4. La Factorización No Negativa de Matrices
|
|
- Paula Suárez Lozano
- hace 7 años
- Vistas:
Transcripción
1 4. La Factorzacón No Negatva de Matrces 4.1 Introduccón Un problema bastante extenddo en dferentes técncas de análss de datos consste en encontrar una representacón adecuada de los datos. Un tpo de representacón de gran utldad será aquella que permta reducr las dmensones de los datos a la vez que muestre certas característcas del conjunto de éstos que permanezcan ocultas a pror. La Factorzacón No Negatva de Matrces (en nglés, Non-negatve Matrz Factorzaton, NMF) es una técnca de recente creacón cuya prncpal utldad consste en encontrar una representacón lneal de los datos, que han de ser no negatvos. Una de las propedades prncpales de la Factorzacón No Negatva de Matrces radca en que generalmente suele proporconar una representacón dspersa de los datos que permte codfcarlos de forma que el resultado sea bastante sencllo de nterpretar. 4.2 Defncón del modelo Consderemos que los datos se corresponden con m meddas de n varables aleatoras escalar que serán no negatvas. Llamando v ( = 1,..., m ) a los vectores que representan las meddas, podemos formular una representacón lneal aproxmada de los datos de la sguente manera: r = = 1 v w h h (4.1) donde es una matrz de dmensones n x r que contenen los vectores de las bases w en sus columnas. Destaquemos el hecho de que los vectores representatvos de las v meddas,, se van a generar a partr de combnacones de los msmos vectores de la base, representados por la matrz. Pero qué peso tene cada vector de la base en la conformacón fnal de los datos? La respuesta a esta pregunta está contenda en el vector h, que representa la nfluenca de cada vector en la reconstruccón fnal. S colocamos los vectores de meddas en una matrz de dmensones n x m que llamaremos V, llegaremos a la expresón V H (4.2) donde las columnas de H contenen los vectores de coefcentes h correspondentes a las combnacones de los vectores de la base que generan los vectores de meddas v. La matrz H se conoce como matrz de codfcacón.
2 Por tanto, las dmensones correspondentes a cada una de las matrces serán: - Matrz V (n x m) - Matrz (n x r) - Matrz H (r x m) Fgura 4.1 Representacón esquemátca de las matrces que aparecen en el modelo. Cuántas bases se han de elegr, o lo que es lo msmo, qué valor hemos de asgnar al parámetro r? Generalmente, el número de bases a determnar se suele tomar sguendo una regla [Lee] del tpo: ( n+ m) r< nm (4.3) Esta eleccón de r conllevará un consderable ahorro de nformacón a almacenar ya que mentras la matrz V consta de n m elementos, las nuevas matrces y H, constarán entre ambas de r ( n+ m) coefcentes, es decr, n ( m r) m r elementos menos. 4.3 Comparatva entre NMF y algunas técncas de representacón de datos El Análss de Componentes Prncpales (PCA), el Análss de Componentes Independentes (ICA), la Cuantzacón de Vectores (VQ) y la Factorzacón No Negatva de Matrces (NMF) se pueden consderar como técncas basadas en la factorzacón de matrces, s ben dferen en la funcón objetvo a tratar así como en las restrccones mpuestas. Estos métodos se pueden clasfcar se pueden caracterzar en funcón de s la extraccón de característcas la hacen de forma global o local. En los métodos de extraccón locales, donde tan sólo algunos píxeles de la magen de entrada contrbuyen a la
3 formacón de la magen de salda, tendremos una mayor establdad que en el caso de las técncas de extraccón locales donde todos y cada uno de los píxeles de la magen de entrada contrbuyen a la formacón de las mágenes representatvas de las característcas extraídas. Otra ventaja fundamental de los métodos locales frente a los globales radca en su mayor robustez frente a rotacones, escalados y pequeñas varacones. En nuestro caso, consderaremos como métodos de extraccón de característcas locales tanto ICA como NMF. Mentras que PCA e ICA no mponen nnguna restrccón en cuanto al sgno que han de tener las entradas de las matrces de las bases y de codfcacón, las técncas basadas en la Factorzacón No Negatva de Matrces han de presentar la peculardad de que dchas matrces han de contener elementos que han de ser no negatvos [Hoyer]. Esto conlleva que la descrpcón de los datos se realza tan sólo a partr de sumas. Esta restrccón se debe prncpalmente a dos motvos. Por un lado, en certas aplcacones es de sobra conocdo que el conjunto de datos que se maneja nunca puede ser negatvo, como es el caso de la aplcacón que desarrollaremos con mágenes. En estos casos, la nterpretacón de resultados medante técncas basadas en PCA o ICA sería más dfcultosa. En segundo lugar, la no negatvdad se usa como argumento para lustrar la dea que las partes se combnan sempre de forma adtva (nunca a partr de restas) para dar lugar a un todo [Lee]. Por un lado, en la Cuantzacón de Vectores (VQ), la mposcón que se realza radca en que las columnas de la matrz de codfcacón H han de ser vectores untaros, es decr, un solo elemento dstnto de cero, cuyo valor será la undad. En otras palabras, cada columna de la matrz V (que representará por ejemplo una magen colocada en forma de vector) se aproxmará por uno sólo de los elementos de la base al realzar la factorzacón V H. S hablamos en térmnos de mágenes representatvas de rostros humanos veremos como la dea que se quere ndcar con este razonamento es que en general, cada cara se podrá representar sólo por un rostro de la base, sn tener la posbldad de poder combnar varos de ellos. Esta representacón untara por tanto carece de la versatldad que pueden aportar técncas como la Factorzacón No Negatva de Matrces. Fgura 4.2 Cuantzacón de Vectores (VQ). En esta fgura se representa una base formada por 49 mágenes y como la magen que se quere representar tan sólo se hace a partr de un elemento de la base (cuya poscón en el esquema aparece marcada con la caslla en color negro).
4 Volvendo a retomar PCA, veremos que la restrccón en cuanto a las matrces de bases y codfcacón se relaja consderablemente respecto a la Cuantzacón de Vectores, ya que ahora tan sólo se mpone que las columnas de han de ser ortonormales, mentras que las flas de H deben ser ortogonales entre sí. Esto motvará que ahora las mágenes se puedan representar como combnacones lneales de las bases y no medante una sola como ocurre en el caso de VQ. En este caso, encontraremos un elemento de la base que es domnante (de gran parecdo a una de las mágenes orgnales de entrenamento), correspondente al autovalor de mayor peso. Fgura 4.3 Análss de Componentes Prncpales. En la fgura aparecen representadas 49 bases obtendas tras el análss PCA. En este caso observamos como hay una sere de mágenes domnantes (las que aparece en la prmera fla de la matrz de las bases). La magen sntetzada se reconstruye a partr de la combnacón lneal de, en general, más de un elemento de la base. Sn embargo, el caso de la Factorzacón No Negatva de Matrces, las bases obtendas representan rasgos característcos de las mágenes de entrenamento sn que exsta un elemento predomnante sobre el resto que marque la reconstruccón de la magen defntva.
5 Fgura 4.4 Factorzacón No Negatva de Matrces. En esta fgura podemos comprobar como en las bases obtendas medante esta técnca, no aparece nngún elemento predomnante sobre el resto. En la reconstruccón fnal no entran en juego numerosos elementos de la base. A tenor de los resultados obtendos, podemos conclur que las bases NMF representan partes localzadas de la magen, es decr, en el caso que nos ocupa de reconstruccón de rostros, tendremos varas versones de bocas, ojos, etc, lo cual ofrecerá una mayor versatldad en la síntess fnal de la magen. Además hay que destacar que la representacón de datos obtenda medante técncas NMF generará tanto bases como matrces de codfcacón que serán dspersas ( sparse ) y en las que, como vmos en el ejemplo de la fgura 4.4, exsten bastantes coefcentes de codfcacón que son nulos. La dspersón en las bases y las matrces de codfcacón es una propedad esencal para la representacón basada en partes. Por últmo, para cerrar el apartado de comparatvas, podemos determnar las bases a partr de técncas ICA. Para ello, emplearemos el algortmo FastICA para estmar 49 bases representatvas de rostros que permtan reconstrur la magen deseada. Como se observa en la fgura 4.5 en las bases ICA se obtenen las dreccones prncpales de los rostros, ya sean bocas, ojos, narces, etc que son precsamente las zonas que marcan los borden más acusados. En general, podemos afrmar que medante ICA se pretende mnmzar la dependenca estadístca entre los elementos de la base resultante.
6 Fgura 4.5 Las bases obtendas tras aplcar el algortmo FastICA resaltan las dreccones prncpales de las mágenes de entrenamento (bocas, ojos, narces, etc). Sn embargo hay algo más que dferenca ICA y NMF. Hasta ahora, en el estudo de la Factorzacón No Negatva de Matrces, no se ha realzado nnguna consderacón acerca de la dependenca estadístca de las varables aleatoras a estmar [Lee]. Sn embargo en el Análss de Componentes Independentes se exgen una sere de restrccones que han de cumplr las varables para que puedan ser estmadas correctamente: han de ser no gaussanas y estadístcamente ndependentes. Esto plantea un pequeño problema en la aplcacón del algortmo ICA cuya solucón pasa por PCA. La suposcón de ndependenca no es especalmente recomendable cuando se quere realzar un proceso de aprendzaje (generacón de bases) basado en la representacón de partes, esto es, en los dferentes rasgos característcos de la magen, ya que es bastante probable que algunas de estas partes aparezcan de forma smultánea en los datos de entrenamento. Como comentamos anterormente, una alternatva posble podría ser aplcar PCA, de forma que el conjunto de los datos sea lo más ndependente posble. 4.4 Formulacón matemátca del algortmo En este apartado estudaremos dos algortmos basados en actualzacones teratvas de las matrces y H que permten mplementar la Factorzacón No Negatva de Matrces (NMF). Estos algortmos son bastante sencllos de mplementar y codfcar por lo que son de gran utldad en multtud de aplcacones. Exsten otros algortmos cuya carga computaconal es consderablemente menor, como el expuesto por [González], sn embargo su mplementacón es consderablemente más complcada. La bblografía básca que seguremos para desarrollar este apartado vene contenda en [Lee] y [Lee2]. Estos algortmos se basan a grandes rasgos en la actualzacón en cada teracón de las matrces de las bases y de codfcacón, de forma que se consga r convergendo a un certo valor de una funcón de coste prevamente defnda Defncón de la funcón de coste
7 Para encontrar una representacón del tpo V H es necesaro prevamente defnr una funcón de coste que permta determnar la bondad de la aproxmacón. Una funcón de coste de este tpo se puede construr a partr de una medda típca de la dstanca entre dos matrces no negatvas genércas, que denotaremos por A y B. La funcón de dstanca más conocda es la dstanca euclídea, que pasamos a descrbr segudamente: 2 ( A ) 2 j Bj A B = (4.4) j sendo A j y B j los elementos de las matrces A y B. Esta funcón está acotada nferormente por cero, valor que toma cuando A=B. Otra medda de la dstanca se presenta a contnuacón: A D( A B)= ( A log j j Aj + Bj) (4.5) B j Al gual que ocurre en el caso de la dstanca euclídea, esta medda estará acotada nferormente por cero y se cumplrá cuando ambas matrces sean déntcas. Sn embargo no es del todo correcto consderarla una dstanca, ya que no es smétrca en A y B por lo que la llamaremos dvergenca de A con respecto a B. A contnuacón consderaremos dos posbles escenaros en los que formular el problema de optmzacón NMF. j Problema 1: Mnmzar, H 0. 2 V H con respecto a y H, sujeto a la restrccón Problema 2: Mnmzar D( A B) con respecto a y H, sujeto a la restrccón, H 0. Aunque las funcones 2 V H y D( A B) son convexas para sólo o sólo H, no son convexas en ambas varables a la vez. De todas formas parece poco probable esperar que un msmo algortmo pueda resolver ambos problemas smultáneamente encontrando un mínmo global. Sn embargo exsten multtud de técncas numércas de optmzacón que permten encontrar mínmos locales. La reduccón del gradente es quzás la técnca más empleada a la vez que la más smple de mplementar, sn embargo, su convergenca es bastante lenta. Otros métodos basados en el gradente presentan una mayor velocdad de convergenca a la hora de estmar el mínmo local, aunque como era de esperar, son mucho más dfícles de formular e mplementar y además son bastante sensbles a la eleccón del tamaño del paso de smulacón, lo cual sn duda es una gran desventaja en aplcacones de gran envergadura Reglas de actualzacón multplcatvas
8 Se puede comprobar que las sguentes reglas de actualzacón multplcatvas, representan un buen compromso entre velocdad de ejecucón y sencllez de mplementacón, para los Problemas 1 y 2 prevamente descrtos. Como aclaracón de la notacón que usaremos en este apartado, defnamos la transformacón NMF como: ( ) = µ µ a a= 1 r V H H (4.6) donde los subíndces prmero y segundo ndcarán la fla y la columna de dcha matrz respectvamente. Regla 1 (Para la dstanca euclídea) La dstanca euclídea sguente regla de actualzacón de las matrces y H: V H es estrctamente no decrecente bajo la ( V) ( ) H H (4.7) H ( VH ) a ( ) a a (4.8) HH a La dstanca euclídea es nvarante bajo estas reglas de actualzacón s y sólo s y H se encuentran en un punto estaconaro de la dstanca. Regla 2 (Para la dvergenca) La dvergenca D( A B) es estrctamente no decrecente bajo la sguente regla de actualzacón de las matrces y H: H H V / ( H) a µ µ k ka (4.9) a ( ) H V / H µ µ a υ aυ (4.10) La dvergenca es nvarante bajo estas reglas de actualzacón s y sólo s y H se encuentran en un punto estaconaro de la dvergenca.
9 En el [Lee2] se proporcona una demostracón de estas expresones. Por ahora, destaquemos que cada actualzacón consste en una multplcacón por un factor. En partcular, resulta fácl comprobar como este factor multplcatvo es la undad cuando V= H de forma que esta reconstruccón tan perfecta se corresponde necesaramente con un punto fjo en las reglas de actualzacón prevamente descrtas Reglas de actualzacón multplcatvas frente a las adtvas Resulta de gran utldad comparar las reglas multplcatvas con aquellas que se fundamentan en un progresvo descenso del gradente. En partcular, una regla adtva bastante smple para actualzar la matrz H que reduce la dstanca cuadrátca se puede escrbr de la sguente forma: ( ) ( ) H H +η V H (4.11) S los η se toman todos guales a una constante postva arbtraramente pequeña, la expresón anteror se corresponde con el algortmo clásco del gradente. Mentras menor sea esta constante, mayor será la reduccón que se produzca en V H. A contnuacón s fjamos la constante η a un certo valor: η = H ( H) (4.12) obtendremos la regla de actualzacón dada por la ecuacón (4.7), que resuelve el Problema 1. Para el Problema 2, la expresón de la actualzacón de H vene dada por: H H +η V µ a a ( H) µ (4.13) De nuevo, s los η se corresponden con constantes postvas y sufcentemente pequeñas, la regla de actualzacón rá reducendo progresvamente el valor de la dvergenca D( A B). S ahora fjamos el valor de la constante η a un certo valor: η = H a (4.14)
10 obtendremos la regla de actualzacón de la matrz H dada por la ecuacón (4.9), que resuelve el Problema 2. La eleccón de los valores de η es una cuestón crítca ya que de no tomarse de forma adecuada puede ocurrr que la funcón de coste no decrezca como sería deseable Defncón de la funcón de coste y reglas de actualzacón empleadas en el algortmo NMF Llegados a este punto, tendremos que decdr qué problema resolver, esto es, elegr una funcón de coste a optmzar y unas reglas de actualzacón a mplementar en el algortmo. Aunque prevamente hemos defndo unas funcones de coste y unas reglas de actualzacón, vamos a realzar una sere modfcacones en ellas de forma que no sea necesaro realzar el ajuste del parámetroη, cuyo valor resulta crítco de cara a una correcta convergenca del algortmo. Además, el ajuste de η ha de hacerse medante prueba y error, lo cual retardará en exceso el algortmo fnal cuando las dmensones de la matrz V demasado elevadas. La funcón objetvo resultante, que llamaremos F vene descrta en [Lee], y guarda un gran parecdo con la correspondente ala dvergenca: n m µ log( ) ( ) µ µ (4.15) F = V H H = 1 µ= 1 que por supuesto estará tambén sujeta a las restrccones de no negatvdad descrtas prevamente, H 0. Sn embargo, en este caso, la convergenca no se da haca un valor mínmo sno haca un máxmo (en las prmeras teracones, la funcón de coste toma un valor muy negatvo y va crecendo aproxmándose a cero). Realmente, la forma que tome la funcón objetvo no es tan relevante como las restrccones mpuestas referentes a la no negatvdad. Por otro lado, las reglas de actualzacón guardan tambén una gran smltud con las correspondentes al Problema 2 (dvergenca) y se descrben tambén en [Lee] como: V H µ a a µ ( H) µ a j a ja (4.16) µ Ha µ Ha µ a (4.17) ( H ) µ V
11 En el Apéndce I de este proyecto se proporcona una funcón Matlab que permte mplementar este algortmo de Factorzacón No Negatva de Matrces Representacón esquemátca de la reconstruccón de mágenes Por otro lado, resultaría de gran utldad vsualzar la dependenca entre los píxeles de la magen y los elementos de la matrz de codfcacón como se lustra en la fgura 4.6. En la fla superor aparecen los coefcentes de reconstruccón h,..., 1 h r (se correspondería con una columna de la matrz H), y en la fla nferor cada una de las n muestras de una de las m mágenes (se trata de una de las columnas de la matrz V). Los elementos de la matrz determnan la nfluenca que el a-ésmo coefcente de a codfcacón h a, tene en la reconstruccón del -ésmo píxel v. Como se puede comprobar en la fgura cada ha tene repercusón en varos píxeles de la magen a tenor de las múltples conexones entre los ha y los v. Debdo a la no negatvdad de los elementos de a, esta nfluenca sempre será de carácter adtvo en cada píxel por lo que el algortmo NMF que se dseñe ha de controlar que las aportacones sean las adecuadas de cara a una correcta reconstruccón de la magen. Fgura 4.6 Representacón esquemátca de la reconstruccón de mágenes basada en la Factorzacón No Negatva de Matrces. El modelo se presenta como una red que relacona las varables de los datos v,..., 1 v n y las de codfcacón h,..., 1 h r. De acuerdo con el modelo, las varables vsbles v se generan a partr de una dstrbucón de probabldad de meda h a a a. En el dagrama de esta fgura, la nfluenca de h a sobre v la determnan las conexones cuyos pesos venen dados por los elementos de a. Para la aplcacón que estamos desarrollando relatva a la reconstruccón de mágenes, las varables vsbles se corresponden con los píxeles de la magen, mentras que las varables ocultas serán los coefcentes de codfcacón.
12 4.5 Conclusones La Factorzacón No Negatva de Matrces (NMF) se corresponde con una técnca de representacón de datos especalmente ndcada para el aprendzaje basado en el reconocmento de partes en los objetos, como ocurre en el caso del cerebro o los ordenadores. Aunque exsten otras técncas de representacón de datos como ICA, PCA o VQ, cada una presenta característcas específcas en cuanto a la funcón objetva a optmzar y las restrccones a mponer. Por ejemplo, en el Análss de Componentes Independentes se ha de verfcar como que las varables han de ser no gaussanas, mentras que en el caso de la Factorzacón No Negatva de Matrces, la prncpal mposcón radca en que los datos han de ser no negatvos. El hecho de tratar con datos no negatvos hace que la Factorzacón No Negatva de matrces tenga especal relevanca en todas aquellas aplcacones en la que por la naturaleza de los datos se adecue a las mposcones requerdas, como ocurre en el caso del tratamento de mágenes. Para formular el problema es precso defnr una funcón objetvo que optmzar (mnmzar o maxmzar), que puede adoptar dferentes expresones en funcón de cómo se formule la funcón dstanca entre la matrz de datos V y el producto de la matrz de las bases y la de codfcacón H. Para alcanzar un máxmo o mínmo de la funcón objetvo hay que formular un algortmo teratvo que vaya actualzando las matrces y H hasta que se consga el grado de convergenca deseado. Una ventaja esencal de este tpo de representacón de datos medante la Factorzacón No Negatva de Matrces a partr de las matrces y H, consste en un consderable ahorro de nformacón a almacenar con respecto a la matrz V. Sn embargo por consderarse de una aproxmacón (recordemos que V H ), hay que verfcar una correcta convergenca del algortmo teratvo que dé lugar a una descomposcón lo más parecda posble a la matrz de datos orgnal.
FE 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 detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detalles6. Reconstrucción de imágenes ruidosas mediante técnicas basadas en la Factorización No Negativa de Matrices
6. Reconstruccón de mágenes rudosas medante técncas basadas en la Factorzacón No Negatva de Matrces 6.1 Introduccón En este capítulo se presentan dferentes técncas que van a permtr construr mágenes nmersas
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 detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesCinemática del Brazo articulado PUMA
Cnemátca del Brazo artculado PUMA José Cortés Parejo. Enero 8. Estructura del brazo robótco El robot PUMA de la sere es un brazo artculado con artculacones rotatoras que le proporconan grados de lbertad
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 detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detalles3.- Programación por metas.
Programacón Matemátca para Economstas 1 3.- Programacón por metas. Una vez menconados algunos de los nconvenentes de las técncas generadoras, la ncorporacón de nformacón se va a traducr en una accón del
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detalles5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.
Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las
Más detallesPráctica 12 - Programación en C++ Pág. 1. Practica Nº 12. Prof. Dr. Paul Bustamante. Informática II Fundamentos de Programación - Tecnun
Práctca 1 - Programacón en C++ Pág. 1 Práctcas de C++ Practca Nº 1 Informátca II Fundamentos de Programacón Prof. Dr. Paul Bustamante Práctca 1 - Programacón en C++ Pág. 1 INDICE ÍNDICE... 1 1.1 Ejercco
Más detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
Más 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 detalles5 Métodos iterativos para la resolución de ecuaciones algebraicas lineales Método de Gauss-Jacobi Método de Gauss-Seidel...
CONTENIDO 5 Métodos teratvos para la resolucón de ecuacones algebracas lneales 95 5.1 Método de Gauss-Jacob................................ 95 5.2 Método de Gauss-Sedel................................
Más detallesMaestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza
Maestría en Admnstracón Meddas Descrptvas Formularo e Interpretacón Dr. Francsco Javer Cruz Arza A contnuacón mostramos el foco de atencón de las dstntas meddas que abordaremos en el presente manual. El
Más detallesLa representación Denavit-Hartenberg
La representacón Denavt-Hartenberg José Cortés Parejo. Marzo 8 Se trata de un procedmeto sstemátco para descrbr la estructura cnemátca de una cadena artculada consttuda por artculacones con. un solo grado
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesEJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.
EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesIDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR
IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR En esta práctca se llevará a cabo un estudo de modelado y smulacón tomando como base el ntercambador de calor que se ha analzado en el módulo de teoría.
Más detallesCAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED
Modelo en red para la smulacón de procesos de agua en suelos agrícolas. CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED IV.1 Modelo matemátco 2-D Exsten dos posbldades, no ndependentes, de acuerdo con
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 detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
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 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 detallesLECTURA 03: DISTRIBUCIONES DE FRECUENCIAS (PARTE II)
LECTURA 03 DISTRIBUCIONES DE FRECUENCIAS (PARTE II) DISTRIBUCIONES DE FRECUENCIAS EN INTERVALOS DE CLASE Y DISTRIBUCIONES DE FRECUENCIAS POR ATRIBUTOS O CATEGORÍAS TEMA 6 DISTRIBUCIÓN DE FRECUENCIAS EN
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesProblemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel
Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al
Más detallesGERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES
GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
Más detallesTEMA 5. INTERPOLACION
Tema 5: Interpolacón TEM 5. INTERPOLCION. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos. RESUMEN 7. Programacón en Matlab Cálculo numérco en
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesi=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1
CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detalles7. Clasificación de documentos basada en la Factorización No Negativa de Matrices
7. Clasfcacón de documentos basada en la Factorzacón No Negatva de Matrces 7.1 Introduccón En este capítulo, desarrollaremos una metodología que permte dentfcar y clasfcar automátcamente por temátca o
Más detalles5 Centrales Hidráulicas
Curso SmSEE IIE 2012 Cap. 5 pág 1/6 5 Centrales Hdráulcas 5.1 Centrales Hdráulcas con Embalse En el caso de centrales con embalses, tendremos que agregar restrccones adconales para mponer los límtes de
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística
ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es
Más detallesCircuitos eléctricos en corriente continúa. Subcircuitos equivalentes Equivalentes en Serie Equivalentes en Paralelo Equivalentes de Thevenin y Norton
ema II Crcutos eléctrcos en corrente contnúa Indce Introduccón a los crcutos resstvos Ley de Ohm Leyes de Krchhoff Ley de correntes (LCK) Ley de voltajes (LVK) Defncones adconales Subcrcutos equvalentes
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesPropiedades efectivas de medios periódicos magneto-electroelásticos a través de funciones de Green
Propedades efectvas de medos peródcos magneto-electroelástcos a través de funcones de Green utores: Lázaro Makel Sto Camacho Julán Bravo Castllero LOGO Renaldo Rodríguez Ramos Raúl Gunovart Díaz Introduccón
Más detallesNociones sobre cuadrados mínimos por Dr. Horacio Bruzzone
Nocones sobre cuadrados mínmos por Dr. Horaco Bruzzone 1. Introduccón Supongamos que, a través de una sere de medcones, se han determnado un conjunto de n pares de valores de dos magntudes físcas, X e
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesTRABAJO Y ENERGÍA INTRODUCCIÓN. requiere como varia la fuerza durante el movimiento. entre los conceptos de fuerza y energía mecánica.
TRABAJO Y ENERGÍA INTRODUCCIÓN La aplcacón de las leyes de Newton a problemas en que ntervenen fuerzas varables requere de nuevas herramentas de análss. Estas herramentas conssten en los conceptos de trabajo
Más detallesTema 1 Descripción de datos: Estadística descriptiva unidimensional Estadística descriptiva
Descrpcón de datos: Estadístca descrptva undmensonal Estadístca descrptva Objetvos: Ordenar, clasfcar, resumr grandes conjuntos de datos de modo que puedan ser fáclmente nterpretables Defncones báscas:
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesUNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE. Dpto. de Métodos Cuantitativos e Informáticos. Universidad Politécnica de Cartagena.
UNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE COURNOT. Autores: García Córdoba, José Antono; josea.garca@upct.es Ruz Marín, Manuel; manuel.ruz@upct.es Sánchez García, Juan Francsco; jf.sanchez@upct.es
Más detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más 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 detallesGeometría convexa y politopos, día 1
Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesCAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.
Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo
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 detallesALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.
9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara
Más detallesEquilibrio fásico. (b) El sistema heterogéneo se considera aislado.
Termodnámca del equlbro Equlbro fásco Profesor: lí Lara En el área de Ingenería Químca exsten muchos procesos ndustrales en los cuales está nvolucrado el equlbro entre fases. Una de estas operacones es
Más detallesUna renta fraccionada se caracteriza porque su frecuencia no coincide con la frecuencia de variación del término de dicha renta.
Rentas Fnanceras. Renta fracconada 6. RETA FRACCIOADA Una renta fracconada se caracterza porque su frecuenca no concde con la frecuenca de varacón del térmno de dcha renta. Las característcas de la renta
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
Más detallesDpto. Física y Mecánica
Dpto. Físca y Mecánca Mecánca analítca Introduccón Notacón Desplazamento y fuerza vrtual Fuerza de lgadura Trabao vrtual Energía cnétca. Ecuacones de Lagrange Prncpode los trabaos vrtuales Prncpo de D
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
Más detallesAdemás podemos considerar diferentes tipos de medidas de resumen. Entre ellas tenemos:
MEDIDAS DE POSICIÓN Y DISPERSIÓN Estadístca En la clase anteror vmos como resumr la nformacón contenda en un conjunto de datos medante tablas y gráfcos. En esta clase vamos a ver como resumrlos medante
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 detallesObjetivo del tema. Esquema del tema. Economía Industrial. Tema 2. La demanda de la industria
Economía Industral Tema. La demanda de la ndustra Objetvo del tema Entender el modelo económco de comportamento del consumdor, fnalmente resumdo en la funcón de demanda. Comprender el carácter abstracto
Más detallesTEMA 4. TEORÍA DE LA DUALIDAD.
Investgacón Operatva TEMA. TEORÍA DE LA DUALIDAD. TEMA. TEORÍA DE LA DUALIDAD..... INTRODUIÓN... ALGORITMO DUAL DEL SIMPLEX.... EJEMPLO.... EJEMPLO.... EJEMPLO... TEORÍA DE LA DUALIDAD.... PROLEMA PRIMAL
Más detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesOptimización multicriterio. Andrés Ramos Universidad Pontificia Comillas
Optmzacón multcrtero Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu Contendo 1. Conceptos báscos 2. Métodos contnuos 3. Métodos dscretos Escuela Técnca
Más detallesTema 2: El modelo clásico de regresión
CURSO 010/011 Tema : El modelo clásco de regresón Aránzazu de Juan Fernández ECONOMETRÍA I ESQUEMA DEL TEMA Presentacón del modelo Hpótess del modelo Estmacón MCO Propedades algebracas de los estmadores
Más detalles1. Variable aleatoria. Clasificación
Tema 7: Varable Aleatora Undmensonal 1. Varable aleatora. Clasfcacón. Caracterzacón de una varable aleatora. Varable Aleatora dscreta. Varable Aleatora contnua 3. Característcas de una varable aleatora.
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 detallesTEMA 6 AMPLIFICADORES OPERACIONALES
Tema 6 Amplfcadores peraconales ev 4 TEMA 6 AMPLIFICADES PEACINALES Profesores: Germán llalba Madrd Mguel A. Zamora Izquerdo Tema 6 Amplfcadores peraconales ev 4 CNTENID Introduccón El amplfcador dferencal
Más detallesUnidad Nº III Unidad Aritmética-Lógica
Insttuto Unverstaro Poltécnco Santago Marño Undad Nº III Undad Artmétca-Lógca Undad Artmétca-Lógca Es la parte del computador que realza realmente las operacones artmétcas y lógcas con los datos. El resto
Más detalles