REVISTA INVESTIGACIÓN OPERACIONAL Vol., 30, No.1, 52-60, 2009
|
|
- Francisco Javier Toledo Robles
- hace 8 años
- Vistas:
Transcripción
1 REVISTA INVESTIGACIÓN OPERACIONAL Vol., 30, No.1, 52-60, 2009 USO DE REDES BAYESIANAS OBTENIDAS MEDIANTE OPTIMIZACIÓN DE ENJAMBRE DE PARTÍCULAS PARA EL DIAGNÓSTICO DE LA HIPERTENSIÓN ARTERIAL María del Carmen Chávez, Gladys Casas, Jorge Morera, Emlo González, Rafael Bello, Rcardo Grau Centro de Estudos de Informátca, Unversdad Central Martha Abreu de Las Vllas, Santa Clara, Vlla Clara, Cuba, CP RESUMEN En el presente trabajo se combnan dferentes técncas de Intelgenca Artfcal para modelar el dagnóstco de la Hpertensón arteral. La base de datos utlzada es el resultado de un estudo realzado con personas supuestamente sanas, en cnco polclíncos de la cudad de Santa Clara. Una forma de modelar las relacones entre las varables es usando una red del bayesana. El costo computaconal del aprendzaje de la estructura de una red bayesana desde datos, crece con el número de varables y el número de casos. Por lo que surge el problema de dentfcar una buena heurístca para explorar el espaco de posbles redes. Los algortmos evolutvos son métodos muy valosos para encontrar buenas solucones en problemas concretos, por lo que se usa el algortmo de Optmzacón de Enjambre de Partícula (PSO) para la búsqueda de la estructura de la red bayesana. Se ha realzado una extensón a la plataforma Weka (Wakato for Envronment Knowledge Analyss) y se utlzan métrcas de score global para evalúar las solucones. El nuevo algortmo forma parte de la clase Bayesnet de Weka. Los resultados obtendos muestran buenos resultados en la clasfcacón de la Hpertensón Arteral. ABSTRACT In the present work, dfferent Artfcal Intellgence technques are combned to model the dagnoss of hypertensve people. To develop the work a data base of Arteral Hypertenson was used, whch s result of a prelmnary study made n fve polyclncs of Santa Clara cty, wth supposedly healthy ndvduals. One of the ways to model the relatons between varables s usng a Bayesan network. The computatonal cost of the learnng of a Bayesan network from data, grows wth the number of varables and the number of cases, therefore, the problem of dentfyng a good heurstc to explore the space of possble networks arses. The evolutonary algorthms are beng very valuable methods to fnd good solutons to concrete problems, that s why the Partcle Swarm Optmzaton (PSO) algorthm s used for the network structure search. An extenson to the Weak platform (Wakato for Envronment Knowledge Analyss) was done, n whch the new algorthm becomes part of the global score metrcs mplemented n the Bayesnet class n Weka. The obtaned results show good classfcaton of the Arteral Hypertenson wth Bayesan networks. KEY WORDS: Bayesan networks, classfcaton, PSO, Partcle Swarm optmzaton, qualty metrc of optmzaton Bayesan networks, algorthms bo nspred, arteral hgh blood pressure. MSC: 62P10 1. INTRODUCCIÓN El corazón bombea sangre a través de las arterías a todo el cuerpo, la tensón que se genera en el nteror arteral se denomna presón arteral. La hpertensón arteral (HTA) ó presón alta, es la elevacón de esta presón arrba de un límte que se consdera normal (140/90 mmhg). La HTA es la prncpal enfermedad crónca degeneratva y la más común causa de muerte, afecta aproxmadamente al 20% de la poblacón mundal. La elevacón anormal de la presón consttuye un mportante factor de resgo coronaro. Al medrse la presón arteral se anotan dos números, el mayor es la presón sstólca, y se corresponde con la presón del corazón al contraerse para bombear la sangre. El número menor es la presón dastólca, que es la presón de la sangre en las arteras en la fase de relajamento del corazón. Para un correcto dagnóstco de hpertensón, el médco mde varas veces la presón arteral, en dferentes 52
2 condcones de esfuerzo y en dferentes horas del día. En personas hpertensas, la varacón es mayor y permanece alta la mayor parte del día, ncluso en los perodos de descanso. El conocmento actual de éste problema de salud públca a nvel mundal, oblga a buscar estrategas de deteccón, control y tratamento [1], [2], [3]. El estado de hperreactvdad vascular se consguó medante una ergometría sométrca denomnada Prueba del Peso Sostendo (PPS) [4]. Esta prueba basa su prncpo en ntroducr al método clásco de la medcón de la tensón arteral la condcón de que los pacentes realcen, en poscón sentada, un ejercco físco sométrco, que consste en mantener un peso de 500 gramos con el brazo zquerdo extenddo en ángulo recto al cuerpo durante 2 mnutos. La presón arteral se toma en el brazo contraro antes del ejercco y a partr del segundo 50 del segundo mnuto. Las redes bayesanas (RB) son una herramenta poderosa de representacón del conocmento. Una RB es un grafo acíclco drgdo (GAD) con una dstrbucón de probabldad asocada a cada nodo. Los nodos en la red representan las varables, atrbutos o rasgos del domno de aplcacón, y los arcos entre los nodos representan las relacones de dependenca entre las varables [6]. Encontrar un modelo de RB consta de dos partes fundamentales, determnar laestructura de la red y obtener las tablas de probabldades asocadas a cada nodo. La búsqueda de una estructura adecuada puede nterpretarse como un problema de optmzacón, se trata de hallar la red de mejor caldad en el espaco de posbles redes, donde la caldad puede medrse por una métrca que evalúa la red de acuerdo a los datos de partda. Exsten varas métrcas que evalúan la caldad de las redes, específcamente con enfoque bayesano, K2, basados en crteros de nformacón o entropía, Akake Informaton Crteron, Mnmum Descrpton Length [5]. En el trabajo se han realzado las pruebas con la métrca de Bayes, basado en los análss realzados por Bouckaert en [5]. El alto costo en tempo y recursos nherentes a los algortmos exactos de búsqueda, ha conllevado al auge y desarrollo de las heurístcas y metaheurístcas cuyo uso ha arrojado resultados muy alentadores. Dentro de ellas, los algortmos bonsprados y en partcular la Intelgenca de Enjambre (Swarm Intellgence, SI) ha sdo objeto de estudo, nvestgacón y aplcacón por su smplcdad y robustez [14], [16], [17], [15]. Nos centraremos ahora en hallar la estructura de la red, en dcha búsqueda se empleará el modelo computaconal: Optmzacón en Enjambre de Partículas (Partcle Swarm Optmzaton, PSO) [14], [16], [17], [15]. En [8] se hzo un prmer ntento usando métrcas de score local y los resultados para problemas de clasfcacón ncalmente no fueron satsfactoros. En el presente trabajo se mejora la efcenca de los modelos obtendos pues se utlzan métrcas de score global, o sea se mejora el desempeño de la red tenendo en cuenta la muestra y la exacttud de la clasfcacón. La valdacón de los resultados se mde hacendo valdacones cruzadas con dez subconjuntos, que es el estándar para esta tarea. 2. REDES BAYESIANAS Una red bayesana (RB) es un par (D,P), donde D es un grafo acíclco drgdo (GAD), P= {p(x 1 τ 1 ),, p(x n τ n )} es un conjunto de n dstrbucones de probabldad condconales, una por cada varable x (nodos del grafo), y τ es el conjunto de padres del nodo x en D. El conjunto P defne la dstrbucón de probabldad conjunta asocada, como muestra la ecuacón (1): n p ( x ) = p ( x τ ) x = ( x 1, x 2,..., x n ) = 1 (1) Uno de los problemas que debe resolverse cuando se utlzan las RB, es la búsqueda de la estructura que mejor se ajuste a los datos. Esta tarea tene mplícto dos pasos: 53
3 Aprendzaje estructural: obtener la estructura de la RB, es decr, las relacones de dependenca e ndependenca entre las varables nvolucradas Aprendzaje paramétrco: dada una estructura de RB, obtener las probabldades a pror y condconales requerdas En este trabajo se propone un algortmo para la obtencón desde datos de la estructura de la RB, medante la utlzacón de un algortmo de ntelgenca colectva. Las RB son un tpo especal de sstema basado en el conocmento, por lo que es posble hacer nferenca a partr de conocmento a pror. A este proceso se le llama propagacón de evdencas [6]. 3. PSO PRINCIPIOS BÁSICOS PSO es una metaheurístca de optmzacón estocástca basada en una poblacón. Un enjambre (swarm) se defne como una coleccón estructurada de organsmos (agentes) que nteractúan. La ntelgenca no está en los ndvduos sno en la accón de todo el colectvo. Cada organsmo (partícula) se trata como un punto en un espaco N dmensonal el cual ajusta su propo vuelo de acuerdo a su propa experenca y la experenca del resto de la banda. La banda (swarm) vuela por el espaco de búsqueda localzando regones o partículas prometedoras [17]. 3.1 PSO en el aprendzaje de redes bayesanas La búsqueda de la estructura de la red puede formularse como un problema de optmzacón en el espaco de las posbles redes Ω, en otras palabras, determnar Xópt Ω: H (Xópt) H ( X ), X Ω, donde la funcón objetvo H consderada es una métrca que evalúa la RB en cada partcula del espaco de búsqueda. Se pueden usar cualesquera de las métrcas de score local descrtas en el captulo 4 de la tess de Bouckaert [5], las cuales se encuentran ya mplementadas en la plataforma Weka, en el software que se han obtendo los resultados. En la modelacón del problema de búsqueda a partr del algortmo PSO se defne cada partícula como una red bayesana la cual se representa como una matrz de adyacencas B ] donde b = 1s el 54 = [B j atrbuto es padre del atrbuto j, (s exste un arco de a j) y b = 0 en otro caso. Por tanto el espaco 2 de búsqueda Ω tene cardnal 2 n, de hecho se puede trabajar con dcho espaco, pero habría que chequear que no exstan cclos. Esto se puede lograr, por ejemplo, elmnando de forma aleatora arcos que formen parte de cclos exstentes [8]. Se propone entonces una forma de generar el espaco de búsqueda garantzando que no exstan cclos, o sea, partendo de que un grafo drgdo representa un ordenamento topológco, s y sólo sí este no presenta cclos, es posble a partr de una permutacón formar un grafo acíclco drgdo [8]. El problema de optmzacón que se propone es bnaro, por lo que el algortmo PSO orgnal [19], [18] debe ser adaptado. X : Partícula (matrz del espaco Λ), { X 1, X 2,K} : Bandada (conjunto de partículas), { V 1, V2,K} : Velocdades (matrces del espaco Ω asocadas a cada partícula que ndcan su movmento), {, 2,K} XpBest 1 XpBest : Mejores puntos del espaco localzados por cada partícula, XgBest : Mejor punto localzado por la bandada. En el algortmo Incalzar valores asgna aleatoramente valores a la poblacón de XpBest de cada partícula como copa de j j X y V, X y XgBest con el mejor valor, CantGeneracones es la cantdad de generacones en que van a nteractuar las partículas y cantpart es la cantdad de partículas que van a exstr en cada generacón. La varable t se utlza como contador de generacones. La subrutna Generar red acíclca G π genera una red acíclca como se vo en [8] a partr de una permutacón aleatora π de (1, 2,, n) con dstrbucón unforme, dcha red se representa como una matrz de adyacenca. La actualzacón de las partículas se logra añadendo la velocdad a cada partícula obtenda en la teracón t, la velocdad se obtene utlzando las expresones que se muestran en la ecuacón 2.
4 V S = w V + c 1 ( V jk ) = ( ) e rand V jk ( XpBest X ) + c rand ( XgBest X ) En la expresón de V, el prmer térmno es la memora de la partícula, el segundo la parte cogntva o conocmento prvado, el tercero la parte socal que permte la colaboracón, w es el peso de nerca, c 1 y c 2 son los llamados factores de aprendzaje cogntvo y socal respectvamente y rand es un número aleatoro entre 0 y 1. Entre los valores recomendados en [8], se tomaron los valores c 1 = c 2 =2, pero en realdad se recomenda en el trabajo que c 1 y c 2 no tomen necesaramente el msmo valor sno, que se generen aleatoramente con dstrbucón en el ntervalo [0,2], w = rand /2. Otros funcones para la S : R 0,1 aparecen en [19], [12], [13]. transformacón, [ ] 2 (2) 3.2 Algortmo PSO Incalzar valores; t = 0 ; Repeat Generar red acíclca G π For each = 1, cantpart V t + 1 y lmtarla a [-Vmax, +Vmax] Calcular ( ) Calcular S ( V ) Actualzar X : For all j, k: If rand ( ) < ( ) end For For each = 1, cantpart Evaluar X //Aplcar la métrca Actualzar XpBest endfor Actualzar XgBest Incrementar t Untl t> CantGeneracones S V jk then X jk ( t + 1) = ( G π ) jk else ( t 1) X jk + = 0 Es necesaro estmar la caldad del modelo de red obtendo en la fase de entrenamento, o sea, es necesaro tener en cuenta la nformacón que brnda la funcón ftness u objetvo. Para lograr mejor funconamento del algortmo PSO en el trabajo se muestran los resultados usando las meddas de caldad global mplementadas en Weka [20], estas meddas evtan el sobre ajuste (overfttng) de los datos medante el método de valdacones cruzadas (crossvaldaton), las métrcas se basan en resultados de la RB como clasfcador, por lo que se extende Weka con este nuevo algortmo para buscar la estructura de una RB, los resultados de la clasfcacón son buenos, pero se apreca que s se realza una seleccón de atrbutos óptma con el propo método, según se apreca en [20], los resultados de la clasfcacón de la HTA son mejores y se obtenen redes menos complejas. La mplementacón se realzó hacendo una extensón al paquete Weka con el objetvo de mnmzar el tempo de mplementacón y rehusar códgo lbre. Para los detalles consultar [20]. Otras meddas de evaluacón de la RB, son por ejemplo: una basada en la senstvdad y la especfcdad, y la otra en la senstvdad y precsón, estas se muestran en la ecuacón 3 y 4, donde TP son los casos postvos que se predcen como postvos, TN son los casos negatvos clasfcados como negatvos, y FP y FN son los casos mal clasfcados en cada una de las clases. 55
5 La funcón de la ecuacón 4 se debe utlzar para el caso donde se tengan clases mnortaras, y además se recomenda usar la precsón de Laplace, ver ecuacón 5, donde k es la cantdad de clases [13], [9] y [11]. Estas meddas han sdo utlzadas por algunos autores como se apreca en [9] y [10]. senstvdad senstvdad TP TN especfcdad = TP + FN TN + FP (3) TP TP precson = TP + FN TN + FP (4) 1 + TP precson = (5) 1 + k + TN + FP 4. REDES BAYESIANAS EN LA CLASIFICACIÓN DE LA HTA En nuestro estudo la muestra estuvo consttuda por un total de 849 ndvduos supuestamente sanos entre 18 a 78 años de edad, de ambos sexos, pertenecentes a 5 polclíncos de la cudad de Santa Clara. Se confecconó una hstora clínca con nformacón del pacente contenda en las sguentes varables: edad, sexo, raza, índce de masa corporal, bebe, fuma, dabetes melltus, dslpdema, número de padres con HTA, número de abuelos con HTA, tensón arteral sstólca y dastólca basal, al prmer y segundo mnuto, presón arteral meda, glcema, trglcérdos, colesterol total, hdl y ldl y perfl psíquco. A partr del análss de las msmas, los pacentes fueron clasfcados en normotensos, hperreactvos e hpertensos. La red obtenda con el algortmo PSO de búsqueda local se muestra en la fgura 1, en la que se hace el dagnóstco del tpo de HTA basándose solamente en los rasgos: dsamn1 y 2, dagexp, sstmn2, edad glcema e mc. En la fgura 2 se muestra la estructura de RB obtenda usando un paso prevo de seleccón de atrbutos y el algortmo de aprendzaje PSO global. La clasfcacón se basa en 11 rasgos. Se obtenen buenos resultados para la clasfcacón de la HTA en normotensos (0.926), hperreactvos (0.925) e hpertensos (0.976) El porcento de ben clasfcados es de Tabla 1. Resumen de las meddas de valdacón para los modelos de redes bayesanas obtendas utlzando dstntas mplementacones del algortmo PSO para clasfcar la HTA. PSO (Parámetros) Exacttud Verdaderos Postvos Búsqueda Local 2 padres, 40 partículas y 1000 teracones Búsqueda Global 2 padres, 40 partículas y 1000 teracones Búsqueda Global 2 padres, 40 partículas y 1000 teracones (hacendo seleccón de atrbutos) Normotensos (0.864) hperreactvos (0.888) hpertensos (0.911) normotensos (0.895) hperreactvos (0.918) hpertensos (0.972) normotensos (0.926) hperreactvos (0.925) hpertensos (0.976) 56 Área bajo la curva ROC normotensos (0.976) hperreactvos (0.942) hpertensos (0.988) normotensos (0.993) hperreactvos (0.983) hpertensos (0.998) normotensos (0.996) hperreactvos (0.985) hpertensos (0.997)
6 Fgura 1. RB que muestra la posbldad de realzar el nuevo dagnóstco tenendo en cuenta sete rasgos de los ncalmente tomados en la muestra. Con esta RB se obtenen resultados muy favorables para las tres clases normotensos (0.927), hperreactvos (0.87) e hpertensos (0.97), la de los hpereactvos es la mas confusa y por ello el porcento de ben clasfcados mas bajo. En la tabla 2 se muestran los resultados de valdacón con otros enfoques alternatvos reportados en la lteratura para la tarea del aprendzaje de la estructura de una RB, los que no se dferencan sgnfcatvamente de los que obtene e algortmo que se propone, pero se apreca que cuando los parámetros del algortmo propuesto son: Búsqueda Global, 2 padres, 40 partículas y 1000 teracones (hacendo seleccón de atrbutos prevamente) los resultados son mejores relatvamente a los obtendos por el resto de los que se utlzaron para comparar. 5. CONCLUSIONES El aprendzaje estructural de RB con el algortmo de búsqueda l PSO, ha mostrado ser un algortmo efcente, cuando se usan métrcas de caldad global, cuando la red se evalúa con métrcas de caldad local, los resultados suelen peores que en el caso global hacendo uso de valdacones cruzadas. Al hacer extensones a Weka se logra valdar cada uno de los modelos obtendos medante el uso de meddas mplementadas en dcha plataforma y además es posble comparar los resultados con otros cláscos para la msma tarea reportados en la lteratura. Se obtenen buenos modelos de RB para la clasfcacón de la HTA, con una exacttud alrededor del 95% de buena clasfcacón. Se trabaja en una mplementacón paralelzada, para realzar aplcacones con mayor volúmen de datos, por ejemplo en aplcacones Bonformátcas. 57
7 Fgura 2. Los exacttud de la red por clases es: normotensos (0.926), hperreactvos (0.925) e hpertensos (0.976). En este caso se logra la clasfcacón con 11 rasgos ncludos en el modelo. Tabla 2. Resumen de las meddas de valdacón cuando se utlzan dstntos algortmos de aprendzaje estrutural de RB. Algortmos Exacttud Verdaderos Postvos K Normotensos (0.907) hperreactvos (0.869) hpertensos (0.968) HC Normotensos (0.929) hperreactvos (0.869) hpertensos (0.968 TAN Normotensos (0.935) hperreactvos (0.881) hpertensos (0.968) Área bajo la curva ROC normotensos (0.995) hperreactvos (0.975) hpertensos (0.995) Normotensos (0.997) hperreactvos (0.98) hpertensos (0.995) Normotensos (0.995) hperreactvos (0.982) hpertensos (0.996) REFERENCIAS Receved May 2008 Revsed November 2008 [1] ANDERSON, K.M., ODELL, P.M., WILSON, P.W.F. y KANNEl, W.B. (1991): Cardovascular dsease rsk profles. Amercan Heart Journal, [2] ARMARIO, P., HERNÁNDEZ DEL REY, R. y MARTIN, M. (2002): Estrés, enfermedad cardovascular e hpertensón arteral. Med. Cln(Barc). 119,
8 [3] BENET, M., PENNINI, A., TORRES, J. y PERAZA, S. (2003): Cardovascular Rsk Factors among Indvduals under Age 40 wth Normal Blood Pressure. Rev. Esp Salud Públca, [4] BENET, M., YANES, N., GONZÁLEZ, J., PENNINI, A. y GARCÍA, J. (2001): Crteros dagnóstcos de la prueba del peso sostendo en la deteccón de pacentes con hpertensón arteral. Med. Cln (Barc), 116, [5] BOUCKAERT, R.R. (1995): Bayesan Belef Networks: From Constructon to Inference, PhD Thess, Promotor: Prof. Dr. J. Van Leeuwen, Co-promotor: Dr. L.C. Van der Gaag, Facultet Wskunde en Informatca, Utrecht Unversty [6] CASTILLO, E., GUTIÉRREZ, J.M. y HADI, A.S. (1997): Expert Systems and Probablstc Network Models. Sprnger-Verlag, New York. [7] CHÁVEZ, M.C., CASAS, G., FALCÓN, R., MOREIRA, B. y R., G. (2007). Buldng Fne Bayesan Networks Aded by PSO-based Feature Selecton. MICAI 2007: Advances n Artfcal Intellgence, LNCS, Sprnger Berln / Hedelberg 4827: [8] CHÁVEZ, M.C., SILVEIRA, P., CASAS, G., GRAU, R. y BELLO, R. (2007). Aprendzaje estructural de redes bayesanas utlzando PSO. Memoras en Boletín de la Socedad Cubana de Matemátca, Vol 5, Trabajo IA7, Número Especal en CD de COMPUMAT, ISSN: , Holguín, Cuba [9] CLARK, P. Y BOSWELL, R. (1991). Rule nducton wth CN2: Some recent mprovements. Machne Learnng, EWLS 91, [10] CORREA, E.S., FREITAS, A.A. Y JOHNSON, C.G. (2007). Partcle Swarm and Bayesan Networks. Appled to Attrbute Selecton for Proten Functonal Classfcaton. Proceedngs of the GECCO: Conference companon on Genetc and evolutonary computaton, ACM Specal Interest Group on Genetc and Evolutonary Computaton, NY, USA, [11] FALCO, D., CIOPPA, A.D. Y TARANTINO, E. (2007): Facng classfcaton problems wth Partcle Swarm Optmzaton. Appled Soft Computng. 7, [12] FERAT, S., TILLET, J., RAGHUVEER, R. y RAO, T.M. (2004): An evolutonary algorthmc approach to learnng a Bayesan network from complete data. Data Mnng and Knowledge Dscovery: Theory, Tools, and Technology VI, Orlando, FL, USA, 5433, [13] FERAT, S., YAVUZ, M.C., ARNAVUT, Z. y ULUYOL, O. (2007): Fault dagnoss for arplane engnes usng Bayesan networks and dstrbuted partcle swarm optmzaton. Parallel Computng, Elsever 33: [14] KENNEDY, J. (1997): The partcle swarm: socal adaptaton of knowledge. IEEE Internatonal Conference on Evolutonary Computaton, Aprl 13 16, [15] KENNEDY, J. y EBERHARt, R.C. (1995): A new optmzer usng partcle swarm theory. In: Sxth Internatonal Symposum on Mcro Machne and Human Scence. Nagoya: [16] KENNEDY, J. y EBERHART, R.C. (1995): Partcle swarm optmzaton. In: Proceedngs of IEEE Internatonal Conference on Neural Networks, Perth, [17] KENNEDY, J. Y SPEARS, W.M. (1998: Matchng algorthms to problems: an expermental test of the partcle swarm and some genetc algorthms on the multmodal problem generator. Proceedngs of the IEEE Internatonal Conference on Evolutonary Computaton, [18] MAHAMED, G.H.O., ANDRIES, P.E. y AYED, S. (2005): Dynamc Clusterng usng PSO wth Applcaton n Unsupervsed Image Classfcaton. Transactons on Engneerng, computng and Technology, 9: V
9 [19] WANG, X., YANG, J., TENG, X., XIA, W. y JENSEN, R. (2006). Feature Selecton Based on Rough Sets and Partcle Swarm Optmzaton. Pattern Recognton Letter, 28, [20] WITTEN, I.H. y FRANK, E. (2005). Data Mnng Practcal Machne Learnng Tools and Technques, Morgan Kaufman, San Francsco, USA. 60
Pruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más 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 detallesOptimización de Redes Bayesianas basado en Técnicas de Aprendizaje por Inducción
Optmzacón de Redes Bayesanas basado en Técncas de Aprendzae por Induccón Pablo Felgaer Laboratoro de Sstemas Intelgentes, Facultad de Ingenería, Unversdad de Buenos Ares. Paseo Colón 850 4to Pso. Ala Sur.
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesDEFINICIÓN DE INDICADORES
DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
Más detallesBreve Estudio sobre la Aplicación de los Algoritmos Genéticos a la Recuperación de Información
Breve Estudo sobre la Aplcacón de los Algortmos Genétcos a la Recuperacón de Informacón O. Cordón, F. oya 2,.C. Zarco 3 Dpto. Cencas de la Computacón e I.A. Unv. de Granada. Ocordon@decsa.ugr.es 2 Dpto.
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesAlgoritmo para la ubicación de un nodo por su representación binaria
Título: Ubcacón de un Nodo por su Representacón Bnara Autor: Lus R. Morera González En este artículo ntroducremos un algortmo de carácter netamente geométrco para ubcar en un árbol natural la representacón
Más detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
Más detallesEquipo de Algoritmos Evolutivos Multiobjetivo Paralelos
Equpo de Algortmos Evolutvos Multobjetvo Paralelos José Manuel Fernandez Gangreco Cencas y Tecnología - Unversdad Católca Nuestra Señora de la Asuncón Centro Naconal de Computacón - Unversdad Naconal de
Más detallesANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL:
Geografía y Sstemas de Informacón Geográfca (GEOSIG). Revsta dgtal del Grupo de Estudos sobre Geografía y Análss Espacal con Sstemas de Informacón Geográfca (GESIG). Programa de Estudos Geográfcos (PROEG).
Más detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesComparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó
Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor
Más detallesCuantificación Vectorial con base en Memorias Asociativas
Cuantfcacón Vectoral con base en Memoras Asocatvas Enrque Guzmán Ramírez Insttuto de Electrónca y Computacón (953) 53 2 03 99 Ext. 200 eguzman@mxteco.utm.mx Resumen El presente trabao descrbe un nuevo
Más detallesSmoothed Particle Hydrodynamics Animación Avanzada
Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla
Más detalles12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández
MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández
Más 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 detallesTrabajo Especial 2: Cadenas de Markov y modelo PageRank
Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo 2015 1. Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesÍndice de Precios de las Materias Primas
May-15 Resumen Ejecutvo El objetvo del (IPMP) es sntetzar la dnámca de los precos de las exportacones de Argentna, consderando la relatva establdad en el corto plazo de los precos de las ventas externas
Más 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 detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesUnidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles
2 Undad I.. Defncón de reaccón de combustón La reaccón de combustón se basa en la reaccón químca exotérmca de una sustanca (o una mezcla de ellas) denomnada combustble, con el oxígeno. Como consecuenca
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.
Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón
Más detallesTeléfono: (52)-55-5329-7200 Ext. 2432
Sstema de Montoreo Autónomo Basado en el Robot Móvl Khepera Jorge S. Benítez Read 1, Erck Rojas Ramírez 2 y Tonatuh Rvero Gutérrez Insttuto Naconal de Investgacones Nucleares Carretera Méxco-Toluca s/n,
Más detallesObtención de mapas de similitud sísmica 2D mediante redes neuronales Oscar Rondón*, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep
Obtencón de mapas de smltud sísmca 2D medante redes neuronales Oscar Rondón, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep Resumen El desarrollo de metodologías para obtener e ntegrar nformacón de múltples
Más detallesMarcos Gutiérrez-Dávila marcosgd@ugr.es
Marcos Gutérrez-Dávla marcosgd@ugr.es Introduccón: Relacón de la bomecánca con el deporte de competcón El gesto deportvo consttuye un patrón de movmento estable que se caracterza por el alto grado de efcenca
Más detallesReconocimiento de Imágenes Empleando Redes de Regresión General y la Técnica TVS
Reconocmento de Imágenes Empleando Redes de Regresón General y la Técnca TVS Rcardo García-Herrera & Waltero Wolfgang Mayol-Cuevas Laboratoro de INvestgacón para el Desarrollo Académco Depto. Ingenería
Más detallesGANTT, PERT y CPM INDICE
GANTT, PERT y CPM INDICE 1 Antecedentes hstórcos...2 2 Conceptos báscos: actvdad y suceso...2 3 Prelacones entre actvdades...3 4 Cuadro de prelacones y matrz de encadenamento...3 5 Construccón del grafo...4
Más detallesPartición de Sistemas Eléctricos en Subsistemas menores para su Resolución Distribuida
VII ERLAC - Mayo 97 1 Partcón de Sstemas Eléctrcos en Subsstemas menores para su Resolucón Dstrbuda B. Barán +, D. Benítez y R. Ramos Centro Naconal de Computacón Unversdad Naconal de Asuncón Paraguay
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más 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 detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.
9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara
Más detallesMaestría en Economía Facultad de Ciencias Económicas Universidad Nacional de La Plata TESIS DE MAESTRIA. ALUMNO Laura Carella. DIRECTOR Alberto Porto
Maestría en Economía Facultad de Cencas Económcas Unversdad Naconal de La Plata TESIS DE MAESTRIA ALUMNO Laura Carella TITULO Educacón unverstara: medcón del rendmento académco a través de fronteras de
Más detallesUn Modelo de Asignación de Recursos a Rutas en el Sistema de Transporte Masivo Transmilenio
Un Modelo de Asgnacón de Recursos a Rutas en el Sstema de Transporte Masvo Transmleno A Model for Resource Assgnment to Transt Routes n Bogota Transportaton System Transmleno Sergo Duarte, Ing., Davd Becerra,
Más detallesCANTIDADES VECTORIALES: VECTORES
INSTITUION EDUTIV L PRESENTION NOMRE LUMN: RE : MTEMÁTIS SIGNTUR: GEOMETRÍ DOENTE: JOSÉ IGNIO DE JESÚS FRNO RESTREPO TIPO DE GUI: ONEPTUL - EJERITION PERIODO GRDO FEH DURION 3 11 JUNIO 3 DE 2012 7 UNIDDES
Más detallesCifrado de imágenes usando autómatas celulares con memoria
Cfrado de mágenes usando autómatas celulares con memora L. Hernández Encnas 1, A. Hernández Encnas 2, S. Hoya Whte 2, A. Martín del Rey 3, G. Rodríguez Sánchez 4 1 Insttuto de Físca Aplcada, CSIC, C/Serrano
Más detallesUnidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública
Undad Central del Valle del Cauca Facultad de Cencas Admnstratvas, Económcas y Contables Programa de Contaduría Públca Curso de Matemátcas Fnanceras Profesor: Javer Hernando Ossa Ossa Ejerccos resueltos
Más detallesClase 25. Macroeconomía, Sexta Parte
Introduccón a la Facultad de Cs. Físcas y Matemátcas - Unversdad de Chle Clase 25. Macroeconomía, Sexta Parte 12 de Juno, 2008 Garca Se recomenda complementar la clase con una lectura cudadosa de los capítulos
Más detallesGuía de ejercicios #1
Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje
Más detallesUn Sistema de Recuperación de Información Estructurada
Un Sstema de Recuperacón de Informacón Estructurada Jesús Vegas Pablo de la Fuente Dpto. de Informátca, Unversdad de Valladold Campus Mguel Delbes, 47011 Valladold, España {jvegas,pfuente}@nfor.uva.es
Más detallesGUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22
DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.
Más detallesDisipación de energía mecánica
Laboratoro de Mecáa. Expermento 13 Versón para el alumno Dspacón de energía mecáa Objetvo general El estudante medrá la energía que se perde por la accón de la uerza de rozamento. Objetvos partculares
Más detallesESTRATEGIAS DIDÁCTICAS PARA ABORDAR LA EDUCACIÓN
ESTRATEGIAS DIDÁCTICAS PARA ABORDAR LA EDUCACIÓN AMBIENTAL EN EL NIVEL MEDIO SUPERIOR ARACELI ACEVEDO-CRUZ / MA. EUGENIA HERES-PULIDO Facultad de Estudos Superores Iztacala, Unversdad Naconal Autónoma
Más detallesHiperheurística para un problema de equilibrado de líneas de montaje usando Scatter Search
Hperheurístca para un problema de equlbrado de líneas de montaje usando Scatter Search Joaquín Bautsta 1, Elena Fernández 1, José Lus González Velarde 2, Manuel Laguna 3 1 Unverstat Poltècnca de Catalunya,
Más detallesUNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II
UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con
Más detallesAPENDICE A. El Robot autónomo móvil RAM-1.
Planfcacón de Trayectoras para Robots Móvles APENDICE A. El Robot autónomo móvl RAM-1. A.1. Introduccón. El robot autónomo móvl RAM-1 fue dseñado y desarrollado en el Departamento de Ingenería de Sstemas
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesClasificación Jerárquica de contenidos Web.
Clasfcacón Jerárquca de contendos Web. Álvaro Gascón y Marín de la Puente Unversdad Carlos III Madrd 100029648@alumnos.uc3m.es Mguel María Rodríguez Aparco Unversdad Carlos III Madrd 100021447@alumnos.uc3m.es
Más detallesPROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)
ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón
Más detallesReconocimiento automático de objetos basado en la relación dimensional
Reconocmento automátco de objetos basado en la relacón dmensonal Alejandro Israel Barranco Gutérrez 1 y José de Jesús Medel Juárez 2 1 Centro de Investgacón en Cenca Aplcada y Tecnología Avanzada, Calzada
Más detallesDISEÑO SÍSMICO DE ESTRUCTURAS DE ACERO UTILIZANDO ALGORÍTMOS GENÉTICOS RESUMEN ABSTRACT INTRODUCCIÓN
DISEÑO SÍSMICO DE ESTRUCTURAS DE ACERO UTILIZANDO ALGORÍTMOS GENÉTICOS Jorge H. González Cuevas 1, Edén Bojórquez Mora 1, Alfredo Reyes Salazar 1, Juan I. Velázquez Dmas 1 y Basla Quñonez Esquvel 1 RESUMEN
Más detallesMATERIAL Y MÉTODOS. Se utilizó el listado de códigos que Caminal estableció para España, a los cuales se
MATERIAL Y MÉTODOS Fuentes de nformacón Los datos de hosptalzacón se obtenen del Conjunto Mínmo de Datos de Egresos Hosptalaros del Seguro Públco de Salud Costarrcense (SPSC) y las proyeccones de poblacón
Más detallesMODELOS DE ÁRBOL DE REGRESIÓN BAYESIANO: UN ESTUDIO DE CASO.
REVISTA INVESTIGACIÓN OPERACIONAL VOL., 3, No., 09-5, 00 MODELOS DE ÁRBOL DE REGRESIÓN BAYESIANO: UN ESTUDIO DE CASO. O. Juárez* y E.Castells** *Facultad de Matemátca. Unversdad Autónoma de Guerrero. Méxco.
Más detalles9. Mantenimiento de sistemas de dirección y suspensión
9. Mantenmento de sstemas de dreccón y suspensón INTRODUCCIÓN Este módulo de 190 horas pedagógcas tene como propósto que los y las estudantes de cuarto medo desarrollen competencas relatvas a los sstemas
Más detallesDepartamento Administrativo Nacional de Estadística
Departamento Admnstratvo Naconal de Estadístca Dreccón de Censos Demografía METODOLOGIA ESTIMACIONES Y PROYECCIONES DE POBLACIÓN, POR ÁREA, SEXO Y EDAD PARA LOS DOMINIOS DE LA GRAN ENCUESTA INTEGRADA DE
Más detallesGUILLERMO ROBERTO SALARTE MARTÍNEZ Ingeniero de Sistemas, magister en Investigación de Operativa y Estadística, es-
GUILLERMO ROBERTO SALARTE MARTÍNEZ Ingenero de Sstemas, magster en Investgacón de Operatva y Estadístca, es- Docente nvestgador de la Unversdad Tecnológca de Perera. Perera, Colomba. Contacto: roberto@utp.edu.co
Más detallesNUEVA APROXIMACIÓN AL MÉTODO TÓPSIS DIFUSO CON ETIQUETAS LINGÜÍSTICAS
NUEVA APROXIMACIÓN AL MÉTODO TÓPSIS DIFUSO CON ETIQUETAS LINGÜÍSTICAS M. Socorro Garca-Cascales 1, M. Teresa Lamata 2 1 Dpto de Electrónca, Tecnología de Computadoras y Proyectos. Unversdad de Poltécnca
Más detallesMatemática Financiera Sistemas de Amortización de Deudas
Matemátca Fnancera Sstemas de Amortzacón de Deudas 7 Qué aprendemos Sstema Francés: Descomposcón de la cuota. Amortzacones acumuladas. Cálculo del saldo. Evolucón. Representacón gráfca. Expresones recursvas
Más detallesPAPER. Instituto de Protecciones de Sistemas Eléctricos de Potencia Facultad de Ingeniería Universidad Nacional de Río Cuarto
Ttle Nuevo enfoque de la gestón de la red de dstrbucón de energía eléctrca Regstraton Nº: (Abstract) Insttuto de Proteccones de Sstemas Eléctrcos de Potenca Facultad de Ingenería Unversdad Naconal de Río
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Ejerccos para Evaluacón: Tema 5 1. Contestar brevemente a las sguentes cuestones relaconadas con las Redes de Base
Más 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 detallesREGISTRO ELÁSTICO DE IMÁGENES DE SATÉLITE DE ALTA RESOLUCIÓN MEDIANTE OPTIMIZACIÓN DE REDES TRIANGULARES
REGITRO ELÁTICO E IMÁGENE E ATÉLITE E ALTA REOLUCIÓN MEIANTE OPTIMIZACIÓN E REE TRIANGULARE Vcente Arévalo Javer González Gregoro Ambroso pto. Ingenería de stemas y Automátca. Unversdad de Málaga. Campus
Más detallesFiltrado de información mediante prototipos borrosos y perfiles basados en criterios de calidad de datos
Fltrado de nformacón medante prototpos borrosos y perfles basados en crteros de caldad de datos Francsco P. Romero 1, Ismael Caballero 2, Jose A. Olvas 1, Eugeno Verbo 2 1 Departamento de Tecnologías y
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Redes de Neuronas: Preparacón de datos para el aprendzaje y meddas de evaluacón 1. Preparacón de datos Característcas de los datos
Más detallesMETODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS
SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento
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 detallesDetección automática de Spam utilizando Regresión Logística Bayesiana
Procesamento del Lenguae Natural, núm. 35 (2005), pp. 27-33 recbdo 04-05-2005; aceptado 0-06-2005 Deteccón automátca de Spam utlzando Regresón Logístca Bayesana Antono Jesús Ortz Martos L. Alfonso Ureña
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 detallesCONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A.
CONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A. PERÍODO 201-2020 Introduccón Las Bases Técnco Económcas Prelmnares, en
Más detallesINTENSIDAD DE LAS PREFERENCIAS EN VOTACIONES. VISUALIZACIÓN GRÁFICA DE SU IMPORTANCIA *
INTENSIDAD DE LAS PREFERENCIAS EN VOTACIONES. VISUALIZACIÓN GRÁFICA DE SU IMPORTANCIA * Alberto Turón Lanuza Grupo Decsón Multcrtero Zaragoza Facultad de Cencas Económcas y Empresarales. Unversdad de Zaragoza
Más detallesEquilibrio termodinámico entre fases fluidas
CAPÍTULO I Equlbro termodnámco entre fases fludas El conocmento frme de los conceptos de la termodnámca se consdera esencal para el dseño, operacón y optmzacón de proyectos en la ngenería químca, debdo
Más detallesMódulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization)
Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multobjectve Optmzaton) Patrca Jaramllo A. y Rcardo Smth Q. Insttuto de Sstemas y Cencas de la Decsón Facultad de Mnas Unversdad Naconal de Colomba, Medellín,
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesLa clasificación de métodos de registro propuesta por Maintz [1998] utiliza las siguientes categorías:
II.5. Regstro de mágenes médcas El regstro es la determnacón de una transformacón geométrca de los puntos en una vsta de un objeto con los puntos correspondentes en otra vsta del msmo objeto o en otro
Más detallesEconomía de la Empresa: Financiación
Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se
Más detallesSoftware de bloqueo automático de páginas web que incitan a la violencia a través de un algoritmo híbrido de aprendizaje computacional* 1
Software de bloqueo automátco de págnas web que nctan a la volenca a través de un algortmo híbrdo de aprendzaje computaconal* Auto lock software web pages ncte volence through a hybrd computatonal learnng
Más detallesINSYS Advanced Dashboard for Enterprise
Enterprse Enterprse INSYS Advanced Dashboard for Enterprse Enterprse, es un tablero de control para llevar a cabo la Gestón de la Segurdad de la Informacón, Gestón de Gobernabldad, Resgo, Cumplmento (GRC)
Más detallesProgramación entera, el método del árbol de cubos, su algoritmo paralelo y sus aplicaciones
Programacón entera, el método del árbol de cubos, su algortmo paralelo y sus aplcacones Dr. José Crspín Zavala Díaz, Dr. Vladmr Khachaturov 2 Facultad de Contabldad, Admnstracón e Informátca, jc_zavala2002@yahoo.com
Más detallesTEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS.
GESTIÓN FINANCIERA. TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS. 1.- Funconamento de las cuentas bancaras. FUNCIONAMIENTO DE LAS CUENTAS BANCARIAS. Las cuentas bancaras se dvden en tres partes:
Más detalles1.1 Ejercicios Resueltos Tema 1
.. EJERCICIOS RESUELTOS TEMA. Ejerccos Resueltos Tema Ejemplo: Probarque ++3+ + n 3 + 3 +3 3 + + n 3 n (n +) Ã n (n +)! - Para n es certa, tambén lo comprobamos para n, 3,... ( + ) + 3 (+) supuesto certa
Más detallesMultiobjetivo para Optimizar un Ambiente Job Shop
Informacón Tecnológca Una Vol. 23(1), Metodología 35-46 (2012) Multobetvo para Optmzar un Ambente Job Shop do: 10.4067/S0718-07642012000100005 Ruz Una Metodología Multobetvo para Optmzar un Ambente Job
Más detallesEstudio de un sistema de reconocimiento biométrico mediante firma manuscrita online basado en SVM usando Análisis Formal de Conceptos
Estudo de un sstema de reconocmento bométrco medante frma manuscrta onlne basado en SVM usando Análss Formal de Conceptos Ator Mendaza Ormaza 1, Oscar Mguel Hurtado 1, Raúl Sánchez Rello 1, Francsco Valverde
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17
Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES
Más 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 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 detallesUNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA ELECTRICA
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA ELECTRICA INCORPORACION DE LOS CONJUNTOS DIFUSOS PARA MODELAR INCERTIDUMBRES EN LOS SISTEMAS ELECTRICOS DE POTENCIA
Más detallesTema 7: Variables Ficticias
Tema 7: Varables Fctcas Máxmo Camacho Máxmo Camacho Econometría I - ADE+D /2 - Tema 7 Varables fctcas Bloque I: El modelo lneal clásco r Tema : Introduccón a la econometría r Tema 2: El modelo de regresón
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesSegmentación de Imágenes mediante Reconocimiento de Patrones
Equaton Chapter 1 Secton 1 Materal del Curso Segmentacón de Imágenes medante Reconocmento de Patrones Ing. Dego Sebastán Comas Dr. Gustavo Javer Meschno Curso: Segmentacón de Imágenes medante Reconocmento
Más detalles