Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1.5
0.6
1
0.4
0.2
0.5
0
-0.2
-0.4
-0.5
1
-1
0.5
2
0
-1.5
-0.5
-1
-2
-2
-1.5
-1
-0.5
(a)
0.5
1.5
-1
-2
(b)
| || |
si
si
donde es el ngulo entre los vectores con origen coincidente a y b, el cual se encuentra
en el intervalo de 0
.
En trminos de las componentes de los vectores, el producto interno tambin se puede
expresar como:
Conceptos importantes:
| || |
La direccin de
x es perpendicular tanto a como a b.
La Figura 3 muestra el resultado de un producto vectorial.
1
Suma de matrices
Definicin. Una matriz es un arreglo rectangular de elementos de R. Los elementos de
R que estn en la matriz A son llamados entradas de la matriz.
Ejemplos de matrices:
3
1
2 4
5 0
0
0
0
0
12
22
1
2
1, ,
1, , .
Teorema
(1) Operacin cerrada. Rm,n es cerrada bajo la adicin en el sentido de que dos
matrices de m x n est definida y es nuevamente una matriz de m x n.
(2) Asociatividad. (A + B) + C = A + (B + C)
(3) Existencia de una matriz nula. Existe una matriz de m x n cuyas entradas son
iguales a 0.
0 0
0 0
0
0
0
0
Multiplicacin escalar
Definicin. Sea A = [aij] una matriz de m x n co0n entradas en R, y sea un
elemento de R. Entonces B = A = A est definido por:
bij = aij = aij,
i = 1,,m, j =1,, n.
Teorema
(1) (A + B) = A + B
(2) (+) A = A + A
(3) () A = (A)
(4) 1 A = A.
Multiplicacin de matrices
Definicin. Sea B una matriz de m x n y A una matriz de
tiene tantas columnas como A renglones. Sea
11
11
1
B
A
1
1
1
As, el producto
11
BA
1
1
,i
1, , m,
1, , p,
lo anterior implica,
.
REPASO
Sistemas lineales de ecuaciones
donde
Caso 1
El caso donde el nmero M de ecuaciones sea igual al nmero N de incgnitas
(M = N), de tal manera que la matriz de coeficientes A sea cuadrada.
Solucin
Caso 2
El caso donde el nmero M de ecuaciones sea menor al nmero N de incgnitas
(M < N), de tal manera que tal vez se encuentre una solucin entre una cantidad
numerosa de soluciones.
Solucin
En este caso la solucin no es nica, sino que existen un nmero considerable de
soluciones. Es posible obtener una solucin asociada a la norma mnima. Para
explicar tal concepto considere el siguiente ejemplo.
donde
El ejemplo anterior tiene una infinidad de soluciones x = [x1 x2]T. Considere que la
solucin del sistema anterior puede escribirse de la siguiente manera:
donde x+ el espacio rengln de A (R (A)), el cual puede ser expresado como una
combinacin lineal de los M vectores renglones, de la siguiente manera:
y x- es el espacio nulo de A (N (A)), el cual es ortogonal (perpendicular) al espacio
rengln, de tal forma que:
Basado en lo anterior, si sustituimos
en
,tenemos:
1
2
3 5
6 5
Caso 3
El caso donde el nmero M de ecuaciones sea mayor al nmero N de incgnitas
(M > N), de tal manera que tal vez no exista una solucin exacta y se deba encontrar
una solucin basada en una minimizacin global (mnimos cuadrados, por ejemplo).
As, tratamos de encontrar una solucin con un error cuadrtico medio mnimo,
minimizando:
Ax
El vector solucin podr obtenerse siempre y cuando todas las columnas de la matriz
A sean independientes.
Eliminacin de Gauss
El proceso de eliminacin de Gauss consiste en dos pasos: eliminacin directa y
sustitucin hacia atrs. Cada uno de estos conceptos se describe a continuacin.
Eliminacin directa
Consiste en remover trminos comunes en el sistema de ecuaciones. Para
ejemplificar, considere el siguiente sistema de ecuaciones, donde M = N = 3.
(1)
(2)
(3)
Para eliminar x1 de las ecs. (2) y (3), sustraemos (1) x am1/a11 de cada una de ellas, y
obtenemos:
(1.1)
(2.1)
(3.1)
donde
para m,n = 1,2,3
para m,n = 2,3
A la operacin anterior se llama pivoteo en a11, y a11 se le denomina pivote.
Continuando con la eliminacin directa, para remover el trmino x2 de las ecs. (2.1) y
(3.1), sustraemos (2.1) x a(1)m2/a(1)22 (m = 3) de cada una de ellas, y obtenemos:
(1.2)
(2.2)
(3.2)
donde
para m,n = 3
Generalizando los resultados anteriores, tenemos:
para m,n = k+1, k+2, , M
para m = k+1, k+2, , M
,y
para m = M, M - 1, , 1
Independencia lineal
Dado un conjunto de vectores [v1 v2 vm], una combinacin lineal de estos vectores
es:
(4)
Teoremas
(1) El rango de una matriz A es igual al nmero mximo de vectores columna
linealmente independientes de A. En consecuencia, A y su transpuesta AT tienen
el mismo rango.
(2) El espacio rengln y el espacio columna de una matriz A tienen la misma
dimensin, igual al rango de A.
Nota. Las operaciones elementales sobre los renglones no alteran el rango de una
matriz A.
(3) Las matrices equivalentes respecto a los renglones tiene el mismo rango.
(Forma escalonada con el mtodo de Gauss para determinar el rango)
10
Ejemplo
Determine el rango de la siguiente matriz:
3
6
21
0
42
21
2
2
24 54
0
15
Ecuacin pivotal
Pivote
3
6
21
0
2
2
42 24 54
21 0
15
Elementos
a eliminar
Rengln 2 + 2 Rengln 1
Rengln 3 7 Rengln 1
3
0
0
0
42
21
Pivote
3
0
0
Elemento
a eliminar
2
2
28 58
14 29
Ecuacin pivotal
0
42
21
2
2
28 58
14 29
11
Rengln 3 Rengln 2
3
0
0
0
2 2
42 2858
0
0 0
12
Ejemplo de aplicacin
Teorema de Buckingham
Una ecuacin dimensionalmente homognea donde intervengan m variables y cuyo
rango de la matriz de exponentes sea r, podr expresarse como una combinacin de
m-r productos adimensionales; esto es, en cada uno de ellos las unidades
fundamentales se presentan d tal manera que se simplifican las del numerador con
las del denominador.
La velocidad del viento que impacta a un edificio regular se denota por V, la
dimensin del edificio cuadrado en planta es l. Debido al impacto del viento sobre el
edificio, se presenta el desprendimiento de la capa de fluido y se induce el fenmeno
conocido como desprendimiento de vrtices o torbellinos con una frecuencia f.
Considere tambin que la densidad del viento es denotada por . Determine una
relacin con las variables antes mencionadas que
describa el efecto de
desprendimiento de vrtices.
Paso 1)
Matriz de exponentes
1
1
0 00 1
1 10
3
1 0
1 0
0 0
1 1
1 0
Paso 2)
Formamos un sistema de ecuaciones
0
0
0
0 1
0 3
1 0
0
0 3
0
0 1
0 3
1 0
0
0
0
13
0
3
1 3
0 1
14
Sistemas lineales
Teorema fundamental de los sistemas lineales
(a) Un sistema lineal de m ecuaciones:
(1)
...
En n incgnitas tiene soluciones si y slo si la matriz de coeficientes
matriz aumentada es decir:
y las
...
0
0
0
(2)
15
y slo si rango
. En particular si
soluciones
, dnde
de
, se denotan por
y es una matriz de
tal que:
no tiene inversa,
De hecho, si tanto
como
por lo que
la unicidad se obtiene de
Existencia de la inversa
La inversa
de una matriz
de
consecuencia,
es no singular si rango
. En
.
16
tiene una inversa y es no singular si y slo si tiene rango mximo posible . Lo que
implica
siempre que
, se forman los
,
donde
, puede usarse la
sistemas:
, de
y las
aumentadas
Ahora
los
matrices
implica
para
y para resolver
para obtener
.
puede
, donde
es
Ejemplo
Encontrar la inversa
de:
A
1
3
1
1
1
3
1
1
4
., la matriz aumentada
17
AI
1
3
1
1 1
1
1 1
0
3 4
0
1 1 2
1
0 2 7 3
0 2 2
1
1 1
0 2
0 0
UH
1
0
0
1
0
0
1
1
0
0
1
0
2
1
7 3
5
4
1
2
1 0
1 3.5 1.5 0.5
0 1
0.8 0.2
0
0.6
0 1.3
1
0.8
0.4
0.2
0.2
0
0
1
0
1
0
0
0
1
R2+3R1, R3-R1
0 0
1 0
1 1
0
0
0.2
R3-R2
0.4
0.7 R1+2R3, R2-3.5R3
0.2
R 1+R2
Las tres ltimas columnas constituyen
18
Determinantes
Un determinante de orden n es una expresin asociada a una matriz A de n x n (i.e.,
matriz cuadrada).
Considere lo siguiente; un determinante de segundo orden se define como:
det
Siempre que D
19
Note que los signos en el segundo miembro de la ecuacin anterior son + - +, y que
cada uno de los trminos del segundo miembro es un elemento de la primera columna
de D multiplicada por su menor (i.e., el determinante de segundo orden obtenido al
eliminar de D el rengln y la columna de dicho elemento).
Determinantes de orden n
Un determinante de orden n est definido por:
.. .
.
..
y se define para n
2 por
20
Teoremas
(1) El valor de un determinante no se altera si sus renglones se escriben como
columnas, en el mismo orden.
(2) Si todos los elementos de un rengln (o una columna) de un determinante se
multiplican por un mismo factor k, el valor del nuevo determinante es k veces el
valor del determinante dado.
(3) Si todos los elementos de un rengln (o columna) de un determinante son cero, el
valor del determinante es cero.
(4) Si cada elementos de un rengln (o una columna) de un determinante se expresa
como binomio, el determinante puede escribirse como la suma de dos
determinantes.
(5) Si dos renglones (o columnas) cualesquiera de un determinante se intercambian,
el valor del determinante se multiplica por -1.
(6) Si los elementos correspondientes de dos renglones (o de dos columnas) de un
determinante son proporcionales, el valor del determinante es cero.
(7) El valor de un determinante se mantiene invariable si los elementos de un
rengln (o columna) se altera sumndole cualquier mltiplo constante de los
21
elementos
correspondientes
de
cualquier
otro
rengln
(o
columna,
respectivamente).
(8) Para cualesquiera matrices A y B de n x n,
det
det
det
det
Eigenvalores y Eigenvectores
Introduccin
Sea el siguiente par de ecuaciones diferenciales acopladas:
4
5 , v=8 en t =0
w=5 en t =0
en
donde
,
8
,
5
4
2
Sea la solucin:
22
23
se
5
2
5
2
0
0
5
5
0
0
1
1
Para
2
2
5
2
Si al resolver
24
Casos particulares
Eigenvalores mltiples
Considere la siguiente matriz:
2
2
1
2
1
2
3
6
0
45
25
2
4
2
3
6,
3
2
1
2
4
2
3
6
3
0
0
0
3
0
1
Los eigenvalores de una matriz real pueden ser reales o complejos, sin embargo, si la
matriz es simtrica, puede probarse que todos sus eigenvalores son reales.
26
Vigas
rgidas
Rigidez de
entrepiso
Figura 1
27
m 0
0 m
2k k
k k
u 1( t)
u 2( t)
u10
sint
u20
a1( t)
a2( t)
u10 2
sint
u20
P
0 m u 20
k k u20
0
or
2 k m 2
u 10
k
k
k m u 20
0
P
0
u 10
u 20
2 k m 2
0
k
P
2
k
k m 0
where
2 k m 2
k
2
k
k m
k m 2
k
2
2
2
2
2
2
k
2 k m
m 1 2
28
k m 2
k
0
2
2
2
2
2 P
2
k
2 k m 0
m 1 2
u10
u20
u10
u20
2
m 1 2 2 k m
P0
m2 2 12 2 22
P
0
( 2 k m 2)
m2 2 12 2 22
u1( t)
u2( t)
ii)
From the characteristic equation,
det K n M
det K n M
k 3 k m + m
If
k 3 k m + m
The roots are
2
3 5 k
2
m
3+ 5 k
2
m
sint
29
0.618
1.618
k
m
k
m
11
2 k m n2
k
0
2
k
k m n 21 0
2 k m n2 11 k 21
0
k + k m 2 0
11
n 21
For
1.618 k 11 k 21 0
k 11 + 0.618 k 21 0
If
21
1.618 k 11 k 21
1.618 k 11 k
11
0.618
0.618
30
2 k m 2
k
n
12
2
k
k m n
22
2 k m 2 k
n 12
22
k + k m 2
12
n 22
0.618 k 12 k 22
k 12 1.618 k 22
If
22
0
0
0.618 k 12 k 22
0.618 k 12 k
12
0
0
1.618
1.618
m 0 0.618
0 m 1
M1
( 0.618 1 )
M2
( 1.618 1 )
K1
( 0.618 1 )
K2
( 1.618 1 )
P1
( 0.618 1 )
P2
( 1.618 1 )
m 0 1.618
0 m 1
2k k 0.618
k k 1
2k k 1.618
k k 1
P0
0
P0
0
0
31
M1
1.328 m
M2
3.618 m
K1
0.528 k
K2
9.472 k
P1
P0
P2
P0
1.328
3.618
d2
dt
d2
dt
q 1 + 0.528 q 1
P0 sint
q 2 + 9.472 q 2
P0 sint
u( t)
P0
k
sint
thus,
q 1( t)
q 2( t)
P0
0.528 k
P0
9.427 k
2
1
1
1
2
1
2
sint
sint
32
u1( t)
u2( t)
1 q 2( t)
1
u1( t)
u2( t)
P0
1
0.528 k 2
1
1
0.618 1.618
1 P0
1
1
2
9.427 k
1
u1( t)
u2( t)
sint
P0
P0
.17
sint
1.17
2
2
k
1
k
1
2
2
1
2
P0
P0
1.89
+ .106
sint
2
2
k 1
k 1
2
2
1
2
or
2 1.17 2 2 + 0.17 2 2
1
1 2
2
2
2
2
2
P0
1 2
sint
k 2 2 2 1.849 2 2 106 2 2
1
2
2 1
2
2
2
2
1 2
u1( t)
u2( t)
b)
1 1.17 1 2 + 0.17 2
k
m
2 2 1 1.849 1 106 2
k 2 k m
2
33
u 1( t)
u 2( t)
P0
m2 2 12 2 22
P
0
( 2 k m 2)
m2 2 12 2 22
sint
c)
It can be shown that the amplitudes can be written as,
u 10
u 20
2
2
1 1 0.382
1 1
2
0.382
2
2
1 1 0.382
1 1
The following figure shows the normalized amplitude for each DOF.
u20/(P0/k)
u10/(P0/k)
/1
34
2
1
2
3
6
0
35
2
1
1
1
|
|
|
|
donde
2
1
1
1
0
0
36
2.6180
Si m = k = 1, tenemos:
0.3819
2.618
que son los valores estimados con MATLAB.
Los eigenvalores obtenidos de MATLAB (matriz V) se pueden normalizar para
obtener:
Columna 1 dividida por -0.8507, y columna 2 dividida por 0.5257
V_n =
0.618 -1.618
1.000 1.000
Del ejemplo de dinmica estructural, las formas modales son:
0.618
,
1.000
que son los valores estimados con MATLAB.
1.618
1.000
37
se llama:
Ejemplo 1:
Matrices simtrica, antisimtrica y ortogonal:
2
3
9
12
2
0 20 ,
3
20 4
1
3
1
5
0
5
9
2 ,
4 12
1
0
2
1
3
2
3
2
2
3
1
3
2
3
Concepto importante:
Cualquier matriz cuadrada realA puede escribirse como la suma de una matriz
simtrica R y una matriz antisimtricaS, donde
R
AT y S
AT
Ejemplo 2:
Si,
A
3
1
5
1
0
2
5
2
4
Entonces,
2
3
2
3
1
0
9
12
9
0
20
12
20
4
1
3
2
3
2
2
3
1
3
2
3
38
en
. Por
39
Diagonalizacin
Si una matriz A de n x n tiene una base de eigenvectores, entonces
D
AX
Ejemplo de diagonalizacin
Sea la matriz A
5 4
1 2
1
1
1
1
AX, tenemos:
AX
1
5
1
1
1 5
4 1
4 4
2 1
1
1
6
0
0
1
40
a xx
y T Dy
y ,
17x
30x x
17x
128
Sabemos que:
Q
x T Ax, donde
x T Ax
x
x
Por tanto,
17
15
15
17
2,
32.
15
41
2y
32y
128, o tambin
As,
x
Xy
y
y
2
2
Ejemplo de aplicacin
Determinacin de inestabilidad por aleteo de la seccin de un puente. (Eigenvalores
complejos). (Ejemplo tomado de la tesis de maestra de Ziran Hu, The University
of Western Ontario, 2009, supervisor Prof. Hanping Hong)
42
Las ecuaciones que definen el aleteo de una seccin de puente estn dadas por:
h( x, t ) = h( x) p (t ) traslacin vertical
.
..
M h + 2 h h h + h2 h = L
.
..
I + 2 h h + h2 = T
L=
.
.
B
1
V 2 B K H 1* h + K H 2* + K 2 H 3* + K 2 H 4* h
V
V
V
2
.
.
1
2
2
* h
* B
2 *
2 * h
T = V B K A1
+ K A2
+ K A3 + K A4
V
V
V
2
.
.
.
..
1
2
2
* h
* B
2
*
2
* h
+ K H2
+ K H3 + K H4
M h + 2 h h h + h h =
V B K H1
V
V
V
.
.
.
1
..
2
2
2
* h
* B
2 *
2 * h
I + 2 h h + h = V B K A1
+ K A2
+ K A3 + K A4
V
V
V
43
44
y la matriz superior
, se
45
Las frmulas anteriores se pueden generalizar para matrices cuadradas mayores a una
de 3 x 3 de la siguiente manera:
46
Paso 1
Paso 2
Ejemplo numrico:
Sea la matriz A, determine las matrices LU.
1 0 0
0 1 0
0 0 1
0
1
0 1
0 0
1 0
1,2,3
,
,
/
,
/
1
0
1 0 0
0 1 0
0 0 1
1 0 0 1 0 0
0 1 0 0 1 0
0 0 1 0 0 1
47
48
Ejemplo numrico:
Resuelva el siguiente sistema de ecuaciones lineales, cuya matriz ampliada es:
0 2
1 0
2 4
6
4
2
5
2 ,
0
0 0 1
0 1 0 ,
1 0 0
1
0.5
0
0 0
1 0 ,
1 1
2
0
0
0
2
5
2
1
0
Se verifica:
Finalmente, el vector solucin est dado por:
[11.33,-6.17,3.67]
4
0
2
0
2
5
4
2
0
0
2
3
49
U L
det L det U
50
LDLT
LD
LD
GT G
Teorema
Si A es una matriz simtrica definida positiva de orden n, existe una nica matriz
triangular superior, G, con todos sus elementos diagonales positivos, tal que
A = GTG.
0
0
de donde se obtiene:
a11 = g211
a12 = g11 g12
a13 = g11 g13
a22 = g212 + g222
a23 = g12 g13 + g22 g23
a33 = g213 + g223 + g233
0
0
51
Ejemplo numrico
Emplear el mtodo de Cholesky para factorizar la siguiente matriz.
1
2 0
2 0 0
0 4 1
0 13
5
1
2
0
Se requiere:
0
0
0
0
0
2.2361
1 5
2 5
0 5
0.4472
0.8944
0
52
0.4472
5 5
1
1.3416
0.2981
1.3416
0.2981
0.8944 0
3
4
1
1.3416
1.7638
0.2981 0 1.7638
0
0.5669
0.5669
1.6366
2.2361 0.4472
0.8944
0
0
1.3416 0.2981 0
0
0
1.7638 0.5669
0 0 01.6366
Simulacin de Montecarlo
Mnimos cuadrados de sistemas con forma Ax = b.
Diseo de filtros
53
Mtodo de Gauss-Jordan
Es una extensin de la eliminacin de Gauss y consiste en eliminar de la matriz de
coeficientes del sistema no slo los elementos no nulos que estn debajo de la diagonal
sino tambin los que estn encima.
Si partimos de la matriz triangular despus de aplicar la eliminacin de Gauss,
tenemos:
Despus restamos de los dos renglones de arriba (3er rengln x am3(m-1) (m=1,2)):
54
Lo que denota un sistema de ecuaciones lineales que tiene una matriz de coeficientes
igual a la matriz identidad.
Ix = b[] = [b1[3] b2[2] b3[1]]T
Finalmente la solucin est dada por el vector b[].
Frmulas que generalizan el mtodo de Gauss-Jordan estn dadas por:
Mtodo de Jacobi
Para mostrar el concepto del mtodo de Jacobi, considere la siguiente ecuacin lineal,
3x + 1 = 0
55
1;
1
2
1
2
Sin importar el valor de x0, la expresin anterior converge a la suma de una serie
geomtrica de la siguiente manera cuando k tiende a infinito:
1
2
3
Considerando que los coeficientes a11 a22 y a33 son distintos de cero, se puede despejar
de la primera ecuacin la incgnita x1, de la segunda x2 y x3 de la tercera, resultando las
siguientes expresiones:
1
56
1
1
Las expresiones anteriores sugieren emplear de forma iterativa las siguientes relaciones
de recurrencia:
1
1
1
; i = 1,,n.
El esquema iterativo del mtodo de Jacobi escrito en forma matricial est dado por:
Donde J
0
0
0
0
57
1
,
En MATLAB,
function [x,k]=Jacobi_2(a,b)
% Resolucin por Jacobi
n=size(a,1); x=zeros(n,1); y=zeros(n,1); sm=1; k=0;
while sm>=0.001
k=k+1;
for i=1:n
j=[1:i-1 i+1:n];
y(i)=(b(i)-a(i,j)*x(j))/a(i,i);
end
sm=max(abs(x-y))/max(abs(y));
x=y;
end
Ejemplo numrico
Resuelva en siguiente sistema con el mtodo de Jacobi.
10 1
2 10
partiendo de la solucin
1
2
00 .
11
12
58
donde
1
0
0
1
10 0
0 10
10 1
2 10
1
10
0
1
10
0
Finalmente, el esquema de iteracin queda:
1
1
2
10
10
10
10
Segunda iteracin,
1
2
1
2
10
12
10
00 , as tenemos:
1
2
11
0
0
11
11
10
12
10
12
10
10
1.11.2
1
10
10
11
1.1
1.2
10
1
2
10
12
1.0000
1.0001
0.98
0.98
59
1
2
11
12
00 .
Teorema
Si la matriz A es de diagonal dominante, el mtodo de Jacobi para resolver Ax = b
converge a su solucin.
Definicin
Una matriz A es de diagonal dominante cuando lo es por columnas o filas.
Mtodo de Gauss-Seidel
Partiendo de las ecuaciones de recurrencia
1
60
; i = 1,,n.
El esquema iterativo del mtodo de Gauss-Seidel escrito en forma matricial est dado
por:
G
Donde G
D E F se le denomina la matriz de Gauss-Seidel. La matriz D es
la matriz diagonal del mtodo de Jacobi y
0
0 0
0
0 0
0 0
0 0
0
0 0
0 0
0 0
1
,
1
,
En MATLAB,
function [x,k]=Gauss_Seidel_1_1(a,b)
% Resolucin por Gauss-Seidel
n=size(a,1); x=zeros(n,1); sm=1; k=0;
while sm>0.001
k=k+1; sm=0;
for i=1:n;
j=[1:i-1 i+1:n];
xi=(b(i)-a(i,j)*x(j))/a(i,i);
sm=max(abs(x(i)-xi),sm);
x(i)=xi;
end
sm=sm/max(abs(x));
end
61
Teoremas
62
TEMA ALTERNATIVO
Aplicacin de la estadstica a la ingeniera
Papel de probabilidad y mnimos cuadrados
Podemos comparar las observaciones de una distribucin ajustada en una grfica de
dicha distribucin. La desventaja de emplear dicha grfica para comparar es que las
diferencias entre las observaciones y la distribucin ajustada en la regin de la cola
raramente pueden ser representadas.
En la prctica, la comparacin de curvas de distribuciones de probabilidad acumulada
pueden ser simplificadas al graficar la funcin de la distribucin acumulada y los
datos observados en papel especial, el cual es llamado papel de probabilidad. El
papel de probabilidad provee una escala adecuada en los ejes horizontal o vertical de
tal forma que la distribucin acumulada del modelo probabilstico se grafica como
una lnea recta en un papel de probabilidad adecuado.
Para ejemplificar el procedimiento para determinar el papel de probabilidad,
considere la distribucin exponencial dada por:
1
la cual se puede reescribir como:
1
Tomando logaritmo natural de ambos lados de la ecuacin anterior, tenemos:
1
La cual la podemos reescribir como:
1
La ecuacin anterior resulta ser una relacin lineal en x. Esto es,
1
es
una funcin lineal de x. Podemos definir un papel para graficar con el eje vertical
63
representado por z,
1
y el eje horizontal representado a x. Al
papel anterior se le denomina papel de probabilidad exponencial.
Ejemplo. Considere las 50 observaciones obtenidas del tiempo de llegada de vehculos en una
autopista. El valor medio obtenido de los datos resulta en 7.85. As, la distribucin ajustada
mediante el mtodo de momentos es:
fX(x) = 0.127e-0.127x
64
z = -ln(1 - FX(x))
4.0
3.0
0.9502
2.0
0.8647
1.0
0.0
0
10
15
20
25
30
35
FX(x)
0.90
Exponencial
0.80
0.60
0.40
0.20
0.01
0.01
1.0
10
20
30
40
65
La siguiente figura muestra el papel de probabilidad normal junto con los datos de la
tabla anterior.
66
distribucin desconocidos , y
1 . En otras
palabras, debe ser seleccionado de tal forma que minimice a .
Cualquiera de las tcnicas para determinar el mnimo de una funcin es aceptable
para minimizar y encontrar el estimador de , . Por ejemplo, podemos tomar las
derivadas de con respecto a e igualarlas a cero, esto es:
67
Conocemos,
|
As tenemos:
1
o tambin,
1
1
0.123
68
El valor generado u de una variable aleatoria U puede ser usado para obtener un valor
de una distribucin diferente a la uniforme. Sea R una variable aleatoria que es una
funcin de U, donde R puede ser expresada como una funcin de U,
R = a + (b a) U,
ya que la funcin anterior es una funcin montona, la siguiente relacin se cumple,
FR(r) = FU(u) o r = FR-1(FU(u)),
y
1
; esto es
69
Ejemplos de simulacin
Considere una viga simplemente apoyada. La longitud de la viga es de 20 m; el modulo de
elasticidad E es 200GPa; y es sometida a una carga distribuida igual a 500 kN/m. El
momento de inercia I se asume uniformemente distribuido con valor de media y cov iguales
a 200 x 109 mm4 and 0.10. La deflexin a la mitad del claro es
5l4
= 384EI
70
71
Densidad Espectral
2
k
1
2
3
4
5
16
30
18
10
4
0.35
0.45
0.55
0.65
0.75
0.1
0.1
0.1
0.1
0.1
2
1.8
2.4
1.9
1.4
0.9
72
Cosenoides y x(t)
73