TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria)

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

Download "TEMAS DE MATEMÁTICAS (Oposiciones de Secundaria)"

Transcripción

1 TEMAS DE MATEMÁTICAS (Oposcoes de Secudara TEMA 8 MATRICES. ALGEBRA DE MATRICES. APLICACIONES AL CAMPO DE LAS CIENCIAS SOCIALES Y DE LA NATURALEZA.. Iroduccó.. Cocepo báscos... Tpos de marces. 3. M mx (K es somorfo a L(K m, K. 4. El Espaco Vecoral M mx (K. 4.. Suma de Marces. 4.. Produco de Ua Marz por u escalar El espaco Vecoral M mx (K. 5. El Allo M (K. 5.. Produco de Marces. 5.. El Allo M (K. 6. Produco de Marces geeralzado. 7. Marces Regulares. 8. Trasposcó de Marces. 9. Marces Smércas y Hemsmércas.. Rago de ua Marz.. Aplcacoes de las Marces... Uso de las Marces e las Cecas Psco-socales... Aplcacoes de las marces al campo de las Cecas..3. Aplcacoes de las marces al campo de las Cecas Socales y de la Nauraleza. Bblografía Recomedada. /9

2 TEMA 8 MATRICES. ALGEBRA DE MATRICES. APLICACIONES AL CAMPO DE LAS CIENCIAS SOCIALES Y DE LA NATURALEZA.. INTRODUCCIÓN. E ese ema vamos a defr el cocepo de marz y operacoes báscas ere ellas. Los coefcees de las marces cosderaremos que pereece a u cuerpo que deoaremos por K. Muchas de las propedades y defcoes que aparecerá e el ema so váldas s e lugar de rabaar co u cuerpo, lo hacemos co u allo. Defremos la ocó de ua marz e relacó co la exseca de marces versas. També esableceremos ua correspodeca ere las marces y los homomorfsmos ere espacos vecorales.. CONCEPTOS BÁSICOS. DEF Ua marz co coefcees e K es ua famla de elemeos de K, ( a ( IxJ sedo I y J couos fos. El elemeo a de K correspode co el elemeo (, IxJ. S I {,..., m} y J (,..., se suele deoar ua marz por,, S m ( a m ( a, També se usa la oacó a a Λ a m a a Λ a m Λ Λ Λ Λ a a a Λ m La famla ( a ( a m co fo se llama fla -ésma de la marz, y la famla co fo se llama columa -ésma de la marz. Los elemeos de cualquer fla -ésma se correspode co u vecor de K. Aálogamee, los elemeos de cualquer columa -ésma se correspode co u vecor de K m. Los prmeros se cooce como vecores fla y los segudos como vecores columa. /9

3 DEF Llamaremos marz de orde m x a oda marz de forma ( a m DEF. Llamaremos M mx (K al couo de odas las marces de orde mx co A m. coefcees e K. Se suele deoar por leras mayúsculas, ( a.. Tpos de Marces. DEF DEF DEF Llamaremos marz columa a oda marz de orde mx. Llamaremos marz Fla a oda marz de orde x. Llamaremos marz Nula a aquella que ee odos sus elemeos ulos. DEF Llamaremos marz Cuadrada a la marz co gual úmero de flas que de columas (Card(I Card(J. DEF Llamaremos marz Smérca a oda marz cuadrada que verfca a a, IxJ (. DEF Llamaremos dagoal prcpal a los elemeos de ua marz cuadrada. La dagoal secudara esá formada por los a co + +. DEF Llamaremos raza de ua marz cuadrada a la suma de los elemeos suados a lo largo de la dagoal prcpal. Traza ( A DEF Llamaremos marz dagoal a oda marz smérca cuyos elemeos suados fuera de la dagoal prcpal so odos ulos. DEF Llamaremos marz escalar a oda marz dagoal cuyos elemeos dagoales so odos guales ere s. DEF Llamaremos marz dedad a oda marz escalar cuyos elemeos dagoales so odos guales a la udad. DEF Llamaremos marz ragular a oda marz cuadrada que ee ulos odos los elemeos suados por debao (o por ecma de la dagoal prcpal. 3. M mx (K ES ISOMORFO A L(K m, K. L(K m, K es el couo formado por odas las aplcacoes leales f: K m K. Podemos defr a ϕ: M mx (K L(K m, K a 3/9

4 dode A M mx (K, co A (a, ϕ(a L(K m, K y ϕ(a: K m K vee dada por ϕ ( A( e a e co B { e,..., } base de K m, B { e,..., e } e m elemeos de la fla -ésma de la marz A. base de K y los ( a los PROP La aplcacó ϕ defda aerormee es byecva. ϕ es homomorfsmo. Trval ϕ es yecva. Sea ϕ(a(e ϕ(a(e k a e' ak e' a e' ak e' ( a ak e' y como B es ua base de K a { } a a { } a k,.., k,.., Eoces e e k porque so B o sería base de K m ϕ es suprayecva. { e,..., e } Sea f L(K m, K f(e K y f ( e a e {,..., m} es base de K. Podemos eoces cosderar la marz A ( a m que ϕ ( A f pues ( A( e f ( e m ϕ. m COROLARIO M ( K L( K, K mx ya que y es medao comprobar 4/9

5 Es ua cosecueca medaa de la proposcó aeror. Debdo a que la aplcacó ϕ sea u somorfsmo, oda aplcacó leal f K(K m, K se puede escrbr como la marz asocada, fadas las bases. Igualmee, odo lo vso es váldo s e lugar de eer K m y K eemos dos espacos vecorales cualesquera V y W de dmesoes m y respecvamee. DEF Dremos que las marces A y B so guales s las aplcacoes leales f y g asocadas a dchas marces (ϕ(a f y ϕ(b g respeco de las msmas bases so guales. Veamos ahora que la esrucura de espaco vecoral de L(K m, K y de allo s m las podemos rasladar de forma aural al couo M mx (K. 4. EL ESPACIO VECTORIAL M mx (K. OBS Todo el desarrollo para L(K m, K sería gual s omamos L(V, W co V, W K-espacos vecorales co dm V m y dm W. 4.. Suma de Marces. DEF Sea A y B dos marces de M mx (K y f y g aplcacoes leales asocadas respecvamee. Defmos la marz suma, A + B, como aquella que ee por aplcacó asocada la suma de las aplcacoes asocadas, f + g. Es decr: A + B ϕ - (ϕ(a + ϕ(b (recordemos que ϕ(a f y ϕ(b g S A ( a m y B ( b m e base de K. ϕ co B { e,..., } base de K m y B { e,..., e } ( A + B( e ϕ( A( e + ϕ( B( e f ( e + g( e ae + ( a + b e / m Eoces A + B ( a + b m e m PROP La operacó de suma así defda verfca las propedades: Asocava. Comuava. 3 Elemeo Neuro. 4 Elemeo Opueso. b e 5/9

6 Las propedades y so medaas s más que eer e cuea que K es u cuerpo. 3 Defmos la marz eura para la suma como O M mx (K sedo aquella que odos sus elemeos so ulos. Es claro que su aplcacó asocada es aplcacó ula. A + O ( a + ( O ( a + O ( a A 4 Defmos la marz opuesa de ora dada como aquella que ee los msmos elemeos e los msmos sos pero cambados de sgo. Es claro que s A ee por aplcacó asocada a f, eoces - A edrá a - f. A + ( A ( a + ( a ( a a ( O O Coclusó (M mx, + es u grupo abelao. 4.. Produco de ua marz por u escalar. DEF Sea A ua marz que ee por aplcacó asocada f. Sea λ K u escalar. Defmos el produco de ua marz por u escalar, λa, como la marz que ee por aplcacó asocada λf. Es decr S A ( a m y λ K ( λ ( λa ϕ ϕ A ( A( e λϕ( a( e λ ae ( λa ϕ λ Eoces λ A ( λ a m PROP La operacó de produco por u escalar defda e M mx (K verfca las propedades: Comuava. PseudoAsocava. 3 Elemeo Udad. Las propedades so medaas. Coclusó (M mx (K, K es u e 6/9

7 4.3. El espaco vecoral M mx (K. PROP E M mx (K se verfca la propedad dsrbuva del produco co respeco a la suma. La comprobacó de λ(a + B λa + λb es medaa. Coclusó (M mx (K, +, K es u K-espaco vecoral. Por ao ϕ: M mx (K L(K m, K es u somorfsmo de espacos vecorales. 5. EL ANILLO M (K. Ya sabemos que (M (K, + es u grupo abelao. Defamos ua seguda operacó era. 5.. Produco de Marces. DEF Sea A y B dos marces de M (K co f y g como aplcacoes asocadas. Defmos la marz produco A B como aquella que ee por aplcacó asocada a g ο f. Es decr A B ϕ ( ϕ( A ϕ( B ϕ ( ϕ( B οϕ( A S A ( a, y B ( b, co B { e,..., } base de K, eemos que e ϕ ( AB( e ( ϕ( A ϕ( B ( e ( ϕ( B οϕ( A ( e ϕ( B ( ϕ( A( e ϕ ( B a ( ( e aϕ B e a bkek K K a b K e K Luego AB a b K, K Tegamos e cuea que el elemeo de AB que ocupa la fla columa K se obee realzado la suma de producos de los elemeos de la fla de A por la columa K de B. PROP La operacó produco de Marces defda e M (K verfca las propedades Asocava Elemeo Neuro. 7/9

8 Imedaa. Defmos como euro a la marz dedad I M (K. Es fácl comprobar que I A A I A A M (K. Coclusó (M (K, es u semgrupo co udad. 5.. El Allo M m (K. PROP El produco de marces verfca la propedad dsrbuva respeco de la suma. A, B, C M (K co f, g, h aplcacoes leales asocadas, hemos de comprobar que A (B + C AB + AC y (A + BC AC + BC. Y es cero ya que sabemos que se verfca ( g + h ο f g ο f + h ο f y h ο ( f + g h ο f + h ο g Coclusó (M (K, +, es u allo y M ( K Ed( K 6. PRODUCTO DE MATRICES GENERALIZADO. E el puo aeror hemos defdo el produco de marces cuadradas del msmo orde. Podemos obeer ua geeralzacó de dcho produco como sgue. Sea A M mx (K y B M mx (K y cosderemos K m, K y K p K-espacos vecorales. Sea f K(K m, K y g L(K, K p las aplcacoes leales asocadas a A y B respecvamee. { e } B { e,..., e } B,..., K m, K y K p. e m S A ( a m y B ( b K K p ϕ ϕ ( AB ϕ( B οϕ( A y B { e,..., e } eoces p las bases respecvas de ( AB( e ( ϕ( B οϕ( A ( e ϕ( B ( ϕ( A( e ϕ( B a e p p aϕ( B( e a bke K K K a b K e K 8/9

9 p K a b K e K K m K p Luego A B a b A B M ( K 9/9 mxp Y su aplcacó asocada g ο f L( K m, K p. PROP La operacó produco de marces geeralzado verfca las propedades Asocava. Elemeo Neuro. Fácl. Hay que eer e cuea que hemos de elegr la marz dedad coveeemee para poder realzar el produco. S A M mx (K I m A A I A OBS Dadas dos marces A y B, para poder realzar el produco A B debe ocurrr que el úmero de columas de A cocda co el de flas de B. La marz resulae edrá las msmas flas que A y columas que B. A M mx (K, B (M pxq (K {A B M mxq (K p} 7. MATRICES REGULARES. DEF Dremos que A M (K es ua marz regular, verble o o sgular s exse B M (K al que A B I B A PROP S A M (K es ua marz regular eoces exse ua úca marz B M (K al que Sea B y B dos marces que verfca A B I B A A B I B A A B I B A

10 Eoces B B I B (A B (B A B I B B Esa úca marz se deoma versa de A, y la represearemos por A -. Sea B { e,..., } e la base caóca de K. Sabemos que M ( K L( K, K. e Veamos ahora que las marces regulares se correspode co los auomorfsmos de K. PROP A M (K es regular su aplcacó asocada es u auomorfsmo e K. Dada A M (K marz regular ϕ(a es la aplcacó asocada de A. Como A es regular, exse A - M (K sedo ϕ(a - su aplcacó asocada. Para smplfcar la escrura, llamaremos f ϕ(a y g ϕ(a - ϕ ϕ ( g ο f ϕ ( f ϕ ( g A A I ( f ο g ϕ ( g ϕ ( f A A I Y como que es la úca aplcacó leal de L(K, K al que ϕ ( I K K, resula g ο f K f ο g Eoces f es byecva y al ser leal es u auomorfsmo e K. Sea f l(k, K u auomorfsmo g L(K, K al que f ο g g K ο f Sea A, B M (K al que ϕ(a f y ϕ(b g ( f ϕ ( g ϕ ( g ο f ( K I A B ϕ ϕ ( g ϕ ( f ϕ ( f ο g ( K I B A ϕ ϕ Eoces B A - y A es regular. /9

11 OBS La eleccó de la base caóca o fluye e el desarrollo. S se hubese omado ora base cualquera, el resulado sera el msmo. DEF Sea GL el couo formado por GL { A M ( K A es regular} / Es fácl ver que el produco de marces es ua operacó era e GL. PROP Dadas A, B GL. (A B B - A - ( A B ( B A A ( B B A A I A A A I ( B A ( A B B ( A A B B I B B B I Luego ( AB B A PROP (GL, es u grupo. Por la proposcó aeror, la operacó es era. Exseca de Elemeo Neuro. I GL ya que I - I Exseca de Elemeo Iverso. A GL A - / A A - I Eoces ( A A I A ( A luego ( A A GL Por ao a - GL OBS Sabemos que A( K ( GL, ( A( K, ο. GL, por ao podemos afrmar que 8. TRASPOSICIÓN DE MATRICES. DEF Sea A M mx (K. Llamamos marz raspuesa de A, y se deoa por A, a ua marz que pereece a M mx (K al que s A (a y A (b, eoces b a. /9

12 OBS La marz raspuesa de ua dada se obee escrbedo por columas las flas de la marz cal. La rasposcó de marces o es ua operacó era, pero verfca las sguees propedades; de medaa comprobacó: ( A + B A + B ( α A α A α K * 3 ( A A 4 ( A B B A S defmos Ø: M mx (K M mx (K como Ø(A A podemos afrmar que Ø es Leal. Ø( A + B ( A + B A + B Ø( A + Ø ( B Ø( α A ( αa αø( A Ø es ua volucó (Ø I d s esá defda e marces cuadradas. S Ø: M (K M (K Ø (A Ø (Ø(A Ø(A (A A d (A Ø d 9. MATRICES SIMÉTRICAS Y HEMISIMÉTRICAS. DEF Dremos que ua marz A es smérca s A A. OBS Ua marz smérca ecesaramee debe ser cuadrada. DEF Dremos que ua marz A es hemsmérca o asmérca s A - A. OBS Ua marz asmérca debe ser cuadrada y a a luego a., PROP Toda marz a M (K se puede descompoer de forma úca como suma de ua marz smérca y oro hemsmérca. Sea las marces S ( A + A y H ( A A /9

13 Calculemos S y H S ( A A + ( A + A A + ( A ( ( A + A S Eoces H es asmérca. S + H ( A + A + ( A A A ( A + A ( A A A S H Sumado y resado A + A A + A S S A A H A A H Y S y H so úcas, ya que la descomposcó es úca.. RANGO DE UNA MATRIZ. DEF Dada ua marz A M mx (K, s cosderamos las columas como vecores de K m, defmos el rago por columas de la marz A como el rago del couo formado por los vecores columa. Sedo C (a, a,.., a rag c (A rag(c, C,..,C DEF Dada ua marz A M mx (K, s cosderamos las m flas como m vecores de K, defmos el rago por flas de la marz A como el rago del couo formado por los m vecores fla. Sedo F (a, a,.., a rag F (A rag(f, F,, F PROP Para cualquer A M mx (K se verfca rag c (A rag F (A Cualquer relacó de depedeca ere las columas de la marz A equvale a resolver el ssema. 3/9

14 ρ ρ ax a x x c o a x a x m S realzamos algua modfcacó e el orde de las flas segumos obeedo el msmo ssema, y o aleramos el rago por columas, por flas. Supogamos que rag F (A r. Eoces m r ecuacoes depede de r de ellas (supodremos que so las r prmeras. El ssema ax ax... a rx arx ee las msmas solucoes que el ssema cal. Eoces rag c (A r rag c a a r... a... a... r m Podemos cosderar las columas de esa úlma marz vecores de K r dmk r r se deduce que: y como Rag c (A rag F (A c r Realzado el msmo razoameo co la marz raspuesa como obeemos rag c (A rag F (A rag F (A rag c (A rag c (A c rag F (A r c Por ao r c rag c (A rag F (A Al hablar de rago de ua marz o se dsgue ere rago por columas, al ser el msmo. OBS S f: K m K es la aplcacó asocada a la marz A M mx (K se verfca rag F (A dm Imf. 4/9

15 PROP Sea f: K m K ua aplcacó leal ere espacos vecorales, y sea A M mx (K la marz asocada a f respeco de bases B y B de K m y K respecvamee. Eoces rag(a rag (f Sea A la marz asocada a f respeco de las bases B { e,..., e m } { e,..., e } B de K. de K m y Como las flas F, F,., F m de A so las coordeadas de los vecores f(e, f(e,.., f(e m e la base B, y el rago de u ssema de vecores cocde co el rago del ssema de sus vecores coordeadas, eemos que rag(f rag(f(e, f(e,.., f(e m rag (F, F,., F m rag (A PROP Sea f: K m K ua aplcacó leal ere espacos vecorales de dmesó fa y A su marz asocada. Eoces: f es yecva rag (A dm (K m f es suprayecva rag (A dm (K Imedaa COROLARIO Ua marz A M (K es verble s y solo s rag (A. Basa recordar que A es verble s f es byecva.. APLICACIONES DE LAS MATRICES. Las marces so e la acualdad ua herramea mprescdble e múlples ramas de la maemáca pura y aplcada (álgebra leal, geomería, esadísca, ec y e oras muchas cecas (mecáca, ecoomía, físca, ec. Veamos ahora dferees aplcacoes de las marces... Uso de las marces e las cecas Psco-Socales. Ua posble ulzacó de las marces e Pscología y oras Cecas Socales es la preseacó de las puuacoes obedas por m persoas, amales, ec, e caraceríscas. La fla esaría cosuda por las puuacoes 5/9

16 ( a a,..., a, e las caraceríscas. La columa esará cosuda por las m puuacoes e la caracerísca. ( a a,..., a, m La puuacó a es la obeda por la persoa, amal, ec, e la caracerísca... Aplcacoes de las Marces al campo de las Cecas. Acualmee podemos ecoraros co marces e dversdad de campos ales como la físca, formáca, ecoomía y, e geeral, sempre que rabaamos co u gra úmero de daos. Esos daos se orgaza y dspoe e marces para su poseror mapulacó. a La prcpal uldad del álgebra marcal esá e al posbldad de poder represear, esudar y resolver ssemas de ecuacoes co ayuda de ocoes como rago de ua marz, marz versa y deermae. U ssema de ecuacoes se puede escrbr e forma marcal como AX B S la marz A es versble, la solucó al ssema es X A - B b Dero del aálss, y por ao, e ua ampla gama de problemas físcos, de geería, ec aparece las marces para esudar las fucoes de varas varables y deermar sus máxmo y mímos. S eemos ua fucó f: m, se defe su dervada por medo de ua marz f de M mx ( llamada Jacobaa y cuyos elemeos so a (dervada de la x compoee -ésma respeco de la varable -ésma. La marz de las segudas dervadas se llama Hessaa. També se rabaa co marces a la hora de aplcar la regla de la cadea e fucoes de varas varables. Veamos u eemplo: Sea las fucoes g: y f 3 defdas como: G(x, y (xy, y f(u, v (u, u, u v 6/9

17 7/9 Calculemos ( g f ο (, - co la regla de la cadea ( ( 4,, g y x y y x g ( ( ( ( 4,,,, f g como u v u f y ( ( ( ( ,,, g f f ο g co lo que hemos calculado la dervada de la composcó ulzado el produco de marces. La herramea prcpal para el esudo de ecuacoes dferecales leales es el aálss marcal, dode adquere especal relevaca la llamada marz de Jorda. c E la geomería, las marces srve para represear los movmeos y semeazas e el espaco, que so de val mporaca e la dámca, crsalografía e cluso e la eoría de la relavdad. Veamos alguos eemplos: Ecuacó de raslacó de vecor (a, b, c + c b a z y x z y x Ecuacó del gro de águlo α y ee z: z y x z y x cos se se cos α α α α També podemos esudar medae marces las smerías axales, cerales, co deslzameos, ec. d E la Esadísca ambé empleamos las marces: marz de daos para presear formacó, marz de desvacoes, marz de varaza-covaraza, marz de correlacoes, e E el campo de la ecoomía, gra cadad de suacoes compevas que se presea muchas veces, puede esudarse co ayuda de las marces de pago, que forma de las gaacas o pérddas que puede darse e deermadas suacoes.

18 .3. Aplcacoes de las marces al campo de las Cecas Socales y de la Nauraleza. a Cadeas de Markov. Las cadeas de Markov se puede ver como ua aplcacó de las marces ao a las cecas socales como de la auraleza. Se puede aplcar al esudo de la geéca Medelaa, por eemplo, cuado eamos cruzar dvduos de la msma especa pero co dferees caraceres. Los resulados posbles a obeer los podemos represear medae ua cadea de Markov. DEF Defmos el espaco de esados, S, como el couo dode oma valores las varables de ua famla. DEF Ua sucesó de varables aleaoras {x } se deoma Cadea de Markov (e empo dscreo co espaco de esados dscreos s [ x x,..., x ] P[ x x ] P + + / o o + + / K S presee, + fuuro, {,., } pasado es decr, el fuuro es depedee del pasado coocedo el fuuro. Cadeas de Markov co Probabldad de Trascó Esacoara. Marz de Trascó. A cada S se le asoca u couo E Hablamos de esado S Couo de esados. DEF Se deoma probabldad de Trascó e pasos a la probabldad de pasar al esado E e u empo + m sabedo que e esaba e el esado E. P [ x x ] + m / Esa probabldad de rascó se deoma esacoara s o depede del sae del que pare,, s o sólo del úmero de pasos, m. E parcular s P [ x / x ] m o e ese caso se deoma a las probabldades de rascó. ( m p probabldad de pasar del esado al e m pasos. Las cadeas de Markov so las probabldades de rascó e u paso. La marz de rascó e m pasos es P ( p S ( m ( m, 8/9

19 Por coveo P ( I.4. Aplcacoes a la Teoría de Grafos. Dado u grafo es posble asocar a él marces. a Marz de Adyaceca. Es la marz A (a defda por a K s v es adyaceea v e caso coraro sedo K el úmero de arsas que ue el vérce v co el v. A M m (. La marz de adyaceca es muy úl para decdr cuesoes de coexó, pues s A es marz de Adyaceca de u grafo co m vérces do de m >, eoces el érmo a de la marz A os da el úmero de camos de logud que va del vérce v al v. b Marz de Icdeca. Es la marz M (m co M M m ( al que m s el vérce v es cdee co la arsa e e caso coraro Bblografía Recomedada. Curso de algebra y geomería. Jua de Burgos. Ed: Alhambra Algebra leal y geomera. Ed: Uv. de Barceloa Algebra lea. Jua de Burgos. Ed: McGraw-Hll Algebra leal. F. Puera. Ed: Uv. de Barceloa.975 Lear Algebra. W. Greub. Ed: Sprger-Verlag 9/9

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

PLAN DE TRABAJO 11 Período 23/10/06 al 3/11/06. Durante estas dos semanas estudiarás los modelos de regresiones lineales.

PLAN DE TRABAJO 11 Período 23/10/06 al 3/11/06. Durante estas dos semanas estudiarás los modelos de regresiones lineales. Pla de Trabajo 0- Año 006 Curso Lbre Assdo de Esadísca II Docees resposables: Lercy Barros - María Sague PLAN DE TRABAJO Período 3/0/06 al 3//06 TEMAS A ESTUDIAR Durae esas dos semaas esudarás los modelos

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

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones:

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones: Coverdor PUH PU El coverdor Push Pull es u coverdor que hace uso de u rasformador para eer aslameo ere la esó de erada y la esó de salda. Posee además ua ducaca magezae propa del rasformador que como al

Más detalles

1.1.- Concepto Definición de cono Definición de función homogénea Interpretación económica de la función homogénea

1.1.- Concepto Definición de cono Definición de función homogénea Interpretación económica de la función homogénea Fucoes homogéeas FUNCIONES HOMOGÉNEAS (ESQUEMA).- Cocepo y propedades...- Cocepo Defcó de coo Defcó de fucó homogéea Ierpreacó ecoómca de la fucó homogéea..- Propedades (Operacoes co fucoes homogéeas)

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

TEMA 5: CAPITALIZACIÓN COMPUESTA ÍNDICE

TEMA 5: CAPITALIZACIÓN COMPUESTA ÍNDICE Maemácas Faceras Prof. Mª Mercedes Rojas de Graca TEMA 5: APITALIZAIÓN OMPUESTA ÍNDIE. APITALIZAIÓN OMPUESTA..... ONEPTO..... DESRIPIÓN DE LA OPERAIÓN....3. ARATERÍSTIAS DE LA OPERAIÓN....4. DESARROLLO

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

i 1,2,..., m (filas) j 1,2,..., n (columnas) t

i 1,2,..., m (filas) j 1,2,..., n (columnas) t MTRICES Y DETERMINNTES Cocepos básicos Deermiaes Mariz iversa CONCEPTOS BÁSICOS MTRIZ de m filas y columas: a11 a12 a1 a21 a22 a 2 am1 am2 am i1,2,..., m (filas) Se represea por a j 1,2,..., (columas)

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

VOLUMEN IV CAPITULO 3 METODOLOGÍA PARA LA ACTULIZACIÓN DE LAS CURVA DE COSTOS ÓPTIMOS DE RACIONAMIENTO DE ELECTRICIDAD Y GAS NATURAL

VOLUMEN IV CAPITULO 3 METODOLOGÍA PARA LA ACTULIZACIÓN DE LAS CURVA DE COSTOS ÓPTIMOS DE RACIONAMIENTO DE ELECTRICIDAD Y GAS NATURAL ESTUDO DE OSTOS DE RAONAMENTO DE ELETRDAD Y GAS NATURAL Volume V apulo 3 forme Fal Revsó. VOLUMEN V APTULO 3 METODOLOGÍA PARA LA ATULZAÓN DE LAS URVA DE OSTOS ÓPTMOS DE RAONAMENTO DE ELETRDAD Y GAS NATURAL

Más detalles

Taller de Preparación para el examen Models Life Contingencies (MLC) de la SOA.

Taller de Preparación para el examen Models Life Contingencies (MLC) de la SOA. Taller de Preparacó para el eame Models Lfe Cogeces MLC de la SO. Trdad Gozález Bolla El presee es u forme del rabajo desarrollado durae el aller de preparacó para el eame MLC de SO ue uo lugar e la Faculad

Más detalles

Sistemas. Matrices y Determinantes 1.- Si A y B son matrices ortogonales del mismo orden:

Sistemas. Matrices y Determinantes 1.- Si A y B son matrices ortogonales del mismo orden: Sisemas. Marices y Deermiaes.- Si y B so marices orogoales del mismo orde: a) 2 b) B c) B 2.- Dadas dos marices iversibles y B NO se verifica e geeral que: a) ( ) ( ) b) ( B) B c) 3.- Dadas las marices

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

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

Introducción a la Estadística Descriptiva

Introducción a la Estadística Descriptiva Iroduccó a la Esadísca Descrpva ª Edcó Carla Re Graña María Raml Díaz ITRODUCCIÓ A LA ESTADÍSTICA DESCRIPTIVA. ª Edcó o esá permda la reproduccó oal o parcal de ese lbro, su raameo formáco, la rasmsódeguaformaoporcualquermedo,aseaelecróco,mecáco,porfoocopa,por

Más detalles

Una Estrategia de Acumulación de Reservas Mediante Opciones de Venta de Dólares. El Caso de Banco de México

Una Estrategia de Acumulación de Reservas Mediante Opciones de Venta de Dólares. El Caso de Banco de México Ua Esraega de Acumulacó de Reservas Medae Opcoes de Vea de Dólares. El Caso de Baco de Méxco INDICE I. REUMEN... II. INTRODUCCIÓN...3 III. IV. OPCIONE DE VENTA DE DÓLARE...4 III.. PRINCIPALE CARACTERÍTICA...4

Más detalles

REVISTA INVESTIGACION OPERACIONAL Vol. 22, No. 2, 2001

REVISTA INVESTIGACION OPERACIONAL Vol. 22, No. 2, 2001 REVISA INVESIGACION OPERACIONAL Vol., No., SOLUCIONES A DIFERENES PROBLEMAS DENRO DEL CAMPO DE LA COMUNICACION ESADISICA J. Navarro Moreo, J.C. Ruz Mola y R.M. Ferádez Alcalá, Deparameo de Esadísca e Ivesgacó

Más detalles

Años I0 t (base 1992 = 100)

Años I0 t (base 1992 = 100) Esadísca y Meodología de la vesgacó Dada cualquer varable de la que coocemos los valores referdos a dsos perodos emporales, eedemos por úmero ídce de esa varable e dchos perodos el resulado de dvdr los

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

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

( ) = 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

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

Topología General Capítulo 0-2 -

Topología General Capítulo 0-2 - Topología Geeral Topología Geeral apítulo - - - - Topología Geeral apítulo - 3 - Breve reseña hstórca Sus orígees está asocados a la obra de Euler, ator y Möbus. La palabra topología había sdo utlzada

Más detalles

LA MEDIANA ROBUSTA SOBRE UN ÁRBOL CUANDO LA DEMANDA ES INCIERTA

LA MEDIANA ROBUSTA SOBRE UN ÁRBOL CUANDO LA DEMANDA ES INCIERTA LA MEDIANA ROBUSTA SOBRE UN ÁRBOL CUANDO LA DEMANDA ES INCIERTA M.J. Caós M. Maríez 2 M. Mocholí V. Navarro 3 U. de Valeca Florda Uversara U. de Valeca U. de Valeca mara..caos@uv.es marsam@florda-u.es

Más detalles

TEMA 3: EQUIVALENCIA FINANCIERA DE CAPITALES

TEMA 3: EQUIVALENCIA FINANCIERA DE CAPITALES Maemácas Faceras Prof. Mª Mercees Rojas e Graca TEMA 3: EQUIVALENIA FINANIERA DE APITALE ÍNDIE. PRINIPIO DE EQUIVALENIA DE APITALE: ONEPTO. APLIAIONE DEL PRINIPIO DE EQUIVALENIA: UTITUIÓN DE APITALE....

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

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

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

Seminario de problemas. Curso Hoja 9

Seminario de problemas. Curso Hoja 9 Semiario de prolemas. Curso 05-6. Hoja 9 49. Alero, Berardo y Carla se ha coocido e ua red social. Ellos pregua a Carla cuádo es su cumpleaños; e lugar de respoderles direcamee, ella decide poerles u prolema.

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

Sistemas Productivos

Sistemas Productivos Ssemas Producvos º Elemeos de dseño del proceso producvo A la hora de dseñar ua udad producva, hay que realzar ua sere de decsoes esraégcas que cluye ecesaramee:. Localzacó de la plaa: lugar dode físcamee

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

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

Estimación de Parámetros de Sistemas Lineales vía Matrices Operacionales

Estimación de Parámetros de Sistemas Lineales vía Matrices Operacionales Esmacó de Parámeros de Ssemas Leales vía Marces Operacoales Isdro I. Lázaro, Salvador Ramírez lazaro@zeus.umch.mx szavala@zeus.umch.mx Faculad de Igeería Elécrca-Uversdad Mchoacaa de Sa Ncolás de Hdalgo

Más detalles

Reglas para el manejo de los índices de deuda de la BNV. Bolsa Nacional de Valores Version 4.4 13/07/2005

Reglas para el manejo de los índices de deuda de la BNV. Bolsa Nacional de Valores Version 4.4 13/07/2005 Reglas para el maejo de los ídces de deuda de la BV Bolsa acoal de Valores Verso 4.4 3/07/005 ága de 6 COTEIDO ITRODUCCIÓ... 4. erspecva geeral... 4 MAEJO DE LOS ÍDICES... 6. Comé de Ídces de íulos de

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

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 aalzó el sgo

Más detalles

Solución. Al sistema lo definen dos matrices, A la matriz de coeficientes y A la matriz ampliada. A A A A

Solución. Al sistema lo definen dos matrices, A la matriz de coeficientes y A la matriz ampliada. A A A A . Resolver Solució. l sisema lo defie dos marices la mari de coeficiees la mari ampliada. rg ' rg ' ' Rago de (méodo de ramer) S..D. rg ' rg. Resolver Solució. l sisema lo defie dos marices la mari de

Más detalles

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó

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

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

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

RESUMEN. Códigos de campo JEL: F0 C6 SUMMARY

RESUMEN. Códigos de campo JEL: F0 C6 SUMMARY RESUMEN El ema raado e ese rabao se emarca dero del esquema de Cueas Saéle del Tursmo. Maemácamee se desarrolla u ssema de ecuacoes e dferecas. Se pare de la ecuacó macroecoómca fudameal e equlbro para

Más detalles

CAPÍTULO 6. CINEMÁTICA DIFERENCIAL DEL ROBOT PARALELO

CAPÍTULO 6. CINEMÁTICA DIFERENCIAL DEL ROBOT PARALELO CAÍUO. CNMÁCA DFRNCA D ROBO ARAO es seccó se descrbe el álss de elocddes y celercoes del robo prlelo, el cul puede llerse cbo mede ls ecucoes pr momeo geerl debdo que o ese deslzmeo e ls coeoes. ss ecucoes

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

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

Más detalles

ESTADÍSTICA II SOLUCIÓN-PRÁCTICA 7: SERIES DE TIEMPO EJERCICIO 1 (NOVALES 2.1)

ESTADÍSTICA II SOLUCIÓN-PRÁCTICA 7: SERIES DE TIEMPO EJERCICIO 1 (NOVALES 2.1) ESTADÍSTICA II SOLUCIÓN-PRÁCTICA 7: SERIES DE TIEMPO EJERCICIO (NOVALES.) Cosideremos P P e g. Dado que dicha fució es coiua y que exise y so coiuas las derivadas de odos los órdees, podemos aplicar Taylor

Más detalles

1. Una empresa estudia la evolución de los precios en euros de tres componentes (A, B, C) para una pieza en los últimos 5 años.

1. Una empresa estudia la evolución de los precios en euros de tres componentes (A, B, C) para una pieza en los últimos 5 años. Ejerccos Resuelos Números Ídces Faculad Cecas Ecoómcas y Emresarales Dearameo de Ecoomía Alcada Profesor: Saago de la Fuee Ferádez 1. Ua emresa esuda la evolucó de los recos e euros de res comoees (A,

Más detalles

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)

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

Más detalles

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

Gestión de operaciones

Gestión de operaciones Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos

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

2.- ESPACIOS VECTORIALES. MATRICES.

2.- ESPACIOS VECTORIALES. MATRICES. 2.- ESPACIOS VECTORIALES. MATRICES. 2.1. -ESPACIOS VECTORIALES Sea u cojuto V, etre cuyos elemetos (a los que llamaremos vectores) hay defiidas dos operacioes: SUMA DE DOS ELEMENTOS DE V: Si u, v V, etoces

Más detalles

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos

Más detalles

Método de las Diferencias Finitas en el Dominio del Tiempo (FDTD)

Método de las Diferencias Finitas en el Dominio del Tiempo (FDTD) Méodos Numécos paa la esolucó de cuacoes feecales año 00 Méodo de las feecas Fas e el omo del Tempo FT. Resume l méodo de las feecas Fas e el omo del Tempo Fe ffeece Tme oma FT se ula paa esolve poblemas

Más detalles

Métodos específicos de generación de diversas distribuciones discretas

Métodos específicos de generación de diversas distribuciones discretas Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de

Más detalles

Aproximación a la distribución normal: el Teorema del Límite Central

Aproximación a la distribución normal: el Teorema del Límite Central Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda

Más detalles

Sistema binario. Disoluciones de dos componentes.

Sistema binario. Disoluciones de dos componentes. . Itroduccó ermodámca. ema Dsolucoes Ideales Ua dsolucó es ua mezcla homogéea, o sea u sstema costtudo por ua sola fase que cotee más de u compoete. La fase puede ser: sólda (aleacoes,..), líquda (agua

Más detalles

Métodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09

Métodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09 Métodos Estadístcos Aplcados a la Igeería Exame Temas -4 Igeería Idustral (E.I.I.) 3/4/09 Apelldos y ombre: Calfcacó: Cuestó..- Se ha calculado el percetl 8 sobre las estadístcas de sestraldad e el sector

Más detalles

La ecuación general de capitalización y los factores de capitalización unitarios: una aplicación del análisis de datos funcionales

La ecuación general de capitalización y los factores de capitalización unitarios: una aplicación del análisis de datos funcionales Moográco Número Marzo www.eweb.org/od La ecuacó geeral de capalzacó y los acores de capalzacó uaros: ua aplcacó del aálss de daos ucoales Cèsar Vllazó La Saou Resume La órmula geeral de capalzacó sólo

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

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

Más detalles

1.1 INTRODUCCION & NOTACION

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

Más detalles

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

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

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

Más detalles

EXISTENCIA DE UNA FUNCIÓN NO LINEAL, CONTINUA Y BIYECTIVA EN l CON INVERSA DISCONTINUA EN TODO PUNTO

EXISTENCIA DE UNA FUNCIÓN NO LINEAL, CONTINUA Y BIYECTIVA EN l CON INVERSA DISCONTINUA EN TODO PUNTO EXISTECIA DE UA FUCIÓ O LIEAL, COTIUA Y BIYECTIVA E l CO IVERSA DISCOTIUA E TODO PUTO Jorge E Herádez U, Temístocles Zeballos M Uversdad de Paamá, Cetro Regoal Uverstaro de Veraguas, Departameto de Matemátca

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

CICLO BASICO DE INGENIERIA. Aplicar los conceptos fundamentales relacionados con el algebra matricial y calculo de determinantes.

CICLO BASICO DE INGENIERIA. Aplicar los conceptos fundamentales relacionados con el algebra matricial y calculo de determinantes. REPÚLI OLIVRIN DE VENEZUEL MINISTERIO DEL PODER POPULR PR L DEFENS UNIVERSIDD NIONL EPERIMENTL DE L FUERZ RMD NÚLEO ZULI DIVISIÓN DE SERETRÍ RRER: SIGNTUR: MT - NOMRE DEL PROFESOR: ILO SIO DE INGENIERI

Más detalles

R-C CARGA Y DESCARGA DE UN CONDENSADOR

R-C CARGA Y DESCARGA DE UN CONDENSADOR RC CARGA Y DESCARGA DE UN CONDENSADOR CONTENIDOS Estado trastoro de carga y descarga. Cálculo de la costate de tempo. Método de cuadrados mímos. Errores que se comete durate la evaluacó de τ OBJETIVOS

Más detalles

Análisis estadístico básico (II) Magdalena Cladera Munar Departament d Economia Aplicada Universitat de les Illes Balears

Análisis estadístico básico (II) Magdalena Cladera Munar Departament d Economia Aplicada Universitat de les Illes Balears Aál etadítco báco (II) Magdalea Cladera Muar mcladera@ub.e Departamet d Ecooma Aplcada Uvertat de le Ille Balear CONTENIDOS Covaraza y correlacó. Regreó leal mple. REFERENCIAS Alegre, J. y Cladera, M.

Más detalles

REVISTA INVESTIGACION OPERACIONAL Vol. 23, No.2, 2002

REVISTA INVESTIGACION OPERACIONAL Vol. 23, No.2, 2002 REVISTA INVESTIGACION OPERACIONAL Vol. 23, No.2, 2002 UN SISTEMA BASADO EN CASOS PARA LA TOMA DE DECISIONES EN CONDICIONES DE INCERTIDUMBRE Ilaa Guérrez Maríez, Rafael E. Bello Pérez y Adrés Tellería Rodríguez

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE : Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS

Más detalles

6.2.- Funciones cóncavas y convexas

6.2.- Funciones cóncavas y convexas C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

Estructuras Algebraicas

Estructuras Algebraicas Tema 1 Estructuras Algebraicas Definición 1 Sea A un conjunto no vacío Una operación binaria (u operación interna) en A es una aplicación : A A A Es decir, tenemos una regla que a cada par de elementos

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

Estadística Espacial. José Antonio Rivera Colmenero Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su

Más detalles

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional. 7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de

Más detalles

Figura 1. Se dice que un subespacio vectorial F de E es A-invariante si los vectores u de F siguen estando en F al transformarse por A, esto es,

Figura 1. Se dice que un subespacio vectorial F de E es A-invariante si los vectores u de F siguen estando en F al transformarse por A, esto es, VALORES Y VECORES PROPIOS Y LA REDUCCION DE CÓNICAS A) EL PROBLEMA PROPIO oda matriz cuadrada A de orde co elemetos (reales o complejos) es u operador lieal que actúa sobre el espacio vectorial E, dimesioal,

Más detalles

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN INTRODUCCIÓN CONTENIDO DEFINICIÓN DE ESTADÍSTICA ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS POBLACIÓN VARIABLE: Cualtatvas o Categórcas y Cuattatvas (Dscretas y Cotuas) MUESTRA TAMAÑO MUESTRAL DATO DISTRIBUCIONES

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA Estadístca Estadístca Descrptva. ESTADÍSTICA DESCRIPTIVA. Itroduccó.. Coceptos geerales. 3. Frecuecas y tablas. 4. Grácos estadístcos. 4. Dagrama de barras. 4. Hstograma. 4.3 Polgoal de recuecas. 4.4 Dagrama

Más detalles

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar

Más detalles

MS Word Editor de Ecuaciones

MS Word Editor de Ecuaciones MS Word Edtor de Ecuacoes H L. Mata El Edtor de ecuacoes de Mcrosoft Word permte crear ecuacoes complejas seleccoado símbolos de ua barra de herrametas y escrbedo varables y úmeros. medda que se crea ua

Más detalles

4. VARIABLES ALEATORIAS Y SUS PROPIEDADES

4. VARIABLES ALEATORIAS Y SUS PROPIEDADES 4. VARIABLES ALEATORIAS Y SUS PROPIEDADES Dr. hp://mah.uprm.edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ 4. Variables Aleaorias Ua variable aleaoria es ua fucio que asume sus

Más detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

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

Tema 5. DIAGONALIZACIÓN DE MATRICES

Tema 5. DIAGONALIZACIÓN DE MATRICES José Maía Maíe Mediao Tema DGONLZCÓN DE MTRCES oducció Poecia de ua mai Sea Supogamos que se desea calcula : 7 7 8 8 Deemia ua egla paa o esula imediao Compobemos, aes de segui adelae, que MDM, siedo M

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

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva

Más detalles

Tema 1: Matrices. El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico.

Tema 1: Matrices. El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico. Tema 1: Matrices El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico. 1. Terminología Comenzamos con la definición de matriz

Más detalles

estimación de la estructura de Tasas nominales de chile: aplicación del modelo dinámico nelson-siegel

estimación de la estructura de Tasas nominales de chile: aplicación del modelo dinámico nelson-siegel Volume 4 - º / dcembre 0 estmacó de la estructura de Tasas omales de chle: aplcacó del modelo dámco elso-segel Rodrgo Alaro A. * Sebasá Becerra C. ** Adrés Sager T. *** I. IroduccIó La esmacó de la esrucura

Más detalles

MOF - COMPETENCIA 1 FUNDAMENTOS DE LAS OPERACIONES FINANCIERAS

MOF - COMPETENCIA 1 FUNDAMENTOS DE LAS OPERACIONES FINANCIERAS MOF - OMPETENIA FUNDAMENTOS DE LAS OPERAIONES FINANIERAS apalzacó ompuesa. apalzacó Smple. Acualzacó ompuesa y Smple. Equvalecas Faceras. Aplcacoes de la apalzacó y del Descueo. Valores Medos: Ufcacó de

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores

Más detalles

Clase 8 Matrices Álgebra Lineal

Clase 8 Matrices Álgebra Lineal Clase 8 Matrices Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia Matrices Definición Una matriz es un arreglo rectangular de números denominados entradas

Más detalles

Tema 1.3_A La media y la desviación estándar

Tema 1.3_A La media y la desviación estándar Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.

Más detalles

Números Complejos PREGUNTAS MÁS FRECUENTES

Números Complejos PREGUNTAS MÁS FRECUENTES Repaso de º de Bachllerato Núeros Coplejos PREGUNTAS MÁS FRECUENTES. Qué es la udad agara? Es u eleeto del que cooceos úcaete su cuadrado:.obvaete, o se trata de u úero real.. Qué es u úero coplejo? Es

Más detalles

Metodología Índice de Precios de Edificaciones Nuevas

Metodología Índice de Precios de Edificaciones Nuevas Meodología Ídce de recos de Edfcacoes Nuevas COLECCIÓN DOCUMENTOS - ACTUALIZACIÓN 29 Núm. 66 DEARTAMENTO ADMINISTRATIVO NACIONAL DE ESTADÍSTICA HÉCTOR MALDONADO GÓMEZ Drecor CARLOS EDUARDO SEÚLVEDA RICO

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

Un generador matricial de claves frente a Blum Blum Shub.

Un generador matricial de claves frente a Blum Blum Shub. U geerador marcal de claves free a lum lum Sub. Rafael Álvarez, Joa-Josep Clme, eadro Torosa 3 y oo Zamora 4 Deparame de Cèca de la Compuacó Iel lgèca rfcal. Uversa d'laca, Campus de Sa Vce, p.correus

Más detalles