Algoritmos matemáticos para:
|
|
- Germán Henríquez del Río
- hace 6 años
- Vistas:
Transcripción
1 Algortmos matemátcos para: sstemas de ecuacones lneales, nversón de matrces y mínmos cuadrados Jose Agular
2 Inversón de matrces Defncón(Inversadeunamatrz):SeaAunamatrz nxn.unamatrzcde nxn esunanversadeascaaci. Para la matrz no es dfícl verfcar que la matrz satsface que 9 4 A 4 9 C Se dce entonces que la matrzces una nversa de la matrza.esto se defne enseguda: Teorema: Sea A una matrz nxn con nversa C tal que CAACI. S D es otra matrz nxn tal que ADI, entonces CD. Demostracón: Como la multplcacón de matrces es asocatva, se tene que C(AD)(CA)D,dedonde,comoADIyCAI,seteneque C(AD)CIC y(ca)didd, por tanto, CD.
3 Inversón de matrces Se denotará la nversa de una matrz A, cuando exsta, como A -. Entonces A A - A - AI. ótesequenosedebeexpresara - como/a. Defncón: Una matrz cuadrada que tene nversa se llama nvertble. Una matrz cuadrada que no tene nversa se llama sngular. Teorema: La matrz a b A c d es nvertble sad-bc 0, en cuyo caso la nversa está dada por la fórmula A d ad bc c Teorema: Sean A y B matrces nvertbles nxn. Entonces: a) AB es nvertble b) (AB) - B - A - d b ad bc a c ad bc b ad bc a ad bc
4 nversón de matrces Propedades de la nversón de matrces La matrz nversa, s exste, es únca A - A A A - I (A B) - B- A- (A - ) - A (ka) - (/k) A - (A t ) (A - ) t
5 nversón de matrces Observacón: Podemos encontrar matrces que cumplen A B I, pero que B A I, en tal caso, podemos decr que A es la nversa de B "por la zquerda" o que B es la nversa de A "por la derecha". Hay varos métodos para calcular la matrz nversa de una matrz dada: Por el método de Gauss-Jordan Usando determnantes Drectamente
6 nversón de matrces Cálculo Drecto de la Matrz Inversa Dada la matrz buscamos una matrz que cumpla A A - I, es decr Para ello planteamos el sstema de ecuacones: La matrz que se ha calculado realmente sería la nversa por la "derecha", pero es fácl comprobar que tambén cumple A - A I, con lo cual es realmente la nversa de A.
7 Cálculo de las nversas: Sea A{a j }una matrz nxn. Para hallar A - s es que exste, se debe encontrar unamatrzx{x j } nxntalqueaxi,estoes,talque nn n n n n nn n n n n x x x x x x x x x a a a a a a a a a Inversón de matrces Esto es unsstema de ecuacones connvectores de ncógntas, yentonces es posble aplcar el Método de Gauss-Jordan para encontrar la nversa de A. La dea es transformar, por medo de operacones elementales por flas, la matrzaumentadadelsstema(a,i)aunsstema(i,a - ) A - (A,I) (A - A,A - I) (I,A - )
8 Sstema de ecuacones lneales a x +a x +...+a n x n b... a n x +a n x +...+a nn x n b n
9 SISTEMA DE ECUACIOES SISTEMA DE ECUACIOES LIEALES LIEALES sstemadeecuaconeslneales,porejemplo x - 3x 7 3x - x, tene asocado una matrz A correspondente a las ncógntas, y un vector b correspondente a los térmnos ndependentes, es decr, b A S ahora se escrben las ncógntas como un vector se puede denotar el sstema de ecuacones lneales como Axb, es decr Esta últma ecuacón sugere la nocón de multplcacón de una matrz A por un vector columna x. 3 x x x x x
10 Métodos drectos e teratvos Ax b x A - b DIRECTOS Tamaño pequeño ITERATIVOS x Cx + d x (k+) Cx (k) + d Tamaño grande xa - b Lm x-> Cx+d
11 Sstema de ecuacones lneales x +3x x +x 3 x /3-(/3)x x 3-x 3-x /3-(/3)x 3-/3 x -(/3)x x x 7
12 Método de Jacob A L + D + U (k + ) (k) x D (b (L + U)x ) La ecuacón A x b se transforma en (D - L - U) x b x (L + U) x + b - Utrang. sup; Ltrang. Inf. - Ddag(A);
13 Algortmo Método de Jacob funcón Jacob (A,) // x 0 es una aproxmacón ncal a la solucón// K0 Mentras no convergenca para hastan KK+ y0 paraj hastan x k+ (b -y)/a s j entonces yy+a j x j k
14 Método de Gauss-Sedel (k+) x (b (k) (k) (k) a x a x a x )/a 3 3 n n (k+) (k+) (k) (k) x (b a x a x a x )/a (k+) (k+) (k+) (k) x (b a x a x a x )/a 3 3 (k+) (k+) (k+) (k+) x (b a x a x a x )/a n n 3 n n n n 3n n n,n n 33 nn
15 Modelo matrcal A L + D + U + (L + D)x b Ux (k ) (k) (k+ ) (k) x (L + D) (b Ux ) - D dag(a) - Utrang. Sup; Ltrang nf
16 Algortmo Método de Gauss-Sedel funcóngauss (A, x, b) // x 0 es una aproxmacón ncal a la solucón// parak hastaconvergenca para hastan y0 paraj hastan s j entonces x (b -y)/a yy+a j x j
17 APROXIMACIÓ DE MÍIMOS CUADRADOS
18 Modelado de datos El modelado de datos se puede expresar de la sguente forma: Dadas: Una coleccón fnta de datos Una forma funconal (x, y ) y f (x) Hallar los parámetros de la funcón que mejor representen la relacón entre los datos
19 Ejemplo Para comprender datos expermentales, deseamos determnar una recta o una curva que encaje o se ajuste más (o descrba mejor) estos datos Imagnemos la sguente tabla con los pasados de un curso en semestres pasados. Curso Porcentaje de pasados S quséramos trazar una recta que acerque a los puntos en la tabla hay muchas opcones. Sn embargo, hay una que se ajusta mejor a estos datos, bajo certo crtero. Caso anteror es y x
20 GRÁFICOS DE DISPERSIÓ / RECTA DE REGRESIÓ La relacón entre dos varables métrcas puede ser representada medante la línea de mejor ajuste a los datos. Esta recta se le denomna recta de regresón, ypuede ser negatva o postva, la prmera con tendenca decrecente y la segunda crecente.
21 GRÁFICOS DE DISPERSIÓ / RECTA DE REGRESIÓ Para elcálculo de la recta de regresón se aplca elmétodo de mínmos cuadrados entre dos varables. Esta línea es la que hace mínma la suma de los cuadrados de los resduos. y a + bx
22 Modelado de datos Se busca mnmzar unos resduos ε k y k f x ( ) ( ) ( ) Un ejemplo f (x) ax+b (x 3,y 3 ) (x 5,y 5 ) (x 6,y 6 ) (x,y ) (x 7,y 7 ) (x,y ) (x 4,y 4 )
23 Crtero de los mnmos cuadrados Formulacon del ajuste por Mnmos cuadrados: k (, ) ε ( k ) J a b ( ) ε k y k f x k ( ) ( ) ( ) donde es el numero de datos entrada-salda dado
24 Llamemos a u perturbacón o error, sendo la dferenca que hay entre el valor observado de la varable exógena (y) y el valor estmado que obtendremos a través de la recta de regresón yˆ. y a + bx La metodología para la obtencón de la recta será hacer MÍIMA la suma de los CUADRADOS de las perturbacones. Por qué se elevan al cuadrado? u ( y yˆ ) n n u ( ˆ y y ) n n n mn u ( ˆ y y ) y a + b q, p ( q px )
25 Un problema de optmzacon Aproxmacones computaconales: Algortmos numércos generales para la mnmzacón de una funcón Basados en el gradente; algortmos numércos generales para hallar raíces; algortmos que aprovechan la forma de la funcón Algortmos con una aproxmacón basada en la ntelgenca artfcal: algortmos genétcos Solucón analítca: mínmos cuadrados lneal
26 La aproxmacon de funcones Al realzar la aproxmacon de una funcon, sólo están dsponbles un número fnto de muestras {( ( ), ˆ ( )),,( ( ), ˆ ( )), ( ( ), ˆ ( ))} Z u y u k y k u y
27 Ejemplo: una entrada, una salda Y X Como podemos modelar el proceso que genera estos datos?
28 Ejemplo: dos entradas, una salda Z T 0 3,,5,6 4 6
29 Modelos lneales vs. o lneales Es común asumr que f(u) pertenece a una famla de funcones que comparten la msma estructuray dferen por los valores tomados por certos parámetros θ. y (, ) f u θ
30 El modelo lneal Un modelo lneal asume que la funcón es lneal respecto a los parámetros θ f u f u f u f u, θ θ + θ + + θq q ( ) ( ) ( ) ( ) Aquí, la lnealdad se refera a con respecto a los parametros
31 Modelos no-lneales En los modelos no-lneales la funcón es nolneal respecto a los paramétros θ f u, θ exp uθ ( ) ( )
32 Estmacón de Mínmos Cuadrados Lneal Dada una coleccón fnta de observacones Z {u(0), y(0), u(), y(),..., u(), y()} U t U Proceso Y Y t ŷ g u ( ) Modelo Regresor lneal
33 Mínmos Cuadrados El método de regresón de mínmos cuadrados consste en encontrar la curva o funcón que mejor se ajuste a una sere de puntos (X,Y), obtendos generalmente a partr de un expermento. La estratega consste en mnmzar las dferencas entre la funcón y los datos observados. El caso o ejemplo más sencllo es el ajuste de una funcón lneal a la sere de puntos.
34 Regresón lneal Se asume que la relacón entrada-salda puede ser descrta por una estructura de regresor lneal f u θ θ f u + θ f u + + θ f u + ε, q q ( ) ( ) ( ) ( ) f(u,θ) es denomnada la funcon de ajuste. Las f (u) son denomnadas las funcones base
35 Algunas funcones base Funcones polnomales f ( u) u j j Funcones base Gausanas f j ( u) exp ( u µ ) j σ Funcones base Sgmodales Fourer wavelets f j ( u) + exp( a )
36 Regresón Lneal Y A + BX + e La gráfca muestra el ajuste de la nube de puntos a una línea recta e representa las dferencas entre el modelo lneal y las observacones Como los datos X, Y son conocdos, el objetvo es entonces encontrar los mejores valores para los coefcentes A, B, tal que e 0.
37 Los errores cometdos Dados unos datos y el modelo lneal, deseamos calcular los mejores parámetros. Queremos mnmzar los errores. error
38 Error en la aproxmacón El objetvo es mnmzar el error cometdo con la aproxmacón Y (e Y A - B*X) Éste se representa como la dstanca entre el valor real y el aproxmado X X
39 Los resduos El ajuste de mnmos cuadrados halla el vector de parametros θtal que se mnmza resduos J k errores ε ( k ) ε ( θ ) k yˆ k f u k, ( ) ( ) ( )
40 Crtero para el mejor ajuste Como se tene una sere de n puntos (X, Y) (,,n), la acumulacón de los errores será: n n e ( Y A BX ) Para que los valores de error postvos y negatvos no se cancelen entre sí, éstos se deben elevar al cuadrado
41 Cancelacón de errores Para este ejemplo de dos puntos, los errores ey ese cancelan. La suma de los errores 0 Y n e n ( Y A BX ) X X
42 Regresón Lneal Sea: S n e n ( Y A BX ) Como el objetvo es encontrar Ay B,tal que S sea mínmo, para esto se derva S parcalmente con respecto a Ay B respectvamente y se gualan a cero
43 Sstema de ecuacones para encontrar A y B Las dervadas parcales de Scon respecto a A y a Bse hacen cero, así: S A S B ( Y A BX )( ) 0 ( Y A BX )( X ) 0 () ()
44 En resumen las fórmulas para calcular los coefcentes A y B de una funcón lneal de regresón con sólo dos tpos de varables X y Y son: Regresón Lneal Regresón Lneal - Fórmulas Fórmulas Y Y X X ) )( ( B X Y A Y Y X X X X Y Y X X B ; ; ) ( ) )( (
45 Regresón Lneal - Algortmo Entrada: úmero de datos n, datos (x,y) sumx, sumy, sumxy, sumx 0 0 Mentras <n- sumxsumx+x() sumysumy+y() sumxsumx+(x()*x()) sumxysumxy+(x()*y()) + Denomnadorsumx*sumy-n*sumx a(sumx*sumy-n*sumxy)/denomnador b(sumx*sumxy-sumx*sumy)/denomnador Imprmr a y b
46 Regresón o Lneal Hay ocasones en las cuales la relacón exstente entre X y Y no es lneal, sn embargo ésta puede ser descrta por algún otro tpo de funcón. EJ: Potenca : Y AX B Exponencal : Y Ae BX Logarítmca : Y A + BLog( X ); Y BLog( X ) + Log( A) Log e ( Y ) BX + Log e ( A) Polnómca : Y A 0 + A X + A X A X Parabólca : Y A + BX + CX
47 3. Regresón o Lneal Relacón nolneal entre las varables X y Y. Posblemente parabólca??? Y X
48 Regresón Regresón no no-lneal: lneal: Potenca Potenca: B Y AX ( ) X Log X Log Log Y X Log Log Y X Log B ) ( ) ( ) ( ) ( ) ( )* ( ; X Log B Log Y A ) ( ) ( exp
49 Regresón Regresón no no-lneal: lneal: Exponencal Exponencal: BX Y Ae ( ) ) ( ) ( X X Y Log X Y Log X B ; X B Y Log A ) ( exp
Problemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detalles5 Métodos iterativos para la resolución de ecuaciones algebraicas lineales Método de Gauss-Jacobi Método de Gauss-Seidel...
CONTENIDO 5 Métodos teratvos para la resolucón de ecuacones algebracas lneales 95 5.1 Método de Gauss-Jacob................................ 95 5.2 Método de Gauss-Sedel................................
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detalles1º. a) Deducir la expresión de la fórmula de derivación numérica de tipo x,x,x,x,.
º. a Deducr la expresón de la fórmula de dervacón numérca de tpo x,x,x,x,. nterpolatoro que permte aproxmar f (x* con el soporte { } 3 x 4 b Demostrar que en el caso de que el soporte sea de la forma:
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.
Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesProblemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel
Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al
Más detallesEJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.
EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesEJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:
EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n
Más detallesALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.
9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara
Más detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesTema 5: Incumplimiento de las Hipótesis sobre el Término de Perturbación
Tema 5: Incumplmento de las Hpótess sobre el Térmno de Perturbacón TEMA 5: INCMPLIMIENTO DE LAS HIPÓTESIS SOBRE EL TÉRMINO DE PERTRBACIÓN 5.) Introduccón 5.) El Modelo de Regresón Lneal Generalzado 5.3)
Más detalles60 EJERCICIOS de NÚMEROS COMPLEJOS
60 EJERCICIOS de NÚMEROS COMPLEJOS. Resolver las sguentes ecuacones en el campo de los números complejos a) x -x+=0 (Soluc ) b) x +=0 (Soluc ) c) x -x+=0 (Soluc ) d) x +x+=0 (Soluc ) e) x -6x +x-6=0 (Soluc,
Más detalles5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.
Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las
Más detallesGeometría convexa y politopos, día 1
Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesClase 19: Estado Estacionario y Flujo de Potencia. EL Conversión de la Energía y Sistemas Eléctricos Eduardo Zamora D.
Clase 9: Estado Estaconaro y Flujo de Potenca EL400 - Conversón de la Energía y Sstemas Eléctrcos Eduardo Zamora D. Temas - Líneas de Transmsón - El Sstema Eléctrco - Matrz de Admtanca - Flujo de Potenca
Más detallesSOLUCIÓN NUMÉRICA DE ECUACIONES DIFERENCIALES ORDINARIAS DE PRIMER ORDEN
SOLUCIÓN NUMÉRICA DE ECUACIONES DIFERENCIALES ORDINARIAS DE PRIMER ORDEN SOLUCION NUMERICA Una solucón de esta ecuacón ncal con CI es una funcón ϕ : ( x ε, x + ε ) R tal que 0 0 ϕ '( x) = f ( x, ϕ( x)),
Más detallesACTIVIDADES INICIALES
Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)
Más detallessea un nº real. Hallar su cociente. Solución. Se multiplica numerador y denominador por el conjugado del denominador.
. Hallar "a" para que el complejo : a a) sea real puro b) sea magnaro puro Lo prmero de todo es hacer la dvsón en forma bnómca, multplcando numerador y denomnador por el conjugado del denomnador, de esta
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesINGENIERÍA DE TELECOMUNICACIÓN BLOQUE 1
INGENIERÍA DE TELECOMUNICACIÓN BLOQUE En el Aula Vrtual se encuentra dsponble: Materal nteractvo con teoría y ejerccos resueltos. Para acceder a ello deberá pulsar sobre los sguentes enlaces una vez dentro
Más detallesPráctica 12 - Programación en C++ Pág. 1. Practica Nº 12. Prof. Dr. Paul Bustamante. Informática II Fundamentos de Programación - Tecnun
Práctca 1 - Programacón en C++ Pág. 1 Práctcas de C++ Practca Nº 1 Informátca II Fundamentos de Programacón Prof. Dr. Paul Bustamante Práctca 1 - Programacón en C++ Pág. 1 INDICE ÍNDICE... 1 1.1 Ejercco
Más detallesNúmeros Complejos. Matemática
Números Complejos Matemátca 4º Año Cód. 40-6 M r t a R o s t o V e r ó n c a F l o t t J u a n C a r l o s B u e Dpto. de Matemátca Los Números Complejos. Una amplacón más en el campo numérco La necesdad
Más detallesTEMA 5. INTERPOLACION
Tema 5: Interpolacón TEM 5. INTERPOLCION. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos. RESUMEN 7. Programacón en Matlab Cálculo numérco en
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesECUACIONES DIFERENCIALES Problemas de Valor Inicial
DIVISIÓN DE IENIAS FÍSIAS Y MATEMÁTIAS DTO. TERMODINÁMIA Y FENÓMENOS DE TRANSFERENIA MÉTODOS AROXIMADOS EN ING. QUÍMIA TF-33 EUAIONES DIFERENIALES roblemas de Valor Incal Esta guía fue elaborada por: rof.
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesCircuitos eléctricos en corriente continúa. Subcircuitos equivalentes Equivalentes en Serie Equivalentes en Paralelo Equivalentes de Thevenin y Norton
ema II Crcutos eléctrcos en corrente contnúa Indce Introduccón a los crcutos resstvos Ley de Ohm Leyes de Krchhoff Ley de correntes (LCK) Ley de voltajes (LVK) Defncones adconales Subcrcutos equvalentes
Más detallesCapítulo Estimación del modelo de Nelson y Siegel Introducción Estimación del modelo de Nelson y Siegel
Capítulo 4... 91 Estmacón del modelo de Nelson y Segel... 91 4.1. Introduccón... 91 4.2. Estmacón del modelo de Nelson y Segel... 92 4.2.1. Tratamento prevo a la estmacón... 92 4.2.2. Defncón del crtero
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesGráficos de flujo de señal
Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente en el análss y dseño de sstemas de control. Otro procedmento alternatvo
Más detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesTema 6 El mercado de bienes y la función IS
Tema 6 El mercado de benes y la funcón IS Macroeconomía I Prof. Anhoa Herrarte Sánchez Curso 2007-08 Bblografía para preparar este tema Apuntes de clase Capítulo 3, Macroeconomía, O. Blanchard Prof. Anhoa
Más detallesECUACIONES DIFERENCIALES ELÍPTICAS EN DERIVADAS PARCIALES. Armando Blanco A.
ECUACIONES DIFERENCIALES ELÍPICAS EN DERIVADAS PARCIALES Armando Blanco A. Captulo V ECUACIONES DIFERENCIALES ELÍPICAS EN DERIVADAS PARCIALES Introduccón Dferencas fntas Métodos de relaacón sucesva Métodos
Más detallesNÚMEROS COMPLEJOS. y sabemos que no podemos calcular raíces de números negativos en R. Para resolver este problema introduciremos el valor i = 1
NÚMEROS COMPLEJOS 1. Qué es un número complejo? Defncones. La ecuacón x + 1 = 0 no tene solucón en el campo real puesto que s ntentamos resolverla tendremos que x = ± 1 y sabemos que no podemos calcular
Más detalles1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,
Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos
Más detallesINSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA
INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA LABORATORIO 1-008 PRACTICA 4: LEYES DE LOS GASES 1. OBJETIVOS ) Comprobacón expermental de las leyes de los gases. En este caso nos vamos a concentrar en el estudo
Más detallesi=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1
CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de
Más detalles16.21 Técnicas de diseño y análisis estructural. Primavera 2003 Unidad 8 Principio de desplazamientos virtuales
16.21 Técncas de dseño y análss estructural Prmavera 2003 Undad 8 Prncpo de desplazamentos vrtuales Prncpo de desplazamentos vrtuales Tengamos en cuenta un cuerpo en equlbro. Sabemos que el campo de esfuerzo
Más detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
Más detallesDeterminación de H-matrices. R. Bru, C. Corral, I. Gimenez, J. Mas
XX Congreso de Ecuacones Dferencales y Aplcacones X Congreso de Matemátca Aplcada Sevlla, 24-28 septembre 2007 (pp. 1 8) Determnacón de H-matrces R. Bru, C. Corral, I. Gmenez, J. Mas Insttut de Matemàtca
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesEJERCICIOS DE ESTADÍSTICA BIDIMENSIONAL.
EJERCICIOS DE ESTADÍSTICA BIDIMENSIONAL. 1. Una cofradía de pescadores regstra la cantdad de sardnas que llegan al puerto (X), en klogramos, el preco de la subasta en la lonja (Y), en euros por klo, han
Más detallesTEMA 4. TEORÍA DE LA DUALIDAD.
Investgacón Operatva TEMA. TEORÍA DE LA DUALIDAD. TEMA. TEORÍA DE LA DUALIDAD..... INTRODUIÓN... ALGORITMO DUAL DEL SIMPLEX.... EJEMPLO.... EJEMPLO.... EJEMPLO... TEORÍA DE LA DUALIDAD.... PROLEMA PRIMAL
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesTERMODINÁMICA AVANZADA
TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesRobótica Tema 4. Modelo Cinemático Directo
UNIVERSIDAD POLITÉCNICA DE MADRID E.U.I.T. Industral ASIGNATURA: Robótca TEMA: Modelo Cnemátco Ttulacón: Grado en Ingenería Electrónca y Automátca Área: Ingenería de Sstemas y Automátca Departamento de
Más detallesCAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.
Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo
Más detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detallesMétodos cuantitativos de análisis gráfico
Métodos cuanttatvos de análss gráfco Método de cuadrados mínmos Regresón lneal Hemos enfatzado sobre la mportanca de las representacones gráfcas hemos vsto la utldad de las versones lnealzadas de los gráfcos
Más detallesUniversidad Diego Portales Facultad de Economía y Empresa
Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr,
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesEjercicios y problemas (páginas 131/133)
7 Calcula el opuesto y el conjugado de los sguentes números complejos, expresándolos en forma polar: a) z b) z (cos 00 sen 00 ) c) z Expresamos en prmer lugar los números complejos en forma Calcula las
Más detalles315 M de R Versión 1 Segunda Parcial 1/8 Lapso 2008/2
5 M de R Versón Segunda Parcal /8 Lapso 8/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 5 MOMENTO: Segunda Parcal
Más detallesPista curva, soporte vertical, cinta métrica, esferas metálicas, plomada, dispositivo óptico digital, varilla corta, nuez, computador.
ITM, Insttucón unverstara Guía de Laboratoro de Físca Mecánca Práctca : Colsones en una dmensón Implementos Psta curva, soporte vertcal, cnta métrca, eseras metálcas, plomada, dspostvo óptco dgtal, varlla
Más detalles315 M/R Versión 1 Segunda Parcial 1/7 Lapso 2009/2
35 M/R Versón Segunda Parcal /7 UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Segunda Parcal VERSIÓN:
Más detallesUNIVERSIDAD TECNOLOGICA NACIONAL - FACULTAD REGIONAL ROSARIO Departamento de Ingeniería Química. Cátedra: Integración IV
UNIVERSIDAD TECNOOGICA NACIONA - ACUTAD REGIONA ROSARIO Departamento de Ingenería Químca Cátedra: Integracón IV Tema: Smulacón de Evaporadores lash Alumnos: Damán Match, Marcos Boss y Juan M. Pgnan Profesores:
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesVectores en el espacio
ectores en el espaco Los puntos y los vectores en el espaco se pueden representar como ternas de números reales (a,b,c) c b a Por el Teorema de Ptagoras, la norma del vector = (a,b,c) es = a 2 +b 2 +c
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detalles4. La Factorización No Negativa de Matrices
4. La Factorzacón No Negatva de Matrces 4.1 Introduccón Un problema bastante extenddo en dferentes técncas de análss de datos consste en encontrar una representacón adecuada de los datos. Un tpo de representacón
Más detalles6.1 EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS
TEMA NÚMEROS COMPLEJOS. EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS DEFINICIONES Al resolver ecuacones del tpo : x + = 0 x = ± que no tene solucón en los números reales. Los números complejos nacen del deseo
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detalles1.- Objetivo Alcance Metodología...3
PROCEDIMIENTO DO PARA EL CÁLCULO DEL FACTOR DE DESEMPEÑO DEL CONTROL DE FRECUENCIA (FECF) EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE 1.- Objetvo...3 2.- Alcance...3 3.- Metodología...3 3.1.- Cálculo de la
Más detallesTratamiento de datos experimentales. Teoría de errores
Tratamento de datos expermentales. Teoría de errores. Apéndce II Tratamento de datos expermentales. Teoría de errores (Fuente: Práctcas de Laboratoro: Físca, Hernández et al., 005) El objetvo de la expermentacón
Más detallesTÉCNICAS AUXILIARES DE LABORATORIO
TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar
Más detallesMétodos numéricos en Ingeniería: Elementos nitos
Métodos numércos en Ingenería: Elementos ntos 18 de septembre de 2004 Contendo Contendo 1 Formulacón varaconal de los problemas de contorno. 1 2 El método de elementos trangulares. 3 2.1 Formulacón varaconal.........................
Más detallesCAPÍTULO V ESTRUCTURAS ALGEBRAICAS
ESTRUCTURAS ALGEBRAICAS 7 CAPÍTULO V ESTRUCTURAS ALGEBRAICAS Estructura Algebraca es todo conjunto no vacío en el cual se han defndo una o más leyes de composcón nterna, luego de cumplr certas propedades
Más detallesEcuaciones diferenciales ordinarias
Ecuacones derencales ordnaras Motvacón Las ecuacones que se componen de una uncón desconocda de sus dervadas son llamadas ECUACIONES DIFERENCIALES ales ecuacones desempeñan un papel mportante en ngenería
Más detallesMatemáticas Discretas
Coordnacón de Cencas Computaconales - INAOE Matemátcas Dscretas Cursos Propedéutcos 2010 Cencas Computaconales INAOE Dr. Lus Vllaseñor Pneda vllasen@naoep.mx http://ccc.naoep.mx/~vllasen Algo de nformacón
Más detallesModelos de participación de mercado
Modelos de partcpacón de mercado IN58B Ingenería de Marketng Ncolás Frts Manuel Reyes Maurco Ramírez Introduccón Por qué modelos de Partcpacón de Mercado (PM)? Se busca modelos en que puedan ntroducrse
Más detallesPROCESOS DE SEPARACION UTILIZANDO EQUIPOS DE ETAPAS DE EQUILIBRIO
PROCESOS DE SEPARACION UTILIZANDO EQUIPOS DE ETAPAS DE EQUILIBRIO Concepto de equlbro físco Sstema Fase Componente Solubldad Transferenca Equlbro Composcón 2 Varables de mportanca en el equlbro de fases:
Más detallesPRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE AÑOS EXÁMENES PROPUESTOS Y RESUELTOS DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CONVOCATORIAS DE --- F Jménez Gómez Este cuaderno
Más detallesDpto. Física y Mecánica
Dpto. Físca y Mecánca Mecánca analítca Introduccón Notacón Desplazamento y fuerza vrtual Fuerza de lgadura Trabao vrtual Energía cnétca. Ecuacones de Lagrange Prncpode los trabaos vrtuales Prncpo de D
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesCESMA BUSINESS SCHOOL
CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta
Más detalles