1 Introducción. Tema B: Hidrología y Gestión del Agua
|
|
- Luz Rico Martínez
- hace 7 años
- Vistas:
Transcripción
1 La modelación con Redes Neuronales para la previsión de caudales en cuencas del ámbito Mediterráneo haciendo uso de los datos SAIH. Aplicación a cuencas del Júcar y el Segura L. Pujol, Ing. Civil, HidroGaia, S.L. Tecnología del Agua y el Medio Ambiente lpujol@hidrogaia.com P.Arevalo, Ing. Caminos, Canales y Puertos, HidroGaia, S.L. Tecnología del Agua y el Medio Ambiente parevalo@hidrogaia.com E. Ortiz, Ing. Tec. Obras Públicas, HidroGaia, S.L. Tecnología del Agua y el Medio Ambiente eortiz@hidrogaia.com V.Guna, Ing. Cartografía y Geodesia, HidroGaia, S.L. Tecnología del Agua y el Medio Ambiente vguna@hidrogaia.com R.Gabaldón, Ing. Cartografía y Geodesia, HidroGaia, S.L. Tecnología del Agua y el Medio Ambiente rgabaldon@hidrogaia.com 1 Introducción El concepto de Redes Neuronales Artificiales (RNA) surge en 1943 por Walter Pitts y Warren McCulloch que proponen una conceptualización del funcionamiento del cerebro humano basada en una red de células interconectadas, luego de una evolución de esta en el año 1951, Minsky y Edmonds montaron la primera máquina de Redes Neuronales y en 1959 Bernard Widrow y Marcial Hoff fueron los primeros en utilizar una red en la aplicación en un caso real. En el año 1969 se produce un bloqueo en la utilización de las Redes Neuronales hasta 1982 cuando aparece la técnica de aprendizaje denominada retropropagación del error [Rumelhart et al., 1986] y a partir de ese año ha continuado con grandes evoluciones hasta el momento. La utilización de las Redes Neuronales en ingeniería Civil viene de los años 80s pero solo a partir de 1991 aparecen unas de las primeras aplicaciones en hidrología, como predicción de lluvia [Chang et al., 1991; French et al., 1992; Flood y Kartam, 1994a y b], consumo de agua y estimación de caudales [Daniell, 1991] y predicción de caudales [Karunanithi et al., 1994]. Para los hidrólogos esta es una técnica joven pero ha tenido una rápida aceptación y un florecimiento positivo en publicaciones y conferencias [Govindaraju y Rao, 2000]. No hay una definición universal de las RNA. Pero tal vez varias personas en este campo estarían de acuerdo de que una RNA es una red de muchos procesadores simples ( nodos ), cada uno con una pequeña memoria local. Los nodos están conectados por canales de comunicación ( conexiones ) que generalmente contienen datos numéricos codificados de varias maneras. Los nodos operan sobre sus propios datos y entradas que reciben de las conexiones [Warren, 2005]. Dentro de las varias definiciones encontradas en la literatura, se muestran a continuación algunas de ellas: Las Redes Neuronales Artificiales son sistemas adaptables que aprenden relaciones de un grupo de entradas y salidas y luego son capaces de predecir un conjunto de datos, que no hallan
2 sido vistos previamente, con características similares a los datos de entrada [ASCE Task Committee on Application of Artificial Neural Networks in Hydrology, 2000a]. No requieren de ninguna entrada exógena mas que un conjunto de vectores de entrada-salida para el entrenamiento [Thirumalaiah y Deo, 1998a], debido a esto, como el cerebro humano, pueden reconocer relaciones entre variables sin ninguna consideración explícita [ASCE Task Committee on Application of Artificial Neural Networks in Hydrology, 2000a]. Tienen un buen funcionamiento aunque los datos de entrenamiento contengan errores de medición o ruidos. [Karunanithi et al., 1994; Thirumalaiah y Deo, 1998a Zealand et al., 1999; ASCE Task Committee on Application of Artificial Neural Networks in Hydrology, 2000a] y/o cuando la cantidad de variables de entrada es limitada [Sajikumar y Thandaveswara, 1999; Dolling y Varas, 2002]. Contienen características de procesamiento de información innatas, y una vez entrenadas, son fáciles de usar. [ASCE Task Committee on Application of Artificial Neural Networks in Hydrology, 2000a] Una forma de clasificar las RNA es por su número de capas y la dirección del flujo de la información y procesos. En una red feedforward, los nodos se agrupan en capas, empezando por la primera capa de entradas y terminando por una capa final de salidas. Pueden haber varias capas ocultas (multilayer) y cada una con uno o más nodos. La información pasa de los nodos de entrada a los de salida. Todos los nodos de una capa se conectan totalmente con los de las capas adyacentes, pero no con los de la misma. A cada conexión se le asigna un peso sináptico para representar la fuerza de las conexiones entre los nodos y predecir la relación entre las entradas y las salidas (inputs - outputs) En la Figura 1 se puede ver un esquema de una Red Neuronal feedforward (5-4-1) de una sola capa oculta con 5 nodos en la capa de entrada, 4 en la capa oculta y 1 en la capa de salida. Capa de entrada Capa oculta Capa de salida Y t-3 Y t-2 Y t-1 Y t X1 t-2 X1 t-1 X1 t X2 t-3 X2 t-2 X2 t-1 X2 t Y t+k X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 w1j w2j w3j w4j w5j w6j w7j w8j w9j w10j w11j b j j Yj = f(x i,wi,j,b j ) Figura 1 Esquema de Red Neuronal Artificial del tipo multilayer perceptron (MLP) con una sola capa oculta. Esquema de un nodo general (j) En la Figura 1 se muestra un diagrama esquemático del nodo j. Los W ij representan los pesos de las conexiones entre el nodo i de la capa anterior y el nodo j. La salida del nodo Y j se obtiene de la función de activación f(x,w,b j ), donde b j es el valor del umbral (bias) del nodo en cuestión (j). La función de activación se aplica a la combinación de todas las conexiones de la capa anterior con nodo j, este tipo de combinación se llama función PSP (Post-Synaptic-Potential). La función f se llama función de activación. Su forma funcional determina la respuesta del nodo a las entradas totales que recibe. El proceso de entrenamiento o de aprendizaje se utiliza para encontrar los valores de los pesos W y umbrales b que minimicen una función de error predeterminada. El entrenamiento es un proceso por el cual los pesos de las conexiones de una red son adaptados a través de un proceso continuo de simulación. Hay dos tipos de entrenamiento, supervisado ( data-driven ) y no supervisado.
3 El procedimiento de entrenamiento ajusta de forma iterativa los umbrales y pesos de cada nodo para llegar al objetivo final que es minimizar la función del error. Según lo visto anteriormente las redes neuronales artificiales pueden ser de varios tipos ya que cada componente de la misma puede variar de diferentes formas. En el caso de las aplicaciones que se describirán más adelante la topología utilizada es la MLP (ver Figura 1 ). 2 Aplicaciones En este artículo se mostrarán los resultados y describirá brevemente las redes neuronales utilizadas para la predicción en tiempo real de caudales en los sistemas de ayuda a la decisión utilizados en las confederaciones hidrográficas del Júcar y Segura. Para la construcción de un modelo de redes neuronales artificiales es muy importante la disposición de suficiente cantidad de datos para poder realizar una buena calibración y posterior validación del mismo. El Sistema Automático Información Hidrológica (SAIH) del Júcar y Segura disponen de datos cada 5 minutos de caudales y precipitación en las estaciones y cuencas donde se pretende realizar las predicciones de caudales. La buena calidad de datos y fácil disponibilidad de los mismos, facilita enormemente la implementación de este tipo de modelos data-driven, los cuales necesitan de datos de buena calidad y suficiente cantidad para que sus resultados sean buenos. Para la calibración y validación de los modelos se ha utilizado una aplicación informática (ANN) realizada específicamente para la modelación hidrológica con RNA. 2.1 Predicción de caudales en la Rambla del Poyo Se disponen de 3 eventos para la calibración y validación del modelo,. 2 de ellos (2007 y 2000) se utilizan para la calibración y el evento del 2002 para la validación. La poca cantidad de eventos, como ocurre en este tipo de cuencas, dificulta la el proceso de calibración de las redes neuronales. La cuenca del Poyo tiene un área drenante de 183 km 2 con una longitud máxima de drenaje de 32 km. Su tiempo de concentración según Témez es de 9.6 hs. Esta información junto con el análisis de las series temporales es muy útil para la determinación de las variables de entrada. Luego del análisis hidrológico, geomorfológico y de las series se obtiene RNA que se describirá seguidamente. El modelo de RNA utilizado para la predicción de caudales, en períodos de eventos, en el marco de control en la Rambla del Poyo (Figura 2 ) a 1 hora, utiliza datos horarios de la precipitación media de la cuenca. Esta variable junto con los caudales observados en la rambla del Poyo son las variables utilizadas como entradas al modelo que se expondrá seguidamente. La estructura del modelo [6-2-1] es la indicada en la Figura 3 utilizando como función de transformación de los datos de entrada la función x x = M a ' [García-Bartual, 2002]. Las variables de entrada como se pueden ver en la Figura 3 son: La precipitación media horaria de la cuenca al marco de control de la Rambla del Poyo. Calculada haciendo interpolación espacial entre los pluviómetros más cercanos (inversa a la distancia). Se utilizan los datos de las últimas 3 horas (P Cuen62 t-1, P Cuen62 t-2 y P Cuen62 t-3 ). Los caudales observados en las últimas 3 horas en el marco de control de la Rambla del Poyo (Q 8.0O04 t-1, Q 8.0O04 t-2 y Q 8.0O04 t-3 ) Para la calibración del modelo se utilizaron datos del evento del 2007 y 2000, siendo este último el evento más considerable ya que el evento del 2007 tiene un caudal máximo de aproximadamente 7 m 3 /s.
4 Figura 2 Ubicación de la cuenca y descripción de los puntos de medición Esta RNA ha sido validada con el evento del 2002 único evento con caudales considerables aunque no suficientemente altos para comprobar la habilidad del modelo. En la Figura 3 se pueden observar los índices de estadísticos de los resultados de validación de la red. Y en la Figura 4 se pueden ver los resultados gráficos de la validación. Los resultados de validación muestran un alto coeficiente de Nash and Sutcliffe (0.984) valores muy cercanos a 1 lo cual indica la buena capacidad del modelo de predecir caudales a una hora. Es importante el análisis gráfico de los resultados para poder interpretar la bondad del modelo y no solo los coeficientes estadísticos de los resultados. Como se puede ver en la Figura 4 las predicciones a una hora son de muy buena fiabilidad, pudiéndose comprobar a medida de que se vallan produciendo eventos en el futuro. Figura 3 Red Neuronal Artificial utilizada para predicción a 1 horas en la rambla del Poyo Escala de tiempo 1 hora. Para el mejor funcionamiento del modelo, y debido a la falta de una buena de validación es importante recalibrar y validar el modelo cuando se dispongan de nuevos eventos. El coeficiente de persistencia muy cercano a cero indica que el modelo tiene un comportamiento muy similar a un modelo simple de persistencia y el objetivo es alejarse lo máximo posible a valor igual a cero. Figura 4 Resultados de validación del modelo ANN de predicción de caudales a 1 hora del evento de 2002
5 2.2 Predicción de caudales en el río Vernissa Se disponen de 3 eventos para la calibración y validación del modelo. 2 de ellos (2007, 2002 y 2000) se utilizan para la calibración y el evento del 1996 para la validación. En esta cuenca a diferencia de las demás modeladas se disponen de dos eventos de gran importancia. Esto es un aspecto muy importante para poder validar los resultados de la calibración de las RNA. La cuenca de Vernissa tiene un área drenante de 102 km 2 con una longitud máxima de drenaje de 27 km. Su tiempo de concentración según Témez es de 7.6 hr. El modelo de RNA utilizado para la predicción de caudales, en períodos de eventos, en el marco de control del Vernissa (Figura 5 ) a 1 hora, utiliza datos horarios de la precipitación media de la cuenca acumulada cada 4 horas. Esta variable junto con los caudales observados en el marco de control del Vernissa son las variables utilizadas como entradas al modelo que se expondrá seguidamente. La estructura del modelo [6-2-1] es la indicada en la Figura 13 escalando los datos de entrada entre 0.05 y Figura 5 Ubicación de la cuenca y descripción de los puntos de medición Las variables de entrada como se pueden ver en la Figura 6 son: Precipitación media de la cuenca acumulada cada 4 horas. Calculada haciendo interpolación espacial entre los pluviómetros más cercanos (inversa a la distancia). Se utilizan los datos de tres horas consecutivas de precipitación a partir de dos horas antes del inicio de la predicción (Pacum(4) Cuen41 t-2, Pacum(4) Cuen41 t-3 y Pacum(4) Cuen41 t-4 ). Los caudales observados en las últimas 3 horas en el marco de control del Vernissa (Q 8.9O03 t-1, Q 8.9O03 t-2 y Q 8.9O03 t-3 ) Para la calibración del modelo se utilizaron datos del evento del 2000, 2007 y 2002, siendo los últimos eventos de gran magnitud. Figura 6 RNA utilizada para predicción a 1 horas en el marco de control del Vernissa. Escala de tiempo 1 hora. Esta RNA ha sido validada con el evento de 1996 el cual tiene caudales suficiente mente altos para poder validar el modelo correctamente. Y en la Figura 7 los resultados gráficos de la validación.
6 Se puede considerar que este modelo tiene resultados de muy alta calidad para la predicción de caudales a una hora en el marco de control del Vernissa. Se ha calibrado el modelo con dos eventos que superan los 200 m 3 /s y validado con un evento de 250 m 3 /s. La alta correlación de la precipitación con los caudales hace que la predicción sea lo suficientemente buena con un coeficiente de Nash and Sutcliffe de para la validación, pred obs superando al modelo de persistencia ( Q = Q ) t+4 t por 1.69 veces. Los resultados gráficos muestran un muy buen comportamiento del modelo para todos los eventos analizados. Figura 7 Resultados de validación del modelo ANN de preedición de caudales a 1 hora del evento de Predicción de caudales de entrada al embalse de Beniarrés La cuenca de Beniarrés tiene un área drenante de 470 km 2 con una longitud máxima de drenaje de 40 km. Su tiempo de concentración según Témez es de 10.6 hr. Se dispone de 2 eventos (2007 y 2004) para la validación y para la calibración se han utilizado los datos del año 1992 y El modelo de RNA utilizado para la predicción de caudales de entrada, en períodos de eventos, en el embalse de Beniarrés (Figura 8 ) a 1 hora, utiliza datos horarios de la precipitación en el pluviómetro de Beniarrés. Esta variable junto con los caudales de entrada calculados son las variables utilizadas como entradas al modelo que se expondrá seguidamente. La estructura del modelo [6-3-1] es la siguiente se muestra en la Figura 9 escalando los datos de entrada entre 0.05 y Las variables de entrada como se pueden ver en la Figura 8 son: La precipitación acumulada horaria en el pluviómetro de Beniarrés. Se utilizan los datos de las últimas 3 horas (P 8.9E01 t, P 8.9E01 t-1 y P 8.9E01 t-2 ). Los caudales de entrada calculados en el embalse de Beniarrés en las últimas 3 horas (I 8.9E01 t, I 8.9E01 t-1 y I 8.9E01 t-2 ) Figura 8 Ubicación de la cuenca y descripción de los puntos de medición
7 Para la calibración del modelo se utilizaron datos del año 1992 y 1993 donde se han producido dos eventos, uno de 200 m 3 /s y otro de uno 100 m 3 /s Figura 9 Red Neuronal Artificial utilizada para predicción a 1 horas de caudales de entrada al embalse de Beniarrés Escala de tiempo 1 hora. Esta RNA ha sido validada con el evento del 2007 y 2004 el cual tiene caudales suficiente mente altos para poder validar el modelo correctamente. En la Figura 10 y Figura 11 se muestran los resultados gráficos de las validaciones. Como se puede observar los resultados de validación tienen un comportamiento muy bueno aunque muy similares al modelo de persistencia (con un coeficiente de persistencia de 0.004) esto quiere decir que los caudales predicho a una hora, en algunos casos, pueden estar desfasados en el tiempo con los reales y con valores muy aproximados a los caudales observados en pasos de tiempo anteriores. Figura 10 Resultados de validación del modelo ANN de predicción de caudales de entrada en el embalse de Beniarrés a 1 hora del evento de 2004 Figura 11 Resultados de validación del modelo ANN de predicción de caudales de entrada en el embalse de Beniarrés a 1 hora del evento de 2007
8 Tema B: Hidrología y Gestión del Agua 2.4 Predicción de caudales en la Rambla de Benipila (Segura) Debido a la falta de precipitación en la zona en los últimos años, no se dispone de suficiente cantidad de eventos para poder calibrar y validar este tipo de modelos, por lo tanto se realiza una calibración única con el evento disponible, con la espera de futuros eventos para las validaciones. La cuenca de Benipila tiene un área drenante de 163 km2 con una longitud máxima de drenaje de 28 km. Su tiempo de concentración según Témez es de 9 hr. El modelo de RNA utilizado para la predicción de caudales, en períodos de eventos fuertes, en el marco de control en la Rambla de Benipila (Figura 12 ) a 2 horas, utiliza datos discretizados cada media hora de los pluviómetros de Cartagena, Perín y de la rambla de Benipila. Estas son las variables principales utilizadas como entradas al modelo que se expondrá seguidamente. La estructura del modelo [12-5-1] es la indicada en la Figura 13 utilizando la función de normalización para la transformación de los datos de entrada y las variables de entrada como se pueden ver en son: La precipitación en la última hora y media en Cartagena (P1t-1, P1t-2 y P1t-3) Siendo la escala de t de media hora. La precipitación en la última hora y media en Perín (P2t-1, P2t-2 y P2t-3) Siendo la escala de t de media hora. La precipitación en la última hora y media en Benipila (P3t-1, P3t-2 y P3t-3) Siendo la escala de t de media hora. Los caudales observados en la última hora y media en el marco de control de la Rambla de Benipila (Qt-1, Qt-2 y Qt-3) Siendo la escala de t de media hora. Figura 12 Ubicación de la cuenca y descripción de los puntos de medición Para la calibración del modelo se utilizaron datos del evento del 2000, siendo este, el único evento disponible para este motivo, impidiendo una posterior validación del mismo. Esto hace que el modelo deba ser validado a medida de que se vallan produciendo nuevos eventos pudiendo comprobar la capacidad del mismo para la predicción a 2 horas. Una posible mejora del modelo podrá hacerse con generación sintéticas de tormentas y posterior transformación con un modelo de transformación de lluvia escorrentía que permita obtener series sintéticas de precipitación y caudales para la posterior calibración y validación del modelo. Esta Red Neuronal ha sido solo calibrada para el evento del 2000 y no ha sido validada debido a la falta de eventos históricos disponibles en ese punto, en la Figura 14 se pueden ver los resultados gráficos de la calibración.
9 Figura 13 Red Neuronal Artificial utilizada para predicción a 2 horas. Escala de tiempo 30 minutos Figura 14 Resultados de calibración del modelo ANN de predicción de caudales a 2 horas del evento de 2000 Los resultados de calibración son muy buenos como se puede ver tanto en la gráfica como en los resultados de los índices estadísticos. Como se puede ver que el índice de persistencia es de 1.55 el cual muestra la relación pred obs entre el coeficiente de Nash and Sutcliffe (0.997) para este modelo y el modelo de persistencia ( Q = Q ) Indicando que el modelo tiene un coeficiente Nash 1.55 veces mayor que el de persistencia. t+4 t. 3 Conclusiones y discusiones Las Redes Neuronales Artificiales son modelos de predicción muy útiles para sistemas de ayuda a la decisión donde se requiere realizar predicciones en tiempo real. La falta de eventos para poder calibrar modelos adecuadamente hace muy difícil la buena calibración de los modelos. Por eso que se utilizan técnicas de parada temprana para evitar los sobreentrenamientos de las redes. La facilidad de recalibración y adaptación del modelo hace que sea posible adaptar los modelos a medida que se dispongan de nuevos eventos y así mejorar con el tiempo la precisión de las predicciones de los mismos. Es importante además de obtener los resultados, realizar una estimación de la incertidumbre de las predicciones que permitan conocer además del caudal predicho medio, también su función de distribución de probabilidad La incorporación de metodologías como filtro Kalman pueden ser una solución para desarrollar una red neuronal que adapte los pesos de sus conexiones automáticamente cada vez que se obtengan datos nuevos y de esta manera disponer de una RNA adaptativa.
10 4 Referencias bibliográficas ASCE Task Committee on Application of Artificial Neural Networks in Hydrology, 2000a. Artificial neural networks in hydrology. I: preliminary concepts. Journal of Hydrologic Engineering 5(2), ASCE Task Committee on Application of Artificial Neural Networks in Hydrology, 2000b. Artificial neural networks in hydrology. II: hydrologic applications. Journal of Hydrologic Engineering 5(2), Chang I., Rapiraju S., Whiteside M., Hwang G., A neural network to time series forecasting. Proceedings of the Decision Science Institute, 3, Daniell T. M., Neural networks applications in hydrology and water resources engineering. Proceedings of the International Hydrology and Water Resources Symposium. National Conference Publication 91/92 Institute of Engineering, Barton, Australia, 3, Dolling Oscar R. y Varas Eduardo A., Artificial neural networks for stream flow prediction. Journal of Hydraulic Research 40(5), Flood Ian y Kartam Nabil, 1994b. Neural networks in civil engineering II: systems and application. Journal of Computing in Civil Engineering 8(2), French M. N., Krajewski W. F., y Cuykendall R. R., Rainfall forecasting in space and time using a neural network. Journal of Hydrology, Amsterdam 137, 1 31 García-Bartual R., Short term river flood forecasting with neural networks. The International Environmental Modelling and Software Society. Govindaraju R. S. y Rao A. R., (Eds) Artificial Neural Networks in Hydrology. Dordrech: Kluwer Academic. Karunanithi Nachimuthu, Grenney William J., Whitley Darrell y Bovee Ken, Neural networks for river flow prediction. Journal of Computing in Civil Engineering 8(2), Pujol L., Ortiz E., Cifres E. y García-Bartual R., 2007a. Errors analysis in real time flow forecasting for 10-days lead time in the Paraná river. Geophysical Research Abstracts, Vol. 9, SRef-ID: /gra/EGU2007-A European Geosciences Union. Pujol L., Ortiz E., Cifres E. y García-Bartual R., 2007b. A real-time flow forecasting in the Paraná river: A comparison between ARMAX and ANN models. Congreso IAHR Venecia, Italia. Rumelhart D. E., Hinton G. E. y Willliams R. J., 1986b. Learning internal representations by error propagation. Parallel Distributing Processing: Explorations in the Microstructure of Cognition (D.E. Rumelhart, J.L. McClelland, eds), vol.1, chapter 8, Cambridge, MA: MIT Press. Sajikumar N. y Thandaveswara B. S., A Non-Linear Rainfall Runoff Model Using an Artificial Neural Network. Journal of Hydrology 216, Shi Jonathan Jingsheng, Reducing prediction error by transforming input data for neural networks. Journal of Computing in Civil Engineering 14(2), Thirumalaiah K. y Deo M. C., 1998a. River stage forecasting using artificial neural networks. Journal of Hydrologic Engineering 3(1), Thirumalaih K. y Deo M. C., 1998b. Real time flood forecasting using neural networks. Computer Aided Civil and Infrastructure Engineering 13(2), Warren S. Sarle, Neural Network FAQ, part 1 of 7: introduction. Cary, NC, USA ftp://ftp.sas.com/pub/neural/faq.html#a2. Zealand Cameron M., Burn Donald H. y Simonovic Slobodan P., Short term stream flow forecasting using artificial neural networks. Journal of Hydrology 214,
CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detallesEvaluación del impacto económico en el sector energético dado por los embalses para riego existentes en la cuenca de aporte a Rincón del Bonete
Trabajo de fin del curso SimSEE 2, Grupo 1, pág 1/9 Evaluación del impacto económico en el sector energético dado por los embalses para riego existentes en la cuenca de aporte a Rincón del Bonete Magdalena
Más detallesANÁLISIS DE FRECUENCIA (CURVAS INTENSIDAD DURACIÓN - FRECUENCIA) Y RIESGO HIDROLÓGICO
Facultad de Ingeniería Escuela de Civil Hidrología ANÁLISIS DE FRECUENCIA (CURVAS INTENSIDAD DURACIÓN - FRECUENCIA) Y RIESGO HIDROLÓGICO Prof. Ada Moreno ANÁLISIS DE FRECUENCIA Es un procedimiento para
Más detallesQué hacemos en I+D del Servicio Meteorológico Nacional? Yanina García Skabar.
Qué hacemos en I+D del Servicio Meteorológico Nacional? Yanina García Skabar yanina@smn.gov.ar Misión del SMN El Servicio Meteorológico tiene como misión principal observar, comprender y predecir el tiempo
Más detallesCapítulo 1. 1 Introducción
Capítulo 1 1 Introducción La importancia que tiene el conocimiento de la radiación solar [1] en campos tan dispares como la meteorología, agronomía, hidrología, arquitectura bioclimática o ingeniería de
Más detallesANÁLISIS DE CAUDALES (II) Profesor Luis Fernando Carvajal
ANÁLISIS DE CAUDALES (II) Profesor Luis Fernando Carvajal Relaciones nivel-caudal 1. El objetivo de aforar una corriente, durante varias épocas del año en una sección determinada, es determinar lo que
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesModelo Predictivo del Crimen para la Región Metropolitana
Análisis Espacial de la Criminalidad basado en Georeferenciación de Denuncias José Miguel Benavente PhD Departamento de Economía. Departamento de Ingeniería Industrial. Universidad de Chile. Carabineros
Más detallesRED DE EMBALSES: RED DE PLUVIÓMETROS: SE RECIBEN DATOS DE NIVELES, CAUDALES Y DESAGÜES DE 32 EMBALSES SE RECIBEN DATOS DE 181 PLUVIÓMETROS PLUVIÓMETRO
RED DE EMBALSES: SE RECIBEN DATOS DE NIVELES, CAUDALES Y DESAGÜES DE 32 EMBALSES RED DE PLUVIÓMETROS: SE RECIBEN DATOS DE 181 PLUVIÓMETROS PLUVIÓMETRO CASETA CON PLUVIÓMETRO RED FORONÓMICA: SE RECIBEN
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesFÍSICA Y QUÍMICA 3º ESO. OBJETIVOS, CONTENIDOS Y CRITERIOS DE EVALUACIÓN 1ª Evaluación: Unidad 1. La medida y el método científico.
FÍSICA Y QUÍMICA 3º ESO. OBJETIVOS, CONTENIDOS Y CRITERIOS DE EVALUACIÓN 1ª Evaluación: Unidad 1. La medida y el método científico. OBJETIVOS 1. Reconocer las etapas del trabajo científico y elaborar informes
Más detalles3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
Más detallesLic. Saidys Jiménez Quiroz. Área de Tecnología e Informática. Grado 6 - Cescoj
Lic. Saidys Jiménez Quiroz Área de Tecnología e Informática Grado 6 - Cescoj 2011 NÚCLEO BÁSICO N 2: INTRODUCCIÓN A LA INFORMÁTICA. SESIÓN DE APRENDIZAJE N 2.3: CLASIFICACIÓN DE LOS COMPUTADORES. COMPETENCIA:
Más detallesUNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)
UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) 1. ESTADÍSTICA: CLASES Y CONCEPTOS BÁSICOS En sus orígenes históricos, la Estadística estuvo ligada a cuestiones de Estado (recuentos, censos,
Más detallesCorrelación entre las lluvias y la TSM en el Pacífico occidental (Niño 4) para los meses de noviembre y febrero
Correlación entre las lluvias y la TSM en el Pacífico occidental (Niño 4) para los meses de noviembre y febrero 11 Noviembre 2014 Artículo de Divulgación La estacionalidad del impacto de El Niño en las
Más detallesJesús Manuel Carrera Velueta José Juan Almeida García Fecha de elaboración: Mayo 6 de 2010 Fecha de última actualización:
PROGRAMA DE ESTUDIO Programa Educativo: Área de Formación : Licenciatura en Ingeniería Ambiental Sustantiva profesional. Programa elaborado por: PROGRAMACIÓN APLICADA Horas teóricas: 1 Horas prácticas:
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Claudio Javier Tablada Germán Ariel Torres Resumen. Una Red Neuronal Artificial es un modelo matemático inspirado en el comportamiento biológico de las neuronas y en la estructura
Más detallesMENDOZA, TUNUYÁN, DIAMANTE, ATUEL, MALARGÜE Y GRANDE
PRONÓSTICO DE ESCURRIMIENTOS PARA LOS RÍOS: MENDOZA, TUNUYÁN, DIAMANTE, ATUEL, MALARGÜE Y GRANDE ÍNDICES 1. INTRODUCCIÓN... 2 3. METODOLOGÍA... 2 4. PRONÓSTICO OCTUBRE-2016 / SEPTIEMBRE-2017... 3 ANEXO
Más detallesXIX CONGRESO LATINOAMERICANO DE HIDRÁULICA CORDOBA 2000 PRONÓSTICO DE CAUDALES EN CUENCAS NIVALES USANDO REDES NEURONALES ARTIFICIALES
XIX CONGRESO LATINOAMERICANO DE HIDRÁULICA CORDOBA 2000 PRONÓSTICO DE CAUDALES EN CUENCAS NIVALES USANDO REDES NEURONALES ARTIFICIALES Oscar Raúl Dölling 1 y Eduardo Varas Castellón 2 1 Dpto. de Hidráulica,
Más detallesCLASIFICACIÓN DE LA IMAGEN. Escuela de Ingeniería Civil y Geomática Francisco Luis Hernández Torres
CLASIFICACIÓN DE LA IMAGEN TÉCNICA QUE PERMITE LA IDENTIFICACIÓN DE LOS DIFERENTES OBJETOS O GRUPOS PRESENTES EN UNA IMAGEN MULTI-ESPECTRAL. MÉTODO NO SUPERVISADO MÉTODO SUPERVISADO El Desarrollo De Las
Más detalles4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
Más detallesIntroducción. Universidad Nacional Tecnológica del Cono Sur de Lima JORGE AUGUSTO MARTEL TORRES 1
Universidad Nacional Tecnológica del Cono Sur de Lima Especialidad Ingeniería Mecánica Ingeniería Electrónica Introducción PROGRAMACIÓN DE INGENIERÍA Semana 01-A: Introducción Arquitectura Ing. Jorge A.
Más detallesDETERMINACIÓN DEL HIDROGRAMA DE ESCURRIMIENTO DIRECTO POR EL MÉTODO DE CLARK
GUIA DE TRABAJO PRACTICO Nº 9 DETERMINACIÓN DEL HIDROGRAMA DE ESCURRIMIENTO DIRECTO POR EL MÉTODO DE CLARK Dadas las características hidrodinámicas presentadas en la cartografía de la cuenca media y baja
Más detalleslite para la cuantificación de las superficies innivadas, realización
FIGURA 2. Area del territorio español [en azul) donde se estudian los recursos hídricos procedentes de la acumulación nival. Programa ERHIN. lite para la cuantificación de las superficies innivadas, realización
Más detallesPROGRAMA RESUMIDO DE CURSOS
PROGRAMA RESUMIDO DE CURSOS Curso: Operación de sistemas eléctricos de potencia y centros de control PROGRAMA GENERAL MODULO I: MODULO II: MODULO III: MODULO IV: MODULO V: MODULO VI: Flujos de potencia
Más detallesVICERRECTORÍA ACADÉMICA FACULTAD DE CIENCIAS E INGENIERÍA INGENIERÍA SANITARIA INGENIERÍA AMBIENTAL
VICERRECTORÍA ACADÉMICA FACULTAD DE CIENCIAS E INGENIERÍA INGENIERÍA SANITARIA INGENIERÍA AMBIENTAL Centro de Informática (CIN) Edifico Múltiple 2 Piso 2-3 Extensión 6301 CATÁLOGO DE RECURSOS INFORMÁTICOS
Más detallesLocalización. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides
M.Sc. Kryscia Ramírez Benavides Problemas de Navegación de los Robots Dónde estoy?. Dónde he estado? Mapa de decisiones. A dónde voy? Planificación de misiones. Cuál es la mejor manera de llegar? Planificación
Más detallesMODELO DE GEOFORMACIONES CÓNCAVAS PARA RECARGAS DE AGUA SUBTERRÁNEA EN CABECERAS DE CUENCA DEL RÍO JEQUETEPEQUE, CAJAMARCA
MODELO DE GEOFORMACIONES CÓNCAVAS PARA RECARGAS DE AGUA SUBTERRÁNEA EN CABECERAS DE CUENCA DEL RÍO JEQUETEPEQUE, CAJAMARCA Autor: ALEJANDRO ALCÁNTARA BOZA Patrocinador: NÉSTOR MONTALVO ARQUIÑIGO RESUMEN
Más detallesPROGRAMA DE ESTUDIO. Práctica. Práctica ( ) Semestre recomendado: 8º. Requisitos curriculares: Sistemas Digitales 2
PROGRAMA DE ESTUDIO Nombre de la asignatura: PROCESAMIENTO DIGITAL DE SEÑALES Clave: IEE25 Fecha de elaboración: marzo 2015 Horas Semestre Horas semana Horas de Teoría Ciclo Formativo: Básico ( ) Profesional
Más detallesFacultad de Ingeniería Civil y Ambiental Análisis Espacial.
Análisis Espacial. Contenido. - Introducción. - Revisión de estadística básica. - Precisión y exactitud. - Interpolación. - Métodos. - Aplicaciones. - Modelación y SIG. Interpoladores Locales: - Polígonos
Más detallesM.D.T. y TOPOCAL. Técnicas de Representación Gráfica. Curso DIGTEG 2010
M.D.T. y TOPOCAL Técnicas de Representación Gráfica Curso 2010-2011 Superficies Topográficas Superficies Topográficas No es geométrica La superficie terrestre No se puede representar con exactitud matemática
Más detalles3. CLIMATOLOGÍA Análisis de las precipitaciones Evaporación
3. CLIMATOLOGÍA 3.1. Análisis de las precipitaciones 3.2. Evaporación 3. CLIMATOLOGÍA El clima de la cuenca alta del Guadiana es de tipo mediterráneo-continental, caracterizado por una estación seca bien
Más detallesLicense Plate Detection using Neural Networks
License Plate Detection using Neural Networks Luis Carrera, Marco Mora Les Fous du Pixel Image Processing Research Group Department of Computer Science Catholic University of Maule http://www.lfdp-iprg.net
Más detallesRIO PARANA EN CORRIENTES
RIO PARANA EN CORRIENTES Pronóstico estacional de caudales para período Octubre 2015 Marzo 2016 Este pronóstico corresponde al volumen total acumulado en hectómetros cúbicos, a esperar en el río Paraná
Más detallesIng. Eduardo Cruz Romero w w w. tics-tlapa. c o m
Ing. Eduardo Cruz Romero eduar14_cr@hotmail.com w w w. tics-tlapa. c o m La estadística es tan vieja como la historia registrada. En la antigüedad los egipcios hacían censos de las personas y de los bienes
Más detallesFICHA DE LA TECNOLOGÍA
FICHA DE LA TECNOLOGÍA Simulador de diseño de obras de conservación de aguas y suelos: Simulador computacional de zanjas de infiltración y canales de evacuación de aguas de lluvia TEMÁTICA Clasificación:
Más detallesUniversidad Centroccidental Lisandro Alvarado. Decanato de Ciencias y Tecnología Departamento de Sistemas
Universidad Centroccidental Lisandro Alvarado Decanato de Ciencias y Tecnología Departamento de Sistemas PROGRAMA INSTRUCCIONAL PROGRAMA: ANALISIS DE SISTEMAS DEPARTAMENTO: SISTEMAS ASIGNATURA: INTRODUCCIÓN
Más detallesReducción de Ruido por medio de Redes Neuronales
Reducción de Ruido por medio de Redes Neuronales Donato Hernández, Sergio Ledesma, Miguel Torres, Gabriel Aviña y Gerardo Canedo Facultad de Ingeniería Mecánica, Eléctrica y Electrónica Universidad de
Más detallesESTUDIO DE LOS ARROYOS SAUZAL Y CEIBAL, SALTO. Convenio Intendencia de Salto IMFIA FI UdelaR Apoya: Comisión Técnico Mixta Salto Grande
ESTUDIO DE LOS ARROYOS SAUZAL Y CEIBAL, SALTO Convenio Intendencia de Salto IMFIA FI UdelaR Apoya: Comisión Técnico Mixta Salto Grande ÍNDICE Introducción Objetivos e Información de base Arroyo Sauzal
Más detallesLAR450 Protección contra sobretensiones causadas por descargas
LAR450 Protección contra sobretensiones causadas por descargas NORMA TÉCNICA Elaborado por: Revisado por: AREA NORMAS G.V. Revisión #: Entrada en vigencia: LAR 450 10/11/2003 Esta información ha sido extractada
Más detallesESTUDIO PLUVIOMÉTRICO
Santa Cruz de Tenerife 29 3 septiembre 9 JORNADAS SOBRE HIDROLOGÍA DE SUPERFICIE EN TENERIFE Segunda Jornada: GUIA METODOLOGÍCA CALCULO CAUDALES AVENIDA 3 ESTUDIO PLUVIOMÉTRICO D. Jesús López García Dr.
Más detallesLos Gráficos. Que son? Cuales son los tipos que conoces. Cual es su relación con la estadística?
Los Gráficos Que son? Cual es su relación con la estadística? Que factores se deben considerar para leerlos correctament e? Cuales son los tipos que conoces La representación grafica de datos sobre un
Más detallesSISTEMA INTEGRADO DE INFORMACIÓN ESPACIAL Y HERRAMIENTAS DE APOYO A LAS DECISIONES
SISTEMA INTEGRADO DE INFORMACIÓN ESPACIAL Y HERRAMIENTAS DE APOYO A LAS DECISIONES Miguel, R. 1, Galaz, I. 2, Blas, A. 3, Zarazaga, F.J. 1, García Lapresta, M. 2,Solera, A. 4 1 Dpto. de Informática e Ingeniería
Más detallesTEMA 11: Hidrología de cuencas pequeñas. Fórmula racional
TEMA 11: Hidrología de cuencas pequeñas. Fórmula racional MARTA GONZÁLEZ DEL TÁNAGO UNIDAD DOCENTE DE HIDRÁULICA E HIDROLOGÍA DEPARTAMENTO DE INGENIERÍA FORESTAL E.T.S. DE INGENIEROS DE MONTES UNIVERSIDAD
Más detallesTÉCNICAS E INSTRUMENTOS DE RECOLECCIÓN DE DATOS. Adela del Carpio Rivera Doctor en medicina
TÉCNICAS E INSTRUMENTOS DE RECOLECCIÓN DE DATOS Adela del Carpio Rivera Doctor en medicina METODO Es el medio o camino a través del cual se establece la relación entre el investigador y el consultado para
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN MECATRÓNICA ÁREA AUTOMATIZACIÓN
TÉCNICO SUPERIOR UNIVERSITARIO EN MECATRÓNICA ÁREA AUTOMATIZACIÓN HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Instrumentación industrial. 2. Competencias Implementar
Más detallesDelimitación y Codificación de Unidades Hidrográficas de Bolivia
Viceministerio de Recursos Hídricos y Riego 1 1. INTRODUCCION MINISTERIO DEL MEDIO AMBIENTE Y AGUA VICEMINISTERIO DE RECURSOS HIDRICOS Y RIEGO (VRHR) DELIMITACION Y CODIFICACION DE UNIDADES HIDROGRAFICAS
Más detallesMetodologías Para La Estimación de Ingresos Corrientes del Sector Público. Lic. Edgar Morales
Metodologías Para La Estimación de Ingresos Corrientes del Sector Público Lic. Edgar Morales Ingresos Fiscales Los ingresos fiscales son los que percibe el sector público para hacer frente a los gastos
Más detallesJuan Camilo Múnera, Félix Francés. Universidad Politécnica de Valencia - España Instituto de Ingeniería del Agua y Medio Ambiente
Integración del modelo TETIS en el sistema de alarma temprana DELFT FEWS para predicción de avenidas en tiempo real en algunas cuencas de la C.H. del Júcar Autores: Juan Camilo Múnera, Félix Francés Universidad
Más detallesTERMINOLOGÍA ANALÍTICA - PROCESO ANALÍTICO - TÉCNICA ANALÍTICA - MÉTODO ANALÍTICO - PROCEDIMIENTO ANALÍTICO - PROTOCOLO ANALÍTICO
TERMINOLOGÍA ANALÍTICA - PROCESO ANALÍTICO - TÉCNICA ANALÍTICA - MÉTODO ANALÍTICO - PROCEDIMIENTO ANALÍTICO - PROTOCOLO ANALÍTICO PROCESO ANALÍTICO Conjunto de operaciones analíticas intercaladas que se
Más detallesRiesgos agroclimáticos
Riesgos agroclimáticos Antonio Mestre Jefe del Área de Climatología y Aplicaciones Operativas AEMET Esquema presentación Introducción: Las adversidades agrometeorológicas. Apoyo meteorológico y climático
Más detallesREDES DE LOS SISTEMAS DE PAGO: HACIENDO ANÁLISIS USANDO
REDES DE LOS SISTEMAS DE PAGO: HACIENDO ANÁLISIS USANDO SIMULACIÓN Y PRUEBAS DE ESTRÉS Mayo 2011 AGENDA Introducción Antecedentes Motivación La Simulación El Modelado de redes Medidas de Centralidad Conclusiones
Más detallesPROGRAMA ACADEMICO Ingeniería Industrial
1. IDENTIFICACIÓN DIVISION ACADEMICA Ingenierías DEPARTAMENTO Ingeniería Industrial PROGRAMA ACADEMICO Ingeniería Industrial NOMBRE DEL CURSO Análisis de datos en Ingeniería COMPONENTE CURRICULAR Profesional
Más detallesNueva formulación para calcular la intensidad de precipitación para cualquier duración a partir de la precipitación diaria en la España peninsular
Nueva formulación para calcular la intensidad de precipitación para cualquier duración a partir de la precipitación diaria en la España peninsular Planteamiento del problema. Antecedentes Disponemos de
Más detallesBLOQUE I: HOJA DE CÁLCULO
4. Organización, secuenciación y temporización de contenidos BLOQUE I: HOJA DE CÁLCULO En este bloque se pretende conocer y utilizar tanto la hoja de cálculo Excel como sus gráficos. Se aplicará la hoja
Más detallesTecnológico Nacional de México INSTITUTO TECNOLÓGICO DE SALINA CRUZ
Tecnológico Nacional de México INSTITUTO TECNOLÓGICO DE SALINA CRUZ UNIDAD 2: ENRUTAMIENTO ESTÁTICO Y DINÁMICO ACTIVIDAD: TRABAJO DE INVESTIGACIÓN 1 MATERIA: REDES DE COMPUTADORAS DOCENTE: SUSANA MÓNICA
Más detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS Sistemas Operativos I Área a la que pertenece: Área Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0168 Asignaturas antecedentes y subsecuentes PRESENTACIÓN
Más detallesMétodos Predictivos en Minería de Datos
Métodos Predictivos en Minería de Datos Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado de la Universidad de Stanford. Duración: Cuatro
Más detallesAndres Felipe Rojas / Nancy Gelvez. UNESCO UNIR ICT & Education Latam Congress 2016
Distributed processing using cosine similarity for mapping Big Data in Hadoop (Procesamiento distribuido usando similitud de coseno para mapear Big Data en Haddop) Andres Felipe Rojas / Nancy Gelvez UNESCO
Más detallesGuía para maestro. Moda, media y mediana. Compartir Saberes
Guía para maestro Guía realizada por Nury Espinosa Profesional en Matemáticas Este tipo de medidas nos permiten identificar y ubicar el punto (valor) alrededor del cual se tienden a reunir los datos (
Más detallesInformación Meteorológica de las Emergencias Climáticas en Chile y en la Región del Bio Bio. Isaac Maldonado I Ingeniero Agrónomo MSc INIA Quilamapu
Información Meteorológica de las Emergencias Climáticas en Chile y en la Región del Bio Bio. Isaac Maldonado I Ingeniero Agrónomo MSc INIA Quilamapu Importancia de los datos y la información Meteorológica
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión
Más detallesUso de las medidas de tendencia central en un análisis de datos.
Grado 11 Matemáticas - Unidad 5 Un análisis de información con criterios estadísticos Tema Uso de las medidas de tendencia central en un análisis de datos. Nombre: Curso: El manejo de información cuantitativa,
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesLOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
Más detallesPROGRAMA DE LA ASIGNATURA DE RIEGOS (36402) 4º Curso de Ingenieros Agrónomos
PROGRAMA DE LA ASIGNATURA DE RIEGOS (36402) 4º Curso de Ingenieros Agrónomos Profesor: Camilo Robles García Departamento de Proyectos e Ingeniería Rural Curso 2008-2009 1 I - INTRODUCCION Tema 1: Introducción
Más detallesReporte datos Terra-i en Peru Desde Hasta
Reporte datos Terra-i en Peru Desde 01.01.2004 Hasta 27.07.2016 Mensajes clave El siguiente documento presenta un estudio del impacto antropogénico en el hábitat natural de Peru usando Terra-i, como un
Más detalles1. El concepto de número natural. 2. Adición y sustracción de números naturales. 3. Multiplicación y división de números naturales.
ESTRUCTURA CONCEPTUAL DEL AREA DE: EJES ARTICULADORES Y PRODUCTIVOS DEL AREA CONOCIMIENTOS REPÚBLICA DE COLOMBIA DEPARTAMENTO DE CÓRDOBA MUNICIPIO DE VALENCIA INSTITUCIÓN EDUCATIVA CATALINO GULFO RESOLUCIÓN
Más detallesAMBSAD SISTEMA DE ADQUISICIÓN DE DATOS
AMBSAD SISTEMA DE ADQUISICIÓN DE DATOS Versión 2012 AMBSAD SISTEMA DE ADQUISICION DE DATOS Contenido Descripción General Adquisición Almacenaje Rangos de medida Representación Monitorización Búsqueda Verificación
Más detallesSimulación de cuencas hidráulicas mediante Programación Orientada a Objetos
Simulación de cuencas hidráulicas mediante Programación Orientada a Objetos Jesús María Latorre, Santiago Cerisola, Andrés Ramos (IIT-UPCo) Alejandro Perea, Rafael Bellido (Iberdrola Generación) Índice
Más detallesEl acceso a Internet, el uso de banda ancha y la disposición de sitio Web en las empresas vascas de 10 ó más empleados superan la media de la UE-27
Nota de prensa de 10/07/2012 ENCUESTA SOBRE LA SOCIEDAD DE LA INFORMACIÓN -ESI- Empresas Año 2012 El acceso a Internet, el uso de banda ancha y la disposición de sitio Web en las empresas vascas de 10
Más detallesDiseño arquitectónico 1ª edición (2002)
Unidades temáticas de Ingeniería del Software Diseño arquitectónico 1ª edición (2002) Facultad de Informática objetivo Los sistemas grandes se descomponen en subsistemas que suministran un conjunto relacionado
Más detallesI CONFERENCIA DE ADAPTACION AL CAMBIO CLIMATICO Y GESTION PREVENTIVA DEL RIESGO PARA LA INFRAESTRUCTURA PUBLICA
I CONFERENCIA DE ADAPTACION AL CAMBIO CLIMATICO Y GESTION PREVENTIVA DEL RIESGO PARA LA INFRAESTRUCTURA PUBLICA JUNIO DE 2013 SAN SALVADOR, EL SALVADOR AUTORES: SONIA CAROLINA CALDERON, DERA CORTÉS, ALONSO
Más detallesTema 2: Diseño y Construccion de Sistemas de Ayuda a la Decision
Tema 2: Diseño y Construccion de Sistemas de Ayuda a la Decision Procesos de desarrollo de SAD Hay dos formas de desarrollar SAD: Programar un SAD a medida: se puede emplear un lenguaje convencional como
Más detallesEnsayos de Fuego a Escala Real en Trenes de Alta Velocidad
Ensayos de Fuego a Escala Real en Trenes de Alta Velocidad Dr. José Antonio Jiménez Director de Diseño de Productos de la Dirección General de Fabricación y Mantenimiento Renfe Operadora Madrid, 24 de
Más detallesTema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
Más detallesINTRODUCCION 1.1.-PREAMBULO
INTRODUCCION 1.1.-PREAMBULO El suelo en un sitio de construcción no siempre será totalmente adecuado para soportar estructuras como edificios, puentes, carreteras y presas. Los estratos de arcillas blanda
Más detallesCONTENIDOS MÍNIMOS BLOQUE 2. NÚMEROS
CONTENIDOS Y CRITERIOS DE EVALUACIÓN DE MATEMÁTICAS 1º DE ESO. Bloque 1: Contenidos Comunes Este bloque de contenidos será desarrollado junto con los otros bloques a lo largo de todas y cada una de las
Más detallesReporte extraordinario de condiciones de sequía a Enero del 2016
Reporte extraordinario de condiciones de sequía a Enero del 2016 Waldo Lavado-Casimiro 1, Oscar Felipe Obando 1, Sofia Endara 1, Carlos Fernandez Palomino 1, Fiorela Vega 1 & Jesus Sosa 1. 1 Dirección
Más detallesEn el diagrama (Figura 4.1) se describe la metodología utilizada para estudiar la erosión natural en la Cuenca media y alta del Río Sonora.
4. METODOLOGÍA En el diagrama (Figura 4.1) se describe la metodología utilizada para estudiar la erosión natural en la Cuenca media y alta del Río Sonora. 4.1. Modelos cuantitativos para el cálculo de
Más detallesNombre de la asignatura: Simulación. Créditos: Aportación al perfil
Nombre de la asignatura: Simulación Créditos: 2-4-6 Aportación al perfil Analizar, diseñar y gestionar sistemas productivos desde la provisión de insumos hasta la entrega de bienes y servicios, integrándolos
Más detallesAlba Lucia Londoño Raul martinez. A. Conocimiento y comprensión
Grado: 8º Periodo: 04 CUARTO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Alba Lucia Londoño Raul martinez A. Conocimiento y comprensión ESTANDARES P.A.I. I.B. ESTANDARES M.E.N.
Más detalles: Algorítmica y Estructura de Datos I
FACULTAD POLITÉCNICA DIRECCIÓN ACADÉMICA PROGRAMA DE ESTUDIO I. IDENTIFICACIÓN Carrera : Ingeniería de Sistemas CARGA HORARIA (Horas reloj) Asignatura : Algorítmica y Estructura de Datos I Carga Horaria
Más detallesUNIVERSIDAD DEL NORTE
UNIVERSIDAD DEL NORTE 1. IDENTIFICACIÓN DIVISIÓN ACADÉMICA DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO MATEMÁTICAS Y ESATADÍSTICA. PROGRAMA ACADÉMICO ESTADÍSTICA I-AD CÓDIGO DE LA ASIGNATURA EST 1022 PRE-REQUISITO
Más detallesDESPLIEGUE DE LA CALIDAD (Quality Function Deployment, QFD)
DESPLIEGUE DE LA CALIDAD (Quality Function Deployment, QFD) El Despliegue de la Calidad o Despliegue de la Función de la Calidad es una metodología de origen japonés utilizada para traducir las necesidades
Más detallesDESCRIPCIÓN DEL EPISODIO HIDROMETEOROLÓGICO
DESCRIPCIÓN DEL EPISODIO HIDROMETEOROLÓGICO Las extremas lluvias torrenciales acaecidas en la zona litoral de la Confederación Hidrográfica del Júcar (CHJ) desde el día 20 al 25 de Octubre de 2000, han
Más detallesRD 436/2004 Predicción de Producción Energética en Parques Eólicos
RD 436/2004 Predicción de Producción Energética en Parques Eólicos Luis Muñoz, Garrad Hassan España APPA II Jornada Informativa Barcelona, Abril 2004 1045\BT\16\ 1 Quién es Garrad Hassan? Consultores líderes
Más detallesUNIVERSIDAD ALAS PERUANAS FACULTAD DE CIENCIAS DE LA COMUNICACIÓN SILABO POR COMPETENCIA
UNIVERSIDAD ALAS PERUANAS FACULTAD DE CIENCIAS DE LA COMUNICACIÓN SILABO POR COMPETENCIA I. DATOS INFORMATIVOS 1.1 Asignatura : Estadística para el Comunicador Social 1.2 Código : 1001-1023 1.3 Pre-requisito
Más detallesSimulación de la Red Inalámbrica de Banda Ancha con Tecnología WiMAX para el Estado de Colima
Simulación de la Red Inalámbrica de Banda Ancha con Tecnología WiMAX para el Estado de Colima Stalin X. CARAGUAY RAMÍREZ Luis E. ROSAS Raúl T. AQUINO Omar ÁLVAREZ RESUMEN El presente trabajo describe el
Más detalles6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS Velocidad de retorno del rayo con distribución uniforme
Aplicación de redes neuronales en el cálculo de sobretensiones y tasa de contorneamientos 233 6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS 6.4.1. Introducción Como ya
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN ÁREA SISTEMAS INFORMÁTICOS.
TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN ÁREA SISTEMAS INFORMÁTICOS. HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Ingeniería de
Más detallesTALLER SOBRE ADAPTACIÓN DE LOS BOSQUES Y LA BIODIVERSIDAD FRENTE AL CAMBIO CLIMATICO VALSAÍN (SEGOVIA) 28 Y 29 MAYO 2013
TALLER SOBRE ADAPTACIÓN DE LOS BOSQUES Y LA BIODIVERSIDAD FRENTE AL CAMBIO CLIMATICO VALSAÍN (SEGOVIA) 28 Y 29 MAYO 2013 Programa de Acción Nacional contra la Desertificación (PAND): Análisis de los procesos
Más detallesIntel lanza su procesador Caballero Medieval habilitado para Inteligencia Artificial
Intel lanza su procesador Caballero Medieval habilitado para Inteligencia Artificial Intel ha lanzado su procesador Xeon Phi en la Conferencia Internacional de Supercomputación de Alemania. El procesador
Más detallesLA COMPRENSIÓN MATEMÁTICA A TRAVÉS DE REPRESENTACIONES GRÁFICAS CON TECNOLOGÍA
LA COMPRENSIÓN MATEMÁTICA A TRAVÉS DE REPRESENTACIONES GRÁFICAS CON TECNOLOGÍA Darly Alina Kú Euán Eduardo Briceño Solís darlyke@uqroo.mx Universidad de Quintana Roo 2 Aprender y comprender matemáticas
Más detallesDepartamento Ingeniería en Sistemas de Información
ASIGNATURA: TEORIA DE CONTROL MODALIDAD: Cuatrimestral DEPARTAMENTO: ING. EN SIST. DE INFORMACION HORAS SEM.: 8 horas AREA: MODELOS HORAS/AÑO: 128 horas BLOQUE TECNOLOGÍAS BÁSICAS HORAS RELOJ 96 NIVEL:
Más detallesTEMA 6. RIESGOS GEOLÓGICOS EXTERNOS GUIÓN DEL TEMA: 1.- Introducción. 2.- Inundaciones. 3.- Riesgos mixtos. Página 1
TEMA 6. RIESGOS GEOLÓGICOS EXTERNOS GUIÓN DEL TEMA: 1.- Introducción. 2.- Inundaciones. 3.- Riesgos mixtos. Página 1 1.- Introducción. Los riesgos geológicos externos suponen la mayor cuantía de pérdidas
Más detallesCIENCIA Y TECNOLOGÍA DEL COLOR 2008 WORKSHOP ON COLORIMETRY AND COLOR IMAGING
CIENCIA Y TECNOLOGÍA DEL COLOR 2008 WORKSHOP ON COLORIMETRY AND COLOR IMAGING Título: Ciencia y Tecnología del Color 2008. Workshop on Colorimetry and Color Imaging Editores: Joaquín Campos Acosta y Rafael
Más detallesUNIVERSIDAD CENTROAMERICANA VICERRECTORIA ACADEMICA SYLLABUS
UNIVERSIDAD CENTROAMERICANA VICERRECTORIA ACADEMICA SYLLABUS I. DATOS GENERALES Facultad: Ciencia, Tecnología y Ambiente Departamento: Desarrollo Tecnológico Carrera: Licenciatura en Contaduría Pública
Más detallesFigura Área de Influencia de las estaciones complementarias a la estación Centro
INFORME FINAL Instituto de Ingeniería Coordinación de Hidráulica Figura 3.5.1 Área de Influencia de las estaciones complementarias a la estación Centro Tabla 3.5.2 Estaciones dentro del área de influencia
Más detalles