4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór

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

Download "4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór"

Transcripción

1 Capítulo 4 Iterpolacó polomal de Hermte E determadas aplcacoes se precsa métodos de terpolacó que trabaje co datos prescrtos de la fucó y sus dervadas e ua sere de putos, co el objeto de aumetar la aproxmacó e las proxmdades de dchos putos. Detro de esta clase de métodos está la terpolacó de Hermte. Nos cetramos e el problema de terpolacó polomal de Hermte. Sea x,,x putos dsttos. Coocdos los valores de la fucó f y su dervada f ' e x,,x, se trata de ecotrar u polomo de grado el meor posble que cocda co f y co su dervada e los putos señalados. Se demuestra que dcho polomo exste y es úco. Además tee grado + (recuérdese que dspoemos de + datos para costrurlo. A dcho polomo se le llama polomo de terpolacó de Hermte de f e los putos x, =,..,. Datos umércos: f ( x, f '(x, =,.., (+ datos. Espaco de fucoes terpoladoras: P + Problema terpolacó polomal de Hermte: p P + : p(x p'(x f (x f '(x,..., p(x,..., p'(x f (x f (x Observacó: El problema de terpolacó de Hermte se puede exteder cosderado valores de dervadas de la fucó de orde mayor que uo. E las sguetes seccoes os cetramos e la costruccó explícta del polomo de terpolacó de Hermte y e el aálss del error que se comete al aproxmar la fucó terpolada por su polomo de terpolacó de Hermte.

2 4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fórmula de Lagrage. = = Las fucoes { L x, L (x, } ( =,..., costtuye la base de Lagrage del problema de terpolacó cosderado. Esto es, L ( x y L (x so polomos de grado + verfcado = j L ( x j δj = L' (x j,, j =,...,, j L (x j, L' (x j δ j,, j =,..., Se demuestra que admte la expresó: L (x ( (x x l' (x l L (x (x x l (x (x dode l (x (x x j, (x j = x j j =,...,. 4. Fórmula de Newto geeralzada U algortmo aálogo al de Newto vsto e la seccó 3. os proporcoará u método alteratvo a la fórmula de Lagrage del polomo de terpolacó de Hermte. Para ello, prevamete teemos que exteder el cocepto de dferecas dvddas al caso e el que los argumetos se repta. Comezamos, para motvar la defcó, co las dferecas dvddas de grado cero. Supogamos que la fucó f es dervable e u etoro del puto x. Las dferecas dvddas de f e x, x, f [ x, x ], se terpreta como el lm f [ x, x] : f (x f (x f x - x x x [, x ] = lm f [ x, x] = lm = f (x x x x x x E geeral, s f es dervable hasta el orde e u etoro de x, se defe las dferecas dvddas de grado de f e x (el argumeto repetdo + veces como:

3 [ x,...,x ] f = f (x! ( Esta defcó extede el cocepto de dferecas dvddas al caso de argumetos repetdos, quedado la fórmula recursva de cálculo f [ x,..., x ] f = f [ x,..., x ] f [ x,..., x ] ( (x! x x s x s x x =... = x Esta defcó amplada de las dferecas dvddas os permte exteder el algortmo de Newto para la costruccó de polomos de terpolacó que volucra valores de la fucó y sus dervadas e putos señalados. Para ello basta escrbr ua lsta co lo odos de terpolacó, dode cada puto aparece tatas veces como valores de la fucó y sus dervadas se cooce e dcho puto. Se costruye la tabla de dferecas dvddas utlzado la fórmula recursva geeralzada y el algortmo de Newto geeralzado (cotemplado argumetos repetdos os proporcoará el polomo buscado. Veamos u ejemplo. Ejemplo 4... Costrúyase el polomo de grado tres que pasa por los putos (,, (,5, (,5 y co tagete e x. Sea p (x el polomo buscado. Datos. f (, f ( 5, f( 5, f ( = Fucó terpolate: Polomo de grado tres. Costrumos la tabla de dferecas dvddas geeralzadas co los datos umércos proporcoados e el problema: x = ( x = ( x = ( 5 x = f ( 5 f f [,] = f ( = f [,,] = 4 f [,,, ] = 3 4 f f [,] = 5 f [,, ] = 5 f f [,] = Por tato, utlzado la fórmula de Newto geeralzada: [,] x + f [,,] x + [,,, ] x (x - + x + 4x x (x - p (x f ( + f f 3 4

4 Ejemplo 4... Costrúyase el polomo de grado meor que terpole a la fuco f(x e los sguetes datos f (, f ( 6, f ( = 3 f ( = 7, f ( = 8 Co los datos dspobles costrumos la tabla de dferecas dvddas geeralzadas: x = ( x = ( x = ( 6 x = ( 6 x = f ( 6 f f [,] = f ( = 3 f [,, ] = f [,,, ] = f [,,,, ] = f f [,] = 4 f [,,] = 3 f [,,, ] = f f [,] = f ( = 7 ( f [,,] = f = 4 f f [,] = f ( = 7! A partr de la tabla de dferecas dvddas calculada, escrbmos la expresó de Newto geeralzada: [ ] [ ] [ ] [ ] [ ] p(x f f, (x- f,, (x- f,,, (x- ( x f,,,, (x- (x- = = = + 3(x + (x- + (x- (x- (x- (x- Ua vez troducdo el cocepto de dferecas dvddas geeralzadas e lustrado co ejemplos, escrbmos la expresó, sguedo el algortmo de Newto geeralzado, del polomo p (x de terpolacó de Hermte de ua fucó f e x,..., x : p(x = f f [ x ] + f [ x, x ](x - x + f [ x, x, x] (x - x + f [ x, x, x, x] [ x, x, x, x,..., x, x ](x - x (x - x...(x - x Los coefcetes de la expresó ateror so los elemetos de la prmera fla de la tabla de dferecas dvddas: x ( x x, x x, x x f ( x [ x, x ] f x, x x f ( x f [ x, x ] x f x (x - x f f [ ] f [, x] f [ x, x, x,..., x, x ] f [, ] ( x (x - x Estudo del error El error de terpolacó e el caso de la terpolacó polomal de Hermte se puede estmar de forma aáloga a como se hacía e la terpolacó polomal clásca.

5 Sea E( x f (x p (x el error que se comete e el puto x al smular la fucó f por su polomo de terpolacó de Hermte p e x,..., x. Se demuestra + que s f C ([ a, b], sedo [ a, b] u tervalo que cotee a los putos de trabajo x,..., x, [ x, x,..., x, x, x] (x x...(x x E( x f Esta expresó se puede escrbr e térmos de la dervada de orde + de f, a,b ξ a b tal que probádose que para cada x [ ] exste u puto [ ] E f ( ξ ( +! x, (+ x (x x x... x-x, x a,b ( ( [ ] A partr de la fórmula ateror se puede obteer ua cota del error de terpolacó de Hermte M E(x = x x... x - x, x [ a,b] ( +! (+ sedo M = max f ( x. a x b Ejemplo Se cosdera la fucó f ( x l x a Calcúlese el polomo de terpolacó de Hermte de f e x = y x =. Costrumos la tabla de dferecas dvddas que permte clur los datos de terpolacó f (, f (, f (, f (, trabajado co dos dígtos decmales: x = f ( ( x = f ( [,] =. 69 x = (. 69 f, = f ( =. x = f (. 69 f f [,, ] =. 3 f [,,, ] =. f f [,,] =. 9 f [ ] 5 Sea p (x el polomo de terpolacó buscado, utlzado la fórmula de Newto geeralzada: [ ] [ ] [ ] p(x f ( + f, (x + f,, (x + f,,, (x (x = + (x.3(x.(x (x.

6 b Dar ua estmacó del error de terpolacó e el tervalo [,]. Aplcado la fórmula vsta de acotacó del error de terpolacó de Hermte a uestro problema, obteemos que dode E(x M (x - (x - 4! ( v M = max f (x. x [,] x [,] 6 E uestro caso M = max = 6. Luego el error cometdo al smular f (x por x 4 x (x, es meor que: p e el tervalo [ ] 6 E (x (x (x.6 x [,]. 4! 4

CÁLCULO NUMÉRICO (0258)

CÁLCULO NUMÉRICO (0258) CÁLCULO NUÉRICO (58) Tema 4. Apromacó de Fucoes Juo. Ecuetre los polomos de meor grado que terpola a los sguetes cojutos de datos plateado y resolvedo u sstema de ecuacoes leales: 7 y 5-4 7 y 4 9 6.5.7.

Más detalles

Transparencias de clase

Transparencias de clase Trasparecas de clase Dada ua tabla de datos se ha de ecotrar ua ucó que tome los valores requerdos e los putos dados; e el caso que os ocupa la ucó buscada será de carácter polómco Teorema: El polomo de

Más detalles

G - Métodos de Interpolación

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

Más detalles

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

( ) ( ) ( )( ) ( )( ) ( ) Oetvos El alumo coocerá aplcará y comparará alguos métodos de terpolacó umérca de ucoes. Al al de esta práctca el alumo podrá:. Oteer ua ucó que cotega u couto dado de putos e u plao utlzado los métodos

Más detalles

Interpolación polinómica.

Interpolación polinómica. 5 Iterpolacó polómca Itroduccó E muchas ocasoes e dferetes ramas de la geería, a la hora de resolver u problema, los datos de que se dspoe se ecuetra e tablas, como por ejemplo tablas estadístcas E la

Más detalles

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos Aálss Numérco y Programacó Udad III -Iterpolacó medate trazadores: Leales, cuadrátcos y cúbcos Prmavera 9 Aálss Numérco y Programacó Coceptos geerales Problema geeral: Se tee u cojuto dscreto de valores

Más detalles

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

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

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

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

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

Más detalles

Minimizar el error de interpolación considerando las raíces del polinomio de Chebyshev

Minimizar el error de interpolación considerando las raíces del polinomio de Chebyshev Mmzar el error de terpolacó cosderado las raíces del polomo de Chebyshev Stefao Nas Dept. of Statstcs ad Operatos Research Uverstat Poltécca de Cataluya U polomo de terpolacó es u polomo que pasa eactamete

Más detalles

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

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

Más detalles

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE) Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó

Más detalles

Incertidumbre en las mediciones directas e indirectas

Incertidumbre en las mediciones directas e indirectas Icertdumbre e las medcoes drectas e drectas Comezaremos por dstgur dos dferetes tpos de medcoes: Medcoes drectas: La medda de la cota se obtee e ua úca medcó co u strumeto de lectura drecta. Medcoes drectas:

Más detalles

GUÍA DE EJERCICIOS. Área Matemática Álgebra lineal

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

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2

Más detalles

TEMA24. Funciones en forma de tabla. Interpolación y extrapolación

TEMA24. Funciones en forma de tabla. Interpolación y extrapolación TEMA 4. Fucoes e orma de Tabla terpolacó etrapolacó TEMA4. Fucoes e orma de tabla. Iterpolacó etrapolacó. Itroduccó. Fucó e orma de tabla. La Naturaleza es umérca matemátca así umerosos eómeos aturales

Más detalles

Asignatura: PROGRAMACIÓN Y MÉTODOS NUMÉRICOS

Asignatura: PROGRAMACIÓN Y MÉTODOS NUMÉRICOS UNIVERSIDAD POLITÉCNICA DE MADRID ESCUELA TÉCNICA SUPERIOR DE INGENIEROS DE MINAS DEPARTAMENTO DE MATEMÁTICA APLICADA Y MÉTODOS INFORMÁTICOS Asgatura: PROGRAMACIÓN Y MÉTODOS NUMÉRICOS Tema: INTERPOLACIÓN

Más detalles

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS Sugerecas para que mparte el curso Ha llegado el mometo e que es coveete resolver ejerccos aplcado

Más detalles

CAPITULO II. Derivación e integración numérica

CAPITULO II. Derivación e integración numérica Mecáca Computacoal II CAPITULO II Dervacó e tegracó umérca Uversdad Smó Bolívar Capítulo II Dervacó e tegracó umérca Itroduccó Dervacó umérca Itegracó umérca Reerecas Itroduccó E mucas ocasoes se dspoe

Más detalles

FEM-OF: EDP Elíptica de 2 Orden

FEM-OF: EDP Elíptica de 2 Orden 9/02/2008 Capítulo 5: FM-OF: D líptca de 2 Orde Idce: 5..- Operador Dferecal líptco 5.2.- roblema Básco 5.3.- Fucoes Óptmas 5.4.- FM-OF Steklov-ocaré 5.5.- FM-OF Trefftz-Herrera 5.6.- FM-OF etrov-galerk

Más detalles

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

Supongamos que hemos aplicado el test F y hemos rechazado la H0. Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos

Más detalles

IntPak. Ajuste e Interpolación Multivariable de Funciones

IntPak. Ajuste e Interpolación Multivariable de Funciones ItPak. Auste e Iterpolacó Multvarable de Fucoes P. L. Mateco J. Vales Aloso El auste e terpolacó de fucoes so, posblemete, las herrametas de aálss umérco más utlzadas por geeros e vestgadores e geeral.

Más detalles

CALCULO DIFERENCIAL E INTEGRAL II. Figura 1

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

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

N (2.1) x sobre sub-espacio formado con el conjunto de las

N (2.1) x sobre sub-espacio formado con el conjunto de las CAPITULO II INTERPOLACIÓN Supoemos que sobre ee X está dada ua malla co los odos cuyas abscsas so x1, x,, x N. Supoemos además que los valores de ua fucó descoocda f x está defdos solamete e estos odos

Más detalles

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

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

Más detalles

El estudio de autovalores y autovectores (o valores y vectores propios) de matrices

El estudio de autovalores y autovectores (o valores y vectores propios) de matrices Tema V DIAGONALIZACIÓN POR TRANSFORMACIONES DE SEMEJANZA Objetvos Presetar los coceptos de autovalor y autovector, los cuales tee gra mportaca e las aplcacoes práctcas (tato es así, que podría decrse que

Más detalles

Universidad de Cantabria

Universidad de Cantabria Smulacó dámca Pedro Corcuera Dpto. Matemátca Aplcada Cecas de la Computacó Uversdad de Catabra corcuerp@uca.es Ídce Geeral Smulacó de cotrol PID Smulacó de cotrol de vel Ajuste de cotroladores PID Smulacó

Más detalles

4º MEDIO: MEDIDAS DE POSICIÓN

4º MEDIO: MEDIDAS DE POSICIÓN 4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co

Más detalles

1.3. Longitud de arco.

1.3. Longitud de arco. .. Logtud de arco. Defcó. Sea C ua curva suave defda paramétrcamete por la fucó vectoral f : R R / f () t = ( f() t, f() t,, f ( t) ) e el espaco R, co t [ a, b], que se recorre exactamete ua vez cuado

Más detalles

Análisis de Regresión y Correlación Lineal

Análisis de Regresión y Correlación Lineal Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres

Más detalles

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas. Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra

Más detalles

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

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

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada. MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:

Más detalles

ANTES DE COMENZAR RECUERDA

ANTES DE COMENZAR RECUERDA ANTES DE COMENZAR RECUERDA 00 Po tres ejemplos de úmeros reales que o sea racoales, y otros tres ejemplos de úmeros reales que o sea rracoales. Respuesta aberta. Tres úmeros reales que o sea racoales:,

Más detalles

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción Capítulo VII PROBABILIDAD 1. Itroduccó Se dcaba e el capítulo ateror que cuado u expermeto aleatoro se repte u gra úmero de veces, los posbles resultados tede a presetarse u úmero muy parecdo de veces,

Más detalles

UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1

UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1 ESCUELA UNIVERSITARIA DE TÉCNICA INDUSTRIAL UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO La sguete tabla muestra la ota fal e los exámees de estadístca (E) e vestgacó operatva (IO) de ua

Más detalles

x x x x x Y se seguía operando

x x x x x Y se seguía operando . INTRODUCCIÓN. DEFINICIONES UNIDAD : Números complejos Cuado se teta resolver ecuacoes de segudo grado como por ejemplo x 4x 0, se observa que o 4 6 5 4 6 tee solucoes reales x x, pues o exste raíces

Más detalles

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos

Más detalles

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205 Aálss amortzado Téccas Avazadas de Programacó - Javer Campos 205 Aálss amortzado El pla: Coceptos báscos: Método agregado Método cotable Método potecal Prmer ejemplo: aálss de tablas hash dámcas Motículos

Más detalles

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

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

Más detalles

ESPACIOS VECTORIALES SUBESPACIOS FINITAMENTE GENERADOS:

ESPACIOS VECTORIALES SUBESPACIOS FINITAMENTE GENERADOS: SUBESPACIOS FINITAMENTE GENERADOS: Teorema S G={v, v,, v } es u sstema fto de geeradores de u subespaco S V K-EV, etoces G`= {v, v,, v,w} sedo w combacó leal de vectores de G, també geera a S. Demostracó

Más detalles

Inferencia Estadística

Inferencia Estadística Ifereca Estadístca Poblacó y muestra Coceptos y defcoes Muestra Aleatora Smple (MAS) Cosderemos ua poblacó, cuya fucó de dstrbucó esta dada por F(), la cual está costtuda por u úmero fto de posbles valores,

Más detalles

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

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

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

Más detalles

TEMA 4: VALORACIÓN DE RENTAS

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

Más detalles

Estadística aplicada al Periodismo

Estadística aplicada al Periodismo Estadístca aplcada al Perodsmo Temaro de la asgatura Itroduccó. Aálss de datos uvarates. Aálss de datos bvarates. Seres temporales y úmeros ídce. Probabldad y Modelos probablístcos. Itroduccó a la fereca

Más detalles

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad. Parte : MECÁNICA CUÁNTICA 1. Los postulados de la Mecáca Cuátca.. Estados Estacoaros. 3. Relacó de Icertdumbre de Heseberg. 4. Teorema de compatbldad. 1 U breve repaso de Mecáca Clásca 1. Partícula clásca:

Más detalles

Ejercicios de programación. cos A=

Ejercicios de programación. cos A= Ejerccos de programacó Para cada ejercco se pde: - escrbr el algortmo e pseudocódgo - escrbr el programa correspodete e leguaje C - adjutar el resultado obtedo de la ejecucó del programa, co datos propuestos

Más detalles

( ) = 1 ; f k. u v. uk v. vk u. Diferenciacion e Interpolacion 1/8. Diferenciacion e Interpolacion numerica. Diferencias finitas

( ) = 1 ; f k. u v. uk v. vk u. Diferenciacion e Interpolacion 1/8. Diferenciacion e Interpolacion numerica. Diferencias finitas Derecaco e Iterpolaco /8 Derecaco e Iterpolaco merca. Derecas tas Dadas las abscsas X ormemete espacadas X X h, a las qe correspode alores de co (): (X) se dee las prmeras derecas tas ( Haca delate ) como:

Más detalles

2.5. Área de una superficie.

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

Más detalles

La inferencia estadística es primordialmente de naturaleza

La inferencia estadística es primordialmente de naturaleza VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la

Más detalles

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

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

Más detalles

7. Muestreo con probabilidades desiguales.

7. Muestreo con probabilidades desiguales. 7. Muestreo co probabldades desguales. 7. Itroduccó. 7.. Probabldades de clusó. 7.. Pesos del dseño muestral. 7.. Alguos métodos co probabldades desguales. 7. Estmacó de la meda, proporcó total poblacoales.

Más detalles

Números Complejos PREGUNTAS MÁS FRECUENTES

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

Más detalles

Espacios con producto interior

Espacios con producto interior Espacos co producto teror [Versó prelmar] Prof. Isabel Arrata Z. Algebra Leal E esta udad, todos los espacos ectorales será reales Sea V u espaco ectoral sobre. U producto teror (p..) e V es ua fucó

Más detalles

TEMA 2: LOS NÚMEROS COMPLEJOS

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

Más detalles

Objetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética

Objetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética Objetvos Itroduccó a las meddas de poscó (tedeca cetral o tpsmo): Moda y Medaa Meda artmétca tca Cuartles,, decles y percetles Meddas de poscó Defcó: : refereca a u lugar específco de ua dstrbucó, epresado

Más detalles

Problemas discretos con valores iniciales

Problemas discretos con valores iniciales Problemas dscretos co valores cales Gustavo Adolfo Juarez Slva Iés Navarro El presete trabajo pretede dfudr problemas dscretos co valores cales (e adelate PVID), a partr de ecuacoes e dferecas leales co

Más detalles

SISTEMAS DE ECUACIONES NO LINEALES

SISTEMAS DE ECUACIONES NO LINEALES SISTEMAS DE ECUACIONES NO INEAES Capítulo 7 Sstemas de ecuacoes o leales c Elzabeth Vargas 7 INTRODUCCIÓN os métodos teratvos para resolver ua ecuacó o leal se puede eteder para ecotrar la solucó de u

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

Más detalles

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

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro) UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.

Más detalles

Objetivos. El alumno será capaz de programar algoritmos que incluyan el manejo de arreglos utilizando funciones.

Objetivos. El alumno será capaz de programar algoritmos que incluyan el manejo de arreglos utilizando funciones. Objetvos El alumo será capaz de programar algortmos que cluya el maejo de arreglos utlzado fucoes. Al fal de esta práctca el alumo podrá:. Realzar etosamete programas que haga uso de arreglos como parámetros

Más detalles

Aplicación de Boostrapping en Regresión I

Aplicación de Boostrapping en Regresión I Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores

Más detalles

Máximos y Mínimos de funciones de dos variables

Máximos y Mínimos de funciones de dos variables Mámos Mímos de fucoes de dos varables Aplcacoes a Modelacó Matemátca AJUTE DE CURVA Regresó leal Lealzacó: epoecal, potecas razoes Coceptos geerales f() Problema geeral: e tee u cojuto dscreto de valores

Más detalles

Escrito. 1) Transforma a las bases indicadas:

Escrito. 1) Transforma a las bases indicadas: Escrto ) Trasforma a las bases dcadas: a. 765 base (0) b. AB base 7 0 (6) base ) Halla los dígtos a y b sabedo que: aam 6 ( 5 ) mam( 6 ) 3) Trasforma a la base dcada usado ua tabla de correspodeca.. 00

Más detalles

Métodos indirectos de estimación: razón, regresión y diferencia

Métodos indirectos de estimación: razón, regresión y diferencia Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó

Más detalles

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

CAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_01. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D. CPIULO 2º FUNCIONES DE VECORES Y MRICES_ Ig. Dego lejadro Patño G. M.Sc, Ph.D. Fucoes de Vectores y Matrces Los operadores leales so fucoes e u espaco vectoral, que trasforma u vector desde u espaco a

Más detalles

UNIVERSIDAD DE PANAMÁ FACULTAD DE INFORMÁTICA, ELECTRÓNICA Y COMUNICACIÓN ESCUELA DE INFORMÁTICA CENTRO REGIONAL UNIVERSITARIO DE VERAGUAS MONOGRAFÍA:

UNIVERSIDAD DE PANAMÁ FACULTAD DE INFORMÁTICA, ELECTRÓNICA Y COMUNICACIÓN ESCUELA DE INFORMÁTICA CENTRO REGIONAL UNIVERSITARIO DE VERAGUAS MONOGRAFÍA: UNIVERSIDAD DE PANAÁ FACULTAD DE INFORÁTICA, ELECTRÓNICA Y COUNICACIÓN ESCUELA DE INFORÁTICA CENTRO REGIONAL UNIVERSITARIO DE VERAGUAS ONOGRAFÍA: INTEGRACIÓN NUÉRICA POR EL ÉTODO DE LOS TRAPECIOS PRESENTA:

Más detalles

TEMA 14. Ecuaciones. Resolución de ecuaciones. Aproximación numérica de Raíces

TEMA 14. Ecuaciones. Resolución de ecuaciones. Aproximación numérica de Raíces TEMA 14. Ecuacoes. Resolucó de ecuacoes. Aproxmacó umérca de Raíces 1. Itroduccó La exsteca de ecuacoes es muy remota, así como la búsqueda de sus solucoes. Surge de la ecesdad de resolver problemas práctcos.

Más detalles

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

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

Más detalles

(Véase el Ejercicio 13 Beneficio de los bancos )

(Véase el Ejercicio 13 Beneficio de los bancos ) étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 Tema 3. El modelo de regresó múltple. Hpótess báscas. El modelo. as pótess báscas. Estmacó

Más detalles

Estimación apriorística de errores en la aplicación del MEF mediante polinomios interpolantes de Lagrange

Estimación apriorística de errores en la aplicación del MEF mediante polinomios interpolantes de Lagrange MEMORIAS DEL XXIII CONGRESO INTERNACIONAL ANUAL DE LA SOMIM 20 AL 22 DE SEPTIEMBRE DE 207 CUERNAVACA, MORELOS, MÉXICO Tema A2a Materales: Educacó e Igeería Mecáca Estmacó aprorístca de errores e la aplcacó

Más detalles

4 METODOLOGIA ADAPTADA AL PROBLEMA

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

Más detalles

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

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto

Más detalles

Medidas de Tendencia Central

Medidas de Tendencia Central Meddas de Tedeca Cetral Ua edda de tedeca cetral es u valor que se calcula a partr de u cojuto de datos y que se utlza para descrbr los datos e algua fora. Geeralete quereos que el valor sea represetatvo

Más detalles

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2010 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES.

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2010 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. EJERCICIO a) ( putos) Racoalce smplfque la fraccó. 8 8 b) ( putos) Determe los coefcetes de la ecuacó 3 a b

Más detalles

Modelos Estadísticos de Regresión Lineal

Modelos Estadísticos de Regresión Lineal Modelos Estadístcos de Regresó Leal Supoga que cueta co u baco de datos que cotee formacó relatva a dos varables X y Y las cuales se presume guarda ua relacó aproxmadamete leal. El ejemplo de las varables

Más detalles

Métodos Numéricos para Ingenieros Químicos

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

Más detalles

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

Transformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas 5º Curso-Tratameto Dgtal de Señal Trasformada Z Defcó y Propedades Trasformada Iversa Fucó de Trasfereca Dscreta Aálss de Sstemas 7//99 Capítulo 7: Trasformada Z Defcó y Propedades 5º Curso-Tratameto Dgtal

Más detalles

GENERALIDADES SOBRE MÓDULOS

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

Más detalles

CAPITULO I INTERPOLACION Y APROXIMACION

CAPITULO I INTERPOLACION Y APROXIMACION Mecáca Computacoal II CAPITULO I INTERPOLACION Y APROXIMACION Armado Blaco A. Uversdad Smó Bolívar Capítulo I Itroduccó Polomos de Newto de derecas dvddas Polomos de Lagrage Iterpolacó polomal Trazadores

Más detalles

LOS NÚMEROS COMPLEJOS

LOS NÚMEROS COMPLEJOS LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate

Más detalles

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además

Más detalles

RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental.

RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental. RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN Los métodos de regresó se usa para estudar la relacó etre dos varables umércas. Este tpo de problemas aparece co frecueca e el

Más detalles

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos 4. SEGUNDO MÓDULO 4. Resume de Datos E estadístca descrptva, a partr de u cojuto de datos, se busca ecotrar resumes secllos, que permta vsualzar las característcas esecales de éstos. E ua expereca, u dato

Más detalles

02 ) 2 0 en el resto. Tiempo (meses) Ventilador adicional No No Si No Si Si Si Si No Si Tipo carcasa A C B A B A B C B C

02 ) 2 0 en el resto. Tiempo (meses) Ventilador adicional No No Si No Si Si Si Si No Si Tipo carcasa A C B A B A B C B C Ua empresa motadora de equpos electrócos está realzado u estudo sobre aluos de los compoetes que utlza. E partcular mde el tempo de vda e meses reales de los procesadores que mota, dode a aluos de ellos

Más detalles

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD

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

Más detalles

Expectativas del Mercado y Creación de Valor en la Empresa

Expectativas del Mercado y Creación de Valor en la Empresa 2d teratoal Coferece o dustral Egeerg ad dustral Maagemet X Cogreso de geería de Orgazacó September 3-5, 28, Burgos, Spa Expectatvas del Mercado y Creacó de Valor e la Empresa elpe Ruz López 1, Cáddo Barrea

Más detalles

TEMA 6 MUESTREO POR CONGLOMERADOS MONOETÁPICO

TEMA 6 MUESTREO POR CONGLOMERADOS MONOETÁPICO TEA 6 UESTREO POR COGLOERADOS OOETÁPICO Cotedo 1- Defcó. Aplcacó. Seleccó de ua muestra por Coglomerados. Etapas. otacó. - uestreo mooetápco co coglomerados de gual tamaño. Estmacó de la meda, el total

Más detalles

2. Censura y truncamiento

2. Censura y truncamiento 2. Cesura y trucameto Los datos de tempo de fallo se preseta e dferetes formas que crea problemas especales cuado se aalza. E muchas ocasoes o se cooce co exacttud el valor del tempo de fallo y úcamete

Más detalles

CAPÍTULO IV NÚMEROS COMPLEJOS E INDUCCIÓN MATEMÁTICA

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

Más detalles

ÁLGEBRA II (LSI PI) TRANSFORMACIONES LINEALES UNIDAD Nº 5. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO

ÁLGEBRA II (LSI PI) TRANSFORMACIONES LINEALES UNIDAD Nº 5. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO 2017 ÁLGEBRA II (LSI PI) UNIDAD Nº 5 RANSFORMACIONES LINEALES Facultad de Cecas Exactas y ecologías UNIERSIDAD NACIONAL DE SANIAGO DEL ESERO aa Error! No hay texto co el estlo especfcado e el documeto

Más detalles

Modelos de Regresión Simple

Modelos de Regresión Simple Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

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

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

Más detalles

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

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector. Comportameto Mecáco de Sóldos Capítulo II. Itroduccó al aálss tesoral. Itroduccó al aálss tesoral esores Es aquella catdad físca que después de ua trasformacó de coordeadas (que obedezca certas reglas),

Más detalles

X = d representa la métrica (distancia) euclideana en R n, dada por: d T(X,Y) = X Y = 1.3 TOPOLOGÍA BÁSICA EN

X = d representa la métrica (distancia) euclideana en R n, dada por: d T(X,Y) = X Y = 1.3 TOPOLOGÍA BÁSICA EN 0.3. Cojutos abertos y cerrados.3 TOPOLOGÍA BÁSICA EN R El espaco eucldeao dmesoal se defe como: E ( R,,, d ) Dode (asumedo que X, Y R, co X = (x,..., x ), Y = (y,..., y )): El símbolo represeta el producto

Más detalles