1.

ANTECEDENTES

Desde tiempos pasados, uno de los factores determinantes para el éxito de las
operaciones militares ha sido la información. Su calidad, oportunidad y precisión
han hecho la diferencia entre éxito y fracaso en muchos conflictos. Sun-Tzu y
Clausewitz, entre otros pensadores estratégicos, reflejaron la relevancia de la
información para la obtención de ventajas decisivas en la batalla.

La información ha sido el signo de nuestro tiempo, impulsado por los continuos

avances tecnológicos, que han cambiado la forma en que los militares
desarrollan las operaciones. Por otra parte, la aparición de nuevos escenarios
de combate que requieren sostener misiones particulares hace necesario
disponer de nuevas capacidades operativas, las que pretenden hacer frente a
las nuevas acciones de guerra asimétrica, además de las acciones de guerra
tradicional.

De esta forma, para hacer frente a los nuevos escenarios de la guerra, y con la
revolución de la información en la denominada “Era de la Información” y los
cambios que esto ha producido en las últimas décadas, han aparecido conceptos
como la existencia de dominios que conviven en un conflicto armado, llamados
los Dominios Físicos, Cognitivos Social y, de manera destacada, el Dominio de
la Información, que se manifiesta facilitando el intercambio de información de las
fuerzas propias, a través de la cual el Mando y Control de estas fuerzas militares
es ejercido y la Intención del Comandante se lleva a cabo.

La base sobre la que se sustentan los nuevos conceptos reside en el valor del
Dominio de la Información y la superioridad que puede obtenerse al disponer de
información precisa y relevante en el momento oportuno.

Como medio para lograr dicha superioridad se plantea el concepto de las

Operaciones Basadas en el Empleo de Redes enlazando a las fuerzas con un
panorama común, haciendo uso de las nuevas tecnologías de información y
comunicaciones, para conectar en una red común a los sistemas y fuerzas
propias que participan en las operaciones, de forma que cada usuario conozca,
aproveche y difunda la información que resulte de interés de la misma manera,
explotando las ventajas de los Dominios de la Información y Cognitivo, la
movilidad y la precisión, se logrará conseguir objetivos cuyos resultados tendrán
efectos estratégicos y que se conoce como las Operaciones Basadas en Efectos.

Las consideraciones operativas ilustran la manera en que el Dominio de la

Información está relacionado con los conceptos de Operaciones en Redes y
Efectos; de esta manera contribuirán a la obtención de ventajas en un conflicto
armado, al facilitar el ejercicio del mando en el combate.

Sin embargo, independiente de lo sofisticada que puede ser la tecnología

aplicada a los conceptos planteados, se debe tener la precaución de no
concentrarse en la ciencia del control, omitiendo el Arte de Mandar e ignorando
el importante papel del comandante o Líder.

2. OBJETIVO

 Generar programa computacional que nos detectar errores durante un

cambio de dominio tanto de discreto a continuo como de continuo a
discreto.

3. MARCO TEÓRICO

3.1. TIPOS DE DOMINIO DE INFORMACIÓN

3.1.1. DOMINIO DISCRETO

Es Una función discreta es una función matemática cuyo dominio de

definición es un conjunto numerable (o discreto). Son parte de este tipo de
dominio las funciones:

 Distribución de Bernoulli

La distribución de Bernoulli, nombrada así por

el matemático y científico suizo Jakob Bernoulli, es una distribución de
probabilidad discreta, que toma valor 1 para la probabilidad de éxito ( ) y valor
0 para la probabilidad de fracaso ( ).

Si X es una variable aleatoria que mide "número de éxitos", y se realiza un único

experimento con dos posibles resultados (éxito o fracaso), se dice que la variable
aleatoria X se distribuye como una Bernoulli de parámetro P.
Su fórmula es:

La distribución Binomial es una distribución de probabilidad discreta que mide el

número de éxitos en una secuencia de n ensayos de Bernoulli independientes
entre sí, con una Probabilidad fija p de ocurrencia del éxito entre los ensayos.

Un experimento de Bernoulli se caracteriza por ser dicotómico, esto es, sólo son
posibles dos resultados. A uno de estos se denomina éxito y tiene una
probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad Q = 1 - p.
En la distribución Binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado número
de éxitos. Para N = 1, la Binomial se convierte, de hecho, en una distribución de
Bernoulli.

N= Numero de eventos.
X= Numero de éxitos.
P= Probabilidad de éxito.
Q= probabilidad de fracaso.
F(X)= Probabilidad de tener X éxitos en un numero N de ensayos.

 Distribución uniforme discreta

Es una distribución muy sencilla que asigna probabilidades iguales a un conjunto

finito de puntos del espacio. Modeliza fenómenos en los que tenemos un
conjunto de n sucesos posibles, cada uno de los cuales con la misma
probabilidad de ocurrir. Si aleatorizamos de forma que cada uno de éstos
sucesos se corresponda con un número natural del 1 a n se obtendra una
distribución uniforme. Teniendo un único parámetro; n. Por lo tanto:

Su función de cuantía definida para los valores de x = {1, 2, n} vendrá dada por
la constante:
P(x) = l /n para x = {1, 2, n}

Su función de distribución vendrá dada por

Puede comprobarse que su media será

Su varianza será:

Por último, su Función Generatriz de Momentos, quedará expresada como:

 Distribución de Rademacher

En teoría de la probabilidad y estadística, la distribución Rademacher (que

lleva el nombre de Hans Rademacher) es una distribución discreta de
probabilidad que una variable aleatoria X tiene una probabilidad del 50% de ser
+1 o -1.

Una serie de Rademacher distribuye las variables pueden considerarse como un

simple camino aleatorio simétrico, donde el tamaño del paso es 1.

La función de masa de probabilidad de esta distribución es

Puede también ser escrito como una función de densidad de probabilidad, en
términos de la función delta de Dirac, como:

 Distribución binomial

En estadística, la distribución binomial es una distribución de

probabilidad discreta que cuenta el número de éxitos en una secuencia
de n ensayos de Bernoulli independientes entre sí, con una probabilidad fija p de
ocurrencia del éxito entre los ensayos.

Un experimento de Bernoulli se caracteriza por ser dicotómico, esto es, sólo son
posibles dos resultados. A uno de estos se denomina éxito y tiene una
probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p.

En la distribución binomial el anterior experimento se repite n veces, de forma

independiente, y se trata de calcular la probabilidad de un determinado número
de éxitos. Para n = 1, la binomial se convierte, de hecho, en una distribución de
Bernoulli.

Para representar que una variable aleatoria X sigue una distribución binomial de
parámetros n y p, se escribe:

La distribución binomial es la base del test binomial de significación estadística.

3.1. Ley de Benford

La ley de Benford, también conocida como la ley del primer dígito, asegura
que, en gran variedad de conjuntos de datos numéricos que existen en la vida
real, la primera cifra es 1 con mucha más frecuencia que el resto de los números.
Además, según crece este primer dígito, más improbable es que se encuentre
en la primera posición. La ley también asegura cierta frecuencia para los
siguientes dígitos.

Esta ley se puede aplicar a muchos hechos relacionados con el mundo natural o
con elementos sociales: facturas, artículos en revistas, números de puerta,
precios, número de habitantes, tasas de mortalidad, longitud de los ríos.

En una distribución de Benford la probabilidad de que el primer dígito de X

sea d es:

3.2. Dominios continuos

 Distribución ji cuadrado

En estadística, la distribución de Pearson, llamada también ji cuadrada(o) o chi

cuadrado(a) (χ²), es una distribución de probabilidad continua con un
parámetro k que representa los grados de libertad de la variable aleatoria

Donde z son variables aleatorias normales independientes de media cero

y varianza uno. El que la variable aleatoria x tenga esta distribución se
representa habitualmente así:

 Distribución normal

En estadística y probabilidad se llama distribución normal, distribución de

Gauss o distribución gaussiana, a una de las distribuciones de
probabilidad de variable continua que con más frecuencia aparece aproximada
en fenómenos reales.

La gráfica de su función de densidad tiene una forma acampanada y es simétrica

respecto de un determinado parámetro estadístico. Esta curva se conoce
como campana de Gauss y es el gráfico de una función gaussiana.
La importancia de esta distribución radica en que permite modelar numerosos
fenómenos naturales, sociales y psicológicos. Mientras que los mecanismos que
subyacen a gran parte de este tipo de fenómenos son desconocidos, por la
enorme cantidad de variables incontrolables que en ellos intervienen, el uso del
modelo normal puede justificarse asumiendo que cada observación se obtiene
como la suma de unas pocas causas independientes.

La distribución normal también es importante por su relación con la estimación

por mínimos cuadrados, uno de los métodos de estimación más simples y
antiguos.

Algunos ejemplos de variables asociadas a fenómenos naturales que siguen el

modelo de la normal son:

 Caracteres morfológicos de individuos como la estatura

 Caracteres fisiológicos como el efecto de un fármaco
 Caracteres sociológicos como el consumo de cierto producto por un
mismo grupo de individuos
 Distribución t de Student

En probabilidad y estadística, la distribución t (de Student) es una distribución de

probabilidad que surge del problema de estimar la media de
una población normalmente distribuida cuando el tamaño de la muestra es
pequeño.

Aparece de manera natural al realizar la prueba t de Student para la

determinación de las diferencias entre dos medias muestrales y para la
construcción del intervalo de confianza para la diferencia entre las medias de dos
poblaciones cuando se desconoce la desviación típica de una población y ésta
debe ser estimada a partir de los datos de una muestra.

La distribución t de Student es la distribución de probabilidad del cociente

Donde:
Z es una variable aleatoria distribuida según una normal típica (de media nula
y varianza 1).

V es una variable aleatoria que sigue una distribución χ² con grados de libertad.

Z y V son independientes

Si μ es una constante no nula, el cociente es una variable aleatoria que

sigue la distribución t de Student no central con parámetro de no-centralidad .

 Distribución exponencial

La distribución exponencial es el equivalente continuo de la distribución

geométrica discreta. Esta ley de distribución describe procesos en los que:

No interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que,
el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra
en un instante tf, no depende del tiempo transcurrido anteriormente en el que no
ha pasado nada.

Ejemplos de este tipo de distribuciones son:

El tiempo que tarda una partícula radiactiva en desintegrarse. El conocimiento

de la ley que sigue este evento se utiliza en Ciencia para, por ejemplo, la datación
de fósiles o cualquier materia orgánica mediante la técnica del carbono

El tiempo que puede transcurrir en un servicio de urgencias, para la llegada de

un paciente.

En un proceso de Poisson donde se repite sucesivamente un experimento a

intervalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia de dos
sucesos consecutivos sigue un modelo probabilístico exponencial. Por ejemplo,
el tiempo que transcurre entre que sufrimos dos veces una herida importante.

Concretando, si una v.a. continua X distribuida a lo largo de , es tal que su

función de densidad es

Se dice que sigue una distribución exponencial de parámetro ,

  Distribución gamma

Este modelo es una generalización del modelo Exponencial ya que, en

ocasiones, se utiliza para modelar variables que describen el tiempo hasta que
se produce p veces un determinado suceso.

Su función de densidad es de la forma:

Como vemos, este modelo depende de dos parámetros positivos: α y p. La

función Γ(p) es la denominada función Gamma de Euler que representa la
siguiente integral:

que verifica Γ(p + 1) = pΓ(p), con lo que, si p es un número entero positivo, Γ(p +
1) = p!

Su nombre proviene de la asociación con la función Beta:

3.2 LIMITES DEL DOMINIO DE INFORMACIÓN

Con los conceptos de dominio y recorrido de una función hemos sido capaces
de respondernos a la pregunta:
¿Qué valor adopta la función f(x) cuando x vale x0?
El concepto de límite de una función en un punto nos dará respuesta a la
pregunta:
¿A qué valor se acerca la función f(x) cuando x se acerca al valor x0?
La notación del cálculo de un límite es:
Para que exista la posibilidad de calcular el límite debemos tener presente varias
cosas:
1. El valor x0 no tiene porqué pertenecer al dominio de f(x), pero los valores
alrededor de él sí. Es decir, los valores de xmediante los que definimos el
acercamiento a x0.
2. Debido a que trabajamos con el conjunto de números reales, el acercamiento
a un valor x0 puede hacerse de 2 formas:
3. Mediante valores mayores a x0 ( x > x0 ). Lo denominamos acercamiento por
la derecha ( ), o límite lateralpor la derecha.
4. Mediante valores menores a x0 ( x < x0 ). Lo denominamos acercamiento por
la izquierda ( ), o límite lateralpor la izquierda.
5. Pues bien, ambos cálculos, por la derecha y por la izquierda, deben existir y
ser iguales para poder afirmar que el límitede la función existe en x0.
6. El límite de una función en un punto, si existe, es único. A esta
proposición se le conoce con el nombre de teorema de existencia y
unicidad.
4. MARCO PRACTICO

INICIO

Definir la
ubicación
de los
datos

Formular el
problema

SI

Interacción para
resolver el
problema

SI
Resultados Impresión de los
tabulares o resultados
gráficos

¿Procesar otros
datos?

NO

¿Modificar la
formulación?

NO

FIN

5. IMPLEMENTACION

while OP~=3;
fprintf('\nDOMINIOS DE INFORMACIÓN\n\n');
disp('1 Continuo a Discreto');
disp('2 Discreto a Continuo');
disp('3 Salir');
fprintf('Elija una opción:');
OP=input('','s');
switch OP
case [49];
OP1=1
while OP1~=2;
fprintf('\nContinuo a Discreto\n\n');
 disp('1 Introducir Max y Min');
disp('2 Salir');
fprintf('\nElija una opción:');
OP1=input('','s');
switch OP1
case [49]

N= input('Introducir el número de muestras: ');

if N>=1

MAX=input('Ingresar el Valor Máximo: ');

if MAX>=1
MIN=input('Ingresar el Valor Mínimo: ');
if MIN>=1

if MIN<MAX
disp('LA FUNCIÓN ES:')
Im= (MAX-MIN)/(N-1);
syms x;
x=MIN:Im:MAX;
f=(x.^2+3*x);
plot(x,f,'*')

else
disp('Inválido')
end
else
disp('NO SE PUEDE PROCESAR')
end
else
disp('NO SE PUEDE PROCESAR')
end

end
case [50];
clear OP1
clear x
clear f
clear max
clear min
clear Int
break
otherwise
fprintf('OPCIÓN INVÁLIDA\n\n');
fprintf('Elegir otra opción\n\n');
end
end
case [50]
OP2=1
while OP2~=3;
fprintf('\nDiscreto a Continuo\n\n');
disp('1 Lineal');
disp('2 Polinomial');
disp('3 Salir');
fprintf('\nElija una opción:');
OP2=input('','s');
switch OP2
case[49]
n=input('Número de puntos: ');
w=0;
while w==0
if n<=0

fprintf('NÚMERO DE PUNTOS INVÁLIDO\n\n');

n=input('Número de puntos: ');
else
w=1;

end

end
for i=1:n
x(1,i)=input('Valores de x: ');
end

for i=1:n
y(1,i)=input('Valores de y: ');
end
x
y

plot(x,y)
grid on
xlabel('x');ylabel('y')
pause
a=0;
for i=1:n
a=a+x(1,i)*y(1,i);
end
b=0;
for i=1:n
b=b+x(1,i)*x(1,i);
end
c=0;
for i=1:n
c=c+x(1,i);
end
e=0;
for i=1:n
e=e+y(1,i);
end
d=0;
d=c/n;
f=0;
f=e/n;
a1=(n*a-c*e)/(n*b-c*c);
a0=f-a1*d;
clc;
fprintf('Ecuación para encontrar los nuevos valores de y \n\n');
fprintf('y = %d + %d x',a0,a1);
for i=1:n
y(1,i)=a0+a1*x(1,i);
end
fprintf('\n\nPresionar enter para ver la Grafica Nueva\n\n');
pause
%Grafica de los Datos
plot(x,y)
grid on
xlabel('x');ylabel('y')
pause
 case[50]
n=input('Número de puntos que se tienen: ');
if n<=0
w=0;
while w==0
fprintf('NÚMERO DE PUNTOS INVÁLIDO\n\n');
n=input('Número de puntos que se tienen: ');
if n>0
w=1;
end

end

end
for i=1:n
xi(1,i)=input('Introducir valores de xi:');
end
for i=1:n
xi(1,i)=input('Introducir valores de f(xi):');
end
%imprimiendo los Valores x, xi
x
xi
a=input('Grado del polinomio: ');
if a>0;
if a<n;
p=polyfit(x,xi,a)
%gráficos
hold on
plot(x,xi,'ro','markersize',4,'markerfacecolor','r')
z=@(x) polyval(p,x);
fplot(z,[x(1),x(end)])
xlabel('x')
ylabel('y')
grid on
title('Polinomio aproximador')
hold off
else
fprintf('Grado mayor al número del polinomio');
end
else
fprintf('GRADO INVÁLIDO');
end

case[51]
clear OP2
clear x
clear xi
clear m
clear a
clear p
clear z
break
otherwise
fprintf('OPCIÓN INVÁLIDA\n\n');
fprintf('Elejir otra opción\n\n');

end

end
 case[50]
clear OP
break
OP1=3;
fprintf('Eligió salir\n\n');
fprintf('See you later my friend!\n\n');
end
end

6. PRUEBA
7. CONCLUSIONES Y RECOMENDACIONES

Se generó el programa computacional que nos detectar errores durante un

cambio de dominio tanto de discreto a continuo como de continuo a discreto.

La aplicación de Matlab nos permite realizar operaciones pero así mismo nos
coloca restricciones en cuanto al lenguaje manejado para su programación.

BIBLIOGRAFIA

 http://www.um.es/fem/PersonalWiki/pmwiki.php/EsModelling/IntroClasss
 https://revistamarina.cl/revistas/2009/3/brander.pdf