FEM-OF: EDP Elíptica de 2 Orden

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

Download "FEM-OF: EDP Elíptica de 2 Orden"

Transcripción

1 9/02/2008 Capítulo 5: FM-OF: D líptca de 2 Orde Idce: 5..- Operador Dferecal líptco roblema Básco Fucoes Óptmas FM-OF Steklov-ocaré FM-OF Trefftz-Herrera FM-OF etrov-galerk FM-OF para el Caso Smétrco 99

2 5..- Operador Dferecal líptco Operador Dferecal l operador dferecal elíptco geeral para varables depedetes se defe como: dode el operador L u ( x ) ( a u ) + ( bu ) + cu (5..) x j ( ), b b ( x) y ( ) a a x, u vector columa de tamaño y c( x) 0 es u vector columa de tamaño ; y los coefcetes c x so ua matrz smétrca postva-defda de tamaño, respectvamete. ótese que los coefcetes so fucoes totalmete cotuas excepto posblemete a través de. També, ótese que: u ( a u) = aj = j= x x j (5..2) (5..3) = x ( bu ) ( bu) = Operador Dferecal Adjuto l operador dferecal adjuto formal para el caso elíptco es: ótese que: ( ) L w = a w b w + cw (5..4) 00

3 b w = = w (5..5) b x També ótese que s b = 0, etoces el operador dferecal es autoadjuto, es decr: L u = L u = ( a u) + cu (5..6) Fucoal Bleal ( u, La fucoal bleal ( u, : D ( Ω ) D ( ) subdomo Ω, esto es, Ω R se defe de maera putual e cada 2 x Ω se tee que: ( ) (, ) ( ) ( ) u w w L u w a u + bu + cu (5..7) Fucoal Bleal Q ( u, La fucoal bleal ( u, : D ( Ω ) D ( ) subdomo Ω, esto es, Q Ω R se defe de maera putual e cada 2 x Ω se tee que: ( a w b w c ( u, u w u ( ) Q L = + (5..8) Fucoal Bleal D ( u, La fucoal bleal vectoral ( u, : D ( Ω ) D ( ) Ω, esto es, x Ω se tee que: D 2 Ω R se defe de maera putual e (, ) ( ) D u w a u w w u + ubw (5..9) Se sgue que la fucoal bleal real ( u, : D ( ) D ( ) D Ω Ω R es: (, ) ( ) 2 ( ) D u w = a u w w u + ubw (5..0) 0

4 dode es u vector ormal a la frotera de la regó cosderada, ya sea Ω o. De forma equvalete se tee que: dode: ( ) ( ) D u w a u w w u ubw (5..), = + a = a (5..2) b = b (5..3) Fucoales Bleales C ( u, y B ( u, Las fucoales bleales C ( u, : D ( Ω ) D ( Ω) R y B ( u, : D ( Ω ) D ( ) 2 se defe de maera putual e Ω, esto es, x Ω se tee que: ( ) ( ) ( ) ( ) ( ) 2 Ω R B u, w C u, w D u, w u a w a u w + ubw (5..4) dode la fucoal bleal ( u, B cotee la formacó prescrta e Ω (codcoes de frotera ), metras que la fucoal bleal ( u, Ω. C cotee la formacó o prescrta e artcularmete para u BVJ co codcoes de frotera tpo Drchlet, el valor de la fucó u = u e Ω es coocdo, metras que el valor de la dervada ormal a u es descoocdo. toces: ( u u ( a B (5..5), ( ) ( ) C u w a u bu w (5..6), Fucoal Bleal J ( u, La fucoal bleal ( u, : D ( Ω ) D ( ) es, x se tee que: J Ω R se defe de maera putual e, esto 2 02

5 S J ( u, + R J ( u, J ( u, D [ u], w dode la fucoal bleal ( u, a u w u a w u bw (5..7) [ ] [ ]( ) [ ]( ) S cotee las codcoes de cotudad de ocaré- J Steklov e, metras que la fucoal bleal ( u, cotudad e. toces: J J ( ) [ ] u w a u w, R cotee otras codcoes de J S (5..8) u a w bw ( u [ ]( + ) R (5..9), Fucoal Bleal K ( u, La fucoal bleal ( u, : D ( Ω ) D ( ) es, x se tee que: K Ω R se defe de maera putual e, esto 2 SK ( u, + R K ( u, K ( u, D u, [ w] (5..20) dode la fucoal bleal ( u, metras que la fucoal bleal ( u, e. u a w + u bw a u w (5..2) [ ] [ ] ( )[ ] K S cotee la formacó buscada de la solucó e, R cotee la formacó redudate de la solucó K artcularmete para u BVJ dode la formacó buscada e es el promedo de la solucó u, y la formacó redudate e es el promedo de la dervada ormal, se tee que: K, ( u u[ a w + bw] S (5..22) K ( u, ( a u)[ w] R (5..23) 03

6 Idetdad B J = Q C K Falmete, se euca la sguete detdad que resultará de utldad para trasformar tegrales e a tegrales e cada Ω : ( B J ) u, w u a w + bw dx + a u wdx = w L udx u ( a dx [ ]( ) [ ] = Ω Ω = Ω = { u a w ub w + cuw} dx + [ u] a w+ [ w] a u u[ bw ] dx { } ua w + wa u dx = Ω = u L wdx ( a u bu ) wdx u[ a w + bw ] dx ( a u)[ w] dx = Ω Ω ( ), Q C K u w (5..24) la cual se cumple ( u, D ( ) D ( ) Ω Ω y se obtee a través de tegracó por partes. 2 04

7 J u, w w L udx (5..25) = Ω, ( ) (5..26) Bu w u a w dx J Ru w Ω, [ ] (5..27) S u w a u wdx u a w bw dx [ ]( ), + (5..28) Qu, w Cu w K u L wdx (5..29) = Ω ( ) a u bu wdx (5..30), Ω, [ + ] (5..3) S u w u a w bw dx R u w K, ( )[ ] a u w dx (5..32) Tabla 5..- Fucoales bleales para u BVJ elíptco de 2º orde, co codcoes de frotera tpo Drchlet y dode la formacó buscada es el promedo de la solucó. 05

8 5.2.- roblema Básco l problema geeral se trasformará a uo equvalete que se llamará problema básco. l problema geeral elíptco de 2º orde es el sguete. Sea la ecuacó dferecal parcal leal elíptca de segudo orde: ( ) ( ) L u a u + bu + cu = f Ω e cada Ω (5.2.) sujeta a codcoes de frotera homogéeas tpo Drchlet y a codcoes de saltos prescrtos: u = 0 e Ω (5.2.2) 0 [ u] = j e (5.2.3) [ ] a u j = e (5.2.4) També se debe especfcar que la formacó buscada e la frotera teror es el promedo de la solucó u, esto es, ɵ u u. La solucó del problema geeral se puede escrbr como: u D dode la fucó ( ) u = uc + u (5.2.5) Ω se costruye coveetemete ad hoc- de tal modo que se aula e la frotera exteror Ω, satsface las codcoes de salto e la frotera teror, 06

9 y su promedo es cero e la frotera teror (o sea, que o cotee la formacó buscada), es decr: u = 0 e Ω (5.2.6) 0 [ u ] j = e (5.2.7) [ a u ] j = e (5.2.8) u = 0 e (5.2.9) ótese que (5.2.7) y (5.2.9) sgfca: [ ] ( + ) ( ) u = j & u = 0 u = j & u = j, e (5.2.0) toces, el problema básco asocado al problema geeral elíptco de 2º orde es el sguete. Sea la ecuacó dferecal parcal leal elíptca de segudo orde: L uc ( a uc ) + ( buc ) + cuc = fω L u e cada Ω (5.2.) sujeta a codcoes de frotera homogéeas tpo Drchlet y a codcoes de saltos prescrtos ulos: u = 0 e Ω (5.2.2) C [ u C ] = 0 e (5.2.3) [ a u ] 0 = e (5.2.4) C Lo ateror mplca que la fucó u C es totalmete cotua, tato e su valor como e su dervada ormal a través de la frotera teror. 07

10 l BVJ básco asocado al BVJ geeral elíptco de 2º orde es: L uc ( a uc ) + ( buc ) + cuc = fω L u e cada Ω sujeto a las codcoes de frotera y a las codcoes de saltos prescrtos: u = 0 e Ω C [ u C ] = 0 e [ a u ] 0 = e C dode la fucó u, costruda coveetemete -ad hoc-, satsface las codcoes de frotera y las codcoes de saltos prescrtos del BVJ geeral, además de otras codcoes: u = 0 e Ω 0 [ u ] j = e [ a u ] j = e u = 0 e falmete, la solucó del BVJ geeral es: u = uc + u Tabla BVJ básco asocado al BVJ geeral elíptco de 2º orde. 08

11 5.3- Fucoes Óptmas Fucoes Óptmas de Base l espaco de fucoes óptmas de base de dmesó se defe como: OB B R J (5.3.) ara el BVJ básco auque també para el BVJ geeral elíptco de 2º orde- co codcoes de frotera homogéeas tpo Drchlet e Ω e formacó buscada el promedo de la solucó e, los espacos ulos, B y R J se coforma de la sguete maera: L 2 ( ) L v = 0 w vdx = 0, w D Ω v = 0, e cada Ω = Ω ( ) ( ) Bv = 0 v a wdx = 0, w D Ω v = 0, e Ω Ω 2 (5.3.2) (5.3.3) R v = 0 v a w + bwdx = 0, w D Ω v = 0, e J [ ]( ) 2 ( ) [ ] cosecueca, éstos se defe como: { v D ( ) v 0 e cada } { v D ( ) v 0 e } Ω = Ω B (5.3.4) L (5.3.5) Ω = Ω (5.3.6) 09

12 R J { v D ( ) [ v ] 0 e } Ω = (5.3.7) De esta forma, las fucoes óptmas de base v O satsface la ecuacó B B RJ dferecal homogéea localmete e cada subdomo Ω de la partcó Π, se aula e la frotera exteror Ω y so cotuas a través de la frotera teror. Las fucoes óptmas de base v satsface las codcoes: OB L v = 0 e cada Ω v = 0 e Ω [ v] = 0 e Tabla spaco de fucoes óptmas de base Fucoes Óptmas de eso l espaco de fucoes óptmas de peso de dmesó se defe como: OT Q C R K (5.3.8) ara el BVJ básco auque també para el BVJ geeral elíptco de 2º orde- co codcoes de frotera tpo Drchlet e Ω e formacó buscada el promedo de la solucó e, los espacos ulos Q, C y R K se coforma de la sguete maera: L ( ) L Qw = 0 u wdx = 0, u D Ω w = 0, e cada Ω = Ω (5.3.9) 0

13 ( ) ( ) Cw = 0 a u bu wdx = 0, u D Ω w = 0, e Ω Ω (5.3.0) R w = 0 a u wdx = 0, v D Ω w = 0, e K ( )[ ] ( ) [ ] cosecueca, éstos se defe como: Q { 2 ( ) w 0 e cada } w D Ω = Ω C (5.3.) L (5.3.2) { 2 ( ) 0 e } w D Ω w = Ω (5.3.3) R K { w D 2 ( ) [ w] 0 e } Ω = (5.3.4) De esta forma, las fucoes óptmas de prueba w OT Q C R K satsface la ecuacó dferecal adjuta homogéea localmete e cada subdomo Ω de la partcó Π, se aula e la frotera exteror Ω y so cotuas a través de la frotera teror. Las fucoes óptmas de peso w OT satsface las codcoes: L w = 0 e cada Ω w = 0 e Ω [ w ] = 0 e Tabla spaco de fucoes óptmas de peso.

14 Fucó auxlar u La fucó auxlar u D ( ) Ω se defe como: ( ) B R u = f j (5.3.5) SKu J 0 R = (5.3.6) ara el BVJ geeral elíptco de 2º orde co codcoes de frotera homogéeas tpo Drchlet e Ω e formacó buscada el promedo de la solucó e, lo ateror sgfca que: L ( ) L u = f w u dx = wf dx, w D Ω u = f, e cada Ω Ω 2 Ω = Ω = Ω ( ) ( ) Bu = 0 u a wdx = 0, w D Ω u = 0, e Ω 2 Ω (5.3.7) 0 [ ]( ) ( ) 0 J R 2 ( ) [ ] (5.3.8) Ru = j u a w + bwdx = j a w + bwdx, w D Ω u = j, e S u = 0 u a w + bwdx = 0, w D Ω u = 0, e [ ] ( ) K 2 Ω ótese que (5.3.9) y (5.3.20) sgfca: [ ] ( + ) ( ) (5.3.9) (5.3.20) u = j & u = 0 u = j & u = j, e (5.3.2) artcularmete, para el BVJ básco los problemas locales u cumple co: L u = fω L u, e cada Ω (5.3.22) u = 0, e Ω (5.3.23) 2

15 [ u ] = 0, e (5.3.24) u = 0, e Ω (5.3.25) ero (5.3.24) y (5.3.25) sgfca: u = u = u = (5.3.26) [ ] 0 & 0 0, e La fucó auxlar u D ( ) Ω para el BVJ básco satsface las codcoes: L u = fω L u e cada Ω u = 0 e Ω u = 0 e Tabla Fucó auxlar u para el BVJ básco Idetdad B J = Q C K para Fucoes Óptmas S se cosdera que las fucoes v OB y w OT so fucoes óptmas, esto es que tato L v = 0 e cada Ω, v 0 = e Ω y [ ] v = 0 e, como w = 0 L e cada Ω, [ w ] = 0 e, etoces la detdad (5..24) toma la sguete forma: Ω, w = 0 e ( ) v, J v, [ v] B J w = S w = a wdx = { v v v } = a w b w + c w dx = = Ω [ ] K ( ) (5.3.27) = v a w + bw dx = S v, w = Q C K v, w 3

16 la cual se cumple ( ) co tegrales e cada v, w OB OT. ótese que la expresó ateror relacoa tegrales e Ω. 4

17 5.4.- FM-OF Steklov-ocaré Sea el BVJ básco elíptco descrto e la tabla 5.2. Sea el espaco de fucoes óptmas de base descrto e la tabla 5.3. Sea la fucó auxlar u descrta e la tabla Sea ua base { v, v,..., v } del espaco de fucoes óptmas de base sea la fucó v OB O B de dmesó. Y ua represetacó de la formacó buscada v ɵ O e, e térmos 2 de ua combacó leal de la base { v, v,..., v } de C β β β = vɵ v v O B, esto es: = (5.4.) B toces, los coefcetes { } sstema de ecuacoes: β β = = Ω C, C2,..., C de la combacó leal satsface el sguete β α β α β α { v v v v v v } C a b + c dx = α α α α ( Ω L ) v { v v v } = f u dx u a u b + cu dx = Ω = Ω para α =,2,..., (5.4.2) l cual e su forma matrcal es: AC = B (5.4.3) 5

18 dode los elemetos del vector de cógtas C = C β de tamaño so los coefcetes C β que podera la combacó leal, los elemetos de la matrz de coefcetes A = A αβ de tamaño so: = Ω { v v v v v v } β α β α β α A = a b + c dx αβ (5.4.4) y los elemetos del vector de térmos depedetes B = B α de tamaño so: ( ) v { v v v } α α α α L (5.4.5) B = f u dx u a u b + cu dx α Ω = Ω = Ω Recuérdese que la solucó del BVJ geeral es u v + u + u e cada subdomo Ω. Falmete, para las aplcacoes umércas se reemplaza el espaco de fucoes óptmas exactas O B por el espaco de fucoes óptmas aproxmadas O B B R. J l sstema de ecuacoes co cógtas es A C = B, dode: = Ω { v v v v v v } β α β α β α A = a b + c dx αβ ( L ) v { v v v } α α α α B = f u dx u a u b + cu dx α Ω = Ω = Ω falmete la formacó buscada es v = C v β, y la solucó del BVJ geeral β = β e cada Ω es u v + u + u. Tabla Sstema de ecuacoes para el método FM-OF Steklov-ocaré. 6

19 5.5.- FM-OF Trefftz-Herrera Sea el BVJ básco elíptco descrto e la tabla 5.2. Sea el espaco de fucoes óptmas de peso descrto e la tabla 5.4. Sea la fucó auxlar u descrta e la tabla Sea ua base {,,..., } Y sea la fucó v w w w del espaco de fucoes óptmas de peso ua represetacó de la formacó buscada v ɵ O OT 2 ua combacó leal de la base {,,..., } w w w de vɵ β = O T, esto es: O T de dmesó. T, e térmos de v = C w β (5.5.) β toces, los coefcetes { } sstema de ecuacoes: C β β = = Ω C, C2,..., C de la combacó leal satsface el sguete { } β α β α β α w a w w b w + cw w dx = α α α α ( Ω L ) { } = f u w dx u a w u b w + cu w dx = Ω = Ω para α =,2,..., (5.5.2) l cual e su forma matrcal es: AC = B (5.5.3) 7

20 dode los elemetos del vector de cógtas C = C β de tamaño so los coefcetes C β que podera la combacó leal, los elemetos de la matrz de coefcetes A = A αβ de tamaño so: A αβ = Ω β α β α β α { } (5.5.4) = w a w w b w + cw w dx y los elemetos del vector de térmos depedetes B = B α de tamaño so: ( ) { } α α α α L (5.5.5) B = f u w dx u a w u b w + cu w dx α Ω = Ω = Ω Recuérdese que la solucó del BVJ geeral e cada subdomo Ω requere del procedmeto de terpolacó óptma. Falmete, para las aplcacoes umércas se reemplaza el espaco de fucoes óptmas exactas O T por el espaco de fucoes óptmas aproxmadas O T Q C R. K l sstema de ecuacoes co cógtas es A C = B, dode: A αβ = Ω β α β α β α { } = w a w w b w + cw w dx ( L ) { } α α α α B = f u w dx u a w u b w + cu w dx α Ω = Ω = Ω falmete la formacó buscada es v = C w β β, y la solucó del BVJ geeral β = e cada Ω requere del procedmeto de terpolacó óptma. Tabla Sstema de ecuacoes para el método FM-OF Trefftz-Herrera. 8

21 5.6.- FM-OF etrov-galerk Sea el BVJ básco elíptco descrto e la tabla 5.2. Sea el espaco de fucoes óptmas de base descrto e la tabla 5.3. Sea el espaco de fucoes óptmas de peso descrto e la tabla 5.4. Sea la fucó auxlar u descrta e la tabla Sea ua base { v, v,..., v } del espaco de fucoes óptmas de base Sea la fucó v ua represetacó de la formacó buscada v ɵ O OB 2 ua combacó leal de la base { v, v,..., v } de 2 Y sea ua base {,,..., } C β β β = vɵ v v O B, esto es: O B de dmesó. B, e térmos de = (5.6.) w w w del espaco de fucoes óptmas de peso O T de dmesó. toces, los coefcetes { } sstema de ecuacoes: β β = = Ω C, C2,..., C de la combacó leal satsface el sguete β α β α β α { v v v } C a w b w + c w dx = α α α α ( Ω L ) { } = f u w dx u a w u b w + cu w dx = Ω = Ω para α =,2,..., (5.6.2) l cual e su forma matrcal es: 9

22 AC = B (5.6.3) dode los elemetos del vector de cógtas C = C β de tamaño so los coefcetes C β que podera la combacó leal, los elemetos de la matrz de coefcetes A = A αβ de tamaño so: = Ω { v v v } β α β α β α A = a w b w + c w dx αβ (5.6.4) y los elemetos del vector de térmos depedetes B = B α de tamaño so: ( ) { } α α α α L (5.6.5) B = f u w dx u a w u b w + cu w dx α Ω = Ω = Ω Recuérdese que la solucó del BVJ geeral es u v + u + u e cada subdomo Ω. Falmete, para las aplcacoes umércas se reemplaza los espacos de fucoes óptmas exactas O B y y O T Q C R. K O por los espacos de fucoes óptmas aproxmadas O T B B R J l sstema de ecuacoes co cógtas es A C = B, dode: = Ω { v v v } β α β α β α A = a w b w + c w dx αβ ( L ) { } α α α α B = f u w dx u a w u b w + cu w dx α Ω = Ω = Ω falmete la formacó buscada es v = C v β, y la solucó del BVJ geeral β = β e cada Ω es u v + u + u. Tabla Sstema de ecuacoes para el método FM-OF etrov-galerk. 20

23 5.7.- FM-OF para el Caso Smétrco ara el caso smétrco se tee el operador dferecal es autoadjuto, esto es: L u ( a u) + cu L u (5.7.) y, e cosecueca, las fucoales bleales asocadas cumple co las sguetes gualdades: u, w = Qu, w = w L udx (5.7.2) = Ω ( ) Bu, w = Cu, w = u a w dx Ru J, w = RKu, w = [ u]( a dx SJu, w = SKu, w = a u wdx (5.7.3) Ω (5.7.4) [ ] (5.7.5) or lo tato, el espaco de fucoes óptmas de base O B es gual al espaco de fucoes óptmas de peso O T : O = O (5.7.6) B B RJ Q C RK T y ua propedad mportate para el caso smétrco es que las tres versoes de FM-OF resulta ser las msmas. Además se tee que la sguete fucoal es smétrca: (5.7.7) ( B J ) w = { + } = ( ) v, v a w cv w dx B J w, v = Ω 2

24 y també es postva defda: ( B J ) ww { } (5.7.8), = w a w + cww dx 0 = Ω ya que a es ua matrz smétrca, postva defda y c( x) 0. De esta forma, la matrz de coefcetes del sstema de ecuacoes que se derva aplcado el método FM-OF es smétrca y postva defda. stas propedades so de mucha relevaca, ya que se puede aplcar el Método de Gradete Cojugado (CGM ) para resolver el sstema de ecuacoes. Cojugate Gradet Method 22

ESPACIOS VECTORIALES SUBESPACIOS FINITAMENTE GENERADOS:

ESPACIOS VECTORIALES SUBESPACIOS FINITAMENTE GENERADOS: SUBESPACIOS FINITAMENTE GENERADOS: Teorema S G={v, v,, v } es u sstema fto de geeradores de u subespaco S V K-EV, etoces G`= {v, v,, v,w} sedo w combacó leal de vectores de G, també geera a S. Demostracó

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

ÁLGEBRA II (LSI PI) VALORES Y VECTORES PROPIOS UNIDAD Nº 6. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO

ÁLGEBRA II (LSI PI) VALORES Y VECTORES PROPIOS UNIDAD Nº 6. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO 6 ÁLGEBRA II (LSI PI) UNIDAD Nº 6 VALORES Y VECTORES PROPIOS Facultad de Cecas Exactas y Tecologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO aa Error! No hay texto co el estlo especfcado e el documeto.

Más detalles

2.5. Área de una superficie.

2.5. Área de una superficie. .5. Área de ua superfce. Sea g ua fucó co prmeras dervadas parcales cotuas, tal que z g( x y), 0 e toda la regó D del plao xy. Sea S la parte de la gráfca de g cuya proyeccó e el plao xy es como se lustra

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

Transformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas

Transformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas 5º Curso-Tratameto Dgtal de Señal Trasformada Z Defcó y Propedades Trasformada Iversa Fucó de Trasfereca Dscreta Aálss de Sstemas 7//99 Capítulo 7: Trasformada Z Defcó y Propedades 5º Curso-Tratameto Dgtal

Más detalles

GUÍA DE EJERCICIOS. Área Matemática Álgebra lineal

GUÍA DE EJERCICIOS. Área Matemática Álgebra lineal GUÍA DE EJERCICIOS Área Matemátca Álgebra leal Resultados de apredzaje. Recoocer exsteca de subespaco vectoral. Cotedos 1. Espacos vectorales. 2. Subespacos vectorales. Debo saber Se debe recordar que

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

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

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que

Más detalles

MÉTODOS MATEMÁTICOS ESPACIOS DE HILBERT Y OPERADORES LINEALES TEMA 4: OPERADORES LINEALES

MÉTODOS MATEMÁTICOS ESPACIOS DE HILBERT Y OPERADORES LINEALES TEMA 4: OPERADORES LINEALES MÉTODOS MTEMÁTICOS ESPCIOS DE HILBERT Y OPERDORES LINELES Profesora: Mª Cruz Boscá TEM 4: OPERDORES LINELES Notacó: sea L ( L, ) y L ( L, ) dos espacos ormados; sea T u operador leal T : D( T ) < L L,

Más detalles

En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )

En esta sección estudiaremos el caso en que se usa un solo Predictor para predecir la variable de interés ( Y ) Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo

Más detalles

LOS NÚMEROS COMPLEJOS

LOS NÚMEROS COMPLEJOS LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate

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

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

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

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

CALCULO DIFERENCIAL E INTEGRAL II. Figura 1

CALCULO DIFERENCIAL E INTEGRAL II. Figura 1 TEMA (Últma modcacó 8-7-5 CALCULO DIFERENCIAL E INTEGRAL II DERIVABILIDAD Recordemos el cocepto de dervadas para ucoes de ua varable depedete = (. Para lo cual ormamos el cremeto de la ucó = ( + - ( El

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

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

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

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

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u FUNDAMENTOS DE LOS ESPACIOS VECTORIALES ABSTRACTOS Prmeros ejemplos. Cosderemos el cojuto V de los vectores lbres del plao. Recordemos que la operacó de sumar vectores verfcaba las sguetes propedades:

Más detalles

Unidad 2. Reactores Continuos

Unidad 2. Reactores Continuos Reactores Químcos: Udad Udad Reactores otuos Reactores cotuos so aquellos e los cuales, de maera cotua, se almeta los reactvos y també, de maera cotua se extrae los productos Detro de esta clasfcacó, de

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

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

. 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

CAPÍTULO IV NÚMEROS COMPLEJOS E INDUCCIÓN MATEMÁTICA

CAPÍTULO IV NÚMEROS COMPLEJOS E INDUCCIÓN MATEMÁTICA NÚMEROS COMPLEJOS E INDUCCIÓN MATEMATICA 55 CAPÍTULO IV NÚMEROS COMPLEJOS E INDUCCIÓN MATEMÁTICA 4. INTRODUCCIÓN Los úmeros Complejos costtuye el mímo cojuto C, e el que se puede resolver la ecuacó x a

Más detalles

CAPITULO 2º VECTORES Y ESPACIOS VECTORIALES - 1. Ing. Diego A. Patiño G. M.Sc., Ph. D.

CAPITULO 2º VECTORES Y ESPACIOS VECTORIALES - 1. Ing. Diego A. Patiño G. M.Sc., Ph. D. CAPITULO º VECTORES Y ESPACIOS VECTORIALES - Ig. Dego A. Patño G. M.Sc., Ph. D. Vectores Efoque mecáco: defcó asocada a magtud y dreccó. Sgfcado físco. Restrgdo a 3 dmesoes. E. elocdad, aceleracó, campo

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

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

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

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

Fórmulas de de Derivación Numérica: Aproximación de de la la derivada primera de de una función

Fórmulas de de Derivación Numérica: Aproximación de de la la derivada primera de de una función Uversdad Poltécca de Madrd Igeería de Mas Fórmulas de de Dervacó Numérca: Aproxmacó de de la la dervada prmera de de ua fucó Prof. Alfredo López L Beto Prof. Carlos Code LázaroL Prof. Arturo dalgo LópezL

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

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

METODO DE MAXIMA VEROSIMILITUD. Supongamos una muestra aleatoria de 10 observaciones de una distribución Poisson:

METODO DE MAXIMA VEROSIMILITUD. Supongamos una muestra aleatoria de 10 observaciones de una distribución Poisson: Aputes Teoría Ecoométrca I. Profesor: Vvaa Ferádez METODO DE MAIMA VEOSIMILITUD Supogamos ua muestra aleatora de observacoes de ua dstrbucó Posso: 5,,,,, 3,, 3,,. La desdad de probabldad para cada observacó

Más detalles

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto: Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,

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

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles

Solución Práctica Evaluable 2. Oligopolio y Competencia Monopolística. 16/11/2012

Solución Práctica Evaluable 2. Oligopolio y Competencia Monopolística. 16/11/2012 Solucó Práctca Evaluable. Olgopolo y Copeteca Moopolístca. 6//0 Cosdere u olgopolo de Courot co epresas que produce u be hoogéeo. La fucó versa de deada es p ) = 0 y todas las epresas tee el so coste argal

Más detalles

Cuando un sistema se encuentra en un estado cuántico dado, podemos considerar que se encuentra parcialmente en otros 2 ó + estados.

Cuando un sistema se encuentra en un estado cuántico dado, podemos considerar que se encuentra parcialmente en otros 2 ó + estados. Estado cuátco: Prcpo de superposcó de los estados: Cualquer movmeto o perturbado que esté restrgdo por tatas codcoes como sea posble teórcamete s que exsta terferecas o cotradccoes etre ellas. Estado e

Más detalles

MEDIDAS DE FORMA Y CONCENTRACIÓN

MEDIDAS DE FORMA Y CONCENTRACIÓN MEDIDAS DE FORMA Y CONCENTRACIÓN 4..- Asmetría: coefcetes de asmetría de Fsher y Pearso. Otros Coefcetes de asmetría. 4.2.- La ley ormal. 4..- Curtoss o aplastameto: coefcete de Fsher. 4.4.- Meddas de

Más detalles

CAPITULO 1 MODELOS LINEALES GENERALIZADOS

CAPITULO 1 MODELOS LINEALES GENERALIZADOS CAPITULO MODELOS LINEALES GENERALIZADOS E este capítulo estudaremos ua extesó de los modelos leales a ua famla más geeral, propuesta por Nelder y Wedderbur (97), deomada Modelos Leales Geeralzados (MLG)

Más detalles

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo: PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula

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

Análisis de Regresión

Análisis de Regresión Aálss de Regresó Ig. César Augusto Zapata Urqujo Ig. José Alejadro Marí Del Río Facultad de Igeería Idustral Uversdad Tecológca de Perera 0-05 Modelo de Regresó Leal Smple Y Dados A (, ) =,,. Gráfco o

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

Objetivos. El alumno será capaz de programar algoritmos que incluyan el manejo de arreglos utilizando funciones.

Objetivos. El alumno será capaz de programar algoritmos que incluyan el manejo de arreglos utilizando funciones. Objetvos El alumo será capaz de programar algortmos que cluya el maejo de arreglos utlzado fucoes. Al fal de esta práctca el alumo podrá:. Realzar etosamete programas que haga uso de arreglos como parámetros

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

Décimo primera clase. Repaso de álgebra lineal

Décimo primera clase. Repaso de álgebra lineal Uversdad Dstrtal Fracsco José de Caldas - Aálss de Señales y Sstemas - Marco A. Alzate Décmo prmera clase. Repaso de álgebra leal El álgebra leal juega u papel fudametal e la teoría de señales y sstemas,

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

CENTRO DE MASA centro de masas centro de masas

CENTRO DE MASA centro de masas centro de masas CENTRO DE ASA El cetro de masas de u sstema dscreto o cotuo es el puto geométrco que dámcamete se comporta como s e él estuvera aplcada la resultate de las fuerzas exteras al sstema. De maera aáloga, se

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

ANALISIS DE SISTEMAS LINEALES CONTINUOS EN EL ESPACIO DE ESTADO

ANALISIS DE SISTEMAS LINEALES CONTINUOS EN EL ESPACIO DE ESTADO U N E X P O UNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA ANTONIO JOSE DE SUCRE VICE RECTORADO BARQUISIMETO DEPARTAMENTO DE INGENIERIA ELECTRONICA ANALISIS DE SISTEMAS LINEALES CONTINUOS EN EL ESPACIO

Más detalles

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

Incertidumbre en las mediciones directas e indirectas

Incertidumbre en las mediciones directas e indirectas Icertdumbre e las medcoes drectas e drectas Comezaremos por dstgur dos dferetes tpos de medcoes: Medcoes drectas: La medda de la cota se obtee e ua úca medcó co u strumeto de lectura drecta. Medcoes drectas:

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

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo

Más detalles

AMORTIGUAMIENTO INTERNO EN ESTRUCTURAS. Grupo INME Universidad Industrial de Santander Iván Darío Gómez Araújo

AMORTIGUAMIENTO INTERNO EN ESTRUCTURAS. Grupo INME Universidad Industrial de Santander Iván Darío Gómez Araújo AMORIGUAMIENO INERNO EN ESRUCURAS Grupo INME Uversdad Idustral de Satader Ivá Darío Gómez Araúo Cotedo Datos expermetales (Bbloteca de Mllka) y recomedacoes para amortguametos modales. Dámca estructural

Más detalles

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS Epermeto: I. OJETIVOS UNIVERSIDD DE TM Facultad de ecas Naturales Departameto de Físca TEORÍ DE ERRORES Idetfcar errores sstemátcos y accdetales e u proceso de medcó. ompreder los coceptos de eacttud y

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

Gráfica de los resultados experimentales: Variable Independiente: Variable Dependiente: Variable asociada:

Gráfica de los resultados experimentales: Variable Independiente: Variable Dependiente: Variable asociada: :: OBJETIVOS [3.] o Apreder a presetar los datos epermetales como grafcas -. o Apreder a usar las hojas de papel logarítmco Semlogarítmco o Determar la relacó matemátca de ua grafca leal de datos epermetales

Más detalles

G - Métodos de Interpolación

G - Métodos de Interpolación ESCUELA SUPERIOR DE NÁUTICA Y MÁQUINAS NAVALES / NAUTIKAKO ETA ITSASONTZI MAKINETAKO GOI ESKOLA TEKNIKOA FUNDAMENTOS MATEMÁTICOS G - Métodos de Iterpolacó Polomo de terpolacó de Lagrage. Polomo de terpolacó

Más detalles

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada

Más detalles

Fórmulas de de Derivación Numérica: Aproximación de de la la derivada de de orden k de de una función

Fórmulas de de Derivación Numérica: Aproximación de de la la derivada de de orden k de de una función Uversdad Poltécca de Madrd Igeería de Mas Fórmulas de de Dervacó Numérca: Aproxmacó de de la la dervada de de orde k de de ua ucó Pro. Arturo Hdalgo LópezL Pro. Alredo López L Beto Pro. Carlos Code LázaroL

Más detalles

( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad.

( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad. Propedades Estadístcas de los estmadores MICO Lealdad ) y Y Y Y Y = = = β Y Dado que la = 0 etoces β =.) S defmos el poderador k =, co las propedades sguetes: a) No estocástco b) k = 0 c) k = k d) = kx

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

Regresión lineal simple

Regresión lineal simple Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,

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

Tema 16: Modelos de distribución de probabilidad: Variables Continuas

Tema 16: Modelos de distribución de probabilidad: Variables Continuas Aálss de Datos I Esquema del Tema 6 Tema 6: Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(μ, σ) 3. MODELO CHI-CUADRADO DE PEARSON, χ k 4. MODELO t DE STUDENT,

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

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

4º MEDIO: MEDIDAS DE POSICIÓN

4º MEDIO: MEDIDAS DE POSICIÓN 4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co

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

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

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada. MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:

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

UNIVERSIDAD DE PANAMÁ FACULTAD DE INFORMÁTICA, ELECTRÓNICA Y COMUNICACIÓN ESCUELA DE INFORMÁTICA CENTRO REGIONAL UNIVERSITARIO DE VERAGUAS MONOGRAFÍA:

UNIVERSIDAD DE PANAMÁ FACULTAD DE INFORMÁTICA, ELECTRÓNICA Y COMUNICACIÓN ESCUELA DE INFORMÁTICA CENTRO REGIONAL UNIVERSITARIO DE VERAGUAS MONOGRAFÍA: UNIVERSIDAD DE PANAÁ FACULTAD DE INFORÁTICA, ELECTRÓNICA Y COUNICACIÓN ESCUELA DE INFORÁTICA CENTRO REGIONAL UNIVERSITARIO DE VERAGUAS ONOGRAFÍA: INTEGRACIÓN NUÉRICA POR EL ÉTODO DE LOS TRAPECIOS PRESENTA:

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

Este documento es de distribución gratuita y llega gracias a El mayor portal de recursos educativos a tu servicio!

Este documento es de distribución gratuita y llega gracias a  El mayor portal de recursos educativos a tu servicio! Este documeto es de dstrbucó gratuta y llega gracas a Ceca Matemátca www.cecamatematca.com El mayor portal de recursos educatvos a tu servco! INTRODINTRODUCCIÓN D etro del estudo de muchos feómeos de

Más detalles

Álgebra lineal numérica con. Matlab

Álgebra lineal numérica con. Matlab Álgebra leal umérca co Matlab Métodos Matemátcos de Especaldad (Mecáca-Máquas) Escuela écca Superor de Igeeros Idustrales Uversdad Poltécca de Madrd Javer García de Jaló de la Fuete Septembre 004 Álgebra

Más detalles

UNIDAD 7.- Matrices (tema 1 del libro) = MATRICES

UNIDAD 7.- Matrices (tema 1 del libro) = MATRICES UNIDD.- Marces (ema del lbro). MTRICES Ua mar se puede eeder como ua abla de úmeros ordeados e flas columas Defcó.- Se llama mar de dmesó m a u cojuo de úmeros reales dspuesos e m flas columas de la sguee

Más detalles

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos

Más detalles

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205 Aálss amortzado Téccas Avazadas de Programacó - Javer Campos 205 Aálss amortzado El pla: Coceptos báscos: Método agregado Método cotable Método potecal Prmer ejemplo: aálss de tablas hash dámcas Motículos

Más detalles

PARTE 1 - PROBABILIDAD

PARTE 1 - PROBABILIDAD arte - robabldad rof. María. tarell RTE - ROILIDD - robabldad. - Espacos muestrales y evetos. La Teoría de robabldades estuda los llamados expermetos aleatoros. Eemplos cláscos de expermetos aleatoros

Más detalles

FUNCIONES ALEATORIAS

FUNCIONES ALEATORIAS Uversdad de Medoza Ig. Jesús Rubé Azor Motoya FUNCIONES ALEATORIAS Ua varable aleatora se defe como ua fucó que represeta gráfcamete el resultado de u expermeto a los úmeros reales, esto es, X(), dode

Más detalles

Números complejos. Números complejos. Las tribulaciones del estudiante Törless LITERATURA Y MATEMÁTICAS

Números complejos. Números complejos. Las tribulaciones del estudiante Törless LITERATURA Y MATEMÁTICAS Números complejos SOLUCIONARIO Números complejos LITERATURA Y MATEMÁTICAS Las trbulacoes del estudate Törless Dme, etedste be todo esto? Qué? Ese asuto de los úmeros magaros. Sí, o es ta dfícl. Lo úco

Más detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL TIPOS DE RELACIONES ENTRE VARIABLES Dos varables puede estar relacoadas por: Modelo determsta Modelo estadístco Ejemplo: Relacó de la altura co la edad e ños.

Más detalles

TEMA 4: VALORACIÓN DE RENTAS

TEMA 4: VALORACIÓN DE RENTAS TEMA 4: ALORACIÓN DE RENTAS 1. Cocepto y valor facero de ua reta 2. Clasfcacó de las retas. 3. aloracó de Retas dscretas. Temporales. 4. aloracó de Retas dscretas. Perpetuas. 5. Ejerccos tema 4. 1. Cocepto

Más detalles

MINIMOS CUADRADOS GENERALIZADOS

MINIMOS CUADRADOS GENERALIZADOS Aputes de Teoría Ecoométrca I. Profesor: Vvaa Ferádez MINIMOS CUADRADOS GENERALIZADOS I INTRODUCCION E estos aputes dscutremos e más detalle el modelo de regresó múltple e la preseca de errores o esfércos.

Más detalles

Métodos Numéricos para Ingenieros Químicos

Métodos Numéricos para Ingenieros Químicos CONTENIDO Métodos Numércos para Ieeros Químcos Itroduccó Formas de resolucó de ecuacoes trascedetes Método ráco Tema Ecuacoes Trascedetes () Métodos cerrados Bseccó Iterpolacó Secate Clase 3 - Láma Ecuacoes

Más detalles

X / n : proporción de caras ( = frecuencia relativa del suceso A = f A = n A / n ) Se espera que a medida que n crece la frecuencia relativa de cara

X / n : proporción de caras ( = frecuencia relativa del suceso A = f A = n A / n ) Se espera que a medida que n crece la frecuencia relativa de cara 95 Teoremas límte Cosderemos el exermeto aleatoro que cosste e arrojar ua moeda equlbrada veces. Suogamos que se regstra la roorcó de caras. U resultado coocdo es que esta roorcó estará cerca de /. Formalzado

Más detalles

Objetivos. El alumno conocerá y aplicará el concepto de arreglos unidimensionales para resolver problemas que requieren algoritmos de tipo numérico.

Objetivos. El alumno conocerá y aplicará el concepto de arreglos unidimensionales para resolver problemas que requieren algoritmos de tipo numérico. Objetvos El alumo coocerá y aplcará el cocepto de arreglos udmesoales para resolver problemas que requere algortmos de tpo umérco. Al fal de esta práctca el alumo podrá:. Maejar arreglos udmesoales.. Realzar

Más detalles

Capítulo 3 TEORÍA GENERAL DEL MODELO LINEAL

Capítulo 3 TEORÍA GENERAL DEL MODELO LINEAL Capítulo 3 TEORÍA GENERAL DEL MODELO LINEAL 57 58 3.1. Itroduccó. U problema muy frecuete e estadístca cosste e buscar y estmar terdepedecas etre varables. E efecto, cuado u par de varables aleatoras (X,Y

Más detalles

x θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra

x θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra Estmacó putual de parámetros. Parámetro( : Característca de la poblacó. E estadístca la forma fucoal de f ( ; es coocda pero se descooce total o parcalmete. La estmacó del parámetro ( debe ser fucó de

Más detalles

Tema 12: Modelos de distribución de probabilidad: Variables Continuas

Tema 12: Modelos de distribución de probabilidad: Variables Continuas Aálss de Datos I Esquema del Tema Tema : Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(; ) 3. MODELO CHI-CUADRADO DE PEARSON, k 4. MODELO t DE STUDENT, t

Más detalles

Juegos finitos n-personales como juegos de negociación

Juegos finitos n-personales como juegos de negociación Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos

Más detalles

. Usaremos una vía algebraica y una geométrica que nos

. Usaremos una vía algebraica y una geométrica que nos Título: La desgualdad etre la meda artmétca y geométrca e problemas de olmpadas. Resume: E el presete artículo se pretede mostrar la utldad de ua desgualdad ta elemetal como la relacó etre las medas artmétca

Más detalles