Análisis de Algoritmos: Teoría y Aplicaciones
|
|
- Pascual Fidalgo Silva
- hace 6 años
- Vistas:
Transcripción
1 Análisis de Algoritmos: Teoría y Aplicaciones Conrado Martínez Univ. Politècnica de Catalunya Universidad de Zaragoza Junio 2008
2 1 Introducción 2 Ejemplos 3 Técnicas
3 Introducción El Análisis de Algoritmos tiene como objetivo describir de manera muy precisa y detallada la eficiencia de algoritmos, en particular, en situaciones típicas. Los escenarios de caso peor pueden ser muy infrecuentes µ el análisis de caso peor pierde relevancia y capacidad predictiva La notación asintótica oculta demasiados detalles µ perdemos capacidad comparativa entre algoritmos asintóticamente equivalentes o muy próximos Queremos conocer la eficiencia en casos típicos o mejor aún la distribución probabilística Para algoritmos aleatorizados, el análisis probabilístico es la herramienta adecuada
4 Introducción El Análisis de Algoritmos tiene como objetivo describir de manera muy precisa y detallada la eficiencia de algoritmos, en particular, en situaciones típicas. Los escenarios de caso peor pueden ser muy infrecuentes µ el análisis de caso peor pierde relevancia y capacidad predictiva La notación asintótica oculta demasiados detalles µ perdemos capacidad comparativa entre algoritmos asintóticamente equivalentes o muy próximos Queremos conocer la eficiencia en casos típicos o mejor aún la distribución probabilística Para algoritmos aleatorizados, el análisis probabilístico es la herramienta adecuada
5 Introducción El Análisis de Algoritmos tiene como objetivo describir de manera muy precisa y detallada la eficiencia de algoritmos, en particular, en situaciones típicas. Los escenarios de caso peor pueden ser muy infrecuentes µ el análisis de caso peor pierde relevancia y capacidad predictiva La notación asintótica oculta demasiados detalles µ perdemos capacidad comparativa entre algoritmos asintóticamente equivalentes o muy próximos Queremos conocer la eficiencia en casos típicos o mejor aún la distribución probabilística Para algoritmos aleatorizados, el análisis probabilístico es la herramienta adecuada
6 Introducción El Análisis de Algoritmos tiene como objetivo describir de manera muy precisa y detallada la eficiencia de algoritmos, en particular, en situaciones típicas. Los escenarios de caso peor pueden ser muy infrecuentes µ el análisis de caso peor pierde relevancia y capacidad predictiva La notación asintótica oculta demasiados detalles µ perdemos capacidad comparativa entre algoritmos asintóticamente equivalentes o muy próximos Queremos conocer la eficiencia en casos típicos o mejor aún la distribución probabilística Para algoritmos aleatorizados, el análisis probabilístico es la herramienta adecuada
7 Introducción Unos cuantos ejemplos Quicksort Find (también conocido como Quickselect) Hashing Simplex Estructuras de datos aleatorizadas (skip lists, árboles de búsqueda aleatorizados)
8 Introducción Unos cuantos ejemplos Quicksort Find (también conocido como Quickselect) Hashing Simplex Estructuras de datos aleatorizadas (skip lists, árboles de búsqueda aleatorizados)
9 Introducción Unos cuantos ejemplos Quicksort Find (también conocido como Quickselect) Hashing Simplex Estructuras de datos aleatorizadas (skip lists, árboles de búsqueda aleatorizados)
10 Introducción Unos cuantos ejemplos Quicksort Find (también conocido como Quickselect) Hashing Simplex Estructuras de datos aleatorizadas (skip lists, árboles de búsqueda aleatorizados)
11 Introducción Unos cuantos ejemplos Quicksort Find (también conocido como Quickselect) Hashing Simplex Estructuras de datos aleatorizadas (skip lists, árboles de búsqueda aleatorizados)
12 1 Introducción 2 Ejemplos Ejemplo #1: Ordenación parcial Ejemplo #2: Fallos de predicción Ejemplo #3: El problema de la contratación 3 Técnicas
13 Ordenación parcial Ordenación parcial: dado un vector de Ò elementos y un valor ½ Ñ Ò, reorganizar de tal manera que sus Ñ primeras posiciones contengan los Ñ menores elementos de en orden creciente Si Ñ Òµ entonces OK ordenar el vector; sino, demasiado trabajo... much work
14 Ordenación parcial Ordenación parcial: dado un vector de Ò elementos y un valor ½ Ñ Ò, reorganizar de tal manera que sus Ñ primeras posiciones contengan los Ñ menores elementos de en orden creciente Si Ñ Òµ entonces OK ordenar el vector; sino, demasiado trabajo... much work
15 Soluciones usuales Idea #1: Heapsort parcial Construir un heap con los Ò elementos y hacer Ñ extracciones del mínimo del heap El coste en caso peor es Ò Ñ ÐÓ Òµ Esta es la forma tradicional de implementar Ô ÖØ Ð ÓÖØ en la STL de C++
16 Soluciones usuales Idea #1: Heapsort parcial Construir un heap con los Ò elementos y hacer Ñ extracciones del mínimo del heap El coste en caso peor es Ò Ñ ÐÓ Òµ Esta es la forma tradicional de implementar Ô ÖØ Ð ÓÖØ en la STL de C++
17 Soluciones usuales Idea #1: Heapsort parcial Construir un heap con los Ò elementos y hacer Ñ extracciones del mínimo del heap El coste en caso peor es Ò Ñ ÐÓ Òµ Esta es la forma tradicional de implementar Ô ÖØ Ð ÓÖØ en la STL de C++
18 Soluciones usuales Idea #2: Selección on line Construir un heap con los Ñ primeros elementos, luego recorrer los restantes Ò Ñ elementos actualizando el heap adecuadamente; finalmente extraer los Ñ elementos del heap El coste en caso peor es Ò ÐÓ Ñµ No es una solución interesante a menos que Ñ sea muy pequeña o que los Ò elementos no estén disponibles desde el principio y nos vayan llegando on line
19 Soluciones usuales Idea #2: Selección on line Construir un heap con los Ñ primeros elementos, luego recorrer los restantes Ò Ñ elementos actualizando el heap adecuadamente; finalmente extraer los Ñ elementos del heap El coste en caso peor es Ò ÐÓ Ñµ No es una solución interesante a menos que Ñ sea muy pequeña o que los Ò elementos no estén disponibles desde el principio y nos vayan llegando on line
20 Soluciones usuales Idea #2: Selección on line Construir un heap con los Ñ primeros elementos, luego recorrer los restantes Ò Ñ elementos actualizando el heap adecuadamente; finalmente extraer los Ñ elementos del heap El coste en caso peor es Ò ÐÓ Ñµ No es una solución interesante a menos que Ñ sea muy pequeña o que los Ò elementos no estén disponibles desde el principio y nos vayan llegando on line
21 Soluciones usuales Idea #3: Quickselsort Hallar el Ñ ésimo menor elemento usando quickselect, y luego hacer quicksort sobre los Ñ ½ elementos que lo preceden El coste promedio es Ò Ñ ÐÓ Ñµ Usa dos algoritmos básicos ampliamente disponibles y bien optimizados en las bibliotecas estándar
22 Soluciones usuales Idea #3: Quickselsort Hallar el Ñ ésimo menor elemento usando quickselect, y luego hacer quicksort sobre los Ñ ½ elementos que lo preceden El coste promedio es Ò Ñ ÐÓ Ñµ Usa dos algoritmos básicos ampliamente disponibles y bien optimizados en las bibliotecas estándar
23 Soluciones usuales Idea #3: Quickselsort Hallar el Ñ ésimo menor elemento usando quickselect, y luego hacer quicksort sobre los Ñ ½ elementos que lo preceden El coste promedio es Ò Ñ ÐÓ Ñµ Usa dos algoritmos básicos ampliamente disponibles y bien optimizados en las bibliotecas estándar
24 Partial quicksort ÚÓ Ô ÖØ Ð ÕÙ ÓÖØ Ú ØÓÖ Ð Ñ ² ÒØ ÒØ ÒØ Ñµ ß µ ß ÒØ Ô Ø Ô ÚÓØ µ Û Ô Ô Ð µ ÒØ Ô ÖØ Ø ÓÒ µ Ô ÖØ Ð ÕÙ ÓÖØ ¹ ½ Ñ µ Ñ ¹ ½µ Ô ÖØ Ð ÕÙ ÓÖØ ½ Ñ µ Ð Ð
25 Análisis de Partial Quicksort Probabilidad de que el pivote elegido sea el ésimo de entre los Ò elementos: Ò Número medio de comparaciones È Ò Ñ para ordenar los Ñ menores elementos de entre Ò: È Ò Ñ Ò ½ Ò Ñ ½ Ò È ½ Ñ Ñ ½ Ò È ½ ½ È Ò Ñ µ
26 Análisis de Partial Quicksort Probabilidad de que el pivote elegido sea el ésimo de entre los Ò elementos: Ò Número medio de comparaciones È Ò Ñ para ordenar los Ñ menores elementos de entre Ò: È Ò Ñ Ò ½ Ò Ñ ½ Ò È ½ Ñ Ñ ½ Ò È ½ ½ È Ò Ñ µ
27 Análisis de Partial Quicksort Si Ñ Ò, partial quicksort quicksort; sea Õ Ò el número medio de comparaciones que hace quicksort La recurrencia queda así È Ò Ñ Ò ½ Ò Ñ ½ Ñ ½ Ò Õ ½ Ò È ½ Ñ Ñ ½ Ò È Ò Ñ µ
28 Análisis de Partial Quicksort Si Ñ Ò, partial quicksort quicksort; sea Õ Ò el número medio de comparaciones que hace quicksort La recurrencia queda así È Ò Ñ Ò ½ Ò Ñ ½ Ñ ½ Ò Õ ½ Ò È ½ Ñ Ñ ½ Ò È Ò Ñ µ
29 Qué es un fallo de predicción? En el hardware moderno se ejecutan varias instrucciones simultáneamente usando un arquitectura en pipeline: p.e., mientras se decodifica la instrucción, se están obtienendo de la memoria los datos de la instrucción ½, operando los de la ¾ y almacenando el resultado de la El problema serio lo constituyen las instrucciones de salto, pues dependiendo del resultado el flujo de instrucciones seguirá por un lado o por otro.
30 Qué es un fallo de predicción? En el hardware moderno se ejecutan varias instrucciones simultáneamente usando un arquitectura en pipeline: p.e., mientras se decodifica la instrucción, se están obtienendo de la memoria los datos de la instrucción ½, operando los de la ¾ y almacenando el resultado de la El problema serio lo constituyen las instrucciones de salto, pues dependiendo del resultado el flujo de instrucciones seguirá por un lado o por otro.
31 Qué es un fallo de predicción? Para aprovechar al máximo el paralelismo, muchos procesadores modernos utilizan algún mecanismo para predecir cúal será el resultado de una instrucción de salto. Si hay un fallo en la predicción (branch misprediction) hay que tomar medidas para desandar todo lo incorrectamente realizado... Cada fallo de predicción tiene un coste alto y un alto impacto en la eficiencia del algoritmo ejecutado.
32 Qué es un fallo de predicción? Para aprovechar al máximo el paralelismo, muchos procesadores modernos utilizan algún mecanismo para predecir cúal será el resultado de una instrucción de salto. Si hay un fallo en la predicción (branch misprediction) hay que tomar medidas para desandar todo lo incorrectamente realizado... Cada fallo de predicción tiene un coste alto y un alto impacto en la eficiencia del algoritmo ejecutado.
33 Fallos de predicción en quicksort La implementación típica de quicksort particiona en cada etapa recursiva el array dado mediante dos bucles internos uno recorre el array de izquierda a derecha haciendo crecer la zona de elementos menores que el pivote el otro recorre el array de derecha a izquierda haciendo crecer la zona de elementos mayores que el pivote. Aquí estudiaremos un predictor sencillo: se predice que cada rama condicional tendrá el mismo resultado que la vez anterior (1 bit predictor).
34 Fallos de predicción en quicksort Tenemos una permutación aleatoria de ½ Ò que recorremos de izquierda a derecha. Supongamos que ½. Para ¾, diremos que hay un fallo de predicción (FP) a la izquierda siempre que ½ y, o ½ y. Para Ò, hay un fallo de predicción a la derecha si ½ y, o ½ y. Además, hay un FP a la izquierda si ¾ y un FP a la derecha si Ò.
35 Fallos de predicción en quicksort Tenemos una permutación aleatoria de ½ Ò que recorremos de izquierda a derecha. Supongamos que ½. Para ¾, diremos que hay un fallo de predicción (FP) a la izquierda siempre que ½ y, o ½ y. Para Ò, hay un fallo de predicción a la derecha si ½ y, o ½ y. Además, hay un FP a la izquierda si ¾ y un FP a la derecha si Ò.
36 Fallos de predicción en quicksort Tenemos una permutación aleatoria de ½ Ò que recorremos de izquierda a derecha. Supongamos que ½. Para ¾, diremos que hay un fallo de predicción (FP) a la izquierda siempre que ½ y, o ½ y. Para Ò, hay un fallo de predicción a la derecha si ½ y, o ½ y. Además, hay un FP a la izquierda si ¾ y un FP a la derecha si Ò.
37 Simplificando el modelo Para analizar el número medio de FPs, necesitaremos averiguar el número medio de FPs condicionado a que el pivote elegido sea el ésimo elemento del array. Transformamos el problema original en uno de conteo de strings de bits. Dado un string Ü de longitud que comienza con un 0 y contiene en total Ø ½ 0 s, el número de FPs izquierdos es el número de veces que hay un 0 seguido de 1 o un 1 seguido de un 0 en Ü. A una permutación le corresponde un string Ü con Ü ¼ si ½, y Ü ½ en otro caso.
38 Simplificando el modelo Para analizar el número medio de FPs, necesitaremos averiguar el número medio de FPs condicionado a que el pivote elegido sea el ésimo elemento del array. Transformamos el problema original en uno de conteo de strings de bits. Dado un string Ü de longitud que comienza con un 0 y contiene en total Ø ½ 0 s, el número de FPs izquierdos es el número de veces que hay un 0 seguido de 1 o un 1 seguido de un 0 en Ü. A una permutación le corresponde un string Ü con Ü ¼ si ½, y Ü ½ en otro caso.
39 Simplificando el modelo Para analizar el número medio de FPs, necesitaremos averiguar el número medio de FPs condicionado a que el pivote elegido sea el ésimo elemento del array. Transformamos el problema original en uno de conteo de strings de bits. Dado un string Ü de longitud que comienza con un 0 y contiene en total Ø ½ 0 s, el número de FPs izquierdos es el número de veces que hay un 0 seguido de 1 o un 1 seguido de un 0 en Ü. A una permutación le corresponde un string Ü con Ü ¼ si ½, y Ü ½ en otro caso.
40 Simplificando el modelo 0 A 1 1 B 0 En términos de este autómata querremos saber cuántos strings Ü de longitud con Ø ½ 0 s saltan Ö veces de un estado a otro: las flechas entre los estados A y B corresponden a FPs!
41 El problema de la contratación Originalmente propuesto por Broder et al. (SODA 2008) Una secuencia (potencialmente infinita) de variables aleatorias i.i.d. É, distribuídas uniformemente en ¼ ½ En el paso, se contrata o se descarta al candidato basándose en su puntuación É Las decisiones tomadas son irrevocables; no se conoce el futuro. Objetivo: contratar candidatos a un ritmo razonable para garantizar un crecimiento suficiente de la compañía, manteniendo un buen estándar de calidad (de hecho mejorándolo progresivamente) en la plantilla
42 El problema de la contratación Originalmente propuesto por Broder et al. (SODA 2008) Una secuencia (potencialmente infinita) de variables aleatorias i.i.d. É, distribuídas uniformemente en ¼ ½ En el paso, se contrata o se descarta al candidato basándose en su puntuación É Las decisiones tomadas son irrevocables; no se conoce el futuro. Objetivo: contratar candidatos a un ritmo razonable para garantizar un crecimiento suficiente de la compañía, manteniendo un buen estándar de calidad (de hecho mejorándolo progresivamente) en la plantilla
43 El problema de la contratación Originalmente propuesto por Broder et al. (SODA 2008) Una secuencia (potencialmente infinita) de variables aleatorias i.i.d. É, distribuídas uniformemente en ¼ ½ En el paso, se contrata o se descarta al candidato basándose en su puntuación É Las decisiones tomadas son irrevocables; no se conoce el futuro. Objetivo: contratar candidatos a un ritmo razonable para garantizar un crecimiento suficiente de la compañía, manteniendo un buen estándar de calidad (de hecho mejorándolo progresivamente) en la plantilla
44 El problema de la contratación Originalmente propuesto por Broder et al. (SODA 2008) Una secuencia (potencialmente infinita) de variables aleatorias i.i.d. É, distribuídas uniformemente en ¼ ½ En el paso, se contrata o se descarta al candidato basándose en su puntuación É Las decisiones tomadas son irrevocables; no se conoce el futuro. Objetivo: contratar candidatos a un ritmo razonable para garantizar un crecimiento suficiente de la compañía, manteniendo un buen estándar de calidad (de hecho mejorándolo progresivamente) en la plantilla
45 El problema de la contratación Originalmente propuesto por Broder et al. (SODA 2008) Una secuencia (potencialmente infinita) de variables aleatorias i.i.d. É, distribuídas uniformemente en ¼ ½ En el paso, se contrata o se descarta al candidato basándose en su puntuación É Las decisiones tomadas son irrevocables; no se conoce el futuro. Objetivo: contratar candidatos a un ritmo razonable para garantizar un crecimiento suficiente de la compañía, manteniendo un buen estándar de calidad (de hecho mejorándolo progresivamente) en la plantilla
46 El problema de la contratación Modelizamos el problema mediante una permutación de longitud Ò; el candidato tiene puntuación µ, de manera que 1 es la peor puntuación y Ò la mejor Este modelo es equivalente al anterior tras hacer un normalización apropiada y el paso al límite, pero tiene la ventaja de que podemos aplicar técnicas de combinatoria analítica Nos interesa analizar parámetros tales como la puntuación media del último candidato contratado o el tamaño medio de la plantilla, en función del número de entrevistas Ò (= longitud de la permutación)
47 El problema de la contratación Modelizamos el problema mediante una permutación de longitud Ò; el candidato tiene puntuación µ, de manera que 1 es la peor puntuación y Ò la mejor Este modelo es equivalente al anterior tras hacer un normalización apropiada y el paso al límite, pero tiene la ventaja de que podemos aplicar técnicas de combinatoria analítica Nos interesa analizar parámetros tales como la puntuación media del último candidato contratado o el tamaño medio de la plantilla, en función del número de entrevistas Ò (= longitud de la permutación)
48 El problema de la contratación Modelizamos el problema mediante una permutación de longitud Ò; el candidato tiene puntuación µ, de manera que 1 es la peor puntuación y Ò la mejor Este modelo es equivalente al anterior tras hacer un normalización apropiada y el paso al límite, pero tiene la ventaja de que podemos aplicar técnicas de combinatoria analítica Nos interesa analizar parámetros tales como la puntuación media del último candidato contratado o el tamaño medio de la plantilla, en función del número de entrevistas Ò (= longitud de la permutación)
49 El problema de la contratación Algunas de las estrategias analizadas: Por encima de un umbral Por encima del mejor Por encima del Ñ ésimo mejor (contratación por la élite) Por encima de la media Por encima de la mediana
50 1 Introducción 2 Ejemplos 3 Técnicas
51 Preliminares La eficiencia de un algoritmo con entradas del conjunto Á ( Á Æ) depende de cada instancia particular Necesitamos una noción de tamaño de la entrada: Á Æ Podemos asumir que cada Á Ò Ü ¾ Á Ü Ò es finito Caso peor [worst] Òµ Ñ Ü Üµ Ü ¾ Á Ò
52 Preliminares La eficiencia de un algoritmo con entradas del conjunto Á ( Á Æ) depende de cada instancia particular Necesitamos una noción de tamaño de la entrada: Á Æ Podemos asumir que cada Á Ò Ü ¾ Á Ü Ò es finito Caso peor [worst] Òµ Ñ Ü Üµ Ü ¾ Á Ò
53 Preliminares La eficiencia de un algoritmo con entradas del conjunto Á ( Á Æ) depende de cada instancia particular Necesitamos una noción de tamaño de la entrada: Á Æ Podemos asumir que cada Á Ò Ü ¾ Á Ü Ò es finito Caso peor [worst] Òµ Ñ Ü Üµ Ü ¾ Á Ò
54 Preliminares La eficiencia de un algoritmo con entradas del conjunto Á ( Á Æ) depende de cada instancia particular Necesitamos una noción de tamaño de la entrada: Á Æ Podemos asumir que cada Á Ò Ü ¾ Á Ü Ò es finito Caso peor [worst] Òµ Ñ Ü Üµ Ü ¾ Á Ò
55 Preliminares Para el análisis probabilístico necesitamos definir una distribución de probabilidad sobre las entradas y/o las decisiones aleatorias que toma el propio algoritmo La eficiencia vendrá entonces dada como una familia de variables aleatorias Ò Ò ¼ ; Ò Á Ò Æ Caso promedio: [avg] Òµ Ò ¼ È Ò
56 Preliminares Para el análisis probabilístico necesitamos definir una distribución de probabilidad sobre las entradas y/o las decisiones aleatorias que toma el propio algoritmo La eficiencia vendrá entonces dada como una familia de variables aleatorias Ò Ò ¼ ; Ò Á Ò Æ Caso promedio: [avg] Òµ Ò ¼ È Ò
57 Preliminares Para el análisis probabilístico necesitamos definir una distribución de probabilidad sobre las entradas y/o las decisiones aleatorias que toma el propio algoritmo La eficiencia vendrá entonces dada como una familia de variables aleatorias Ò Ò ¼ ; Ò Á Ò Æ Caso promedio: [avg] Òµ Ò ¼ È Ò
58 Preliminares Si suponemos que todas las entradas de tamaño Ò posibles tienen la misma probabilidad (distribución uniforme) entonces È Ü ½ Á Ò para todo Ü ¾ Á Ò y nuestro problema es en definitiva de conteo: È Ü¾ÁÒ Ò Üµ Á Ò
59 Funciones generatrices Entre las herramientas fundamentales del análisis de algoritmos están las funciones generatrices. Para una secuencia dada Ò Ò ¼ su función generatriz es: Þµ Ò Þ Ò Ò ¼ Esto es puramente formal. Por ejemplo, si Ò ¾ Ò entonces Þµ ½ ¾Þ Þ ¾ Þ ½ Þ ½ ½ ¾Þ. Un caso importante es una función generatriz de valores esperados, esto es Ò Ò.
60 Funciones generatrices Las funciones generatrices son muy útiles para resolver recurrencias. Por ejemplo, tomemos los números de Fibonacci. ¼ ½ ½ Ò Ò ½ Ò ¾ si Ò ½
61 Funciones generatrices Þµ Ò ¼ Ò Þ Ò ¼ ½ Þ ½ Þ Ò ¾ Ò ¾ Ò Þ Ò Ò ½ Ò ¾ µþ Ò ½ Þ Þ Ò ½ Þ Ò ½ Þ ¾ Ò ¾ Þ Ò ¾ Ò ¾ Ò ¾ ½ Þ Þ Þµ ½µ Þ ¾ Þµ ½ Þ Þµ Þ ¾ ½ Þµ ½ Þ Þ ¾
62 Funciones generatrices Þµ ½ Þ µ Þ ¼ µ Ô ½ ½ ½ Þ ¼ Þ Ô ½ ½ Þ ¼ ¼ ½ Þ donde Ô ½µ ¾ ¼ ½, ¼ ½ Ô ½µ ¾ ½ ½. Nos interesa Ò Þ Ò Þµ.
63 Funciones generatrices Þ Ò Þµ Ô ½ Þ Ò ½ ½ Þ ¼ ¼ Þ Ò ½ ½ Þ ½ Ô ¼ µ Ò ¼ Ò µ ½ Ô µ Ò ¼ ¼ Ò µ Ô ½ ½ Ô ¾ Ò ½ Esto es, Ò ½ ½ Ò µ.
64 Funciones generatrices Otro tipo importante de FGs son las funciones generatrices exponenciales: Þµ Ò ¼ Ò Þ Ò Ò Se usan cuando los Ò s crecen superexponencialmente. También se usan a menudo funciones generatrices bivariadas: para Ò Ñ Ò Ñ ¼ definimos Þ Ùµ Ò ¼ Ñ ¼ Ò Ñ Þ Ò Ù Ñ
65 El método simbólico El método simbólico traduce ciertas construcciones combinatorias usuales a las correspondientes ecuaciones funcionales sobre FGs. Ejemplo: Consideremos la FG de conteo de una clase combinatoria : Þµ Ò ¼ Ò Þ Ò Þ ««¾ donde Ò Ò Ü ¾ Ü Ò.
66 El método simbólico Si entonces Þµ Þ «Þ «¾ µ¾ Þµ Þµ ¼ ¾ ½ Þ ¼ ¾ Þ ½
67 El método simbólico Si Ë Õ µ entonces Por tanto ßÞ Ð veces Þµ ½ ¾ ½ ½ Þµ
68 El método simbólico Un diccionario de construcciones combinatorias y las FGs correspondientes Ë Õ µ ½ Þ ½ ½ Ë Ø µ ÜÔ µ ÝÐ µ ÐÓ ½ ½
69 El método simbólico Un ejemplo sencillo: un árebol binario es o bien vacío (una hoja) o bien consiste en una raíz y dos subárboles binarios: La FG de conteo de los árboles binarios es: Þµ ½ Þ ¾ Þµ
70 El método simbólico Si resolvemos la ecuación cuadrática para Þµ y teniendo en cuenta que ¼µ ¼ ½, Þµ Ô ½ ½ Þ ¾Þ ½ Þ ¼ Þ ¼ Si se extrae el coeficiente de Þ Ò en Þµ usando el teorema del binomio de Newton obtenemos ¾Ò Þ Ò Ò Þµ Ò ½ los famosos números de Catalan.
71 El método simbólico Otro ejemplo son los derangements, permutaciones sin puntos fijos. El problema suele aparecer de la siguiente manera: en un teatro Ò personas dejan sus sombreros y a la salida se devuelven al azar; cuál es la probabilidad de que al menos uno persona recupere su propio sombrero? Empecemos con las permutaciones. Una permutación cualquiera consiste en una secuencia de átomos etiquetados. Sea È el conjunto de todas las permutaciones. Entonces È Þµ ¾È Þ Ò ¼ Ò ÞÒ Ò lo que corresponde a que È Ë Õ µ. ½ ½ Þ
72 El método simbólico Pero una permutación también se puede caracterizar como un conjunto de ciclos. È Ë Ø µ ÝÐ µ La función generatriz de los ciclos etiquetados es ÐÒ ½ ½ Þ y por tanto la de las permutaciones es ½ È ÜÔ µ ÜÔ ÐÒ ½ ½ Þ ½ Þ
73 El método simbólico Una permutación consiste en un derangement y un conjunto de ciclos de un sólo elemento cada uno. Podemos escribir È donde es la clase de los derangements y es la clase de los conjuntos de ciclos unitarios. Un ciclo unitario es lo mismo que un átomo, así Þµ ÜÔ Þµ. Por tanto È Þµ ½ ½ Þ Þ Þµ ÜÔ Þµ µ Þµ ½ Þ
74 El método simbólico y funciones bivariadas Supongamos que queremos analizar un algoritmo donde el coste que nos interesa es la variable aleatoria Ò. Definimos Þ Ùµ Ò ¼ ¼ È Ò Þ Ò Ù Para la distribución uniforme tendremos È Þ Ò Ù Þ Ùµ ÞÒ Ù Ò ¼ È ¼ È Ò Þ Ò Ù Þ Ò Ò ¼ ÒÞ Ò ÞÒ Ù Þ Ùµ Þ Ò Þ ½µ donde Ò Ü ¾ Á Ü Ò Üµ, y Ò Á Ò
75 El método simbólico y funciones bivariadas Simbólicamente podemos escribir Þ Ùµ Þ Ü Ù Üµ ܾÁ El coeciente entre el coeficiente Þ Ò Þ Ùµ y Þ Ò Þ ½µ es la función generatriz de probabilidad de Ò Ô Ò Ùµ Ù Ò ¼ È Ò Ù ÞÒ Þ Ùµ Þ Ò Þ ½µ
76 El método simbólico y funciones bivariadas Si tomamos derivadas respecto a Ù y hacemos Ù ½ podemos extraer los sucesivos momentos: valor esperado, segundo momento factorial, etc. Öµ Þµ Ö Þ Ùµ Ù Ö Ò ¼ Ù ½ Ò Ö Þ Ò Por ejemplo, Î Ò Ò ¾ Ò ¾ Þ Ò ¾µ Þµ Þ Ò Þµµ ¾
77 Ejemplo: Partial quicksort Definimos estas FGs È Þ Ùµ Ì Þ Ùµ Ò ¼ ½ Ñ Ò Ò ¼ ½ Ñ Ò È Ò Ñ Þ Ò Ù Ñ Ø Ò Ñ Þ Ò Ù Ñ donde Ø Ò Ñ es el coste no recursivo. La recurrencia delos È Ò Ñ s se traduce en È Þ È Þ Ùµ ½ Þ Ù È Þ Ùµ ½ ÙÞ Ì Þ µ
78 Ejemplo: Partial quicksort Definimos estas FGs È Þ Ùµ Ì Þ Ùµ Ò ¼ ½ Ñ Ò Ò ¼ ½ Ñ Ò È Ò Ñ Þ Ò Ù Ñ Ø Ò Ñ Þ Ò Ù Ñ donde Ø Ò Ñ es el coste no recursivo. La recurrencia delos È Ò Ñ s se traduce en È Þ È Þ Ùµ ½ Þ Ù È Þ Ùµ ½ ÙÞ Ì Þ µ
79 Ejemplo: Partial quicksort Se resuelve la ecuación diferencial (*) y se extraen coeficientes y obtenemos finalmente È Ò Ñ ¾Ò ¾ Ò ½µÀ Ò ¾ Ò ÑµÀ Ò ½ Ñ Ñ Si comparamos partial quicksort con quickselect+quicksort se hacen ¾Ñ À Ñ ¾ comparaciones en promedio menos. Se puede calcular de manera similar el ahorro en intercambios, etc.
80 Ejemplo: Fallos de predicción 0 A 1 1 B 0 Û Ù Þµ Û Ù Þµ ܾ ܾ Ù FP ܵ Û zeros ܵ Þ Ü Ù FP ܵ Û zeros ܵ Þ Ü
81 Ejemplo: Fallos de predicción 0 A 1 1 B 0 ½ ÛÞ ÛÙÞ Þ ÞÙ ½ Þ ÙÞ ÛÙ ½ Þµ ½ ÙÝ ¾ Þ ¾ ½ Þ
82 Ejemplo: El problema de la contratación A una estrategia de contratación la llamamos basada en el rango si y sólo si las decisiones se toman en función del rango relativo del candidato en curso y no en función de su puntuación en términos absolutos. À µ = el conjunto de los candidatos contratados en la permutación ; µ À µ
83 Ejemplo: El problema de la contratación A una estrategia de contratación la llamamos basada en el rango si y sólo si las decisiones se toman en función del rango relativo del candidato en curso y no en función de su puntuación en términos absolutos. À µ = el conjunto de los candidatos contratados en la permutación ; µ À µ
84 Ejemplo: El problema de la contratación Sea Æ la permutación que obtenemos tras reetiquetar, ½,..., Ò como ½, ¾,..., Ò ½ y añadir por el final. Ejemplo: ¾ ½ Æ ¾ ½ Sea µ ½ si un candidato con puntuación es contratado tras y µ ¼ sino. Æ µ µ µ
85 Ejemplo: El problema de la contratación Sea µ el número de s tales que µ ½. Sea Entonces Þ À Þ Ùµ Ù µ ¾È ½ Þµ Þ À Þ Ùµ À Þ Ùµ Ù ½µ ¾È µ Þ Ù µ
86 Ejemplo: Contratación por encima del mejor El candidato es contratado si y sólo si su puntuación es superior a la del mejor candidato contratado hasta el momento. µ ½ À µ es un máximo de izquierda a derecha en Ò Þ Ò À Ù ÐÒ Ò Ç ½µ Ù ½ La varianza también es ÐÒ Ò Ç ½µ y tras la normalización apropiada Ò Ò Ò µ Ô Î Ò converge a Æ ¼ ½µ
87 Ejemplo: Contratación por encima del mejor El candidato es contratado si y sólo si su puntuación es superior a la del mejor candidato contratado hasta el momento. µ ½ À µ es un máximo de izquierda a derecha en Ò Þ Ò À Ù ÐÒ Ò Ç ½µ Ù ½ La varianza también es ÐÒ Ò Ç ½µ y tras la normalización apropiada Ò Ò Ò µ Ô Î Ò converge a Æ ¼ ½µ
88 Ejemplo: Contratación por encima del mejor El candidato es contratado si y sólo si su puntuación es superior a la del mejor candidato contratado hasta el momento. µ ½ À µ es un máximo de izquierda a derecha en Ò Þ Ò À Ù ÐÒ Ò Ç ½µ Ù ½ La varianza también es ÐÒ Ò Ç ½µ y tras la normalización apropiada Ò Ò Ò µ Ô Î Ò converge a Æ ¼ ½µ
89 Ejemplo: Contratación por encima del mejor El candidato es contratado si y sólo si su puntuación es superior a la del mejor candidato contratado hasta el momento. µ ½ À µ es un máximo de izquierda a derecha en Ò Þ Ò À Ù ÐÒ Ò Ç ½µ Ù ½ La varianza también es ÐÒ Ò Ç ½µ y tras la normalización apropiada Ò Ò Ò µ Ô Î Ò converge a Æ ¼ ½µ
90 Ejemplo: Contratación por encima de la mediana El candidato es contratado si y sólo si su puntuación está por encima de la mediana de las puntuaciones de los candidatos contratados. µ µ ½µ ¾ Õ Ò Õ ½ Ç Ò ½ µµ Ò Ò ½ Ç Ò ½ µµ El resultado se obtiene al resolver las ecuaciones diferenciales que salen del Teorema anterior, usando Ä µ µ ½µ ¾ and Í µ µ µ ¾ como cota inferior y superior, respectivamente.
91 Ejemplo: Contratación por encima de la mediana El candidato es contratado si y sólo si su puntuación está por encima de la mediana de las puntuaciones de los candidatos contratados. µ µ ½µ ¾ Õ Ò Õ ½ Ç Ò ½ µµ Ò Ò ½ Ç Ò ½ µµ El resultado se obtiene al resolver las ecuaciones diferenciales que salen del Teorema anterior, usando Ä µ µ ½µ ¾ and Í µ µ µ ¾ como cota inferior y superior, respectivamente.
92 Ejemplo: Contratación por encima de la mediana El candidato es contratado si y sólo si su puntuación está por encima de la mediana de las puntuaciones de los candidatos contratados. µ µ ½µ ¾ Õ Ò Õ ½ Ç Ò ½ µµ Ò Ò ½ Ç Ò ½ µµ El resultado se obtiene al resolver las ecuaciones diferenciales que salen del Teorema anterior, usando Ä µ µ ½µ ¾ and Í µ µ µ ¾ como cota inferior y superior, respectivamente.
93 Combinatoria analítica: una breve incursión Los últimos resultados y otros muchos se puden obtener aplicando las técnicas de la combinatoria analítica; son técnicas basadas en la teoría de variable compleja. En esencia, lo que hacemos es ver el objeto formal Þµ como una función de variable compleja.
94 Combinatoria analítica: una breve incursión Una función generatriz es analítica en una cierta región del plano complejo; es decir, la serie de potencias converge para todo Þ dentro del llamado disco de convergencia de radio Ê. Un resultado importante es que si Ê ½ entonces Þ Ò Þµ ½ Ê µò y ½ Ê µò Ò para todo ¼; es decir, el radio de convergencia nos da inmediatamente el ritmo de crecimiento exponencial (si Ê ½).
95 Combinatoria analítica: una breve incursión En muchos casos una función cesa de ser analítica porque no está definida en un cierto punto o alguna de sus derivadas no lo está. Muchas funciones importantes con radio de convergencia finito, tienen solo un conjunto finito de puntos donde la función no es analítica, se denominan singularidades. La distancia al origen de la singularidad más cercana al origen (llamada dominante) no da el radio de convergencia µ el ritmo de crecimiento exponencial.
96 Combinatoria analítica: una breve incursión El resultado esencial a partir del cual se han obtenido otros muchos es el teorema de Cauchy: si Þµ es analítica en una región Ê que contiene a Þ ¼ y es una curva cerrada simple dentro de Ê con Þ ¼ en su interior Þ Ò Þµ ½ Þµ ¾ i Þ Ò ½ Se usa un contorno fácil de integrar en la zona alejada de las singularidades y cerca de la singularidad se usa una expansión local de Þµ
97 Combinatoria analítica: una breve incursión La naturaleza de la singularidad nos da factores polinómicos, logarítmicos, etc.. En condiciones bastante generales se pueden aplicar resultados del tipo Þµ Þ Þµ µ Ò Ò donde Þ es la singularidad dominante de Þµ, y la función Þµ es una de la que sabemos extraer fácilmente los coeficientes, p.e., Þ Ò «Þ ½ Ò Ò«½ Ç ½ Òµµ «µ siendo «½ ¾
98 Combinatoria analítica: una breve incursión Por ejemplo, la función generatriz de conteo de los árboles binarios es Þ ½ ¾ ¾ ½ por lo tanto Þµ ½ Ô ½ Þ ¾Þ Þ ½ ½ Ò ¾ Ò Ò ¾ ¾µ ½ Ç ½ Òµµ ½ Ò Ò Ô ½ Ç ½ Òµµ Ò
99 Combinatoria analítica: una breve incursión Otro ejemplo son los derangements. por lo tanto Þµ Þ ½ Þ Þ ½ ½ ½ Þ Ò ½ Ò ½ Ç ½ Òµµ Y la respuesta al problema original es que la probabilidad de que nadie recupere su sombrero es Ò Ò ½ ¼
100 Combinatoria analítica: una breve incursión A menudo un FG satisface una ecuación funcional más o menos compleja, pero podemos utilizar técnicas del análisis complejo (ej: teorema de la función implícita) para saber su radio de convergencia y computar una expasión local cerca de la singularidad dominante, y de ahí sacar los Ò sin necesidad de resolver explícitamente la ecuación satisfecha por Þµ Existen otros muchos métodos útiles como los de punto de silla (saddle point methods) y otros que no recurrenc al análisis de variable compleja (p.e. los teoremas Tauberianos). Y además tenemos otras técnicas como los teoremas de resolución de recurrencias divide y vencerás.
101 Esto se acaba... y no he hecho más que arañar la superfície; serían necesarias dos horas más para empezar a ver con un poco más de detalle el territorio que sólo hemos sobrevolado...
102 GRACIAS!!
103 Reconocimientos Kanela Kaligosi, Peter Sanders: Branch mispredictions in Quicksort Margaret Archibald: The hiring problem
Complejidad computacional (Análisis de Algoritmos)
Definición. Complejidad computacional (Análisis de Algoritmos) Es la rama de las ciencias de la computación que estudia, de manera teórica, la optimización de los recursos requeridos durante la ejecución
Más detallesLa eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesF U N D A D O POR DON 0SE B A T l L E Y O R D O Ñ E Z EL > 6 DE J U N I O DE « '»eriarclóo 0 E O O A4 I N C O A LLAMENOS CHURRASOUERA
$ Ñ $ $ & $ [ & Ó Ü Ó É & à # ú Î à Ö # Ç # # Î# ~ ì & & # ~ ì ï + ú Ü ö Ù ì ï # Û à Ö Ö Ä # ç & Ú Î Ü æ ~ ò ú ì ] ~ ~ ì ~ à ì Ì & û ú ~ # ~ ò & Î # Ì Ï = ~ = = ~ ò ô Î & ï à Á û ô ß æ + ì ] Ä ò æ Ï ]
Más detallesAnálisis y Diseño de Algoritmos
Análisis y Diseño de Algoritmos Notación Asintótica DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Introducción Por qué el análisis de algoritmos? Determinar tiempos de respuesta (runtime)
Más detallesPruebas de Acceso a las Universidades de Castilla y León
Pruebas de Acceso a las Universidades de astilla y León MATEMÁTIAS APLIADAS A LAS IENIAS SOIALES EJERIIO Nº páginas Tablas OPTATIVIDAD: EL ALUMNO DEBERÁ ESOGER UNA DE LAS DOS OPIONES Y DESARROLLAR LAS
Más detallesT E X T O D E L M A N U A L D E H T M L, W E B M A E S T R O, P O R F R A N C I S C O A R O C E N A
T E X T O D E L M A N U A L D E H T M L, W E B M A E S T R O, P O R F R A N C I S C O A R O C E N A Q U E S E E N C U E N T R A E N I N T E R N E T E N : h t t p : / / w w w. l a n d e r. e s / w e b m
Más detalles1. Ecuaciones de recurrencia
PRÁCTICA NO 3. ALGORITMOS RECURRENTES 1. Ecuaciones de recurrencia Una ecuación de recurrencia es una expresión finita que define explícitamente una sucesión, en el cual un elemento de la sucesión se determina
Más detallesBachillerato Internacional. Matemáticas Nivel Medio. Programa para el curso 1º ( )
1 Bachillerato Internacional. Matemáticas Nivel Medio. Programa para el curso 1º (2015-2016) Tema 1: NÚMEROS REALES Conjuntos numéricos. Números naturales. Números enteros. Números racionales. Números
Más detallesCONTENIDOS MÍNIMOS MATEMÁTICAS 2º Y 4º E.S.O.
CONTENIDOS MÍNIMOS MATEMÁTICAS 2º Y 4º E.S.O. Matemáticas 2º E.S.O. a) Contenidos comunes. Utilizar estrategias y técnicas sencillas en la resolución de problemas. b) Números. Conocer los conceptos de
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesTEMARIO DE PROFESORES DE ENSEÑANZA SECUNDARIA MATEMÁTICAS
HOJA INFORMATIVA A.5.2.33 TEMARIO DE PROFESORES DE ENSEÑANZA SECUNDARIA MATEMÁTICAS Publicado en el B.O.E. de 21 de Septiembre de 1.993 MARZO 1998 MATEMÁTICAS 1. Números naturales. Sistemas de numeración.
Más detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detalles1. Los números reales. 2. Representación. 3. Densidad de los números racionales. 4. Propiedades de los números reales
EJES ARTICULADORES Y PRODUCTIVOS DEL AREA SISTEMA DE CONOCIMIENTOS GRADO: 10 11 1. Los números reales 1. Desigualdades. 2. Representación 2. Propiedades. 3. Densidad de los números racionales 4. Propiedades
Más detalles10. Series de potencias
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Cálculo Diferencial e Integral 7-2 Basado en el apunte del curso Cálculo (2do semestre), de Roberto Cominetti, Martín Matamala y Jorge San
Más detallesDerivadas Parciales (parte 2)
40 Derivadas Parciales (parte 2) Ejercicio: Si donde y. Determinar Solución: Consideraremos ahora la situación en la que, pero cada una de las variables e es función de dos variables y. En este caso tiene
Más detallesNotas de NdeCColaboración
Notas de Colaboración Notas de NdeCColaboración LA INFORMACIÓN GEOGRÁFICA EN LA APLICACIÓN DE LA LEY 13/2015: REPRESENTACIÓN GRÁFICA GEORREFERENCIADA. Por Carmen Femenia-Ribera. Ingeniera Técnica en Topografía.
Más detallesAsí tenemos el siguiente teorema: Sea f una función analítica en un disco Entonces f admite la representación de potencias:
Así tenemos el siguiente teorema: Sea f una función analítica en un disco Entonces f admite la representación de potencias: donde conocida como serie de Taylor (o serie de Maclaurin cuando ). Además la
Más detallesClase. 1. Resolución de sistemas de ecuaciones lineales: preliminares
Clase 1. Resolución de sistemas de ecuaciones lineales: preliminares 2. Método directo y exacto: Gauss 3. Método directo y exacto (II): descomposición LU 4. Métodos indirectos: Jacobi, Gauss-Seidel 2 Sistemas
Más detallesContenidos IB-Test Matemática NM 2014.
REDLAND SCHOOL MATHEMATICS DEPARTMENT 3 MEDIO NM 1.- Estadística y probabilidad. Contenidos IB-Test Matemática NM 2014. 1.1.- Conceptos de población, muestra, muestra aleatoria, y datos discretos y continuos.
Más detallesNº Hermanos 30 Alumnos X i f i P(X i ) 0 8 0, , , , , ,00
U.D.3: Distribuciones Discretas. La Distribución Binomial 3.1 Variable Aleatoria Discreta. Función o Distribución de Probabilidad. Variable Aleatoria: - En un experimento aleatorio, se llama variable aleatoria
Más detallesDom(R 1 ) = {1;2} Rang(R 1 ) = {1;2}
ÈÖÓ Ð Ñ Ö Ô Ó ÈÖÓ Ð Ñ ½ Ë Ð ÓÒ ÙÒØÓ A = {1;2;3;4} Ð Ö Ð Ò R 1 = {(1,1);(1,2);(2,1)} R 2 = {(1,1);(1,3);(2,2);(3,3);(3,1);(4,4)} R 3 = {(1,2);(2,1);(3,3);(1,1);(2,4)} R 4 = {(3,4);(4,3);(3,3);(1,2)} R 5
Más detallesANOVA. Análisis de la Varianza. Univariante Efectos fijos Muestras independientes
ANOVA Análisis de la Varianza Univariante Efectos fijos Muestras independientes De la t a la F En el test de la t de Student para muestras independientes, aprendimos como usar la distribución t para contrastar
Más detallesÓrdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple
Órdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple Estos apuntes están redactados por Maria de los Angeles Isidro Pérez y Egor Maximenko.
Más detallesEspacios topológicos. 3.1 Espacio topológico
Capítulo 3 Espacios topológicos 3.1 Espacio topológico Definición 3.1.1. Un espacio topológico es un par (X, τ), donde X es un conjunto, y τ es una familia de subconjuntos de X que verifica las siguientes
Más detallesTema 3. Análisis de costes
Tema 3. Análisis de costes http://aulavirtual.uji.es José M. Badía, Begoña Martínez, Antonio Morales y José M. Sanchiz {badia, bmartine, morales, sanchiz}@icc.uji.es Estructuras de datos y de la información
Más detallesFundamentos de la Teoría de la Probabilidad. Ing. Eduardo Cruz Romero
Fundamentos de la Teoría de la Probabilidad Ing. Eduardo Cruz Romero www.tics-tlapa.com Teoría elemental de la probabilidad (1/3) El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos
Más detallesEcuaciones Diofánticas
2 Ecuaciones Diofánticas (c) 2011 leandromarin.com 1. Introducción Una ecuación diofántica es una ecuación con coeficientes enteros y de la que tenemos que calcular las soluciones enteras. En este tema
Más detallesTema 8: Aplicaciones. Ecuaciones en. diferencias: modelos en tiempo discreto. 1 Modelo de crecimiento exponencial. 2 Sucesión de Fibonacci
8 de diciembre de 20 Contexto: Bloque de Álgebra Lineal Tema 6. Sistemas de ecuaciones lineales y matrices. Tema 7. Valores y vectores propios. Tema 8. Aplicaciones del cálculo de los valores y vectores
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesCUARTO DE ESO. MATEMÁTICAS A
CUARTO DE ESO. MATEMÁTICAS A UNIDAD 1 1.1. Realiza operaciones combinadas con números enteros. 1.2. Realiza operaciones con fracciones. 1.3. Realiza operaciones y simplificaciones con potencias de exponente
Más detallesMétodos Numéricos: Ejercicios resueltos
Métodos Numéricos: Ejercicios resueltos Tema 6: Resolución aproximada de sistemas de ecuaciones lineales Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica
Más detallesAlgoritmos genéticos
Algoritmos genéticos Introducción 2 Esquema básico 3 El problema de la mochila 7 Asignación de recursos 0 El problema del viajante 3 Variantes del esquema básico 5 Por qué funciona? 9 Observaciones finales
Más detallesClase 10: Extremos condicionados y multiplicadores de Lagrange
Clase 10: Extremos condicionados y multiplicadores de Lagrange C.J. Vanegas 7 de abril de 008 1. Extremos condicionados y multiplicadores de Lagrange Estamos interesados en maximizar o minimizar una función
Más detallesAnálisis de Algoritmos
Análisis de Algoritmos Amalia Duch Barcelona, marzo de 2007 Índice 1. Costes en tiempo y en espacio 1 2. Coste en los casos mejor, promedio y peor 3 3. Notación asintótica 4 4. Coste de los algoritmos
Más detallesAplicaciones del análisis combinatorio
Aplicaciones del análisis combinatorio UNAM 25 de noviembre de 2010 Plan de la plática Plantear problemas Especificación de clases combinatorias Traducción a funciones generadoras Comportamiento asintótico
Más detallesOBJETIVOS DE MATEMÁTICAS B 4º DE ESO
OBJETIVOS DE MATEMÁTICAS B 4º DE ESO UNIDAD 1 1.1. Domina la expresión decimal de un número o una cantidad y calcula o acota los errores absoluto y relativo en una aproximación. 1.2. Realiza operaciones
Más detallesExpresión decimal. Aproximación y estimación. Notación científica. Polinomios. Divisibilidad de polinomios. Regla de Ruffini.
Otras páginas Matemáticas 5º Matemáticas I. Bloque I: ARITMÉTICA Y ÁLGEBRA Los números reales Los números reales, concepto y características. Estructura algebraica, orden, representación en la recta real
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Primer Semestre. EstadísTICa Curso Primero Graduado en Geomática y Topografía Escuela Técnica Superior de Ingenieros en Topografía, Geodesia y Cartografía. Universidad Politécnica
Más detallesCap. 5 : Distribuciones muestrales
Cap. 5 : Distribuciones muestrales Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 18 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de
Más detalles18 Experimentos aleatorios. Sucesos y espacio muestral. Frecuencia y probabilidad de un suceso.
PRIMER CURSO DE E.S.O Criterios de calificación: 80% exámenes, 10% actividades, 10% actitud y trabajo 1 Números naturales. 2 Potencias de exponente natural. Raíces cuadradas exactas. 3 Divisibilidad. Concepto
Más detallesAnálisis y Diseño de Algoritmos
Análisis y Diseño de Algoritmos Ordenamiento en Tiempo Lineal DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Ordenamiento por Comparación (Comparison Sorts) Tiempo de ejecución HeapSort y
Más detallesAlgoritmos. Medios de expresión de un algoritmo. Diagrama de flujo
Algoritmos En general, no hay una definición formal de algoritmo. Muchos autores los señalan como listas de instrucciones para resolver un problema abstracto, es decir, que un número finito de pasos convierten
Más detallesCapítulo 3: Técnicas de Conteo Clase 2: Permutaciones y Combinaciones, Coeficientes Binomiales y Aplicaciones a Probabilidad Discreta
Capítulo 3: Técnicas de Conteo Clase 2: Permutaciones y Combinaciones, Coeficientes Binomiales y Aplicaciones a Probabilidad Discreta Matemática Discreta - CC3101 Profesor: Pablo Barceló P. Barceló Matemática
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Analizar y resolver problemas de naturaleza aleatoria en la ingeniería, aplicando conceptos
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesLa desviación típica y otras medidas de dispersión
La desviación típica y otras medidas de dispersión DISPERSIÓN O VARIACIÓN La dispersión o variación de los datos intenta dar una idea de cuan esparcidos se encuentran éstos. Hay varias medidas de tal dispersión,
Más detalles6. PROGRAMACIÓN DEL CURSO 4º A DE E. S. O.
6. PROGRAMACIÓN DEL CURSO 4º A DE E. S. O. 6.1 OBJETIVOS GENERALES DEL CURSO Reconocer las diferentes clases de números, y operar correctamente con ellos. Aplicaciones aritméticas. Conocer y manejar la
Más detallesIntroducción. Flujo Eléctrico.
Introducción La descripción cualitativa del campo eléctrico mediante las líneas de fuerza, está relacionada con una ecuación matemática llamada Ley de Gauss, que relaciona el campo eléctrico sobre una
Más detallesPLAN DE CURSO PC-01 FO-TESE-DA-09 DIRECCIÓN ACADÉMICA DIVISIÓN DE INGENIERÍA ELECTRÓNICA. Según Corresponda CALCULO INTEGRAL TURNO: 1201/1 251
No. DE EMPLEADO: SEMANA: 5 NO. DE ALUMNOS: O PROPOSITO GENERAL DE LA 1. Teorema fundamental del cálculo. - Contextualizar el concepto de - Visualizar la relación entre cálculo diferencial y el cálculo
Más detallesGUÍA DE LA UNIDAD FUNCIONES : DERIVADAS
Funciones Límites Derivadas Aplicaciones Gráficas C ontenidos Idea de Función. Elementos notables de la gráfica de una función. Funciones lineales. Función definida por intervalos. Función Valor Absoluto.
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detalles1. Los números racionales. 2. Operaciones con racionales. 3. Clasificación de los decimales. 4. Irracionales. (representación, orden).
EJES ARTICULADORES Y PRODUCTIVOS DEL AREA SISTEMA DE CONOCIMIENTOS GRADO: 8 9 1. Los números racionales. 2. Operaciones con racionales. 3. Clasificación de los decimales. 1. Los números reales. 2. Notación
Más detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.
Más detallesLímites y Continuidad
Tema 2 Límites y Continuidad Introducción En este tema se trata el concepto de límite de una función real de variable real y sus propiedades, así como algunas de las técnicas fundamentales para el cálculo
Más detallesCURSO CERO DE MATEMATICAS. Apuntes elaborados por Domingo Pestana Galván. y José Manuel Rodríguez García
INGENIEROS INDUSTRIALES Y DE TELECOMUNICACIONES CURSO CERO DE MATEMATICAS Apuntes elaborados por Domingo Pestana Galván y José Manuel Rodríguez García UNIVERSIDAD CARLOS III DE MADRID Escuela Politécnica
Más detallesTablas de dispersión (hash tables)
Tablas de dispersión (hash tables) La dispersión es una técnica empleada para realizar inserciones, eliminaciones y búsquedas en un tiempo promedio constante. La estructura de datos ideal para la tabla
Más detallesCalendario Lenguaje Matemática Inglés Hist. Cs.Soc Cs.Nat (1º -8º Básico) 17 de Junio 23 de Junio 28 de Junio 30 de Junio 4 de Julio
Curso: 7º Básico Nivel de Séptimos del Primer Semestre (coef. 2), de según fecha indicada para cada sector de Hist. Cs.Soc Cs.Nat (1º -8º Básico) 17 de Junio 23 de Junio 30 de Junio 4 de Julio Los Sectores
Más detallesJUNIO Opción A
Junio 010 (Prueba Específica) JUNIO 010 Opción A 1.- Discute y resuelve según los distintos valores del parámetro a el siguiente sistema de ecuaciones: a x + a y + az 1 x + a y + z 0.- Una panadería se
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesPLANES CURRICULARES GRADO9º/ 01 PERIODO
PLANES CURRICULARES GRADO9º/ 01 PERIODO Grado: 9º Periodo: 01 PRIMERO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Gloria rueda y Jesús Vargas ESTANDARES P.A.I. I.B. A. Conocimiento
Más detallesPráctica IV: Métodos de Newton-Raphson y de la secante, para encontrar las raíces de una función.
Práctica IV: Métodos de Newton-Raphson y de la secante, para encontrar las raíces de una función. Se suele llamar método de Newton-Raphson al método de Newton cuando se utiliza para calcular los ceros
Más detallesHOJA DE TRABAJO UNIDAD 3
HOJA DE TRABAJO UNIDAD 3 1. Defina que es probabilidad Es el estudio de experimentos aleatorios o libres de determinación, el resultado es al azar. Se refiere al estudio de la aleatoriedad y a la incertidumbre.
Más detallesUnidad II: Fundamentos de la teoría de probabilidad
Unidad II: Fundamentos de la teoría de probabilidad 2.1 Teoría elemental de probabilidad El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos que se denominan aleatorios, cuya característica
Más detallesUNIDAD DIDÁCTICA 9: Límites y continuidad
accés a la universitat dels majors de anys acceso a la universidad de los mayores de años UNIDAD DIDÁCTICA 9: Límites y continuidad ÍNDICE Concepto de límite de una función en un punto. Indeterminaciones.
Más detallesPruebas de Acceso a las Universidades de Castilla y León
Pruebas de Acceso a las Universidades de Castilla y León MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJERCICIO Nº páginas 2 Tablas OPTATIVIDAD: EL ALUMNO DEBERÁ ESCOGER UNA DE LAS DOS OPCIONES Y DESARROLLAR
Más detallesFórmula integral de Cauchy
Fórmula integral de Cauchy Comentario: de acuerdo con esta fórmula, uno puede conocer el valor de f dentro del entorno, conociendo únicamente los valores que toma f en el contorno C! Fórmula integral de
Más detallesAPUNTES DOCENTES ASIGNATURA: ANALISIS NUMERICO ASIGNATURA: ANALISIS NUMERICO UNIDADES TECNOLÓGICAS DE SANTANDER
APUNTES DOCENTES ASIGNATURA: ANALISIS NUMERICO ASIGNATURA: ANALISIS NUMERICO PROFESOR: ESP. PEDRO ALBERTO ARIAS QUINTERO 1. ERRORES Y ARITMETICA DE PUNTO FLOTANTE 1.1. Introducción a la Computación Numérica
Más detallesEl Teorema de Recurrencia de Poincaré
El Teorema de Recurrencia de Poincaré Pablo Lessa 9 de octubre de 204. Recurrencia de Poincaré.. Fracciones Continuas Supongamos que queremos expresar la relación que existe entre los números 27 y 0. Una
Más detallesCálculo de una y varias variables (con prácticas en wxmaxima) M.ª Victoria Sebastián Guerrero M.ª Antonia Navascués Sanagustín
Cálculo de una y varias variables (con prácticas en wxmaxima) M.ª Victoria Sebastián Guerrero M.ª Antonia Navascués Sanagustín Prensas Universitarias de Zaragoza Textos Docentes, 201 2011, 450 pp., 17
Más detallesLÍMITES Y CONTINUIDAD
LÍMITES Y CONTINUIDAD Tema 4: LÍMITES Y CONTINUIDAD. Índice:. Límite de una función en un punto. Límites laterales.. Límites en el infinito.. Cálculo de límites... Propiedades de los límites... Límites
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesBloque 1. Contenidos comunes. (Total: 3 sesiones)
4º E.S.O. OPCIÓN A 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 3 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas, tales como
Más detallesPARTE COMÚN MATERIA: FUNDAMENTOS DE MATEMÁTICAS
CALIFICACIÓN: PRUEBAS DE ACCESO A CICLOS FORMATIVOS DE GRADO SUPERIOR DE FORMACIÓN PROFESIONAL SEPTIEMBRE DE 2013 Resolución de 02/04/2013, de la Viceconsejería de Educación, Universidades e Investigación
Más detallesEjemplo: El problema de la mochila. Algoritmos golosos. Algoritmos y Estructuras de Datos III. Segundo cuatrimestre 2013
Técnicas de diseño de algoritmos Algoritmos y Estructuras de Datos III Segundo cuatrimestre 2013 Técnicas de diseño de algoritmos Algoritmos golosos Backtracking (búsqueda con retroceso) Divide and conquer
Más detallesProcesos estocásticos Cadenas de Márkov
Procesos estocásticos Cadenas de Márkov Curso: Investigación de Operaciones Ing. Javier Villatoro PROCESOS ESTOCASTICOS Procesos estocásticos Es un proceso o sucesión de eventos que se desarrolla en el
Más detallesUnidad V. 5.1 Recta tangente y recta normal a una curva en un punto. Curvas ortogonales.
Unidad V Aplicaciones de la derivada 5.1 Recta tangente y recta normal a una curva en un punto. Curvas ortogonales. Una tangente a una curva es una recta que toca la curva en un solo punto y tiene la misma
Más detallesTeoría de números. Herbert Kanarek Universidad de Guanajuato Enero Junio Eugenio Daniel Flores Alatorre
Teoría de números Herbert Kanarek Universidad de Guanajuato Enero Junio 2012 Eugenio Daniel Flores Alatorre Bibliografía The theory of numbers Ivan Nivan H. Zuckerman H. Montgomery Temario I. Divisibilidad
Más detallesMuestreo de variables aleatorias
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como
Más detallesEl Algoritmo E-M. José Antonio Camarena Ibarrola
El Algoritmo E-M José Antonio Camarena Ibarrola Introducción Método para encontrar una estimación de máima verosimilitud para un parámetro ѳ de una distribución Ejemplo simple 24 Si tiene las temperaturas
Más detallesAlgoritmos de Ordenamiento
Algoritmos de Ordenamiento mat-151 Alonso Ramírez Manzanares Computación y Algoritmos 12.04 Algoritmos de ordenamiento Entrada: secuencia de números. Salida: permutación
Más detalles7.- Teorema integral de Fourier. Transformada de Fourier
7.- Teorema integral de Fourier. Transformada de Fourier a) Introducción. b) Transformada de Fourier. c) Teorema integral de Fourier. d) Propiedades de la Transformada de Fourier. e) Teorema de Convolución.
Más detallesSEPTIEMBRE Opción A
Septiembre 010 (Prueba Específica) SEPTIEMBRE 010 Opción A 1.- Se considera el sistema de ecuaciones: x y = 3x+ y = 4 4x + y = a a) Clasifica el sistema en función de sus posibles soluciones para los distintos
Más detallesPreliminares Interpolación INTERPOLACIÓN Y APROXIMACIÓN POLINOMIAL
INTERPOLACIÓN Y APROXIMACIÓN POLINOMIAL Contenido Preliminares 1 Preliminares Teorema 2 Contenido Preliminares Teorema 1 Preliminares Teorema 2 Teorema Preliminares Teorema Teorema: Serie de Taylor Supongamos
Más detallesTema Contenido Contenidos Mínimos
1 Estadística unidimensional - Variable estadística. - Tipos de variables estadísticas: cualitativas, cuantitativas discretas y cuantitativas continuas. - Variable cualitativa. Distribución de frecuencias.
Más detalles13. Series de Laurent.
Funciones de variable compleja. Eleonora Catsigeras. 3 Mayo 2006. 33 3. Series de Laurent. 3.. Definición de serie de Laurent y corona de convergencia. Definición 3... Serie de Laurent. Se llama serie
Más detallesÁÒ Ò Ö Ð ½ º Ä Â Ù ½ ½ ½ º½ºÂ Ù ¹ Ð ÀÓÑ Ö º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º ½ ½ º¾ºÄ Ê Ð ÓÒ Â Ù º º º º º º º
Ð Ä ÖÓ ÍÖ ÒØ ½ ¹ Ä Â Ù Á ÁÁ ÁÁÁ ÁÎ Ð ÍÒ Ú Ö Ó ÒØÖ Ð Ý ÐÓ ËÙÔ ÖÙÒ Ú Ö Ó Ð ÍÒ Ú Ö Ó ÄÓ Ð Ä À ØÓÖ ÍÖ ÒØ Ä Î Ý Ð Ò Ò ÒÞ Â Ù ÛÛÛºÙÖ ÒØ ºÓÖ ½ ÛÛÛºØÖÙØ ÓÓ ºÓÑ ¾ ½ ÁÒØ ÖÒ Ø ØØÔ»»ÛÛÛºÙÖ ÒØ ºÓÖ» º ¾ ÁÒØ ÖÒ Ø ØØÔ»»ÛÛÛºØÖÙØ
Más detallesPrograma de: CALCULO I Clave MAT-1500 Créditos: 03. Cátedra: Análisis I (A C) Horas/Semana Preparado por: Pablo C. Smester, Carlos Feliz
Cátedra: Análisis I (A C) Horas/Semana Preparado por: Pablo C. Smester, Carlos Feliz Horas Teóricas 02 Fecha: Mayo 2012 Horas s 02 Actualizado por: Semanas 16 Fecha : Nivel Grado DESCRIPCIÓN DE LA ASIGNATURA:
Más detallesLÍMITES DE FUNCIONES
LÍMITES DE FUNCIONES IDEA INTUITIVA DE LÍMITE DE UNA FUNCIÓN EN UN PUNTO. Ejemplo : Consideremos la función: f Su gráfica: si < si > Si toma valores próimos a, distintos de y menores que ej.: 9, 99, 999,,
Más detallesTema 7: Derivada de una función
Tema 7: Derivada de una función Antes de dar la definición de derivada de una función en un punto, vamos a introducir dos ejemplos o motivaciones iniciales que nos van a dar la medida de la importancia
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesI.E.S. DE INGENIO Avda. de los Artesanos, INGENIO POC-PC EVALUACIÓN CONTENIDOS MÍNIMOS CURSO CURSO: 1º BACH.
CURSO 2009-2010 CURSO: 1º BACH. CCSS Números reales (Intervalos y entornos, valor absoluto, logaritmo). ÁREA: MATEMATICAS AP. CCSS I Polinomios y fracciones algebraicas (operaciones básicas, divisibilidad,
Más detallesTema 6: Trigonometría.
Tema 6: Trigonometría. Comenzamos un tema, para mi parecer, muy bonito, en el que estudiaremos algunos aspectos importantes de la geometría, como son los ángulos, las principales razones e identidades
Más detallesAnálisis Numérico para Ingeniería. Clase Nro. 3
Análisis Numérico para Ingeniería Clase Nro. 3 Ecuaciones Diferenciales Ordinarias Introducción Problemas de Valores Iniciales Método de la Serie de Taylor Método de Euler Simple Método de Euler Modificado
Más detallesMATEMÁTICAS 2º BACHILLERATO
MATEMÁTICAS 2º BACHILLERATO MATRICES 1. Matrices y tipos de matrices 2. Operaciones con matrices 3. Producto de matrices 4. Matriz traspuesta 5. Matriz inversa 6. Rango de matrices DETERMINANTES 7. Determinantes
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
Más detallesDESIGUALDADES. AXIOMA 1.- Tricotomía de los números reales. Si a y b son números reales entonces se cumple una y solo una de las relaciones
DESIGUALDADES 4.1.- AXIOMAS DE ORDEN. Cualquier conjunto o Campo de números que satisface los siguientes 4 Axiomas se dice que es un conjunto de números ORDENADO. El conjunto o Campo de los números reales
Más detalles