Detección automática de Spam utilizando Regresión Logística Bayesiana

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

Download "Detección automática de Spam utilizando Regresión Logística Bayesiana"

Transcripción

1 Procesamento del Lenguae Natural, núm. 35 (2005), pp recbdo ; aceptado Deteccón automátca de Spam utlzando Regresón Logístca Bayesana Antono Jesús Ortz Martos L. Alfonso Ureña López María Teresa Martín Valdva Mguel Ángel García Cumbreras Grupo Sstemas Intelgentes de Acceso a la Informacón Departamento de Informátca Unversdad de Jaén Resumen: Este artículo presenta un sstema de deteccón automátca de Spam, o correo no deseado, aplcando Regresón Logístca Bayesana (BBR) como técnca de aprendzae automátco, sobre la coleccón de correos electróncos SPAMBASE. A modo de comparatva se han aplcado otros dos algortmos de aprendzae: el algortmo SVM (Support Vector Machne), y el algortmo PLAUM (Perceptron Algorthm wth Uneven Margns). La fnaldad de este estudo es comprobar la efcenca y efectvdad del algortmo BBR en la tarea concreta de fltrado de Spam. Como muestran los expermentos, el algortmo BBR no solo obtene unos resultados satsfactoros en cuanto a precsón y recall, sno que además es el algortmo más rápdo de los estudados. Palabras clave: fltrado de correo, Spam, SPAMBASE, BBR. Abstract: Ths paper presents an Spam automatc detecton system usng Bayesan Logstc Regresson (BBR) as machne learnng algorthm, over the SPAMBASE collecton. We have also used two machne learnng algorthms: SVM and PLAUM, n order to compare the results. Our am s to check the effcency and effectveness of the BBR method. The obtaned results show good results n terms of precson and recall. We have also notced that BBR s the faster algorthm. Keywords: e-mal flter, Spam, SPAMBASE, BBR. Introduccón El uso del servco de correo electrónco ha sufrdo en los últmos años un gran crecmento. Actualmente exste un sero problema que afecta tanto al destnataro de los correos electróncos como a las comuncacones a través de Internet: el envío masvo de correo no deseado o Spam. Esta práctca fraudulenta proporcona a determnados publcstas un medo de llegar a mles de posbles clentes con un coste muy reducdo. Estudos recentes ponen en evdenca la mportanca de los sstemas de deteccón y fltrado de dchos correos. Robert Horton, de la Australan Communcaton Commsson, señala que el costo generado por toda esta basura electrónca a ndvduos y empresas se calcula en unos mllones de dólares anuales sólo en Europa y podría alcanzar en todo el mundo alrededor de los mllones de dólares. Los térmnos asocados habtualmente en Internet a estos tpos de abuso son spammng, mal bombng, unsolcted bulk emal (UBE), unsolcted commercal emal (UCE) o unk mal. Para solventar este problema se plantean dversas alternatvas, unas preventvas, otras dsuasoras, y, como medda fnal, alternatvas denuncantes. Las alternatvas preventvas van orentadas a evtar, en la medda de lo posble, la recepcón de Spam. ISSN: Socedad Española para el Procesamento del Lenguae Natural

2 M. Martín, A. Ortz, L. Ureña, M. García Las alternatvas denuncantes pretenden dentfcar el agresor nformátco y denuncarlo ante la autordad competente. Por últmo, las alternatvas dsuasoras, más nteresantes desde el punto de vsta de la nvestgacón, están enfocadas a la deteccón y rechazo del mayor número de mensaes utlzando dversas técncas. Entre esas técncas caben destacar: deteccón de palabras clave en el campo asunto del correo electrónco, lmtacón del tamaño del correo, seleccón de remtentes autorzados y, sobre todo, técncas de fltrado o clasfcacón de correos. El fltrado de Spam utlzando técncas de categorzacón de texto permte ntroducr técncas de Machne Learnng [6] que, tras el adecuado entrenamento, arroan unos resultados muy nteresantes. Estas técncas exgen la construccón de un sstema parcalmente automátco de aprendzae a partr de datos de entrenamento (eemplos etquetados manualmente por un experto humano). Entre las coleccones de correos electróncos dsponbles en Internet destacan SPAMBASE (UCI Machne Learnng Repostory) [0], LngSpam [9] o PU []. En este trabao se estuda el comportamento del algortmo BBR [4] en la tarea de fltrado de Spam sobre la coleccón expermental SPAMBASE. Con el fn de comparar los resultados obtendos, se han aplcado otros dos algortmos de aprendzae sobre dcha coleccón, concretamente el algortmo SVM y el algortmo PLAUM. El resto del trabao está organzado de la sguente forma: en la seccón 2 se presentan los algortmos utlzados en esta nvestgacón. La seccón 3 descrbe la coleccón SPAMBASE, su contendo, organzacón, y los resultados obtendos. La seccón 4 muestra las conclusones y los trabaos futuros. 2 Algortmos de aprendzae automátco Los sstemas comercales dsponbles actualmente utlzan algortmos de aprendzae bayesanos smples. Los sstemas expermentales suelen utlzar otros algortmos mas compleos basados tanto en aprendzae bayesano como en otros sstemas automátcos de clasfcacón. Trabaos recentes en el fltrado de spam, hacen uso del algortmo de aprendzae SVM con unos resultados satsfactoros. Nuestra nvestgacón se ha centrado prncpalmente en la utlzacón del algortmo de aprendzae basado en regresón logístca bayesana BBR. Por otra parte, a modo de comparatva, se ha aplcado el algortmo SVM y el algortmo PLAUM. A contnuacón, se descrben brevemente dchos algortmos. 2. BBR (Bayesan Bnary Regresson) Se trata de una mplementacón de la regresón logístca bayesana, aplcada a la clasfcacón bnara. La clave de este algortmo es la utlzacón de una dstrbucón de probabldad preva (ver ecuacón ) y algortmos de optmzacón sucesva de los eemplos de entrenamento sumnstrados. T p( y = β, x) = ψ ( β x) Ecuacón Este algortmo ncalmente realza una regresón logístca de los datos de entrenamento a partr de la dstrbucón de probabldad elegda (Gausana o Laplace), por medo de una funcón de enlace ψ (ver ecuacón 2). ψ ( z ) = exp( z) ( + exp( z)) Ecuacón 2 Una vez obtendo el modelo de regresón, se va optmzando sucesvamente a través de la aplcacón de un algortmo de regresón logístca en cadena. Se trata de un algortmo de optmzacón de coordenada cíclca descendente. Se comenza ponendo todas las varables a algún valor ncal, y se busca qué valor de la prmera varable mnmza la funcón obetvo, asumendo que todas las otras varables mantenen constantes sus valores ncales. Este es un problema de optmzacón undmensonal. El msmo método se lleva a cabo con la segunda varable, y así sucesvamente hasta que se han cruzado todas las varables. Este proceso se repte varas pasadas hasta encontrar un crtero de convergenca. De forma resumda, el algortmo funcona como sgue [4]:. Incalzar las varables β =0 (vector de parámetros), =0 (conunto de datos, o regón explorada), para = hasta d (número de parámetros del modelo); =0 (estmador prevo de confanza), para = hasta n (número de eemplos). 28

3 Deteccón automátca de spam utlzando regresón logístca bayesana 2. Desde k=, 2,... hasta que se produzca la convergenca, hacer 2.. Para = hasta d, hacer: 2... Calcular υ = n = x y β + 2 exp( ) + n 2 ( x ) F( ; x 2 + = Calcular β = mín( máx( υ ), ), en los datos spam del subconunto tratado Calcular = β x y, con = +, para =,...,n Calcular β = β + β Calcular = máx ( 2 β, / 2), amplando el tamaño del subconunto de spam tratado. 2.2 SVM El algortmo SVM (Support Vector Machne) fue utlzado por prmera vez en la Clasfcacón de Texto en 998 por T. Joachms [7]. En térmnos geométrcos, se puede ver como el ntento de encontrar un espaco n-dmensonal, que permta separar los eemplos postvos de entrenamento de los negatvos, permtendo especfcar el margen más amplo posble. El obetvo persegudo por este algortmo es encontrar el hperplano óptmo que maxmce la dstanca entre los casos postvos y los casos negatvos. Como argumenta Joachms [7], las máqunas de vectores de soporte ofrecen dos grandes ventaas para la categorzacón de texto: Evta los problemas de sobrecarga de pruebas en espacos de grandes dmensones. Realza una optmzacón global, sn óptmos locales. Estos son los pasos prncpales del algortmo SVM [2]:. Selecconar el parámetro C como representante de la compensacón entre la reduccón al mínmo del error de clasfcacón del conunto de 2 entrenamento y maxmzar el margen. 2. Selecconar la funcón de kernel y cualquer parámetro del msmo. 3. Soluconar el problema cuadrátco dual resultante de la ecuacón 3 o una formulacón alternatva que use la programacón cuadrátca de forma apropada o un algortmo de programacón lneal. mn α s. t. 2 l m = = = m y y α α K( x, x ) y α = 0 C α 0 =,..., m Ecuacón 3 m = 4. Extraer la varable de umbral b, utlzando los vectores de apoyo. 5. Clasfcar un punto nuevo x, sguendo la ecuacón 4: f ( x) = sgn( y α K( x, x ) b) Ecuacón 4 donde, x (=,...,m) son los membros del conunto de puntos de entrenamento; y =± son las etquetas de la clase; y α son los vectores de soporte. En la fgura se pueden aprecar eemplos de entrenamento postvos y negatvos. Las líneas representan los hperplanos de separacón. La línea más gruesa es la que mnmza la dstanca para cualquer eemplo de entrenamento. Fgura : Representacón de puntos en SVM 2.3 PLAUM (Perceptron Algorthm wth Uneven Margns) Se trata de algortmo rápdo y efcaz para realzar clasfcacones lneales. El algortmo PLAUM es una extensón del algortmo del α 29

4 M. Martín, A. Ortz, L. Ureña, M. García Perceptron, adaptada para tratar problemas de separacón lneal de datos a través de un hperplano [4]. Tal como SVM se basa en la dea de encontrar un margen entre hperplanos, y sus autores aseguran que funcona meor que SVM para tareas de clasfcacón de texto. Este algortmo requere: Un conunto de entrenamento lnealmente separable de la forma: z = ( x, y) ( X x {, + } ) m. + Un índce de aprendzae η R. Un número máxmo de teracones T. Dos parámetros que lmtan los eemplos negatvos y postvos: +, + R. El algortmo funcona de acuerdo a los sguentes pasos []:. Incalzacón de varables: r r teracón = 0; = ; paso = m; w = 0; b = 0; r R = máxz x X 2. Repetr. r r y 2.. S (( w, x ) + b) entonces r r r 2... w = w +ηy x. 2 b = b +ηy R paso = = S ( > m) entonces = teracón = teracón +. Hasta ( = paso) o ( teracón T ). 3. Devolver (w,b). 3 Expermentos 3. Metodología de Expermentacón Los expermentos se han realzado utlzando como coleccón de entrenamento y prueba de correos electróncos SPAMBASE. Esta coleccón fue creada en Julo de 999 por Mark Hopkns, Erk Reeber, George Forman, y Jaap Suermondt, a partr de una recoplacón de mensaes donada por George Forman. Está Dsponble en el ftp: ftp://ftp.cs.uc.edu/pub/machne-learnngdatabases/spambase compuesta por 460 casos, de los cuales 83 (39.4%) son clasfcados como Spam. Cada eemplo está representado por un vector de 58 atrbutos, donde el últmo contene la clase a la que pertenece el documento ( Spam o NO Spam ). El resto de atrbutos representan la aparcón de determnados símbolos o palabras. La coleccón SPAMBASE no es lnealmente separable, y la seleccón de atrbutos claves, permte la separacón, cas perfecta de las dos clases. La tabla muestra los tempos medos expresados en segundos, empleados en el entrenamento con las partcones tratadas. Los resultados de prueba son nmedatos una vez entrenado el modelo. BBR SVM PLAUM ENTRENAMIENTO 5, seg. 3396,37 seg. 0,6 seg. Tabla : Tempos de entrenamento sobre la coleccón SPAMBASE Cabe destacar que el algortmo BBR es el más rápdo de los utlzados para entrenamento, con un margen muy amplo respecto del algortmo SVM. 3.2 Resultados obtendos Como método de evaluacón de los expermentos realzados hemos utlzado Valdacón Cruzada o 0-fold Cross Valdaton [3], consstente en hacer dez partcones guales de la coleccón y utlzar de forma alternatva nueve partes para entrenamento y la parte restante para prueba. Este proceso se repte 0 veces varando la partcón utlzada en la evaluacón. El resultado fnal obtendo es una meda de los dez resultados parcales. Para cada una de las eecucones, hemos obtendo una tabla de contngenca, del estlo mostrado en la tabla 2, donde: A es el número de documentos Spam clasfcados como Spam; B es el número de documentos No Spam, clasfcados como Spam; C es el número de documentos Spam, clasfcados como No Spam; D es el número de documentos No Spam, clasfcados como No Spam. 30

5 Deteccón automátca de spam utlzando regresón logístca bayesana Métrca F Partcón P SPAM NO SPAM Asgna SPAM A B Asgna NO SPAM C D Tabla 2: Tabla de contngenca. A partr de estos datos se obtenen las métrcas de precsón y recall y F medda, expresadas en las ecuacones 5, 6 y 7 [2]: BBR SVM PLAUM A P = Pr ecsón = A + B Ecuacón 5: Precsón A R = Re call = A + C Ecuacón 6: Recall 2* P * R F = P + R Ecuacón 7: Métrca F La tabla 3 muestra los resultados obtendos en térmnos de precsón y recall. Se ha ncludo tambén la métrca F (ver ecuacón 7) con el fn de tener una valoracón global del comportamento de los algortmos Precsón Recall F BBR 87,0% 88,93% 87,99% SVM 80,52% 40,68% 54,05% PLAUM 58,0% 67,52% 62,46% Tabla 3: Resultados sobre la coleccón SPAMBASE Como se puede observar el algortmo BBR supera amplamente a los otros dos algortmos presentados. La meora de precsón obtenda con el algortmo BBR sobre los algortmos SVM y PLAUM es de un 7,55% y 33,30%, respectvamente. En cuanto al recall, la meora es aún mayor (54,26% sobre SVM y 24,08% sobre PLAUM). Fgura 2. Comportamento global de los algortmos utlzando la métrca F. Desde un punto de vsta global (es decr, utlzando la métrca F), el algortmo que presenta el meor comportamento es con dferenca el algortmo BBR. La fgura 2 muestra los valores obtendos en cada uno de los 3 algortmos para la métrca F en cada una de las 0 partcones utlzadas durante la evaluacón. Se puede observar como en todos los casos (en cada una de las 0 partcones) la regresón logístca bayesana supera en más de 20 puntos a los otros dos algortmos. Concretamente, promedando los resultados, el algortmo BBR meora el algortmo SMV en un 38,57% y el algortmo PLAUM en un 29,02%. Por últmo, cabe destacar además que el algortmo BBR es el más rápdo de los algortmos presentados tanto en el entrenamento como en la evaluacón. 4 Conclusones y trabao futuro La tarea de fltrado de correo electrónco no deseado o Spam, aplcando métodos de categorzacón de texto y usando métodos de aprendzae automátco es una tarea muy nteresante e mportante actualmente, tanto desde el punto de vsta de la nvestgacón como desde una perspectva comercal o empresaral. Una cuestón mportante a la hora de elegr el algortmo más nteresante para tratar el fltrado de Spam es determnar la estratega más adecuada: fltrar el mayor número posble de correos váldos, o relaar las condcones para dear pasar más correos y evtar el rechazo de correos correctos. Tambén es mportante el tempo en el que se procesa y fltra toda la nformacón y el sstema toma la decsón de clasfcarlo como Spam o no. 3

6 M. Martín, A. Ortz, L. Ureña, M. García A la vsta de los resultados obtendos, podemos adelantar las sguentes conclusones:. El algortmo BBR consgue unos resultados más que aceptables, en torno a un 90% de acerto en la deteccón de Spam. 2. La mayor Precsón y el mayor Recall son alcanzados por el algortmo BBR. 3. BBR es el algortmo de entrenamento más rápdo (en el peor de los casos, 02 seg.), mentras el más lento, con dferenca, es el SVM (en el peor de los casos, 2 horas y 45 mnutos). Podemos conclur que el método de Regresón Logístca Bayesana es muy adecuado para esta tarea de fltrado de Spam, ya que se obtenen unos resultados muy satsfactoros y en unos tempos realmente nteresantes. De cara a futuros trabaos, planteamos la posbldad de tratar estos algortmos con otras coleccones dsponbles, y la ncorporacón de otras técncas de clasfcacón de texto, establecendo un sstema de voto para determnar s un correo es o no spam, en funcón de la fabldad de cada uno de los algortmos utlzados. Agradecmentos Este trabao ha sdo fnancado con el proyecto (MCYT) TIC C Bblografía []. I. Androutsopoulos, J. Koutsas, K.V. Chandrnos, and C.D. Spyropoulos, "An Expermental Comparson of Nave Bayesan and Keyword-Based Ant-Spam Flterng wth Personal E-mal Messages". In Belkn, N.J., Ingwersen, P. and Leong, M.- K. (Eds.), Proceedngs of the 23rd Annual Internatonal ACM SIGIR Conference on Research and Development n Informaton Retreval (SIGIR 2000), Athens, Greece, pp , [2]. Krstn P. Bennet, Coln Campbell. Support Vector Machnes: Hype or Halleluah?. SIGKDD Exploratons. ACM SIGKDD [3]. Pa-Hsuen Chen, Chh-Jen Ln, and Bernard Schölkopf. A Tutoral on ν Support Vector Machnes [4]. Alexander Genkn, Davd D. Lews, and Davd Madgan.Large-Scale Bayesan Logstc Regresson for Text Categorzaton. Dmacs [5]. José María Gómez Hdalgo. Evaluatng cost-senstve unsolcted bulk emal categorzaton. Proceedngs of the ACM Symposum on Appled Computng [6]. José María Gómez Hdalgo, Enrque Puertas Sanz, Francsco Carrero García, Manuel de Buenaga Rodríguez. Categorzacón sensble al coste para el fltrado de contendos napropados en Internet. Unversdad Europea de Madrd [7]. T. Joachms, Makng large-scale SVM Learnng Practcal. Advances n Kernel Methods - Support Vector Learnng, B. Schölkopf and C. Burges and A. Smola (ed.), MIT-Press, 999. [8]. Bryan Klmt, Ymng Yang. The Enron Corpus: A New Dataset for Emal Classffcaton Research. Proceedngs of the 2004 European Conference on Machne Learnng (ECML). [9]. I. Androutsopoulos, J. Koutsas, K.V. Chandrnos, George Palouras, and C.D. Spyropoulos, "An Evaluaton of Nave Bayesan Ant-Spam Flterng". In Potamas, G., Moustaks, V. and van Someren, M. (Eds.), Proceedngs of the Workshop on Machne Learnng n the New Informaton Age, th European Conference on Machne Learnng (ECML 2000), Barcelona, Span, pp. 9-7, [0]. SPAMBASE, creada por Mark Hopkns, Erk Reeber, George Forman, y Jaap Suermondt Hewlett-Packard Labs, 50 Page Mll Rd., Palo Alto, CA Donada por Donor: George Forman (gforman at nospam hpl.hp.com). Generado: Juno-Julo 999. []. S. E. Robertson, S. Walker, H. Zaragoza, R. Herbrch. Flterng track. Mcrosoft Cambrdge at TREC [2]. G. Salton, M.J. McGll. Introducton to modern nformton retreval. McGraw-Hll 983. [3]. Stone, M.: Cross-valdatory choce and assessment of statstcal predctons (wth dscusson). Journal of the Royal Statstcal Socety B [4]. Mguel Ángel García Cumbreras, L. Alfonso Ureña López, Fernando Martínez 32

7 Deteccón automátca de spam utlzando regresón logístca bayesana Santago y Arturo Monteo Raez: Búsqueda de Respuestas Multlngüe: Clasfcacón de preguntas en español basada en aprendzae. Revsta SEPLN nº

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009 UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas

Más detalles

Tutorial sobre Máquinas de Vectores Soporte (SVM)

Tutorial sobre Máquinas de Vectores Soporte (SVM) Tutoral sobre Máqunas de Vectores Soporte SVM) Enrque J. Carmona Suárez ecarmona@da.uned.es Versón ncal: 2013 Últma versón: 11 Julo 2014 Dpto. de Intelgenca Artcal, ETS de Ingenería Informátca, Unversdad

Más detalles

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización. Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón

Más detalles

Software de bloqueo automático de páginas web que incitan a la violencia a través de un algoritmo híbrido de aprendizaje computacional* 1

Software de bloqueo automático de páginas web que incitan a la violencia a través de un algoritmo híbrido de aprendizaje computacional* 1 Software de bloqueo automátco de págnas web que nctan a la volenca a través de un algortmo híbrdo de aprendzaje computaconal* Auto lock software web pages ncte volence through a hybrd computatonal learnng

Más detalles

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández

Más detalles

Reconocimiento de Imágenes Empleando Redes de Regresión General y la Técnica TVS

Reconocimiento de Imágenes Empleando Redes de Regresión General y la Técnica TVS Reconocmento de Imágenes Empleando Redes de Regresón General y la Técnca TVS Rcardo García-Herrera & Waltero Wolfgang Mayol-Cuevas Laboratoro de INvestgacón para el Desarrollo Académco Depto. Ingenería

Más detalles

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1 Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale

Más detalles

Cifrado de imágenes usando autómatas celulares con memoria

Cifrado de imágenes usando autómatas celulares con memoria Cfrado de mágenes usando autómatas celulares con memora L. Hernández Encnas 1, A. Hernández Encnas 2, S. Hoya Whte 2, A. Martín del Rey 3, G. Rodríguez Sánchez 4 1 Insttuto de Físca Aplcada, CSIC, C/Serrano

Más detalles

Representación de páginas web a través de sus enlaces y su aplicación a la recuperación de información.

Representación de páginas web a través de sus enlaces y su aplicación a la recuperación de información. Representacón de págnas web a través de sus enlaces y su aplcacón a la recuperacón de nformacón. José Lus Alonso Berrocal (berrocal@gugu.usal.es) Carlos G. Fguerola (fgue@gugu.usal.es) Ángel Francsco Zazo

Más detalles

Relaciones entre variables

Relaciones entre variables Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.

Más detalles

Clasificación Jerárquica de contenidos Web.

Clasificación Jerárquica de contenidos Web. Clasfcacón Jerárquca de contendos Web. Álvaro Gascón y Marín de la Puente Unversdad Carlos III Madrd 100029648@alumnos.uc3m.es Mguel María Rodríguez Aparco Unversdad Carlos III Madrd 100021447@alumnos.uc3m.es

Más detalles

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,

Más detalles

Breve Estudio sobre la Aplicación de los Algoritmos Genéticos a la Recuperación de Información

Breve Estudio sobre la Aplicación de los Algoritmos Genéticos a la Recuperación de Información Breve Estudo sobre la Aplcacón de los Algortmos Genétcos a la Recuperacón de Informacón O. Cordón, F. oya 2,.C. Zarco 3 Dpto. Cencas de la Computacón e I.A. Unv. de Granada. Ocordon@decsa.ugr.es 2 Dpto.

Más detalles

Un Sistema de Recuperación de Información Estructurada

Un Sistema de Recuperación de Información Estructurada Un Sstema de Recuperacón de Informacón Estructurada Jesús Vegas Pablo de la Fuente Dpto. de Informátca, Unversdad de Valladold Campus Mguel Delbes, 47011 Valladold, España {jvegas,pfuente}@nfor.uva.es

Más detalles

Tu área reservada Organización Simplicidad Eficiencia

Tu área reservada Organización Simplicidad Eficiencia Rev. 07/2012 Tu área reservada Organzacón Smplcdad Efcenca www.vstos.t La Tu tua área area reservada rservata 1 MyVstos MyVstos es la plataforma nformátca, reservada a los clentes Vstos, que permte comprobar

Más detalles

Obtención de mapas de similitud sísmica 2D mediante redes neuronales Oscar Rondón*, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep

Obtención de mapas de similitud sísmica 2D mediante redes neuronales Oscar Rondón*, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep Obtencón de mapas de smltud sísmca 2D medante redes neuronales Oscar Rondón, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep Resumen El desarrollo de metodologías para obtener e ntegrar nformacón de múltples

Más detalles

Filtrado de información mediante prototipos borrosos y perfiles basados en criterios de calidad de datos

Filtrado de información mediante prototipos borrosos y perfiles basados en criterios de calidad de datos Fltrado de nformacón medante prototpos borrosos y perfles basados en crteros de caldad de datos Francsco P. Romero 1, Ismael Caballero 2, Jose A. Olvas 1, Eugeno Verbo 2 1 Departamento de Tecnologías y

Más detalles

FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN

FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN 1 CÁLCULO DE LOS FLUJOS NETOS DE CAJA Y TOMA DE DECISIONES DE INVERSIÓN PRODUCTIVA Peculardades

Más detalles

Optimización de Redes Bayesianas basado en Técnicas de Aprendizaje por Inducción

Optimización de Redes Bayesianas basado en Técnicas de Aprendizaje por Inducción Optmzacón de Redes Bayesanas basado en Técncas de Aprendzae por Induccón Pablo Felgaer Laboratoro de Sstemas Intelgentes, Facultad de Ingenería, Unversdad de Buenos Ares. Paseo Colón 850 4to Pso. Ala Sur.

Más detalles

TEMA 4 Variables aleatorias discretas Esperanza y varianza

TEMA 4 Variables aleatorias discretas Esperanza y varianza Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón

Más detalles

Partición de Sistemas Eléctricos en Subsistemas menores para su Resolución Distribuida

Partición de Sistemas Eléctricos en Subsistemas menores para su Resolución Distribuida VII ERLAC - Mayo 97 1 Partcón de Sstemas Eléctrcos en Subsstemas menores para su Resolucón Dstrbuda B. Barán +, D. Benítez y R. Ramos Centro Naconal de Computacón Unversdad Naconal de Asuncón Paraguay

Más detalles

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor

Más detalles

ACTIVIDADES INICIALES

ACTIVIDADES INICIALES Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)

Más detalles

INTENSIDAD DE LAS PREFERENCIAS EN VOTACIONES. VISUALIZACIÓN GRÁFICA DE SU IMPORTANCIA *

INTENSIDAD DE LAS PREFERENCIAS EN VOTACIONES. VISUALIZACIÓN GRÁFICA DE SU IMPORTANCIA * INTENSIDAD DE LAS PREFERENCIAS EN VOTACIONES. VISUALIZACIÓN GRÁFICA DE SU IMPORTANCIA * Alberto Turón Lanuza Grupo Decsón Multcrtero Zaragoza Facultad de Cencas Económcas y Empresarales. Unversdad de Zaragoza

Más detalles

Material realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera

Material realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera Tema - MATEMÁTICAS FINANCIERAS Materal realzado por J. Davd Moreno y María Gutérrez Unversdad Carlos III de Madrd Asgnatura: Economía Fnancera Apuntes realzados por J. Davd Moreno y María Gutérrez Advertenca

Más detalles

LABORATORIO REMOTO DE INSTRUMENTACIÓN ELECTRÓNICA

LABORATORIO REMOTO DE INSTRUMENTACIÓN ELECTRÓNICA LABORATORIO REMOTO DE INSTRUMENTACIÓN ELECTRÓNICA M. A. Domínguez, J. M. Carrllo, J. A. Fernández and R. Pérez-Aloe Abstract En la actualdad exste un gran nterés a nvel mundal por la educacón a dstanca

Más detalles

Procesamiento de imágenes para la clasificación de café cereza

Procesamiento de imágenes para la clasificación de café cereza Prospectva Vol. 7, No., Enero - Juno de 2009, pág. 67-73 Procesamento de mágenes para la clasfcacón de café cereza Images processng classfcaton for cherry coffee Zulma Sandoval*, Flavo Preto** *Msc. Ingenería

Más detalles

ASIGNACIÓN DE LOCALIZACIONES DE ALMACENAMIENTO CONSIDERANDO DISTANCIAS Y TIEMPOS DE ESTADÍA ENTRE PEDIDOS

ASIGNACIÓN DE LOCALIZACIONES DE ALMACENAMIENTO CONSIDERANDO DISTANCIAS Y TIEMPOS DE ESTADÍA ENTRE PEDIDOS ASIGNACIÓN DE LOCALIZACIONES DE ALMACENAMIENTO CONSIDERANDO DISTANCIAS Y TIEMPOS DE ESTADÍA ENTRE PEDIDOS Marcela C. González-Araya Departamento de Modelacón y Gestón Industral, Facultad de Ingenería,

Más detalles

PROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)

PROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF) ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón

Más detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN COMERCIAL(I) EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado

Más detalles

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables

Más detalles

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ

Más detalles

Correlación y regresión lineal simple

Correlación y regresión lineal simple . Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan

Más detalles

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos. ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:

Más detalles

MODELOS DE ELECCIÓN BINARIA

MODELOS DE ELECCIÓN BINARIA MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos

Más detalles

MODELOS DE ÁRBOL DE REGRESIÓN BAYESIANO: UN ESTUDIO DE CASO.

MODELOS DE ÁRBOL DE REGRESIÓN BAYESIANO: UN ESTUDIO DE CASO. REVISTA INVESTIGACIÓN OPERACIONAL VOL., 3, No., 09-5, 00 MODELOS DE ÁRBOL DE REGRESIÓN BAYESIANO: UN ESTUDIO DE CASO. O. Juárez* y E.Castells** *Facultad de Matemátca. Unversdad Autónoma de Guerrero. Méxco.

Más detalles

SUPPORT VECTOR MACHINE FOR DETECTING TEXTILE DEFECTS, USING FEATURES SPATIAL OF TEXTURE

SUPPORT VECTOR MACHINE FOR DETECTING TEXTILE DEFECTS, USING FEATURES SPATIAL OF TEXTURE ISS: 69-757 - Volumen - úmero 4 - Año 009 Revsta Colombana de SUPPORT VECTOR MACHIE FOR DETECTIG TEXTIE DEFECTS, USIG FEATURES SPATIA OF TEXTURE MÁQUIA DE VECTORES DE SOPORTE PARA A DETECCIÓ DE DEFECTOS

Más detalles

Lo que necesito saber de mi Tarjeta de Crédito

Lo que necesito saber de mi Tarjeta de Crédito Lo que necesto saber de m Tarjeta de Crédto Informatvo tarjetas de crédto bancaras Cómo obtener una 3 Qué es una La tarjeta de crédto es un medo de pago que permte a los clentes utlzar una línea de crédto

Más detalles

Smoothed Particle Hydrodynamics Animación Avanzada

Smoothed Particle Hydrodynamics Animación Avanzada Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla

Más detalles

ANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL:

ANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL: Geografía y Sstemas de Informacón Geográfca (GEOSIG). Revsta dgtal del Grupo de Estudos sobre Geografía y Análss Espacal con Sstemas de Informacón Geográfca (GESIG). Programa de Estudos Geográfcos (PROEG).

Más detalles

Qué es la EN81-28? Atrapado en el ascensor?

Qué es la EN81-28? Atrapado en el ascensor? Qué es la EN81-28? Atrapado en el ascensor? www.safelne.se La podemos ayudar! Hsselektronk desarrolla y produce electrónca para ascensores. Nuestra gama de productos consste prncpalmente en teléfonos de

Más detalles

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso

Más detalles

UN ANÁLISIS COMPARATIVO DE UNA SVM Y UN MODELO LOGIT EN UN PROBLEMA DE CLASIFICACIÓN DE ASEGURADOS

UN ANÁLISIS COMPARATIVO DE UNA SVM Y UN MODELO LOGIT EN UN PROBLEMA DE CLASIFICACIÓN DE ASEGURADOS UN ANÁLISIS COMPARATIVO DE UNA SVM Y UN MODELO LOGIT EN UN PROBLEMA DE CLASIFICACIÓN DE ASEGURADOS Antono Heras Martínez 1, Pedad Tolmos Rodríguez-Pñero 2, Julo Hernández-March 2 1 Departamento de Economía

Más detalles

Estudio de un sistema de reconocimiento biométrico mediante firma manuscrita online basado en SVM usando Análisis Formal de Conceptos

Estudio de un sistema de reconocimiento biométrico mediante firma manuscrita online basado en SVM usando Análisis Formal de Conceptos Estudo de un sstema de reconocmento bométrco medante frma manuscrta onlne basado en SVM usando Análss Formal de Conceptos Ator Mendaza Ormaza 1, Oscar Mguel Hurtado 1, Raúl Sánchez Rello 1, Francsco Valverde

Más detalles

PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES

PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE AÑOS EXÁMENES PROPUESTOS Y RESUELTOS DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CONVOCATORIAS DE --- F Jménez Gómez Este cuaderno

Más detalles

Marinelly Álvarez Departamento de Refinación y Comercio, INTEVEP PDVSA Caracas 1070-A, Apdo. 76343, Venezuela.

Marinelly Álvarez Departamento de Refinación y Comercio, INTEVEP PDVSA Caracas 1070-A, Apdo. 76343, Venezuela. Cuál es el mejor software de smulacón para la logístca petrolera? Gladys Rncon, Mara Perez, Lus E. Mendoza LISI, Departamento de Procesos y Sstemas, Unversdad Smón Bolívar Caracas 1080-A, Apdo. Postal

Más detalles

Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization)

Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization) Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multobjectve Optmzaton) Patrca Jaramllo A. y Rcardo Smth Q. Insttuto de Sstemas y Cencas de la Decsón Facultad de Mnas Unversdad Naconal de Colomba, Medellín,

Más detalles

2.5 Especialidades en la facturación eléctrica

2.5 Especialidades en la facturación eléctrica 2.5 Especaldades en la facturacón eléctrca Es necesaro destacar a contnuacón algunos aspectos peculares de la facturacón eléctrca según Tarfas, que tendrán su mportanca a la hora de establecer los crteros

Más detalles

Créditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias

Créditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias Crédtos Y Sstemas de Amortzacón: Dferencas, Smltudes e Implcancas Introduccón Cuando los ngresos de un agente económco superan su gasto de consumo, surge el concepto de ahorro, esto es, la parte del ngreso

Más detalles

Multiobjetivo para Optimizar un Ambiente Job Shop

Multiobjetivo para Optimizar un Ambiente Job Shop Informacón Tecnológca Una Vol. 23(1), Metodología 35-46 (2012) Multobetvo para Optmzar un Ambente Job Shop do: 10.4067/S0718-07642012000100005 Ruz Una Metodología Multobetvo para Optmzar un Ambente Job

Más detalles

NUEVA APROXIMACIÓN AL MÉTODO TÓPSIS DIFUSO CON ETIQUETAS LINGÜÍSTICAS

NUEVA APROXIMACIÓN AL MÉTODO TÓPSIS DIFUSO CON ETIQUETAS LINGÜÍSTICAS NUEVA APROXIMACIÓN AL MÉTODO TÓPSIS DIFUSO CON ETIQUETAS LINGÜÍSTICAS M. Socorro Garca-Cascales 1, M. Teresa Lamata 2 1 Dpto de Electrónca, Tecnología de Computadoras y Proyectos. Unversdad de Poltécnca

Más detalles

LA FINANCIACION DE PROVEEDORES Y LA GESTION DE STOCKS. UNA VISION CONJUNTA.

LA FINANCIACION DE PROVEEDORES Y LA GESTION DE STOCKS. UNA VISION CONJUNTA. LA FINANCIACION DE PROVEEDORES Y LA GESTION DE STOCKS. UNA VISION CONJUNTA. Lucía Isabel García Cebrán Departamento de Economía y Dreccón de Empresas Unversdad de Zaragoza Gran Vía, 2 50.005 Zaragoza (España)

Más detalles

Índice de Madurez Tecnológica en el Sector Hotelero

Índice de Madurez Tecnológica en el Sector Hotelero Índce de Madurez Tecnológca en el Sector Hotelero Jaume Jaume Mayol, Antono Tudurí Vla Escuela de Hotelería de las Illes Balears Balears Resumen: El ncremento del uso de las Tecnologías de la Informacón

Más detalles

REGRESION Y CORRELACION

REGRESION Y CORRELACION nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

Estimación del consumo diario de gas a partir de lecturas periódicas de medidores

Estimación del consumo diario de gas a partir de lecturas periódicas de medidores Nota técnca Estmacón del consumo daro de gas a partr de lecturas peródcas de meddores Por Salvador Gl, Gerenca de Dstrbucón del Enargas, A. azzn, Gas Natural Ban y R. Preto, Gerenca de Dstrbucón del Enargas

Más detalles

MATEMÁTICA DE LAS OPERACIONES FINANCIERAS I

MATEMÁTICA DE LAS OPERACIONES FINANCIERAS I MATEMÁTICA DE LAS OPERACIONES FINANCIERAS I CURSO 0/04 PRIMERA SEMANA Día 7/0/04 a las 6 horas MATERIAL AUXILIAR: Calculadora fnancera DURACIÓN: horas. a) Captal fnancero aleatoro: Concepto. Equvalente

Más detalles

Equilibrio termodinámico entre fases fluidas

Equilibrio termodinámico entre fases fluidas CAPÍTULO I Equlbro termodnámco entre fases fludas El conocmento frme de los conceptos de la termodnámca se consdera esencal para el dseño, operacón y optmzacón de proyectos en la ngenería químca, debdo

Más detalles

PROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos)

PROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos) PROBLEMAS DE ELECTRÓNCA ANALÓGCA (Dodos) Escuela Poltécnca Superor Profesor. Darío García Rodríguez . En el crcuto de la fgura los dodos son deales, calcular la ntensdad que crcula por la fuente V en funcón

Más detalles

REDES NEURALES. Modelo computacional para una neurona artificial: unidad de umbral binario.

REDES NEURALES. Modelo computacional para una neurona artificial: unidad de umbral binario. REDES NEURALES REFERENCIAS 1943. McCULLOCH Y PITTS. ( A Logcal Calculus of Ideas Immanent n Neurous Actvty ). 1960. ROSENBLATT. El Perceptron. 1982. HOPFIELD. Enfoque energétco. Algortmo de aprendzae de

Más detalles

EQUILIBRIO LÍQUIDO VAPOR EN UN SISTEMA NO IDEAL

EQUILIBRIO LÍQUIDO VAPOR EN UN SISTEMA NO IDEAL EQUILIBRIO LÍQUIDO VAPOR EN UN SISTEMA NO IDEAL OBJETIVO El alumno obtendrá el punto azeotrópco para el sstema acetona-cloroformo, calculará los coefcentes de actvdad de cada componente a las composcones

Más detalles

El clasificador Naïve Bayes en la extracción de conocimiento de bases de datos

El clasificador Naïve Bayes en la extracción de conocimiento de bases de datos El clasfcador Naïve Bayes en la extraccón de conocmento de bases de datos Samuel D. acheco Leal, Lus Gerardo Díaz Ortz, Rodolfo García Flores osgrado en Ingenería de Sstemas, FIME-UANL samuel@yalma.fme.uanl.mx

Más detalles

REVISTA INVESTIGACIÓN OPERACIONAL Vol., 30, No.1, 52-60, 2009

REVISTA INVESTIGACIÓN OPERACIONAL Vol., 30, No.1, 52-60, 2009 REVISTA INVESTIGACIÓN OPERACIONAL Vol., 30, No.1, 52-60, 2009 USO DE REDES BAYESIANAS OBTENIDAS MEDIANTE OPTIMIZACIÓN DE ENJAMBRE DE PARTÍCULAS PARA EL DIAGNÓSTICO DE LA HIPERTENSIÓN ARTERIAL María del

Más detalles

RECONOCIMIENTO DE PATRONES BASADO EN SUPPORT VECTOR MACHINES

RECONOCIMIENTO DE PATRONES BASADO EN SUPPORT VECTOR MACHINES RECONOCIMIENTO DE PATRONES BASADO EN SUPPORT VECTOR MACHINES Alexander HOYO Deartamento de Tecnología Industral Unversdad Smón Bolívar Caracas 080, Venezuela ahoyo@usb.ve RESUMEN En esta nvestgacón se

Más detalles

Determinación de Puntos de Rocío y de Burbuja Parte 1

Determinación de Puntos de Rocío y de Burbuja Parte 1 Determnacón de Puntos de Rocío y de Burbuja Parte 1 Ing. Federco G. Salazar ( 1 ) RESUMEN El cálculo de las condcones de equlbro de fases líqudo vapor en mezclas multcomponentes es un tema de nterés general

Más detalles

Media es la suma de todas las observaciones dividida por el tamaño de la muestra.

Media es la suma de todas las observaciones dividida por el tamaño de la muestra. Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,

Más detalles

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................

Más detalles

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17 Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES

Más detalles

INCORPORACIÓN DE TÉCNICAS MULTIVARIANTES EN UN SISTEMA GESTOR DE BASES DE DATOS TESIS DE MAESTRÍA. Autoría de: CARLOS MARIO SOTO JARAMILLO

INCORPORACIÓN DE TÉCNICAS MULTIVARIANTES EN UN SISTEMA GESTOR DE BASES DE DATOS TESIS DE MAESTRÍA. Autoría de: CARLOS MARIO SOTO JARAMILLO INCORPORACIÓN DE TÉCNICAS MULTIVARIANTES EN UN SISTEMA GESTOR DE BASES DE DATOS TESIS DE MAESTRÍA Autoría de: CARLOS MARIO SOTO JARAMILLO Drectora: Ph. D. CLAUDIA JIMÉNEZ RAMÍREZ MAESTRÍA EN INGENIERÍA

Más detalles

Palabras clave: Ruteo, descomposición cruzada separable, asignación-distribución

Palabras clave: Ruteo, descomposición cruzada separable, asignación-distribución Memoras de la XVII Semana Regonal de Investgacón y Docenca en Matemátcas, Departamento de Matemátcas, Unversdad de Sonora, Méxco. Mosacos Matemátcos No. 20, agosto 2007, pp. 51-57. Nvel Superor SOLUCIÓN

Más detalles

Equipo de Algoritmos Evolutivos Multiobjetivo Paralelos

Equipo de Algoritmos Evolutivos Multiobjetivo Paralelos Equpo de Algortmos Evolutvos Multobjetvo Paralelos José Manuel Fernandez Gangreco Cencas y Tecnología - Unversdad Católca Nuestra Señora de la Asuncón Centro Naconal de Computacón - Unversdad Naconal de

Más detalles

Segmentación robots móviles en espacios inteligentes utilizando técnicas GPCA y minimización de funciones de energía

Segmentación robots móviles en espacios inteligentes utilizando técnicas GPCA y minimización de funciones de energía Segmentacón robots móvles en espacos ntelgentes utlzando técncas GPCA mnmzacón de funcones de energía Crstna Losada, Manuel Mazo, Sra Palazuelos, Francsco edondo Departamento de Electrónca. Unversdad de

Más detalles

Análisis de Sistemas Multiniveles de Inventario con demanda determinística

Análisis de Sistemas Multiniveles de Inventario con demanda determinística 7 Congreso Naconal de Estadístca e Investgacón Operatva Lleda, 8- de abrl de 00 Análss de Sstemas Multnveles de Inventaro con demanda determnístca B. Abdul-Jalbar, J. Gutérrez, J. Scla Departamento de

Más detalles

ANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA.

ANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA. ANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA. SEGUNDA PARTE. (TRABAJO PRESENTADO EN EL CONGRESO DE LA SOCIEDAD ARGENTINA DE ESTADISTICA)

Más detalles

Capítulos 1-3: CAPITALIZACIÓN Y DESCUENTO

Capítulos 1-3: CAPITALIZACIÓN Y DESCUENTO CUESTIONARIO Capítulos 1-3: CAPITALIZACIÓN Y DESCUENTO 1. Cuánto vale una Letra del Tesoro, en tanto por cento de nomnal, s calculamos su valor al 3% de nterés y faltan 5 días para su vencmento? A) 97,2

Más detalles

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con

Más detalles

Economía de la Empresa: Financiación

Economía de la Empresa: Financiación Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se

Más detalles

Maestría en Economía Facultad de Ciencias Económicas Universidad Nacional de La Plata TESIS DE MAESTRIA. ALUMNO Laura Carella. DIRECTOR Alberto Porto

Maestría en Economía Facultad de Ciencias Económicas Universidad Nacional de La Plata TESIS DE MAESTRIA. ALUMNO Laura Carella. DIRECTOR Alberto Porto Maestría en Economía Facultad de Cencas Económcas Unversdad Naconal de La Plata TESIS DE MAESTRIA ALUMNO Laura Carella TITULO Educacón unverstara: medcón del rendmento académco a través de fronteras de

Más detalles

Trabajo y Energía Cinética

Trabajo y Energía Cinética Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..

Más detalles

TEMA 8: PRÉSTAMOS ÍNDICE

TEMA 8: PRÉSTAMOS ÍNDICE TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE

Más detalles

DISTRIBUCION DE COSTOS EN EL PLANEAMIENTO DE LA TRANSMISION USANDO EL VALOR BILATERAL DE SHAPLEY.

DISTRIBUCION DE COSTOS EN EL PLANEAMIENTO DE LA TRANSMISION USANDO EL VALOR BILATERAL DE SHAPLEY. Ing EDGAR M. CARREÑO * M.Sc ANTONIO ESCOBAR ** Ph.D. HERMAN J. SERRANO ** Ph.D. RAMON A. GALLEGO ** Unversdad Tecnológca de Perera Grupo de Investgacón en Planeamento de Sstemas Eléctrcos Perera Colomba.

Más detalles

Departamento Administrativo Nacional de Estadística

Departamento Administrativo Nacional de Estadística Departamento Admnstratvo Naconal de Estadístca Dreccón de Censos Demografía METODOLOGIA ESTIMACIONES Y PROYECCIONES DE POBLACIÓN, POR ÁREA, SEXO Y EDAD PARA LOS DOMINIOS DE LA GRAN ENCUESTA INTEGRADA DE

Más detalles

Benemérita Universidad Autónoma de Puebla. Facultad de Ciencias de la Computación. Maestría en Ciencias de la Computación

Benemérita Universidad Autónoma de Puebla. Facultad de Ciencias de la Computación. Maestría en Ciencias de la Computación Benemérta Unversdad Autónoma de Puebla Facultad de Cencas de la Computacón Maestría en Cencas de la Computacón Determnacón de Efcenca y Factor de Garantía de un Algortmo Basado en Búsqueda Local para el

Más detalles

Segmentación de Imágenes mediante Reconocimiento de Patrones

Segmentación de Imágenes mediante Reconocimiento de Patrones Equaton Chapter 1 Secton 1 Materal del Curso Segmentacón de Imágenes medante Reconocmento de Patrones Ing. Dego Sebastán Comas Dr. Gustavo Javer Meschno Curso: Segmentacón de Imágenes medante Reconocmento

Más detalles

Algoritmo para la ubicación de un nodo por su representación binaria

Algoritmo para la ubicación de un nodo por su representación binaria Título: Ubcacón de un Nodo por su Representacón Bnara Autor: Lus R. Morera González En este artículo ntroducremos un algortmo de carácter netamente geométrco para ubcar en un árbol natural la representacón

Más detalles

Valoración de opciones financieras por diferencias finitas

Valoración de opciones financieras por diferencias finitas Valoracón de opcones fnanceras por dferencas fntas José Mª Pesquero Fernández Dpto. Nuevos Productos - Tesorería BBVA mpesquero@grupobbva.com Indce INDICE. Introduccón. La ecuacón dferencal 3. Dferencas

Más detalles

Cuantificación Vectorial con base en Memorias Asociativas

Cuantificación Vectorial con base en Memorias Asociativas Cuantfcacón Vectoral con base en Memoras Asocatvas Enrque Guzmán Ramírez Insttuto de Electrónca y Computacón (953) 53 2 03 99 Ext. 200 eguzman@mxteco.utm.mx Resumen El presente trabao descrbe un nuevo

Más detalles

GUIA DE ALCANCE FINANCIERO CAE OPERACIONES DE CRÉDITO HIPOTECARIO

GUIA DE ALCANCE FINANCIERO CAE OPERACIONES DE CRÉDITO HIPOTECARIO INTRODUCCIÓN La ley 2.555 publcada el día 5 de dcembre de 211 y que entró en vgenca el día 4 de marzo de 212, que modca la ley 19.496 Sobre Proteccón de los Derechos de los Consumdores (LPC, regula desde

Más detalles

2 Tiempo, causalidad y estado global

2 Tiempo, causalidad y estado global 2 Tempo, causaldad y estado global Contendo 2.2 Tempo físco 2.2.1 Sncronzacón externa 2.2.2 Sncronzacón nterna 2.2.3 Compensacón de desvacones 2.2.4 Ejemplos 2.3 Tempo lógco y orden de eventos 2.3.1 Modelo

Más detalles

INVIRTIENDO EN PUBLICIDAD: ESTRATEGIAS DE LAS EMPRESAS DEL SECTOR COMERCIAL ECUATORIANO

INVIRTIENDO EN PUBLICIDAD: ESTRATEGIAS DE LAS EMPRESAS DEL SECTOR COMERCIAL ECUATORIANO ESCUELA SUPERIOR POLITECNICA DEL LITORAL INSTITUTO DE CIENCIAS HUMANISTICAS Y ECONOMICAS INVIRTIENDO EN PUBLICIDAD: ESTRATEGIAS DE LAS EMPRESAS DEL SECTOR COMERCIAL ECUATORIANO Resumen: Las decsones de

Más detalles

Reconocimiento de caracteres manuscritos mediante información del proceso inverso en la realización de su trazo

Reconocimiento de caracteres manuscritos mediante información del proceso inverso en la realización de su trazo Rev. Fac. Ing. Unv. Antoqua N. 49. pp. 73-84. Septembre, 2009 Reconocmento de caracteres manuscrtos medante nformacón del proceso nverso en la realzacón de su trazo Character recognton system usng the

Más detalles

APENDICE A. El Robot autónomo móvil RAM-1.

APENDICE A. El Robot autónomo móvil RAM-1. Planfcacón de Trayectoras para Robots Móvles APENDICE A. El Robot autónomo móvl RAM-1. A.1. Introduccón. El robot autónomo móvl RAM-1 fue dseñado y desarrollado en el Departamento de Ingenería de Sstemas

Más detalles

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,

Más detalles

Un modelo sencllo, dsponble y seguro Kontratazo publko elektronkoa públca electrónca Lctacones de Prueba: la mejor forma de conocer y domnar el Sstema de Lctacón Electrónca www.euskad.net/contratacon OGASUN

Más detalles

sergion@fing.edu.uy Centro de Cálculo, Instituto de Computación Facultad de Ingeniería. Universidad de la República, Uruguay.

sergion@fing.edu.uy Centro de Cálculo, Instituto de Computación Facultad de Ingeniería. Universidad de la República, Uruguay. Una Versón Paralela del Algortmo Evolutvo para Optmzacón Multobjetvo NSGA-II y su Aplcacón al Dseño de Redes de Comuncacones Confables Sergo Nesmachnow sergon@fng.edu.uy Centro de Cálculo, Insttuto de

Más detalles

Modelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.

Modelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit. Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)

Más detalles

Fundamentos de Física Estadística: Problema básico, Postulados

Fundamentos de Física Estadística: Problema básico, Postulados Fundamentos de Físca Estadístca: Problema básco, Postulados y Formalsmos. Problema básco de la Mecánca Estadístca del Equlbro (MEE) El problema básco de la MEE es la determnacón de la relacón termodnámca

Más detalles

Matemática Financiera Sistemas de Amortización de Deudas

Matemática Financiera Sistemas de Amortización de Deudas Matemátca Fnancera Sstemas de Amortzacón de Deudas 7 Qué aprendemos Sstema Francés: Descomposcón de la cuota. Amortzacones acumuladas. Cálculo del saldo. Evolucón. Representacón gráfca. Expresones recursvas

Más detalles

SISTEMA DE RECONOCIMIENTO DE ROSTROS

SISTEMA DE RECONOCIMIENTO DE ROSTROS SISTEMA DE RECONOCIMIENTO DE ROSTROS Categoría: Pre-grado - Alumno Área Temátca: Ingenería de Sstemas Procesamento Dgtal de Imágenes Autor Sandra María Vlla Palacos Unversdad Peruana de Cencas Aplcadas

Más detalles

ALGORITMO DE RANKING DINÁMICO BASADO EN REALIMENTACIÓN IMPLÍCITA

ALGORITMO DE RANKING DINÁMICO BASADO EN REALIMENTACIÓN IMPLÍCITA ALGORITMO DE RANKING DINÁMICO BASADO EN REALIMENTACIÓN IMPLÍCITA Javer de la Mata José A. Olvas Jesús Serrano-Guerrero Departamento de Tecnologías y Sstemas de la Informacón. Grupo SMILE. Unversdad de

Más detalles