INSTITUTO POLITECNICO NACIONAL

Tamaño: px
Comenzar la demostración a partir de la página:

Download "INSTITUTO POLITECNICO NACIONAL"

Transcripción

1 INSTITUTO POLITECNICO NACIONAL CENTRO DE INVESTIGACIÓN EN COMPUTACIÓN MEMORIAS ASOCIATIVAS BIDIRECCIONALES ALFA-BETA T E S I S QUE PARA OBTENER EL GRADO DE DOCTOR EN CIENCIAS DE LA COMPUTACIÓN PRESENTA: M. EN C. MARIA ELENA ACEVEDO MOSQUEDA DIRECTOR DE TESIS: DR. CORNELIO YÁÑEZ MÁRQUEZ MÉICO D.F. JULIO 6

2

3

4 Resume E este trabao se reseta u uevo modelo de Memoras Asocatvas Bdreccoales BAM Bdrectoal Assocatve Memores llamado BAM Alfa-Beta. El modelo está basado e las Memoras Asocatvas Alfa-Beta de las cuales hereda el ombre. Debdo a su orge la BAM Alfa-Beta o requere de u roceso teratvo de covergeca haca estados estables a dfereca de los modelos basados e la BAM de Koso; or la msma causa o tee roblemas de establdad. Los atroes que utlza la BAM Alfa-Beta so baros. La caacdad de recueracó del modelo rouesto es de mm sedo m las dmesoes de los atroes de etrada salda resectvamete. Etoces la BAM Alfa- Beta semre recuera de forma correcta todos los atroes etreados. La recueracó correcta o requere de gua codcó reva de las roedades de los atroes como: dstaca de Hammg ortogoaldad o searacó leal. Se reseta el fudameto matemátco que susteta el or qué la BAM-Alfa semre tedrá recueracó correcta. Se rooe dos uevas trasformadas vectorales: de easó de cotraccó. E la fase de aredzae la BAM Alfa-Beta hace uso del códgo baro oe-hot de u uevo códgo rouesto: el códgo baro zero-hot. La BAM Alfa-Beta costa de 4 etaas dos etaas se utlza e el setdo haca delate las dos etaas restates corresode al setdo haca atrás lo que ermte la bdreccoaldad del modelo. La rmera etaa e el setdo haca delate esta coformada co dos memoras autoasocatvas Alfa-Beta ma m costrudas a artr de los atroes de etrada. E la seguda etaa se costrue u Lear Assocator modfcado a artr de los atroes de salda. La tarea de la rmera etaa es obteer u vector oe-hot a artr de u atró de etrada lo que le ermtrá a la seguda etaa recuerar de maera acertada el atró corresodete. El roceso e el setdo haca atrás es smlar al descrto revamete. La comledad mostrada or el algortmo utlzado ara mlemetar la Memora Asocatva Bdreccoal Alfa-Beta es O. Se reseta tres eemlos de alcacó. El rmero ermte elegr areas de atroes de etre 4 coutos de 6 atroes cada uo. El segudo eemlo es el recoocmeto de huellas dactlares que se asoca a úmeros; e este caso de utlza 4 areas de atroes. La tercera alcacó es u traductor glés-esañol/esañol-glés que trabaa sobre areas de alabras. E las tres alcacoes como es de eserarse el modelo resetó recueracó correcta.

5 Abstract I ths wor a ew model for Bdrectoal Assocatve Memores BAM called Alha- Beta BAM s reseted. The model s based o the Alha-Beta Assocatve Memores from whch t herts ts ame. Due to ts org Alha-Beta BAM do ot requre a teratve rocess of covergece toward stable states ule the models based o Koso s BAM. Because of ths the have o stablt roblems. The atters used b the Alha-Beta BAM are bar atters. Recall caact of the roosed model s mm beg ad m the resectve dmesos of ut ad outut atters. Therefore the Alha-Beta BAM alwas recover correctl all traed atters. Proer recall requres o revous codto o the roertes of atters such as Hammg dstace orthogoalt or lear searato. Mathematcal foudato whch suorts wh Alha-Beta BAM alwas have correct recall s reseted. Two ew vector trasformatos are roosed: easo ad cotracto. Durg the learg hase Alha-Beta BAM mae use of the oe-hot bar code ad a roosed ew code: the zero-hot bar code. The Alha-Beta BAM are made u of four stages; two stages are used the forward drecto ad the other two stages are used the bacward drecto thus allowg the bderectoalt of the model. The frst stage the forward drecto s comosed of two autoassocatve Alha-Beta memores ma ad m bult from the ut atters. O the secod stage a modfed Lear Assocator s bult from the outut atters. The tas of the frst stage s to obta a oe-hot vector from a ut atter whch tur allows the secod stage to correctl recall the corresodg atter. The rocess the bacward drecto s smlar to the oe descrbed above. The comlet show b the algorthm used to mlemet the Alha-Beta Bdrectoal Assocatve memor s O. Three eamles of alcato are reseted. The frst oe allows to choose ars of atters betwee 4 sets of 6 atters each. The secod eamle s the recogto of fgerrts assocated to umbers; ths case 4 ars of atters are used. The thrd alcatos s a egls-sash/sash-eglsh traslator whch wor wth ars of words. I the three alcatos as was eected the model showed roer recall.

6 Ídce Geeral Pág. Resume Abstract Ídce de Tablas Ídce de Fguras v Caítulo : Itroduccó. Coteto. Problema a resolver.3 Obetvo 3.4 Cotrbucoes 3.5 Orgazacó del documeto 3 Caítulo : Atecedetes 5. Cocetos báscos 5. Memoras Asocatvas 7.. Lermatr de Stebuch 7.. Correlograh de Wllshaw Buema Loguet-Hggs 8..3 Lear Assocator de Aderso-Kohoe 9..4 La memora asocatva Hofeld..5 Memoras Asocatvas Morfológcas..6 Memoras Asocatvas Alfa-Beta 3..7 Memoras Asocatvas Meda 4.3 Estado del arte sobre Memoras Asocatvas Bdreccoales 5.3. Memora Asocatva Bdreccoal de Koso 5.3. Modelos de Memoras Asocatvas Bdreccoales a través del temo 9 Caítulo 3: Marco teórco 3 3. Memoras Asocatvas Alfa-Beta 3 3. Memoras Heteroasocatvas Alfa-Beta Memoras Autoasocatvas Alfa-Beta Memoras Autoasocatvas Alfa-Beta to V Memoras autoasocatvas Alfa-Beta Λ 3

7 Caítulo 4: Modelo rouesto Descrcó de las Memoras Asocatvas Bdreccoales Alfa-Beta Fudameto Teórco de las Etaas Fudameto Teórco de las Etaas Algortmo Algortmo de las Etaas Algortmo de las Etaas Eemlo lustratvo de la Memora Asocatva Bdreccoal Alfa- Beta Comledad del Algortmo de la BAM Alfa-Beta 84 Caítulo 5: Resultados 9 5. Comaracó de Memoras Asocatvas Bdreccoales 9 5. Alcacó. Patroes fudametales: fguras moocromátcas 5.3 Alcacó. Idetfcador de Huellas Dgtales Alcacó 3. Traductor Iglés-Esañol/Esañol-Iglés Comortameto de la BAM Alfa-Beta ate atroes rudosos Recueracó correcta del couto fudametal comleto Coclusoes trabao futuro Coclusoes Trabao futuro 3 Relacó de ublcacoes roas 4 A Smbología 5 B Memoras Asocatvas Bdreccoales a través del temo detalle 7 Referecas 74

8 Ídce de Tablas Pág..3. Modelos de las memoras asocatvas bdreccoales más mortates 9 resetadas e orde croológco. 3. Oeracó bara α: A A B 3 3. Oeracó bara β: B A A 4 B. Caacdad de memora ara las BAM de Koso MT PRLAB LBAM 55 NBAM

9 Ídce de Fguras.3. Fucoameto de la BAM de Koso 6.3. Gráfcas de los resultados de la caacdad de recueracó de los modelos de Wag 99 Jeg Wu Zheg Charter 4. Esquema geeral de ua Memora Asocatva Bdreccoal Modelo de Koso tomado el esquema de la BAM geeral Esquema de ua memora asocatva bdreccoal Alfa-Beta Esquema del roceso a realzar e el setdo de a Esquema del roceso realzado e el setdo de a Gráfca de f O. Se comrueba la desgualdad or lo tato el 89 algortmo es O 5. Meú de ocoes de la rmera alcacó 5. Patalla ara la eleccó del couto fudametal ara la memora asocatva bdreccoal Alfa-Beta 5.3 Patalla de la Fase de Recueracó. 5.4 La recueracó també se realza haca el otro setdo es decr se elge 3 ua mage del couto de abao se recuera de maera erfecta su atró asocado 5.5 Patalla del meú rcal del Idetfcador de Huellas Dgtales Patalla de la fase de recueracó Hacedo doble clc co el botó zquerdo del rató se elge la huella dgtal 5 aarece e la arte feror derecha la huella dgtal elegda su corresodete úmero 5.8 La recueracó de atroes també se uede realzar e ambos setdos. 6 E este caso se elge u úmero se recuera su corresodete huella dgtal 5.9 Se crea la Memora Asocatva Bdreccoal Alfa-Beta al asocar 7 alabras e esañol co alabras e glés cotedas e dos archvos de teto. 5. Se escrbe la alabra que se desea traducr e este eemlo fue accurac 7 se elge el modo de traduccó statáeamete aarece su corresodete alabra e esañol que es eacttud 5. El traductor recuera de maera correcta la alabra asocada a accurac 8 aú cuado ésta o se escrba comleta 5. Aú cuado esta u error de escrtura se cambe la or ua el 8 rograma recuera de maera erfecta la alabra eacttud 5.3 Patroes elegdos ara realzar ruebas co rudo tomados del eemlo 9 mostrado e la fgura Se muestra tres atroes afectados or a rudo adtvo b rudo sustractvo c dsttos veles de rudo mezclado 5.5 Gráfcas de la caacdad de almaceameto de modelos de BAM Pág. v

10 B. agráfca de comaracó de la caacdad de almaceameto ermtda or la BAM de Koso HOBAM de º orde la HOBAM de 3 er orde. b Gráfca de la caacdad de correccó de errores B. Gráfca de comaracó de las caacdades de almaceameto de la BAM HOBAM 3 er orde HOBAM 4º orde EBAM co α e B.3 Gráfca de comaracó de la caacdad de correccó de errores de la BAM HOBAM 3er. 4º orde la EBAM B.4 Pruebas de caacdad de almaceameto de la BAM de Koso MT 4 B.5 Toología de la coeó de los elemetos de ua memora autoasocatva 5 de rmer orde B.6 Toología de la coeó de los elemetos de ua memora autoasocatva 6 de segudo orde B.7 La toología de la BAM se vsualza como ua red euroal de dos caas 6 B.8 Toología de la coeó de ua BAM de segudo orde 6 B.9 Toología de coeó de ua BAM tracoectada de rmer orde 7 B. Comaracó de la caacdad de almaceameto de tres métodos: la BAM 9 de Koso SMT LP/MT B. Caacdad de almaceameto ara la BAM de Koso Etreameto 3 Múltle MT Ulearg U B. Gráfca de comaracó de las caacdades de almaceameto etre la 33 MEBAM la EBAM B.3 Gráfca de comaracó de las caacdades de almaceameto etre la 35 HOBAM SHBAM ambas de tercer orde B.4 Gráfca de comaracó de la caacdad de almaceameto etre el CS 38 LP/MT el método de Koso B.5 Gráfca de comaracó de las caacdades de almaceameto de Koso 4 etreameto múltle el método resetado e este trabao B.6 Comaracó de la caacdad de correccó de errores etre la BAM de: a 4 Koso b BAM co EHCA B.7 Comaracó de la caacdad de correccó de errores de BAMs co 45 dmesoes 3 etre tres métodos de codfcacó: a Koso; b BL; c AHKBL co ρ.5 ρ.35 d AHKBL co ρ ρ.65 B.8 Gráfca de la comaracó de la recostrubldad 49 B.9 Gráfca de la caacdad de correccó de errores 49 B. Gráfca de comaracó de la caacdad de almaceameto etre el método 5 de Koso el PRLAB el QLBAM B. Grafcas de la comaracó de las habldades de correccó de errores etre 5 la BAM de Koso el BL B. Comaracó de la restaurabldad etre la UOBAM ABAM POBAM 54 BAM de Koso IBAM Hofeld B.3 Gráfca de comaracó de la caacdad de correccó de errores 54 B.4 Dagrama a bloques de la TLBAM 55 B.5 Estructura de la CBAM 56 B.6 Gráfca de la comaracó de las caacdades de almaceameto 59 correccó de errores v

11 B.7 Gráfca de comaracó etre el PRLAB la USA la BDR. a 6 Recueracoes correctas b Bts erróeos cotra vel de rudo e la etrada B.8 BAM de tres caas 63 B.9 Comaracó de la eacttud e el recoocmeto etre la GBAM la 64 ABAM la BAM rouesta e este trabao B.3 Número de atroes recuerados cotra el rad 66 B.3 Probabldad de recueracó cotra dstaca de Hammg 67 B.3 Pruebas de la caacdad de almaceameto de tres dseños de BAM 68 B.33 Mámo Fˆ versus temo de cálculo 69 B.34 Curva de la fucó de salda ara δ.4 7 B.35 Asocacoes de los ares de atroes bolares 7 B.36 Comaracó de la caacdad de almaceameto 7 v

12 CAPÍTULO Itroduccó. Coteto El área de las Memoras Asocatvas como arte relevate de las Cecas de la Comutacó ha adqurdo gra mortaca damsmo e la actvdad desarrollada or umerosos equos de vestgacó teracoales esecífcamete e los que vestga temas relacoados co la teoría alcacoes del recoocmeto clasfcacó de atroes. El roósto fudametal de ua memora asocatva es recuerar correctamete atroes comletos a artr de atroes de etrada los cuales uede estar alterados co rudo adtvo sustractvo o combado []. E el dseño de ua memora asocatva revamete a la fase de recueracó de atroes se requere la fase de aredzae que es el roceso medate el cual se crea la memora asocatva a través de la formacó de asocacoes de atroes las cuales so areas de atroes uo de etrada uo de salda. S e cada asocacó sucede que el atró de etrada es gual al de salda la memora es autoasocatva; e caso cotraro la memora es heteroasocatva: esto sgfca que ua memora autoasocatva uede cosderarse como u caso artcular de ua memora heteroasocatva []. A través del temo las Memoras Asocatvas se ha desarrollado aralelamete a las Redes Neuroales desde la cocecó del rmer modelo de euroa artfcal [3] hasta los modelos de redes euroales basados e cocetos moderos como la Morfología Matemátca [4] asado or los mortates trabaos de los oeros e las redes euroales to ercetro [5 6 7]. E 98 Joh J. Hofeld reseta al mudo su memora asocatva modelo que fue srado e cocetos físcos tee como artculardad u algortmo teratvo [8]. Este trabao rocó el reacmeto del terés de los vestgadores e los temas tato de memoras asocatvas como de redes euroales los cuales se había deado de lado or alguos años. Las redes euroales tuvero u receso de 3 años a artr de que Ms Paert e 969 ublcaro su lbro Percetros [9] e dode demostraro que el ercetro teía severas lmtacoes. Por el lado de las memoras asocatvas fue Karl Stebuch que or rmera vez e 96 desarrolla ua memora heteroasocatva que fucoa como u clasfcador de atroes baros: la Lermatr []. Ocho años desués los vestgadores escoceses Wllshaw Buema Loguet-Hggs [] reseta el Correlograh dsostvo ótco elemetal caaz de fucoar como ua memora asocatva. Este otro atecedete mortate de la memora Hofeld: dos modelos

13 cláscos de memoras asocatvas fuero resetados e 97 or Aderso [] Kohoe [3] de maera deedete debdo a su mortaca a la smltud de los cocetos volucrados ambos modelos recbe el ombre geérco de Lear Assocator. El trabao de Hofeld tee gra relevaca debdo a que el modelo de red euroal que reseta demuestra que la teraccó de elemetos smles de rocesameto smlares a las euroas da lugar a la aarcó de roedades comutacoales colectvas tales como la establdad de memoras. S embargo el modelo Hofeld de memora asocatva tee dos desvetaas: rmeramete es otable el hecho de que la caacdad de recueracó de atroes es mu equeña sólo de.5 sedo la dmesó de los atroes almaceados; e segudo lugar la memora Hofeld es sólo autoasocatva es decr o es caaz de asocar atroes dferetes. Co obeto de subsaar la seguda desvetaa del modelo Hofeld e 988 Bart Koso [4] crea u modelo de memora heteroasocatva a artr de la memora Hofeld: la memora asocatva bdreccoal BAM Bdrectoal Assocatve Memor la cual al gual que la memora Hofeld se basa e u algortmo teratvo. Este modelo teórco es la base que motvó el tema cetral de este trabao de tess.. Problema a resolver La caacdad de aredzae almaceameto la efceca e la resuesta o recueracó de atroes la radez la mudad al rudo so tócos de terés etre los vestgadores que se dedca a estudar los modelos de memora asocatva co el f de rooer varacoes geeralzacoes que a la ostre se traduzca e uevos modelos co vetaas claras sobre los a coocdos que además sea rocos ara su alcacó drecta e roblemas reales [5]. E el caso de la BAM de Koso la característca fudametal es la heteroasocatvdad que se logró co base e el modelo de Hofeld. Koso rouso ua solucó basada e la roa matrz que reresetaba la memora Hofeld co la cual fue caaz de realzar la fase de aredzae e ambas dreccoes: obteer u atró de salda a artr del corresodete atró de etrada o vceversa obteer u atró de etrada a artr del corresodete atró de salda; de ahí el ombre de bdreccoal. No obstate que el teto de Koso fue etoso al obteer ua memora heteroasocatva la otra desvetaa a mecoada de la memora Hofeld o fue subsaada co la BAM: la memora asocatva bdreccoal de Koso ehbe ua mu baa caacdad de aredzae recueracó de atroes deedete del mímo de las dmesoes de los atroes de etrada salda. E el msmo año de la aarcó de la BAM 988 surgero los rmeros tetos de vestgacó cetífca ara meorar la caacdad de aredzae recueracó de atroes de la BAM [6]. A artr de etoces dversos gruos de vestgacó de muchas

14 artes del mudo ha tetado a través de los años mmzar esa desvetaa de la BAM medate la utlzacó de los más varados cocetos cetífcos téccas matemátcas desde el etreameto múltle hasta codfcacó Householder [7] algortmos geétcos [8] e alguos casos rogramacó leal. S embargo los avaces ha sdo modestos escasos al grado de que la gra maoría de las rouestas de uevos modelos de memoras asocatvas bdreccoales lateadas e revstas cetífcas cogresos de alto vel o garatza squera la recueracó comleta del couto fudametal de aredzae o de etreameto utlzado e la fase de aredzae: es decr estos modelos o so caaces de recuerar todos los atroes areddos e uo o más falla [4][6-9] [8-74]. La vestgacó cetífca que susteta este trabao de tess es ua resuesta a lo ateror. El roblema a resolver e este trabao de tess es: ecotrar u modelo de memora asocatva bdreccoal que ehba efcaca e el aredzae recueracó de atroes; u modelo que recuere al meos todos los atroes del couto fudametal de aredzae tato de etrada como de salda de refereca que se base e u algortmo oe-shot es decr u algortmo o teratvo que o requera covergeca..3 Obetvo Dseñar e mlemetar u uevo modelo teórco de memora asocatva bdreccoal que ehba recueracó erfecta de todos los atroes del couto fudametal de aredzae co gra caacdad de almaceameto que se base e u algortmo oe shot; es decr u algortmo o teratvo que o requera covergeca..4 Cotrbucoes La aortacó rcal de este trabao de tess al bagae cetífco e el área de las cecas de la comutacó es u uevo modelo de memora asocatva bdreccoal que ehbe recueracó erfecta de todos los atroes del couto fudametal de aredzae que además se basa e u algortmo o teratvo que o requere covergeca. Ua cotrbucó adcoal es ua modfcacó orgal al algortmo del Lear Assocator cuado el couto fudametal está formado or vectores oe-hot. Paralelamete se latea alguas deas de alcacó de este uevo modelo e áreas esecífcas de la vestgacó cetífca tecológca..5 Orgazacó del documeto E este caítulo se ha resetado: el coteto el roblema a resolver el obetvo del trabao de tess las cotrbucoes. El resto del documeto de tess está orgazado como sgue: 3

15 E el caítulo se reseta los cocetos báscos de las memoras asocatvas así como los modelos más reresetatvos que srve como marco de refereca de los modelos de memoras asocatvas bdreccoales. Además se reseta el estado del arte de los modelos de memoras asocatvas bdreccoales más mortates a través del temo. E el caítulo 3 se descrbe a detalle las Memoras Asocatvas Alfa-Beta lar fudametal e el dseño oeracó de las Memoras Asocatvas Bdreccoales Alfa- Beta. E el caítulo 4 se descrbe el uevo modelo orgal: Memoras Asocatvas Bdreccoales Alfa-Beta tema cetral de este trabao de tess. Además se da el fudameto matemátco orgal que susteta el dseño oeracó de las cuatro etaas que costtue el modelo. Posterormete se detalla el algortmo que ermte el aredzae recueracó de atroes de la Memora Asocatva Bdreccoal Alfa-Beta. Por últmo se clue u aálss de comledad del uevo modelo rouesto. E el caítulo 5 se reseta asectos eermetales: rmeramete se comara los resultados obtedos or dos modelos de BAM cuo algortmo se basa e el modelo de Koso los resultados que arroa la BAM Alfa-Beta al alcarse a u eemlo umérco bastate lustratvo. Acto segudo se clue otra comaracó del temo de eecucó co ua BAM que utlza algortmos geétcos e el dseño de su modelo. Además se muestra tres alcacoes de la Memora Asocatva Alfa-Beta: la rmera alcacó ermte crear coutos fudametales de atroes moocromátcos los cuales so etreados recuerados de maera correcta or la BAM Alfa-Beta; la seguda alcacó es u detfcador de huellas dgtales; la tercera es u traductor glés-esañol/esañolglés. Falmete se hace hcaé e la característca más mortate del uevo modelo: la recueracó correcta de todos los atroes del couto fudametal se reseta gráfcas comaratvos co otros modelos reresetatvos de BAM. E el caítulo 6 se reseta las coclusoes fales obtedas a artr del desarrollo oeracó del uevo modelo orgal de Memora Asocatva Alfa-Beta; se clue además alguos osbles temas ara trabaos de vestgacó dervados del uevo modelo rouesto e este trabao de tess. Posterormete se reseta la relacó de las ublcacoes roas dervadas del uevo modelo rouesto. Falmete se reseta u aédce co la descrcó detallada del estado del arte de las Memoras Asocatvas Bdreccoales las referecas bblográfcas. 4

16 CAPÍTULO Atecedetes. Cocetos Báscos El roósto fudametal de ua memora asocatva es recuerar correctamete atroes comletos a artr de atroes de etrada los cuales uede estar alterados co rudo adtvo sustractvo o combado. Los cocetos utlzados e esta seccó se ecuetra e las referecas [ 5]. Ua Memora Asocatva uede formularse como u sstema de etrada salda dea que se esquematza a cotuacó: M E este esquema los atroes de etrada salda está reresetados or vectores columa deotados or resectvamete. Cada uo de los atroes de etrada forma ua asocacó co el corresodete atró de salda la cual es smlar a la ua area ordeada; or eemlo los atroes del esquema ateror forma la asocacó. No obstate que a lo largo de las dos seccoes restates del resete caítulo se resetará las otacoes orgales de los autores de los modelos resetados aquí a cotuacó se rooe ua otacó que se usará e la descrcó de los cocetos báscos sobre memoras asocatvas e el resto de los caítulos de esta tess. Los atroes de etrada salda se deotará co las letras egrllas agregádoles úmeros aturales como suerídces ara efectos de dscrmacó smbólca. Por eemlo a u atró de etrada le corresoderá el atró de salda ambos formará la asocacó ; del msmo modo ara u úmero etero ostvo esecífco la asocacó corresodete será. La memora asocatva M se rereseta medate ua matrz la cual se geera a artr de u couto fto de asocacoes coocdas de atemao: este es el couto fudametal de aredzae o smlemete couto fudametal. El couto fudametal se rereseta de la sguete maera: { µ µ µ... } 5

17 dode es u úmero etero ostvo que rereseta la cardaldad del couto fudametal. A los atroes que coforma las asocacoes del couto fudametal se les llama atroes fudametales. La aturaleza del couto fudametal roorcoa u mortate crtero ara clasfcar las memoras asocatvas: Ua memora es Autoasocatva s se cumle que µ µ µ {... } or lo que uo de los requstos que se debe de cumlr es que m. Ua memora Heteroasocatva es aquella e dode µ {... } ara el que se cumle que µ µ. Nótese que uede haber memoras heteroasocatvas co m. E los roblemas dode tervee las memoras asocatvas se cosdera dos fases mortates: La fase de aredzae que es dode se geera la memora asocatva a artr de las asocacoes del couto fudametal la fase de recueracó que es dode la memora asocatva oera sobre u atró de etrada a la maera del esquema que aarece al co de esta seccó. A f de esecfcar las comoetes de los atroes se requere la otacó ara dos coutos a los que llamaremos arbtraramete A B. Las comoetes de los vectores columa que rereseta a los atroes tato de etrada como de salda será elemetos del couto A las etradas de la matrz M será elemetos del couto B. No ha requstos revos lmtacoes resecto de la eleccó de estos dos coutos or lo que o ecesaramete debe ser dferetes o oseer característcas esecales. Esto sgfca que el úmero de osbldades ara escoger A B es fto. Por covecó cada vector columa que rereseta a u atró de etrada tedrá comoetes cuos valores erteece al couto A cada vector columa que rereseta au atró de salda tedrá m comoetes cuos valores erteece també al couto A. Es decr: µ A µ A m µ {... } La -ésma comoete de u vector columa se dcará co la msma letra del vector ero s egrlla colocado a como subídce {... } o {... m} segú corresoda. La -ésma comoete del vector columa µ se rereseta or: Co los cocetos báscos a descrtos co la otacó ateror es osble eresar las dos fases de ua memora asocatva:. Fase de Aredzae Geeracó de la memora asocatva. Ecotrar los oeradores adecuados ua maera de geerar ua matrz M que almacee las asocacoes del couto fudametal {... } dode µ A µ A m µ {... }. S µ {... } tal que µ µ la memora será µ 6

18 heteroasocatva; s m µ µ µ {... } la memora será autoasocatva.. Fase de Recueracó Oeracó de la memora asocatva. Hallar los oeradores adecuados las codcoes sufcetes ara obteer el atró fudametal de salda µ cuado se oera la memora M co el atró fudametal de etrada µ ; lo ateror ara todos los elemetos del couto fudametal ara ambos modos: autoasocatvo heteroasocatvo. Se dce que ua memora asocatva M ehbe recueracó correcta s al resetarle como etrada e la fase de recueracó u atró ω co ω {... } ésta resode co el corresodete atró fudametal de salda ω. Ua memora asocatva bdreccoal també es u sstema de etrada salda solamete que el roceso es bdreccoal. La dreccó haca delate se descrbe de la msma forma que ua memora asocatva comú: al resetarle ua etrada el sstema etrega ua salda. La dreccó haca atrás se lleva a cabo resetádole al sstema ua etrada ara recbr ua salda.. Memoras Asocatvas A cotuacó e esta seccó haremos u breve recorrdo or los modelos de memoras asocatvas co obeto de establecer el marco de refereca e el que surgero las memoras asocatvas bdreccoales. Los modelos de memoras asocatvas que se resetará e esta seccó so los modelos más reresetatvos que srvero de base ara la creacó de modelos matemátcos que susteta el dseño oeracó de memoras asocatvas más comleas. Para cada modelo se descrbe su fase de aredzae su fase de recueracó. Se clue cuatro modelos cláscos basados e el allo de los úmeros racoales co las oeracoes de multlcacó adcó: Lermatr Correlograh Lear Assocator Memora Hofeld además de tres modelos basados e aradgmas dferetes a la suma de roductos a saber: memoras asocatvas Morfológcas memoras asocatvas Alfa-Beta memoras asocatvas Meda... Lermatr de Stebuch Karl Stebuch fue uo de los rmeros vestgadores e desarrollar u método ara codfcar formacó e arreglos cuadrculados coocdos como crossbar []. La mortaca de la Lermatr [9 ] se evdeca e ua afrmacó que hace Kohoe [3] e su artículo de 97 dode auta que las matrces de correlacó base fudametal de su ovador trabao vero a susttur a la Lermatr de Stebuch. La Lermatr es ua memora heteroasocatva que uede fucoar como u clasfcador de atroes baros s se escoge adecuadamete los atroes de salda; es u sstema de 7

19 µ etrada salda que al oerar aceta como etrada u atró baro A A {} µ roduce como salda la clase A que le corresode de etre clases dferetes codfcada ésta co u método que e la lteratura se le ha llamado oe-hot []. El método fucoa así: ara reresetar la clase {... } se asga a las comoetes del vector de salda µ los sguetes valores: µ µ ara Fase de Aredzae Algortmo de la Lermatr Se geera el esquema crossbar al cororar la area de atroes de etreameto µ µ A A. Cada uo de los comoetes m de M la Lermatr de Stebuch tee valor cero al co se actualza de acuerdo co la regla m + m dode: m + ε ε s s µ µ e otro caso µ µ dode ε ua costate ostva escogda revamete: es usual que ε es gual a. Fase de Recueracó La -ésma coordeada ω del vector de clase ω A se obtee como lo dca la sguete eresó dode es el oerador mámo: ω s m. h e otro caso ω ω [ m. ].. Correlograh de Wllshaw Buema Loguet-Hggs h El correlograh es u dsostvo ótco elemetal caaz de fucoar como ua memora asocatva []. E alabras de los autores ``el sstema es ta smle que odría ser costrudo e cualquer laboratoro escolar de físca elemetal''. Algortmo del Correlograh Fase de Aredzae La red asocatva se geera al cororar la area de atroes de etreameto µ µ A A m. Cada uo de los comoetes m de la red asocatva M tee valor cero al co se actualza de acuerdo co la regla: 8

20 m µ µ s valor ateror e otro caso Fase de Recueracó Se le reseta a la red asocatva M u vector de etrada ω A. Se realza el roducto de la matrz M or el vector ω se eecuta ua oeracó de umbralzado de acuerdo co la sguete eresó: ω ω s m. u e otro caso dode u es el valor de umbral. Ua estmacó aromada del valor de umbral u se uede lograr co la auda de u úmero dcador mecoado e el artículo [] de Wllshaw et al. de 969: log..3 Lear Assocator de Aderso-Kohoe El Lear Assocator tee su orge e los trabaos oeros de 97 ublcados or Aderso Kohoe [ 3]. Para resetar el Lear Assocator cosderemos de uevo el couto fudametal: { µ µ µ... } co A { } µ A µ A m Algortmo del Lear Assocator Fase de Aredzae Para cada ua de las asocacoes µ µ µ µ se ecuetra la matrz t dmesoes m Se suma la matrces ara obteer la memora M µ µ µ t [ m ] m de maera que la -ésma comoete de la memora M se eresa así: m µ µ µ de 9

21 Fase de Recueracó Esta fase cosste e resetarle a la memora u atró de etrada ω dode ω... realzar la oeracó { } M..4 La memora asocatva Hofeld ω µ µ µ t ω El artículo de Joh J. Hofeld de 98 ublcado or la restgosa resetada Natoal Academ of Sceces e sus Proceedgs mactó ostvamete trao a la alestra teracoal su famosa memora asocatva [8]. E el modelo que orgalmete rouso Hofeld cada euroa tee dos osbles estados a la maera de las euroas de McCulloch-Ptts: ; s embargo Hofeld observa que ara u vel dado de eacttud e la recueracó de atroes la caacdad de almaceameto de formacó de la memora se uede cremetar or u factor de s se escoge como osbles estados de las euroas los valores - e lugar de los valores orgales. Al utlzar el couto {- } el valor de umbral cero la fase de aredzae ara la memora Hofeld será smlar e certa forma a la fase de aredzae del Lear Assocator. La tesdad de la fuerza de coeó de la euroa a la euroa se rereseta or el valor de m se cosdera que ha smetría es decr m m. S o está coectada co etoces m ; e artcular o ha coeoes recurretes de ua euroa a sí msma lo cual sgfca que m. El estado statáeo del sstema está comletamete esecfcado or el vector columa de dmesó cuas coordeadas so los valores de las euroas. La memora Hofeld es autoasocatva smétrca co ceros e la dagoal rcal. E vrtud de que la memora es autoasocatva el couto fudametal ara la memora Hofeld es { µ µ µ... } co µ A A {- } Fase de Aredzae Algortmo Hofeld La fase de aredzae ara la memora Hofeld es smlar a la fase de aredzae del Lear Assocator co ua lgera dfereca relacoada co la dagoal rcal e ceros como se muestra e la sguete regla ara obteer la -ésma comoete de la memora Hofeld M:

22 m µ s µ µ s Fase de Recueracó S se le reseta u atró de etrada ~ a la memora Hofeld ésta cambará su estado co el temo de modo que cada euroa auste su valor de acuerdo co el resultado que arroe la comaracó de la catdad m co u valor de umbral el cual ormalmete se coloca e cero. Se rereseta el estado de la memora Hofeld e el temo t or t; etoces t rereseta el valor de la euroa e el temo t t+ el valor de e el temo sguete t+. Dado u vector columa de etrada ~ la fase de recueracó costa de tres asos:. Para t se hace t ~ ; es decr ~ {3...}. {3...} se calcula t+ de acuerdo co la codcó sguete: s m t > t + t s m t s m t < 3. Se comara t+ co t { 3...}. S t+ t el roceso terma el vector recuerado es ~. De otro modo el roceso cotúa de la sguete maera: los asos 3 se tera tatas veces como sea ecesaro hasta llegar a u valor t τ ara el cual τ+ τ { 3...}; el roceso terma el atró recuerado es τ. E el artículo orgal de 98 Hofeld había estmado emírcamete que su memora teía ua caacdad de recuerar.5 atroes e el trabao de Abu-Mostafa & St. Jacques [4] se establecó formalmete que ua cota sueror ara el úmero de vectores de estado arbtraros estables e ua memora Hofeld es.

23 ..5 Memoras Asocatvas Morfológcas La dfereca fudametal etre las memoras asocatvas cláscas Lermatr Correlograh Lear Assocator Memora Asocatva Hofeld las memoras asocatvas morfológcas radca e los fudametos oeracoales de éstas últmas que so las oeracoes morfológcas de dlatacó erosó; el ombre de las memoras asocatvas morfológcas está srado recsamete e estas dos oeracoes báscas. Estas memoras romero co el esquema utlzado a través de los años e los modelos de memoras asocatvas cláscas que utlza oeracoes covecoales etre vectores matrces ara la fase de aredzae suma de roductos ara la recueracó de atroes. Las memoras asocatvas morfológcas camba los roductos or sumas las sumas or mámos o mímos e ambas fases tato de aredzae como de recueracó [5]. Ha dos tos de memoras asocatvas morfológcas: las memoras ma smbolzadas co M las memoras m cuo símbolo es W; e cada uo de los dos tos las memoras uede fucoar e ambos modos: heteroasocatvo autoasocatvo. Se defe dos uevos roductos matrcales: El roducto mámo etre D H deotado or C D H es ua matrz [c ] m cua ésma comoete c es r d h c + El roducto mímo de D H deotado or C D H es ua matrz [c ] m cua -ésma comoete c es r d h c + Los roductos mámo mímo cotee a los oeradores mámo mímo los cuales está ítmamete lgados co los cocetos de las dos oeracoes báscas de la morfología matemátca: dlatacó erosó resectvamete...5. Memoras Heteroasocatvas Morfológcas Fase de Aredzae Algortmo de las memoras morfológcas ma Para cada ua de las asocacoes µ µ se usa el roducto mímo ara crear la matrz µ - µ t de dmesoes m dode el egado trasuesto del atró de etrada µ se µ t µ µ µ defe como.... Se alca el oerador mámo a las matrces ara obteer la memora M. M µ µ µ t [ ]

24 Fase de Recueracó Esta fase cosste e realzar el roducto mímo de la memora M co el atró de etrada ω dode ω {... } ara obteer u vector columa de dmesó m: M ω Las fases de aredzae de recueracó de las memoras morfológcas m se obtee or dualdad...5. Memoras Autoasocatvas Morfológcas Para este to de memoras se utlza los msmos algortmos descrtos aterormete que so alcados a las memoras heteroasocatvas; lo úco que camba es el couto fudametal. Para este caso se cosdera el sguete couto fudametal:..6 Memoras Asocatvas Alfa-Beta { µ µ µ A dode µ... } Las memoras Alfa-Beta [5] utlza mámos mímos dos oeracoes baras orgales α β de las cuales hereda el ombre. Para la defcó de las oeracoes baras α β se debe esecfcar los coutos A B los cuales so: A { } B { } La oeracó bara α: A A B se defe como α La oeracó bara β: B A A se defe como β 3

25 Los coutos A B las oeracoes baras α β uto co los oeradores mímo mámo usuales coforma el sstema algebraco A B α β e el que está mersas las memoras asocatvas Alfa-Beta. El fudameto teórco de las memoras asocatvas Alfa-Beta se reseta e el sguete caítulo de forma más comleta debdo a que estas memoras so la base fudametal ara la costruccó del modelo de BAM rouesto e este trabao de tess...7 Memoras Asocatvas Meda Las Memoras Asocatvas Meda [6] utlza los oeradores A B defdos de la sguete forma: A B + Las oeracoes utlzadas se descrbe a cotuacó. Sea P [ ] mr Q[q ] r dos matrces. Oeracó A : P mr A Q r [f A A ] m dode f med q r A Oeracó B : P mr B Q r [f B B ] m dode f med q r B Fase de Aredzae Algortmo Memoras Meda Paso. Para cada ξ... de cada area ξ ξ se costrue la matrz: [ ξ A ξ t ] m Paso. Se alca el oerador meda a las matrces obtedas e le aso ara obteer la matrz M como sgue: M med ξ ξ ξ [ ] t A El -ésmo comoete M está dado como sgue: ξ ξ ξ m med A 4

26 Fase de Recueracó Se tee dos casos: Caso. Recueracó de u atró fudametal. U atró w co w {... } se le reseta a la memora M se realza la sguete oeracó: M B w El resultado es u vector columa de dmesó co la -ésma comoete dada como: w w M med B m B Caso. Recueracó de u atró alterado. U atró ~ que es ua versó alterada de u atró w se le reseta a la memora M se realza la sguete oeracó: M ~ De uevo es resultado es u vector de dmesó co la -ésma comoete dada como: M ~ med B m ~ B B.3 Estado del Arte sobre Memoras Asocatvas Bdreccoales El estado del arte corresodete al cotedo de esta tess clue de maera mortate los dferetes modelos de memoras asocatvas bdreccoales surgdos a artr de 988 año e que fue creada la rmera memora asocatva bdreccoal BAM or Koso [4]. Esta seccó costa de dos artes. E la rmera arte se descrbe el fucoameto tato e la fase de aredzae como e la de recueracó de la BAM de Koso se clue u eemlo lustratvo. La mortaca de este modelo radca e que además de ser la rmera memora asocatva bdreccoal es la base fudametal teórca que utlza la maoría de los modelos sguetes que teta meorar la caacdad de recueracó. E la seguda arte se reseta ua tabla resume tabla.3. dode se muestra los 38 modelos de memoras asocatvas bdreccoales más mortates e orde croológco..3. Memora Asocatva Bdreccoal de Koso. Bart Koso vestgador de la Uverst of Souther Calfora rooe la Bdreccoal Assocatve Memor BAM [4] ara subsaar la clara desvetaa de la autoasocatvdad de la memora Hofeld. La BAM maea ares de vectores A B... A m B m dode A { } B { }. 5

27 Al gual que Aust esambló dos redes asocatvas de Wllshaw ara dseñar su ADAM [7] Koso deó u arreglo de dos memoras Hofeld demostró que este dseño es caaz de asocar atroes de maera heteroasocatva. El fucoameto de la BAM se lustra e la fgura.3. La matrz M es ua memora Hofeld co la úca dfereca que la dagoal rcal es dferete de cero. M T es la matrz trasuesta de M que ahora como etrada recbe a B la salda será A. El roceso bdreccoal aterormete lustrado cotua hasta que A B coverge a u uto estable A B. A M B A M T B A M B A M T B... A M B A M T B Fgura.3. Fucoameto de la BAM de Koso. Se le reseta u atró de etrada a la matrz de correlacó M se obtee u atró de salda osterormete se calcula la trasuesta de M se le reseta este atró de salda lo que resulta e u uevo atró de etrada este roceso se rete hasta que el sstema llega a u estado estable e dode o este cambos e los atroes calculados. Koso descubró que su memora fucoaba meor co atroes bolares que co atroes baros a la maera de Hofeld or tato: A {- } B {- } Para la codfcacó de la BAM se sueroe las m asocacoes sumádolas ara formar la matrz de correlacó: la memora dual M T que está dada or: T M A B.3. T t A B T T M B A.3. E el roceso de decodfcacó cada euroa a que se ecuetra e el camo A cada euroa b localzada e el camo B de forma deedete asícroa eama la suma de etrada de las euroas del otro camo etoces uede o o cambar su estado s la suma de etrada es maor gual o meor que u umbral dado. S la suma de etrada es gual al umbral etoces la euroa o camba su estado. La suma de etrada ara b es el roducto tero columa: 6

28 AM am.3.3 dode M es la -ésma columa de M. La suma de etrada ara a es de maera smlar BM T b m.3.4 dode M es la -ésma fla de M. Se toma el como el umbral ara todas las euroas. Las fucoes de umbral ara a b so: a b T s BM > T s BM < s AM > s AM < Cuado se le reseta u atró A B a la BAM las euroas e los camos A B se rede o se aaga de acuerdo a la ocurreca de s s e los vectores de estado A B. Las euroas cotúa sus cambos de estado hasta que se alcace u estado estable bdreccoal A f B f. El sguete eemlo lustra el fucoameto de la BAM. Eemlo: Se rooe 3 ares de vectores m 3: Por tato 3 5. A - -; B - - A - - ; B - - A ; B La matrz de correlacó su trasuesta so: M T M

29 8 Se le reseta el vector A a la memora de Koso etoces sguedo el rocedmeto descrto e la fgura.3. utlzado las ecuacoes el resultado es el sguete: Co auda de la ecuacó.3.3 se obtee B M A B Alcado los umbrales - - B co B se obtedrá A medate la matrz trasuesta M T : ' T B A M Alcado los umbrales - - ' A Ahora utlzado A M se obtee B : ' ' M A B Alcado los umbrales - - ' B Comarado B co B se uede observar que ambos vectores so guales or lo tato el atró recuerado es - -. Se uede coclur que la recueracó realzada or la memora de Koso co el atró de etrada A fue correcta. Cuado se le reseta los atroes de etrada A A 3 a la BAM los atroes recuerados B B 3 so guales al atró - -. Claramete se uede observar que la recueracó o fue correcta e guo de los dos casos. Koso rooe la fucó de otecal: T T T A B B A B A E M M.3.5

30 como la eergía del sstema de la BAM ara el estado AB. La ecuacó.3.5 es equvalete a EA B - AMB T.3.6 Koso comrueba que el roceso de decodfcacó roceso bdreccoal semre alcaza u estado estable el cual corresode a u mímo local de la ecuacó.3.5. Además establece que se llega al mímo local a artr de cualquer matrz de correlacó M. Se alcaza el estado estable debdo a que los cambos e las varables de estado roduce u cambo de eergía egatvo. E este trabao Koso afrma que la caacdad de almaceameto de la BAM es el valor mímo etre las dmesoes de los vectores de los atroes de etrada de salda esto es el m..3. Modelos de Memoras Asocatvas Bdreccoales a través del temo E esta seccó se reseta e la tabla.3. los 38 modelos de memoras asocatvas bdreccoales más mortates a través del temo. La rmera columa de la tabla dca el año de creacó de la BAM; e la seguda columa aarece el ombre del autor rcal el ombre del modelo el ombre orgal e glés; falmete e la tercera columa se descrbe el método que utlzó cada modelo ara tetar meorar la caacdad de recueracó. E el aédce A se descrbe e detalle cada uo de los modelos cludos e la tabla. El crtero utlzado ara decdr que los 38 modelos de memoras asocatvas bdreccoales de la tabla so los más mortates a través del temo radca e el método utlzado or cada modelo. Alguas de ellas so modfcacoes de algortmos rouestos o e alguas ocasoes se couta dos métodos ara dar vda a uo uevo. Se tomó la decsó de o mecoar aquellos modelos resetes e la lteratura actual que so modfcacoes meores de alguos mecoados e la tabla.3.. La varedad de cocetos matemátcos téccas comutacoales usadas or los vestgadores es otable. E los modelos de BAM resetados e esta seccó está cludos etre otros los sguetes métodos: etreameto múltle adcó dumm téccas de alto orde téccas eoecales codfcacó Householder algortmo Otmal Gradet Descet coeó asmétrca aredzae basado e el ercetro elmacó de estados esuros. Tabla.3. Modelos osterores a la BAM orgal ño Autor Nombre Característca dsttva 988 Koso BAM Prmera memora asocatva bdreccoal 988 Haes et. al. BAM o homogéea [6] Se troduce los umbrales dferetes de cero 989 Wag Y et al Multle Trag MT [8] Se etrea la BAM co la msma area de atroes múltles ocasoes ara tetar que al meos esta area 989 Ta et al Hgh-Order Bdrectoal Assocatve Memor HOBAM [9] sea recuerada E la etaa de codfcacó de la HOBAM de orde se utlza la oeracó de elevar al eoete el roducto 9

31 tero de los vectores de etrada 99 Jeg et al Eoecal BAM EBAM [3] La regla de actualzacó utlza la oeracó eoecal que cotee como base u úmero α > como eoete el roducto tero de los vectores de etrada 99 Wag Y et al MT ad dumm addto [3] Utlza de uevo el etreameto múltle co ua varate: la etesó dumm de los vectores 99 Wag Y et al [3] Esecfca el úmero mímo de veces de etreameto de ua asocacó ara asegurar que el corresodete ar sea recuerado e el roceso de etreameto múltle 99 Smso Hgher Ordered BAM [33] La tra e tercoeó de las dferetes caas de los heterocorrelacoadores Medate téccas de rogramacó leal se calcula el 99 Wag Y et al Lear Programmg/Multle úmero de veces de etreameto de ua asocacó ara Trag LP/MT [9] asegurar que el corresodete ar sea recuerado e el roceso de etreameto múltle 99 Leug et al Codfcacó Householder [7] Se alca la trasformada Householder e la etaa de codfcacó 99 Srvasa et al Ulearg [34] Se crea la matrz de correlacó cacelado los estados esuros se duce a que alguos atroes o se areda 99 Wag W et al Modfed EBAM MEBAM [35] Agrega u térmo de autocorrelacó al eoete 99 Jeg et al Stable Hgh order BAM SHBAM Modelo geeral de correlacó ara asegurar establdad e [36] la HOBAM e la EBAM Podera los atroes fudametales de maera que 99 Yu et al Geeralzed Bdrectoal cumla co la codcó de cotudad rouesta or Assocatve Memor GBAM [37] Koso e lugar de buscar que los atroes sea estados estables 993 Lee et al Correlato Sgfcace CS [38] Smlar al LP/MT se geera oderacoes. Se utlza el método del gradete descedete. La fucó de error oderacoes se actualza e cada aso de la recueracó 993 Utlza el método del gradete descedete de maera que Perfett Otmal Gradet Descet Learg se logre mamzar los rados de atraccó de cada uo de [39] los atroes etreados 993 Leug Ehaced Householder Codg Algorthm EHCA [4] Fusoa e ua sola matrz las dos matrces del Householder 993 Leug Adatatve Ho-Kasha Bdrectoal Prooe ua ueva regla de aredzae ara la BAM: Learg AHKBL [4] Adatve Ho-Kasha Bdrectoal Learg AHKBL 994 Khorasa et al BAM modfcada [43] Utlza la técca de successve over-relaato ara ecotrar esos los umbrales. Su obetvo o es mmzar la fucó de eergía so geeralzar el aredzae de memoras autoasocatvas basadas e Hofeld 994 Se realza el aálss de la ebam mlemetada co crcutos Wag C et al Aálss de la ebam VLSI co resecto a su rado de atraccó su caacdad mlemetada co crcutos VLSI [44] de almaceameto. Prooe esos de tercoeó asmétrcos ara la matrz 994 de correlacó. Además se crea u oerador de u et al Asmmetrc Bdrectoal terolacó e la codfcacó ara asegurar que todos los Assocatve Memor ABAM [45] atroes sea estados estables s so lealmete deedetes 994 Hattor et al Pseudo-Relaato Learg Utlza el PRLAB ara ecotrar los esos los umbrales de Algorthm PRLAB 46] la matrz de correlacó 994 Leug Bdrectoal Learg BL [48] Se basa e la dea del ercetro ara geerar ua matrz de coeoes 994 Hu et al Parallel Orthogoalzato Based Se rooe dos tos de codfcacó basados e téccas

32 BAM POBAM Ulateral Orthogoalzato Based BAM UOBAM [49] de ortogoalzacó: el POBAM que tee coeoes smétrcas el UOBAM co coeoes asmétrcas 994 Wag Z Lear ad No Lear BAM [5] Se reseta dos dseños de BAM ua leal otra o leal. Ambas utlza ua matrz ótma dferete a ua matrz de correlacó 994 Sarar Three Laer BAM TLBAM [5] Se rooe ua BAM de tres caas e la que se calcula la catdad eacta de rudo e la recueracó 996 Osaa et al Chaotc Bdrectoal Utlza euroas caótcas e la etaa de decodfcacó Assocatve Memor CBAM [5] ermte asocacoes de uo a muchos. 997 Che et al Imroved Eoetal BAM La IEBAM fusoa los dos eoetes de la MEBAM e uo IEBAM [53] solo lo que ermte evtar el requsto de cotudad 997 Al gual que Wag Y 99 se aumeta elemetos dumm Haroo et al Bolar-Orthogoal la úca dfereca es que los elemetos de Wag era Augmetato Method BOAM [54] baros los de Haroo so bolares 997 Araúo et al Ulearg of Surous Attractors USA ad Bdrectoal Delta Rule BDR [55] El USA elma los atractores esuros el BDR actualza los esos de la matrz de correlacó bdreccoalmete metras esta atractores esuros 999 Rtter et al Morhologcal BAM MBAM [57] Se basa e las oeracoes morfológcas de dlatacó erosó so oe-shot Wu et al Feedforward BAM [58] Se dseña dos BAM feedforward ua comuesta or los atroes de etrada u vector termedo la otra co los atroes de salda el msmo vector; además es oe-shot Leze Imroved BL IBL [59] La codcó ara el bue fucoameto del BL era que los atroes fuera lealmete searables; IBL utlza la traslacó la dlatacó ara evadr esa codcó Eom et al EBAM oderada [6] Basada e la ebam se calcula el rad que garatza la atraccó detro de certo rado. Las oderacoes utlzadas ara obteer el rad se calcula medate el algortmo Pseudo-Relaato 3 Lee et al [63] Se rooe el coceto de bola de Hammg de orde q Utlza el método del aumeto dumm ara la correccó de 5 Zheg et al Otmal Gradet Descet los atroes recuerados; además agrada el rado de Algorthm OGDA [64] atraccó medate el algortmo del gradete descedete ótmo 5 She et al [8] Medate u algortmo geétco se odera la matrz de correlacó 6 Charter [65] Permte el aredzae tato de atroes baros como de atroes e escala de grses E la fgura.3. odemos observar los resultados gráfcos de la caacdad de recueracó de alguos de los modelos resetados e la tabla ateror. Las gráfcas de los modelos de Wag 99 Jeg Zheg Charter os dca que la recueracó de atroes decrece cuado aumeta el úmero de areas etreadas. S embargo el uevo modelo de Memora Asocatva Bdreccoal rouesto e este trabao de tess tee el comortameto dcado or la flecha que sobresale e egro; esto es la BAM Alfa-Beta recuera de maera correcta todos los atroes etreados s mortar que el úmero de éstos aumete. La gráfca resultate del modelo de Wu sugere que ara que este modelo ueda recuerar todos los atroes etreados la dstaca de Hammg etre ellos debe ser meor o gual a 4. Las característcas de los atroes etreados como: dstaca de Hammg ortogoaldad deedeca leal etre otras o lmta el bue fucoameto de la BAM Alfa-Beta; el uevo modelo semre resetará recueracó correcta de todos los atroes del couto fudametal.

33 Wag Jeg Zheg Wu Charter Fgura.3. Gráfcas de los resultados de la caacdad de recueracó de los modelos de Wag 99 Jeg Wu Zheg Charter mostrados e la tabla.3.. La flecha que sobresale e egro dca el comortameto de la BAM Alfa-Beta ate la caacdad de recueracó lo que os sugere la recueracó correcta de todos los atroes etreados.

34 CAPÍTULO 3 Marco Teórco Las Memoras Asocatvas Alfa-Beta so la base fudametal del modelo de Memora Asocatva Bdreccoal rouesto e este trabao de tess. E este caítulo se reseta el fudameto teórco que susteta a las memoras asocatvas Alfa-Beta tal como se reseta e [5]; ara ello se reseta las defcoes de las oeracoes α β las oeracoes matrcales utlzado estas oeracoes orgales se descrbe las fases de aredzae recueracó de la memoras heteroasocatvas autoasocatvas Alfa-Beta tato ma como m. La umeracó de los Lemas Teoremas que se reseta e este caítulo corresode a la umeracó orgal que aarece e [5]. 3. Memoras Asocatvas Alfa-Beta Las memoras Alfa-Beta utlza mámos mímos dos oeracoes baras orgales α β de las cuales hereda el ombre. Para la defcó de las oeracoes baras α β se debe esecfcar los coutos A B los cuales so: A { } B { } La oeracó bara α: A A B se defe como se muestra e la Tabla 3.. Tabla 3. Oeracó bara α: A A B α La oeracó bara β: B A A se defe como se muestra e la Tabla 3. 3

35 Los coutos A B las oeracoes baras α β uto co los oeradores mímo mámo usuales coforma el sstema algebraco A B α β e el que está mersas las memoras asocatvas Alfa-Beta. Tabla 3. Oeracó bara β: B A A β Se requere la defcó de cuatro oeracoes matrcales de las cuales se usará sólo 4 casos artculares: P α Oeracó αma: mr r [ ] m P α Q f dode f α q α β Oeracó βma: mr r [ ] m P r β Q f dode f β q β α Oeracó αm: mr r [ ] m P r α Q h dode h α q α β Oeracó βm: mr r [ ] m r β Q h dode h β q β El sguete lema muestra los resultados obtedos al utlzar las oeracoes que volucra al oerador baro α co las comoetes de u vector columa u vector fla dados. Lema.. Sea A A m ; etoces α t es ua matrz de dmesoes m además se cumle que: α t α t. r 4

36 5 Demostracó. m m m m m m m m m t α α α α α α α α α α α α α α α α α α α α K M K M M K K K M K M M K K K M t m m m m α α α α α α α α α α K M K M M K K E efecto resulta que α t es ua matrz de dmesoes m que α t α t. Dado el resultado del lema ateror es coveete escoger u símbolo úco dgamos el símbolo que reresete a las dos oeracoes α α cuado se oera u vector columa de dmesó m co u vector fla de dmesó : α t t α t La -ésma comoete de la matrz está t dada or: [ t ] α Dado u ídce de asocacó µ la eresó ateror dca que la -ésma comoete de la matrz µ µ t se eresa de la sguete maera: [ µ µ t ] µ µ α

37 6 Ahora se aalzará el caso e el que se oera ua matrz de dmesoes m co u vector columa de dmesó usado las oeracoes β β. E los lemas..3 se obtee la forma que ehbrá las -ésmas comoetes de los vectores columa resultates de dmesó m a artr de ambas oeracoes β β. Lema. Sea A P ua matrz de dmesoes m. La oeracó P m β da como resultado u vector columa de dmesó m cua -ésma comoete tee la sguete forma: m β β P Demostracó.- m m m m M K M K M M K K β β P m m m m m β β β β β β β β β β β β β M K M K K P Se obtee u vector columa de dmesó m cua -ésma comoete es m β β P Lema.3 Sea A P ua matrz de dmesoes m. La oeracó P m β da como resultado u vector columa de dmesó m cua -ésma comoete tee la sguete forma: m β β P Demostracó m m m m M K M K M M K K β β P

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar

Más detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

ANÁLISIS ESTADÍSTICO DEL CONTROL DE CALIDAD EN LAS EMPRESAS

ANÁLISIS ESTADÍSTICO DEL CONTROL DE CALIDAD EN LAS EMPRESAS UNIVERIDAD de VALLADOLID ECUELA de INGENIERÍA INDUTRIALE INGENIERO TÉCNICO INDUTRIAL, EPECIALIDAD EN MECÁNICA PROYECTO FIN DE CARRERA ANÁLII ETADÍTICO DEL CONTROL DE CALIDAD EN LA EMPREA Autor: Galca Adrés,

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

Tema 3. Polinomios y otras expresiones algebraicas (Estos conceptos están extraídos del libro Matemáticas 1 de Bachillerato.

Tema 3. Polinomios y otras expresiones algebraicas (Estos conceptos están extraídos del libro Matemáticas 1 de Bachillerato. UH ctualizació de oocimietos de Matemáticas ara Tema Poliomios y otras eresioes algebraicas Estos cocetos está etraídos del libro Matemáticas de achillerato McGrawHill Poliomios: oeracioes co oliomios

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

Gestión de operaciones

Gestión de operaciones Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos

Más detalles

( ) ( ) ( )( ) ( )( ) ( )

( ) ( ) ( )( ) ( )( ) ( ) Oetvos El alumo coocerá aplcará y comparará alguos métodos de terpolacó umérca de ucoes. Al al de esta práctca el alumo podrá:. Oteer ua ucó que cotega u couto dado de putos e u plao utlzado los métodos

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II) Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca

Más detalles

1.1 INTRODUCCION & NOTACION

1.1 INTRODUCCION & NOTACION 1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor

Más detalles

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones:

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones: Coverdor PUH PU El coverdor Push Pull es u coverdor que hace uso de u rasformador para eer aslameo ere la esó de erada y la esó de salda. Posee además ua ducaca magezae propa del rasformador que como al

Más detalles

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros . alcular el motate que obtedremos al captalzar 5. euros al 5% durate días (año cvl y comercal). Solucó: 5., euros (cvl); 5.,5 euros (comercal). 5. o ' 5,5 5,8 5,5 ' 5. 5.,5) 5,5) 5., 5.,5. alcular el

Más detalles

SISTEMAS DE ECUACIONES NO LINEALES

SISTEMAS DE ECUACIONES NO LINEALES SISTEMAS DE ECUACIONES NO INEAES Capítulo 7 Sstemas de ecuacoes o leales c Elzabeth Vargas 7 INTRODUCCIÓN os métodos teratvos para resolver ua ecuacó o leal se puede eteder para ecotrar la solucó de u

Más detalles

Palabras-Clave: Análisis hidráulicos, régimen transitorio, modelo elástico.

Palabras-Clave: Análisis hidráulicos, régimen transitorio, modelo elástico. MODLO HIT. ÁLISIS D TSITOIOS HIDÁULIOS SISTMS OMPLJOS MDIT MODLO LÁSTIO. Pedro L. Iglesas ey ; Vcete S. Fuertes Mquel ; Joaquí Izquerdo Sebastá esume el resete artículo se aborda ua formulacó alteratva

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Uversdad Rey Jua Carlos ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Lus Rcó Córcoles Lceso J. Rodríguez-Aragó Programa. Itroduccó. 2. Defcó de redmeto. 3. Meddas para evaluar el redmeto. 4. Programas para

Más detalles

Conceptos y ejemplos básicos de Programación Dinámica

Conceptos y ejemplos básicos de Programación Dinámica Coceptos y eemplos báscos de Programacó Dámca Wlso Julá Rodríguez Roas ularodrguez@hotmal.com Trabao de Grado para Optar por el Título de Matemátco Drector: Pervys Regfo Regfo Igeero Uversdad Nacoal de

Más detalles

Sistemas de Ecuaciones No Lineales

Sistemas de Ecuaciones No Lineales Matemátca Sueror alcada Sstemas de Ecuacoes No Leales Profesor: Dr. Alejadro S. M. Sata Cruz JTP: Dr. Jua Igaco Maassald Au. da: Sr. Alejadro Jesús Ladreyt Au. da: Sra. Amala Rueda Itroduccó Volvemos u

Más detalles

Métodos indirectos de estimación: razón, regresión y diferencia

Métodos indirectos de estimación: razón, regresión y diferencia Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó

Más detalles

Posible solución del examen de Investigación Operativa de Sistemas de septiembre de 2011

Posible solución del examen de Investigación Operativa de Sistemas de septiembre de 2011 Posble solucó del exame de Ivestgacó Oeratva de Sstemas de setembre de 2 Problema : ( utos Dos bolas blacas está colocadas e ua mesa al lado de ua bolsa que cotee ua bola blaca y dos egras. Reteradamete

Más detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores

Más detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó

Más detalles

3 Metodología de determinación del valor del agua cruda

3 Metodología de determinación del valor del agua cruda 3 Metodología de determacó del valor del agua cruda Este aexo de la metodología del valor de agua cruda (VAC), cotee el método de detfcacó de la relacó etre reco y caudal, el cálculo de los estadígrafos

Más detalles

FEM-OF: EDP Elíptica de 2 Orden

FEM-OF: EDP Elíptica de 2 Orden 9/02/2008 Capítulo 5: FM-OF: D líptca de 2 Orde Idce: 5..- Operador Dferecal líptco 5.2.- roblema Básco 5.3.- Fucoes Óptmas 5.4.- FM-OF Steklov-ocaré 5.5.- FM-OF Trefftz-Herrera 5.6.- FM-OF etrov-galerk

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

Análisis acerca de la distribución de Weibull con datos truncados y la distribución generalizada de Pareto aplicado a fallas en dieléctricos

Análisis acerca de la distribución de Weibull con datos truncados y la distribución generalizada de Pareto aplicado a fallas en dieléctricos Herrera Lus A. Salvaterra Lucas M. Razztte Adrá C. Kovalevs Laura I. Damm Quña ablo L. Irurzu Isabel M. Mola Eduardo E. Aálss acerca de la dstrbucó de Webull co datos trucados la dstrbucó eeralzada de

Más detalles

Topología General Capítulo 0-2 -

Topología General Capítulo 0-2 - Topología Geeral Topología Geeral apítulo - - - - Topología Geeral apítulo - 3 - Breve reseña hstórca Sus orígees está asocados a la obra de Euler, ator y Möbus. La palabra topología había sdo utlzada

Más detalles

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector.

Comportamiento Mecánico de Sólidos Capítulo II. Introducción al análisis tensorial. Tensores. x 3 A 3. Figura 1. Componentes de un vector. Comportameto Mecáco de Sóldos Capítulo II. Itroduccó al aálss tesoral. Itroduccó al aálss tesoral esores Es aquella catdad físca que después de ua trasformacó de coordeadas (que obedezca certas reglas),

Más detalles

4 METODOLOGIA ADAPTADA AL PROBLEMA

4 METODOLOGIA ADAPTADA AL PROBLEMA 4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor

Más detalles

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar

Más detalles

Juegos finitos n-personales como juegos de negociación

Juegos finitos n-personales como juegos de negociación Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos

Más detalles

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO UNA POPUESTA DE GÁFICO DE CONTOL DIFUSO PAA EL CONTOL DEL POCESO VIVIAN LOENA CHUD PANTOJA (UDV) vvalorea16@gmal.com NATHALY MATINEZ ESCOBA (UDV) atta10@gmal.com Jua Carlos Osoro Gómez (UDV) juacarosoro@yahoo.es

Más detalles

T E S I S. Cuantificación Vectorial de Imágenes con base en Memorias Asociativas Extendidas UNIVERSIDAD TECNOLÓGICA DE LA MIXTECA

T E S I S. Cuantificación Vectorial de Imágenes con base en Memorias Asociativas Extendidas UNIVERSIDAD TECNOLÓGICA DE LA MIXTECA UNIVERSIDAD TECNOLÓGICA DE LA MIXTECA Cuatfcacó Vectoral de Imágees co base e Memoras Asocatvas Exteddas T E S I S QUE PARA OBTENER EL GRADO DE MAESTRO EN CIENCIAS EN ELECTRÓNICA Y COMPUTACIÓN PRESENTA

Más detalles

1.2. Medidas de Concentración

1.2. Medidas de Concentración .. Meddas de Cocetracó Matlde Machado.. Meddas de Cocetracó La gra mayora de los mercados se ecuetra etre los extremos de competeca perfecta (cocetracó mma) y moopolo (cocetracó máxma). Las meddas de cocetracó

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

X / n : proporción de caras ( = frecuencia relativa del suceso A = f A = n A / n ) Se espera que a medida que n crece la frecuencia relativa de cara

X / n : proporción de caras ( = frecuencia relativa del suceso A = f A = n A / n ) Se espera que a medida que n crece la frecuencia relativa de cara 95 Teoremas límte Cosderemos el exermeto aleatoro que cosste e arrojar ua moeda equlbrada veces. Suogamos que se regstra la roorcó de caras. U resultado coocdo es que esta roorcó estará cerca de /. Formalzado

Más detalles

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa Error tpo I: Rechazar H sedo H Verdara Test Hpótess Error tpo II: No rechazar H sedo H Falsa Nvel Sgfcacó: = P(error tpo I = P(Rechazar H sedo H Verdara Probabldad error tpo II: = P(error tpo II = P(No

Más detalles

ANALES DE MECÁNICA DE LA FRACTURA Vol. 22 (2005)

ANALES DE MECÁNICA DE LA FRACTURA Vol. 22 (2005) AALES DE MECÁICA DE LA FRACTURA Vol. (5) 7 DAÑ PRBABILISTA SBRE EL CEMET E PRÓTESIS DE CADERA. IFLUECIA DEL GRAD DE UI CEMET-PRTESIS J. Grasa, Mª A. Pérez, J. M. García-Azar, J. A. Bea y M. Doblaré Gruo

Más detalles

CURSO REDES ELECTRICAS II 1 CAPITULO 4

CURSO REDES ELECTRICAS II 1 CAPITULO 4 CURSO REDES ELECTRICAS II FLUJO DE CARGAS. Itroduccó: CAPITULO 4 Los estudos de cargas tee ua eorme mportaca e la plafcacó de las amplacoes de u sstema de eergía, así como e la determacó del fucoameto

Más detalles

6.2.- Funciones cóncavas y convexas

6.2.- Funciones cóncavas y convexas C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.

Más detalles

SEGUNDA PARTE PRESENTACIÓN DEL MÉTODO DE ANÁLISIS FACTORIAL DE CORRESPONDENCIAS MÚLTIPLES

SEGUNDA PARTE PRESENTACIÓN DEL MÉTODO DE ANÁLISIS FACTORIAL DE CORRESPONDENCIAS MÚLTIPLES SEGUNDA PARTE PRESENTACIÓN DEL MÉTODO DE ANÁLISIS FACTORIAL DE CORRESPONDENCIAS MÚLTIPLES L. GENERALIZACIÓN DEL A.F.C. : ANÁLISIS FACTORIAL DE CORRESPONDENCIAS MÚLTIPLES 1. Itroducció Las «ecuestas» se

Más detalles

Cartografía de las transiciones electrónicas en cristales ferromagnéticos. Rolando Saniz. Departamento de Ciencias Exactas

Cartografía de las transiciones electrónicas en cristales ferromagnéticos. Rolando Saniz. Departamento de Ciencias Exactas Cartograía de las trascoes electrócas e crstales erromagétcos Rolado Saz Deartameto de Cecas Exactas Uversdad Católca Bolvaa Caslla #5381 Cochabamba El coocmeto de las trascoes electrócas osbles etre estados

Más detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

Más detalles

Guía práctica para la realización de medidas y el cálculo de errores

Guía práctica para la realización de medidas y el cálculo de errores Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

PROBANDO GENERADORES DE NUMEROS ALEATORIOS PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos

Más detalles

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización.

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización. Optmzacó de ua cartera de versoes utlzado algortmos geétcos María Graca Leó, Nelso Ruz, Ig. Fabrco Echeverría Isttuto de Cecas Matemátcas ICM Escuela Superor Poltécca del Ltoral Vía Permetral Km 30.5,

Más detalles

Aplicación de Boostrapping en Regresión I

Aplicación de Boostrapping en Regresión I Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores

Más detalles

Capítulo 2. Operadores

Capítulo 2. Operadores Capítulo 2 Operadores 21 Operadores lieales 22 Fucioes propias y valores propios 23 Operadores hermitiaos 231 Delta de Kroecker 24 Notació de Dirac 25 Operador Adjuto 2 Operadores E la mecáica cuática

Más detalles

LOS NÚMEROS COMPLEJOS

LOS NÚMEROS COMPLEJOS LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate

Más detalles

Las hipotecas y la tasa anual equivalente

Las hipotecas y la tasa anual equivalente 49 Juo 2005,. 25-32 Las hotecas y la tasa aual equvalete La mayor arte de osotros hacemos uso de los crédtos que os ofrece las etdades faceras ara la adquscó de dsttos bees, sobre todo la vveda. E este

Más detalles

Introducción a la Programación Lineal

Introducción a la Programación Lineal Itroduccó a la Programacó Leal Clauda Llaa Daza Garzó cldaza@uversa.et.co Trabajo de Grado para Optar por el Título de Matemátco Drector: Pervys Rego Rego Igeero Uversdad Nacoal de Colomba Fudacó Uverstara

Más detalles

MEDIDAS DE FORMA Y CONCENTRACIÓN

MEDIDAS DE FORMA Y CONCENTRACIÓN MEDIDAS DE FORMA Y CONCENTRACIÓN 4..- Asmetría: coefcetes de asmetría de Fsher y Pearso. Otros Coefcetes de asmetría. 4.2.- La ley ormal. 4..- Curtoss o aplastameto: coefcete de Fsher. 4.4.- Meddas de

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor.

5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor. GRADO DE INGENIERÍA AEROESPACIAL. CURSO 00. Lecció. Fucioes y derivada. 5. Aproimació de fucioes: poliomios de Taylor y teorema de Taylor. Alguas veces podemos aproimar fucioes complicadas mediate otras

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

Teoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II.

Teoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II. Teoría Smplfcada de ERRORES Suscrbe este documeto los coordadores de Laboratoro de Químca, Físca I y Físca II. Defcoes Báscas: -Error absoluto (o error): Itervalo xe dode co máxma probabldad se ecuetra

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

ÁLGEBRA II (LSI PI) TRANSFORMACIONES LINEALES UNIDAD Nº 5. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO

ÁLGEBRA II (LSI PI) TRANSFORMACIONES LINEALES UNIDAD Nº 5. Facultad de Ciencias Exactas y Tecnologías UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO 2017 ÁLGEBRA II (LSI PI) UNIDAD Nº 5 RANSFORMACIONES LINEALES Facultad de Cecas Exactas y ecologías UNIERSIDAD NACIONAL DE SANIAGO DEL ESERO aa Error! No hay texto co el estlo especfcado e el documeto

Más detalles

Tema 2: Modelos lineales de optimización con variables enteras.

Tema 2: Modelos lineales de optimización con variables enteras. Tema 2: Modelos leales de optmzacó co varables eteras. Objetvos del tema: Itroducr la programacó leal etera y los domos de aplcacó. Apreder a formular el modelo de u problema de programacó leal etera.

Más detalles

Tema 12: Modelos de distribución de probabilidad: Variables Continuas

Tema 12: Modelos de distribución de probabilidad: Variables Continuas Aálss de Datos I Esquema del Tema Tema : Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(; ) 3. MODELO CHI-CUADRADO DE PEARSON, k 4. MODELO t DE STUDENT, t

Más detalles

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES Itroduccó a la Trasformada Wavelet DESCOMPOSICIÓN DE SEÑALES Trasformada Wavelet Curso 006 Itroduccó Para ua mejor compresó de los capítulos sguetes desarrollaremos aquí alguos coceptos matemátcos ecesaros

Más detalles

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205 Aálss amortzado Téccas Avazadas de Programacó - Javer Campos 205 Aálss amortzado El pla: Coceptos báscos: Método agregado Método cotable Método potecal Prmer ejemplo: aálss de tablas hash dámcas Motículos

Más detalles

Análisis estadístico de datos muestrales

Análisis estadístico de datos muestrales Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.

Más detalles

Escrito. 1) Transforma a las bases indicadas:

Escrito. 1) Transforma a las bases indicadas: Escrto ) Trasforma a las bases dcadas: a. 765 base (0) b. AB base 7 0 (6) base ) Halla los dígtos a y b sabedo que: aam 6 ( 5 ) mam( 6 ) 3) Trasforma a la base dcada usado ua tabla de correspodeca.. 00

Más detalles

4. ALGORITMO DE RESOLUCIÓN.

4. ALGORITMO DE RESOLUCIÓN. 4. ALGORITMO DE RESOLUCIÓN. Este capítulo trata acerca de la solucó propuesta para la resolucó del problema de la asgacó de aulas co especal atecó e el algortmo de fluo co costo mímo. A cotuacó se descrbe

Más detalles

CAPÍTULO II MARCO TEÓRICO

CAPÍTULO II MARCO TEÓRICO CAPÍTULO II MARCO TEÓRICO - - MARCO TEÓRICO El marco teórco de este trabajo propoe los métodos heurístcos factbles que resolverá este problema. Co lo que se buscará cubrr las egecas de los datos dspobles

Más detalles

División de Evaluación Social de Inversiones

División de Evaluación Social de Inversiones MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013

Más detalles

Apéndice 1. Ajuste de la función gamma utilizando el método de máxima probabilidad ( maximum likelihood )

Apéndice 1. Ajuste de la función gamma utilizando el método de máxima probabilidad ( maximum likelihood ) Apédces Apédces 357 Apédce. Ajuste de la fucó gamma utlzado el método de máma probabldad mamum lkelhood Se descrbe a cotuacó el ajuste de la fucó gamma utlzado e el apartado.2..2 pága 28. Véase Burguess

Más detalles

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x) APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)

Más detalles

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo

Más detalles

Ampliación de Redes de Telefonía Básica

Ampliación de Redes de Telefonía Básica Amplacó de Redes de Telefoía Básca Carlos D. Almeda Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay cdad@eee.org Nlto R. Amarlla Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay dmatest@copaco.com.py Bejamí

Más detalles

MATEMÁTICAS FINANCIERAS

MATEMÁTICAS FINANCIERAS MAEMÁICAS FINANCIERAS Aloso ÍNDICE. INERÉS SIMPLE 4. CONCEPOS PREVIOS... 4.2 DEFINICIÓN DE INERÉS SIMPLE... 4.3 FÓRMULAS DERIVADAS... 6.4 INERPREACIÓN GRÁFICA... 8 2. INERÉS COMPUESO 9 2. DEFINICIÓN DE

Más detalles

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se CAPÍTULO III. METODOLOGÍA III. Tpos de Medcó De acuerdo co la clasfcacó de Amartya Se (200), las meddas de desgualdad se puede catalogar e u setdo objetvo o ormatvo. E el setdo objetvo se utlza algua medda

Más detalles

1 Sucesiones. Ejemplos. a n = n a n = n! a n = n n. a n = p n. a n = 2n3 + n 2 + 5 n 2 + 8. a n = ln(n)

1 Sucesiones. Ejemplos. a n = n a n = n! a n = n n. a n = p n. a n = 2n3 + n 2 + 5 n 2 + 8. a n = ln(n) 1 Sucesioes De ició. Ua sucesió, a, es ua fució que tiee como domiio el cojuto de los úmeros aturales y como cotradomiio el cojuto de los úmeros reales: a : N! R. Se usa la siguiete otació: a () = a :

Más detalles

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO Nota: A partr del de julo de 200, las empresas reporta a la SBS formacó más segmetada de las tasas de terés promedo de los crédtos destados a facar

Más detalles

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva

Más detalles

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además

Más detalles

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2014 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 7: CONTRASTE DE HIPÓTESIS

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2014 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 7: CONTRASTE DE HIPÓTESIS PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 214 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 7: CONTRASTE DE HIPÓTESIS Juio, Ejercicio 4, Oció B Reserva 2, Ejercicio 4, Oció B Reserva 4, Ejercicio

Más detalles

Teoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA)

Teoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA) Teoría de carteras de versó para la dversfcacó del resgo: efoque clásco y uso de redes euroales artfcales (RNA) Ivestmet portfolo theory ad rsk dversfcato: classc ad eural etworks methodology D. Cot* y

Más detalles

GENERACION DE NUMEROS ALEATORIOS

GENERACION DE NUMEROS ALEATORIOS GENERACION DE NUMEROS ALEATORIOS U paso clave e smulacó es teer rutas que geere varables aleatoras co dstrbucoes especfcas: epoecal, ormal, etc. Esto es hecho e dos fases. La prmera cosste e geerar ua

Más detalles

Tema 16: Modelos de distribución de probabilidad: Variables Continuas

Tema 16: Modelos de distribución de probabilidad: Variables Continuas Aálss de Datos I Esquema del Tema 6 Tema 6: Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(μ, σ) 3. MODELO CHI-CUADRADO DE PEARSON, χ k 4. MODELO t DE STUDENT,

Más detalles

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Fracsco Álvarez Gozález fracsco.alvarez@uca.es Bajo el térmo Estadístca Descrptva se egloba las téccas que os permtrá

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

LECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS

LECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS Uversdad Católca Los Ágeles de Cmbote LECTURA 0: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS TEMA : DISTRIBUCIONES DE FRECUENCIAS: DEFINICIÓN Y CLASIFICACIÓN

Más detalles

CAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_01. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D.

CAPITULO 2º FUNCIONES DE VECTORES Y MATRICES_01. Ing. Diego Alejandro Patiño G. M.Sc, Ph.D. CPIULO 2º FUNCIONES DE VECORES Y MRICES_ Ig. Dego lejadro Patño G. M.Sc, Ph.D. Fucoes de Vectores y Matrces Los operadores leales so fucoes e u espaco vectoral, que trasforma u vector desde u espaco a

Más detalles

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos Aálss Numérco y Programacó Udad III -Iterpolacó medate trazadores: Leales, cuadrátcos y cúbcos Prmavera 9 Aálss Numérco y Programacó Coceptos geerales Problema geeral: Se tee u cojuto dscreto de valores

Más detalles