TESIS MAGÍSTER EN INGENIERÍA ELECTRÓNICA BOOSTING SUPPORT VECTOR MACHINES ELKIN EDUARDO GARCÍA DÍAZ COD
|
|
- Julián Espinoza Piñeiro
- hace 8 años
- Vistas:
Transcripción
1 TESIS MAGÍSTER EN INGENIERÍA ELECTRÓNICA BOOSTING SUPPORT VECTOR MACHINES ELKIN EDUARDO GARCÍA DÍAZ COD ASESOR FERNANDO LOZANO MARTÍNEZ PH.D. UNIVERSIDAD DE LOS ANDES FACULTAD DE INGENIERÍA MAESTRÍA EN INGENIRÍA ELÉCTRICA Y ELECTRÓNICA BOGOTÁ D.C. 005
2 TABLA DE CONTENIDO INTRODUCCIÓN... 3 MARCO TEÓRICO EL PROBLEMA DE CLASIFICACIÓN BINARIA HIPERPLANO SEPARADOR ÓPTIMO EN EL ESPACIO DE ENTRADA CASO SEPARABLE CASO NO SEPARABLE SUPPORT VECTOR MACHINES MAPEO DE KERNEL REPRODUCIDO TRUCO DEL KERNEL ESPACIOS DE HILBERT DE KERNEL REPRODUCIDO MAPEO DEL KERNEL DE MERCER EJEMPLOS DE KERNELS HIPERPLANO SEPARADOR ÓPTIMO EN EL ESPACIO DE CARACTERÍSTICAS CASO SEPARABLE CASO NO SEPARABLE C-SVM ν -SVM SOLUCIÓN DEL PROBLEMA DE PROGRAMACIÓN CUADRÁTICA ALGORITMOS DE BOOSTING CONCEPTOS PRELIMINARES ADABOOST BOOSTING SUPPORT VECTOR MACHINES SUPPORT VECTOR MACHINES CON DISTRIBUCIONES C -SVM CON DISTRIBUCIONES ν -SVM CON DISTRIBUCIONES HARD C -SVM CON DISTRIBUCIONES HARD ν -SVM CON DISTRIBUCIONES SUPPORT VECTOR MACHINES COMO ALGORITMO DÉBIL ALGORITMO BOOSTING SUPPORT VECTOR MACHINES (BSVM) PRUEBAS Y RESULTADOS EPERIMENTALES CONCLUSIONES BIBLIOGRAFÍA... 58
3 INTRODUCCIÓN En la vda cotdana el hobre se enfrenta frecuenteente con el problea de clasfcacón, tal es el caso de los caracteres escrtos, el reconocento de voz o el dagnóstco édco. Sn ebargo se ha probado en uchos casos que soluconar este tpo de probleas hacendo uso de un coputador presenta bastantes dfcultades []. Exsten dversas razones que conducen a que la resolucón de dchos probleas sea bastante coplea, entre ellas se encuentran:. El orgen de lo que se busca clasfcar (patrones): caracteres escrtos, síbolos, dbuos, ágenes boédcas, obetos trdensonales, fras, huellas dactlares, ágenes de Teledeteccón, croosoas, etc.. La fora adecuada de representar estos eleentos. 3. Los requerentos del sstea, especalente en tepo de respuesta, puesto que aunque algunos étodos sean superores en éxto, no son aplcables en la práctca dadas estas restrccones. 4. Factores econócos en especfcacones del sstea de adquscón de datos (sensores) o en equpos de procesaento uy potentes pueden dar resultados uy satsfactoros pero no pueden ser asudos por los usuaros. Dentro de las técncas de clasfcacón se destacan los árboles de decsón, las redes neuronales [] y las áqunas de vectores de soporte SVM [] por sus sglas en nglés (Support Vector Machnes). Estas últas han sdo desarrolladas recenteente basándose en la teoría estadístca de aprendzae de Vapnk [3] y han tendo gran éxto al ser aplcadas en la resolucón de probleas báscos de aprendzae supervsado (clasfcacón y regresón) y en probleas práctcos reales []. 3
4 MARCO TEÓRICO. EL PROBLEMA DE CLASIFICACIÓN BINARIA Sea un espaco de entrada, Y un espaco de etquetas y una dstrbucón sobre y dada S = x, y una secuenca { } = de eeplos etquetados donde cada x ndependentes e déntcaente dstrbudos de acuerdo a y cada y Y es asgnado de acuerdo a una regla posbleente estocástca. En este caso del problea clasfcacón bnaro se restrnge a {, } Y = +. Una regla de clasfcacón llaada hpótess, es una funcón que asgna una etqueta a cada eleento en el espaco de entrada. En el problea de clasfcacón bnara se tene que [ ], donde el sgno de ( ) h :, + asgnada a la nstanca h : Y h x es nterpretado coo la predccón de la etqueta a ser x, entras que la agntud h( x ) es nterpretada coo la confanza de esta predccón. Por otra parte una clase de hpótess copuesto por dferentes hpótess en el espaco de entrada. H es un conunto de hpótess El desepeño de una hpótess será evaluado utlzando el error de generalzacón R y el error epírco R ep defndos coo: { ( ) } ( ) ( ) ( ) R h = P sgn h x y (.) x, ~ y R h, S, D D I (.) ( ) = ( ) ( x) ep sgn( h ) y = Donde D es una dstrbucón dscreta sobre el conunto de uestras etquetadas y I es la funcón ndcadora. []. 4
5 . HIPERPLANO SEPARADOR ÓPTIMO EN EL ESPACIO DE ENTRADA Consdere una fala H de clasfcadores lneales sobre un espaco de entrada. Es decr clasfcadores de la fora hw, b x = sgn w, x + b donde w y b. ( ) ( ) S = x, con Se dce que un conunto de eeplos etquetados { y } = lnealente separable cuando exste un hw,b ( x) H tal que h,b( ) = y Adconalente, para un hperplano h ( ) { } x, y, + está defndo coo x y {, } y + es w x para todo x, y S. w,b x H, el argen geoétrco de un punto yh. w, b ρ w, b ( x, y ) = w Mentras que el argen geoétrco de un hperplano h w,b ( x ) sobre S está defndo coo, b, b =,..., ( x) ( y ) (.3) ρw = n ρw x, (.4).. CASO SEPARABLE En probleas lnealente separables, a partr del hperplano separador defndo por w y defnen hperplanos paralelos a éste de tal fora que en los puntos ás cercanos al hperplano ( y x para la Fgura.) se cupla que wx, + b =, esto se obtene reescalando de fora x adecuada ( w,b). b se A partr de esto se tene que w, ( x x ) =, entonces ( ) w, x x = w w, lo que sgnfca que para esta fora canónca de ( w,b) el argen es w coo se apreca en la Fgura. 5
6 { b} x < w, x> + =+ {, b} x < w x> + = x y = x w y =+ w { b} x < w, x> + = 0 Fgura. Hperplano canónco y defncón del argen geoétrco. Sn ebargo pueden exstr dferentes hperplanos que soluconan el problea, pero unos son eores que otros de acuerdo su argen, a ayor argen el hperplano es eor, coo se apreca en la Fgura. 6
7 (a) (b) w w Fgura. Problea lnealente separable y un posble hperplano separador. a) hperplano separador con bao argen. b) hperplano separador con alto argen. Entonces para un conunto de eeplos etquetados = { x, } = S y lnealente separables, se puede encontrar un clasfcador lneal con áxo argen y que no coeta errores resolvendo el sguente problea de optzacón con restrccones: n w, b τ ( w) ( wx ) s. a. y, + b para =,..., = w (.5) Para resolver este problea se ntroducen ultplcadores de Lagrange α 0 y el Lagrangano: L(, b, ) = α y(, + b = ( w α w w x ) ) (.6) A partr del Lagrangano, se pueden nzar las varables prales w y b o axzar las varables duales α. Por otra parte las condcones de Karush-Kuhn-Tucker (KKT) plcan que: y b ( b ) L w,, α = 0 (.7) 7
8 L w ( w b α),, = 0 (.8) Aplcando (.7) y (.8) a (.6) se obtene: α y = 0 (.9) = y w = α y x = (.0) Susttuyendo (.0) en (.6) se tene: L( w, b, α) = αyx, α yx α y α y, + b x x = = = = = α yα y x, x α yα y x, x b α y + = = = = = = = α yα y x, x bα y + α = = = = α Utlzando (.9) se llega a L( w, b, α ) = α α yα y x, x (.) = = = De (.) el planteaento del problea dual es ax W = α α yα y x, x α = ( α) sa.. α y = 0 = = = α 0 para =,..., (.) Tenendo en cuenta que ax f ( x ) es equvalente n ( ) x (.) en fora atrcal, el nuevo problea de optzacón es: f x y reforulando el problea x 8
9 T T n f ( α) = α Qα e α α T sa.. y α = 0 α 0 para =,..., (.3) donde Q = y y x, x Puede notarse que (.3) es un problea de prograacón cuadrátca, pues la funcón obetvo es cuadrátca y tene restrccones lneales. A partr de (.0) el hperplano separador ópto puede escrbrse coo h, b( ) = sgn yα, + b w x x x = (.4) Es de destacarse que este hperplano está en funcón de los datos con los que fue entrenado, sn ebargo la ayoría de los α son cero, dado que uy pocas restrccones de (.5) están actvas, con lo cual solo es funcón de los datos para los cuales los éstos son llaados vectores de soporte. Para hallar el valor del ubral ( y (, b) ) α son dferentes de cero, b, tenendo en cuenta que del Lagrangano se sabe que α wx + = 0 para todo =,..., se tene que, utlzando (.0) para los α > 0 αy x, x + b= y (.5) = De (.5), el ubral puede ser obtendo proedando b= y α y x, x (.6) = sobre todos los puntos con α > 0, es decr, los vectores de soporte... CASO NO SEPARABLE Cuando el problea no es lnealente separable, es nteresante encontrar un clasfcador con el íno error epírco sobre el conunto de eeplos etquetados. Sn ebargo el problea de 9
10 encontrar este clasfcador es NP-Hard [4]. Sn ebargo este problea puede ser alvado tenendo en cuenta el concepto de argen pasando por alto los puntos con algún argen postvo en el hperplano, en este caso el problea tene copledad polnoal. Por las razones expuestas anterorente para el caso no separable se puede plantear el sguente problea de optzacón [3],[5]: w, ξ, b ( w ξ) n τ, ( wx ) C = w + = sa.. y, + b ξ (.7) ξ 0 para =,..., ξ Donde conflcto: C 0 es una constante que controla el trade-off entre dos obetvos que entran en. Mnzar el error de entrenaento.. Maxzar el argen. En este caso cuando ξ = 0, no exste un argen de error, sn ebargo ξ > 0 plca que las clases se sobrelapan. Desafortunadaente, no se tene una fora a pror de selecconar el paráetro C, aunque coúnente se utlza C = 0. El procedento para resolver (.7) es slar al descrto para resolver (.5) coo se presenta a contnuacón. Se ntroducen ultplcadores de Lagrange α, β 0y el Lagrangano: ( ) C L( w, ξ, b, α, β) = w + ξ α y( w, x + b) + ξ βξ (.8) = = = A partr del Lagrangano, se pueden nzar las varables prales w, ξ y b o axzar las varables duales α,β. 0
11 Por otra parte las condcones de Karush-Kuhn-Tucker (KKT) plcan que: L( w, ξ, b, α, β ) = 0 b (.9) L( w, ξ, b, α, β) = 0 ξ (.0) y L( w, ξ, b, α, β) = 0 w (.) Aplcando (.9),(.0) y (.) a (.8) se obtene: α y = 0 (.) = α C + β = (.3) y w = α y x = (.4) Ahora, anpulando algebracaente (.8) se tene C L( w, ξ, b, α, β) = w + ξ α y w, x bα y + α αξ βξ = = = = = = ( w, ξ,, α, β) = ww, α wx, + α α + ξ( C α β ) L b y b y = = = = (.5) Utlzando (.) y (.3) en (.5) L( w, ξ, b, α, β) = ww, α y wx, + α (.6) = = Reeplazando (.4) en (.6) L( w, ξ, b, α, β ) = α α yα y x, x (.7) = = = Por otra parte α, β 0 y cobnado con (.3) se obtene
12 0 α C para =,..., (.8) Fnalente de (.7) y con las restrccones (.) y (.8) el planteaento del problea dual es ax W = α α yα y x, x α = ( α) sa.. α y = 0 = = = (.9) 0 α C para =,..., Reforulando el problea (.9) en fora atrcal y en térnos de nzacón, el nuevo problea de optzacón es: T T n f ( α) = α Qα e α α T sa.. y α = 0 (.30) 0 α C para =,..., donde Q = y y x, x Puede notarse que (.30) es bastante slar a (.3) con excepcón de las restrccones sobre α, por otra parte el hperplano separador ópto ( ) h w x conserva la sa fora de (.4).,b Para calcular el ubral b, a partr de la prera restrccón de (.7) para los vectores de soporte x para los cuales ξ = 0, se tene la sa condcón que para el caso separable (.5). Entonces el ubral b puede ser obtendo proedando (.6), coo en el caso no separable, sobre todos los x vectores de soporte con α < C, en otras palabras, los x en donde la restrccón 0 α C < < C. del problea (.30) no esté actva ( 0 α )
13 .3 SUPPORT VECTOR MACHINES A pesar que el clasfcador lneal es uno de los clasfcadores ás sples, usualente el error epírco y de generalzacón de este tpo de clasfcadores es bastante pobre. En la Fgura 3. se pueden aprecar eeplos sples en los que un clasfcador lneal es napropado para consegur un buen error epírco y de generalzacón. Fgura 3. Eeplos de probleas sples donde un clasfcador lneal no tene un buen desepeño. Es por esto que el obetvo de Support Vector Machnes es encontrar un hperplano separador ópto en el espaco de característcas '. Este espaco de característcas no es otra cosa que una transforacón no lneal Φ( x) de altas densones del espaco de entrada (espaco orgnal de los datos) que busca que los datos sean separables. Φ : ' x x : =Φ ( x) (.3) Un eeplo lustratvo de una transforacón no lneal de este tpo se puede aprecar en la Fgura 4. 3
14 x Φ Φ ( x) = z, z, z3 = x, x, xx z x z z3 Fgura 4. Eeplo de transforacón no lneal Debdo a esto, ahora el hperplano separador ópto h ( x) w,b para los casos separable y no separable planteados en los probleas de optzacón (.5) y (.7) dado por (.4) está en el espaco de característcas ' y se transfora en hw, b( x) = sgn yα Φ( x), Φ( x) + b ' (.3) = Donde w ',b y x. Nótese que se hace necesaro aplcar la transforacón no lneal a los eleentos x y que adconalente es necesaro calcular el producto punto en el espaco de característcas '. Es decr que el procedento a segur estaría representado en la Fgura 5. 4
15 Φ x x =Φ( x), x x =Φ ( x ) Fgura 5. Procedento para encontrar la solucón del problea de optzacón. Coo puede observarse es un procedento bastante costoso coputaconalente, puesto que en prer lugar se debe calcular Φ ( x), una transforacón no lneal y de altas densones para luego calcular el producto punto. Sn ebargo gracas a funcones denonadas kernels se puede calcular el producto punto en el espaco de característcas drectaente desde el espaco de entrada sn tener que calcular explíctaente el apeo Φ de la sguente fora: kx (, x) = Φ( x), Φ ( x) (.33) Una de las ventaas de trabaar con estas funcones es que el espaco de entrada no necesta una estructura (por eeplo ser subconunto de vacío. N ), spleente debe ser un conunto no Esto se adapta perfectaente a uchas stuacones en donde no se tene una representacón vectoral y se trabaa con dstancas entre pareas o slardades entre obetos no vectorales [6],[7]. Así, a partr de (.33), el procedento de la Fgura 5. se splfca, coo se apreca en la Fgura 6. 5
16 k (, ) Φ x x =Φ( x), x x =Φ ( x ) Fgura 6. Procedento para encontrar la solucón del problea de optzacón utlzando kernels Estas funcones kernel es posble calcularlas efcenteente, a contnuacón el eeplo de la Fgura 3.: x = [ x, x] [ ] Φ ( x) = z, z, z3 = x, x, xx Φ( x ), Φ ( x ) = k( x, x ) = x, x (.34) Es necesaro presentar algunas defncones con respecto a los kernel y algunas propedades que ellos cuplen [8]. Para, con valores de... dada una funcón k : K donde K = o K= y los patrones x,..., x, la atrz K de con eleentos K ( ) : = k x, x (.35) es llaada la atrz de Matrz de Gra de k con respecto a x,..., x. Adconalente una atrz coplea K de que satsface cck 0 (.36) 6
17 para todo c es llaada postva defnda. De anera slar una atrz real K de que satsface (.36) para todo c es llaada postva defnda. En el caso partcular de atrces sétrcas, ésta es postva defnda sí y solo sí todos sus valores propos son no negatvos. Para un conunto, un kernel postvo defndo es una funcón k en que para todo y todo x,..., x nduce una atrz de Gra postva defnda. S es un kernel postvo defndo y k x, x, entonces se cuple la necuacón de Cauchy- Schwarz k( x, x ) k( x, x ) k( x, x ) (.37).3. MAPEO DE KERNEL REPRODUCIDO A contnuacón se ostrará, cóo la seleccón de un kernel postvo defndo, defne un espaco de característcas. Para ello se asue que k es un kernel postvo defndo de valores reales y un conunto no vacío. Se defne un apeo de al espaco de funcones que apea en { : = f : } así: Φ : (, ) x k x, denotado coo (.38) Donde Φ ( x) denota la funcón que asgna el valor de ( ', ) k x x a los x ' Entonces para construr un espaco de característcas ' asocado a Φ ( x) se debe construr un espaco con producto punto que contenga las ágenes de los paráetros de entrada bao Φ, para ello se necesta defnr un espaco vectoral toando cobnacones lneales de la fora (). α ( ) f = k., x (.39) = 7
18 Donde, α y f y otra funcón x,..., x son arbtraros. Luego se defne un producto punto entre g ' (). β k( ' =., x) = (.40) Donde ', β y x,..., x ' ' ' ' = = ( f, g : = αβk x, x (.4) ' ) Ahora se verfca que el operador defndo, cuple con las propedades del producto punto. Usando (.39) y (.4) se tene que f, g ' = ' ( ) = β f x (.4) ' ' y usando (.40) y (.4) adconando el hecho que k( x, x) = k( x x), se tene que f, g = ( ) = α g x (.43) Entonces (.4) y (.43) uestran que, es blneal. De (.4) es evdente que, es sétrco puesto que f, g = g, f. Por otra parte partendo que k es postvo defndo y para cualquer funcón f escrta coo (.39) se tene que, = ( ) f, f = αα k x, x 0 (.44) Con lo cual, es postvo defndo y ás allá de eso, es un kernel en el espaco de funcones., no solaente es defndo postvo, sno estrctaente defndo postvo puesto que s f, f = 0 entonces f = 0. 8
19 Una propedad nteresante es la propedad de reproduccón puesto que usando (.39) se tene que En partcular s f ( x' ) k(., x' ) (., ), ( ) =, (.45) se converte en k x f = f x (.45) (., ), (., ') (, ') k x k x = k x x (.46) Así so de acuerdo a la defncón del apeo (.38) (., ), (., ') ( ), ( ') k x k x = Φ x Φ x (.47) Con lo cual de (.46) y (.47) ( x), ( x' ) = k( x, x' ) Φ Φ (.48) El espaco con producto punto asocados al kernel k. ' construdo es uno de los posbles espacos de característcas Ahora se consdera coo a partr de un espaco de característcas se defne un kernel defndo. k postvo Para ello se tene un apeo Φ de a un espaco con producto punto, de allí se obtene un kernel postvo defndo, defnendo éste coo (, ') : ( ), ( ') k x x = Φ x Φ x (.49) Puesto que para todo c, x con =,..., se tene por (.49) cc k( x, x) = cc Φ( x) Φ( x),,, (.50) De (.50) y por blnealdad del producto punto cc k( x, x) = c ( x), c ( x), Φ Φ (.5) Fnalente de (.5) por la no negatvdad de la nora 9
20 cc k( x, x) = cφ ( x) 0 (.5), Deostrando que el kernel k es postvo defndo. De todo esto sale una defncón equvalente de kernel postvo defndo coo la funcón para la cual exste un apeo Φ en un espaco con producto punto tal que se cuple (.48). Para el caso en el que deostracones son análogas [8]..3. TRUCO DEL KERNEL k es un kernel postvo defndo de valores copleos, todas las Dado un algorto forulado en térnos de un kernel postvo defndo un algorto alternatvo reeplazando k por otro kernel postvo defndo k..3.3 ESPACIOS DE HILBERT DE KERNEL REPRODUCIDO k, se puede construr Hasta el oento, el espaco de característcas asocado a un kernel dado es un espaco vectoral dotado con un producto punto o equvalenteente, un espaco pre-hlbert. Fáclente este espaco puede ser convertdo en un espaco de Hlbert edante un sple truco ateátco, esta estructura adconal tene algunas otras ventaas ateátcas útles en espacos de densón nfnta. Sea un espaco pre-hlbert de funcones (.39), dotado con el producto punto (.4), para convertrlo en un espaco de Hlbert (sobre ), éste se copleta con la nora correspondente al producto punto f : = f, f adconando todas las secuencas de Cauchy que convergen en esa nora. Una secuenca de Cauchy es una secuenca ( z ) : = ( z ) = ( z, z,...) en un espaco norado ' s para todo ε > 0, exste un n tal que para todo n', n'' > n se tenga que z z <. n' n '' ε 0
21 Se dce que una secuenca de Cauchy converge a un punto z ' s z z 0 cuando n n. Entonces ' es un espaco de Hlbert de kernel reproducdo (RKHS por sus sglas en nglés) s dado un conunto no vacío y ' un espaco de Hlbert de funcones f : dotado con el producto punto, ( y la nora f : = f, f ) exste una funcón k : con las sguentes propedades:. k cuple con la propedad de reproduccón ( ) ( ) f, k, x = f x para todo f ' (.53) en partcular (, ), ( ', ) (, ') k x k x = k x x (.54). k expande a ', es decr ' = span { k( x, ) x } donde span { k( x, ) x } hace referenca a todas las cobnacones lneales de k( x, ) y es el encerraento de, es decr que es copletado con todas las secuencas de Cauchy. Es portante destacar que el RKHS deterna un únco k. Esto se deuestra por contradccón suponendo que exsten dos kernel k y k ' que expanden el so RKHS '. Utlzando la setría del producto punto y la propedad de reproduccón se tene que (, ), '( ', ) = (, ') = '( ', ) k x k x k x x k x x (.55) Con lo cual se deuestra que son el so..3.4 MAPEO DEL KERNEL DE MERCER Ahora se construrá otro espaco de Hlbert alternatvo al RKHS, y aunque se puede arguentar que esto es superfluo dado que dos espacos de Hlbert separables son soétrcaente soorfos, es decr, que es posble defnr un apeo lneal uno a uno entre los espacos que preserva el producto punto, el Teorea de Mercer [9] utlzado en esta construccón, ha ugado
22 un papel fundaental en el entendento de SVM, provee nforacón crucal sobre la geoetría del espaco de característcas y en la lteratura es generalente utlzado para ntroducr el truco del kernel. Para ntroducr el teorea de Mercer se asue que (, µ ) es un espaco de edda fnta (un conunto ( ) con una σ -álgebra defnda en éste, en donde se defne una edda µ que satsface µ <, note que escalando esta edda por un factor adecuado, µ es una edda de probabldad). El térno cas todos sgnfca excepto para los conuntos con edda cero. Teorea de Mercer [9]: Suponendo que k L ( ) es una funcón sétrca de valores reales tal que el operador ntegral Tk : L( ) L( ) ( Tf)( x) : = k( xx, ') f( x' ) dµ ( x' ) k (.56) es postvo defndo, es decr que para todo ( ) f L se tene que ( ) ( ) ( ) ( ) ( ) k x, x' f x f x' dµ x dµ x' 0 (.57) Sean ψ L ( ) las funcones propas noralzadas de T k asocadas con los valores propos λ > 0, ordenados no decrecenteente. Entonces ( ). λ l. Es decr que λ < N ' ( ) = ( ) ( ) (, '). k x, x' λψ x ψ x' para cas todos los N = los (, ') x x. = x x para cualquer N o ; en el últo caso, la sere converge absoluta y unforeente para cas todos El nueral es consecuenca que (, ') (, ') ( ), ( ') k x x = Φ x Φ x con N k x x corresponde al producto punto en l, es decr
23 para cas todos los x. Φ: x l N λψ ( x) ( x) λψ (.58) λ N ψ N ( x) La convergenca unfore de las seres plca que dado un ε > 0 exste un n tal que s n N =, k puede ser aproxado con precsón ε coo un producto punto en tal que para cas todos los, ', n n xx k( x, x' ) ( x), ( x' ) Φ Φ < ε donde Φ n : x n ( x) ( x) λψ (.59) Entonces el espaco de característcas puede ser pensado sepre coo un espaco fnto con precsón ε [7]. En consecuenca s un kernel k satsface el teorea de Mercer, se puede construr un apeo Φ en un espaco donde k actúa coo un producto punto n l λψ λψ n ( x) ( x), ( x' ) = k( x, x' ) Φ Φ (.60) para cas todos los n xx, '. Más aún, dado un ε > 0, exste un apeo Φ en un espaco con producto punto n-densonal (donde n depende de ε ) tal que (, ') n n ( ), ( ') k x x Φ x Φ x < ε (.6) para cas todos los xx, '..3.5 EJEMPLOS DE KERNELS A contnuacón se presentan algunos eeplos de funcones kernel 3
24 Asuendo N. Polnoal ( ) d k x, x' = x, x' (.6) donde d. Gaussano x x' k x, x' = exp ( ) σ (.63) donde σ > 0 3. Sgode (, ') tanh ( κ x, x' θ ) k x x = + (.64) donde κ > 0 y θ < 0. Aunque se destaca que este kernel no es postvo defndo, es extoso en la práctca. 4. Polnoal no hoogéneo (, ') (, ' ) d k x x = x x + c (.65) donde d y c 0 5. Curvgrafo B n de orden par (, ') p+ ( ' ) k x x = B x x (.66) n I =, con Bn : = en donde I [] es la funcón ndcadora y p 6. Slardad de eventos probablístcos 4
25 Sea (, C,P) un espaco de probabldad con σ -álgebra C y edda de probabldad (, ) ( ) ( ) ( ) k A B = P A B P A P B (.67) P.4 HIPERPLANO SEPARADOR ÓPTIMO EN EL ESPACIO DE CARACTERÍSTICAS Dado que a partr de las funcones kernel es posble hallar el producto punto en el espaco de característcas, utlzando el truco del kernel se busca encontrar un hperplano separador ópto en este espaco, reforulando los probleas para los casos separable y no separable..4. CASO SEPARABLE Anterorente se había encontrado que el hperplano separador ópto estaba deternado por (.4), ahora en el espaco de característcas está dado por hw, b( x) = sgn yα Φ( x), Φ( x) + b ' = (.68) Pero gracas a los kernels, (.68) se converte en hw, b( x) = sgn yα k( x, x) + b = (.69) Así so el problea dual de optzacón para el caso no separable que era dado por (.) se converte en ax W, α = ( α) = α αyα yk( x x) sa.. α y = 0 = = = α 0 para =,..., (.70) Ahora (.70) en térnos de nzacón y en fora atrcal (análogo a (.3)) es T T n f ( α) = α Qα e α α T sa.. y α = 0 (.7) α 0 para =,..., 5
26 ( ) donde Q = y y k x, x. Así so para hallar el ubral b, de fora análoga a (.6), ahora se proeda = α (, ) b y yk x x = (.7) para todos los puntos con α > CASO NO SEPARABLE A contnuacón se presentarán los cabos para el caso no separable a la hora de encontrar el hperplano separador ópto en el espaco de característcas. Exsten dos alternatvas, la prera, explcada anterorente, conocda coo C-SVM, adeás de un planteaento alternatvo al problea de optzacón conocdo coo ν -SVM..4.. C-SVM Para el caso no separable, el problea de optzacón estaba planteado por (.7), cuyo hperplano separador ópto en el espaco de entrada estaba dado, al gual que en el caso separable, por (.4). De la sa fora que en caso separable, utlzando el truco del kernel, en el espaco de característcas el hperplano separador ópto estará dado por (.69). Así so el problea dual planteado en (.9) pero en el espaco de característcas se converte en ax W, α = ( α) = α αyα yk( x x) sa.. α y = 0 = = = (.73) 0 α C para =,..., Ahora (.73) en térnos de nzacón y en fora atrcal (análogo a (.30) )se expresa coo 6
27 T T n f ( α) = α Qα e α α T sa.. y α = 0 0 α C para =,..., (.74) ( ) donde Q = y y k x, x. Adconalente, para calcular el ubral b, tal coo se hacía en el espaco de entrada proedando (.6), en el espaco de característcas se obtene proedando (.7) sobre los puntos con 0 < α < C, es decr donde las restrccones sobre α no están actvas..4.. ν-svm Exste una odfcacón al problea de optzacón propuesta en [0] en donde es reeplazado C por el paráetro ν que adconalente controla el núero de errores de argen y de vectores de soporte, este nuevo problea es w, ξ, ρ, b ( w ξ ) ( wx ) n τ,, ρ = w νρ + ξ sa.. y, + b ρ ξ = ξ 0 para =,..., ρ 0 (.75) Se destaca que es ntroducdo un nuevo paráetro ρ para ser optzado, éste controla el argen de separacón entre las clases, puesto que s ξ = 0, la prera restrccón de (.75) establece que el argen es ρ w. Nuevaente para resolver (.75) se recurre a hallar el dual (,, b,,,, ) L w ξ ρ α β δ = w νρ+ ξ = ( y ( wx, b) ) α + ρ+ ξ βξ δρ = = (.76) 7
28 donde α β, δ 0 son los ultplcadores de Lagrange de las restrccones. A partr de las condcones de KKT para b, ξ, w y ρ se obtene α y = 0 (.77) = α + β = (.78) w = α y x = (.79) y α δ = ν (.80) = Manpulando algebracaente (.76) ( ) L w, ξ, b, ρ, α, β, δ = w νρ+ ξ α y w, x b y α = = = = = = + ρ α αξ βξ δρ Reeplazando (.77), (.78) y (.80) en (.8) se tene y, b y = = = = w νρ+ ξ α w x α (.8) + ρ α δ ( α + β) ξ = = L( w, ξ, b, ρ, αβ,, δ) w αy w, x (.8) = = Susttuyendo (.79) en (.8) y splfcando L( w, ξ, b, ρ, α, β, δ) = αyα y x, x (.83) = = Coo α, β 0 y unto con (.78), una restrccón es 0 α para =,..., (.84) 8
29 Coo δ 0, a partr de (.80) α µ (.85) = Con base en Lagrangano (.83) y en las restrccones (.77), (.84) y (.85) el problea dual es ax W ( α) = α yα y, x x α sa.. α y = 0 = = = = 0 α para =,..., α µ (.86) Aplcando el truco del kernel para plantear el problea dual en el espaco de característcas, el planteaento resultante es ax W y y k x, α = = ( α) = α α ( x) sa.. α y = 0 = = 0 α para =,..., α µ (.87) El problea (.87) en térnos de nzacón y en fora atrcal es T n f ( α) = α Qα α sa.. T y α = 0 0 α para =,..., T e α ν (.88) donde Q = y yk( x, x ) y la funcón de decsón está deternada por (.69). 9
30 Para hallar el ubral b y el paráetro del argen ρ, a partr de la prera restrccón de (.75) para los vectores de soporte x para los cuales ξ = 0 ( α < ), se tene del Lagrangano (.76) que α ( y( wx, + b) ρ) = 0, entonces para los casos en los que las restrccones sobreα no están actvas, es decr para 0 < α <, se cuple que (, ) y wx + b ρ = 0 (.89) Ahora (.89) en el espaco de característcas se puede expresar coo y αyk ( x, x) + b ρ = 0 = (.90) Defnendo r : = ρ b (.9) r : = ρ + b (.9) y dos conuntos S + y S de eddas s + y s que contenen los vectores de soporte x con 0 < α < para y y respectvaente, se tenen los sguentes casos. =+ y = Para cada y =+, cobnando (.90) con (.9) se tene ( ) αyk x, x r = 0 (.93) = A partr de (.93) se puede obtener r proedando sobre los eleentos de S + r s = αyk ( x, x) + x S+ = (.94) Ahora para cada y =, cobnando (.90) con (.9) se tene ( ) αyk x, x + r = 0 (.95) = A partr de (.95) se puede obtener r proedando sobre los eleentos de S 30
31 r s = αyk (, ) x S = x x (.96) A partr de las defncones (.9) y (.9) se tenen que b r r = (.97) y ρ r + r = (.98) Los cuales se obtenen con los valores de y r hallados de (.94) y (.96). r Es portante destacar el papel del paráetro ν, para esto se defne el argen de error coo aquellos puntos con ξ > 0, los cuales son o errores o volacones al argen, la fraccón de errores de argen se puede defnr entonces coo ρ Rep [ g] : = { y g( x ) < ρ} (.99) donde g denota el arguento del sgn en la funcón de decsón (.4), en otras palabras h w,b = sgn g. Coo se enconó en un prncpo, ν controla el núero de errores de argen y de vectores de soporte coo se deuestra en [0]..5 SOLUCIÓN DEL PROBLEMA DE PROGRAMACIÓN CUADRÁTICA Es claro que los probleas duales (.74) y (.88) son probleas de prograacón cuadrátca con restrccones lneales ucho ás sencllos de resolver que los orgnales puesto que úncaente están en funcón de los kernel. Sn ebargo, no pueden ser fáclente resueltos por técncas tradconales dado que nvolucran una atrz Hessana de densón. Por esta razón, para resolver (.74) y (.88) han surgdo últples étodos que buscan ser ás efcentes. Las técncas de chunkng propuestas ncalente por Vapnk [] y que se basan en 3
32 dos aspectos: ) Reover datos de entrenaento con α = 0 no caba la solucón al problea de optzacón. ) Es ás sencllo y efcente descoponer el problea orgnal (.74) en subprobleas ás pequeños. A partr de estos aspectos se han generado dversos étodos para soluconar el problea de optzacón [],[3]; todos ellos con la desventaa de requerr resolver nuércaente probleas cuadrátcos. Platt [4] propone una técnca llaada Secuental Mnal Optzaton (SMO) en donde se descopone el problea orgnal de tal fora que solo se requeren resolver probleas cuadrátcos de dos varables de fora analítca, facltando y acelerando la resolucón del problea de optzacón. Para resolver (.88) dado que exste una restrccón lneal de desgualdad, Crsp y Burges [5] y Chang y Ln [6] han deostrado que e T α ν puede ser reeplazado por e T α =ν sn que cabe la solucón del problea. Gracas a esto todas las técncas anterorente descrtas pueden ser adaptadas. La cobnacón de SMO con técncas de shrnkng y cachng [3] ha pertdo que la copledad coputaconal en la resolucón de (.74) y (.88) esté entre cuadrátca y cúbca, dependendo del tpo de problea y donada báscaente por el núero de evaluacones que se requeren de la funcón kernel [7]..6 ALGORITMOS DE BOOSTING.6. CONCEPTOS PRELIMINARES El error de Bayes R Bayes está defndo coo el ás pequeño error de generalzacón que puede ser alcanzado en un problea en partcular. Una hpótess es ε -fuerte s posee un error de generalzacón enor que R Bayes + ε ( R< RBayes + ε ). De fora slar una hpótess es débl s su error epírco es enor a γ ( R < γ ) para algún γ > 0. 3
ONE CLASS SVM para la detección de fraudes en el uso de energía eléctrica
ONE CLASS SVM para la deteccón de fraudes en el uso de energía eléctrca. Abstract Dego Alcetegara, Juan Pablo Kosut En este trabao se presenta la aplcacón de la técnca SVM de una clase para la deteccón
Más detallesRegresión no lineal mediante la evolución de modelos Híbridos de Redes Neuronales 1
Regresón no lneal edante la evolucón de odelos Híbrdos de Redes Neuronales César Hervás Departaento de Inforátca y A.N. Unversdad de Córdoba 407- Córdoba- {chervas}@uco.es Francsco J. Martínez Facultad
Más detalles5. DIAGONALIZACIÓN DE MATRICES
Dagonalzacón Herraentas nforátcas para el ngenero en el estudo del algebra lneal 5. DIAGONALIZACIÓN DE MATRICES 5.1. INTRODUCCIÓN 5.2. VALORES Y VECTORES PROPIOS 5.3. MATRICES DIAGONALIZABLES 5.4. DIAGONALIZACIÓN
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 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 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 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 detallesACTIVIDADES INICIALES
Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)
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 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 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 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 detallesDasometría / Celedonio L
EJERCICIO Nº 6 Se ha realzado el nventaro forestal de una asa de Pnus pnaster no resnado, por uestreo estadístco, dseñado edante la toa de datos en parcelas rectangulares de 0 x 5 ts. El dáetro íno nventarable
Más detallesOptimización de la representación con superficies NURBS de imágenes de rango
Optzacón de la representacón con superfces NURBS de ágenes de rango a *a Ernesto Cuartas Morales, Flavo Preto, (a) Ingenería Eléctrca, Electrónca y Coputacón, Unversdad Naconal de Coloba, Sede Manzales,
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 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 detallesDistancias e Indices Parciales de Medidas Difusas
Dstancas e Indces Parcales de Meddas Dfusas Lus Danel Hernández Molnero Dpto. Inforátca y Ssteas Unversdad de Murca e-al: ldanel@df.u.es Antono Salerón Cerdán Dpto. Estadístca y Mateátca Aplcada Unversdad
Más detallesDeducción de parámetros y comportamiento
Captulo 7. Deduccón de paráetros y coportaento presto por el odelo 287 Capítulo 7: presto por el odelo Deduccón de paráetros y coportaento S ben la utlzacón del odelo consttuto planteado requere la deternacón
Más detallesPruebas 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 detallesTutorial sobre Máquinas de Vectores Soporte (SVM)
Tutoral sobre Máqunas de Vectores Soporte SVM) Enrque J. Carmona Suárez ecarmona@da.uned.es Versón ncal: 2013 Últma versón: 11 Julo 2014 Dpto. de Intelgenca Artcal, ETS de Ingenería Informátca, Unversdad
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 detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
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 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 detallesApéndice A. Principio de Mínima Acción y Energía Mecánica total.
Apéndce A Prncpo de Mína Accón y Energía Mecánca total. E l prncpo de ína accón es equvalente a decr que la tayectora que sgue una partícula en el espaco de conguracón es aquella para la cual la dferenca
Más detallesOndas y Rotaciones. Colisiones Inelásticas
Hoja de Trabajo 8 Ondas y Rotacones Colsones Inelástcas Jae Felcano Hernández Unersdad Autónoa Metropoltana - Iztapalapa Méxco, D. F. 5 de agosto de 0 INTRODUCCIÓN. Para edr el grado de elastcdad de una
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más 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 detallesAplicación de la teoría de Agentes al modelo de grafos para la detección de patrones en Textos
Facultad de Ingenería de la Unversdad de Buenos Ares Ingenería en Inforátca Tess de Grado Aplcacón de la teoría de Agentes al odelo de grafos para la deteccón de patrones en Textos Tessta: FEDERICO, Fernando
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 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 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 detallesMÁQUINA 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 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 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 detallesRESISTENCIAS EN SERIE Y LEY DE LAS MALLAS V 1 V 2 V 3 A B C
RESISTENCIS EN SERIE Y LEY DE LS MLLS V V 2 V 3 C D Fgura R R 2 R 3 Nomenclatura: Suponemos que el potencal en es mayor que el potencal en, por lo tanto la ntensdad de la corrente se mueve haca la derecha.
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 detallesTema 3: Adaptadores de Señal
Tema 3: Adaptadores de Señal Sstema GENERAL de nstrumentacón (bloques( funconales): Señal sensor Fltrado, A/D Amplfcacón Rado, nternet bus de datos Medo Sensor prmaro Transductor de entrada Adaptacón de
Más detallesIdeas Básicas sobre Métodos de Medida
10: deas Báscas sobre Métodos de Medda Medcones Drectas: el resultado se obtene a partr de la ndcacón de un únco nstruento (étodos de deflexón). Medcones ndrectas: el resultado surge a partr de operacones
Más detallesRendimiento de sistemas paralelos. Arquitectura de Computadoras II Fac. Cs. Exactas UNCPBA Prof. Marcelo Tosini 2015
Rendento de ssteas paralelos Arqutectura de Coputadoras II Fac. Cs. Exactas UNCBA rof. Marcelo Tosn 205 Rendento de un sstea paralelo Rendento en un sstea con un procesador: T cpu RI x CI x t cclo Con
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 detalles1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo
EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces
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 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 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 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 detallesLa predicción de la demanda en la evaluación de proyectos. Anna Matas José Luis Raymond Mar González-Savignat Adriana Ruíz
La predccón de la deanda en la evaluacón de proyectos Anna Matas José Lus Rayond Mar González-Savgnat Adrana Ruíz 31/Marzo/2009 Proyecto: EVALUACIÓN SOCIOECONÓMICA Y FINANCIERA DE PROYECTOS DE TRANSPORTE
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 detalles22. COLUMNA DE DESTILACION SIMPLIFICADA
22. COLUMNA DE DESTILACION SIMPLIFICADA 1. OBJETIVOS 1.1. Especfcar en fora splfcada una coluna de destlacón 1.2. Estar un taaño y desepeño splfcado de una coluna de destlacón edante el procedento de Fenske-Underwood-Glland
Más detallesOPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS
P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la
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 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 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 detallesXIV Congreso de la Asociación Chilena de Control Automático, ACCA 00 Octubre 2000
XIV Congreso de la Asocacón Chlena de Control Autoátco, ACCA 00 Octubre 2000 MODELACIÓ Y VIUALIZACIÓ TRIDIMEIOAL ITERACTIVA DE VARIABLE ELÉCTRICA E CELDA DE ELECTRO-OBTECIÓ CO ELECTRODO BIPOLARE César
Más detallesCAPITULO I. Introducción. En la actualidad, las empresas están tomando un papel activo en cuanto al uso de sistemas y
CAPITULO I Introducción 1.1 Introducción En la actualidad, las empresas están tomando un papel activo en cuanto al uso de sistemas y redes computacionales. La tecnología ha ido evolucionando constantemente
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 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 detallesTema I: Introducción a los sistemas de instrumentación
ESCUELA TECNICA SUPERIOR DE INGENIEROS INDUSTRIALES Y DE TELECOMUNICACION UNIVERSIDAD DE CANTABRIA INSTRUMENTACION ELECTRÓNICA DE COMUNICACIONES (5º Curso Ingenería de Telecouncacón) Tea I: Introduccón
Más detallesDiagramas de Heissler para la solución de problemas de conducción transitoria.
Dagraas de Hessler para la solucón de probleas de conduccón transtora. Cuando el núero de Bot odfcado, descrto en la seccón anteror supera el valor de 0,1, la resstenca nterna ya no es desprecable, de
Más detallesPalabras clave: Ruteo, descomposición cruzada separable, asignación-distribución
Memoras de la XVII Semana Regonal de Investgacón y Docenca en Matemátcas, Departamento de Matemátcas, Unversdad de Sonora, Méxco. Mosacos Matemátcos No. 20, agosto 2007, pp. 51-57. Nvel Superor SOLUCIÓN
Más detallesLECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS
Unversdad Católca Los Ángeles de Cbote LECTURA 0: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS TEMA : DISTRIBUCION DE FRECUENCIAS: DEFINICIÓN Y CLASIFICACIÓN
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 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 detallesOPTIMIZACIÓN CON RESTRICCIONES DE IGUALDAD
OPIMIZACIÓN CON RESRICCIONES DE IGUALDAD Localzacón de óptos de funcones sujetas a restrccones en fora de gualdad écnca de los ultplcadores de Lagrange Forulacón estándar del problea f =,,..., Se consderarán
Más detallesTERMODINÁMICA AVANZADA
TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón
Más detallesSupport Vector Machines
Support Vector Machines Separadores lineales Clasificacion binaria puede ser vista como la tarea de separar clases en el espacio de caracteristicas w T x + b > 0 w T x + b = 0 w T x + b < 0 f(x) = sign(w
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesModelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.
Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)
Más detalles1.- Una empresa se plantea una inversión cuyas características financieras son:
ESCUELA UNIVERSITARIA DE ESTUDIOS EMPRESARIALES. Departamento de Economía Aplcada (Matemátcas). Matemátcas Fnanceras. Relacón de Problemas. Rentas. 1.- Una empresa se plantea una nversón cuyas característcas
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 detallesDELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID
DELTA MATE OMAÓN UNETAA / Gral. Ampuda, 6 8003 MADD EXÁMEN NTODUÓN A LA ELETÓNA UM JUNO 008 El examen consta de ses preguntas. Lea detendamente los enuncados. tene cualquer duda consulte al profesor. Todas
Más detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
Más detallesTEMA N 2.- TEORÍA DE REDES (PERT Y CPM)
UNIVERSIDAD DE ORIENTE NÚCLEO DE ANZOÁTEGUI EXTENSIÓN REGIÓN CENTRO-SUR ANACO, ESTADO ANZOÁTEGUI 2.1 Defncón de proyecto y actvdad TEMA N 2.- TEORÍA DE REDES (PERT Y CPM) Asgnatura: Investgacón Operatva
Más detalles7 Support Vector Machines. SVM.
Deteccón Multusuaro para DS-CDMA basado en SVM Support Vector Machnes.. 7 Support Vector Machnes. SVM. El nco de la teoría en la que se basan las áqunas de vectores soporte data de los años setenta con
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 detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más 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 detallesConservación del Momento Lineal y de la Energía
Conservacón del Moento Lneal y de la Energía Conservacón del Moento Lneal y de la Energía Objetvos Coprobar experentalente la conservacón del oento lneal edante choques elástcos e nelástcos. Coprobar la
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
Más 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 detallesDETERMINACIÓN DE ERRORES Y TRATAMIENTO DE DATOS. II. Error en una medida: determinación y expresión de errores.
Coportaento Mecánco de los Materales Antono Mguel Posadas Chnchlla Ingenería de Materales Departaento de Físca Aplcada Facultad de Cencas Eperentales Unversdad de Alería DETERMIACIÓ DE ERRORES Y TRATAMIETO
Más detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
Más detallesRespuesta A.C. del FET 1/14
espuesta A.C. del FET 1/14 1. Introduccón Una ez que se ubca al transstor dentro de la zona saturada o de corrente de salda constante, se puede utlzar como amplfcador de señales. En base a un FET canal
Más detallesrsums Aproxima la integral de f mediante sumas de Riemann y realiza una representación gráfica de los rectángulos.
PRÁCTICA INTEGRACIÓN Práctcas Matlab Práctca : Integracón Objetvos o Calcular ntegrales defndas de forma aproxmada, utlzando sumas de Remann. o o o Profundzar en la comprensón del concepto de ntegracón.
Más detallesLa nueva criba de Eratóstenes Efraín Soto Apolinar 1 F.I.M.E. U.A.N.L. San Nicolás, N.L. México. efrain@yalma.fime.uanl.mx
La nueva criba de Eratóstenes Efraín Soto Apolinar 1 F.I.M.E. U.A.N.L. San Nicolás, N.L. México. efrain@yalma.fime.uanl.mx Resumen Se dan algunas definiciones básicas relacionadas con la divisibilidad
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 detallesCAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales
CAPÍTULO 3 METODOLOGÍA En el sguente capítulo se presenta al nco, defncones de algunos conceptos actuarales que se utlzan para la elaboracón de las bases técncas del Producto de Salud al gual que la metodología
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 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 detallesAnálisis de propuestas de evaluación en las aulas de América Latina
Esta propuesta tiene como objetivo la operatoria con fracciones. Se espera del alumno la aplicación de un algoritmo para resolver las operaciones. Estas actividades comúnmente presentan numerosos ejercicios
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 detallesCálculo Simbólico también es posible con GeoGebra
www.fisem.org/web/union ISSN: 1815-0640 Número 34. Junio de 2013 páginas 151-167 Coordinado por Agustín Carrillo de Albornoz Cálculo Simbólico también es posible con GeoGebra Antes de exponer las posibilidades
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detallesMatrices Invertibles y Elementos de Álgebra Matricial
Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CCIR/ITESM 12 de enero de 2011 Índice 91 Introducción 1 92 Transpuesta 1 93 Propiedades de la transpuesta 2 94 Matrices
Más detallesUniversidad Simón Bolívar Conversión de Energía Eléctrica - Prof. José Manuel Aller
Unversdad Smón Bolívar Conversón de Energía Eléctrca Prof José anuel Aller 41 Defncones báscas En este capítulo se estuda el comportamento de los crcutos acoplados magnétcamente, fjos en el espaco El medo
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 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 detallesRedes Neuronales Support Vector Regression
Redes Neuronales Support Vector Regresson Seres Temporales Máster en Computacón Unverstat Poltècnca de Catalunya Dra. Alca Troncoso Lora Contendo Introduccón Redes Neuronales: Aplcacón Support Vector Regresson:
Más detallesCOMPARADOR CON AMPLIFICADOR OPERACIONAL
COMAADO CON AMLIFICADO OEACIONAL COMAADO INESO, COMAADO NO INESO Tenen como msón comparar una tensón arable con otra, normalmente constante, denomnada tensón de referenca, dándonos a la salda una tensón
Más detalles