Métodos de Ordenamiento

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

Download "Métodos de Ordenamiento"

Transcripción

1 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- pos de Ordeameto Ordeameto tero. Se lleva a abo ompletamete e memora prpal. odos los objetos que se ordea abe e la memora prpal de la omputadora Ordeameto extero. No abe toda la formaó e memora prpal y es eesaro oupar memora seudara. El ordeameto ourre trasfredo bloques de formaó a memora prpal e dode se ordea el bloque y este es regresado, ya ordeado, a memora seudara Aálss y Dseño de Algortmos Sortg- Aálss y Complejdad de Algortmos

2 Formulaó Regstros: Llaves: Obteer la seuea tal que, r, r,..., r k, k,..., k r,..., r, r k k... k Aálss y Dseño de Algortmos Sortg-3 Crteros de Efea Crteros de efea El úmero de pasos El úmero de omparaoes etre llaves para ordear regstros. De utldad uado la omparaó etre llaves es ostosa El úmero de movmetos de regstros que se requere para ordear regstros. De utldad uado el movmeto de regstros es ostoso Aálss y Dseño de Algortmos Sortg- Aálss y Complejdad de Algortmos

3 Métodos Smples de Ordeameto Métodos smples Método de Burbujeo Método de Iseró Método de Seleó Aálss y Dseño de Algortmos Sortg-5 Método de Burbujeo vod Burbujeo t A[], t t,j; for =0; < -; for j=-; j > ; j-- f A[j] < A[j-] Iteramba &A[j], &A[j-] ; 5 Aálss y Dseño de Algortmos Sortg-6 Aálss y Complejdad de Algortmos 3

4 Método de Burbujeo vod Burbujeo t A[], t t,j; for =0; < -; for j=-; j > ; j-- f A[j] < A[j-] Iteramba &A[j], &A[j-] ; Comparaoes: Movmetos: = = = = M m = = 0 = M max = = = = = = Aálss y Dseño de Algortmos Sortg-7 Método de Seleó vod Seleó t A[], t t, j, m; for =0; < -; m = ; for j = ; j > ; j f A[j] < A[m] m = j; teramba &A[], &A[m] ; Aálss y Dseño de Algortmos Sortg-8 Aálss y Complejdad de Algortmos

5 Método de Seleó vod Seleó t A[], t t, j, m; for =0; < -; m = ; for j = ; j > ; j f A[j] < A[m] m = j; teramba &A[], &A[m] ; Comparaoes: C = = = = = = Movmetos: M = Aálss y Dseño de Algortmos Sortg- Método de Iseró vod Iseró t A[], t t,j; for =; < ; j:= ; whle j > 0 && A[j] < A[j-] Iteramba &A[j], &A[j-] ; j-- Aálss y Dseño de Algortmos Sortg-0 Aálss y Complejdad de Algortmos 5

6 Método de Iseró vod Iseró t A[], t t,j; for =; < ; j:= ; whle j > 0 && A[j] < A[j-] Iteramba &A[j], &A[j-] ; j-- Comparaoes: Movmetos: Aálss y Dseño de Algortmos C m C max M m M max = = = = = = = 0 = = = = = Sortg- QukSort Dado u arreglo desordeado de elemetos A 3 - seleoa u valor v del arreglo, llamado pvote, y rearregla los elemetos del arreglo de maera que todos los elemetos meores que v quede oloados ates que v y todos los elemetos mayores o guales que v quede oloados después que v. j- j v < v > v Aálss y Dseño de Algortmos Sortg- Aálss y Complejdad de Algortmos 6

7 QukSort Aálss y Dseño de Algortmos j- j v < v > v vod quksort t A[], t, t j f desde A[] hasta A[j] exste al meos dos llaves dsttas Seleoar u pvote, v Permutar A[],...,A[j], tal que, para algú k etre y j, A[],..., A[k-] < v y A[k],..., A[j] v quksort A,, k- ; quksort A, k, j ; Sortg-3 QukSort: Pvote j t pvote t A[],t,t j t k, r; for k = ; k <= j; k /* Compara dos elemetos */ r = omp A[k], A[] ; f r < 0 retur ; else f r > 0 retur k; /* No hay llaves dferetes */ retur -; Aálss y Dseño de Algortmos Sortg- Aálss y Complejdad de Algortmos 7

8 QukSort: Partoameto < v > v l r t parto t A[],t, t j, t v.. t l,r; l=; r=j; do Iteramba A[l], A[r] whle omp A[l], v < 0 l; whle omp A[r], v >= 0 r--; whle l<r ; retur l; Aálss y Dseño de Algortmos j A[p] <v, p <l A[p] v, r <p j El tempo de ejeuó de partó es Oj- Sortg-5 QukSort: Partoameto vod quksort t A, t, t j td, k; d = pvote A,, j ; f d >= 0 k = partoa,, j, A[d] ; quksort A,, k- ; quksort A, k, j ; Aálss y Dseño de Algortmos Sortg-6 Aálss y Complejdad de Algortmos 8

9 QukSort: Ejemplo Pvote Pvote Pvote Pvote Pvote 6 6 Aálss y Dseño de Algortmos Sortg-7 Caso Promedo, Peor y Mejor Puede dar ua dea de uales so los asos Promedo Peor Mejor? Aálss y Dseño de Algortmos Sortg-8 Aálss y Complejdad de Algortmos

10 QukSort: Peor Caso uátos llamados reursvos se hae a quksort? U ejemplo del peor aso se puede mostar e la fgura sguete: r r - r r El tempo tomado por quksort para este aso es la suma sobre todos los elemetos del úmero de vees que el elemeto forma parte de u subarreglo e el ual se hae u llamado a quksort. Aálss y Dseño de Algortmos Sortg- QukSort: Peor Caso E el árbol ateror, se represeta por la profuddad de ada elemeto del arreglo. La profuddad de r es -,, la profuddad de r es. La suma de profuddad es. r = = = r - 3 = r r 3 = Por lo tato, e el peor aso quksort toma u tempo O Aálss y Dseño de Algortmos Sortg-0 Aálss y Complejdad de Algortmos 0

11 QukSort: Caso Promedo No exste elemetos o llaves guales; todos los elemetos tee llaves dferetes. Cuado se llama a quksort A, l, m todos los órdees permutaoes de A[l],...,A[m] so gualmete probables. S el ordeameto al es r, r,..., r por el método de eleó del pvote, éste puede ser ó r ó r. Supoga que exste elemetos más pequeños que el pvote. S el pvote, v, es r, uo de los elemetos más pequeños que el pvote está e la seguda posó. Smlarmete, s el pvote es r, uo de los elemetos más pequeños que el pvote está e la prmera posó Aálss y Dseño de Algortmos Sortg- QukSort: Caso Promedo El pvote debe ser el -ésmo elemeto más pequeño, del arreglo. La probabldad de que ualquer elemeto, tal omo el - ésmo más pequeño, apareza e la prmera posó es /. Dado que ya apareó e la prmera posó, la probabldad de que el segudo elemeto sea uo de los elemetos más pequeños de los - restates es /-. La probabldad de que el pvote apareza e la prmera posó y uo de los elemetos más pequeños e la seguda posó es /-. Smlarmete, la probabldad de que el pvote apareza e la seguda posó y uo de los elemetos más pequeños e la prmera posó es /- Aálss y Dseño de Algortmos Sortg- Aálss y Complejdad de Algortmos

12 Aálss y Complejdad de Algortmos Aálss y Dseño de Algortmos Sortg-3 ] [ = QukSort: Caso Promedo Por lo tato, la probabldad de que haya elemetos más pequeños que el pvote es /- ] [ partó tempo de la P vod quksort t A, t, t j t d, k; d = pvote A,, j ; f d >= 0 k = partoa,, j, A[d] ; quksort A,, k- ; quksort A, k, j ; Aálss y Dseño de Algortmos Sortg- QukSort: Caso Promedo = = = = = = f f f f f = ] [ ] [ ] [ ] [ = = = = Se puede demostar que Apládolo a la reurrea o, se tee, por lo tato ] [ = f

13 QukSort: Caso Promedo Por lo tato, = = Se puede probar probar por duó que log para algua ostate y para. Aálss y Dseño de Algortmos Sortg-5 QukSort: Caso Promedo = Supogamos que = Para = = log, S log Aálss y Dseño de Algortmos Sortg-6 Aálss y Complejdad de Algortmos 3

14 Aálss y Complejdad de Algortmos Aálss y Dseño de Algortmos Sortg-7 QukSort: Caso Promedo = = log log log = = log log = = log 3 log Supogamos que es válda para todo k <. Aálss y Dseño de Algortmos Sortg-8 log 3 log 8 log log QukSort: Caso Promedo S, etoes, la suma del segudo y uarto térmo o es mayor que 0, Ya que el terer térmo es ua otrbuó egatva, etoes log. 8 log

15 HeapSort Estrutura de datos abstrata AGREGA, BORRAMIN, VACIA e INICIA INICIA S; for ada elemeto, x, a ordear 3 AGREGA x, S ; whle!vacias 5 y = BORRA_MINS; 6 prtf"... ", y ; 7 S las operaoes VACIA e INICIA toma u tempo O y las operaoes AGREGA y BORRA_MIN toma u tempo Olog, dode es el úmero de elemetos a ordear, es laro que el método de ordeameto ateror tomaría u tempo Olog Aálss y Dseño de Algortmos Sortg- Arbol Paralmete Ordeado U árbol paralmete ordeado umple o las sguetes propedades: El valor de u odo e el árbol o es mayor que el de sus hjos U árbol paralmete ordeado se puede represetar medate u arreglo udmesoal, A, e el ual La raíz es A[], y Los hjos del odo A[] so A[] y A[] Aálss y Dseño de Algortmos Sortg-30 Aálss y Complejdad de Algortmos 5

16 HeapSort, ot Nota: S es el úmero de elemetos del arreglo, / so odos terores del árbol baro. Sólo los odos terores se debe osderar para ordear el árbol e forma paral. Aálss y Dseño de Algortmos Sortg-3 HeapSort: Deseso. Supogamos que los elemetos A[],...,A[j] obedee ya la propedad de los árboles paralmete ordeados, exepto posblemete por A[]. La fuó sguete desede a A[] hasta que se obtega la propedad de los árboles paralmete ordeados. Aálss y Dseño de Algortmos Sortg-3 Aálss y Complejdad de Algortmos 6

17 HeapSort: Deseso. vod desede t A, t, t j t r; Aálss y Dseño de Algortmos r = ; whle r <= j/ f *r > j /* r tee sólo u hjo */ f omp A[r], A[*r] > 0 teramba &A[r], &A[*r] ; r = j; else /* r tee dos hjos */ f omp A[r], A[*r] > 0 && omp A[*r], A[*r] <= 0 teramba &A[r], &A[*r] ; r = *r; else f omp A[r], A[*r] > 0 && omp A[*r], A[*r] <= 0 teramba &A[r], &A[*r] ; r = *r; else /* o se vola la propedad de los árboles paralmete ordeados */ r = j; Sortg-33 HeapSort, ot. A[] A[-k] A[-k] A[] árbol paralmete ordeado vod HeapSort A,.. t ; arreglo e orde o reete A[-k] > A[-k] >... > A[] Aálss y Dseño de Algortmos for = /; >= ; -- /* Ialmete, establee la propedad del árbol paralmete ordeado */ desede A,, ; for = ; >= ; -- /* Quta el meor elemeto */ teramba &A[], &A[] ; /* reestablee el árbol paralmete ordeado */ desede A,, - ; Sortg-3 Aálss y Complejdad de Algortmos 7

18 Ordeameto Leal Supogamos que las llaves so eteros e el rago de a, y que o exste llaves guales. S A y B so arreglos de tpo adeuado y los elemetos que va a ser ordeados está almete e A, se puede oloar e el arreglo B e el orde de sus llaves medate for = ; <= ; B[ A[].llave ] = A[]; El lo ompleto toma u tempo O. Aálss y Dseño de Algortmos Sortg-35 Ordeameto Leal Se puede usar otra forma para ordear el arreglo A o llaves,..., usado el msmo arreglo e tempo O. Se vsta A[],..., A[] e ese orde. S el regstro A[] tee ua llave j, se teramba o A[j]. S después del terambo, el elemeto que está ahora e A[] tee llave k, se teramba A[] o A[k], y se sgue así hasta que e A[] quede el regstro o llave. for =; <= ; whle A[].llave!= teramba&a[], &A[ A[].llave] ; Cada terambo oloa algú regstro e su lugar y ua vez ahí ua se mueva más. Aálss y Dseño de Algortmos Sortg-36 Aálss y Complejdad de Algortmos 8

19 Ordeameto Leal S se permte llaves dupladas, etoes, para ada valor llave, k, debe exstr ua lsta, L[k], de todos los elemetos o la llave k. k r p r q Aálss y Dseño de Algortmos Sortg-37 Ordeameto Leal #defe MAX_LLAVE... typedef... LISA vod BSort OBJEO A[], LISA[], t ; LLAVE K; t ; for k = ; k <= MAX_LLAVE; K /*Ia las lstas haedolas ulas */ INICIA L[K] ; for = ; <= ; /* Crea las lstas de ada llave */ INSERA A[], L[A[].llave] ; for K = ; K <= MAX_LLAVE; K /* Crea ua lsta o todos los regstros e orde*/ CONCAENA L[], L[K] ; S INICIA, INSERA y CONCAENA toma u tempo O y MAX_LLAVE <, etoes, la fuó ateror toma u tempo O. Aálss y Dseño de Algortmos Sortg-38 Aálss y Complejdad de Algortmos

20 BSort: Iserta Operaó de Iseró o f. Aálss y Dseño de Algortmos Sortg-3 BSort: Coatea Operaó de Coateaó Aálss y Dseño de Algortmos Sortg-0 Aálss y Complejdad de Algortmos 0

21 BSort Observaoes: Supoga que se desea ordear ua lsta de valores eteros e el rago 0 a -. Se utlza ubetas, ua para ada uo de los eteros 0,,...,- Dos fases: Se oloa el etero al fal de la ubeta mod Se seleoa los valores e el orde e que está almaeados e las ubetas desde la 0 hasta la -. El etero se oloa al fal de la ubeta / Aálss y Dseño de Algortmos Sortg- BSort: Ejemplo Ejemplo 0,, 8, 6,, 5, 36, 6,, Prmera Fase Seguda Fase Cubeta Cotedo 0 0,8 3 6, ,6 7 8, Cubeta Cotedo 0 0,,, Aálss y Dseño de Algortmos Sortg- Aálss y Complejdad de Algortmos

22 BSort Observaoes: S los úmeros, j está e el rago 0 a - se puede pesar que ellos se puede expresar e base omo úmeros de dos dígtos, esto es, = a b y j = d, dode a, b,, y d está detro del rago 0,- S < j, etoes, a S a <, aparee e ua ubeta meor a la de j e la seguda pasada, así que preederá a j e el ordeameto fal. S a =, etoes, b <d.» E la prmera pasada debe preeder a j, e b y j e d.» E la seguda pasada y j so oloados e la msma ubeta, ates que j Aálss y Dseño de Algortmos Sortg-3 RadxSort Supoga que se desea ordear ua lsta de elemetos uyos valores llave osste de k ompoetes, f, f,..., f k, uyos tpos so t, t,..., t k. Orde lexográfo a, a,..., a k es meor que b, b,..., b k, s suede solo ua de las odoes sguetes: a < b a = b y a < b... a = b, a = b,..., a k- = b k- y a k < b k Así, para algú j etre 0 y k-, a = b,..., a j = b j y a j < b j. Aálss y Dseño de Algortmos Sortg- Aálss y Complejdad de Algortmos

23 RadxSort La dea lave detrás del método es ordear todos los elemetos de auerdo al ampo f k el dígto meos sgfatvo y luego oatear las ubetas. Después aplar el método para f k- y así hasta f. Se debe asegurar que al agregar u elemeto a ua ubeta se haga sempre al fal. E geeral, después de aplar el método sobre los ampos, f k, f k-,..., f los elemetos apareerá e el orde lexográfo s sus llaves osstera úamete de los ampos f,..., f k Aálss y Dseño de Algortmos Sortg-5 RadxSort vod RadxSort /* Ordea la lsta A de elemetos o llaves que osste de los ampos f, f,..., fk de tpos t, t,..., tk, respetvamete. Utlza arreglos B, k, para las ubetas de los valores e el ampo f */ for = k; k >= ; k-- for ada valor v del tpo t 3 INICIA B[v] ; for ada elemeto r e la lsta A 5 Coloar r al fal de la ubeta B[v], dode v es el valor para el ampo f de la llave de r. 6 for ada valor v del tpo t, de meor a mayor 7 Coatear B[v] al fal de A. Aálss y Dseño de Algortmos Sortg-6 Aálss y Complejdad de Algortmos 3

24 RadxSort vod RadxSort for = k; >= ; -- for ada valor v del tpo t 3 INICIA B[v] ; for ada elemeto r e la lsta A 5 Coloar r al fal de la ubeta B[v], dode v es el valor para el ampo f de la llave de r. 6 for ada valor v del tpo t, de meor a mayor 7 Coatear B[v] al fal de A. S s es el úmero de valores dferetes del tpo t. Las líeas y 3 toma u tempo O s Las líeas y 5 toma u tempo O Las líeas 6 y 7 toma u tempo O s. El tempo total del RadxSort es = Aálss y Dseño de Algortmos k O s O k s ú O s k = k = Sortg-7 Arboles de Desó U árbol de desó para u método de ordeameto es u árbol baro e el ual sus odos represeta el estado del método después de haer algú úmero de omparaoes. El estado de u programa de ordeameto es esealmete el oometo aera de los ordeametos ales que se ha obtedo por el programa hasta ese mometo. Aálss y Dseño de Algortmos Sortg-8 Aálss y Complejdad de Algortmos

25 Arboles de Desó ab, ab, ba, ba, ab, ba A[] < A[]? b < a? ba, ba, ba 3 A[3] < A[]? < a? ba, ba 5 ba ab, ab, ab A[3] < A[]? < b? 6 ab, ab 7 ab A[] < A[]? < b? 8 ba ba A[] < A[]? < a? 0 ab ab Aálss y Dseño de Algortmos Sortg- Arboles de Desó s se ordea ua lsta de elemetos de tamaño, a, a,..., a exste! = - - posbles ordeametos orretos. La logtud del amo más largo de la raíz a ua hoja es ua ota feror e el úmero de pasos ejeutados por el algortmo e el peor aso. Ya que u árbol baro o k hojas debe teer u amo de logtud al meos log k, etoes, u algortmo de ordeameto que utlza sólo omparaoes para ordear ua lsta de elemetos debe tomar e el peor aso u tempo Ω log!.! = = Aálss y Dseño de Algortmos / vees log! log = log Sortg-50 Aálss y Complejdad de Algortmos 5

26 Arboles de Desó El ordeameto por omparaoes requere u tempo W log e el peor aso Ejero: Uo puede pregutarse s exste u algortmo de ordeameto que utle úamete omparaoes y que toma u tempo Ω log e el peor aso, pero e el aso promedo toma u tempo O o algo meor a O log. Exste tal algortmo? Aálss y Dseño de Algortmos Sortg-5 Aálss y Complejdad de Algortmos 6

El Problema de Búsqueda

El Problema de Búsqueda 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

Más detalles

Estructuras Algebraicas

Estructuras Algebraicas Uversdad de los des Faultad de Ceas Eoómas y Soales Esuela de Estadísta Estruturas lgebraas Prof. Gudberto José Leó Ragel MÉRID, 2015 1 Profesor Gudberto Leó Teoría Estadísta I Uversdad de Los des - Faultad

Más detalles

Comparaciones múltiples entre medias Tema 6. 1. Comparaciones múltiples. 2. Comparaciones planeadas o a priori: 2.2 Comparaciones de tendencia

Comparaciones múltiples entre medias Tema 6. 1. Comparaciones múltiples. 2. Comparaciones planeadas o a priori: 2.2 Comparaciones de tendencia Comparaoes múltples etre medas Tema 6. Comparaoes múltples. Comparaoes plaeadas o a pror:. F plaeadas. Comparaoes de tedea. Comparaoes o plaeadas o a posteror:. Prueba de Tukey.. Prueba de Sheffé . Comparaoes

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

5.3 Estadísticas de una distribución frecuencial

5.3 Estadísticas de una distribución frecuencial 5.3 Estadístcas de ua dstrbucó frecuecal 5.3. Meddas de tedeca cetral Meddas de tedeca cetral Las meddas de tedeca cetral so descrptores umércos que proporcoa ua dea de los valores de la varable, alrededor

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

Tiempo medio de ejecución por operación sobre una secuencia de ejecuciones sucesivas. 6

Tiempo medio de ejecución por operación sobre una secuencia de ejecuciones sucesivas. 6 La efea de los algortmos Aálss y Dseño de Algortmos La efea de los algortmos Comparaó de algortmos Prpo de varaza Efea Notaoes astótas Cálulo de la efea de u algortmo Resoluó de reurreas: Método de la

Más detalles

Incertidumbre en las mediciones directas e indirectas

Incertidumbre en las mediciones directas e indirectas ertdumbre e las medoes dretas e dretas Reordado Para la seleó de u strumeto de medó os basamos e la Regla de Oro de la Metrología Luego, 0. T T La toleraa orregda por la ertdumbre del strumeto queda defda

Más detalles

PLANTEAMIENTO DE PROBLEMAS DE BALANCE DE MATERIA EN PROCESOS SIN REACCIÓN QUÍMICA

PLANTEAMIENTO DE PROBLEMAS DE BALANCE DE MATERIA EN PROCESOS SIN REACCIÓN QUÍMICA PLNTMNTO PROLMS LN MTR N PROSOS SN RÓN QUÍM. teder ual es el objetvo que se persgue e el proeso, la fuó de ada equpo (por lo meos ualtatvamete) y vsualzar los feómeos y trasformaoes que ourre.. detfar

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

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

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

Análisis de complejidad algorítmica. En este artículo se plasma la base del análisis de complejidad algorítmica, para lo que se toma un

Análisis de complejidad algorítmica. En este artículo se plasma la base del análisis de complejidad algorítmica, para lo que se toma un Aálss de omplejdad algorítma Roberto Emlo Salas Ruz Jorge Erque Rodríguez Rodríguez Resume E este artíulo se plasma la base del aálss de omplejdad algorítma, para lo que se toma u problema láso e las eas

Más detalles

Concepto de circuito eléctrico

Concepto de circuito eléctrico oepto de ruto elétro U ampo eletromagéto se halla ompletamete desrpto uado se ooe los vetores tesdad de ampo elétro E y de ampo magéto H e todos sus putos e fuó del tempo. Esto mpla el empleo de fuoes

Más detalles

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

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

Posible solución del examen de Investigación Operativa de Sistemas de septiembre de Problema 1: (3 puntos)

Posible solución del examen de Investigación Operativa de Sistemas de septiembre de Problema 1: (3 puntos) Posble soluó del eame de Ivestgaó Operatva de Sstemas de septembre de 6 Problema : ( putos) U profesor rebe ua práta ada mañaa y la poe e ua pla. Por las tardes, o probabldad / orrge todas las prátas de

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

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

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

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple 1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular

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

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

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

PARÁMETROS ESTADÍSTICOS ... N

PARÁMETROS ESTADÍSTICOS ... N el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto

Más detalles

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

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

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

Más detalles

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

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

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

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

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

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

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

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

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

C URVA DE L ORENZ C OEFICIENTE DE D ESIGUALDAD DE G INI

C URVA DE L ORENZ C OEFICIENTE DE D ESIGUALDAD DE G INI TESIS DESARROLLO REIONAL C URVA DE L ORENZ C OEFICIENTE DE D ESIUALDAD DE INI D OCUMENTO A UXILIAR N DANIEL CAUAS - 5 JUN 203 LA CURVA DE LORENZ La curva de Lorez (Corado Lorez 905), es u recurso gráfco

Más detalles

Actividad: Elabora un resumen de la información que se muestra a continuación y analiza los procedimientos que se muestran.

Actividad: Elabora un resumen de la información que se muestra a continuación y analiza los procedimientos que se muestran. Actvdad: Elabora u resume de la formacó que se muestra a cotuacó y aalza los procedmetos que se muestra. Fudametos matemátcos de la electróca dgtal Sstemas de umeracó poscoales E u sstema de esta clase,

Más detalles

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

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

Más detalles

Teoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II.

Teoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II. Teoría Smplfcada de ERRORES Suscrbe este documeto los coordadores de Laboratoro de Químca, Físca I y Físca II. Defcoes Báscas: -Error absoluto (o error): Itervalo xe dode co máxma probabldad se ecuetra

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

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

Teoría de Telecomunicaciones

Teoría de Telecomunicaciones Uersdad del Caua - FIET UIO E MOULCIÓ udo de Modulaó Uersdad del Caua Teoría de Teleomuaoes epartameto de Teleomuaoes Uersdad del Caua - FIET UIO E MOULCIÓ udo de modulaó leal Este aálss se basa e el sstema

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

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

MECÁNICA VIBRATORIA. M. López-García Pemex-Refinación, Refinería Francisco I. Madero Cd. Madero, Tamaulipas, México

MECÁNICA VIBRATORIA. M. López-García Pemex-Refinación, Refinería Francisco I. Madero Cd. Madero, Tamaulipas, México MCÁNICA VIBRAORIA M. López-Garía Peme-Refaó, Refería Fraso I. Madero Cd. Madero, amaulpas, Méo mal: mlgam@yahoo.om.m MAYO 4, 9 He deddo empezar este artíulo presetado la euaó que otedríamos omo resultado

Más detalles

Eficiencia de algoritmos. Javier Campos

Eficiencia de algoritmos. Javier Campos Efiieia de algoritmos Javier Campos Efiieia de algoritmos Problema de álulo: espeifiaió de ua relaió existete etre uos valores de etrada datos del problema y otros de salida resultados Eemplo: problema

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

( ) = 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

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD

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

Más detalles

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

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

Más detalles

INSTITUCION EDUCATIVA LA PRESENTACION

INSTITUCION EDUCATIVA LA PRESENTACION INSTITUCION EDUCATIVA LA PRESENTACION NOMBRE ALUMNA: AREA : MATEMÁTICAS ASIGNATURA: GEOMETRIA NOTA DOCENTE: HUGO HERNÁN BEDOYA TIPO DE GUIA: CONCEPTUAL - EJERCITACIÓN PERIODO GRADO FECHA DURACION Otubre

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

4 METODOLOGIA ADAPTADA AL PROBLEMA

4 METODOLOGIA ADAPTADA AL PROBLEMA 4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor

Más detalles

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

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

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

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

Más detalles

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

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

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

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

G - Métodos de Interpolación

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

Más detalles

CAPITULO IV EQUILIBRIO VAPOR -LIQUIDO

CAPITULO IV EQUILIBRIO VAPOR -LIQUIDO CAITULO I EQUILIBRIO AOR -LIQUIDO ara evaluar el fuoameto de u sstema de separaó e etapas, es eesaro efetuar álulos de equlbro vapor-líqudo de balae de matera e ada etapa de separaó, utlado para ello ua

Más detalles

TEMA 2: LOS NÚMEROS COMPLEJOS

TEMA 2: LOS NÚMEROS COMPLEJOS Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado

Más detalles

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

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN

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

Más detalles

Supongamos que hemos aplicado el test F y hemos rechazado la H0.

Supongamos 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 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

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

FEM-OF: EDP Elíptica de 2 Orden

FEM-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 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

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector.

Comportamiento 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 detalles

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

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

Más detalles

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

UNIDAD DIDÁCTICA 13: Estadística Descriptiva

UNIDAD DIDÁCTICA 13: Estadística Descriptiva Utat d accés accés a la uverstat dels majors de 5 ays Udad de acceso acceso a la uversdad de los mayores de 5 años UNIDAD DIDÁCTICA 13: Estadístca Descrptva ÍNDICE: DESARROLLO DE LOS CONTENIDOS 1 Itroduccó

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

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

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

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA

GUÍA 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 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

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

9. Hallar un número de cuatro cifras que sea igual al cubo de la suma de las cifras.

9. Hallar un número de cuatro cifras que sea igual al cubo de la suma de las cifras. Hoja de Problemas º Algebra II 9. Hallar u úmero de cuatro cifras que sea igual al cubo de la suma de las cifras. Solució: Sea el úmero buscado co a que si o, o seria de cuatro cifras. Teemos que ( ) como

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

Probabilidad condicionada. Probabilidad Total. Teorema de Bayes

Probabilidad condicionada. Probabilidad Total. Teorema de Bayes robabldad odoada. robabldad Total. Teorema de aes utor: Olvá alzada Emlaa (Leada e Matemátas rofesora de Matemátas e Eduaó Seudara). úblo: lumos de ahllerato de eas. Estudates de matemátas profesores de

Más detalles

Héctor Allende 1. w Ω, resultado elemental. Ω : Espacio Muestral: Todos los posibles

Héctor Allende 1. w Ω, resultado elemental. Ω : Espacio Muestral: Todos los posibles Coeptos ásos Capítulo Curso ILI-80 I Semestre 00 Profesor: Hétor llede Expermeto aleatoro : ξ Espao Muestral : Ω Eveto o Sueso : ; ;. Evetos elemetales, seguros e mposbles Probabldad : grado de ertdumbre

Más detalles

TEMA 1 PROBABILIDAD 1/10. Ejemplos : E y E

TEMA 1 PROBABILIDAD 1/10. Ejemplos : E y E wwwovauedes/webpages/ilde/web/dexhtm e-mal: mozas@elxuedes TEMA PROAILIDAD SUCESOS Exste feómeos o expermetos que, repetdos e détcas codcoes, sempre proporcoa el msmo resultado, a los que llamaremos determstas,

Más detalles

1. INTRODUCCIÓN Procedimientos de calibración

1. INTRODUCCIÓN Procedimientos de calibración Smposo de Metrología 0 7 al 9 de Otubre VALUACIÓN D PROCDIMINTOS PARA CALIBRACIÓN D MICROBALANZAS CON L OBJTIVO D MINIMIZAR LA COMPONNT D INCRTIDUMBR DBIDA A LA INCRTIDUMBR D CALIBRACIÓN D LAS PSAS PATRÓN

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

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

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

Más detalles

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

TEMA 4: NÚMEROS COMPLEJOS

TEMA 4: NÚMEROS COMPLEJOS TEMA : COMPLEJOS 1 EN FOMA BINÓMICA 1.1 DEFINICIONES Sabemos que la resolucó de alguas ecuacoes de º grado coduce a ua raíz cuadrada de u º egatvo. Dcha raíz o tee setdo e el cojuto de los úmeros reales.

Más detalles

3 Metodología de determinación del valor del agua cruda

3 Metodología de determinación del valor del agua cruda 3 Metodología de determacó del valor del agua cruda Este aexo de la metodología del valor de agua cruda (VAC), cotee el método de detfcacó de la relacó etre reco y caudal, el cálculo de los estadígrafos

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

TEMAS CUESTIONARIO DE AUTOEVALUACIÓN

TEMAS CUESTIONARIO DE AUTOEVALUACIÓN TEMAS 1-2-3 CUESTIOARIO DE AUTOEVALUACIÓ 2.1.- Al realzar los cálculos para obteer el Ídce de G se observa que: p 3 > q 3 y que p 4 >q 4 etoces: La prmera desgualdad es falsa y la seguda certa. La prmera

Más detalles

ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA 3.5 Ojvas Este tpo de represetacó gráfca se costruye a partr de las frecuecas acumuladas (absolutas o relatvas) para varables cotuas o dscretas, co muchos

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

Problemas de Polímeros. Química Física Avanzada Iñaki Tuñón 2010/2011

Problemas de Polímeros. Química Física Avanzada Iñaki Tuñón 2010/2011 Problemas de Polímeros Químca Físca Avazada Iñak Tuñó / POL.-U polímero moodsperso de masa molecular. gmol - está cotamado e u % e peso co ua mpureza de peso molecular. gmol -. Calcular z,, Co los datos

Más detalles

GENERALIDADES SOBRE MÓDULOS

GENERALIDADES SOBRE MÓDULOS GENERALIDADES SOBRE MÓDULOS Presetar el Z -módulo Z como cocete de u Z -módulo lbre Hacer lo msmo para el grupo de Kle Calcular los auladores de los sguetes módulos: a) El Z -módulo Z Z 6 b) El Z -módulo

Más detalles

ESTADÍSTICA DESCRIPTIVA

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

Más detalles

Para obtener el número total de los resultados, es necesario desarrollar algunas técnicas de conteo, las cuales son: Permutaciones. Combinaciones.

Para obtener el número total de los resultados, es necesario desarrollar algunas técnicas de conteo, las cuales son: Permutaciones. Combinaciones. TÉNIAS DE ONTEO. ara obteer el úmero total de los resultados, es ecesario desarrollar alguas técicas de coteo, las cuales so:. ricipio fudametal de coteo. Diagramas de árbol.. Aálisis combiatorio. ermutacioes.

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