Apuntes, resúmenes, trabajos, exámenes y ejercicios de Matemáticas de Otros cursos

Estudio de la Rotación de un Fluido como Sólido Rígido a $\omega = \text{cte}$

El fluido gira alrededor del eje $z$ sin traslación a una velocidad angular constante ($\omega$), momento en el cual el fluido ha alcanzado la rotación como sólido rígido. En estas condiciones, el fluido tendrá únicamente aceleración centrípeta.

Determinación de la Aceleración

La aceleración se obtiene derivando la velocidad, dada por: $V = V_0 + \omega \times r_0$.

La aceleración total es:

$$a = \frac{dV_0}{dt} + \omega \times (\omega \times r_0) + \frac{d\omega}{dt} \times r_0$$

Dado que $\frac{dV_0}{dt} = 0$ (sin traslación) y $\frac{d\omega}{dt} = 0$ (velocidad angular constante), la aceleración se simplifica a:

$$a = \omega \times (\omega \times... Continuar leyendo "Dinámica de Fluidos en Rotación Rígida: Derivación del Campo de Presiones" »

Modelos de Supervivencia: Enfoques No Paramétricos

Método de Kaplan-Meier

Este método sirve para estimar la función de supervivencia asociada a un conjunto de datos, asumiendo que todos los individuos tienen las mismas características y, por lo tanto, que ninguna de ellas influye sobre su supervivencia. Matemáticamente, esto significa que no se utilizan variables independientes, sino simplemente los tiempos en los que ocurren los eventos (muertes) y la presencia o ausencia de censura para cada individuo.

Suposiciones del Método de Kaplan-Meier

• Homogeneidad del tiempo de supervivencia: El instante en el cual se comienza a observar a un individuo no influye sobre su respuesta.
• La probabilidad de ser censurado debe ser independiente del efecto

Cualidades de los Modelos Geométricos

Las cualidades de los modelos geométricos permiten la concepción y descripción de cualquier forma. Proporcionan un medio para transmitir la información y son la base para el análisis de cualidades estéticas y funcionales.

Interpolación Global: Propiedades e Inconvenientes

Propiedades

• Invarianza frente a transformaciones afines.
• Resuelve los problemas inherentes al grado de la curva.
• Aportan un alto grado de suavidad a las curvas.

Inconvenientes

• Son poco previsibles los efectos sobre la curva ante el cambio de algún dato.
• La curva cambia totalmente al modificar algún dato.
• No es posible la reproducción exacta y sencilla de cónicas.
• El grado de la curva depende del número de datos que se interpola.
• Incremento

Ejercicio 10: Lanzamiento de cuatro monedas

Se lanzan cuatro monedas y se sabe que, por lo menos, aparecerán dos caras. ¿Cuál es la probabilidad de que aparezcan exactamente cuatro caras?

Solución:

Primero, definimos los eventos:

• A: Aparecen exactamente cuatro caras.
• B: Aparecen al menos dos caras.

El espacio muestral para el lanzamiento de cuatro monedas tiene 2⁴ = 16 resultados posibles. Los resultados que contienen al menos dos caras son:

{CCXX, CXCX, CXXC, XCCX, XCXC, XXCC, CCXC, CXCC, XCCC, CCCX, CCCC}

Hay 11 resultados posibles para el evento B, por lo que P(B) = 11/16.

El evento A (cuatro caras) solo tiene un resultado posible: {CCCC}.

La intersección de A y B (A ∩ B) es el evento en el que aparecen exactamente cuatro caras, que también... Continuar leyendo "Ejercicios resueltos de probabilidad: Monedas, daltonismo y más" »

Programación con Restricciones de Desigualdad: Condiciones de Karush-Kuhn-Tucker (KKT)

El problema se define para minimizar f(x) sujeto a g(x) ≤ 0, considerando todas las restricciones excepto la de no negatividad. En la función Lagrangiana (L), no se modifican los signos de los multiplicadores (λ) ni se altera el término independiente.

Tipo 1: 4 Condiciones Básicas

• 1. ∇_xL = 0
• 2. g_i ≤ 0
• 3. g_i · λ_i = 0
• 4. λ_i ≥ 0

Tipo 2: 6 Condiciones (Incluyendo No Negatividad)

Se diferencia por la inclusión de la condición de no negatividad (condición 6):

• 1. ∇_xL ≥ 0
• 2. x_i · ∇_xL = 0
• 3. g_i ≤ 0
• 4. λ_i · g_i = 0
• 5. λ ≥ 0
• 6. x ≥ 0

Verificación de Optimalidad

Podemos asegurar que los puntos de KKT son óptimos si la función objetivo y las restricciones... Continuar leyendo "Fundamentos de Programación con Restricciones: Kuhn-Tucker y Multiplicadores de Lagrange" »

Agrupación de Datos en Intervalos

El contenido de una sustancia en un líquido está dado con una precisión de 5 miligramos por litro. Así, los datos podrían tomar los valores de esta sucesión:

... 120, 125, 130, 135, 140, 145 ...

Tenemos un conjunto de datos de esta variable, comprendidos entre 110 y 245. Explica cómo los agruparías en intervalos de amplitud 25 y haz una tabla con los límites reales, los aparentes y las marcas de clase.

Cálculo de intervalos: (247,7 - 107,5) / 25 = 5,6. Necesitamos 6 intervalos de 25. Como 6 * 25 = 150, sobran 10; los podemos poner al principio para empezar los límites aparentes con un número redondo.

Tabla de Intervalos:

• Límites Reales: (97,5 ; 122,5) | Límites Aparente: 100 - 120 | Marca de Clase:

Objetivos de los Métodos de Runge-Kutta (RK)

El objetivo de los métodos numéricos de RK es la solución de los problemas de valor inicial de ecuaciones diferenciales ordinarias (EDO). Estos métodos son una extensión del método de Euler para resolver EDO, pero ofrecen un orden de exactitud más alto.

Diferencia entre Métodos Explícitos e Implícitos

Los métodos Explícitos requieren que se pueda obtener claramente $dy/dx$, la cual es evaluada para el cálculo directo de nuevos valores para las variables en el siguiente punto en el tiempo.

Los métodos Implícitos usan algoritmos que dan como resultado ecuaciones que deben resolverse para obtener los nuevos valores en el paso siguiente del tiempo.

Ventajas de los Métodos de Runge-Kutta (

Escalas de Medición

Los indicadores son instrumentos de evaluación que utilizan diferentes escalas de medidas:

• Nominal: Nombrar o etiquetar. Ejemplos: sexo, comuna, escuela, diagnóstico.
• Ordinal: Nombrar o etiquetar y jerarquizar. Ejemplos: intensidad del dolor, nivel de ingreso, nivel de escolaridad.
• De Intervalo: Nombrar o etiquetar, jerarquizar y hacer comparaciones matemáticas. El 0 no significa ausencia. Ejemplo: temperatura.
• De Razón: Nombrar o etiquetar, jerarquizar y hacer comparaciones matemáticas. Ejemplos: edad, peso, número de hijos.

Usos de los Indicadores

• Diagnóstico de la situación de salud
• Identificación de carencias, necesidades y problemas
• Priorización de problemas
• Planificación sanitaria
• Evaluación de programas de salud
• Evaluación

Regresión Lineal: Conceptos Avanzados

El Riesgo de la Extrapolación

Esto ocurre cuando el sistema presenta un comportamiento muy distinto entre un intervalo y otro. Mientras más lejano del intervalo de ajuste se encuentre el punto bajo estudio, mayor será el error de estimación del modelo. Esto se evita utilizando muestras realmente representativas como datos de ajuste del modelo.

El Problema de la Multicolinealidad

La colinealidad es la asociación, medida a través de la correlación, entre dos variables independientes. Se dice que hay multicolinealidad en los datos cuando existe una relación lineal simultánea entre tres o más variables independientes. Sin embargo, esto no se suele analizar para cada par de variables por separado; primero,... Continuar leyendo "Fundamentos de Regresión Lineal: Extrapolación y Multicolinealidad" »

Cómo Formular Hipótesis de Investigación

Para formular hipótesis, partimos de los problemas y objetivos previamente establecidos. Es crucial que estas hipótesis estén correlacionadas y sean coherentes con dichos planteamientos. En esencia, una hipótesis debe responder a la pregunta de investigación formulada.

Desafíos en la Formulación de Hipótesis

Existen tres limitaciones principales al formular hipótesis:

• Escasos conocimientos en la fundamentación teórica: Una base teórica débil puede dificultar la formulación de hipótesis sólidas.
• Escaso ejercicio lógico: La falta de práctica en el razonamiento lógico puede llevar a cometer contradicciones en la formulación.
• Desconocimiento de las técnicas para redactar hipótesis: A menudo,