Introducción al Data Mining Clase 9. Cluster Analysis con proyecciones
|
|
- Juan Francisco Fuentes Benítez
- hace 8 años
- Vistas:
Transcripción
1 Introducción al Data Mining Clase 9 Cluster Analysis con proyecciones Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina
2 Proyecciones aleatorias y clustering. Biau et al
3 En la práctica, trabajar con problemas en espacios de dimensión muy grande o de dimensión infinita puede requerir de alguna técnica de reducción de la dimensión. Una forma habitual de reducir la dimensión es proyectando las observaciones en subespacios de menor dimensión que capturen tanto como sea posible la variación de los datos. Para este objetivo lo más habitual es utilizar componentes principales. Lamentablemente este método es computacionalmente caro, y sin garantía de que las distancias entre los datos originales y los proyectados se preserven... 2
4 Con el método de proyecciones aleatorias, los datos originales (de dimensión muy alta) se proyectan en subespacios de dimensión mucho menor usando una matriz aleatoria adecuadamente reescalada con entradas independientes y normales!!. La idea clave de las proyecciones aleatorias vienen del Lemma de Johnson Lindenstrauss (1984), que afirma que cualquier conjunto de n puntos en un espacio Euclideano pueden ser sumergido en un espacio Euclideano de dimensión mucho menor O( logn ɛ 2 ) sin distorcionar las distancias entre cualquier par de puntos por más de un factor de 1 ± ɛ, para cualquier 0 < ɛ < 1. 3
5 La demostración original de Johnson and Lindenstrauss fué simplificada por Frank y Maehara (1988, 1990) y luego trabajada usando técnicas probabiĺısticas por Dasgupta y Gupta (2003). La extensión a espacios de Hilbert se debe a Biau et al (2008) que describiremos a continuación. Algunas aplicaciones más recientes de este Lema se encuentran en Linial, London y Rabinovich (1995), Kleinberg (1997)y Indyk y Motwani (1998). 4
6 The random projection method. Caso de dimensión finita Sea H = R p. Sean {X i E( X 1 2 ) <. i 1} vectores aleatorios iid en H con Cada dato X i, 1 i n es un vector vector X i = (X (1) i, X (2) i,..., X (p) i ) R p. La base aleatoria sobre la que proyectamos Sea s < p un entero positivo, y {N j = (N (1) j,..., N (p) j ) j 1} vectores independientes, cuyas coordenadas son variables aleatorias normales independientes con varianza 1/s. O sea N j j 1 son normales multivariadas con media 0 y matriz de covarianza 1 s Id. 5
7 Definimos X i,j = p l=1 N (l) j X (l) i = N j, X i, j = 1,..., s, y los vectores proyectados sobre R s, X i = (X i,1,..., X i,s ) i = 1,... n. Si denotamos E N a la esperanza tomada con respecto a las variables normales (condicional a X 1,..., X n ), E N Xi,j 2 = X i 2. s El vector X i = (X i,1,..., X i,s ) R s es entonces una proyección aleatoria de X i sobre un subespacio s dimensional. 6
8 Claramente, para X i fijos, cada componente X i,j es una variable aleatoria normal con media 0 y varianza X i 2 /s. Por tanto E N ( X i 2 ) = X i 2, y (con X i fijas), s X i 2 2 tiene una distribución χ 2 con s grados de libertad. X i
9 Similarmente, para cada i i {1,..., n}, E N ( X i X i 2 ) = X i X i 2 y s X i X i 2 X i X i 2, tiene una distribución χ 2 con s grados de libertad. Ahora usando una cota de Chernoff para la distribución χ 2 cuadrado tenemos que ( Xi X P i 2 ) N X i X i 2 1 > ɛ y en forma similar tenemos que, P N ( Xi X i 2 X i X i 2 1 > ɛ ) e s 2 ( ɛ+ln(1+ɛ)), e s 2 ( ɛ+ln(1 ɛ)). 7
10 Como consecuencia tenemos el siguiente Teorema. Teorema (Johnson Lindenstrauss Lemma): Sea H = R p. Para cualquier ɛ, δ (0, 1) y cualquier entero positivo n, sea s un entero positivo tal que ln(n/ δ) s 4 (ɛ 2 2 ɛ 3 /3). Definamos la aplicación lineal f : H R s como la proyección aleatoria descrita antes. Entonces para cualquier conjunto D de n puntos en H, con probabilidad al menos 1 δ, para todo (u, v) D D, (1 ɛ) u v 2 f(u) f(v) 2 (1 + ɛ) u v 2. 8
11 Por tanto, las proyecciones aleatorias preservan aproximadamente las distancias de a pares en el conjunto de datos dado, y por tanto están particularmente bien diseñadas para los objetivos de cualquier procedimiento basado en distancias. En particular, podemos aplicarlo a k medias. 9
12 El algoritmo aplicado a k-medias Sea s = cealing(4 ln(n/ δ) (ɛ 2 2 ɛ 3 /3) ) y sean X 1,..., X n R s las proyecciones al azar de los datos originales X 1,..., X n. Consideremos el siguiente algoritmo para k medias. Determinemos una colección h n = (h n1,..., h nk ) (R s ) k de centros de clusters que minimicen el riesgo empírico de clustering en R s basados en los datos proyectados X 1,..., X n R s, y sean S n1,..., S nk R s las celdas de Voronoi asociadas a ellos. (O sea resolvamos el problema de k medias con los datos proyectados). 10
13 Definamos los centros de los clusters en el espacio original H = R p por ĥ nj = ni=1 X i I {Xi S nj }, j = 1,..., k, ni=1 I {Xi S nj } y denotemos por ĥn a la colección de estos k centros.
14 Los nuevos centros de los clusters - ahora en R p determinan via sus celdas de Voronoi asociadas una partición de H = R p en k celdas. El siguiente resultado asegura que reemplazar los centros óptimos empíricos h n por estos últimos (así definidos) ĥn no nos hace perder mucho. Teorema. Fijemos una muestra D = {X 1,..., X n }. Para cada ɛ, δ (0, 1), sean el entero positivo s y las proyecciones aleatorias como en el Teorema anterior. Entonces, con probabilidad al menos 1 δ I K (P n, ĥn) 1 + ɛ 1 ɛ I K(P n, h n ), donde I K es la función objetivo para k medias. La demostración se encuentra en Biau, Devroye and Lugosi (2008). 11
15 Para estudiantes de Ingeniería Matemática Extensión al caso de espacios de Hilbert 12
16 The random projection method. Let H be a separable Hilbert space. Then we may identify it with the space l 2 of all sequences x = (x α ) α 1 such that α=1 x 2 α <. Let {X i i 1} iid random elements in H with E( X 1 2 ) <. Each data point X i, 1 i n is now represented by a vector X i = (X (1) i, X (2) i,...) l 2. Let s be a positive integer, and {N j j = 1,... s} independent sequences, of independent centered normal random variables with variance 1/s, N j = (N (α) ) α 1 (not in l 2 ). 13
17 For each D 1, set X D i,j = D α=1 N (α) j X (α) i, j = 1,..., s, and X D i = (Xi,1 D,..., XD i,s ) i = 1,... n. Conditioned to X 1,..., X n, for fixed i and j, the sequence (X D i,j ) D 1 is a sum of independent centered random variables, and therefore it is a martingale. Moreover, denoting by E N expectation taken with respect to the normal random variables (conditioned to X 1,..., X n ), E N ( X D ij ) 2 = D α=1 (X (α) i ) 2 s X i 2. s 14
18 Thus, the sequence (Xi,j D ) D 1 is a martingale bounded in L 2, consequently, it converges almost surely and in L 2 to some random variable X i,j. Moreover, there exists a random variable Z i,j in L 2 such that X i,j Z i,j. It follows by dominated convergence that ĺım E N (Xi,j D D )2 = E N Xi,j 2 = X i 2. s The vector X i = (X i,1,..., X i,s ) R s may be regarded as a random projection of X i to an s dimensional subspace. Clearly, for fixed X i, each component X i,j is a normal random variable with mean 0 and variance X i 2 /s. Therefore E N ( X i 2 ) = X i 2, and (with X i fixed), s X i 2 X i 2 has a χ2 distribution with s degrees of freedom. 15
19 Similarly, for any i i {1,..., n}, E N ( X i X i 2 ) = X i X i 2 and s X i X i 2 X i X i 2, has a χ 2 distribution with s degrees of freedom. Now by a Chernoff bound for the χ 2 distribution we have and, similarly P N ( Xi X i 2 X i X i 2 1 > ɛ P N ( Xi X i 2 X i X i 2 1 > ɛ ) ) e s 2 ( ɛ+ln(1+ɛ)), e s 2 ( ɛ+ln(1 ɛ)). 16
20 By the union bound, the following Theorem holds. Theorem (Johnson Lindenstrauss Lemma): Let H be a separable Hilbert space. For any ɛ, δ (0, 1) and any positive integer n, let s be a positive integer such that ln(n/ δ) s 4 (ɛ 2 2 ɛ 3 /3). Define a linar map f : H R s as a random projection described above. Then for any set D of n points in H, with probability at least 1 δ, for all (u, v) D D, (1 ɛ) u v 2 f(u) f(v) 2 (1 + ɛ) u v 2. Thus, random projections approximately preserve pairwise distances in the data set, and therefore are particularly well suited for the purposes of k means clustering. 17
21 The algorithm Let s = cealing(4 ln(n/ δ) (ɛ 2 2 ɛ 3 /3) ) and let X 1,..., X n R s be the randomly projected data points X 1,..., X n. Consider the following algorithm. Determine a collection h n = (h n1,..., h nk ) (R s ) k of cluster centers which minimizes the empirical clustering risk in R s based on the projected data X 1,..., X n R s, and let S n1,..., S nk R s be the associated Voronoi cells. Define the cluster centers in H by ĥ nj = ni=1 X i I {Xi S nj }, j = 1,..., k, ni=1 I {Xi S nj } and denote by ĥn the collection of these k centers. 18
22 The cluster centers then determine the associated Voronoi partition of H into k cells. The following result ensures that replacing the empirically optimal cluster centers h n by ĥn does not harm too much. Theorem. Fix a sample D = {X 1,..., X n }. For any ɛ, δ (0, 1), let the positive integer s and the random projection be as in the previous Theorem. Then, with probability at least 1 δ I K (P n, ĥn) 1 + ɛ 1 ɛ I K(P n, h n ). The proof can be found in Biau, Devroye and Lugosi (2008). 19
23 Corollary. Assume that P P(R) and let ɛ (0, 1/2) and δ (0, 1). Define s as before and consider the clustering centers ĥn found by the clustering algorithm based on random projections. Then for any x > 0, with probability at least 1 e x (with respect to the random sample), with probability at least 1 δ (with respect to the random projections) I K (P n, ĥn) I K (P ) 24kR2 + 12R 2 2x n + 4ɛR 2. This corollary shows a tradeoff between performance and computational complexity. If one projects onto a space of dimension O(ln(n)/ɛ 2 ), the price to pay is an excess clustering risk of the order of ɛ. 20
24 With other dimension reduction techniques no such bounds can be proven. Consider, for example, a commonly used dimension reduction technique that simply keeps the first m n components of X (in an orthonormal representation of X ), where m n is some pre specified positive integer,growing with the sample size. Then it is easy to see that, even though almost sure convergence of the clustering risk to the optimum may be achieved, convergence may be arbitrarily slow. Another popular dimension reduction technique is based on principal component analysis. Unfortunately, clustering procedures based on a principal component analysis may significantly deteriorate the clustering performance. 21
25 Example 1. Assume that X takes its values in l 2. Let k = 1 and suppose that P is concentrated on just one point h = (h 1, h 2,..., ), where the h α s 0 with α=1 h α 2 <. The optimal cluster center is clearly h, but by truncating at the first m n components the best one can do is to take h = (h 1,..., h mn, 0, 0,...), giving a clustering risk equal to α>m n h 2 α. No matter how fast m n grows, the clustering risk may converge to zero at an arbitrarily slow rate. 22
26 Example 2. Let ɛ > 0 and assume that X is uniformly distributed on the four points ( 1 ɛ, 0), (1 + ɛ, 0), (0, 1), (0, 1). Then for k = 2, an optimal clustering rule groups ( 1 ɛ, 0) with (0, 1) and (1 + ɛ, 0) with (0, 1), giving a mean squared error converging to 1/2 as ɛ 0. At the same time, the principal component of the distribution is the x axis, so projecting on the first component collapses the points (0, 1) and (0, 1). Thus, any algorithm based on this projection needs to group, say ( 1 ɛ, 0), (0, 1), (0, 1) in one cluster, leaving (1 + ɛ, 0) for the other. The mean squared error of the best such rule converges to 2/3 as ɛ 0, thus giving a strictly increased clustering risk if ɛ is sufficiently small. 23
Tema 3: Aplicaciones de la diagonalización
TEORÍA DE ÁLGEBRA II: Tema 3. DIPLOMATURA DE ESTADÍSTICA 1 Tema 3: Aplicaciones de la diagonalización 1 Ecuaciones en diferencias Estudiando la cría de conejos, Fibonacci llegó a las siguientes conclusiones:
Más detallesIntroducción al Data Mining Clases 5. Cluster Analysis. Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina
Introducción al Data Mining Clases 5 Cluster Analysis Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina Cluster Análisis 1 El término cluster analysis (usado por primera
Más detallesPROBLEMAS PARA LA CLASE DEL 20 DE FEBRERO DEL 2008
PROBLEMAS PARA LA CLASE DEL 20 DE FEBRERO DEL 2008 Problema 1 Marketing estimates that a new instrument for the analysis of soil samples will be very successful, moderately successful, or unsuccessful,
Más detalles13.TRANSFORMACIONES LINEALES 273 13.1. DEFINICIÓN DE TRANSFORMACIÓN LINEAL... 273 13.2. DETERMINACIÓN DE UNA TRANSFORMACIÓN LINEAL... 275 13.3.
ÍNDICE 13.TRANSFORMACIONES LINEALES 273 13.1. DEFINICIÓN DE TRANSFORMACIÓN LINEAL............. 273 13.2. DETERMINACIÓN DE UNA TRANSFORMACIÓN LINEAL...... 275 13.3. REPRESENTACIÓN MATRICIAL DE UNA TRANSFORMACIÓN
Más detallesA limit theorem for random games
A limit theorem for random games María José González joint work with: F. Durango, J.L. Fernández, P. Fernández Warsaw 2017 Game Game with 2 players: α and β. Each of them alternately move R (right) or
Más detallesTesis de Maestría titulada
Tesis de Maestría titulada EL ANALISIS DE CONFIABILIDAD COMO HERRAMIENTA PARA OPTIMIZAR LA GESTIÓN DEL MANTENIMIENTO DE LOS EQUIPOS DE LA LÍNEA DE FLOTACIÓN EN UN CENTRO MINERO RESUMEN En la presente investigación
Más detalles1 Espacios y subespacios vectoriales.
UNIVERSIDAD POLITÉCNICA DE CARTAGENA Departamento de Matemática Aplicada y Estadística Espacios vectoriales y sistemas de ecuaciones 1 Espacios y subespacios vectoriales Definición 1 Sea V un conjunto
Más detallesPregunta 1 Suponga que una muestra de 35 observaciones es obtenida de una población con media y varianza. Entonces la se calcula como.
Universidad de Costa Rica Programa de Posgrado en Computación e Informática Doctorado en Computación e Informática Curso Estadística 18 de febrero 2013 Nombre: Segundo examen corto de Probabilidad Pregunta
Más detallesJuegos Cooperativos. Core
Curso : Juegos Cooperativos Core J. Oviedo Universidad Nacional de San Luis 1. Juegos Cooperativos En estos juegos se permite la comunicación entre los jugadores, también pueden firmar contratos de cooperación.
Más detallesMatemáticas Muestra Cuadernillo de Examen
Matemáticas Muestra Cuadernillo de Examen Papel-Lápiz Formato Estudiante Español Versión, Grados 3-5 Mathematics Sample Test Booklet Paper-Pencil Format Student Spanish Version, Grades 3 5 Este cuadernillo
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN ANÁLISIS MULTIVARIADO
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN ANÁLISIS MULTIVARIADO OBJETIVO GENERAL El curso es de un nivel matemático intermedio y tiene
Más detallesEL MÉTODO DE LA BISECCIÓN
EL MÉTODO DE LA BISECCIÓN Teorema de Bolzano Sea f : [a, b] IR IR una función continua en [a, b] tal que f(a) f(b) < 0, es decir, que tiene distinto signo en a y en b. Entonces, existe c (a, b) tal que
Más detallesReal Time Systems. Part 2: Cyclic schedulers. Real Time Systems. Francisco Martín Rico. URJC. 2011
Real Time Systems Part 2: Cyclic schedulers Scheduling To organise the use resources to guarantee the temporal requirements A scheduling method is composed by: An scheduling algorithm that calculates the
Más detallesAprendizaje estadístico Gábor Lugosi (Universidad Pompeu Fabra) Kernel methods in a regularization framework Yoonkyung Lee (Ohio State University)
Aprendizaje estadístico Gábor Lugosi (Universidad Pompeu Fabra) En este curso se repasarán algunos conceptos de aprendizaje estadístico. Se investigarán los métodos de la minimización empírica del riesgo,
Más detallesFunciones de varias variables
Capítulo 2 Funciones de varias variables 1. Definiciones básicas En este texto consideraremos funciones f : A R m, A R n. Dichas funciones son comúnmente denominadas como funciones de varias variables,
Más detalles3. Selección y Extracción de características. Selección: Extracción: -PCA -NMF
3. Selección y Extracción de características Selección: - óptimos y subóptimos Extracción: -PCA - LDA - ICA -NMF 1 Selección de Características Objetivo: Seleccionar un conjunto de p variables a partir
Más detallesContraste de Independencia entre Variables Cualitativas
Contraste de Independencia entre Variables Cualitativas Grado en NHD. Grupos C y E Ejemplo I Ejemplo: Supóngase que se desea estudiar la posible relación entre dos variables de tipo cualitativo (tipo de
Más detallesSelectividad Septiembre 2009 SEPTIEMBRE 2009. Opción A
SEPTIEMBRE 2009 Opción A 1.- Como cada año, el inicio del curso académico, una tienda de material escolar prepara una oferta de 600 cuadernos, 500 carpetas y 400 bolígrafos para los alumnos de un IES,
Más detallesClase 15 Espacios vectoriales Álgebra Lineal
Espacios vectoriales Clase 5 Espacios vectoriales Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia En esta sección estudiaremos uno de los conceptos
Más detallesApuntes de Matemática Discreta 1. Conjuntos y Subconjuntos
Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 1 Conjuntos y Subconjuntos
Más detallesTema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice
Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice 1 Polinomios Dedicaremos este apartado al repaso de los polinomios. Se define R[x] ={a 0 + a 1 x + a 2 x 2 +... +
Más detallesEXERCISES. product of one of them by the square of the other takes a maximum value.
EXERCISES EXERCISE 1 If f : R R is defined by f(x) = e x (x 2), a) Find the asymptotes of f. b) Find where f is increasing or decreasing and the local maxima or minima. c) Find the inflection points of
Más detallesMétodos Estadísticos de la Ingeniería Tema 5: Cálculo de Probabilidades Grupo B
Métodos Estadísticos de la Ingeniería Tema 5: Cálculo de Probabilidades Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2010 Contenidos...............................................................
Más detallesDistribuciones Multivariantes. Distribuciones Multivariantes. Distribuciones Multivariantes. Objetivos del tema:
Distribuciones Multivariantes Distribuciones Multivariantes Distribución conjunta de un vector aleatorio Objetivos del tema: Distribuciones marginales y condicionadas Al final del tema el alumno será capaz
Más detallesObjetivos: Al inalizar la unidad, el alumno:
Unidad 7 transformaciones lineales Objetivos: Al inalizar la unidad, el alumno: Comprenderá los conceptos de dominio e imagen de una transformación. Distinguirá cuándo una transformación es lineal. Encontrará
Más detallesTema 3. Espacios vectoriales
Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición
Más detallesAMPLIACIÓN DE MATEMÁTICAS. REPASO DE MATEMÁTICAS DISCRETA. CONGRUENCIAS. En el conjunto de los números enteros
AMPLIACIÓN DE MATEMÁTICAS REPASO DE MATEMÁTICAS DISCRETA. CONGRUENCIAS. En el conjunto de los números enteros Z = {..., n,..., 2, 1, 0, 1, 2, 3,..., n, n + 1,...} tenemos definidos una suma y un producto
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 7 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallesSistemas de Ecuaciones Lineales y Matrices
Sistemas de Ecuaciones Lineales y Matrices Oscar G Ibarra-Manzano, DSc Departamento de Area Básica - Tronco Común DES de Ingenierías Facultad de Ingeniería, Mecánica, Eléctrica y Electrónica Trimestre
Más detallesTema 07. LÍMITES Y CONTINUIDAD DE FUNCIONES
Tema 07 LÍMITES Y CONTINUIDAD DE FUNCIONES Límite de una función en un punto Vamos a estudiar el comportamiento de las funciones f ( ) g ( ) ENT[ ] h ( ) i ( ) en el punto Para ello, damos a valores próimos
Más detallesSeries y Probabilidades.
Series y Probabilidades Alejandra Cabaña y Joaquín Ortega 2 IVIC, Departamento de Matemática, y Universidad de Valladolid 2 CIMAT, AC Índice general Sucesiones y Series Numéricas 3 Sucesiones 3 2 Límites
Más detallesProcesos Estacionarios. Francisco J. González Serrano. Universidad Carlos III de Madrid
PREDICCIÓN DE SEÑALES Procesos Estacionarios Francisco J. González Serrano Universidad Carlos III de Madrid Procesos Estacionarios A la hora de hacer predicciones parece obvio suponer que algo debe permanecer
Más detallesMatrices: Conceptos y Operaciones Básicas
Matrices: Conceptos y Operaciones Básicas Departamento de Matemáticas, CCIR/ITESM 8 de septiembre de 010 Índice 111 Introducción 1 11 Matriz 1 113 Igualdad entre matrices 11 Matrices especiales 3 115 Suma
Más detallesGeometría Tridimensional
Capítulo 4 Geometría Tridimensional En dos dimensiones trabajamos en el plano mientras que en tres dimensiones trabajaremos en el espacio, también provisto de un sistema de coordenadas. En el espacio,
Más detallesÁlgebra Vectorial. Principios de Mecánica. Licenciatura de Física. Curso 2007-2008. 1
Álgebra Vectorial Principios de Mecánica. Licenciatura de Física. Curso 2007-2008. 1 Indice. 1. Magnitudes Escalares y Vectoriales. 2. Vectores. 3. Suma de Vectores. Producto de un vector por un escalar.
Más detallesx : N Q 1 x(1) = x 1 2 x(2) = x 2 3 x(3) = x 3
3 Sucesiones - Fernando Sánchez - - Cálculo I de números racionales 03 10 2015 Los números reales son aproximaciones que se van haciendo con números racionales. Estas aproximaciones se llaman sucesiones
Más detallesAnexo 1: Demostraciones
75 Matemáticas I : Álgebra Lineal Anexo 1: Demostraciones Espacios vectoriales Demostración de: Propiedades 89 de la página 41 Propiedades 89- Algunas propiedades que se deducen de las anteriores son:
Más detallesComenzaremos recordando algunas definiciones y propiedades estudiadas en el capítulo anterior.
Capítulo 2 Matrices En el capítulo anterior hemos utilizado matrices para la resolución de sistemas de ecuaciones lineales y hemos visto que, para n, m N, el conjunto de las matrices de n filas y m columnas
Más detallesMétodos generales de generación de variables aleatorias
Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad
Más detallesCongruencias de Grado Superior
Congruencias de Grado Superior Capítulo 3 3.1 Introdución En el capítulo anterior vimos cómo resolver congruencias del tipo ax b mod m donde a, b y m son enteros m > 1, y (a, b) = 1. En este capítulo discutiremos
Más detallesAnálisis Real: Primer Curso. Ricardo A. Sáenz
Análisis Real: Primer Curso Ricardo A. Sáenz Índice general Introducción v Capítulo 1. Espacios Métricos 1 1. Métricas 1 2. Métricas en espacios vectoriales 4 3. Topología 9 Ejercicios 17 Capítulo 2.
Más detallesAplicaciones Lineales
Aplicaciones Lineales Primeras definiciones Una aplicación lineal de un K-ev de salida E a un K-ev de llegada F es una aplicación f : E F tal que f(u + v) = f(u) + f(v) para todos u v E f(λ u) = λ f(u)
Más detallesSea T R y (Ω, F, P ) un espacio de probabilidad. Un proceso aleatorio es una función
Capítulo 2 Cadenas de Markov 21 Introducción Sea T R y (Ω, F, P ) un espacio de probabilidad Un proceso aleatorio es una función X : T Ω R tal que para cada t T, X(t, ) es una variable aleatoria Si fijamos
Más detallesAplicaciones lineales
aplicaciones_lineales.nb Aplicaciones lineales Práctica de Álgebra Lineal, E.U.A.T, Grupos ºA y ºB, 005 Aplicaciones lineales y matrices Hay una relación muy estrecha entre aplicaciones lineales y matrices:
Más detallesAplicaciones Lineales
Tema 3 Aplicaciones Lineales 3.1 Introducción Se presentan en este tema las aplicaciones entre espacios vectoriales, particularmente las aplicaciones lineales, que de una manera informal pueden definirse
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 2 Programación Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 2 Programación Lineal ORGANIZACIÓN DEL TEMA Sesiones: Introducción, definición y ejemplos Propiedades y procedimientos de solución Interpretación económica
Más detalles1-Comportamiento de una función alrededor de un punto:
Matemática II 7 Modulo Límites continuidad En esta sección desarrollaremos el concepto de límite, una de las nociones fundamentales del cálculo. A partir de este concepto se desarrollan también los conceptos
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Universidad de Cádiz Departamento de Matemáticas MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Tema 4 La recta en el plano Elaborado por la Profesora Doctora María Teresa
Más detallesSistemas de Generación de Energía Eléctrica HIDROLOGÍA BÁSICA. Universidad Tecnológica De Pereira
2010 Sistemas de Generación de Energía Eléctrica HIDROLOGÍA BÁSICA Universidad Tecnológica De Pereira Conceptos Básicos de Hidrología La hidrología es una ciencia clave en el estudio de los sistemas de
Más detallesDetermine if this function achieves a maximum in A. Does it achieve a minimum?
(1 Consider the set A = {(x, y R : x + y, y x }. (a Draw set A, its boundary and interior set. Discuss whether A is open, closed, bounded, compact and/or convex. Clearly explain your answer. (b Consider
Más detalles8.2.2. Intervalo para la media (caso general)
182 Bioestadística: Métodos y Aplicaciones 100 de ellos se obtiene una media muestral de 3 kg, y una desviación típica de 0,5 kg, calcular un intervalo de confianza para la media poblacional que presente
Más detallesAlvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012
Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian
Más detallesTEMA 4. Cálculo integral en Varias variables. Apartados 7 y 8. Integrales triples en cilíndricas. Integrales triples en esféricas. Teorema de Fubini.
Matemática Aplicada y Métodos Informáticos TEMA 4 Cálculo integral en Varias variables Apartados 7 y 8 Integrales triples en cilíndricas. Integrales triples en esféricas. Teorema de Fubini. RECORDATORIO
Más detallesCálculo científico y técnico con HP49g/49g+/48gII/50g Módulo 3: Aplicaciones Tema 3.7 Polinomio interpolador
Cálculo científico y técnico con HP49g/49g+/48gII/50g Módulo 3: Aplicaciones Tema 3.7 Polinomio interpolador Francisco Palacios Escuela Politécnica Superior de Ingeniería Manresa Universidad Politécnica
Más detallesTOUCH MATH. Students will only use Touch Math on math facts that are not memorized.
TOUCH MATH What is it and why is my child learning this? Memorizing math facts is an important skill for students to learn. Some students have difficulty memorizing these facts, even though they are doing
Más detallesVolatilidad: Noviembre 2010 Futuros Frijol de Soya
Observaciones Junio 09, 2010 1. La volatilidad tiene una tendencia a aumentar de Junio a Julio. 2. Este reporte sugiere que se debería considerar la implementación de estrategias largas con opciones en
Más detallesNUMERO DE CONDICION Y DETERMINANTE DE UNA MATRIZ Jorge Lemagne Pérez, Facultad de Matemática y Computación, Universidad de La Habana
REVISTA INVESTIGACION OPERACIONAL Vol. 2, No., 2000 NUMERO DE CONDICION Y DETERMINANTE DE UNA MATRIZ Jorge Lemagne Pérez, Facultad de Matemática y Computación, Universidad de La Habana RESUMEN En la resolución
Más detallesTema 5. Variables aleatorias discretas
Tema 5. Variables aleatorias discretas Resumen del tema 5.1. Definición de variable aleatoria discreta 5.1.1. Variables aleatorias Una variable aleatoria es una función que asigna un número a cada suceso
Más detallesSelectividad Septiembre 2013 OPCIÓN B
Pruebas de Acceso a las Universidades de Castilla y León ATEÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJERCICIO Nº páginas Tablas OPTATIVIDAD: EL ALUNO DEBERÁ ESCOGER UNA DE LAS DOS OPCIONES Y DESARROLLAR
Más detallesAnexo a la guía 4 Geometría: ejemplos y comentarios
Anexo a la guía 4 Geometría: ejemplos y comentarios Sergio Dain 26 de mayo de 2014 En las guías 1 y 2 discutimos vectores, covectores y tensores de manera puramente algebraica, sin hacer referencia a la
Más detallesListas de vectores y conjuntos de vectores
Listas de vectores y conjuntos de vectores La explicación de los temas Dependencia lineal y Bases en el curso de Álgebra Lineal se puede basar en uno de los siguientes dos conceptos (o en ambos): ) listas
Más detallesVamos a Multiplicar Al estilo maya!
Vamos a Multiplicar Al estilo maya! Resumen de la actividad Esta lección le permite a los estudiantes realizar multiplicación al estilo maya como una actividad de seguimiento a la herramienta interactiva
Más detallesSistemas de impresión y tamaños mínimos Printing Systems and minimum sizes
Sistemas de impresión y tamaños mínimos Printing Systems and minimum sizes Para la reproducción del Logotipo, deberán seguirse los lineamientos que se presentan a continuación y que servirán como guía
Más detallesPara hallar el límite de una sucesión podemos utilizar algunas técnicas como: El concepto de límite de una función:
Tema 3 Sucesiones y Series 3.1. Sucesiones de números reales Definición 3.1.1 Una sucesión de números reales { } es una aplicación que asigna a cad N un número real: : N R a 1, a 2, a 3... son los términos
Más detallesADAPTACIÓN DE REAL TIME WORKSHOP AL SISTEMA OPERATIVO LINUX
ADAPTACIÓN DE REAL TIME WORKSHOP AL SISTEMA OPERATIVO LINUX Autor: Tomás Murillo, Fernando. Director: Muñoz Frías, José Daniel. Coordinador: Contreras Bárcena, David Entidad Colaboradora: ICAI Universidad
Más detallesNotaciones y Pre-requisitos
Notaciones y Pre-requisitos Símbolo Significado N Conjunto de los números naturales. Z Conjunto de los números enteros. Q Conjunto de los números enteros. R Conjunto de los números enteros. C Conjunto
Más detallesUniversidad de Guadalajara
Universidad de Guadalajara Centro Universitario de Ciencias Económico-Administrativas Maestría en Tecnologías de Información Ante-proyecto de Tésis Selection of a lightweight virtualization framework to
Más detallesDiagnosis y Crítica del modelo -Ajuste de distribuciones con Statgraphics-
Diagnosis y Crítica del modelo -Ajuste de distribuciones con Statgraphics- 1. Introducción Ficheros de datos: TiempoaccesoWeb.sf3 ; AlumnosIndustriales.sf3 El objetivo de esta práctica es asignar un modelo
Más detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los
Más detallesSome examples. I wash my clothes, I wash the dishes, I wash the car, I wash the windows. I wash my hands, I wash my hair, I wash my face.
Reflexive verbs In this presentation, we are going to look at a special group of verbs called reflexives. Let s start out by thinking of the English verb wash. List several things that you can wash. Some
Más detallesFlashcards Series 3 El Aeropuerto
Flashcards Series 3 El Aeropuerto Flashcards are one of the quickest and easiest ways to test yourself on Spanish vocabulary, no matter where you are! Test yourself on just these flashcards at first. Then,
Más detallesCONTROLADORA PARA PIXELS CONPIX
The LedEdit Software Instructions 1, Install the software to PC and open English version: When we installed The LedEdit Software, on the desktop we can see following icon: Please Double-click it, then
Más detallesAnálisis de Redes Complejas: Un paseo
Análisis de Redes Complejas: Un paseo matemático entre Google y las redes sociales miguel.romance@urjc.es Dpto. de Matemática Aplicada ESCET Universidad Rey Juan Carlos Madrid Murcia, 25 de noviembre de
Más detallesb) Para encontrar los intervalos de crecimiento y decrecimiento, hay que derivar la función. Como que se trata de un cociente, aplicamos la fórmula:
1. Dada la función f(x) = : a) Encontrar el dominio, las AH y las AV. b) Intervalos de crecimiento, decrecimiento, máximos y mínimos relativos. c) Primitiva que cumpla que F(0) = 0. a) Para encontrar el
Más detallesiclef-2002 at Universities of Alicante and Jaen University of Alicante (Spain)
iclef-2002 at Universities of Alicante and Jaen University of Alicante (Spain) ! Introduction! Passage Retrieval Systems! IR-n system! IR-n system at iclef-2002! Conclusions and Future works ! Introduction!
Más detallesSistema!de!iluminación!de!un!longboard!
Sistemadeiluminacióndeunlongboard RESUMEN JuanJacoboMonteroMuñoz GradoenIngenieríaelectromecánica,electrónicaindustrial DoblediplomaconSupélecParís. Este proyecto ha sido desarrollado en París, en la Ecole
Más detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detallesT.1 CONVERGENCIA Y TEOREMAS LÍMITE
T.1 CONVERGENCIA Y TEOREMAS LÍMITE 1. CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIA CONVERGENCIA CASI-SEGURA CONVERGENCIA EN PROBABILIDAD CONVERGENCIA EN MEDIA CUADRÁTICA CONVERGENCIA EN LEY ( O DISTRIBUCIÓN)
Más detallesCurso: Métodos de Monte Carlo Unidad 2, Sesión 6: Integración por Monte Carlo
Curso: Métodos de Monte Carlo Unidad 2, Sesión 6: Integración por Monte Carlo Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo,
Más detallesAn explanation by Sr. Jordan
& An explanation by Sr. Jdan direct object pronouns We usually use Direct Object Pronouns to substitute f it them in a sentence when the it them follows the verb. Because of gender, him and her could also
Más detallesEste documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales.
Este documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales. Introducción Por qué La Geometría? La Geometría tiene como objetivo fundamental
Más detallesJuegos estáticos y juegos estocásticos
Capítulo 1 Juegos estáticos y juegos estocásticos La teoría de juegos estudia modelos matemáticos de situaciones de cooperación o de conflicto en el que participan dos o más entidades (personas, empresas,
Más detallesEPB 603 Sistemas del Conocimiento
EPB Sistemas del Conocimiento Dr. Oldemar Rodríguez R. Maestría en Administración de la Tecnología de la Información Escuela de Informática Universidad Nacional Capítulo Método K-Means (Nubes Dinámicas)
Más detallesTema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor
Tema 5 Aproximación funcional local: Polinomio de Taylor Teoría Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una función resulta difícil de evaluar con exactitud,
Más detallesVECTORES. Módulo, dirección y sentido de un vector fijo En un vector fijo se llama módulo del mismo a la longitud del segmento que lo define.
VECTORES El estudio de los vectores es uno de tantos conocimientos de las matemáticas que provienen de la física. En esta ciencia se distingue entre magnitudes escalares y magnitudes vectoriales. Se llaman
Más detallesTema 7. Límites y continuidad de funciones
Matemáticas II (Bachillerato de Ciencias) Análisis: Límites y continuidad de funciones 55 Límite de una función en un punto Tema 7 Límites y continuidad de funciones Idea inicial Si una función f está
Más detallesCAPÍTULO 10 Aplicaciones de la Derivada a Funciones Económicas
CAPÍTULO 10 Aplicaciones de la Derivada a Funciones Económicas Introducción En la economía, la variación de alguna cantidad con respecto a otra puede ser descrita por un concepto promedio o por un concepto
Más detalles3 Espacios Vectoriales
Prof. Susana López 31 3 Espacios Vectoriales 3.1 Introducción Un ector fijo en el plano no es más que un segmento orientado en el que hay que distinguir tres características: -dirección: la de la recta
Más detallesFlashcards Series 4 El Hotel
Flashcards Series 4 El Hotel Flashcards are one of the quickest and easiest ways to test yourself on Spanish vocabulary, no matter where you are! Test yourself on just these flashcards at first. Then,
Más detallesPRÁCTICA 2: Planificación financiera
Grado en Administración de Empresas Departamento de Estadística Asignatura: Optimización y Simulación para la Empresa Curso: 2011/2012 PRÁCTICA 2: Planificación financiera Para el próximo año, una determinada
Más detallesTeóricas de Análisis Matemático (28) - Práctica 4 - Límite de funciones. 1. Límites en el infinito - Asíntotas horizontales
Práctica 4 - Parte Límite de funciones En lo que sigue, veremos cómo la noción de límite introducida para sucesiones se etiende al caso de funciones reales. Esto nos permitirá estudiar el comportamiento
Más detallesANALISIS MULTIVARIANTE
ANALISIS MULTIVARIANTE Es un conjunto de técnicas que se utilizan cuando se trabaja sobre colecciones de datos en las cuáles hay muchas variables implicadas. Los principales problemas, en este contexto,
Más detallesLÍMITES DE FUNCIONES. CONTINUIDAD Y RAMAS INFINITAS
LÍMITES DE FUNCIONES. CONTINUIDAD RAMAS INFINITAS Página 7 REFLEIONA RESUELVE Aproimaciones sucesivas Comprueba que: f () = 6,5; f (,9) = 6,95; f (,99) = 6,995 Calcula f (,999); f (,9999); f (,99999);
Más detallesCapitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES. ÁLGEBRA PARA INGENIEROS (Solucionario)
Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES ÁLGEBRA PARA INGENIEROS (Solucionario) 2 Í N D I C E CAPÍTULO : MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES CAPÍTULO 2: ESPACIOS VECTORIALES
Más detallesMatrices y sus operaciones
Capítulo 1 Matrices y sus operaciones 1.1. Definiciones Dados dos enteros m, n 1 y un cuerpo conmutativo IK, llamamos matriz de m filas y n columnas con coeficientes en IK a un conjunto ordenado de n vectores
Más detalles7.- PRUEBA DE HIPOTESIS
7.- PRUEBA DE HIPOTEI 7.1. INTRODUCCIÓN La estadística inferencial es el proceso de usar la información de una muestra para describir el estado de una población. in embargo es frecuente que usemos la información
Más detallesSistemas de ecuaciones lineales
Sistemas de ecuaciones lineales Índice general 1. Sistemas de ecuaciones lineales 2 2. Método de sustitución 5 3. Método de igualación 9 4. Método de eliminación 13 5. Conclusión 16 1 Sistemas de ecuaciones
Más detallesCadenas de Markov. http://humberto-r-alvarez-a.webs.com
Cadenas de Markov http://humberto-r-alvarez-a.webs.com Definición Procesos estocásticos: procesos que evolucionan de forma no determinista a lo largo del tiempo en torno a un conjunto de estados. Estos
Más detallesVariables aleatorias continuas
Variables aleatorias continuas Hemos definido que una variable aleatoria X es discreta si I X es un conjunto finito o infinito numerable. En la práctica las variables aleatorias discretas sirven como modelos
Más detalles