PREDICCIÓN DE CÁNCER DE MAMAS UTILIZANDO BI-RADS Y UN CLASIFICADOR BINARIO BASADO EN REDES NEURONALES ARTIFICIALES
|
|
- Luis Gómez Pérez
- hace 8 años
- Vistas:
Transcripción
1 PREDICCIÓN DE CÁNCER DE MAMAS UTILIZANDO BI-RADS Y UN CLASIFICADOR BINARIO BASADO EN REDES NEURONALES ARTIFICIALES Alexander Hoyo Dto. Tecnología Industral, Unersdad Smón Bolíar Caracas, Venezuela ahoyo@usb.e RESUMEN En esta nestgacón se realzaron redccones de Cáncer de mamas a artr de BI-RADS (Breast Imagng Reortng And Data System) o Sstema de Manejo de Datos del Reorte en la Imagen Mamara, se utlzó la base de datos Mammograhc mass data, consttuda or un total de 96 datos de dferentes acentes obtenda en el UCI Machne Learnng Reostory de la Unersdad de Calforna en Irne. La redccón consstó en clasfcar los datos dentro de dos conjuntos que denotan la seerdad de la lesón mamara entre bengna y malgna. Para desarrollar el clasfcador bnaro se utlzó una Red Neuronal Artfcal entrenada con el algortmo de arendzaje Adatrón, utlzando funcones Kernel de to gaussano y multcuadrátco nersa. Las mejores redccones se encontraron alrededor del 95% y 97% de efectdad La mlementacón comutaconal fue desarrollada bajo Lnux utlzando la herramenta de dseño Qt3 desgner. En esta nestgacón se lantea utlzar un clasfcador bnaro basado en Redes Neuronales Artfcales ara redecr la seerdad de lesones mamaras (bengndad o malgndad de la lesón mamara) a artr de datos BI-RADS. 2. REDES NEURONALES ARTIFICIALES Las Redes Neuronales Artfcales (RNA) son mlementacones matemátcas de una máquna de arendzaje lneal, que uede reresentarse gráfcamente como se obsera en la Fgura (modelo de una neurona artfcal), la Ec. () muestra su comortamento matemátco, donde x reresenta la entrada n-dmensonal de la red, y reresenta a la salda, b y w reresentan los arámetros que regulan la red y se obtenen medante un roceso de adatacón o entrenamento [4]. Palabras claes: BI-RADS, Adatrón, funcón Kernel, Clasfcacón Bnara, Pre-rocesamento.. INTRODUCCIÓN El Sstema de Manejo de Datos del Reorte en la Imagen Mamara o BI-RADS es un estándar desde el año de 995 utlzado en los nformes radológcos de mastografía, rncalmente ara estmar la seerdad de una lesón mamara y tratar de etar reortes ambguos entre los esecalstas []. El sstema trata de unfcar crteros entre los esecalstas y ayuda en la toma de decsones a la hora de elegr realzar una bosa. Las mamografías reresentan el método más efecto ara detectar cáncer de mamas hoy en día; sn embargo; las bajas redccones ostas de cáncer de mamas desués de realzar una bosa edencan que no es muy efecta la nterretacón de las mamografías, or encma del 70% de las bosas realzadas son nnecesaras. Muchos nestgadores han rouesto métodos comutaconales de redccón ara reducr esta ncertdumbre [2], [3]. Fgura. Reresentacón gráfca de una RNA n = f ( x) x w + b = x w b () =0 + Los arámetros w se denomnan esos snátcos y b es el umbral. El entrenamento de la RNA consste en consegur estos arámetros a traés de lo que se denomna arendzaje que consste en resentar a la red atrones o datos de entrada (x) a los que se les conoce su resuesta y corregr los arámetros en funcón de la
2 resuesta conocda, medante un algortmo terato de reforzamento del arendzaje [5]. 3. CLASIFICACIÓN BINARIA En la clasfcacón bnara se tene una sere de datos (atrones) reresentados or ectores m-dmensonales de atrbutos que consttuye el esaco de entradas X, cada dato osee una etqueta (clase), entre dos úncas ocones, que ueden ser reresentadas or las etquetas y -, estas etquetas forman el domno de salda Y [6]. La clasfcacón consste en determnar una funcón a artr de un conjunto de entrenamento, formado or ares de datos atrón-clase, que redga la clase a la cual ertenezca un nueo atrón de entrada. Esta clasfcacón suele hacerse utlzando una funcón de decsón real f:x R n R de la sguente forma: a la entrada x ={x,x 2,,x n} se le asgna la clase osta {} s f(x ) 0 y en caso contraro se le asgna la clase negata {-} [7]. Una máquna de arendzaje lneal escrbe su hótess f(x) como una funcón lneal de x X de la forma reflejada en la Ec. (), mentras que la regla de decsón ene dada or la funcón sgno(f(x)), connendo que el sgno(0)=. Esta máquna de arendzaje se denomna ercetrón generalzado. En la Fgura 2 se muestra una reresentacón geométrca de esta hótess, ara el caso de tener atrones bdmensonales [4]. En la lteratura se han resentado dersos algortmos teratos, que otmzan dferentes funcones de costo ara determnar el ector de esos y el umbral, entre estos el algortmo del Adatrón de Anlauf y Behl [4]. Margen Funconal (γ ) El margen funconal de un unto (atrón-clase) (x,y ) con resecto a un herlano se defne como el roducto de la etqueta or la funcón de hótess de la máquna de arendzaje, de acuerdo a la Ec. (2). γ = y f ( x ) = y ( < x w > + b) = y xw + b (2) m =0 De esta ecuacón se obsera que s el margen funconal de un dato es osto (γ >0) se esta clasfcando correctamente, de lo contraro, s margen funconal es negato, la clasfcacón es ncorrecta. El margen funconal de un herlano es el mínmo de los márgenes funconales de todo el conjunto de entrenamento. Se dce que la máquna de arendzaje está entrenada, cuando todos los márgenes funconales de todos los atrones son ostos. Para un roblema de clasfcacón lnealmente searable, exsten nfntos herlanos searadores, ero sólo exste un herlano que maxmza el mínmo margen de todos los herlanos osbles [8], [9]. Esto se uede sualzar en la Fgura 3. b w < x w > + b = 0 Fgura 2. Interretacón geométrca de una máquna de arendzaje lneal ara un clasfcador bnaro El esaco de entrada se dde en dos sub-esacos (donde se encuentran las entradas de ambas clases, ero con dferentes etquetas) or el herlano defndo or la ecuacón: <x w>+b=0, w (ector de esos) defne una dreccón erendcular al herlano; y b (umbral) es la dstanca del herlano al orgen de coordenadas. La exstenca de este herlano defne un roblema de clasfcacón lnealmente searable, s no exste el herlano, se dce que el roblema no es lnealmente searable [4]. Fgura 3. Múltles herlanos searadores ara datos lnealmente searables El objeto de los algortmos de arendzaje de máqunas lneales es determnar, a artr de un conjunto de entrenamento de atrones, un ector de esos w y el umbral b, tal que se erfque que todos los márgenes funconales de cada atrón de entrenamento sea mayor o gual a un arámetro c, que debe ser mayor o gual a cero, Ec. (3). γ = y ( < x w > + b) c 0 =... (3)
3 Algortmo del Adatrón Este algortmo fue rouesto or Anlauf y Behl [9]. La dea básca detrás del algortmo es la de mlementar una máquna de arendzaje lneal donde su dnámca de entrenamento ermta obtener el herlano de máxmo margen, es decr; el de mayor establdad. Los autores defnen la establdad de la máquna como se obsera en la Ec. (4). γ = mn (4) =... w Donde w Reresenta la norma Euclídea del ector de esos. Anlauf y Behl roonen ara maxmzar la establdad de la máquna de arendzaje, mnmzar la norma del ector de esos, sujeto a que (γ ) (Margen Funconal), ya que asumen c=. Teoría de Otmzacón Lagrangeana El roblema del Adatrón se uede er como un roblema de otmzacón con restrccones, hacendo uso de la teoría de otmzacón se construye una funcón Lagrangeana que ncluya la funcón objeto y las restrccones, Ec. (3). Se busca mnmzar la norma del ector de esos w, el Lagrangeano o funcón Lagrangeana de otmzacón uede escrbrse como en la Ec. (5), [4], [9], [0]. < w. w > L( w, b, α ) = + α ( y ( < x w > + b) ) (5) 2 = Donde los multlcadores de Lagrange α deben ser mayores o guales a cero, las deradas del Lagrangeano se muestran en la Ec. (6). Se obsera como el ector de esos resulta en una combnacón lneal de los atrones de entrenamento con los α como coefcentes de la combnacón. L( w, b, α) = w w L( w, b, α) = b = = α y = 0 α y x = 0 Susttuyendo estas relacones en la funcón Lagrangeana, Ec. (5), se obtene la funcón Lagrangeana Dual, la cual ncluye las restrccones y deende úncamente de los multlcadores de Lagrange, Ec. (7). = 0 2, j= 0 (6) j j θ ( α) = α αα j y y < x x > (7) Recordando la condcón de ostdad de los multlcadores de Lagrange α y las relacones dadas en la Ec. (6), se obsera que es un roblema de otmzacón cuadrátco y conexo que se uede resoler alcando la metodología de mínmos cuadrados. De esta forma el gradente de la funcón Lagrangeana Dual ndca la dnámca de adatacón de los multlcadores de Lagrange, como se areca en la Ec. (8), la aracón de estos multlcadores debe hacerse en la dreccón del gradente [9]. α θ ( α) = γ δα = λ( γ ) Donde λ es la constante de arendzaje. La dnámca de arendzaje consste en ncalzar los multlcadores de Lagrange α =0, resentar atrón a atrón e r corrgendo los multlcadores de Lagrange de acuerdo a la Ec. (8), este es el entrenamento de la máquna de arendzaje y se detene cuando todos los márgenes funconales sean mayores o guales a. Para el cálculo del margen funconal γ se utlza la Ec. (9). j= 0 j (8) γ = y α j y < x x > (9) Esta dnámca de adatacón osee dos untos fjos, es decr, los multlcadores de Lagrange ueden ser ostos ara los atrones cuyo margen funconal sea gual a ; y serán gual a cero ara los atrones con margen funconal mayor que. Entonces, los atrones donde ocurre que el margen funconal es gual a y cuyo multlcador de Lagrange es mayor a 0, se denomnan ectores de soorte orque son los untos más dfícles de entrenarse; se denomnan de esa forma orque soortan a la máquna de arendzaje, es decr, ara entrenar a la máquna sólo se requeren los ectores de soortes, estos datos se ubcan en los bordes de la frontera de decsón (herlano), estas máqunas de arendzaje se denomnan Máqunas de Soorte Vectoral o de Vectores de Soorte [9]. La tarea se comlca orque ara datos de alta dmensonaldad, es mosble determnar a smle sta cuales son los atrones que reresentan ectores de soorte, or lo que hay que entrenar la máquna con todos los atrones y determnar los ectores de soorte, obserando los multlcadores de Lagrange. Introduccón de Funcones Kernel Las Máqunas de Vectores de Soorte (SVM Suort Vector Machnes) son roductos de la mlementacón de teorías estadístcas de arendzaje, en general abordan el entrenamento efcente de máqunas de arendzaje lneales en esacos de rasgos nducdos or kernel, hacendo uso de la teoría de otmzacón, resultando en un roblema conexo que teórcamente no osee mínmos locales. j
4 Un kernel es una funcón K como la que se muestra en la Ec. (0): K( x, z) = Φ( x) Φ( z) x, z χ (0) Entonces Φ:χ F es una corresondenca del esaco de entradas χ a un esaco de rasgos F de roductos untos. Estos kernel sren ara realzar medcones de smltud de las entradas; en térmnos de Redes Neuronales Artfcales (RNA), consttuyen una esece de re-rocesamento de la nformacón (rncalmente cuando los datos no son lnealmente searables). El emleo de un kernel establece una corresondenca mlícta de los datos orgnales en un esaco de rasgos (no es necesaro reresentar exlíctamente los datos en el esaco de rasgos), con lo que se uede entrenar la máquna de arendzaje en ese esaco [4]. Todo kernel debe cumlr con el Teorema de Mercer (kernel osto defndo). Exsten muchos tos de kernel, en esta nestgacón se utlzaron tres funcones kernel: el kernel gaussano Ec. () y el multcuadrátco nerso Ec. (2). 2 x z K ( x, z) = ex 2 () σ 2 2 (, ) x y K x z = + (2) 2 σ Dado el algortmo de arendzaje del Adatrón defndo en funcón de un kernel osto defndo K (er ecuacón 9), se construyó un algortmo alternato reemlazando el kernel K or otro kernel K osto defndo. La funcón de decsón de la máquna de arendzaje se exresa en funcón del kernel como en la Ec. (3), se areca que no es necesaro conocer la corresondenca al esaco de rasgos ara oder mlementar una máquna de arendzaje en tal esaco, esto es lo que se denomna un maeo mlícto al esaco de rasgos. entre estas el Insttuto Naconal del Cáncer en los Estados Undos de Amérca. La clasfcacón que se realza a la magen mamara consta de ses tos o clase, mostradas en la Tabla []. Tabla. Clasfcacón BI-RADS To 0 Estudo Incomleto To I Estudo Negato ara Malgndad To II Hallazgos Bengnos To III Hallazgos Probablemente Bengnos To IV Baja sosecha de Malgndad To V Alta sosecha de Malgndad Fuente: Amercan Collage of Radology El To 0 es un estudo anormal que requere estudos adconales, el To I es un estudo negato, no exste nngún hallazgo (Fgura 4.a), el To II es una mamografía en la que se detectan hallazgos (calcfcacones, qustes smles, ganglos ntramamaros, mlantes, nódulos de grasa y los fbroadenomas calcfcados) ero defntamente bengnos (Fgura 4.b). El To III comrende hallazgos en donde no se asegura la bengndad (nódulos no alables sóldos, calcfcacones rregulares granulares, blaterales y áreas de asmetría) er Fgura 5.a, el To IV es una lesón con robabldad de ser malgna (calcfcacones granulares agruadas, nódulos no alables sóldos de bordes rregulares). Ver Fgura 5.b. (a) (b) Fgura 4. a) BI-RADS To I, b) BI-RADS To II = f ( x) α K( x, x) b (3) = BI-RADS El Sstema de Manejo de Datos del reorte en la Imagen Mamara o BI-RADS Breast Imagng Reortng And Data System fue dseñado or el Colego Amercano de Radología y otras nsttucones (a) (b) Fgura 5. a) BI-RADS To III, b) BI-RADS To IV El To V ncluye lesones reresentatas de malgndad como nódulos densos de bordes rregulares, con calcfcacones múltles agruadas en el nteror. Ver Fgura 6.
5 La dstrbucón de los datos está balanceada, aroxmadamente gual orcentaje de casos bengnos y malgnos, de las 96 nstancas, 56 casos son de seerdad bengna y 445 casos son de seerdad malgna. Fgura 6. BI-RADS To V 5. DATA EXPERIMENTAL Se utlzó la base de datos Mammograhc mass data recolectada or el Insttuto de Radología de la Unersdad Erlangen-Nuremberg en Alemana, entre los años 2003 y Esta base de datos consta de 96 nstancas que oseen la clasfcacón BI-RADS, la edad de las acentes e nformacón de la lesón mamara como la forma, el margen, la densdad y la seerdad de la lesón, este últmo atrbuto corresonde a la etqueta o clase (Tabla 2). Los datos (atrbutos) fueron escalados entre - y ara que las oeracones matemátcas no nolucren números muy grandes o alguna comonente desbalanceada, el rocedmento consstó en restar a cada dato el romedo y ddr or la aranza (rerocesamento de los datos). En el caso de la etqueta o clase de cada atrón, smlemente se modfcó el alor de 0 or -. Tabla 2. Informacón de los Atrbutos de los datos Atrbuto To BI-RADS Edad del acente (Age) Forma (Shae mass) Margen (Margn mass) Densdad (Densty mass) Seerdad (Seerty) Rango 0 To 0 To I 2 To II 3 To III 4 To IV 5 To V 8 96 años Redonda 2 Oalada 3 Lobular 4 Irregular Crcunscrbdo 2 Mcrolobular 3 Oscurecdo 4 Poco defndo 5 Esculado Alta 2 Meda 3 Baja 4 Con grasa 0 Bengno Malgno Los exermentos realzados conssteron en tomar un orcentaje de los datos como datos de entrenamento y los restantes ara la aldacón, es decr, una ez entrenado el clasfcador, se les dan los datos de aldacón y se comara la redccón de la seerdad de la lesón mamara del rograma comutaconal con la conocda de la base de datos. Se ensayo con 50, 60, 70 y 80% de datos de entrenamento. Se realzaron dersos ensayos con las funcones kernel menconadas en las ecuacones y 2 y arando el arámetros de las funcones kernel (sgma, σ), reortando los orcentajes de recueracón o de redccón correcta en la aldacón. Tambén se realzaron dferentes exermentos ara dferentes alores de la constante de arendzaje (lamda, λ) entre 0.0 y 2 [4], []. 6. RESULTADOS Las mejores redccones de la seerdad de la lesón mamara a artr de datos BI-RADS se encontraron alrededor del 95% y 97% de efectdad, utlzando el 60% o más de los datos ara el entrenamento de la máquna de arendzaje y los datos restantes en la aldacón. Además, utlzar el kernel Multcuadrátco Inerso ofrece mejores resultados, aroxmadamente 2% más de efectdad que utlzando el kernel Gaussano, esto se areca en la Fgura 7. % Predccón Efecta %Predc. s. %Datos Kernel Gaussano Kernel M ult. Inerso % Datos Entrenamento Fgura 7. Predccones (mejores resultados encontrados) La eleccón de la constante de arendzaje (lamda, λ) y del arámetro de la funcón kernel (sgma, σ) se realzó analzando el orcentaje de redccón efecta ara dferentes alores de λ y σ, encontrándose ara el caso de la constante de arendzaje λ que el más efecto está alrededor de 0., ya que utlzar un alor mas grande,
6 requere mayor temo de cómuto en el entrenamento. Para la constante sgma del kernel, se encontró que deende de la funcón kernel selecconada, en el caso de utlzar el kernel Gaussano este alor debe ser equeño, entre 0. y ara obtener buenas redccones, alrededor de 94 y 95 % de efectdad, utlzando el kernel Multcuadrátco Inerso este alor debe ser mas grande, alrededor de 0 y 5 ara obtener redccones ente 96 y 97% de efectdad. En las Fguras 8 y 9 se analza esta stuacón, utlzando 80% de los datos ara el entrenamento. %Rec %Rec. s. Lamda Kernel Gaussano sgma 0. Sgma Sgma 5 Sgma Lamda Fgura 8. Mejores Predccones con Kernel Gaussano En esta fgura se obsera como exste un máxmo ara el alor de la constante de arendzaje lamda alrededor de 0., además, las mejores redccones utlzando el Kernel Gaussano se obtueron utlzando como arámetro sgma entre 0. y. %Rec %Rec. s. Lamda Kernel Mult-cuadrátco Inerso sgma Sgma 5 Sgma 0 Sgma Lamda Fgura 9. Mejores Predccones con Kernel Mult-cuadrátco Inerso En la gráfca anteror se areca, gual que en el caso del kernel Gaussano, un máxmo ara el alor de la constante de arendzaje lamda alrededor de 0., el arámetro de la funcón kernel en este caso esta alrededor de 0 y 5. En ambos casos, el temo de cómuto en el entrenamento es consderablemente grande, a dferenca del temo requerdo ara la aldacón de las redccones. 7. DISCUSIÓN La alcacón de Redes Neuronales Artfcales ara la redccón de la seerdad de lesones mamaras a artr de datos BI-RADS ofrece buenos resultados y udera utlzarse ara ayudar a los esecalstas en el área, en la toma de decsones en el caso de solctar una bosa a un acente y reducr estos análss en casos nnecesaros roenentes de lesones mamaras bengnas. Sería de gran sgnfcacón mlementar otros algortmos de arendzaje que llegaran a resultados más efectos y que requeran un temo de cómuto en el arendzaje menor ara comarar con estos resultados. 8. REFERENCIAS [] M. Ortz, F. García, P. Díes, R. Ponte, J. Sánchez, y R. Barreda. El Informe Radológco en Mastografía según el sstema BI-RADS. Anales de Radología : [2] M. Elter, R. Schulz-Wendtland and T. Wttenberg (2007). The redcton of breast cancer bosy outcomes usng two CAD aroaches that both emhasze an ntellgble decson rocess. Medcal Physcs 34(), [3] Amercan College of Radology. Breast Imagng Reortng And Data System (BI-RADS) 3th. Ed. Reston, Va. ACR 998. [4] N. Crstann y J. Shawe-Taylor. An Introducton to Suort Vector Machnes, 2000, Cambrdge Unersty Press. [5] B. Scholkof y A. Smola. Learnng wth Kernels. Suort Vector Machnes, Regularzaton, Otmzaton and Beyond. The MIT Press, Cambrdge, Massachussetts htt:// [6] Rchard O. Duda, Dad G. Stork y Peter E. Hart. Pattern Classfcaton, 200. Wley, John & Sons, Incororated. [7] Kenosuke Fukunaga. Introducton to Statstcal Pattern Recognton, 990 Academc Press. [8] A. Hoyo. Alcacón de Redes Neuronales a Problemas de Clasfcacón Reales. Memoras de 5ta. CISCI Volumen I, [9] J. Anlauf y M. Behl. The Adatron - An Adate Percetron Algorthm. Eurohyscs Letters, 0, 687, (989). [0] A. Hoyo. Máqunas de ectores de soorte alcadas a roblemas de clasfcacón bnara. Memoras de 6ta. CISCI Vol. I,, [] O. Mangasaran y W. Wolberg: Cancer dagnoss a lnear rogrammng, SIAM News, Volume 23, Number 5, Setember 990, -8.
RECONOCIMIENTO DE PATRONES BASADO EN SUPPORT VECTOR MACHINES
RECONOCIMIENTO DE PATRONES BASADO EN SUPPORT VECTOR MACHINES Alexander HOYO Deartamento de Tecnología Industral Unversdad Smón Bolívar Caracas 080, Venezuela ahoyo@usb.ve RESUMEN En esta nvestgacón se
Más detalles1. CLASIFICACIÓN 1.1. INTRODUCCIÓN
. LASIFIAIÓN.. INRODUIÓN Defncón En los datos esten atrones o reulardades. El arendzae automátco AA ermte realzar aromacones que conduzcan a detectar certos atrones, que no son más que determnadas relacones
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesAlgoritmo para la ubicación de un nodo por su representación binaria
Título: Ubcacón de un Nodo por su Representacón Bnara Autor: Lus R. Morera González En este artículo ntroducremos un algortmo de carácter netamente geométrco para ubcar en un árbol natural la representacón
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesCOMPARADOR CON AMPLIFICADOR OPERACIONAL
COMAADO CON AMLIFICADO OEACIONAL COMAADO INESO, COMAADO NO INESO Tenen como msón comparar una tensón arable con otra, normalmente constante, denomnada tensón de referenca, dándonos a la salda una tensón
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesRespuesta A.C. del FET 1/14
espuesta A.C. del FET 1/14 1. Introduccón Una ez que se ubca al transstor dentro de la zona saturada o de corrente de salda constante, se puede utlzar como amplfcador de señales. En base a un FET canal
Más detalles1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo
EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detallesACTIVIDADES INICIALES
Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
Más detallesMódulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization)
Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multobjectve Optmzaton) Patrca Jaramllo A. y Rcardo Smth Q. Insttuto de Sstemas y Cencas de la Decsón Facultad de Mnas Unversdad Naconal de Colomba, Medellín,
Más detallesEstudio comparativo de técnicas para el reconocimiento de gestos por visión artificial
Estudo comaratvo de técncas ara el reconocmento de gestos or vsón artfcal Comaratve study of technques for gesture recognton by artfcal vson Sandra E. Noe R. Es., Humberto Loaza C. PhD, Eduardo Cacedo
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Ejerccos para Evaluacón: Tema 5 1. Contestar brevemente a las sguentes cuestones relaconadas con las Redes de Base
Más detallesESTADISTICA APLICADA A LA EDUCACIÓN
UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA FACULTAD DE EDUCACIÓN DEPARTAMENTO DE MÉTODOS DE INVESTIGACIÓN Y DIAGNÓSTICO EN EDUCACIÓN I Grados de Educacón Socal y Pedagogía ESTADISTICA APLICADA A LA
Más detallesUnidad 5. Aplicaciones de las derivadas. Objetivos. Al terminar la unidad, el alumno:
Unidad 5 Alicaciones de las derivadas Objetivos Al terminar la unidad, el alumno: Resolverá roblemas de ingreso utilizando el ingreso marginal. Resolverá roblemas de costos utilizando el costo marginal
Más detallesDiseño de Controladores PID. Sistemas de Control Prof. Mariela CERRADA
Deño de Controladore PID Stema de Control Prof. Marela CERRADA Controlador del to PI: Mejorando la reueta etaconara Lo controladore del to PI olo ncororan la accone Proorconale Integrale, aumentando en
Más detallescenidet Centro Nacional de Investigación y Desarrollo Tecnológico Departamento de Ingeniería Mecatrónica TESIS DE MAESTRÍA EN CIENCIAS
cendet Centro Naconal de Investgacón Desarrollo Tecnológco Deartamento de Ingenería Mecatrónca TESIS DE MAESTRÍA EN CIENCIAS Vsón Estereoscóca Estmacón de Pose ara el Posconamento de un Brazo Robótco Presentada
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.
Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón
Más detallesPROBABILIDAD. Álgebra de sucesos. Inclusión o igualdad de sucesos. Operaciones con sucesos.
ROILIDD Álgebra de sucesos. Un fenómeno o exerenca se dce que es aleatoro cuando al reetrlo en condcones análogas es mosble de redecr el resultado. El conjunto de todos los resultados osbles de un exermento
Más detallesProcesado y Análisis de Datos Ambientales. Curso José D. Martín, Emilio Soria, Antonio J. Serrano TEMA 2: MODELOS CLASIFICADORES
Procesado y Análss de Datos Ambentales. Curso 2009-200. osé D. Martín, Emlo Sora, Antono. Serrano TEMA 2: MODELOS CLASIFICADORES ÍNDICE Introduccón. Clasfcadores lneales. Árboles de decsón. Clasfcador
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesUna viga se encuentra sometida a Flexión Pura cuando el momento Flector es la única fuerza al interior de la sección.
3. FLEXÓ E VGS RECTS 3.1.- Conceptos Báscos Una ga se encentra sometda a Fleón Pra cando el momento Flector es la únca fera al nteror de la seccón. Ejemplo: Una ga smplemente apoada de l L solctada por
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
Más detallesPRÁCTICA 4. De las dos primeras CPO operando y simplificando se obtiene la condición de tangencia:
.- Determine la exresión de la demanda del bien x ara la siguiente función de utilidad: Para calcular la del bien x hay que resolver el roblema de maximización de la utilidad condicionada a la renta disonible
Más detallesComparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó
Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor
Más detallesDEFINICIÓN DE INDICADORES
DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.
Más detallesSoftware de bloqueo automático de páginas web que incitan a la violencia a través de un algoritmo híbrido de aprendizaje computacional* 1
Software de bloqueo automátco de págnas web que nctan a la volenca a través de un algortmo híbrdo de aprendzaje computaconal* Auto lock software web pages ncte volence through a hybrd computatonal learnng
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesCifrado de imágenes usando autómatas celulares con memoria
Cfrado de mágenes usando autómatas celulares con memora L. Hernández Encnas 1, A. Hernández Encnas 2, S. Hoya Whte 2, A. Martín del Rey 3, G. Rodríguez Sánchez 4 1 Insttuto de Físca Aplcada, CSIC, C/Serrano
Más detallesMÁQUINA DE VECTORES DE SOPORTE
MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
Más detallesReconocimiento de Imágenes Empleando Redes de Regresión General y la Técnica TVS
Reconocmento de Imágenes Empleando Redes de Regresón General y la Técnca TVS Rcardo García-Herrera & Waltero Wolfgang Mayol-Cuevas Laboratoro de INvestgacón para el Desarrollo Académco Depto. Ingenería
Más detallesCÁLCULO VECTORIAL 1.- MAGNITUDES ESCALARES Y VECTORIALES. 2.- VECTORES. pág. 1
CÁLCL ECTRIAL 1. Magntudes escalares y vectorales.. ectores. Componentes vectorales. ectores untaros. Componentes escalares. Módulo de un vector. Cosenos drectores. 3. peracones con vectores. 3.1. Suma.
Más detallesTutorial sobre Máquinas de Vectores Soporte (SVM)
Tutoral sobre Máqunas de Vectores Soporte SVM) Enrque J. Carmona Suárez ecarmona@da.uned.es Versón ncal: 2013 Últma versón: 11 Julo 2014 Dpto. de Intelgenca Artcal, ETS de Ingenería Informátca, Unversdad
Más detallesContactar:
Mecánca Teórca Mao 009 Tema: Transformacones Canóncas Contactar: telegama@gmal.com Una transformacón canónca es un cambo de las coordenadas generalzadas tal ue dan lugar a un nuevo amltonano ( amltonano
Más detalles1 x 11 x 12... x 1p y 1 2 x 21 x 22... x 2p y 2 : n x n1 x n2... x np y n
4. Análss de regresón lneal múltle En caítulos anterores tratamos el análss de regresón smle que trata de relaconar una varable exlcatva cuanttatva con una varable resuesta cuanttatva. Todos los elementos
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesPROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)
ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón
Más detallesGuía de ejercicios #1
Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje
Más detallesUniversidad Simón Bolívar Conversión de Energía Eléctrica - Prof. José Manuel Aller
Unversdad Smón Bolívar Conversón de Energía Eléctrca Prof José anuel Aller 41 Defncones báscas En este capítulo se estuda el comportamento de los crcutos acoplados magnétcamente, fjos en el espaco El medo
Más detallesMECÁNICA CLÁSICA MAESTRÍA EN CIENCIAS (FÍSICA) Curso de Primer Semestre - Otoño 2014. Omar De la Peña-Seaman. Instituto de Física (IFUAP)
MECÁNICA CLÁSICA MAESTRÍA EN CIENCIAS (FÍSICA) Curso de Prmer Semestre - Otoño 2014 Omar De la Peña-Seaman Insttuto de Físca (IFUAP) Benemérta Unversdad Autónoma de Puebla (BUAP) 1 / Omar De la Peña-Seaman
Más detallesINSTRUCTIVO No. SP 04 / 2002 INSTRUCTIVO PARA LA DETERMINACIÓN Y CÁLCULO DEL SALARIO BÁSICO REGULADOR
El Superntendente de Pensones, en el ejercco de las facultades legales contempladas en el artículo 13, lteral b) de la Ley Orgánca de la Superntendenca de Pensones, EMITE el : INSTRUCTIVO No. SP 04 / 2002
Más detallesTema 3: Adaptadores de Señal
Tema 3: Adaptadores de Señal Sstema GENERAL de nstrumentacón (bloques( funconales): Señal sensor Fltrado, A/D Amplfcacón Rado, nternet bus de datos Medo Sensor prmaro Transductor de entrada Adaptacón de
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesOPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS
P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesSmoothed Particle Hydrodynamics Animación Avanzada
Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesGUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22
DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detalles6 Minimización del riesgo empírico
6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón
Más detallesTEMA 4 Amplificadores realimentados
TEM 4 mplfcadores realmentados 4.1.- Introduccón La realmentacón (feedback en nglés) negata es amplamente utlzada en el dseño de amplfcadores ya que presenta múltples e mportantes benefcos. Uno de estos
Más detallesModelado Matemático del Cultivo en Lote y Continuo del Proceso Fermentativo del Tequila
7 Congreso Anual 9 de la Asocacón de Méco de Control Automátco. Zacatecas, Méco. Modelado Matemátco del Cultvo en Lote y Contnuo del Proceso Fermentatvo del Tequla Enrque Herrera, Gullermo Hernández, Alonso
Más detallesGráficos de flujo de señal
UNIVRSIDAD AUTÓNOMA D NUVO ÓN FACUTAD D INGNIRÍA MCANICA Y ÉCTRICA Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente
Más detallesMarcos Gutiérrez-Dávila marcosgd@ugr.es
Marcos Gutérrez-Dávla marcosgd@ugr.es Introduccón: Relacón de la bomecánca con el deporte de competcón El gesto deportvo consttuye un patrón de movmento estable que se caracterza por el alto grado de efcenca
Más detallesÍndice de Precios de las Materias Primas
May-15 Resumen Ejecutvo El objetvo del (IPMP) es sntetzar la dnámca de los precos de las exportacones de Argentna, consderando la relatva establdad en el corto plazo de los precos de las ventas externas
Más detallesUNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II
UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con
Más detalles12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández
MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández
Más detallesREDES NEURALES. Modelo computacional para una neurona artificial: unidad de umbral binario.
REDES NEURALES REFERENCIAS 1943. McCULLOCH Y PITTS. ( A Logcal Calculus of Ideas Immanent n Neurous Actvty ). 1960. ROSENBLATT. El Perceptron. 1982. HOPFIELD. Enfoque energétco. Algortmo de aprendzae de
Más detallesALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.
9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara
Más detallesCAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.
Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesObtención de mapas de similitud sísmica 2D mediante redes neuronales Oscar Rondón*, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep
Obtencón de mapas de smltud sísmca 2D medante redes neuronales Oscar Rondón, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep Resumen El desarrollo de metodologías para obtener e ntegrar nformacón de múltples
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17
Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES
Más detallesCircuito Monoestable
NGENEÍA ELETÓNA ELETONA (A-0 00 rcuto Monoestable rcuto Monoestable ng. María sabel Schaon, ng. aúl Lsandro Martín Este crcuto se caracterza por presentar un únco estado estable en régmen permanente, y
Más detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesSegmentación de Imágenes mediante Reconocimiento de Patrones
Equaton Chapter 1 Secton 1 Materal del Curso Segmentacón de Imágenes medante Reconocmento de Patrones Ing. Dego Sebastán Comas Dr. Gustavo Javer Meschno Curso: Segmentacón de Imágenes medante Reconocmento
Más detallesTeléfono: (52)-55-5329-7200 Ext. 2432
Sstema de Montoreo Autónomo Basado en el Robot Móvl Khepera Jorge S. Benítez Read 1, Erck Rojas Ramírez 2 y Tonatuh Rvero Gutérrez Insttuto Naconal de Investgacones Nucleares Carretera Méxco-Toluca s/n,
Más detallesMatemática Financiera Sistemas de Amortización de Deudas
Matemátca Fnancera Sstemas de Amortzacón de Deudas 7 Qué aprendemos Sstema Francés: Descomposcón de la cuota. Amortzacones acumuladas. Cálculo del saldo. Evolucón. Representacón gráfca. Expresones recursvas
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesClasificación Jerárquica de contenidos Web.
Clasfcacón Jerárquca de contendos Web. Álvaro Gascón y Marín de la Puente Unversdad Carlos III Madrd 100029648@alumnos.uc3m.es Mguel María Rodríguez Aparco Unversdad Carlos III Madrd 100021447@alumnos.uc3m.es
Más detallesUnidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles
2 Undad I.. Defncón de reaccón de combustón La reaccón de combustón se basa en la reaccón químca exotérmca de una sustanca (o una mezcla de ellas) denomnada combustble, con el oxígeno. Como consecuenca
Más detallesEjercicios Riesgo y Retorno Resueltos
Ejercicios Riesgo y Retorno Resueltos Comentes:. ara lograr el efecto diversificación en un ortafolio debemos necesariamente invertir en activos que no se correlacionen o que tienen correlación negativa.
Más detallesDOMINIO Y RANGO página 89. Cuando se grafica una función existen las siguientes posibilidades:
DOMINIO Y RANGO página 89 3. CONCEPTOS Y DEFINICIONES Cuando se grafica una función eisten las siguientes posibilidades: a) Que la gráfica ocupe todo el plano horizontalmente (sobre el eje de las ). b)
Más detallesMEDIDAS DE TENDENCIA CENTRAL
CAPÍTULO 14 MEDIDAS DE TENDENCIA CENTRAL A veces, de los datos recolectados ya organizados en alguna de las formas vistas en capítulos anteriores, se desea encontrar una especie de punto central en función
Más detallesEspacios de Búsqueda en un Árbol Binario para Resolver Problemas de Optimización Discreta
Espacos de Búsueda en un Árbol Bnaro para Resolver Problemas de Optmzacón Dscreta María Elena Gómez-Torres J. Crspín Zavala-Díaz Marco Antono Cruz- Chávez 3 Insttuto Tecnológco de Zacatepec Calzada Insttuto
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesCONTROL DE PROCESOS QUÍMICOS
UNIVESIDAD NACIONAL EXPEIMENTAL POLITECNICA ANTONIO JOSÉ DE SUCE VICEECTOADO BAQUISIMETO DEPATAMENTO DE INGENIEÍA QUÍMICA CONTOL DE POCESOS QUÍMICOS Prof: Ing. (MSc). Juan Enrque odríguez C. Octubre, 03
Más detallesFÓRMULA PARA EL CÁLCULO DE LOS ÍNDICES DE PRECIOS ELEMENTALES EN LA ELABORACIÓN DE UN IPC
FÓRMULA PARA EL CÁLCULO DE LOS ÍNDCES DE PRECOS ELEMENTALES EN LA ELABORACÓN DE UN PC RODRÍGUEZ FEJOÓ, Santago Deartamento de Métodos Cuanttatvos en E. y G. Unversdad de Las Palmas de Gran Canara correo-e:
Más detallesDualidad entre procesos termodinámicos y electromecánicos
ENERGÍA Y COENERGÍA EN IEMA ELECROMECÁNICO REALE, DEDE PROCEDIMIENO ERMODINÁMICO CLÁICO Alfredo Álvarez García Profesor de Inenería Eléctrca de la Escuela de Inenerías Industrales de adajoz. Resumen La
Más detallesClase 25. Macroeconomía, Sexta Parte
Introduccón a la Facultad de Cs. Físcas y Matemátcas - Unversdad de Chle Clase 25. Macroeconomía, Sexta Parte 12 de Juno, 2008 Garca Se recomenda complementar la clase con una lectura cudadosa de los capítulos
Más detallesUn soporte de comunicación grupal para agentes móviles
Un soorte de comuncacón grual ara agentes móvles Gullermo Rgott UNICEN Fac. de Cencas Exactas-ISISTAN Pje. Arroyo Seco, (7000) Tandl, Bs. As. Argentna e-mal: grgott@exa.uncen.edu.ar Resumen En los últmos
Más detalles1.- Elegibilidad de estudiantes. 2.- Selección de estudiantes - 2 -
Unversdad Euskal Herrko del País Vasco Unbertstatea NORMATIVA PARA SOCRATES/ERASMUS Y DEMÁS PROGRAMAS DE MOVILIDAD AL EXTRANJERO DE ALUMNOS (Aprobada en Junta de Facultad del día 12 de marzo de 2002) La
Más detallesLA MAMOGRAFÍA COMO HERRAMIENTA EN LA PREVENCIÓN, DIAGNÓSTICO Y SEGUIMIENTO
LA MAMOGRAFÍA COMO HERRAMIENTA EN LA PREVENCIÓN, DIAGNÓSTICO Y SEGUIMIENTO Dr. med Nidia I.Ríos Briones Profesor del departameno de Radiología e Imagen Jefe en funciones del departamento de introducción
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesFunciones, x, y, gráficos
Funciones, x, y, gráficos Vamos a ver los siguientes temas: funciones, definición, dominio, codominio, imágenes, gráficos, y algo más. Recordemos el concepto de función: Una función es una relación entre
Más detallesOperaciones Morfológicas en Imágenes Binarias
Operaciones Morfológicas en Imágenes Binarias Introducción La morfología matemática es una herramienta muy utilizada en el procesamiento de i- mágenes. Las operaciones morfológicas pueden simplificar los
Más detallesCANTIDADES VECTORIALES: VECTORES
INSTITUION EDUTIV L PRESENTION NOMRE LUMN: RE : MTEMÁTIS SIGNTUR: GEOMETRÍ DOENTE: JOSÉ IGNIO DE JESÚS FRNO RESTREPO TIPO DE GUI: ONEPTUL - EJERITION PERIODO GRDO FEH DURION 3 11 JUNIO 3 DE 2012 7 UNIDDES
Más detalles