Construcción de una neurona binaria

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

Download "Construcción de una neurona binaria"

Transcripción

1 El Perceptrón simple: neuronas binarias PRÁCTICA 1 Construcción de una neurona binaria Se va a construir una red neuronal con una única neurona que tiene una función paso (escalón), como función de transferencia, y dos sensores de entrada. Sus entradas van a ser números reales del intervalo [5,5]: net=newp([-5 5;-5 5],1, hardlim ) % ([Matriz de valores mínimos y máximos de las entradas], Número de neuronas, Función de transferencia) Su matriz de pesos sinápticos va ser W=[ -1] y el umbral b=1.5: net.iw{1,1}=[ -1]; =1.5; Valores de salida de la neurona lineal para cada una de las entradas del conjunto 1 1 C, 4 : P=[1 - -1; -4 -]; S=sim(net,P); 1 si x1 x 1.5 Función que define la neurona binaria: y 0 si x1 x 1.5 Salidas de la red para cada uno de las entradas del conjunto C: 1 1 1; 0; 1 1 4

2 PRÁCTICA Construcción de una neurona bipolar Se va a construir una red neuronal con una única neurona que tiene la función signo, como función de transferencia, y dos sensores de entrada. Sus entradas van a ser números reales del intervalo [5,5]: net=newp([-5 5;-5 5],1, hardlims ) % ([Matriz de valores mínimos y máximos de las entradas], Número de neuronas, Función de transferencia) Su matriz de pesos sinápticos va ser W=[ -1] y el umbral b=1.5: net.iw{1,1}=[ -1]; =1.5; Valores de salida de la neurona lineal para cada una de las entradas del conjunto 1 1 C, 4 : P=[1 - -1; -4 -]; S=sim(net,P) 1 si x1 x 1.5 Función que define la neurona bipolar: y 1 si x1 x 1.5 Salidas de la red para cada uno de las entradas del conjunto C: 1 1 1; 1; 1 1 4

3 PRÁCTICA Aprendizaje con el Perceptrón: Implementación de la Función lógica OR Se va diseña un perceptrón simple que implemente la función lógica OR con dos entradas y una única neurona de salida. El conjunto de los 4 patrones de entrada (bidimensionales) viene dado la matriz P y sus correspondientes salidas deseadas vienen dadas por el vector T Construcción de la red inicial como un objeto estructurado: net = newp([0,1;0 1], 1, hardlim, learnp ); % No es necesario especificar %'hardlim','learnp', las toma por defecto % newp([matriz de valores mínimos y máximos de las entradas], Número de neuronas, Función %de Transferencia, Regla de Aprendizaje) Valores iniciales aleatorios de los pesos y del umbral de la red net.iw{1,1}=[rands(1) rands(1)]; =rands(1); % También puede ser net=init(net); Entrenamiento de la red: net.trainparam.epochs = 0; net.trainparam.goal = 0; % Número máximo de épocas % Error admisible [net, tr, Y, E]= train(net, P, T) Salidas Y de la red para las entradas P y el error E cometido : S= sim(net, P) Presentación de los parámetros de la red mae(s-t) % se presentan los pesos sinápticos de la red % se presenta el sesgo de la red % se presenta el error absoluto medio. mse nos da el error cuadrático medio 1 si 1.5x1 0.81x 0.5 y 0 si 1.5x1 0.81x 0.5 x 1 x y Figura 8. Patrones y recta de separación Figura 9. Función implementada (OR)

4 PRÁCTICA 4 Aprendizaje con el Perceptrón: Clasificación con datos de huracanes Se dispone de un conjunto de datos correspondientes a la longitud y latitud de 7 puntos geográficos, junto con el tipo de huracán que han padecido (baroclínico o tropical del Atlántico Norte). Se va a diseñar un perceptrón con dos entradas y una neurona de salida para predecir el tipo de huracán según la longitud y latitud de un punto geográfico. Conjunto de patrones de entrenamiento load huracanes Creación del Perceptrón de dos sensores de entrada y una neurona de salida. net = newp(minmax(p),1,'hardlim','learnp'); %minmax(p) nos da el valor mínimo y el valor máximo de cada fila de P net = init(net); % Valores aleatorios iniciales de los parámetros Entrenamiento de la red net.trainparam.epochs = 0; net.trainparam.show = 5; net.trainparam.goal = 0.1; net.trainfcn='trainc'; % Número máximo de épocas de entrenamiento % Se muestra resultado cada 5 épocas % Error admisible % Entrenamiento on line. También puede ser en lotes: 'trainb' net = train(net,p,t); Salidas de la red cuando las entradas corresponde al conjunto de entrenamiento S= sim(net,p) Valores después del entrenamiento de los pesos sinápticos, del umbral y del error absoluto medio por neurona mae(s-t) % se presentan los pesos sinápticos de la red % se presenta el sesgo de la red % se presenta el error absoluto medio. mse nos da el error cuadrático medio 1 si 6x1 x 1 y 0 si 6x1 x 1 Fig. 10 Evolución del error (mse) Fig. 11. Recta de separación x 1 x y Figura 1. Clasificador neuronal Error absoluto medio = (inaceptable). Los datos no son linealmente separables.

5 PRÁCTICA 5 Aprendizaje con el Perceptrón: Predicción de la diabetes (datos Pima) Se trata de decidir si una persona tiene diabetes a partir de 7 datos personales. Para ello se dispone de las siguientes características de 00 mujeres indias mayores de 1 años que vivían cerca de Phoenix (Arizona) con el fin de estudiar la diabetes de acuerdo a los criterios de la Organización Mundial de la Salud: Nº de embarazos, concentración de glucosa en plasma, presión sanguínea diastólica, insulina, índice de masa corporal, función de antecedentes familiares diabéticos, edad y tipo (diabética o no). Se va a diseñar un Perceptrón simple con el fin de diagnosticar, según estas características, si una mujer es, o no, diabética. Cargas los datos load pima Creación del perceptrón con siete sensores de entrada y una salida: net = newp([minmax(p)], 1,'hardlim','learnp') Inicializar la red: net=init(net); Especificación de parámetros de entrenamiento: net.trainfcn='trainc'; % Entrenamiento en línea. También puede poner % por lotes: 'trainb net.trainparam.epochs=50; % Número total de épocas de entrenamiento net.trainparam.goal=0.10; % Error máximo que se pretende alcanzar net.trainparam.show=10; % Frecuencia de presentación de los gráficos Entrenamiento de la red: [net, tr,y,e]= train(net, P, T); Salidas Y de la red para las entradas P y error E cometido: Y= sim(net, P); train_error=mae(y-t); El mejor tiempo para parar de entrenar: [mim_perf,min_epoch]=min(tr.perf) Presentación de los parámetros de la red mae(y-t) 1 si 84x1 78x 467x 44x4 01.4x5 187x6 11x7 18 y 0 si 84x178x 467x 44x4 01.4x5 187x6 11x7 18 Clasificador Neuronal Fig. 1. Evolución del error (eam) Fig. 14. Datos Proyectados Error absoluto medio = 0.0 (inaceptable). Lo datos no son separables linealmente.

Aprendizaje Automatizado. Redes Neuronales Artificiales

Aprendizaje Automatizado. Redes Neuronales Artificiales Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano

Más detalles

Redes de Kohonen y la Determinación Genética de las Clases

Redes de Kohonen y la Determinación Genética de las Clases Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados

Más detalles

Práctica 10. Redes Neuronales

Práctica 10. Redes Neuronales Práctica 10 Redes Neuronales En esta práctica trabajaremos con un sistema de aprendizaje basado en ejemplos que ya hemos visto con anterioridad (k-vecinos) y una implementación de las redes neuronales.

Más detalles

Tutorial - Parte 2: Scoring

Tutorial - Parte 2: Scoring Introducción Tutorial - Parte 2: Scoring En este segundo tutorial aprenderá lo que significa un modelo de Scoring, verá cómo crear uno utilizando Powerhouse Analytics y finalmente a interpretar sus resultados.

Más detalles

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES José Alejandro Chiri Aguirre RESUMEN La predicción de recidiva en pacientes que han sido

Más detalles

Sistema de medición y control de proceso industrial de embotellado con algoritmo de redes neuronales

Sistema de medición y control de proceso industrial de embotellado con algoritmo de redes neuronales Sistema de medición y control de proceso industrial de embotellado con algoritmo de redes neuronales César E. Martínez Reinoso, Mario Alvarez Sifontes, Francisco J. Arteaga Bravo Unidad de Investigación

Más detalles

5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial. Curso de doctoramiento Técnicas de Computación Flexíbeis

5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial. Curso de doctoramiento Técnicas de Computación Flexíbeis 5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial Curso de doctoramiento Técnicas de Computación Flexíbeis Learning Vector Quantization (LVQ) Versión supervisada de SOM (SOM

Más detalles

Con el fin de obtener los datos, se procede con las siguientes instrucciones:

Con el fin de obtener los datos, se procede con las siguientes instrucciones: Capitulo 3. La predicción de beneficios del mercado bursátil Este segundo caso de estudio va más allá en el uso de técnicas de minería de datos. El dominio específico utilizado para ilustrar estos problemas

Más detalles

ADALINE Y PERCEPTRON

ADALINE Y PERCEPTRON Tema 3: Adaline y Perceptron Sistemas Conexionistas 1 ADALINE Y PERCEPTRON 1. Adaline 1.1. Características. 1.. Regla de Aprendizaje (LMS). Regla Delta. 1.3. Aplicaciones. 1.3.1. Clasificación de vectores.

Más detalles

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión.

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión. TEMA 9 TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE LA INFORMACIÓN CONTABLE 9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de

Más detalles

Aplicación Java para distribución de código en R

Aplicación Java para distribución de código en R rolgalan@gmail.com Huesca - 24 de noviembre de 2009 Implementación Descripción problema Existen muchos problemas, cuya resolución informática requiere de un enorme tiempo de cómputo. En la actualidad,

Más detalles

Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón. Pedro A. Castillo Valdivieso

Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón. Pedro A. Castillo Valdivieso Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón Pedro A. Castillo Valdivieso Depto. Arquitectura y Tecnología de Computadores Universidad de Granada http://atc.ugr.es/pedro/gaicm1

Más detalles

CONTROL INTELIGENTE NRC: 2033

CONTROL INTELIGENTE NRC: 2033 CARRERA DE INGENIERÍA EN ELECTRÓNICA EN AUTOMATIZACIÓN Y CONTROL CONTROL INTELIGENTE NRC: 2033 DISEÑO DE CONTROLADOR NEURONAL PARA LA UNIDAD AIR FLOW TEMPERATURE CONTROL SYSTEM Profesor: Ing. Víctor Proaño

Más detalles

CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS

CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS Descripción de la base de datos Como datos de entrenamiento, en este proyecto, se utilizó la base de datos ORL [1], la cual contiene un conjunto

Más detalles

Monitoreo de condiciones meteorológicas en Baja California Sur. Luis M. Farfán (farfan@cicese.mx) CICESE, Unidad La Paz, B.C.S.

Monitoreo de condiciones meteorológicas en Baja California Sur. Luis M. Farfán (farfan@cicese.mx) CICESE, Unidad La Paz, B.C.S. 1 Monitoreo de condiciones meteorológicas en Baja California Sur Luis M. Farfán (farfan@cicese.mx) CICESE, Unidad La Paz, B.C.S. Las condiciones meteorológicas del tiempo representan el estado de la atmósfera

Más detalles

Héctor Tabares 1 *, Jesús Hernández 2. Departamento de Ingeniería Eléctrica, Facultad de Ingeniería, Universidad de Antioquia. Apartado Aéreo 1226.

Héctor Tabares 1 *, Jesús Hernández 2. Departamento de Ingeniería Eléctrica, Facultad de Ingeniería, Universidad de Antioquia. Apartado Aéreo 1226. Rev. Fac. Ing. Univ. Antioquia N. N.º 46. Diciembre, pp. 110-118. 2008 Diciembre, 2008 Mapeo curvas típicas demanda de energía eléctrica del sector residencial, comercial e industrial de la ciudad de Medellín,

Más detalles

3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE. Un motor de inducción tiene físicamente el mismo estator de una máquina

3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE. Un motor de inducción tiene físicamente el mismo estator de una máquina 220 3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE ARDILLA 3.2.1 Descripción del problema. Un motor de inducción tiene físicamente el mismo estator de una máquina sincrónica con diferente construcción

Más detalles

Fundación Uno. ) 2n, el resultado es: D) b a E)1. entonces el valor de "y" es: II) x y = 3 A)16 B)9 C)4 D)1 E)2. Desarrollo

Fundación Uno. ) 2n, el resultado es: D) b a E)1. entonces el valor de y es: II) x y = 3 A)16 B)9 C)4 D)1 E)2. Desarrollo ENCUENTRO # 27 TEMA: Inecuaciones. CONTENIDOS: 1. Desigualdades.Propiedades. 2. Inecuación lineal o de primer grado. 3. Inecuación cuadrática o de segundo grado. Ejercicio Reto 1. Al simplificar ( a 2

Más detalles

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales 1 Objetivos del tema Conocer las limitaciones de los modelos lineales en problemas de modelización/ clasificación.

Más detalles

Aplicación de mapas autoorganizados (SOM) a la visualización de datos. Modelos Computacionales Fernando José Serrano García

Aplicación de mapas autoorganizados (SOM) a la visualización de datos. Modelos Computacionales Fernando José Serrano García Aplicación de mapas autoorganizados (SOM) a la visualización de datos Modelos Computacionales Fernando José Serrano García 2 Contenido Introducción... 3 Estructura... 3 Entrenamiento... 3 Aplicación de

Más detalles

Inteligencia Artificial para desarrolladores Conceptos e implementación en C#

Inteligencia Artificial para desarrolladores Conceptos e implementación en C# Introducción 1. Estructura del capítulo 19 2. Definir la inteligencia 19 3. La inteligencia de los seres vivos 22 4. La inteligencia artificial 24 5. Dominios de aplicación 26 6. Resumen 28 Sistemas expertos

Más detalles

Sistemas Conexionistas

Sistemas Conexionistas 1 Objetivo Sistemas Conexionistas Curso 2011/2012 El objetivo de esta práctica es usar un conjunto de redes de neuronas artificiales para abordar un problema de reconocimiento de figuras sencillas en imágenes

Más detalles

Práctica de introducción a las redes neuronales. Perceptrón multicapa. Estimación de precios de casas

Práctica de introducción a las redes neuronales. Perceptrón multicapa. Estimación de precios de casas Práctica de introducción a las redes neuronales. Perceptrón multicapa. Estimación de precios de casas Vamos a preparar una red para estimar el precio de casas en una zona a partir de los siguientes datos:

Más detalles

5.4. Manual de usuario

5.4. Manual de usuario 5.4. Manual de usuario En esta sección se procederá a explicar cada una de las posibles acciones que puede realizar un usuario, de forma que pueda utilizar todas las funcionalidades del simulador, sin

Más detalles

Inteligencia Artificial

Inteligencia Artificial Inteligencia Artificial Practica 2. (5 semanas) Rubén Cárdenes Almeida Redes neuronales. Introducción Las Redes Neuronales Artificiales (RNA) están inspiradas en la biología, esto significa que están formadas

Más detalles

INFORME PROYECTO CLASIFICADOR DE ACTIVIDADES FÍSICAS

INFORME PROYECTO CLASIFICADOR DE ACTIVIDADES FÍSICAS Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Eléctrica EL4106 Inteligencia Computacional INFORME PROYECTO CLASIFICADOR DE ACTIVIDADES FÍSICAS Nombre Alumno

Más detalles

PLATAFORMA GESTIÓN INTEGRAL DE PRODUCCIÓN GESTIÓN DE OPERACIONES

PLATAFORMA GESTIÓN INTEGRAL DE PRODUCCIÓN GESTIÓN DE OPERACIONES PLATAFORMA GESTIÓN INTEGRAL DE PRODUCCIÓN GESTIÓN DE OPERACIONES CONTROL DE CALIDAD CONTROL ESTADÍSTICO DE PROCESO Avanzar hacia la excelencia operacional es clave para la mejora de la competitividad de

Más detalles

Evaluación de modelos para la predicción de la Bolsa

Evaluación de modelos para la predicción de la Bolsa Evaluación de modelos para la predicción de la Bolsa Humberto Hernandez Ansorena Departamento de Ingeniería Telemática Universidad Carlos III de Madrid Madrid, España 10003975@alumnos.uc3m.es Rico Hario

Más detalles

MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES

MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES MODELOS BIOESTADISTICOS EN LA INGENIERÍA EN ALIMENTOS MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES CONTENIDO: Glosario de Términos Introducción Objetivos

Más detalles

CLASIFICACIÓN NO SUPERVISADA

CLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL

Más detalles

Métodos Interpolación con MatLab. El comando interp1 El comando interp1 se emplea para interpolar una serie de datos. El formato de este comando es:

Métodos Interpolación con MatLab. El comando interp1 El comando interp1 se emplea para interpolar una serie de datos. El formato de este comando es: Universidad Mayor de San Andrés Ciencias Puras y Naturales Informática Nombre: Rodrigo Diego Quispe Laura Materia: Análisis Numérico Métodos Interpolación con MatLab En matlab encontramos las siguientes

Más detalles

Reconocimiento de patrones mediante redes neuronales artificiales

Reconocimiento de patrones mediante redes neuronales artificiales Reconocimiento de patrones mediante redes neuronales artificiales Hugo Vega Huerta, Augusto Cortez Vásquez, Ana María Huayna, Luis Alarcón Loayza, Pablo Romero Naupari Facultad de Ingeniería de Sistemas

Más detalles

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

Más detalles

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a

Más detalles

Selectividad Junio 2008 JUNIO 2008 PRUEBA A

Selectividad Junio 2008 JUNIO 2008 PRUEBA A Selectividad Junio 008 JUNIO 008 PRUEBA A 3 a x + a y =.- Sea el sistema: x + a y = 0 a) En función del número de soluciones, clasifica el sistema para los distintos valores del parámetro a. b) Resuélvelo

Más detalles

SISTEMAS INTELIGENTES

SISTEMAS INTELIGENTES SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones

Más detalles

CLASE 0- MÉTODOS DE ALISADO EXPONENCIAL

CLASE 0- MÉTODOS DE ALISADO EXPONENCIAL CLASE 0- MÉTODOS DE ALISADO EXPONENCIAL Contextualización En la primera parte del curso hemos estudiado el análisis clásico de series temporales en el que se asume que una serie temporal resulta de la

Más detalles

TEMA 6 Redes de Neuronas Artificiales

TEMA 6 Redes de Neuronas Artificiales TEMA 6 Redes de Neuronas Artificiales Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 o Informática ribadas@uvigo.es 29 de noviembre de 2005 c 2005 ccia ia 6.1 Introducción Objetivo: Usar los principios

Más detalles

CONTENIDOS MÍNIMOS BACHILLERATO

CONTENIDOS MÍNIMOS BACHILLERATO CONTENIDOS MÍNIMOS BACHILLERATO I.E.S. Vasco de la zarza Dpto. de Matemáticas CURSO 2013-14 ÍNDICE Primero de Bachillerato de Humanidades y CCSS...2 Primero de Bachillerato de Ciencias y Tecnología...5

Más detalles

CORRELACIÓN Y PREDICIÓN

CORRELACIÓN Y PREDICIÓN CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una

Más detalles

Procesamiento Digital de Imágenes. Compresión de imágenes

Procesamiento Digital de Imágenes. Compresión de imágenes FICH, UNL - Departamento de Informática - Ingeniería Informática Procesamiento Digital de Imágenes Guía de Trabajos Prácticos 8 Compresión de imágenes 2010 1. Objetivos Analizar las características y el

Más detalles

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS Capitulo 6. Sistema de Detección de Intrusos con Redes Neuronales. 69 CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS USANDO REDES NEURONALES. En este capítulo se realiza la preparación adecuada de toda la

Más detalles

Ministerio de Planificación Federal, Inversión Pública y Servicios

Ministerio de Planificación Federal, Inversión Pública y Servicios Ministerio de Planificación Federal, Inversión Pública y Servicios Secretaría de Obras Públicas Subsecretaría de Recursos Hídricos Dirección Nacional de Conservación y Protección de los Recursos Hídricos

Más detalles

APLICACIÓN DE TÉCNICAS DE IMAGEN ARTIFICIAL Y REDES NEURONALES PARA EL SEGUIMIENTO DEL REMONTE DE FAUNA PISCÍCOLA

APLICACIÓN DE TÉCNICAS DE IMAGEN ARTIFICIAL Y REDES NEURONALES PARA EL SEGUIMIENTO DEL REMONTE DE FAUNA PISCÍCOLA Curso sobre Técnicas de Visualización CEH-CEDEX, 10 junio de 2011 APLICACIÓN DE TÉCNICAS DE IMAGEN ARTIFICIAL Y REDES NEURONALES PARA EL SEGUIMIENTO DEL REMONTE DE FAUNA PISCÍCOLA Aplicación de técnicas

Más detalles

i. y = 0,25x k. x = 2 l. y = -3 n. 2y 2x = 0

i. y = 0,25x k. x = 2 l. y = -3 n. 2y 2x = 0 TRABAJO PRÁCTICO Nº1 1. Identificar la pendiente y ordenada al origen de las siguientes rectas. Graficar y escribir para cada una dominio, imagen, crecimiento, decrecimiento, raíces. a. y = 2x + 1 d. y

Más detalles

GRUPOS PUNTUALES. 4.- Si un plano de simetría contiene un eje de orden n, existen n planos que contienen el eje. formando entre ellos ángulos de

GRUPOS PUNTUALES. 4.- Si un plano de simetría contiene un eje de orden n, existen n planos que contienen el eje. formando entre ellos ángulos de GRUPOS PUNTUALES Existen algunas relaciones entre elementos de simetría que pueden ser útiles a la hora de deducir cuales son los conjuntos de estos que forman grupo. 1.- Todos los elementos de simetría

Más detalles

Precio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.

Precio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales. Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes

Más detalles

BREVE MANUAL DE SOLVER

BREVE MANUAL DE SOLVER BREVE MANUAL DE SOLVER PROFESOR: DAVID LAHOZ ARNEDO PROGRAMACIÓN LINEAL Definición: Un problema se define de programación lineal si se busca calcular el máximo o el mínimo de una función lineal, la relación

Más detalles

REDES AUTOORGANIZATIVAS II

REDES AUTOORGANIZATIVAS II Tema 5: Redes Autoorganizativas Sistemas Conexionistas 1 REDES AUTOORGANIZATIVAS II 1. Leyes de Grossberg. 1.1. Red de Contrapropagación. - Estructura. - Funcionamiento. - Limitaciones y Ventajas. 2. Teoría

Más detalles

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del 33 En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del sistema de procesamiento de imágenes para controlar un robot manipulador y se describen en la forma como serán

Más detalles

CUANTIFICACIÓN DE RIESGO EN ESTRATEGIAS DE ANÁLISIS TÉCNICO DEL MERCADO DE DIVISAS USANDO REDES NEURONALES

CUANTIFICACIÓN DE RIESGO EN ESTRATEGIAS DE ANÁLISIS TÉCNICO DEL MERCADO DE DIVISAS USANDO REDES NEURONALES CUANTIFICACIÓN DE RIESGO EN ESTRATEGIAS DE ANÁLISIS TÉCNICO DEL MERCADO DE DIVISAS USANDO REDES NEURONALES OSCAR EDUARDO CASTELLANOS VARGAS JORGE MARIO JARAMILLO JARAMILLO PONTIFICIA UNIVERSIDAD JAVERIANA

Más detalles

Redes Neuronales Artificiales

Redes Neuronales Artificiales Redes Neuronales Artificiales Fernando Izaurieta y Carlos Saavedra Departamento de Física, Universidad de Concepción, Concepción, Chile RESUMEN En esta charla se entrega una descripción de las características

Más detalles

Exactitud y precisión en el rendimiento del sistema Accu-Chek Aviva. Introducción. I. EXACTITUD Método

Exactitud y precisión en el rendimiento del sistema Accu-Chek Aviva. Introducción. I. EXACTITUD Método Exactitud y precisión en el rendimiento del sistema Accu-Chek Aviva Introducción La exactitud del sistema fue evaluada según la norma ISO 15197:2003. Se obtuvieron muestras de sangre capilar de pacientes

Más detalles

Predicción de los ciclos de El Niño

Predicción de los ciclos de El Niño Predicción de los ciclos de El Niño Israel Cendrero Sánchez I.T.T.Telemática Universidad Carlos III de Madrid Leganes,Madrid,España 100055713@alumnos.uc3m.es Beatriz López Moreno I.T.T.Telemática Universidad

Más detalles

Capítulo 2. Las Redes Neuronales Artificiales

Capítulo 2. Las Redes Neuronales Artificiales Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de

Más detalles

TEMA 9: Desarrollo de la metodología de Taguchi

TEMA 9: Desarrollo de la metodología de Taguchi TEMA 9: Desarrollo de la metodología de Taguchi 1 La filosofía de la calidad de Taguchi 2 Control de calidad Off Line y On Line Calidad Off Line Calidad On Line 3 Función de pérdida 4 Razones señal-ruido

Más detalles

Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico

Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico Nojek, S. 1, Britos, P. 1,2, Rossi, B. 1,2 y García Martínez, R. 2 1 Departamento de Ingeniería Industrial.

Más detalles

ASIGNATURA: ÁMBITO CIENTÍFICO-TECNOLÓGICO 4º ESO

ASIGNATURA: ÁMBITO CIENTÍFICO-TECNOLÓGICO 4º ESO 1. CONTENIDOS MÍNIMOS DE LA ASIGNATURA los contenidos mínimos para el Ámbito científico-tecnológico los podemos agrupar así: Contenidos mínimos de ámbito científico tecnológico MATEMÁTICAS UNIDAD 1: Números

Más detalles

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES Capítulo 5 Modelado y Simulación del IDS 35 CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES En este capítulo se describe la preparación de los datos para servir como entradas al IDS y la simulación de

Más detalles

Exactitud y precisión del sistema Accu-Chek Performa. Introducción I. EXACTITUD. Método

Exactitud y precisión del sistema Accu-Chek Performa. Introducción I. EXACTITUD. Método Exactitud y precisión del sistema Accu-Chek Performa Introducción La exactitud del sistema se evaluó según la norma EN ISO 15197:2003 (Sistemas de ensayo para diagnóstico in vitro Requisitos para los sistemas

Más detalles

UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION

UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO

Más detalles

Introducción a Las redes Neuronales (Neurales) CO-6612

Introducción a Las redes Neuronales (Neurales) CO-6612 Introducción a Las redes Neuronales (Neurales) CO-662 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-2 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia:

Más detalles

Introducción al DataMining

Introducción al DataMining Introducción al DataMining Lluís Garrido garrido@ecm.ub.es Universitat de Barcelona Índice Qué es el DataMining? Qué puede hacer el DataMining? Cómo hacer el DataMining? Técnicas Metodología del DataMining

Más detalles

CURSO MINERÍA DE DATOS AVANZADO

CURSO MINERÍA DE DATOS AVANZADO CURSO MINERÍA DE DATOS AVANZADO La minería de datos (en inglés, Data Mining) se define como la extracción de información implícita, previamente desconocida y potencialmente útil, a partir de datos. En

Más detalles

Predicción de índices de futuros financieros mediante redes neuronales

Predicción de índices de futuros financieros mediante redes neuronales Predicción de índices de futuros financieros mediante redes neuronales Joan Bosch 1,Lluís Garrido 1,SergioGómez 2 1) Dept. d Estructura i Constituents de la Matèria, Facultat de Física, Universitat de

Más detalles

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión... Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación

Más detalles

Master de Ingeniería Biomédica Sistemas de ayuda al diagnóstico clínico

Master de Ingeniería Biomédica Sistemas de ayuda al diagnóstico clínico Master de Ingeniería Biomédica Sistemas de ayuda al diagnóstico clínico Emilio Soria Olivas! Antonio José Serrano López! Departamento de Ingeniería Electrónica! Escuela Técnica Superior de Ingeniería!

Más detalles

IBM SPSS Neural Networks 20

IBM SPSS Neural Networks 20 IBM SPSS Neural Networks 20 Nota: Antes de utilizar esta información y el producto que admite, lea la información general en Avisos el p. 95. sta edición se aplica a IBM SPSS Statistics 20 y a todas las

Más detalles

Contenido. Prólogo... Capítulo 1. Algoritmos y estructuras de datos... 1. Introducción... 24

Contenido. Prólogo... Capítulo 1. Algoritmos y estructuras de datos... 1. Introducción... 24 Contenido Prólogo... vii Capítulo 1. Algoritmos y estructuras de datos... 1 Introducción... 2 1.1. Tipos de datos... 2 1.1.1. Tipos primitivos de datos... 3 1.1.2. Tipos de datos compuestos y agregados...

Más detalles

Agentes neuronales para invertir en bolsa en el simulador MAStock

Agentes neuronales para invertir en bolsa en el simulador MAStock Agentes neuronales para invertir en bolsa en el simulador MAStock Rafael Castillo, Gabriel Prat Departament de Llenguatges i Sistemes Informàtics (LSI) Universitat Politècnica de Catalunya (UPC) rafael@lsiupces;

Más detalles

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente Agüero Martin Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.marin@gmail.com López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu

Más detalles

MÁQUINA DE VECTORES DE SOPORTE

MÁQUINA DE VECTORES DE SOPORTE MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas

Más detalles

Seminario Aplicaciones de las Redes Neuronales (WebSOM)

Seminario Aplicaciones de las Redes Neuronales (WebSOM) Seminario Aplicaciones de las Redes Neuronales (WebSOM) Inteligencia Artificial 5 o Informática IA curso 2012-2013 CCIA Noviembre 2012 IA 1213 (CCIA) Seminario WebSOM Noviembre-2012 1 / 12 Usos de los

Más detalles

AUTOGUIADO DE ROBOTS MÓVILES MEDIANTE REDES NEURONALES

AUTOGUIADO DE ROBOTS MÓVILES MEDIANTE REDES NEURONALES XXV Jornadas de Automática Ciudad Real, del 8 al 10 de septiembre de 2004 AUTOGUIADO DE ROBOTS MÓVILES MEDIANTE REDES NEURONALES Mª Concepción Marcos Provecho Escuela de Ingenierías Industrial e Informática.

Más detalles

SEGUIMIENTO DEL MODELO DE BERGMAN CON RED NEURONAL DIFERENCIAL EN LABVIEW PARA RATONES DIABÉTICOS TRATADOS CON IBERVILLEA SONORAE

SEGUIMIENTO DEL MODELO DE BERGMAN CON RED NEURONAL DIFERENCIAL EN LABVIEW PARA RATONES DIABÉTICOS TRATADOS CON IBERVILLEA SONORAE SEGUIMIENTO DEL MODELO DE BERGMAN CON RED NEURONAL DIFERENCIAL EN LABVIEW PARA RATONES DIABÉTICOS TRATADOS CON IBERVILLEA SONORAE Sotelo De Ávila Alejandro Artemio a, Sánchez González Rodrigo a, Rico Asensión

Más detalles

4. Se considera la función f(x) =. Se pide:

4. Se considera la función f(x) =. Se pide: Propuesta A 1. Queremos realizar una inversión en dos tipos de acciones con las siguientes condiciones: Lo invertido en las acciones de tipo A no puede superar los 10000 euros. Lo invertido en las acciones

Más detalles

Fundamentos de la Visión Artificial. Prof. Dr. Francisco Gómez Rodríguez Prof. Manuel J. Domínguez Morales 1

Fundamentos de la Visión Artificial. Prof. Dr. Francisco Gómez Rodríguez Prof. Manuel J. Domínguez Morales 1 Fundamentos de la Visión Artificial Prof. Dr. Francisco Gómez Rodríguez Prof. Manuel J. Domínguez Morales 1 Índice 1. Introducción a lavisión Artificial 2. Adquisición y representación de imágenes 3. Filtrado

Más detalles

UNIVERSIDAD CARLOS III DE MADRID

UNIVERSIDAD CARLOS III DE MADRID UNIVERSIDAD CARLOS III DE MADRID ESCUELA POLITÉCNICA SUPERIOR Ingeniería en Informática ESTUDIO COMPARATIVO DE PARAMETRIZACIÓN DE UN SISTEMA DE REDES DE NEURONAS ARTIFICIALES EVOLUTIVAS PARA LA PREDICCIÓN

Más detalles

Aplicaciones de Estadística Descriptiva

Aplicaciones de Estadística Descriptiva Aplicaciones de Estadística Descriptiva Contenidos de la presentación Funciones estadísticas en Excel. Gráficos. El módulo de análisis de datos y las tablas dinámicas de Excel. Información Intentaremos

Más detalles

INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA

INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA Eva Medina Moral (Febrero 2002) EXPRESIÓN DEL MODELO BASICO DE REGRESIÓN LINEAL La expresión formal del modelo

Más detalles

Introducción al programa WinQSB

Introducción al programa WinQSB Introducción al programa WinQSB WinQSB es un sistema interactivo de ayuda a la toma de decisiones que contiene herramientas muy útiles para resolver distintos tipos de problemas en el campo de la investigación

Más detalles

LA GESTIÓN DEL CONOCIMIENTO

LA GESTIÓN DEL CONOCIMIENTO Plan de Formación 2006 ESTRATEGIAS Y HABILIDADES DE GESTIÓN DIRECTIVA MÓDULO 9: 9 LA ADMINISTRACIÓN ELECTRÓNICA EN LA SOCIEDAD DE LA INFORMACIÓN LA GESTIÓN DEL CONOCIMIENTO José Ramón Pereda Negrete Jefe

Más detalles

DISPLAYS DE CRISTAL LIQUIDO

DISPLAYS DE CRISTAL LIQUIDO DISPLAYS DE CRISTAL LIQUIDO INDICE MANUAL DE REFERENCIA DEL LCD 1.- INTRODUCCION 2.- CARACTERISTICAS DEL DISPLAY 2.1.- Aspecto físico 2.2.- Alimentación 2.3.- Los caracteres del LCD 2.4.- La memoria del

Más detalles

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu Agüero Martín Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.martin@gmail.com

Más detalles

Diseño de un sistema de detección y diagnóstico de fallos. para un sistema de dos tanques

Diseño de un sistema de detección y diagnóstico de fallos. para un sistema de dos tanques Universidad Simón Bolívar Decanato de Estudios Profesionales Departamento de Electrónica y Circuitos Diseño de un sistema de detección y diagnóstico de fallos para un sistema de dos tanques Alexander Silverio

Más detalles

Proyecto de Innovación Docente: Guía multimedia para la elaboración de un modelo econométrico.

Proyecto de Innovación Docente: Guía multimedia para la elaboración de un modelo econométrico. 1 Primeros pasos en R. Al iniciarse R (ver Figura 16), R espera la entrada de órdenes y presenta un símbolo para indicarlo. El símbolo asignado, como puede observarse al final, es > Figura 16. Pantalla

Más detalles

UNIVERSIDAD NACIONAL DEL CALLAO

UNIVERSIDAD NACIONAL DEL CALLAO UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS INSTITUTO DE INVESTIGACION DE LA FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS INFORME FINAL DEL PROYECTO DE INVESTIGACIÓN

Más detalles

Introducción a las Redes Neuronales Aplicadas

Introducción a las Redes Neuronales Aplicadas Introducción a las Redes Neuronales Aplicadas CURSO DE EXPERTOS DE U.C.M. (2012) Juan Miguel Marín Diazaraque jmmarin@est-econ.uc3m.es Universidad Carlos III de Madrid INDICE: Redes Neuronales en Economía

Más detalles

Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos

Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos Dr. Julio César Martínez Romo Instituto Tecnológico de Aguascalientes Ingeniería Eléctrica y Electrónica E-mail: jucemaro@yahoo.com

Más detalles

17.- PARABRISAS RESOLUCIÓN

17.- PARABRISAS RESOLUCIÓN 17.- PARABRISAS La sección de control de calidad de una fábrica de parabrisas elige, aleatoriamente, una muestra de 100 parabrisas producidos por una determinada máquina y registra la longitud de los parabrisas

Más detalles

CONOCIMIENTO DEL MEDIO EN EDUCACIÓN INFANTIL

CONOCIMIENTO DEL MEDIO EN EDUCACIÓN INFANTIL CONOCIMIENTO DEL MEDIO EN EDUCACIÓN INFANTIL Francisco Javier Navas Pineda javier.navas@uca.es Tema 1. Método Científico Tema 1. Método Científico 1 ÍNDICE 1. El Método Científico 2. Hipótesis, Leyes y

Más detalles

Estudio de casos y controles sobre factores de riesgo en el cáncer colorrectal

Estudio de casos y controles sobre factores de riesgo en el cáncer colorrectal Estudio de casos y controles sobre factores de riesgo en el cáncer colorrectal Objetivos del estudio Estimar el riesgo de padecer cáncer colorrectal asociado a una serie de variables Población Casos Controles

Más detalles

Web: www.iesmarmenor.org Curso 2012-2013 MATEMÁTICAS-I 1ª EVALUACIÓN 2ª EVALUACIÓN 3ª EVALUACIÓN. La recta en el plano. (1 semana)

Web: www.iesmarmenor.org Curso 2012-2013 MATEMÁTICAS-I 1ª EVALUACIÓN 2ª EVALUACIÓN 3ª EVALUACIÓN. La recta en el plano. (1 semana) MATEMÁTICAS-I DISTRIBUCIÓN TEMPORAL DE LOS CONTENIDOS 1ª EVALUACIÓN 2ª EVALUACIÓN 3ª EVALUACIÓN Aritmética y Álgebra Trigonometría (4 semanas) Números complejos Vectores en el plano La recta en el plano

Más detalles

Dibujamos estos puntos en el espacio, y no cerramos la figura

Dibujamos estos puntos en el espacio, y no cerramos la figura PRÁCTICA SÉPTIMA: PROYECCIÓN ORTOGONAL. INVERSA DE MOORE-PENROSE 1. Proyección de un vector sobre un subespacio En este apartado vamos a recordar como se proyecta un vector v R m sobre un subespacio vectorial

Más detalles

ENCUESTA DE COYUNTURA DEL SECTOR DE LA CONSTRUCCIÓN (ECC): METODOLOGÍA. Subdirección General de Estudios, Análisis y Planes de Actuación

ENCUESTA DE COYUNTURA DEL SECTOR DE LA CONSTRUCCIÓN (ECC): METODOLOGÍA. Subdirección General de Estudios, Análisis y Planes de Actuación ENCUESTA DE COYUNTURA DEL SECTOR DE LA CONSTRUCCIÓN (ECC): METODOLOGÍA Subdirección General de Estudios, Análisis y Planes de Actuación Marzo de 2012 Índice 1.- Introducción... 3 2.- Objetivos y diseño

Más detalles

15 ESTADÍSTICA BIDIMENSIONAL

15 ESTADÍSTICA BIDIMENSIONAL ESTADÍSTICA BIDIMENSINAL EJERCICIS PRPUESTS. Copia y completa la siguiente tabla. A B C Total A B C Total a 4 b c 0 7 Total 7 6 a 4 b c 4 3 0 7 Total 7 6 3 6 a) Qué porcentaje de datos presentan la característica

Más detalles

Support Vector Machine

Support Vector Machine Juan Carlos Caicedo Juan Carlos Mendivelso Maestria en Ingenieria de Sistemas y Computacion Universidad Nacional de Colombia 20 de marzo de 2007 Agenda 1 2 3 4 Outline 1 2 3 4 Clasificador lineal que utiliza

Más detalles

IES CANARIAS CABRERA PINTO DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS 1º ESO SEPTIEMBRE 2015

IES CANARIAS CABRERA PINTO DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS 1º ESO SEPTIEMBRE 2015 CONTENIDOS MÍNIMOS 1º ESO SEPTIEMBRE 2015 UNIDAD 1: LOS NÚMEROS NATURALES. OPERACIONES Y RELACIONES El sistema de numeración decimal Estimación y redondeo de un número natural Las operaciones con números

Más detalles

Enfoque propuesto para la detección del humo de señales de video.

Enfoque propuesto para la detección del humo de señales de video. Capítulo 3 Enfoque propuesto para la detección del humo de señales de video. 3.1 Comportamiento del enfoque propuesto. Una visión general del método propuesto se muestra en la figura 2. El método genera

Más detalles

CURSO DE METROLOGÍA INDUSTRIAL

CURSO DE METROLOGÍA INDUSTRIAL 15/3/21 CURSO DE METROLOGÍA INDUSTRIAL TEMARIO REDUCIDO Metrología básica Medición de temperatura Medición de presión Medición de caudal Medición de variables químicas Controladores P+I+D 1 15/3/21 Para

Más detalles