REDES NEURONALES Y MODELOS PREDICTIVOS
|
|
- Trinidad Botella Quintero
- hace 7 años
- Vistas:
Transcripción
1 REDES NEURONALES Y MODELOS PREDICTIVOS Jorge Estévez Analista Grupo ER
2 SERIES TEMPORALES El valor de un actico a lo largo del tiempo es una serie temporal. Por tanto, la predicción de valores futuros consiste en la predicción de series temporales. Una serie temporal es una secuencia cronológica de observaciones de una variable. El tiempo se suele observar en pasos de tiempo discretos, luego el valor de una variable de una serie temporal será una variable discreta. Cuando se estudia la variación de una serie temporal se trata de identificar patrones históricos que puedan ser útiles en la predicción. Para tratar de identificar estos patrones se parte de que una serie temporal está compuesta por: Tendencias: una tendencia se da cuando los valores de una serie temporal crecen o disminuyen durante largos periodos de tiempo. Ciclos: un ciclo se refiere a movimientos hacia arriba o hacia abajo alrededor del nivel de tendencia. Estacionalidades: patrones que se repiten cada determinado tiempo. Aleatoriedades: son movimientos irregulares en una serie de tiempo que no siguen un patrón regular, ni reconocible.
3 Series financieras Las principales características de las series financieras son: Son procesos prácticamente aleatorios. Cambian sus propiedades estadísticas a lo largo del tiempo. Son series con elevado nivel de ruido, ya que existe una gran cantidad de aleatoriedad en las variaciones día a día. La aparición de técnicas de predicción pasa a ser parte del proceso a predecir, puesto que influirá en la toma de decisiones de los inversores. La predicción de valores futuros de series financieras es un problema difícil, dado que debería tener en cuenta todos los parámetros que determinan las expectativas de los intervinientes en el mercado, y estos parámetros suelen ser de carácter psicológico e imposibles de cuantificar. Lo que sí es cierto es que muchas de las expectativas que genera el valor de un activo se deben a la información histórica que se conoce de ella. Todos los decisores disponen de esta información, luego se puede llegar a modelar la predicción de una serie financiera considerando que depende de esta información histórica disponible.
4 Modelos de predicción de series financieras Cuando se trata de modelar series financieras, se plantea modelar un problema inverso, es decir, dada la evolución de un sistema (serie de datos compuesta por la variación de un activo a lo largo del tiempo) construir un modelo que pueda haberla originado (modelo generador de datos). Si se determina la función que puede dar origen a esta evolución, se dispondrá de un posible modelo de predicción. Para estimar esta función se separan los datos en dos grupos: el primero se utilizará para llevar a cabo una interpolación o aproximación de la función desconocida (conjuntode entrenamiento) y el segundo para evaluar la bondad del ajuste mediante los errores de predicción. Los primeros modelos de predicción de series temporales que se desarrollaron fueron los modelos ARMA (modelos autoregresivos y de medias móviles) y ARIMA (modelos autoregresivos, integrados de medias móviles). Estos modelos trataban de modelizar la evolución de una serie temporal empleando funciones lineales cuyos parámetros dependían de medias móviles y autorregresiones. Estos modelos tienen una serie de inconvenientes como son su incapacidad de ajustar comportamientos irreversibles en el tiempo, asimétricos o irregulares. Lo cierto es que no dejan de ser modelos lineales incapaces de detectar relaciones no lineales.
5 Debido a los inconvenientes que tenían los modelos lineales de predicción, se empezaron a desarrollar modelos de predicción no lineales. Los modelos de predicción no lineales que mejores resultados proporcionan son los que se desarrollan en el campo de las redes neuronales. Estos modelos tienen la capacidad de explorar de forma adaptativa una gran cantidad de modelos potenciales. Actualmente existen dos vías para tratar de predecir valores futuros de series financieras: Vía compresión: tratar de entender el comportamiento de una serie financiera utilizando la reconstrucción del espacio de estados (modelos ARMA y ARIMA). Vía aprendizaje: desarrollar modelos utilizando un enfoque de redes, desarrollando un algoritmo que imite el comportamiento de la serie financiera. La utilización de redes neuronales tiene un inconveniente: se pierde la claridad de la que se disponía en los modelos lineales en cuanto a cuáles son los parámetros que determinan el modelo de predicción, y cómo cambia éste al variar aquellos.
6 Una red neuronal artificial (RNA) es un modelo matemático que, inspirado en el funcionamiento del sistema nervioso biológico, procesa información. Las redes neuronales artificiales tienen un conjunto de propiedades específicas, como son la habilidad de adaptarse (aprender), generalizar y organizar la información. El aprendizaje de los sistemas nerviosos biológicos implica ajustes en las conexiones entre las neuronas. Las RNA tratan de imitan esta estructura que tienen los sistemas nerviosos biológicos para tomar decisiones y para aprender. Aplicaciones: OCR, modelado conductual, préstamo de análisis de riesgos, clasificación de patrones, análisis de imágenes,..
7 Un sistema de RNA está compuesto por una estructura con dos elementos básicos: Neurona: es el elemento básico de procesamiento de la información de la RNA. Las redes neuronales están compuestas por neuronas interconectadas entre sí. Dendritas: representan las uniones entre neuronas, y tienen asociado un valor o peso que suele indicar la importancia de la unión. Una red neuronal artificial está compuesta por un conjunto de neuronas interconectadas entre sí que trabajan conjuntamente para solucionar un determinado problema. El elemento básico de una red neuronal es la neurona. Una neurona no es más que una función de transferencia que a partir de un número de entradas calcula una única salida. Estas entradas están ponderadas de manera que cada una de ellas lleva asociada un peso (constante por la que se multiplica su valor) que representa la importancia que tiene la entrada en la salida de la neurona. Los parámetros necesarios para definir el funcionamiento de una neurona son: Número de entradas N Pesos de las entradas W1, W2, WN Función de transferencia F(H)
8 Los pesos de las entradas son los que el algoritmo de aprendizaje ajustará para que la red neuronal proporcione las salidas adecuadas. Existen diferentes tipos de funciones de transferencia:
9 Las funciones de transferencia tienen salidas comprendidas en el intervalo [0,1] o en el intervalo [-1,1]. Este se debe a que las neuronas deben de trabajar con datos comprendidos en un intervalo determinado, dado que todas las entradas a una red neuronal deben de estar normalizadas respecto a una determinada distribución. Lo corriente es normalizar todas las entradas a la red neuronal respecto a una distribución de media 0 y desviación típica1. La necesidad de realizar esta normalización es lógica pues todas las entradas deben de partir con la misma importancia y serán los pesos de las neuronas los que establezcan dicha importancia. La estructura típica de una red neuronal es la del perceptrón multicapa. Esta red neuronal está compuesta por un conjunto de neuronas organizadas en capas. Cada capa tendrá un número determinado de neuronas y todas las neuronas de una capa tendrán la misma función de trasferencia. Las neuronas de una capa se conectan a las de la capa siguiente (las neuronas de una capa (n-1) envían sus salidas a las neuronas de la capa n que las tomarán como entradas).
10 Se debe dar valores a los pesos de la red neuronal. Estos valores se obtendrán del proceso de entrenamiento. Este proceso consiste en proporcionar un conjunto de muestras a la red neuronal, de tal manera que ésta adapta el valor de los pesos para minimizar el error en la salida.
11 IMPLEMENTACIÓN NN -Crear un conjunto de neuronas y dentritas -Recorrer todas las neuronas y asignar un valor aleatorio a sus respectivos Bias -Recorrer todas las dentritas y asignar a sus respectivos Weight un valor aleatorio - Asigno a todas las neuronas de entrada los valores indicados en la matriz de entrada. Para otro tipo de neuronas el valor asignado es cero ya que hay que calcular ese valor - Para cada capa oculta (también para la capa de salida el valor es la suma de los valores de las capas anteriores multiplicado por el peso de las dentritas - El valor resultante se suma al valor del Bias (sesgo) - Paso el valor resultate a la función de activación - Muestro los valores de las neuronas de salida como resultados finales Entrenamiento: método de retropopagación Imputdata matriz de entrada de la muestra Outputdate Salida que debiera ser Ejecuto Imputdata como entradas y tengo todos los valores de las neuronas individuales Recorro de la última a la primera capa Calculo la diferencia entre los valores de salida producidos y los deseados Con estas diferencias ajusto el Bias y Weight SE DEBE REPETIR MUCHAS VECES PARA QUE LA NN PRODUZCA RESULTADOS PRECISOS
12 Tipos de redes neuronales Existen diferentes tipos de redes neuronales según la estructura en la que están organizadas las neuronas. Redes de propagación hacia delante (feedforward) Fueron las primeras redes en ser diseñadas. La información se mueve hacia delante, desde los nodos de entrada a los de salida. Es el tipo de red neuronal que se utiliza para la predicción de series temporales. Las redes neuronales de este tipo tienen la ventaja de que son las más rápidas en ejecutarse. Por otro lado tienen el inconveniente de que su entrenamiento es lento sea cual sea el tipo de entrenamiento que realicemos. Existen muchas estructuras de redes neuronales de propagación hacia delante, pero la que más utilidad tiene y más se ha desarrollado es el perceptrón multicapa. El perceptrón multicapa es una red neuronal de propagación hacia delante en la que las neuronas están organizadas en capas.
13 Redes recurrentes Estas redes están formadas por muchas neuronas fuertemente interconectadas. Se utilizan para el desarrollo de memorias asociativas que tratan de simular el cerebro humano. Se les denomina memorias por el hecho de que la salida de este tipo de redes depende no sólo de las entradas actuales sino también de las entradas anteriores y del estado en el que se encuentra la red. La red neuronal más conocida de este tipo es la red neuronal de Hopfield. Esta red está constituida por un conjunto de neuronas cada una de las cuales está unida a todas las demás, la conexión es tal que cada neurona recibe información de todas las demás y emite información a todas las demás. En estas redes el flujo de información es bidireccional, es decir, va de las entradas a las salidas y viceversa.
14 Redes estocásticas Estas redes neuronales se caracterizan por tener conexiones aleatorias entre las neuronas. La red más conocida de este tipo es la red neuronal de Boltzmann.
15 Redes modulares Estas redes están compuestas por distintos conjuntos de redes que cooperan unas con otras para resolver un mismo problema. Este tipo de red es el que más se aproxima al sistema neuronal biológico.
16 Tipos de entrenamiento Entrenamiento supervisado: En este tipo de entrenamiento se le proporciona a la RNA una serie de ejemplos consistentes en unos patrones de entrenamiento que consisten en pares de entradas con sus correspondientes salidas (ejemplos de cómo se quiere que funcione la red neuronal). El proceso de entrenamiento consistirá en ajustar los pesos para que la salida de la red sea lo más parecida posible a la salida deseada (teórica). Entrenamiento no supervisado: En este tipo de entrenamiento se presenta a la red una serie de ejemplos pero no se presenta la respuesta deseada. Lo que hace la RNA es reconocer regularidades en el conjunto de entradas, es decir, estimar una función densidad de probabilidad p(x) que describe la distribución de patrones x en el espacio de entrada Rn. Entrenamiento híbrido: Es una mezcla de los anteriores. Unas capas de la red tienen un aprendizaje supervisado y otras capas de la red tienen un aprendizaje de tipo no supervisado. Entrenamiento recurrente: Es un entrenamiento en el que no se proporciona una salida deseada, sólo se indica si la salida es correcta o no, pero no indica en cuánto se diferencia de la salida buscada.
17 La predicción de series temporales es un problema de aproximación en el que se va a utilizar un entrenamiento supervisado, por lo tanto, a la red se le proporcionará una serie de vectores de entradas y salida de datos históricos. Para calcular los pesos de la red neuronal se resuelve el siguiente problema de optimización:
18 En cada periodo se tendrá un vector P de entradas formado por ne (número de entradas) componentes. Cada neurona tiene una serie de pesos (W s) asociados a sus entradas y una bia. Cada neurona posee un término bias, que constituye la predisposición de la neurona a activarse. Puede haber pesos que nunca se actualicen durante el entrenamiento por empezar muy alejados de su valor óptimo, cuando los pesos no se actualizan correctamente, pueden existir neuronas que apenas tengan entradas y no cooperen a la resolución del problema. Para solucionar este problema se utiliza el término bias, que es un valor que se añade a la suma ponderada de las entradas a una neurona que trata de solucionar este problema incrementando su valor en neuronas con poca participación y reduciendo su valor en neuronas con mucha participación, tratando de igualar la participación de todas las neuronas de una capa.
19
20 Modelado de la red neuronal Tipo de red neuronal (perceptrón multicapa) es necesario establecer los siguientes parámetros de la red neuronal: Algoritmo de entrenamiento Funciones de transferencia Número de capas Número de neuronas en cada capa Algoritmo de entrenamiento Algoritmo de Levenberg-Marquardt Funciones de transferencia Los mercados financieros son no lineales y tienen memoria, por esto las funciones de transferencia más apropiadas son las funciones sigmoideas, ya que son no lineales y continuamente diferenciables. El uso de funciones de transferencia no lineales no implica la suposición de independencia lineal de los patrones de entrada. Por otra parte la última capa (cuya salida será un valor único correspondiente a la predicción) será una función lineal, para que realice una salida ponderada a partir de las salidas que han proporcionado todas las neuronas de las capas anteriores.
21 Número de capas Hasta ahora no se han publicado estudios de perceptores multicapa con más de dos capas ocultas. Número de neuronas en cada capa El número de neuronas de la capa de entrada viene fijado por el número de entradas que se ha escogido (30 en este caso). Por otro lado la capa de salida tendrá una única neurona, ya que sólo se tiene una salida (Correspondiente al valor que está siendo predicho). Existen criterios heurísticos para determinar el número de neuronas de las capas ocultas a partir del número de entradas a la red neuronal, nunca superando el doble de estas. El número de neuronas de una segunda capa oculta tiene un menor efecto sobre la predicción que el número de neuronas de la primera capa oculta. Para escoger el número de neuronas de las distintas capas no hay otra manera que recurrir a pruebas experimentales.
22
23
24
25
26 SISTEMAS PREDICTIVOS. PREDICCIÓN DE MERCADOS FINANCIEROS Los datos usados son series temporales. Esto es, son observaciones sobre una misma variable en diferentes momentos del tiempo. El hecho de que una serie temporal esté compuesta de datos sobre una misma variable (o grupo de variables) a lo largo del tiempo significa que quizás sea posible usar el valor de la variable hoy para predecir algo sobre esta misma variable en un punto del futuro. Un punto importante es el relativo al riesgo/beneficio, y por ello, predecir únicamente el cambio en el precio de un activo es solo una parte del problema. Puesto que siempre tratamos de evitar el riesgo, también nos preocupamos de predecir el riesgo, medido de alguna forma, por lo que también es muy interesante poder hacer predicciones de otras propiedades como pueden ser: La volatilidad del activo. La probabilidad de una crisis en el mercado(`crash'). La correlación o dependencia entre distintos activos financieros La duración del precio (es decir el tiempo entre dos operaciones consecutivas que hagan variar el precio de un activo). Por ejemplo: a la hora de predecir la distribución de la horquilla de precios oferta demanda (bid ask) para ciertos activos (definido como el precio de venta menos el precio de compra). Esta variable es usada a menudo como una medida de la liquidez obviamente también sería muy interesante obtener una predicción futura de este valor. La teoría económica básica nos dice que este valor debe ser siempre positivo y haciendo uso de esta información podemos construir un modelo predictivo mucho mejor.
27 GRACIAS
28 TALLER ONLINE DE TRADING ALGORÍTMICO Preinscripción: SÁB 11H 13 H. DÍA 4 DÍA 11 DÍA 18 DÍA Iva Incl.
PROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
Más detallesSistemas Control Embebidos e Instrumentación Electrónica UNIVERSIDAD EAFIT Semestre 2009/2 2010/2
REDES NEURONALES Semestre 2010/2 INTRODUCCIÓN A LAS REDES NEURONALES La forma como el cerebro humano procesa la información es completamente diferente a la forma como la procesa un computador digital:
Más detallesIntroducción a las Redes Neuronales
Introducción a las Redes Neuronales Excepto en las tareas basadas en el cálculo aritmético simple, actualmente, el cerebro humano es superior a cualquier computador: Reconocimiento de imágenes, Interpretación
Más detallesDOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL
DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL 3.1 INTRODUCCIÓN Como ya sabes, una distribución de probabilidad es un modelo matemático que nos ayuda a explicar los
Más detallesRedes Neuronales. Elementos básicos de las redes neuronales Carlos Andrés Delgado S.
Redes Neuronales Elementos básicos de las redes neuronales carlos.andres.delgado@correounivalle.edu.co Carlos Andrés Delgado S. Facultad de Ingeniería. Universidad del Valle Agosto de 2017 Contenido 1
Más detallesTeoría de la decisión Estadística
Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y
Más detallesDistribución Normal Curva Normal distribución gaussiana
Distribución Normal La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. La distribución normal tiene grandes aplicaciones prácticas, en
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 8 Distribución normal estándar y distribuciones relacionadas Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar los conceptos de la distribución
Más detallesIntroducción a la estadística básica, el diseño de experimentos y la regresión
Introducción a la estadística básica, el diseño de experimentos y la regresión Objetivos José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Objetivo general Organizar el estudio
Más detallesNeural Network Toolbox
Neural Network Toolbox Sistemas Conexionistas - Curso 08/09 La Neural Network Toolbox es un paquete de Matlab que contiene una serie de funciones para crear y trabajar con redes de neuronas artificiales.
Más detallesINVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony
INVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony Técnicas De La Inteligencia Artificial Programación Heurística Redes Neuronales. Evolución
Más detallesRedes Neuronales. Parte II. Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez
Redes Neuronales Parte II Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez UNIDAD TEMÁTICA : REDES NEURONALES Introducción. De/iniciones. Topologías
Más detallesPRÁCTICA 11. VALORES ANÓMALOS OUTLIERS Y EFECTO CALENDARIO
PRÁCTICA 11. VALORES ANÓMALOS OUTLIERS Y EFECTO CALENDARIO Los modelos ARIMA constituyan una forma práctica de representar la dinámica de una serie. Ye hemos introducido en las prácticas anteriores el
Más detallesREDES NEURONALES. Una esquema simplificado de una neurona se muestra en la siguiente figura. Cuerpo celular. Dendrita. Axón.
REDES NEURONALES Las redes neuronales constituyen una poderosa herramienta para modelar sistemas, especialmente no lineales, sean dinámicos o estáticos. En el cuerpo celular se realizan la mayoría de las
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2014/15 Contenidos 1. Introducción
Más detallesDistribuciones bidimensionales. Regresión.
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 5: Distribuciones bidimensionales. Regresión. Resumen teórico Resumen teórico de los principales conceptos estadísticos
Más detallesTema 5: Principales Distribuciones de Probabilidad
Tema 5: Principales Distribuciones de Probabilidad Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Principales Distribuciones de Probabilidad
Más detallesCONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detallesD.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO
Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos
Más detallesAprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Otra forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Más detallesRedes Neuronales Artificiales El Perceptrón
1 Sistemas Expertos e Inteligencia Artificial / Guía IX / Ciclo 01-2018 Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Redes Neuronales Artificiales El
Más detallesOferta tecnológica: Desensamblado automático de componentes para desmantelamiento y reciclado de sistemas
Oferta tecnológica: Desensamblado automático de componentes para desmantelamiento y reciclado de sistemas Oferta tecnológica Desensamblado automático de componentes para desmantelamiento y reciclado de
Más detallesProgramación Matemática. Profesor: Juan Pérez Retamales
Programación Matemática Profesor: Juan Pérez Retamales Capítulo 2: Optimización Lineal en la Práctica Programación Matemática Procesos de Toma de Decisiones Marco de Trabajo: Decisiones Estratégicas Decisiones
Más detallesDetección Multiusuario para DS-CDMA basado en SVM
9 Otra técnica basada en el aprendizaje y más conocida que la anterior es la basada en. Vamos a realizar una pequeña comparativa teórica de sobre ambas técnicas de clasificación. Estudiaremos los conceptos
Más detallesLas Redes Neuronales Artificiales y su importancia como herramienta en la toma de decisiones. Villanueva Espinoza, María del Rosario CAPÍTULO V
CAPÍTULO V V. ALGORITMOS NEURONALES Los modelos neuronales utilizan varios algoritmos de estimación, aprendizaje o entrenamiento para encontrar los valores de los parámetros del modelo, que en la jerga
Más detallesElaboración de un Mapa de Contornos
Elaboración de un Mapa de Contornos Objetivo General Aprender cómo se pueden hacer a mano los mapas de contornos. Visión General El alumnado marca los datos de los centros escolares GLOBE sobre un mapa
Más detallesLos fenómenos psicológicos (por ejemplo, la comunicación verbal) se puede analizar desde distintos puntos de vista:
Los fenómenos psicológicos (por ejemplo, la comunicación verbal) se puede analizar desde distintos puntos de vista: (1) Cuáles son los procesos mentales que realizamos para construir una frase? (por ejemplo,
Más detallesINFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016
INFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016 Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 1. COMENTARIOS Y/O ACOTACIONES RESPECTO AL TEMARIO EN RELACIÓN
Más detallesTema 3. Medidas de tendencia central Ejercicios resueltos 1
Tema 3. Medidas de tendencia central Ejercicios resueltos 1 Ejercicio resuelto 3.1 La demanda de cierto artículo en 48 días fue 1, 4, 1, 0, 2, 1, 1, 3, 2, 1, 1, 0, 3, 2, 4, 3, 4, 1, 2, 1, 1, 2, 2, 2, 1,
Más detallesAnálisis de Datos CAPITULO 3: MEDIDAS DE VARIABILIDAD Y ASIMETRÍA
1. INTRODUCCIÓN En el tema 1 veíamos que la distribución de frecuencias tiene tres propiedades: tendencia central, variabilidad y asimetría. Las medidas de tendencia central las hemos visto en el tema
Más detallesPONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR Facultad de Ingeniería Escuela de Sistemas
1. DATOS INFORMATIVOS: MATERIA: INTELIGENCIA ARTIFICIAL I CÓDIGO: 12652 CARRERA: Ingeniería de Sistemas NIVEL: 5to. No. CRÉDITOS: 4 créditos CRÉDITOS TEORÍA: 2 créditos SEMESTRE ACADÉMICO: Primer Semestre
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2004 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 004 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Parte II, Opción A Junio, Ejercicio 3, Parte II, Opción B Reserva
Más detallesCLASE Nº7. Patrones, series y regularidades numéricas
CLASE Nº7 Patrones, series y regularidades numéricas Patrón numérico en la naturaleza Regularidades numéricas Patrones Espiral con triángulos rectángulos Series numéricas REGULARIDADES NUMÉRICAS Son series
Más detallesEvaluación Financiera. Análisis Vertical
Evaluación Financiera Análisis Vertical 1 Análisis Vertical El análisis financiero dispone de dos herramientas para interpretar y analizar los estados financieros denominados Análisis horizontal y vertical,
Más detallesEstacionariedad Estacionariedad estacionariedad
Series de Tiempo Una serie de tiempo es una secuencia de datos puntuales medidos en tiempos sucesivos a intervalos de tiempo uniformes. La caracterización de las propiedades de una serie de tiempo se puede
Más detallesTema 11: Intervalos de confianza.
Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por
Más detallesProbabilidades y la curva normal
Probabilidades y la curva normal Las distribuciones reales y las distribuciones teóricas Por Tevni Grajales Guerra Tal cual estudiamos en nuestro tercer tema. Cuando registramos los valores de una variable
Más detallesRedes neuronales en control de sistemas
Redes neuronales en control de sistemas Marco Teórico Las redes neuronales tratan de emular ciertas características propias de los humanos, una muy importante es la experiencia. El ser humano es capaz
Más detallesEl uso de la Técnica de Regresión Lineal Múltiple para la evaluación de la dotación de personal en el I.N.S.S.
El uso de la Técnica de Regresión Lineal Múltiple para la evaluación de la dotación de personal en el I.N.S.S. Establecimiento de un sistema de evaluación de la dotación de personal para las oficinas del
Más detallesCURSO: GEOPROCESAMIENTO CON SEXTANTE SOBRE GVSIG (AVANZADO)
CURSO: GEOPROCESAMIENTO CON SEXTANTE SOBRE GVSIG (AVANZADO) ON-LINE DEL 4 MARZO AL 12 MAYO DEL 2013 CON CERTIFICACIÓN ASOCIACIÓN GVSIG Área de Formación GVSIG-TRAINING.COM Índice 1 INFORMACIÓN SOBRE LAS
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Tema 6: Redes de Neuronas Recurrentes
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Tema 6: Redes de Neuronas Recurrentes En este tema se estudian las redes de neuronas recurrentes. Se presentan en primer lugar
Más detalles3. VARIABLES ALEATORIAS
. VARIABLES ALEATORIAS L as variables aleatorias se clasiican en discretas y continuas, dependiendo del número de valores que pueden asumir. Una variable aleatoria es discreta si sólo puede tomar una cantidad
Más detallesDefiniciones. Definiciones. Simulación
Simulación Prof. Mariela J. Curiel Octubre 2003 Definiciones La simulación se puede definir como la creación de un modelo computacional de un sistema real o propuesto, sobre el cual se realizan experimentos
Más detallesAlgoritmos y Diagramas de flujo
Algoritmos y Diagramas de flujo En los pasos a seguir para el desarrollo de un problema, existen básicamente dos tipos de elementos con los cuales es posible especificar un problema en forma esquemática
Más detalles3. Resolver triángulos rectángulos utilizando las definiciones de las razones trigonométricas.
Contenidos mínimos MI. 1. Contenidos. Bloque I: Aritmética y Álgebra. 1. Conocer las clases de números, los conjuntos numéricos: naturales, enteros, racionales, reales y complejos y las propiedades que
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesLa estadística en Internet
5 La estadística en Internet Neus Canal Díaz 5.1. Introducción Actualmente, Internet se está convirtiendo en una de las principales fuentes de información en muchas áreas, como es la investigación científica.
Más detallesANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación
ANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación Francisca José Serrano Pastor Pedro A. Sánchez Rodríguez - Implica siempre a variables
Más detallesMETODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD
METODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD Análisis de sensibilidad con la tabla simplex El análisis de sensibilidad para programas lineales implica el cálculo de intervalos para los coeficientes
Más detallesContabilidad Gerencial. SESIÓN 8: Análisis estratégicos de costos e inventarios
Contabilidad Gerencial SESIÓN 8: Análisis estratégicos de costos e inventarios Contextualización de la Sesión 8 Para qué sirven los métodos de costeo? Para las empresas es importante conocer a fondo la
Más detalles1 Econometría y datos económicos
1 Econometría y datos económicos Ezequiel Uriel Universidad de Valencia Versión: 09-013 1 Econometría y datos económicos 1 1.1 Qué es la econometría? 1 1. Etapas en la elaboración de un modelo econométrico
Más detallesEstadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detallesUnidad III Variables Aleatorias Unidimensionales
Unidad III Variables Aleatorias Unidimensionales En el capítulo anterior se examinaron los conceptos básicos de probabilidad con respecto a eventos que se encuentran en un espacio muestral. Los experimentos
Más detallesEl problema inverso: Técnicas de identificación de parámetros.
Capítulo 4 El problema inverso: Técnicas de identificación. 4.1 Introducción En el primer capitulo de esta tesina se ha dado alguna noción acerca de la teoría de inversión, pero conviene remarcar algunos
Más detallesTécnicas de planeación y control
Técnicas de planeación y control 1 Sesión No. 10 Nombre: El valor esperado y su papel para evaluar diferentes resultados de métodos para presupuestos Contextualización Esta semana cerramos la unidad dedicada
Más detallesProfesor: Leonardo Franco Despacho Web:
Asignatura: MODELOS COMPUTACIONALES Ingeniería a técnica t en informática de gestión Horario Clases: Martes y Jueves 7:30-9:30 Aula: 3.05 Profesor: Leonardo Franco Despacho 3.2.29 Email: lfranco@lcc.uma.es
Más detalles, y efectuar la multiplicación 10000
1.5 Figura 1.10: Las ecuaciones representan un cierto equilibrio entre los dos miembros separados por el signo igual. 1.5.1 La idea de ecuación Muchos problemas que se plantean en la vida real consisten
Más detallesANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES
ANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES 1. Concepto de red neuronal artificial Una red neuronal artificial (RNA) es un modelo matemático que intenta reproducir el modo de funcionamiento y
Más detallesContenidos mínimos 4B ESO. 1. Contenidos. Bloque I: Aritmética y álgebra.
Contenidos mínimos 4B ESO. 1. Contenidos. Bloque I: Aritmética y álgebra. 1. Clasificar distintos tipos de números: naturales, enteros, racionales y reales. 2. Operar con números reales y aplicar las propiedades
Más detallesINTRODUCCIÓN A LA ECONOMÍA. 6.1. La Demanda de Bienes. 6.1. La Demanda de Bienes TEMA 6. DEMANDA AGREGADA
INTRODUCCIÓN A LA ECONOMÍA TEMA 6. DEMANDA AGREGADA Índice 6.1. Modelización agregada de los componentes de la Demanda Interior: Consumo, Inversión, Gasto Público. 6.2. Determinación del equilibrio; Multiplicadores.
Más detallesTécnicas de planeación y control. Sesión 10: El valor esperado y su papel para evaluar diferentes resultados de métodos para presupuestos
Técnicas de planeación y control Sesión 10: El valor esperado y su papel para evaluar diferentes resultados de métodos para presupuestos Contextualización Esta semana cerramos la unidad dedicada a la planeación,
Más detallesCampos gravitatorios en el espacio muestral
Campos gravitatorios en el espacio muestral Dept. Lenguajes y Ciencias de la Computación Septiembre, 2004 1/28 Enfocando el problema Aprendizaje supervisado Clasificación dicotómica (2 clases) Atributos
Más detallesLA POTENCIA PREDOMINANTE DE UN SISTEMA FOTOVOLTAICO
LA POTENCIA PREDOMINANTE DE UN SISTEMA FOTOVOLTAICO R. González, J. Piay Centro de Estudios de la Energía Solar (CENSOLAR) Parque Industrial PISA, Edificio CENSOLAR, 4927 Mairena del Aljarafe, Sevilla
Más detallesConstruyamos una tabla de valores que incluya valores negativos y positivos de.
Materia: Matemáticas de 4to año Tema: Representación gráfica de una función exponencial Marco teórico Funciones exponenciales Iniciemos esta sección construyendo las gráficas de algunas funciones exponenciales.
Más detallesExpresiones algebraicas
Expresiones algebraicas Expresiones algebraicas Las expresiones algebraicas Elementos de una expresión algebraica Números de cualquier tipo Letras Signos de operación: sumas, restas, multiplicaciones y
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 5 Simulación SIMULACIÓN: Técnicas para imitar el funcionamiento procesos reales mediante programas de ordenador. de sistemas o SIMULACIÓN: Es la representación
Más detalles3. Métodos clásicos de optimización lineal
3. Métodos clásicos de optimización lineal Uso del método Simplex El problema que pretende resolverse es un problema de optimización lineal sujeto a restricciones. Para el modelo construido para el problema
Más detallesSoluciones Examen de Estadística
Soluciones Examen de Estadística Ingeniería Superior de Telecomunicación 15 de Febrero, 5 Cuestiones horas C1. Un programa se ejecuta desde uno cualquiera de cuatro periféricos A, B, C y D con arreglo
Más detallesNIVEL 14: ESTRUCTURAS DE ACCESO DIRECTO
NIVEL 14: ESTRUCTURAS DE ACCESO DIRECTO Tablas de Hashing 2 Tablas de hashing Motivación y definiciones Posibles estructuras de implementación Área primaria y área de desbordamiento Funciones de hashing
Más detallesLA DISTRIBUCIÓN NORMAL
LA DISTRIBUCIÓN NORMAL En estadística y probabilidad se llama distribución normal, distribución de Gauss o distribución gaussiana, a una de las distribuciones de probabilidad que con más frecuencia aparece
Más detallesContabilidad de Costos
Contabilidad de Costos 1 Sesión No. 7 Nombre: Costeo basados en actividades Contextualización En esta unidad se profundizará en el sistema de costos contemporáneo llamado costeo basado en actividades,
Más detallesTécnicas de Iluminación y Sombreado. Héctor Navarro
Técnicas de Iluminación y Sombreado Héctor Navarro Modelo de iluminación Un modelo de iluminación es una forma de calcular el color de un fragmento en base a propiedades del material y a la forma como
Más detallesModelo EOQ con Demanda Incierta. Teoría de Inventarios Modelo Probabilísticos. Demanda durante el Lead Time 18/04/2009
Universidad Técnica Federico Santa María Teoría de Inventarios Modelo Probabilísticos Daniel Basterrica Modelo EOQ con Demanda Incierta Lead Time no nulo Demanda aleatoria durante
Más detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos
Más detallesCapítulo 3. Reconocedores de voz.
Capítulo 3. Reconocedores de voz. Entre todas las aplicaciones descritas anteriormente, llama nuestra atención las que utilizan reconocimiento de voz porque consideramos que son las más útiles a los invidentes,
Más detallesVariable Aleatoria. Relación de problemas 6
Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es
Más detallesPredicción de la relación entre el género, la cantidad de cigarrillos y enfermedades usando Máquinas de Vector Soporte
Predicción de la relación entre el género, la cantidad de cigarrillos y enfermedades usando Máquinas de Vector Soporte Resumen En este trabajo se usó Máquinas de Vectores de Soporte (SVM, por sus siglas
Más detallesMétodos para pronosticar la demanda
2.1.1 Características de la demanda. El pronóstico de la demanda consiste en hacer una estimación de nuestras futuras ventas (ya sea en unidades físicas o monetarias) de uno o varios productos (generalmente
Más detallesConceptos básicos V:
C261-69 69 Tópicos Avanzados: Redes Neuronales Artificiales Conceptos básicos Dra. Ma. del Pilar Gómez Gil Primavera 2009 pgomez@acm.org V:13-01-09 Modelo Básico y Abstracto de un Neurón Artificial x 0
Más detallesTRABAJO PRÁCTICO ESTADISTICA APLICADA (746)
UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADEMICO AREA DE MATEMATICA TRABAJO PRÁCTICO ESTADISTICA APLICADA (746) JOSE GREGORIO SANCHEZ CASANOVA C.I. V-9223081 CARRERA: 610 SECCION Nº 1 SAN CRISTOBAL,
Más detallesV. GRÁFICOS DE CONTROL POR VARIABLES (2)
V. Gráficos de Control por Variables () V. GRÁFICOS DE CONTROL POR VARIABLES () INTRODUCCIÓN Hasta ahora hemos estudiado los gráficos de control típicos tanto para variables como para atributos. Sin embargo,
Más detallesDETERMINANTES página 251 DETERMINANTES. Por ejemplo: 2 1 8 es un determinante de tres filas y tres columnas.
DETERMINANTES página 251 DETERMINANTES 13.1 Un determinante es un arreglo numérico en igual número de filas que de columnas del que, a partir de ciertas reglas, se forma un polinomio. El símbolo es un
Más detallesTema 3. Análisis de riesgo. Tema 3. Análisis de riesgo
Tema 3. Análisis de riesgo 59 3.1 Introducción Como se ha mencionado, en un entorno informático existen una serie de recursos que están constantemente expuestos a diferentes tipos de riesgos: aquellos
Más detallesREDES NEURONALES ADAPTABLES
REDES NEURONALES ADAPTABLES Unidad 3: Redes neuronales artificiales y modelos de entrenamiento SubTemas 3.2 Perceptron simple Arquitectura Regla delta Multi Layer Perceptrón 3.3 Redes Neuronales Adaptables
Más detallesEJERCICIOS RESUELTOS TEMA 7
EJERCICIOS RESUELTOS TEMA 7 7.1. Seleccione la opción correcta: A) Hay toda una familia de distribuciones normales, cada una con su media y su desviación típica ; B) La media y la desviaciones típica de
Más detallesGeneración de Números Aleatorios. Modelos de Probabilidad. Introducción a la Simulación con EXCEL.
PRÁCTICAS DE ESTADÍSTICA 1º CURSO DE GRADO EN CC. AMBIENTALES Guión de la práctica 4: Curso 2009/2010 7/04/2010. Generación de Números Aleatorios. Modelos de Probabilidad. Introducción a la Simulación
Más detallesProfr. Efraín Soto Apolinar. La función racional
La función racional Ahora estudiaremos una extensión de las funciones polinomiales. Las funciones racionales se definen a partir de las funciones polinomiales. Esta generalización es semejante a la que
Más detallesINSTITUTO TECNOLÓGICO DE APIZACO TEORÍA DE CONJUNTOS CONJUNTOS Y TÉCNICAS DE CONTEO
TEORÍA DE CONJUNTOS CONJUNTOS Y TÉCNICAS DE CONTEO DEFINICIÓN Y NOTACIÓN DE CONJUNTOS El término conjunto juega un papel fundamental en el desarrollo de las matemáticas modernas; Además de proporcionar
Más detallesIngeniería en Innovación Agrícola Sustentable
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Estadística Ingeniería en Innovación Agrícola Sustentable ASF-1010 (Créditos) SATCA: 3-2-5 2.- PRESENTACIÓN Caracterización
Más detallesP. A. U. LAS PALMAS 2005
P. A. U. LAS PALMAS 2005 OPCIÓN A: J U N I O 2005 1. Hallar el área encerrada por la gráfica de la función f(x) = x 3 4x 2 + 5x 2 y la rectas y = 0, x = 1 y x = 3. x 3 4x 2 + 5x 2 es una función polinómica
Más detallesLa ecuación de segundo grado para resolver problemas.
La ecuación de segundo grado para resolver problemas. Como bien sabemos, una técnica potente para modelizar y resolver algebraicamente los problemas verbales es el uso de letras para expresar cantidades
Más detalles1 Variables aleatorias independientes
1 Variables aleatorias independientes El concepto de independencia es sumamente importante en teoría de probabilidad y su negación, la dependencia, es un importante objeto de estudio actualmente en diversas
Más detallesAplicación del método de los elementos discretos a problemas de desgaste INTRODUCCIÓN
INTRODUCCIÓN En el mundo de la ingeniería civil, es frecuente la necesidad de hacer movimientos de tierras para acondicionar el terreno o para ejecutar las obras. Son diversas las maquinarias que se pueden
Más detallesGUÍA DE ESTUDIO: MATEMÁTICAS POLINOMIOS
GUÍA DE ESTUDIO: MATEMÁTICAS POLINOMIOS Esta guía de estudio está diseñada con ejercicios resueltos paso a paso con el fin de mostrar los procedimientos detallados para abordar cada uno de ellos. Las estrategias
Más detallesFUERZA DE VENTAS. Administración. Séptima Edición CAPÍTULO CINCO. El papel estratégico de la información en la administración de ventas
FUERZA DE VENTAS Administración Séptima Edición CAPÍTULO CINCO El papel estratégico de la información en la administración de ventas 5.1 Copyright Copyright 2003 2003by bythe TheMcGraw-Hill McGraw-HillCompanies,
Más detallesLa programación lineal hace referencia al uso eficiente o distribución de recursos limitados, para alcanzar unos objetivos determinados.
Programación lineal La programación lineal hace referencia al uso eficiente o distribución de recursos limitados, para alcanzar unos objetivos determinados. El nombre de programación no se refiere a la
Más detallesDESARROLLO DEL PROCESO DE RECOLECCIÓN DE DATOS LA MEDICIÓN EN MARKETING MEDICIÓN
DESARROLLO DEL PROCESO DE RECOLECCIÓN DE DATOS LA MEDICIÓN EN MARKETING MEDICIÓN Puede definirse como la asignación de números a características de objetos, personas, lugares, marcas, sucesos o fenómenos,
Más detallesAnálisis y Diseño de Sistemas Departamento de Sistemas - Facultad de Ingeniería
Objetivos: DESARROLLO DE SOFTWARE - ESTUDIO DE FACTIBILIDAD 1. Determinar la factibilidad técnica, económica, operativa y jurídica (y de ser necesarias otras) del proyecto. 2. Lograr el conocimiento general
Más detallesDistribución de Probabilidad Normal
Distribución de Probabilidad Normal Departamento de Estadística-FACES-ULA 22 de Diciembre de 2013 Introducción La distribución normal es quizás la distribución de probabilidad para variables aleatorias
Más detalles