Transformada rápida de Fourier.

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

Download "Transformada rápida de Fourier."

Transcripción

1 Capítulo 24 Trasformada rápda de Fourer. Es cosderado u algortmo clásco, que permte obteer a partr de ua sere de valores temporales las compoetes espectrales e frecueca, y vceversa co u costo O( log ). Como veremos es u caso partcular del problema más geeral de calcular polomos. Exste dos formas de cálculo: ua es evaluar u polomo represetado por sus coefcetes. La otra es represetar el polomo por ua sere de putos Represetacó por coefcetes. Sea u polomo de coefcetes: A( x) Dode los coefcetes so los valores de a j. S se evalúa las potecas de x a través de multplcacoes se requere (-) + (-2) +..+ multplcacoes, orgado u algortmo de complejdad O( 2 ). La evaluacó de polomos suele efectuarse empleado la regla de Horer: Que es de complejdad O(), ya que requere (-) multplcacoes. La sguete ruta lustra el procedmeto de cálculo. double Horer(t a[ ], t, double x) { double A=a[-]; for( =-2; >=; --) A=a[] +x*a; retur(a); Las operacoes de suma y resta de polomos expresados por sus coefcetes so de complejdad O(), ya que basta sumar o restar los coefcetes. S embargo el producto de polomos es de complejdad O( 2 ). S A y B so de coefcetes, el producto C(x) = A(x)B(x) tedrá (2-) coefcetes: j a x A( x ) a x ( a x ( a... x ( a x ( a ))...)) 2 2 j j

2 2 Estructuras de Datos y Algortmos C( x) 2 2 j c x j j c = a b c = a b + a b c 2 = a b 2 + a b + a 2 b c j a b j k j k k Operacó que se deoma covolucó de los coefcetes. La evaluacó de los coefcetes de C es O(), y debe repetrse veces, lo cual mplca O( 2 ), para el costo de la multplcacó de polomos Represetacó por valores. Se tee los valores o muestras: y A( x ) co k =..- k k y y - y y 2 x x x 2 x - x Fgura 24. Represetacó por muestras. S se cooce los putos: (x k, y k ), se tee ecuacoes co cógtas (los coefcetes). y a x a x a x... a x 2 2 y a x a x a x... a x y a x a x a x... a x 2 2 Puede exstr dferetes represetacoes por putos, ya que sólo se requere que los putos x k sea dferetes. Como se verá la eleccó adecuada de los putos permtrá acelerar el cálculo a O( log ). Esta represetacó puede obteerse a partr de la represetacó por coefcetes co u costo O( 2 ), ya que debe aplcarse veces el algortmo de Horer.

3 Trasformada rápda de Fourer 3 També es posble pasar de la represetacó por putos a la de coefcetes, para esto es precso resolver el sstema de ecuacoes plateado ates. Este problema se cooce como terpolacó. x x... x 2 2 x x... x a a y y x x... x 2 a y La matrz tee versa s el determate o es cero. El determate de la matrz ateror, que se deoma de Vadermode, puede calcularse segú: det ( x x ) ( x x )( x x )...( x x ) j k k j 2 2 El costo de evaluar la matrz versa es O( 2 ) y además se debe realzar multplcacoes del vector de los y k por los regloes de la matrz versa, co lo cual resulta O( 3 ). S embargo los coefcetes puede calcularse co costo O( 2 ) empleado la fórmula de terpolacó de polomos de Lagrage: ( x x )( x x )...( x x ) ( x x )( x x )...( x x ) ( x x )( x x )...( x x ) A( x) y y... y ( x x )( x x )...( x x ) ( x x )( x x )...( x x ) ( x x )( x x )...( x x ) Que es u polomo de coefcetes que pasa por los putos (x k, y k ). O be tal que A(x k ) = y k para k=..-, lo cual puede comprobarse e la fórmula ateror. La vetaja de represetacó por putos es que el cálculo del producto (també la suma y resta) de polomos es ahora O(). Pero e caso de multplcacó, los polomos debe represetarse co 2 putos, ya que C, debe ser de 2 putos. S se tee los polomos A y B, puede determarse su producto C, segú: A( x) ( x, y ),...( x, y ),...( x, y ) A A 2 A2 B( x) ( x, y ),...( x, y ),...( x, y ) B B 2 B2 C( x) ( x, y y ),...( x, y y ),...( x, y y ) A B A B 2 A2 B Trasformada dscreta de Fourer. Se tee las trasformadas de Fourer, drecta e versa, e el domo de f y t, para la señal s(t) y su desdad espectral S(f), defdas segú:

4 4 Estructuras de Datos y Algortmos ( ( )) ( ) ( ) j2 ft s t S f s t e dt ft ( S( f )) s( t) S( f ) e df j2 Y las trasformadas dscretas de Fourer: Co k=..- -j2 / S se defe: w =e como S( k) s( ) e s( k) S( ) e j2 k / j2 k / la -ava raíz compleja de la udad, se tee que: e -j2 k/ = (w ) k El valor prcpal suele defrse segú: e j2 /, e el prmer cuadrate. Reemplazado S(k) por S k, s(k) por s k, y (w ) k por x se tee dos polomos. S s k k s x S x x x... x 2 2 x x... x x x... x 2 s s s S S S Los polomos se evalúa e las raíces complejas de la udad. S se reemplaza las potecas de x se obtee la relacó que permte obteer el espectro a partr de las muestras temporales: w w... w * *2 *( ) * *2 *( ) w w... w s s S S w w... w ( )* ( )*2 ( )*( ) s S Las fguras sguetes muestra los polomos represetados por putos.

5 Trasformada rápda de Fourer 5 s s - S S - s s 2 S S 2 t t t 2 t - t f f f 2 f - f T=tervalo de muestreo f S =/ T=separacó e frecueca Fgura 24.2 Represetacó de polomos por putos. El elemeto (r, c) de la matrz ateror es (w ) r*c co r y c varado etre y (-). Puede comprobarse que el elemeto (r, c) de la matrz versa es: (/)*(w ) -r*c w w... w * *2 *( ) * *2 *( ) w w... w w w... w ( )* ( )*2 ( )*( ) Que permte obteer las muestras temporales a partr del espectro. Notamos que el problema es smlar al ateror, pero cambado el sgo de las -avas potecas complejas de la udad, y u escalameto dvdedo por. Coocdas las muestras temporales, se requere multplcacoes para obteer ua muestra del espectro, y como se requere muestras e frecueca, se obtee u algortmo de costo cuadrátco. Además debe calcularse las potecas complejas de las -avas raíces de la udad Desarrollo del algortmo de trasformada rápda de Fourer. El algortmo FFT permte calcular la DFT e O( log ). El polomo S(x) puede separarse e dos, uo co las potecas pares de x; el otro, co las potecas mpares: S S( x) s x k S ( x) s s x... s x 2 2 S ( x) s s x... s x p S S S ( / 2) ( / 2) 3 S S x S x xs x 2 2 k ( ) p ( ) ( ) s s s

6 6 Estructuras de Datos y Algortmos Los polomos so de /2 putos cada uo. Esto cosderado par y más específcamete ua poteca de dos. El cálculo de los S k para putos puede descompoerse e dos cálculos de polomos pero co la mtad de putos cada uo. A su vez, cada uo de esos polomos, puede ser calculado e térmos de dos polomos co la cuarta parte de los putos, y así sucesvamete. Más adelate veremos cómo los S k puede calcularse recursvamete, para obteer esa relacó es precso coocer alguas propedades de las raíces complejas de la udad avas raíces complejas de la udad. Exste raíces -avas complejas de la udad: w, w, w 2 -, w Co : (w ) k -j2 k/ = e Para = 2, se tee w 2 =e -j = cos() + j se() = + w 2 =e -j = cos(- ) + j se(- ) = - w 2 w 2 Fgura Raíces complejas cuadradas de la udad Para = 4, se tee: (w 4 ) = e -j /2 = -j w 4 = + w 4 = -j w 4 2 = - w 4 3 = +j Debe otarse que w 4 4 = w 4 w 4 2 w 4 3 w 4 w 4 Fgura Raíces complejas cuartas de la udad Alguas propedades: Para >=, k>= y d>:

7 Trasformada rápda de Fourer 7 w e e w dk j 2 / d dk j2 / k k d ( ) ( ) w ( e ) e w / 2 j2 / / 2 j ( w ) w w w ( w ) k / 2 2 2k 2k k 2 j2 / 2 j2 / / 2 w2 e ( e ) w k k k k ( w) ( w) () ( w ) k k k w w w 2 La últma relacó es ua sere geométrca, se requere >=, y que k sea postvo o dvsble por, para que el deomador o sea cero. S se efectúa el producto de la matrz de Vadermode por su versa, el elemeto (r, c) del producto, puede expresarse segú: kr kc k ( c r) k k ( w / ) w ( w / ) la cual toma valor para r=c, y cero e caso cotraro. Lo cual orga ua matrz utara, comprobádose que la expresó para la versa es correcta. Se requere que (c-r) o sea dvsble por, esto se cumple ya que fuera de la dagoal: -(-) < (r-c) < (-) Seres dscretas para dos y cuatro putos. Se tee para = 2: S = s + x s S = s + x s Evaluado e las raíces cuadradas complejas de la udad: S = s + w 2 s = s + (+)s S = s + w 2 s = s + (- )s Resultado: S = s + s S = s - s Para = 4: Evaluado e las raíces cuartas complejas de la udad, otado que todos los valores o so dferetes, debdo a las propedades de las raíces cuartas complejas de la udad, se obtee: S w s w s w s w s S w s w s w s w s S w s w s w s w s S w s w s w s w s

8 8 Estructuras de Datos y Algortmos Reemplazado por los valores umércos: S s s s s 2 3 S s js s js 2 3 S s s s s S s js s js Falmete, se adverte que para cuatro putos, está corporados los polomos asocados a dos putos. Dode se ha defdo: (S p, S p ) y (S, S ) como seres de dos putos. S ( s s ) ( s s ) S w S 2 3 p 4 S ( s s ) ( s s ) S w S p 4 S ( s s ) j( s s ) S w S 2 3 p 4 S ( s s ) j( s s ) S w S p Relacoes de recurreca. De la descomposcó e dos polomos y reemplazado los valores de evaluacó co las - avas raíces complejas de la udad, se desprede dos relacoes de recurreca para calcular los S k. Ua para los valores: S, S, S 2,., S /2 -, y otra para: S /2, S /2 +, S /2 +2,., S - S S x xs x 2 2 k p ( ) ( ) S S w w S w 2k k 2k k p ( ) ( ) S S w w S w 2 k k / 2 2k k /2 p ( ) ( ) Empleado las propedades de las raíces complejas, se obtee: S S w w S w S w w S w S w S 2k k 2k k k k k k p ( ) ( ) p ( / 2 ) ( / 2) kp k S S ( w ) w S ( w ) S ( w ) w S ( w ) S ( w ) w S ( w ) S w S 2 k k / 2 2k 2k k 2k k k k k k / 2 p p p / 2 / 2 kp k Dode se ha defdo los valores de la parte par e mpar como ua evaluacó de u polomo de /2 putos. S S ( w ) S k kp p /2 S ( w ) k k /2 Falmete se obtee:

9 Trasformada rápda de Fourer 9 S S w S k k kp k S S w S k k /2 kp k Co k=,, 2, (/2)- Asumedo operacoes co úmeros complejos, los valores se calcula de a pares, e térmos de los valores asocados a dos seres de /2 putos cada ua: for (k=; k<= (/2)-; k++) { S k = S kp + w k S k ; S k+/2 = S kp - w k S k ; Es usual calcular ua sola vez, la expresó comú detro del for. for (k=; k<= (/2)-; k++) { t = w k S k ; S k = S kp + t ; S k+/2 = S kp - t ; El costo de calcular ua poteca puede extraerse, a través de ua multplcacó detro del lazo: w = e -j2 / ; w = ; for (k=; k<= (/2)-; k++) { t = w*s k ; S k = S kp + t ; //Operacó deomada marposa. Butterfly. S k+/2 = S kp - t ; w * = w ; La codfcacó puede modfcarse para tratar las varables complejas, por sus partes reales e magaras. Para u polomo descrto por 8 putos temporales. El cálculo puede vsualzarse medate la descomposcó e dos polomos de 4 putos, co los putos pares e uo, y los mpares e otro. U polomo de 4 putos, se puede calcular medate la composcó de dos polomos de dos putos, dode uevamete se separa los ubcados e poscoes pares e mpares. No es ecesaro descompoer polomos de dos putos, ya que su evaluacó es seclla. El sguete árbol lustra la separacó etre partes pares e mpares.

10 Estructuras de Datos y Algortmos s s s 2 s 3 s 4 s 5 s 6 s 7 s s 2 s 4 s 6 s s 3 s 5 s 7 Fgura Descomposcó e polomos pares e mpares. S cada vez se suprme el bt meos sgfcatvo que represeta al ídce e baro, se tedrá que la dvsó se efectúa etre pares e mpares. Por ejemplo el grupo (, 2, 4, 6) se trasforma al suprmr el bt meos sgfcatvo e (,, 2, 3). Esta vsualzacó també posblta u algortmo teratvo e lugar de recursvo. E el vel de las hojas se aplca la operacó marposa a todos los grupos de a dos (pero e el orde que fgura e las hojas), luego se evalúa polomos de 4 putos cada uo, cosderado ahora las raíces cuartas complejas de la udad, y así sucesvamete ascededo de vel Reordeameto de los putos. s s 4 s 2 s 6 s s 5 s 3 s 7 S se observa la sguete tabla, dode se ha colocado los valores de las muestras temporales e u arreglo, juto a sus ídces e baro y el arreglo modfcado. Puede otarse que los ídces e baro del arreglo modfcado so las mágees especulares de los ídces orgales. Puede també otarse que la últma columa se puede vsualzar como u cotador baro verso, es decr los dígtos que prmero camba so los más sgfcatvos. E este caso sólo es precso tercambar s co s 4, y s 3 co s 6. Arreglo orgal Cotador baro Arreglo modfcado Cotador verso s s s s 4 s 2 s 2 s 3 s 6 s 4 s s 5 s 5 s 6 s 3 s 7 s 7 Fgura Cotador baro drecto e verso. Para 6 putos, colocado los valores de los cotadores baros drecto e verso, e decmal, puede otarse que bastaría geerar las dos secuecas de valores sguetes:

11 Trasformada rápda de Fourer j g x g x g x x x x g Fgura Cotador baro verso co cuetas e decmal. Y sólo tercambar cuado j>. Esto evta los cambos e los casos detfcados e el tercer regló co g (por gualdad), y los cambos marcados co x (esto volvería a su lugar a los elemetos del arreglo). Además o es precso revsar los casos co = e =5. S el úmero de muestras es ua poteca de dos, se tee que el prmer valor de j, de la secueca que debe geerarse, será: j=/2 o la expresó equvalete: j=>>. La sguete fucó tercamba los elemetos de u arreglo x, geerado las secuecas de valores de y j. vod btreverse(t *x, t ) { t medos=>>,, j, k, tx; // cotador baro for (=, j=medos; <-2; ++) { //prtf("=%d j=%d\",, j); f ( < j) { tx = x[]; x[] = x[j]; x[j] = tx; //j cotador baro verso. Icremeta e uo la poscó más sgfcatva. //y desplaza a la derecha las reservas. for(k=medos; k <= j; k >>= ) {j -= k; j+=k; Ejemplos del cotador baro verso, co operacoes e decmal: S k y j tee valor 8 ( e baro) se efectúa la resta (queda j=) y la codcó de reco deja k=4 (), lo cual terma la teracó. Después del for se setea e uo el bt que marca k, y deja j=4 (). Se camba todos los uos más sgfcatvos por ceros, hasta ecotrar el prmer cero, el cual se setea a uo. S k=8 y j = 2 ( e baro) se efectúa la resta (queda j=4) y la codcó de reco deja k=4 (), se vuelve a terar, quedado j= y k=2. Lo cual terma la teracó. Después del for se setea e uo el bt que marca k, y deja j=4 ().

12 2 Estructuras de Datos y Algortmos El sguete ejemplo, busca el prmer cero y lo camba por uo, poedo e cero el más sgfcatvo. S k=8 y j= (), la prmera teracó deja j=2 () y k = 4 (), termado la teracó. El uevo valor de j será 6 () Otra alteratva de dseño es geerado la mage especular de para formar j. Se detecta los uos de, y se los copa, medate la varable m, e la poscó especular e j. vod cotadorverso(t *x, t ) { t medos=>>,, j, m,k,tx; for (=,j=medos; <-2; ) //el peúltmo es par { prtf("=%d j=%d\",,j); f ( < j) { tx = x[]; x[] = x[j]; x[j] = tx; for(++, k=medos, m=, j=; k >=; k >>=, m<<=) { f(&k) j =m; Operacó marposa. Para deducr el algortmo teratvo, veremos alguos casos específcos. Para ua sere de dos putos, se muestra la sere cal de putos temporales e u arreglo. Luego de aplcar la operacó marposa, y falmete la reterpretacó de los putos e frecueca. =2 for (k=; k<= (/2)-; k++) { S k = S kp + w k S k ; S k+/2 = S kp - w k S k ; S = S p + w 2 S ; S = S p - w 2 S ; Co w 2 = s s s + s s -s S S La composcó de la sere de 4 putos a partr de las seres de dos putos, se obtee co:

13 Trasformada rápda de Fourer 3 =4 for (k=; k<= (/2)-; k++) { S k = S kp + w k S k ; S k+/2 = S kp - w k S k ; S S w S ( s s ) ( s s ) p S S w S ( s s ) ( s s ) 2 p S S w S ( s s ) j( s s ) p S S w S ( s s ) j( s s ) 3 p Co: w 4 =, w 4 = - j = (w 2 ) /2 w 4 = w 2 Para ua sere de cuatro putos temporales, se procede al reordeameto. A éstos se los trata como seres de dos putos. Se aplca la operacó marposa, co =2, a todos los pares: Luego de la operacó e los pares: (,)(2,3) s s 2 s s 3 s + s 2 s -s 2 s +s 3 s -s 3 Queda las seres e frecueca de dos putos S p S p S S Se aplca ahora la operacó marposa co =4. A los pares (,2) y (,3). Lo cual geera los cuatro putos e frecueca. S p +S S p -S S p -js S p +js Que puede leerse segú: S S S 2 S 3 La composcó de la sere de 8 putos a partr de las seres de cuatro putos, se obtee co: =8 for (k=; k<= (/2)-; k++) { S k = S kp + w k S k ; S k+/2 = S kp - w k S k ; Es decr:

14 4 Estructuras de Datos y Algortmos S S w S p 8 S S w S 4 p 8 S S w S p 8 S S w S 5 p 8 S S w S p 8 2 S S w S p 8 2 S S w S p 8 3 S S w S p 8 3 Co: w 8 =, w 8 = e -j /4 = ( j ) w 8 = w 4 2 E el vel : Se forma seres de dos putos, aplcado la operacó marposa co =2, a los pares: (, ), (+2*, +2*), (+2*2, +2*2), (+2*3, +2*3) E el vel uo: Se forma seres de 4 putos. La composcó de dos seres de 2 putos se logra aplcado la operacó co =4, a los pares (,2) (,3) y també a los pares (+4, 2+4) (+4, 3+4) logrado dos seres de cuatro putos. E el vel dos: La composcó de dos seres de 4 putos se logra aplcado la operacó co =8. A los pares (,4) (,5) (2,6) (3, 7) Dos seres de 4 putos S p S p S 2p S 3p S S S 2 S 3 Sere de 8 putos Veamos ahora el caso geeral: S es el úmero de putos. E el vel, se tee /2 seres de 2 putos. E el vel, se tee /4 seres de 4 putos. E el vel 2, se tee /8 seres de 8 putos. E el vel j, se tee /2 j+ seres de 2 j+ putos. E últmo vel, el m-, la úca sere es de = 2 m putos. S S S 2 S 3 S 4 S 5 S 6 S 7 El algortmo teratvo debe geerar las seres asocadas al vel, y los pares de putos de cada sere y luego aplcarles la operacó marposa a cada par. Es decr, a través de la varable j, se repte para cada grupo formado por putos:

15 Trasformada rápda de Fourer 5 for(j=; j<; j+=) for (k=; k<= (/2)-; k++) { S k+j = S kp + w k S k ; S k+j+/2 = S kp - w k S k ; Falta aú ua últma teracó para procesar cada uo de los veles. El sguete segmeto geera los pares a los que debe aplcárseles la operacó. vod marposa(t m) { t, k, j,, vel; = ; for (k=; k<m; k++) *= 2; //=2^m geera úmero de putos =; for (vel=; vel<m; vel++) { =2*; //seres de putos. Co =2^(vel+) for(j=; j<; j=j+) //Para todos los elemetos e grupos de { for (k=; k< /2; k++)//se aplca marposa a los pares (k+j, k+j+/2) { prtf("(%d,%d)", k+j, k+j+/2); putchar('\'); Para m= 4, se tee 6 putos, el programa geera los pares: (,) 8 seres de dos putos (2,3) (4,5) (6,7) (8,9) (,) (2,3) (4,5) (,2)(,3) 4 seres de 4 putos (4,6)(5,7) (8,)(9,) (2,4)(3,5) (,4)(,5)(2,6)(3,7) 2 seres de 8 putos (8,2)(9,3)(,4)(,5) (,8)(,9)(2,)(3,)(4,2)(5,3)(6,4)(7,5) sere de 6 putos La sguete fucó resume las prcpales deas. Sólo falta defr el tratameto de los úmeros complejos y de los arreglos.

16 6 Estructuras de Datos y Algortmos vod marposa(double *S, t m) { t, k, j,, vel; double w, w, u, t; for (k=, =; k<m; k++) *= 2; //=2^m geera, el úmero de putos a partr de m =; w = w 2 ; //Al co las seres so de dos putos for (vel=; vel<m; vel++) { =2*; //seres de putos. Co =2^(vel+) for(j=; j<; j=j+) //Para todos los elemetos e grupos de { w = ; for (k=; k< /2; k++) //Se aplca marposa a los pares (k+j, k+j+/2) { t = w*s k+j+/2 ; //Co los valores de seres de /2 putos u = S k+j ; S k+j = u + t ; //Se calcula co la operacó marposa, los S k+j+/2 = u - t ; //valores de las seres de putos. w * = w ; w = w ; //Se duplca el úmero de putos. Al co, e el vel cero, las seres so de dos putos; al subr de vel debe calcularse la ueva raíz compleja. Se lustra, e el prmer cuadrate la ueva raíz, que tee la mtad del águlo. w w 2 /2 Fgura Cálculo de la raíz cuadrada. Para calcular la raíz compleja prcpal asocada a ua sere de 2 putos a partr de la raíz compleja prcpal asocada a ua sere de putos, puede efectuarse las sguetes defcoes:

17 Trasformada rápda de Fourer 7 w x jy w x jy Del dagrama, aplcado la detdad trgoométrca para la tagete del águlo medo, se obtee ua relacó etre las coordeadas cartesaas de las raíces; la seguda relacó se cumple debdo a que el módulo de las raíces es de magtud utara. se tg( /2) cos y2 y x x x 2 y Despejado, del sstema de ecuacoes, se obtee las coordeadas cartesaas de w 2 e fucó de las coordeadas de w. x y2 2 x 2 x 2 El códgo completo de la fucó, co: s[]=x[] + jy[], w=w +jw2, w=w +jw2, además se defe ua sere de varables locales, para tercambos y para extraer costates detro de los lazos. Se elma los llamados a fucó, para dsmur el costo de la creacó de frames e el stack. Se agrega el argumeto dr, para obteer la trasformada drecta e versa co la msma fucó. vod FFT(short t dr, log m, double *x, double *y ) { t,, medos, vel,,j,k,; double w,w2, w,w2,tx,ty,tw,t,t2; for (k=,=; k<m; k++) *= 2; //=2^m geera úmero de putos a partr de m //vod btreverse(t *x, t ) medos=>>; for (=, j=medos; <-2; ++) { //prtf("=%d j=%d\",,j); f ( < j) { tx = x[]; ty = y[]; x[] = x[j]; y[] = y[j]; x[j] = tx; y[j] = ty;

18 8 Estructuras de Datos y Algortmos //j cotador baro. Icremeta e uo la poscó más sgfcatva. //y desplaza a la derecha las reservas. for(k=medos; k <= j; k >>= ) {j -= k; j+=k; /* Calcula FFT */ =; //w = w2 = -+j; E el prmer vel so seres de dos putos w = -.; w2 =.; for (vel=; vel<m; vel++) { =2*; //seres de putos. Co =2^(vel+) for(j=; j<; j=j+) //Para todos los elemetos e grupos de { //w = +j; w =.; w2 =.; for (k=; k< /2; k++) //Se aplca marposa a los pares (k+j, k+j+/2) { =k+j; =+/2; //t = w*s[k+j+/2]; t = w * x[] - w2 * y[]; t2 = w * y[] + w2 * x[]; //u = S[k+j]; //S[k+j+/2] = u - t; x[] = x[] - t; y[] = y[] - t2; //S[k+j] x[] += t; y[] += t2; //w * = w ; tw = w * w - w2 * w2; w2 = w * w2 + w2 * w; w = tw; = u + t ; //Operacó marposa. //w = sqrt(w) ; Al subr de vel se requere la raíz cuadrada de la ateror. w2 = sqrt((. - w) / 2.); f (dr == ) w2 = -w2; w = sqrt((. + w) / 2.); /* Escalameto para trasformada versa */ f (dr == -) for (=; <; ++) { x[] /= ; y[] /= ;

19 Trasformada rápda de Fourer Iterpretacó de la FFT Correte cotua. Para ua sere de 6 valores costates e el tempo se obtee u espectro de u solo puto e el orge. Fgura Forma de oda y espectro para señal cotua e tempo. Nótese el valor 6 e el valor máxmo del espectro. E alguas defcoes se platea la trasformada drecta escalada e /. E este caso el máxmo valor del espectro será. Esto mejora la terpretacó como u mpulso de Drac de fuerza uo, asocado a la correte cotua Prmera armóca. Para 6 muestras de la señal temporal: cos(2 t/6), co =..5 se tee la gráfca de la señal, e cremetos de t. Su FFT, grafcada como magtudes de los valores complejos, está asocada dos putos dferetes de cero; uo e f= f, y otro e f=5 f. Dode f = / t. Se toma 6 muestras e u período de la señal temporal. La gráfca temporal está e udades de t, que es el tervalo de muestreo. Se dce que es la prmera armóca. El espectro está e udades de f. El puto espectral e 5 f es ua frecueca espejo relatva a f=8 f, que se deoma frecueca de Nyqust, para el caso de 6 muestras. E el espectro, la más alta muestra e frecueca (postva o egatva) se deoma frecueca de Nyqust. Es la mayor compoete de alta frecueca que puede exstr e la señal temporal. Dcho de otra forma s la señal o cotee frecuecas superores a la de Nyqust puede ser recostruda exactamete a partr de sus muestras.

20 2 Estructuras de Datos y Algortmos S la señal que se va a muestrear tee ua frecueca máxma, para poder recuperar dcha señal, a partr de sus muestras, debe muestreársela co ua frecueca que sea el doble de la frecueca máxma. Es decr dos muestras por período a lo meos. S la señal varía más rápdo que la mtad de la frecueca de muestreo o puede recuperársela a partr de las muestras Seguda armóca. Fgura 24.. Forma de oda y espectro para Prmera armóca. Para 6 muestras de la señal temporal: cos(2 t/8), co =..5 se tee la gráfca de la señal, e cremetos de t. Su FFT está asocada dos putos dferetes de cero; uo e f=2 f, y otro e f=4 f. Dode f = / t. Se dce que es la seguda armóca. El puto espectral e 4 es ua frecueca espejo relatva a la frecueca de Nyqust. Se toma ahora 8 muestras por período. Fgura 24.. Forma de oda y espectro para Seguda armóca.

21 Trasformada rápda de Fourer Tercera armóca. Se dbuja ahora la señal temporal de tercera armóca juto a la prmera o fudametal, e forma cotua. A la derecha se lustra las 6 muestras de la tercera armóca. Se toma 6/3 muestras por período. Fgura Forma de oda y muestras para Tercera armóca. La trasformada rápda muestra el espectro, dode fgura la tercera armóca, y su espejo e Séptma armóca. Fgura Espectro para Tercera armóca. Nótese que las muestras temporales dfíclmete permte vsualzar la fgura cotua. Se toma 6/7 muestras por período.

22 22 Estructuras de Datos y Algortmos Fgura Forma de oda y muestras para Séptma armóca. La trasformada rápda permte vsualzar el cotedo armóco de la séptma. Y el espejo e Octava armóca. Fgura Espectro para Séptma armóca. Al tomar muestras co la frecueca de Nyqust, se toma dos muestras por período de la octava armóca, que tee período 2 t, ya que la fudametal tee período 6 t. Frecueca de la fudametal = /6 t = f/6 = f f. Frecueca de la octava armóca es = f/2 = 8 f f. Período de muestreo = t, frecueca de muestreo =/ t = f. Frecueca de Nyqust = f/2 = 8 f f. Las muestras de la octava armóca, dos por período, se lustra juto a ua gráfca cotua.

23 Trasformada rápda de Fourer 23 Fgura Forma de oda y muestras para Octava armóca. Y el espectro de magtudes obtedo medate la FFT: Fgura Espectro para Octava armóca. Para la ovea armóca, cuya frecueca es mayor que la de Nyqust se obtee u espectro détco al de la séptma armóca. Lo cual o permte recostrur la señal temporal a través de su espectro Frecuecas o múltplos eteros de la frecueca de muestreo. Los casos aterores daba u espectro de toos puros. S embargo ua frecueca levemete dferete hace aparecer varas armócas. Veamos por ejemplo ua señal de,2 veces la frecueca fudametal (cos(2 t*,2/6) ) Se apreca u valor de compoete cotua y preseca de seguda tercera y cuarta, e magtudes decrecetes. Sedo mayor la preseca de prmera armóca.

24 24 Estructuras de Datos y Algortmos Fgura Forma de oda y espectro para o múltplo de frecueca de muestreo. Para ua señal co frecueca,5 veces la de prmera armóca, aparece compoetes espectrales e toda la bada (de a 8), sedo más mportates las cotrbucoes de la prmera y seguda. Fgura Espectro para co frecueca,5 veces la de prmera armóca.

25 Trasformada rápda de Fourer 25 La mezcla de dos toos puros: seguda de ampltud uo, y cuarta de ampltud,5. Fgura Mezcla de frecuecas múltples de la de muestreo. La mezcla de u terco de la 3,2 armóca co u quto de la 5,5 armóca: Fgura Mezcla de frecuecas o múltplos de la de muestreo. Se apreca la dfcultad para terpretar el cotedo armóco e el espectro. Se detecta co facldad la mportaca de la tercera, pero o la de la quta o sexta Dervacó de la FFT a partr de la trasformada de Fourer. ( s( t)) S( f ) s( t) e j2 ft dt ( S( f )) s( t) S( f ) e j2 ft df

26 26 Estructuras de Datos y Algortmos S se aproxma la prmera tegral, asumedo que s(t) es cero fuera del período fudametal (=..-), por ua sumatora, cosderado el tempo como ua varable dscreta t= t. s s - s s 2 t t = t = t t 2 =2 t t - t=tervalo de muestreo t=período fudametal Fgura Aproxmacó de la tegral temporal. j2 f t S( f ) s( t) e t Para aproxmar la seguda tegral, se dscretza la varable f, e los putos f. Esto també cosdera cero el espectro fuera del tervalo f. Co =..- y k=..-. Dvdedo la prmera por t, y arreglado la seguda sumatora, se obtee: Defedo, co k=..-: j2 fk t s( k t) S( f ) e df j2 k f t S( k f ) s( t) e t j2 k f t s( k t) S( f ) e f S( k f ) t s( t) e j2 k f t S( f ) s( k t) f t e t j2 k f t

27 Trasformada rápda de Fourer 27 S( k f ) Sk ( ) t s( k) s( k t) f t Se obtee los polomos: S( k) s( ) e s( k) S( k) e j2 k / j2 k / Referecas. Thomas H. Corme, Charles E. Leserso, y Roald L. Rvest, "Itroducto to Algorthms", Secod Edto, McGraw-Hll, ISBN , 2.

28 28 Estructuras de Datos y Algortmos Ídce geeral. CAPÍTULO TRANSFORMADA RÁPIDA DE FOURIER REPRESENTACIÓN POR N COEFICIENTES REPRESENTACIÓN POR N VALORES TRANSFORMADA DISCRETA DE FOURIER DESARROLLO DEL ALGORITMO DE TRANSFORMADA RÁPIDA DE FOURIER N-AVAS RAÍCES COMPLEJAS DE LA UNIDAD SERIES DISCRETAS PARA DOS Y CUATRO PUNTOS RELACIONES DE RECURRENCIA REORDENAMIENTO DE LOS PUNTOS OPERACIÓN MARIPOSA INTERPRETACIÓN DE LA FFT Correte cotua Prmera armóca Seguda armóca Tercera armóca Séptma armóca Octava armóca Frecuecas o múltplos eteros de la frecueca de muestreo DERIVACIÓN DE LA FFT A PARTIR DE LA TRANSFORMADA DE FOURIER REFERENCIAS ÍNDICE GENERAL ÍNDICE DE FIGURAS

29 Trasformada rápda de Fourer 29 Ídce de fguras. FIGURA 24. REPRESENTACIÓN POR MUESTRAS FIGURA 24.2 REPRESENTACIÓN DE POLINOMIOS POR PUNTOS FIGURA RAÍCES COMPLEJAS CUADRADAS DE LA UNIDAD... 6 FIGURA RAÍCES COMPLEJAS CUARTAS DE LA UNIDAD... 6 FIGURA DESCOMPOSICIÓN EN POLINOMIOS PARES E IMPARES.... FIGURA CONTADOR BINARIO DIRECTO E INVERSO.... FIGURA CONTADOR BINARIO INVERSO CON CUENTAS EN DECIMAL.... FIGURA CÁLCULO DE LA RAÍZ CUADRADA FIGURA FORMA DE ONDA Y ESPECTRO PARA SEÑAL CONTINUA EN TIEMPO FIGURA 24.. FORMA DE ONDA Y ESPECTRO PARA PRIMERA ARMÓNICA FIGURA 24.. FORMA DE ONDA Y ESPECTRO PARA SEGUNDA ARMÓNICA FIGURA FORMA DE ONDA Y MUESTRAS PARA TERCERA ARMÓNICA FIGURA ESPECTRO PARA TERCERA ARMÓNICA FIGURA FORMA DE ONDA Y MUESTRAS PARA SÉPTIMA ARMÓNICA FIGURA ESPECTRO PARA SÉPTIMA ARMÓNICA FIGURA FORMA DE ONDA Y MUESTRAS PARA OCTAVA ARMÓNICA FIGURA ESPECTRO PARA OCTAVA ARMÓNICA FIGURA FORMA DE ONDA Y ESPECTRO PARA NO MÚLTIPLO DE FRECUENCIA DE MUESTREO FIGURA ESPECTRO PARA CON FRECUENCIA,5 VECES LA DE PRIMERA ARMÓNICA FIGURA MEZCLA DE FRECUENCIAS MÚLTIPLES DE LA DE MUESTREO FIGURA MEZCLA DE FRECUENCIAS NO MÚLTIPLOS DE LA DE MUESTREO FIGURA APROXIMACIÓN DE LA INTEGRAL TEMPORAL

Números Complejos PREGUNTAS MÁS FRECUENTES

Números Complejos PREGUNTAS MÁS FRECUENTES Repaso de º de Bachllerato Números Complejos PREGUNTAS MÁS FRECUENTES. Qué es la udad magara? Es u elemeto del que coocemos úcamete su cuadrado:.obvamete, o se trata de u úmero real.. Qué es u úmero complejo?

Más detalles

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

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

. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( )

. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( ) Los úmeros complejos surje a ra de ecuacoes de la forma x + 0 Exste u certo paralelsmo etre este cuerpo el plao, cocretamete, lo que ha es ua correspodeca buívoca, es decr, ua relacó bectva etre C R R

Más detalles

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

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

Transformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas

Transformada 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 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

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

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

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

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

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

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

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

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

CAPÍTULO IV NÚMEROS COMPLEJOS E INDUCCIÓN MATEMÁTICA

CAPÍTULO IV NÚMEROS COMPLEJOS E INDUCCIÓN MATEMÁTICA NÚMEROS COMPLEJOS E INDUCCIÓN MATEMATICA 55 CAPÍTULO IV NÚMEROS COMPLEJOS E INDUCCIÓN MATEMÁTICA 4. INTRODUCCIÓN Los úmeros Complejos costtuye el mímo cojuto C, e el que se puede resolver la ecuacó x a

Más detalles

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

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

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

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

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x) APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)

Más detalles

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

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

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

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

CAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_01. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D.

CAPITULO 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 detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A

GRADO 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 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

2.5. Área de una superficie.

2.5. Área de una superficie. .5. Área de ua superfce. Sea g ua fucó co prmeras dervadas parcales cotuas, tal que z g( x y), 0 e toda la regó D del plao xy. Sea S la parte de la gráfca de g cuya proyeccó e el plao xy es como se lustra

Más detalles

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

Más detalles

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

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

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

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

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

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

MEDIDAS DE FORMA Y CONCENTRACIÓN

MEDIDAS DE FORMA Y CONCENTRACIÓN MEDIDAS DE FORMA Y CONCENTRACIÓN 4..- Asmetría: coefcetes de asmetría de Fsher y Pearso. Otros Coefcetes de asmetría. 4.2.- La ley ormal. 4..- Curtoss o aplastameto: coefcete de Fsher. 4.4.- Meddas de

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

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

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

Más detalles

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

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

Métodos Numéricos para Ingenieros Químicos

Métodos Numéricos para Ingenieros Químicos CONTENIDO Métodos Numércos para Ieeros Químcos Itroduccó Formas de resolucó de ecuacoes trascedetes Método ráco Tema Ecuacoes Trascedetes () Métodos cerrados Bseccó Iterpolacó Secate Clase 3 - Láma Ecuacoes

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

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

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

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

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

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

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

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

Una Propuesta de Presentación del Tema de Correlación Simple

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

Más detalles

GUÍA DE EJERCICIOS. Área Matemática Álgebra lineal

GUÍA DE EJERCICIOS. Área Matemática Álgebra lineal GUÍA DE EJERCICIOS Área Matemátca Álgebra leal Resultados de apredzaje. Recoocer exsteca de subespaco vectoral. Cotedos 1. Espacos vectorales. 2. Subespacos vectorales. Debo saber Se debe recordar que

Más detalles

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

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

Números complejos. Números complejos. Las tribulaciones del estudiante Törless LITERATURA Y MATEMÁTICAS

Números complejos. Números complejos. Las tribulaciones del estudiante Törless LITERATURA Y MATEMÁTICAS Números complejos SOLUCIONARIO Números complejos LITERATURA Y MATEMÁTICAS Las trbulacoes del estudate Törless Dme, etedste be todo esto? Qué? Ese asuto de los úmeros magaros. Sí, o es ta dfícl. Lo úco

Más detalles

Sist. Lineales de Ecuaciones

Sist. 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 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

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

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL Smposo de Metrología 4 al 7 de Octubre DISTRIBUCIÓ DE LA MEDIA Y EL TEOREMA DEL LÍMITE CETRAL Wolfgag A. Schmd Cetro acoal de Metrología Tel.: (44) 4, e-mal: wschmd@ceam.mx Resume: De acuerdo al Teorema

Más detalles

n 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

n 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 detalles

Fórmulas de de Derivación Numérica: Aproximación de de la la derivada de de orden k de de una función

Fórmulas de de Derivación Numérica: Aproximación de de la la derivada de de orden k de de una función Uversdad Poltécca de Madrd Igeería de Mas Fórmulas de de Dervacó Numérca: Aproxmacó de de la la dervada de de orde k de de ua ucó Pro. Arturo Hdalgo LópezL Pro. Alredo López L Beto Pro. Carlos Code LázaroL

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

ÁLGEBRA II (LSI PI) VALORES Y VECTORES PROPIOS UNIDAD Nº 6. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO

ÁLGEBRA II (LSI PI) VALORES Y VECTORES PROPIOS UNIDAD Nº 6. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO 6 ÁLGEBRA II (LSI PI) UNIDAD Nº 6 VALORES Y VECTORES PROPIOS Facultad de Cecas Exactas y Tecologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO aa Error! No hay texto co el estlo especfcado e el documeto.

Más detalles

Gráfica de los resultados experimentales: Variable Independiente: Variable Dependiente: Variable asociada:

Gráfica de los resultados experimentales: Variable Independiente: Variable Dependiente: Variable asociada: :: OBJETIVOS [3.] o Apreder a presetar los datos epermetales como grafcas -. o Apreder a usar las hojas de papel logarítmco Semlogarítmco o Determar la relacó matemátca de ua grafca leal de datos epermetales

Más detalles

CAPÍTULO 20: NÚMEROS COMPLEJOS (II)

CAPÍTULO 20: NÚMEROS COMPLEJOS (II) CAPÍTULO 0: ÚMEROS COMPLEJOS (II) Date Guerrero-Chaduví Pura, 05 FACULTAD DE IGEIERÍA Área Departametal de Igeería Idustral y de Sstemas CAPÍTULO 0: ÚMEROS COMPLEJOS (II) Esta obra está bajo ua lceca Creatve

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

mecánica estadística Estadísticas Cuánticas Capítulo 5

mecánica estadística Estadísticas Cuánticas Capítulo 5 mecáca estadístca Estadístcas Cuátcas Capítulo 5 Gas Ideal Mooatómco e el Límte Clásco Cosderemos u as deal s teraccó etre moléculas mooatómco e u volume V a temperatura T. Además supoemos que la separacó

Más detalles

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL TIPOS DE RELACIONES ENTRE VARIABLES Dos varables puede estar relacoadas por: Modelo determsta Modelo estadístco Ejemplo: Relacó de la altura co la edad e ños.

Más detalles

GENERACION DE VARIABLES ALEATORIAS

GENERACION DE VARIABLES ALEATORIAS GENERACION DE VARIABLES ALEATORIAS Hay ua varedad de métodos para geerar varables aleatoras. Cada método se aplca solo a u subcojuto de dstrbucoes y para ua dstrbucó e partcular u método puede ser más

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

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

Más detalles

CENTRO DE MASA centro de masas centro de masas

CENTRO DE MASA centro de masas centro de masas CENTRO DE ASA El cetro de masas de u sstema dscreto o cotuo es el puto geométrco que dámcamete se comporta como s e él estuvera aplcada la resultate de las fuerzas exteras al sstema. De maera aáloga, se

Más detalles

Aplicación de Boostrapping en Regresión I

Aplicación 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 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

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

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

Aplicaciones de Balances de Energía en Reactores Batch

Aplicaciones de Balances de Energía en Reactores Batch plcacoes de Balaces de Eergía e Reactores Batch Para u reactor batch, el BdeM se epresa como la ecuacó para determar el tempo de resdeca: t N ( rv Separado varables: V N Esta es ua ecuacó dferecal ordara

Más detalles

2 Representación gráfica de las series de frecuencias.

2 Representación gráfica de las series de frecuencias. Estadístca Tema. Geeracó de valores de ua varable aleatora. Pág. Represetacó gráfca de las seres de frecuecas.. Represetacó gráfca de caracteres cualtatvos... Dagramas dferecales... Dagramas tegrales..

Más detalles

TEMA 4: VALORACIÓN DE RENTAS

TEMA 4: VALORACIÓN DE RENTAS TEMA 4: ALORACIÓN DE RENTAS 1. Cocepto y valor facero de ua reta 2. Clasfcacó de las retas. 3. aloracó de Retas dscretas. Temporales. 4. aloracó de Retas dscretas. Perpetuas. 5. Ejerccos tema 4. 1. Cocepto

Más detalles

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

CALCULO DIFERENCIAL E INTEGRAL II. Figura 1

CALCULO DIFERENCIAL E INTEGRAL II. Figura 1 TEMA (Últma modcacó 8-7-5 CALCULO DIFERENCIAL E INTEGRAL II DERIVABILIDAD Recordemos el cocepto de dervadas para ucoes de ua varable depedete = (. Para lo cual ormamos el cremeto de la ucó = ( + - ( El

Más detalles

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo

Más detalles

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS Epermeto: I. OJETIVOS UNIVERSIDD DE TM Facultad de ecas Naturales Departameto de Físca TEORÍ DE ERRORES Idetfcar errores sstemátcos y accdetales e u proceso de medcó. ompreder los coceptos de eacttud y

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases

Curso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases Curso de Estadístca Udad de Meddas Descrptvas Leccó 3: Meddas de Tedeca Cetral para Datos Agrupados por Clases Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor Objetvos 1. Der el cocepto

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacó: Es u cojuto de elemetos co ua determada característca. Muestra: Es u subcojuto de la poblacó. Muestreo: Es el proceso para elegr ua muestra que sea represetatva de la poblacó.

Más detalles

TEORIA DE ERRORES. Fuentes De error. Error Final

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

Más detalles

ESTADÍSTICA 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

Colegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA

Colegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA Colego Sagrada Famla Matemátcas 4º ESO 011-01 1.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS ESTADÍSTICA DESCRIPTIVA La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.

Más detalles

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES Itroduccó a la Trasformada Wavelet DESCOMPOSICIÓN DE SEÑALES Trasformada Wavelet Curso 006 Itroduccó Para ua mejor compresó de los capítulos sguetes desarrollaremos aquí alguos coceptos matemátcos ecesaros

Más detalles

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

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

Más detalles

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)

UNIDAD 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 detalles

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u

de los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u FUNDAMENTOS DE LOS ESPACIOS VECTORIALES ABSTRACTOS Prmeros ejemplos. Cosderemos el cojuto V de los vectores lbres del plao. Recordemos que la operacó de sumar vectores verfcaba las sguetes propedades:

Más detalles

ALN - Valores y vectores propios

ALN - Valores y vectores propios ALN - Valores y vectores propos I. Co. Facultad de Igeería Uversdad de la Repúblca Versó. Plateo del problema Propedades matemátcas Método de las potecas Varates Trasformacoes de semeaa Gves Householder

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

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

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008 Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete

Más detalles

Métodos Numéricos TEMA 8: DERIVACION E INTEGRACION Numérica

Métodos Numéricos TEMA 8: DERIVACION E INTEGRACION Numérica Métodos Numércos TEMA 8: DERIVACION E INTEGRACION Numérca DIFERENCIACIÓN NUMÉRICA Polomo de terpolacó es aplcable para la resolucó de problemas de derecacó, e geeral y el cálculo de dervadas, e partcular.

Más detalles