REDES NEURALES. Modelo computacional para una neurona artificial: unidad de umbral binario.
|
|
- Ángeles Estefania Escobar Crespo
- hace 8 años
- Vistas:
Transcripción
1 REDES NEURALES REFERENCIAS McCULLOCH Y PITTS. ( A Logcal Calculus of Ideas Immanent n Neurous Actvty ) ROSENBLATT. El Perceptron HOPFIELD. Enfoque energétco. Algortmo de aprendzae de propagacón haca atrás para perceptrones multcapa. WERBOS. RUMELHART Y McCLELLAND. PDP. McCULLOCH Y PITTS Modelo computaconal para una neurona artfcal: undad de umbral bnaro. Modelo de Neurona Artfcal de McCulloch y Ptts Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 1
2 Esta Neurona computa una suma ponderada de sus n señales de entrada, x, = 1, 2,...,n, y genera un resultado de 1 s esta suma supera un certo umbral u. 0 en otro caso. y n = θ ( x = 1 u) Donde: θ(.) es una funcón de paso de undad en 0, y es el peso de la snapss asocado con la -ava entrada. Por smplcdad podemos consderar el umbral u como otro peso 0 = -u asocado a la neurona con un nput constante x 0 =1. Pesos postvos corresponden a snapss exctadoras, mentras que los negatvos a nhbdoras. La Neurona de McCulloch y Ptts se ha generalzado de muchas maneras. En general, usando dstntas funcones de actvacón, sgmodes, gaussanas. etc. Dstntas Funcones de Actvacón: (a) umbral (b) Lneal (c) sgmode (d) Gaussana Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 2
3 ARQUITECTURAS DE RED Una Red de Neuronas Artfcal puede consderarse como un grafo drgdo ponderado en el que neuronas artfcales son nodos y las hoas drgdas y ponderadas son conexones entre saldas y entradas de neuronas. Dependendo del patrón de conexón pueden dvdrse en: Redes de Propagacón haca delante (feedforard): en las que los grafos no tenen bucles. Recurrentes o de Retroalmentacón (feedback), en las cuales los bucles ocurren debdo a conexones de retroalmentacón Clasfcacón de los tpos de redes Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 3
4 REDES DE PROPAGACIÓN HACIA DELANTE Son estátcas. Producen sólo un conunto de valores como resultado, meor que una secuenca de valores a partr de un nput dado. Sn memora: en el sentdo en que su respuesta a un nput es ndependente del estado prevo de la red. PERCEPTRON Consste en una neurona con pesos austables, = 1,2,...,n y un umbral u. Dado un vector de entrada x=(x 1,x 2,...x n ) t el nput a la neurona es v n = =1 x u La salda y es +1 s v>0 y 0 en otro caso. En un problema de clasfcacón en dos clases, el perceptrón asgna un patrón de entrada a una clase s y=1 y a la otra s y=0. La ecuacón n = 1 x u = 0 líneal defne el límte de decsón (un hpercubo en el espaco n-dmensonal de entrada) que dvde por la mtad el espaco. Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 4
5 ALGORITMO DE APRENDIZAJE DEL PERCEPTRON (1) Incalzar los pesos y el umbral a un número pequeño aleatoro. (2) Presentar un vector patrón (x 1, x 2,..., x n ) t y evaluar el resultado de la neurona. (3) Modfcar los pesos de acuerdo con: (t+1) = (t) +η(d-y) x donde d es el output deseado, t es el número de teracón y η(0.0 < η < 1.0) es el aumento (el tamaño del paso) PERCEPTRÓN MULTICAPA Un estandard red L-capa feedforard consste en una capa de entrada, L-1 capas ocultas y una capa resultante de undades sucesvamente conectadas (global o localmente) haca delante sn conexones entre undades de la msma capa y sn retroalmentacón entre capas. Red de propagacón haca delante de tres capas Denotamos (l) como el peso de la conexón entre la -ava undad en la capa L-1 y la -ava undad en la capa L. Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 5
6 Sea { (x (1), d (1) ), (x (2), d (2) ),..., (x (p), d (p) )} un conunto de p patrones de entrenamento (pares nput-output), donde x () R n es el vector de entrada en el espaco patrón n-dmensonal, y d () [0,1] m, un hpercubo m-dmensonal, m es el número de clases. La funcón de coste errorcuadrado más frecuentemente usada es: E = 1 2 p = 1 y ( ) d ( ) 2 Cada undad computaconal emplea o la funcón umbral o la funcón sgmode. Pueden formar límtes de decsón compleos arbtraramente y representar cualquer funcón booleana. RED DE FUNCIÓN DE BASE RADICAL (RBF) Tene Dos capas Es una clase espacal de red multcapa haca delante Cada undad en las capas ocultas emplea una funcón de base radal, tal como un kernel gaussana, como funcón de actvacón. La funcón de Base Radal o funcón núcleo se centra en el punto especfcado por el vector de peso asocado con la undad. Tanto las poscones como las Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 6
7 anchuras de estos núcleos deben aprenderse por patrones de entrenamento. Cada undad resultante mplementa una combnacón lneal de estas funcones de base radal. Hay dversos algortmos para redes RBF Estratega de aprendzae en dos pasos o aprendzae híbrdo. (1) Estma poscones y anchuras centrales usando un algortmo de agrupamento no supervsado (2) Se usa un algortmo supervsado de cuadrado medo mínmo (CMS) para determnar los pesos de las conexones entre capas ocultas y capa de salda. (3) Una vez que se obtene esta solucón, un algortmo supervsado basado en el gradente se usa para refnar los parámetros de la red. Este algortmo híbrdo cnverge más rápdamente que el de propagacón haca atrás, pero las redes RBF exgen muchas capas ocultas lo que ralentza las eecucones cuando ya se ha establzado la red. Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 7
8 Al dseñar una red de propagacón haca delante hay que tener en cuenta: Cuántas capas necestamos para la tarea a realzar. Cuántas undades por capa. Cómo se comportará la red con datos no ncludos en el conunto de entrenamento. Qué tamaño exge el conunto de entrenamento para una buena generalzacón. REDES RECURRENTES O DE RETROALIMENTACIÓN MAPAS AUTOORGANIZATIVOS DE KOHONEN Los Mapas Auto-organzatvos (SOM) preservan la topología. En proyeccones que preservan la topología patrones de entrada cercanos actvarán undades de salda cercanas en el mapa. Un SOM de Kohonen consste fundamentalmente en un array bdmensonal de undades, cada una conectada a todos lo n nodos de entrada. Sea el vector n-dmensonal asocado con la undad localzada en (,) del array 2D. Cada neurona computa la dstanca eucldana entre el vector de entrada x y el peso almacenado en el vector. Este SOM es un tpo especal de red de aprendzae compettvo, que defne una vecndad espacal para cada Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 8
9 undad de salda. la forma de la vecndad local puede ser cuadrada, rectangular o crcular. El tamaño de la red ncal suele farse a ½ o a 2/3 del tamaño de la red y reducrla posterormente de acuerdo con un plan (por eemplo, una funcón exponencal decrecente). Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 9
10 ALGORITMO DE APRENDIZAJE SOM (1) Incalzar los pesos a números pequeños aleatoros; far la rato de aprendzae y de vecndad ncal. (2) Presentar un patrón x, y evaluar resultados (3) Selecconar la undad (c,c ) con el resultado mínmo: x cc = mn x (4) Modfcar todos los pesos de acuerdo con la sguente regla de aprendzae (t) + α(t)[x(t)- (t)], s (,) N cc (t) (t+1)= (t) en otro caso donde N cc (t) es la vecndad de la undad (c,c ) en el tempo t, y α(t) es la rato de aprendzae. (5) Dsmnur el valor de α(t) y reducr la vecndad N cc (t). (6) Repetr de 2 a 5 hasta que el cambo en los valores de los pesos sea menor que el umbral preespecfcado o se alcance el número máxmo de teracones. Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 10
11 MODELOS DE LA TEORÍA DE LA RESONANCIA ADAPTATIVA (MODELOS ART) Sobre el dlema establdad-plastcdad: Cómo podemos aprender nuevas cosas (plastcdad) asegurándonos la establdad de conservar el conocmento exstente? Los modelos ART (Carpenter y Grossberg ART1, ART2, ARTMap) ntentan soluconar este problema. La red tene un suplemento sufcente de undades de salda, pero no se usarán hasta que resulte necesaro. Una undad se dce que está comprometda (no-comprometda) s está (no está) sendo usada. El algortmo de aprendzae modfca los prototpos almacenados de una categoría sólo s el vector de entrada es lo sufcentemente smlar a ellos. (s son resonantes). La extensón de smlardad es controlada por un parámetro de vglanca, ρ, con 0 < ρ <1, que tambén determna el número de categorías. Cuando el vector de entrada no es lo sufcentemente smlar a algún prototpo exstente, se crea una nueva categoría y se asgna a una undad no-comprometda como prototpo ncal. S no hay una undad tal la entrada nueva no produce respuesta en la red. Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 11
12 ART1 Capa (resultante) Compettva -N A 1 Capa (entrante) Comparatva -1 R 1 ρ x El gráfco lustra un ART1 smplfcado. Consta de dos capas de undades completamente conectadas. Un vector arrbaabao está asocado con la undad en la capa de entrada y un vector abao-arrba está asocado con la undad de salda ; = es la versón normalzada de, ε + donde ε es un número pequeño usado para romper empates en la seleccón de la undad ganadora. El vector arrba-abao almacena los prototpos. El papel de la normalzacóm es prevenr que prototpos de vectores grandes se dstancen de prototpos domnantes que tengan vectores pequeños. Dado un vector de entrada de n-bt x, el resultado de la undad auxlar A vene dado por: A = Sgn 0 / 1 ( x n o 0.5) Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 12
13 donde Sgn es la funcón sgnum que produce +1 s x 0 y 0 en otro caso. Y la salda de una undad de entrada vene dado por: V = Sgn 0 /1 { x s x o + A 1.5) = x nngún O se actva ( x +, en otro caso O Se genera una señal R de rencalzacón sólo cuando la smlardad es menor que el nvel de vglanca. ALGORITMO DE APRENDIZAJE PARA ART1 (1) Incalzar = 1, para todo,. Actvar toda las undades de salda. (2) Presentar un nuevo patrón x (3) Encontrar la undad ganadora * entre las undades de salda actvadas * x x, para todo. * r = (4) Realzar el test de vglanca x x s r ρ (resonanca), r al paso 5. En otro caso, desactvar la undad * e r al paso 3 (hasta que todas las undades queden desactvadas). (5) Modfcar los pesos del vector ganador *, actvar todas las undades e r al paso 2 * V = η ( ) * ι Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 13
14 (6) S todas las undades de salda están desactvadas, selecconar una de las undades de salda no comprometdas y far el peso del vector a x. S no exste, la capacdad de la red se ha alcanzado y se rechaza el patrón de entrada. RED DE HOPFIELD Dos versones: Bnara Contnuamente valorada. Sea v el estado o salda de la -esma undad. Para redes bnaras v es o Para redes contínuas v puede ser cualquer valor entre 0 y 1. Sea el peso de las snapss en la conexón de las undades,. En las redes de Hopfeld, =, para todo,, y = 0, para todo. El comportamento dnámco para la red bnara es: V v ( θ = Sgn La modfcacón dnámca puede realzarse sncrónca o asncróncamente: ) Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 14
15 - Sncróncamente: Todas las undades se modfcan smultáneamente en cada paso de tempo. Un relo central sncronza el proceso. - Asncróncamente: se seleccona una undad en cada momento y se modfca su estado. La funcón energía para la red bnara es un estado v=(v 1,v 2,..,v n ) vene dada por: E = 1 2 La propedad central de la funcón energía es que como el estado de la red evolucona de acuerdo con la dnámca de red, la energía de la red sempre decrece y eventualmente alcanza un punto mínmo local (atractor) donde la red permanece con energía constante. S un conunto de patrones se almacena en estos atractores puede usarse como memora asocatva. v v Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 15
16 TABLA DE MODELO-APRENDIZAJE-TAREAS Paradgma Regla Arqutectura Algortmo de Aprendzae Tarea perceptrón smple o multcapa - aprendzae del perceptrón Clasfcacón de Patrones. Correccón de - Propagacón haca atrás Predccón de la aproxmacón errores - Adalne y Madalne de funcones y control Boltzmann Recurrente aprendzae de Boltzmann Clasfcacón de Patrones Multcapa de propagacón Análss Lneal dscrmnante Análss de Datos Supervsado Hebban haca delante Clasfcacón de Patrones Compettvo Cuantzacón del vector de Categorzacón en clases aprendzae Compresón de datos Compettvo Red ART ARTMap Clasfcacón de Patrones No Supervsado Híbrdo Correccón de errores Hebban Compettvo Correccón de errores y Compettvo Categorzacón en clases Análss de datos Multcapa de propagacón Proyeccón de Sammon haca delante De propagacón haca delante Análss de componente prncpal Análss de datos o compettvo Compresón de datos Red de Hopfeld Aprendzae de memora asocatva Memora asocatva Compettvo Cuantzacon de vector Categorzacón Compresón de datos SOM de Kohonen SOM de Kohonen Categorzacón Análss de datos Red ART ART1, ART2 Categorzacón Red RBF Algortmode aprendzae RBF Clasfcacón de patrones Predccón de la funcón de aproxmacón Control Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 16
17 Aprendzae en APRENDIZAJE EN REDES DE NEURONAS El proceso de aprendzae de una red de neuronas puede verse como: El problema de modfcar la arqutectura de la red y los pesos de las conexones, de tal manera que la red pueda realzar efcentemente una tarea específca. La red debe usualmente aprender los pesos de las conexones a partr de patrones de entrenamento dsponbles. Se realza medante la modfcacón teratva de los pesos en la red. Para comprender o dseñar un proceso de aprendzae es necesaro: (1) Un paradgma de aprendzae: la nformacón dsponble a la red. (2) Reglas de aprendzae que gobernan el proceso de modfcacón de pesos. (3) Un algortmo de aprendzae. Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 17
18 Aprendzae en PARADIGMAS DE APRENDIZAJE SUPERVISADO: A la red se le ofrece una respuesta correcta para cada patrón de entrada. Los pesos se austan para aproxmar la respuesta de la red a la respuesta correcta conocda. NO-SUPERVISADO: Se explora la estructura subyacente o correlacones entre patrones en los datos, y se organzan estos patrones en ctegorías a partr de las correlacones encontradas. HÍBRIDO: Combna los dos anterores. Parte de los pesos se determnan medante un proceso supervsado, mentras que el resto se obtenen medante un aprendzae no-supervsado. La teoría debe evaluar: La Capacdad: Cuántos patrones pueden almacenarse y qué funcones y límtes de decsón puede formar la red. La Compledad de muestra: Cuántos patrones de entrenamento son necesaros para entrenar a la red y que ésta garantce una generalzacón válda. La Compledad Computaconal: El tempo requerdo para que un algortmo de aprendzae estme una solucón a partr de los patrones de entrenamento. Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 18
19 Aprendzae en REGLAS DE APRENDIZAJE REGLAS DE CORRECCIÓN DE ERRORES Para aprendzae Supervsado. Sea y el resultado generado por la red, sea d el resultado esperado. El prncpo básco de las reglas de error-correccón es la señal de error (d-y) Algortmo de propagacón haca atrás (1) Incalzar los peso a valores aleatoros pequeños. (2) Elegr aleatoramente un patrón de entrada x (µ) (3) Propagar la señal haca delante a través de la red (4) Computar en la capa δ L resultante ( = y o L ) δ L L = u g ' ( h ) y d L donde representa el nput a la red en la undad - h L ava en la l-ava capa y g es la dervada de la funcón de actvacón g. (5) Computar las deltas para las capas precedentes propagando los errores haca atrás. δ h L = + 1 δ + 1 g' ( ) para = (L 1),...,1. (6) Modfcar los pesos usando: Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 19
20 Aprendzae en y 1 = η δ (7) Ir al paso 2 y repetr para el sguente patrón hasta que el error en la capa de salda esté por debao del umbral preespecfcado o se alcance un número máxmo de teracones. APRENDIZAJE DE BOLTZMANN Las máqunas de Boltzmann son redes recurrentes smétrcas que conssten en undades bnaras (+1 para on y 1 para off ). Por smetría entendemos que los pesos en la conexón entre la undad y la undad es gual al peso en la conexón entre la undad y la undad ( = ) Un subconunto de neuronas vsbles nteractúan con el entorno, el resto, las ocultas, no lo hacen. cada neurona es una undad estocástca que genera un resultado (o estado) de acuerdo con la dstrbucón de Boltzmann de la mecánca estadístca. Una máquna Boltzmann opera de dos modos: - Restrngdo: en donde las neuronas vsbles están restrngdas a estados específcos determnados por el entorno. - Lbres: Todas las neuronas (vsbles y ocultas) operan lbremente. Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 20
21 Aprendzae en El obetvo del aprendzae de Boltzmann es austar los pesos de las conexones de tal forma que las undades vsbles satsfagan una dstrbucón de probabldad partcular deseada. De acuerdo con esto, el cambo en los pesos es dado por: = η ( ) ρ donde η es la rato de aprendzae ρ y ρ son las correlacones entre los estados de la undad y. Cuando la red opera en modo restrngdo o en modo lbre respectvamente. Los valores de ρ se estman habtualmente medante el método de Monte Carlo, que es muy lento. ρ REGLA DE HEBB Se funda en la observacón bológca de que s las neuronas de ambos lados de la snapss se actvan sncrónca y repetdamente, la fuerza de la snapss se ncrementa selectvamente. Matemátcamente, la regla de Hebb se expresa: (t + 1) = (t) + ηy (t) x (t) donde x e y son los valores resultados de la neurona y que están conectados en la snapss y η es la rato de aprendzae. Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 21
22 Aprendzae en REGLAS DE APRENDIZAJE COMPETITIVO Aquí las undades de salda compten entre sí para su actvacón. De tal manera que sólo una undad de salda esta actva en un momento dado (nner-take-all). El aprendzae compettvo a menudo agrupa o categorza los datos de entrada. Patrones smlares son agrupados por la red y representados por una únca undad. El agrupamento se hace automátcamente medante correlacón de datos. La red más smple de aprendzae compettvo consste en una capa de undades de salda. Cada undad está conectada a todas las undades de entrada medante ponderacones. Cada undad de salda se conecta tambén a todas las demás medante ponderacón nhbtora, pero tene una autoretroalmentacón con un peso exctatoro. Como resultado de la competcón, solo la undad con el mayor (o menor) nput llega a ser la ganadora. * x x o * x x Una regla de aprendzae compettvo puede expresarse: u * * η ( x = = ), * 0, Medante esta regla sólo se modfcan los pesos de la undad ganadora. Con esta regla la red no deará de aprender hasta que la rato de aprendzae ηsea 0 Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 22
23 Aprendzae en APLICACIONES OCR (Reconocedor Óptco de Caracteres) medante redes de Neuronas Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 23
24 Aprendzae en Departamento de Lógca y Flosofía de la Cenca. Carlos Muñoz Gutérrez 24
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
Más detallesUNIVERSIDAD 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 detallesSmoothed 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 detallesDEFINICIÓN DE INDICADORES
DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.
Más detallesTEMA 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 detallesTema 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 detallesALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.
9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara
Más detallesCAPÍTULO 4: ALGORITMOS DE APRENDIZAJE
Capítulo 4 Algoritmos de Aprendizaje 26 CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE En este capítulo se proporcionan las descripciones matemáticas de los principales algoritmos de aprendizaje para redes neuronales:
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
Más detallesMódulo 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 detallesEXPERIMENTACIÓN 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 detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesTema 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 detallesEconometría. 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 detallesRelaciones 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 detallesCAPITULO 3 REDES HIBRIDAS-COMPLEJAS. 3.1 Descripción de la Red Híbrida Compleja (HCNN)
CAPITULO 3 REDES HIBRIDAS-COMPLEJAS 3.1 Descripción de la Red Híbrida Compleja (HCNN) La predicción de eventos caóticos que se presentan en un mundo que nos rodea es de gran interés. Especialmente en aquellos
Más detallesTrabajo 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 detallesCAPÍTULO 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 detallesClasificación 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 detallesPROPORCIONAR 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 detallesTrabajo Especial 2: Cadenas de Markov y modelo PageRank
Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo 2015 1. Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E
Más detallesGUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22
DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.
Más detallesTEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS.
GESTIÓN FINANCIERA. TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS. 1.- Funconamento de las cuentas bancaras. FUNCIONAMIENTO DE LAS CUENTAS BANCARIAS. Las cuentas bancaras se dvden en tres partes:
Más detalles5.4. 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 detallesHistogramas: 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 detallesDisipación de energía mecánica
Laboratoro de Mecáa. Expermento 13 Versón para el alumno Dspacón de energía mecáa Objetvo general El estudante medrá la energía que se perde por la accón de la uerza de rozamento. Objetvos partculares
Más detalles1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo
EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces
Más detallesAlgoritmo 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 detallesGuía de ejercicios #1
Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje
Más detallesTERMODINÁMICA AVANZADA
TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón
Más detallesCÁLCULO VECTORIAL 1.- MAGNITUDES ESCALARES Y VECTORIALES. 2.- VECTORES. pág. 1
CÁLCL ECTRIAL 1. Magntudes escalares y vectorales.. ectores. Componentes vectorales. ectores untaros. Componentes escalares. Módulo de un vector. Cosenos drectores. 3. peracones con vectores. 3.1. Suma.
Más detallesQué 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 detallesACTIVIDADES 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 detallesSegmentación 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 detallesVISIÓN POR COMPUTADOR
Escuela Poltécnca Superor de Elche VISIÓN POR COMPUTADOR Grado en Electrónca y Automátca Industral PRÁCTICAS TITERE Práctca 4: Segmentacón, Localzacón y Reconocmento de Obetos Departamento de Ingenería
Más detallesCÁLCULO 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 detallesUN POCO DE HISTORIA Prof. Teuvo Kohonen UN POCO DE HISTORIA
Self-Organzng Maps 1. Defnón.. Un poo de hstora. CONTENIDO 3. Desrpón del algortmo. L. Pablo Sergo Garía 4. Ejemplos en ejeuón. 5. Problemas 6. Aplaones. DEFINICIÓN El SOM es un algortmo para vsualzar
Más detallesMaterial 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 detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la
Más detallesCOMPARADOR CON AMPLIFICADOR OPERACIONAL
COMAADO CON AMLIFICADO OEACIONAL COMAADO INESO, COMAADO NO INESO Tenen como msón comparar una tensón arable con otra, normalmente constante, denomnada tensón de referenca, dándonos a la salda una tensón
Más detallesRESISTENCIAS EN SERIE Y LEY DE LAS MALLAS V 1 V 2 V 3 A B C
RESISTENCIS EN SERIE Y LEY DE LS MLLS V V 2 V 3 C D Fgura R R 2 R 3 Nomenclatura: Suponemos que el potencal en es mayor que el potencal en, por lo tanto la ntensdad de la corrente se mueve haca la derecha.
Más detalles12-16 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 detallesALGUNOS MODELOS DE UNA NEURONA
ALGUNOS MODELOS DE UNA NEURONA w 1 Μ w 2 w m ADALINE ADAptve Lnear Element Wdrow y Hoff 1960 w 1 Μ w 2 w m El Adalne x 0 x 1 x 2 Μ Μ x m con w 2 w = x = w 1 w m v b m v m = w j x j + b = j= 1 = 0 [ b w
Más detallesREDES 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 detallesClase 25. Macroeconomía, Sexta Parte
Introduccón a la Facultad de Cs. Físcas y Matemátcas - Unversdad de Chle Clase 25. Macroeconomía, Sexta Parte 12 de Juno, 2008 Garca Se recomenda complementar la clase con una lectura cudadosa de los capítulos
Más detallesCapitalización 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 detallesOPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS
P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la
Más detallesAPENDICE 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 detalles5.1. 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 detallesÍndice de Precios de las Materias Primas
May-15 Resumen Ejecutvo El objetvo del (IPMP) es sntetzar la dnámca de los precos de las exportacones de Argentna, consderando la relatva establdad en el corto plazo de los precos de las ventas externas
Más detallesStarbridge Networks 305EU Manual
Starbrdge Networks 305EU Manual Contendo Requermentos Mínmos del Sstema... 2 Descrpcón del Kt Starbrdge Networks 305 EU... 2 Característcas del módem... 2 Instalacón Paso 1: Conectar el módem al PC...
Más detallesCapítulo 2.2: Redes Neuronales Artificiales
Capítulo 2.2: Redes euronales Artfcales captulo22 4-3-05 Págna de 3 . eurona natural Hemos vsto que una neurona en el hombre funcona por mpulsos eléctrcos que se generan cuando se cumplen unas determnadas
Más detallesMODELOS 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 detallesProcesamiento 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 detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesMAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES
MAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES José D. Martín Guerrero, Emilio Soria, Antonio J. Serrano PROCESADO Y ANÁLISIS DE DATOS AMBIENTALES Curso 2009-2010 Page 1 of 11 1. Learning Vector Quantization.
Más detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
Más detallesCifrado 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 detallesCAPÍTULO 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 detallesRespuesta A.C. del FET 1/14
espuesta A.C. del FET 1/14 1. Introduccón Una ez que se ubca al transstor dentro de la zona saturada o de corrente de salda constante, se puede utlzar como amplfcador de señales. En base a un FET canal
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detallesPrimer 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 detallesDELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID
DELTA MATE OMAÓN UNETAA / Gral. Ampuda, 6 8003 MADD EXÁMEN NTODUÓN A LA ELETÓNA UM JUNO 008 El examen consta de ses preguntas. Lea detendamente los enuncados. tene cualquer duda consulte al profesor. Todas
Más detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Ejerccos para Evaluacón: Tema 5 1. Contestar brevemente a las sguentes cuestones relaconadas con las Redes de Base
Más detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
Más detalles2.2 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 detallesComparación 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 detallesTEMA 6 AMPLIFICADORES OPERACIONALES
Tema 6 Amplfcadores peraconales ev 4 TEMA 6 AMPLIFICADES PEACINALES Profesores: Germán llalba Madrd Mguel A. Zamora Izquerdo Tema 6 Amplfcadores peraconales ev 4 CNTENID Introduccón El amplfcador dferencal
Más detallesUNIVERSIDAD 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 detallesFuentes de información
TEORÍA DE LA INFORMACIÓN Tratamento probablístco de la Informacón Fuentes de nformacón INGENIERÍA DE SISTEMAS Cursada 6 TRANSMISIÓN DE INFORMACIÓN decodfcacón automátca PRINCIPALES TEMÁTICAS DE LA TEORÍA
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detallesÁrea Académica: ICBI, Sistemas Computacionales. Profesor: M.C.C Víctor Tomás Tomás Mariano
Área Académica: ICBI, Sistemas Computacionales Tema: Mapas auto organizados Profesor: M.C.C Víctor Tomás Tomás Mariano Alumnos: Leticia Hernandez Hernandez. Agustin Escamilla Hernández Periodo: Julio-Diciembre
Más detallesAlgoritmos sobre Grafos
Sexta Sesión 27 de febrero de 2010 Contenido Deniciones 1 Deniciones 2 3 4 Deniciones sobre Grafos Par de una lista de nodos y una lista de enlaces, denidos a su vez como pares del conjunto de nodos.
Más detallesMarcos Gutiérrez-Dávila marcosgd@ugr.es
Marcos Gutérrez-Dávla marcosgd@ugr.es Introduccón: Relacón de la bomecánca con el deporte de competcón El gesto deportvo consttuye un patrón de movmento estable que se caracterza por el alto grado de efcenca
Más detallesSimulación 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 detallesOP-AMP ideal. Circuito equivalente. R o. i o. R i. v o. i 2 + v 2. A(v 1 v 2 )
El amplfcador operaconal Símbolos y termnales El amplfcador operaconal op amp es un crcuto ntegrado básco utlzado en crcutos analógcos. Aplcacones: amplfcacón/escalamento de señales de entrada nversón
Más detallesInvestigación 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 detallesCalorimetría - Soluciones. 1.- Cuántas calorías ceden 5 kg de cobre (c = 0,094 cal/g C) al enfriarse desde 36 o C hasta -4 C?
Calormetría - Solucones 1.- Cuántas calorías ceden 5 kg de cobre () al enfrarse desde 3 o C hasta -4 C? m = 5 kg = 5.000 g T = 3 C T f = - 4 C = - T = - (T f T ) = - 5.000 g 0,094 cal/g C (-4 C 3 C) =
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 21. Redes Neuronales. 2
Procesamento Dgtal de Imágenes Pablo Roncaglolo B. Nº Redes Neuronales prb@7 Redes Neuronales Báscas Células de McCulloch&Ptts El Perceptrón ADALINE El Perceptrón n Multcapa prb@7 Celulas de McCulloch-Ptts
Más detallesCONCEPTOS GENERALES DEL CAMPO MAGNÉTICO
CONCEPTOS GENERALES DEL CAMPO MAGNÉTICO 1 ÍNDICE 1. INTRODUCCIÓN 2. EL CAMPO MAGNÉTICO 3. PRODUCCIÓN DE UN CAMPO MAGNÉTICO 4. LEY DE FARADAY 5. PRODUCCIÓN DE UNA FUERZA EN UN CONDUCTOR 6. MOVIMIENTO DE
Más detallesCLASIFICACIÓN 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 detallesSesión 7: Visón general
Sesión 7: Visón general Hablemos de las calorías Comemos calorías por una razón: nuestros cuerpos las necesitan para sobrevivir. Proporcionan el combustible para todo lo que hacemos, incluso para nuestra
Más detallesFUNDAMENTOS 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 detallesEconomía 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 detallesManual. Starbridge 305EU. Contenido
Starbrdge 305EU Manual Contendo Requermentos Mìnmos del Sstema... 2 Descrpcón del Kt Starbrdge 305 EU... 2 Característcas del modem... 2 Instalacón Paso 1: Conectar el modem al PC... 3 Paso2: Confgurar
Más detallesCapítulo 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 detallesRedes 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 detallesInstructivo para la sincronización de servidores Intellect
Instructivo para la sincronización de servidores Intellect Este instructivo será de gran utilidad para los casos en que se cuente con una instalación de Intellect que tenga más de un servidor y sea preciso
Más detallesBenemérita 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 detallesUniversidad Simón Bolívar Conversión de Energía Eléctrica - Prof. José Manuel Aller
Unversdad Smón Bolívar Conversón de Energía Eléctrca Prof José anuel Aller 41 Defncones báscas En este capítulo se estuda el comportamento de los crcutos acoplados magnétcamente, fjos en el espaco El medo
Más detallesREGRESION 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 detallesSistemas Lineales de Masas-Resortes 2D
Sstemas neales de Masas-Resortes D José Cortés Pareo. Novembre 7 Un Sstema neal de Masas-Resortes está consttudo por una sucesón de puntos (de ahí lo de lneal undos cada uno con el sguente por un resorte
Más detallesProblemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel
Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al
Más detallesAGREGAR UN EQUIPO A UNA RED Y COMPARTIR ARCHIVOS CON WINDOWS 7
Tutoriales de ayuda e información para todos los niveles AGREGAR UN EQUIPO A UNA RED Y COMPARTIR ARCHIVOS CON WINDOWS 7 Como agregar a una red existente un equipo con Windows 7 y compartir sus archivos
Más detalles5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.
Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las
Más detalles