Un nuevo modelo formal de agregación difusa para máquinas vectores soporte multicategoría uno frente a uno
|
|
- Julio Mendoza Torregrosa
- hace 8 años
- Vistas:
Transcripción
1 Un nuevo modelo formal de agregación difusa para máquinas vectores soporte multicategoría uno frente a uno J.M. Puche puche@decsai.ugr.es J.M. Benítez J.M.Benitez@decsai.ugr.es J.L. Castro castro@decsai.ugr.es C.J. Mantas cmantas@decsai.ugr.es Resumen Inicialmente, las máquinas de vectores soporte (SVMs 1 ) se diseñaron para resolver problemas de clasificación binaria. Sin embargo, gran cantidad de problemas reales de clasificación no son binarios sino multicategoría. Este artículo se centra en el conjunto de técnicas que extienden estas máquinas para resolver problemas multicategoría utilizando clasificación de clases por parejas y que aprovechan los resultados de la Teoría de Conjuntos Difusos para mejorar su rendimiento e interpretabilidad. Palabras Clave: Máquinas vectores soporte, clasificación multicategoría, agregación difusa. 1. Introducción Las máquinas de vectores soporte (SVMs) surgen como un paradigma de aprendizaje dedicado a la resolución de problemas de clasificación. Su buena capacidad de generalización es debido a que el modelo se fundamenta en una sólida base matemática, la Teoría de Aprendizaje Estadístico o Teoría de Vapnik Chervonenkis [20]. Inicialmente, una SVM permitía resolver problemas de clasificación binaria. Su extensión para resolver problemas de clasificación multicategoría no es única y se considera un campo activo de investigación. A grandes rasgos, podemos subdividir los métodos para extender este modelo a la resolución de problemas multicategoría en cinco grandes grupos: 1 Término en inglés, Support Vector Machine. En primer lugar, tenemos un conjunto de métodos que se basa en resolver un único problema de optimización que tiene en cuenta todos los datos y clases a la vez [7, 16, 21] (AO 2 ). La aproximación más clásica [20] consiste en reducir el problema multicategoría a resolver un conjunto de problemas binarios, considerando clasificadores binarios que separan los datos de una clase frente a los del resto de clases (OvA 3 ). Al igual que en el caso anterior, el problema multiclase se reduce a resolver un conjunto de problemas binarios, pero en esta ocasión y a diferencia del caso anterior, cada uno de los clasificadores binarios es del tipo uno frente a uno [14] o lo que es igual, considerando un clasificador binario por cada pareja de clases (PWC 4 ). Métodos basados en obtener la distribución de probabilidad subyacente de los conjuntos de datos [22, 23]. Formalmente, para que estos métodos puedan aplicarse se deben cumplir una serie de hipótesis iniciales que no siempre son sencillas de verificar. Por último, [9] se aplica por primera vez la técnica de codificación de la salida de códigos de error (ECOC 5 ) a la resolución de problemas multicategoría. Posteriormente, en [3] se describe una generalización de la técnica anterior (añade un nuevo símbolo) que permite representar todas las posibles divisiones binarias del problema multicategoría. En concreto, la manera de disponer los datos en meta clases para entrenar clasificadores binarios se corresponde con la codificación de clases que se utiliza en ECOC. Por otro lado, las diversas técnicas OvA y PWC para, a partir de las salidas 2 Término en inglés, all-at-once. 3 Término en inglés, one-versus-all. 4 Término en inglés, pairwise classification o all-pairs. 5 Término en inglés, error correcting output code.
2 de los clasificadores binarios, obtener la clase final para un ejemplo se corresponderían con técnicas de descodificación. Gran parte de los métodos anteriores son ampliamente revisados en [11, 18]. Cuando se extienden las SVMs a problemas multicategoría utilizando OvA o PWC pueden aparecer regiones sin clasificar, en estas regiones se requieren reglas de desempate que nos permitan realizar la clasificación de los datos que caen en su interior. Abe e Inoue fueron los pioneros en introducir el uso de conceptos de lógica difusa en los modelos de SVMs para multicategoría para evitar las regiones sin clasificar tanto utilizando técnicas OvA como PWC. El rendimiento y validez de sus modelos se muestra en [2, 12, 13]. En este artículo, nos centramos en los métodos PWC para SVMs multicategoría. A pesar de esto nuestra propuesta también se puede aplicar a OvA, como se hizo en [12] Objetivos Nuestro objetivo es proponer un modelo difuso para PWC SVMs multicategoría que extienda el modelo difuso de Abe e Inoue [2] que utiliza el operador mínimo, partiendo de que una clase es rechazada utilizando únicamente la información existente en su contra, en los puntos siguientes: Obteniendo grados de pertenencia para las clases que pertenezcan al intervalo unidad, lo cual es un un estándar en el área de la Teoría de Conjuntos Difusos (FST 6 ). Esto no ocurre con el modelo de Abe et. al. Una clase es rechazada teniendo en cuenta toda la información existente en su contra. Utilizaremos el operador suma aritmética para realizar la agregación de dicha información. En este sentido, nuestro modelo generaliza al propuesto por Abe e Inoue que aplica el operador mínimo. Como veremos en determinados casos esto permite aumentar el rendimiento de estos métodos Estructura del trabajo Este artículo se divide en las siguientes secciones. A continuación en la Sección 2.1, motivaremos el modelo que presentamos en este artículo para seguidamente comenzar la descripción del mismo en la Sección Término en inglés, Fuzzy Set Theory. Continuamos en la Sección 3 con un análisis empírico que muestra el buen rendimiento del método que proponemos. Finalmente, expondremos algunas conclusiones así como trabajo futuro. 2. Modelo difuso para la agregación de clasificadores uno frento a uno 2.1. Motivación En la aproximación convencional un problema multiclase con K clases es resuelto convirtiéndolo en K problemas de clasificación binarios. En cada uno de los cuales, los datos pertenecientes a la clase i-ésima son separados de las restantes clases. Kressel [14] convierte un problema multiclase con K clases en K(K 1)/2 problemas de clasificación binaria, a este esquema se le denomina PWC. Sea P un problema multicategoría con K clases a resolver utilizando PWC SVMs. Al clasificar un dato podemos distinguir los dos escenarios siguientes: 1. Hay una clase con K 1 votos positivos a su favor. 2. Todas las clases tienen al menos un voto en contra. Este último escenario de aquí en adelante lo vamos a considerar el caso problemático. A continuación, vamos a describir brevemente los principales métodos PWC con sus ventajas y desventajas: Recuento de votos. Un dato que se evalúa pertenece a la clase que sume mayor número de votos positivos. Una clase i se dice que obtiene un voto positivo cuando una de las SVMs binarias que clasifican esta clase frente a cualquiera de las clases restante responda que es de clase i. Sea un hiperplano que clasifica los datos de la clase i frente a los datos de la clase j, un voto negativo para la clase i significa que el hiperplano ha clasificado el dato perteneciente a la clase j. Al usar esta técnica de recuento de votos pueden aparecer regiones sin clasificar. Estas regiones aparecen cuando un conjunto de clases tienen el mismo número máximo de votos positivos. Ésta es una desventaja de este método. DDAG. Para resolver el problema de las regiones sin clasificar y aliviar el coste computacional de evaluar K (K 1)/2 SVMs binarias (estamos suponiendo un problema multiclase con K clases), Platt et al. propusieron aplicar el algoritmo DDAG. Este método clasifica un ejemplo en K 1 pasos. En cada etapa, utiliza una frontera de decisión
3 que clasifica los datos de la clase i frente a los de la clase j, de forma que tras evaluar dicha SVM binaria una de las dos clases es descartada. Si la SVM binaria indica que el dato pertenece a la clase i, entonces el algoritmo DDAG descarta la clase j. Desde este punto de vista, este método se basa en el uso de la información negativa proporcionada por las SVMs binarias para obtener la clase final para un dato a clasificar. La desventaja de esta técnica se produce cuando todas las clases tienen al menos un voto en contra. En este caso, los datos que se encuentran en estas regiones se clasifican siguiendo un proceso no determinístico, el cual depende de la estructura del DAG [1]. Fuzzy Pairwise SVM (FPWSVM). Este método también se propone para resolver las regiones sin clasificar. El modelo propuesto por Abe e Inoue [2] tiene en cuenta la fuerza de la salida continua de cada función de decisión asociada a cada clase para calcular a partir de la misma un grado de pertenencia no estándar del dato a cada clase. Si el dato pertenece al caso problemático, FPWSVM considera la cantidad de información negativa que proporciona la función de decisión para obtener la clase para el dato evaluado, al igual que hace el método DDAG. Al tener en cuenta la fuerza de dicha información negativa evita el problema del DDAG para los datos en la región problemática, asignándoles una clase siguiendo un proceso determinístico. El modelo difuso que se propone no es estándar, ya que los grados de pertenencia para las clases pertenecen al intervalo (, 1]. Mientras que en Teoría de Conjuntos Difusos (FST), los grados de pertenencia caen en el intervalo unidad. El grado de pertenencia a una clase de un dato se obtiene agregando los grados de pertenencia que se obtienen de cada función de decisión utilizando el operador del mínimo min o de la media aritmética avg. El operador de la media aritmética tiene un comportamiento inestable [2, 19] en las Fuzzy Pairwise Least Square SVMs. Cuando se utiliza el operador min, este modelo solamente considera la fuerza del voto más negativo para clasificar el dato. Esta aproximación en ciertas situaciones no funciona correctamente, ya que ignora la restante información negativa para decidir si se descarta o no una clase. Para superar las desventajas de los métodos anteriores, proponemos un nuevo modelo que auna los puntos fuertes de los modelos anteriores: Del recuento de votos toma el agregar la información utilizando el operador suma. Del algoritmo DDAG utiliza la idea de usar las funciones de decisión de las SVMs binarias para rechazar una clase. Finalmente, del modelo FPWSVM coge el tener en consideración el grado de la salida de las funciones de decisión. Eso sí, sin compartir sin puntos débiles: Recuento de votos: Las regiones sin clasificar que surgían cuando un conjunto de clases tenían el mismo número máximo de votos positivos. DDAG: Los datos pertenecientes a la región problemática eran clasificados siguiendo un proceso no determinístico. FPWSVM utilizan el operador de min: Los datos en la región problemática se clasificaban teniendo en cuenta no solamente el grado del voto más negativo para cada clase Formalización de la agregación difusa Tal y como se ha comentado en la Sección 2.1, nuestro modelo difuso para PWC utilizando SVMs (FPSVM) se basa en utilizar el grado de los votos negativos para rechazar clases. Además, proponemos agregar este grado de los votos negativos utilizando el operador suma. Para evitar el efecto de los votos positivos, siguiendo la filosofía marcada por el FPWSVM con el operador min descrito anteriormente, utilizamos la siguiente función T sobre la salida continua de cada una de las SVMs binarias: { 0 para x 0, T(x) = (1) x en cualquier otro caso. Esta función transforma los grados de los votos positivos al elemento neutro del operador suma, de esta manera, la decisión para rechazar o no una clase se toma utilizando únicamente la información proveniente de los votos en contra de dicha clase. La clasificación de un dato x se realiza como sigue: clase(x) = arg máx { T(H ij (x))}. (2) i=1,...,k j=1,...,k j i Tal y como se puede deducir de (2), la clase final a la que se asigna x es aquella que tiene menos información en su contra, tal y como dijimos en la Sección 2.1.
4 Para mejorar la interpretabilidad de los resultados, procedemos a emborronar el grado de cada uno de los votos. De esta forma obtenemos para cada clase un grado de pertenencia en el intervalo unidad, lo cual hace que el modelo sea más interpretable para un usuario externo que lo utilice. Esto se debe a que cuando se predice la clase de un dato, el usuario puede saber con facilidad en qué medida pertenece el dato a cada clase, gracias a que el rango de pertenencia está en el intervalo unidad. A continuación, proporcionamos un modelo difuso para PWC aplicado a SVMs multiclase: En primer lugar, proponemos utilizar la siguiente función de pertenencia para emborronar la cantidad total de información en contra de una determinada clase: µ(x) = exp( 2x). (3) Al utilizar la función de pertenencia definida arriba, conseguimos que el grado de pertenencia de los ejemplos a cada clase caiga dentro del intervalo [0, 1]. Éste es el rango típico para los grados de pertenencia en FST. Ya que (3) es continua y estrictamente creciente, la clasificación que se obtiene aplicando la regla del máximo descrita en (2) y la presentada a continuación son equivalentes: clase(x) = arg máx i=1,...,k µ T(H ij (x)). j=1,...,k j i (4) Si aplicamos el concepto de f-dualidad [4], la sumatoria presente en (4) que agrega la información negativa para cada clase puede descomponerse como sigue: clase(x) = arg máx { j=1,...,k µ(t(h ij (x)))}. i=1,...,k j i (5) donde el operador se define como en [17]: a b = ab 1 + (1 a)(1 b), (6) con a, b [0, 1]. Este operador es una t-norma de la familia de Hamacher [8, 10, 15]. El modelo difuso presentado para PWC aplicado a SVMs multiclase tiene las siguientes características: 1. De cada hiperplano que separa los datos de la clase i de los correspondientes a la clase j aplicando (3) obtenemos un grado de pertenencia del dato a cada una de las clases que separa. 2. Para cada clase i vamos a tener K 1 grados de pertenencia diferentes (teniendo en cuenta un problema multicategoría con K clases), estos K 1 grados son agregados utilizando el operador definido en (6). Como resultado, obtenemos un grado de pertenencia en el intervalo unidad para el dato a clasificar y para cada clase. 3. Finalmente, el dato se asigna a aquella clase que tenga el grado de pertenencia máximo. A pesar de que el modelo aquí presentado se ha aplicado únicamente a SVMs, en general, la filosofía presentada puede adaptarse para ser utilizada en cualquier otro clasificador que utilice PWC y que proporcione una salida tanto en R como en el intervalo unidad. 3. Análisis experimental Para mostrar la validez de nuestra propuesta hemos realizado un estudio experimental utilizando cuatro problemas del mundo real extraídos del repositorio de la UCI [5]. Comparamos el rendimiento de nuestra propuesta con los dos modelos siguientes: DDAG y FPWSVM con operador min. Los problemas seleccionados corresponden a los siguientes conjuntos de datos: satimage, segment, vehicle y glass. A continuación, detallamos cómo hemos seleccionado el conjunto de parámetros para las SVMs: satimage. Este conjunto de datos está dividido en dos partes: entrenamiento y prueba. Para ajustar correctamente los parámetros de la SVM, a su vez, hemos muestreado de manera independiente y uniformemente distribuida los datos de la partición de entrenamiento, en una nueva partición de entrenamiento y otra de validación. Los porcentajes asignados a cada una son aproximadamente el 70% y 30%, respectivamente, de los datos de la partición de entrenamiento inicial. Para cada conjunto de parámetros considerado se ha entrenado una SVM con el 70% de los datos y el rendimiento del modelo obtenido se ha evaluado con el 30% restante. De esta forma, el conjunto de parámetros para la SVM que hemos seleccionado es aquél que proporciona el mejor rendimiento sobre esta partición de validación. Con este conjunto de parámetros entrenamos la SVM utilizando el conjunto de entrenamiento inicial al completo. Finalmente, el rendimiento que indicamos en la Tabla 2 es el porcentaje de aciertos del modelo obtenido al evaluarlo sobre la partición de prueba.
5 En segment, vehicle y glass para conseguir la SVM con un conjunto de parámetros lo más óptimo posible hemos aplicado una validación cruzada de 10 particiones sobre los conjuntos de datos iniciales. Los porcentajes de aciertos detallados en la Tabla 2 se corresponden con los mejores porcentajes en media obtenidos a partir de la validación cruzada de 10 particiones que se ha aplicado. Los atributos de entrada para todos los conjuntos de datos han sido escalados al intervalo [ 1, 1]. Para todas las SVMs binarias se ha utilizado un kernel gausiano: K(x i,x j ) = exp(γ x i,x j 2 ). Para obtener el mejor conjunto de parámetros se ha utilizado un esquema de rejilla con los siguientes conjuntos para los dos parámetros a optimizar: γ = {2 4, 2 3,...,2 10 } y C = {2 14, 2 13,...,2 2 }. El criterio de parada utilizado para detener el entrenamiento de las SVMs binarias optimizadas ha sido que la violación de las condiciones de Karush- Kahn-Tucker [20, 6] fuese menor que Para una información más detallada de los conjuntos de datos consultar [5]. La experimentación se ha ejecutado en un Pentium IV 2.4 GHz con 2GB de memoria principal bajo sistema operativo Fedora Core 4. La construcción de los métodos multicategoría comparados en los experimentos se ha realizado empleando la biblioteca LIBSVM [6]. Cuadro 1: Mejor conjunto de parámetros (C, γ) para cada modelo. Nombre DDAG Min satimage (2 4, 2 0 ) (2 4, 2 0 ) (2 4, 2 0 ) segment (2 12, 2 3 ) (2 12, 2 3 ) (2 12, 2 3 ) vehicle (2 9, 2 4 ) (2 9, 2 4 ) (2 9, 2 4 ) glass (2 11, 2 3 ) (2 11, 2 3 ) (2 11, 2 3 ) Cuadro 2: Comparativa utilizando kernel gausiano. Los mejores rendimientos medios en prueba aparecen resaltados en negrita. Nombre DDAG Min satimage 91,25 91,45 91,45 segment 97,61 97,74 97,74 vehicle 86,05 86,41 86,52 glass 72,89 73,83 74,76 4. Análisis de resultados Los tres métodos comparados tienen una habilidad de generalización similar. Hay que tener en cuenta que los métodos difieren en su comportamiento cuando un dato cae dentro de la región problemática. Para los puntos fuera de esta región los tres métodos proporcionan idéntico resultado de clasificación. Por tanto, las diferencias serán más o menos significativas dependiendo de la amplitud de dichas regiones y de que los datos en dicha región sigan una distribución concreta. Frente al mínimo se observa que nuestra propuesta mejora sus resultados en dos de los cuatro problemas. Si nos centramos en la región problemática, nuestra técnica alcanza un porcentaje de acierto del 70% y 71,4% en los problemas glass y vehicle, respectivamente. El porcentaje de aciertos para estos mismos problemas en la región problemática usando el operador del mínimo son del 50% y 57,1 %, respectivamente. Frente al método DDAG la diferencia de resultados de clasificación en la región problemática se hace mayor, ya que el porcentaje de acierto de esta técnica para los dos problemas considerados antes es del 30% y 28,6%, respectivamente. 5. Conclusiones y trabajo futuro En este artículo, hemos propuesto un modelo difuso para PWC SVMs multicategoría que extiende el modelo presentado por Abe e Inoue que utiliza el operador mínimo. Nuestra propuesta presenta las siguientes ventajas: El modelo difuso propuesto es estándar, ya que obtiene grados de pertenencia que caen en el intervalo unidad. Esto no ocurría en el modelo propuesto por Abe e Inoue. El proceso de clasificación de un dato sigue una filosofía clara que consiste en rechazar una clase teniendo en cuenta toda la información existente en su contra. Tal y como se observa en los resultados, esta filosofía para determinados problemas permite mejorar el rendimiento de clasificación en la región problemática. Hemos realizado un análisis experimental donde se muestra la validez de nuestra propuesta frente a una técnica estándar como el DDAG y frente al modelo difuso que propone Abe e Inoue. Del análisis de los resultados se extrae que el considerar toda la información en contra de una clase para rechazarla es interesante para mejorar los resultados de clasificación para los datos que están dentro de la región problemática. Agradecimientos El presente trabajo de investigación ha sido subvencionado parcialmente por el Ministerio de Educación
6 y Ciencia, así como por el Ministerio de Ciencia y Tecnología a través de los proyectos TIC y TIN , respectivamente. Referencias [1] S. Abe. Analysis of multiclass support vector machines. In Proceedings of International Conference on Computational Intelligence for Modelling Control and Automation (CIMCA 2003), pages , Viena(Austria) - February [2] S. Abe and T. Inoue. Fuzzy support vector machines for multiclass problems. In Proceedings of European Symposium on Artificial Neural Networks (ESANN 2002), pages , Bruges(Belgium) April [3] E.L. Allwein, R.E. Shapire, and Y. Singer. Reducing multiclass to binary: A unifying approach for margin classifiers. Journal of Machine Learning Research, 1: , [4] J.M. Benítez, J.L. Castro, and I. Requena. Are artificial neural networks black boxes? IEEE Transactions on Neural Networks, 8(5): , [5] C. L. Blake and C. J. Merz. (1998). UCI Repository of machine learning databases. univ. california, dept. inform. comput. sci., irvine, ca. [Online] mlearn/mlsummary.html. [6] C. Chang and C. Lin. LIBSVM: a library for support vector machines, Software available at cjlin/libsvm. [7] K. Crammer and Y. Singer. On the algorithmic implementation of multiclass kernel-based vector machines. Journal of Machine Learning Research, 2(Diciembre): , [8] M. Detyniecki. Mathematical aggregation operator and their application to video querying. Doctoral thesis research report , Laboratoire d Informatique de Paris, [9] Thomas G. Dietterich and Ghulum Bakiri. Solving multiclass learning problems via errorcorrecting output codes. Journal of Artificial Intelligence Research, 2: , [10] H. Hamacher. Uber logische Aggregationen nichtbinar explizierter Entscheidungs-kriterien. Rita G. Fischer Verlag, Frankfurt, [11] C. Hsu and C. Lin. A comparison of methods for multiclass support vector machines. Neural Networks, IEEE Transactions on, 13(2): , March [12] T. Inoue and S. Abe. Fuzzy support vector machines for pattern classification. In Proceedings of International Joint Conference on Neural Networks (IJCNN 01), volume 2, pages , July [13] T. Kikuchi and S. Abe. Comparison between error correcting output codes and fuzzy support vector machines. Pattern Recognition Letter, 26: , [14] U.H.-G. Kressel. Pairwise classification and support vector machines. In C.J.C. Burges B. Scholkopf and A.J.Smola, editors, Advance in Kernel Methods, Chapter 15, pages The MIT Press, Cambridge, MA, [15] L.I. Kuncheva. Fuzzy classifier design. Studies in Fuzziness and Soft Computing, Physica-Verlag, [16] Y. Lee, Y. Lin, and G. Wahba. Multicategory support vector machines. In Proceedings of the 33rd Symposium on the Interface, [17] C.J. Mantas. T-norms and t-conorms in multilayer perceptrons. In Proceedings of the Joint 4th EUSFLAT and 11th LFA Conference (EUSFLAT-LFA 2005), pages , Barcelona(Spain) September [18] R. Rifkin and A. Klautau. In defense of one-vsall classification. Journal of Machine Learning Research, 5: , [19] D. Tsujinishi and S. Abe. Fuzzy least squares support vector machines for multiclass problems. Neural Networks, 16(5 6): , [20] V. Vapnik. Statistical Learning Theory. John Wiley and Sons Inc. New York, [21] J. Weston and C. Watkins. Multi-class support vector machines. Technical Report CSD-TR-98-04, Royal Holloway, University of London, Department of Computer Science, [22] T.F. Wu, C.J. Lin, and R.C. Weng. Probability estimates for multi-class classification by pairwise coupling. Journal of Machine Learning Research, 5(Agosto): , [23] B. Zadrozny. Reducing multiclass to binary by coupling probability estimates. In Proceedings of NIPS, 2001.
MÁQUINA DE VECTORES DE SOPORTE
MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas
Más detallesIndicaciones específicas para los análisis estadísticos.
Tutorial básico de PSPP: Vídeo 1: Describe la interfaz del programa, explicando en qué consiste la vista de datos y la vista de variables. Vídeo 2: Muestra cómo crear una base de datos, comenzando por
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones
Más detallesby Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true
by Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true I. FUNDAMENTOS 3. Representación de la información Introducción a la Informática Curso de Acceso a la Universidad
Más detallesTEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones.
TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. La herramienta que nos indica si el proceso está o no controlado o Estado de Control son
Más detallesRepresentación de números enteros: el convenio signo y magnitud
Representación de números enteros: el convenio signo y magnitud Apellidos, nombre Martí Campoy, Antonio (amarti@disca.upv.es) Departamento Centro Informàtica de Sistemes i Computadors Escola Tècnica Superior
Más detallesQUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA. La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros.
QUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros. Qué significa esto? Decir que una empresa es eficiente es decir que no
Más detallesPráctica 11 SVM. Máquinas de Vectores Soporte
Práctica 11 SVM Máquinas de Vectores Soporte Dedicaremos esta práctica a estudiar el funcionamiento de las, tan de moda, máquinas de vectores soporte (SVM). 1 Las máquinas de vectores soporte Las SVM han
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesEcuaciones de primer grado con dos incógnitas
Ecuaciones de primer grado con dos incógnitas Si decimos: "las edades de mis padres suman 120 años", podemos expresar esta frase algebraicamente de la siguiente forma: Entonces, Denominamos x a la edad
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detalles1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1
5.1.3 Multiplicación de números enteros. El algoritmo de la multiplicación tal y como se realizaría manualmente con operandos positivos de cuatro bits es el siguiente: 1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0
Más detallesUnidad I. 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal)
Unidad I Sistemas numéricos 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal) Los computadores manipulan y almacenan los datos usando interruptores electrónicos que están ENCENDIDOS o APAGADOS.
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detallesTema 3. Espacios vectoriales
Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición
Más detallesANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS
ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se
Más detallesSISTEMAS DE NUMERACIÓN. Sistema decimal
SISTEMAS DE NUMERACIÓN Sistema decimal Desde antiguo el Hombre ha ideado sistemas para numerar objetos, algunos sistemas primitivos han llegado hasta nuestros días, tal es el caso de los "números romanos",
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesRedes de Kohonen y la Determinación Genética de las Clases
Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados
Más detallesModificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere.
UNIVERSIDAD DE CARABOBO FACULTAD DE CIENCIA Y TECNOLOGÍA DIRECCION DE EXTENSION COORDINACION DE PASANTIAS Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere. Pasante:
Más detallesANALIZANDO GRAFICADORES
ANALIZANDO GRAFICADORES María del Carmen Pérez E.N.S.P.A, Avellaneda. Prov. de Buenos Aires Instituto Superior del Profesorado "Dr. Joaquín V. González" Buenos Aires (Argentina) INTRODUCCIÓN En muchos
Más detallesAproximación local. Plano tangente. Derivadas parciales.
Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación
Más detallesCOMPARACIÓN DE ÁREAS DE FIGURAS POR ESTUDIANTES DE PRIMERO DE MAGISTERIO
COMPARACIÓN DE ÁREAS DE FIGURAS POR ESTUDIANTES DE PRIMERO DE MAGISTERIO Sonia Aguilera Piqueras y Pablo Flores Martínez Departamento de Didáctica de la Matemática Universidad de Granada 1. Introducción
Más detallesMódulo 9 Sistema matemático y operaciones binarias
Módulo 9 Sistema matemático y operaciones binarias OBJETIVO: Identificar los conjuntos de números naturales, enteros, racionales e irracionales; resolver una operación binaria, representar un número racional
Más detallesSubespacios vectoriales en R n
Subespacios vectoriales en R n Víctor Domínguez Octubre 2011 1. Introducción Con estas notas resumimos los conceptos fundamentales del tema 3 que, en pocas palabras, se puede resumir en técnicas de manejo
Más detallesTema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detallesa < b y se lee "a es menor que b" (desigualdad estricta) a > b y se lee "a es mayor que b" (desigualdad estricta)
Desigualdades Dadas dos rectas que se cortan, llamadas ejes (rectangulares si son perpendiculares, y oblicuos en caso contrario), un punto puede situarse conociendo las distancias del mismo a los ejes,
Más detallesMineria de datos y su aplicación en web mining data Redes de computadores I ELO 322
Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción
Más detallesFunciones, x, y, gráficos
Funciones, x, y, gráficos Vamos a ver los siguientes temas: funciones, definición, dominio, codominio, imágenes, gráficos, y algo más. Recordemos el concepto de función: Una función es una relación entre
Más detallesMateria: Informática. Nota de Clases Sistemas de Numeración
Nota de Clases Sistemas de Numeración Conversión Entre Sistemas de Numeración 1. EL SISTEMA DE NUMERACIÓN 1.1. DEFINICIÓN DE UN SISTEMA DE NUMERACIÓN Un sistema de numeración es un conjunto finito de símbolos
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesUNIDAD 1. LOS NÚMEROS ENTEROS.
UNIDAD 1. LOS NÚMEROS ENTEROS. Al final deberás haber aprendido... Interpretar y expresar números enteros. Representar números enteros en la recta numérica. Comparar y ordenar números enteros. Realizar
Más detallesPREPROCESADO DE DATOS PARA MINERIA DE DATOS
Ó 10.1007/978-3-319-02738-8-2. PREPROCESADO DE DATOS PARA MINERIA DE DATOS Miguel Cárdenas-Montes Frecuentemente las actividades de minería de datos suelen prestar poca atención a las actividades de procesado
Más detallesSVM: Máquinas de Vectores Soporte. Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid
SVM: Máquinas de Vectores Soporte Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Contenido 1. Clasificación lineal con modelos lineales 2. Regresión
Más detalles342 SOBRE FORMAS TERNARIAS DE SEGUNDO GRADO.
342 SOBRE FORMAS TERNARIAS DE SEGUNDO GRADO. ALGUNAS APLICACIONES A LA TEORIA DE LAS FORMAS BINARIAS. Encontrar una forma cuya duplicación produce una forma dada del género principal. Puesto que los elementos
Más detallesApuntes de Matemática Discreta 9. Funciones
Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y
Más detallesCapítulo 1: Sistemas de representación numérica Introducción. Dpto. de ATC, Universidad de Sevilla - Página 1 de 8
Dpto. de ATC, Universidad de Sevilla - Página de Capítulo : INTRODUCCIÓN SISTEMAS DE REPRESENTACIÓN NUMÉRICA Introducción Bases de numeración Sistema decimal Sistema binario Sistema hexadecimal REPRESENTACIÓN
Más detallesDESCRIPCIÓN DE LA METODOLOGÍA UTILIZADA EN EL PROGRAMA DE CESTAS REDUCIDAS ÓPTIMAS
DESCRIPCIÓN DE LA METODOLOGÍA UTILIZADA EN EL PROGRAMA DE CESTAS REDUCIDAS ÓPTIMAS Replicar un índice Formar una cartera que replique un índice (o un futuro) como el IBEX 35, no es más que hacerse con
Más detallesLos sistemas de numeración se clasifican en: posicionales y no posicionales.
SISTEMAS NUMERICOS Un sistema numérico es un conjunto de números que se relacionan para expresar la relación existente entre la cantidad y la unidad. Debido a que un número es un símbolo, podemos encontrar
Más detallesMatrices equivalentes. El método de Gauss
Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar
Más detallesGeneración de números aleatorios
Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad
Más detallesUNIDAD Nº 1: 1. SISTEMAS DE NUMERACION. Formalizado este concepto, se dirá que un número X viene representado por una cadena de dígitos:
UNIDAD Nº 1: TECNICATURA EN INFORMATICA UNLAR - CHEPES 1.1. INTRODUCCION 1. SISTEMAS DE NUMERACION El mundo del computador es un mundo binario. Por el contrario, el mundo de la información, manejada por
Más detallesEjercicio de estadística para 3º de la ESO
Ejercicio de estadística para 3º de la ESO Unibelia La estadística es una disciplina técnica que se apoya en las matemáticas y que tiene como objetivo la interpretación de la realidad de una población
Más detallesUnidad 6 Cálculo de máximos y mínimos
Unidad 6 Cálculo de máimos y mínimos Objetivos Al terminar la unidad, el alumno: Utilizará la derivada para decidir cuándo una función es creciente o decreciente. Usará la derivada para calcular los etremos
Más detallesMedia vs mediana vs moda Cual medida de tendencia central es mas adecuada? MEDIA conveniencias:
Iniciar con las interpretaciones de las medidas MEDIA VS MEDIANA VS MODA CUAL ES LA MEDIDA ADECUADA TAREA MEDIA PONDERADA Actividad de Medidas de Localización Problema 1. El problema de las tasas de delito.
Más detallesBase de datos en Excel
Base de datos en Excel Una base datos es un conjunto de información que ha sido organizado bajo un mismo contexto y se encuentra almacenada y lista para ser utilizada en cualquier momento. Las bases de
Más detallesCAPÍTULO VI PREPARACIÓN DEL MODELO EN ALGOR. En este capítulo, se hablará acerca de los pasos a seguir para poder realizar el análisis de
CAPÍTULO VI PREPARACIÓN DEL MODELO EN ALGOR. En este capítulo, se hablará acerca de los pasos a seguir para poder realizar el análisis de cualquier modelo en el software Algor. La preparación de un modelo,
Más detallesDeterminación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones
Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Introducción Las Compañías aseguradoras determinan sus precios basadas en modelos y en información histórica
Más detallesFuncionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net
2012 Funcionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net Servinet Sistemas y Comunicación S.L. www.softwaregestionproyectos.com Última Revisión: Febrero
Más detallesCadena de valor. Cadena de valor genérica. Actividades primarias. Actividades de apoyo Actividades primarias
Cadena de valor La cadena de valor habla del valor total que un consumidor está dispuesto a pagar por un producto o servicio dividiendo esto en actividades de valor que desempeña la empresa y el margen
Más detallesUnidad de trabajo 2: INFORMÁTICA BÁSICA (primera parte)
Unidad de trabajo 2: INFORMÁTICA BÁSICA (primera parte) Unidad de trabajo 2: INFORMÁTICA BÁSICA... 1 1. Representación interna de datos.... 1 1.2. Sistemas de numeración.... 2 1.3. Aritmética binaria...
Más detalles6 M. C. J. A G U S T I N F L O R E S A V I L A
2..- DEFINICION DE LIMITES. OBJETIVO.- Que el alumno conozca el concepto de Límite, comprenda la importancia que tiene este concepto en el Cálculo y adquiera habilidad en el cálculo de los Límites más
Más detalles1.4.- D E S I G U A L D A D E S
1.4.- D E S I G U A L D A D E S OBJETIVO: Que el alumno conozca y maneje las reglas empleadas en la resolución de desigualdades y las use para determinar el conjunto solución de una desigualdad dada y
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesÍNDICE DISEÑO DE CONTADORES SÍNCRONOS JESÚS PIZARRO PELÁEZ
ELECTRÓNICA DIGITAL DISEÑO DE CONTADORES SÍNCRONOS JESÚS PIZARRO PELÁEZ IES TRINIDAD ARROYO DPTO. DE ELECTRÓNICA ÍNDICE ÍNDICE... 1 1. LIMITACIONES DE LOS CONTADORES ASÍNCRONOS... 2 2. CONTADORES SÍNCRONOS...
Más detallesSistemas Digitales Ingeniería Técnica en Informática de Sistemas Curso 2006 2007 Aritmética binaria
Oliverio J. Santana Jaria 3. Aritmética tica binaria Sistemas Digitales Ingeniería Técnica en Informática de Sistemas Curso 2006 2007 Para Los La en conocer muchos aritmética comprender otros binaria tipos
Más detallesSistemas de Información Geográficos (SIG o GIS)
Sistemas de Información Geográficos (SIG o GIS) 1) Qué es un SIG GIS? 2) Para qué sirven? 3) Tipos de datos 4) Cómo trabaja? 5) Modelos de datos, Diseño Conceptual 6) GeoDataase (GD) 7) Cómo evaluamos
Más detallesGeneración de funciones lógicas mediante decodificadores binarios con salidas activas a nivel alto
Generación de funciones lógicas mediante decodificadores binarios con salidas activas a nivel alto Apellidos, nombre Martí Campoy, Antonio (amarti@disca.upv.es) Departamento Centro Informática de Sistemas
Más detallesLección 4: Suma y resta de números racionales
GUÍA DE MATEMÁTICAS II Lección : Suma y resta de números racionales En esta lección recordaremos cómo sumar y restar números racionales. Como los racionales pueden estar representados como fracción o decimal,
Más detallesConclusiones. Particionado Consciente de los Datos
Capítulo 6 Conclusiones Una de las principales conclusiones que se extraen de esta tesis es que para que un algoritmo de ordenación sea el más rápido para cualquier conjunto de datos a ordenar, debe ser
Más detallesProcesos Críticos en el Desarrollo de Software
Metodología Procesos Críticos en el Desarrollo de Software Pablo Straub AgileShift Imagine una organización de desarrollo de software que consistentemente cumple los compromisos con sus clientes. Imagine
Más detallesEstructuras de datos: Proyecto 2
Estructuras de datos: Proyecto 2 28 de mayo de 2013 Instrucciones Enviar las soluciones por email a los ayudantes, con copia a la profesora. Plazo de entrega: 16 de junio (durante todo el día). Se debe
Más detallesCONSULTAS DE RESUMEN SQL SERVER 2005. Manual de Referencia para usuarios. Salomón Ccance CCANCE WEBSITE
CONSULTAS DE RESUMEN SQL SERVER 2005 Manual de Referencia para usuarios Salomón Ccance CCANCE WEBSITE CONSULTAS DE RESUMEN Una de las funcionalidades de la sentencia SELECT es el permitir obtener resúmenes
Más detallesTema 2. Espacios Vectoriales. 2.1. Introducción
Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por
Más detalles21/02/2012. Agenda. Unidad Central de Procesamiento (CPU)
Agenda 0 Tipos de datos 0 Sistemas numéricos 0 Conversión de bases 0 Números racionales o Decimales 0 Representación en signo-magnitud 0 Representación en complemento Unidad Central de Procesamiento (CPU)
Más detallesINFLUENCIA DE SELECTIVIDAD EN LAS MATEMÁTICAS DE ECONOMÍA
INFLUENCIA DE SELECTIVIDAD EN LAS MATEMÁTICAS DE ECONOMÍA Juana María Vivo Molina Departamento de Métodos Cuantitativos para la Economía. Universidad de Murcia. jmvivomo@um.es RESUMEN En este trabajo se
Más detallesCOMO CONFIGURAR UNA MAQUINA VIRTUAL EN VIRTUALBOX PARA ELASTIX
COMO CONFIGURAR UNA MAQUINA VIRTUAL EN VIRTUALBOX PARA ELASTIX En este manual se presenta el proceso de configuración de una Maquina Virtual en VirtualBox, que será utilizada para instalar un Servidor
Más detalles1. MEDIDAS DE TENDENCIA CENTRAL
1. MEDIDAS DE TENDENCIA CENTRAL Lo importante en una tendencia central es calcular un valor central que actúe como resumen numérico para representar al conjunto de datos. Estos valores son las medidas
Más detallesConvergencia del ingreso per cápita en los países miembros del FLAR
Convergencia del ingreso per cápita en los países miembros del FLAR La convergencia macroeconómica, en un sentido amplio, puede definirse como el proceso a través del cual disminuyen las diferencias entre
Más detalles4º ESO 1. ECUAC. 2º GRADO Y UNA INCÓGNITA
4º ESO 1. ECUAC. 2º GRADO Y UNA INCÓGNITA Una ecuación con una incógnita es de segundo grado si el exponente de la incógnita es dos. Ecuaciones de segundo grado con una incógnita son: Esta última ecuación
Más detallesCapitulo V Administración de memoria
Capitulo V Administración de memoria Introducción. Una de las tareas más importantes y complejas de un sistema operativo es la gestión de memoria. La gestión de memoria implica tratar la memoria principal
Más detallesTABLA DE DECISION. Consideremos la siguiente tabla, expresada en forma genérica, como ejemplo y establezcamos la manera en que debe leerse.
TABLA DE DECISION La tabla de decisión es una herramienta que sintetiza procesos en los cuales se dan un conjunto de condiciones y un conjunto de acciones a tomar según el valor que toman las condiciones.
Más detallesDatos del autor. Nombres y apellido: Germán Andrés Paz. Lugar de nacimiento: Rosario (Código Postal 2000), Santa Fe, Argentina
Datos del autor Nombres y apellido: Germán Andrés Paz Lugar de nacimiento: Rosario (Código Postal 2000), Santa Fe, Argentina Correo electrónico: germanpaz_ar@hotmail.com =========0========= Introducción
Más detallesProbabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.
Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma
Más detallesLección 22: Probabilidad (definición clásica)
LECCIÓN 22 Lección 22: Probabilidad (definición clásica) Empezaremos esta lección haciendo un breve resumen de la lección 2 del libro de primer grado. Los fenómenos determinísticos son aquellos en los
Más detallesPRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES
PRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES Raúl Palma G. y Guillermo Bustos R. Escuela de Ingeniería Industrial Universidad Católica de Valparaíso Casilla
Más detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detallesESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos
Descargado desde www.medwave.cl el 13 Junio 2011 por iriabeth villanueva Medwave. Año XI, No. 2, Febrero 2011. ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos Autor:
Más detallesARREGLOS DEFINICION GENERAL DE ARREGLO
ARREGLOS DEFINICION GENERAL DE ARREGLO Conjunto de cantidades o valores homogéneos, que por su naturaleza se comportan de idéntica forma y deben de ser tratados en forma similar. Se les debe de dar un
Más detallesSEDO: SOFTWARE EDUCATIVO DE MATEMÁTICA NUMÉRICA. Lic. Maikel León Espinosa. mle@uclv.edu.cu
EDU082 Resumen SEDO: SOFTWARE EDUCATIVO DE MATEMÁTICA NUMÉRICA Lic. Maikel León Espinosa mle@uclv.edu.cu Departamento de Ciencia de la Computación Universidad Central Marta Abreu de Las Villas Carretera
Más detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los
Más detallesResumen. Funcionamiento. Advertencia
Resumen Módulo: Librería: IMPEXP.DLL Acoplable a: FactuCont 5, versiones monopuesto y red Descripción: Permite exportar datos de documentos, clientes, proveedores y artículos en un solo fichero para poder
Más detallesTema 3: Producto escalar
Tema 3: Producto escalar 1 Definición de producto escalar Un producto escalar en un R-espacio vectorial V es una operación en la que se operan vectores y el resultado es un número real, y que verifica
Más detallesPARTE 3 ECUACIONES DE EQUIVALENCIA FINANCIERA T E M A S
PARTE 3 ECUACIONES DE EQUIVALENCIA FINANCIERA Valor del dinero en el tiempo Conceptos de capitalización y descuento Ecuaciones de equivalencia financiera Ejercicio de reestructuración de deuda T E M A
Más detallesVII. Estructuras Algebraicas
VII. Estructuras Algebraicas Objetivo Se analizarán las operaciones binarias y sus propiedades dentro de una estructura algebraica. Definición de operación binaria Operaciones como la suma, resta, multiplicación
Más detallesINTRODUCCIÓN: LA FÍSICA Y SU LENGUAJE, LAS MATEMÁTICAS
INTRODUCCIÓN: LA FÍSICA Y SU LENGUAJE, LAS MATEMÁTICAS La física es la más fundamental de las ciencias que tratan de estudiar la naturaleza. Esta ciencia estudia aspectos tan básicos como el movimiento,
Más detallesEJERCICIOS RESUELTOS SOBRE ERRORES DE REDONDEO
EJERCICIOS RESUELTOS SOBRE ERRORES DE REDONDEO 1º) Considérese un número estrictamente positivo del sistema de números máquina F(s+1, m, M, 10). Supongamos que tal número es: z = 0.d 1 d...d s 10 e Responde
Más detallesEncuesta económica del sector de servicios profesionales y empresariales. Cálculo de Errores de Muestreo.
Encuesta económica del sector de servicios profesionales y empresariales. Cálculo de Errores de Muestreo. 1 INDICE 1. Introducción...3 2. Breve descripción de la encuesta...3 2.1 Definición...3 2.2 Diseño
Más detallesPrograma para el Mejoramiento de la Enseñanza de la Matemática en ANEP Proyecto: Análisis, Reflexión y Producción. Fracciones
Fracciones. Las fracciones y los números Racionales Las fracciones se utilizan cotidianamente en contextos relacionados con la medida, el reparto o como forma de relacionar dos cantidades. Tenemos entonces
Más detallesControl Estadístico de Procesos
Control Estadístico de Procesos Gráficos de Control Los gráficos de control o cartas de control son una importante herramienta utilizada en control de calidad de procesos. Básicamente, una Carta de Control
Más detallesINTRODUCCIÓN. El propósito de esta investigación es analizar la importancia que ha surgido en
INTRODUCCIÓN El propósito de esta investigación es analizar la importancia que ha surgido en los sistemas de costos ABC para las empresas de Servicios Mexicanas, ya que este sector forma una parte muy
Más detallesTrabajo lean (1): A que podemos llamar trabajo lean?
Trabajo lean (1): A que podemos llamar trabajo lean? Jordi Olivella Nadal Director de Comunicación del Instituto Lean Management Este escrito inicia una serie de artículos sobre la organización en trabajo
Más detallesRELOJ PRIMIGENIO. Un juego de apuestas, faroleo y press your luck de 3 a 5 jugadores.
RELOJ PRIMIGENIO Un juego de apuestas, faroleo y press your luck de 3 a 5 jugadores. - Materiales 1 Baraja Primigenia Estas reglas o una imagen para tener las cartas de referencia con las que se forma
Más detallesSISTEMA MEAN REVERSION RSI
SISTEMA MEAN REVERSION RSI Este sistema está basado en el sistema del mismo nombre del libro High Probability ETF trading de Larry Connors y Cesar Alvarez, páginas 25 a 36. Howard Bandy ha programado el
Más detallesANÁLISIS DESCRIPTIVO CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística ANÁLISIS DESCRIPTIVO CON SPSS 1.- INTRODUCCIÓN Existen dos procedimientos básicos que permiten describir las propiedades de las distribuciones:
Más detallesIntroducción. Ciclo de vida de los Sistemas de Información. Diseño Conceptual
Introducción Algunas de las personas que trabajan con SGBD relacionales parecen preguntarse porqué deberían preocuparse del diseño de las bases de datos que utilizan. Después de todo, la mayoría de los
Más detallesTema I. Sistemas Numéricos y Códigos Binarios
Tema I. Sistemas Numéricos y Códigos Binarios Números binarios. Aritmética binaria. Números en complemento-2. Códigos binarios (BCD, alfanuméricos, etc) Números binarios El bit. Representación de datos
Más detallesCharla No 3: Fórmulas de mayor uso.
1 Charla No 3: Fórmulas de mayor uso. Objetivos generales: Explicar el uso de las funciones de mayor uso en MS-Excel Objetivos específicos: Autosuma. Asistente de fórmulas. Max y Min. Buscarv Contar Si
Más detallesNaturaleza binaria. Conversión decimal a binario
Naturaleza binaria En los circuitos digitales sólo hay 2 voltajes. Esto significa que al utilizar 2 estados lógicos se puede asociar cada uno con un nivel de tensión, así se puede codificar cualquier número,
Más detalles