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

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

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

Transcripción

1 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 y forma u couto de ordeadas y1, y,, y N. El problema de la terpolacó udmesoal cosste e la costruccó de ua fucó f x, la cual satsface las codcoes f x y, 1,,, N y además se asume uos valores razoables e los putos etre los odos dados. El térmo razoable puede varar su sgfcado de problema a problema y es posble que e la mayoría de los casos o pueda defrse e ua forma matemátcamete rgurosa. E los casos, cuado las ordeadas y correspode a ua fucó matemátca suave o so los datos expermetales obtos co alta precsó y puede cosderarse lbres de los errores, tee setdo terpolarlos a través de ua fucó suave. Los obetvos de terpolacó so múltples, pero obetvo fudametal cosste e la elaboracó de u algortmo rápdo para ecotrar los valores de ua fucó fuera de ua tabla x, y dada. Más corta es la tabla más corta es la fucó que realza la terpolacó de la fucó y más rápdo puede calcularse valores de la fucó. Fucoes terpoladoras se utlza també para calcular las dervadas y las tegrales. E f x, f x muchos casos aplcacó de métodos computacoales e el tratameto de la formacó y de las mágees se faclta esecalmete al reemplazar las fucoes actuales (cuyo cálculo a veces sugere realzar ua gra catdad de las operacoes) por la fucó terpolador. Por eemplo mayoría de las fucoes elemetales y especales e el computador está defdas a través de tablas y e los putos termedas se calcula a través de fórmulas de terpolacó. El puto clave del problema de terpolacó cosste e la seleccó adecuada de ua fucó razoable etre los odos de la malla. Exste u úmero fto de dferetes fucoes que puede coectar los putos de la fucó dados solamete e odos de la malla y osotros debemos escoger algú crtero para seleccoar solo ua etre ellas. U crtero razoable e térmos de suavdad y smplcdad, pudera ser por eemplo la sugereca que la fucó debe ser aalítca y el valor máxmo de módulo de la seguda dervada f x detro del tervalo debe ser mímo posble, o por eemplo la fucó debe ser u polomo de meor orde posble, u otra codcó smlar. Más frecuetemete la fucó terpoladora se costruye e la forma de ua combacó leal de fucoes elemetales x : f x P x C x N (.1) N 1 x se llama fucoes de base, el polomo geeralzado PN f x y los coefcetes C E este caso las fucoes cosdera como la proyeccó de la fucó x se x sobre sub-espaco formado co el couto de las fucoes como proyeccoes correspodetes. S, por eemplo, e caldad de las fucoes de base se escoge las fucoes de potecas 1 x x, 1,,, N (.) la fucó terpoladora es u polomo de potecas. fucoes trgoométrcas x s x, cos x,,1,,, N S como las fucoes de base se escoge las (.) la fucó terpoladora es u polomo trgoométrco. S el úmero de los odos de la malla e el problema de terpolacó cocde co el úmero de fucoes de base x escogdas etoces e la mayoría de los casos los coefcetes C se defe uformemete. E realdad la fucó terpoladora (.1) debe satsfacer los N codcoes sguetes: N PN x C x y, 1,,,, N (.4) 1 Estas N codcoes correspode u sstema de ecuacoes algebracas leales que zse puede escrbr e la sguete forma matrcal:

2 ˆ ˆ 1 AC Y, C A Y (.5)  y los vectores C y Y so: 1 x1 x1 x1 N x1 C1 y1 1 x x x N x C y ˆ 1 x 1 x 1 x N x C y A ; C ; Y (.6) 1 xn xn xn N xn C N y N Aquí la matrz Segú las formulas (.5) y (.6) el algortmo de la terpolacó e el caso cuado la fucó terpoladora se busca e la forma de ua combacó leal (.4) de las fucoes de base dadas es muy smple y cosste e solamete dos pasos: 1) calcular los valores de las fucoes de la base e los odos de la malla, x,, 1,,. N y costrur la matrz  y ) vertr la matrz  y hallar los coefcetes C multplcado la matrz versa por el vector Y formado por valores de la fucó y, 1,,, N e los odos de la malla. Hay que aotar que este algortmo se puede realzar solo cuado el determate de la matrz  o es gual a cero, es decr det A ˆ Etre otros tpos de fucoes terpoladoras co mayor frecueca se utlza fraccoes cotuas de tpo f x P x N a 1 a an x dode las cógtas so los parámetros a x x a, 1,,, N. x E uestro curso osotros cosderemos solamete la terpolacó polomal e la cual las fucoes de poteca so seleccoadas como las fucoes de base y al fal cosderemos u caso partcular de terpolacó segmetara co las fucoes de base llamadas fucoes de sple las cuales se utlza amplamete e los métodos computacoales..1 Iterpolacó polomal..1.1 Por qué polomal? La clase más mportate de terpolacó de fucoes es el couto de los polomos algebracos. Para esto hay varas razoes; polomos es fácl de evaluar drectamete, sumar, multplcar, tegrar y dervar. Por supuesto y otras clases de fucoes puede teer todas las propedades aterores y pudra utlzarse també para este obetvo. Afortuadamete, hay otra razó para escoger los polomos algebracos a cosecueca el sguete teorema de Weerstrass: Para cualquera fucó f x cotua detro del segmeto ab, y para cualquer pequeño valor exste u polomo de orde, para el cual detro del segmeto se cumple la desgualdad max f x p x A pesar de que este teorema dce que las fucoes puede aproxmarse a través de polomos estos polomos so geeralmete de alto grado, tal que es poco práctco el uso de este teorema. Por otra parte, el teorema de Weerstrass os dce ada acerca de la exsteca de u polomo de terpolacó satsfactora para u determado couto de datosx, y, 1,,, N y o garatza de que u polomo adecuado se ecuetra por medo de u algortmo práctco. La terpolacó polomal se cosgue s osotros e la formula (.1) escogeremos las fucoes de base (.). E este caso la fucó terpoladora es u polomo del orde N-1 N 1 f x PN 1x C1 Cx Cx CNx (.8) (.7)

3 La matrz  e este caso tee la forma 1 1 x1 x1... x1 1 ˆ 1 x x... x A (.9) x x... x 1 Y determate de este matrz es coocdo como el determate de Vadermode que se calcula e ua forma aalítca: A N (.1), 1 det ˆ ( x x ) Como guos dos odos de la malla x1, x... x N o cocde el determate o es gual a cero, det A ˆ el sstema ce ecuacoes leales (.5) sempre tee solucó úca y por eso se puede ecotrar u polomo terpolador. S embargo, cuado el úmero de odos es grade sorpretemete cas sempre la matrz  es mal codcoada. Es decr, cuado osotros tratamos ecotrar u polomo terpoolate global, cualquer pequeño error e los valores dados de la fucó e los odos de la malla coduce a u cambo brusco e el comportameto de la fucó terpoladora. E otras palabras uas varacoes locales muy pequeñas e los datos produce uos cambos fuertes e el comportameto global de la fucó terpoladora. Por esta razó, e los casos cuado los datos puede teer alguos errores es preferble usar ua terpolacó segmetara (. e. aalzar parte por parte) que ua terpolacó global..1. Formula de Lagrage Aplcado las formulas (.5) y teo e cueta que la matrz versa para este caso segú las formulas (.9), (.1) los coefcetes C, 1,,, N se puede ecotrar e la forma aalítca y obteer la sguete fórmula para terpolador polomal coocda como terpolador de Lagrage: N PN 1( x) y ( x) (.11 1 dode: ( )( )...( )( )...( ) x x ( x) ; 1,,, N ( x x )( x x )...( x x )( x x )...( x x ) x x N x x1 x x x x 1 x x 1 x xn (.1) N 1, Las fucoes ( ) x llamada los factores de Lagrage satsface la codcó ( x ) ;, 1,,, N (.1), La demostracó de la fórmula de Lagrage es smple. E realdad, por u lado, exste solo u polomo terpolador de orde N-1, y, por otro lado, las formulas (.1.11)-(.1.1) defe precsamete el polomo de orde N-1, que satsface las codcoes PN 1 ( xk ) yk, k 1,,, N. A cotuacó se preseta u eemplo de aplcacó de la terpolacó de Lagrage para defr u polomo terpolador de orde e=1 para fucó f x s x detro del tervalo x. E la subruta Fu_lagrge(xe,ye,e,x)se defe u polomo terpolador, la cual para u couto de los datos sobre la malla xe, ye, 1,,, e dada e los e putos calcula el valor del polomo Fu_lagrge E el programa prcpal, prmero, se calcula los valores de la fucó f x s x e 1 putos de la malla y después e la seguda parte se calcula los valores de esta msma fucó e 11 putos a través del polomo de Lagrage y1, fucó exacta y, y la dscrepaca dy.

4 E la parte derecha se muestra ua parte de la tabla de los resultados. Se ve que las dscrepacas e los odos de la malla se aula exactamete, es decr polomo terpolador atravesa los valores exactos e los odos parameter (e=1) dmeso xe(e),ye(e) ope(1,fle='aprox.res') c Calculo de los valores de la fucó sobre la malla do =1,e xe()=.1*(-1) x=xe() ye()=s(x) do =1,11 x=.*(-1) c Cálculo de los valores de la fuc sobre la malla desa c y comparacó co los valores exactas y1= Fu_lagrge(xe,ye,e,x) y=s(x) dy=y1-y wrte(1,*) y1,y,dy close(1) stop c Fucto Fu_lagrge(xe,ye,e,x) c Fucó de terpolacó de Lagrage para ua fucó c defda ye() sobre la malla xe(), =1,,,...,e c parámetros de etrada: xe(), ye(), e c parámetros de salda Fu_lagrge dmeso xe(e),ye(e) s=. c Cálñculo del factor de Lagrage p do =1,e p=1. do =1,e f(.e.) p=p*(x-xe())/(xe()-xe()) c Cálculo de la suma s=s+p*ye() Fu_lagrge=s retur x y1 y dy E E-1.E E E-1.E E E E E E E E E-1.E E E-1.E E E E E E E E E E E E E E E-1.E E E E E E E E E E E E-1.E E E-1.E E E E E E E E E E E E E E E-1.E E E E E E-1.E E E E E E E E E-1.E E E-1.E E E E E E E E E E E E-1.E E E E E E E E E E E E E E E-1.E E E E E E E E E E E E E E E-1.E E E E E E E E E E E E E E E-1.E E E E E E E E E E E E E E E-1.E+.1. Malla equdstate. Dferecas ftas. Poteca geeralzada. La fórmula de Lagrage se smplfca esecalmete s la malla es equdstate, es decr las separacoes etre todos los odos so las msmas e guales a h. E este caso x = x h, y f x, 1,,, N (.14) Para N valores de la fucó e N odos se puede defr N-1 dferecas ftas de prmera orde: y y y, y y y,, y y y, y y y, 1,,, N 1 (.15a) 1 1 N1 N N1 1

5 Smlarmete se defe N- dferecas ftas de seguda orde y1 y y1 y y y1, y y y y4 y y,, yn yn yn 1 yn y y y y y y, 1,,, N 1 1 (.15b) De la maera smlar se defe las dferecas ftas de sguetes órdees, tercera, cuarta, etc., utlzado las relacoes de recurreca: 1 y y 1 y, 1,,, N 1, 1,,, N (.16) Para obteer ua formula compacta que relacoa ua dfereca fta de u orde arbtraro co los valores de la fucó e los odos troducremos u operador de traslacó T ˆ, que se defe a través de la sguete fórmula: ˆ, ˆ Tf x f x h f x T f x f x h f x (.17) 1 Utlzado esta defcó y el método de la duccó matemátca se puede demostrar la sguete relacó ua dfereca fta de u orde arbtraro co los valores de la fucó e los odos: ( 1) y 1 ( 1) ˆ y y y y T 1 y (.18) 1!! Aálogamete se obtee la expresó para el valor de la fucó y e cualquer odo co el úmero a través del valor de la fucó e el prmer odo y 1 y de los valores de las dferecas ftas 1 ( k=,1,,...,) correspodetes al prmer odo x 1 Sguo el procedmeto de la duccó matemátca y parto de la defcó de la dfereca fta del prmer orde y1 y y1 se deduce y y1 y1. Después parto desde la defcó de la dfereca fta de segudo orde y y y y y y y y se obtee k y y y y y. Sguo, este procedmeto se obtee la sguete formula geeral: ( 1) y1 y1 y1 y1 y1 (1 ) y1 (.19) 1!! Para la deduccó de la formula correspodete para la terpolacó e el caso de muchos odos equdstates hay que troducr la defcó de la poteca geeralzada: La expresó: x x 1 x x1 ( x x)( x x) ( x x) x x1 ( x x1 h)( x x1 h) x x1 ( 1) h Por defcó: 1 (.) 4 x x 1; x x x x ; x x x x ( x x h); x x x( x x h)( x x h); x x x x ( x x h)( x x h)( x x h) etc. Es evdete que para h= la defcó de poteca geeralzada cocde co la defcó de poteca ordara. La poteca geeralzada tee ua propedad muy mportate: La fórmula para su dfereca fta es muy parecda a la fórmula correspodete de la dervada de la poteca ordara; es decr: x x h x x 1 (.1) 1 1 Esta gualdad se deduce a partr de la defcó de la dfereca fta: x x 1 ( x x1 h) x x1 ( x x1 h) x x1 ( x x1 h)( x h) x x1 ( ) h x x1 ( x x1 h) x x1 ( 1) h x x ( x x h) x x ( ) h ( x x h) x x ( 1) h h x x Polomo terpolador para malla equdstate. Formula de Newto. La fórmula (.1) puede utlzarse para hallar el polomo terpolador sobre ua malla equdstate. Sguo al método propuesto por Newto, buscaremos u polomo terpolado de orde N-1 sobre ua malla equdstate (.14) e la forma:

6 P x a a x x a x x x x a x x x x x x a x x x x x x N N 1 1 N 1 Usado otacó de la poteca geeralzada escrbremos esta fórmula e ua forma más compacta: 1 N 1 P x a a x x a x x a x x a x x (.) N N1 1 Nuestra tarea cosste e ecotrar coefcetes a,,1,,, N 1del polomo (.) que satsface sguete codcoes: PN 1 x y, 1,,, N (.) Estas codcoes so equvaletes a otras codcoes escrtas e ua forma dferete: m m PN 1 x1 y1, m,1,,, N 1 (.4) Susttuyo x x1 obtee: a P x y P x y e (.) y teo e cueta que segú (.) y (.4) para m= N se N Para ecotrar el sguete coefcete a calcularemos la dfereca fta de prmer orde para el polomo (.) usado la detdad (.1) 1 N P N1 x a1h a x x1 h a x x1 N 1 an1 x x1 h P x y se Susttuyo e esta expresó x x1 N obtee a 1 y 1 1! h Ahora para ecotrar el sguete coefcete a calcularemos la dfereca fta de seguda orde para el polomo (.) usado la detdad (.1) 1 N P N1 x! ah a x x1 N 1 N an1 x x1 h Susttuyo e esta expresó x x1 se obtee a y 1! h Sguo este procedmeto sucesvamete se ecuetra todos los coefcetes del polomo: k a k y1 k! h, k,1,,, N 1,! 1, y1 y1 Falmete, susttuyo las expresoes ecotrados para los coefcetes e (.) se obtee la formula para polomo terpolador de Newto: N1 N 1 k y1 1 y1 y1 y1 N1 y1 k P N 1 x y1 x x1 x x1 x x1 x x1 x x1 1! h! h! h N 1 (.5)! h k k! h. Iterpolacó segmetara. y teo e cueta que segú (.4) para m=1 Hasta ahora, el foco de uestra dscusó ha sdo la terpolacó de ua fucó dada f sobre ua malla detro de e u tervalo [a, b], por u polomo e ese tervalo sea a través de la terpolacó de Lagrage o terpolacó de Newto, o usado otros tpos de fucoes de base. Cada ua de estas costruccoes fue de carácter global, e el setdo de que la aproxmacó se defe por la msma expresó e todo el tervalo [a, b]. Ua alteratva y la maera más flexble de aproxmar ua fucó f es dvdr el tervalo [a, b] global e ua sere de subtervalos locales y buscar ua aproxmacó a trozos por polomos de grado más bao. Tales aproxmacoes polómcas a trozos se llama la terpolacó segmetara. La terpolacó segmetara más smple puede realzarse a través de polomo terpolador de Newto (.5) de ordees N= y N= cosderado respectvamete subtervalos que cluye solamete dos odos de la malla e los extremos o subtervalos que cluye dos odos de la malla e los extremos y uo e el cetro. E el prmer caso s e la formula (.5) tomemos N se obtee la fórmula para terpolador leal detro del segmeto xk, xk1, k 1,,, N 1cosderado como el puto cal x xk, k 1,,, N 1: y k x xk P1 x yk x xk yk yk 1 yk (.6) 1! h h

7 Para realzar ua terpolacó segmetara leal e cualquer puto x detro del tervalo tervalo [a, b] k Iteger x a h. Aquí la calmete hay que defr el úmero k del segmeto a través de la relacó fucó ta fórmula se utlza sucesvamete c Fucto Polomo_Leal(a,h,ye,e,x) c Iterpolador leal para ua fucó e el puto x c defda ye() sobre la malla equdstate xe()=a+(-1)*h, =1,,,...,e c parámetros de etrada: co de tervalo a,dstaca etre odos h, c valores de fucó e odos ye(),úmero de odos e c parámetro de salda Polomo_Leal, valor de la fucó e el puto x dmeso ye(e) c ecotrar el úmero de segme to dode se ubca el puto x k=it((x-a)/h) c Cálculo de Iterpoolador leal xk=a+(k-1)*h Polomo_Leal=ye(k)+(ye(k+1)-ye(k))*(x-xk)/h retur Para N se obtee a partr de (.5) la fórmula para terpolador parabólco o cuadrátco: 1 yk yk x xk x xk x xk P 1 x yk x xk x xk yk yk 1 yk yk yk 1 yk (.7) 1! h! h h h c Fucto Polomo_Cuadratco (a,h,ye,e,x) c Iterpolador parabolco para ua fucó e el puto x c defda ye() sobre la malla equdstate xe()=a+(-1)*h, =1,,,...,e c parámetros de etrada: co de tervalo a,dstaca etre odos h, c valores de fucó e odos ye(),úmero de odos e c parámetro de salda Polomo_Cuadratco, valor de la fucó e el puto x dmeso ye(e) c ecotrar el úmero de segme to dode se ubca el puto x k=it((x-a)/h) c Cálculo de Iterpoolador leal xk=a+(k-1)*h xk1=xk+h Polomo_Cuadratco=ye(k)+(ye(k+1)-ye(k))*(x-xk)/h+(ye(k+)-*ye(k+1)-ye(k))*(x-xk)(x-xk1)/h** retur. Iterpolacó co sples cúbcos El método cosderado aterormete para realzar la terpolacó segmetara tee u defecto esecal relacoada co mposbldad e el marco de este método garatzar algua suavdad de la fucó cotrolada. S uo quere realzar ua terpolacó segmetara co ua suavdad de la fucó terpolador cotrolada e este cso se puede utlzar fucoes Sples. El térmo "sple" hace refereca a ua ampla clase de fucoes que so utlzadas e aplcacoes que requere la terpolacó de datos, o u suavzado de curvas. Los sples so utlzados para trabaar tato e ua como e varas dmesoes. Las fucoes para la terpolacó por sples ormalmete se determa como mmzadores de la aspereza sometdas a ua sere de restrccoes. E el subcampo matemátco del aálss umérco, u sple es ua curva defda e cada segmeto medate polomos. E los problemas de terpolacó, se utlza a meudo la terpolacó medate sples porque da lugar a resultados smlares requro solamete el uso de polomos de bao grado, evtado así las osclacoes, deseables e la mayoría de las aplcacoes, ecotradas al terpolar medate polomos de grado elevado. Para el auste de curvas, los sples se utlza para aproxmar formas complcadas. La smplcdad de la represetacó y la facldad de cómputo de los sples los hace populares para la represetacó de curvas e formátca, partcularmete e el terreo de los gráfcos por ordeador.

8 A cotuacó os referremos co el térmo "sple" a su versó restrgda e ua dmesó y polomal, que es la más comúmete utlzada. Volveremos a aalzar la terpolacó segmetara e térmos de fucó de sple (es decr, ua terpolacó co suavdad cotrolada). Icamos como sempre co ua terpolacó más smple: Iterpolacó Segmetara Leal Este es el caso más secllo. E él, vamos a terpolar ua fucó f(x) de la que se os da u úmero N de pares (x, f(x)) por los que trá que pasar uestra fucó polomal P(x). Esta sere de fucoes uestras va a ser leales, esto es, co grado 1: de la forma P(x) = ax + b. Defremos ua de estas fucoes por cada par de putos adyacetes, hasta u total de (N-1) fucoes, hacédolas pasar oblgatoramete por los putos que va a determarlas, es decr, la fucó P(x) será el couto de segmetos que ue odos cosecutvos; es por ello que uestra fucó será cotua e dchos putos, pero o dervable e geeral. Iterpolacó Segmetara Cuadrátca E este caso, los polomos P(x) a través de los que costrumos el Sple tee grado. Esto quere decr, que va a teer la forma P(x) = ax² + bx + c Como e la terpolacó segmetara leal, vamos a teer N-1 ecuacoes (dode N so los putos sobre los que se defe la fucó). La terpolacó cuadrátca os va a asegurar que la fucó que osotros geeremos a trozos co los dsttos P(x) va a ser cotua, ya que para sacar las codcoes que auste el polomo, vamos a determar cómo codcoes: Que las partes de la fucó a trozos P(x) pase por ese puto. Es decr, que las dos P(x) que rodea al f(x) que queremos aproxmar, sea gual a f(x) e cada uo de estos putos. Que la dervada e u puto sempre cocda para ambos "lados" de la fucó defda a trozos que pasa por tal puto comú. Esto s embargo o es sufcete, y ecestamos ua codcó más. Por qué?. Teemos cógtas por cada P(x). E u caso secllo co f(x) defda e tres putos y dos ecuacoes P(x) para aproxmarla, vamos a teer ses cógtas e total. Para resolver esto ecestaríamos ses ecuacoes, pero vamos a teer ta sólo cco: cuatro que guala el P(x) co el valor de f(x) e ese puto (dos por cada tervalo), y la quta al gualar la dervada e el puto comú a las dos P(x). Se ecesta ua sexta ecuacó, de dóde se extrae? Esto suele hacerse co el valor de la dervada e algú puto, al que se fuerza uo de los P(x). Iterpolacó Segmetara Cúbca E este caso, cada polomo P(x) a través del que costrumos los Sples e [m,] tee grado. Esto quere decr, que va a teer la forma P(x) = ax³ + bx² + cx + d E este caso vamos a teer cuatro varables por cada tervalo (a,b,c,d), y ua ueva codcó para cada puto comú a dos tervalos, respecto a la dervada seguda: Que las partes de la fucó a trozos P(x) pase por ese puto. Es decr, que las dos P(x) que rodea al f(x) que queremos aproxmar, sea gual a f(x) e cada uo de estos putos. Que la dervada e u puto sempre cocda para ambos "lados" de la fucó defda a trozos que pasa por tal puto comú. Que la dervada seguda e u puto sempre cocda para ambos "lados" de la fucó defda a trozos que pasa por tal puto comú. Como puede deducrse al compararlo co el caso de sples cuadrátcos, ahora o os va a faltar ua so dos ecuacoes (codcoes) para el úmero de cógtas que teemos. La forma de solucoar esto, determa el carácter de los sples cúbcos. Así, podemos usar: Sples cúbcos aturales: La forma más típca. La dervada seguda de P se hace para el prmer y últmo puto sobre el que está defdo el couto de Sples, esto so, los putos m y e el tervalo [m,]. Dar los valores de la dervada seguda de m y de forma "maual", e el couto de sples defdos e el tervalo [m,]. Hacer guales los valores de la dervada seguda de m y e el couto de sples defdos e el tervalo [m,] Sples cúbcos suetos: La dervada prmera de P debe teer el msmo valor que las dervada prmera de la fucó para el prmer y últmo puto sobre el que está defdo el couto de Sples, esto so, los putos m y e el tervalo [m,].

9 B (x)..1 Fucoes B-sple cúbcas. E el subcampo matemátco de aálss umérco, ua B-sple es ua fucó sple que tee el mímo apoyo co respecto a u determado grado, suavdad y partcó del domo. U teorema fudametal establece que cada fucó sple de u determado grado, suavdad y partcó del domo, se puede represetar como ua combacó leal de B-sples del msmo grado y suavdad, y sobre la msma partcó El térmo B-sple fue acuñado por Isaac Jacob Schoeberg y es la abrevatura de sple básca. Las B-sples puede ser evaluadas de ua maera umércamete estable por el algortmo de Boor. E el subcampo de la formátca de dseño asstdo por computadora y de gráfcos por computadora, el térmo B-sple se refere co frecueca a ua curva sple paramétrca por fucoes sple que se expresa como combacoes leales de B-sples (e el setdo matemátco ateror). Fucó B-sple cúbca se defe a través de la fórmula: x ; 1 x ; 6 1 x x ; 1 x x ; 1 x ; 6 ; x x 1 1 x B (.7) x 1 1 x x El grafco de esta fucó se preseta e la Fg.1,6 /,4, 1/6 1/6, x Las propedades de B-Sples cúbcas: Fg.1 Gráfco de B-Sple cúbco 1) La fucó B (x) y sus dos prmeras dervadas so cotuas, es decr B x C, ) La fucó B (x) se dfere del cero solo detro del tervalo (-,) ) La fucó B (x) esta cosda co cuatro dferetes polomos cúbcos e los putos x = -1, x = y x = 1 de tal maera que la msma fucó y sus dos prmeras dervadas e estos putos so cotuas. 4) E los putos x B '' x so guales a cero. x la fucó B (x) y sus dervadas B ' y 5) Valores de la fucó e los putos de coser so: B y B ) El área bao de la fucó B (x) es gual a uo, es decr B xdx 1 El subprograma que realza el cálculo de la fucó B-Sple e FORTRAN se preseta a cotuacó: fucto Bspl(x)

10 B(x,,1) Bspl=. f(x.lt.-1..ad.x.gt.-.) the Bspl=(x+)**/6. else f(x.lt...ad.x.gt.-1.) the Bspl= *x**-x** else f(x.lt.1..ad.x.gt..) the Bspl= *x**-x** else f(x.lt...ad.x.gt.1.) the Bspl=(.-x)**/6. f retur Las fucoes Bx,x,h defdas sobre ua malla equdstate x x h 1, 1,,,... B x,x,h B x x h como m (.8) se utlza e adelate como las fucoes de base para resolver problemas de terpolacó y aproxmacó. Estas fucoes se dfere del cero detro del tervalo x x h,x h 1,,8 = = = =1 =5,6,4,, X x x h Fg. Gráfcos de las fucoes de base Propedades de las fucoes de base: x 1) Bx,x,h B B x h B x,x,h B co x = y h = 1, = 1,,,4,5 ; (.9) ) La matrz Bˆ co los elemetos Bˆ Bx,x,h B Bˆ 1 ; Bˆ 1 ; Bˆ para 1 6 es ua matrz smétrca y de tres dagoales

11 Bˆ (.) x h ) El área bao de la fucó B(x, x, h) es gual a h, es decr Bx,x hdx h x h.. Iterpolacó de fucoes de ua varable usado B-Sples cúbcas Supogamos que está dados los valores y de ua fucó y = f(x) cógta sobre ua malla ecotraremos la aproxmacó para esta fucó e x, x a,b, x a h 1, 1,,,..., y f ua forma de combacó leal de B-Sples cúbcas: f x Sx C Bx,x,h 1 ; Esta aproxmacó se realza por medo de la sguete subrouta e FORTRAN: c Fucó terpolate B-Sple, que defe valor aproxmada e u puto x arbtraro c de la fucó defda sobre la malla equdstate xexp(), =1,,..., co el paso h fucto FBspl(x,xexp,,h,C) dmeso xexp(),c() S=. do =1, y=(x-xexp())/h S=S+C()*Bspl(y) FBspl=S retur (.1) Los coefcetes C puede ser ecotrados utlzado la codcó de que las fucoes S(x) y f(x) debe cocdr por lo meos e los putos de la malla, es decr: y S dode x y C Bx,x,h 1 ; Y Bˆ C (.) Y y C so vectores y B es la matrz cuadrada del orde. La matrz B tee la estructura (1.4), los elemetos del vector Y so los valores dados de la fucó e los odos de la malla y del vector C so los coefcetes e la combacó leal (.) Para ecotrar los coefcetes segú (.) hay que hallar la matrz versa para B y multplcarla al vector Y : 1 C Bˆ Y (.) Sguete subrouta e FORTRAN realza el cálculo de los coefcetes C : c Subprograma de cálculo de los coefcetes C(), =1,,,.., para la fucó terpolate c a través de B-Sples cúbcas para ua fucó cuyos valores e los odos de la malla so yexp()

12 subroute coef(,yexp,c) c Arreglos ecesaros para realzar cálculo: b para guardar matrz B y la versa, L y M vectores c Tamaño del arreglo b o debe ser meor que x, tamaños de L y M o meor que. E el c eemplo a cotuacó puede realzarse cálculos pa las mallas co el úmero de odos c o superor que 1 dmeso B(1),L(1),M(1),c(),yexp() c Defcó de la matrz B k= do =1, do =1, k=k+1 B(k)=. f(.eq.) B(k)=./. f(.lt..ad..eq.+1) B(k)=1./6. f(.gt.1.ad..eq.-1) B(k)=1./6. c Iversó de la matrz B CALL MINV(B,N,D,L,M) c Cálculo de los coefcets C() k= do =1, a=. do =1, k=k+1 a=a+b(k)*yexp() C()=a retur A cotuacó presetamos el texto del programa prcpal del programa que calcula la fucó terpolate para famosa fucó de Ruge 1 f x 1 5x la cual fue utlzada para lustrar los defectos de la terpolacó polomal: $debug c p úmero de los putos para grafcar, exp el úmero de los odos de la malla parameter (p=) parameter (exp=11) c c MAIN PROGRAM character*1 ame real xp(p),yp(p),xexp(exp),yexp(exp),c(exp) c Fucó de Ruge fu(x)=1./(1.+5.*x*x) c Preparacó de los archvos para guardar los resultados del cálculo wrte(*,*)' Teclee el ttulo del archvo para salvar tabla' read(*,'(a)') ame ope(1,fle=ame) wrte(*,*)' Teclee el ttulo del archvo para salvar' wrte(*,*)' el grafco co exteso.pcx ' read(*,'(a)') ame c Extremos del tervalo para aalzar la fucó xm=-1.5 xmax=1.5

13 c el paso etre los odos h=(xmax-xm)/(exp-1.) c Malla y valores de la fucó de Ruge e los odos de la malla do =1,exp xexp()=xm+h*(-1) xx=xexp() yexp()=fu(xx) c Cálculo de los cofcetes C() call coef(exp,yexp,c) c Calcular los valores aproxmados de la fucó e p putos usado B-sples eps=.5 h1=(xmax-xm)-*eps)/(p-1) do =1,p x =xm+eps+h1*(-1) xp()=x yp()=fbspl(x,xexp,nexp,h,c) c Guardar los resultados de cálculo e el archvo wrte(1,*) xp(),yp() close(1) c Ico del proceso de Grafcacó c Calculo xmax,xm,ym, ymax xm=xp(1) xmax=xp(1) ym=yp(1) ymax=yp(1) do =1,p f(xp().lt.xm) xm=xp() f(xp().gt.xmax) xmax=xp() f(yp().lt.ym) ym=yp() f(yp().gt.ymax) ymax=yp() ym=ym-.1 c Regme grafco CALL GRINIT c Paga CALL PAGE(.,.,'GRAF',4,) c Mappg call lmts(xm,xmax,ym,ymax) CALL REGION(8.,8.,18.,1.,,,) c Color CALL SETPEN(4) c Ees call axes(,,.,,,,.,,) c color del grafco call setpe(1) c Grafcar los putos calculados a través de B-Sples call lum(xp,yp,p) c Grafcar co markers los valores exactos de fucó de Ruge e los odos de la malla call setpe() do =1,exp xe=8.+(xexp()-xm)/(xmax-xm)*18. ye=8.+(yexp()-ym)/(ymax-ym)*1. call move(xe,ye,) call marker(1) c salvar del grafco call wrpcx(16#a,ame)

14 c Salr del regme grafco CALL ENDPG() CALL MODA() stop Para comparar los resultados obtos a través B-Sple terpolacó co la terpolacó polomal usado por eemplo la formula de Lagrage se puede utlzar el programa smlar a ateror que preseta a cotuacó $debug parameter (p=1) parameter (exp=11) c c MAIN PROGRAM character*1 ame real xp(p),yp(p),xexp(exp),yexp(exp) fu(x)=1./(1.+5.*x*x) wrte(*,*)' Teclee el ttulo del archvo para salvar tabla' read(*,'(a)') ame ope(1,fle=ame) xm=-1. xmax=1. h=(xmax-xm)/(exp-1.) do =1,exp xexp()=xm+h*(-1) xx=xexp() call radom(eps) yexp()=fu(xx)+.*(eps-.5) h1=(xmax-xm)/(p-1) do =1,p x =xm+h1*(-1) xp()=x yp()=fu_lagrge(xexp,yexp,exp,x) yexact=fu(x) wrte(1,*) xp(),yp(),yexact do =1,exp wrte(1,*) xexp(),yexp() close(1) stop c Fucto Fu_lagrge(xe,ye,e,x) c Fucó de terpolacó de Lagrage para ua fucó c defda ye() sobre la malla xe(), =1,,,...,e dmeso xe(e),ye(e) s=. do =1,e p=1. do =1,e f(.e.) p=p*(x-xe())/(xe()-xe()) s=s+p*ye() Fu_lagrge=s retur

15 Los resultados obtos co estos dos programas se puede comparar de la Fg.1., Y B-Sple Iterpolacó Iterpolacó Polomal y=1./(1+5*x ) =11 1,5 1,,5, -1, -,5,,5 1, X Fg. Resultados de terpolacó de la fucó Ruge a través de B-sple y polomos usado la malla co 11odos B-Sple Iterpolacó Iterpolacó Polomal 1, Y y=exp(-x ) 1,,8 =11,6,4,, , X Fg. 4 Resultados de terpolacó de la fucó de Gauss a través de B-sple y polomos usado la malla co 11odos Los gráfcos presetados o ecesta gú cometaro para explcar las vetaas que tee la terpolacó a través de B-Sples cúbcas comparado co la terpolacó polomal.

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

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

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 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

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

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

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

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

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

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

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

ERRORES EN LAS MEDIDAS (Conceptos elementales)

ERRORES EN LAS MEDIDAS (Conceptos elementales) ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas

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

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

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

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

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

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

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

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

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

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

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

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

. 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

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

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

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

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

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

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

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

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

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

Más detalles

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

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

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

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

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

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

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

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

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

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

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

Matemáticas Discretas

Matemáticas Discretas Coordacó de Cecas Computacoales - INAOE Matemátcas Dscretas Cursos Propedéutcos 0 Cecas Computacoales INAOE Dr. Erque Muñoz de Cote jemc@aoep.m http://ccc.aoep.m/~jemc Ofca 80 Dapostvas basadas e prevas

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

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

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

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN Qué es ESADISICA? Es u couto de la rama de las Matemátcas Es algo aburrdo que mplca u motó de cuetas 3 Es u couto de téccas que se puede usar para probar cualquer cosa 4 Es u couto de coocmetos téccas

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

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

MEDIDAS DE FORMA Y CONCENTRACIÓN

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

Más detalles

MEDIDAS DE CENTRALIZACIÓN

MEDIDAS DE CENTRALIZACIÓN Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca

Más detalles

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

1. Funciones B-spline cúbicas.

1. Funciones B-spline cúbicas. B (x) 1. Funcones B-splne cúbcas. Funcón B-splne cúbca se defne a través de la formula: 0; x 2 1 x 2 ; 2 x 1 6 2 1 2 x x ; 1 x 0 B 2 x (1.1) 2 1 2 x x ; 0 x 1 2 1 x 2 ; 1 x 2 6 0; x 2 El grafco de esta

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u

Más detalles

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

6. ESTIMACIÓN PUNTUAL

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

Más detalles

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

1.2. Medidas de Concentración

1.2. Medidas de Concentración .. Meddas de Cocetracó Matlde Machado.. Meddas de Cocetracó La gra mayora de los mercados se ecuetra etre los extremos de competeca perfecta (cocetracó mma) y moopolo (cocetracó máxma). Las meddas de cocetracó

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

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

LECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS

LECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS Uversdad Católca Los Ágeles de Cmbote LECTURA 0: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS TEMA : DISTRIBUCIONES DE FRECUENCIAS: DEFINICIÓN Y CLASIFICACIÓN

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

2.4 Pruebas estadísticas para los números pseudoaleatorios

2.4 Pruebas estadísticas para los números pseudoaleatorios Capítulo Números pseudoaleatoros.4 Pruebas estadístcas para los úmeros pseudoaleatoros 34 E la seccó. se presetaro dversos algortmos para costrur u cojuto r, pero ése es sólo el prmer paso, ya que el cojuto

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

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

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO. Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.

Más detalles

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

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

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

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

Más detalles

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto: Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,

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

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

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

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

Introducción al Algebra Lineal en Contexto Autor José Arturo Barreto M.A. Web:

Introducción al Algebra Lineal en Contexto Autor José Arturo Barreto M.A. Web: Itroduccó al Algebra Leal e Cotexto Autor José Arturo Barreto M.A. Web: www.abaco.com.e www.mprofe.com.e josearturobarreto@yahoo.com Descomposcó e Valor Sgular (SVD: Sgular Value Decomposto) El sguete

Más detalles

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre Tema. La medda e Físca Estadístca de la medda Cfras sgfcatvas e certdumbre Cotedos Herrameta para represetar los valores de las magtudes físcas: los úmeros Sstemas de udades Notacó cetífca Estadístca de

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

REGRESIÓN LINEAL SIMPLE

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

Más detalles

Tema 2: Distribuciones bidimensionales

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

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple 1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular

Más detalles

4. ALGORITMO DE RESOLUCIÓN.

4. ALGORITMO DE RESOLUCIÓN. 4. ALGORITMO DE RESOLUCIÓN. Este capítulo trata acerca de la solucó propuesta para la resolucó del problema de la asgacó de aulas co especal atecó e el algortmo de fluo co costo mímo. A cotuacó se descrbe

Más detalles

AUTOVALORES MANUEL HERVÁS CURSO ENDOMORFISMOS 1

AUTOVALORES MANUEL HERVÁS CURSO ENDOMORFISMOS 1 AUTOVALORES MANUEL HERVÁS CURSO 0-0 ENDOMORFISMOS INTRODUCCIÓN Los problemas que volucra a los valores propos va asocados, e geeral, a feómeos de establdad: Dámca, como la frecueca de resoaca de u sstema

Más detalles

Los Histogramas. Histograma simple

Los Histogramas. Histograma simple Los Hstogramas El Hstograma es ua forma de represetacó de datos que permte aalzar fáclmete el comportameto de ua poblacó, ya sea per se, o por medo de ua muestra. U Hstograma se defe como u cojuto de barras

Más detalles

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

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

Más detalles

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

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

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

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

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

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

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS

Más detalles

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

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

FUNCIONES ALEATORIAS

FUNCIONES ALEATORIAS Uversdad de Medoza Ig. Jesús Rubé Azor Motoya FUNCIONES ALEATORIAS Ua varable aleatora se defe como ua fucó que represeta gráfcamete el resultado de u expermeto a los úmeros reales, esto es, X(), dode

Más detalles

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

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

Más detalles

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

La Metodología de la Verosimilitud Empírica

La Metodología de la Verosimilitud Empírica La Metodología de la Verosmltud Empírca Gozalo Delgado Facultad de Matemátcas, Uversdad Autóoma de Guerrero Méxco deggozalo@aol.com Probabldad y Estadístca Superor Resume Se expoe la metodología de la

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

(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

Del correcto uso de las fracciones parciales.

Del correcto uso de las fracciones parciales. Del correcto uso de las fraccoes parcales. Rubé Emauel Madrd García. E este opúsculo haré u aálss de lo que hoy llamamos fraccoes parcales, lo cual o es otra cosa que la descomposcó del cocete etre dos

Más detalles