7 Interpretación automática de las
|
|
- Lucas Coronel Guzmán
- hace 7 años
- Vistas:
Transcripción
1 7 Interpretacón automátca de las mágenes Una vez que se ha partconado la magen en regones de nterés (segmentacón) y se han corregdo los errores de esta etapa (post-procesado), los objetos presentes en el escenaro deberán ser cuantfcados para tareas de reconocmento o localzacón. Se trata de asocar a cada elemento segmentado con un conjunto de valores numércos o de atrbutos, al que se le llamará vector de característcas. Estos valores servrán de entrada al sstema de clasfcacón de los objetos, dando fnalmente una etqueta cualtatva a cada objeto presente en la magen, cerrando de esta forma la nterpretacón automátca de las mágenes. Por tanto, en este capítulo se verá que dada la nformacón de partda, la magen segmentada y post-procesada, se procederá en prmer lugar a la etapa de etquetamento, donde a cada objeto de nterés se le asocará una etqueta (seccón 7.). Una vez etquetada la magen será posble extraer de forma partcularzada las característcas de cada objeto (seccón 7.2). Por últmo, a cada objeto de la magen se le asgnará una etqueta cualtatva (seccón 7.3), dando por concluda la nterpretacón de la magen. 7. Etquetamento de la magen bnara Se parte de una magen segmentada donde los objetos han sdo delmtados y separados del fondo, de manera que los píxeles pertenecentes a las regones de nterés han sdo etquetadas con un uno lógco y el resto con cero lógco. El sguente paso será etquetar cada una de los objetos presentes en la magen, separándolo respecto del fondo y de las otras regones. Esta etapa se realza con la operacón de etquetamento y se Dpto. Electrónca, Automátca e Informátca Industral 99
2 Carlos Platero Apuntes de Vsón Artfcal fundamenta en la contnudad de los objetos en el espaco, cuya propedad se transforma en las mágenes dscretas en relacones de conectvdad entre píxeles adyacentes. Partendo de la esquna superor zquerda de la magen, se rastrea haca la derecha y haca abajo buscando píxeles con etqueta uno lógco. Cuando se encuentra el prmer píxel con dcha etqueta se le Fgura 7. Proceso de etquetado de una magen bnara coloca la etqueta, los vecnos que tengan propedad de conectvdad y que posean el nvel lógco actvo se les pondrá la msma etqueta. Al segur rastreando en la magen y al encontrarse con un píxel actvado sn vecndad con los anterores se le asocará con la etqueta 2 y así sucesvamente. Una vez fnalzada esta etapa, cada objeto de la magen tendrá un dentfcador numérco que le hace ser dstnto respecto del fondo y de los otros objetos. Resolucón Matlab >>mgent=mread('rce.png');mshow(mgent);pause; >>mgbwmask=m2bw(mgent); >>se = strel('dsk',2); >>mgbwmarcador = merode(mgbwmask,se); >>mgreconst=mreconstruct(mgbwmarcador,mgbwmask); >>mgbwelmborde = mclearborder(mgreconst); >>mgetq=bwlabel(mgbwelmborde); >>subplot(,2,);mshow(mgent);subplot(,2,2);mshow(label2rgb(mgetq)); Fgura 7. 2 Resultado del etquetamento de la magen de granos de arroz 200 Dpto. Electrónca, Automátca e Informátca Industral
3 Apuntes de Vsón Artfcal Capítulo 7: Interpretacón de las mágenes 7.2 Extraccón de característcas Una vez obtenda la magen etquetada, los objetos pueden ser cuantfcados, obtenendo así el vector de característcas. Las propedades de los objetos se clasfcan en dos grandes grupos: aquellas relaconadas con el contorno de los objetos y aquellas característcas propas del conjunto total del objeto o regón de cada una de ellas. En esta seccón se hablará de estas meddas. No hay que olvdar que el objetvo de estos vectores de característcas servrá de entrada para la clasfcacón o localzacón de los objetos. Por tanto, a veces, se requerrá que la métrca empleada sea nvarante a efectos de escalado, rotacón o poscón. Tambén será tratado este aspecto Descrptores de regones Estas propedades están relaconadas con el conjunto total de píxeles que consttuye el objeto. Se podrían agrupar en tres grandes grupos: métrcas, topológcas y texturales Métrcas Son meddas relaconadas con la dstanca euclídea entre píxeles. Las más smples serían el área, el perímetro y el centro de gravedad. El área, A(), es el número de píxeles que contene el objeto,. S se pondera cada píxel por su nvel de grs se le defne como el peso del objeto, W(): N M N M A g x, y W g x, y f x, y ( ) = ( ) ( ) = ( ) ( ) x= y= x= y= (7. ) Sendo g (x,y) una funcón que es uno s el píxel pertenece al objeto y nulo en caso contraro. El perímetro, P(), es el número de píxeles que consttuye el borde del objeto,. Tambén se suele utlzar la relacón del permétrco al cuadrado del objeto entre su área, P 2 ( ). Magntud admensonal, cuyo valor mínmo se tene cuando el A( ) objeto es un círculo, por tanto, descrbrá la compacdad del objeto. Valores próxmos a 4 π ndcará que se aproxma a un círculo. El centro de gravedad del objeto, ( xˆ, ˆ ) magen y estará dado por: y, ndcará su poscón puntual en la Dpto. Electrónca, Automátca e Informátca Industral 20
4 Carlos Platero Apuntes de Vsón Artfcal xˆ = N M x= y= x g ( ) A ( x, y) yˆ = N M x= y= y g A( ) ( x, y) (7. 2) Según el teorema de uncdad de Papouls dce que, s g (x,y) es contnua a trozos y tene valores no nulos sólo en una zona fnta del plano x-y, entonces todos sus momentos exsten y la aplcacón que asgna una secuenca de momentos a la funcón es byectva. Concluyendo que s se toma un número fnto de momentos se obtene una aproxmacón del objeto. Para el caso de mágenes dscretas y etquetadas, los momentos de orden p+q se defnen como: m pq N M p q ( ) = x y g ( x, y) x= y= (7. 3) Obsérvese que el área del objeto concde con el momento de orden cero y que el centro de gravedad está undo con el momento de orden uno (p=, q=0 y p=0, q=). Los momentos se pueden hacer nvarantes a traslacones, s son referdos al centro de gravedad del objeto. A éstos se les llama momentos centrales: mc pq N M p q ( ) = ( x xˆ ) ( y yˆ ) g ( x, y) x= y= (7. 4) Para ser nvarante a escalados, se normalza los momentos centrales con el área del objeto, esto es, con el momento de orden cero. A esta coleccón se la defne como momentos centrales normalzados: µ = pq mc pq m 00 (7. 5) Los ejes mayor y menor de un objeto se defnen en térmnos de sus fronteras y son útles para ndcar su orentacón y redondez. Los ejes, dados en píxeles, son obtendos por la equvalenca del segundo momento central normalzado de la regón con una elpse que lo nscrbe. Los ejes mayor y menor hacen referenca a la elpse equvalente, mentras su orentacón es el ángulo de apertura entre el eje horzontal y el eje mayor Fgura 7. 3 Elpse equvalente del objeto etquetado del objeto. Otro parámetro empleado es la excentrcdad de la elpse 202 Dpto. Electrónca, Automátca e Informátca Industral
5 Apuntes de Vsón Artfcal Capítulo 7: Interpretacón de las mágenes equvalente. Este parámetro está entre 0 y. En el caso de valer 0 ndca que es una crcunferenca y s es cero es un segmento recto. Resolucón Matlab >>mgent=mread('rce.png'); >>mgbwmask=m2bw(mgent); >>se = strel('dsk',2); >>mgbwmarcador = merode(mgbwmask,se); >>mgreconst=mreconstruct(mgbwmarcador,mgbwmask); >>mgbwelmborde = mclearborder(mgreconst); >>mgetq=bwlabel(mgbwelmborde); >>stat=regonprops(mgetq,'all'); >>stat(20).eccentrcty Descrptores topológcos Las propedades topológcas son descrpcones globales de los objetos nvarantes a rotacones, escaladas o traslacones. Por ejemplo, el número de agujeros dentro del objeto. Otro descrptor utlzado es el número de componentes conectados. Se trata de número de elementos separados que forman un objeto. Resulta evdente que estas propedades no están relaconadas con el concepto de dstanca, la cual se ha empleado en las propedades métrcas. Un descrptor topológco muy empleado es el número de Euler. Éste se calcula con la dferenca del número de componentes conectados de la regón menos el número de agujeros de ésta. Por ejemplo, el número de Euler de A será 0, el de B - y el es +2. Los descrptores topológcos se suelen emplear en aplcacones de reconocmento de caracteres. Fgura 7. 4 Objeto con número de Euler Texturas La textura explca la composcón de las superfces de los objetos en térmnos de suavdad, rugosdad, granulardad, regulardad,... Desde el sentdo de la vsón, la textura se observa como repetcones de patrones locales de radacón en las mágenes. La sensacón que transmten las mágenes de zonas de tosquedad, rugosdad o suavdad, nacen de las correspondencas de las experencas humana entre el sentdo del tacto y la Excentrcdad de la elpse, y menor respectvamente. e = b a 2, donde a y b son el tamaño de los semejes mayor Dpto. Electrónca, Automátca e Informátca Industral 203
6 Carlos Platero Apuntes de Vsón Artfcal vsta. Desde el punto de vsta físco, la nteraccón entre la luz y la matera, en la radacón reflejada, muestra certas repetcones de carácter estadístco. La magen resultante no es una repetcón local del patrón de forma determnsta, sno probablístca y con una dstrbucón en el espaco no exactamente regular. Esta Fgura 7. 5 Imágenes con dferentes texturas propedad en la magen se manfesta de forma regonal, de manera que s se ascende a una vsón global pueden aparecer dferentes texturas en la magen. Por el contraro, al descender y observar la magen a nvel de píxel o entorno de vecndad del píxel, la propedad de la textura ha desaparecdo. Lo msmo sucedería s se alejase excesvamente del escenaro, la textura observada quedaría dluda. Por esto, la dea de textura está asocado a un espaco de escalas. La nocón texel o prmtva textural se defne como una regón que posee certas propedades vsuales nvarantes a la poscón, al nvel de brllo o a cambos de perspectvas. Fgura 7. 6 La textura está relaconada con el espaco de las escalas 204 Dpto. Electrónca, Automátca e Informátca Industral
7 Apuntes de Vsón Artfcal Capítulo 7: Interpretacón de las mágenes Fgura 7. 7 Imágenes de satélte sobre el suelo de la Terra que presentan dferentes texturas Las aplcacones del análss textural no sólo se dan para la caracterzacón de los objetos de nterés, sno que tambén son utlzadas en los procesos de segmentacón. En la fgura 7.8 se observa los procesos de segmentacón en la magen al r ncorporando más nformacón. Se apreca el resultado de la segmentacón desde que sólo se emplea el canal de lumnanca hasta la ncorporacón del color y la textura. Fgura 7. 8 Segmentacón del pez con dstntos tpo de nformacón. a) nveles de grses, b) nvel de grs + textura, c) color RGB, d) color HSI, e) color + textura El prncpal reto al que se enfrentan las técncas de análss textural consste en la descrpcón de cómo son y cómo se dstrbuyen los elementos de textura en una magen. Los descrptores de texturas deben cuantfcar certas propedades tales como suavdad, rugosdad y regulardad. Estas característcas deben ser nvarantes a la poscón, orentacón y nvel de brllo medo. Exsten tres enfoques dstntos: estructurales, estadístcos y espectrales. Las técncas estructurales consderan la textura como compuestas por prmtvas que forman un patrón repettvo y descrben este patrón medante reglas capaces de generarlo o reproducrlo. Formalmente, estas reglas consttuyen la gramátca de la textura que descrbe. Estas técncas resultan aplcables con éxto en el análss de mágenes que contenen una textura en la que los elementos descrptbles sguen una gran regulardad en su dstrbucón. Dpto. Electrónca, Automátca e Informátca Industral 205
8 Carlos Platero Apuntes de Vsón Artfcal Aceptada Rechazada Fgura Descrpcón estructural de la textura. Se defne unas prmtvas y unas reglas de encadenamento de las prmtvas. En la parte superor se ha representado las prmtvas y las reglas de encadenamento. En la parte nferor un ejemplo de aceptacón y rechazo de un tpo de textura Por el contraro, el análss espectral busca en las transformadas de Fourer, pcos de alta densdad en el módulo o en el argumento para caracterzar los patrones texturales. Se emplea para caracterzar patrones peródcos y de forma global en la magen. Estos descrptores son nvarantes a poscón y rotacón. Fgura 7. 9 Imagen de una textura sntétca y el módulo de su espectro frecuencal El mayor problema de las transformadas de Fourer es que cada componente del espectro frecuencal depende de la magen global. Como se muestra en la fgura 7., puede haber una varacón espacal del patrón en la magen. Fgura 7. Varacón de la textura con dferentes escalas 206 Dpto. Electrónca, Automátca e Informátca Industral
9 Apuntes de Vsón Artfcal Capítulo 7: Interpretacón de las mágenes Una mejora de este procedmento es utlzar los fltros de Gabor. Con estos fltros, el análss espectral tambén consdera el espaco de escala y una certa orentacón prvlegada. La máscara de convolucón de cada fltro se construye con una funcón gaussana modulada con un armónco de una determnada orentacón y frecuenca: 2 2 x + y 2 2σ 2 jf xcos sn G, f ( x, y) e e π φ φ φ = 2 2πσ ( + y ) (7. 6) La varanza y la frecuenca están relaconadas y defnen la escala del patrón: 2ln 2 σ = 3 f 2 π (7. 7) Normalmente, se emplea cuatro orentacones y tres escalas, tenendo un conjunto de doce máscaras de convolucón. Fgura 7. 2 Máscaras de convolucón con 4 dferentes orentacones π π 3π φ = 0,,, y tres dferentes frecuencas f = { 0.2, 0.35, 0.5}. La fla superor es la componente real y la nferor la componente magnara. Al convoluconar estos fltros con la magen, los altos valores ndcan la presenca del patrón. En el ejemplo de las cebras se puede observar cómo al procesar la magen con las máscaras se puede dscernr la poscón de las cebras respecto del fondo Fgura 7. 3 Imagen orgnal Dpto. Electrónca, Automátca e Informátca Industral 207
10 Carlos Platero Apuntes de Vsón Artfcal Fgura 7. 4 Resultados de la convolucón de la magen con las dstntas máscaras Técncas estadístcas Las técncas estadístcas descrben la textura medante reglas estadístcas que gobernan la dstrbucón y la relacón espacal de nveles de grs en la magen. Éstas presentan buen comportamento en el análss de texturas naturales o texturas con poca resolucón, en donde los elementos de textura resultan dfíclmente descrbbles. Estas técncas se clasfcan en: técncas estadístcas de prmer orden, de segundo orden y de orden superor. En el prmer grupo, se obtenen meddas consderando el valor de píxel, sn consderacones de vecndad; mentras en las técncas de segundo orden tratan de la dstrbucón espacal de parejas de píxeles vecnos y las de orden superor consderan trpletes, ternas,... de píxeles vecnos. En las estadístcas de prmer orden se puede obtener el hstograma de la regón, cuya normalzacón proporconará la funcón de densdad de probabldad de la textura. Se pueden comparar los hstogramas normalzados entre regones o utlzar meddas dervadas, tales como la meda, la varanza, energía, entropía, etc. (ver seccón 4..). 208 Dpto. Electrónca, Automátca e Informátca Industral
11 Apuntes de Vsón Artfcal Capítulo 7: Interpretacón de las mágenes La prncpal desventaja de las técncas de prmer orden es su falta de sensbldad ante permutacones de los píxeles. La vía más apropada para evtar la lmtacón anteror es consderar los estadístcos de segundo orden. A partr de ellos se obtenen las matrces de dependenca espacal, generadora de meddas de textura más fables y robustas. Las matrces de co-ocurrenca del nvel de grs, C, es un ejemplo de esta fuente de meddas de textura. Se defne en relacón con un desplazamento de valor h, en una dreccón θ, desde una determnada fla y columna de la magen; el elemento (,j) de la matrz de co-ocurrenca, c j, representa el número de veces que un píxel con nvel de grs j, se encuentra a una dstanca h, en dreccón θ, de un píxel con nvel de grs (una ocurrenca conjunta). S N h representa el número total de ocurrencas, entonces la fraccón entre la matrz de co-ocurrenca y N h representa la matrz de co-ocurrenca normalzada. Por ejemplo, consderando una magen con tres nveles de grses (0, y 2) y utlzando como regla de vecndad el pxel superor a Fgura 7. 5 Ejemplo de extraccón de la matrz de co-ocurrencas la derecha. La matrz de co-ocurrenca mostrará por cada celda,j las ocurrencas de encontrar un píxel de nvel grs que tenga como vecno superor a la derecha con nvel grs j. En el ejemplo la matrz será de 3x3. La celda (0,0) ndca el número de ocurrencas de píxeles con nvel de grs 0 que tenga como superor a la derecha otro píxel con nvel grs 0. Para este caso, aparecen 2 ocurrencas. En cambo el elemento (0,) ndca las ocurrencas de píxeles que tengan nvel de grs y que su vecno superor a la derecha sea nulo. A partr de la matrz de co-ocurrenca se obtenen dferentes descrptores Descrptores de fronteras Códgos encadenados Partendo del perímetro del objeto se procede a su codfcacón a través de segmentos con longtud y orentacón determnada. La cadena de códgos descrbe el objeto medante la sucesón de estos segmentos conectando píxeles adyacentes pertenecentes al perímetro del objeto. La conexón se realza con conectvdad a 4 o a 8 píxeles. Partendo de un orgen Fgura 7. 6 Codfcacón según vecndad a 4 ó 8 Dpto. Electrónca, Automátca e Informátca Industral 209
12 Carlos Platero Apuntes de Vsón Artfcal determnado y en el sentdo horaro se procede a codfcar la frontera del objeto. En la fgura 7.7 se muestra un ejemplo de cómo se codfcaría a vecndad 4 u 8. Fgura 7. 7 Ejemplo de códgo encadenado con vecndad a 4 y 8 El códgo, ncando en el punto y con vecndad a 4, sería El prmer elemento debe llevar nformacón de su poscón. S se desea comparar el códgo con otros se procede a su normalzacón. Una posbldad de normalzacón es ncar por el píxel de la frontera que genere menor valor en su codfcacón. En el ejemplo sera S se emplease vecndad a 8 el códgo sería Este descrptor es nvarante a traslacones, permtendo más fáclmente la comparacón entre objetos. Con esta codfcacón se obtene de manera más efcente la medda del perímetro y de los descrptores de Fourer que empleando la magen etquetada. El mayor nconvenente es la presenca de rudo. El perímetro de los objetos se calcula a partr del códgo encadenado. Habrá que susttur cada códgo por ó 2 de valor métrco, dependendo s hace referenca a un códgo horzontal/vertcal o de carácter dagonal respectvamente. La suma de los valores métrcos obtendrá el perímetro del objeto Descrptores geométrcos Una manera de facltar la representacón de las curvas es utlzar funcones undmensonales que la descrben. La prmera funcón sería la sgnatura. Ésta codfca la dstanca de un punto nteror del objeto a todos los puntos de la frontera. Normalmente, se suele utlzar el centrode, como punto nteror. Fgura 7. 8 Ejemplos de sgnatura Aunque es nvarante a traslacones, depende tanto del tamaño como del punto donde se ncalza la representacón polar. Para que sea nvarante a escala se normalza la dstanca en el 20 Dpto. Electrónca, Automátca e Informátca Industral
13 Apuntes de Vsón Artfcal Capítulo 7: Interpretacón de las mágenes rango [0 ]; sólo bastará con dvdr todas las dstancas por la que sea la mayor. Respecto a la dependenca al punto ncal, se toma aquel que tenga la máxma dstanca. La sgnatura es muy sensble a la eleccón del punto nteror. Esta funcón característca camba sustancalmente s se desvía del centrode. Tambén tene el problema con la aparcón de concavdades en el objeto, ya que la funcón resulta multevaluada para algunos ángulos. Para solventarlo se suele emplear la envolvente convexa 2. Fgura 7. 9 Sensbldad de la sgnatura con la eleccón del punto nteror Fgura Objeto con concavdades Otra funcón característca es la curvatura, la cual mde la pendente (tangente) del contorno. La evolucón de la curvatura en la frontera es nvarante a traslacón, rotacón y escalado. Para su cálculo se emplea la dvergenca del gradente normalzado de la defncón del contorno, f: f κ = dv f (7. 8) Fgura 7. 2 Obtencón de la funcón de dstrbucón de la curvatura meda Partendo del concepto de curvatura se defne la energía de doblado. Se defne como la energía necesara para transformar una varlla en una determnada frontera: ED = n n = κ ( ) 2 (7. 9) Sendo n el número de puntos pertenecentes a la frontera. s está fuera, 2 Una trozo de la curva es convexa s el rado de curvatura está en el nteror del objeto y cóncava Dpto. Electrónca, Automátca e Informátca Industral 2
14 Carlos Platero Apuntes de Vsón Artfcal Descrptores de Fourer Es otra técnca para pasar la nformacón de bdmensonal a otra undmensonal. Dada una curva cerrada, ésta puede ser representada por una transformada dscreta de Fourer. La curva vene dada en coordenadas cartesanas, obtenendo una secuenca de n puntos pertenecentes a la frontera: {( x y ), ( x, y ),...,( x, y ),...( x, y )}, 2 2 n n Cada punto es convertdo a varable compleja, z ( ) = x + jy. La aplcacón sobre esta secuenca compleja de la transformada de Fourer obtendrá una respuesta espectral: Z k n = = z n e 2π k j K k = 0,,2,..., K (7. 0) Obtenendo K descrptores frecuencales. La componente de contnua representaría el centrode del objeto, las componentes de baja frecuenca estaría relaconados con los aspecto más grueso del objeto y los de alta frecuenca con los detalles. La secuenca compleja se puede recuperar a partr de la ant-transformada: K 2 k j n K z = Z ke =,2,..., n K k = 0 (7. ) S se elge un número de componentes P menor a K se tendrá una descrpcón sn menos detalles. 22 Dpto. Electrónca, Automátca e Informátca Industral
15 Apuntes de Vsón Artfcal Capítulo 7: Interpretacón de las mágenes Fgura Evolucón de la forma cuadrada al r añadendo P componentes frecuencales Estos descrptores son nvarantes a traslacones, rotacones, escalado y de donde se empece a tomar la secuenca Descrpcón envolvente convexa El objetvo es descomponer el contorno en una convexdad que smplfque el proceso de descrpcón. Se trata de elmnar las concavdades del objeto. La envolvente convexa (convex hull), EC, de un conjunto C se defne como el conjunto convexo más pequeño que contene a C. 7.3 Reconocmento de patrones El Reconocmento de Patrones es una dscplna de la Cenca encargada de asgnar a los objetos una clase determnada. Los objetos no sólo proceden de las mágenes sno tambén de señales undmensonales (p.ej. reconocmento de voz o patrones en el electrocardograma, ECG) o en cualquer otra medda sobre los objetos. Fgura Proceso de clasfcacón de las llaves/moneda empleando técncas de Vsón Artfcal Dpto. Electrónca, Automátca e Informátca Industral 23
16 Carlos Platero Apuntes de Vsón Artfcal La tarea de clasfcacón es una combnacón del vector de característcas de los objetos y del conocmento a pror que se tenga del unverso del problema. Para poder asgnar una etqueta de clasfcacón a un objeto se debe de tener reglas de pertenecías a cada clase. Estas reglas se consguen a través del conocmento que se tenga de cada clase. Los enfoques que se pueden emplear para la clasfcacón se basa ben en una funcón dscrmnante que dvda el espaco de las característcas (clasfcadores estadístcos) o ben empleen relacones geométrcas asocadas a los objetos (clasfcadores sntáctcos). Exste una tercera vía basada en las redes neuronales artfcales, las cuales se parecen a los clasfcadores estadístcos, en cuanto que tratan de partconar el espaco de las característcas, pero emulando a los sstemas bológcos, empleando etapas prevas de aprendzaje. El esquema general del reconocmento de objetos, tanto estadístco como neuronal, consste en obtener funcones dscrmnantes que dvda el espaco de característcas en tantas clases como estén presentes en el unverso del problema. Por tanto, la seleccón de las característcas resulta ser esencal para la buena clasfcacón de los objetos. Éstas deberán de tener las sguentes propedades:. Capacdad de dscrmnacón: Las característcas deben tomar valores sgnfcatvamente dstntos para cada clase. 2. Fabldad: las característcas deben tomar valores smlares para todos los objetos de la msma clase. 3. Correlacón: Las dversas característcas no deben estar correladas unas con otras, en caso contraro reflejarían la msma propedad del objeto. 4. Número: la seleccón de las característcas debería de elegr el menor número de ellas, ya que permte generalzar más. A más característcas más datos de entrenamento se requeren para mantener gual grado de generaldad y no de memorzacón. En el ejemplo de la fgura 7.24 se expone la dstncón entre rs setosa e rs verscolor. Las característcas selecconadas son la longtud y anchura del pétalo. Tambén ha sdo representada las dos nubes de puntos de cada grupo. Se observa que con una funcón dscrmnante lneal, en el espaco de las característcas, es posble una óptma clasfcacón. Por tanto, una vez selecconada las característcas más dscrmnante se procederá a la clasfcacón de los objetos. Exsten dferentes técncas para la clasfcacón de los objetos. Entre ellas destacan los métodos sntáctcos, las redes neuronales y los clasfcadores estadístcos. 24 Dpto. Electrónca, Automátca e Informátca Industral
17 Apuntes de Vsón Artfcal Capítulo 7: Interpretacón de las mágenes Fgura Ejemplo de clasfcacón entre Irs setoda e Irs Verscolor empleando el ancho y longtud de los pétalos 7.3. Métodos sntáctcos En este caso un objeto es vsto como una composcón de subformas smples. Las subformas más smple a ser reconocdas son llamadas prmtvas y una forma compleja es representada en térmnos de nterrelacones entre estas prmtvas. Este método tene analogía con la sntaxs de un lenguaje. Normalmente requeren de bastante esfuerzo computaconal. Fgura Ejemplos de dos tpos de defectos en el alumno colado y su clasfcacón con métodos sntáctcos: a) Mala crstalzacón, b) Desperfecto superfcal Redes neuronales Consste en una red cuyos nodos son neuronas artfcales que se conectan medante enlaces que tenen dstntas ponderacones. Las redes neuronales tenen la habldad de aprender complejas relacones no lneales de entrada-salda usando procedmentos secuencales de entrenamento. Las redes neuronales más Fgura Arqutectura de red neuronal usadas para efectos de clasfcacón supervsada son: Feed-forward networks (redes de almentacón haca adelante) que ncluye a MLP (MultLayer Perceptron) y las redes de funcones de base radal (RBF). Dpto. Electrónca, Automátca e Informátca Industral 25
18 Carlos Platero Apuntes de Vsón Artfcal Para clasfcacón no supervsada se usa las redes de Kohonen conocdas como Self- Organzng Maps (SOM). Fgura Ejemplo de clasfcacón medante una red neuronal de los terrenos vstos en una magen aérea Clasfcadores estadístcos Aquí cada objeto es representada como un conjunto de medcones de p característcas y puede consderada como un punto en el espaco p dmensonal. Prmero hay que selecconar aquellas característcas que permten a los vectores de los objetos de las dstntas clases ocupar regones dsjuntas en el espaco p-dmensonal. Dado un conjunto de objetos, el objetvo es establecer fronteras en el espaco de característcas que separen las formas que pertenecen a dstntas clases. Hay dos metodologías: la basada en teoría de decsón y la basada en análss dscrmnante. En la prmera las fronteras son determnadas por las dstrbucones de probabldad de cada clase. En el segundo caso se especfca una forma paramétrca (lneal, cuadrátca, etc ) de las fronteras entre las clases y luego se optmzan basándose en muestras de aprendzaje, tal cual se hace, por ejemplo, con las redes neuronales. Desde el punto de vsta de los clasfcadores estadístcos, cada una de las N clases, ω (..N), se representa medante un prototpo o centrode Z, el cual es un vector p-dmensonal. Éste suele ser construdo como el valor medo de las muestras de entrenamento de cada clase. Así, para la clase ω con n muestras de entrenamento, el centrode quedará defndo como: Z n = X n j = j (7. 2) sendo X j el vector j de p-dmensones que es una muestra de la clase ω. La funcón dstanca euclídea entre una nueva muestra X y cada uno de los centrodes Z del unverso del problema: 26 Dpto. Electrónca, Automátca e Informátca Industral
19 Apuntes de Vsón Artfcal Capítulo 7: Interpretacón de las mágenes (, ω ) ( ) 2 k = k d X X Z p = (7. 3) permtrá dscrmnar a qué clase pertenece la nueva muestra. El objeto será asgnado a la clase ω que tenga menor dstanca a Z. La fórmula anteror es equvalente a evaluar la expresón de la funcón dscrmnante de cada clase f (X), sendo: (..k), para el patrón X y asgnarlo a la clase ω para la que f (X) sea máxmo: T T f ( X ) = X Z Z Z 2 A partr de las funcones dscrmnantes de clases se pueden construr las fronteras de decsón entre clases (hperplanos), como se ha mostrado en el ejemplo de la famla de flores rs (ver fgura 7.24). A veces no se puede consegur una separacón lneal entre clases. Esto se produce debdo a que: ) las característcas son nadecuadas para dstngur entre clases de forma lneal, 2) las característcas tenen una alta correlacón, 3) las fronteras de decsón no son lneales, 4) hay subclases, dentro de las clases, o 5) el espaco de característcas es muy complejo. Una solucón puede ser emplear un marco de trabajo bayesano. Se trata de mnmzar el error de clasfcacón con el conocmento a pror de las dstrbucones de probabldad de las característcas de los objetos a clasfcar. Empleando el teorema de Bayes se adjudca una nueva muestra a la clase que tenga mayor probabldad a posteror: p ( X ) ω = ( ω ) p( ω ) p( X ) p X (7. 4) donde p(ω ) es la probabldad la clase ω y p(x ω ) es la probabldad a pror de que dado el vector X del objeto pertenezca a la clase ω. Por últmo, p(x) es la probabldad de que se presente una muestra con el vector de característcas X. Cumpléndose que: N = = ( ) ( ω ) ( ω ) p X p X p (7. 5) Para una nueva muestra con vector de característca X, p(x) permanecerá constante para todas las clases, luego la funcón dscrmnante será la probabldad a posteror sn la probabldad de la muestra: ( ) = ( ω ) ( ω ) f X p X p (7. 6) se asgnará la muestra a la clase que retorne mayor valor de f (X). Dpto. Electrónca, Automátca e Informátca Industral 27
20 Carlos Platero Apuntes de Vsón Artfcal La estmacón de las funcones de densdad de probabldad p(x ω ) es otra cuestón. S los patrones vectorales, X, son de dmensón p, p(x ω ) es una funcón de p varables, que, s su forma no es conocda, requere de métodos de la teoría de probabldades de varas varables para su estmacón. Estos métodos son dfícles de aplcar en la práctca. Por estas razones, los clasfcadores de Bayes se basan generalmente en la suposcón de una expresón analítca para las dversas funcones de densdad y, posterormente, en una estmacón de los parámetros de la expresón para los patrones ejemplo de cada clase. La forma más habtualmente supuesta para p(x ω ) es la dstrbucón gaussana. Cuanto más se aproxme a la realdad esta suposcón, más se aproxmará el clasfcador de Bayes al mínmo error de clasfcacón. Fgura a) nube de puntos de tornllos y tuercas, b) funcones de densdad p(x ω ) El modelo de funcón de densdad normal está defnda por el vector de la meda, M, y la matrz de covaranza, Ξ: p( X ω ) = exp X M Σ X M T ( ) ( ) n/ 2 2 ( 2π ) Σ 2 (7. 7) Fgura Funcón de densdad gaussana 2D para tres clases Debdo a la forma exponencal de la densdad gaussana, es más convenente trabajar con el logartmo neperano en la funcón dscrmnante: 28 Dpto. Electrónca, Automátca e Informátca Industral
21 Apuntes de Vsón Artfcal Capítulo 7: Interpretacón de las mágenes p f ( X ) = ln ( p ( X ω ) p( ω )) = ln ( 2 ) ln 2 π + Σ T ( X M ) Σ ( X M ) + ln ( p( ω )) 2 2 (7. 8) El térmno p / 2 ln ( 2π ) es el msmo para todas las clases, por lo que se elmna de la ecuacón de la funcón dscrmnante. S todas las matrces de covaranzas de las clases fuesen déntcas y las probabldades de las clases fuesen equprobables, la funcón dscrmnante se defne como la dstanca de Mahalanobs: f X X M X M 2 T ( ) = ( ) Σ ( ) Además para el caso partcular de que las componentes del vector X no estuveran correladas y fuesen de la msma magntud, concdría con la funcón dscrmnante lneal o dstanca euclídea: T ( ) = ( ) ( ). f X X M X M Fgura Funcones dscrmnantes de Mahalanobs y euclídea para el problema de tuercas y tornllos En el caso de no poder asumr un modelo analítco para p(x ω ) habrá que recurrr a estmadores no paramétrcos de la funcón de densdad, como es el caso del hstograma. Sn embargo, el hstograma está promedando valores en una regón y por tanto está generando una versón dstorsonada de la funcón de densdad. Normalmente se emplea el método no paramétrco de Parzen. será: Suponendo que se tene muestras de una determnada clase, su probabldad ( ) p X ( ) p X dx R k / m = dx V R R (7. 9) sendo k el número de muestras del total m que caen en la regón R de volumen V R. Por otro lado, habrá que garantzar que cuando el número de muestras, m, tenda a nfnto, la aproxmacón dscreta concda con la contnua. Para tal fn, la regón R quedará defnda por una funcón ϕ(x) que encerra el volumen V R. El número de muestras que cae en la regón R corresponderá con: Dpto. Electrónca, Automátca e Informátca Industral 29
22 Carlos Platero Apuntes de Vsón Artfcal k X X m = ϕ = h (7. 20) sendo ϕ(x) el hpercubo que seleccona la regón. La funcón de densdad quedará como: ( ) p X k / m X X =. V m h h R m p ϕ = (7. 2) Normalmente ϕ(x) emplea una expresón de tpo gaussano para el suavzado de la funcón densdad, de manera que h defne la apertura de la regón y por tanto el carácter de p(x). A medda de que h sea más grande, con más muestras de alrededor nteracconará y más suave será p(x). El papel de h 2 es déntco a la de varanza. ( ) p X 2 m X X exp 2 m 2 2 2h = ( 2π h ) (7. 22) Fgura 7. 3 Estmacón de p(x) con 5 datos con tres dferentes anchos de ventana 220 Dpto. Electrónca, Automátca e Informátca Industral
23 Apuntes de Vsón Artfcal Capítulo 7: Interpretacón de las mágenes Derecho de Autor 2009 Carlos Platero Dueñas. Permso para copar, dstrbur y/o modfcar este documento bajo los térmnos de la Lcenca de Documentacón Lbre GNU, Versón. o cualquer otra versón posteror publcada por la Free Software Foundaton; sn seccones nvarantes, sn texto de la Cuberta Frontal, así como el texto de la Cuberta Posteror. Una copa de la lcenca es ncluda en la seccón ttulada "Lcenca de Documentacón Lbre GNU". La Lcenca de documentacón lbre GNU (GNU Free Documentaton Lcense) es una lcenca con copyleft para contendos abertos. Todos los contendos de estos apuntes están cubertos por esta lcenca. La verson. se encuentra en La traduccón (no ofcal) al castellano de la versón. se encuentra en Dpto. Electrónca, Automátca e Informátca Industral 22
Tema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
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 detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesCinemática del Brazo articulado PUMA
Cnemátca del Brazo artculado PUMA José Cortés Parejo. Enero 8. Estructura del brazo robótco El robot PUMA de la sere es un brazo artculado con artculacones rotatoras que le proporconan grados de lbertad
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
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 detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesMatemáticas Discretas
Coordnacón de Cencas Computaconales - INAOE Matemátcas Dscretas Cursos Propedéutcos 2010 Cencas Computaconales INAOE Dr. Lus Vllaseñor Pneda vllasen@naoep.mx http://ccc.naoep.mx/~vllasen Algo de nformacón
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
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 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 detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
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 detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
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 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 detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesCAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED
Modelo en red para la smulacón de procesos de agua en suelos agrícolas. CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED IV.1 Modelo matemátco 2-D Exsten dos posbldades, no ndependentes, de acuerdo con
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 detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
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 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 detalles3. CORRESPONDENCIA DE IMÁGENES
UNIVERSIDAD DE SALAMANCA MASTER DE GEOTECNOLOGÍAS CARTOGRÁFICAS EN INGENIERÍA Y ARQUITECTURA 3. CORRESPONDENCIA DE IMÁGENES Dego González Agulera Departamento de Ingenería Cartográfca del Terreno Escuela
Más detallesTeoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios
Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.
Más detallesHidrología superficial
Laboratoro de Hdráulca Ing. Davd Hernández Huéramo Manual de práctcas Hdrología superfcal 7o semestre Autores: Héctor Rvas Hernández Juan Pablo Molna Agular Rukmn Espnosa Díaz alatel Castllo Contreras
Más detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
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 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 detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
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 detallesINSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA
INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA LABORATORIO 1-008 PRACTICA 4: LEYES DE LOS GASES 1. OBJETIVOS ) Comprobacón expermental de las leyes de los gases. En este caso nos vamos a concentrar en el estudo
Más detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
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 detallesIII. <<Insertar Cita>> <<Autor>>
Capítulo III Vsón III 3.1 Procesamento de Imágenes Se entende por procesamento de mágenes a la alteracón y análss de la normacón gráca. 3.1.1 Sstema de vsón humano El sstema
Más detallesDiseño de la Muestra. Introducción. Tipo de muestreo y estratificación
Dseño de la Muestra A Introduccón Sguendo las orentacones dadas por la Ofcna Estadístca de la Unón Europea (EUROSTAT) se a selecconado una muestra probablístca representatva de la poblacón de los ogares
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 detallesTema 1: Análisis de datos unidimensionales
Tema : Análss de datos undmensonales. Varables estadístcas undmensonales. Representacones gráfcas.. Característcas de las dstrbucones de frecuencas undmensonales.. Varables estadístcas undmensonales. Representacones
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 detallesTEMA 8: PRÉSTAMOS ÍNDICE
TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesLa clasificación de métodos de registro propuesta por Maintz [1998] utiliza las siguientes categorías:
II.5. Regstro de mágenes médcas El regstro es la determnacón de una transformacón geométrca de los puntos en una vsta de un objeto con los puntos correspondentes en otra vsta del msmo objeto o en otro
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detalles1. Lección 7 - Rentas - Valoración (Continuación)
Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento
Más detallesUna renta fraccionada se caracteriza porque su frecuencia no coincide con la frecuencia de variación del término de dicha renta.
Rentas Fnanceras. Renta fracconada 6. RETA FRACCIOADA Una renta fracconada se caracterza porque su frecuenca no concde con la frecuenca de varacón del térmno de dcha renta. Las característcas de la renta
Más detallesTipología de nudos y extremos de barra
Tpología de nudos y extremos de barra Apelldos, nombre Basset Salom, Lusa (lbasset@mes.upv.es) Departamento Centro ecánca de edos Contnuos y Teoría de Estructuras Escuela Técnca Superor de Arqutectura
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 detallesDELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID
DELTA MATE OMAÓN UNETAA / Gral. Ampuda, 6 8003 MADD EXÁMEN NTODUÓN A LA ELETÓNA UM JUNO 008 El examen consta de ses preguntas. Lea detendamente los enuncados. tene cualquer duda consulte al profesor. Todas
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 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 detallesAnálisis de ruido en detectores ópticos.
Análss de rudo en detectores óptcos. La corrente real generada en un fotododo es de carácter aleatoro, cuyo valor fluctúa entre el valor promedo defndo por la foto-corrente: p = RP Dchas fluctuacones se
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
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 detallesResumen TEMA 1: Teoremas fundamentales de la dinámica y ecuaciones de Lagrange
TEMA : Teoremas fundamentales de la dnámca y ecuacones de Lagrange Mecánca 2 Resumen TEMA : Teoremas fundamentales de la dnámca y ecuacones de Lagrange. Prncpos de dnámca clásca.. Leyes de ewton a) Ley
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 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 detallesOSCILACIONES 1.- INTRODUCCIÓN
OSCILACIONES 1.- INTRODUCCIÓN Una parte relevante de la asgnatura trata del estudo de las perturbacones, entenddas como varacones de alguna magntud mportante de un sstema respecto de su valor de equlbro.
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
Más detallesEstadística Descriptiva Análisis de Datos
El concepto de Estadístca Estadístca Descrptva Análss de Datos 8.1 INTRODUCCION El orgen de la Estadístca se remonta a dos tpos de actvdades humanas: los juegos de azar y las necesdades de los Estados:
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesTERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA
Ing. Federco G. Salazar Termodnámca del Equlbro TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Contendo 1. Conversón y Coordenada de Reaccón. 2. Ecuacones Independentes y Regla
Más detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
Más detallesTEMA 10: ESTADÍSTICA
TEMA 10: La Estadístca es la parte de las matemátcas que se ocupa de recoger, organzar y analzar grandes cantdades de datos para estudar alguna característca de un colectvo. 1. VARIABLES S UIDIMESIOALES
Más detalles8 MECANICA Y FLUIDOS: Calorimetría
8 MECANICA Y FLUIDOS: Calormetría CONTENIDOS Dencones. Capacdad caloríca. Calor especíco. Equlbro térmco. Calormetría. Calorímetro de las mezclas. Marcha del calorímetro. Propagacón de Errores. OBJETIVOS
Más detallesUNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE. Dpto. de Métodos Cuantitativos e Informáticos. Universidad Politécnica de Cartagena.
UNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE COURNOT. Autores: García Córdoba, José Antono; josea.garca@upct.es Ruz Marín, Manuel; manuel.ruz@upct.es Sánchez García, Juan Francsco; jf.sanchez@upct.es
Más detallesTERMODINÁMICA AVANZADA
TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón
Más detallesAPENDICE A. El Robot autónomo móvil RAM-1.
Planfcacón de Trayectoras para Robots Móvles APENDICE A. El Robot autónomo móvl RAM-1. A.1. Introduccón. El robot autónomo móvl RAM-1 fue dseñado y desarrollado en el Departamento de Ingenería de Sstemas
Más detallesMETODOLOGÍA PARA LA ASIGNACIÓN DE TOLERANCIAS Y VALORES NOMINALES A UN CONJUNTO DE VARIABLES DEPENDIENTES
Ingenería Técnca Industral Mecánca METODOLOGÍA PARA LA ASIGNACIÓN DE TOLERANCIAS Y VALORES NOMINALES A UN CONJUNTO DE VARIABLES DEPENDIENTES UNIVERSIDAD CARLOS III DE MADRID ESCUELA POLITÉCNICA SUPERIOR
Más detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesCOLECCIÓN DE PROBLEMAS SOBRE BUSES
ESCOLA POLITÈCNICA SUPERIOR UNIVERSITAT DE LES ILLES BALEARS Engnyera Tècnca Industral (esp. Electrònca Industral) B.O.E. 6-Març-200 Asgnatura: Impartcón: Curso: Profesor: 4683-Informátca Industral (9
Más detallesAnálisis de error y tratamiento de datos obtenidos en el laboratorio
Análss de error tratamento de datos obtendos en el laboratoro ITRODUCCIÓ Todas las meddas epermentales venen afectadas de una certa mprecsón nevtable debda a las mperfeccones del aparato de medda, o a
Más detallesMaestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza
Maestría en Admnstracón Meddas Descrptvas Formularo e Interpretacón Dr. Francsco Javer Cruz Arza A contnuacón mostramos el foco de atencón de las dstntas meddas que abordaremos en el presente manual. El
Más detallesCampo eléctrico. Líneas de campo. Teorema de Gauss. El campo de las cargas en reposo. Campo electrostático
qco sθ qz Ez= 4 zπε0 2+ R2 = 4πε0 [z2 +R2 ]3/ 2 El campo de las cargas en reposo. Campo electrostátco ntroduccón. Propedades dferencales del campo electrostátco. Propedades ntegrales del campo electromagnétco.
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más detallesi=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1
CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de
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 detallesGrafos. Conceptos básicos
Grafos Se presenta en este módulo, como lectura complementara a los capítulos de Grafos del texto de clase: una lsta de conceptos que deben ser defndos con precsón por los alumnos, los elementos necesaros
Más detallesGuía de Electrodinámica
INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesLABORATORIO DE INTELIGENCIA ARTIFICIAL CONVERSIÓN DE TEXTO MANUSCRITO A FORMATO DIGITAL UTILIZANDO MÁQUINAS DE SOPORTE VECTORIAL T E S I
LABORATORIO DE INTELIGENCIA ARTIFICIAL CONVERSIÓN DE TEXTO MANUSCRITO A FORMATO DIGITAL UTILIZANDO MÁQUINAS DE SOPORTE VECTORIAL T E S I S QUE PARA OBTENER EL GRADO DE MAESTRO EN CIENCIAS EN INGENIERÍA
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
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 detallesConvertidores Digital-Analógico y Analógico-Digital
Convertdores Dgtal-Analógco y Analógco-Dgtal Conversón Dgtal-Analógca y Analógca-Dgtal Con estos crcutos se trata de consegur una relacón bunívoca entre una señal analógca y una dgtal o vceversa. Las magntudes
Más detalles