Clasificación de Música por Género utilizando Redes Neuronales Artificiales
|
|
- María Rosario Fidalgo de la Cruz
- hace 7 años
- Vistas:
Transcripción
1 Clasfcacón de Músca por Género ulzando Redes Neuronales Arfcales Elkn García, Gullermo Pacheco y Germán Mancera 2 Unversdad de los Andes Carrera N 8A Bogoá, Colomba {elkn-ga, or-pach}@unandes.edu.co 2 4 Evans Hall Unversy of Delaware Newark, DE 97 USA gmancera@ece.udel.edu Resumen En ese proyeco se realza un esudo de la nformacón conenda en archvos dgales de músca con el fn de deermnar parámeros represenavos de un género muscal para ser usados como enradas a un ssema clasfcador mplemenado con Redes Neuronales Arfcales. La exraccón de parámeros se realza hacendo uso de análss en el domno del empo, de la frecuenca, y ulzando la Transformada Wavele. Se han mplemenado dos opologías dferenes de Red Neuronal: Perceprón Mulnvel y Red de Funcones de Base Radal (RBF), adconalmene se mplemena un clasfcador ulzando el algormo Adaboos sobre un clasfcador débl RBF. Los resulados que han sdo obendos son comparados en cuano porcenae de clasfcacón correca y amaño de la red. De la msma manera, se ha esudado la repercusón que ene la aplcacón de AdaBoos sobre ese clasfcador débl. INTRODUCCIÓN Bases de daos de músca en formao dgal cuyo amaño era dfícl magnar hace unos años se comparen hoy en día con gran facldad a ravés de las redes de compuadores, creando la necesdad de dsponer de méodos efcenes que perman la búsqueda y organzacón de dchas bases. En los úlmos años, y debdo al crecene fenómeno de dsrbucón de músca a ravés de Inerne, ha surgdo la necesdad de crear ssemas capaces de clasfcar músca de manera auomáca. Sn embargo, son muchos los esudos que se han vendo realzando con el fn de esablecer cuáles son aquellas caraceríscas que consuyen un eslo muscal, qué parámeros muscales son relevanes para hacer la clasfcacón y cuáles son las écncas de aprendzae de máquna más efecvas para procesar al nformacón [],[2],[3]. Los esudos que se han realzado al respeco son pocos. Seh Golub [2] realzó uno en la cual probó res pos dferenes de clasfcadores aplcados a dos géneros smlares. Paul Sco [3] elaboró un ssema clasfcador usando un perceprón mulnvel para 4 géneros basane dferenes. Numerosos nvesgadores han realzado rabaos relaconados con la denfcacón de caraceríscas relevanes a parr de la músca. Por eemplo, Fooe [4] empleó écncas especrales para dsngur enre voz y músca con un alo grado de exacud, menras que Solau [5] enrenó
2 2 Elkn García, Gullermo Pacheco y Germán Mancera2 una red neuronal auo asocava usando la écnca de Fooe para los géneros rock, pop, ecno y clásco. Su razón de clasfcacón correca fue smlar a la obenda por Golub. Ese proyeco esá enfocado haca la clasfcacón de cancones en res géneros basanes populares a nvel colombano y con caraceríscas muy smlares (Merengue, Salsa y Vallenao) con el fn de probar la robusez del ssema. Ese arículo comenza con una descrpcón de odos los desarrollos hechos durane la realzacón del proyeco en cuano a exraccón de caraceríscas y algormos de enrenameno. Se presenan las especfcacones del ssema en lo referene a la base de daos y fnalmene se exponen los resulados obendos hacendo énfass en las dferencas que se obenen medane la ulzacón del Perceprón Mulnvel, la Red de Funcones de Base Radal y AdaBoos. 2 DESARROLLOS El ssema es capaz de clasfcar cancones en formao MP3 y WAV, aunque realza una conversón de MP3 a WAV medane la ulzacón de una aplcacón desarrollada por el grupo de nvesgacón LAME [2]. La base de daos consa de 5 cancones, 9% para enrenameno y % para evaluacón. Las muesras que son omadas de las cancones en formao WAV enen una duracón de.486 segundos a parr de cancones cuya asa de muesreo es 44. khz es decr 2 6 muesras (cancón monofónca). Los parámeros exraídos pueden ser dvddos en res grupos: El prmero de ellos se realza por medo de un análss en empo [6] que hace uso de la correlacón. El segundo grupo se basa en un análss en frecuenca que ulza la Transformada de Fourer y se aplca a dferenes nervalos de frecuenca [2],[3],[7]. El úlmo grupo se obene a parr de la exraccón de dos apores rímcos ndependenes hacendo uso de la Transformada Wavele y enendo como funcón madre el sombrero mecano defndo por:. () x exp( x / 2) 3 Esos parámeros surgen de la descomposcón de la señal en 2 componenes orogonales, denomnadas parones rímcos. (Fg.) Fg.. Fragmeno orgnal anes de procesar (Izq.) y parones rímcos exraídos (Der)
3 Clasfcacón de Músca por Género ulzando Redes Neuronales Arfcales 3 Se exraen un oal de 33 parámeros, 5 basado en análss en empo, 5 basados en análss en frecuenca y 23 a parr de la ransformada Wavele. Medane la ulzacón de la Transformacón de Karhunen Loéve [8] se busca descarar el conendo poco nformavo que es usado como enrada a la Red Neuronal Arfcal. Eso perme además reducr la compledad del modelo ya que se reduce la dmensonaldad del espaco de enrada, dando como resulado, la seleccón de las 2 combnacones lneales más represenavas de parámeros ncales. 2.. Perceprón mulnvel y Red de funcones de base radal (RBF) El perceprón mulnvel de una capa escondda se enrena ulzando propagacón nversa del error (Backpropagaon) a parr del sguene pseudo códgo: Escoa el número de neuronas de la capa ocula. Incalce los pesos W. Repa Repa para cada uno de los daos X Calcule la salda para la prmera capa G f X W W Calcule la salda oal Fn. Repa para cada uno de las saldas Fn Calcule el error como Hasa condcón de ermnacón K F f GW W o ob o N h hb F para odo desde hasa M Y F F La funcón de acvacón ulzada para odas las neuronas es la funcón sgmode y se emplea la ncalzacón de pesos de Nguyen Wdrow [9] para opmzar la convergenca del enrenameno. La salda de la red enrenada se calcula ulzando la dsanca mínma eucldana enre F y los vecores correspondenes a las posbles equeas T, donde p es el número de equeas posbles. p Por ora pare para RBF el pseudo códgo del algormo de enrenameno mplemenado es el sguene: Escoa el número de neuronas de la capa escondda. Incalce (Cenros de las Funcones de Base Radal) Repa Repa para cada uno de los daos x Asgne x a (cluser) al que 2 x sea la mínma enre las posbles. F
4 4 Elkn García, Gullermo Pacheco y Germán Mancera2 Fn. Repa para cada uno de los clusers x Fn. Hasa que nnguno de los x cambe de cluser. Encuenre la varanza de los daos medane 2 Encuenre los pesos de la capa de salda medane x T W T x x Con el obevo de enconrar el orden del modelo adecuado para las redes del perceprón mulnvel y RBF se ulza el proceso de Fold Cross Valdaon [] para redes enre 2 y 2 neuronas. Adconalmene se nroducen conocmeno prevo pues es un facor fundamenal en cualquer proceso de clasfcacón y se emplea con el fn de obener desempeños superores a aquellos que obenen los clasfcadores medane solo el proceso de enrenameno. Dado que las cancones de los géneros esudados presenan rregulardades que se deben a arreglos muscales propos de cada nérpree, raducdas en espacos de slenco, mprovsacones, solos, cambos de velocdad enre oros y que la exraccón de caraceríscas se hace a parr de un fragmeno muy coro, se compensa esa caracerísca ncorporando un ssema de voacón 2 de 3, en el cual se evalúa la red en 3 fragmenos dferenes de la cancón, reducendo así la probabldad de clasfcacón errónea. T 2.3 AdaBoos. AdaBoos se emplea como algormo de aprendzae con el obevo de dsmnur el error de evaluacón a medda que la red se sgue enrenando, ncluso después de que el error de enrenameno ha alcanzado el valor de cero []. Se escoge como clasfcador débl una red de funcones de base radal de neuronas pueso que presena una buena relacón enre el empo de enrenameno y el porcenae correco de clasfcacón. El pseudo códgo de Adaboos es el sguene: Se hace unforme D () m Para desde hasa T Se eecua el clasfcador débl con enradas X, Y, D Se calcula Se acualza = log 2 D () - D () e Z R ( ( )) donde () es un facor al que
5 Clasfcacón de Músca por Género ulzando Redes Neuronales Arfcales 5 () s H ( ) Y ( ) s H ( ) Y ( ) Fn Se calcula la hpóess fnal H( ) p T al que g ( ) es máxma Puede noarse que en la prmera eracón el algormo enía gual probabldad de equvocarse con cualquer cancón, por lo cual la dsrbucón ncal asgna gual probabldad de escogenca a odas las muesras. Esa probabldad es modfcada de acuerdo al resulado obendo por la red al momeno de clasfcar una muesra: S ésa es clasfcada correcamene su probabldad dsmnuye; s no, su probabldad aumena. A parr de esa dsrbucón se obene un conuno de muesras boosrap; lo que se desea con ese po de conuno, es que cada clasfcador débl se enrene con un conuno de muesras aleaoro, pero hacendo mayor énfass en las cancones que no han sdo clasfcadas correcamene con el fn de llevar a cero el error de enrenameno. El coefcene a enrega un grado de credbldad para cada uno de los clasfcadores débles y además se ulza para calcular la dsrbucón de probabldad, menras que es el error en la eracón. A parr de la suma de hpóess parcales se genera la aneror hpóess fnal, con la cual se calcula el error de enrenameno y la dsrbucón de márgenes para cada una de las clases, en dferenes épocas de enrenameno. 3 RESULTADOS El error promedo de clasfcacón, empleando Fold Cross Valdaon para el perceprón mulnvel en el conuno de valdacón es basane smlar para los dferenes ordenes de la red, y no se presenan meoras sgnfcavas al aumenar el número de neuronas de la capa ocula (Fg. 2.). El porcenae promedo de clasfcacón correca ene su máxmo para la red con 6 neuronas en la capa escondda, con un porcenae de acero del %. Por ora pare, ulzando la msma meodología para RBF se observa que el porcenae promedo de clasfcacón aumena a medda que se agregan neuronas a la capa escondda. El porcenae promedo de clasfcacón correca ene su máxmo para una red con 9 neuronas en la capa escondda, con un porcenae promedo de acero del %.
6 Porcenae de Error (x%) Porcenae de Error (x%) Porcenae de Error (x%) Porcenae de Error (x%) Porcenae de Error (x%) Porcenae Promedo de Clasfcacón Correca Porcenae Promedo de Clasfcacón Correca 6 Elkn García, Gullermo Pacheco y Germán Mancera2 8 Porcenae de Clasfcacón Correca en funcón del Número de Neuronas 8 Porcenae de clasfcacón correca en funcón del número de neuronas Número de Neuronas Número de Neuronas Fg. 2. Porcenae Promedo de Clasfcacón Correca obendo empleando Fold Cross Valdaon en funcón del número de neuronas para perceprón mulnvel (Izq.) y RBF (Der.). Para el clasfcador Adaboos, menras el error de enrenameno baa hasa la eracón a un valor mínmo de.22, el error de evaluacón oal ambén dsmnuye para los res géneros (Fg. 3.), esa dsmnucón ambén se corrobora por medo de los márgenes de confdenca (Fg. 4.). Un resumen de resulados para el clasfcador Adaboos mplemenado se presena en la Tabla Tabla. Porcenaes de clasfcacón correca ulzando Adaboos. Toal Merengue Salsa Vallenao Porcenae de Clasfcacón correco (%) Error de Enrenameno Toal.5 Error de Evaluacón Toal Número de Ieracones Número de Ieracones.9 Error de Evaluacón Merengue.7 Error de Evaluacón Salsa.65 Error de Evaluacón Vallenao Número de Ieracones Número de Ieracones Número de Ieracones Fg. 3. Error de enrenameno oal (Sup. Izq.). Error de evaluacón a) Toal (Sup. Der.), b)merengue (Inf. Izq.), c)salsa (Inf. Cen.) y d)vallenao (Inf. Der.).
7 Dsrbucón de Márgenes Dsrbucón de Márgenes Dsrbucón de Márgenes Clasfcacón de Músca por Género ulzando Redes Neuronales Arfcales Dsrbucón de Márgenes Género Merengue 2 Ieracones 5 Ieracones 2 Ieracones Ieracones.9.8 Dsrbucón de Márgenes Género Salsa 2 Ieracones 5 Ieracones 2 Ieracones Ieracones.9.8 Dsrbucón de Márgenes Género Vallenao 2 Ieracones 5 Ieracones 2 Ieracones Ieracones Márgenes Márgenes Márgenes Fg. 4. Dsrbucón de márgenes de evaluacón para a) Merengue (Izq.) b) Salsa (Cen.) c) Vallenao (Der.). La Tabla 2 presena un resumen deallado de odas las caraceríscas obendas para las redes de Propagacón Inversa y de Funcones de Base Radal. Para la mplemenacón de Adaboos, se ulzó una red de funcones de base radal con neuronas en la capa escondda debdo a que el empo requerdo para su enrenameno es bao comparado con los demás amaños de red. Por ora pare, fue posble cercorarse de la forma en la cual se meora el desempeño de un clasfcador débl medane la observacón del porcenae obendo al realzar las eracones. Tabla 2. Comparacón de los resulados obendos para las opologías Red de Propagacón Inversa y Red de Funcones de Base Radal. RED DE PROPAGACIÓN INVERSA RED DE FUNCIONES DE BASE RADIAL Tempo oal empleado en la búsqueda de la Red Ópma h 2.84 h Núm. de Neuronas Ópmo para la Capa Ocula. 6 6 Tempo oal empleado en el enrenameno de la Red Ópma mn mn Núm. de Ieracones realzadas en la Valdacón Cruzada % Promedo de Clasfcacón en la Valdacón Cruzada Máxmo % de Clasfcacón en la Valdacón Cruzada Porcenae Correco de Evaluacón 76 8 Tempo escogdo para realzar la Evaluacón 6 s 6 s Porcenae Correco de Evaluacón empleando Voacón 2 de Tempos escogdos para realzar la evaluacón con Voacón 6, 75 y 9 s 45, 6 y 75 s Adconalmene al hecho que los errores de enrenameno y evaluacón dsmnuyan conforme aumena el número de eracones, se observa que el porcenae de acero obendo en la evaluacón, ulzando Adaboos, es superor a ese msmo porcenae para la meor red que se obene usando Fold Cross Valdaon, como se muesra en la Tabla 3. Tabla 3. Resulado de la aplcacón de Adaboos a un clasfcador débl. Red de Funcones de Base Radal de neuronas en la Capa Escondda Clasfcador Adaboos con eracones % de acero en la Evaluacón 7 8
8 8 Elkn García, Gullermo Pacheco y Germán Mancera2 4.5 CONCLUSIONES El esudo ncal realzado, acerca de la obencón y exraccón de parámeros relevanes, a parr de un archvo de músca en formao dgal, muesra que las caraceríscas ulzadas son apropadas y permen dferencar enre los res pos de géneros que forman pare de ese esudo. Los resulados arroados por los clasfcadores mplemenados corroboran la afrmacón aneror, ya que de no ser así, la caegorzacón de cancones no hubese mosrado los resulados sasfacoros que fueron obendos. Los parámeros exraídos a parr de la Transformada Wavele enen una esrecha relacón con la forma en la cual el ser humano realza el proceso de dsncón de músca por género. Eso es, que se cenran en la denfcacón de un parón rímco básco presene en la músca. Es de desacar, que los parámeros que son exraídos buscando un parón rímco, son produco de la expermenacón y la realzacón de numerosas pruebas, en las cuales se buscó represenar esa caracerísca. Eso consuye un apore mporane al campo de la Clasfcacón de Señales de Audo. El proyeco obuvo como resulado dos pos báscos de clasfcadores, que fueron produco de sucesvos esudos, en los cuales se opmzaron las respecvas arquecuras de red, buscando aquellas para las cuales se presenaba el meor desempeño, meddo en érmnos de la clasfcacón correca de cancones que no fueron usadas durane la fase de enrenameno. Las meoras nroducdas durane la fase de desarrollo fueron las sguenes: Exraccón de Caraceríscas Relevanes a parr de la ransformacón del algormo de Karhunen Loéve. Fold Cross Valdaon, con el fn de deermnar el orden apropado del modelo. Incorporacón de Conocmeno prevo para nferr el nervalo de empo adecuado para omar la muesra de la cancón a clasfcar. Voacón 2 de 3, con el fn de dsmnur la probabldad de error debda a la escogenca de un nervalo de empo no represenavo de la esrucura muscal. La úlma y más relevane meora mplemenada fue el uso de Adaboos aplcado al problema específco propo de ese rabao. Se demosró que su ulzacón eleva el porcenae de acero en la clasfcacón para un clasfcador débl con 3 saldas. Los resulados producdos en ese proyeco son basane buenos en comparacón con los que han sdo obendos por oros nvesgadores que han rabaado en el msmo campo, desacando la smlardad de los géneros ulzados. Por eemplo Seh Golub [2] obuvo un porcenae de clasfcacón correco del 77% ulzando redes de propagacón nversa para dos géneros muy smlares, menras que Paul Sco [3] logró un porcenae de clasfcacón de 94.8% ulzando como enradas, géneros muy dferenes como Rock, Clásca, Soul y Counry. Oros rabaos como el de Solau [5] obuveron 8.9% para Rock, Pop, Tecno y Clásca, menras Tzaneaks [7] ulzó ses géneros y obuvo un porcenae de clasfcacón de 6%. Esos porcenaes son nferores para aquellos esudos que ulzaron rmos smlares y comparables con los esudos que usaron rmos dferenes. A pesar de la smlud exsene en los géneros ulzados en ese proyeco, se realzó un proceso de clasfcacón que conrbuye al
9 Clasfcacón de Músca por Género ulzando Redes Neuronales Arfcales 9 desarrollo de la redes neuronales arfcales aplcadas no solo a la clasfcacón de músca sno a la clasfcacón de señales de audo. REFERENCIAS [] Gerhard, Davd. Ph.D. Deph Paper: Audo Sgnal Classfcaon. School of Compung Scence. Smon Fraser Unversy. 2. [2] Golub, Seh. Classfyng Recorded Musc. MSc n Arfcal Inellgence. Dvson of Informacs. Unversy of Ednburgh. 2. [3] Sco, Paul. Musc Classfcaon usng Neural Neworks. EE373B Proyec. Sanford Unversy. 2. [4] Fooe, J.. A smlary measure for auomac audo classfcaon. Techncal repor, Insue of Sysems Scence, Naonal Unversy of Sngapure. 997 [5] Solau, H., Schulz, T., Wesphal, M., y Wabel, A.. Recognon of musc ypes. Ineracve Sysem Laboraory [6] Desan, P. Auocorrelaon and he sudy of muscal expresson. Cenre of knowledge echnology, Urech School of ars. 99 [7] Tzaneaks, George; Essl, Georg; Cook, Perry. Auomac Muscal Genre Classfcaon of Audo Sgnals. Compuer Scence Deparmen. Prnceon Unversy. 2 [8] Fukunaga, K. Inroducon o Sascal Paern Recognon. 2da Edcón. SanDego Academc Press. 99 [9] Malab Help. The MahWorks, Inc. Versón 6.5. [] Bshop, Chrsopher. Neural Neworks for Paern Recognon. New York. Oxford Unversy Press Inc [] R.E. Schapre. Theorecal vews of boosng. In Compuaonal Learnng Theory: Fourh European Conference, EuroCOLT'99, 999. [2] Grupo de nvesgacón dedcado a desarrollar algormos para descomprmr MP3.
TEMA 4: CANALES DIGITALES EN BANDA BASE CON RUIDO
PROBLEMA EMA 4: CANALES DIGIALES EN BANDA BASE CON RUIDO Se desea realzar una ransmsón bnara de símbolos equprobables, para ello se recurre a una codfcacón NRZ de po AMI y cuyas señales se ndcan a connuacón:
Más detalles2. Métodos Numéricos Aplicados a Ecuaciones Diferenciales
... Méodo de Euler Haca Adelane Anexo -4. Méodos Numércos Aplcados a Ecuacones Dferencales Párase del más smple po de ecuacón dferencal ordnara, que la de po lneal de prmer orden, el clásco Problema de
Más detallesEn este capítulo se presenta a detalle el esquema de relajación Lagrangeana utilizado para
CAPITULO 4 Descrpcón del algormo propueso En ese capíulo se presena a dealle el esquema de relaacón Lagrangeana ulzado para la obencón de coas nferores; así como ambén, la descrpcón de la heurísca prmal
Más detallesI EJERCICIOS RESUELTOS II EXÁMENES DE ECONOMETRÍA III EXÁMENES DE ECONOMETRÍA EMPRESARIAL IV EXÁMENES DE PRINCIPIOS DE ECONOMETRÍA
I EJERCICIOS RESUELOS II EXÁMENES DE ECONOMERÍA III EXÁMENES DE ECONOMERÍA EMPRESARIAL IV EXÁMENES DE PRINCIPIOS DE ECONOMERÍA Noa: Los ejerccos con asersco no corresponden al programa acual de Prncpos
Más detalles7) Considere los ejercicios 2.b) y 2.c) a) Encuentre un nuevo modelo en variable de estados considerando la transformación dada por:
7 Consdere los ejerccos.b.c a Encuenre un nueo modelo en arable de esados consderando la ransformacón dada por: x x x x b Para.d halle la ransformacón por auoalores Resoleremos el ncso a para el ejercco.c
Más detallesINDICE DE COSTES DE LA CONSTRUCCIÓN
INDICE DE COSTES DE LA CONSTRUCCIÓN. INTRODUCCION Y OBJETIVOS El índce de coses de la consruccón es un ndcador coyunural que elabora el Mnsero de Fomeno y que ene como objevo medr la evolucón, en érmnos
Más detallesEjercicios resueltos y exámenes
Prncpos de Economería y Economería Empresaral I Ejerccos resuelos y exámenes Recoplados por Ezequel Urel I EJERCICIOS RESUELOS II EXÁMENES DE ECONOMERÍA III EXÁMENES DE ECONOMERÍA EMPRESARIAL IV EXÁMENES
Más detallesMovimiento Rectilíneo Uniformemente Acelerado (MRUA)
7. Movmeno Reclíneo Unorme Acelerado Movmeno Reclíneo Unormemene Acelerado (MRUA) elocdad Meda o elocdad promedo: La velocdad meda represena la relacón enre el desplazameno oal hecho por un móvl y el empo
Más detallesCircuitos Rectificadores 1/8
Crcuos Recfcadores 1/8 1. Inroduccón Un crcuo recfcador es un crcuo que ene la capacdad de converr una señal de c.a. en una señal de c.c. pulsane, ransformando así una señal bpolar en una señal monopolar.
Más detallesEstadística de Precios de Vivienda
Esadísca de recos de Vvenda Meodología Subdreccón General de Esadíscas Madrd, febrero de 2012 Índce 1 Inroduccón 2 Objevos 3 Ámbos de la esadísca 3.1 Ámbo poblaconal 3.2 Ámbo geográfco 3.3 Ámbo emporal
Más detallesEL METODO PERT (PROGRAM EVALUATION AND REVIEW TECHNIQUE)
EL METODO PERT (PROGRM EVLUTION ND REVIEW TECHNIQUE) METODO DE PROGRMCION Y CONTROL DE PROYECTOS Desarrollado en 1958, para coordnar y conrolar la consruccón de submarnos Polars. El méodo PERT se basa
Más detallesMADRID / SEPTIEMBRE99. LOGSE / FÍSICA / ÓPTICA/OPCIÓN A/ CUESTIÓN 3
MADRID / SEPTIEMBRE99. LOGSE / FÍSICA / ÓPTICA/OPCIÓN A/ CUESTIÓN 3 Una fuene lumnosa eme luz monocromáca de longud de onda en el vacío lo = 6 l0-7 m (luz roja) que se propaga en el agua de índce de refraccón
Más detallesC Tópicos Avanzados: Redes Neuronales Artificiales. Redes Recurrentes. Dra. Ma. del Pilar Gómez Gil V:
C261-69 Tópcos Avanzados: Redes Neuronales Arfcales Redes Recurrenes Dra. Ma. del Plar Gómez Gl V:23-04-13 Procesameno Temporal El algormo de Rero-propagacón sólo puede aprender relacones ESTÁTICAS. Una
Más detallesFísica General 1 Proyecto PMME - Curso 2008 Instituto de Física Facultad de Ingeniería UdelaR
Físca General Proyeco PMME - Curso 8 Insuo de Físca Faculad de Inenería UdelaR M O V I M I E N T O E P R O Y E C T I L M O V I M I E N T O R E L A T I V O Vanessa íaz Florenca Clerc Un olero Juan paea
Más detallesPattern Classification
aern Classfcaon All maerals n hese sldes were aken from aern Classfcaon nd ed by R. O. Duda,. E. Har and D. G. Sork, John Wley & Sons, 000 wh he permsson of he auhors and he publsher Capulo Teora de Decson
Más detallesRecuperación de la Información
ssema de recuperacón de nformacón Recuperacón de la Informacón consula documenos mach Documenos Concepos Báscos relevane? ssema de recuperacón de nformacón palabras clave ndexado Las palabras clave (keywords)
Más detalles+12V +12V +12V 2K 15V. Problema 2: Determinar el punto de funcionamiento del transistor MOSFET del siguiente circuito: I(mA) D
PROBEMAS E IRUITOS ON TRANSISTORES Problema : eermnar los punos de funconameno de los dsposvos semconducores de los sguenes crcuos: +2V +2V +2V β= β= K β= β= (a) (b) (c) (d) Problema 2: eermnar el puno
Más detalles9. CIRCUITOS DE SEGUNDO ORDEN LC Y RLC
9. IUITOS DE SEGUNDO ODEN Y 9.. INTODUIÓN En el capíulo aneror mos como los crcuos ressos con capacancas o los crcuos ressos con nducancas enen arables que son calculadas medane ecuacones dferencales de
Más detallesSantiago, CIRCULAR N. Para todas las entidades aseguradoras y reaseguradoras del segundo grupo
REF.: Modfca Crcular N 2062 que nsruye respeco al raameno de recálculo de pensón, en pólzas de seguros de rena valca del D.L. N 3.500, de 1980. Sanago, CIRCULAR N Para odas las endades aseguradoras y reaseguradoras
Más detallesCircuitos Limitadores 1/8
Crcuos Lmadores 1/8 1. Inroduccón Un crcuo lmador (recorador) es aquel crcuo que ene la capacdad de lmar pare de una señal de c.a. sn dsorsonar la pare resane de la señal. El crcuo lmador combna dodos
Más detallesCapítulo 3 Metodología.
Capíulo 3 Meodología. 3.1. Represenacón paramérca de la relacón enre el ngreso per cápa de los hogares y las caraceríscas soco-demográfcas de sus membros. La meodología ulzada en ese rabajo se basa en
Más detallesESTIMACIÓN DE LAS ELASTICIDADES DE LA DEMANDA DE GASOLINA EN EL ECUADOR: UN ANÁLISIS EMPÍRICO
ESTIMACIÓN DE LAS ELASTICIDADES DE LA DEMANDA DE GASOLINA EN EL ECUADOR: UN ANÁLISIS EMPÍRICO Fabrco Morán Rugel 1, José Zúñga Basdas 2, Francsco Marro García 3 RESUMEN Después de haber analzado las écncas
Más detallesCálculo y Estadística
PROBABILIDAD, VARIABLES ALEATORIAS Y DISTRIBUCIONES ª Prueba de Evaluacón Connua 0--5 Tes en Moodle correspondene a la pare de Probabldad, Varables Aleaoras y Dsrbucones ( Punos).- Una empresa emplea res
Más detallesMUESTRAS CON ROTACIÓN DE PANELES
487 MUESTRAS CON ROTACIÓN DE PANELES THOMAS POLFELDT Consulor, INE Sueca (Sascs Sweden). 488 Muesras con roacón de paneles ÍNDICE Págna. Defncones Generales... 489. Por Qué una Muesra de Roacón?... 489
Más detallesEl signo negativo indica que la fem inducida es una E que se opone al cambio de la corriente.
AUTO-INDUCTANCIA: Una bobna puede nducr una fem en s msma.s la correne de una bobna camba, el flujo a ravés de ella, debdo a la correne, ambén se modfca. Así como resulado del cambo de la correne de la
Más detallesPresentación. INEGI. Sistema de Indicadores Compuestos Coincidentes y Adelantado Metodología
Presenacón Ese documeno corresponde a la oa meodológca de la publcacón Ssema de Indcadores Compuesos: Concdene y Adelanado y se ncorpora en esa seccón con el propóso de negrarlo al acervo meodológco que
Más detallesCálculo Estocástico Variación Cuadrática para Martingalas Continuas y Acotadas
1 Cálculo Esocásco Varacón Cuadráca para Marngalas Connuas y Acoadas Gullermo Garro Defncón Varacón fna. Un proceso X es de varacón fna o acoada s sus rayecoras son de varacón fna, c.s. Es decr, s exse
Más detallesTema 5. Análisis Transitorio de Circuitos de Primer y Segundo Orden
Tema 5. Análss Transoro de Crcuos de Prmer y egundo Orden 5.1 Inroduccón 5.2 Crcuos C sn fuenes 5.3 Crcuos C con fuenes 5.4 Crcuos L 5.5 Crcuos LC sn fuenes v() 5.6 Crcuos LC con fuenes () C () C v( )
Más detallesIntroducción a la Teoría de Inventarios
Clase # 4 Las organzacones esán consanemene vendo como camba el nvel de sus nvenaros en el empo. Inroduccón a la Teoría de Invenaros El ener un nvel bajo de nvenaros mplca resgos para no sasacer la demanda
Más detallesAdaboost con aplicación a detección de caras mediante el algoritmo de Viola-Jones. Trabajo final - Introducción al reconocimiento de patrones
Adaboos con aplcacón a deeccón de caras medane el algormo de Vola-Jones rabajo fnal - Inroduccón al reconocmeno de parones ésor Paz Febrero de 2009 Adaboos con aplcacón a deeccón de caras medane algormo
Más detallesCRÉDITO AGRICOLA. Consideraciones del producto:
Versón: CA-5.04. CRÉDITO AGRICOLA Consderacones del produco: Son crédos que se oorgan para fnancameno de acvdades agropecuaras y se basan en la capacdad de pago de los clenes y su hsoral credco. Se conceden
Más detallesSemana 12: Tema 9 Movimiento Rotacional
Semana : Tema 9 Movmeno Roaconal 9. Velocdad y Aceleracón angular 9. Roacón con aceleracón angular consane 9.3 Energía cnéca roaconal 9.4 Cálculo de momeno de nerca y el eorema de los ejes paralelos Capíulo
Más detallesMOVIMIENTO RECTILÍNEO UNIFORMEMENTE ACELERADO
MOVIMIENTO RECTILÍNEO UNIFORMEMENTE ACELERADO Sabes cuáles son las caraceríscas del momeno reclíneo unormemene acelerado? INTRODUCCION Prmero debemos saber que denro de la cnemáca exsen derenes pos de
Más detallesCRÉDITO PESCA. Consideraciones del producto:
CRÉDITO PESCA Consderacones del produco: Los crédos se oorgan para el fnancameno de las acvdades de pesca: comerco, exraccón y/o ndusralzacón. Se basan en la capacdad de pago de los clenes y su hsoral
Más detallesCICLO BASICO DE INGENIERIA. Aplicar los conceptos fundamentales relacionados con el algebra matricial y calculo de determinantes.
REPÚLI OLIVRIN DE VENEZUEL MINISTERIO DEL PODER POPULR PR L DEFENS UNIVERSIDD NIONL EPERIMENTL DE L FUERZ RMD NÚLEO ZULI DIVISIÓN DE SERETRÍ RRER: SIGNTUR: MT - NOMRE DEL PROFESOR: ILO SIO DE INGENIERI
Más detallesMétodo de Runge-Kutta para Ecuaciones Diferenciales
Análss Numérco Carlos Armando De Casro Paares Méodo de Runge-Kua para Ecuacones Derencales Uno de los méodos más ulzados para resolver numércamene problemas de ecuacones derencales ordnaras con condcones
Más detallesAnálisis de supervivencia. Albert Sorribas Grup de Bioestadística I Biomatemàtica Departament de Ciències Mèdiques Bàsiques Universitat de Lleida
Análss de supervvenca Alber Sorrbas Grup de Boesadísca I Bomaemàca Deparamen de Cènces Mèdques Bàsques Unversa de Lleda Esquema general Inroduccón al análss de supervvenca Tpos de esudos El concepo de
Más detalles4o. Encuentro. Matemáticas en todo y para todos. Uso de las distribuciones de probabilidad en la simulación de sistemas productivos
4o. Encuenro. Maemácas en odo y para odos. Uso de las dsrbucones de probabldad en la smulacón de ssemas producvos Leopoldo Eduardo Cárdenas Barrón lecarden@esm.mx Deparameno de Ingenería Indusral y de
Más detallesINDICADORES DEL SISTEMA EDUCATIVO COSTARRICENSE
Acualzado al 6 de juno, 2018 INDICADORES DEL SISTEMA EDUCATIVO COSTARRICENSE MARZO, 2017 PUBLICACIÓN Nº 377-17 Conendo Indcadores del Ssema Educavo Cosarrcense Presenacón... 1 Porcenaje de Repenes... 2
Más detallesDiplomatura de Ciencias Empresariales. Estadística Económica. Sara Mateo.
Dlomaura de Cencas Emresarales. Esadísca Económca. Sara Maeo. úmeros Índces nroduccón: Una de las rncales areas de la esadísca es el análss de varables, ano consderadas ndvdualmene como en conjuno, ara
Más detallesSIGLAS Y NOTACIÓN EMPLEADA
SIGLAS Y NOTAIÓN EMPLEADA α PND a Parámero que ene un valor 4 para vehículos lgeros y de 6 para vehículos pesados Incremeno de la accesbldad para el usuaro que anes no realzaba desplazamenos moorzados
Más detallesFASCÍCULO: MATRICES Y DETERMINANTES
FSÍULO: MRIES Y DEERMINNES on el avance de la ecnología en especal con el uso de compuadoras personales, la aplcacón de los concepos de marz deermnane ha cobrado alcances sn precedenes en nuesros días.
Más detallesÍndice de precios de materiales de construcción (IPMC referencia 2006) Nota Metodológica
Emendo confanza y esabldad Índce de precos de maerales de consruccón (IPMC referenca 2006) Noa Meodológca Dvsón Económca Marzo 2013 Índce 1 Inroduccón... 1 2 Canasa de maerales y fuene de nformacón...
Más detalles3. El cambio en el sistema de pensiones y su impacto sobre la cobertura
. El cambo en el ssema de pensones y su mpaco sobre la coberura El prmer objevo de ese rabajo es medr el mpaco que la reforma al ssema de pensones ha endo sobre la coberura; medda esa úlma como el número
Más detallesALTERNATIVAS AL ESTIMADOR DE REGRESIÓN EN POBLACIONES FINITAS. APLICACIÓN A UN COLECTIVO DE EMPRESAS
LTENTIVS L ESTIMDO DE EGESIÓN EN POBLCIONES FINITS. PLICCIÓN UN COLECTIVO DE EMPESS Sanago Murgu Izquerdo Deparameno de Economía plcada Unversdad de Valenca e-mal: Sanago.Murgu@uv.es Mª Cruz Molés Machí
Más detallesOndas y Rotaciones. Aplicaciones I. Jaime Feliciano Hernández Universidad Autónoma Metropolitana - Iztapalapa México, D. F. 15 de agosto de 2012
Ondas y Roacones Aplcacones I Jame Felcano Hernández Unversdad Auónoma Meropolana - Izapalapa Méco, D. F. 5 de agoso de 0 INTRODUCCIÓN. En esa hoja de rabajo vamos a aplcar el conocmeno que hemos consrudo
Más detallesCálculo y Estadística
Cálculo y Esadísca PROBABILIDAD, VARIABLES ALEATORIAS Y DISTRIBUCIONES ª Prueba de Evaluacón Connua 0--5 Tes en Moodle correspondene a la pare de Probabldad, Varables Aleaoras y Dsrbucones ( Punos).- Una
Más detallesUN MODELO NO LINEAL PARA LA PREDICCIÓN DE LA VARIACIÓN DEL ÍNDICE IPSA CONSIDERANDO VOLATILIDADES EN CLUSTERING
UNIVERSIDAD DE CHILE FACULTAD DE ECONOMÍA Y NEGOCIOS ESCUELA DE ECONOMÍA Y ADMINISTRACIÓN UN MODELO NO LINEAL PARA LA PREDICCIÓN DE LA VARIACIÓN DEL ÍNDICE IPSA CONSIDERANDO VOLATILIDADES EN CLUSTERING
Más detallesConsideraciones generales sobre dinámica estructural
Capíulo Consderacones generales sobre dnámca esrucural Inroduccón El obeo de la dnámca esrucural es el análss de esrucuras bao cargas dnámcas, es decr cargas que varían en el empo. Aunque la mayoría de
Más detallesLos esquemas de la reproduccio n de Marx
Los esquemas de la reproducco n de Marx Alejandro Valle Baeza Los esquemas de la reproduccón smple y amplada consuyen sólo una pare del análss del proceso de crculacón del capal. Fueron presenados en la
Más detallesEl efecto traspaso de la tasa de interés en el Perú: Un análisis a nivel de bancos ( )
El efeco raspaso de la asa de nerés en el Perú: Un análss a nvel de bancos (2002-2005) Rocío Gondo Erck Lahura Dona Rodrguez Marzo, 2006 CONTENIDO Objevo Imporanca Trabajos Prevos Trabajos Prevos Perú
Más detalles(TÍTULO DEL PROYECTO) Estudio de sincronización cooperativa en redes de sensores
(TÍTULO DEL PROYECTO Esudo de sncronzacón cooperava en redes de sensores Memora del Proyeco Fn de Carrera De Ingenería écnca de elecomuncacones especaldad ssemas elecróncos. realzado por Dego Gálvez Casado...
Más detallesCurso 2006/07. Tema 9: Modelos con retardos distribuidos (I) 9.1. Análisis de los efectos dinámicos en un modelo con retardos distribuidos
Curso 26/7 Economería II Tema 9: Modelos con reardos dsrbudos (I) 1. Análss de los efecos dnámcos en un modelo de reardos dsrbudos 2. La dsrbucón de reardos Tema 9 1 9.1. Análss de los efecos dnámcos en
Más detallesCaracterís cas de la Metodología para calcular Rentabilidad Ajustada por Riesgo
P S 2015 M C P S 2015 Inroduccón El Premo Salmón es hoy el prncpal reconocmeno enregado a los Fondos Muuos en Chle. Movo de orgullo y cenro de campañas publcaras, ese reconocmeno ha cambado su foco hace
Más detallesINTRODUCCIÓN A LOS MODELOS OCULTOS DE MARKOV. Luis Miguel Bergasa Pascual
ITRODUCCIÓ A LOS MODELOS OCULTOS DE MARKOV Lus Mguel Bergasa Pascual Deparameno de Elecrónca. Unversdad de Alcalá. Emal:bergasa@depeca.uah.es Lus M. Bergasa. Deparameno de Elecrónca COTEIDOS Inroduccón
Más detallesCuestión 1 (2 puntos)
Unversdad Carlos III de Madrd Deparameno de ecnología Elecrónca COOCAORIA EXRAORDIARIA CURSO 007/08: de Sepembre de 008 Elecrónca de Poenca 3º Ingenería écnca Indusral: Elecrónca Indusral Cuesón ( punos)
Más detallesCiencia en su PC ISSN: 1027-2887 cpc@megacen.ciges.inf.cu. Centro de Información y Gestión Tecnológica de Santiago de Cuba. Cuba
Cenca en su PC ISSN: 107-887 cpc@megacen.cges.nf.cu Cenro de Informacón y Gesón Tecnológca de Sanago de Cuba Cuba Herold-García, Slena; Escobedo-Nco, Mrela SEGMENTACIÓN DE IMÁGENES MÉDICAS CON LA APLICACIÓN
Más detallesTÉCNICAS METAHEURÍSTICAS. ALGORITMOS BASADOS EN NUBES DE PARTÍCULAS
TÉCNICAS METAHEURÍSTICAS. ALGORITMOS BASADOS EN NUBES DE PARTÍCULAS 3 39 Ssema de generacón elécrca con pla de combusble de óxdo sóldo almenado con resduos foresales y su opmzacón medane algormos basados
Más detallesNélida Diaz, Francisco Jiménez y Mauricio López División de Tiempo y Frecuencia. Resumen
Nuevo esquemade generacón de laescalade empo UTCCNM Nélda Daz, Francsco Jménez y Maurco López Dvsón de Tempo y Frecuenca Resumen La escala de Tempo Unversal Coordnado del CENAM, UTCCNM, se genera desde
Más detallesVERIFICACIÓN DE LOS SUPUESTOS DEL MODELO DE COX
VERIFICACIÓN DE LOS SUPUESTOS DEL MODELO DE COX Rafael E. Borges P. Escuela de Esadísca, Unversdad de Los Andes, Mérda 511, Venezuela. e-mal: borgesr@ula.ve Temáca: Méodos Esadíscos en Epdemología. Resumen
Más detallesEstadísticas de Cuentas Nacionales Trimestrales
Esadíscas de Cuenas Naconales Trmesrales Precos y volumen en cuenas naconales 3 al 13 de agoso de 2009 Precos y volumen en cuenas naconales Sea v el valor de una canasa de benes y servcos en el período
Más detalles1. Introducción, n, concepto y clasificación
Tema 5: Números índces. Inroduccón, n, concepo y clasfcacón 2. Números índces smples. Defncón y propedades 3. Números índces complejos Números índces complejos sn ponderar Números índces complejos ponderados
Más detallesEstadística Clase 6. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Esadísca 011 Clase 6 Maesría en Fnanzas Unversdad del CEMA Profesor: Albero Landro Assene: Julán R. Sr Clase 6 1. Análss de Regresón. Especfcacón y Esmacón 3. Supuesos del modelo de regresón lneal 4. Propedades
Más detallesMedida de los radios de curvatura de un espejo cóncavo y otro convexo. Medida de la focal de una lente convergente y otra divergente.
TÉCNICAS EXPERIMENTALES II. MÓDULO DE ÓPTICA PRÁCTICA I: BANCO ÓPTICO. OBJETIVO DE LA PRÁCTICA Medda de los rados de curvaura de un espejo cóncavo y oro convexo. Medda de la focal de una lene convergene
Más detallesNota de Clase 5 Introducción a modelos de Data Panel: Generalidades
oa de Clase 5 Inroduccón a modelos de Daa Panel: Generaldades. Por qué daos de panel? Los modelos de daos de panel son versones mas generales de los modelos de core ansversal seres de empo vsos hasa el
Más detallesHallar la media y varianza. Obtener la F.G.M y obtenerlas de nuevo.
FGM-MARKOV 7.-Una varable aleaora ene de funcón de cuanía x Px ( ),3,3, 3, Hallar la meda y varanza. Obener la F.G.M y obenerlas de nuevo. En base a la funcón de cuanía µ α Ex P ( ),3 +,3 +, + 3,,3 σ α
Más detallesEJERCICIOS: Análisis de circuitos en el dominio del tiempo
EJEIIOS: Análss de crcuos en el domno del empo. égmen ransoro y permanene. En cada uno de los sguenes crcuos el nerrupor ha esado abero largo empo. Se cerra en. Deermnar o I, dbujar la onda correspondene
Más detallesVISIÓN POR COMPUTADOR
COPIA PRIVADA CON FINES DOCENTES VISIÓN POR COMPUTADOR ARTURO DE LA ESCALERA HUESO 9. Reconocmeno de obeos El reconocmeno de obeos es la úlma eapa denro de un ssema de vsón por compuador. A parr de las
Más detallesINTERVALOS DE CONFIANZA BOOTSTRAP EN REGRESIÓN P-SPLINE CON ERRORES AUTOCORRELACIONADOS
Marí, Gonzalo Zno, Ncolás Insuo de Invesgacones Teórcas y Aplcadas en Esadísca (IITAE) INTERVALOS DE CONFIANZA BOOTSTRAP EN REGRESIÓN P-SPLINE CON ERRORES AUTOCORRELACIONADOS 1. Inroduccón Los modelos
Más detallesUNIVERSIDAD NACIONAL DE SAN JUAN
UNIVERSIDAD NACIONAL DE SAN JUAN FACULTAD DE INGENIERÍA BIOINGENIERÍA CÁTEDRA: "BIOMECÁNICA" GUÍA DE EJERCICIOS Nº : Cnemáca de la Acdad Moora del Cuerpo Humano Elaborado por: Dra. Ing. Sla E. Rodrgo (Profesor
Más detallesEn España operaron 3.417.758 empresas en 2013, un 1,4% menos que el año anterior. En 2013 se crearon 293.466 empresas y desaparecieron 318.
25 de novembre de 2015 Indcadores de Demografía Empresaral Año 2013 En España operaron 3.417.758 empresas en 2013, un 1,4% menos que el año aneror En 2013 se crearon 293.466 empresas y desapareceron 318.807
Más detallesTRABAJO PRACTICO Nº1: NÚMEROS ÍNDICES
Números Índces TRABAJO PRACTICO Nº1: NÚMEROS ÍNDICES FIUBA 71.6 - ESTRUCTURA ECONOMICA ECONÓMICA ARGENTINA REV.1 1986 1988 199 199 1994 1996 1998 4 6 8 J-88 J-9 J-9 J-94 J-96 J-98 J- J- J-4 J-6 J-8 J-1
Más detallesLección 7: Demodulación y Detección Paso-Banda. Parte I
Leccón 7: Demodulacón y Deeccón Paso-Banda. Pare I Ganluca Cornea, Ph.D. Dep. de Ingenería de Ssemas de Informacón y elecomuncacón Unversdad San Pablo-CU Conendo Por qué Modular? écncas Dgales de Modulacón
Más detallesÁREA 4 y 9: ECONOMÍA INDUSTRIAL, DE SERVICIOS Y DE LA INFORMACIÓN Y EL CONOCIMIENTO. Departamento de Economía Aplicada
ÁREA 4 y 9: ECONOMÍA INDUSTRIAL, DE SERVICIOS Y DE LA INFORMACIÓN Y EL CONOCIMIENTO Deparameno de Economía Aplcada Faculad de Cencas Económcas y Empresarales e-mal: ecoapl@eco.uva.es Avda. del Valle de
Más detallesDIFERENCIAS EN EL MERCADO DE TRABAJO ENTRE LAS PROVINCIAS ESPAÑOLAS RESUMEN
VI Congreso Galego de Esaísca e Invesgacón de Operacóns Vgo 5-7 de Novembro de 2003 DIFERENCIAS EN EL MERCADO DE TRABAJO ENTRE LAS PROVINCIAS ESPAÑOLAS Mª Esher Lopez Vzcaíno 1, Mª Esher Calvo Ocampo 1,
Más detallesTIPOS DE TENDENCIAS Y SUS CONSEQUENCIAS. Tendencias estocásticas versus deterministas.
TIPOS D TNDNCIAS Y SUS CONSQUNCIAS. Tendencas esocáscas versus deermnsas. Concepos báscos. Parmos de la base que una sere emporal es la realzacón de un proceso esocásco. Tal y como vmos en los modelos
Más detallesControl predictivo distribuido mediante redes de sensores: Aplicación al control distribuido de temperaturas en una habitación
Conrol predcvo dsrbdo medane redes de sensores: Aplcacón al conrol dsrbdo de emperaras en na habacón 9 3 MPC 3 Sn resrccones Para rabaar con n MPC Model Predcve Conrol pasamos la ncón de ranserenca a espaco
Más detallesEstadística de Precios de Suelo
Esadísca de Precos de Suelo Meodología Subdreccón General de Esadíscas Madrd, febrero de 2012 Índce 1 Inroduccón 2 Objevos 3 Ámbos de la esadísca 3.1 Ámbo poblaconal 3.2 Ámbo geográfco 3.3 Ámbo emporal
Más detallesMacroeconomía II. FCE-UBA Primer Examen Parcial Mayo 2015 INSTRUCCIONES. (Prof. D. Pierri)
FCE-UA Prmer Examen Parcal Mayo 215 Macroeconomía II (Prof. D. Perr) INSRUCCIONES I. El examen consa de 1 punos con la sguene composcón: Ejercco 1 (3 punos), Ejercco 2 (4 punos), Ejercco 3 (3 punos). II.
Más detallesAnálisis de Varianza no paramétricos
Capítulo VII Análss de Varanza no paramétrcos Anova de Kruskal-Walls Anova de Fredman Anova de Q de Cochran Introduccón Las técncas de análss de varanza no paramétrcos son útles cuando los supuestos de:
Más detallesDinero, precios, tasa de interés y actividad económica: un modelo del caso colombiano (1984:I 2003:IV)
Dnero, precos, asa de nerés y acvdad económca: un modelo del caso colombano (984:I 23:IV) José Fernando Escobar. y Carlos Eseban osada. esumen A parr de un esquema de ofera y demanda de dnero se esmó un
Más detallesANEXOS DEL INFORME. Recopilación de Información para la Construcción del Indicador INDICE DE PRECIOS AL CONSUMIDOR
ANEXOS DEL NFORME Recolacón de nformacón ara la Consruccón del ndcador NDCE DE RECOS AL CONSUMDOR ANEXO. MÉTODO DE CÁLCULO A EL ÍNDCE DE LASEYRES ENCADENADO DE ESAÑA Se raa de un índce agregado, calculado
Más detalles1. MODELOS DE SERIES TEMPORALES UNIECUACIONALES
oro hasco rgoyen, Dpo. Economía Aplcada, UAM. EJEMPLO DE MODELOS EONOMÉTROS Ver el aso 9 (pag. 55 y ss.) del lbro de A. Puldo y A. López (999), Predccón y Smulacón aplcada a la economía y gesón de empresas.
Más detallesESTRUCTURA DE LAS SIMILARIDADES
ESTRUCTURA DE LAS SIMILARIDADES Ramón Gonzalez del Campo Lus Garmenda 2 Jord Recasens 3 SIC. Faculad de Informáca, rgonzale@esad.ucm.es 2 DISIA. Faculad de Informáca. UCM, lgarmend@fd.ucm.es 3 Unversa
Más detallesEstimación a partir de muestras intencionadas: fiabilidad del Índice de Producción Industrial en la Comunitat Valenciana( )
ESTADÍSTICA ESPAÑOLA Vol. 51, núm. 171, 2009, págs. 227 a 236 Esmacón a parr de muesras nenconadas: fabldad del Índce de Produccón Indusral en la Comuna Valencana() por SANTIAGO MURGUI IZQUIERDO Mª CONSUELO
Más detallesAnálisis estadístico de incertidumbres aleatorias
Análss estadístco de ncertdumbres aleatoras Errores aleatoros y sstemátcos La meda y la desvacón estándar La desvacón estándar como error de una sola medda La desvacón estándar de la meda úmero de meddas
Más detallesCAPÍTULO IV BASES Y DESARROLLO DEL PROGRAMA COMPUTACIONAL. En este capítulo describiremos los modelos y herramientas que utilizaremos para la
CAPÍTULO IV BASES DESARROLLO DEL PROGRAMA COMPUTACIONAL En ese capíulo descrbremos los modelos y herramenas que ulzaremos para la proyeccón y smulacón de algunas de las varables como son los rendmenos
Más detallesExamen Final de Econometría Grado
Examen Fnal de Economería Grado 8 de Juno de 017 Hora: 15:30 Apelldos: Grado (ADE/ ECO): Nombre del profesor(a): Nombre: Grupo: Emal: Anes de empezar a resolver el examen, rellene TODA la nformacón que
Más detallesSeñales en los sistemas electrónicos. Parte 2. Equivalentes Thevenin y Norton. Impedancia de entrada y salida
07//04 ema Conepos básos Pare. Señales en los ssemas elerónos Pare. Equvalenes hevenn y Noron. Impedana de enrada y salda e@upm.es Pare 3. Componenes pasvos Inroduón PE Señales en los ssemas elerónos Señales
Más detallesOptimización del balance de carga en circuitos de distribución primaria
energéca Vol. XXX, No. /009 TRABAJOS TEORCOEXPERMENTALES Opmzacón del balance de carga en crcuos de dsrbucón prmara gnaco Pérez Recbdo: Ocubre del 008 Aprobado: Dcembre del 008 Resumen/ Absrac Las medcones
Más detallesMETODOLOGÍA PARA EL CÁLCULO DEL ÍNDICE COLCAP
METODOLOGÍA PARA EL CÁLCULO DEL ÍNDICE COLCAP MARZO DE 20 TABLA DE CONTENIDO. GENERALIDADES:... 3.. VALOR BASE... 3.2. NÚMERO DE EMISORES QUE COMPONEN EL ÍNDICE... 3.3. ACCIONES POR EMISOR... 3.4. PARTICIPACIÓN
Más detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y
ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO
Más detallesDeterminantes de los spreads de tasas de los bonos. corporativos: revisión de la literatura
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS ESCUELA DE ECONOMÍA Y ADMINISTRACIÓN Deermnanes de los spreads de asas de los bonos corporavos: revsón de la leraura SEMINARIO PARA
Más detallesCONTRIBUCIÓN A LA MEJORA DE RESOLUCIÓN DE LOS SISTEMAS DE OBTENCIÓN DE IMÁGENES POR ULTRASONIDOS
UNIVERSITAT POLITÈCNICA DE CATALUNYA Departament d Engnyera Electrònca CONTRIBUCIÓN A LA MEJORA DE RESOLUCIÓN DE LOS SISTEMAS DE OBTENCIÓN DE IMÁGENES POR ULTRASONIDOS Autor: Jord Salazar Soler Drector:
Más detallesOPTIMIZACIÓN DEL CÁLCULO DE LA MATRIZ DE RIGIDEZ EN FORMA ANALÍTICA DE UN ELEMENTO FINITO ISOPARAMÉTRICO DE CUATRO NODOS EN ELASTICIDAD PLANA.
OPTIMIZACIÓ L CÁLCULO LA MATRIZ RIGIZ FORMA AALÍTICA U LMTO FIITO ISOPARAMÉTRICO CUATRO OOS LASTICIA PLAA. Coronel. Gusavo aloa M. Trno gusadcode@ahoo.com baloa@ucv.ve scuela de Cvl, Faculad de Ingenería,
Más detallesEjercicios T9c- VARIABLE ALEATORIA, MODELOS DE PROBABILIDAD UNIVARIANTES C
Ejerccos T9c- VARIABLE ALEATORIA, MODELOS DE PROBABILIDAD UNIVARIANTES C FGM-MARKOV 7.-Una varable aleaora ene de funcón de cuanía x Px ( ),3,3, 3, Hallar la meda y varanza. Obener la F.G.M y obenerlas
Más detallesBloque 5. Probabilidad y Estadística Tema 2. Estadística descriptiva Ejercicios resueltos
Bloque 5. Probabldad y Estadístca Tema. Estadístca descrptva Ejerccos resueltos 5.-1 Dada la sguente tabla de ngresos mensuales, calcular la meda, la medana y el ntervalo modal. Ingresos Frecuenca Menos
Más detallesMETODOLOGÍA ENERGÍA ELÉCTRICA
Insuo Naconal de Esadíscas SUBDIRECCIÓN TÉCNICA Depo. Invesgacón y Desarrollo Esadísco SUBDIRECCIÓN DE OPERACIONES Subdepo. Esadíscas Secorales METODOLOGÍA ENERGÍA ELÉCTRICA GGM/GMA Sanago, 26 Dcembre
Más detalles