Geometría convexa y politopos, día 1

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

Download "Geometría convexa y politopos, día 1"

Transcripción

1 Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n por letras x, y, z,... en negrta y las letras cursvas van a denotar las coordenadas, por ejemplo x = (x 1,..., x n ), donde x R. (En la pzarra en lugar de x será más fácl escrbr x.) Recordemos que R n tene estructura de espaco vectoral, afín, euclídeo, métrco, topológco, etc. Voy a denotar todas estas estructuras por el msmo símbolo R n. En partcular, para cada punto x R n tene sentdo la multplcacón por λ R: λ x := (λ x 1,..., λ x n ), y para cada pareja de puntos x, y R n se tene su suma x + y := (x 1 + y 1,..., x n + y n ). Tenemos el producto escalar (defndo postvo, smétrco, blneal) x, y := x 1 y x n y n. Voy a usar la notacón Recordemos la desgualdad del trángulo x := x, x. y tambén la desgualdad del trángulo nversa x + y x + y x y x y Esto defne una estructura de espaco métrco con dstanca d(x, y) := x y. En fn, tenemos la topología estándar sobre R n que es nducda por esta dstanca. Es decr, los subconjuntos abertos son unones arbtraras o nterseccones fntas de las bolas abertas B(x 0, ɛ) := {x R n x 0 x < ɛ} para x 0 R n y ɛ > 0. Las letras X, Y van a denotar subconjuntos de R n. La letra K va a denotar un subconjunto convexo (de la palabra konvex en alemán) y las letras P y Q van a denotar poltopos y poledros convexos. 1. Conjuntos convexos 1.1. Defncón. Un subconjunto A R n se llama un subespaco afín s se cumple una de las sguentes condcones equvalentes: 1

2 1) para cada dos puntos dferentes x 1, x 2 A la recta que pasa por x 1 y x 2 : está tambén contenda en A, {x 1 + λ (x 2 x 1 ) λ R} = {λ 1 x 1 + λ 2 x 2 λ 1 + λ 2 = 1} 2) A contene todos los puntos de R n afínmente dependentes de A. Se dce que x R n es afínmente dependente de A s x es una combnacón afín de certos puntos x 1,..., x k A: x = λ x 1 k para certos coefcentes λ R tales que λ = 1. De hecho, para k = 2 la condcón 2) es la msma cosa que 1). Entonces 2) mplca 1). Ahora sea A un subconjunto que satsface la condcón 1). La condcón 2) se demuestra por nduccón sobre k: el caso k = 1 es trval, y para k 2, s tenemos un punto x = λ x 1 k donde λ = 1 y x 1,..., x k A, entonces sn pérdda de generaldad λ k 1 y λ λ k 1 0, y ( x = (λ λ k 1 ) 1 k 1 λ λ λ k 1 x lo cual sgnfca que x pertenece a la recta que pasa por los puntos ) + λ k x k, ( ) λ 1 k 1 λ 1 + +λ x k 1 y x k Defncón. Se dce que un subconjunto X R n es afínmente ndependente s X no contene nngún punto x X que sea afínmente dependente de X \ {x}. Notamos que la condcón 2) de arrba no depende del orgen de coordenadas 0 R n, y se ve fáclmente que X R n es afínmente ndependente s y solamente s para dferentes puntos x 0,..., x k X la relacón α x = 0 0 k para α = 0 mplca que α 0 = = α k = 0. Es decr, los vectores x 1 x 0,..., x k x 0 son lnealmente ndependentes. Medante álgebra lneal básca se ve que cada subespaco afín A R n contene un subconjunto afínmente ndependente maxmal {x 0,..., x d }, tal que A es el conjunto de todos los puntos de R n afínmente dependentes de {x 0,..., x d }: A = { 0 d λ x λ = 1} Defncón. El número d de arrba se llama la dmensón de A. Los números λ se llaman las coordenadas barcéntrcas respecto a {x 0,..., x d }. En otras palabras, se puede defnr sobre A una estructura de R-espaco vectoral (escogendo como orgen de coordenadas a x 0 A), y la dmensón de este espaco vectoral es la dmensón de A. Los puntos {x 1,..., x d } defnen una base partcular de este espaco vectoral Ejemplo. La dmensón del plano R 2 es 2 porque se puede encontrar 3 puntos x 0, x 1, x 2 afínmente ndependentes (los vectores x 1 x 0 y x 2 x 0 son lnealmente ndependentes): 2

3 1.5. Defncón. Un subconjunto K R n se llama convexo s se cumple una de las sguentes condcones equvalentes: 1) para cualesquera dos puntos dferentes x 1, x 2 K el segmento de la recta entre x 1 y x 2 [x 1, x 2 ] := {x 1 + λ (x 2 x 1 ) 0 λ 1} = {λ 1 x 1 + λ 2 x 2 λ 1, λ 2 0, λ 1 + λ 2 = 1} está tambén contendo en K, x 1 x 2 x 1 x 2 convexo no convexo 2) K contene todos los puntos de R n convexamente dependentes de K. Se dce que x R n es convexamente dependente de K s x es una combnacón convexa de algunos puntos x 1,..., x k K: x = λ x 1 k para algunos coefcentes λ 0 tales que λ = 1. Noten que la dferenca entre la defncón de un subconjunto convexo y un subespaco afín es que para un conjunto convexo se pde que λ sean no negatvos, y entonces la equvalenca de las condcones 1) y 2) se demuestra de la msma manera. Tambén notamos que cada subespaco afín de R n es un ejemplo (poco nteresante) de un conjunto convexo. El conjunto vacío es tambén convexo Observacón. Sean K R n y L R m dos conjuntos convexos y sea f : R n R m una aplcacón afín. Entonces f (K) R m y f 1 (L) R n son tambén convexos. Demostracón. Recordemos que una aplcacón afín f : R n R m se caracterza como una aplcacón tal que para cada famla de puntos x, para λ x donde λ = 1 se tene f ( λ x ) = λ f (x ). S f (x ) f (K), entonces para cualquer combnacón convexa tenemos λ f (x ) = f ( λ x ) f (K). } {{ } K De modo smlar, s x f 1 (L), es decr f (x ) L, entonces es decr λ x f 1 (L). f ( λ x ) = λ f (x ) L, 3

4 1.7. Ejercco. Cuáles son los subconjuntos convexos de R 1? Dgamos que dos subconjuntos X y Y son dferentes s uno no se trasforma en otro por una homoteca de razón postva (una aplcacón x λ x con λ > 0). Cuáles son los subconjuntos convexos dferentes de R 1? Aquí hay un par de ejemplos de conjuntos convexos que no son subespacos afnes: 1.8. Ejemplo. Una bola en R n (cerrada o aberta) es un conjunto convexo. Sn pérdda de generaldad, la bola está centrada en 0 R n. Sean x 1 y x 2 dos puntos en la bola de rado r, es decr x 1 r y x 2 r. Sea x = x 1 + λ (x 2 x 1 ) = (1 λ) x 1 + λ x 2 para 0 λ 1. Entonces por la desgualdad del trángulo x (1 λ) x 1 + λ x 2 r. Para la bola aberta susttuyan por < Ejemplo. Sea v 0 un punto en R n y α R algún número fjo. Entonces el subconjunto H := {x R n x, v = α} es un hperplano que dvde R n en dos semespacos abertos H + := {x R n x, v > α}, H := {x R n x, v < α}. x 2 2 v H + 0 H 2 x 1 H Ejemplo: v = (1, 1), α = 2, H = {(x 1, x 2 ) R 2 x 1 + x 2 = 2}. H + y H son convexos. Por ejemplo, s x 1, x 2 H +, entonces para cualquer λ 1, λ 2 0 tales que λ 1 + λ 2 = 1 tenemos λ 1 x 1 + λ 2 x 2, v = λ 1 x 1, v + λ 2 x 1, v > α. S en lugar de las condcones > y < se consderan y, entonces se tene semespacos cerrados correspondentes H + y H Ejemplo. Sean v 0,..., v n R n+1 algunos puntos dferentes tales que {v 0,..., v n } es afínmente ndependente. Entonces el símplce con vértces v 0,..., v n es el subconjunto de R n defndo por S := { α v α = 1, α 0}. 0 n 4

5 Se ve fáclmente que S es convexo. De hecho, s x 1 = 0 n α (1) v y x 2 = 0 n α (2) v son puntos de S (es decr, α (1) = α (2) = 1) y λ 1, λ 2 0 son algunos números postvos tales que λ 1 + λ 2 = 1, entonces λ 1 x 1 + λ 2 x 2 = (λ 1 α (1) + λ 2 α (2) ) v, 0 n que es tambén un punto de S porque λ 1 α (1) + λ 2 α (2) = λ 1 α (1) + λ 2 α (2) = λ 1 + λ 2 = 1. Normalmente en R n+1 se consderan los puntos v 0 = (1, 0,..., 0), v 1 = (0, 1,..., 0),..., v n = (0, 0,..., 1), y el conjunto correspondente se llama el n-símplce estándar: n := {(α 0,..., α n ) R n+1 α = 1, α 0}. x 3 v 2 v 0 x 1 v 1 x Ejemplo. Un subconjunto C R n se llama un cono de vértce 0 s 0 C y para cada punto x C y cada λ > 0 tambén λ x C. Notemos que C es convexo s y solamente s para cada x, y C tenemos x + y C. En otras palabras, un cono convexo C es un subconjunto de R n tal que 0 C y C es cerrado bajo combnacones lneales postvas. En general, un cono de vértce a se obtene por la traslacón paralela de un cono de vértce 0. Un hperplano es un caso partcular de un cono. 0 0 Ahora s X R n es un subconjunto, entonces el conjunto C(X) := {λ x x X, λ 0} es el mínmo cono que contene a X. S K R n es convexo, entonces C(K) es un cono convexo. 5

6 C(K) K 0 Las sguentes propedades son fácles de demostrar y las dejo como un ejercco: Ejercco. 1) S K R n y L R m son conjuntos convexos, entonces K L R n+m es tambén convexo. 2) Sea {K α } una famla de conjuntos convexos en R n (ndexada por algún parámetro real α). Entonces su nterseccón α K α es tambén convexa. 3) La unón de conjuntos convexos α K α cas nunca es convexa. Sn embargo, s la famla {K α } α satsface α β K α K β, entonces su unón es tambén convexa. 4) Para dos subconjuntos X, Y R n su suma de Mnkowsk es el subconjunto X + Y := {x + y x X, y Y}. Demuestre que s X y Y son convexos, entonces X + Y es tambén convexo. Hermann Mnkowsk ( ) fue un matemátco alemán de orgen judío, conocdo por sus contrbucones en geometría, teoría de números y físca matemátca. 6

7 Nacó en el Impero ruso, en el terrtoro actual de Ltuana. Su famla se mudó a Köngsberg en el Mnkowsk recbó su doctorado en Köngsberg bajo la dreccón de Ferdnand von Lndemann. Estudó formas cuadrátcas y establecó la geometría de los números. Mnkowsk trabajó en unversdades de Bonn, Gotnga, Köngsberg y Zürch. En Zürch fue uno de los profesores de Albert Ensten. Muró repentnamente a los 44 años de ruptura del apéndce. Varos conceptos y resultados en matemátcas tenen su nombre, entre ellos la suma de Mnkowsk que hemos defndo arrba y los teoremas sobre conjuntos convexos y retículos: Sea Λ R n un retículo (por ejemplo, Λ = Z n ). Sea K R n un conjunto convexo, smétrco respecto a 0 (es decr, s x K, entonces x K). S vol K > 2 n det Λ, entonces el teorema de Mnkowsk dce que K contene un punto x Λ, x 0. Sea Λ R n un retículo y sea K R n un conjunto convexo, smétrco respecto a 0, tal que vol K <. Entonces el segundo teorema de Mnkowsk da una estmacón de vol K: donde 2 n n! det Λ λ 1 λ n vol K 2 n det Λ, λ := ínf{λ > 0 λk contene vectores lnealmente ndependentes de Λ}. El teorema de Hasse Mnkowsk: s F(X 1,..., X n ) Q[X 1,..., X n ] es una forma cuadrátca (un polnomo homogéneo de grado 2 en n varables), entonces la ecuacón F(X) = 0 tene una solucón no trval x Q n, x 0 s y solamente s F(X) = 0 tene solucón no trval en cada complecón Q p (ncluso Q = R). La demostracón del teorema de Hasse Mnkowsk usa el teorema de Mnkowsk de arrba Observacón. S K R n es un conjunto convexo, entonces su nteror y clausura topológca 7

8 son tambén convexos. nt K := K := F = {x K B(x, ɛ) K para algún ɛ > 0}, F K F aberto en R n F = {x R F K F cerrado en R n n B(x, ɛ) K para cualquer ɛ > 0}. Demostracón. Vamos a demostrar la parte sobre nt K. Sea x 1 nt K. Entonces B(x 1, ɛ) K para algún ɛ > 0. Luego, para cualquer punto x 2 K por la convexdad de K tenemos λ 1 B(x 1, ɛ) + λ 2 x 2 = B(λ 1 x 1 + λ 2 x 2, λ 1 ɛ) K para λ 1 > 0, λ 2 0, λ 1 + λ 2 = 1. x 1 x 2 En otras palabras, para cualquer x 1 nt K y x 2 K tenemos [x 1, x 2 ) nt K. En partcular, s x 1, x 2 nt K, entonces [x 1, x 2 ] nt K. El argumento de arrba demuestra que los conjuntos convexos tenen la sguente propedad especal: s R es un rayo con orgen en x nt K, entonces R nterseca la frontera fr K como mucho en un punto. S K fr K = {y}, entonces [x, y) nt K y R \ [x, y] R n \ K. S K no es acotado, puede ser que R fr K =, y en este caso R nt K. x y x Ejercco. Termne la demostracón del caso de K. Noten que en general el nteror nt K de un conjunto convexo K R n puede ser vacío. Por ejemplo, s S = { α v α = 1, α 0} 0 n 0 n es un símplce en R n+1, entonces S no contene nngún subconjunto que sea aberto en R n+1, smplemente porque S pertenece al hperplano H = { α v α = 1}. 0 n 0 n Pero H es un espaco afín, de hecho el espaco afín mínmo que contene a S, y el nteror de S como subespaco topológco de H no es vacío, es dado por ntrel S = { α v α = 1, α > 0}. 0 n 8

9 Esto recbe el nombre de nteror relatvo (a H). La frontera relatva de S está dada por S \ ntrel S = S, 0 n donde S es el símplce con vértces {v 0,..., v n } \ {v }, que se obtene ponendo α = Defncón. S K R n es un conjunto convexo, entonces la envolvente afín de K es el conjunto af K := A. A K A es un subespaco afín de R n La dmensón de K es la dmensón del espaco afín af K. Se ve que af K = { λ x λ = 1}, 0 m 0 m donde {x 0,..., x m } K es un conjunto maxmal de puntos afínmente ndependentes y m = dm K. La envolvente afín es nteresante por la sguente razón: Observacón. Sea K un conjunto convexo no vacío. Entonces el nteror de K como subconjunto de af K no es vacío. Este se llama el nteror relatvo y se denota por ntrel K. En partcular, s nt K =, entonces af K R n y K pertenece a algún hperplano en R n. Demostracón. S K no es vaco, entonces contene el símplce af K = { λ x λ = 1} 0 m 0 m S = { λ x λ = 1, λ 0}, 0 m 0 m con vértces en certos puntos x 0,..., x m K, y luego su barcentro m m x pertenece a ntrel S ntrel K. Los conjuntos convexos tenen buenas propedades topológcas. Por ejemplo, para cualquer espaco topológco X tenemos nt X X, nt X nt X. Pero en general nt X X (por ejemplo, s X es un punto) y nt X nt X (por ejemplo, s X es una bola en R n sn un punto nteror). Sn embargo, s X es convexo y nt X, entonces hay nclusones nversas Proposcón. Sea K R n un conjunto convexo. Entonces nt K = K, s nt K, nt K = nt K, ntrel K = K, s ntrel K, ntrel K = ntrel K, fr K = fr(nt K) = fr(k), s nt K. Aquí fr K := K \ nt K es la frontera de K. 9

10 Demostracón. La últma formula es una consecuenca formal de las dos prmeras. Las formulas con ntrel son tambén consecuencas de las fórmulas con nt. Para la prmera fórmula, s x K, entonces para cualquer ɛ > 0 exste y K tal que x y < ɛ. Por nuestra hpótess, exste un punto z nt K, y por lo tanto [z, y) nt K, como hemos vsto en Entonces para cualquer ɛ > 0 exste y nt K tal que x y < ɛ. Hemos demostrado que K nt K. Para la segunda fórmula, tenemos que demostrar que nt K nt K. Prmero supongamos que nt K =. Tenemos dos posbldades: K =, y en este caso obvamente nt K = nt K, K, y en este caso ntrel K y por lo tanto af K R n y nt K = nt K =. Entonces, el caso nt K = es trval y podemos suponer que nt K. Escojamos un punto z nt K. Para un punto x nt K sea R el rayo que empeza en z y pasa por x. La condcón x nt K quere decr que B(x, ɛ) K para algún ɛ > 0, y por lo tanto exste y B(x, ɛ) tal que x (z, y). Pero [z, y) nt K, como hemos observado antes (el rayo puede ntersecar la frontera solo una vez, y esta nterseccón no puede estar antes de y porque y K). z x y 10

i=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1

i=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1 CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de

Más detalles

Vectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:

Vectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales: VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes

Más detalles

Perturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros

Perturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de

Más detalles

ACTIVIDADES INICIALES

ACTIVIDADES INICIALES Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)

Más detalles

Relaciones entre variables

Relaciones entre variables Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.

Más detalles

1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo

1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces

Más detalles

La variable compleja permite resolver problemas muy diferentes dentro de. áreas tan variadas como pueden ser hidráulica, aerodinámica, electricidad,

La variable compleja permite resolver problemas muy diferentes dentro de. áreas tan variadas como pueden ser hidráulica, aerodinámica, electricidad, 17 Análss matemátco para Ingenería. M. MOLERO; A. SALVADOR; T. MENARGUEZ; L. GARMENDIA CAPÍTULO 1 Los números complejos La varable compleja permte resolver problemas muy dferentes dentro de áreas tan varadas

Más detalles

Optimización no lineal

Optimización no lineal Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de

Más detalles

Tema 4: Variables aleatorias

Tema 4: Variables aleatorias Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son

Más detalles

Variable aleatoria: definiciones básicas

Variable aleatoria: definiciones básicas Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado

Más detalles

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización. Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón

Más detalles

(p +Q 222 P +Q P +Q )

(p +Q 222 P +Q P +Q ) TEMA S.- PUNTOS. RECTAS Y PLANOS EN EL ESPACO. TEMA 5.- PUNTOS, RECTAS Y PLANOS EN EL ESPACO..- PUNTOS. Sstema de referenca: Un sstema de referenca en el espaco 93 consste en un conjunto formado por un

Más detalles

Campo eléctrico. Líneas de campo. Teorema de Gauss. El campo de las cargas en reposo. Campo electrostático

Campo eléctrico. Líneas de campo. Teorema de Gauss. El campo de las cargas en reposo. Campo electrostático qco sθ qz Ez= 4 zπε0 2+ R2 = 4πε0 [z2 +R2 ]3/ 2 El campo de las cargas en reposo. Campo electrostátco ntroduccón. Propedades dferencales del campo electrostátco. Propedades ntegrales del campo electromagnétco.

Más detalles

CÁLCULO VECTORIAL 1.- MAGNITUDES ESCALARES Y VECTORIALES. 2.- VECTORES. pág. 1

CÁLCULO VECTORIAL 1.- MAGNITUDES ESCALARES Y VECTORIALES. 2.- VECTORES. pág. 1 CÁLCL ECTRIAL 1. Magntudes escalares y vectorales.. ectores. Componentes vectorales. ectores untaros. Componentes escalares. Módulo de un vector. Cosenos drectores. 3. peracones con vectores. 3.1. Suma.

Más detalles

EJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general

EJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que

Más detalles

GUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22

GUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22 DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.

Más detalles

Problemas donde intervienen dos o más variables numéricas

Problemas donde intervienen dos o más variables numéricas Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

Coordenadas Curvilíneas

Coordenadas Curvilíneas Departamento: Físca Aplcada III Mecánca Raconal (Ingenería Industral) Curso 007-08 Coordenadas Curvlíneas 1. Introduccón a. Obetvo: Generalar los tpos de coordenadas conocdos. Cartesanas. Clíndrcas, Esfércas,

Más detalles

6.1 EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS

6.1 EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS TEMA NÚMEROS COMPLEJOS. EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS DEFINICIONES Al resolver ecuacones del tpo : x + = 0 x = ± que no tene solucón en los números reales. Los números complejos nacen del deseo

Más detalles

EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA

EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de

Más detalles

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de

Más detalles

Métodos específicos de generación de diversas distribuciones discretas

Métodos específicos de generación de diversas distribuciones discretas Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de

Más detalles

Modelos triangular y parabólico

Modelos triangular y parabólico Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular

Más detalles

Dicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.

Dicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c. Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una

Más detalles

TERMODINÁMICA AVANZADA

TERMODINÁMICA AVANZADA TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón

Más detalles

TÉCNICAS AUXILIARES DE LABORATORIO

TÉCNICAS AUXILIARES DE LABORATORIO TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar

Más detalles

Tema 1.3_A La media y la desviación estándar

Tema 1.3_A La media y la desviación estándar Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.

Más detalles

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................

Más detalles

PROBABILIDAD. Álgebra de sucesos. Inclusión o igualdad de sucesos. Operaciones con sucesos.

PROBABILIDAD. Álgebra de sucesos. Inclusión o igualdad de sucesos. Operaciones con sucesos. ROILIDD Álgebra de sucesos. Un fenómeno o exerenca se dce que es aleatoro cuando al reetrlo en condcones análogas es mosble de redecr el resultado. El conjunto de todos los resultados osbles de un exermento

Más detalles

Problemas sobre números complejos -1-

Problemas sobre números complejos -1- Problemas sobre números complejos --.- Representa gráfcamente los sguentes números complejos y d cuáles son reales, cuáles magnaros y, de estos, cuáles magnaros puros: 5-5 + 4-5 7 0 -- -7 4.- Obtén las

Más detalles

PRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN

PRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma

Más detalles

INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA

INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA LABORATORIO 1-008 PRACTICA 4: LEYES DE LOS GASES 1. OBJETIVOS ) Comprobacón expermental de las leyes de los gases. En este caso nos vamos a concentrar en el estudo

Más detalles

Rentas o Anualidades

Rentas o Anualidades Rentas o Anualdades Patrca Ksbye Profesorado en Matemátca Facultad de Matemátca, Astronomía y Físca 10 de setembre de 2013 Patrca Ksbye (FaMAF) 10 de setembre de 2013 1 / 31 Introduccón Rentas o Anualdades

Más detalles

Smoothed Particle Hydrodynamics Animación Avanzada

Smoothed Particle Hydrodynamics Animación Avanzada Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla

Más detalles

REGRESION LINEAL SIMPLE

REGRESION LINEAL SIMPLE REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente

Más detalles

Fugacidad. Mezcla de gases ideales

Fugacidad. Mezcla de gases ideales Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar

Más detalles

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología

Más detalles

CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED

CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED Modelo en red para la smulacón de procesos de agua en suelos agrícolas. CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED IV.1 Modelo matemátco 2-D Exsten dos posbldades, no ndependentes, de acuerdo con

Más detalles

5ª Lección: Sistema de fuerzas gravitatorias. Cálculo de centros de gravedad de figuras planas: teoremas de Guldin.

5ª Lección: Sistema de fuerzas gravitatorias. Cálculo de centros de gravedad de figuras planas: teoremas de Guldin. Capítulo II: MECÁNICA DEL SÓLIDO RÍGIDO 5ª Leccón: Sstema de fuerzas gravtatoras. Cálculo de centros de gravedad de fguras planas: teoremas de Guldn. Sstemas de fuerzas gravtatoras La deduccón parte de

Más detalles

Análisis de Regresión y Correlación

Análisis de Regresión y Correlación 1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón

Más detalles

IES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas

IES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el

Más detalles

CANTIDADES VECTORIALES: VECTORES

CANTIDADES VECTORIALES: VECTORES INSTITUION EDUTIV L PRESENTION NOMRE LUMN: RE : MTEMÁTIS SIGNTUR: GEOMETRÍ DOENTE: JOSÉ IGNIO DE JESÚS FRNO RESTREPO TIPO DE GUI: ONEPTUL - EJERITION PERIODO GRDO FEH DURION 3 11 JUNIO 3 DE 2012 7 UNIDDES

Más detalles

Efectos fijos o aleatorios: test de especificación

Efectos fijos o aleatorios: test de especificación Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto

Más detalles

LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION

LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas

Más detalles

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA PROBABILIDAD Y ESTADÍSTICA 1. S A es un suceso de probabldad 0.3, la probabldad de su suceso contraro es: a) 0. b) 1.0 c) 0.7 (Convocatora juno 006. Eamen tpo H) S A es un suceso, la probabldad de su suceso

Más detalles

Profesor: Rafael Caballero Roldán

Profesor: Rafael Caballero Roldán Contendo: 5 Restrccones de ntegrdad 5 Restrccones de los domnos 5 Integrdad referencal 5 Conceptos báscos 5 Integrdad referencal en el modelo E-R 53 Modfcacón de la base de datos 53 Dependencas funconales

Más detalles

Electricidad y calor

Electricidad y calor Electrcdad y calor Webpage: http://pagnas.sca.uson.mx/qb 2007 Departamento de Físca Unversdad de Sonora Temas 4. Prmera ley de la Termodnámca.. Concepto de Trabajo aplcado a gases.. Trabajo hecho por un

Más detalles

Electricidad y calor. Un repaso... Temas. 4. Primera ley de la Termodinámica. Webpage: Algunas definiciones

Electricidad y calor. Un repaso... Temas. 4. Primera ley de la Termodinámica. Webpage:  Algunas definiciones Electrcdad y calor Webpage: http://pagnas.sca.uson.mx/qb 2007 Departamento de Físca Unversdad de Sonora Temas 4. Prmera ley de la Termodnámca.. Concepto de Trabajo aplcado a gases.. Trabajo hecho por un

Más detalles

Trabajo Especial 2: Cadenas de Markov y modelo PageRank

Trabajo Especial 2: Cadenas de Markov y modelo PageRank Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo 2015 1. Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E

Más detalles

TRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).

TRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1). TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen

Más detalles

Alfredo Weitzenfeld Gráfica: Recortes 1

Alfredo Weitzenfeld Gráfica: Recortes 1 Alfredo Wetzenfeld Gráfca: Recortes 1 3 Recortes (Clppng)... 1 3.1 Recorte de Puntos... 1 3.2 Recorte de íneas... 2 3.3 Recorte de Polígonos... 14 3.4 Recorte de Curvas... 17 Alfredo Wetzenfeld Gráfca:

Más detalles

Colección de problemas de. Poder de Mercado y Estrategia

Colección de problemas de. Poder de Mercado y Estrategia de Poder de Mercado y Estratega Curso 3º - ECO- 0-03 Iñak Agurre Jaromr Kovark Marta San Martín Fundamentos del Análss Económco I Unversdad del País Vasco UPV/EHU Tema. Olgopolo y competenca monopolístca.

Más detalles

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1 Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale

Más detalles

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora

Más detalles

Tutorial sobre Máquinas de Vectores Soporte (SVM)

Tutorial sobre Máquinas de Vectores Soporte (SVM) Tutoral sobre Máqunas de Vectores Soporte SVM) Enrque J. Carmona Suárez ecarmona@da.uned.es Versón ncal: 2013 Últma versón: 11 Julo 2014 Dpto. de Intelgenca Artcal, ETS de Ingenería Informátca, Unversdad

Más detalles

PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES

PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE AÑOS EXÁMENES PROPUESTOS Y RESUELTOS DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CONVOCATORIAS DE --- F Jménez Gómez Este cuaderno

Más detalles

Mecánica Clásica ( Partículas y Bipartículas )

Mecánica Clásica ( Partículas y Bipartículas ) Mecánca lásca ( Partículas y Bpartículas ) Alejandro A. Torassa Lcenca reatve ommons Atrbucón 3.0 (0) Buenos Ares, Argentna atorassa@gmal.com Resumen Este trabajo consdera la exstenca de bpartículas y

Más detalles

Organización y resumen de datos cuantitativos

Organización y resumen de datos cuantitativos Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS

Más detalles

CESMA BUSINESS SCHOOL

CESMA BUSINESS SCHOOL CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta

Más detalles

LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA

LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas

Más detalles

Teoría de automejora de desigualdades de tipo Poincaré

Teoría de automejora de desigualdades de tipo Poincaré UNIVERSIDAD AUTONOMA DE MADRID Facultad de Cencas Departamento de Matemátcas Teoría de automejora de desgualdades de tpo Poncaré Memora presentada para optar al grado de Doctor en Cencas Matemátcas Presentada

Más detalles

Tema 3. Trabajo, energía y conservación de la energía

Tema 3. Trabajo, energía y conservación de la energía Físca I. Curso 2010/11 Departamento de Físca Aplcada. ETSII de Béjar. Unversdad de Salamanca Profs. Alejandro Medna Domínguez y Jesús Ovejero Sánchez Tema 3. Trabajo, energía y conservacón de la energía

Más detalles

v i CIRCUITOS ELÉCTRICOS (apuntes para el curso de Electrónica)

v i CIRCUITOS ELÉCTRICOS (apuntes para el curso de Electrónica) IUITOS EÉTIOS (apuntes para el curso de Electrónca) os crcutos eléctrcos están compuestos por: fuentes de energía: generadores de tensón y generadores de corrente y elementos pasos: resstores, nductores

Más detalles

Guía de Electrodinámica

Guía de Electrodinámica INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan

Más detalles

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos. ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:

Más detalles

Maestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza

Maestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza Maestría en Admnstracón Meddas Descrptvas Formularo e Interpretacón Dr. Francsco Javer Cruz Arza A contnuacón mostramos el foco de atencón de las dstntas meddas que abordaremos en el presente manual. El

Más detalles

TEMA 4. TRABAJO Y ENERGIA.

TEMA 4. TRABAJO Y ENERGIA. TMA 4. TRABAJO Y NRGIA. l problema undamental de la Mecánca es descrbr como se moverán los cuerpos s se conocen las uerzas aplcadas sobre él. La orma de hacerlo es aplcando la segunda Ley de Newton, pero

Más detalles

Resumen de los teoremas fundamentales del análisis estructural aplicados a celosías

Resumen de los teoremas fundamentales del análisis estructural aplicados a celosías Resumen de los teoremas fundamentales del análss estructural aplcados a celosías INTRODUCCIÓN Fuerzas aplcadas y deformacones de los nudos (=1,n) ESTICIDD Tensón =Ν/Α. Unforme en cada seccón de la arra.

Más detalles

En un mercado hay dos consumidores con las siguientes funciones de utilidad:

En un mercado hay dos consumidores con las siguientes funciones de utilidad: En un mercado hay dos consumdores con las sguentes funcones de utldad: U ( + y, y = ln( + U ( = + y con a >,, y a ln( + donde, =,, es la cantdad del ben consumda por el ndvduo, y es la cantdad de renta

Más detalles

Resumen TEMA 1: Teoremas fundamentales de la dinámica y ecuaciones de Lagrange

Resumen TEMA 1: Teoremas fundamentales de la dinámica y ecuaciones de Lagrange TEMA : Teoremas fundamentales de la dnámca y ecuacones de Lagrange Mecánca 2 Resumen TEMA : Teoremas fundamentales de la dnámca y ecuacones de Lagrange. Prncpos de dnámca clásca.. Leyes de ewton a) Ley

Más detalles

Muestra: son datos de corte transversal correspondientes a 120 familias españolas.

Muestra: son datos de corte transversal correspondientes a 120 familias españolas. Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta

Más detalles

ESTADÍSTICA (GRUPO 12)

ESTADÍSTICA (GRUPO 12) ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.

Más detalles

3. VARIABLES ALEATORIAS.

3. VARIABLES ALEATORIAS. 3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)

Más detalles

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada. Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo

Más detalles

CAPÍTULO V ESTRUCTURAS ALGEBRAICAS

CAPÍTULO V ESTRUCTURAS ALGEBRAICAS ESTRUCTURAS ALGEBRAICAS 7 CAPÍTULO V ESTRUCTURAS ALGEBRAICAS Estructura Algebraca es todo conjunto no vacío en el cual se han defndo una o más leyes de composcón nterna, luego de cumplr certas propedades

Más detalles

Tema 4. Números Complejos

Tema 4. Números Complejos Tema. Números Complejos. Números complejos...... Defncón de números complejo..... Conjugado y opuesto de números complejos..... Representacón gráfca de los complejos.... Operacones con complejos..... Suma

Más detalles

MODELOS DE ELECCIÓN BINARIA

MODELOS DE ELECCIÓN BINARIA MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos

Más detalles

Análisis de error y tratamiento de datos obtenidos en el laboratorio

Análisis de error y tratamiento de datos obtenidos en el laboratorio Análss de error tratamento de datos obtendos en el laboratoro ITRODUCCIÓ Todas las meddas epermentales venen afectadas de una certa mprecsón nevtable debda a las mperfeccones del aparato de medda, o a

Más detalles

VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL.

VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. Concepto de varable aleatora. Se llama varable aleatora a toda aplcacón que asoca a cada elemento del espaco muestral de un expermento, un número real.

Más detalles

DELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID

DELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID DELTA MATE OMAÓN UNETAA / Gral. Ampuda, 6 8003 MADD EXÁMEN NTODUÓN A LA ELETÓNA UM JUNO 008 El examen consta de ses preguntas. Lea detendamente los enuncados. tene cualquer duda consulte al profesor. Todas

Más detalles

Se desea definir redes lineales y estudiar sus propiedades.

Se desea definir redes lineales y estudiar sus propiedades. apítulo 6 1 EES LINELES Se desea defnr redes lneales y estudar sus propedades. Luego se desarrollará el método de análss por superposcón para redes lneales; y dos mportantes casos partculares de este método:

Más detalles

Leyes de tensión y de corriente

Leyes de tensión y de corriente hay6611x_ch03.qxd 1/4/07 5:07 PM Page 35 CAPÍTULO 3 Leyes de tensón y de corrente CONCEPTOS CLAVE INTRODUCCIÓN En el capítulo 2 se presentaron la resstenca así como varos tpos de fuentes. Después de defnr

Más detalles

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables

Más detalles

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso

Más detalles

LECTURA N 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) TEMA 14: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION

LECTURA N 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) TEMA 14: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION Unversdad Católca Los Ángeles de Chmbote LECTURA N 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) TEMA 4: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION. DEFINICION Las meddas estadístcas son meddas de resumen

Más detalles

Primer Parcial 2000: ( n ) 2. Introducción a la Optica (Agrimensura)

Primer Parcial 2000: ( n ) 2. Introducción a la Optica (Agrimensura) Introduccón a la Optca (Agrmensura) Prmer Parcal 2000: Ejercco 1 (5 puntos): Se consdera la lámna transparente de la fgura, de índce de refraxón n'. El efecto de colocar la msma en la trayectora del rayo,

Más detalles

TEMA 8: PRÉSTAMOS ÍNDICE

TEMA 8: PRÉSTAMOS ÍNDICE TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE

Más detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN COMERCIAL(I) EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado

Más detalles

Consideremos un sólido rígido sometido a un sistema de fuerzas en equilibrío, es decir

Consideremos un sólido rígido sometido a un sistema de fuerzas en equilibrío, es decir 1. PRINIPIO E TRJOS VIRTULES El prncpo de los trabajos rtuales, en su ertente de desplazamentos rtuales, fue ntroducdo por John ernoull en 1717. La obtencón del msmo dera de la formulacón débl (o ntegral)

Más detalles

EJERCICIOS DE ÁLGEBRA LINEAL TEMA 1 ESPACIOS VECTORIALES

EJERCICIOS DE ÁLGEBRA LINEAL TEMA 1 ESPACIOS VECTORIALES EJERCICIOS DE ÁLGEBRA LINEAL TEMA ESPACIOS VECTORIALES Formas reducidas y escalonada de una matriz SISTEMAS DE ECUACIONES LINEALES ) Encuentre una sucesión de matrices elementales E, E,..., E k tal que

Más detalles

ALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.

ALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República. 9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara

Más detalles

Álgebras (a, b)-koszul y álgebras (a, b)-cuasi Koszul

Álgebras (a, b)-koszul y álgebras (a, b)-cuasi Koszul UNIVERSIDAD DE BUENOS AIRES Facultad de Cencas Exactas y Naturales Departamento de Matemátca Álgebras (a, b)-koszul y álgebras (a, b)-cuas Koszul Tess presentada para optar al título de Doctora de la Unversdad

Más detalles

TEMA 1: PROBABILIDAD

TEMA 1: PROBABILIDAD robabldad TEM : ROBBILIDD Índce del tema Índce del tema.. Introduccón 2.2. Defncón de probabldad 3.2.. ropedades nmedatas 3 Ejemplo 7 Ejemplo 2 8 Ejemplo 3 9.3. robabldad condconada 0.3.. Introduccón 0.3.2.

Más detalles

OSCILACIONES 1.- INTRODUCCIÓN

OSCILACIONES 1.- INTRODUCCIÓN OSCILACIONES 1.- INTRODUCCIÓN Una parte relevante de la asgnatura trata del estudo de las perturbacones, entenddas como varacones de alguna magntud mportante de un sstema respecto de su valor de equlbro.

Más detalles

Modelos unifactoriales de efectos aleatorizados

Modelos unifactoriales de efectos aleatorizados Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de

Más detalles

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17 Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES

Más detalles

Equilibrio termodinámico entre fases fluidas

Equilibrio termodinámico entre fases fluidas CAPÍTULO I Equlbro termodnámco entre fases fludas El conocmento frme de los conceptos de la termodnámca se consdera esencal para el dseño, operacón y optmzacón de proyectos en la ngenería químca, debdo

Más detalles

Tema 1: Análisis de datos unidimensionales

Tema 1: Análisis de datos unidimensionales Tema : Análss de datos undmensonales. Varables estadístcas undmensonales. Representacones gráfcas.. Característcas de las dstrbucones de frecuencas undmensonales.. Varables estadístcas undmensonales. Representacones

Más detalles