Apuntes, resúmenes, trabajos, exámenes y problemas de Matemáticas

Procesamiento de Archivos de Texto y Cálculo Estadístico en VB.NET

Matemáticas8,45 KB

Estructura Principal del Formulario

Public Class Form1

Variables Generales

Dim v2() As Double

Dim i As Integer

Dim resultados(i) As Integer

Private Sub Form1_Load(ByVal sender As System.Object, ByVal e As System.EventArgs) Handles MyBase.Load

Lectura y Procesamiento de Datos

Abrir Archivo de Datos

With OpenFileDialog1

.Filter = "Fichero de texto|*.txt"

.FilterIndex = 2

If (.ShowDialog() = Windows.Forms.DialogResult.OK) Then

If .FileName <> "" Then

Leer Archivo y Calcular el Número de Datos

Dim archivo As System.IO.FileStream

archivo = CType(.OpenFile(), System.IO.FileStream)

Dim Lectura As New System.IO.StreamReader(archivo)

Declaración de Variables

Dim cadena As String

Dim contador As Integer

Dim trozos() As String

While Not (Lectura.EndOfStream)

cadena...

Continuar leyendo "Procesamiento de Archivos de Texto y Cálculo Estadístico en VB.NET" »

Raíces cúbicas, polinomios de Taylor y rectas tangente y normal en MATLAB: código y gráficas

Matemáticas2,99 KB

Raíces cúbicas de z = -8

z = -8;
r1 = (-8)^(1/3)
mod_r = abs(r1);
arg1 = angle(r1);
z_0 = mod_r * exp(1i * (arg1 + 2*pi*0/3))
z_1 = mod_r * exp(1i * (arg1 + 2*pi*1/3))
figure(1)
compass(raices)
hold on
triangulo = [raices, z_0];
plot(triangulo, 'r', 'LineWidth', 1.5)
title('Raíces cúbicas de z = -8')
hold off

Cálculo de polinomios de Taylor en a = 0

syms x
f = cos(2*x); % Dato
a = 0; % Dato
pol2 = taylor(f, x, 'ExpansionPoint', a, 'Order', 3) % G2....
pol4 = taylor(f, x, 'ExpansionPoint', a, 'Order', 5) % G*....

Aproximación numérica

% cos(2x) = cos(0.4) => 2x = 0.4 => x = 0.2
x_aprox = 0.2;
val_pol2 = double(subs(pol2, x, x_aprox))
val_pol4 = double(subs(pol4, x, x_aprox))

Evaluación del error absoluto

format long
val_exacto = double(
...
Continuar leyendo "Raíces cúbicas, polinomios de Taylor y rectas tangente y normal en MATLAB: código y gráficas" »

Estadística y Geometría: Medidas de Dispersión, Conos, Pirámides y Ortoedros Resueltos

Matemáticas7,89 KB

Estadística: distribución de edades en meses por municipio

Clasifica la edad en meses de los niños de cada municipio en 5 grupos de 2 en 2, iniciando en 8 y terminando en 18.


Mas disperso es el municipio B:

  • a: 18 − 10
  • b: 18 − 8

Municipio A: 524 ÷ 40 = 13.1 meses

Municipio B: 528 ÷ 40 = 13.2 meses

σ²A = 135.60 ÷ 40 = 3.39

σ²A = 870 ÷ 30 = 29 (es lo de Antonio)

Ángulos inscritos en una circunferencia

Son de los cuatro puntos

  • ∠ADB = ∠ACB, x = ∠ADB = ∠ACB = 33° (60, 33, 29)

  • ∠BAC = ∠BDC, y = ∠BAC = ∠BDC = 29°

Resultados: x = 33°      y = 29°

  • ∠CAB = ∠CDB, x = ∠BAC = ∠BDC = 40° (42, 40, 63, 42, XY)

  • ∠CBD = ∠CAD, y = ∠CBD = ∠CAD = 63°

Resultados: x = 40°      y = 63°

  • ∠BCA = ∠BDA, x = ∠BCA = ∠BDA

...
Continuar leyendo "Estadística y Geometría: Medidas de Dispersión, Conos, Pirámides y Ortoedros Resueltos" »

Topografía y Geodesia: Conceptos Básicos, Coordenadas UTM y Unidades Angulares

Matemáticas4,7 KB

Fundamentos de Topografía y Geodesia

1. ¿Qué es la Topografía?

La ciencia que estudia el conjunto de principios y operaciones que tienen por objeto la representación gráfica de la superficie de la Tierra, con sus formas y detalles, tanto naturales (montañas, ríos) como artificiales (los debidos a la acción del hombre).

2. ¿Qué magnitudes se pueden medir sobre un mapa?

Distancias, ángulos y superficies.

3. ¿Qué es la Geodesia?

La ciencia que estudia la forma y dimensiones de la Tierra.

4. ¿Qué es el Geoide?

La superficie de equilibrio materializada por los mares en calma. Es una superficie física real, aproximada a un elipsoide de revolución, y sobre ella la gravedad es normal en todos sus puntos.

5. ¿Por qué se usa un elipsoide de

...
Continuar leyendo "Topografía y Geodesia: Conceptos Básicos, Coordenadas UTM y Unidades Angulares" »

Correlación y regresión lineal: condiciones, diagnóstico de residuos y observaciones influyentes

Matemáticas3,93 KB

Correlaciones

Pearson mide la relación lineal y Spearman mide la relación monótona (aunque no sea lineal).

  • r próximo a +1 indica correlación positiva fuerte.
  • r próximo a −1 indica correlación negativa fuerte.
  • r próximo a 0 indica ausencia de correlación lineal (Pearson).

Si p < 0,05, la correlación es estadísticamente significativa.

Regresión lineal

  • R² alto indica que el modelo explica más variabilidad.
  • R² ajustado alto es mejor, porque penaliza las variables innecesarias.
  • AIC y BIC: cuanto menores, mejor.
  • En ANOVA, si p < 0,05, añadir variables mejora significativamente el ajuste; si p ≥ 0,05, no hay evidencia suficiente de mejora.
  • Stepwise añade o elimina variables buscando minimizar el AIC.

Condiciones de la regresión

  1. Linealidad:
...
Continuar leyendo "Correlación y regresión lineal: condiciones, diagnóstico de residuos y observaciones influyentes" »

Límites en matemáticas: guía práctica de sustitución, factorización y racionalización

Matemáticas2,66 KB

Guía rápida de límites

Paso 0: Sustituye siempre primero. Sustituye el valor al que tiende la variable. Si sale un número, ese es el límite. Si sale cero entre cero, hay que factorizar o racionalizar. Si sale un número entre cero, el límite no existe.


Tip 1: Sustitución directa.

Cuando la expresión es un polinomio o una fracción cuyo denominador no se anula, solo reemplazas la variable.

Ejemplo: límite cuando x tiende a 2 de (3x − 9). Sustituyes x = 2 y queda 3(2) − 9 = −3.


Tip 2: Factorizar y cancelar para cero entre cero.

Cuando hay polinomios y al sustituir sale cero entre cero, factoriza y cancela el factor común.

Ejemplo: límite cuando x tiende a 6 de (x² − 6x) entre (x² − 7x + 6). Factorizas: x(x − 6) entre (x −...

Continuar leyendo "Límites en matemáticas: guía práctica de sustitución, factorización y racionalización" »

Gráficas de Coste, Eficiencia y Escalabilidad en Computación Paralela: Conceptos Clave

Matemáticas2,74 KB

Gráfica de Coste C(n,p) vs. T(n)

Si te dan una gráfica con dos rectas que parten del origen con distinta pendiente (o dos rectas paralelas en escala logarítmica) y te preguntan si es de coste óptimo, la respuesta es SÍ, es de coste óptimo porque C(n,p) es proporcional a T(n), es decir, C(n,p) = cte · T(n).

Si para un n fijo la gráfica de C(n,p) respecto a p es una línea horizontal constante, también es óptimo porque al aumentar p el tiempo paralelo disminuye proporcionalmente: T(n,p) = T(n)/p.

Gráfica de la Eficiencia Escalada

  • Si la curva cae y tiende a 0 al aumentar p: NO es escalable.
  • Si en la gráfica la curva baja de 0, no es escalable, porque tiende a valores menores que 0, lo cual no puede darse en la práctica, ya que la eficiencia
...
Continuar leyendo "Gráficas de Coste, Eficiencia y Escalabilidad en Computación Paralela: Conceptos Clave" »

Vectores y Cinemática: Magnitud, Suma, Producto Escalar y Vectorial, MRU y MRUA

Matemáticas4,38 KB

Vectores

Magnitud de un vector: A = |A⃗| = √(Ax² + Ay²)

Magnitud de un vector en el espacio: |A⃗| = √(Ax² + Ay² + Az²)

Operaciones con vectores

  • Suma de vectores: A⃗ + B⃗ = R⃗    R⃗ = (Ax + Bx)i + (Ay + By)j
  • Producto escalar (punto): A⃗ · B⃗ = A·B·cos(θ) = AxBx + AyBy + AzBz
  • Producto vectorial (cruz): C⃗ = A⃗ × B⃗    C = A·B·sen(θ)    (magnitud |A⃗ × B⃗|)
  • Componentes del producto vectorial: A⃗ × B⃗ = (AyBz − AzBy)i + (AzBx − AxBz)j + (AxBy − AyBx)k
  • Área del triángulo formado por dos vectores: A△ = |A⃗ × B⃗| / 2

Componentes y ángulos

  • Componentes de un vector: A⃗ = Ax·cos(α) + Ay·sen(α)
  • Componente en y de un vector: Ay = A·sen(α)
  • Ángulo de un vector: θ = arctan(Ay / Ax)
  • Ángulo
...
Continuar leyendo "Vectores y Cinemática: Magnitud, Suma, Producto Escalar y Vectorial, MRU y MRUA" »

Propiedades del Límite de una Función Vectorial y sus Demostraciones

Matemáticas6,43 KB

Límite de una Función Vectorial: Propiedades

Sean r(t) = ⟨r₁(t), r₂(t), r₃(t)⟩ y s(t) = ⟨s₁(t), s₂(t), s₃(t)⟩ dos funciones vectoriales. Asumimos que sus límites cuando t → t₀ existen y corresponden a los vectores L y M:

  • limt→t₀ r(t) = ⟨L₁, L₂, L₃⟩ = L
  • limt→t₀ s(t) = ⟨M₁, M₂, M₃⟩ = M

I. Límite de una suma

Demostración paso a paso:

limt→t₀ [ r(t) + s(t) ]
= limt→t₀ ⟨ r₁(t) + s₁(t), r₂(t) + s₂(t), r₃(t) + s₃(t) ⟩ (Por definición de suma de funciones vectoriales)
= ⟨ limt→t₀ [r₁(t) + s₁(t)], limt→t₀ [r₂(t) + s₂(t)], limt→t₀ [r₃(t) + s₃(t)] ⟩ (Por límite de una función vectorial por componentes)
= ⟨ L₁ + M₁, L₂ + M₂, L₃ + M₃ ⟩...

Continuar leyendo "Propiedades del Límite de una Función Vectorial y sus Demostraciones" »

Estadística Inferencial: Pruebas de Hipótesis, ANOVA, Chi-cuadrado y Regresión Lineal con Ejemplos Resueltos

Matemáticas5,82 KB

Fórmulas estadísticas básicas

FRMLS:

  • MED (media): Σ xi·fi / n
  • MEDNA (mediana): n/2, f+1
  • CRTIL (cuartil): n·k/4, f+1
  • VARI-σ² (varianza): Σ(x²·fi)/n − media²
  • DESV.TIP (desviación típica): √[Σ(x²·fi)/n − media²] = √varianza
  • CUASIDESV.TIP S (cuasidesviación típica): √[(Σ(x²·fi) − (Σxi²)/n) / (n − 1)] = √cuasivarianza
  • RECOR (recorrido): xmáx − xmín
  • COEF PERS (coeficiente de Pearson): (media − moda) / σ (desviación típica)
  • COEF VAR (coeficiente de variación): (σ / media) · 100

13A. Intervalos de confianza y prueba Z

Z y N

Si la fórmula da 0,57 (lados), se busca el medio: 0,28… Se calcula p/z > 0,57, es decir, 0,56… Si la fórmula cumple 0,57 < x/2 (1,96), se compara si es mayor o menor que el valor...

Continuar leyendo "Estadística Inferencial: Pruebas de Hipótesis, ANOVA, Chi-cuadrado y Regresión Lineal con Ejemplos Resueltos" »