Optimización en Ingeniería
|
|
- Luz Redondo Martín
- hace 7 años
- Vistas:
Transcripción
1 Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No Col. San Pedro Zacatenco México, D.F
2 Método de Búsqueda de Fibonacci Algoritmo Paso 1: Elegir un límite inferior a y un límite superior b. L = b a Elegir un número deseado de iteraciones N k = 2 Paso 2: L k = (F n k+1/f n+1 ) L x 1 = a + L k ; x 2 = b L k Paso 3: Calcular f(x 1 ) ó f(x 2 ) (el que no se haya evaluado antes) Usar la propiedad de eliminación de regiones. Establecer nuevos valores de a y b. Paso 4: Es k > N? Si no, k = k + 1, GOTO Paso 2 ELSE TERMINAR
3 Método de Búsqueda de Fibonacci Observaciones: La función a optimizarse debe ser unimodal en el intervalo inicial de búsqueda. Este método no puede localizar el óptimo exacto del problema. Sólo proporciona un intervalo, el cual posiblemente sea muy pequeño. Debe especificarse el número de iteraciones a efectuarse.
4 Método de Búsqueda de Fibonacci Con la búsqueda de Fibonacci, el intervalo se reduce a (2/F n+1 ) L después de n evaluaciones de la función objetivo. Por tanto, para una precisión deseada ɛ, se requiere un número de evaluaciones correspondientes a la ecuación 2 F n+1 (b a) = ɛ
5 Método de Búsqueda de Fibonacci Nótese que debe calcularse la serie de Fibonacci hasta N + 1 al usar este método. A cada iteración, se elimina una proporción del espacio de búsqueda de: (k = iteración actual) F n k /F n k+2 Para valores grandes de n, este valor es cercano a 38,2 %, lo cual es mejor que la reducción del método de división de intervalos por la mitad, que elimina el 25 %.
6 Método de la Sección Dorada Uno de los problemas de la búsqueda de Fibonacci es que deben calcularse y almacenarse los números de Fibonacci. Otro problema es que a cada iteración la proporción de la región eliminada no es la misma. Para aliviar estas dos desventajas y mantener el cálculo de una sola evaluación de la función objetivo por iteración, se usa el método de la sección dorada.
7 Método de la Sección Dorada En este algoritmo, el espacio de búsqueda (a, b) se mapea linealmente a un intervalo unitario (0, 1). Posteriormente, dos puntos en τ desde cualquier extremo del espacio de búsqueda se eligen en forma que a cada iteración la región eliminada sea de (1 τ) con respecto a la iteración previa. Esto se puede lograr igualando 1 τ con (τ τ). Esto produce el número dorado: τ =0.618.
8 Método de la Sección Dorada
9 Método de la Sección Dorada El valor de τ tiene su historia. Los arquitectos de la Grecia antigua creían que un edificio de dimensiones d y b, el cual cumpliera con la relación τ = d + b = d d b tendría las propiedades más placenteras a los sentidos (ver figura del siguiente acetato):
10 Método de la Sección Dorada También se encuentra este concepto en la geometría de Euclides.
11 Método de la Sección Dorada Algoritmo Paso 1: Elegir un límite inferior a y un límite superior b. Elegir una tolerancia ɛ Normalizar la variable x usando: w = (x a)/(b a) a w = 0, b w = 1, L w = b w a w k = 1 Paso 2: w 1 = a w + (0,618)L w w 2 = b w (0,618)L w IF f(w 1 ) < f(w 2 ) a w = w 2 ELSE b w = w 1 L w = b w a w Paso 3: IF L w < ɛ TERMINAR ELSE k = k + 1; GOTO Paso 2
12 Método de la Sección Dorada En el método de la sección dorada, el intervalo se reduce a (0.618) n 1 después de n evaluaciones de la función objetivo. De tal forma, el número de evaluaciones de la función objetivo que se requieren para lograr una precisión deseada ɛ se calcula resolviendo (para n) la siguiente ecuación: (0,618) n 1 (b a) = ɛ
13 Método de la Sección Dorada Al igual que en la búsqueda de Fibonacci, sólo se requiere una evaluación de la función objetivo por iteración y la eliminación regional efectiva por evaluación de la función es exactamente 38.2 %, que es un valor más alto que en el método de división de intervalos por la mitad. Esta cantidad es la misma que en la búsqueda de Fibonacci para un valor grande de n. De hecho, para un valor grande de n, el método de Fibonacci es equivalente a la sección dorada.
14 Comparación de los Métodos de Eliminación de Regiones Comparemos ahora las eficiencias relativas de los métodos de eliminación de regiones que hemos visto hasta ahora. Denotemos el intervalo de incertidumbre original como Lo y al intervalo de incertidumbre final, después de N evaluaciones de la función objetivo le llamaremos L N. Supongamos ahora que consideramos a la reducción fraccional (RF ) del intervalo original como una medida de mérito de los métodos de eliminación de regiones. Tenemos entonces:
15 Comparación de los Métodos de Eliminación de Regiones RF (N) = L N Lo La siguiente tabla muestra los intervalos finales de incertidumbre de cada uno de los métodos que vimos:
16 Comparación de los Métodos de Eliminación de Regiones Método Búsqueda Exhaustiva Div. intervalos por la mitad Fórmula L N = 2 N Lo L N =0.5 N/2 Lo Fibonacci L N = 2 F N+1 Lo Sección dorada L N =(0.618) N 1 Lo
17 Comparación de los Métodos de Eliminación de Regiones Las reducciones fraccionales pueden obtenerse fácilmente: Búsqueda exhaustiva: RF (N) = L N Lo = 2Lo NLo = 2 N División de intervalos por la mitad: RF (N) = L N Lo = 0,5N/2 Lo Lo = 0,5 N/2
18 Comparación de los Métodos de Eliminación de Regiones Fibonacci: RF (N) = L N Lo = 2Lo F N+1 Lo = 2 F N+1 Sección Dorada: RF (N) = L N Lo = (0,618)N 1 Lo Lo = (0,618) N 1
19 Comparación de los Métodos de Eliminación de Regiones La siguiente tabla muestra los valores de RF (N) para distintos valores de N. Estos valores son indicativos de la eficiencia de cada método. Método N = 5 N = 10 N = 15 N = 20 Búsqueda Exhaustiva Div. intervalos por la mitad F 6 =13 F 11 =144 F 16 =1597 F 21 =17711 Fibonacci Sección dorada
20 Comparación de los Métodos de Eliminación de Regiones De esta tabla se desprende que el método más eficiente es el de Fibonacci, seguido por la sección dorada. En la práctica, suele calcularse el número de iteraciones que se requieren para obtener una precisión dada. Esto se puede obtener usando: L N = ɛ ɛ = precisión requerida. Si usamos Lo = 1, podemos obtener el número de iteraciones que requiere cada método para lograr una precisón dada. Ver la tabla siguiente:
21 Comparación de los Métodos de Eliminación de Regiones Método ɛ =0.1 ɛ =0.05 ɛ =0.01 ɛ =0.001 Búsqueda Exhaustiva Div. intervalos por la mitad Sección dorada
22 Métodos de Aproximación Polinomial o Estimación de Puntos Los métodos de eliminación de regiones que vimos anteriormente, sólo requieren que la función sea unimodal. Por tanto, son aplicables tanto a funciones continuas como discontinuas, así como a problemas con variables discretas. La lógica de estos métodos se basa en una simple comparación de valores de la función en 2 puntos diferentes. Además, esta comparación sólo toma en cuenta el ordenamiento de los valores de la función y no involucra de manera alguna a las magnitudes de la diferencia entre valores funcionales.
23 Métodos de Aproximación Polinomial o Estimación de Puntos Los métodos de estimación de puntos sí toman en cuenta las magnitudes relativas de los valores de la función y, en consecuencia, suelen tener mejor desempeño que los métodos de eliminación de regiones. Sin embargo, esta mejora en eficiencia se obtiene a partir de requerir que las funciones a optimizarse sean sufientemente suaves.
24 Métodos de Aproximación Polinomial o Estimación de Puntos La idea básica de los métodos de estimación de puntos es que si la función es suficientemente suave, entonces puede ser aproximada mediante un polinomio, y dicho polinomio puede entonces usarse para predecir la ubicación del óptimo. Para que esta estrategia sea efectiva, es necesario que la función a optimizarse sea tanto unimodal como continua.
25 Métodos de Aproximación Polinomial o Estimación de Puntos El teorema de la aproximación de Weierstrass garantiza que, si la función es continua en el intervalo considerado, entonces ésta puede ser aproximada con la precisión deseada usando polinomios de un orden suficientemente alto. Consecuentemente, si la función es unimodal y se cuenta con un polinomio que la aproxime razonablemente bien, entonces la ubicación del óptimo puede predecirse razonablemente bien usando el polinomio en cuestión.
26 Métodos de Aproximación Polinomial o Estimación de Puntos El teorema de Weierstrass también sugiere que se puede mejorar nuestra aproximación del óptimo usando polinomios de aproximación mediante alguno de los 2 mecanismos siguientes: 1. Usando un polinomio de mayor orden, o 2. Reduciendo el intervalo sobre el cual se aproximará el óptimo de la función.
27 Métodos de Aproximación Polinomial o Estimación de Puntos De entre estas 2 opciones, suele preferirse la segunda, porque el álgebra de los polinomios de un orden superior a tres se complica bastante y, debido a la premisa de unimodalidad, la reducción de intervalos es mucho más fácil de realizarse.
28 Métodos de Estimación Cuadrática El método de interpolación lineal más simple es la aproximación cuadrática. Se basa en la observación de que si una función alcanza su mínimo en el interior de un intervalo, entonces debe ser al menos cuadrática. Si es lineal, se supondrá que su óptimo se encuentra en alguno de los extremos del intervalo. Por tanto, un esquema de estimación cuadrática presupone que, dentro del intervalo dado, la función puede ser aproximada mediante una cuadrática y dicha aproximación mejorará conforme los puntos utilizados para construir la aproximación se acercan al mínimo real.
29 Método de las Estimaciones Cuadráticas Sucesivas Este algoritmo fue propuesto por Powell (1964) y usa la búsqueda cuadrática de manera iterativa para estimar el óptimo de una función. El algoritmo comienza con tres puntos x 1, x 2 y x 3, como la búsqueda cuadrática vista previamente. Esto es porque cualquier función cuadrática puede ser definida usando tres puntos.
30 Método de las Estimaciones Cuadráticas Sucesivas
31 Método de las Estimaciones Cuadráticas Sucesivas El mínimo de la curva ( x) se usa como uno de los puntos candidatos para la siguiente iteración. Para funciones no cuadráticas, el algoritmo requiere varias iteraciones, mientras que para funciones cuadráticas el mínimo exacto puede obtenerse con sólo una iteración.
32 Método de las Estimaciones Cuadráticas Sucesivas El método de Powell consiste en aplicar la búsqueda cuadrática usando tres puntos x 1,x 2 y x 3 y calcular x. El punto x es un estimado del mínimo de la función, el cual depende únicamente de los 3 puntos elegidos. De entre los cuatro puntos utilizados por el método (x 1,x 2,x 3 y x), se retienen los 3 mejores y se obtiene una nueva función interpolada q(x). El procedimiento continúa hasta que dos estimaciones consecutivas se encuentran muy cerca entre sí.
33 Método de las Estimaciones Cuadráticas Sucesivas Algoritmo Paso 1: Hacer que x 1 sea un punto inicial y sea el tamaño del paso (o incremento). Pedir T OL1 y T OL2. Calcular x 2 = x 1 + Paso 2: Evaluar f(x 1 ) y f(x 2 ) Paso 3: If f(x 1 ) > f(x 2 ) THEN x 3 = x ELSE x 3 = x 1. Evaluar f(x 3 ). Paso 4: Determinar F min =min(f 1, f 2, f 3 ) y X min es el punto x i que corresponde a F min.
34 Método de las Estimaciones Cuadráticas Sucesivas Paso 5: Calcular x usando x 1, x 2 y x 3. Paso 6: Es F min f( x) T OL1 AND X min x T OL2? Si no se cumple, GOTO Paso 7 ELSE el óptimo es el mejor de los 4 puntos. TERMINAR Paso 7 Almacenar el mejor punto (X min o x) y dos puntos que lo rodeen, si esto es posible. Si no, almacena los 3 mejores puntos Re-etiquetarlos de acuerdo a: x 1 < x 2 < x 3. GOTO Paso 4.
35 Método de las Estimaciones Cuadráticas Sucesivas Algoritmo Paso 1: Hacer que x 1 sea un punto inicial y sea el tamaño del paso (o incremento). Pedir T OL1 y T OL2. Calcular x 2 = x 1 + Paso 2: Evaluar f(x 1 ) y f(x 2 ) Paso 3: If f(x 1 ) > f(x 2 ) THEN x 3 = x ELSE x 3 = x 1. Evaluar f(x 3 ). Paso 4: Determinar F min =min(f 1, f 2, f 3 ) y X min es el punto x i que corresponde a F min.
36 Método de las Estimaciones Cuadráticas Sucesivas Paso 5: Calcular x usando x 1, x 2 y x 3. Paso 6: Es F min f( x) T OL1 AND X min x T OL2? Si no se cumple, GOTO Paso 7 ELSE el óptimo es el mejor de los 4 puntos. TERMINAR Paso 7 Almacenar el mejor punto (X min o x) y dos puntos que lo rodeen, si esto es posible. Si no, almacena los 3 mejores puntos Re-etiquetarlos de acuerdo a: x 1 < x 2 < x 3. GOTO Paso 4.
Optimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx Búsqueda Exhaustiva El primer método de
Más detallesPráctica 2 Métodos de búsqueda para funciones de una variable
Práctica 2 Métodos de búsqueda para funciones de una variable Introducción Definición 1. Una función real f se dice que es fuertemente cuasiconvexa en el intervalo (a, b) si para cada par de puntos x 1,
Más detallesFunciones Exponenciales y Logarítmicas
Funciones Exponenciales y Logarítmicas 0.1 Funciones exponenciales Comencemos por analizar la función f definida por f(x) = x. Enumerando coordenadas de varios puntos racionales, esto es de la forma m,
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx El Método de Marquardt Algoritmo Paso 1:
Más detallesMétodos Numéricos: Resumen y ejemplos Tema 5: Resolución aproximada de ecuaciones
Métodos Numéricos: Resumen y ejemplos Tema 5: Resolución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Abril 009,
Más detallesPROGRAMACION ENTERA. M. en C. Héctor Martínez Rubin Celis 1
M. en C. Héctor Martínez Rubin Celis PROGRAMACION ENTERA En muchos problemas prácticos, las variables de decisión son realistas únicamente si estas son enteras. Hombres, máquinas y vehículos deben ser
Más detallesAplicación de Algoritmos de Optimización de Funciones No Lineales en Problemas de Mecánica de Fluidos. Un enfoque desde la complejidad
Aplicación de Algoritmos de Optimización de Funciones No Lineales en Problemas de Mecánica de Fluidos. Un enfoque desde la complejidad Wilson RODRÍGUEZ CALDERÓN Programa de Ingeniería Civil Universidad
Más detallesAnexo C. Introducción a las series de potencias. Series de potencias
Anexo C Introducción a las series de potencias Este apéndice tiene como objetivo repasar los conceptos relativos a las series de potencias y al desarrollo de una función ne serie de potencias en torno
Más detallesPolinomios. 1.- Funciones cuadráticas
Polinomios 1.- Funciones cuadráticas Definición 1 (Función polinomial) Sea n un entero no negativo y sean a n, a n 1,..., a, a 1, a 0 número s reales con a n 0. La función se denomina función polinomial
Más detallesPruebas de Bondad de Ajuste
1 Facultad de Ingeniería IMERL PROBABILIDAD Y ESTADÍSTICA Curso 2008 Pruebas de Bondad de Ajuste En esta sección estudiaremos el problema de ajuste a una distribución. Dada una muestra X 1, X 2,, X n de
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
Más detallesTema 11: Intervalos de confianza.
Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por
Más detallesGrado en Química Bloque 1 Funciones de una variable
Grado en Química Bloque Funciones de una variable Sección.5: Aplicaciones de la derivada. Máximos y mínimos (absolutos) de una función. Sea f una función definida en un conjunto I que contiene un punto
Más detallesDesarrollo de las condiciones de optimalidad y factibilidad. El problema lineal general se puede plantear como sigue:
Método simplex modificado Los pasos iterativos del método simplex modificado o revisado son exactamente a los que seguimos con la tabla. La principal diferencia esá en que en este método se usa el algebra
Más detalles7. Forma de Lagrange para el polinomio interpolador. 9. Forma de Newton para el polinomio interpolador
Métodos Numéricos: Resumen y ejemplos Tema 2: Aproximación e interpolación Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Febrero 2008, Version
Más detallesInstituto tecnológico de Minatitlán. Investigación de operaciones Ing. Erika Lissette Minaya mortera Unidad 3: programación no lineal
Instituto tecnológico de Minatitlán Investigación de operaciones Ing. Erika Lissette Minaya mortera Unidad 3: programación no lineal Alejandra de la cruz francisco Ingeniería en sistemas computacionales
Más detallesAlgoritmos. Diseño de algoritmos por inducción. Alberto Valderruten. alberto.valderruten@udc.es. Dept. de Computación, Universidade da Coruña
Divide y Vencerás Diseño de algoritmos por inducción Dept. de Computación, Universidade da Coruña alberto.valderruten@udc.es Contenido Divide y Vencerás 1 Divide y Vencerás 2 Índice Divide y Vencerás 1
Más detallesCálculo científico y técnico con HP49g/49g+/48gII/50g Módulo 3: Aplicaciones Tema 3.2 Determinación aproximada de extremos: Método de Newton-Raphson
Cálculo científico y técnico con HP49g/49g+/48gII/50g Módulo 3: Aplicaciones Tema 3.2 Determinación aproximada de extremos: Método de Newton-Raphson Francisco Palacios Escuela Politécnica Superior de Ingeniería
Más detallesAnexo 1 ÁLGEBRA I.- Operaciones en las Expresiones Algebraicas II.- Factorización y Operaciones con las Fracciones III.- Funciones y Relaciones
Anexo 1 ÁLGEBRA I.- Operaciones en las Expresiones Algebraicas 1.- Adición y sustracción 2.- Multiplicación 3.- División 4.- Productos especiales 5.- Triángulo de Pascal II.- Factorización y Operaciones
Más detallesEstadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detallesProgramación Lineal. Unidad 1 Parte 2
Programación Lineal Unidad 1 Parte 2 Para la mayoría de los problemas modelados con programación lineal, el método gráfico es claramente inútil para resolverlos, pero afortunadamente y gracias a la dedicación
Más detallesPROGRAMACIÓN LINEAL ENTERA
PROGRAMACIÓN LINEAL ENTERA Programación lineal: hipótesis de perfecta divisibilidad Así pues decimos que un problema es de programación lineal entera, cuando prescindiendo de las condiciones de integridad,
Más detallesVOCABULARIO HABILIDADES Y CONCEPTOS
REPASO_RECUPERACION_III_PERIODO_MATEMATICAS_9.doc 1 DE 7 Nombre: Fecha: VOCABULARIO A. Valor absoluto de un número complejo B. Eje de simetría C. Completar el cuadrado D. Número complejo E. Plano de números
Más detalles1.4 SISTEMAS HOMOGÉNEOS DE ECUACIONES. 36 CAPÍTULO 1 Sistemas de ecuaciones lineales y matrices
36 CAPÍTULO Sistemas de ecuaciones lineales y matrices Escriba, en un comentario, la ecuación del polinomio cúbico que se ajusta a los cuatro puntos. Sea x el vector columna que contiene las coordenadas
Más detallesRAICES DE ECUACIONES Y SISTEMA DE ECUACIONES
RAICES DE ECUACIONES Y SISTEMA DE ECUACIONES Justo Rojas T. Laboratorio de Simulación Computacional de Materiales Facultad de Ciencias Físicas Universidad Nacional Mayor de San Marcos Abril 24, 2012 Curso
Más detallesSolución de ecuaciones algebraicas y trascendentes: Método de Newton Raphson
Solución de ecuaciones algebraicas y trascendentes: Método de Newton Raphson Ing. Jesús Javier Cortés Rosas M. en A. Miguel Eduardo González Cárdenas M. en A. Víctor D. Pinilla Morán Facultad de Ingeniería,
Más detallesE.T.S. Minas: Métodos Matemáticos Ejercicios Tema 2 Aproximación e interpolación
E.T.S. Minas: Métodos Matemáticos Ejercicios Tema 2 Aproximación e interpolación Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Curso 2006/07
Más detallesUniversidad Tec Milenio: Profesional IO04001 Investigación de Operaciones I. Tema # 6. revisado
IO04001 Investigación de Operaciones I Tema # 6 Introducción al método simplex matricial o revisado Objetivos de aprendizaje Al finalizar el tema serás capaz de: Emplear el Método simplex Matricial para
Más detallesGrado en Química Bloque 1 Funciones de una variable
Grado en Química Bloque Funciones de una variable Sección.7: Aproximación de funciones. Desarrollo de Taylor. Aproximación lineal. La aproximación lineal de una función y = f(x) en un punto x = a es la
Más detallesCurso Propedéutico de Cálculo Sesión 2: Límites y Continuidad
y Laterales Curso Propedéutico de Cálculo Sesión 2: y Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico y Esquema Laterales 1 Laterales 2 y Esquema Laterales
Más detallesComplementos de Matemáticas, ITT Telemática
Introducción Métodos de punto fijo Complementos de Matemáticas, ITT Telemática Tema 1. Solución numérica de ecuaciones no lineales Departamento de Matemáticas, Universidad de Alcalá Introducción Métodos
Más detallesComplejidad de Algoritmos
Complejidad de Algoritmos Tema 5 Introducción Un algoritmo es una secuencia de instrucciones que resuelve un problema Puede tener diferentes implementaciones Para comparar las diferentes formas (algoritmos)
Más detallesLA MAGNITUD ESTELAR CARLOS S. CHINEA, 1997 LA MAGNITUD ESTELAR
LA MAGNITUD ESTELAR 1.La sensación de la magnitud estelar. 2.Estimación visual de la sensación de magnitud aparente por comparación. 3.Una escala de medición. La constante de proporcionalidad. 4.El cero
Más detalles5.1. Recta tangente, normal e intersección de curvas. Recta tangente
5. Aplicaciones de la Derivada 5.1. Recta tangente, normal e intersección de curvas Recta tangente Desde la escuela primaria se sabe que la recta tangente en un punto de una circunferencia es aquella recta
Más detallesf (x) (1+[f (x)] 2 ) 3 2 κ(x) =
MATEMÁTICAS II - EXAMEN PRIMER PARCIAL - 4/11/11 Grado: Ing. Electrónica Rob. y Mec. Ing. Energía Ing. Organización Ind. Nombre y Apellidos: Ejercicio 1. La curvatura de una función f en un punto x viene
Más detallesMétodos numéricos para Ecuaciones Diferenciales Ordinarias
Métodos numéricos para Ecuaciones Diferenciales Ordinarias Laboratori de Càlcul Numèric (LaCàN) Departament de Matemàtica Aplicada III Universitat Politècnica de Catalunya (Barcelona) http://www-lacan.upc.es
Más detallesModelo Académico de Calidad para la Competitividad AIND-01 92/98
9. Matriz de Valoración ó Rúbrica MATRIZ DE VALORACIÓN O RÚBRICA Siglema: AIND-01 Nombre del Módulo: Nombre del Alumno: PSP evaluador: Grupo: Fecha: Resultado de Aprendizaje: 1.1 Determina la gráfica,
Más detallesINTEGRAL DEFINIDA. CÁLCULO DE ÁREAS.
INTEGRAL DEFINIDA. CÁLCULO DE ÁREAS. 1. ÁREA LIMITADA POR UNA FUNCIÓN. INTEGRAL DEFINIDA. Si tenemos una función f(x) con una forma conocida, por ejemplo una recta, una semicircunferencia,... podemos calcular
Más detallesComputación Científica
Computación Científica Gustavo Rodríguez Gómez INAOE Agosto Dicembre 2012 1 / 19 Capítulo 2 Métodos Gradientes 2 / 19 1 Métodos Gradiente Introducción El método del gran descenso "steepest descent") Criterios
Más detallesREGRESIÓN LINEAL CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística REGRESIÓN LINEAL CON SPSS 1.- INTRODUCCIÓN El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre
Más detallesOCW-V.Muto El algoritmo de bisección Cap. VI CAPITULO VI. EL ALGORITMO DE BISECCION 1. INTRODUCCION Y METODO
CAPITULO VI. EL ALGORITMO DE BISECCION 1. INTRODUCCION Y METODO En este capítulo comenzaremos a analizar uno de los problemas más básicos del análisis numérico: el problema de búsqueda de raíces. El problema
Más detallesDistribuciones bidimensionales. Regresión.
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 5: Distribuciones bidimensionales. Regresión. Resumen teórico Resumen teórico de los principales conceptos estadísticos
Más detallesCada grupo de alumnos entregará un guión con los resultados. Preparación de la práctica
Práctica Optimización de Procesos Químicos Uso de funciones de la Toolbo de optimización de Matlab Objetivo: El objetivo de esta práctica es doble: Familiarizarse con la Toolbo de Optimización de Matlab
Más detallessi este límite es finito, y en este caso decimos que f es integrable (impropia)
Capítulo 6 Integrales impropias menudo resulta útil poder integrar funciones que no son acotadas, e incluso integrarlas sobre recintos no acotados. En este capítulo desarrollaremos brevemente una teoría
Más detallesTEMA I: LOS CONCEPTOS FUNDAMENTALES DE LA TEORÍA DE LA COMPUTABILIDAD
1 Asignatura: Lógica 3 Curso 2004-2005 Profesor: Juan José Acero 20 25 de Octubre del 2004 TEMA I: LOS CONCEPTOS FUNDAMENTALES DE LA TEORÍA DE LA COMPUTABILIDAD 1. El concepto de algoritmo. Los matemáticos
Más detalles3.3 Funciones crecientes y decrecientes y el criterio de la primera derivada
SECCIÓN. Funciones crecientes decrecientes el criterio de la primera derivada 79. Funciones crecientes decrecientes el criterio de la primera derivada Determinar los intervalos sobre los cuales una función
Más detallesMUESTREO Y MEDICIÓN MÉTODOS DE MUESTREO PROBABILÍSTICO Y NO PROBABILÍSTICO. FeGoSa
MÉTODOS DE MUESTREO PROBABILÍSTICO Y NO PROBABILÍSTICO TAMAÑO DE LA MUESTRA AL ESTIMAR LA MEDIA DE LA POBLACIÓN Al prever el intervalo de confianza resultante de una media muestral y la desviación estándar,
Más detallesTest de Kolmogorov-Smirnov
Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar
Más detallesDistribuciones muestrales. Distribución muestral de Medias
Distribuciones muestrales. Distribución muestral de Medias Algunas secciones han sido modificadas de: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua TEORIA DEL MUESTREO
Más detallesD.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO
Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos
Más detallesEstructuras de control. Secuencial, condicional y repetitivas.
Estructuras de control. Secuencial, condicional y repetitivas. 1 Estructuras de control. Hemos visto en los diagramas de flujo y pseudo-código que: 1) Se piden datos de entrada (al usuario) Asiganción
Más detallesPráctica III: Método de Bisección para encontrar las raíces de una función.
Práctica III: Método de Bisección para encontrar las raíces de una función. Sea f una función continua en [a, b] que satisface f(a)f(b) < 0. Entonces f tiene, necesariamente, al menos un cero en (a, b).
Más detalles3. Métodos clásicos de optimización lineal
3. Métodos clásicos de optimización lineal Uso del método Simplex El problema que pretende resolverse es un problema de optimización lineal sujeto a restricciones. Para el modelo construido para el problema
Más detallesUNIDAD: ÁLGEBRA Y FUNCIONES ECUACIÓN DE SEGUNDO GRADO Y FUNCIÓN CUADRÁTICA
C u r s o : Matemática Material N 6 GUÍA TEÓRICO PRÁCTICA Nº UNIDAD: ÁLGEBRA Y FUNCIONES ECUACIÓN DE SEGUNDO GRADO Y FUNCIÓN CUADRÁTICA Una ecuación de segundo grado es una ecuación de la forma, o que
Más detallesMatrices escalonadas y escalonadas reducidas
Matrices escalonadas y escalonadas reducidas Objetivos. Estudiar las definiciones formales de matrices escalonadas y escalonadas reducidas. Comprender qué importancia tienen estas matrices para resolver
Más detallesEstadística Descriptiva
Estadística Descriptiva ESTADÍSTICA DESCRIPTIVA 1 Sesión No. 8 Nombre: Medidas de centralización Contextualización En la sesión anterior has conocido una de las medidas de tendencia central denominada
Más detalles1. Línea Recta 2. 2. Rectas constantes 3 2.1. Rectas horizontales... 3 2.2. Rectas verticales... 4
Líneas Rectas Contenido. Línea Recta. Rectas constantes.. Rectas horizontales.............................. Rectas verticales.............................. Rectas con ecuación y = ax.. Rectas con a > 0................................
Más detallesMETODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD
METODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD Análisis de sensibilidad con la tabla simplex El análisis de sensibilidad para programas lineales implica el cálculo de intervalos para los coeficientes
Más detallesTEMA 4: DERIVADAS. En símbolos, la pendiente de la curva en P = lim Q P (pendiente de P Q).
TEMA 4: DERIVADAS 1. La derivada de una función. Reglas de derivación 1.1. La pendiente de una curva. La pendiente de una curva en un punto P es una medida de la inclinación de la curva en ese punto. Si
Más detallesTeoría de la decisión Estadística
Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y
Más detallesAnálisis Numérico: Soluciones de ecuaciones en una variable
Análisis Numérico: Soluciones de ecuaciones en una variable MA2008 Contexto Uno de los problemas básicos en el área de Ingeniería es el de la búsqueda de raíces: Dada una función o expresión matemática
Más detallesOCW-V.Muto El método de la Secante Cap. VIII CAPITULO VIII. EL METODO DE LA SECANTE 1. INTRODUCCION Y METODO
CAPITULO VIII. EL METODO DE LA SECANTE 1. INTRODUCCION Y METODO Utilizando los supuestos de los capítulos anteriores, daremos en este capítulo un procedimiento más rápido para hallar una raíz p de la ecuación
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx El método de Nelder-Mead que vimos antes
Más detallesTema 1. Cálculo diferencial
Tema 1. Cálculo diferencial 1 / 57 Una función es una herramienta mediante la que expresamos la relación entre una causa (variable independiente) y un efecto (variable dependiente). Las funciones nos permiten
Más detallesTEMA 1: INTRODUCCIÓN Y ERRORES
..- INTRODUCCIÓN TEMA : INTRODUCCIÓN Y ERRORES De una forma sencilla, el Cálculo Numérico se puede definir como la rama del Análisis Matemático que estudia y desarrolla procedimientos matemáticos para
Más detalles1. DIFERENCIABILIDAD EN VARIAS VARIABLES
1 1. DIFERENCIABILIDAD EN VARIAS VARIABLES 1.1. DERIVADAS DIRECCIONALES Y PARCIALES Definición 1.1. Sea f : R n R, ā R n y v R n. Se define la derivada direccional de f en ā y en la dirección de v como:
Más detallesUniversidad de Oriente Núcleo de Bolívar Departamento de Ciencias Área de Matemática Asignatura: Matemática (0081714)
Universidad de Oriente Núcleo de Bolívar Departamento de Ciencias Área de Matemática Asignatura: Matemática (0081714) UNIDAD N 1 (FUNCIONES) Profesora: Yulimar Matute Octubre 2011 Función Constante: Se
Más detalles2.4. Números complejos
2.4 Números complejos 95 83 Relaciones temperatura-latitud a tabla siguiente contiene promedios de temperaturas anuales para los hemisferios norte y sur a varias latitudes. atitud Hemisf. N. Hemisf. S.
Más detalles1. Hallar el número de operaciones en la evaluación de un polinomio p n (x) = a 0 + a 1 x + + a n x n por el método estándar y el de Horner.
Interpolación. Hallar el número de operaciones en la evaluación de un polinomio p n () = a + a + + a n n por el método estándar y el de Horner.. Hallar el polinomio de interpolación de Lagrange y de Newton
Más detallesVectores y Matrices. Tema 3: Repaso de Álgebra Lineal Parte I. Contenidos
Tema 3: Repaso de Álgebra Lineal Parte I Virginia Mazzone Contenidos Vectores y Matrices Bases y Ortonormailizaciòn Norma de Vectores Ecuaciones Lineales Algenraicas Ejercicios Vectores y Matrices Los
Más detallesDefinición de problemas de programación lineal. Método gráfico. Método del SIMPLEX. Método de las dos fases. Análisis de sensibilidad y problema dual
7. Programación lineal y SIMPLEX Definición de problemas de programación lineal. Método gráfico. Método del SIMPLEX. Método de las dos fases. Análisis de sensibilidad y problema dual Programación Lineal
Más detalles6. Optimización de funciones de una variable.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO 00. 6. Optimización de funciones de una variable. En esta sección estudiaremos cómo calcular los extremos absolutos (si estos existen) de una función suficientemente
Más detallesExMa-MA0125. Ecuaciones e inecuaciones W. Poveda 1
ExMa-MA0. Ecuaciones e inecuaciones W. Poveda Ecuaciones Objetivos. Resolver en R ecuaciones lineales, cuadráticas, de grado mayor o igual que, con valor absoluto, con radicales, fraccionarias y polinomiales
Más detalles[GEOGEBRA] Innovación Educativa. Ricardo Villafaña Figueroa
2009 Innovación Educativa [GEOGEBRA] Una introducción a la geometría interactiva y cálculo visual a través de, una herramienta computacional sin costo que facilita y apoya la enseñanza y el análisis de
Más detallesLa programación lineal hace referencia al uso eficiente o distribución de recursos limitados, para alcanzar unos objetivos determinados.
Programación lineal La programación lineal hace referencia al uso eficiente o distribución de recursos limitados, para alcanzar unos objetivos determinados. El nombre de programación no se refiere a la
Más detallesTEMA 2: DERIVADA DE UNA FUNCIÓN
TEMA : DERIVADA DE UNA FUNCIÓN Tasa de variación Dada una función y = f(x), se define la tasa de variación en el intervalo [a, a +h] como: f(a + h) f(a) f(a+h) f(a) y se define la tasa de variación media
Más detallesÁLGEBRA LINEAL Y GEOMETRÍA ANALÍTICA (0250)
Universidad Central de Venezuela Facultad de Ingeniería Ciclo Básico Departamento de Matemática Aplicada ÁLGEBRA LINEAL Y GEOMETRÍA ANALÍTICA (0250) Semestre 1-2011 Mayo 2011 Álgebra Lineal y Geometría
Más detallesProgramación: División de un polinomio entre un binomio
Programación: División de un polinomio entre un binomio Objetivos. Escribir una función que divida un polinomio entre un binomio mónico. Vamos a usar esta función en otras partes del curso. En este texto
Más detallesObtención de Datos. Obtención de Datos. Clasificaciones de estudios. Clasificaciones de estudios
Obtención de Datos Obtención de Datos Muestreo y Objetivo Representar la población n lo mejor posible con el mínimo m coste. Condiciones para conseguirlo Procedimientos adecuados Tamaño o muestral suficiente
Más detallesCOMPARACIÓN DE SUPERFICIES DE RESPUESTA CON BÚSQUEDA TABÚ Y ALGORITMOS GENÉTICOS
71 CAPITULO 5 COMPARACIÓN DE SUPERFICIES DE RESPUESTA CON BÚSQUEDA TABÚ Y ALGORITMOS GENÉTICOS En este capítulo se presentan los resultados obtenidos y los comentarios de éstos, al correr algunos ejemplos
Más detallesCAPÍTULO III MOMENTO DE INERCIA EN ÁREAS PLANAS. Este capítulo comprende diversas propiedades geométricas de secciones (para casos
CAPÍTULO III MOMENTO DE INERCIA EN ÁREAS PLANAS Este capítulo comprende diversas propiedades geométricas de secciones (para casos prácticos, secciones de vigas) siendo la más importante el momento de inercia.
Más detallesAplicaciones de las Derivadas
Tema 4 Aplicaciones de las Derivadas 4.1 Introducción Repasaremos en este Tema algunas de las aplicaciones fundamentales de las derivadas. Muchas de ellas son ya conocidas por tratarse de conceptos explicados
Más detallesAlgebra Lineal XI: Funciones y Transformaciones Lineales
Algebra Lineal XI: Funciones y Transformaciones Lineales José María Rico Martínez Departamento de Ingeniería Mecánica Facultad de Ingeniería Mecánica Eléctrica y Electrónica Universidad de Guanajuato email:
Más detallesPráctica 3. CÁLCULO DE LA FUNCIÓN SENO UTILIZANDO UN DESARROLLO EN SERIE
PROGRAMACIÓN (EUI). Curso 2001-2002 Práctica 3. CÁLCULO DE LA FUNCIÓN SENO UTILIZANDO UN DESARROLLO EN SERIE F. Marqués y N. Prieto Índice General 1 Introducción 1 2 El problema 1 2.1 Desarrollo en serie
Más detallesPreliminares Métodos de Derivación Numérica DERIVACIÓN NUMÉRICA DERIVACIÓN NUMÉRICA
Contenido 1 Preliminares Introducción 2 Introducción Contenido 1 Preliminares Introducción 2 Introducción Introducción Las fórmulas de derivación numérica son importantes en el desarrollo de algoritmos
Más detallesrad, y rad = 360 Ejercicio 1 Realizar las conversiones de grados a radianes y de radianes a grados de los siguientes ángulos:
Trigonometría 1.- Ángulos En la medida de ángulos, y por tanto en trigonometría, se emplean dos unidades, si bien la más utilizada en la vida cotidiana es el grado sexagesimal, en matemáticas es el radián
Más detallesPasos en el Método Simplex
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 20 El Método Simplex ICS 1102 Optimización Profesor : Claudio Seebach 16 de octubre de 2006
Más detallesUNIDAD UNO PROGRAMACIÓN LÍNEAL Parte 3
UNIDAD UNO PROGRAMACIÓN LÍNEAL Parte 3 Matriz unitaria "I" de base con variables artificiales. Cuando el problema de programación lineal se expresa en la forma canónica de maximizar, las variables de holgura
Más detallesValores y Vectores Propios
Valores y Vectores Propios Departamento de Matemáticas, CSI/ITESM de abril de 9 Índice 9.. Definiciones............................................... 9.. Determinación de los valores propios.................................
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesGUÍA PARA EL EXAMEN DE UBICACIÓN DE MATEMÁTICAS TECNOLÓGICO DE MONTERREY
GUÍA PARA EL EXAMEN DE UBICACIÓN DE MATEMÁTICAS TECNOLÓGICO DE MONTERREY INSTRUCCIONES Este examen debe ser presentado antes de las inscripciones, por los alumnos de primer ingreso que provengan de preparatorias
Más detallesGUIA DE TRABAJO Materia: Matemáticas Guía # 26A. Tema: Máximo común divisor. Fecha: Profesor: Fernando Viso Nombre del alumno: Sección del alumno:
GUIA DE TRABAJO Materia: Matemáticas Guía # 26A. Tema: Máximo común. Fecha: Profesor: Fernando Viso Nombre del alumno: Sección del alumno: CONDICIONES: Trabajo individual. Sin libros, ni cuadernos, ni
Más detallesGrado en Química Bloque 1 Funciones de una variable
Grado en Química Bloque Funciones de una variable Sección.4: La derivada y sus propiedades básicas. La Regla de la cadena. El concepto de derivada aparece en muchas situaciones en la ciencias: en matemáticas
Más detallesTEMA N 2 RECTAS EN EL PLANO
2.1 Distancia entre dos puntos1 TEMA N 2 RECTAS EN EL PLANO Sean P 1 (x 1, y 1 ) y P 2 (x 2, y 2 ) dos puntos en el plano. La distancia entre los puntos P 1 y P 2 denotada por d = esta dada por: (1) Demostración
Más detallesPASO 1: Poner el problema en forma estandar.
MÉTODO DEL SIMPLEX PASO Poner el problema en forma estandar: La función objetivo se minimiza y las restricciones son de igualdad PASO 2 Encontrar una solución básica factible SBF PASO 3 Testar la optimalidad
Más detallesLuego, en el punto crítico
Matemáticas Grado en Química Ejercicios propuestos Tema 5 Problema 1. Obtenga y clasique los puntos críticos de las siguientes funciones: a fx, y = x +y, b fx, y = x y, c fx, y = x 3 + y. Solución del
Más detallesa).- Si el número de los valores en un conjunto de datos no agrupados es impar, La mediana es determinada de la siguiente manera:
La mediana de un conjunto de valores es el valor del elemento central del conjunto. Para encontrar la mediana, Primero arreglar los valores en el conjunto de acuerdo a su magnitud; es decir arreglar los
Más detalles3.2 DIVIDIR UN POLINOMIO POR x a. REGLA DE RUFFINI
TEMA 3 ÁLGEBRA MATEMÁTICAS CCSSI 1º BACH 1 TEMA 3 ÁLGEBRA 3.1 DIVISIÓN DE POLINOMIOS COCIENTE DE MONOMIOS El cociente de un monomio por otro monomio de grado inferior es un nuevo monomio cuyo grado es
Más detalles1. Conocimientos previos. 1 Funciones exponenciales y logarítmicas.
. Conocimientos previos. Funciones exponenciales y logarítmicas.. Conocimientos previos. Antes de iniciar el tema se deben de tener los siguientes conocimientos básicos: Intervalos y sus definiciones básicas.
Más detallesContenidos Programáticos
Página 1 de 6 FACULTAD: Ciencias Básicas PROGRAMA: Matemáticas DEPARTAMENTO DE: Matemáticas CURSO : Calculo Diferencial CÓDIGO: 157005 ÁREA: Matemáticas REQUISITOS: CORREQUISITO: CRÉDITOS: 4 TIPO DE CURSO:
Más detalles