El Problema de Búsqueda

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

Download "El Problema de Búsqueda"

Transcripción

1 Aálss y Dseño de Algortmos El Problema de Búsqueda Arturo Díaz Pérez Cojutos estátcos Arboles de decsó para búsqueda Cojutos dámcos Arboles de búsqueda bara Aálss del peor caso Aálss del caso promedo Arboles -3 Aálss y Dseño de Algortmos Searchg- Plateameto Búsqueda Dado x determar s x S. Dado x determar la poscó de x, s x S. Dado x determar la R(x), s x S. Característcas del cojuto S. Estátco vs. dámco Ordeado vs. desordeado Llaves duplcadas vs. llaves úcas Aálss y Dseño de Algortmos Searchg-

2 Cojutos Estátcos Icalmete os cocetraremos e la búsqueda de llaves sobre cojutos estátcos El cojuto de llaves o camba durate la ejecucó Dos algortmos famlares Búsqueda bara Búsqueda secuecal Determaremos que el tempo de ejecucó de cualquer algortmo de búsqueda que depede e comparacoes es e el peor caso Ω(log ) Aálss y Dseño de Algortmos Searchg-3 Búsqueda Secuecal vod BusquedaSecuecal( t A[], t, t x ) { t ; for( ; < ; ) f( A[] x ) E el peor caso O() retur ; retur -; x? El arreglo A puede estar e cualquer orde Aálss y Dseño de Algortmos Searchg-4

3 Búsqueda Bara vod BusquedaBara( t A[], t, t j, t x) { tk; f( < j ) { k ( j) / ; f( A[k] > x ) retur BusquedaBara( A,, k-, x ); elsef( A[k] x ) retur k; else /*f ( A[k] < x ) */ retur BusquedaBara( A, k, j, x ); else retur -; El arreglo A debe estar ordeado T() c T() T(/) d Aálss y Dseño de Algortmos Searchg-5 Arbol de Decsó para la B. Bara Sea S[] s,..., S[ 7] s 7 Regresa ídce x s 4 < > x s 4 x s 6 < > < > x s x s 6 3 x s x s 5 7 < > < > < > < > F F F 3 F F 5 F F 7 F Aálss y Dseño de Algortmos Searchg-6 3

4 Arbol de Decsó para la B. Secuecal x s x s x s 3 F 3 Aálss y Dseño de Algortmos Searchg-7 Arbol de Decsó para la Búsqueda Cada hoja represeta u puto e el cual el algortmo se detee y reporta u ídce dode x s (x es la llave buscada) o reporta ua falla U árbol de decsó es váldo para buscar ua llave x sobre llaves s para cada reporte co éxto, exste u camo de la raíz a la hoja que reporta el éxto El árbol de decsó es podado s cada hoja es alcazable Cada algortmo que busca ua llave x e u arreglo de llaves tee u árbol de decsó váldo podado correspodete Aálss y Dseño de Algortmos Searchg- 4

5 Profuddad de u Arbol Baro Recordatoro: S es el úmero de odos e u árbol baro y d es la profuddad, etoces, log d Para que u árbol de decsó váldo para buscar ua llave x sobre llaves dsttas sea podado, el árbol baro debe cosstr de al meos odos Cualquer algortmo determsta que busca medate comparacoes ua llave x e u arreglo de llaves dsttas debe hacer e el peor caso al meos log comparacoes de llaves Aálss y Dseño de Algortmos Searchg-9 Cojutos Dámcos Muchas aplcacoes requere sercoes y supresoes de regstros durate la ejecucó. Las búsquedas realzadas sobre estos cojutos se cooce como búsqueda dámca Ej: Sstemas de reservacoes para aerolíeas Alguas estructuras de datos o so adecuadas para cojuto dámcos Las lstas lgadas o permte hacer búsquedas rápdas Los arreglos so de tamaño fjo Aálss y Dseño de Algortmos Searchg- 5

6 Arbol de Búsqueda Bara El árbol de búsqueda bara es ua estructura de datos mportate para cojutos dámcos U árbol de búsqueda bara es u árbol baro e dode cada odo es u objeto el cual cotee cuatro campos: hjo zquerdo, hjo derecho, padre y valor M B W A F Y Aálss y Dseño de Algortmos Searchg- Arboles de Búsqueda Bara U árbol de búsqueda bara debe satsfacer la sguetes propedades: S y está e el subárbol zquerdo de x, etoces, llave[y] < llave[x] S y está e el subárbol derecho de x, etoces, llave[y] > llave[x] x < x > x Aálss y Dseño de Algortmos Searchg- 6

7 Búsqueda Búsqueda( x, k ) beg f x l or k llave[x] the retur x; f( k < llave[x] ) the Búsqueda( left[x] ) else Búsqueda( rght[x] ) ed; Aálss y Dseño de Algortmos Searchg-3 Recorrdo EOrde RecorrdoEOrde( x ) beg f x <> l the beg RecorrdoEOrde( left[x] ); wrtel( x ); RecorrdoEOrde( rght[x] ) ed ed; Aálss y Dseño de Algortmos Searchg-4 7

8 Isercó B A F B A F E Aálss y Dseño de Algortmos M M W W Y Y IsertaArbol( T, z ) beg y Nl x root[ T ] whle x NIL do beg y x; f key[z] < key [x ] the x left [ x ] else x rght [ x ] ed; p [z] y; f y Nl the root[ T ] z else f key[ z ] < key[ y ] the left [ y ] z else rght [ y ] z ed; Searchg-5 Búsqueda: Peor Caso s s s s s s s < s <... < s s > s >... > s La costruccó del árbol toma ( ) O( ) Aálss y Dseño de Algortmos Searchg-6

9 Búsqueda: Peor Caso Supoedo que se ha costrudo el árbol co los elemetos, Pregutar por la membresía de u elemeto tomaría. Mejor caso: paso O() Peor caso: pasos O() Caso promedo: / pasos O() Aálss y Dseño de Algortmos Searchg-7 Búsqueda: Caso Promedo Es ecesaro cosderar el promedo de todos los posbles árboles que se puede costrur. Observacoes Las operacoes que preguta por la membresía de, serta o remueve u elemeto toma u tempo proporcoal a la logtud del camo de la raíz al odo correspodete. Así que se tratará de aalzar la logtud de camo promedo e árboles aleatoros. Suposcoes Los árboles se forma úcamete por sercoes Todos los ordeametos posbles de los elemetos sertados so gualmete probables Aálss y Dseño de Algortmos Searchg- 9

10 Búsqueda: Caso Promedo Sea P() el úmero de odos e promedo e el camo de la raíz a cualquer odo e u árbol co odos P(), P() S a, S,...,S sort s,..., s k, s k a k a elemetos < a -- elemetos > a Aálss y Dseño de Algortmos Searchg-9 Búsqueda: Caso Promedo Observacoes La logtud de camo promedo e el subárbol zquerdo es P() La logtud de camo promedo e el subárbol derecho es P(--) Logtud promedo es ( ) P P( ) Aálss y Dseño de Algortmos ( P( ) ) ( )( P( ) ) P( ) ( - -) P( - -), [ ( ) ( ) ( ) ] ( ), P P P Se puede demostrar que P( ) 4log Searchg-

11 Aálss y Dseño de Algortmos Searchg- Búsqueda: Caso Promedo Demostracó por duccó Para 4log ) ( P Supogamos que es certa para todos los < ) ( ) ( P P [ ] log 4 log 4 log ) ( log 4 log Aálss y Dseño de Algortmos Searchg- Búsqueda: Caso Promedo Para todo > > / se tee que [ ] log log log log log < Para todo / se tee que log log ) ( P log log ) )( ( log ) ( ) ( P 4 log log log 4 log <

12 Búsqueda: Caso Promedo Dado que P( ) 4log, se puede probar que P( ) c log para algua costate c > Por lo tato, se dce que P() es u O( log ) Este resultado es váldo para el promedo de la operacó de búsqueda sobre todas las etradas co llaves Aálss y Dseño de Algortmos Searchg-3 Cómo mejorar las cosas? Los resultados se trasforma a cotas para el peor caso cuado el árbol baro está balaceado Otros efoques: Arboles AVL Arboles rojegros Arboles B: ua clase de árboles. Arboles -3: u caso especal Tablas de hash No adecuadas para el problema de ordeameto. Co ua buea fucó de dspersó, la sercó, supresó y búsqueda toma u tempo cas costate Aálss y Dseño de Algortmos Searchg-4

13 Arboles -3 Arbol -3 Cada odo teror tee dos o tres hjos. Los camos de la raíz a las hojas tee todos la msma logtud. U árbol co cero odos o u odo es u caso especal de u árbol -3. U árbol -3 se utlza para represetar cojutos cuyos elemetos matee u orde leal, '<'. Todos los elemetos se coloca e las hojas; s u elemeto a está colocado a la zquerda de b, etoces, se debe satsfacer que a < b. Aálss y Dseño de Algortmos Searchg-5 Arboles -3 Arbol -3 E cada odo teror se almacea la "llave " del elemeto más pequeño que es u descedete del segudo hjo. S exste u tercer hjo, se almacea també la "llave" del elemeto más pequeño que es u descedete del tercer hjo. U árbol -3 de k veles tee etre k- y 3 k- hojas. Para represetar u cojuto de elemetos se requere al meos log 3 veles y o más de log veles. Aálss y Dseño de Algortmos Searchg-6 3

14 Arboles -3: Isercó Iserta 5-9 Aálss y Dseño de Algortmos Searchg-7 Arboles -3: Isercó Iserta Aálss y Dseño de Algortmos Searchg- 4

15 Arboles -3: Isercó Iserta Aálss y Dseño de Algortmos Searchg-9 Arboles -3: Supresó Suprme Aálss y Dseño de Algortmos Searchg-3 5

16 Arboles -3: Supresó Suprme Aálss y Dseño de Algortmos Searchg-3 Arboles -3: Supresó Suprme Aálss y Dseño de Algortmos Searchg-3 6

17 Arboles -3: Efceca Efceca Claramete la operacó de búsqueda toma u tempo Ω(log 3 ) y O(log ). Las operacoes de sercó y supresó avega de la raíz a las hojas y, e el peor caso, de regreso a la raíz. Así, ambas toma també u tempo Ω(log 3 ) y O(log ). Qué hay acerca del caso promedo? Aálss y Dseño de Algortmos Searchg-33 A-3: Estructuras struct objeto { t llave;. /*Campos adcoales para la defcó del objeto */. ; struct odo teror { t llave, llave; struct odo3 *hjo, *hjo, *hjo3; struct odo3 { t tpo; /* teror, hoja */ uo { struct objeto e; struct odo_teror ; ; ; Aálss y Dseño de Algortmos Searchg-34 7

18 A-3: Agrega vod agrega( NODO3 *odo, OBJETO x, NODO3 **uevo, t *m ) { NODO3 *uevo; *w; t m; *uevo NULL; f( odo es hoja ) { f( x o es el elemeto e el odo ) { /* Crear u uevo odo aputado por uevo */ /* Copar x e el uevo odo */ *m x.llave; else { /* Sea w el hjo del odo a cuyo subárbol perteece x */ agrega( w, x, &uevo, &m); f( uevo! NULL ) { /*Isertar el aputador uevo etre los hjos de odo a la derecha de w */ f( odo tee cuatro hjos ) { /* Crear u uevo odo aputado por uevo */ /* Pasar el tercero y cuarto hjo de odo a uevo */ /* Ajustar llave y llave e odo y e uevo */ /* Hacer m la llave más chca etre los hjos del uevo odo */ Aálss y Dseño de Algortmos Searchg-35 A-3: Agrega vod AGREGA( OBJETO x, NODO3 *S ) { NODO3 *uevo; t mímo; NODO3 tmp; /* Verfcar s S es vacío o cosste de u solo elemeto. Iclur aquí u procedmeto de sercó adecuado */ agrega( *S, x, &uevo, &mímo ); f( uevo! NULL ) { /* Se crea u uevo odo cuyos hjos será *S y uevo */ tmp *S; *S ( struct odo3 *) malloc ( szeof( struct odo3 ) ); (*S)->llave mímo; (*S)->hjo tmp; (*S)->hjo uevo; (*S)->hjo3 NULL; Aálss y Dseño de Algortmos Searchg-36

19 A-3: Borra t borra( NODO3 *odo, OBJETO x ) { t solo_uo, borrado; NODO3 *w; borrado ; f( los hjos de odo so hojas ) { f( x está etre las hojas ) { /* Qutar x */ /* Correr las hjos de odo a la derecha de x ua poscó a la zquerda */ f( odo tee solo u hjo ) borrado ; else { /* Sea w el hjo de odo que puede teer a x como descedete */ solo_uo borra( w, x ); f( solo_uo ) { f( w es el prmer hjo de odo ) { f( y, el segudo hjo de odo, tee 3 hjos ) { /* Hacer que el prmer hjo de y sea el segudo hjo de w */ else { /* hacer el hjo de w, el prmer hjo de y */ /*Qutar w de etre los hjos de odo */ f( odo tee ahora u hjo ) borrado ; Aálss y Dseño de Algortmos Searchg-37 A-3: Borra... else f ( w es el segudo hjo de odo ) { f( y, el prmer hjo de odo, tee 3 hjos ) { /* Hacer que el tercer hjo de y sea el prmer hjo de w*/ else { f( z, el tercer hjo de odo, exste y tee 3 hjos ) { /*Hacer que el prmer hjo de z sea el segudo hjo de w */ else { /*Hacer que el hjo de w sea el tercer hjo de y */ /*Qutar w de etre los hjos de odo */ f( odo tee ahora u solo hjo ) borrado else f( w es el tercer hjo del odo ) { f( y, el segudo hjo de odo, tee 3 hjos ) { /* Hacer que el tercer hjo de y, sea el prmer hjo de w */ else { /*Hacer que el hjo de w sea el tercer hjo de y */ /* Qutar w de etre los hjos del odo */ retur borrado; Aálss y Dseño de Algortmos Searchg-3 9

CÁLCULO NUMÉRICO (0258)

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

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

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

Más detalles

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

CAPÍTULO II MARCO TEÓRICO

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

Más detalles

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

Los Histogramas. Histograma simple

Los Histogramas. Histograma simple Los Hstogramas El Hstograma es ua forma de represetacó de datos que permte aalzar fáclmete el comportameto de ua poblacó, ya sea per se, o por medo de ua muestra. U Hstograma se defe como u cojuto de barras

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

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

NOMBRE Apellido Paterno Apellido Materno Nombre(s)

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

Más detalles

Inferencia Estadística

Inferencia Estadística Ifereca Estadístca Poblacó y muestra Coceptos y defcoes Muestra Aleatora Smple (MAS) Cosderemos ua poblacó, cuya fucó de dstrbucó esta dada por F(), la cual está costtuda por u úmero fto de posbles valores,

Más detalles

LECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS

LECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS Uversdad Católca Los Ágeles de Cmbote LECTURA 0: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS TEMA : DISTRIBUCIONES DE FRECUENCIAS: DEFINICIÓN Y CLASIFICACIÓN

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

X = d representa la métrica (distancia) euclideana en R n, dada por: d T(X,Y) = X Y = 1.3 TOPOLOGÍA BÁSICA EN

X = d representa la métrica (distancia) euclideana en R n, dada por: d T(X,Y) = X Y = 1.3 TOPOLOGÍA BÁSICA EN 0.3. Cojutos abertos y cerrados.3 TOPOLOGÍA BÁSICA EN R El espaco eucldeao dmesoal se defe como: E ( R,,, d ) Dode (asumedo que X, Y R, co X = (x,..., x ), Y = (y,..., y )): El símbolo represeta el producto

Más detalles

Análisis de Regresión y Correlación Lineal

Análisis de Regresión y Correlación Lineal Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres

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

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

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

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

Más detalles

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

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

Más detalles

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

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

MEDIDAS DE CENTRALIZACIÓN

MEDIDAS DE CENTRALIZACIÓN Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca

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

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

Capítulo 2 Sistemas Multi-Maquinas -Planteamiento-

Capítulo 2 Sistemas Multi-Maquinas -Planteamiento- LC-3054 Sstemas de Poteca II Capítulo Sstemas Mult-Maquas -Plateameto- Prof. Fracsco M. Gozález-Logatt fglogatt@eee.org http://www.gaelec.org/fglogatt/sp.htm SISTMAS D POTNCIA II stabldad Mult-Maquas Fracsco

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

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

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

Más detalles

Análisis de Regresión y Correlación Lineal

Análisis de Regresión y Correlación Lineal Aálss de Regresó y Correlacó Leal 2do C. 2018 Mg. Stella Fgueroa Clase Nº 14 Tpos de relacoes etre varables Exste u compoete aleatoro por lo que las predccoes tee asocado u error de predccó. Modelo determsta

Más detalles

Trata de describir y analizar algunos caracteres de los individuos de un grupo dado, sin extraer conclusiones para un grupo mayor

Trata de describir y analizar algunos caracteres de los individuos de un grupo dado, sin extraer conclusiones para un grupo mayor árbara Cáovas Coesa Estadístca Descrptva 1 Cálculo de Probabldades Trata de descrbr y aalzar alguos caracteres de los dvduos de u grupo dado, s extraer coclusoes para u grupo mayor Poblacó Idvduo o Udad

Más detalles

Métodos de Ordenamiento

Métodos de Ordenamiento Aálss y Complejdad de Algortmos Métodos de Ordeameto Arturo Díaz Pérez pos de ordeameto y meddas de efea Algortmos básos QukSort HeapSort BSort RadxSort Arboles de Desó Aálss y Dseño de Algortmos Sortg-

Más detalles

Estadística Descriptiva

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

Más detalles

. 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

SEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE

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

Más detalles

Árboles Binarios de Búsqueda

Árboles Binarios de Búsqueda Árboles Biarios de Búsqueda 3.6 Árboles biarios de búsqueda (ABB)! U ABB puede defiirse cuado el tipo de los elemetos posee ua relació de orde total! So árboles biarios e los que: " todos los valores de

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

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

Interpolación polinómica.

Interpolación polinómica. 5 Iterpolacó polómca Itroduccó E muchas ocasoes e dferetes ramas de la geería, a la hora de resolver u problema, los datos de que se dspoe se ecuetra e tablas, como por ejemplo tablas estadístcas E la

Más detalles

Métodos indirectos de estimación: razón, regresión y diferencia

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

Más detalles

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

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

FÍSICA EXPERIMENTAL INCERTIDUMBRE ABSOLUTA Y RELATIVA. Medición de la longitud del largo del cuaderno:

FÍSICA EXPERIMENTAL INCERTIDUMBRE ABSOLUTA Y RELATIVA. Medición de la longitud del largo del cuaderno: FÍSICA EXPERIMENTAL INCERTIDUMBRE ABSOLUTA Y RELATIVA Medcó de la logtud del largo del cuadero: 9,5, cm,cm represeta la certdumre asoluta de la medda Qué ta sgfcatva es esa certdumre? 9,5, cm puede ser

Más detalles

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO. Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.

Más detalles

Análisis del caso promedio El plan:

Análisis del caso promedio El plan: Aálisis del caso promedio El pla: Probabilidad Aálisis probabilista Árboles biarios de búsqueda costruidos aleatoriamete Tries, árboles digitales de búsqueda y Patricia Listas skip Árboles aleatorizados

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

Estadística Contenidos NM 4

Estadística Contenidos NM 4 Cetro Educacoal Sa Carlos de Aragó. Sector: Matemátca. Prof.: Xmea Gallegos H. 1 Estadístca Cotedos NM 4 Udad: Estadístca y Probabldades. Apredzajes Esperados: * Recooce dferetes formas de orgazar formacó:

Más detalles

PyE_ EF1_TIPO2_

PyE_ EF1_TIPO2_ SEMESTRE 9- TIPO DURACIÓN MÁIMA.5 HORAS JUNIO DE 9 NOMBRE. "Scram" es el térmo que utlza los geeros ucleares para descrbr u rápdo cerre de emergeca de u reactor uclear. La dustra uclear ha hecho esuerzos

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 ESTADISTICA DESCRIPTIVA

GENERALIDADES ESTADISTICA DESCRIPTIVA MOD MEDIDS DE TEDECI CETRL MEDI MEDI RITMETIC MOD MEDIDS DE TEDECI CETRL MEDI MEDI RITMETIC MEDIDS DE TEDECI CETRL MEDI RITMETIC Defcó: Es la suma de todos los datos de ua sere dvdda por su úmero Cálculo:

Más detalles

Problemas discretos con valores iniciales

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

Más detalles

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

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

Espacios con producto interior

Espacios con producto interior Espacos co producto teror [Versó prelmar] Prof. Isabel Arrata Z. Algebra Leal E esta udad, todos los espacos ectorales será reales Sea V u espaco ectoral sobre. U producto teror (p..) e V es ua fucó

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

TEORIA DE ERRORES. Fuentes De error. Error Final

TEORIA DE ERRORES. Fuentes De error. Error Final TEORIA DE ERRORES Fuetes De error Errores heretes: (EI) So los errores que afecta a los datos del prolema umérco puede teer dsttos orígees. Por ejemplo puede ser el resultado de la certdumre e cualquer

Más detalles

Estadística aplicada al Periodismo

Estadística aplicada al Periodismo Estadístca aplcada al Perodsmo Temaro de la asgatura Itroduccó. Aálss de datos uvarates. Aálss de datos bvarates. Seres temporales y úmeros ídce. Probabldad y Modelos probablístcos. Itroduccó a la fereca

Más detalles

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD. NSTTUTO TECNOLÓGCO DE ZCO Estadístca OLDD XOMS Y TEOEMS DE L OLDD. DEFNCONES DE L OLDD. La palabra probabldad se utlza para cuatfcar uestra creeca de que ocurra u acotecmeto determado. Exste tres formas

Más detalles

ERRORES EN LAS MEDIDAS (Conceptos elementales)

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

Más detalles

Estructura y Tecnología de Computadores. Módulo G. Estructura del procesador. Concepto de aritmética. La aritmética en el computador.

Estructura y Tecnología de Computadores. Módulo G. Estructura del procesador. Concepto de aritmética. La aritmética en el computador. Estructura y Tecología de Computadores Módulo G. Estructura del procesador Tema 5. Artmétca José Mauel Medías Cuadros Dpto.. Arqutectura de Computadores y Automátca Uversdad Complutese de Madrd cotedos.

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

1.2. Medidas de Concentración

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

Más detalles

Modelos de Regresión Simple

Modelos de Regresión Simple Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

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

Objetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética

Objetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética Objetvos Itroduccó a las meddas de poscó (tedeca cetral o tpsmo): Moda y Medaa Meda artmétca tca Cuartles,, decles y percetles Meddas de poscó Defcó: : refereca a u lugar específco de ua dstrbucó, epresado

Más detalles

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

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

Más detalles

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

Ejercicios de programación. cos A=

Ejercicios de programación. cos A= Ejerccos de programacó Para cada ejercco se pde: - escrbr el algortmo e pseudocódgo - escrbr el programa correspodete e leguaje C - adjutar el resultado obtedo de la ejecucó del programa, co datos propuestos

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

ÁLGEBRA II (LSI PI) TRANSFORMACIONES LINEALES UNIDAD Nº 5. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO

ÁLGEBRA II (LSI PI) TRANSFORMACIONES LINEALES UNIDAD Nº 5. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO 2017 ÁLGEBRA II (LSI PI) UNIDAD Nº 5 RANSFORMACIONES LINEALES Facultad de Cecas Exactas y ecologías UNIERSIDAD NACIONAL DE SANIAGO DEL ESERO aa Error! No hay texto co el estlo especfcado e el documeto

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

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

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

Más detalles

( ) = 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

Estudio y optimización del algoritmo de ordenamiento Shellsort

Estudio y optimización del algoritmo de ordenamiento Shellsort Estudo y optmzacó del algortmo de ordeameto Sellsort Bejam Bustos Departameto de Cecas de la Computacó, Uversdad de Cle bebustos@dcc.ucle.cl Resume Este estudo aalza, e forma empírca, el desempeño del

Más detalles

2.4 Pruebas estadísticas para los números pseudoaleatorios

2.4 Pruebas estadísticas para los números pseudoaleatorios Capítulo Números pseudoaleatoros.4 Pruebas estadístcas para los úmeros pseudoaleatoros 34 E la seccó. se presetaro dversos algortmos para costrur u cojuto r, pero ése es sólo el prmer paso, ya que el cojuto

Más detalles

La Metodología de la Verosimilitud Empírica

La Metodología de la Verosimilitud Empírica La Metodología de la Verosmltud Empírca Gozalo Delgado Facultad de Matemátcas, Uversdad Autóoma de Guerrero Méxco deggozalo@aol.com Probabldad y Estadístca Superor Resume Se expoe la metodología de la

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

Introducción al Algebra Lineal en Contexto Autor José Arturo Barreto M.A. Web:

Introducción al Algebra Lineal en Contexto Autor José Arturo Barreto M.A. Web: Itroduccó al Algebra Leal e Cotexto Autor José Arturo Barreto M.A. Web: www.abaco.com.e www.mprofe.com.e josearturobarreto@yahoo.com Descomposcó e Valor Sgular (SVD: Sgular Value Decomposto) El sguete

Más detalles

4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór

4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór Capítulo 4 Iterpolacó polomal de Hermte E determadas aplcacoes se precsa métodos de terpolacó que trabaje co datos prescrtos de la fucó y sus dervadas e ua sere de putos, co el objeto de aumetar la aproxmacó

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

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

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos 4. SEGUNDO MÓDULO 4. Resume de Datos E estadístca descrptva, a partr de u cojuto de datos, se busca ecotrar resumes secllos, que permta vsualzar las característcas esecales de éstos. E ua expereca, u dato

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

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

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

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

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

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

Más detalles

Estadística Contenidos NM 4

Estadística Contenidos NM 4 Cetro Educacoal Sa Carlos de Aragó. Sector: Matemátca. Prof.: mea Gallegos H. 1 Estadístca Cotedos NM 4 Udad: Estadístca y Probabldades. Apredzajes Esperados: * Recoocer dferetes formas de orgazar formacó:

Más detalles

Ins Rotac. doble a la izq.

Ins Rotac. doble a la izq. . Dada la sguete secueca de claves:, 9, 7, 8, 48, 39,,, 46, 7, 3,, 5, : a) dbujar paso a paso el AVL correspodete, dcado e cada paso e que sea ecesaro el tpo de rotacó que se aplca y cómo se detecta el

Más detalles

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

2. Censura y truncamiento

2. Censura y truncamiento 2. Cesura y trucameto Los datos de tempo de fallo se preseta e dferetes formas que crea problemas especales cuado se aalza. E muchas ocasoes o se cooce co exacttud el valor del tempo de fallo y úcamete

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

Tablas HASH. Agustín J. González ELO320: Estructura de Datos y Algoritmos 1er. Sem. 2002

Tablas HASH. Agustín J. González ELO320: Estructura de Datos y Algoritmos 1er. Sem. 2002 Tablas HASH Agustí J. Gozález ELO32: Estructura de Datos y Algortos er. Se. 22 Itroduccó Muchas aplcacoes requere u cojuto dáco que soporte las operacoes de u dccoaro: Isert, Search, Delete. Por ejeplo

Más detalles

Probabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C

Probabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C Los axomas de la probabldad obabldad El prmer paso para descrbr la certdumbre es cosderar el cojuto de posbles resultados obtedos a partr de u expermeto aleatoro. Este cojuto es llamado espaco muestral

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

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

Ensayos de control de calidad

Ensayos de control de calidad Esayos de cotrol de caldad Fecha: 0170619 1. lcace. Este procedmeto es aplcable e la evaluacó del desempeño del persoal que ejecuta pruebas e la Dvsó de Laboratoros de Ifraestructura de la Coordacó de

Más detalles

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

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

Más detalles

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

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

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

Más detalles

7. Muestreo con probabilidades desiguales.

7. Muestreo con probabilidades desiguales. 7. Muestreo co probabldades desguales. 7. Itroduccó. 7.. Probabldades de clusó. 7.. Pesos del dseño muestral. 7.. Alguos métodos co probabldades desguales. 7. Estmacó de la meda, proporcó total poblacoales.

Más detalles

El estudio de autovalores y autovectores (o valores y vectores propios) de matrices

El estudio de autovalores y autovectores (o valores y vectores propios) de matrices Tema V DIAGONALIZACIÓN POR TRANSFORMACIONES DE SEMEJANZA Objetvos Presetar los coceptos de autovalor y autovector, los cuales tee gra mportaca e las aplcacoes práctcas (tato es así, que podría decrse que

Más detalles

Definición. Número obtenido a partir del análisis de una variable estadística. Procedimiento de cálculo bien definido:

Definición. Número obtenido a partir del análisis de una variable estadística. Procedimiento de cálculo bien definido: Defcó Número obtedo a partr del aálss de ua varable estadístca. Procedmeto de cálculo be defdo: aplcacó de fórmula artmétca Cuatfca uo o varos aspectos de la formacó (cofrmacó de tabla o gráfco) S calculados

Más detalles