un algoritmo correcto
12 Radix Sort Originalmente utilizado para ordenar juegos de cartas perforadas (IBM) Los ordenadores de tarjetas trabajaban una columna a la vez Actualmente se utiliza para ordenamientos multillave (p.e. año/mes/día) Considera cada dígito del número como una llave independiente 12
13 Cómo ordenamos? Radix Sort Primero ordena el dígito más significativo n, luego el dígito n-2, etc. 13 Problema: podemos ordenar en 10 conjuntos (uno por dígito) pero para ordenamientos recursivos subsecuentes requerimos los 10 conjuntos y se debería mantener los otros 9 montones. Podemos ordenar del dígito menos significativo al más significativo
14 Ejemplo de Radix Sort 14
15 Algoritmo de Radix Sort d es el número de dígitos el dígito 1, es el de orden más bajo el dígito d es el de mayor orden 15
16 Análisis de Radix Sort Si cada dígito esta en el rango de 1 a k, usamos CountingSort Cada paso por un dígito toma Θ(n + k) Para d dígitos Θ(dn + dk) Si d es una constante y k = O(n), T(n) = O(n) Radix-n significa que cada dígito puede diferenciar entre n símbolos diferentes, en ejemplos anteriores utilizamos radix-10 (dígitos del 0 al 9). 16
17 Precisión Porqué pasadas posteriores no desacomodan los ordenamientos previos? Probar que después de la pasada p, ordenando para el dígito p+1 hacia el último dígito Por inducción sobre p Verdadero para p=1, aplicamos sort estable al dígito 1, ordenado después de la primera pasada Asumimos verdadero para p=1 y probamos para p=i+1 Después de la pasada i, comparamos dos números x y y Si x esta antes que y, pasó una de estas dos condiciones x < y para el dígito i, à x va antes que y en orden x = y para el dígito i, à x < y para el resto del número, ubicado en ese orden en una pasada anterior, no fue intercambiado por el uso de un ordenamiento estable 17
18 Ejemplo Pruebe que n enteros en el rango de 1 a n 2 se pueden ordenar en tiempo O(n) 18 El número de dígitos utilizado para representar n 2 números diferentes en un sistema de números k-ario es: log k (n 2 ) Entonces, considerando los n 2 números como números en radix-n, tenemos: d=log n (n 2 )=2log n (n)=2 Entonces necesitamos 2 dígitos, d = 2 Cada dígito requiere n símbolos (radix-n), por lo que k=n T(n)= Θ(d(n + k)) = Θ(2(n + n)) = Θ(n).
19 Bucket Sort Corre en tiempo lineal cuando la entrada se toma de una distribución uniforme 19 Rápido porque asume algo sobre la entrada (como counting sort, asume números en un rango pequeño) Bucket Sort asume números generados aleatoriamente y distribuidos uniformemente en un rango de [o,1) Divide el intervalo de [0,1) en n sub-intervalos de igual tamaño Se ordenan los números en cada partición Se recorren las particiones en orden listando los elementos
20 Algoritmo Bucket Sort 20
21 Ejemplo de Bucket Sort 21
22 Análisis Bucket Sort BucketSort(A) COST*TIMES 2. n = length(a) 1 3. for i = 1 to n n+1 4. insert(a[i], B[floor(nA[i])] n 5. for i = 0 to n-1 n InsertionSort(B[i]) n*t(insertionsort) 7. return (B[0],B[1],, B[n-1]) n
23 T BS = 4n + T IS n + 3 Análisis Bucket Sort Sea n i = número de elementos en partición B[i] El tiempo esperado para ordenar los elementos en B[i] = E(O(n i2 )) = O(E(n i2 )). 23 Note que el valor esperado de una variable aleatoria X como se describe en el capítulo 6 es: E ( X ) = xpr( X = x) x La variable x representa el valor de X, y Pr(X=x) la probabilidad de que el valor de X sea x La varianza de una variable aleatoria X con media E[X] se denota como Var[X] E[ X P( X 2 ] = Var[ X ] + E n = k) = p k k q 2 n k [ X ], esta es la distribución binomial para n intentos
24 Análisis Bucket Sort Para todas las particiones, Dados n elementos, uniformemente distribuidos sobre todos los posibles valores n particiones Cuál es la probabilidad de que un elemento sea insertado en la partición i? P=1/n. Dados n intentos que consisten en poner elementos en las particiones, cuántos elementos se insertarán en la partición i? 24 n 1 i= 0 O( E( n n i )) = O( E( n i i= 0 )).
25 Análisis Bucket Sort 25 n i = Binomial( n, p) con media E( n y varianzavar( n i ) = np = 1 i ) = np(1 p) = 1 1/ n E( n 2 i = 2 1/ n ) = 1 1/ n = Θ(1) Por tanto, T IS = Θ(1) y T BS = 4n + Θ(1)n + 3 = O(n) para el caso promedio. En el peor caso, el tiempo de ejecución es n 2.
26 Aplicaciones de Bucket Sort 26 GPU bucket sort algorithm with applications to nearest-neighbour search, by T. Rozen, K. Boryczko, W. Alda full.pdf
Análisis probabilístico y Algoritmos Aleatorizados
Análisis probabilístico y Algoritmos Aleatorizados Andrés Becerra Sandoval Ponticia Universidad Javeriana 14 de julio de 2007 Lenguajes III Introducción La probabilidad puede ayudarnos a medir la complejidad
Más detallesRuta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE
Ruta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) 1 DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Problema de Encontrar la Ruta más Corta 2 Se requiere llegar de
Más detallesNotación Asintótica 2
Notación Asintótica 2 mat-151 1 Éxamen Rápido (6 minutos) Cada operación fundamental usa c milisegundos, cuánto tiempo toma contar hasta 1,000,000? Cuál es el valor de N? Cuál es el órden de complejidad
Más detallesNOTACIÓN O GRANDE. El análisis de algoritmos estima el consumo de recursos de un algoritmo.
NOTACIÓN O GRANDE El análisis de algoritmos estima el consumo de recursos de un algoritmo. Esto nos permite comparar los costos relativos de dos o más algoritmos para resolver el mismo problema. El análisis
Más detallesAmpliación de Estructuras de Datos
Ampliación de Estructuras de Datos Amalia Duch Barcelona, marzo de 2007 Índice 1. Diccionarios implementados con árboles binarios de búsqueda 1 2. TAD Cola de Prioridad 4 3. Heapsort 8 1. Diccionarios
Más detallesEjemplo: El problema de la mochila. Algoritmos golosos. Algoritmos y Estructuras de Datos III. Segundo cuatrimestre 2013
Técnicas de diseño de algoritmos Algoritmos y Estructuras de Datos III Segundo cuatrimestre 2013 Técnicas de diseño de algoritmos Algoritmos golosos Backtracking (búsqueda con retroceso) Divide and conquer
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detallesIntegrantes. Leonardo Herrera Cristian Fernandez Jorge A Mondragón. Análisis y Diseño de Algoritmos. Docente Diana Mabel Díaz Herrera.
Integrantes Leonardo Herrera Cristian Fernandez Jorge A Mondragón Análisis y Diseño de Algoritmos Docente Diana Mabel Díaz Herrera HeapSort Universidad Piloto de Colombia Facultad de Ingeniería de Sistemas
Más detallesConclusiones. Particionado Consciente de los Datos
Capítulo 6 Conclusiones Una de las principales conclusiones que se extraen de esta tesis es que para que un algoritmo de ordenación sea el más rápido para cualquier conjunto de datos a ordenar, debe ser
Más detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesHerramientas computacionales para la matemática MATLAB: Análisis de datos.
Herramientas computacionales para la matemática MATLAB:. Verónica Borja Macías Junio 2012 1 Analizar datos estadísticos en MATLAB es sencillo. Máximo y mínimo max(x) si x es vector encuentra el valor más
Más detallesTema 5: Principales Distribuciones de Probabilidad
Tema 5: Principales Distribuciones de Probabilidad Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Principales Distribuciones de Probabilidad
Más detallesCapítulo 3: Técnicas de Conteo Clase 2: Permutaciones y Combinaciones, Coeficientes Binomiales y Aplicaciones a Probabilidad Discreta
Capítulo 3: Técnicas de Conteo Clase 2: Permutaciones y Combinaciones, Coeficientes Binomiales y Aplicaciones a Probabilidad Discreta Matemática Discreta - CC3101 Profesor: Pablo Barceló P. Barceló Matemática
Más detallesPráctica 4 El algoritmo QuickSort, comparación de algoritmos de ordenación
Práctica 4 El algoritmo QuickSort, comparación de algoritmos de ordenación Estructuras de datos y algoritmos Facultad de Informática curso 2008-2009 Introducción El objetivo de esta práctica consiste en
Más detallesTema: Métodos de Ordenamiento. Parte 1.
Programación IV. Guía 2. 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación IV Tema: Métodos de Ordenamiento. Parte 1. Objetivos Específicos Identificar la estructura de algunos algoritmos
Más detallesESCUELA COMERCIAL CÁMARA DE COMERCIO EXTENSIÓN DE ESTUDIOS PROFESIONALES MAESTRÍA EN ADMINISTRACIÓN
CICLO, ÁREA O MÓDULO: TERCER CUATRIMESTRE OBJETIVO GENERAL DE LA ASIGNATURA: Al termino del curso el alumno efectuara el análisis ordenado y sistemático de la Información, a través del uso de las técnicas
Más detallesSorting++ Herman Schinca. Clase 21. 10 de Junio de 2011
Sorting++ Herman Schinca Clase 21 10 de Junio de 2011 Recordando Ya vimos 3 algoritmos de ordenamiento basados en la comparación entre elementos: Selection, Insertion y Bubble. Los 3 en peor caso (cuando
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesGuía para maestro. Medidas de dispersión. Guía para el maestro. Compartir Saberes
Guía para maestro Guía realizada por Bella Peralta C. Magister en Educación Matemática bellaperaltamath@gmail.com bperalta@colegioscompartir.org Determinan si la media de la distribución de los datos es
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesLOS NUMEROS IRRACIONALES Y SU REPRESENTACIÓN EN LA RECTA NUMERICA
GUIA Nº 1: LOS NÚMEROS REALES 1 GRADO: 8º PROFESORA: Eblin Martínez M. ESTUDIANTE: PERIODO: I DURACIÓN: 20 Hrs LOGRO: Realizo operaciones con números naturales, enteros, racionales e irracionales. INDICADORES
Más detallesCómo ordenar una lista de números?
Cómo ordenar una lista de números? Germán Ariel Torres Resumen. Este trabajo trata acerca de métodos y técnicas usadas para el ordenamiento eficiente de listas de números. Se analizan los métodos básicos,
Más detallesJulio Deride Silva. 27 de agosto de 2010
Estadística Descriptiva Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de agosto de 2010 Tabla de Contenidos Estadística Descriptiva Julio Deride
Más detallesX = beneficio del jugador = (ganancia neta) (recursos invertidos) Cuántos euros debo poner yo para que el juego sea justo?
Ejemplo: el valor esperado y los juegos justos. En los juegos de azar es importante la variable aleatoria X = beneficio del jugador = (ganancia neta) (recursos invertidos) El juego consiste en una caja
Más detallesGeneración de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Generación de Variables Aleatorias UCR ECCI CI-453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción Las variables aleatorias se representan por medio de distribuciones
Más detallesCapítulo 2 Juegos estáticos con información asimétrica
Capítulo Juegos estáticos con información asimétrica January 1, 011 1 El equilibrio Bayesiano Definición 1.1. Un juego Bayesiano G consta de los siguientes elementos, G = (N, A, T, p, u) Un conjunto de
Más detallesCAPÍTULO 4 TÉCNICA PERT
54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con
Más detallesLa eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesCONTENIDO. Prólogo a la 3. a edición en español ampliada... Prólogo...
CONTENIDO Prólogo a la 3. a edición en español ampliada.................................. Prólogo.................................................................. vii xvii 1. Métodos descriptivos................................................
Más detallesMétodos para escribir algoritmos: Diagramas de Flujo y pseudocódigo
TEMA 2: CONCEPTOS BÁSICOS DE ALGORÍTMICA 1. Definición de Algoritmo 1.1. Propiedades de los Algoritmos 2. Qué es un Programa? 2.1. Cómo se construye un Programa 3. Definición y uso de herramientas para
Más detallesAnálisis de Decisiones II. Tema 17 Generación de números al azar. Objetivo de aprendizaje del tema
Tema 17 Generación de números al azar Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Obtener números aleatorios a partir de un proceso de generación. Validar las características
Más detallesTema 5. Variables aleatorias discretas
Tema 5. Variables aleatorias discretas Resumen del tema 5.1. Definición de variable aleatoria discreta 5.1.1. Variables aleatorias Una variable aleatoria es una función que asigna un número a cada suceso
Más detallesDistribuciones de probabilidad discretas
Lind, Douglas; William G. Marchal y Samuel A. Wathen (2012). Estadística aplicada a los negocios y la economía, 15 ed., McGraw Hill, China. Distribuciones de probabilidad discretas Capítulo 6 FVela/ McGraw-Hill/Irwin
Más detallesJUNIO Bloque A
Selectividad Junio 009 JUNIO 009 Bloque A 1.- Estudia el siguiente sistema en función del parámetro a. Resuélvelo siempre que sea posible, dejando las soluciones en función de parámetros si fuera necesario.
Más detallesMétodo de diferencias finitas para ecuaciones diferenciales parciales elípticas. (Parte II)
Método de diferencias finitas para ecuaciones diferenciales parciales elípticas (Parte II) Métodos numéricos para sistemas lineales Solución numérica de EDPs requiere resolver sistemas de ecuaciones lineales
Más detallesECUACIONES EN DIFERENCIAS LINEALES CON COEFICIENTES CONSTANTES
ECUACIONES EN DIFERENCIAS LINEALES CON COEFICIENTES CONSTANTES Alejandro Lugon 008-1 1. Ecuaciones De Segundo Orden Consideremos la ecuación: x t+ + ax t+1 + bx t = 0 (1) la cual podemos escribir como:
Más detallesf: D IR IR x f(x) v. indep. v. dependiente, imagen de x mediante f, y = f(x). A x se le llama antiimagen de y por f, y se denota por x = f -1 (y).
TEMA 8: FUNCIONES. 8. Función real de variable real. 8. Dominio de una función. 8.3 Características de una función: signo, monotonía, acotación, simetría y periodicidad. 8.4 Operaciones con funciones:
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesREDUCCIÓN DEL RUIDO EN UNA IMAGEN DIGITAL
Div. Ingeniería de Sistemas y Automática Universidad Miguel Hernández REDUCCIÓN DEL RUIDO EN UNA IMAGEN DIGITAL Tabla de Contenidos Definición Filtros No Lineales Filtros Temporales Definición 3 G = Ruido:
Más detallesAgradecimientos. Nota de los autores. 1 Problemas, algoritmos y programas 1
Prologo Agradecimientos Nota de los autores Índice general I III V VII 1 Problemas, algoritmos y programas 1 1.1 Programas y la actividad de la programación.................... 4 1.2 Lenguajes y modelos
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detalles1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde
Soluciones de la relación del Tema 6. 1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B1, p), donde p = P X = 1) = P la persona presente síntomas)
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Tercera clase: Introducción al concepto de probabilidad y Distribuciones de probablidad discretas Programa Técnico en Riesgo, 2014 Agenda 1 Concepto de probabilidad
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesTarea 3 Matemáticas Discretas Soluciones
Tarea 3 Matemáticas Discretas Soluciones. (a) Pruebe por inducción que n n < n! para n suficientemente grande (esto es existe un n 0, tal que la desigualdad es cierta para n n 0 ). Como parte de la prueba
Más detalles<tipo> Tipo de dato de los elementos del vector
Vectores y matrices Declaración Vector (array unidimiensional): []; Tipo de dato de los elementos del vector Identificador de la variable.
Más detallesAnálisis probabilístico y algoritmos aleatorizados
Análisis probabilístico y algoritmos aleatorizados Johan Van Horebeek, horebeek@cimat.mx Análisis probabilístico: considerar el input de un algoritmo como de cierta distribución probabilística. Algoritmo
Más detallesGeneración de Números Aleatorios. Modelos de Probabilidad. Introducción a la Simulación con EXCEL.
PRÁCTICAS DE ESTADÍSTICA 1º CURSO DE GRADO EN CC. AMBIENTALES Guión de la práctica 4: Curso 2009/2010 7/04/2010. Generación de Números Aleatorios. Modelos de Probabilidad. Introducción a la Simulación
Más detallesEjemplo, generación de #s aleatorios
Ejemplo, generación de #s aleatorios Supón que tienes un generador de números aleatorios enteros [0,2] con distribución uniforme, y tu necesitas generar números con distribución uniforme [0,4]. Alguien
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesPlanificaciones Algoritmos y Programación II. Docente responsable: CALVO PATRICIA MABEL. 1 de 6
Planificaciones 7504 - Algoritmos y Programación II Docente responsable: CALVO PATRICIA MABEL 1 de 6 OBJETIVOS Que el alumno maneje de modo correcto el diseño de un TDA de acuerdo a las exigencias de una
Más detallesTipos de gráficas y selección según los datos CIENCIA, TECNOLOGIA Y AMBIENTE
Tipos de gráficas y selección según los datos CIENCIA, TECNOLOGIA Y AMBIENTE Objetivos 2 Identificar los tipos de gráficas. Definir los conceptos tablas y cuadros Reconocer las partes de una gráfica. Construir
Más detallesPara qué se creó? El objetivo del estándar es proporcionar un conjunto estandarizado de documentos para la documentación de pruebas de software.
Estándar IEEE-829 Estándar para documentación de pruebas de software Para qué se creó? El objetivo del estándar es proporcionar un conjunto estandarizado de documentos para la documentación de pruebas
Más detalles3.1. Administración de la medición y de la información estratégica:
Unidad III Aspectos Generales Sobre la Gestión de la Calidad 3.1. Administración de la medición y de la información estratégica: Los siguientes criterios corresponden a la administración de la medición
Más detallesAritmética de Enteros
Aritmética de Enteros La aritmética de los computadores difiere de la aritmética usada por nosotros. La diferencia más importante es que los computadores realizan operaciones con números cuya precisión
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesTema Árboles generales. 9.2 Árboles binarios 9.3 Árboles de búsqueda
Informática Haskell Matemáticas Curso 2004-2005 Pepe Gallardo Universidad de Málaga Tema 9. Árboles 9.1 Árboles generales 9.2 Árboles binarios 9.3 Árboles de búsqueda 9.1 Árboles generales Un árbol es
Más detallesAlgoritmos y Estructuras de Datos Curso 06/07. Ejercicios
9..En un problema de backtracking estamos interesados en almacenar de forma explícita el árbol recorrido por el algoritmo. De cada nodo del árbol sólo necesitamos saber un número, que indica el orden en
Más detallesOptimización. Búsqueda en una Dimensión ITESM. Búsqueda en una Dimensión Profr. E. Uresti - p. 1/19. Dr. E Uresti
Optimización Búsqueda en una Dimensión Dr. E Uresti ITESM Búsqueda en una Dimensión Profr. E. Uresti - p. 1/19 Algunos de los métodos numéricos de búsqueda de óptimos de una función en varias variables
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallesSistemas Numéricos Transversal de Programación Básica Proyecto Curricular de Ingeniería de Sistemas
1 Sistemas Numéricos 2013 Transversal de Programación Básica Proyecto Curricular de Ingeniería de Sistemas 2 Introducción Un sistema de numeración es un conjunto de símbolos y reglas que permiten representar
Más detallesCurso: Métodos de Monte Carlo. Unidad 2, Sesión 3: Estimación de volúmenes
Curso: Métodos de Monte Carlo. Unidad 2, Sesión 3: Estimación de volúmenes Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo,
Más detallesAlgoritmos: Diseño de algoritmos por inducción
Algoritmos: Diseño de algoritmos por inducción Alberto Valderruten LFCIA - Departamento de Computación Facultad de Informática Universidad de A Coruña, España www.lfcia.org/alg www.fi.udc.es Contenido
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
Más detallesDe los números naturales a los números enteros. Exposición de contenidos matemáticos. Sobre el número cardinal
De los números naturales a los números enteros Exposición de contenidos matemáticos Sobre el número cardinal Usos del número: Introducción: Se reconocen distintos usos del número natural. Los usos o significados
Más detallesAnalisis de algoritmos
Analisis de algoritmos Eficiencia Es la capacidad de disponer de un recurso. En el caso de los algoritmos, la eficiencia se logra haciendo el mejor uso posible de los recursos del sistema. Recursos Qué
Más detallesCapítulo 2 ORDENACIÓN
Capítulo ORDENACIÓN. INTRODUCCIÓN Dado un conjunto de n elementos a, a,..., a n y una relación de orden total ( ) sobre ellos, el problema de la ordenación consiste en encontrar una permutación de esos
Más detallesGuía número 1. Métodos numéricos. Universidad de san buenaventura de Cali
Guía número 1 Métodos numéricos Universidad de san buenaventura de Cali Mathematic Alpha 2016 CONVERSIÓN DE BASES CONVERSIÓN DE UN NÚMERO DECIMAL A BINARIO: El sistema de números binarios, de base dos,
Más detallesEstructuras de datos: Árboles binarios de
Estructuras de datos: Árboles binarios de búsqueda, Dep. de Computación - Fac. de Informática Universidad de A Coruña Santiago Jorge santiago.jorge@udc.es Árboles binarios de búsqueda, Table of Contents
Más detallesEl TAD Grafo. El TAD Grafo
! Esta representación resulta útil cuando el número de vértices se conoce previamente y permanecerá fijo durante la resolución del problema, pero resulta ineficiente si necesitamos añadir o eliminar vértices
Más detallesContenidos. Capítulo 1 Grimaldi. Introducción Reglas. Combinación. Coeficiente. Permutación. Ejercicios 20/05/2014. sin repeticiones con repeticiones
Capítulo 1 Grimaldi Contenidos Introducción Reglas de la suma del producto Permutación sin repeticiones con repeticiones elementos repetidos circular Combinación sin repeticiones con repeticiones Coeficiente
Más detallesUNIVERSIDAD INTERAMERICANA DE PUERTO RICO RECINTO DE ARECIBO CENTRO DE SERVICIOS DE APOYO AL ESTUDIANTE
UNIVERSIDAD INTERAMERICANA DE PUERTO RICO RECINTO DE ARECIBO CENTRO DE SERVICIOS DE APOYO AL ESTUDIANTE Glosario Media: es la puntuación promedio de un grupo de datos. Mediana: la mediana viene a ser la
Más detallesAlgoritmos: Algoritmos sobre secuencias y conjuntos de datos
Algoritmos: Algoritmos sobre secuencias y conjuntos de datos Alberto Valderruten LFCIA - Departamento de Computación Facultad de Informática Universidad de A Coruña, España www.lfcia.org/alg www.fi.udc.es
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesAlgoritmos sobre secuencias y conjuntos de datos
Suma de la Subsecuencia Máxima Dept. de Computación, Universidade da Coruña alberto.valderruten@udc.es Índice Suma de la Subsecuencia Máxima 1 Suma de la Subsecuencia Máxima 2 Suma de la Subsecuencia Máxima
Más detallesTeoría de Probabilidad
Matemáticas Discretas L. Enrique Sucar INAOE Teoría de Probabilidad Considero que la probabilidad representa el estado de la mente con respecto a una afirmación, evento u otra cosa para las que no existe
Más detallesCapítulo 5. Los números reales y sus representaciones Pearson Education, Inc. Diapositiva 5-5-1
Capítulo 5 Los números reales y sus representaciones 2012 Pearson Education, Inc. Diapositiva 5-5-1 Capítulo 5: Los números reales y sus representaciones 5.1 Números reales, orden y valor absoluto 5.2
Más detallesEL4005 Principios de Comunicaciones Clase No.22: Señalización Ortogonal
EL4005 Principios de Comunicaciones Clase No.22: Señalización Ortogonal Patricio Parada Departamento de Ingeniería Eléctrica Universidad de Chile 29 de Octubre de 2010 1 of 34 Contenidos de la Clase (1)
Más detallesProgramación de Sistemas
Programación de Sistemas Algoritmos de Ordenación Índice Por qué es importante la ordenación? Un par de ejemplos InsertionSort QuickSort Para cada uno veremos: En qué consisten, Casos extremos Eficiencia
Más detallesTest de Kolmogorov-Smirnov
Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar
Más detallesTEMA 3: Inspección Estadística por Variables
TEMA 3: Inspección Estadística por Variables 1 Planes de muestreo por variables 2 Inspección en cadena 3 Inspección por muestreo continuo 4 Planes de muestreo por lotes salteados 5 Consideración de errores
Más detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD Se llama variable aleatoria a toda función que asocia a cada elemento del espacio muestral E un número real. Una variable aleatoria discreta es aquella que sólo puede tomar
Más detallesM i. Los datos vendrán en intervalos en el siguiente histograma de frecuencias acumuladas se ilustra la mediana.
Medidas de tendencia central y variabilidada para datos agrupados Media (media aritmética) ( X ) Con anterioridad hablamos sobre la manera de determinar la media de la muestra. Si hay muchos valores u
Más detallesMateria: Matemática de Octavo Tema: Medidas de tendencia central para datos agrupados Media Aritmética
Materia: Matemática de Octavo Tema: Medidas de tendencia central para datos agrupados Media Aritmética En un examen de matemáticas con tiempo, los estudiantes resuelven un problema particular en diferentes
Más detallesEstadística para la toma de decisiones
Estadística para la toma de decisiones ESTADÍSTICA PARA LA TOMA DE DECISIONES. 1 Sesión No. 7 Nombre: Distribuciones de probabilidad para variables continúas. Objetivo Al término de la sesión el estudiante
Más detallesUniversidad Nacional de Ingeniería Facultad de Ciencias Introducción a la Ciencia de la Computación Sistemas de Numeros Prof: J.
Universidad Nacional de Ingeniería Facultad de Ciencias Introducción a la Ciencia de la Computación Sistemas de Numeros Prof: J. Solano 2011-I Objetivos Despues de estudiar este capitulo el estudiante
Más detallesTema 2 Introducción a la Programación en C.
Tema 2 Introducción a la Programación en C. Contenidos 1. Conceptos Básicos 1.1 Definiciones. 1.2 El Proceso de Desarrollo de Software. 2. Lenguajes de Programación. 2.1 Definición y Tipos de Lenguajes
Más detallesDISTRIBUCIONES BIDIMENSIONALES
La estadística unidimensional estudia los elementos de un conjunto de datos considerando sólo una variable o característica. Si ahora incorporamos, otra variable, y se observa simultáneamente el comportamiento
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesÁrboles Filogenéticos. BT7412, CC5702 Bioinformática Diego Arroyuelo. 2 de noviembre de 2010
Unidad 6: Árboles Filogenéticos BT7412, CC5702 Bioinformática Diego Arroyuelo 2 de noviembre de 2010 Temario (Introduction to Computational Molecular Biology Setubal y Meidanis Capítulo 6) 1. Introducción
Más detallesPROCESOS ESTOCÁSTICOS
Capítulo 10 Cadenas de Markov PROCESOS ESTOCÁSTICOS Una sucesión de observaciones X 1,X 2,... se denomina proceso estocástico Si los valores de estas observaciones no se pueden predecir exactamente Pero
Más detallesPropiedades en una muestra aleatoria
Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Más detalles