Ingeniería en Sistemas Computacionales

Materia:
Programación
Unidad I

xxxxxxxx

Participación en Foro

Alumno: Dirk Hans Krakaur Floranes

A0119461845

Docente:
Luciano Sustaita Roque

22 de Enero, 2021

A partir de los contenidos de la unidad responde:

 Programación
Unidad I
Participación en foro

Aspecto 1: Explica el concepto de los puntos máximos en un espacio dimensional

Los puntos máximos son parte de los puntos críticos que forman parte del estudio de una
función. Para n dimensiones, los puntos críticos son aquellos que representan los puntos
donde la primera derivada se hace igual a cero.
Su representación gráfica son poligonales que interceptan a los ejes en cero y se identifican
por líneas que están resaltadas. Para conocer cuáles son los puntos máximos se estudia
cada función analizando su ocurrencia en los puntos críticos. Para poder evaluarlo se aplica
el método hessiano.
En este sentido si en el punto crítico cuando la función alcance un máximo relativo, el
hessiano se establece como un número negativo y se grafica con (–) en el eje que
corresponde.

Fig. 1.-Representación de Máximos y mínimos en una función.

Fuente (Antonio y Chávez, 2000)
Una condición es que un punto sea crítico en una función con más de una dimensión, es que
el gradiente de la función ∇ f(X0) = 0. De esta manera cuando la matriz Hessiana H que se
obtiene con respecto en el punto del sistema de ecuaciones sea negativa, es un punto crítico
de máximo. Un máximo es débil cuando existe en la función un número finito de máximos
variados y es un máximo débil, en el caso de f(X0 + h) ≤ f(X0). (Antonio y Chávez, 2000)

Aspecto 2: Describe el cálculo del par más cercano

www.udavinci.edu.mx
 Programación
Unidad I
Participación en foro

Se trata de algoritmos de distribución no paramétrica, tratan de ubicar enfoques no

paramétricos que se caracterizan por no contar con hipótesis de la distribución condicional
definido del espacio. Para poder determinar el valor entre los dos puntos vecinos más
cercanos, se deben aplicar fórmulas de distancia.
El cálculo más simple para establecer el más cercano es el algoritmo exhaustivo o de fuerza
bruta, este establece cada una de las distancias de un elemento con respecto a los
elementos de la muestra y luego fija al conjunto de elementos que sean más cercanos, en la
que la distancia sea la menor. Desde el punto de vista práctico no es aconsejable debido a
que en los últimos tiempos se han desarrollado algoritmos mucho más eficientes que no
recorren de forma exhaustiva toda la muestra. El cálculo del par más cercano se aplica para
los buscadores de internet, base de datos, bibliotecas digitales, etc.
El método de desición es adecuado debido a la noción de acercamiento entre los elementos.
Se emplea la métrica de Minkowski como indice de similitud entre los individuos:

d ( i, j ) =([ x i 1−x 1i ] + [ x i 2−x 2 i ] +…+ [ x ip −x jp ] )

q q q 1/ p

Para 2 dimensiones se puede aplicar la distancia euclídea clásica:

√ 2 2
d ( i , j ) = [ x i 1−x 1 i ] + [ x i 2−x 2 i ] + …+ [ xip −x jp ]
2

Esta ecuación se puede generalizar de la siguiente manera:

d 2 ( i, j )=(i− j)' A (i− j )
A representa una matriz que es positiva y se denomina la distancia de Mahalanobis con la
esta matriz igual a la inversa de la matriz de la covarianza.
Para el caso unidimensional esta métrica se conoce como la distancia Manhattan:

d ( i , j ) =[ xi 1−x 1 i ] + [ xi 2−x 2 i ] +…+ [ x ip −x jp ]

Aspecto 3: ¿Cuáles son los beneficios de la técnica divide y vencerás?

www.udavinci.edu.mx
 Programación
Unidad I
Participación en foro

Este Algoritmo basado en la recursividad, se aplica en el ordenamiento por combinación y

también en el ordenamiento rápido. Este resulta un paradigma que una de sus bondades es
separar un problema en subproblemas que son similares al problema original, de forma
recursiva va resolviendo cada uno de los subproblemas y, al final, combina todas las
soluciones de cada subproblema para poder resolver el problema principal. Esta técnica
como resuelve subproblemas de forma recursiva, entonces cada subproblema tiene que ser
más simple que el problema principal, y debe existir un caso que sea la base para los
subproblemas. La metodología que se aplica es la siguiente:
En primer lugar divide cada problema en una cantidad de subproblemas que son más simple
que el problema original.
En segundo lugar vence cada uno de los subproblemas debido a que los va resolviendo de
forma recursiva. Si son los adecuadamente pequeños, resuelve cada uno de los
subproblemas como casos base.
En tercer lugar combina cada una de las soluciones de los subproblemas dentro de la
solución para el problema de origen.
Esta técnica es adecuada para solucionar problemas complejos, de igual manera
proporciona una manera natural de plantear algoritmos eficientes. Tiene una adaptación
natural en la ejecución de entornos multiprocesador, principalmente en sistemas donde la
memoria es compartida, especialmente cuando la comunicación de datos entre los
ordenadores no requiere ser ideada por adelantado, por lo que, cada uno de los
subproblemas diversos, se pueden establecer en procesadores distintos.
Los algoritmos de la técnica Divide y vencerás, son propicios a usar de forma uso eficiente
cada memoria cachés. El motivo es que cuando un subproblema es lo suficientemente
simple, él y cada uno de los subproblemas se logran, al principio, solventar dentro de esa
misma caché, sin necesidad de tener acceso a la memoria principal, que es mucho más
lenta. Este algoritmo en el redondeo de la aritmética da resulta más exacto que una técnica
iterativa.

www.udavinci.edu.mx
 Programación
Unidad I
Participación en foro

Referencias:

Antonio, M., & Chávez, C. (2000). MÁXIMOS Y MINIMOS.

https://recursos.salonesvirtuales.com/assets/bloques/Cruz_Chavez.pdf

Caldarelli, M., Castro, L., Paolini, G., & Castro, S. (n.d.). Visualización de puntos críticos de
funciones n-dimensionales mediante coordenadas paralelas. Retrieved January 20,
2021, from
http://sedici.unlp.edu.ar/bitstream/handle/10915/23347/Documento_completo.pdf?
sequence=1&isAllowed=y

‌ apítulo 5 PROGRAMACIÓN DINÁMICA 5.1 INTRODUCCIÓN. (n.d.).

C
http://www.lcc.uma.es/~av/Libro/CAP5.pdf

‌Ucan, R. H. (2020, June 15). Método de los K vecinos más cercanos. Medium.

https://medium.com/soldai/m%C3%A9todo-de-los-k-vecinos-m%C3%A1s-cercanos-
f8231c28f7c7

El algoritmo K-NN y su importancia en el modelado de datos | Blog. (s. f.). Merkle.

Recuperado 20 de enero de 2021, de https://www.merkleinc.com/es/es/blog/algoritmo-
knn-modelado-datos

Tema 7. Estrategias Algorítmicas: Divide y Vencerás. Estructura de datos y algoritmos (EDA).

(n.d.). Recuperado 20 de enero de 2021, de http://ocw.uc3m.es/ingenieria-
informatica/estructura-datos-algoritmos/material-de-clase-1/
copy_of_Unit7divide_venceras.pdf

Universidad Carlos III de Madrid. (s. f.). Algoritmos de divide y vencerás (artículo). Khan
Academy. Recuperado 20 de enero de 2021, de
https://es.khanacademy.org/computing/computer-science/algorithms/merge-sort/a/
divide-and-conquer-algorithms

www.udavinci.edu.mx
 Programación
Unidad I
Participación en foro

Ventajas. (2016, 27 marzo). Divide y Vencerás. http://www.divideyvenceras.com/algoritmo/ventajas/

2. Enrutamiento Estático - CCNA 2 RED II. (s. f.). Google sites. Recuperado 5 de diciembre
de 2020, de https://sites.google.com/site/ccna2redii/2-enrutamiento-estWalton, A.
(2020b, junio 24). ▷ Enrutamiento Estático y Dinámico ». CCNA desde Cero.
https://ccnadesdecero.es/enrutamiento-estatico-y-dinamico/

Olifer, N., Olifer, V., Miguel, E. A., Pedraza, C. R. C., & Assem, J. V. (2009). Redes de
computadoras [Libro electrónico]. McGraw-Hill Education. México
https://books.google.nl/books?id=CuszQwAACAAJ

Vega, P. M. (s. f.). Enrutamiento-estatico. Scribd. Recuperado 5 de diciembre de 2020, de

https://es.scribd.com/document/234826565/Enrutamiento-estatico

Se dispone de una tubería de 8 cm de diámetro, por la que entran 5000 g/seg de

agua a presión de 100 bar y 100 ºC

www.udavinci.edu.mx