Cálculo de Cantidad de Incertidumbre en Redes de Restricciones Temporales Posibilísticas

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

Download "Cálculo de Cantidad de Incertidumbre en Redes de Restricciones Temporales Posibilísticas"

Transcripción

1 Cálculo de Cantidad de Incertidumbre en Redes de Restricciones Temporales Posibilísticas José M. Juárez Universidad de Murcia Francisco Guil Universidad de Almeria Roque Marín Universidad de Murcia Resumen Las redes de restricciones temporales constituyen una herramienta muy útil para implementar técnicas de representación y razonamiento temporal en dominios donde la dimensión temporal juega un papel fundamental (p.e. diagnóstico en UCIs). En algunas aplicaciones, como la Minería de Datos Temporales, se requiere evaluar el grado de incertidumbre global en las relaciones representadas en la red. Este trabajo propone una técnica para cuantificar el grado de incertidumbre global de una red de restricciones temporales posibilísticas entre puntos (instantes). Las redes posibilísticas fueron propuestas por Hadjali, Dubois y Prade [4]. Nuestra técnica de cuantificación de incertidumbre se basa en las medidas de no-especificidad y disonancia, y se aplica a varias topologías de red. Palabras Clave: Teoría de la Posibilidad, Restricciones Temporales, Incertidumbre. 1 INTRODUCCIÓN Las ventajas de utilizar algebras temporales de puntos para representar la dimensión temporal en sistemas inteligentes son: la simplicidad de las relaciones entre sus elementos y la eficiencia computacional de sus algoritmos de propagación de restricciones. Se han propuesto modelos de redes de restricciones temporales entre puntos que permiten manejar la imprecisión y/o la incertidumbre(probabilísticos [8] y posibilísticos [4, 7]). Una de las ventajas de los modelos posibilísticos es la sencillez con la que se representa la ignorancia respecto a otras teorías (probabilidad)[2]. Toda red de restricciones binarias se compone de un conjunto de n variables y de un conjunto de relaciones definidas sobre parejas de variables. El conjunto de relaciones binarias explícitas establece implícitamente una relación algebraica global entre las n variables. Se suele decir que la red representa un conocimiento global explicitado sólo mediante piezas de conocimiento local. Si las relaciones binarias están sujetas a incertidumbre, la relación n-aria global implícita en la red también lo estará. Surge así el problema de cómo calcular la incertidumbre global del conocimiento representado en la red a partir de la incertidumbre local de las relaciones binarias. Por ejemplo, en [3] se propone un proceso de minería de datos temporales para la extracción de patrones temporales posibilísticos. Así, una aplicación inmediata de estas medidas sería establecer un umbral de aceptación de qué patrones extraidos (redes) son suficientemente ciertos para ser consideradas y cuales no. Proponemos una estrategia para establecer medidas incertidumbre global para el modelo de redes de restricciones temporales posibilísticas entre puntos propuesto por Dubois, Prade y Hadjal [4], partiendo de las medidas posibilísticas de incertidumbre de la noespecificidad y la disonancia [13, 1, 6], y aplicándolas a diversas topologías de red. Este trabajo se estructura del siguiente modo. En la Secciones 2 y 3 revisamos los conceptos fundamentales de la Teoría de la Posibilidad, medidas de incertidumbre y redes de restricciones temporales posibilísticas; en la Secciones 4 y 5 plantean una solución concreta para estas medidas y algunas posibles aplicaciones prácticas. Finalmente, la Sección 6 describe las conclusiones y trabajos futuros.

2 2 POSIBILIDAD Y MEDIDAS DE INCERTIDUMBRE La teoría de la posibilidad, descrita por Dubois y Prade [2], está enmarcada en la teoría de la incertidumbre a partir de información incompleta. Esta teoría propone un modelo no-aditivo para la creencia proponiendo las medidas de Posibilidad y Necesidad. Desde el punto de vista de la Teoría de la Evidencia de Dempster-Shafer [9] pueden definirse las medidas de posibilidad y la necesidad como casos particulares de las medidas de evidencia: P l y Bel. Esa situación ocurre, cuando el conjunto Ω es infinito y sucede que dada una asignación básica de probabilidad (abp) denominada m, el conjunto focal de elementos (F ) es anidado. Es decir, F = {A 1 A 2... A n = Ω}. A este cuerpo (m, F ) se le denomina consonante. Según definió Zadeh [15] la plausibilidad se le denomina medida de posibilidad (Π) y la credibilidad es la medida de necesidad (N). Así, la medida de posibilidad se define como una función: Π : 2 Ω [0, 1] (1) Asumiendo: 1)Π( ) = 0; 2)Π(Ω) = 1 ; 3) A, B Ω Π(A B) = max(π(a), Π(B)). Así mismo se establece Π({a}) = π(a). A π se le denomina distribución de probabilidad y se define así: A Ω Π(A) = max{π(x) x A} (2) 2.1 Medidas de incertidumbre A lo largo de los años se han establecido diferentes medidas de incertidumbre [12, 13]. Sin embargo, la mayoría de medidas probabilísticas y posibilísticas se fundamentan en dos medidas: entropía y cantidad de información de Hartley. La entropía de Shannon (H) es la medida de incertidumbre por antonomasia. Basada en la teoría de la probabilidad, fundamenta su medida en cuantificar la disonancia y la confusión [6]. La entropía se define como: H(p(x) x X) = p(x)log 2 (p(x)) La información de Hartley se basa en un conjunto finito X con n elementos, donde cada elemento representa una alternativa. Se define una secuencia como un conjunto de s selecciones, y por lo tanto existen n s posibles secuencias. I(n s ) = k(n)s =... = I(N) = log 2 (N) 2.2 No Especificidad. La no especificidad descrita, por Yager, puede interpretarse como el grado de precisión de un conjunto fuzzy [1]. Así, Yager propuso [13] la siguiente medida de especificidad: Sp : 2 X [0, 1] y Sp(F ) = F x dx Posteriormente, una interpretación posibilística (ver [1]), asumiendo que es posible describir una distribución de posibilidad ordenable: Sp(F ) = n π i π i+1 i=1 i Klir y Folger proponen una medida de incertidumbre denominada U-Uncertainty para generalizar la medida de Hartley a conjuntos borrosos [1, 6, 14]. La U- Uncertanty se define en el conjunto de distribuciones de posibilidad ordenada (R) como: U : R [0, ) donde U(π 1, π 2,.., π n ) =... = n i=1 (π i π i+1 )log i i siendo π n+1 = 0. Del cálculo de U, se puede generalizar como un conjunto de abps (M), y por lo tanto se puede definir la no especificidad como: V : M [0, ) siendo V (m) = A F m(a)lg 2 ( A ) (3) donde (F, m) define un cuerpo de evidencia, siendo F 2 X. En [6] se demuestra que la medida de Hartley extendida para conjuntos fuzzy cumple las mismas propiedades que la entropía de Shanon y considerando que la entropía y la información de Hartley sobre conjuntos difusos son medidas homólogas aunque miden aspectos diferentes de la incertidumbre. 2.3 Disonancia. La disonancia se produce cuando diferentes fragmentos de información entran en contradicción, incompatibilidad o inconsistencia. Desde el punto de vista de la Teoría de la Evidencia, podemos decir que la observación de un evento es disonante si existen conjuntos disjuntos de pertenencia, pero las evidencias apuntan a que pertenece a varios de ellos [6]. Una de las situaciones más comunes de disonancia proviene de considerar dos posibles fuentes de información. Sin embargo, tambien es posible que la misma fuente pueda producir información contradictoria. Sea pues dos cuerpos de evidencia de fuentes información diferentes: (F 1, m 1 ) y (F 2, m 2 )de un mismo universo X. Siendo m(a 1 ) 0, m 2 (A 2 ) 0 y A B =

3 Se define el Conflicto como: K : X X R donde K = A B m 1(A) m 2 (B) Y la Cantidad de Conflicto: con : m m [0, ] donde con(m 1, m 2 ) = log 2 (1 K) Una propuesta de Medida de Disonancia, para un único cuerpo de evidencia (F, m), es la propuesta por Yager en [14] denominada E e inspirada en la entropía de Shannon. Sea M el conjunto de todas las abps de 2 n elementos, la disonancia se define como: E : M [0, ) E(m) = A F m(a)log 2 P l(a) (4) 3 RED DE RESTRICCIONES TEMPORALES POSIBILÍSTICAS ENTRE PUNTOS En los trabajos de Hadjali, Dubois y Prade[4] se hace referencia a una red de relaciones binarias entre puntos temporales donde se representan las relaciones mediante valores de posibilidad asociados a los tipos de relaciones existentes. Existen 3 tipos de relaciones básicas entre 2 puntos temporales (antes de, a la vez que, después de)[10, 11]. Así, en [4] se describe las relaciones temporales entre puntos como un vector con tres valores de posibilidad (uno por cada tipo de relación posible). A esta red de restricciones la denominaremos P T CN (del inglés Possibilistic Temporal Constraint Network), que se define como: P T CN = (R, P ) (5) Donde P es el conjunto de puntos y R es el conjunto de relaciones entre puntos. Cada relación (r R) se define: r i,j =< π i<j, π i=j, π i>j >, siendo i, j P y donde π i<j,π i=j,π i<j describe el grado de posibilidad de la ocurrencia de la relación entre el punto i y el j. Además, este modelo propone para la inferencia de reglas a partir de relaciones temporales borrosas, un conjunto de operaciones basadas en un modelo similar para la teoría probabilística [8]. Estas operaciones son: inversión, composición, combinación y negación. inversión: dada la relación r ab la inversión permite producir la relación r ba. r ab = (π a<b, π a=b, π a>b ) entonces r ab = r ba = (π a>b, π a=b, π a<b ) composición: dada las relaciones r ab y r bc la composición obtiene la relación r ac = r ab r bc. combinación: dadas dos fuentes de información que definen una misma relación rab 1 y r2 ab, la operación de combinación permite resumir ambas en una única relación incierta r ab = rab 1 rab 2 negación: establece qué relaciones no son posibles: r ab. 4 INCERTIDUMBRE EN PTCN Aplicando las medidas descritas en la Sección 2, plantearemos cómo medir la incertidumbre total generada en una red P T CN a partir de las distribuciones de posibilidad asociadas a las relaciones. De este modo, la medida de incertidumbre de una red de restricciones posibilísticas depende fundamentalmente de (1) qué medida de incertidumbre concreta es más apropiada para medir la incertidumbre de una restricción de forma individual y (2) cómo cuantificar la incertidumbre total de la red. A la hora de cuantificar la incertidumbre total de una red P T CN surge la idea de la suma de la incertidumbre local. Pero sólo es posibles con medidas que cumplan la propiedad aditiva en distribuciones independientes. Con el fin de responder a ambas cuestiones, resulta clave analizar -en primer lugar- la idea de independencia. 4.1 Independencia posibilística. Para el concepto de independencia, existen en la teoría de la posibilidad diferentes enfoques como lógicas, independencia de variables o razonamiento por defecto [5]. Asumiremos la definición de independencia como la no-ganancia de Información. Expresado como I(X, Z, Y ), establece que conocido el valor de la variable Z, al conocer el valor de la variable Y no se gana información adicional sobre la variable X. Para una definición formal de la Independencia entre distribuciones de posibilidad, se requiere de un conjunto de definiciones. Se define la Medida de Posibilidad Marginal: Π x (A) = Π(A Y ) donde A XyX, Y Ω (6) Siendo π x (x) = Π x ({x}) = Π(x Y ) = max(π(x, y)) y Y, x Así, la Medida de Posibilidad Condicional Π d (A B) = definida sobre una distribución de posibilidad Π(A B) Π Y (B) que se define como π d (x y) = π(x,y) π Y (y) siendo π Y = max x X (π(x, y)) y Y. La no-ganancia de información, se formaliza estableciendo si el conjunto de valores de una variable es más informativo que los valores de otra variable. En términos posibilísticos Π(A) < Π(B), es decir si π(x) < π (x) x entonces decimos que π contiene más

4 información que π (o contenida). Por lo tanto, la independencia (para más detalles ver [5] ) se puede definir como: I(X, Y, Z) π d (x yz) π d (x z), (7) 4.2 Independencia de la red. x, y, z π(yz) > 0 (8) En el caso particular de las redes P T CN, la semántica temporal entre puntos permite un conjunto limitado de operaciones, donde cada distribución de posibilidad expresa la relación entre dos puntos de forma unívoca. Por otra parte, la propia semántica de este tipo de redes apunta que es posible establecer relaciones dependientes entre ellas según la topología particular. Así, definimos: P T CN = (P, R) independiente (9) r i, r j, r k R distintas, cumple I(r i, r j, r k ) (10) A continuación describiremos dos situaciones donde las redes posibilísticas son independientes o dependientes. El primer caso introduciremos, mediante un ejemplo, cómo determinar una red dependiente (no camino consistencia). En segundo lugar describiremos una topología particular (la más simple) donde demostraremos que sus relaciones son siempre independientes Topología de red dependiente. A partir de un ejemplo mostraremos cómo determinar en un P T CN la dependencia posibilística. Consideremos 3 puntos temporales p 1, p 2, p 3 P donde se establecen incialmente dos relaciones temporales r 1 = (π p1<p 2, π p1=p 2, π p1>p 2 ) y r 2 = (π p2 <p 3, π p2 =p 3, π p2 >p 3 ) sobre p1-p2 y p2-p3 respectivamente. Supongamos que, a continuación, consideraramos una nueva relación r 3 = (π p1<p 3, π p1=p 3, π p1>p 3 )entre p1-p3. Sería independiente r 3?(e.d. si no existe ganancia de información al incorporar r3 al entorno). Para poder responder a esta pregunta en primer lugar se debe buscar un dominio común para establecer cualquier alternativa, puesto que la distribución de posibilidad de la relación r 1 está definida para la relación entre los puntos p1-p2 (igualmente r 2 ) mientras que el dominio de r 3 es respecto a p1-p3. Para ello, el modelo de relación posibilística entre puntos establece un operador de composición, a partir del cual se puede describir una relación inferida r entre p1-p3 a partir de r 1 y r 2. Entonces, r = r 1 r 2, descrita por la distribución de posibilidad π = (π p 1 <p 1, π p 1 =p 3, π p 1 >p 3 ). Esta nueva relación se puede interpretar como la condicionalidad que existe entre los puntos p1 y p2 cuando están presentes las relaciones r 1 y r 2. Es decir, asumimos que en un estado inicial (antes de establecerse r 1 y r 2 ) sólo seria posible un estado de completa ignorancia, es decir, que la única relación posible entre p1 y p2 sería la trivial r = (1, 1, 1). La incorporación de una nueva relación r 3, definida por la distribución de posibilidad π 3 = (π p1<p 3, π p1=p 3, π p1>p 3 ), modifica el estado actual de la red puesto ya que tanto π 3 como π describen la relación existente entre los puntos p1 y p3. Para evitar esta dualidad y un potencial estado de inconsistencia, es necesario combinar ambas informaciones en una nueva relación temporal que denominaremos r. Para ello el modelo de relación posibilísticas entre puntos establece el operador de combinación. Por lo que la distribución de posibilidad π que define el punto r se define como π = π π 3. Esta nueva relación se puede interpretar como la condicionalidad que existe entre los puntos p1 y p2 cuando estan presentes las relaciones r 1, r 2 y r 3. Aplicando la definición de Independencia Posibilística (Formulas 7-8), diremos que el estado de la red relativo a la relación temporal entre p1 y p2, formado por las relaciones r 1 y r 2, es independiente de la aparición de la relación r 3, si la distribución de posibilidad asociado al estado original y al estado (tras la incorporacion de r 3 ) tienen Independencia Posibilística. Es decir, si π π, o lo que sería igual, si: π 1 π 2 (π 1 π 2 ) π 3 (11) Topología de red independiente. En el siguiente ejemplo describiremos otro tipo de configuración de redes temporales posibilísticas entre puntos. Describiremos cómo en esta ocasión las relaciones temporales entre los diferentes puntos (descritas mediante una distribución de posibilidad) son independientes unas de otras. Consideremos una red de relaciones temporales posibilísticas con un conjunto de puntos finitos P = {p 1,..., p n } y con un conjunto de relaciones finitas R = {r 1, r 2,..., r n 1 } donde cada relación r i describe la relación temporal entre p i y p i+1.

5 En esta situación preguntamos si dada una relación r j donde j [1, n 1], es independiente de r k k [1, n 1] k j. Es decir, dada una relación entre los puntos p j y p j+1 Existe un incremento de información añadiendo el resto de relaciones de la red respecto a la información ya dada por r j? Sea la distribución de posibilidad que define r j,π j = (π j<j+1, π j=j+1, π j>j+1 ). Esta distribución define el estado actual de la relación temporal entre los puntos p j y p j+1. Consideremos ahora la aparición de una nueva relación cualquiera r k k [1, n 1] k j, π k = (π k<k+1, π k=k+1, π k>k+1 ). Esta distribución define la relación temporal existente p k ( p j ) y de p k+1 ( p j+1 ). Es obvio que r j y r k están aplicadas sobre dominos distintos, no existiendo ningún operador del modelo (negación, inversión, combinación o composición) que permita inferir una nueva relación entre p j y p j+1 a partir de las relaciones r j y r k. Por consiguiente, la relación existente entre ambos puntos (r) no cambia al incorporar la relación r k respecto a la ya existente r j. Así, π d (r r j ) π d (r r j r k ) (de hecho es =), lo que implica que son independientes k [1, n 1] k j y por lo tanto no existe un incremento de información. 4.3 Cuantificar la incertidumbre total de PTCN Para medir la incertidumbre total de una P T CN un factor fundamental es la dependencia de las distribuciones de posibilidad asociada a sus restricciones. Tanto es así que esta característica de las topologías condiciona la forma en que se mide la incertidumbre total. Por ello, es necesario analizar esta condición en las redes P T CN y proponer diferentes estrategias diferentes para calcular la incertidumbre tanto en situaciones de dependencia o independencia Incertidumbre en PTCN independientes: No Especificidad Una de las ventajas de la restricción que supone obtener redes independientes es la facilidad para calcular la incertidumbre de la red. Esto es así ya que la mayoría de medidas de incertidumbre (entropía en teoría de la probabilidad, no especificidad en teoría de la posibilidad) cumplen la propiedad aditiva, es decir la que la cantidad total de incertidumbre es igual a la sumas parciales de incertidumbre, siempre y cuando sean independientes. Para las restricciones temporales posibilísticas entre puntos de las redes P T CN considereramos la medida no especificidad V (Sección 2.2) como medida de incertidumbre para distribuciones posibilísticas más sencilla de aplicar. Sea P T CN = (P, R) siendo r ij r ij R independientes, la medida de incertidumbre de la red se calcula como: U P T CN = V (r i,j ) (12) r ij R Incertidumbre en PTCN dependientes Las restricciones posibilísticas son dependientes cuando unas aportan información adicional a la información que implican otras. En este trabajo hemos considerado dos aproximaciones para el cálculo de incertidumbre en este tipo de redes según sea la información consistente o no. Desde el punto de vista del razonamiento temporal, las relaciones independientes pueden llegar a describir situaciones inconsistentes temporalmente. Por ejemplo, supongamos rab 1 =< 1, 0, 0 > y rab 2 =< 0, 0, 1 >. La restricción rab 1 indica que es absolutamente posible que ocurra < mientras que = o > es imposible, mientras que rab 2 indica que > es absolutamente posible y que < o = es imposible. Aun cuando la red sea inconsistente, podría ser necesario medir la incertidumbre. Entre las medidas de incertidumbre existentes en la literatura, es el cálculo de disonancias permite cuantificar la contradicción entre fuentes de información diferentes o la misma fuente. Así, podríamos aplicar esta técnica para calcular las diferentes disonancias presentes en la red. No obstante, la disonancia de la red no puede ser establecida como la suma de disonancias parciales (no es aditiva), teniendo que considerar aproximaciones como el máximo (cota superior) o el mínimo (cota inferior). T otdisonancia = max{e(m i )} m i (13) donde m i es la abp obtenida a partir de la distribución de posibilidad asociada a la relación r i R donde P T CN = (P, R) (para más detalles del paso de posibilidad a abp, ver [6]). Alternativamente y asumiendo una red de restricciones consistente, se podría realizar una minimización de la red (siempre y cuando sea posible definir este proceso de minimización para el modelo de red). La mimimización todas las posibles relaciones entre todos los puntos para redes de restricciones temporales entre puntos. Esta minimización inferirá, entre otras, las relaciones entre los pares de puntos contiguos, es decir

6 {r 1,2, r 2,3,..., r n 1,n } r i,i+1 R que configuraría una red de restricciones independientes. En este caso sería posible calcular la incertidumbre mediante la no especificidad. Sin embargo, esta medida es orientativa, puesto que el resultado aditivo obtenido es calculado sobre relaciones inferidas, pudiendo ser poco informativas. 5 POSIBLES APLICACIONES En [3] se propone un proceso de Minería de Datos Temporales(MDT) para la extracción de patrones. Estos patrones son sintetizados mediante redes P T CN para establecer patrones más descriptivos. Así, el uso de T otdisonancia (ver Fórmula 13) sería útil para evaluar qué patrones obtenidos deben ser considerados mediante un valor umbral de dicha medida. En Razonamiento Basado en Casos Temporal(RBCT), los casos son a menudo secuencias de eventos temporales. Es posible obtener redes P T CN, con la topología vista en Sección 4.2.2, que subsuman dos o mas secuencias de este tipo. Por lo que medidas en redes independientes (Sección 4.3.1) permitirían calcular la similitud entre casos. 6 CONCLUSIONES En este trabajo se propone una estrategia para el cálculo global de la cantidad de incertidumbre para el modelo propuesto por Hadjali, Dubois y Prade de P T CN s [4]. Este trabajo está basado en un análisis de las diferentes medidas incertidumbre para modelos posibílisticos y teoría de la evidencia [1, 6, 13]. En este artículo se establece la disyuntiva entre configuraciones de restricciones de P T CN s independientes y dependientes. Por ello en el primer caso, las propiedades de la medida de no especificidad permiten un cálculo más simple. En las P T CN con restricciones dependientes esto no es posible, por lo que se describe una segunda propuesta mediante el uso de la medida de disonancia. También se proponen algunas posibles aplicaciones prácticas de estas medidas (en MDT y RBCT), que quedan como vías futuras de desarrollo. Referencias [1] D. Dubois and H. Prade. Properties of measures of information in evidence and possibility theories. Fuzzy Sets and Systems, 24: , [2] D. Dubois and H. Prade. Possibility Theory: An approach to computerized uncertainty processing. Plenum Press, [3] F. Guil and R. Marin. Extracting uncertain temporal relations from mined frequent sequences. In TIME 06, accepted, [4] A. HadjAli, D. Dubois, and H. Prade. A possibility theory-based approach to the handling of uncertain relations between temporal points. In 11th International Symposium on Temporal Representation and Reasoning (TIME 2004). IEEE Society, page 3643, [5] J. F. Huete. Aprendizaje de Redes de Creencia Mediante Detecci de Independencia: Modelos No Probabilisticos. PhD thesis, Universidad de Granada, Universidad de Granada, Spain, [6] G. J. Klir and T. A. Folger. Fuzzy Sets, Uncertainty, and Information. Prentice-Hall, [7] R. Marín, M. A. Cárdenas, M. Balsa, and J. L. Sánchez. Obtaining solutions in fuzzy constraint networks. International Journal of Approximate Reasoning, 3-4: , [8] V. Ryabov and S. Puuronen. Probabilistic reasoning about uncertain relations between temporal points. In Proc.8th Int. Symposium on Temporal Representation and Reasoning TIME 2001, IEEE Computer Society, pages , [9] G. Shafer. A Mathematical Theory of Evidence. Princeton University Press, [10] Y. Shoham and McDermott. Problems in formal temporal reasoning. Artificial Intelligence, (36):49 61, [11] M. Vilain and H. Kautz. Constraint propagation algorithms for temporal reasoning. In Proceedings of the National Conference on Artificial Intelligence (AAAI-86), pages 6: , USA, [12] P. Walley. Measures of uncertainty in expert systems. Artificial Intelligence, 83:1 58, [13] R. R. Yager. Measuring tranquility and anexiety in decision-making: An application of fuzzy sets. International Journal in General Systems, 8: , [14] R. R. Yager. Entropy and specificity in a mathematical theory of evidence. International Journal, 9(4): , [15] L. Zadeh. Fuzzy sets as a basis for a thoery of possibility. Fuzzy Sets and Systems, 1:3 28, 1978.

Introducción a la Teoría de Probabilidad

Introducción a la Teoría de Probabilidad Capítulo 1 Introducción a la Teoría de Probabilidad Para la mayoría de la gente, probabilidad es un término vago utilizado en el lenguaje cotidiano para indicar la posibilidad de ocurrencia de un evento

Más detalles

Conjuntos y Sistemas Difusos (Lógica Difusa y Aplicaciones)

Conjuntos y Sistemas Difusos (Lógica Difusa y Aplicaciones) Departamento de enguajes y Ciencias de la Computación Universidad de Málaga Conjuntos y Sistemas Difusos (ógica Difusa y Aplicaciones) 5. Variables ingüísticas E.T.S.I. Informática J. Galindo Gómez VARIABES

Más detalles

ARQUITECTURA ESCALABLE PARA LA DETECCIÓN DE PATRONES SECUENCIALES DIFUSOS EN MINERÍA DE DATOS CUANTITATIVA

ARQUITECTURA ESCALABLE PARA LA DETECCIÓN DE PATRONES SECUENCIALES DIFUSOS EN MINERÍA DE DATOS CUANTITATIVA ARQUITECTURA ESCALABLE PARA LA DETECCIÓN DE PATRONES SECUENCIALES DIFUSOS EN MINERÍA DE DATOS CUANTITATIVA Pablo F. Provasi 1 Lucio J. Kleisinger 1 Francisco R. Villatoro 2 1 Dpto. de Informática, Universidad

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos

Más detalles

Integrando Información de Fuentes Relevantes para un Sistema Recomendador

Integrando Información de Fuentes Relevantes para un Sistema Recomendador Integrando Información de Fuentes Relevantes para un Sistema Recomendador Silvana Aciar, Josefina López Herrera and Javier Guzmán Obando Agents Research Laboratory University of Girona {saciar, jguzmano}@eia.udg.es,

Más detalles

Lógica Proposicional IIC2212. IIC2212 Lógica Proposicional 1 / 56

Lógica Proposicional IIC2212. IIC2212 Lógica Proposicional 1 / 56 Lógica Proposicional IIC2212 IIC2212 Lógica Proposicional 1 / 56 Inicio de la Lógica Originalmente, la Lógica trataba con argumentos en el lenguaje natural. Ejemplo Es el siguiente argumento válido? Todos

Más detalles

Diseño de Técnicas para el Tratamiento de Situaciones de Incertidumbre en Sistemas de Soporte de Decisiones con Múltiples Expertos

Diseño de Técnicas para el Tratamiento de Situaciones de Incertidumbre en Sistemas de Soporte de Decisiones con Múltiples Expertos WICC 2012 145 Diseño de Técnicas para el Tratamiento de Situaciones de Incertidumbre en Sistemas de Soporte de Decisiones con Múltiples Expertos S. Gramajo, M. Karanik, D. Cabrera, M. Alurralde, P. Ojeda,

Más detalles

Modeling the Retrieval Process for an Information Retrieval System using an Ordinal Fuzzy Linguistic Approach

Modeling the Retrieval Process for an Information Retrieval System using an Ordinal Fuzzy Linguistic Approach JOURNAL OF THE AMERICAN SOCIETY FOR INFORMATION SCIENCE AND TECHNOLOGY, 52(6):460-475, 2001 Modeling the Retrieval Process for an Information Retrieval System using an Ordinal Fuzzy Linguistic Approach

Más detalles

Ejemplos: Sean los conjuntos: A = { aves} B = { peces } C = { anfibios }

Ejemplos: Sean los conjuntos: A = { aves} B = { peces } C = { anfibios } La Teoría de Conjuntos es una teoría matemática, que estudia básicamente a un cierto tipo de objetos llamados conjuntos y algunas veces, a otros objetos denominados no conjuntos, así como a los problemas

Más detalles

Espacios vectoriales y aplicaciones lineales

Espacios vectoriales y aplicaciones lineales Capítulo 3 Espacios vectoriales y aplicaciones lineales 3.1 Espacios vectoriales. Aplicaciones lineales Definición 3.1 Sea V un conjunto dotado de una operación interna + que llamaremos suma, y sea K un

Más detalles

HERRAMIENTA WEB PARA MODELO FINANCIERO DE CONSTRUCTORES EN BOGOTÁ

HERRAMIENTA WEB PARA MODELO FINANCIERO DE CONSTRUCTORES EN BOGOTÁ HERRAMIENTA WEB PARA MODELO FINANCIERO DE CONSTRUCTORES EN BOGOTÁ ARBELÁEZ, B. 1 HERRAMIENTA WEB PARA MODELO FINANCIERO DE CONSTRUCTORES EN BOGOTÁ Beatriz Alexandra Arbeláez Hurtado Profesor Investigador

Más detalles

personal.us.es/elisacamol Elisa Cañete Molero Curso 2011/12

personal.us.es/elisacamol Elisa Cañete Molero Curso 2011/12 Teoría de conjuntos. Teoría de Conjuntos. personal.us.es/elisacamol Curso 2011/12 Teoría de Conjuntos. Teoría de conjuntos. Noción intuitiva de conjunto. Propiedades. Un conjunto es la reunión en un todo

Más detalles

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) SYLLABO

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) SYLLABO UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA Escuela Académico Profesional de Ingeniería de Sistemas 1. ESPECIFICACIONES

Más detalles

Nuevos Modelos de Toma de Decisión en Grupo con Información Lingüística Difusa

Nuevos Modelos de Toma de Decisión en Grupo con Información Lingüística Difusa UNIVERSIDAD DE GRANADA Escuela Técnica Superior de Ingenierías Informática y de Telecomunicación Departamento de Ciencias de la Computación e Inteligencia Artificial Nuevos Modelos de Toma de Decisión

Más detalles

Interfaz de Consultas Vagas sobre Componentes Educativos en La Web

Interfaz de Consultas Vagas sobre Componentes Educativos en La Web Interfaz de Consultas Vagas sobre Componentes Educativos en La Web Claudia Jiménez Ramírez Universidad Nacional de Colombia, Sede Medellín csjimene@unalmed.edu.co Hernán Darío Alvarez Universidad Nacional

Más detalles

Definición 2.1.1. Se llama suceso aleatorio a cualquier subconjunto del espacio muestral.

Definición 2.1.1. Se llama suceso aleatorio a cualquier subconjunto del espacio muestral. Capítulo 2 Probabilidades 2. Definición y propiedades Al realizar un experimento aleatorio nuestro interés es obtener información sobre las leyes que rigen el fenómeno sometido a estudio. El punto de partida

Más detalles

MODELOS DE RECUPERACION

MODELOS DE RECUPERACION RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN INGENIERÍA INFORMÁTICA RECUPERACIÓN Y ACCESO A LA INFORMACIÓN MODELOS DE RECUPERACION AUTOR: Rubén García Broncano NIA 100065530 grupo 81 1 INDICE 1- INTRODUCCIÓN

Más detalles

Tema 3 Probabilidades

Tema 3 Probabilidades Probabilidades 1 Introducción Tal vez estemos acostumbrados con algunas ideas de probabilidad, ya que esta forma parte de la cultura cotidiana. Con frecuencia escuchamos a personas que hacen afirmaciones

Más detalles

Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín.

Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín. Bogotá 15 y 16 de Agosto de 2008 EXTRACCIÓN DE PATRONES DE LA ENCUESTA ANUAL MANUFACTURERA COLOMBIANA EMPLEANDO INTELIGENCIA ARTIFICIAL Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica.

Más detalles

ANÁLISIS DE DATOS NO NUMERICOS

ANÁLISIS DE DATOS NO NUMERICOS ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas

Más detalles

Apuntes de Matemática Discreta 9. Funciones

Apuntes de Matemática Discreta 9. Funciones Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y

Más detalles

Apuntes de Matemática Discreta 7. Relaciones de Orden

Apuntes de Matemática Discreta 7. Relaciones de Orden Apuntes de Matemática Discreta 7. Relaciones de Orden Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 7 Relaciones de Orden Contenido

Más detalles

UNIDAD I INTRODUCCIÓN A LOS CIRCUITOS LÓGICOS 1. ÁLGEBRA DE BOOLE 2. MÉTODO DE REDUCCIÓN DE MAPAS DE KARNAUGH 1-1. R. ESPINOSA R. y P. FUENTES R.

UNIDAD I INTRODUCCIÓN A LOS CIRCUITOS LÓGICOS 1. ÁLGEBRA DE BOOLE 2. MÉTODO DE REDUCCIÓN DE MAPAS DE KARNAUGH 1-1. R. ESPINOSA R. y P. FUENTES R. UNIDAD I INTRODUCCIÓN A LOS CIRCUITOS LÓGICOS. ÁLGEBRA DE BOOLE 2. MÉTODO DE REDUCCIÓN DE MAPAS DE KARNAUGH - . INTRODUCCIÓN A LOS CIRCUITOS LÓGICOS. ÁLGEBRA DE BOOLE. ÁLGEBRA DE BOOLE El álgebra de Boole

Más detalles

Aspectos Generales de los Conjuntos Difusos. Caracterización y Nomenclatura de los Conjuntos Difusos. Estructura Algebraica de los Conjuntos Difusos

Aspectos Generales de los Conjuntos Difusos. Caracterización y Nomenclatura de los Conjuntos Difusos. Estructura Algebraica de los Conjuntos Difusos CAPITULO 1 CONJUNTOS DIFUSOS Aspectos Generales de los Conjuntos Difusos Caracterización y Nomenclatura de los Conjuntos Difusos Estructura Algebraica de los Conjuntos Difusos Operaciones Algebraicas con

Más detalles

Tratamiento borroso del intangible en la valoración de empresas de Internet

Tratamiento borroso del intangible en la valoración de empresas de Internet Tratamiento borroso del intangible en la valoración de empresas de Internet Mª Carmen Lozano Gutiérrez Federico Fuentes Martín Esta página está alojada por el Grupo EUMED.NET de la Universidad de Málaga

Más detalles

Apuntes de Matemática Discreta 6. Relaciones

Apuntes de Matemática Discreta 6. Relaciones Apuntes de Matemática Discreta 6. Relaciones Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 6 Relaciones Contenido 6.1 Generalidades.....................................

Más detalles

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR}

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR} Subespacios Capítulo 1 Definición 1.1 Subespacio Sea H un subconjunto no vacio de un espacio vectorial V K. Si H es un espacio vectorial sobre K bajo las operaciones de suma y multiplicación por escalar

Más detalles

Normalización. El diseño que hemos recibido está compuesto de estas dos relaciones:

Normalización. El diseño que hemos recibido está compuesto de estas dos relaciones: Normalización 1. Introducción Nuestro departamento de informática ha recibido el encargo de diseñar una base de datos para llevar el control de las piezas, proveedores y proyectos que realiza nuestra empresa.

Más detalles

Estas visiones de la información, denominadas vistas, se pueden identificar de varias formas.

Estas visiones de la información, denominadas vistas, se pueden identificar de varias formas. El primer paso en el diseño de una base de datos es la producción del esquema conceptual. Normalmente, se construyen varios esquemas conceptuales, cada uno para representar las distintas visiones que los

Más detalles

1. Producto escalar, métrica y norma asociada

1. Producto escalar, métrica y norma asociada 1. asociada Consideramos el espacio vectorial R n sobre el cuerpo R; escribimos los vectores o puntos de R n, indistintamente, como x = (x 1,..., x n ) = n x i e i i=1 donde e i son los vectores de la

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

Lección n 5. Modelos de distribución n potencial de especies

Lección n 5. Modelos de distribución n potencial de especies Lección n 5. Modelos de distribución n potencial de especies 1. Elaboración de modelos de distribución de especies. a. Planteamiento. El modelado del nicho ambiental se basa en el principio de que la distribución

Más detalles

1.4 Cálculo de Probabilidades con Métodos de Conteo. Considerere un espacio muestral finito,

1.4 Cálculo de Probabilidades con Métodos de Conteo. Considerere un espacio muestral finito, 1 1.4 Cálculo de Probabilidades con Métodos de Conteo Considerere un espacio muestral finito, y defina, Luego, Ω = {ω 1,..., ω n }, P ({ω i }) = p i, i = 1,..., n P (A) = ω i A p i, A Ω Ω se dice equiprobable

Más detalles

Escenas de episodios anteriores

Escenas de episodios anteriores Clase 16/10/2013 Tomado y editado de los apuntes de Pedro Sánchez Terraf Escenas de episodios anteriores objetivo: estudiar formalmente el concepto de demostración matemática. caso de estudio: lenguaje

Más detalles

Introducción a la Lógica Difusa

Introducción a la Lógica Difusa Introducción a la Lógica Difusa Guillermo Morales-Luna Sección de Computación Centro de Investigación y Estudios Avanzados del IPN, (CINVESTAV-IPN) gmorales@cs.cinvestav.mx 1 Introducción Haremos una presentación

Más detalles

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Conceptos Fundamentales Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Análisis de datos en física de partículas Experimento en física de partículas: Observación de n sucesos de un cierto tipo (colisiones

Más detalles

TEORIA DE LA PROBABILIDAD

TEORIA DE LA PROBABILIDAD TEORIA DE LA PROBABILIDAD 2.1. Un poco de historia de la teoría de la probabilidad. Parece evidente que la idea de probabilidad debe ser tan antigua como el hombre. La idea es muy probable que llueva mañana

Más detalles

BASES DE DATOS TEMA 4 DISEÑO DE BASES DE DATOS RELACIONALES

BASES DE DATOS TEMA 4 DISEÑO DE BASES DE DATOS RELACIONALES BASES DE DATOS TEMA 4 DISEÑO DE BASES DE DATOS RELACIONALES El modelo relacional se basa en dos ramas de las matemáticas: la teoría de conjuntos y la lógica de predicados de primer orden. El hecho de que

Más detalles

TEMA II: ÁLGEBRA DE CONMUTACIÓN

TEMA II: ÁLGEBRA DE CONMUTACIÓN TEMA II: ÁLGEBRA DE CONMUTACIÓN En este capítulo veremos los métodos matemáticos que se disponen para las operaciones relacionadas con los circuitos digitales, así como las funciones más básicas de la

Más detalles

REDES NEURONALES APLICACIÓN AL PROCESAMIENTO DE ALARMAS. Miguel Ángel Sánchez Gómez. Ingeniería de Telecomunicación Universidad Carlos III de Madrid

REDES NEURONALES APLICACIÓN AL PROCESAMIENTO DE ALARMAS. Miguel Ángel Sánchez Gómez. Ingeniería de Telecomunicación Universidad Carlos III de Madrid REDES NEURONALES APLICACIÓN AL PROCESAMIENTO DE ALARMAS Miguel Ángel Sánchez Gómez Ingeniería de Telecomunicación Universidad Carlos III de Madrid 100035439@alumnos.uc3m.es ABSTRACT En el presente trabajo

Más detalles

Sistema Incremental Generador de Oraciones y de Descodificación Lingüística. José Luciano Maldonado. luzmalvy@telcel.net.ve maldonaj@faces.ula.

Sistema Incremental Generador de Oraciones y de Descodificación Lingüística. José Luciano Maldonado. luzmalvy@telcel.net.ve maldonaj@faces.ula. Sistema Incremental Generador de Oraciones y de Descodificación Lingüística. José Luciano Maldonado. luzmalvy@telcel.net.ve maldonaj@faces.ula.ve Resumen: se describe la implementación experimental de

Más detalles

Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1

Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1 Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1 TEMA 11: MÉTODOS DINÁMICOS DE SELECCIÓN DE INVERSIONES ESQUEMA DEL TEMA: 11.1. Valor actualizado neto. 11.2. Tasa interna

Más detalles

Espacios Vectoriales

Espacios Vectoriales Espacios Vectoriales Departamento de Matemáticas, CCIR/ITESM 4 de enero de 2 Índice 3.. Objetivos................................................ 3.2. Motivación...............................................

Más detalles

EL TEOREMA DE CANTOR-BERNSTEIN Y LA COMPARABILIDAD PARA LOS CONJUNTOS BIEN ORDENADOS

EL TEOREMA DE CANTOR-BERNSTEIN Y LA COMPARABILIDAD PARA LOS CONJUNTOS BIEN ORDENADOS EL TEOREMA DE CANTOR-BERNSTEIN Y LA COMPARABILIDAD PARA LOS CONJUNTOS BIEN ORDENADOS J. CLIMENT VIDAL Resumen. Una vez definidas las nociones y establecidas las proposiciones necesarias de la teoría de

Más detalles

Programación Lineal Entera

Programación Lineal Entera Programación Lineal Entera P.M. Mateo y David Lahoz 2 de julio de 2009 En este tema se presenta un tipo de problemas formalmente similares a los problemas de programación lineal, ya que en su descripción

Más detalles

3. LA DFT Y FFT PARA EL ANÁLISIS FRECUENCIAL. Una de las herramientas más útiles para el análisis y diseño de sistemas LIT (lineales e

3. LA DFT Y FFT PARA EL ANÁLISIS FRECUENCIAL. Una de las herramientas más útiles para el análisis y diseño de sistemas LIT (lineales e 3. LA DFT Y FFT PARA EL AÁLISIS FRECUECIAL Una de las herramientas más útiles para el análisis y diseño de sistemas LIT (lineales e invariantes en el tiempo), es la transformada de Fourier. Esta representación

Más detalles

Álgebras de Boole. Juan Medina Molina. 25 de noviembre de 2003

Álgebras de Boole. Juan Medina Molina. 25 de noviembre de 2003 Álgebras de Boole Juan Medina Molina 25 de noviembre de 2003 Introducción Abordamos en este tema el estudio de las álgebras de Boole. Este tema tiene una aplicación directa a la electrónica digital ya

Más detalles

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD. Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables

Más detalles

((X A Y ) = A ) si y solo si X = Y, A = B, A X = X, (X A Y ) = X Y, (X A Y ) = X Y

((X A Y ) = A ) si y solo si X = Y, A = B, A X = X, (X A Y ) = X Y, (X A Y ) = X Y El examen de Lógica y fundamentos del 11-02-2005 resuelto por cortesía de Alberto Castellón 1) Sea A = P(B) el conjunto de los subconjuntos de un conjunto B. a) Pruébese que A es un modelo de la teoría

Más detalles

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como:

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como: TEMA 1: PRONÓSTICOS 1.1. Introducción Pronostico es un método mediante el cual se intenta conocer el comportamiento futuro de alguna variable con algún grado de certeza. Existen disponibles tres grupos

Más detalles

Normalización. Universidad Nacional de Colombia Facultad de Ingeniería

Normalización. Universidad Nacional de Colombia Facultad de Ingeniería Normalización Preparó: Ismael Castañeda Fuentes Fuente principal: Database Systems A Practical Approach to Design, Implementation, and Management. Thomas Connolly, Carolyn Begg Universidad Nacional de

Más detalles

INTRODUCCIÓN. Estructura de Datos Tipos Abstractos de Datos (TAD S) Profs. Lorna Figueroa M. Mauricio Solar F. UTFSM 1 / 2008

INTRODUCCIÓN. Estructura de Datos Tipos Abstractos de Datos (TAD S) Profs. Lorna Figueroa M. Mauricio Solar F. UTFSM 1 / 2008 INTRODUCCIÓN Estructura de Datos Tipos Abstractos de Datos (TAD S) Para poder obtener un programa que resuelva un problema dado, son necesarios varios pasos : La formulación y especificación del problema

Más detalles

Tema 7. Lógicas de descripciones. Año académico 2014/15. Profesores: Sascha Ossowski, Alberto Fernández y Holger Billhardt

Tema 7. Lógicas de descripciones. Año académico 2014/15. Profesores: Sascha Ossowski, Alberto Fernández y Holger Billhardt Tema 7 Lógicas de descripciones Año académico 2014/15 Profesores: Sascha Ossowski, Alberto Fernández y Holger Billhardt 1 Referencias Reasoning in Description Logics: Basics, Extensions, and Relatives.

Más detalles

Espacios generados, dependencia lineal y bases

Espacios generados, dependencia lineal y bases Espacios generados dependencia lineal y bases Departamento de Matemáticas CCIR/ITESM 14 de enero de 2011 Índice 14.1. Introducción............................................... 1 14.2. Espacio Generado............................................

Más detalles

Empresa bajo incertidumbre en el precio: modelo con dos destinos y un mercado de futuros

Empresa bajo incertidumbre en el precio: modelo con dos destinos y un mercado de futuros Empresa bajo incertidumbre en el precio: modelo con dos destinos y un mercado de futuros Rodríguez Puerta, Inmaculada (irodriguez@ceade.es) Dpto. de Métodos Cuantitativos CEADE Álvarez López, Alberto A.

Más detalles

Frontera de Eficiencia de Futuros de Energía

Frontera de Eficiencia de Futuros de Energía La Aproximación Bayesiana a la Estadística El modelo de Black y Litterman con Reducción de Dimensión Un modelo de factores semiparamétrico (Borak - Weron 2008) CP usando muchos predictores (Stock y Watson

Más detalles

Tema 3. Concepto de Probabilidad

Tema 3. Concepto de Probabilidad Tema 3. Concepto de Probabilidad Presentación y Objetivos. El Cálculo de Probabilidades estudia el concepto de probabilidad como medida de incertidumbre. En situaciones donde se pueden obtener varios resultados

Más detalles

4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD

4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD 4.3 INTERPRETACIÓN ECONÓMICA DE LA DUALIDAD El problema de programación lineal se puede considerar como modelo de asignación de recursos, en el que el objetivo es maximizar los ingresos o las utilidades,

Más detalles

Nota sobre un modelo de J. D. Hey para una empresa bajo incertidumbre en el precio que no busca necesariamente maximizar el beneficio

Nota sobre un modelo de J. D. Hey para una empresa bajo incertidumbre en el precio que no busca necesariamente maximizar el beneficio Nota sobre un modelo de J. D. Hey para una empresa bajo incertidumbre en el precio que no busca necesariamente maximizar el beneficio Alberto A. Álvarez López Departamento de Economía Aplicada Cuantitativa.

Más detalles

Tema 3. Espacios vectoriales

Tema 3. Espacios vectoriales Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición

Más detalles

Números Reales. MathCon c 2007-2009

Números Reales. MathCon c 2007-2009 Números Reales z x y MathCon c 2007-2009 Contenido 1. Introducción 2 1.1. Propiedades básicas de los números naturales....................... 2 1.2. Propiedades básicas de los números enteros........................

Más detalles

Representación del conocimiento mediante lógica formal Introducción a PROLOG

Representación del conocimiento mediante lógica formal Introducción a PROLOG Representación del conocimiento mediante lógica formal Introducción a PROLOG Representación del conocimiento Lo que nos interesa es la representación, es decir, la modelización del conocimiento Orientaciones:

Más detalles

{} representa al conjunto vacío, es decir, aquel que no contiene elementos. También se representa por.

{} representa al conjunto vacío, es decir, aquel que no contiene elementos. También se representa por. 2. Nociones sobre Teoría de Conjuntos y Lógica Para llevar a cabo nuestro propósito de especificar formalmente los problemas y demostrar rigurosamente la correctitud de nuestro programas, introduciremos

Más detalles

1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1

1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1 5.1.3 Multiplicación de números enteros. El algoritmo de la multiplicación tal y como se realizaría manualmente con operandos positivos de cuatro bits es el siguiente: 1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0

Más detalles

Listas de vectores y conjuntos de vectores

Listas de vectores y conjuntos de vectores Listas de vectores y conjuntos de vectores La explicación de los temas Dependencia lineal y Bases en el curso de Álgebra Lineal se puede basar en uno de los siguientes dos conceptos (o en ambos): ) listas

Más detalles

Relaciones binarias. ( a, b) = ( c, d) si y solamente si a = c y b = d

Relaciones binarias. ( a, b) = ( c, d) si y solamente si a = c y b = d Relaciones binarias En esta sección estudiaremos formalmente las parejas de objetos que comparten algunas características o propiedades en común. La estructura matemática para agrupar estas parejas en

Más detalles

Naive Bayes Multinomial para Clasificación de Texto Usando un Esquema de Pesado por Clases

Naive Bayes Multinomial para Clasificación de Texto Usando un Esquema de Pesado por Clases Naive Bayes Multinomial para Clasificación de Texto Usando un Esquema de Pesado por Clases Emmanuel Anguiano-Hernández Abril 29, 2009 Abstract Tratando de mejorar el desempeño de un clasificador Naive

Más detalles

Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier

Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier Andrés Felipe López Lopera* Resumen. Existe una gran similitud entre vectores y las señales. Propiedades tales como la

Más detalles

MATEMÁTICAS EMPRESARIALES II:

MATEMÁTICAS EMPRESARIALES II: MATEMÁTICAS EMPRESARIALES II: FUNCIÓN REAL DE VARIAS VARIABLES ÓPTIMOS DE UNA FUNCIÓN ESCALAR MATERIAL DIDÁCTICO DE SOPORTE González-Vila Puchades, Laura Ortí Celma, Francesc J. Sáez Madrid, José B. Departament

Más detalles

PROGRAMACIÓN POR METAS CON NIVELES DE ASPIRACIÓN IMPRECISOS

PROGRAMACIÓN POR METAS CON NIVELES DE ASPIRACIÓN IMPRECISOS Revista de Dirección y Administración de Empresas. Número 19, diciembre 2012 págs. 117-128 Enpresen Zuzendaritza eta Administrazio Aldizkaria. 19. zenbakia, 2012 abendua 117-128 orr. PROGRAMACIÓN POR METAS

Más detalles

INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL MÓDULO 3: REPRESENTACIÓN DEL CONOCIMIENTO 3.1. INTRODUCCIÓN La IA involucra la construcción de programas que resuelvan problemas que, de ser resueltos por seres

Más detalles

2 Métodos combinatorios

2 Métodos combinatorios 2 Métodos combinatorios Las pruebas pueden aplicarse de muchas maneras, es decir, existen diferentes formas de preparar casos de prueba. En este capítulo se presentan dos formas de prueba muy fáciles de

Más detalles

NORMALIZACION. Definición.

NORMALIZACION. Definición. NORMALIZACION Definición. La normalización es una técnica que se utiliza para crear relaciones lógicas apropiadas entre tablas de una base de datos. La normalización se adoptó porque el viejo estilo de

Más detalles

Sistemas de ayuda a la decisión Tema 5. Análisis de Sensibilidad Análisis Cualitivo y Análisis Paramétrico

Sistemas de ayuda a la decisión Tema 5. Análisis de Sensibilidad Análisis Cualitivo y Análisis Paramétrico Tema 5. Análisis de Sensibilidad Análisis Cualitivo y Análisis Paramétrico Indice 1) Motivavión, Identifición y Estructuración del problema 2) Análisis Paramétrico: Medidas basadas en distancias de umbral

Más detalles

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay

Más detalles

MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES

MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 7 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad

Más detalles

Métodos y Diseños utilizados en Psicología

Métodos y Diseños utilizados en Psicología Métodos y Diseños utilizados en Psicología El presente documento pretende realizar una introducción al método científico utilizado en Psicología para recoger información acerca de situaciones o aspectos

Más detalles

Espacios vectoriales y Aplicaciones lineales

Espacios vectoriales y Aplicaciones lineales Espacios vectoriales y Aplicaciones lineales Espacios vectoriales. Subespacios vectoriales Espacios vectoriales Definición Sea V un conjunto dotado de una operación interna + que llamaremos suma, y sea

Más detalles

Fundamentos de Investigación de Operaciones Asignación y Vendedor Viajero

Fundamentos de Investigación de Operaciones Asignación y Vendedor Viajero Fundamentos de Investigación de Operaciones y Vendedor Viajero 23 de mayo de 2004 Si bien la resolución del problema de transporte mediante tableau parece ser muy expedita, existen ciertos tipos de problemas

Más detalles

El Teorema de existencia y unicidad de Picard

El Teorema de existencia y unicidad de Picard Tema 2 El Teorema de existencia y unicidad de Picard 1 Formulación integral del Problema de Cauchy El objetivo del presente Tema, y del siguiente, es analizar el Problema de Cauchy para un SDO de primer

Más detalles

Aula Banca Privada. La importancia de la diversificación

Aula Banca Privada. La importancia de la diversificación Aula Banca Privada La importancia de la diversificación La importancia de la diversificación La diversificación de carteras es el principio básico de la operativa en mercados financieros, según el cual

Más detalles

Algoritmos Genéticos Y

Algoritmos Genéticos Y Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Operadores de Mutación El operador

Más detalles

4.Diseño de Bases de Datos (I)

4.Diseño de Bases de Datos (I) 4.Diseño de Bases de Datos (I) 4.1 Anomalías. Se denominan así en teoría de Bases de Datos a ciertos problemas que aparecen con frecuencia en el manejo de las mismas cuando el diseño no ha sido realizado

Más detalles

PATRONES. Experto. Solución:

PATRONES. Experto. Solución: PATRONES. Experto. Asignar una responsabilidad a la clase que tiene la información necesaria para cumplirla. Cuál es el principio fundamental en virtud del cual asignaremos las responsabilidades a los

Más detalles

Capítulo 7: Externalidades

Capítulo 7: Externalidades Capítulo 7: Externalidades Jean Hindricks Gareth Myles Noviembre 17 de 2011 Hindricks & Myles () Externalidades Noviembre 17 de 2011 1 / 33 Contenido 1 Externalidades e Ineficiencia 2 Algunos Ejemplos

Más detalles

Extracción de reglas borrosas en problemas de clasificación multiatributo. El enfoque NEFCLASS

Extracción de reglas borrosas en problemas de clasificación multiatributo. El enfoque NEFCLASS VIII Congreso de Ingeniería de Organización Leganés, 9 y 10 de septiembre de 2004 Extracción de reglas borrosas en problemas de clasificación multiatributo. El enfoque NEFCLASS Javier Puente 1, David de

Más detalles

Algoritmos para CSP 1

Algoritmos para CSP 1 Algoritmos para CSP 1 1. Técnicas de Consistencia, o Inferenciales I. Inferencia, o consistencia completa Proceso que permite la síntesis de todas las restricciones de un problema en una única restricción

Más detalles

Cuando se termina de delimitar objetos en una imagen usando los operadores de búsqueda de bordes aparece el problema de definir dichos objetos dentro

Cuando se termina de delimitar objetos en una imagen usando los operadores de búsqueda de bordes aparece el problema de definir dichos objetos dentro Cuando se termina de delimitar objetos en una imagen usando los operadores de búsqueda de bordes aparece el problema de definir dichos objetos dentro del sistema. Supongamos que definimos una característica

Más detalles

Introducción. Lógica de proposiciones: introducción. Lógica de proposiciones. P (a) x. Conceptos

Introducción. Lógica de proposiciones: introducción. Lógica de proposiciones. P (a) x. Conceptos Introducción César Ignacio García Osorio Lógica y sistemas axiomáticos 1 La lógica ha sido históricamente uno de los primeros lenguajes utilizados para representar el conocimiento. Además es frecuente

Más detalles

Modelo Lingüístico de Evaluación de QoS de Red basado en Distancias

Modelo Lingüístico de Evaluación de QoS de Red basado en Distancias Modelo Lingüístico de Evaluación de QoS de Red basado en Distancias M. Espinilla 1, S. Gramajo 2 1 Departamento de Informática, Universidad de Jaén Campus Las Lagunillas, Andalucía, Jaén España (23071)

Más detalles

Minería de Datos. Preprocesamiento: Reducción de Datos - Discretización

Minería de Datos. Preprocesamiento: Reducción de Datos - Discretización Minería de Datos Preprocesamiento: Reducción de Datos - Discretización Dr. Edgar Acuña Departamento de Ciencias Matemáticas Universidad de Puerto Rico-Mayaguez E-mail: edgar.acuna@upr.edu, eacunaf@gmail.com

Más detalles

X Congreso Galego de Estatística e Investigación de Operacións Pontevedra, 3 4 5 de novembro de 2011

X Congreso Galego de Estatística e Investigación de Operacións Pontevedra, 3 4 5 de novembro de 2011 X Congreso Galego de Estatística e Investigación de Operacións Pontevedra, 3 4 5 de novembro de 2011 EL VALOR DE SHAPLEY DE UN JUEGO MODIFICADO EN ENTORNOS DE ESTRUCTURA COALICIONAL J. M. Alonso Meijide

Más detalles

El Filtro de Partículas

El Filtro de Partículas El Filtro de Partículas José Antonio Camarena Ibarrola El Filtro de Partículas p.1/25 El Filtro de Partículas Método Monte Carlo (basado en muestreo) para inferir el estado de un sistema que evoluciona

Más detalles

Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos

Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 1 Conjuntos y Subconjuntos

Más detalles

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

Más detalles

TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 1

TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 1 Técnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas http://www.iit.comillas.edu/aramos/ Andres.Ramos@comillas.edu TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS

Más detalles

PROYECTO DOCENTE ASIGNATURA: "Lógica Informática"

PROYECTO DOCENTE ASIGNATURA: Lógica Informática PROYECTO DOCENTE ASIGNATURA: "Lógica Informática" Grupo: Clases Teóricas de Lógica Informática (DOCENCIA EN INGLÉS)(948465) Titulacion: Grado en Ingeniería Informática-Ingeniería del Software Curso: 2015-2016

Más detalles

Estructuras algebraicas

Estructuras algebraicas Tema 2 Estructuras algebraicas básicas 2.1. Operación interna Definición 29. Dados tres conjuntos A, B y C, se llama ley de composición en los conjuntos A y B y resultado en el conjunto C, y se denota

Más detalles

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 2011 UNED DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 7] Diseños con más de dos grupos independientes. Análisis de varianza con dos factores completamente aleatorizados 1 Índice 7.1 Introducción...

Más detalles

Este es un ejemplo muy sencillo, un esquema de empleados que trabajan en proyectos, en una relación muchos a muchos.

Este es un ejemplo muy sencillo, un esquema de empleados que trabajan en proyectos, en una relación muchos a muchos. 28/04/2012 La teoría de la normalización va perdiendo peso con el paso de los años como herramienta de diseño de bases de datos relacionales en favor de modelos de datos más ricos en su representación,

Más detalles