CAPITULO 1 ANTECEDENTES HISTORICOS DEL METODO ELIPSOIDAL Y PROBLEMAS SOBRE CONJUNTOS CONVEXOS Métodos antecesores.
|
|
- Blanca Morales Cortés
- hace 5 años
- Vistas:
Transcripción
1 27 CAPIULO 1 ANECEDENES HISORICOS DEL MEODO ELIPSOIDAL Y PROBLEMAS SOBRE CONJUNOS CONVEXOS A raíz del auco de Khachya [7] acerca de la exsteca de u algortmo polomal para la programacó leal, surgero umerables publcacoes cuyo prcpal objetvo era desmetr el hecho de que este algortmo perteecía a Khachya y que poseía coexó co la programacó covexa, e lugar de la leal. E este capítulo se descrbrá brevemete el desarrollo del método, es decr, sus atecedetes hasta llegar a ser el AE que hoy coocemos. Nuestro terés es la aplcacó del método para ecotrar ua solucó factble a u cojuto de desgualdades leales. Cabe mecoar que el método elpsodal es utlzado tato para la localzacó de u puto factble a u cojuto de desgualdades leales dadas y para la solucó de problemas de programacó leal formado por tal cojuto de desgualdades leales y ua fucó objetvo a maxmzar (mmzar) Métodos atecesores. El método posee ua fuerte relacó co otros métodos, los cuales será descrtos brevemete co la faldad de obteer la dea prcpal de su desempeño y aprecar los elemetos que so tomados por el AE de cada uo de ellos (ver [8]).
2 28 Los métodos atecesores so los sguetes: El método de relajacó para desgualdades leales, Algortmos de plao de corte, El método de subgradete y dlatacó del espaco y El método de seccoes cetrales El método de relajacó para desgualdades leales. Algortmos de relajacó para desgualdades fuero troducdos por Agmo [9] y Motz y Schoeberg [10] para ecotrar u vector de desgualdades leales dado de la sguete forma, x R tal que satsfaga u sstema Cx d, (1.1) el cual cosste de m restrccoes y varables, es decr, la matrz mx m C R y d R. Ambos métodos propoe la geeracó de ua secueca {x } teratva de putos, dode, sí e la +1 teracó el vector x es factble, el algortmo terma; de otro modo, algua restrccó estará sedo volada, dgamos c x γ, (1.2) dode c R es el vector correspodete a los coefcetes de la desgualdad y γ R. Ua vez seleccoada ua restrccó cumplda ( c x > γ ) se establece, λc( c x γ ) x + 1 = x, (1.3) c c λ = 2, El método propuesto por Motz y Schoeberg, establece que el parámetro (λ, es el atecedete del parámetro de paso τ utlzado e el método elpsodal) metras que para el propuesto por Agmo dcho parámetro cumple 0 < λ < 2. Para la seleccó de u valor λ = 1, el vector es el resultado de la proyeccó del vector x sobre el hperplao {x R c x = γ}. Este método co 0 < λ < 2, correspode al método de bola que será eucado a cotuacó.
3 29 El método de bola ca co ua bola, E que se defe como: E = {x R (x x ) B 1 (x x ) 1}, Esta bola posee ua matrz, B múltplo de la matrz detdad I. A partr de ésta se costruye ua bola sguete + = + I + E 1 S = {x R (x x 1 ) (x x 1 ) 1}, que cotee al cojuto {x E a x β}, cuyo volume es meor al de La bola S posee su cetro e 1, obtedo medate la formula (1.3) y que se ) ecuetra sobre el segmeto de líea aberto ( x,x + 2( x x )), dode x ) es la proyeccó de sobre el hperplao { x R a x = β }. Veamos lo ateror e la sguete fgura: x x + E +1 =S. E E x ) x +1 x { x R a x = β }. Fgura 1.1. El método de bola La bola S será la más pequeña posble, sí ) x + es. 1 x No es ecesaro teer a pror ua cota para la defcó de ua elpsode cal E 0 para mplemetar el algortmo. S embargo, éste puede ser útl para defr ua secueca de bolas {E } correspodete a la secueca {x }. Agmo mostró que sí (1.1) es u sstema factble, y s se seleccoa la restrccó (1.2) mayormete cumplda e térmos de la orma eucldaa, y sí además λ es acotado más allá de 0 y 2, etoces
4 30 el método coverge lealmete; asmsmo mostró que e cada teracó el cojuto de solucoes factbles es reducdo, bajo certa tasa fja, e comparacó co la teracó predecesora. Dcha tasa puede ser acotada tomado como base la razó de volúmees exstete etre las bolas E + y. 1 E A dfereca del método elpsodal ésta razó depede de los datos del problema más que de la dmesó Algortmos de plao de corte. La reduccó de la regó factble de u sstema de desgualdades leales medate plaos de corte es be coocda e la programacó matemátca. Por u lado Gomory, además de muchos otros, hzo uso de ello co la faldad de descartar vértces o-eteros e la programacó etera. Por otro lado, e la programacó covexa, la dea básca es remplazar ua fucó covexa, localmete, a través de uo de sus hperplaos de separacó. Medate el uso de cortes co la dreccó de la fucó objetvo, uo obtee ua secueca de problemas co cojutos factbles decrecetes así como de u valor de fucó objetvo crecete (ver [11], p-66) El método de subgradete y dlatacó del espaco. El método de subgradete para mmzar ua fucó covexa, o ecesaramete dferecable, es decr ua fucó f : R R, aparetemete fue troducdo por Shor [12]. dode El método posee la sguete forma geeral: g es u subgradete de f e. µ g x + 1 = x, (1.4) g Observe que sí se desea resolver (1.1), podemos mmzar x f(x) = max{ max (c x γ ),0 }; (1.5)
5 31 etoces, c = es u subgradete de f e x, sí c x dr, es la restrccó mayormete c volada del sstema (1.1). Por lo tato (1.4) cluye como caso especal ua versó de (1.3) e la cual ua restrccó co máxmo resduo es seleccoada. Polya [13] y Shor [14] demuestra covergeca leal para certas opcoes de logtud de paso de, µ bajo adecuadas codcoes sobre f. S embargo, la tasa de covergeca aú resulta demasado depedete de la fucó f. Shor (ver [15] y [16]), fué el prmero e darse cueta que era posble obteer mejores resultados s se trabajaba e u espaco trasformado. Esta es precsamete la dea que lleva del algortmo de desceso acelerado (co covergeca leal, la tasa depede de la fucó) al método Newto (co covergeca cuadrátca para fucoes suaves) y a algortmos cuas-newto (co covergeca superleal para fucoes suaves). La teracó toma ahora la sguete forma: g ~ = J J g g, x g ~ + 1 = x α J, (1.6) J J ( I g ~ g ~ = β ), + 1 para certos parámetros α y β adecuados, tales que cumpla α 0, (1.7) Ambos parámetros α β parámetros de expasó δ y dlatacó σ del método elpsodal y 0 < β < 1. (1.8) so respectvamete los atecedetes de los El térmo que g ~ se terpreta como la dstaca máxma (e térmos de orma elpsodal) que puede alcazarse e la dreccó del subgradete α es u escalar de traslacó, pues traslacó (ver [17], p-9) e la dreccó del subgradete α J g ~. g El parámetro es u vector de trasformacó de g sujeto a las codcoes que mpoga la matrz J.
6 32 Por otro lado la actualzacó de la matrz J correspode precsamete a la dlatacó del espaco e la dreccó del subgradete, es decr, J debe ser ua g matrz o sgular defda postva (o la raíz cuadrada de certa matrz B = J J,(ver secc ). B, tal que La codcó (1.8) es la codcó característca de las matrces de trasformacó de dlatacó (ver [3], p-496). E el caso de la matrz resultate de e la dreccó del subgradete g. J + 1 la matrz de dlatacó es la β g g, (1.9) Shor [16] descrbe la dfcultad que exste co la tasa de covergeca leal de su más recete método de subgradete publcado [14]. Su algortmo modfcado (1.6), cuado f satsface certas codcoes que permte que los parámetros estmados, proporcoa ua covergeca leal cuya tasa depede de la fucó f, pero resulta varate co respecto a trasformacoes leales. Cuado f es cuadrátca y estrctamete covexa, los parámetros puede ser seleccoados de maera que el método llegue a ser u método de gradetes cojugado [15]. Para la aplcacó de este algortmo, el valor mímo de f debe ser coocdo. Shor y Zhurbeo [18] realza la dlatacó del espaco e la dreccó de la dfereca etre gradetes sucesvos; este método evoca aú más a los métodos de mmzacó cuas-newto (ver [19], p-343). y g = + 1 g, α y β sea El método de seccoes cetrales. U método más sobre el cual esta basado el AE es áquel desarrollado de maera depedete por Lev [20] y Newma [21], quees agregaro al problema de mmzacó de ua fucó covexa f, u poledro acotado P0 R como restrccó
7 33 al problema de optmzacó. El método produce ua secueca teratva {x } y poltopos {P } medate la seleccó de x como cetro de gravedad de P y P + 1 = {x P g x g x }, dode de ueva cueta g es u subgradete de f e el puto. Ya que f es covexa, x P + 1 cotee a todos los putos de P cuyo valor de fucó objetvo o es mayor que el de x. E éste caso, el volume de P + es a lo mucho ( 1 ) veces el de. S 1 embargo, calcular los cetros de gravedad de poltopos co muchas facetas e ua gra dmesó espacal resulta ser ua tarea e ocasoes mposble de realzar. Lev propuso alguas smplfcacoes para =2. e 1 P El método elpsodal. El método elpsodal fue descrto, de maera u tato egmátca, e u artículo de Iud y Nemrovs [22]. E ambas publcacoes [22, 23] plasma la problemátca exstete co respecto a la complejdad computacoal de los problemas de programacó covexa: dado u úmero lmtado de llamados de fucó y/o subgradete, co calculos drectos lmtados, cómo se puede obteer u valor óptmo?. Para obteer ua cota superor sobre tal desvacó de la optmaldad, métodos específcos debero ser propuestos e su mometo. Iud y Nemrovs [22] utlza ua varate (el método de seccoes cetrales) del método de Lev ad Newma; los pesados cálculos drectos de los cetros de gravedad o so cotablzados e su aálss. Para problemas co paralelepípedos como regoes factbles, este método utlza solamete u factor más de teracoes que u método óptmo para obteer ua caldad de solucó dada. E su seguda publcacó, Iud y Nemrovs [23] dscute las dfcultades computacoales del método de Lev y descrbe el método de seccoes cetrales modfcado, utlzado elpsodes e lugar de poledros. Este método modfcado es descrto para mmzacó de ua fucó covexa f sujeta a u cojuto de restrccoes covexas; s embargo, para los problemas de
8 34 mmzacó de f s restrccoes e (1.5), éste se coverte e el método elspodal aplcado al problema de solucó factble de u cojuto de restrccoes. Este método modfcado puede llegar a tomar tatas teracoes, como las requerdas por el método s modfcacó, para obteer ua caldad de solucó dada, pero resulta computacoalmete mplemetable. Iud y Nemrovs descrbe el método elpsodal mplctamete, e térmos de ua secueca {0 } de sstemas de coordeadas. ambé putualzaro el sorpredete hecho acerca del método elpsodal, el de ser éste u caso especal del algortmo de Sohr (1.6) co ua dlatacó del espaco e la dreccó del subgradete, cuado los parámetros α y β adecuadamete seleccoados. Sohr [24] proporcoa el prmer eucado completamete explícto del método elpsodal tal y como se cooce hoy e día. so Es de estos trabajos de dode el AE toma la dea del subgradete para la actualzacó del uevo cetro y la dea de trasformacó del espaco para la actualzacó de la matrz que proporcoa, e cada teracó, las modfcacoes de la logtud de los ejes as como la dreccó de estos, para geerar ua ueva elpsode Problemas algorítmcos báscos para los cojutos covexos y formulacó de problemas. Los cojutos covexos y las fucoes covexas so objetos típcos de estudo e dferetes áreas (ver [2], p-46), tales como: Programacó Matemátca, Aálss Covexo y áreas relatvas. Alguas de las pregutas claves so las sguetes: Dado u puto y y u cojuto K, es y u membro de K, es decr, está y cotedo e K?. Sí y o es membro de K, cómo ecotrar u hperplao separador de y y K?. Dada ua desgualdad leal, es ésta válda para cada vector e K?. Dada ua fucó leal, cómo ecotrar u puto maxmzador (mmzador) de la fucó e K?. Dada ua fucó covexa, cómo ecotrar su mímo?.
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 detalles4 METODOLOGIA ADAPTADA AL PROBLEMA
4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor
Más detalles4. 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 detallesEspacios 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 detallesModelos 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 detallesCAPÍTULO 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 detallesProbabilidad ( 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 detallesCÁLCULO 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 detallesSISTEMAS DE ECUACIONES NO LINEALES
SISTEMAS DE ECUACIONES NO INEAES Capítulo 7 Sstemas de ecuacoes o leales c Elzabeth Vargas 7 INTRODUCCIÓN os métodos teratvos para resolver ua ecuacó o leal se puede eteder para ecotrar la solucó de u
Más detallesAnálisis 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 detallesCAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_01. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D.
CPIULO 2º FUNCIONES DE VECORES Y MRICES_ Ig. Dego lejadro Patño G. M.Sc, Ph.D. Fucoes de Vectores y Matrces Los operadores leales so fucoes e u espaco vectoral, que trasforma u vector desde u espaco a
Más detalles2.5. 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 detallesREGRESIÓN 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 detalles1.3. Longitud de arco.
.. Logtud de arco. Defcó. Sea C ua curva suave defda paramétrcamete por la fucó vectoral f : R R / f () t = ( f() t, f() t,, f ( t) ) e el espaco R, co t [ a, b], que se recorre exactamete ua vez cuado
Más detallesV 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 detallesSolución 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 detallesESPACIOS 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 detallesx 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 detallesEstadística 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 detallesOrden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.
Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra
Más detallesAplicación de Boostrapping en Regresión I
Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores
Más detallesTEMA 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 detallesCAPÍTULO 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 detallesG - Métodos de Interpolación
ESCUELA SUPERIOR DE NÁUTICA Y MÁQUINAS NAVALES / NAUTIKAKO ETA ITSASONTZI MAKINETAKO GOI ESKOLA TEKNIKOA FUNDAMENTOS MATEMÁTICOS G - Métodos de Iterpolacó Polomo de terpolacó de Lagrage. Polomo de terpolacó
Más detallesComportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector.
Comportameto Mecáco de Sóldos Capítulo II. Itroduccó al aálss tesoral. Itroduccó al aálss tesoral esores Es aquella catdad físca que después de ua trasformacó de coordeadas (que obedezca certas reglas),
Más detallesGENERALIDADES SOBRE MÓDULOS
GENERALIDADES SOBRE MÓDULOS Presetar el Z -módulo Z como cocete de u Z -módulo lbre Hacer lo msmo para el grupo de Kle Calcular los auladores de los sguetes módulos: a) El Z -módulo Z Z 6 b) El Z -módulo
Más detallesIntroducción 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 detallesANTES 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 detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2010 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES.
ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. EJERCICIO a) ( putos) Racoalce smplfque la fraccó. 8 8 b) ( putos) Determe los coefcetes de la ecuacó 3 a b
Más detallesMétodos 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 detallesInferencia 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 detallesModelos 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 detallesPráctica 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 detallesREDES 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 detallesLOS 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 detallesERRORES 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 detallesIntroducción 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 detallesTEMA 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 detallesSist. Lineales de Ecuaciones
Ttulacó: Asgatura: Autor: Igeero Geólogo Aálss Numérco César Meédez Ultma actualzacó: //007 Sst. Leales de Ecuacoes Plafcacó: Materales: Coocmetos prevos: 6 Teoría+4 Práctcas+ Laboratoro MATLAB Coocmetos
Más detallesFEM-OF: EDP Elíptica de 2 Orden
9/02/2008 Capítulo 5: FM-OF: D líptca de 2 Orde Idce: 5..- Operador Dferecal líptco 5.2.- roblema Básco 5.3.- Fucoes Óptmas 5.4.- FM-OF Steklov-ocaré 5.5.- FM-OF Trefftz-Herrera 5.6.- FM-OF etrov-galerk
Más detallesSistemas de Ecuaciones No Lineales
Matemátca Sueror alcada Sstemas de Ecuacoes No Leales Profesor: Dr. Alejadro S. M. Sata Cruz JTP: Dr. Jua Igaco Maassald Au. da: Sr. Alejadro Jesús Ladreyt Au. da: Sra. Amala Rueda Itroduccó Volvemos u
Más detallesLa 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 detallesProblemas 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 detalles3 = =. 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 detallesGUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA
GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además
Más detallesESTADÍSTICA 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. 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 detallesÁLGEBRA 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 detallesTema 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( ) ( ) ( )( ) ( )( ) ( )
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 detalleses toda la línea determinada por estos dos puntos, mientras que el conjunto de todas las combinaciones convexas es el segmento de línea que une a
5 dsttos Cosecuetemete el cojuto de tods ls combcoes fes de dos putos R es tod l líe determd por estos dos putos metrs que el cojuto de tods ls combcoes coves es el segmeto de líe que ue y. Obvmete cd
Más detallesMáximos y Mínimos de funciones de dos variables
Mámos Mímos de fucoes de dos varables Aplcacoes a Modelacó Matemátca AJUTE DE CURVA Regresó leal Lealzacó: epoecal, potecas razoes Coceptos geerales f() Problema geeral: e tee u cojuto dscreto de valores
Más detallesIntensificación 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 detallesTransformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas
5º Curso-Tratameto Dgtal de Señal Trasformada Z Defcó y Propedades Trasformada Iversa Fucó de Trasfereca Dscreta Aálss de Sstemas 7//99 Capítulo 7: Trasformada Z Defcó y Propedades 5º Curso-Tratameto Dgtal
Más detallesGUÍA 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 detallesNúmeros 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 detalles4 MÉTODOS NUMÉRICOS UTILIZADOS
4 MÉTODOS UMÉRICOS UTILIZADOS C omo se verá más adelate, e alguos de los problemas plateados colleva ua sere de establdades que hace que la solucó sea dfícl de obteer. Las establdades será eucadas coforme
Más detallesn p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción
Capítulo VII PROBABILIDAD 1. Itroduccó Se dcaba e el capítulo ateror que cuado u expermeto aleatoro se repte u gra úmero de veces, los posbles resultados tede a presetarse u úmero muy parecdo de veces,
Más detallesal 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 detallesVARIABLE 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 detallesMODELOS 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 detallesTema 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 detallesde 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 detallesAPROXIMACIÓN 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 detallesEscrito. 1) Transforma a las bases indicadas:
Escrto ) Trasforma a las bases dcadas: a. 765 base (0) b. AB base 7 0 (6) base ) Halla los dígtos a y b sabedo que: aam 6 ( 5 ) mam( 6 ) 3) Trasforma a la base dcada usado ua tabla de correspodeca.. 00
Más detallesI. 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 detallesTema 5: Equilibrio General Parte III OWC Economía para Matemáticos. Fernando Perera Tallo ttp://bit.ly/8l8ddu
y Tea 5: Equlbro Geeral Parte III OWC Ecooía para Mateátcos Ferado Perera Tallo ttp://bt.ly/8l8ddu Esteca de Equlbro Ferado Perera-Tallo A lo largo de esta presetacó os vaos a cocetrar e espacos Eucldos,
Más detallesOptimización sin restricciones. Optimización sin restricciones. Condiciones de extremo. Indice. Condiciones de extremo. Condiciones de extremo H =
Optmzacó s restrccoes Optmzacó s restrccoes Prof. Cesar de Prada Dpt. Igeería de Sstemas y Automátca UVA prada@autom.uva.es m J( R Los métodos s restrccoes so mportates porque: Hay problemas que se puede
Más detallesX = 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 detallesEstadística 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 detallesAgenda. Introducción Señales de Voz Sistema Monoacústico Sistema Estéreo Sistema Híbrido Mono/Estéreo Detectores de doble Conversación
Ageda Itroduccó Señales de Voz Sstema Mooacústco Sstema Estéreo Sstema Híbrdo Moo/Estéreo Detectores de doble Coversacó Itroduccó Objetvos Epoer los coceptos báscos de u problema actual Característcas
Más detallesUniversidad de Cantabria
Smulacó dámca Pedro Corcuera Dpto. Matemátca Aplcada Cecas de la Computacó Uversdad de Catabra corcuerp@uca.es Ídce Geeral Smulacó de cotrol PID Smulacó de cotrol de vel Ajuste de cotroladores PID Smulacó
Más detallesSupongamos que hemos aplicado el test F y hemos rechazado la H0.
Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos
Más detalles1.2. 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 detallesPROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE. Eva Mª del Pozo García Mª Jesús Segovia Vargas Zuleyka Díaz Martínez
PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE Eva Mª del Pozo García Mª Jesús Segova Vargas Zuleyka Díaz Martíez Departameto de Ecoomía Facera y Cotabldad I Uversdad Complutese
Más detallesExpectativas del Mercado y Creación de Valor en la Empresa
2d teratoal Coferece o dustral Egeerg ad dustral Maagemet X Cogreso de geería de Orgazacó September 3-5, 28, Burgos, Spa Expectatvas del Mercado y Creacó de Valor e la Empresa elpe Ruz López 1, Cáddo Barrea
Más detallesPARÁMETROS ESTADÍSTICOS ... N
el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto
Más detallesVARIABLES 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 detalles11. Optimización no lineal con restricciones
. Optzacó o leal co restrccoes. Optzacó o leal co restrccoes Prcpos y teoreas para la búsqueda de óptos lobales Modelos co restrccoes de ualdad Codcoes de uh-tucker Alortos uércos báscos Prcpos y teoreas
Más detallesLos 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 detallesAnálisis 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 detallesCAPÍTULO 1 CONCEPTOS Y FUNDAMENTOS 1.1 SISTEMA DE ECUACIONES NO LINEALES
Aálss e Implemetacó de Dos Métodos NO Tradcoales para resolver Sstemas NO Leales Maestría e Ivestgacó Matemátca CAPÍTULO CONCEPTOS Y UNDAMENTOS Para poder explcar cómo fucoa los métodos umércos de covergeca
Más detalles1. 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 detallesInterpolación 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 detallesCálculo Diferencial e Integral II INGENIERÍA CÁLCULO DE ÁREAS
Cálculo Dferecal e Itegral II I E la actvdad III de la Udad de Repaso, se te pdó calcular el área del rectágulo tal como se muestra e la Fgura 1 sí S x Ahora uestro problema es calcular el área de la regó
Más detallesEstimación de Parámetros. Estimación Puntual. Universidad Técnica Federico Santa María. Estimación de Parámetros. Estimación de Parámetros.
Uversdad Técca Federco ata María Estmacó de Parámetros Capítulo 7 Estmacó de Parámetros Estadístca Computacoal II emestre 007 Prof. Carlos Valle Pága : www.f.utfsm.cl/~cvalle e-mal : cvalle@f.utfsm.cl
Más detallesEn esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )
Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo
Más detallesRespuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:
Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,
Más detalles4. ALGORITMO DE RESOLUCIÓN.
4. ALGORITMO DE RESOLUCIÓN. Este capítulo trata acerca de la solucó propuesta para la resolucó del problema de la asgacó de aulas co especal atecó e el algortmo de fluo co costo mímo. A cotuacó se descrbe
Más detalles(Véase el Ejercicio 13 Beneficio de los bancos )
étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 Tema 3. El modelo de regresó múltple. Hpótess báscas. El modelo. as pótess báscas. Estmacó
Más detallesMÉTODOS MATEMÁTICOS ESPACIOS DE HILBERT Y OPERADORES LINEALES 1. ESPACIOS LINEALES. x = x x L. ε es el elemento neutro de la ley del producto ( )
ÉTODOS ATEÁTICOS TEA 0: REPASO ÁLGEBRA ESPACIOS DE HILBERT Y OPERADORES LINEALES Profesora: ª Cruz Boscá ESPACIOS LINEALES Espaco leal L sobre u cuerpo (comutatvo) Λ U espaco leal (o vectoral) L sobre
Más detallesApéndice 1. Ajuste de la función gamma utilizando el método de máxima probabilidad ( maximum likelihood )
Apédces Apédces 357 Apédce. Ajuste de la fucó gamma utlzado el método de máma probabldad mamum lkelhood Se descrbe a cotuacó el ajuste de la fucó gamma utlzado e el apartado.2..2 pága 28. Véase Burguess
Más detallesANÁLISIS 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 detallesGRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A
Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto
Más detallesTransparencias de clase
Trasparecas de clase Dada ua tabla de datos se ha de ecotrar ua ucó que tome los valores requerdos e los putos dados; e el caso que os ocupa la ucó buscada será de carácter polómco Teorema: El polomo de
Más detallesUNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)
UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.
Más detallesMatemáticas Discretas
Coordacó de Cecas Computacoales - INAOE Matemátcas Dscretas Cursos Propedéutcos 0 Cecas Computacoales INAOE Dr. Erque Muñoz de Cote jemc@aoep.m http://ccc.aoep.m/~jemc Ofca 80 Dapostvas basadas e prevas
Más detallesUniversidad de Huelva
Uversdad de Huelva Departameto de Igeería Electróca, de Sstemas Iformátcos y Automátca Aplcacoes de téccas DC a detfcacó paramétrca, estmacó de estados y cojutos varates, e sstemas o leales Memora para
Más detallesEl 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 detallesVISIÓN POR COMPUTADOR
VISIÓN POR COMPUTADOR Mauel Mazo Qutas Departameto de Electróca. Uversdad de Alcalá. Emal:mazo@depeca.uah.es Cotedo Descrpcó de líeas y cotoros. Descrpcó de regoes. Descrpcó de líeas y cotoros Trasformada
Más detalles