Regresión Lineal. Minería de datos con python. Miguel Cárdenas Montes
|
|
- Juan Pablo Córdoba Alarcón
- hace 7 años
- Vistas:
Transcripción
1 Regresión Lineal Minería de datos con python Miguel Cárdenas Montes Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es 2-6 de Noviembre de 2015 M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
2 Tabla de Contenidos 1 Objetivos 2 Introducción 3 Ejemplo Numérico 4 Sobreajuste en Regresión M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
3 Objetivos Conocer la técnica de regresión lineal. Conocer la técnica de regresión polinómica. Aspectos Técnicos Regresión Lineal, y Regresión Polinómica. Sobreajuste M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
4 Introducción M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
5 Regresión Lineal I La técnica de regresión lineal es una de las más populares en minería de datos y en cualquier disciplina científica. Incluso más allá de la minería de datos. Sin embargo es suficientemente sencilla para introducir otros conceptos. Tiene puntos en común con otros algoritmos más complicados. M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
6 Regresión Lineal II Cuál es la recta que mejor se ajusta a estos puntos? Y X M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
7 Regresión Lineal III Esta recta tiene apariencia de ajustar mal Y X M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
8 Regresión Lineal IV Esta recta produce el ajuste óptimo. Cómo se puede automatizar la búsqueda de este óptimo, h θ (x) = θ 0 +θ 1 x? Y X M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
9 Regresión Lineal V El objetivo es optimizar h θ (x) = θ 0 +θ 1 x, y por lo tanto los valores de θ 0 y θ 1. Para este propósito se puede componer una función de coste, cuyo mínimo permite obtener los valores óptimos de θ 0 y θ 1. Función de coste J(θ 0,θ 1 ) = 1 2m puntos (h θ(x i ) y i ) 2, donde m es el número de puntos. M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
10 Regresión Lineal VI Cómo minimizar la función de coste J(θ 0,θ 1 ) = 1 2m puntos (h θ(x i ) y i ) 2. Exiten múltiples métodos para minimizar cualquier función: montecarlo, algoritmos evolutivos, gradiente descendiente, etc. Muchos algoritmos de minería de datos tienen una función de coste fácilmente reconocible y cuyo mínimo en muchos casos puede calcularse con métodos anaĺıticos. Por ejemplo, kmeans, SVM, regresión logística, etc. M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
11 Regresión Lineal VII Si los datos tienen una dimensionalidad más alta (más atributos) se puede ampliar la hipótesis al resto de variabbles, h θ (x) = θ T x = θ 0 x 0 +θ 1 x 1 + +θ n x n. Así la función de coste es: J(θ 0,θ 1,...,θ n ) = 1 2m m i=1 (h θ(x i ) y i ) 2. M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
12 Regresión Lineal VIII O por el contrario se puede utilizar un polinomio de mayor grado: h θ (x) = θ T x = θ 0 +θ 1 x +θ 2 x 2. La función de coste J se contruye de forma equivalente J = 1 2m m i=1 (h θ(x i ) y i ) 2. M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
13 Y Y Regresión Lineal IX Cuál es el mejor ajuste? La que dé el mínimo más bajo en la función de coste? Qué pasa si se aumenta el grado del polinomio? X X M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
14 Regresión Lineal X A medida que se aumenta el grado del polinomio el valor mínimo de la función de coste desciende. Para grados elevados el mínimo es cero, ya que el polinomio pasará por todos los puntos. Es esto adecuado? Cómo varía la capacidad de predicción de nuevos valores a medida que se aumenta el grado del polinomio? M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
15 Regresión Lineal XI Hay una tendencia hacia el uso de datos no idealizados : sucios, ruidosos, con incertidumbres, altamente dimensionales (maldición de la dimensionalidad). Cómo se pueden manejar estos datos? Y X M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
16 Ejemplo Numérico: python M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
17 Regresión Lineal XII import numpy as np import pylab as pl from sklearn import datasets, linear_model import random # Datos x1=[[0.4],[1.1],[2.1],[2.9],[3.1],[4.2],[4.5]] y1=[0.6,1.0,1.9,3.2,3.0,4.1,4.4] # Create linear regression object regr = linear_model.linearregression() # Train the model using the training sets regr.fit(x1,y1) # The coefficients print( Coefficients: \n, regr.coef_, regr.intercept_) M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
18 Regresión Lineal XIII pl.figure(1) pl.plot(x1, regr.predict(x1), color= black, linewidth=3) pl.scatter(x1, y1, s=40, marker= o, color= k ) pl.xlabel( X ) pl.ylabel( Y ) pl.xlim(.0, 5.0) pl.ylim(.0, 5.0) pl.show() M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
19 Ejemplo Numérico: R M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
20 Regresión Lineal XIII # valores eje x x1<-c(0.4,1.1,2.1,2.9,3.1,4.2,4.5) # valores eje y y1<-c(0.6,1.0,1.9,3.2,3.0,4.1,4.4) # ajuste por regresion lineal de las dos variables fit1 <- lm(y1 ~ x1) # valores del ajuste fit1 fit1$coefficients # nuevos valores de x para hacer la prediccion xnew<- seq(0,5,length.out=100) # plot plot(y1~ x1) lines(xnew,predict(fit1,data.frame(x1=xnew)),col="blue",lty = 2) M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
21 Regresión Lineal XIV y x1 M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
22 Regresión No Lineal XV # valores eje x x1<-c(0.4,1.1,2.1,2.9,3.1,4.2,4.5) # valores eje y y1<-c(0.6,1.0,1.9,3.2,3.0,4.1,4.4) # ajuste por regresion lineal de las dos variables fit3 <- lm(y1 ~ poly(x1,3)) # valores del ajuste fit3 fit3$coefficients # nuevos valores de x para hacer la prediccion xnew<- seq(0,5,length.out=100) # plot plot(y1~ x1) lines(xnew,predict(fit3,data.frame(x1=xnew)),col="blue",lty = 2) M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
23 Regresión Lineal XVI y x1 M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
24 Sobreajuste en Regresión M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
25 Sobreajuste I El problema asociado a sobreajustar el modelo (aprendizaje supervisado) a un conjunto particular de datos, produce una reducción de la capacidad de predicción del modelo y de su calidad. y x M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
26 Sobreajuste II x=c(0.3,0.4,1.0,1.1,1.4,2.0,2.1,2.9,3.1,3.4, 4.0,4.1,4.2,4.5,5.0,5.7,6.0,6.2,6.5,6.6) y=c(1.6,1.3,0.9,0.8, 0.6, 1.1,1.7,1.2,2.5, 3.2,3.0,3.3,4.1,4.9,6.4,8.2,8.6,8.9,9.1,9.4) plot(x,y, xlim=c(0,8), ylim=c(-1,12)) fit1 <- lm( y~x ) fit2 <- lm( y~poly(x,2) ) fit3 <- lm( y~poly(x,3) ) fit9 <- lm( y~poly(x,9) ) xx <- seq(0,11, length.out=250) lines(xx, predict(fit1, data.frame(x=xx)), col= green ) lines(xx, predict(fit2, data.frame(x=xx)), col= blue ) lines(xx, predict(fit3, data.frame(x=xx)), col= red ) lines(xx, predict(fit9, data.frame(x=xx)), col= black ) M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
27 Sobreajuste III > sum((fit1$residuals)^2) [1] > sum((fit2$residuals)^2) [1] > sum((fit3$residuals)^2) [1] > sum((fit9$residuals)^2) [1] A medida que se aumenta el grado del polinomio desciende el error (suma de los residuos al cuadrado). Si se aumenta el grado del polinomio mejoramos la representación de los datos de entrenamiento? (Sí, No) Si se aumenta el grado del polinomio mejoramos la capacidad de predicción sobre nuevos datos? (Sí, No) M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
28 Sobreajuste IV y Si se aumenta el grado del polinomio mejoramos la representación de los datos de entrenamiento? (Sí, No) Si se aumenta el grado del polinomio mejoramos la capacidad de predicción sobre nuevos datos? (Sí, No) x M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
29 Sobreajuste V M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
30 Material Adicional Documentos de: regresión lineal, tratamiento de regresión lineal con datos con incertidumbre, qué es el sobreajuste, cómo evitarlo (regularización), aplicación de análisis de componentes principales para reducir el número de atributos (dimensionalidad) del problema. M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
31 Gracias Gracias Preguntas? Más preguntas? M. Cárdenas (CIEMAT) Regresión Lineal 2-6 de Noviembre de / 31
Support Vector Machine
Support Vector Machine Gráficas, estadística y minería de datos con Python Miguel Cárdenas Montes Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es
Más detallesGráficas en Python. Miguel Cárdenas Montes
Gráficas en Python Gráficas estadística y minería de datos con python Miguel Cárdenas Montes Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es
Más detallesAnálisis de la Complejidad de Algoritmos
Análisis de la Complejidad de Algoritmos Gráficas estadística y minería de datos con python Miguel Cárdenas Montes Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es
Más detallesCONSTITUCIONES MISIONEROS CLARETIANOS
CONSTITUCIONES MISIONEROS CLARETIANOS PARTE PRIMERA Capítulo I Capítulo II Capítulo III Capítulo IV Capítulo V Capítulo VI Capítulo VII Capítulo VIII PARTE SEGUNDA Capítulo IX Capítulo
Más detallesJ E F A D E L D E P A R T A M E N T O D E M E D I C I N A V E T E R I N A R I A
U N I V E R S I D A D D E E L S A L V A D O R F A C U L T A D D E C I E N C I A S A G R O N O M I C A S D E T E R M I N A C I Ó N D E A F L A T O X I N A S E N M A Í Z I M P O R T A D O P A R A E L A B
Más detallesPrecisión del Modelo
Precisión del Modelo Gráficas, estadística y minería de datos con python Miguel Cárdenas Montes Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es
Más detallesPráctica 02 Expresiones Algebraicas
Instituto Tecnológico de Costa Rica Escuela de Matemática Matemática General Práctica 0 Expresiones Algebraicas I. Determine el valor numérico de la expresión en cada caso: ) x + ax b si x =, a = y b =
Más detallesSobreajuste - Overfitting
Sobreajuste - Overfitting Miguel Cárdenas-Montes Cuando se evalúa la calidad de un modelo o un ajuste, es importante medir el error en el conjunto de entrenamiento y en la predicción. La utilización exclusiva
Más detallesCuarto examen parcial Ejercicios resueltos
Cálculo I Cuarto examen parcial Ejercicios resueltos Hora de inicio: 8:00. Hora de entrega: :00.. Derivar las siguientes funciones usando la definición: (i) f(x) x+. (ii) g(x) x +. (i) f(x) x+ y f(x +
Más detallesÍndice general. Prefacio...5
Índice general Prefacio...5 Capítulo 1 Introducción...13 1.1 Introducción...13 1.2 Los datos...19 1.3 Etapas en los procesos de big data...20 1.4 Minería de datos...21 1.5 Estructura de un proyecto de
Más detallesINSTITUTO FRANCISCO POSSENTI A.C. Per crucem ad lucem
INSTITUTO FRANCISCO POSSENTI A.C. Per crucem ad lucem BACHILLERATO TECNOLÓGICO EN INFORMÁTICA (BTCININ07) GUÍA PARA EL EXAMEN EXTRAORDINARIO DE ÁLGEBRA (PRIMER SEMESTRE ) Nombre del alumno: Apellido paterno
Más detallesSensorRetnicoEspacioVarianteBasado entecnologacmos
SensorRetnicoEspacioVarianteBasado entecnologacmos DepartamentodeInformaticayElectronica FernandoPardoCarpio UniversitatdeValencia SENSORRETINICOESPACIOVARIANTE MemoriaparaoptaralgradodeDoctorenIngenieraInformatica
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Desde la antigüedad, el problema de buscar patrones en datos es fundamental en diversas
Más detallesDEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
Más detallesALABANZAS. Laudes Domino. pro PAX et BONUM servum satelles. ALABANZAS Laudes Domino
ALABANZAS Laudes Domino pro PAX et BONUM servum satelles 1 I T e a l a b o S e ñ o r : A m a e l c i e l o t u v o z y l a n u b e d e r r a m a l a l l u v i a c o n s u s a b e r s i n m e n g u a. A
Más detallesUNIVERSIDAD AUTÓNOMA DE GUERRERO
UNIDAD ACADEMICA: MATEMÁTICAS CARRERA:. TIPO DE EDUCACION: MEDIA SUPERIOR: SUPERIOR TÉCNICO: LICENCIATURA: X POSGRADO: CARGA ACADÉMICA: ASIGNATURAS: 48 SEMESTRES: MÍNIMO 8 MÁXIMO 10 (SEMESTRE 16 SEMANAS
Más detallesACTIVIDADES POLINOMIOS
ACTIVIDADES POLINOMIOS 1. Indica cuáles de las siguientes expresiones algebraicas corresponden a polinomios. Justifica tu respuesta. a) ( ) = 5 + 4 6,1234 + 0,000017 13 b) ( ) = 3 6 + 26 c) ( ) = 6 13
Más detallesDIRECCIÓN GENERAL DEL BACHILLERATO CENTRO DE ESTUDIOS DE BACHILLERATO LIC. JESÚS REYES HEROLES 4/2 ACADEMIA DE FISICO-MATEMÁTICAS
DIRECCIÓN GENERAL DEL BACHILLERATO CENTRO DE ESTUDIOS DE BACHILLERATO LIC. JESÚS REYES HEROLES / ACADEMIA DE FISICO-MATEMÁTICAS GUIA DE ESTUDIO DE MATEMÁTICAS IV DICIEMBRE, 0. PROFESORA: PROFESORA MARTHA
Más detallesContenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1
Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.
Más detallesTabla de Contenidos. Support Vector Machine Gráficas, estadística y minería de datos con Python. Objetivos. Aspectos Técnicos. Miguel Cárdenas Montes
Support Vector Machine Gráficas, estadística y minería de datos con Python Tabla de Contenidos 1 Objetivos Miguel Cárdenas Montes Centro de Investigaciones Energéticas Medioambientales y Tecnológicas,
Más detallesCurso de Métodos Numéricos. Ajuste de curvas. Regresión.
Curso de Métodos Numéricos. Ajuste de curvas. Regresión. Curso: Métodos Numéricos en Ingeniería Profesor: Dr. José A. Otero Hernández Universidad: ITESM CEM Fecha: Lunes, 20 de octubre de 2014 Tópicos
Más detallesMASTER EN AUDITORÍA PÚBLICA
MODULO 3. INTRODUCCIÓN A LA MASTER EN PÚBLICA ÍNDICE I BLOQUE: MATERIAS JURÍDICAS MODULO 1. LA CONFIGURACIÓN DEL SECTOR PÚBLICO II BLOQUE: MATERIAS CONTABLES MÓDULO 2. LA CONTABILIDAD PÚBLICA III BLOQUE:
Más detallesSistemas Numéricos, Polinomios
Universidad de Los Andes Facultad de Ciencias Forestales y Ambientales Escuela de ingeniería Forestal Departamento de Botánica y Ciencias Básicas Matemáticas I I 04 Prof. K. Chang. Sistemas Numéricos,
Más detallesELECTORES EN DISTRITOS ELECTORALES SEGÚN RANGO DE EDAD Y SEXO I SAN LUIS RIO COLORADO
ELECTORES EN DISTRITOS ELECTORALES SEGÚN RANGO DE EDAD Y SEXO A continuación se presenta la clasificación por rango de edad y sexo de personas que votaron en los distritos electorales. El encabezado describe
Más detallesAnálisis en Componentes Principales
This is page i Printer: Opaque this Análisis en Componentes Principales Dr. Oldemar Rodríguez Rojas 29 de mayo de 2008 ii This is page iii Printer: Opaque this Contents. Análisis en Componentes Principales
Más detallesAjuste de curvas. Regresión.
Ajuste de curvas. Regresión. Curso: Métodos Numéricos en Ingeniería Profesor: Dr. José A. Otero Hernández Correo: j.a.otero@itesm.mx web: http://metodosnumericoscem.weebly.com Universidad: ITESM CEM Tópicos
Más detallesFundamentos y aplicaciones de la colorimetría diferencial
Fundamentos y aplicaciones de la colorimetría diferencial Francisco Miguel Martínez Verdú verdu@ua.es III Congreso Nacional de Gestión del Color en Artes Gráficas Valencia, 31 de octubre de 003 SUMARIO
Más detallesClasificación de estados cerebralesusando neuroimágenes funcionales
Clasificación de estados cerebralesusando neuroimágenes funcionales Clase 2: Reconocimiento de patrones en datos de neuroimagenes Enzo Tagliazucchi (tagliazucchi.enzo@googlemail.com) Primera clase: introducción
Más detallesContenido Nº1 Factor Común Monomio
GUIA PREPARATORIA MATEMATICA UNIDAD : ALGEBRA. CONTENIDOS : Factorizaciones. NOMBRE: Fecha:.. Contenido Nº1 Factor Común Monomio I. EJERCICIOS. Halla el factor común de los siguientes ejercicios: 1) 6x
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesCEROS DE UNA FUNCIÓN POLINOMIAL DIVISIÓN SINTÉTICA TEOREMA DEL RESIDUO TEOREMA DEL FACTOR. Ing. Caribay Godoy
CEROS DE UNA FUNCIÓN POLINOMIAL DIVISIÓN SINTÉTICA TEOREMA DEL RESIDUO TEOREMA DEL FACTOR OBJETIVOS Definir el teorema del residuo. Utilizar el teorema del residuo para evaluar funciones polinomiales.
Más detalles2 Trigonometría Esférica Introducción Deniciones básicas Triángulos esféricos Deniciones y propiedades
Resumen Índice general iii v I Geometría 1 1 Trigonometría plana 3 1.1 Introducción... 3 1.2 Triángulos planos.... 3 1.3 Razones trigonométricas de un ángulo... 5 1.3.1 Reducción de la razones trigonométricas
Más detallesU N I V E R S I D A D D E G U A Y A Q U I L
U N I V E R S I D A D D E G U A Y A Q U I L F A C U L T A D D E C I E N C I A S M A T E M Á T I C A S Y FÍS I C A S C A R R E R A D E I N G E N I E R Í A E N S I S T E M A S C O M P U T A C I O N A L E
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesINDICE. 88 determinante 36. Familias de líneas rectas Resumen de resultados 96
INDICE Geometría Analítica Plana Capitulo Primero Sistema de Coordenadas Articulo 1. Introducción 1 2. Segmento rectilíneo dirigido 1 3. Sistema coordenado lineal 3 4. Sistema coordenado en el plano 5
Más detalles1 Versión provisional susceptible a cambios.
MASTER EN AUDITORÍA PÚBLICA PROGRAMA 1 1 Versión provisional susceptible a cambios. 1 MASTER SOBRE GESTIÓN PRESUPUESTARIA Y AUDITORÍA PÚBLICA ÍNDICE MODULO 1. LA CONFIGURACIÓN DEL SECTOR PÚBLICO MÓDULO
Más detallesInterpolación y aproximaciones polinómicas
This is page i Printer: Opaque this Interpolación y aproximaciones polinómicas Oldemar Rodríguez Rojas Octubre 008 ii This is page iii Printer: Opaque this Contents 1 Interpolación y aproximaciones polinómicas
Más detallesPart I. Descripción estadística de dos variables. Estadística I. Mario Francisco. Variable. bidimensional. Distribuciones de frecuencias
Part I Descripción de dos variables Introducción Si para un mismo individuo observamos simultáneamente k obtendremos como resultado una variable k-dimensional. Nos ocuparemos del estudio de las variables
Más detallesAnálisis de Datos. Análisis lineal discriminante. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Análisis lineal discriminante Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Para reducir el error de clasificación algunas veces es necesario identificar el subconjunto de características
Más detallesINDICE. 88 determinante 36. Familias de líneas rectas Resumen de resultados 96 Capitulo IV
INDICE Geometría Analítica Plana Capitulo Primero Artículo 1. Introducción 1 2. Segmento rectilíneo dirigido 1 3. Sistema coordenado lineal 3 4. Sistema coordenado en el plano 5 5. Carácter de la geografía
Más detallesEFICIENCIA HIDRICA EN LA AGRICULTURA CONAPHI XII 2009
EFICIENCIA HIDRICA EN LA AGRICULTURA CONAPHI XII 2009 Dr. Eduardo A Holzapfel Consideraciones Generales El adecuado manejo del recurso hídrico en la actividad agrícola de cualquier nación es un factor
Más detallesÁlgebra I Práctica 5 - Polinomios
Números complejos Álgebra I Práctica 5 - Polinomios 1. Para los siguientes z C, hallar Re(z), Im(z), z, Re(z 1 ), Im(z 1 ), Re( i z) e Im(i z). i) z = (2 + i)(1 + 3 i). ii) z = 5 i(1 + i) 4. iii) z = (
Más detalles[20380] Visió per Computador Prueba 2 (2013) Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
102784 [20380] Visió per Computador Prueba 2 (2013) Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. En cuál de estas posibles aplicaciones podríamos utilizar una característica
Más detallesELECTORES EN DISTRITOS ELECTORALES SEGÚN RANGO DE EDAD Y SEXO I SAN LUIS RIO COLORADO
ELECTORES EN DISTRITOS ELECTORALES SEGÚN RANGO DE EDAD Y SEXO A continuación se presenta la clasificación por rango de edad y sexo de personas que votaron en los distritos electorales. El encabezado describe
Más detallesPlanificaciones Intr. al Análisis Tensorial. Docente responsable: GOLDSCHMIT MARCELA BEATRIZ. 1 de 6
Planificaciones 6760 - Intr. al Análisis Tensorial Docente responsable: GOLDSCHMIT MARCELA BEATRIZ 1 de 6 OBJETIVOS Introducir al estudiante en el manejo de vectores y tensores en coordenadas generalizadas
Más detallesÍNDICE PRESENTACIÓN 1 I. INTRODUCCIÓN A LA ECONOMETRÍA... 4 CURRICULUM I.1. 4 Definición... I.2
ÍNDICE Pags. PRESENTACIÓN 1 I. INTRODUCCIÓN A LA ECONOMETRÍA... 4 CURRICULUM I.1 4 Definición... I.2 4 Propósito... 1.3 Evolución y Perspectivas de la Econometría... 4 1.4 Los Modelos Macroeconómicos más
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesTEMA 4 CUESTIONARIO DE AUTOEVALUACIÓN
4.5.- En cuál de los siguientes casos se podría utilizar la varianza residual en lugar del coeficiente de determinación para medir la calidad del ajuste? Con el mismo conjunto de datos y dos ajustes distintos.
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN CARRERA DE INGENIERÍA AGRÍCOLA
Cuarto semestre UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN CARRERA DE INGENIERÍA AGRÍCOLA Nombre de la Asignatura: Diseños Experimentales Agrícolas Adscrita al departamento
Más detallesElementos de máquinas de vectores de soporte
Elementos de máquinas de vectores de soporte Clasificación binaria y funciones kernel Julio Waissman Vilanova Departamento de Matemáticas Universidad de Sonora Seminario de Control y Sistemas Estocásticos
Más detallesclustering: Clasificación no Supervisada
clustering: Clasificación no Supervisada Gráficas estadística y minería de datos con python Miguel Cárdenas Montes Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es
Más detalles(Límites y continuidad, derivadas, estudio y representación de funciones)
ANÁLISIS I: CÁLCULO DIFERENCIAL (Límites y continuidad, derivadas, estudio y representación de funciones) Curso 009-010 -Enunciados: pg -Soluciones: pg 3 Curso 010-011 -Enunciados: pg 5 -Soluciones: pg
Más detallesResuelva las siguientes desigualdades justificando solo los pasos en que aplique postulados o teoremas de este modulo.
Ejercicios de autoevaluación Matemáticas II MODULO I CUESTIONARIO Resuelva las siguientes desigualdades justificando solo los pasos en que aplique postulados o teoremas de este modulo. 10. 12. - 4x < 3x
Más detallesINSTITUTO POLITECNICO NACIONAL. CENTRO DE ESTUDIOS CIENTIFICOS Y TECNOLOGICOS. CUAUHTEMOC ACADEMIA DE MATEMATICAS.
INSTITUTO POLITECNICO NACIONAL. CENTRO DE ESTUDIOS CIENTIFICOS Y TECNOLOGICOS. CUAUHTEMOC ACADEMIA DE MATEMATICAS. Guía para el Examen a Titulo de Suficiencia de Algebra. I.- Efectúa las siguientes operaciones:
Más detallesDISEÑO EXPERIMENTAL Y OPTIMIZACIÓN DE SISTEMAS CON MÚLTIPLES RESPUESTAS
DISEÑO EXPERIMENTAL Y OPTIMIZACIÓN DE SISTEMAS CON MÚLTIPLES RESPUESTAS Parte 5: Redes neuronales Héctor Goicoechea E-mail: hgoico@fbcb.unl.edu.ar http://www.fbcb.unl.edu.ar/laboratorios/ladaq/ Redes Neuronales
Más detallesEstadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 2. Modelos de regresión
Estadís5ca Tema 2. Modelos de regresión María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica bajo
Más detallesUniversidad Nacional de Córdoba
PLANIFICACIÒN ELABORADA MEDIANTE EL SOFTWARE GNSS SOLUCTIONS FECHA: 07/11/2012 COLONIA SAN RAFAEL Página I TORO PUJIO Página II LAS TORDILLAS Página III FECHA: 14/11/2012 BLAS DE ROSALES Página IV TEJEDA
Más detallesEl Perceptrón Multicapa
El Perceptrón Multicapa N entradas M neuronas de salida L: neuronas en la capa oculta E = 1 p M ( zi ( k) yi ( k) ) k = 1 i= 1 Implementación de la función XOR Regiones de clasificación en función del
Más detalles(Matrices y determinantes. Sistemas de ecuaciones lineales) A partir del curso dejaron de publicarse los exámenes de reserva.
ÁLGEBRA LINEAL (Matrices y determinantes. Sistemas de ecuaciones lineales) Curso 9-1 -Enunciados: pg.. -Soluciones: pg 3. Curso 1-11 -Enunciados: pg. 5. -Soluciones: pg 6. Curso 11-1 -Enunciados: pg. 8.
Más detallesPreliminares Métodos de Ajuste de Curvas AJUSTE DE CURVAS AJUSTE DE CURVAS
Contenido 1 Preliminares Definiciones 2 Definiciones Contenido 1 Preliminares Definiciones 2 Definiciones Definiciones En ciencias e ingeniería es frecuente que un experimento produzca un conjunto de datos
Más detallesCURSO DE METODOS NUMERICOS INDICE
CURSO DE METODOS NUMERICOS INDICE PRIMERA PART E: INTRODUCCION AL ANALISIS NUMERICO Y A LA COMPUTACION Capítulo I. Introducción al Análisis Numérico. 1. Algoritmos y diagramas de flujo. pg. 1 2. Origen
Más detallesAnálisis en Componentes Principales
This is page i Printer: Opaque this Análisis en Componentes Principales Dr. Oldemar Rodríguez Rojas 24 de mayo de 2009 ii This is page iii Printer: Opaque this Contents. Análisis en Componentes Principales
Más detallesMétodos Estadísticos de la Ingeniería Tema 4: Correlación y Regresión Grupo B
Métodos Estadísticos de la Ingeniería Tema 4: Correlación y Regresión Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2010 Contenidos...............................................................
Más detallesFactores cuantitativos en la Toma de Decisiones. Conceptos generales y modelos
Factores cuantitativos en la Toma de Decisiones Conceptos generales y modelos Modelos y la toma de decisiones El proceso racional de toma de decisiones utiliza modelos y reglas matemáticas Estos modelos
Más detallesEcuaciones de Segundo Grado
Ecuaciones de Segundo Grado René Descartes nació en Francia en el siglo XVII. Fue un gran filósofo y matemático. Considerado por muchos como el fundador de la filosofía moderna, hace famosa su frase: "PIENSO,
Más detallesUniversidad Nacional de Colombia Departamento de Matemáticas Álgebra Lineal - Grupo 01 Taller 1, E = 2 4
(i) Sean A = [ ] 1 3, B = 1 4 posible calcule: Universidad Nacional de Colombia Departamento de Matemáticas 100003-1 Álgebra Lineal - Grupo 01 Taller 1 1 0 1, C = 3 1 3 4 1 5, D = 3 1 3 [ ] 3, E = 4 4
Más detallesPrincipales cambios en las boletas. de los censos latinoamericanos de. las decadas de 1990, 2000 y 2010
: MANUALES Principales cambios en las boletas de los censos latinoamericanos de las decadas de 1990, 2000 y 2010 Centro Latinoamericano y Caribeno de Demografia (CELADE) - Division de Poblaciön de la CEPAL
Más detallesAprendizaje no supervisado
Aprendizaje no supervisado Algoritmo de K medias Julio Waissman Vilanova Licenciatura en Ciencias de la Computación Universidad de Sonora Curso Inteligencia Artificial Plan del curso Aprendizaje no supervisado
Más detallesRelación entre Variables Cuantitativas. Regresión. Correlación y Regresión 1. Obtención de leyes experimentales. Obtención de leyes experimentales
Obtención de lees eperimentales elación entre Variables Cuantitativas ECUACIÓN E EGESIÓN Cuando entre dos variables e eiste relación, ha tres posibilidades: es causa de es causa de ambas son efectos de
Más detallesMg. Lic. ADÁN, TEJADA CABANILLAS Página 1
PROYECTO DE INVESTIGACION por Universidad Nacional del Callao se encuentra bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 2.5 Perú. Permisos que vayan más allá de lo cubierto por
Más detallesColegio FUENTELARREYNA
Colegio FUENTELARREYNA RESOLUCIÓN de de septiembre de 9 en la que se establecen los estándares o conocimientos esenciales de la materia de Matemáticas para el primer curso de la Educación Secundaria Obligatoria
Más detallesTEORIA. Indique si es Falso/verdadero
Universidad Nacional Autónoma de México Facultad de Estudios Superiores Zaragoza Guía para presentar el Examen de Recuperación de Matemáticas I Correspondiente a la carrera de Biología ÁREA: Matemáticas,
Más detallesDISPOSICIONES GENERALES
2983 I DISPOSICIONES GENERALES CONSEJERÍA DE ADMINISTRACIÓN PÚBLICA Y HACIENDA ORDEN de 26 de enero de 2011 por la que se publican las tarifas actualizadas de las tasas y precios públicos de la Comunidad
Más detallesTema 2: Introducción a scikit-learn
Tema 2: Introducción a scikit-learn José Luis Ruiz Reina Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Razonamiento asistido por computador, 2017-18 Ejemplo:
Más detallesAnálisis de Datos. Regresión logística. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Regresión logística Profesor: Dr. Wilfrido Gómez Flores 1 Regresión logística Supóngase que se tiene una variable binaria de salida Y, y se desea modelar la probabilidad condicional P(Y=1
Más detallesManejo de campos numéricos y relaciones entre cantidades.
Manejo de campos numéricos y relaciones entre cantidades. Resolverá en términos numéricos empleando las propiedades y operaciones aplicables al campo de los conjuntos y números reales así como la traducción
Más detallesUna inecuación a diferencia de una ecuación es una expresión que involucra símbolos tales > " en lugar del símbolo =.
Esta guía ha sido preparada por José Arturo Barreto MA Universidad de Teas Barquisimeto, Venezuela Enero 005 Una inecuación a diferencia de una ecuación es una epresión que involucra símbolos tales como
Más detallesÁlgebra I Práctica 5 - Polinomios
Álgebra I Práctica 5 - Polinomios Números complejos 1. Para los siguientes z C, hallar Re(z), Im(z), z, Re(z 1 ), Im(z 1 ), Re( i z) e Im(i z). i) z = (2 + i)(1 + 3 i). ii) z = 5 i(1 + i) 4. iii) z = (
Más detallesDISPOSICIONES GENERALES
4790 I DISPOSICIONES GENERALES CONSEJERÍA DE ADMINISTRACIÓN PÚBLICA Y HACIENDA ORDEN de 16 de febrero de 2009 por la que se publican las tarifas actualizadas de las tasas y precios públicos de la Comunidad
Más detallesEstadís6ca y Métodos Numéricos Tema 6. Modelos de Regresión
Estadís6ca y Métodos Numéricos Tema 6. Modelos de Regresión Ángel Barón Caldera Ángel Cobo Ortega María Dolores Frías Domínguez Jesús Fernández Fernández Francisco Javier González Or@z Carmen María Sordo
Más detallesEjemplo de Regresión Lineal Simple
Ejemplo de Regresión Lineal Simple Países Porcentaje de Inmunización (x) Tasa de mortalidad (y) Bolivia 77 8 Brazil 69 65 Cambodia 3 84 Canada 85 8 China 94 43 Czech_Republic 99 Egypt 89 55 Ethiopia 3
Más detallesAnálisis de Regresión y Correlación Lineal
Análisis de Regresión y Correlación Lineal Análisis de dos ó más variables aleatorias Veamos que en los siguientes estudios hay situaciones donde intervienen más de una variable aleatoria Ejemplos: La
Más detallesDeep Learning Seminario Minería de Datos
Deep Learning Seminario Minería de Datos Álvaro Riascos Mónica Ribero 2 de mayo de 2017 Contenido 1 Introducción 2 Modelo Logit 3 Redes Neuronales 4 Aplicaciones 5 Redes en el contexto de NLP 6 Otras arquitecturas
Más detallesSe consideran tipos de cuantía fija aquellos que no se determinan por un porcentaje de la base o ésta no se valora en unidades monetarias.
4188 ORDEN de 15 de febrero de 2008 por la que se publican las tarifas actualizadas de las tasas y precios públicos de la Comunidad Autónoma de Extremadura, en virtud de lo dispuesto en la Ley de Presupuestos
Más detallesTema 2: Estadística Bivariante Unidad 1: Correlación y Regresión
Estadística Tema 2: Estadística Bivariante Unidad 1: Correlación y Regresión Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Octubre 2010 Contenidos...............................................................
Más detallesMujeres - ÁREA VIII: MAR MENOR
Menores de TOTAL año De a 4 años De 5 a 9 años De 0 a 4 años De 5 a 9 años TOTAL 273 2 I. Ciertas enfermedades infecciosas y parasitarias 8 II. Neoplasias 70 III. Enfermedades de la sangre y de los órganos
Más detallesRedes Neuronales Artificiales El Perceptrón
1 Sistemas Expertos e Inteligencia Artificial / Guía IX / Ciclo 01-2018 Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Redes Neuronales Artificiales El
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesTema 13: Regresión Logística p. 1/20 Tema 13: Regresión Logística Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del
Más detallesESTUDIO DE PRE FACTIBIIDAD
ESTUDIO DE PRE FACTIBIIDAD I. INTRODUCCION II. RESUMEN EJECUTIVO III. ANALISIS DEL ENTORNO IV. ESTUDIO DE PRE FACTIBIIDAD OBJETIVO CARACTERISTICA POLITICAS ECONOMICAS O INDUSTRIALES QUE LIMITAN O FAVORECEN
Más detallesÁlgebra I Práctica 5 - Polinomios
Álgebra I Práctica 5 - Polinomios 1. Para los siguientes z C, hallar Rez), Imz), z, Rez 1 ), Imz 1 ), Re i z) e Imi z). i) z = 2 + i)1 + 3 i). ii) z = 5 i1 + i) 4. iii) z = 2 + 3 i) 2 1 3 i). iv) z = i
Más detallesMujeres - Tasa de mortalidad especifica por habitantes.
NOROESTE Menores de un Total año De 1 a 4 años De 5 a 9 años De 10 a 14 años De 15 a 19 años Total 802,48 560,22 94,92 I. Ciertas enfermedades infecciosas y parasitarias 10,99 II. Neoplasias 153,90 47,46
Más detalles1. Optimización sobre intervalos intervalos cerrados
Universidad Autónoma Metropolitana (Iztapalapa) Cálculo Diferencial (CA53-14o) Tarea # 4 1. Optimización sobre intervalos intervalos cerrados Para cada uno de los siguientes dos problemas, el dominio de
Más detallesCronograma completo de Análisis III
Cronograma completo de Análisis III Unidad I Semana I Clase I Transformada de Laplace. Definición. Condiciones de existencia. Cálculo de la transformada de Laplace de las funciones básicas. Propiedades
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 21 - Junio - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que,
Más detallesEvolución de la accidentalidad en cinco sectores de la producción almeriense
Sección Técnica Este artículo fue publicado en el número 14-2001, páginas 14 a 20. Siguiendo la línea de la página Web del INSHT se incluirán los textos íntegros de los artículos prescindiendo de imágenes
Más detallesCRÍTICA A LA REFORMA CONSTITUCIONAL ENERGÉTICA DE 2013
CRÍTICA A LA REFORMA CONSTITUCIONAL ENERGÉTICA DE 2013 INSTITUTO DE INVESTIGACIONES JURÍDICAS Serie Estudios Jurídicos, Núm. 258 Coordinadora editorial: Elvia Lucía Flores Ávalos Asistente editorial: Karla
Más detalles