ALINEAMIENTO DE DOS SECUENCIAS (pairwise alignment)
|
|
- Natividad Ortíz Córdoba
- hace 7 años
- Vistas:
Transcripción
1 ALINEAMIENTO DE DOS SECUENCIAS (parwse algnment) El alneamento de una pareja de secuencas permte cuantfcar el grado de smltud que hay entre ellas y determnar s exste algún tpo de relacón entre ambas. Para alnear dos secuencas (X e Y), de longtud n y m, respectvamente, se coloca una encma de la otra de modo que el número de símbolos que concden en una msma poscón sea máxmo. S es necesaro, se pueden ntroducr huecos (ndels) en una de las secuencas para que aumente el número de concdencas. Al alnear dos secuencas, puede ocurrr que una msma poscón esté ocupada por: resduos déntcos (match): Se supone que estos resduos formaban parte de una secuenca ancestral de la que descenden ambas secuencas y que durante la evolucón han permanecdo nvarables. La conservacón de estos resduos ndca que, probablemente, desempeñan un papel mportante para el mantenmento de la estructura y/o funcón de la molécula. En un alneamento, el número de poscones ocupadas por resduos déntcos determna la dentdad entre las secuencas (sequence dentty) y se expresa en %. resduos dstntos pero con propedades boquímcas parecdas: son las denomnadas susttucones conservatvas. El número de poscones ocupadas por resduos déntcos o con propedades boquímcas smlares determna la smltud entre las secuencas (sequence smlarty) y se expresa en %. resduos dstntos (msmatch): Se supone que en esta poscón ha tendo lugar una mutacón. S desconocemos la secuenca ancestral, es mposble saber con segurdad en cuál de las dos secuencas se ha producdo la mutacón. un resduo cualquera en una de las secuencas y un ndel en la otra: Esta crcunstanca se puede deber a la nsercón de un resduo en una de las secuencas (nserton) o a la desaparcón de un resduo en la otra (deleton). Dos secuencas sempre se pueden alnear y puede haber muchos alneamentos posbles. Para determnar cuál es el mejor se utlza un sstema de puntuacón (como, por ejemplo, una matrz de susttucón) que otorga una puntuacón dstnta a cada pareja de caracteres en funcón de que sean guales (match), dstntos (msmatch) o haya un ndel. Además, en caso se que sean dstntos, se otorga a las susttucones conservatvas mayor puntuacón que a las mutacones. La puntuacón de un alneamento se calcula sumando la puntuacón de cada una de las poscones. El alneamento que obtene la mayor puntuacón se denomna alneamento óptmo. S hay más de un alneamento con la msma puntuacón máxma (o muy parecda), será tarea del nvestgador decdr cuál es el que tene mayor sgnfcado bológco. Además de la puntuacón, tambén es mportante estmar la sgnfcacón estadístca del resultado para determnar s las dos secuencas están realmente relaconadas o s su parecdo es fruto del azar. Para comparar dos secuencas se pueden usar varos métodos: El algortmo de la fuerza bruta
2 La matrz de puntos (dot-plot) Algortmos de programacón dnámca: el algortmo de Needleman-Wunsch (para alneamentos globales) y el algortmo de Smth-Waterman (para alneamentos locales) Métodos heurístcos como los algortmos FASTA o BLAST El algortmo de la fuerza bruta Este algortmo ntenta encontrar la secuenca común de mayor tamaño entre dos secuencas X e Y de longtudes m y n, respectvamente. Para ello se consderan todas las subsecuencas posbles de X (2 m ) y se comparan con todas las subsecuencas posbles de Y (2 n ). En total hay que hacer 4 m+n comparacones. S se acepta la presenca de ndels, hay que repetr los cálculos (m + n) veces para examnar la presenca de ndels en todas las poscones posbles de las dos secuencas. En la práctca, este método resulta mposble, tanto por el tempo que se necesta como por los recursos de memora que le harían falta al ordenador. Matrces de puntos (dot-plot) Este método fue descrto por vez prmera en 1970 por Gbbs y McIntyre. Es un tpo de representacón senclla que encuentra todas las concdencas exstentes entre los resduos de las dos secuencas y ofrece una panorámca rápda del parecdo que hay entre ellas. Será tarea del nvestgador determnar cuáles son relevantes y cuáles no. Debe ser nuestra prmera opcón a la hora de comparar dos secuencas ya que permte detectar rápdamente las regones smlares. Es una buena forma de asegurarse de que no vamos a pasar por alto nnguna característca obva. Aunque este método es de gran utldad cuando el parentesco entre las secuencas es lejano, es capaz de dentfcar algunas relacones complejas entre las secuencas como, por ejemplo, domnos protecos repetdos o con el orden alterado, regones palndrómcas, etc. que, de otra forma, serían dfícles de detectar.
3 Para realzar este tpo de análss, se construye una matrz en la cual se coloca una de las secuencas en la parte superor (1ª fla) y la otra en la parte zquerda (1ª columna). La matrz se va rellenando con puntos en aquellas coordenadas (vertcal/horzontal) en las que ambas secuencas contenen el msmo resduo. En muchos casos, sobre todo cuando las secuencas son de ADN, aparecen muchos puntos por smple azar y se genera mucho rudo, lo que dfculta la dentfcacón de las regones de smltud. Esto se puede corregr fáclmente medante un fltrado de los datos. Para fltrar los datos se utlzan ventanas deslzantes. Se colocará un punto (en el centro de la ventana) úncamente s entre ambas ventanas exste un número mínmo de concdencas. La ventana deslzante se defne medante dos parámetros: El tamaño de la ventana (t) (suele ser 15 para el DNA y 2 ó 3 para proteínas) La rgor (r) es el número mínmo de concdencas que debe haber entre las dos ventanas (suele ser 10 para el DNA y 2 para proteínas) para ntroducr un punto en la matrz. Es mportante selecconar correctamente los valores de estos dos parámetros para detectar las regones de nterés. En general, hay que utlzar una ventana del tamaño del elemento que quero localzar: Cuando se comparan secuencas de DNA se usan ventanas largas y rgor elevado (t = 15 y r = 11, por ejemplo) Cuando se comparan secuencas de proteínas, s no se quere usar el fltro se utlzan los valores t =1 y r = 1. Para fltrar las secuencas se usan ventanas cortas y rgor reducdo (t = 2 y r = 2 o t = 3 y r = 2, por ejemplo). Para encontrar domnos cortos con smltud parcal en secuencas que no son muy parecdas (centros actvos, por ejemplo) se usan ventanas más largas y algo más de rgor (t = 20 y r = 5, por ejemplo). Tambén es posble utlzar matrces de puntuacón. Una vez rellenada la matrz: Cualquer regón con secuencas smlares aparece como una dagonal Los ndel se manfestan como desplazamentos de la dagonal: s se compara un mrna con su DNA genómco se pueden dferencar los ntrones y los exones. La transposcón de regones del gen tambén se manfestan como un desplazamento de la dagonal Las regones repetdas aparecen como dagonales paralelas a la dagonal prncpal (s son duplcacones o repetcones drectas) o perpendculares a la dagonal prncpal (s son repetcones nversas) Las secuencas palndrómcas dan lugar a una línea perpendcular a la dagonal prncpal. Estas regones pueden corresponder a (1) secuencas reconocdas por reguladores de la transcrpcón o por enzmas de restrccón, (2) regones complementaras del DNA o del RNA que adoptan una estructura secundara (stem-loop) o (3) transposones de plantas
4 Una característca mportante de las matrces de puntos es que permten comparar una secuenca consgo msma. En este caso: Hay una dagonal de lado a lado Hay smetría respecto a esa dagonal Las líneas que aparezcan a ambos lados de la dagonal (arrba-abajo o derechazquerda) ndcan repetcones de la secuenca Las secuencas palndrómcas y las repetcones nvertdas aparecen como líneas perpendculares a la dagonal Las áreas con una elevada densdad de puntos (con aspecto de cuadrado o de rectángulo) corresponden a secuencas repetdas o a regones de poca complejdad en las que sólo están presentes unos pocos amnoácdos. Estas regones complcan los alneamentos porque orgnan alneamentos con una puntuacón nusualmente elevada. Hay programas que detectan estas secuencas y las fltran para que no sean tendas en cuenta. EL ALGORITMO DE PROGRAMACIÓN DINÁMICA El algortmo de programacón dnámca es un método computaconal que se basa en el prncpo de que para llegar a la solucón óptma de un problema se pueden utlzar las solucones óptmas de subproblemas más sencllos. Consderemos, por ejemplo, el dagrama de la fgura nferor. A cada tramo del dagrama se le asgna una puntuacón y queremos encontrar la ruta menos costosa que nos lleva desde la salda hasta la meta pasando por el punto A. Para r desde la salda hasta el punto A podemos segur 6 rutas dstntas. Análogamente, para r desde el punto A hasta la meta hay otras 6 rutas dstntas. Por lo tanto, hay 36 rutas dstntas que llevan de la salda hasta la meta pasando por el punto A. Es necesaro evaluar cada una de las 36 rutas para determnar cuál es la menos costosa? La respuesta es que no. Esta es la observacón crucal del asunto, ya que la eleccón de la mejor ruta para r desde la salda hasta el punto A es ndependente de la eleccón de la mejor ruta para r desde el punto A hasta la meta. S determnamos por un lado la mejor ruta para r desde la salda hasta el punto A y, por otro lado, la mejor ruta para r desde el punto A hasta la meta resulta que la mejor ruta para r desde la salda hasta la meta es la suma de las dos anterores. Por lo tanto, sólo es precso evaluar 12 rutas, no las 36 posbles (que es lo que haría el algortmo de fuerza bruta). El problema
5 aún se puede smplfcar más s, de manera sstemátca, dvdmos el problema en más subproblemas. El algortmo de programacón dnámca se puede utlzar para alnear dos secuencas de ácdos nuclecos o de proteínas. Resulta partcularmente mportante porque permte encontrar el alneamento óptmo ya que el problema de encontrar el alneamento óptmo entre dos secuencas de longtud n se puede dvdr en subproblemas más sencllos (encontrar el alneamento óptmo de dos secuencas de longtud n-1, n-2, etc). El algortmo de programacón dnámca permte hacer alneamentos globales (algortmo de Needleman-Wunsch) o alneamentos locales (algortmo de Smth- Waterman). Las dferencas entre un tpo de alneamento y otro son mínmas. Para saber cuál de los dos tpos de alneamento es el más apropado hay que tener claro cuál es el objetvo que se persgue (descubrr motvos estructurales parecdos, decdr s son o no membros de una msma famla o determnar s proceden de un msmo ancestro común). En funcón de este objetvo, tendré que decdr qué tpo de alneamento debo realzar (global o local), qué algortmo hay que utlzar (Needleman- Wunsch o Smth-Waterman) y qué sstema de puntuacón (la matrz de susttucón y las penalzacones por ndels) es el más apropado. Algortmo de Needleman-Wunsch para alneamentos globales En 1970, Needleman y Wunsch dseñaron el prmer algortmo para hacer un alneamento global de dos secuencas. Es un algortmo de programacón dnámca porque garantza la obtencón del mejor alneamento sn tener que realzar todos los alneamentos posbles entre las dos secuencas. Para saber cuál es el mejor alneamento de dos secuencas (X e Y) de longtud m y n, respectvamente, es necesaro defnr un sstema de puntuacón que favorezca las concdencas y penalce las dferencas y los huecos. Veamos un ejemplo: Secuenca X: GTCCTAC (longtud = m = 7) (X 1 = G, X 2 = T, X 3 = C,..., X 7 = C). Secuenca Y: GTACGTATC (longtud = n = 9) (Y 1 = G, Y 2 = T, Y 3 = A,..., Y 9 = C). Sstema de puntuacón: Concdencas = (+ 1); Dferencas = ( 1); Indels = ( 2) El algortmo se ejecuta en varas etapas: 1.- Incalzacón: se construye una matrz (m+1) (n+1). La secuenca X (, X 1, X 2,.., X m ) encabeza cada fla y la secuenca Y (, Y 1, Y 2,..,Y n ) encabeza cada columna. Cada caslla de la matrz posee unas coordenadas (, j) donde ndca el número de la fla y j ndca el número de la columna. La caslla (1,1) se rellena con un 0. Cada caslla de la prmera fla se rellena sumando a la anteror la penalzacón por ndel. Análogamente, cada caslla de la prmera columna se rellena sumando a la anteror la penalzacón por ndel.
6 2.- Rellenado de la matrz: En cada caslla (, j) se coloca el valor S (, j) que cumpla la sguente condcón: S (, j) S( = max S( S(, 1, j 1, j) j 1) 1) + ( X, Y j ) + ( X, ndel) + ( ndel, Y ) j (X,Y j ) = +1 (s concden los caracteres) ( ) (X,Y j ) = 1 (s los caracteres no concden) ( ) (X, ndel) = 2 (ndel en secuenca Y) ( ) (ndel, Y j ) = 2 (ndel en secuenca X) ( ) En la caslla (2, 2) el valor que se ntroduce es el máxmo de las tres posbldades, que son: +1 (la suma de 0 y la puntuacón de una concdenca, flecha nclnada); 4 (la suma de 2 y la puntuacón de un ndel en la secuenca Y, flecha vertcal) y 4 (la suma de 2 y la puntuacón de un ndel en la secuenca X, flecha horzontal). El valor máxmo es +1. Para las etapas sguentes hay que recordar que al valor +1 se ha llegado desde el valor 0 (se ndca medante una flecha punteada).
7 En la caslla (2, 3) el valor que se ntroduce es el máxmo de las tres posbldades, que son: 3 (la suma de 2 y la puntuacón de una dferenca, flecha nclnada), 1 (la suma de +1 y la puntuacón de un ndel, flecha horzontal) y 6 (la suma de 4 y la puntuacón de un ndel, flecha vertcal). El valor máxmo es 1. Para las etapas sguentes hay que recordar que al valor 1 se ha llegado desde el valor +1 (se ndca medante una flecha punteada). De esta forma se rellenan todas las casllas de la matrz. La puntuacón máxma del alneamento es la que aparece en la caslla nferor derecha: Retorno (traceback): Consste en encontrar la ruta que nos ha llevado a alcanzar la puntuacón máxma. En esta etapa nos serán de gran ayuda las flechas punteadas que hemos do colocando durante la etapa de rellenado. La ruta que nos ha llevado hasta el alneamento óptmo es la que aparece sombreada en color azul claro en la tabla nferor.
8 En este caso hay dos alneamentos óptmos posbles entre las secuencas X e Y, ya que en la caslla (4, 5) hay un 0 que puede provenr de la caslla (4,4) ntroducendo un ndel en la secuenca X o de la caslla (3,3), aceptando una dferenca (msmatch). Los dos alneamentos encontrados son los sguentes: G T A C G T A T C G T C C T A C (total = +1) G T A C G T A T C G T C C T A C (total = +1) En este caso será tarea del nvestgador decdr cuál de los dos alneamentos óptmos es el que tene más sentdo bológco (s es que alguno lo tene). Algortmo de Smth-Waterman para alneamentos locales En 1981, Smth y Waterman dseñaron un algortmo para hacer un alneamento local de dos secuencas. El objetvo consste en localzar pequeñas regones de smltud local en dos secuencas que, aparentemente, no guardan nnguna relacón entre sí. Estas
9 regones conservadas suelen ser mportantes para el mantenmento de la estructura y/o funcón de las secuencas. Es una versón lgeramente modfcada del algortmo de Needleman y Wunsch y, por lo tanto, tambén es un algortmo de programacón dnámca que garantza la localzacón de los fragmentos de las secuencas con mayor smltud local. Para saber cuál es el mejor alneamento es necesaro defnr un sstema de puntuacón que favorezca las concdencas y penalce las dferencas y los huecos. Veamos un ejemplo: Secuenca X: GTACGTATC (longtud = n = 9) (X 1 = G, X 2 = T, X 3 = A,..., X 9 = C) Secuenca Y: CAGTATCGT (longtud = m = 9) (Y 1 = C, Y 2 = A, Y 3 = G,..., Y 9 = T) Sstema de puntuacón: Concdencas = (+ 1); Dferencas = ( 1); Indels = ( 2) El algortmo se ejecuta en tres etapas: 1.- Incalzacón: se construye una matrz (m+1) (n+1). La secuenca X (, X 1, X 2,.., X m ) encabeza cada fla y la secuenca Y (, Y 1, Y 2,..,Y n ) encabeza cada columna. Cada caslla de la matrz posee unas coordenadas (, j) donde ndca el número de la fla y j ndca el número de la columna. Las casllas de la prmera fla y de la prmera columna se rellenan con ceros. Esta es la prmera dferenca con el algortmo de Needleman y Wunsch para hacer alneamentos globales.
10 2.- Rellenado de la matrz: En cada caslla (, j) se coloca el valor S (, j) que cumpla la sguente condcón: S (, j) S( = max S( S(, 1, j 1, j) j 1) 0 1) + ( X, Y j ) + ( X, ) ndel + ( ndel, Y j ) (X,Y j ) = +1 (s concden los caracteres) ( ) (X,Y j ) = 1 (s los caracteres no concden) ( ) (X, ndel) = 2 (ndel en la secuenca Y) ( ) (ndel, Y j ) = 2 (ndel en la secuenca X) ( ) Esta condcón es la segunda dferenca con el algortmo de Needleman y Wunsch. Al elmnar los valores negatvos susttuyéndolos por un 0, se ponen de manfesto las dversas regones de smltud local. En la caslla (2, 2) el valor que se ntroduce es el máxmo de las cuatro posbldades, que son: 0, 1 (la suma de 0 y la puntuacón de una dferenca, flecha nclnada); 2 (la suma de 0 y la puntuacón de un ndel en la secuenca Y, flecha vertcal) y 2 (la suma de 0 y la puntuacón de un ndel en la secuenca X, flecha horzontal). El valor máxmo es 0. Para recordar que a este valor se ha llegado desde la caslla (1,1) colocamos una flecha punteada. De esta forma se rellenan todas las casllas de la matrz. La puntuacón máxma del alneamento puede aparecer en cualquer caslla. En este caso es un 5 (caslla sombreada en azul claro).
11 3.- Rastreo (traceback): Consste en encontrar la ruta que nos ha llevado a alcanzar la puntuacón máxma. En esta etapa nos serán de gran ayuda las flechas punteadas que hemos do colocando durante la etapa de rellenado de la matr<. La ruta que nos ha llevado hasta el alneamento óptmo es la que aparece sombreada en la tabla nferor. Tambén se ha sombreado en color amarllo otra ruta que corresponde a otro posble alneamento local que no es el óptmo, ya que sólo ha alcanzado una puntuacón de 4. Por tanto, el alneamento local óptmo entre las secuencas X e Y (sombreado en color azul claro) es el sguente: C A G T A T C G T G T A C G T A T C Hay otro alneamento local con una puntuacón de 4, que requere la adcón de un ndel en una de las secuencas:. C A G T A T C G T G T A C G T A T C Será tarea del nvestgador decdr cuál es el que tene más sentdo bológco (s es que alguno de ellos lo tene). No olvdemos que los alneamentos son modelos matemátcos que se ajustan a un sstema de puntuacón arbtraro que puede reflejar en mayor o menor grado la realdad bológca.
Para dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesBIOMOLÉCULAS TESIS PRESENTA: DR. CLAUDIO GARIBAY ORIJEL
INSTITUTO POLITÉCNICO NACIONAL CENTRO DE INVESTIGACIÓN EN COMPUTACIÓN MODELO INTELIGENTEE PARA EL ALINEAMIENTO DE BIOMOLÉCULAS TESIS QUE PARA OBTENER EL GRADO DE DOCTORADO EN CIENCIAS DE LA COMPUTACIÓN
Más detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detallesCapítulo 2: Introducción al método de los Elementos Finitos 2. CAPÍTULO 2 INTRODUCCIÓN AL MÉTODO DE LOS ELEMENTOS FINITOS
Capítulo 2: Introduccón al método de los Elementos Fntos 2. CAPÍTULO 2 ITRODUCCIÓ AL MÉTODO DE LOS ELEMETOS FIITOS 2.. ITRODUCCIÓ Vrtualmente cada fenómeno en la naturaleza, sea bológco, geológco o mecánco
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
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 detalles6 Minimización del riesgo empírico
6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón
Más detalles2 Dos tipos de parámetros estadísticos
Dos tpos de parámetros estadístcos Págna 198 1. Calcula la meda, la medana y la moda de cada una de estas dstrbucones estadístcas: a) 4, 5, 6, 6, 6, 6, 7, 11, 1, 17 b), 1, 6, 9,, 8, 9,, 14, c), 3, 3, 3,
Más detallesTRABAJO Y ENERGÍA INTRODUCCIÓN. requiere como varia la fuerza durante el movimiento. entre los conceptos de fuerza y energía mecánica.
TRABAJO Y ENERGÍA INTRODUCCIÓN La aplcacón de las leyes de Newton a problemas en que ntervenen fuerzas varables requere de nuevas herramentas de análss. Estas herramentas conssten en los conceptos de trabajo
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
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 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 detallesPara construir un diagrama de tallo y hoja seguimos los siguientes pasos:
UNIDAD 2: Gráfcos estadístcos Los gráfcos muestran vsualmente y de forma rápda la dstrbucón de los datos y sus prncpales característcas, consttuyen un mportante complemento en la presentacón de la nformacón.
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesRelaciones entre las tablas
Relacones entre las tablas Relacones entre las tablas Access 2013 Establecer una relacón entre dos tablas Los dstntos tpos de relacones entre tablas Establecer una relacón entre las tablas de la base de
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 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 detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesCLAVE - Laboratorio 1: Introducción
CLAVE - Laboratoro 1: Introduccón ( x )( x ) x ( xy) x y a b a b a a a ( x ) / ( x ) x ( x ) x a b a b a b ab n! n( n 1)( n 2) 1 0! 1 x x x 1 0 1 (1) Smplfque y evalúe las sguentes expresones: a. 10 2
Más detallesEspacios de Búsqueda en un Árbol Binario para Resolver Problemas de Optimización Discreta
Espacos de Búsueda en un Árbol Bnaro para Resolver Problemas de Optmzacón Dscreta María Elena Gómez-Torres J. Crspín Zavala-Díaz Marco Antono Cruz- Chávez 3 Insttuto Tecnológco de Zacatepec Calzada Insttuto
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
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 detallesPráctica 12 - Programación en C++ Pág. 1. Practica Nº 12. Prof. Dr. Paul Bustamante. Informática II Fundamentos de Programación - Tecnun
Práctca 1 - Programacón en C++ Pág. 1 Práctcas de C++ Practca Nº 1 Informátca II Fundamentos de Programacón Prof. Dr. Paul Bustamante Práctca 1 - Programacón en C++ Pág. 1 INDICE ÍNDICE... 1 1.1 Ejercco
Más detallesPrincipio del palomar
Prncpo del palomar Juana Contreras S. Claudo del Pno O. Insttuto de Matemátca y Físca Unversdad de Talca Introduccón Cuando se reúnen 367 personas, es seguro que debe haber al menos dos personas que cumplen
Más detalles3 LEYES DE DESPLAZAMIENTO
eyes de desplazamento EYES DE DESPAZAMIENTO En el capítulo dos se expone el método de obtencón de las leyes de desplazamento dseñadas por curvas de Bézer para mecansmos leva palpador según el planteamento
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
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 detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesMecánica Estadística: Estadística de Maxwell-Boltzmann
Ludwg Boltzmann 1844-1906 James Clerk Maxwell 1831-1879 E. Martínez 1 Lápda de Boltzmann en el cementero de Vena S=k ln W E. Martínez 2 S=k ln W Entropía, una propedad termodnámca Una medda de nuestra
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesUnidad 2 Representación Algebráica
Undad Representacón lgebráca Gráfcas no drgdas Matrz de Incdenca La matrz de ncdenca de una gráfca G se denota como (G) y se defne como: a, S el vértce v ncde en la línea e n cada columna hay exactamente
Más detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detalles(c).- En equilibrio estático, el momento resultante respecto a cualquier punto es nulo. (d).- Un objeto en equilibrio no puede moverse.
Relacón de problemas DEPARTAMENTO DE FÍSICA ESCUELA POLITÉCNICA SUPERIOR UNIVERSIDAD DE JAÉN Equlbro estátco y elastcdad 1.- Verdadero o falso: (a).- F = 0 es sufcente para que exsta el equlbro estátco.
Más detallesTema 9: Otros temas de aplicación
Tema 9: Otros temas de aplcacón. Introduccón Exsten muchos elementos nteresantes y aplcacones del Matlab que no se han comentado a lo largo de los temas. Se nvta al lector a que nvestgue sobre ellos según
Más detallesAPLICACIONES DE LOS SISTEMAS LINEALES 1. MODELACION DE POLINOMIOS CONOCIENDO UN NUMERO DETERMINADO DE PUNTOS DEL PLANO.
APLICACIONES DE LOS SISTEMAS LINEALES 1. MODELACION DE POLINOMIOS CONOCIENDO UN NUMERO DETERMINADO DE PUNTOS DEL PLANO. Dado un numero n de puntos del plano ( a, b ) es posble encontrar una funcón polnómca
Más detalles16/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,
Más detallesUtilizar sumatorias para aproximar el área bajo una curva
Cálculo I: Guía del Estudante Leccón 5 Apromacón del área bajo la curva Leccón 5: Apromacón del área bajo una curva Objetvo: Utlzar sumatoras para apromar el área bajo una curva Referencas: Stewart: Seccón
Más detallesExtracción de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311
Extraccón de Atrbutos Dr. Jesús Arel Carrasco Ochoa arel@naoep.mx Ofcna 8311 Contendo Introduccón PCA LDA Escalamento multdmensonal Programacón genétca Autoencoders Extraccón de atrbutos Objetvo Preprocesamento
Más detallesRELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTORY OF
RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTOR OF ELECTRONIC PARTS) Una empresa fabrca tres tpos de componentes electróncos,
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
Más detallesSlide 1. Slide 2 Organización y Resumen de Datos. Slide 3. Universidad Diego Portales. Tablas de Frecuencia. Estadística I
Slde 1 Unversdad Dego Portales Estadístca I Seccón II: Dstrbucones de Frecuenca y Representacón Gráfca Sgla: EST2500 Nombre Asgnatura: Estadístca I Slde 2 Organzacón y Resumen de Datos Como recordará,
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesMAGNITUD: propiedad o cualidad física susceptible de ser medida y cuantificada. Ejemplos: longitud, superficie, volumen, tiempo, velocidad, etc.
TEMA. INSTRUMENTOS FÍSICO-MATEMÁTICOS.. SISTEMAS DE MAGNITUDES Y UNIDADES. CONVERSIÓN DE UNIDADES. MAGNITUD: propedad o cualdad físca susceptble de ser medda y cuantfcada. Ejemplos: longtud, superfce,
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesAlgoritmos matemáticos para:
Algortmos matemátcos para: sstemas de ecuacones lneales, nversón de matrces y mínmos cuadrados Jose Agular Inversón de matrces Defncón(Inversadeunamatrz):SeaAunamatrz nxn.unamatrzcde nxn esunanversadeascaaci.
Más detallesMosto Vino joven Vino crianza Vino reserva Gran reserva Precio [ /l] Coste [ /l] Evap [%]
PROBLEMA: EL BODEGUERO Un bodeguero ha tendo una buena cosecha que estma sea de 10000 ltros. El bodeguero ha de decdr qué cantdad de la cosecha dedcarla a hacer mosto, qué cantdad conservarla un año en
Más detallesEL ELEMENTO FINITO APLICADO A LAS ESTRUCTURA S METALICAS
EL ELEMENTO FINITO APLICADO A LAS ESTRUCTURA S METALICAS ING. F. JAVIER ANAYA ESTRELLA INTRODUCCION UNA REGION COMPLEJA QUE DEFINE UN CONTINUO SE DISCRETIZA EN FORMAS GEOMETRICAS SIMPLES LLAMADAS ELEMENTOS
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesDpto. Física y Mecánica
Dpto. Físca y Mecánca Mecánca analítca Introduccón Notacón Desplazamento y fuerza vrtual Fuerza de lgadura Trabao vrtual Energía cnétca. Ecuacones de Lagrange Prncpode los trabaos vrtuales Prncpo de D
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 detallesOPENCOURSEWARE 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 detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detallesEquilibrio fásico. (b) El sistema heterogéneo se considera aislado.
Termodnámca del equlbro Equlbro fásco Profesor: lí Lara En el área de Ingenería Químca exsten muchos procesos ndustrales en los cuales está nvolucrado el equlbro entre fases. Una de estas operacones es
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 detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesVII. Solución numérica de ecuaciones diferenciales
VII. Solucón numérca de ecuacones derencales VII. Antecedentes Sea dv dt una ecuacón derencal de prmer orden : g c m son constantes v es una varable dependente t es una varable ndependente c g v I m Las
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesSistemas cíclicos. Juan Antonio de la Puente DIT/UPM. Objetivos
dt UPM stemas cíclcos Juan Antono de la Puente DIT/UPM Objetvos Repasar algunos problemas concretos relaconados con la realzacón de sstemas de tempo real Introducr un método de dseño de sstemas basado
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
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 detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesTipos de amplificadores según su ganancia
Tpos de amplfcadores según su gananca Electrónca nalógca: ealmentacón Todo amplfcador que posea unas resstencas de entrada () y de salda (o) dstntas de cero y dstntas de nfnto se puede representar de cuatro
Más detallesSISTEMA DIÉDRICO I Intersección de planos y de recta con plano TEMA 8 INTERSECCIONES. Objetivos y orientaciones metodológicas. 1.
Objetvos y orentacones metodológcas SISTEMA DIÉDRICO I Interseccón de planos y de recta con plano TEMA 8 Como prmer problema del espaco que presenta la geometría descrptva, el alumno obtendrá la nterseccón
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesTÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3
PROCEDIMIENTO DO DESEMPEÑO DEL CONTROL DE FRECUENCIA EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE TÍTULO I Aspectos Generales... 3 TÍTULO II Alcance... 3 TÍTULO III Metodología de Cálculo de FECF... 3 TÍTULO
Más detallesDESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO
Clascacón: Emtdo para Observacones de los Coordnados Versón: 1.0 DESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO Autor Dreccón de Operacón Fecha Creacón 06-04-2010 Últma Impresón 06-04-2010 Correlatvo
Más detallesESTÁTICA DEL SÓLIDO RÍGIDO
DSR-1 ESTÁTICA DEL SÓLIDO RÍGIDO DSR-2 ESTÁTICA DEL SÓLIDO RÍGIDO La estátca estuda las condcones bajo las cuales los sstemas mecáncos están en equlbro. Nos referremos úncamente a equlbro de tpo mecánco,
Más detallesCircuitos eléctricos en corriente continúa. Subcircuitos equivalentes Equivalentes en Serie Equivalentes en Paralelo Equivalentes de Thevenin y Norton
ema II Crcutos eléctrcos en corrente contnúa Indce Introduccón a los crcutos resstvos Ley de Ohm Leyes de Krchhoff Ley de correntes (LCK) Ley de voltajes (LVK) Defncones adconales Subcrcutos equvalentes
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 detallesPONTIFICIA UNIVERSIDAD CATOLICA DE CHILE ESCUELA DE INGENIERIA Departamento de Ingeniería Eléctrica
ONTIFICIA UNIVERSIDAD CATOLICA DE CHILE ESCUELA DE INGENIERIA Departamento de Ingenería Eléctrca METODOS DE ASIGNACION DE EAJES DE LOS SISTEMAS DE TRANSMISION ELECTRICA SEGUN EL USO DE LA RED FRANCISCO
Más detallesEJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.
EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente
Más detallesTEMA 4. TEORÍA DE LA DUALIDAD.
Investgacón Operatva TEMA. TEORÍA DE LA DUALIDAD. TEMA. TEORÍA DE LA DUALIDAD..... INTRODUIÓN... ALGORITMO DUAL DEL SIMPLEX.... EJEMPLO.... EJEMPLO.... EJEMPLO... TEORÍA DE LA DUALIDAD.... PROLEMA PRIMAL
Más detallesEstructura de tabla. Crear una tabla de base de datos. Paso previo a la creación i
Estructura de una tabla Estructura de tabla Access 2016 Crear una tabla de base de datos Paso prevo a la creacón Una tabla es un conjunto de datos estructurados. Esta estructura se basa en un elemento
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesPrácticas de Mathematica. Diplomatura de Óptica y Optometría. Cuando el programa se cuelga.
Práctcas de Mathematca. Dplomatura de Óptca Optometría. Segunda Práctca Cuando el programa se cuelga. En ocasones, por la dfcultad o la mala escrtura de las operacones que le pedmos, el programa no responde.
Más detallesSEMANA 13. CLASE 14. MARTES 20/09/16
SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.
Más detallesEstimación de incertidumbres en calibración de Osciladores
Estmacón de ncertdumbres en calbracón de Oscladores J. Maurco López R. Dvsón de Tempo Frecuenca Centro Naconal de Metrología maurco.lopez@cenam.mx Resumen La frecuenca de salda de los oscladores debe ser
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 2) CAPÍTULO II.-ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA.- DISTRIBUCIONES DE FRECUENCIAS DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA . DISTRIBUCIÓN
Más detallesMinería de Datos (MD) estadística
Mnería de datos Tema 3: Métodos Báscos: Algortmos Mnería de Datos (MD) estadístca Por qué una aproxmacón estadístca en la MD? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detalles3.1. Características del comportamiento estratégico Características del comportamiento estratégico
3.1. Característcas del Matlde Machado 1 3.1. Característcas del El análss formal de una stuacón de empeza por la formulacón de un juego. Componentes de un juego: Jugadores Estrategas posbles para cada
Más detallesAdquisición y Tratamiento de Datos (Febrero 2005). 1ª parte: Cuestiones.
Adquscón y Tratamento de Datos (Febrero 2005). Las cuestones: 1ª parte: Cuestones. Se deben responder en la hoja adjunta. Debe marcarse una únca respuesta. Por favor, leer los enuncados y las solucones
Más detallesCOMPARACIÓN DE TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO SOBRE VÍDEO COMPRIMIDO CAPÍTULO 3: TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO
CAPÍTULO 3: TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO 3. TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO 3.. Antecedentes La tecnología para la organzacón y la búsqueda de mágenes y vídeo basada en el contendo
Más detallesECUACIONES DIFERENCIALES Problemas de Valor Inicial
DIVISIÓN DE IENIAS FÍSIAS Y MATEMÁTIAS DTO. TERMODINÁMIA Y FENÓMENOS DE TRANSFERENIA MÉTODOS AROXIMADOS EN ING. QUÍMIA TF-33 EUAIONES DIFERENIALES roblemas de Valor Incal Esta guía fue elaborada por: rof.
Más detallesTallerine: Energías Renovables. Fundamento teórico
Tallerne: Energías Renovables Fundamento teórco Tallerne Energías Renovables 2 Índce 1. Introduccón 3 2. Conceptos Báscos 3 2.1. Intensdad de corrente................................. 3 2.2. Voltaje..........................................
Más detallesEn el panel de navegación, haga doble clic en el nombre de la tabla o de la consulta a la que desee agregar registros.
Regstros Regstros Access 2013 - Funcónes báscas Introducr regstros en la hoja de datos En el panel de navegacón, haga doble clc en el nombre de la tabla o de la consulta a la que desee agregar regstros.
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 detalles7.5. FUNCIONES EN LINEA, MACROS CON ARGUMENTOS
226 Programacón en C. Metodología, algortmos y estructura de datos - La Tabla 7. muestra un resumen del comportamento de los dferentes tpos de parámetros. Tabla 7.. Paso de parámetros en C. Parámetro especfcado
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesMEDIDAS DE ASOCIACIÓN: COEFICIENTES DE CORRELACIÓN Y DE REGRESIÓN I.- Introducción En el tema I estudiamos las medidas descriptivas para una
MEDIDAS DE ASOCIACIÓ: COEFICIETES DE CORRELACIÓ DE REGRESIÓ I.- Introduccón En el tema I estudamos las meddas descrptvas para una varable, y además, planteamos que tales meddas tambén exsten para dos o
Más detallesModelación y Simulación de Sistemas Conferencia 2
Modelacón y Smulacón de Sstemas Conferenca www.norte.un.edu.n Maestro Julo Rto Vargas Avlés Qué es un número aleatoro Son números que deben de cumplr los requstos de espaco equprobable, es decr, que todo
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesCAPITULO 3º SOLUCIÓN ECUACIÓN DE ESTADO- 01. Ing. Diego A. Patiño G. M.Sc, Ph.D.
CAPITULO 3º SOLUCIÓN ECUACIÓN DE ESTADO- 0 Ing. Dego A. Patño G. M.Sc, Ph.D. Solucón de la Ecuacón de Estado Solucón de Ecuacones de Estado Estaconaras: Para el caso estaconaro (nvarante en el tempo),
Más detallesGeneración de e Modelos 3D a Partir de e Datos de e Rango de e Vistas Parciales.
Generacón de e Modelos 3D a Partr de e Datos de e Rango de e Vstas Parcales. Santago Salamanca Mño Escuela de Ingenerías Industrales Unversdad de Extremadura (UNED, UCLM, UEX) Introduccón (I) Qué es un
Más detalles