Técnicas de inteligencia artificial. Visión Artificial Segmentación
|
|
- Cristián Vidal Núñez
- hace 7 años
- Vistas:
Transcripción
1 Técicas de iteligecia artificial Visió Artificial Segmetació
2 Idice Itroducció Algoritmo de las K-medias Mea-Sift Segmetació basada e regioes
3 Itroducció La segmetació de imágees es el proceso de extraer zoas de la image co el mismo color/ivel de gris/textura para idetificarlas automáticamete
4 Algoritmo de las K-medias Ecuetra las medias de las distribucioes (clusters) (sirve para cualquier problema de apredizaje) Es ecesario coocer el úmero de distribucioes (clusters) distitas existetes
5 Algoritmo de las K-medias 1) Iicializació: se busca k putos (medias) 2) Hacer 1)Perteecia: para cada puto, se ecuetra la distribució (cluster) más cercaa (el k más cercao) 2)Cálculo de las uevas medias 3) Hasta que o aya cambios
6 Iicializació Para elegir la iicializació, podemos: Asigar las medias de maera aleatoria. Redistribuir las medias de maera uiforme Usar algua eurística (por ejemplo, e secuecias de imágees, usar las medias resultado ateriores)
7 Cálculo de la perteecia Depederá del problema: Distacia euclídea: el k más cercao Probabilidad de perteecia a u cluster: usado su media y variaza P(x)= π σ exp( (x μ) ) 2 σ 2
8 Cálculo de las uevas medias Para cada cluster, recalcular su media (y variaza, si es el caso), usado todos los putos que perteece a ese cluster Si es distacia euclídea: x i μ cluster = 1 i=1 Si es probabilidad: μ cluster = i=1 i=1 p(x i )x i p (x i )
9 K-medias para segmetació de imágees Imágees de gris: se usa los valores de gris, o las posicioes de los píxeles. Imágees de color: Usar directamete los valores R,G,B Covertir a H,S,B y usar la compoete H K=2 63ms K=4 353ms K=8 1100ms (probabilidad K=4 112ms
10 Características de las K-medias Es ecesario idicar K Ua mala iicializació puede llevar más tiempo Puede o ecotrar la solució más óptima E su modo probabilístico: Se puede aplicar a cualquier tipo de distribució (texturas) Se puede usar distitas medidas de distacia a distribució (Maalaobis, Kullback-Leiber) Se cooce tambié como: segmetació EM, Fuzzy K-meas
11 Método de Mea-Sift Método iterativo o paramétrico que puede ser usado para clusterig, segmetació, etc. Ecuetra las modas de uas distribucioes, pero si ecesitar saber cuátas modas teemos Cosidera que el espacio de datos es ua fució de desidad de probabilidad muestreada Para cada puto del cojuto de datos, ecuetra la moda más cercaa Para ello, defie ua regió alrededor de ese puto y ecuetra su media, cambiado la situació de la media actual a la ueva (sift). Repite el proceso asta que coverja
12 Ejemplo Regio of iterest Ceter of mass Mea Sift vector
13 Ejemplo Regio of iterest Ceter of mass Mea Sift vector
14 Ejemplo Regio of iterest Ceter of mass Mea Sift vector
15 Ejemplo Regio of iterest Ceter of mass Mea Sift vector
16 Ejemplo Regio of iterest Ceter of mass
17 Ascesió de colia (ill-climbig) Se ejecuta para cada puto del espacio de etrada Cada puto covergerá a su moda más cercaa
18 Cómo se calcula la media? Kerels Kerels: Kerel es ua fució que satisface: Puede ser cualquier fució, p.e. Gaussiaa Existe ua maera de calcular la estimació de desidad de probabilidad del kerel (vetaa de Parze) f (x)= 1 d i=1 K ( x x i dode es el aco de bada (aco del domiio de búsqueda) y d es el úmero de dimesioes de los datos 2) y
19 Cómo se calcula la media? Desceso gradiete Podemos usar u desceso por gradiete para ir ecotrado el cambio de la media Calculamos el gradiete: f ( x)= 2 d +2 i=1 f (x)= 1 d i=1 K ( x x i '( ( x x i ) K x x 2 ) i 2 +2( = d i=1 2) x K ' ( x x i 2) i =1 2)) '( x i K x x i Haciedo g (x)= K ' (x ) f ( x)= 2 +2( d i=1 x i g ( x x i 2) x i =1 ( g x x 2 )) i = 2 d+ 2 i =1 ( g x x 2 ) i ( i=1 i=1 x i g ( x x i g ( x x i 2) 2) x)
20 Cómo se calcula la media? Desceso gradiete Igualamos a cero para ecotrar el máximo: f ( x)= 2 g( x x i d +2 i=1 i =1 m(x )=( i =1 x i g( 2 ) ( i =1 m(x) es el valor de cambio de media (mea-sift) que ay que acer e cada iteració i =1 x x i g( x x i 2) ( x i g x x i x)=0 ( g x x 2 ) i 2) x) 2)
21 Algoritmo Mea-sift Este algoritmo es iterativo E el caso de imágees, para cada puto: 1)Teemos el valor del pixel e la primera iteració, x 0 2)Calculamos el valor de m(x) 3)Sumamos el valor de m(x) a x y volvemos al paso 2 asta que coverja +( y t+1 = y t +m( y t )= y t i=1 i=1 y 0 =x ( x i g yt x i ( g yt x i 2) 2 ) y t)=( i =1 i=1 ( x i g yt x i g( y t x i 2) ) 2)
22 Ejemplos Pruebas co distita : 3, 6, 12
23 Comparació co el K-medias Mea-sift o ecesita iicializar el úmero de clusters K-medias asume ua determiada forma de las distribucioes mietras que Mea-sift permite teer distitos tipos de distribucioes (cambiado el úcleo) K-medias es muy sesible a la iicializació y a outliers K-medias tiee ua meor complejidad (más rápido) Mea-sift es sesible a la elecció del aco de bada
24 Segmetació basada e regioes El objetivo es ecotrar regioes de la image omogéeas segú algú criterio Hay dos maeras: Crecimieto de regioes (regio growig): empezamos co regioes pequeñas (semillas) y las acemos crecer o bie las mezclamos, usado u criterio de similaridad Partició de regioes (regio splittig): empezamos co regioes grades (icluso toda la image) y las vamos dividiedo usado u criterio de omogeeidad Existe métodos que combia las dos maeras
25 Crecimieto de regioes Haralick ad Sapiro Image segmetatio teciques Computer Visio, Grapics ad Image Processig. V. 29 (1) Asume que ua regió es u cojuto de píxeles coectados Sea R ua regió de N píxeles μ= 1 N x i R I (x i ) σ 2 = ( I ( x i ) μ) 2 x i R Teemos que defiir u test de similaridad para saber si u uevo píxel y, adyacete a algú píxel de R, se puede añadir a la regió
26 Crecimieto de regioes: test de similaridad Podemos defiir el siguiete test: Calculamos T: Si T es lo suficietemete pequeño, añadimos y a R Si se añade, debemos actualizar la media y variaza: μ ueva = N μ+y (N +1) = [ (N 1)N T (N +1) ( y μ) 2 σ 2 ] 2 σ ueva =σ 2 +( y μ ueva ) 2 +N (μ ueva μ) 2 Si o se añade, empezamos a calcular ua ueva regió co dico píxel
27 Crecimieto de regioes: semillas El método aterior lo podemos acer empezado por cualquier píxel de la image Si embargo, es mejor lazar u cojuto de semillas, es decir, lazar varios putos de partida Para ello, se puede acer lo siguiete: Se aplica u detector de aristas Los putos cuyo valor de magitud de gradiete esté próximos a cero, será valles, es decir, putos detro de regioes Usaremos esos putos para acer ua iudació del valle (los usamos como semillas del método aterior)
28 Partició de regioes Este proceso es el iverso del aterior Partimos ua úica regió (toda la image) y usamos algú criterio de omogeeidad para partir la regió Si se cumple el criterio, o se sigue dividiedo Si o se cumple, se divide Se puede usar el istograma para dico criterio: ver si existe valles, que puede servir a su vez para dividir la regió e otras más pequeñas. Colleva ua complejidad adicioal, al teer que maejar algua estructura de datos adicioal
Probabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos
Probabilidad y Estadística 3 Itervalos de Cofiaza y Test de Hipótesis paramétricos Itervalos de Cofiaza Defiició Dada ua muestra aleatoria simple es decir, u vector de variables aleatorias X co compoetes
Más detalles1. Propiedades de los estimadores
. Propiedades de los estimadores.. Eficiecia relativa. Defiició: Dados dos estimadores isesgados, ˆ y ˆ, de u parámetro, co variazas V ( ˆ ) y V ( ˆ ), etoces la eficiecia (eff) de ˆ respecto a ˆ, se defie
Más detallesDISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS)
DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) www.cedicaped.com DISTRIBUCIÓN DE PROBABILIDAD Recordemos que el Espacio Muestral es el cojuto de todos y
Más detallesCapítulo 4 (Continuación) MÉTODOS ESTADÍSTICOS. Autor: José María García Palanco
Capítulo 4 (Cotiuació MÉTODOS ESTADÍSTICOS Autor: José María García Palaco Técicas Eperimetales Medida de magitudes 4.8 Métodos Estadísticos Ya hemos visto e los apartados ateriores, que u procedimieto
Más detallesResumen que puede usarse en el examen
Resume que puede usarse e el exame ema. Optimizació Irrestrigida. Codicioes ecesarias y suficietes de optimalidad. Proposició (C. Necesarias) Sea x* u míimo local irrestrigido de f :!! y supogamos que
Más detallesCurso de Estadística Aplicada a las Ciencias Sociales. Tema 11. Estimación de una media. Introducción. Introducción (2) Introducción
Curso de Estadística Aplicada a las Ciecias Sociales Tema 11. Estimació de ua (Cap. 1 del libro) Tema 11. Estimació de ua Itroducció 1. Distribució de la e el. La muestral es cetrada 3. El error típico
Más detallesObjetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo Objetivos Tratar co muestras aleatorias y su distribució muestral e ejemplos de tamaño reducido. Tratar co la distribució de la
Más detallesIntroducciónalaInferencia Estadística
Capítulo 6 ItroduccióalaIferecia Estadística 6.1. Itroducció El pricipal objetivo de la Estadística es iferir o estimar características de ua població que o es completamete observable (o o iteresa observarla
Más detallesPráctica 2 VARIABLES ALEATORIAS CONTINUAS
Práctica. Objetivos: a) Apreder a calcular probabilidades de las distribucioes Normal y Chi-cuadrado. b) Estudio de la fució de desidad de la distribució Normal ~ N(µ;σ) c) Cálculo de la fució de distribució
Más detalles8.- LÍMITES DE FUNCIONES
8.- LÍMITES DE FUNCIONES.- DOMINIO DE DEFINICIÓN. Halla el domiio de defiició de f() = + 5+6 Solució: El domiio es -{,}. Halla el domiio de defiició de f() = 6 Solució: El domiio es (-,-] [, ).. Halla
Más detallesUNEFA C.I.N.U. Matemáticas
RADICACIÓN: DEFINICIÓN Y PROPIEDADES Ates de etrar e el tema Radicació, vamos a comezar por recordar u poco sore Poteciació: Saemos que e lugar de escriir, utilizamos la otació: de Poteciació, dode el
Más detallesTema 4. Estimación de parámetros
Estadística y metodología de la ivestigació Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 4. Estimació de parámetros 1. Estimació putual 1 1.1. Estimació de la proporció e la distribució Bi(m, p).......................
Más detallesPrueba Integral Lapso / Área de Matemática Fecha: MODELO DE RESPUESTA (Objetivos del 01 al 11)
Prueba Itegral Lapso 016-1 175-176-177 1/7 Uiversidad Nacioal Abierta Matemática I (Cód 175-176-177) Vicerrectorado Académico Cód Carrera: 16 36 80 508 51 54 610 611 61 613 Fecha: 19 11 016 MODELO DE RESPUESTA
Más detallesEl método de Monte Carlo
El método de Mote Carlo El método de Mote Carlo es u procedimieto geeral para seleccioar muestras aleatorias de ua població utilizado úmeros aleatorios. La deomiació Mote Carlo fue popularizado por los
Más detalles2 Algunos conceptos de convergencia de sucesiones de variables aleatorias
INTRODUCCIÓN A LA CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIAS Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Se puede utilizar diferetes coceptos de covergecia para las sucesioes
Más detallesBloque 3 Tema 12 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS
Bloque 3 Tema 1 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS Hay ocasioes e las que teemos que tomar decisioes relativas a ua població sobre la base de los coocimietos que
Más detallesTema 8 Límite de Funciones. Continuidad
Tema 8 Límite de Fucioes. Cotiuidad 1. Operacioes co límites. Los límites de las sucesioes a b, c, d y e so los idicados e la tabla siguiete:, a b c d e - 0 1 Di cual es el límite de: a) lim( a b ) c)
Más detallesObjetivo. 1. Intervalos y test (una sola muestra) Práctica 7: Intervalos de conanza y contrastes de hipótesis I. M. Iniesta Universidad de Murcia
Práctica 7: Itervalos de coaza y cotrastes de hipótesis I Objetivo E esta práctica y e la siguiete apredemos a aplicar e iterpretar las técicas de itervalos de coaza y test de hipótesis, seleccioado la
Más detalles1. Teorema del Límite Central. Como se dijo varias clases atras si tenemos n variables aleatorias, cada una de. X i = X. n = 1 n.
1. Teorema del Límite Cetral Teorema: ea Y 1, Y,..., Y variables aleatorias idepedietes idéticamete distribuidas co EY i = µ y V Y i =
Más detallesEstimación de Parámetros
Igacio Cascos Ferádez Departameto de Estadística Uiversidad Carlos III de Madrid Estimació de Parámetros Estadística I curso 008 009 Veremos cómo costruir valores aproximados de los parámetros de los modelos
Más detallesImportancia de las medidas de tendencia central.
UNIDAD 5: UTILICEMOS MEDIDAS DE TENDENCIA CENTRAL. Importacia de las medidas de tedecia cetral. Cuado recopilamos ua serie de datos podemos resumirlos utilizado ua tabla de clases y frecuecias. La iformació
Más detallesMEDIDAS DE DISPERSIÓN.
MEDIDA DE DIPERIÓN. Las medidas de tedecia cetral solamete da ua medida de la localizació del cetro de los datos. Co mucha frecuecia, es igualmete importate describir la forma e que las observacioes está
Más detallesINSTITUCIÓN EDUCATIVA JAVIERA LONDOÑO SEVILLA. GUIA Nº 3: Sucesiones, Límite de Sucesiones y Límite de Funciones en R
P á g i a INSTITUCIÓN EDUCATIVA JAVIERA LONDOÑO SEVILLA GUIA Nº 3: Sucesioes, Límite de Sucesioes y Límite de Fucioes e R GRADO: º AREA: MATEMÁTICAS PROFESORA: Ebli Martíez M. ESTUDIANTE: PERIODO: III
Más detallesMedidas de tendencia central
Medidas de tedecia cetral Por: Sadra Elvia Pérez Las medidas de tedecia cetral tiee este ombre porque so valores cetrales represetativos de los datos. Las medidas de tedecia cetral que se estudia e esta
Más detallesINTERÉS SIMPLE COMO FUNCIÓN LINEAL.
INTERÉS SIMPLE COMO FUNCIÓN LINEAL. EJERCICIOS PROPUESTOS. 1.- Grafica las fucioes Moto e Iterés: a) C = + 0, co C e miles de pesos ; : meses y R. Para graficar estar fucioes, debemos dar valores a, por
Más detallesSESION 15 DISTRIBUCIONES DE MUESTREO
SESION 15 DISTRIBUCIONES DE MUESTREO I. CONTENIDOS: 1. Distribució de muestreo. 2. Distribucioes de muestreo de la media 3. Media, mediaa y moda, así como su relació co la desviació estádar de las distribucioes
Más detallesUNIDAD 1 Ecuaciones Diferenciales de Primer Orden
UNIDAD UNIDAD Ecuacioes Difereciales de Primer Orde Defiició lasificació de las Ecuacioes Difereciales Ua ecuació diferecial es aquélla que cotiee las derivadas o difereciales de ua o más variables depedietes
Más detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detallesSesión 12. Aprendizaje neuronal
Iteligecia Artificial Sesió 2 Apredizaje euroal Ig. Sup. e Iformática, 4º Curso académico: 200/20 Profesores: Sascha Ossowski y Matteo Vasirai Apredizaje Resume: 3. Apredizaje automático 3. Itroducció
Más detallesGuía Semana 9 1. RESUMEN. Universidad de Chile. Ingeniería Matemática
1. RESUMEN Igeiería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Cálculo e Varias Variables 08-1 Igeiería Matemática Guía Semaa 9 Teorema de los multiplicadores de Lagrage
Más detallesSlide 1. Slide 2. Slide 3. Universidad Diego Portales Facultad de Economía y Negocios. Capítulo 4 Introducción a la Probabilidad.
Slide 1 Uiversidad Diego Portales Facultad de Ecoomía y Negocios Martes 13 de Abril, 2010 Slide 1 Slide 2 Capítulo 4 Itroducció a la Probabilidad Temas Pricipales: Experimetos, Reglas de Coteo, y Asigació
Más detallesCUADRATURA GAUSSIANA
CUADRATURA GAUSSIANA Este método de basa e muestrear el itegrado de la fució cuya itegral se desea ecotrar, a valores que represeta raíces de poliomios ortogoales Los más populares de éstos so los poliomios
Más detallesDiseño de Conjuntos y Diccionarios con Hashing
Diseño de Cojutos y Diccioarios co Hashig Represetació de Cojutos y Diccioarios TAD Diccioario(clave, sigificado) Observadores básicos def?: dicc(clave, sigificado) bool obteer: clave c dicc(clave, sigificado)
Más detallesEstimación de parámetros. Biometría
Estimació de parámetros Biometría Estimació Las poblacioes so descriptas mediate sus parámetros Para variables cuatitativas, las poblacioes so descriptas mediate y Para variables cualitativas, las poblacioes
Más detallesPoblación Joven Adulta Total A favor En contra Total
Nombre: Libre Reglametado C.I.: EXAMEN El exame costa de dos partes. La Primera Parte debe ser realizada por todos los alumos y el tiempo previsto es de 2 horas. La Seguda Parte debe ser realizada sólo
Más detallesEstadística Teórica II
tervalos de cofiaza Estadística Teórica NTERVALOS DE CONFANZA Satiago de la Fuete Ferádez 77 tervalos de cofiaza CÁLCULO DE NTERVALOS DE CONFANZA PARA LA MEDA CON DESVACÓN TÍPCA POBLACONAL CONOCDA Y DESCONOCDA.
Más detallesSeries Numéricas. Una forma de definir e es a través de la suma: 1. 1 0! + 1 1! + 1 2! + 1 3! + 1 4! + + 1 n. cuyo límite es e, es decir:
Capítulo Series Numéricas Las series uméricas so sucesioes muy particulares ya que se defie (o se geera) a partir de otra sucesió. Dos ejemplos secillos aparece e la defiició de e y el la Paradoja de Zeó.
Más detallesT ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos:
T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Variable aleatoria: defiició y tipos: Ua variable aleatoria es ua fució que asiga u úmero real, y sólo uo, a cada uo de los resultados de u eperimeto aleatorio.
Más detallesEstimación de Parámetros. Estimación de Parámetros
Uiversidad Técica Federico Sata María Capítulo 7 Estimació de Parámetros Estadística Computacioal II Semestre 007 Prof. Carlos Valle Págia : www.if.utfsm.cl/~cvalle e-mail : cvalle@if.utfsm.cl C.Valle
Más detallesUniversidad Antonio Nariño Matemáticas Especiales
Uiversidad Atoio Nariño Matemáticas Especiales Guía N 1: Números Complejos Grupo de Matemáticas Especiales Resume Se preseta el cojuto de los úmeros complejos juto co sus operacioes y estructuras relacioadas.
Más detallesMedidas de Tendencia Central
1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los valores observados e la muestra, dividida
Más detallesIntervalos de Confianza basados en una sola muestra. Denotaremos al parámetro de interés con la letra θ y con θ un estimador para θ.
Itervalos de Cofiaza basados e ua sola muestra Ua estimació putual sólo os proporcioa u valor umérico, pero NO proporcioa iformació sobre la precisió y cofiabilidad de la estimació del parámetro. Etoces
Más detallesPRÁCTICA 6: TEOREMA CENTRAL DEL LÍMITE
PRÁCTICA 6: TEOREMA CENTRAL DEL LÍMITE Objetivos Comprobar que la suma de variables aleatorias idepedietes y co la misma distribució es aproximadamete ormal. Estudiar la robustez de la aproximació frete
Más detallesUNIDAD 3.- INFERENCIA ESTADÍSTICA I
UNIDAD 3.- INFERENCIA ESTADÍSTICA I 1. ESTADÍSTICA INFERENCIAL. MUESTREO La Estadística es la ciecia que se preocupa de la recogida de datos, su orgaizació y aálisis, así como de las prediccioes que, a
Más detalles1. Secuencia Impulso unitario (función Kroëneker) 1, n = n 0. (n) = = {... 0, 0, (1), 0, 0,... }
SEÑALES DE TIEMPO DISCRETO SEÑALES Y SISTEMAS DE TIEMPO DISCRETO Las señales está clasificadas de maera amplia, e señales aalógicas y señales discretas. Ua señal aalógica será deotada por a t e la cual
Más detallesDISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS ESPACIO MUESTRAL. El cojuto de todos los resultados posibles de u eperimeto estadístico deotado por S o Ω VARIABLE. Se deomia variable a la
Más detallesMINITAB y MODELOS DE REGRESIÓN
Prácticas de Fudametos Matemáticos para el estudio del Medio Ambiete www.um.es/docecia/jpastor jpastor@um.es MINITAB y MODELOS DE REGRESIÓN 1. Itroducció Ua de las cuestioes de mayor iterés e las Ciecias
Más detalles2 Conceptos básicos y planteamiento
ESTADÍSTICA DESCRIPTIVA: DOS VARIABLES Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció E muchos casos estaremos iteresados e hacer u estudio cojuto de varias características de ua població.
Más detalles1 Sucesiones. Ejemplos. a n = n a n = n! a n = n n. a n = p n. a n = 2n3 + n 2 + 5 n 2 + 8. a n = ln(n)
1 Sucesioes De ició. Ua sucesió, a, es ua fució que tiee como domiio el cojuto de los úmeros aturales y como cotradomiio el cojuto de los úmeros reales: a : N! R. Se usa la siguiete otació: a () = a :
Más detallesFUNCIONES. ( a) IGUALDAD DE FUNCIONES Sí y son dos funciones, diremos que las funciones f y
CALCULO P.C.I. PRIMER SEMESTRE 04 FUNCIONES Sí A y B so dos cojutos o vacío, ua fució de A e B asiga a cada elemeto a perteeciete al cojuto A u úico elemeto b de B que deomiamos image de a. Además diremos
Más detallesEJERCICIOS RESUELTOS TEMA 8
EJERCICIOS RESUELTOS TEMA 8 8.. U ivestigador desea coocer la opiió de los madrileños sobre la saidad pública. Para ello, acude a las 8 de la mañaa al hospital público de la capital más cercao a su domicilio
Más detallesSolución del Examen Extraordinario de Algebra y Matemática Discreta, Primer Curso, Facultad de Informática
Solució del Exame Extraordiario de Algebra y Matemática Discreta, 0-09-2008. Primer Curso, Facultad de Iformática Putuació Máxima Posible: 20 putos Ejercicio Primero (Grafos, etc). a) ( puto) Defia Grafo
Más detallesLABORATORIO BIO 9000 PROCEDIMIENTO PE-I-03 PARA EL CÁLCULO DE LA INCERTIDUMBRE EN MICROBIOLOGÍA
LABORATORIO BIO 9000 PROCEDIMIENTO PARA EL CÁLCLO DE LA INCERTIDMBRE EN MICROBIOLOGÍA Rev. º: 00 Fecha de aprobació: 19/05/11 REV. FECHA HOJA/S CASA DEL CAMBIO Realizado Revisado Aprobado Fdo.: Daiel Aguilar-Galido
Más detallesOPCIÓN A EJERCICIO 1_A
IES Fco Ayala de Graada Sobrates de 2001 (Modelo 4) Euciado Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 0-1 2 1 ( putos) Resuelva la siguiete ecuació matricial: A X - 2 B C, siedo A 1 0 1, B -2, C. 1
Más detalles5.1. Tipos de convergencia
Estadística Tema 5 Covergecia de Variables Aleatorias 51 Tipos de covergecia 52 Ley de los grades úmeros 53 Teorema cetral del límite 54 Método delta Objetivos 1 Motivació estudio secuecias de VAs 2 Covergecia
Más detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
Más detallesDistribuciones en el muestreo, EMV
Distribucioes e el muestreo, E Tema 6 Descripció breve del tema. Itroducció y coceptos básicos. Propiedades de los estimadores Sesgo, Variaza, Error Cuadrático Medio y Cosistecia 3. Distribució de u estimador
Más detallesMATEMÁTICA LIC. Y PROF. EN CS. BIOLÓGICAS
Defiició de límite de ua fució (segú Heie) Sea f : D R ua fució y a R (D R) Diremos que se cumple que f() L R a f( ) L si para cualquier sucesió { } D { a} tal que a Ejemplos: ) Probar que Demostració:
Más detalles2.1. Concepto Monto, capital, tasa de interés y tiempo.
1 2.1. Cocepto El iterés compuesto tiee lugar cuado el deudor o paga al cocluir cada periodo que sirve como base para su determiació los itereses correspodietes. Así, provoca que los mismos itereses se
Más detallesTRABAJO DE GRUPO Series de potencias
DPTO. MATEMÁTICA APLICADA FACULTAD DE INFORMÁTICA (UPM) TRABAJO DE GRUPO Series de potecias CÁLCULO II (Curso 20-202) MIEMBROS DEL GRUPO (por orde alfabético) Nota: Apellidos Nombre Este trabajo sobre
Más detalles4.- Series. Criterios de convergencia. Series de Taylor y Laurent
4.- Series. Criterios de covergecia. Series de Taylor y Lauret a) Itroducció. Series de fucioes reales. b) Covergecia de secuecias y series. c) Series de Taylor. d) Series de Lauret. e) Propiedades adicioales
Más detallesANDALUCÍA / JUNIO 04. LOGSE / MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES / EXAMEN COMPLETO OPCIÓN A
EXAMEN COMPLETO Istruccioes: a) Duració: 1 hora y 30 miutos. b) Elija ua de las dos opcioes propuestas y coteste los ejercicios de la opció elegida. c) E cada ejercicio, parte o apartado se idica la putuació
Más detallesMETODO DE ITERACION DE NEWTON
METODO DE ITERACION DE NEWTON Supogamos que queremos resolver la ecuació f( ) y lo que obteemos o es la solució eacta sio sólo ua buea aproimació, para obteer esta aproimació observemos la siguiete figura
Más detallesbc (b) a b + c d = ad+bc a b = b a
1 Cojutos 1 Describa los elemetos de los siguietes cojutos A = { x x 1 = 0 } D = { x x 3 x + x = } B = { x x 1 = 0 } E = { x x + 8 = 9 } C = {x x + 8 = 9} F = { x x + 16x = 17 } Para los cojutos del ejercicio
Más detallesJueves, 25 de abril. Dificultades de los modelos PNL. Dónde está la solución óptima? Otro ejemplo: Óptima Local frente a Global
. Jueves, de abril Teoría sobre la programació o lieal Programació separable Dificultades de los modelos PNL PL: Etregas: material de clase PNL: Aálisis gráfico de la programació o lieal e dos dimesioes:
Más detallesApellidos y Nombre: Aproximación lineal. dy f x dx
INGENIERÍA DE TELECOMUNICACIÓN HOJA 0 Aproximació lieal Defiició (Diferecial).- Sea y = f ( x) ua fució derivable e u itervalo abierto que cotiee al úmero x, - La diferecial de x es igual al icremeto de
Más detallesTeorema del límite central
Teorema del límite cetral Carles Rovira Escofet P03/75057/01008 FUOC P03/75057/01008 Teorema del límite cetral Ídice Sesió 1 La distribució de la media muestral... 5 1. Distribució de la media muestral
Más detallesLey de Grandes Números y Teorema Central del
Ley de Grades Números y Teorema Cetral del Límite 25 de mayo de 2017 2 Capítulo 1 Ley de grades úmeros y Teorema cetral del límite 1.1. Sucesioes i.i.d. E el capítulo aterior cosideramos variables X 1,...,X
Más detallesDeterminación del tamaño de una muestra (para dos o más muestras)
STATGRAPHICS Rev. 457 Determiació del tamaño de ua muestra (para dos o más muestras) Este procedimieto determia el tamaño de muestra apropiado para estimar o realiar pruebas de hipótesis respecto a alguo
Más detallesR. Urbán Introducción a los métodos cuantitativos. Notas de clase Sucesiones y series.
R. Urbá Itroducció a los métodos cuatitativos. Notas de clase Sucesioes y series. SUCESIONES. Ua sucesió es u cojuto umerable de elemetos, dispuestos e u orde defiido y que guarda ua determiada ley de
Más detallesIES Fco Ayala de Granada Modelo 5 del 2015 (Soluciones) Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 5 DEL 2015 OPCIÓN A
SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 5 DEL 015 OPCIÓN A EJERCICIO 1 (A) Sea las matrices A = 1 0, B = 1 1 1 y C = 1 1 3 (1 5 putos) Resuelva la ecuació A X + B X = C. (1 5 putos) Calcule A 4
Más detallesEjercicios de intervalos de confianza en las PAAU
Ejercicios de itervalos de cofiaza e las PAAU 2008 1 1.-El úmero de días de permaecia de los efermos e u hospital sigue ua ley Normal de media µ días y desviació típica 3 días. a)determiar u itervalo de
Más detalles. Una de las aplicaciones más importantes de los coeficientes binomiales es el Binomio de Newton : n k)
Permutacioes. E Matemáticas, dado u cojuto fiito co todos sus elemetos diferetes, llamamos permutació a cada ua de las posibles ordeacioes de los elemetos de dicho cojuto. Por ejemplo, e el cojuto 1, 2,
Más detallesTEMA 10: La programación lineal como instrumento para la toma de decisiones de inversión
Itroducció a las Fiazas 3º Curso de Direcció y Admiistració de Empresas TEMA 0: La programació lieal como istrumeto para la toma de decisioes de iversió E la empresa existe ua serie de restriccioes (recursos,
Más detallesTema 8. Sesiones 15 y 16 Guía de clase 8. CONTRASTE DE HIPOTESIS
UNIVERSIDAD DE LOS ANDES NUCLEO UNIVERSITARIO RAFAEL RANGEL DEPTO DE CIENCIAS ECONOMOMICAS Y ADMIMISTRATIVAS AREA DE ESTADÍSTICA ESTADÍSTICA BASICA CONTADURÍA PÚBLICA Tema 8. Sesioes 5 y 6 Guía de clase
Más detallesReflexión y refracción en superficies planas y curvas
Física II (Biólogos y Geólogos) SERIE 1 Reflexió y refracció e superficies plaas y curvas 1. Cosidere u cojuto de 10 superficies plaas paralelas separadas etre sí por la misma distacia d. Cada par de superficies
Más detalles2 FUNDAMENTOS DE PROBABILIDAD
2 FUNDAMENTOS DE PROBABILIDAD T al vez el estudio de la probabilidad toma setido cuado se percibe y se acepta la existecia de la aleatoriedad e diversos aspectos de la vida diaria. Si embargo, si cosideramos
Más detallesMEDIDAS DE TENDENCIA CENTRAL. _ xi
EDIDAS DE TENDENCIA CENTRAL. EDIA ARITÉTICA. Es la medida más coocida y tambié es llamada promedio se obtiee sumado todos los valores de la muestra o població, dividida etre el total de elemetos que cotiee
Más detallesLímite y Continuidad de Funciones.
Límite Cotiuidad de Fucioes. Eleazar José García. eleagarcia9@hotmail.com. Límite de ua fució.. Defiició de límite de ua fució.. Ifiitésimo.. Ifiitésimos equivalete.. Límite por la izquierda.. Límite por
Más detallesUNIDAD 3. b b.1 Es una P.G. con a 1 5 y d 0,5. Por tanto: a n a 1 n 1 d 5 n 1 0,5 5 0,5n 0,5 0,5n 4,5 a n 0,5n 4,5
UNIDAD 3 a Escribe los cico primeros térmios de las sucesioes: a.1) a 2, a 3 1 2 a a a 1 2 a.2 b 2 + 1 b Halla el térmio geeral de cada ua de estas sucesioes: b.1 3, 1, 1, 3, 5,... b.2 2, 6, 18, 54,...
Más detallesPreguntas más Frecuentes: Tema 2
Pregutas más Frecuetes: Tema 2 Pulse sobre la preguta para acceder directamete a la respuesta 1. Se puede calcular la media a partir de las frecuecias absolutas acumuladas? 2. Para calcular la media aritmética,
Más detalles8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS
8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS Sea ua variable aleatoria de ley descoocida co 0,00. Si 0,, emplear la desigualdad de TCHEBYCHEFF para acotar iferiormete la probabilidad E( ) [
Más detallesIES Fco Ayala de Granada Modelo 2 del 2015 (Soluciones) Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 2 DEL 2015 OPCIÓN A
IES Fco Ayala de Graada Modelo del 015 (Solucioes) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO DEL 015 OPCIÓN A EJERCICIO 1 (A) 1-1 Sea las matrices A = 0 1-1, B = 1 1, C = ( 1),
Más detallesDetección de bordes mediante el algoritmo de Canny
Detecció de bordes mediate el algoritmo de Cay Jorge Valverde Rebaza Escuela Académico Profesioal de Iformática Uiversidad Nacioal de Trujillo Resume E el presete trabajo se expoe de maera cocisa el fudameto
Más detallescon operacion inversa la resta (suma de opuestos) y una operacion producto escalar, que no es interna,
Tema 9 El plao complejo 9. Números complejos E IR, las operacioes suma producto de úmeros reales so operacioes iteras (el resultado de operar es otro úmero real) que permite la existecia de operacioes
Más detallesPrueba A = , = [ 7.853, 8.147]
PRUEBAS DE ACCESO A LA UNIVERSIDAD CURSO 5-6 - CONVOCATORIA: Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe
Más detalles1. Intervalos de Conanza
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.: Itervalos de coaza Objetivos Costruir itervalos de coaza para los parámetros más importates. Aplicar coveietemete los IC atediedo a cada situació
Más detallesEn esta tema sentaremos las bases del muestreo estadístico y estudiaremos las distribuciones de algunos estadísticos a partir de una muestra.
Capítulo 6 Muestreo Estadístico E esta tema setaremos las bases del muestreo estadístico y estudiaremos las distribucioes de alguos estadísticos a partir de ua muestra. 6.1. Coceptos básicos Auque e el
Más detallesMUESTREO Y ESTIMACIÓN ESTADÍSTICA
1 MUESTREO Y ESTIMACIÓN ESTADÍSTICA Muestreo. Métodos de muestreo Se llama població al cojuto de idividuos que posee cierta característica. Ua muestra es ua parte de esa població. Muestreo es el proceso
Más detallesIntroducción a la Inferencia Estadística. Muestreo en poblaciones normales
Ídice 5 Itroducció a la Iferecia Estadística Muestreo e poblacioes ormales 51 51 Itroducció 51 52 Estadísticos y mometos muestrales 53 521 Media muestral Propiedades 54 522 Variaza muestral Propiedades
Más detallesCAPÍTULO 6 DISTRIBUCIONES MUESTRALES
CAPÍTULO 6 DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es coocer acerca del comportamieto de parámetros poblacioales tales como: la media ( μ ), la variaza ( ) o la proporció ( p ).
Más detallesIES Fco Ayala de Granada Sobrantes de 2005 (Modelo 3) Solución Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 005 (Modelo 3) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A ( putos) Dibuje el recito defiido por las siguietes iecuacioes: + y 6; 0 y; / + y/3 ; 0; ( puto) Calcule
Más detallesSESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN
SESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN I. CONTENIDOS: 1. Regresió lieal simple.. Iterpretació de gráficas de regresió. 3. Cálculo de coeficiete de correlació. 4. Iterpretació del coeficiete de correlació.
Más detallesGUIA DE ESTUDIO Nro 1
MATERIA: MATEMÁTICA I CURSO: I AÑO EJE ESTRUCTURAL I: CONCEPTOS FUNDAMENTALES DEL ALGEBRA GRUPOS CONCEPTUALES: - Epresioes algebraicas. Poliomios. - Ecuacioes. Iecuacioes. TEMARIO: GUIA DE ESTUDIO Nro
Más detallesTEMA 1 NÚMEROS REALES
. Objetivos / Criterios de evaluació TEMA 1 NÚMEROS REALES O.1.1 Coocer e idetificar los cojutos uméricos N, Z, Q, I,R, Im O.1.2 Saber covertir úmeros racioales e fraccioes. O.1.3 Redodeo y aproximació
Más detallesSucesiones de números reales
Sucesioes de úmeros reales Defiició y propiedades Sucesioes de úmeros reales 4 4 Defiició y propiedades 47 4 Sucesioes parciales 49 43 Mootoía 50 44 Sucesioes divergetes 53 45 Criterios de covergecia 54
Más detallesMétodos Numéricos (SC 854) Ajuste a curvas. 2. Ajuste a un polinomio mediante mínimos cuadrados
Métodos Numéricos SC 854 Auste a curvas c M Valezuela 007 008 7 de marzo de 008 1 Defiició del problema E el problema de auste a curvas se desea que dada ua tabla de valores i,f i ecotrar ua curva que
Más detallesConvolución. Dr. Luis Javier Morales Mendoza. Procesamiento Digital de Señales Departamento de Maestría DICIS - UG
Covolució Dr. Luis Javier Morales Medoza Procesamieto Digital de Señales Departameto de Maestría DICIS - UG Ídice.. Itroducció... Aálisis de Sistemas Discretos Lieales e Ivariates e el Tiempo.... Técicas
Más detallesMETAHEURÍSTICAS
METAHEURÍSTICAS 2016-2017 Tema 1. Itroducció a las Metaheurísticas Tema 2. Modelos de Búsqueda: Etoros y Trayectorias vs Poblacioes Tema 3. Metaheurísticas Basadas e Poblacioes Tema 4: Algoritmos Meméticos
Más detallesDERIVADA DE FUNCIONES DEL TIPO f ( x) c, donde c es una constante, la derivada de esta función es siempre cero, es decir:
DERIVADA DE FUNCIONES DEL TIPO f ( ) c Coceptos clave: 1. Derivada de la fució costate f ( ) c, dode c es ua costate, la derivada de esta fució es siempre cero, es decir: f '( ) 0 c. Derivada de ua fució
Más detalles