INTRODUCCIÓN A LOS MODELOS OCULTOS DE MARKOV. Luis Miguel Bergasa Pascual

Tamaño: px
Comenzar la demostración a partir de la página:

Download "INTRODUCCIÓN A LOS MODELOS OCULTOS DE MARKOV. Luis Miguel Bergasa Pascual"

Transcripción

1 ITRODUCCIÓ A LOS MODELOS OCULTOS DE MARKOV Lus Mguel Bergasa Pascual Deparameno de Elecrónca. Unversdad de Alcalá. Emal:bergasa@depeca.uah.es Lus M. Bergasa. Deparameno de Elecrónca COTEIDOS Inroduccón Revsón de concepos Procesos de Markov Modelos oculos de Markov Eemplos de aplcacón Lus M. Bergasa. Deparameno de Elecrónca 2

2 Fenómenos aurales Emen señales o enen propedades observables con caraceríscas esadíscas que pueden varar con el empo. Clasfcacón de las señales: Dscreas p.e. el alfabeo o connuas p.e. la voz Esaconaras o esocáscas Puras o dsorsonadas por el rudo Lus M. Bergasa. Deparameno de Elecrónca 3 Problema: modelar dchos fenómenos Esablecer una represenacón maemáca del fenómeno que perma explcarlo. Deben permr analzar el fenómeno sn necesdad de ser observado drecamene Deben ener una represenacón adecuada: Buena capacdad de reconocmeno Predccón Tpos: Deermnsas: exploran caraceríscas conocdas de la señal Esadíscos: caracerzan la señal con valores esadíscos Lus M. Bergasa. Deparameno de Elecrónca 4

3 Modelos Esadíscos de Señales Cadenas de Markov Markov906 Señales observables represenadas como un proceso aleaoro paramérco Los parámeros pueden deermnarse con precsón Modelos Oculos de Markov HMM Baum e al Exensón de las cadenas de Markov cuando las señales no son observables Lus M. Bergasa. Deparameno de Elecrónca 5 Eemplo: esado del empo Lluvoso 0.2 uboso S S S Soleado Dado que hoy esa soleado cuál es la probabldad de la secuenca soleado nuboso lluvoso? Lus M. Bergasa. Deparameno de Elecrónca 6

4 Tpos de Modelos de Markov Caraceríscas generales Elemenos báscos de odo modelo de Markov: El ssema ene varos esados ss El ssema evolucona de unos esados a oros con ranscones probablíscas ps s s0 0.2 s s MODELO DE TRASICIÓ ps s s s s0 s s2 s3 s4 s s s4 0.8 s3 0.2 s s s PROPIEDAD DE MARKOV: El esado en + sólo depende del esado en y no de la evolucón aneror del ssema. Lus M. Bergasa. Deparameno de Elecrónca 7 Tpos de Modelos de Markov Clasfcacón o hay accones sólo ranscones esocáscas Esado observable Cadenas de Markov Markov Chans Esado oculo observacones Modelos Oculos de Markov HMMs Hay accones que producen ranscones esocáscas Procesos de Decsón de Markov MDPs Procesos de Decsón de Markov Parcalmene Observables POMDPs Lus M. Bergasa. Deparameno de Elecrónca 8

5 Tpos de Modelos de Markov. Cadenas de Markov Markov Chans En una Cadena de Markov el ESTADO es COMPLETAMETE OBSERVABLE conocdo en odo momeno y O EXISTE ACCIOES no hay oma de decsones -> equvale a una sóla accón s0 0.2 s s MODELO DE TRASICIÓ ps s s s s0 s s2 s3 s4 s s s4 0.8 s3 0.2 s s s Lus M. Bergasa. Deparameno de Elecrónca 9 Tpos de Modelos de Markov 2. Modelos Oculos de Markov HMMs En un Modelo Oculo de Markov el ESTADO es PARCIALMETE OBSERVABLE no se conoce pero exsen observacones oo y O EXISTE ACCIOES no hay oma de decsones -> equvale a una sóla accón o0 con prob 20% o con prob 80% s s4 o2 con prob 00% o con prob 50% o2 con prob 50% 0.5 s s2 0.9 s o0 con prob 70% o0 con prob 30% o2 con prob 30% o con prob 70% Lus M. Bergasa. Deparameno de Elecrónca MODELO DE TRASICIÓ ps s Y MODELO DE OBSERVACIÓ po s eemplo con 3 posbles observacones s o o0 o o2 s s 0 0 s s s Aquí el problema es esmar el esado varable ocula 0

6 Tpos de Modelos de Markov 3. Procesos de Decsón de Markov MDPs En un Proceso de Decsón de Markov el ESTADO es COMPLETAMETE OBSERVABLE conocdo en odo momeno y EXISTE DIFERETES ACCIOES un modelo de ranscón para cada accón -> ps sa s0 a0 a a0 s a a s2 MODELO DE TRASICIÓ ps sa en ese caso al haber 2 accones son dos marces: ps sa0 y ps sa a0 s4 a0 a s3 Aquí el problema es la oma de decsones selecconar las accones para maxmzar una recompensa fuura. Para ello se defne el: Lus M. Bergasa. Deparameno de Elecrónca MODELO DE RECOMPESA rs a POLÍTICA: asoca una accón ópma a cada esado que maxmza la recompensa fuura. Varos algormos Tpos de Modelos de Markov 4. Procesos de Decsón de Markov Parcalmene Observables POMDPs En un Proceso de Decsón de Markov Parcalmene Observable el ESTADO es PARCIALMETE OBSERVABLE no se conoce pero se dspone de observacones y EXISTE DIFERETES ACCIOES un modelo de ranscón para cada accón -> ps sa o0 con prob 20% o con prob 80% a0 s0 a o2 con prob 00% a0 s a a s2 o con prob 50% o2 con prob 50% MODELO DE TRASICIÓ ps sa MODELO DE OBSERVACIÓ po s MODELO DE RECOMPESA rsa a0 s4 a a0 s3 Aquí hay dos problemas: la esmacón del esado como en HMM o0 con prob 70% o2 con prob 30% o0 con prob 30% o con prob 70% la oma de decsones como en MDP Lus M. Bergasa. Deparameno de Elecrónca 2

7 Tpos de Modelos de Markov Algormos probablíscos úles Esado observable Esado oculo observacones FILTROS BAYESIAOS Para esmar el esado cuando es oculo CREECIA BelS o hay accones sólo ranscones esocáscas Cadenas de Markov Markov Chans Modelos Oculos de Markov HMMs Bels' po s' ps' s Bels ds Hay accones que producen ranscones esocáscas Procesos de Decsón de Markov MDPs Procesos de Decsón de Markov Parcalmene Observables POMDPs Bels' po s' ps' sa Bels ds Políca a=s Políca a=bels TEORÍA DE DECISIOES Para selecconar la accón a eecuar Lus M. Bergasa. Deparameno de Elecrónca 3 Cadenas de Markov MC Dado un proceso represenado por esados S =... camba de esado según cera probabldad asocada a cada esado en punos dscreos en el empo =...T. Se dce que en el empo el ssema esá en el esado q. La descrpcón probablísca del proceso es P[q = S q - = S q -2 = S k ]=P[q = S q - = S ] prmer orden. Consderándolo ndependene del empo se enen las probabldades de ranscón enre esados a = P[q = S q - = S ] donde a 0y a =. Probabldades del esado ncal = P[q = S ] =... =... Lus M. Bergasa. Deparameno de Elecrónca 4

8 Eemplo de MC: esado del empo Modelo de Markov observable: cada esado es un eveno físco observable. Marz de probabldad de ranscón de esados: A { a 0.4 } Dado que hoy esa soleado cuál es la probabldad la secuenca soleado nuboso lluvoso O ={S 3 S 2 S }? PO/Modelo = P[S 3 ].P[S 2 S 3 ]. P[S S 2 ] = 3 a 32 a 2 = = 0.02 Lus M. Bergasa. Deparameno de Elecrónca 5 Exensón a HMM En las cadenas de Markov el esado es observable el parámero es la probabldad de ranscón. En HMM la observacón es una funcón probablísca del esado. El modelo ene dos procesos esocáscos embebdos uno no es observable esados oculos pero puede ser observado medane el oro proceso secuenca de observacones. Lus M. Bergasa. Deparameno de Elecrónca 6

9 Eemplo HMM: lanzameno de monedas Del expermeno solo se sabe los resulados del lanzameno de las monedas las monedas esán oculas. Se observan los símbolos cara C y cruz X: O = CXXCCXCXX... Cómo consrur un modelo que explque la secuenca de monedas? A qué corresponden los esados? Lus M. Bergasa. Deparameno de Elecrónca 7 Eemplo HMM:. Asumendo una moneda Cada esado podría represenar el resulado del lanzameno PC PC S S 2 -PC Cara -PC Cruz - Modelo observable - Especfcado con solo deermnar: PC - Parámeros: Lus M. Bergasa. Deparameno de Elecrónca 8

10 Eemplo HMM: 2. Asumendo dos monedas Cada esado podría represenar una moneda a 22 a S S 2 a 22 PC=p PX=p a PC=p 2 PX =p 2 - Cada esado ene una funcón de dsrbucón de prob. - Especfcado con 4 parámeros: p p 2 a a 22. Lus M. Bergasa. Deparameno de Elecrónca 9 Eemplo HMM: 3. Asumendo res monedas a 2 PC=p PX=-p a 2 a a 2 22 PC=p 2 PX=-p 2 a 3 a 23 a 3 - Parámeros = 9 p p 2 p 3 a a 2 a 2 a 22 a 3 a 32 3 a 33 a32 PC=p 3 PX=-p 3 Cuál es el meor modelo? - Correspondenca con el fenómeno físco - Candad de parámeros: flexbldad vs. esfuerzo cálculo Lus M. Bergasa. Deparameno de Elecrónca 20

11 Eemplo HMM: modelo de urnas y bolas Urna Urna 2 Urna n PRoo=b PAzul=b2.. PVerde=bM PRoo=b2 PAzul=b22.. PVerde=b2M PRoo=bn PAzul=bn2.. PVerde=bnM O={Roo Azul Azul Verde Verde Verde} Observacones: color de las bolas Esados: urnas de donde se exraen las bolas oculos Parámeros: n n-+n m- n=nº de urnas m= nº de colores Lus M. Bergasa. Deparameno de Elecrónca 2 Formalzacón de HMM : candad de esados oculos pero con sgnfcado. M: candad de símbolos observales por esado V = {v...v M }. Dsrbucón de probabldad de la ranscón enre esados A = {a } a = P[q + = S q = S ] =... Dsrbucón de prob. de observacón de símbolo en cada esado B = {b k} b k = P[v k q = S ] =... k=..m. Dsrbucón de probabldad del esado ncal = { } = P[q = S ] =... oacón - Observacón: O = O O 2...O T de amaño T - Modelo: =A B Lus M. Bergasa. Deparameno de Elecrónca 22

12 Obencón de los parámeros del modelo. Elegr un esado ncal q =S según la dsrbucón ncal de esados. 2. Poner =. 3. Elegr O =V k según la probabldad de dsrbucón de símbolo en el esado S p.e. b k. 4. Pasar a un nuevo esado q + =S según la dsrbucón de probabldad de ranscón para el esado S p.e. a. 5. Poner =+ vuela al paso 3 s <T en caso conraro ermnar el proceso. Lus M. Bergasa. Deparameno de Elecrónca 23 Problemas fundamenales Evaluacón: Dado el modelo =A B y la secuenca de observacones O = O O 2...O T calcular PO algormo forward-backward. Dado el modelo =A B y la secuenca de observacones O = O O 2...O T enconrar la secuenca de esados correspondenes Q = q q 2...q T que meor explque las observacones algormo de Verb. Enrenameno: dada la secuenca de observacones O = O O 2...O T enconrar los parámeros del modelo =A B que maxmcen PO algormo de Baum-Welch Lus M. Bergasa. Deparameno de Elecrónca 24

13 Solucón al problema de Evaluacón Dados O = O O 2...O T y calcular PO. Para ello se enumeran las secuencas de esados de amaño T. Para la secuenca Q = Q Q 2...Q T Asumendo ndependenca en las observacones: PO Q = b q O b q2 O 2... b qt O T. La probabldad de la sec. PQ = q a qq2 a q2q3...a qt-qt. La probabldad conuna de O y Q es POQ = PO Q PQ Sumando para odas las posbles secuencas de esados P Q Lus M. Bergasa. Deparameno de Elecrónca P O / Q P O / q T O / P O / Q P Q / q bq O aq q bq O... aq q bq Q T T T T q 25 Algormo forward-backward El cálculo requere de 2T T operacones nvable Solucón: algormo forward-backward Cálculo de 2 varables nermedas: Forward: P OO 2... O q S / probabldad de la secuenca de observacones parcales O O 2 O y el esado S en el nsane para el modelo. Backward: P O O 2... OT / q S probabldad de la observacón parcal de la secuenca desde + hasa el fnal dado un esado S y un modelo Lus M. Bergasa. Deparameno de Elecrónca 26

14 Cálculo de la varable Incalzacón: b O Induccón: Conclusón: a b O P O / T T Operacones: 2 T Lus M. Bergasa. Deparameno de Elecrónca 27 Cálculo de la varable Incalzacón: T Induccón: a b O T T 2... Conclusón: P O / T Operacones: 2 T Lus M. Bergasa. Deparameno de Elecrónca 28

15 Solucón al problema de Sec.. de esados o hay secuenca ópma únca exsen muchos creros. Una forma basada en programacón dnámca es el algormo de Verb: -Dada O = O O 2...O T enconrar Q = Q Q 2...Q T. - Se defne: = max qq2...q- P[q q 2...q = O O 2...O T ] la máx. probabldad en el camno en empo y fnal en esado S. - Inducvamene: + = [max =... a ] b O + =... =...T-. Lus M. Bergasa. Deparameno de Elecrónca 29 Algormo de Verb Incalzacón: Recursvdad: b 0 O Termnacón: max a b O arg max a P* Secuenca de esados ópma: 2 T max q * arg max T q* q * T T 2... Lus M. Bergasa. Deparameno de Elecrónca 30 T T

16 Solucón al problema de Enrenameno o se conoce resolucón analíca de los parámeros del modelo que maxmce la probabldad de la secuenca de observacones. o hay forma ópma de esmar los parámeros. Se puede resolver con méodos ópmos locales medane procedmenos eravos: Baum-Welch Méodos de gradenes. Lus M. Bergasa. Deparameno de Elecrónca 3 El algormo Baum-Welch Méodo de opmzacón local problema de mínmos locales Requere de parámeros A B ncales Lus M. Bergasa. Deparameno de Elecrónca 32

17 Lus M. Bergasa. Deparameno de Elecrónca 33 El algormo El algormo Baum Baum-Welch Welch Realza la esmacón de A B apoyándose en: Calcula una varable nermeda: / O S q S q P O b a O b a O P O b a / O P / Lus M. Bergasa. Deparameno de Elecrónca 34 El algormo El algormo Baum Baum-Welch Welch Tambén es necesaro calcular: úmero de ranscones desde el esado S : úmero de ranscones del esado S al esado S : Fórmulas de esmacón de A B : T T T T a T T V Observando O k b k M k

18 El algormo Baum-Welch Con esas fórmulas pasamos de un modelo modelo A B Procedmeno eravo sempre que: A B P O / P O / a oro La eracón fnalza cuando máx. verosmlud del HMM En cada eracón se cumple: a M k b k Lus M. Bergasa. Deparameno de Elecrónca 35 El algormo Baum-Welch IICIO Relleno del buffer de enrenameno [A] = [A ncal ] [B] = [B ncal ] [] = [ ncal ] = A B P O / P O / P O / = 0 b O a b O L P O / L P O / P O / O FI DEL ETREAMIETO SI Lus M. Bergasa. Deparameno de Elecrónca 36

19 Lus M. Bergasa. Deparameno de Elecrónca 37 El algormo El algormo Baum Baum-Welch Welch SI SI L... L O b a... L O b a O b a... L a L L M k k b L L V Observando O k Lus M. Bergasa. Deparameno de Elecrónca 38 Lmacones Lmacones Supone que las observacones sucesvas son ndependenes. Suposcón Markovana: la probabldad de esar en un esado en deermnado empo sólo depende del esado en el empo aneror.

20 Eemplos de aplcacón Reconocmeno de gesos facales medane vsón arfcal usando HMMs. Idenfcacón de blancos aéreos medane radar usando HMMs Lus M. Bergasa. Deparameno de Elecrónca 39 Reconocmeno de gesos Se han colocado unas peganas en la cara del usuaro y se esuda su evolucón en la realzacón de gesos medane HMMs Las peganas se segmenan medane un algormo de deeccón de color con funcones Gaussanas a pror Se han creado cuaro HMMs: dos modelan la aperura de los oos oro la aperura de la boca y el úlmo el esrameno de la boca. Lus M. Bergasa. Deparameno de Elecrónca a2 a a22 abero semcerrado a2 a32 a3 a3 a23 cerrado a33 40

21 Reconocmeno de gesos Como observacón para obener el grado de aperura del oo se usa la colnealdad presenada por su conorno Como observacón para esmar la aperura de la boca se ulza la dferenca enre los cenros de gravedad de las peganas superor e nferor de la boca. Para el esrameno se ulza la dferenca de componenes x de las peganas zquerda y derecha. Defncón de esados: Para los oos: cerrado semcerrado y abero. Para la aperura de la boca: abera semabera y cerrada. Para el esrameno de la boca: esrada semesrada y encogda Lus M. Bergasa. Deparameno de Elecrónca 4 Reconocmeno de gesos Se capuran observacones de cada po boca y oos y se efecúa el enrenameno de los 4 HMM. El enrenameno ausa los valores de [A] [B] y [] Lus M. Bergasa. Deparameno de Elecrónca 42

22 Reconocmeno de gesos A parr de la nformacón aneror se pueden reconocer una sere de gesos: Lus M. Bergasa. Deparameno de Elecrónca 43 Reconocmeno de gesos Lus M. Bergasa. Deparameno de Elecrónca 44

23 Idenfcacón de blancos aéreos Obevo: Obener denfcacón posva de un blanco aéreo sn la colaboracón de ése. Se usa el méodo HRR HIGH RESOLUTIO RADAR Se basa en el esudo de las caraceríscas del eco recbdo Se produce una reflexón radar dferene en funcón de la forma del blanco Depende de los cenros de scaer Lus M. Bergasa. Deparameno de Elecrónca 45 Idenfcacón de blancos aéreos Las señales a clasfcar son muy parecdas enre s Dependen del ángulo de observacón Las regones de decsón esán muy solapadas La correlacón equvoca a menudo la clasfcacón Blanco 8 Blanco 9 Blanco Blanco 4 Blanco 3 Blanco 2 Blanco 5 Blanco 6 Blanco 7 Lus M. Bergasa. Deparameno de Elecrónca 46

24 Idenfcacón de blancos aéreos??????????? MODELO DETECCIO CORRELADOR 2 3 BASE DE DATOS MODELOS BUFFER HMM DETECCIO FIAL Lus M. Bergasa. Deparameno de Elecrónca 47 Idenfcacón de blancos aéreos Resulados: SE UTILIZA SECUECIAS DE ETREAMIETO PARA CADA MODELO. EXISTE UA BASE DE DATOS DE OBSERVACIOES CO 800 ARRAYS DE 0 ELEMETOS. PORCETAJE DE ERROR MODELOS O. MARKOV CORRELACIO Modelo 0 % 40 % Modelo 2 0 % 50 % Modelo 3 0 % 40 % Modelo 4 0 % 40 % Modelo 5 0 % 40 % Modelo 6 0 % 40 % Modelo 7 0 % 30 % Modelo 8 0 % 40 % Lus M. Bergasa. Deparameno de Elecrónca 48

25 Bblografía Rabner L.R 989. A uoral on Hdden Markov Models and Seleced Applcaons n Speech Recognon. Proceedngs of he IEEE 772. hp:// GHMM Lbrary en Max Planck Insue for Molecular Genecs hp:// Murphy K HMM Toolbox for Malab hp:// Lus M. Bergasa. Deparameno de Elecrónca 49

Reconocimiento Automático de Voz basado en Modelos Ocultos de Markov

Reconocimiento Automático de Voz basado en Modelos Ocultos de Markov Reconocmeno Auomáco de Voz basado en Modelos Oculos de Markov Auor: Dr. Juan Carlos Gómez. Presenacón basada en las sguenes Referencas: [] Rabner, L. & Juang, B-H.. Fundamenals of Speech Recognon, Prence

Más detalles

En este capítulo se presenta a detalle el esquema de relajación Lagrangeana utilizado para

En este capítulo se presenta a detalle el esquema de relajación Lagrangeana utilizado para CAPITULO 4 Descrpcón del algormo propueso En ese capíulo se presena a dealle el esquema de relaacón Lagrangeana ulzado para la obencón de coas nferores; así como ambén, la descrpcón de la heurísca prmal

Más detalles

Pattern Classification

Pattern Classification aern Classfcaon All maerals n hese sldes were aken from aern Classfcaon nd ed by R. O. Duda,. E. Har and D. G. Sork, John Wley & Sons, 000 wh he permsson of he auhors and he publsher Capulo Teora de Decson

Más detalles

EL METODO PERT (PROGRAM EVALUATION AND REVIEW TECHNIQUE)

EL METODO PERT (PROGRAM EVALUATION AND REVIEW TECHNIQUE) EL METODO PERT (PROGRM EVLUTION ND REVIEW TECHNIQUE) METODO DE PROGRMCION Y CONTROL DE PROYECTOS Desarrollado en 1958, para coordnar y conrolar la consruccón de submarnos Polars. El méodo PERT se basa

Más detalles

TIPOS DE TENDENCIAS Y SUS CONSEQUENCIAS. Tendencias estocásticas versus deterministas.

TIPOS DE TENDENCIAS Y SUS CONSEQUENCIAS. Tendencias estocásticas versus deterministas. TIPOS D TNDNCIAS Y SUS CONSQUNCIAS. Tendencas esocáscas versus deermnsas. Concepos báscos. Parmos de la base que una sere emporal es la realzacón de un proceso esocásco. Tal y como vmos en los modelos

Más detalles

Análisis de supervivencia. Albert Sorribas Grup de Bioestadística I Biomatemàtica Departament de Ciències Mèdiques Bàsiques Universitat de Lleida

Análisis de supervivencia. Albert Sorribas Grup de Bioestadística I Biomatemàtica Departament de Ciències Mèdiques Bàsiques Universitat de Lleida Análss de supervvenca Alber Sorrbas Grup de Boesadísca I Bomaemàca Deparamen de Cènces Mèdques Bàsques Unversa de Lleda Esquema general Inroduccón al análss de supervvenca Tpos de esudos El concepo de

Más detalles

TEMA 4: CANALES DIGITALES EN BANDA BASE CON RUIDO

TEMA 4: CANALES DIGITALES EN BANDA BASE CON RUIDO PROBLEMA EMA 4: CANALES DIGIALES EN BANDA BASE CON RUIDO Se desea realzar una ransmsón bnara de símbolos equprobables, para ello se recurre a una codfcacón NRZ de po AMI y cuyas señales se ndcan a connuacón:

Más detalles

7) Considere los ejercicios 2.b) y 2.c) a) Encuentre un nuevo modelo en variable de estados considerando la transformación dada por:

7) Considere los ejercicios 2.b) y 2.c) a) Encuentre un nuevo modelo en variable de estados considerando la transformación dada por: 7 Consdere los ejerccos.b.c a Encuenre un nueo modelo en arable de esados consderando la ransformacón dada por: x x x x b Para.d halle la ransformacón por auoalores Resoleremos el ncso a para el ejercco.c

Más detalles

Curso del Master de Física: Elementos de Física Biológica. Introducción a la Física de Macromoléculas Biológicas.

Curso del Master de Física: Elementos de Física Biológica. Introducción a la Física de Macromoléculas Biológicas. Curso del Maser de Físca: Elemenos de Físca Bológca. Inroduccón a la Físca de Macromoléculas Bológcas. - Breve Resumen de Mecánca Esadísca y procesos esocáscos. - Físca de olímeros. - ropedades Mecáncas.

Más detalles

MUESTRAS CON ROTACIÓN DE PANELES

MUESTRAS CON ROTACIÓN DE PANELES 487 MUESTRAS CON ROTACIÓN DE PANELES THOMAS POLFELDT Consulor, INE Sueca (Sascs Sweden). 488 Muesras con roacón de paneles ÍNDICE Págna. Defncones Generales... 489. Por Qué una Muesra de Roacón?... 489

Más detalles

1. Introducción, n, concepto y clasificación

1. Introducción, n, concepto y clasificación Tema 5: Números índces. Inroduccón, n, concepo y clasfcacón 2. Números índces smples. Defncón y propedades 3. Números índces complejos Números índces complejos sn ponderar Números índces complejos ponderados

Más detalles

Introducción a la Teoría de Inventarios

Introducción a la Teoría de Inventarios Clase # 4 Las organzacones esán consanemene vendo como camba el nvel de sus nvenaros en el empo. Inroduccón a la Teoría de Invenaros El ener un nvel bajo de nvenaros mplca resgos para no sasacer la demanda

Más detalles

RECONOCIMIENTO DE LOCUTOR DEPENDIENTE DE TEXTO MEDIANTE ADAPTACIÓN DE MODELOS OCULTOS DE MARKOV FONÉTICOS

RECONOCIMIENTO DE LOCUTOR DEPENDIENTE DE TEXTO MEDIANTE ADAPTACIÓN DE MODELOS OCULTOS DE MARKOV FONÉTICOS UNIVERSIDAD AUTÓNOMA DE MADRID ESCUELA POLITÉCNICA SUPERIOR RECONOCIMIENTO DE LOCUTOR DEPENDIENTE DE TEXTO MEDIANTE ADAPTACIÓN DE MODELOS OCULTOS DE MARKOV FONÉTICOS -PROYECTO FIN DE CARRERA- Crsna Eseve

Más detalles

Interpretación dinámica de la Mecánica Estadística.

Interpretación dinámica de la Mecánica Estadística. Inerpreacón dnámca de la Mecánca Esadísca. Evolucón de un ssema: Proceso esocásco Ω 1 Ω Ω 3...Ω n... Sea P 1 Ω 1 ; Ω ; 3 Ω 3 ;...; n Ω n ;... la probabldad de la secuenca de confguracones a empos dscreos.

Más detalles

Circuitos Limitadores 1/8

Circuitos Limitadores 1/8 Crcuos Lmadores 1/8 1. Inroduccón Un crcuo lmador (recorador) es aquel crcuo que ene la capacdad de lmar pare de una señal de c.a. sn dsorsonar la pare resane de la señal. El crcuo lmador combna dodos

Más detalles

Capítulo 3 Metodología.

Capítulo 3 Metodología. Capíulo 3 Meodología. 3.1. Represenacón paramérca de la relacón enre el ngreso per cápa de los hogares y las caraceríscas soco-demográfcas de sus membros. La meodología ulzada en ese rabajo se basa en

Más detalles

Ejercicios T9c- VARIABLE ALEATORIA, MODELOS DE PROBABILIDAD UNIVARIANTES C

Ejercicios T9c- VARIABLE ALEATORIA, MODELOS DE PROBABILIDAD UNIVARIANTES C Ejerccos T9c- VARIABLE ALEATORIA, MODELOS DE PROBABILIDAD UNIVARIANTES C FGM-MARKOV 7.-Una varable aleaora ene de funcón de cuanía x Px ( ),3,3, 3, Hallar la meda y varanza. Obener la F.G.M y obenerlas

Más detalles

Cálculo y Estadística

Cálculo y Estadística PROBABILIDAD, VARIABLES ALEATORIAS Y DISTRIBUCIONES ª Prueba de Evaluacón Connua 0--5 Tes en Moodle correspondene a la pare de Probabldad, Varables Aleaoras y Dsrbucones ( Punos).- Una empresa emplea res

Más detalles

4o. Encuentro. Matemáticas en todo y para todos. Uso de las distribuciones de probabilidad en la simulación de sistemas productivos

4o. Encuentro. Matemáticas en todo y para todos. Uso de las distribuciones de probabilidad en la simulación de sistemas productivos 4o. Encuenro. Maemácas en odo y para odos. Uso de las dsrbucones de probabldad en la smulacón de ssemas producvos Leopoldo Eduardo Cárdenas Barrón lecarden@esm.mx Deparameno de Ingenería Indusral y de

Más detalles

Nota de Clase 5 Introducción a modelos de Data Panel: Generalidades

Nota de Clase 5 Introducción a modelos de Data Panel: Generalidades oa de Clase 5 Inroduccón a modelos de Daa Panel: Generaldades. Por qué daos de panel? Los modelos de daos de panel son versones mas generales de los modelos de core ansversal seres de empo vsos hasa el

Más detalles

FASCÍCULO: MATRICES Y DETERMINANTES

FASCÍCULO: MATRICES Y DETERMINANTES FSÍULO: MRIES Y DEERMINNES on el avance de la ecnología en especal con el uso de compuadoras personales, la aplcacón de los concepos de marz deermnane ha cobrado alcances sn precedenes en nuesros días.

Más detalles

Redes de Comunicaciones

Redes de Comunicaciones Redes de Comuncacones Tema 3. Teleráfco. Dmensonado de semas Ramón güero Calvo Lus Muñoz GuCérrez (conrbucón) Deparameno de Ingenería de Comuncacones Ese ema se publca bajo Lcenca: Crea:ve Commons BY-

Más detalles

Dirección General de Asuntos Económicos y Sociales Ministerio de Economía y Finanzas

Dirección General de Asuntos Económicos y Sociales Ministerio de Economía y Finanzas Meodología de valuacón de pasvos conngenes cuanfcables y del flujo de ngresos dervados de la exploacón de los proyecos generados por la suscrpcón de conraos de concesón bajo la modaldad de Asocacón Públco

Más detalles

Hallar la media y varianza. Obtener la F.G.M y obtenerlas de nuevo.

Hallar la media y varianza. Obtener la F.G.M y obtenerlas de nuevo. FGM-MARKOV 7.-Una varable aleaora ene de funcón de cuanía x Px ( ),3,3, 3, Hallar la meda y varanza. Obener la F.G.M y obenerlas de nuevo. En base a la funcón de cuanía µ α Ex P ( ),3 +,3 +, + 3,,3 σ α

Más detalles

Cálculo y Estadística

Cálculo y Estadística Cálculo y Esadísca PROBABILIDAD, VARIABLES ALEATORIAS Y DISTRIBUCIONES ª Prueba de Evaluacón Connua 0--5 Tes en Moodle correspondene a la pare de Probabldad, Varables Aleaoras y Dsrbucones ( Punos).- Una

Más detalles

Función Financiera 12/03/2012

Función Financiera 12/03/2012 Funcón Fnancera /03/0 Asgnaura: Admnsracón Fnancera Bblografía: Albero Macaro - Cr. Julo César Torres Profesor Tular Regular Faculad de Cencas Económcas y Jurídcas Unversdad Naconal de La Pampa Cr. Julo

Más detalles

COLEGIO DE POSTGRADUADOS

COLEGIO DE POSTGRADUADOS CLEGI DE PGRADUAD INIUCIÓN DE ENEÑANZA E INVEIGACIÓN EN CIENCIA AGRÍCLA CAMPU MNECILL PGRAD DE CIECNMÍA EADÍICA E INFRMÁICA EADÍICA ALGRIM DE EVLUCIÓN DIFERENCIAL PARA LA EIMACIÓN DE MDEL DE MARKV CUL

Más detalles

T E S I S QUE PARA OPTAR POR EL GRADO DE: MAESTRO EN INGENIERIA SISTEMAS - PLANEACIÓN P R E S E N T A :

T E S I S QUE PARA OPTAR POR EL GRADO DE: MAESTRO EN INGENIERIA SISTEMAS - PLANEACIÓN P R E S E N T A : UNIVERSIDAD NACIONAL AUTONOM A DE MEXICO PROGRAMA DE MAESTRIA Y DOCTORADO EN INGENIERIA FACULTAD DE INGENIERÍA SIMULACIÓN ECONÓMICA DE SISTEMAS ELÉCTRICOS DE GENERACIÓN PARA LA PLANEACIÓN DE OPERACIÓN

Más detalles

Texturas Dinámicas y Segmentación

Texturas Dinámicas y Segmentación Deparameno de Compuacón Faculad de Cencas Exacas y Naurales Unversdad de Buenos Ares Tess de Lcencaura Texuras Dnámcas y Segmenacón Juan Manuel Rodríguez Drecora: Mara E. Mejal Buenos Ares, 23 de Marzo

Más detalles

MODELOS DE SERIES DE TIEMPO. porque su esperanza (condicional) depende de su valor en el período pasado:

MODELOS DE SERIES DE TIEMPO. porque su esperanza (condicional) depende de su valor en el período pasado: Apunes de Teoría Economérca I. Profesor: Vvana Fernández MODELOS DE SERIES DE TIEMPO I CONCEPTOS PRELIMINARES. Procesos Auorregresvos y de Promedo Móvl Se dce que sgue un proceso auorregresvo: es rudo

Más detalles

2. Métodos Numéricos Aplicados a Ecuaciones Diferenciales

2. Métodos Numéricos Aplicados a Ecuaciones Diferenciales ... Méodo de Euler Haca Adelane Anexo -4. Méodos Numércos Aplcados a Ecuacones Dferencales Párase del más smple po de ecuacón dferencal ordnara, que la de po lneal de prmer orden, el clásco Problema de

Más detalles

TÉCNICAS METAHEURÍSTICAS. ALGORITMOS BASADOS EN NUBES DE PARTÍCULAS

TÉCNICAS METAHEURÍSTICAS. ALGORITMOS BASADOS EN NUBES DE PARTÍCULAS TÉCNICAS METAHEURÍSTICAS. ALGORITMOS BASADOS EN NUBES DE PARTÍCULAS 3 39 Ssema de generacón elécrca con pla de combusble de óxdo sóldo almenado con resduos foresales y su opmzacón medane algormos basados

Más detalles

CRÉDITO PESCA. Consideraciones del producto:

CRÉDITO PESCA. Consideraciones del producto: CRÉDITO PESCA Consderacones del produco: Los crédos se oorgan para el fnancameno de las acvdades de pesca: comerco, exraccón y/o ndusralzacón. Se basan en la capacdad de pago de los clenes y su hsoral

Más detalles

2 de mar de 2004 Codificación de imágenes y video

2 de mar de 2004 Codificación de imágenes y video Teoría de la Informacón 2 de mar de 2004 Codfcacón de mágenes y vdeo 2 de mar de 2004 Codfcacón de mágenes y vdeo 2 El clma en el Río de la Plata...... S... T... S... S S S T T... S S S... S T... S T p=0.5,

Más detalles

Estadística de Precios de Vivienda

Estadística de Precios de Vivienda Esadísca de recos de Vvenda Meodología Subdreccón General de Esadíscas Madrd, febrero de 2012 Índce 1 Inroduccón 2 Objevos 3 Ámbos de la esadísca 3.1 Ámbo poblaconal 3.2 Ámbo geográfco 3.3 Ámbo emporal

Más detalles

VISIÓN POR COMPUTADOR

VISIÓN POR COMPUTADOR COIA RIVADA CON FINES DOCENTES VISIÓN OR COMUTADOR ARTURO DE LA ESCALERA HUESO 7. Segmenacón de mágenes. En cualquer magen se enconrarán presenes uno o varos objeos localzados en un enorno. El objevo de

Más detalles

VISIÓN POR COMPUTADOR

VISIÓN POR COMPUTADOR COPIA PRIVADA CON FINES DOCENTES VISIÓN POR COMPUTADOR ARTURO DE LA ESCALERA HUESO 9. Reconocmeno de obeos El reconocmeno de obeos es la úlma eapa denro de un ssema de vsón por compuador. A parr de las

Más detalles

Caracterís cas de la Metodología para calcular Rentabilidad Ajustada por Riesgo

Caracterís cas de la Metodología para calcular Rentabilidad Ajustada por Riesgo P S 2015 M C P S 2015 Inroduccón El Premo Salmón es hoy el prncpal reconocmeno enregado a los Fondos Muuos en Chle. Movo de orgullo y cenro de campañas publcaras, ese reconocmeno ha cambado su foco hace

Más detalles

+12V +12V +12V 2K 15V. Problema 2: Determinar el punto de funcionamiento del transistor MOSFET del siguiente circuito: I(mA) D

+12V +12V +12V 2K 15V. Problema 2: Determinar el punto de funcionamiento del transistor MOSFET del siguiente circuito: I(mA) D PROBEMAS E IRUITOS ON TRANSISTORES Problema : eermnar los punos de funconameno de los dsposvos semconducores de los sguenes crcuos: +2V +2V +2V β= β= K β= β= (a) (b) (c) (d) Problema 2: eermnar el puno

Más detalles

CRÉDITO AGRICOLA. Consideraciones del producto:

CRÉDITO AGRICOLA. Consideraciones del producto: Versón: CA-5.04. CRÉDITO AGRICOLA Consderacones del produco: Son crédos que se oorgan para fnancameno de acvdades agropecuaras y se basan en la capacdad de pago de los clenes y su hsoral credco. Se conceden

Más detalles

Nélida Diaz, Francisco Jiménez y Mauricio López División de Tiempo y Frecuencia. Resumen

Nélida Diaz, Francisco Jiménez y Mauricio López División de Tiempo y Frecuencia. Resumen Nuevo esquemade generacón de laescalade empo UTCCNM Nélda Daz, Francsco Jménez y Maurco López Dvsón de Tempo y Frecuenca Resumen La escala de Tempo Unversal Coordnado del CENAM, UTCCNM, se genera desde

Más detalles

PRUEBA 2. Note que las esquinas desde donde vienen los llamados son referidas como el conjunto de puntos i

PRUEBA 2. Note que las esquinas desde donde vienen los llamados son referidas como el conjunto de puntos i Curso : ING4520 201220 Profesor : Juan Eduardo Pérez Reamales. Duracón : 1 hora 45 mnuos Aulares : F. Vergara, M. Muca, S. Moral. PRUEBA 2 INSTRUCCIONES MUY IMPORTANTE LEER CUIDADOSAMENTE: Sga claramene

Más detalles

IV EXÁMENES DE PRINCIPIOS DE ECONOMETRÍA. a) Indique en que se basa el cumplimiento, en su caso, de las siguientes igualdades

IV EXÁMENES DE PRINCIPIOS DE ECONOMETRÍA. a) Indique en que se basa el cumplimiento, en su caso, de las siguientes igualdades IV EXÁMENES DE PRINCIPIOS DE ECONOMETRÍA 1 En el conexo del modelo de regresón lneal Y = β1+ βx + u a) Indque en que se basa el cumplmeno, en su caso, de las sguenes gualdades T T u ˆ u = 1 = 1 u = = ;

Más detalles

Determinación Experimental de la Distribución de Tiempos de Residencia en un Estanque Agitado con Pulpa

Determinación Experimental de la Distribución de Tiempos de Residencia en un Estanque Agitado con Pulpa Deermnacón Expermenal de la Dsrbucón de Tempos de Resdenca en un Esanque Agado con Pulpa Lus Marín Escalona Julo de 2oo7 Índce Resumen 3 Anecedenes Generales 3 Procedmeno Expermenal Dscusones 4 onclusones

Más detalles

Curso 2006/07. Tema 9: Modelos con retardos distribuidos (I) 9.1. Análisis de los efectos dinámicos en un modelo con retardos distribuidos

Curso 2006/07. Tema 9: Modelos con retardos distribuidos (I) 9.1. Análisis de los efectos dinámicos en un modelo con retardos distribuidos Curso 26/7 Economería II Tema 9: Modelos con reardos dsrbudos (I) 1. Análss de los efecos dnámcos en un modelo de reardos dsrbudos 2. La dsrbucón de reardos Tema 9 1 9.1. Análss de los efecos dnámcos en

Más detalles

Diplomatura de Ciencias Empresariales. Estadística Económica. Sara Mateo.

Diplomatura de Ciencias Empresariales. Estadística Económica. Sara Mateo. Dlomaura de Cencas Emresarales. Esadísca Económca. Sara Maeo. úmeros Índces nroduccón: Una de las rncales areas de la esadísca es el análss de varables, ano consderadas ndvdualmene como en conjuno, ara

Más detalles

Análisis de Supervivencia y su Aplicación para Predecir la Calidad de Vida de los Nacidos Extremadamente Prematuros

Análisis de Supervivencia y su Aplicación para Predecir la Calidad de Vida de los Nacidos Extremadamente Prematuros UNIVERSIDAD DE EL SALVADOR FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICA ESCUELA DE MATEMÁTICA DEPARTAMENTO DE ESTADÍSTICA. TRABAJO DE GRADUACIÓN: Análss de Supervvenca y su Aplcacón para Predecr la Caldad

Más detalles

División de Ciencias Sociales y Humanidades Licenciatura en Economía

División de Ciencias Sociales y Humanidades Licenciatura en Economía UNIVERSIDAD AUTONOMA METROPOLITANA UNIDAD IZTAPALAPA Dvsón de Cencas Socales y Humandades Lcencaura en Economía Algunas noas sobre auocorrelacón y heeroscedascdad Inroduccón A.. Heeroscedascdad 3 Nauraleza

Más detalles

EJERCICIOS: Análisis de circuitos en el dominio del tiempo

EJERCICIOS: Análisis de circuitos en el dominio del tiempo EJEIIOS: Análss de crcuos en el domno del empo. égmen ransoro y permanene. En cada uno de los sguenes crcuos el nerrupor ha esado abero largo empo. Se cerra en. Deermnar o I, dbujar la onda correspondene

Más detalles

Tema 5. Análisis Transitorio de Circuitos de Primer y Segundo Orden

Tema 5. Análisis Transitorio de Circuitos de Primer y Segundo Orden Tema 5. Análss Transoro de Crcuos de Prmer y egundo Orden 5.1 Inroduccón 5.2 Crcuos C sn fuenes 5.3 Crcuos C con fuenes 5.4 Crcuos L 5.5 Crcuos LC sn fuenes v() 5.6 Crcuos LC con fuenes () C () C v( )

Más detalles

Cuestión 1 (2 puntos)

Cuestión 1 (2 puntos) Unversdad Carlos III de Madrd Deparameno de ecnología Elecrónca COOCAORIA EXRAORDIARIA CURSO 007/08: de Sepembre de 008 Elecrónca de Poenca 3º Ingenería écnca Indusral: Elecrónca Indusral Cuesón ( punos)

Más detalles

CONTROL MODERNO CAPÍTULO 4 CONTROLABILIDAD DE SISTEMAS LINEALES

CONTROL MODERNO CAPÍTULO 4 CONTROLABILIDAD DE SISTEMAS LINEALES CONROL MODERNO Sesón n 0 # Obevo: El aluno reconocerá la caracerísca de conrolabldad de sseas dnácos expresados por edo de varables de esado, la uldad de d esa propedad para llevar al ssea desde su esado

Más detalles

Control predictivo distribuido mediante redes de sensores: Aplicación al control distribuido de temperaturas en una habitación

Control predictivo distribuido mediante redes de sensores: Aplicación al control distribuido de temperaturas en una habitación Conrol predcvo dsrbdo medane redes de sensores: Aplcacón al conrol dsrbdo de emperaras en na habacón 9 3 MPC 3 Sn resrccones Para rabaar con n MPC Model Predcve Conrol pasamos la ncón de ranserenca a espaco

Más detalles

MOVIMIENTO RECTILÍNEO UNIFORMEMENTE ACELERADO

MOVIMIENTO RECTILÍNEO UNIFORMEMENTE ACELERADO MOVIMIENTO RECTILÍNEO UNIFORMEMENTE ACELERADO Sabes cuáles son las caraceríscas del momeno reclíneo unormemene acelerado? INTRODUCCION Prmero debemos saber que denro de la cnemáca exsen derenes pos de

Más detalles

Método de Runge-Kutta para Ecuaciones Diferenciales

Método de Runge-Kutta para Ecuaciones Diferenciales Análss Numérco Carlos Armando De Casro Paares Méodo de Runge-Kua para Ecuacones Derencales Uno de los méodos más ulzados para resolver numércamene problemas de ecuacones derencales ordnaras con condcones

Más detalles

METODOLOGÍA BOOTSTRAP EN SERIES HETEROCEDÁSTICAS. UNA APLICACIÓN AL IBEX-35

METODOLOGÍA BOOTSTRAP EN SERIES HETEROCEDÁSTICAS. UNA APLICACIÓN AL IBEX-35 MEODOLOGÍA BOOSRAP EN SERIES HEEROCEDÁSICAS. UNA APLICACIÓN AL IBEX-35 Jesús A. Mguel Álvare - amguel@posa.unar.es Plar Olave Rubo - polave@posa.unar.es Unversdad de Zaragoa Reservados odos los derechos.

Más detalles

Transiciones de sincronización en flujos caóticos

Transiciones de sincronización en flujos caóticos Posgrado en Físca Fundamenal Area de Caos y Ssemas Complejos Transcones de sncronzacón en flujos caócos M.Sc. Glbero Paredes hp://www.cens.ula.ve/cff/caocos Tuor: Dr. Maro Cosenza Condcones para el Caos

Más detalles

-PROTHIUS- Sistemas avanzados de producción: Nociones sobre planificación agregada mediante programación matemática. Joaquín Bautista Valhondo

-PROTHIUS- Sistemas avanzados de producción: Nociones sobre planificación agregada mediante programación matemática. Joaquín Bautista Valhondo Cáedra Nssan -PROHUS- Ssemas avanzados de produccón: Nocones sobre planfcacón agregada medane programacón maemáca oaquín Bausa Valhondo D-6/2008 Rec. ML/ SAP-999-bv Deparameno de Organzacón de Empresas

Más detalles

9. CIRCUITOS DE SEGUNDO ORDEN LC Y RLC

9. CIRCUITOS DE SEGUNDO ORDEN LC Y RLC 9. IUITOS DE SEGUNDO ODEN Y 9.. INTODUIÓN En el capíulo aneror mos como los crcuos ressos con capacancas o los crcuos ressos con nducancas enen arables que son calculadas medane ecuacones dferencales de

Más detalles

UN MODELO NO LINEAL PARA LA PREDICCIÓN DE LA VARIACIÓN DEL ÍNDICE IPSA CONSIDERANDO VOLATILIDADES EN CLUSTERING

UN MODELO NO LINEAL PARA LA PREDICCIÓN DE LA VARIACIÓN DEL ÍNDICE IPSA CONSIDERANDO VOLATILIDADES EN CLUSTERING UNIVERSIDAD DE CHILE FACULTAD DE ECONOMÍA Y NEGOCIOS ESCUELA DE ECONOMÍA Y ADMINISTRACIÓN UN MODELO NO LINEAL PARA LA PREDICCIÓN DE LA VARIACIÓN DEL ÍNDICE IPSA CONSIDERANDO VOLATILIDADES EN CLUSTERING

Más detalles

Adaboost con aplicación a detección de caras mediante el algoritmo de Viola-Jones. Trabajo final - Introducción al reconocimiento de patrones

Adaboost con aplicación a detección de caras mediante el algoritmo de Viola-Jones. Trabajo final - Introducción al reconocimiento de patrones Adaboos con aplcacón a deeccón de caras medane el algormo de Vola-Jones rabajo fnal - Inroduccón al reconocmeno de parones ésor Paz Febrero de 2009 Adaboos con aplcacón a deeccón de caras medane algormo

Más detalles

EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA

EL 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 detalles

Gestión de Operaciones. Capítulo 2: Pronósticos de Demanda

Gestión de Operaciones. Capítulo 2: Pronósticos de Demanda Gesón de Operacones Capíulo 2: Pronóscos de Demanda Inroduccón Objevo: Permen esudar la demanda fuura, accón mporane en el dseño de un produco. Ejemplos : Compac, fue líder en la vena de PCs durane los

Más detalles

Física General 1 Proyecto PMME - Curso 2008 Instituto de Física Facultad de Ingeniería UdelaR

Física General 1 Proyecto PMME - Curso 2008 Instituto de Física Facultad de Ingeniería UdelaR Físca General Proyeco PMME - Curso 8 Insuo de Físca Faculad de Inenería UdelaR M O V I M I E N T O E P R O Y E C T I L M O V I M I E N T O R E L A T I V O Vanessa íaz Florenca Clerc Un olero Juan paea

Más detalles

Tema 4. Condensadores y Bobinas

Tema 4. Condensadores y Bobinas Tema 4. ondensadores y Bobnas 4. Inroduccón 4. ondensadores 4.3 Energía almacenada en un condensador 4.4 Asocacón de condensadores 4.5 Bobnas 4.6 Energía almacenada en una bobna 4.7 Asocacón de bobnas

Más detalles

1. CONCEPTOS FUNDAMENTALES Magnitudes eléctricas y unidades 1.2. Componentes, dispositivos y circuitos 1.3. Señales 1.4. Leyes de Kirchhoff

1. CONCEPTOS FUNDAMENTALES Magnitudes eléctricas y unidades 1.2. Componentes, dispositivos y circuitos 1.3. Señales 1.4. Leyes de Kirchhoff Concepos fundamenales Índce CONCEPOS FUNDMENLES Magnudes elécrcas y undades Componenes, dsposos y crcuos 3 Señales 4 Leyes de Krchhoff Concepos fundamenales Magnudes elécrcas y undades Magnud es una propedad

Más detalles

TEMA III: DESCRIPCIÓN BI-VARIANTE

TEMA III: DESCRIPCIÓN BI-VARIANTE EMA III: DESCRIPCIÓN BI-VARIANE III.1.- Noacón abulacón. III..- Dsrbucones margnales condconadas. III.3.- La relacón enre varables. Dependenca e ndependenca. III.4.- Planeameno general de la Regresón III.4.1.-

Más detalles

ANÁLISIS DE DURACIÓN. Econometric Analysis of Cross Section and Panel Data J. M. Wooldridge 2002, MIT Press

ANÁLISIS DE DURACIÓN. Econometric Analysis of Cross Section and Panel Data J. M. Wooldridge 2002, MIT Press ANÁLISIS DE DURACIÓN Economerc Analyss of Cross Secon and Panel Daa J. M. Wooldrdge 22, MIT Press A Companon o Theorecal Economercs Eded by B. Balag 21, Blackwell Publshers Economerc Theory and Mehods

Más detalles

UNIVERSIDAD DE LOS ANDES FACULTAD DE ECONOMIA TEORIA DE JUEGOS Profesora: Marcela Eslava. Solución Parcial 2 19 de abril de 2010 NOMBRE:

UNIVERSIDAD DE LOS ANDES FACULTAD DE ECONOMIA TEORIA DE JUEGOS Profesora: Marcela Eslava. Solución Parcial 2 19 de abril de 2010 NOMBRE: VERSDAD DE LOS ADES FACLTAD DE ECOOMA TEORA DE JEGOS Profesora: Marcela Eslava Solucón Parcal 9 de abrl de 00 OMBRE: Tene hasa las 3:0 pm para responder. o puede usar calculadora n celular. o responderemos

Más detalles

ANALISIS DE INDICADORES DE COMERCIO EXTERIOR Y POLÍTICA COMERCIAL

ANALISIS DE INDICADORES DE COMERCIO EXTERIOR Y POLÍTICA COMERCIAL ANALISIS DE INDICADORES DE COMERCIO EXTERIOR Y POLÍTICA COMERCIAL José E. Durán Lma, Ofcal de Asunos Económcos Claudo Aravena, Analsa Esadísco Carlos Ludeña, Consulor Inernaconal Asesoría Técnca de la

Más detalles

Control Óptimo y Optimización Dinámica

Control Óptimo y Optimización Dinámica Conrol Ópmo y Opmzacón námca Problemas de Conrol Ópmo Proceso de solucón consse en enconrar los perfles de la varable de conrol vs empo de modo que se opmce un índce parcular de medda de desempeño del

Más detalles

Modelos Multivariantes con Estructura Dinámica Transitoria no Recursiva y con Relaciones de Cointegración

Modelos Multivariantes con Estructura Dinámica Transitoria no Recursiva y con Relaciones de Cointegración Modelos Mulvaranes con Esrucura Dnámca Transora no Recursva y con Relacones de Conegracón Movacón I En el úlmo ema hemos vso como funconan los modelos economércos esaconaros. Sn embargo, ambén sabemos

Más detalles

METODOLOGÍA ENERGÍA ELECTRICA

METODOLOGÍA ENERGÍA ELECTRICA Insuo Naconal de Esadíscas SUBDIRECCIÓN TÉCNICA Depo. Invesgacón y Desarrollo Esadísco SUBDIRECCION DE OPERACIONES Subdeparameno. Esadíscas Secorales METODOLOGÍA ENERGÍA ELECTRICA Sanago, 26 Dcembre de

Más detalles

Semana 12: Tema 9 Movimiento Rotacional

Semana 12: Tema 9 Movimiento Rotacional Semana : Tema 9 Movmeno Roaconal 9. Velocdad y Aceleracón angular 9. Roacón con aceleracón angular consane 9.3 Energía cnéca roaconal 9.4 Cálculo de momeno de nerca y el eorema de los ejes paralelos Capíulo

Más detalles

PARTE II FUNDAMENTO ECONOMÉTRICO

PARTE II FUNDAMENTO ECONOMÉTRICO PARTE II FUNDAMENTO ECONOMÉTRICO La economería de seres de empo esá en consane evolucón, lo que ha oblgado a los economsas a replanearse los modelos revsar la valdez empírca de la eoría. En ese aparado

Más detalles

Cálculo Estocástico Variación Cuadrática para Martingalas Continuas y Acotadas

Cálculo Estocástico Variación Cuadrática para Martingalas Continuas y Acotadas 1 Cálculo Esocásco Varacón Cuadráca para Marngalas Connuas y Acoadas Gullermo Garro Defncón Varacón fna. Un proceso X es de varacón fna o acoada s sus rayecoras son de varacón fna, c.s. Es decr, s exse

Más detalles

-PROTHIUS- Organización Industrial. Métodos y tiempos, Asignación de máquinas e interferencias. Joaquín Bautista Valhondo. D-23/2011 (Rec.

-PROTHIUS- Organización Industrial. Métodos y tiempos, Asignación de máquinas e interferencias. Joaquín Bautista Valhondo. D-23/2011 (Rec. Cáedra ssan -PROTHIUS- Organzacón Indusral. Méodos y empos, Asgnacón de máqunas e nerferencas. Joaquín Bausa Valhondo D-23/2011 Rec. OP-BCC Deparameno de Organzacón de Empresas Unversdad Polécnca de Caaluña

Más detalles

Lección 7: Demodulación y Detección Paso-Banda. Parte I

Lección 7: Demodulación y Detección Paso-Banda. Parte I Leccón 7: Demodulacón y Deeccón Paso-Banda. Pare I Ganluca Cornea, Ph.D. Dep. de Ingenería de Ssemas de Informacón y elecomuncacón Unversdad San Pablo-CU Conendo Por qué Modular? écncas Dgales de Modulacón

Más detalles

Indicadores Cíclicos para la Medición de la Actividad Económica. Julieta Fuentes Dirección de Política Económica y Fiscal. Ministerio de Hacienda

Indicadores Cíclicos para la Medición de la Actividad Económica. Julieta Fuentes Dirección de Política Económica y Fiscal. Ministerio de Hacienda Indcadores Cíclcos para la Medcón de la Acvdad Económca Julea Fuenes Dreccón de Políca Económca y Fscal. Mnsero de Hacenda Sepembre 6 Conendo*. Movacón. Meodologías de consruccón de ndcadores cíclcos.

Más detalles

Inversión de Datos de Concentración de Contaminantes Atmosféricos para Estimar la Tasa de Emisión de una Fuente Puntual: Aplicación del Método Adjunto

Inversión de Datos de Concentración de Contaminantes Atmosféricos para Estimar la Tasa de Emisión de una Fuente Puntual: Aplicación del Método Adjunto Inversón de Daos de Concenracón de Conamnanes Amosfércos para Esmar la Tasa de Emsón de una Fuene Punual: Aplcacón del Méodo Aduno Davd Parra 1, Yur N. Sba 1 (1) Cenro de Cencas de la Amósfera, Unversdad

Más detalles

Representación VEC. Planteamiento de un sistema de ecuaciones. Esquema de retroalimentación. , pero requiere

Representación VEC. Planteamiento de un sistema de ecuaciones. Esquema de retroalimentación. , pero requiere Represenacón VEC Dado que las relacones económcas enre varables no se presenan esrcamene en un sendo específco, es decr, puede exsr enre ellas esquemas de reroalmenacón o complejos mecansmos de rasmsón

Más detalles

C Tópicos Avanzados: Redes Neuronales Artificiales. Redes Recurrentes. Dra. Ma. del Pilar Gómez Gil V:

C Tópicos Avanzados: Redes Neuronales Artificiales. Redes Recurrentes. Dra. Ma. del Pilar Gómez Gil V: C261-69 Tópcos Avanzados: Redes Neuronales Arfcales Redes Recurrenes Dra. Ma. del Plar Gómez Gl V:23-04-13 Procesameno Temporal El algormo de Rero-propagacón sólo puede aprender relacones ESTÁTICAS. Una

Más detalles

Econometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico

Econometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones

Más detalles

3. El cambio en el sistema de pensiones y su impacto sobre la cobertura

3. El cambio en el sistema de pensiones y su impacto sobre la cobertura . El cambo en el ssema de pensones y su mpaco sobre la coberura El prmer objevo de ese rabajo es medr el mpaco que la reforma al ssema de pensones ha endo sobre la coberura; medda esa úlma como el número

Más detalles

Solución de Ecuaciones Diferenciales y de Diferencias

Solución de Ecuaciones Diferenciales y de Diferencias Solucón de cuacones Dferencales y de Dferencas UdeC - DI Problema Planear la solucón generalada de ecuacones dferencales y de dferencas. Formulacón general de ec. dferencales n m d y a d b du d Formulacón

Más detalles

APÉNDICE B. METODOLOGÍA ECONOMÉTRICA BÁSICA

APÉNDICE B. METODOLOGÍA ECONOMÉTRICA BÁSICA APÉNDICE B. METODOLOGÍA ECONOMÉTRICA BÁSICA Esaconaredad El concepo de esaconaredad es de suma mporanca en la eoría de la conegracón. Aquí se ulzará el concepo de esaconaredad en sendo débl, o de segundo

Más detalles

OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final

OPENCOURSEWARE 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 detalles

Tema 2 Circuitos Dinámicos de Primer Orden

Tema 2 Circuitos Dinámicos de Primer Orden Tema 2: Crcuos Dnámcos de Prmer Orden Tema 2 Crcuos Dnámcos de Prmer Orden A nade en su sano juco se le habría ocurrdo preparar enonces odos esos componenes (ranssores, ressores y condensadores a parr

Más detalles

El efecto traspaso de la tasa de interés en el Perú: Un análisis a nivel de bancos ( )

El efecto traspaso de la tasa de interés en el Perú: Un análisis a nivel de bancos ( ) El efeco raspaso de la asa de nerés en el Perú: Un análss a nvel de bancos (2002-2005) Rocío Gondo Erck Lahura Dona Rodrguez Marzo, 2006 CONTENIDO Objevo Imporanca Trabajos Prevos Trabajos Prevos Perú

Más detalles

5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.

5. 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 detalles

Santiago, CIRCULAR N. Para todas las entidades aseguradoras y reaseguradoras del segundo grupo

Santiago, CIRCULAR N. Para todas las entidades aseguradoras y reaseguradoras del segundo grupo REF.: Modfca Crcular N 2062 que nsruye respeco al raameno de recálculo de pensón, en pólzas de seguros de rena valca del D.L. N 3.500, de 1980. Sanago, CIRCULAR N Para odas las endades aseguradoras y reaseguradoras

Más detalles

(TÍTULO DEL PROYECTO) Estudio de sincronización cooperativa en redes de sensores

(TÍTULO DEL PROYECTO) Estudio de sincronización cooperativa en redes de sensores (TÍTULO DEL PROYECTO Esudo de sncronzacón cooperava en redes de sensores Memora del Proyeco Fn de Carrera De Ingenería écnca de elecomuncacones especaldad ssemas elecróncos. realzado por Dego Gálvez Casado...

Más detalles

Figura 1.1 Definición de componentes de tensiones internas.

Figura 1.1 Definición de componentes de tensiones internas. . ELEMENTOS DE TENSORES CARTESIANOS. Inroduccón: Para descrbr endades o varables físcas se requere de valores o componenes. El número de componenes necesaras deermna la nauraleza ensoral de la varable.

Más detalles

David Ceballos Hornero Departament de Matemàtica Econòmica, Financera i Actuarial. Universitat de Barcelona ceballos@eco.ub.es

David Ceballos Hornero Departament de Matemàtica Econòmica, Financera i Actuarial. Universitat de Barcelona ceballos@eco.ub.es Tme dependence on Fnancal Operaons of Invesmen Davd eballos Hornero Deparamen de Maemàca Econòmca, Fnancera Acuaral. Unversa de Barcelona ceballos@eco.ub.es Dynamc analyss of a Fnancal Operaon of Invesmen

Más detalles

FLUJO DE POTENCIA OPTIMO ESPECIALIZADO PARA SISTEMAS RADIALES

FLUJO DE POTENCIA OPTIMO ESPECIALIZADO PARA SISTEMAS RADIALES FLUO DE OENCIA OIMO ESECIALIZADO ARA SISEMAS RADIALES FLUO DE OENCIA OIMO ESECIALIZADO ARA SISEMAS RADIALES RESUMEN En ese arículo se resuelve el problema de flujo de poenca ópmo para ssemas radales de

Más detalles

Tema 4. Condensadores y Bobinas

Tema 4. Condensadores y Bobinas Tema 4. ondensadores y obnas 4. Inroduccón 4. ondensadores 4. Energía almacenada en un condensador 4.4 socacón de condensadores 4. obnas 4.6 Energía almacenada en una bobna 4.7 socacón de bobnas ( E r

Más detalles

INTERVALOS DE CONFIANZA BOOTSTRAP EN REGRESIÓN P-SPLINE CON ERRORES AUTOCORRELACIONADOS

INTERVALOS DE CONFIANZA BOOTSTRAP EN REGRESIÓN P-SPLINE CON ERRORES AUTOCORRELACIONADOS Marí, Gonzalo Zno, Ncolás Insuo de Invesgacones Teórcas y Aplcadas en Esadísca (IITAE) INTERVALOS DE CONFIANZA BOOTSTRAP EN REGRESIÓN P-SPLINE CON ERRORES AUTOCORRELACIONADOS 1. Inroduccón Los modelos

Más detalles

Recombinación en Árboles Binomiales Multiplicativa

Recombinación en Árboles Binomiales Multiplicativa Recombnacón en Árboles Bnomales Mulplcava Y us Posbldades Freddy H. Marín Días de la cenca aplcada epembre 8-9-30 Grupo de Invesgacón En mulacón y Modelacón Maemáca CONTENIDO Ecuacones Dferencales Esocáscas

Más detalles