INTRODUCCIÓN A LOS MODELOS OCULTOS DE MARKOV. Luis Miguel Bergasa Pascual
|
|
- Alejandro Ortiz de Zárate Paz
- hace 7 años
- Vistas:
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
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 detallesEn 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 detallesPattern 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 detallesEL 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 detallesTIPOS 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 detallesAnálisis 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 detallesTEMA 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 detalles7) 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 detallesCurso 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 detallesMUESTRAS 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 detalles1. 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 detallesIntroducción 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 detallesRECONOCIMIENTO 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 detallesInterpretación 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 detallesCircuitos 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 detallesCapítulo 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 detallesEjercicios 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 detallesCálculo 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 detalles4o. 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 detallesNota 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 detallesFASCÍCULO: 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 detallesRedes 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 detallesDirección 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 detallesHallar 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 detallesCálculo 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 detallesFunción 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 detallesCOLEGIO 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 detallesT 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 detallesTexturas 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 detallesMODELOS 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 detalles2. 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 detallesTÉCNICAS 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 detallesCRÉDITO 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 detalles2 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 detallesEstadística 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 detallesVISIÓN 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 detallesVISIÓN 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 detallesCaracterís 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
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 detallesCRÉDITO 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 detallesNélida 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 detallesPRUEBA 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 detallesIV 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 detallesDeterminación 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 detallesCurso 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 detallesDiplomatura 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 detallesAnálisis 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 detallesDivisión 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 detallesEJERCICIOS: 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 detallesTema 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 detallesCuestión 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 detallesCONTROL 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 detallesControl 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 detallesMOVIMIENTO 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 detallesMétodo 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 detallesMETODOLOGÍA 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 detallesTransiciones 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
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 detalles9. 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 detallesUN 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 detallesAdaboost 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 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 detallesGestión 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 detallesFísica 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 detallesTema 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 detalles1. 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 detallesTEMA 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 detallesANÁLISIS 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 detallesUNIVERSIDAD 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 detallesANALISIS 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 detallesControl 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 detallesModelos 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 detallesMETODOLOGÍA 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 detallesSemana 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 detallesPARTE 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 detallesCálculo 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.
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 detallesLección 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 detallesIndicadores 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 detallesInversión 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 detallesRepresentación 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 detallesC 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 detallesEconometría 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 detalles3. 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 detallesSolución 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 detallesAPÉNDICE 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 detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
Más detallesTema 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 detallesEl 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 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 detallesSantiago, 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 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 detallesFigura 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 detallesDavid 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 detallesFLUJO 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 detallesTema 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 detallesINTERVALOS 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 detallesRecombinación 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