MINERIA DE LA WEB. aprendizaje mecánico y clasificación MINERIA DE LA WEB. aprendizaje mecánico y clasificación MINERIA DE LA WEB
|
|
- Ángela Cárdenas Montero
- hace 5 años
- Vistas:
Transcripción
1 meáno supersao Aprenzae eáno Supersao y Clasfaón Téna para generar funones a partr e eemplos e entrenamento Depeneno el output arables ontnuas (regresón etquetas e lases ( pasos para meáno supersao e ígtos manusrtos etermnar el tpo e eemplos tpo e atos a utlzar omplar un onunto e eemplos araterzaón el uso real e la funón seleonar araterístas (features que esrban al obeto urse of mensonalty ruo etermnar la estrutura e la funón rees neuronales árboles e esón auste e parámetros reonomento e expresones faales spam fuente
2 e oumentos Asgnar un oumento a una o más ategorías basánose en su onteno Clasfaores rees neuronales support etor mane programaón genéta lasfaores bayesanos e oneptos bayesano Dao Un onunto e nstanas X Un onepto a aprener : X {0,} Eemplos e entrenamento D x,(x x m,(x m Conunto e posbles pótess H Tarea generar pótess o estmar,.e., enontrar tal que (x(x x X Caa eemplo obserao puee aumentar o smnur la probabla estmaa sobre la orrettu e la pótess Conomento preo. Caa anato a pótess. Dstrbuón probablísta e aa pótess sobre los atos obseraos Las preones son probablístas Las preones e múltples pótess pueen ser ombnaas bayesano: panorama general teorema e Bayes: eemplo Cuál es la pótess más probable ao el onunto e entrenamento? Teorema e Bayes y meáno e oneptos Algortmos onsstentes e meáno Cuál es la más probable e una nuea nstana ao el onunto e entrenamento? Clasfaor e Bayes óptmo Algortmo e Gbbs Aprenzae Bayesano Naïe Eemplo: apreneno a lasfar texto Rees e reena bayesanas Se arroa un ao para etermnar e one saar una galleta A B S se obtene un o un, la galleta se toma e la aa A, e lo ontraro se toma e la aa B
3 teorema e Bayes teorema e bayes: eempl one D P ( D D probabla a posteror e probabla a pror e D probabla e obserar D ao que ale D probabla e obserar D S obtenemos una galleta e oolate, uál es la probabla e que proenga e la aa A? A B Busamos Caa A Coolate Sabemos Caa A /3 Coolate Caa A 3/5 Coolate 4/9 3/ 5*/ 3 Caa A Coolate / 4 4 / 5 teorema e Bayes: otro eemplo Probabla áxma a Posteror ( argmax D argmax D búsquea e por fuerza bruta espefaón e probablaes. Para aa pótess en H, alular la probabla a posteror D P ( D H. Deoler la pótess on mayor probabla a posteror argmax D 0 s sno ( x D 3
4 espefaón e probablaes Probabla áxma a Posteror ( H s ( x D D 0 sno VS P ( D H,D H s ( x D VSH, D 0 s no L argmax D argmax D argmax D argmax D eoluón e probablaes a posteror algortmo onsstente e meáno toa pótess onsstente on D es una pótess Un algortmo e meáno es onsstente s euele una pótess que no omente error alguno sobre los eemplos e entrenamento Too algortmo e onsstente euele una pótess s se umple: strbuón unforme sobre H atos e entrenamento etermnstas y lbres e ruo lasfaor e Bayes óptmo lasfaor e Bayes óptmo: eemplo Suposón: la más probable e una nuea nstana se obtene ombnano la preón e toas las pótess, austaas por su probabla a posteror argmax V óne V es un onunto e lasfaones posbles Conseremos tres pótess:, y 3. P ( 3 Una nuea nstana x es lasfaa posta meante y negata meante y
5 lasfaor e Bayes óptmo: eemplo (nt algortmo e Gbbs De auero al lasfaor e Bayes óptmo argmax one V por lo tanto argmax { +, }. Elegr una pótess e manera aleatora e auero a la strbuón a posteror sobre H. Usar para preer la e la próxma nstana e x lasfaor bayesano naïe lasfaor bayesano naïe Clasfar una nuea nstana esrpta meante la tupla e atrbutos on los sguentes alores a a K, a n argmax a, a Kan V a, a Kan argmax V a, a Ka argmax a, a Ka V n n S los alores e los atrbutos son ononalmente nepenentes, entones argmax a NB V Propeaes Las probablaes pueen ser fálmente estmaas Iénta a la s ale la suposón e nepenena ononal No ebe realzarse una búsquea explíta sobre el espao e posbles pótess estmaón e probablaes apreneno a lasfar texto eemplos one ale onteneno a n a eemplos one ale n Problema Cuano un atrbuto aparee muy poas ees, es posble tener n 0. Soluón: usar una m-estmaón n + n +mp m p estmaón a pror e la probabla a ser alulaa m tamaño e muestra equalente X toos los posbles oumentos e texto eemplos e entrenamento proenentes e una funón obeto f f toma alores el subonunto V e X y los mapea a posto o negato (eemplo: oumentos nteresantes/no nteresantes Obeto: aprener a partr e estos eemplo para preer nueos asos 5
6 apreneno a lasfar texto apreneno a lasfar texto Cuestones e seño: representaón e un oumento e texto omo alores e atrbuto a, a Ka n obtenón e probablaes P ( a para aplar el lasfaor bayesano NB argmax V a Representaón el texto e un oumento arbtraro en térmno e sus alores e atrbuto atrbutos: posones en el texto alores: palabras. a representaón a el a 3 texto... apreneno a lasfar texto e texto Clasfaón bayesana e texto NB argmax V a argmax a "aaa" L a V Problemas: suposón e nepenena posón e la palabra en el texto n "zzz" Extraer Voabularo a partr e toos los oumentos Calular y w k Para aa en V os oumentos on lase os Eemplos Text oumento nual on os n núm. total posones e palabras en Text por aa w k en Voabularo n k número e aparones e w k entext nk + wk n+ Voabularo e texto Nearest Negbor lassfers posones toas las posones e palabras en el oumento atual que se enuentran en Voabularo Intuón: oumentos smlares eberían asgnarse a la msma lase. t Deoler NB, one V argmax a NB posones moelo e espao etoral smlara por oseno α t3 t σ (, os( α 6
7 Nearest Negbor lassfers lasfaor basao en ángulo Entrenamento representar aa oumento omo un etor reorar su lase Clasfaor Reuperar oumentos on un ángulo espefo la lase on mayor número e oumentos gana Reuperar los k oumentos más smlares al oumento nueo la lase on mayor número e oumentos gana Alternata: pesar los oumentos para er? α A : Clase (, α α { lase σ (, os( α } k k lasfaor basao en k enos más próxmos lasfaor basao en pesos 6 4? 3 8? A : Clase (, k k { lase entre los k enos más próxmos a } l l A WV : Clase ( p k lase σ (, k lase seleón e araterístas releantes seleón e araterístas releantes Reorano TFIDF freq f max freq f log N n w f f freq es la freuena el térmno k en el oumento f es la freuena normalzaa el térmno k en el oumento (el máxmo se obtene sobre los térmnos el oumento, N es el total e oumentos e una oleón, n son los oumentos en los que aparee el térmno k. f es la freuena e oumento nersa Problemas on TF-IDF realzao para el orpus ompleto no se onseran orrelaones y freuenas a traés e lases los térmnos que apareen on mayor freuena relata en ertas lases eberían tener mayor mportana poa freuena a traés el orpus ompleto no es tan mportante. 7
8 seleón e araterístas releantes seleón e araterístas: algortmo Greey seleón perfeta rga a la meta elegr toos los posbles subonuntos e araterístas por aa subonunto entrenar y ealuar al lasfaor quearse on el meor subonunto omputaonalmente ntratable!. Por aa térmno omputar una mea e srmnaón entre lases.. Orenar térmnos en oren ereente basaos en tal mea. 3. Conserar los meores térmnos (araterístas para ser usaos por el lasfaor. meas e srmnaón alaón Depene e moelo e oumentos eloa para entrenamento fala e atualzaón Eemplos Test χ Informaón mutua Íne e srmnaón e Fser (er Cakrabart 5.5 Heurísta e búsquea smple: agregar araterístas (una a la ez asta que ya no se obseren meoras Ealuaón e lasfaores ealuaón Reuters 0700 oumentos etquetaos 0% on etquetas múltples OHSUED abstrats sobre restas e mena 0NG 8800 mensaes e USENET etquetaos 0 lases a nel e oa, 5 a nel e raíz WebKB 8300 en 7 ategorías. Inustry 0000 págnas e 05 setores nustrales Posbles asos Caa oumento está asoao on exatamente una lase. Caa oumento está asoao on un subonunto e lases. atrz e onfusón ( Apta para más e os lases [; ] : número e oumentos e prueba perteneentes a la lase que fueron asgnaos a la lase Clasfaor perfeto: [;] > 0 sss 8
9 ealuaón ealuaón basaas en la matrz e ontngena Por aa oumento, rear un onunto e lases postas ( C y negatas ( C (eemplo eportes y no eportes Presón y obertura matrz e ontngena para aa par (, [0,0] { C y lasfaor euele}, [0,] { C y lasfaor no euele}, [,0] { C y lasfaor euele}, [,] { C y lasfaor no euele}, mro promeaa maro promeaa,, presón y obertura (mro promeao [0,0] ( preson [0,0] + [,0] presón y obertura (maro promeao [0,0] ( preson [0,0] + [,0] C, [0,0] ( reall [0,0] + [0,] [0,0] ( reall [0,0] + [0,] ealuaón el lasfaor Trae-off presón obertura Grafar presón s. reall: uanto meor el lasfaor, más alta la ura mea armóna : esartar lasfaores que sarfquen una mea para faoreer otra obertura presón F obertura + presón 9
Aprendizaje Mecánico Supervisado y Clasificación
Aprendzae Mecánco Supersado y Clasfcacón mecánco supersado Técnca para generar funcones a partr de eemplos de entrenamento Dependendo del output arables contnuas (regresón etquetas de clases ( pasos para
Más detallesTema 2.2 TEORÍA DE LA ESTIMACIÓN
ema. EORÍA DE LA ESIMACIÓ Febrero-Mayo 006 IDICE.. IRODUCCIÓ.. ESIMACIÓ DE MÁXIMA VEROSIMILIUD (ML)..3 ESIMACIÓ BAYESIAA..4 PROBLEMAS DE LA DIMESIOALIDAD - AÁLISIS DE COMPOEES PRICIPALES (PCA) - AÁLISIS
Más detalles5 - Equilibrio Químico
www.seletva-granaa.om - Equlbro Químo 1.- Veloa e Reaón: Se efne veloa e reaón a la anta e uno e los reatvos que esaaree or una e temo, o la anta e uno e los routos que se forman or una e temo. En Lugar
Más detallesSUGERENCIAS DE ACTIVIDADES
MATEMÁTICA Programa e Estuo 2 meo U4 SUGERENCIAS DE ACTIVIDADES Objetvos e Aprenzaje OA 10 Determnano los posbles valores e la ncógnta. Calculano su probabla. Actvaes 1. En un recpente hay tres boltas:
Más detallesProbabilidad condicional
robabldades y Estadísta Computaón Faultad de Cenas Exatas y Naturales Unversdad de uenos res na M. ano y Elena J. Martínez 00 robabldad ondonal Consderemos una urna que ontene bolllas roas y 5 blanas.
Más detallesTransformación de Park o D-Q
Apénce B ransformacón e Park o D-Q B.. Expresón e la matrz e transformacón La transformacón e Park o D-Q conerte las componentes 'abc' el sstema trfásco a otro sstema e referenca 'q'. El objeto e la transformacón
Más detalles17 MOMENTOS DE INERCIA Y TEOREMA DE STEINER
17 MOMENOS DE INERCIA Y EOREMA DE SEINER OBJEIVOS Determnacón e la constante recuperaora e un muelle espral. Comprobacón el teorema e Stener. Determnacón expermental el momento e nerca e ferentes cuerpos
Más detallesUN POCO DE HISTORIA Prof. Teuvo Kohonen UN POCO DE HISTORIA
Self-Organzng Maps 1. Defnón.. Un poo de hstora. CONTENIDO 3. Desrpón del algortmo. L. Pablo Sergo Garía 4. Ejemplos en ejeuón. 5. Problemas 6. Aplaones. DEFINICIÓN El SOM es un algortmo para vsualzar
Más detallesMáquinas de Vectores Soporte (SVM)
Máqunas e Vectores Soporte SVM Estructura: re estátca asaa en kernels que realza clasfcacón lneal sore vectores transformaos a un espaco e mensón superor es ecr separa meante un perplano en el espaco transformao
Más detallesTeorema de Clausen von Staudt. Congruencias de Kummer. Primos irregulares
Teorema de Clausen von Staudt. Congruenas de Kummer. Prmos rregulares Alexey Beshenov (adadr@gmal.om 7 de Marzo de 2017 Denomnadores de B (el teorema de Clausen von Staudt Teorema. Para todo 2 par se tene
Más detallesFigura 77. Tabla de los costes de transporte de la operativa actual según las dos metodologías.
6. CONCLUSIONES: VALORACIONES DE LOS COSTES DE TRANSPORTE: Reogemos aquí de nuevo los resultados de la valoraón de los ostes de transporte de la operatva atual obtendos a través de las dos metodologías
Más detallesGIG - ETSII - UPM A(5:1) E.T.S.I.I.M. - DIBUJO INDUSTRIAL II /DIBUJO INDUSTRIAL 3:4. Válvula de bola. febrero SIS. REP. Escala: FIRMA SERIE Nº:
E.T.S.I.I.M. - DIBUJO INDUSTRIAL II /DIBUJO INDUSTRIAL A febrero 006 3 A(5:) SIS. REP. Escala: FIRMA SERIE Nº: 3:4 Válvula e bola Realzao: Nombre: DNI Apellos: GIG - ETSII - UPM Examen e febrero -- 006
Más detallesMedición de la creatividad bajo la visión del ingeniero
Medón de la reatvdad bajo la vsón del ngenero l modelo de Redelnghuys (1997ª, 1997b), es otra propuesta que busa medr la reatvdad en el proeso y se desarrolla espeífamente alrededor del tema de la reatvdad
Más detallesLaboratorio 9. Equilibrio de distribución de un soluto en solventes inmiscibles
Laboratoro 9. Equlbro de dstrbuón de un soluto en solventes nmsbles Objetvo Determnar el oefente de dstrbuón de ádo aéto en el sstema agua/loroformo y agua/éter. Además, se determnará la efena de extraón
Más detallesVaporización y condensación parcial de equilibrio
Vaporaón y ondensaón paral de equlbro El separador flash en equlbro es el más senllo de los proesos de etapas de equlbro on el que se puede enontrar un dseñador. Aún uando ntervene solamente una etapa,
Más detallesCapítulo 6: Variables Aleatorias Multivariadas
Unversa Técnca Feerco Santa María Departamento e Inormátca ILI-8 Capítulo 6: Varables Aleatoras Multvaraas staístca Computaconal I Semestre 6 Pro. Carlos Valle Págna : www.n.utsm.cl/~cvalle e-mal : cvalle@n.utsm.cl
Más detallesLaboratorio 9. Equilibrio de distribución de un soluto en solventes inmiscibles
Laboratoro 9. Equlbro de dstrbuón de un soluto en solventes nmsbles Objetvo Determnar el oefente de dstrbuón de ádo aéto en el sstema agua/loroformo y agua/éter. Además, se determnará la efena de extraón
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
Más detallesV. Materiales y Métodos. Castro (2002). Las propiedades de la corriente de alimentación se presentan en la tabla 2.
V. Materales y Métodos 5.1 Caso de Estudo Para probar el algortmo a desarrollar se utlzará el aso de estudo utlzado por Jménez y Castro (2002). Las propedades de la orrente de almentaón se presentan en
Más detallesMÉTODO DEL CENTRO DE GRAVEDAD
DEFINICIÓN MÉTODO DEL CENTRO DE GRVEDD Es un moelo matemátco que se utlza para la localzacón e plantas e fabrcacón o almacenes e strbucón respecto a unos puntos ya establecos e la empresa, ese one se proucen
Más detallesSupongamos que hemos aplicado el test F y hemos rechazado la H0.
Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos
Más detallesExtracción de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311
Extraccón de Atrbutos Dr. Jesús Arel Carrasco Ochoa arel@naoep.mx Ofcna 8311 Contendo Introduccón PCA LDA Escalamento multdmensonal Programacón genétca Autoencoders Extraccón de atrbutos Objetvo Preprocesamento
Más detallesLA FUNCIÓN FUERZA ESPECÍFICA EN CANALES
Resta EIA, ISSN 79-7 Número p. -7. Febrero 00 Esuela e Inenería e Antoqua, Meellín (Colomba) LA FUNCIÓN FUERZA ESPECÍFICA EN CANALES FRANCISCO JAIME MEJÍA * RESUMEN Se presenta la funón fuerza espeífa
Más detallesLA FUNCIÓN FUERZA ESPECÍFICA EN CANALES
LA FUNCIÓN FUERZA ESPECÍFICA EN CANALES Franso Jame Mejía Garés Inenero Cl, Unersa Naonal e Colomba, see Meellín. Profesor e Hráula, Esuela e Inenería e Antoqua Grupo e Inestaón GABS Gestón el Ambente
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesHéctor Allende 1. w Ω, resultado elemental. Ω : Espacio Muestral: Todos los posibles
Coeptos ásos Capítulo Curso ILI-80 I Semestre 00 Profesor: Hétor llede Expermeto aleatoro : ξ Espao Muestral : Ω Eveto o Sueso : ; ;. Evetos elemetales, seguros e mposbles Probabldad : grado de ertdumbre
Más detallesMANUAL DE PRÁCTICAS DE LABORATORIO DE HIDRÁULICA
MANUAL DE PRÁTIAS DE LABORATORIO DE HIDRÁULIA 0 5. LUJO A TRAVÉS DE OMPUERTAS 5. OBJETIVOS El alane e esta práta e laboratoro se puee resumr en los sguentes objetos: Analzar el esurrmento e los líquos
Más detallesGrupo de Ingeniería Gráfica Escuela Técnica Superior de Ingenieros Industriales Universidad Politécnica de Madrid 12 DE JUNIO DE 2002
Grupo e Ingenería Gráfca Escuela Técnca Superor e Ingeneros Inustrales Unversa Poltécnca e Mar EXAMEN DE DIBUJO INDUSTRIAL II Y TÉCNICAS DE REPRESENTACIÓN NOTAS : DE JUNIO DE 00 º Caa ejercco ebe ser entregao
Más detallesIMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1
IMPEMEACIÓ PRÁCICA DE U BACO DE FIROS UIFORME En este tpo de bancos, la forma de la respuesta espectral de cada uno de los fltros es la msma, y su frecuenca central se raparte de manera unforme en el espectro:
Más detallesUniversidad Nacional del Litoral Facultad de Ingeniería Química. Magister en Matemática
nversdad Naonal del toral Faultad de Ingenería Químa Tess presentada omo parte de los requstos para la obtenón del grado aadémo de: Magster en Matemáta Título de la tess Convergena optmzaón global en Programaón
Más detallesPredicción de la estructura secundaria de proteínas usando máquinas de soporte vectorial
ARTÍCULO CORTO redón de la estrutura seundara de proteínas usando máqunas de soporte vetoral roten seondary struture predton usng support vetor mahnes D. J. Delgado *, **, H. Arguello *, R. Torres ** Abstrat
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesz Gráfica de f . Llamamos partición P al conjunto de puntos tales que:
Prof nre Cmpllo nálss Mtemáto II Integrles oles Consermos un funón f : R R, efn ot en el rento retngulr [, ] [, ] enomnmos [, ] [, ] Gráfmente poemos onserr l sguente stuón: uo z Gráf e f Reoremos qué
Más detallesMinería de Datos (MD) estadística
Mnería de datos Tema 3: Métodos Báscos: Algortmos Mnería de Datos (MD) estadístca Por qué una aproxmacón estadístca en la MD? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesJesús García Herrero CLASIFICADORES BAYESIANOS
Jesús García Herrero CLASIFICADORES BAYESIANOS En esta clase se presentan los algortmos Análss de Datos para abordar tareas de aprendzaje de modelos predctvos. Se partcularzan las técncas estadístcas vstas
Más detallesDepartamento de Señales, Sistemas y Radicomunicaciones Comunicaciones Digitales, junio 2011
Departamento de Señales, Sstemas y Radcomuncacones Comuncacones Dgtales, juno 011 Responder los problemas en hojas ndependentes. No se permte el uso de calculadora. Problema 1 6 p.) En este ejercco se
Más detallesProblemas Adicionales. Capítulo 3: Diodos (II)
Problemas dconales. Capítulo : Dodos (II). Problemas esueltos de Componentes y Crcutos Electróncos. E. Fgueres, M. Pascual, J.. Martínez e I. Mró. SPUPV- 000.475 Problema _er Problemas dconales. Capítulo
Más detallesRecuperación de la Información
ssema de recuperacón de nformacón Recuperacón de la Informacón consula documenos mach Documenos Concepos Báscos relevane? ssema de recuperacón de nformacón palabras clave ndexado Las palabras clave (keywords)
Más detallesCÁLCULO DE APROXIMACIÓN A CRÍTICO. Orso J. A. (1) Facultad de Ciencias Exactas, Ingeniería y Agrimensura (UNR) CNEA
ÁLULO DE APROXIMAIÓN A RÍTIO Orso J. A. ( Faultad de enas Exatas, Ingenería y Agrmensura (UNR NEA RESUMEN La posón de la barra de ontrol para la ondón del estado ríto de un reator nulear depende de muhos
Más detallesSoftmax Fernando Berzal,
Softma Fernando Berzal, berzal@acm.org Softma El uso del error cuadrátco como medda de error tene algunos nconvenentes: S la salda deseada es la salda actual es 0.00000 el gradente es práctcamente 0, por
Más detallesAprendizaje Bayesiano. Oscar Javier Prieto Izquierdo Raúl Casillas Díaz
Aprendzaje Bayesano Oscar Javer Preto Izquerdo Raúl Casllas Díaz Contendos Introduccón. Teorema de Bayes. MAP Maxmum a posteror. Aprendzaje MAP. Clasfcador bayesano óptmo. Aprendzaje bayesano nave. Ejemplo.
Más detallesTEMA 6: INTERDEPENDENCIA COMPETENCIA
TEMA 6: INTERDEPENDENCIA ESTRATEGICA Y MODELOS DE COMPETENCIA. Competena en antdades: Modelos de Cournot. La ompetena perfeta omo límte de ompetena en antdades entre gran número de empresas. Competena
Más detallesTaller 4 Ecuaciones Diofánticas Lineales Profesor Manuel O Ryan
Taller 4 Ecuaciones Diofánticas Lineales Profesor Manuel O Ryan En general una Ecuación Diofántica es una ecuación polinomial en una o más variables para la que buscamos soluciones en los números enteros,
Más detallesProducto F1 F2 F3 F4 F5 F6 A B C Capacidad
PROBLEMA: PRODUCCIÓN DE TRES PRODUCTOS (PRODUCTION OF THREE PRODUCTS) Una ompañía fabra una gama de tres produtos, A, B y C, en ses dferentes fatorías. Los ostes untaros de fabraón de ada produto y las
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesEl Impacto de las Remesas en el PIB y el Consumo en México, 2015
El Impacto de las Remesas en el y el Consumo en Méxco, 2015 Ilana Zárate Gutérrez y Javer González Rosas Cudad de Méxco Juno 23 de 2016 1 O B J E T I V O Durante muchos años la mgracón ha sdo vsta como
Más detallesCapítulo 3. Principios Generales de la Mecánica PRINCIPIOS GENERALES DE LA MECÁNICA
Capítulo 3. Prncpos Generales e la Mecánca CPÍTULO 3 PRINCIPIOS GENERLES DE L MECÁNIC Introuccón La mecánca e los meos contnuos tene como base una sere e prncpos o postulaos e carácter general que se suponen
Más detallesRECETA ELECTRÓNICA: IMPACTO SOBRE EL GASTO FARMACEÚTICO
RECETA ELECTRÓNICA: IMPACTO SOBRE EL GASTO FARMACEÚTICO Introduccón Dseño del estudo Especfcacón del modelo Resultados Introduccón Dseño del estudo Especfcacón del modelo Resultados Introduccón: Esquema
Más detallesEl problema de los matrimonios estables con información incompleta.
Rev. Cub. Físa vol.3 o. (006) p.80-85 ISS: 053-968. Orgnal paper Revsta Cubana de Físa Calle I o. 30 e/ 5 y 7 Vedado, La Habana. www.fsa.uh.u/bblotea/revubf/ndex.htm El problema de los matrmonos estables
Más detallessistemas de conductores
Energía y presón electrostátca en sstemas e conuctores Antono González Fernánez Dpto. e Físca Aplcaa III Unversa e evlla nopss e la presentacón Las fórmulas para la energía electrostátca pueen aplcarse
Más detallesCONCEPTOS BÁSICOS DE CONFIABILIDAD
CAPÍTULO II CONCEPTOS BÁSICOS DE CONFIABILIDAD El iseño e sistemas, comprene los aspectos más amplios e la organización e equipo complejo, turnos e operación, turnos e mantenimiento y e las habiliaes necesarias
Más detalles1) Resolver las siguientes ecuaciones:
Rsolvr las sunts uaons: a j k l,, Rsolvr las sunts nuaons: a RECONOCIMIENTO DE ECUACIONES LINEALES Una uaón s lnal s n lla no a proutos varals, las varals sólo uran lvaas a la prmra potna, no a varals
Más detallesMICROECONOMÍA I Licenciatura en Economía Febrero 2006
MICROECONOMÍA I Lieniatura en Eonomía Febrero 006 Las respuestas maraas on asteriso son las orretas Examen Tipo A.5.5 = Seguna pregunta, que se orrespone on la pregunta 5.5 que aparee en la Guía Diátia.
Más detallesEquilibrio de Fases y Nucleación: Métodos Clásicos. que presenta: Bernardo Carreón Calderón. para obtener el grado de
qulbro e Fases y uleaón: Métoos Clásos que presenta: Bernaro Carreón Calerón para obtener el grao e Dotor en Cenas (Ingenería Químa) UIRSIDAD AUTOOMA MTROOLITAA UIDAD IZTAALAA TSIS QUILIBRIO D FASS Y UCLACIÓ:
Más detallesTEMA 1. MÉTODOS APROXIMADOS PARA EL CÁLCULO DE OPERACIONES DE SEPARACIÓN DE MEZCLAS MULTICOMPONENTES
Unversdad de Alante. Dpto. Ingenería Químa Amplaón de Operaones de Separaón.. Métodos apromados TEMA. MÉTODOS APROXIMADOS PARA EL CÁLCULO DE OPERACIONES DE SEPARACIÓN DE MEZCLAS MULTICOMPONENTES. INTRODUCCIÓN
Más detallesAprendizaje neuronal aplicado a la fusión de colecciones multilingües en CLIR
Aprendzaje neuronal aplado a la fusón de oleones multlngües en CLIR Mª Teresa Martín Valdva Unversdad de Jaén Av. Madrd 37, 23071 mate@ujaen.es L. Alfonso Ureña López Unversdad de Jaén Av. Madrd 37, 23071
Más detallesUNIVERSIDAD POLITÉCNICA. TEMA: Modelo Cinemático. E.U.I.T. Industrial FECHA: Titulación: Grado en Ingeniería Electrónica y Automática
7//5 IGNTUR: Robótca UNIVERIDD POLITÉNI DE MDRID TEM: Moelo nemátco E.U.I.T. Inustral Ttulacón: Grao en Ingenería Electrónca y utomátca Área: Ingenería e stemas y utomátca Departamento e Electrónca utomátca
Más detallesEcuación vectorial de la recta en el plano y su ecuación cartesiana
iceo Técnico Aolfo Matthei ierano la Eucación Técnico Profesional Docente: Cristian Casas. GUIA MATEMATICA Departamento e Matemática Curso: 4 Meio Fecha : Puntos : NOMBRE: Nota : Ecuación vectorial e la
Más detallesRedes abiertas. Pág. 345 (Sotelo)
Redes abertas. Pág. 45 (Sotelo) ecos que una red de tuberías es aberta cuando los tubos que la coponen se racan, sn ntersectarse después para orar crcutos. Los extreos nales de las racacones pueden ternar
Más detallesRESOLUCIÓN DE ACTIVIDADES
RESOLUCIÓN DE ACTIVIDADES Activiaes iniciales 1. Calcula las matrices inversas e las siguientes matrices: 1 1 2-3 1 2 1 1 1 1 0 1 2 2 5 1 1 1 1 0 0 1 1 1 1 1 Las matrices buscaas son: 1/4 1/4 1/4 1/4 1
Más detallesPráctico 4: Funciones inversas
Práctico 4: Funciones inversas 1. Averiguar acerca e la inyectivia e las siguientes funciones en sus ominios naturales: 1.- y = ax + bx + c con a 6= 0.- y = x + ax + b con a>0.- y = x + ax + b con a
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesTEMA 8 CIRCUITOS SIMPLES EN REGIMEN ESTACIONARIO SENOIDAL
TEMA 8 UTOS SMPLES EN EGMEN ESTAONAO SENODAL TEMA 8:UTOS SMPLES EN EGMEN ESTAONAO SENODAL 8. ntroduccón 8. espuesta senodal de los elemetos báscos: espuesta del crcuto espuesta del crcuto L espuesta del
Más detallesUNIVERSIDAD FRANCISCO DE PAULA SANTANDER FACULTAD DE CIENCIAS BÁSICAS DEPARTAMENTO DE CIENCIAS BASICAS.
UNIVERSIDAD FRANCISCO DE AULA SANTANDER FACULTAD DE CIENCIAS BÁSICAS DEARTAMENTO DE CIENCIAS BASICAS. DERIVADAS ARCIALES DE ORDEN SUERIOR. S es una uncón de dos varables al dervar la uncón parcalmente
Más detallesPLANTEAMIENTO DE PROBLEMAS DE EQUILIBRIO
FACUTAD DE QUÍMICA Maestría En Ingenería Químa TERMODINÁMICA QUÍMICA Semestre 00- PANTEAMIENTO DE PROBEMAS DE EQUIIBRIO Un problema de equlbro de fases es aquel en donde dos o más fases están en ontato
Más detallesCapítulo 2.2: Redes Neuronales Artificiales
Capítulo 2.2: Redes euronales Artfcales captulo22 4-3-05 Págna de 3 . eurona natural Hemos vsto que una neurona en el hombre funcona por mpulsos eléctrcos que se generan cuando se cumplen unas determnadas
Más detallesANEXO B SISTEMAS NUMÉRICOS
ANEXO B SISTEMAS NUMÉRICOS Sstema Decmal El sstema ecmal emplea ez ferentes ígtos (,,,, 4, 5, 6, 7, 8 y 9). Por esto se ce que la base el sstema ecmal es ez. Para representar números mayores a 9, se combnan
Más detallesUNIVERSIDAD FRANCISCO DE PAULA SANTANDER FACULTAD DE CIENCIAS BÁSICAS DEPARTAMENTO DE CIENCIAS BASICAS. DERIVADAS PARCIALES DE ORDEN SUPERIOR.
UNIVERSIDAD FRANCISCO DE AULA SANTANDER FACULTAD DE CIENCIAS BÁSICAS DEARTAMENTO DE CIENCIAS BASICAS. DANIEL SAENZ CONTRERAS EMAIL SAENZCODANIEL8@HOTMAIL.COM DERIVADAS ARCIALES DE ORDEN SUERIOR. S es una
Más detallesApuntes de Química Cuántica I: Operadores
Apuntes e Químca Cuántca I: Operaores Álgebra e Operaores Un operaor es una regla e transormacón que se aplca sobre una uncón; es ecr, es una nstruccón para eectuar una operacón matemátca sobre una uncón
Más detallesCLAVE - Laboratorio 1: Introducción
CLAVE - Laboratoro 1: Introduccón ( x )( x ) x ( xy) x y a b a b a a a ( x ) / ( x ) x ( x ) x a b a b a b ab n! n( n 1)( n 2) 1 0! 1 x x x 1 0 1 (1) Smplfque y evalúe las sguentes expresones: a. 10 2
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesTallerine: Energías Renovables
Tallerne: Energías Renoables Fundamento Teórco Parte II: Curas de crcutos Autores: Carlos Brozzo Agustín Castellano Versón 0.1 Tallerne2017 Energías Renoables 2 Índce 1. Curas de crcutos 3 1.1. Fuente
Más detallesCAPÍTULO I ESTÁTICA DE PARTÍCULAS
Resstenca e Materales. Capítulo I. Estátca e partículas. CAPÍTULO I ESTÁTICA DE PARTÍCULAS. Prncpos funamentales Los prncpos funamentales e la estátca e partículas se basan en los tres prncpos e Newton.
Más detallese i para construir el modelo econométrico que se escribe a continuación:
5.3 Especfcacón del modelo empírco Para este análss se formló n modelo econométrco de seccón crzada, porqe las observacones corresponden a las característcas de las personas encestadas en n msmo período
Más detallesSoluciones Hoja 2: Relatividad (II)
Soluones Hoja 2: Relatdad II Dos naes espaales déntas y, on longtud en reposo l km, aanzan paralelas la una a la otro on elodades /2 y /4, respetamente, on respeto a un sstema de referena neral S Inalmente,
Más detalles6 Minimización del riesgo empírico
6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón
Más detallesTEORÍA. PREGUNTA 1 (1 p). La ecuación del movimiento de un péndulo simple está dada por θ = A cos
FÍIC PLICD. EXMEN FINL ORDINRIO JUNIO 16 TEORÍ PREGUNT 1 (1 p). La ecuacón el movmento e un pénulo smple está aa por θ = cos, seno = 5º. (a) Qué ángulo formará este pénulo con la vertcal cuano el tempo
Más detallesCapítulo 4 Simulación de Algoritmos de Ruteo
Capítulo 4: Simulación e Algoritmos e Ruteo 41 Capítulo 4 Simulación e Algoritmos e Ruteo En este capítulo se muestran ejemplos e topologías simulaas con el Simulaor e Algoritmos Dijkstra y Bellman-For.
Más detallesPágina 1. Tema IV. Síntesis de agrupaciones lineales Síntesis de Dolf y de Taylor. Síntesis de agrupaciones Lineales
Tema IV Síntess e agrupacones lneales Síntess e Dolf y e Taylor Síntess e agrupacones Lneales Síntess por funcones. Dagramas rectvos Síntess e Dolph-Chebychev Síntess e Taylor Síntess e Bayls Síntess por
Más detallesAnálisis de la relación precio marginal y demanda de electricidad mediante conglomerados
X ongreso de Ingenería de Organzaón Valena, 7 y 8 de septembre de 2006 Análss de la relaón preo margnal y demanda de eletrdad medante onglomerados Andrés Ramos 1, Gonzalo ortés 1, Jesús Mª Latorre 1, Santago
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesf(x,y) = e x+y cos(xy)
Universia e los Anes Departamento e Matemáticas MATE1207 Cálculo Vectorial Tarea 1 Iniviual Entregue en clase a su profesor e la MAGISTRAL la semana 6 (Lu. 3 Sep. Vi. 7 Sep.) 1. Consiere la función f efinia
Más detallesIntensidad de la actividad de negociación. El caso del futuro del IBEX 35
Fac. CC. Económcas y Empresarales Unversa e La Laguna Fac. CC. Económcas y Empresarales Unv. e Las Palmas e Gran Canara Intensa e la actva e negocacón. El caso el futuro el IBEX 35 Jorge V. Pérez Roríguez
Más detallesAnálisis en Componentes Principales
Análss en Componentes Prncpales ACP ACP: resumen Stuacón: se tene una tabla de datos cuanttatvos Obetvo: obtener una representacón en pocas dmensones de los obetos, perdendo el mínmo de nformacón obtener
Más detallesTema 7: Regresión Logística p. 1/1
Tema 7: Regresón Logístca Pedro Larrañaga, Iñak Inza, Abdelmalk Moujahd Departamento de Cencas de la Computacón e Intelgenca Artfcal Unversdad del País Vasco http://www.sc.ehu.es/sg/ Tema 7: Regresón Logístca
Más detallesCLASE II Estática de las construcciones II
ntroucción a las construcciones CLASE Estática e las construcciones lustración sobre la variación e los esfuerzos e estructuras simples. Galileo Galilei, en Discorsi e Dimostrazioni Matematiche, intorno
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Redes de Neuronas: Preparacón de datos para el aprendzaje y meddas de evaluacón 1. Preparacón de datos Característcas de los datos
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la
Más detallesCOMPARADOR CON AMPLIFICADOR OPERACIONAL
COMAADO CON AMLIFICADO OEACIONAL COMAADO INESO, COMAADO NO INESO Tenen como msón comparar una tensón arable con otra, normalmente constante, denomnada tensón de referenca, dándonos a la salda una tensón
Más detallesTERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA
Ing. Federco G. Salazar Termodnámca del Equlbro TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Contendo 1. Conversón y Coordenada de Reaccón. 2. Ecuacones Independentes y Regla
Más detallesPreparación para los Tutoriales Herramientas Astronómicas
Preparación para los Tutoriales Herramientas Astronómicas Proyecto Ventana Interactiva al Universo Departamento e Ingeniería Eléctrica, Universia e Chile c Primavera 2005 Resumen En el presente tutorial
Más detallesIntensidad de la actividad de negociación. El caso del futuro del IBEX 35
Fac. CC. Económcas y Empresarales Unversa e La Laguna Fac. CC. Económcas y Empresarales Unv. e Las Palmas e Gran Canara Intensa e la actva e negocacón. El caso el futuro el IBEX 35 Jorge V. Pérez Roríguez
Más detallesSeminario de problemas. Curso Hoja 18
Seminario de problemas. Curso 016-17. Hoja 18 111. Demuestra que una ondiión neesaria y sufiiente para que un triángulo sea isóseles es que tenga dos medianas iguales. Soluión: Vamos a utilizar un resultado
Más detallesRespuesta A.C. del FET 1/14
espuesta A.C. del FET 1/14 1. Introduccón Una ez que se ubca al transstor dentro de la zona saturada o de corrente de salda constante, se puede utlzar como amplfcador de señales. En base a un FET canal
Más detallesDr. Pedro Huertas Gallardo. Laboratorio de Acústica Aplicada a la Ingeniería Civil. JORNADA DE INVESTIGACIÓN I+D+I en EDIFICACIÓN.
JORNADA DE INVESTIGACIÓN I+D+I en EDIFICACIÓN. CUENCA 27 DISEÑO DE ABSORBEDORES ACÚSTICOS ACTIVOS MEDIANTE CAVIDADES REALIZADAS EN MADERA DE PINO DE CUENCA PARA REDUCIR EL RUIDO DE RODADURA EN TRAVESIAS
Más detalles