2.2 Redes neuronales artificiales
|
|
- Jorge Franco Gutiérrez
- hace 6 años
- Vistas:
Transcripción
1 2.2 Redes neuronales arificiales Los modelos de redes neuronales arificiales inenan reproducir el comporamieno del cerebro (ver figura 2.2), es decir, cada neurona esá caracerizada por enradas de acivación y j, que son modificadas por un peso w j (la sinapsis en el caso biológico), las señales moduladas se combinan enre ellas y enran a una función de acivación que deermina la salida S con base en una comparación de la suma con el valor de acivación θ. Figura 2.2 Como se puede noar, las neuronas arificiales son simples unidades procesadoras, que pueden recibir muchas enradas de oras neuronas y luego procesar una salida, igual que las neuronas biológicas, la forma en que se conecen las neuronas depende de la arquiecura de red neuronal que se quiera uilizar. Con base en lo anerior podemos definir a una red neuronal arificial de la siguiene forma: Una red Neuronal Arificial es un modelo maemáico compueso por elemenos inerconecados enre sí, que se inspira en el sisema nervioso biológico. 2.3 Red Holográfica Inroducción Un paradigma de redes neuronales es el modelo holográfico [SUTHERLAND_1992], donde el érmino Tecnología neuronal holográfica ha sido asignado a ese nuevo paradigma de la ineligencia arificial, debido a algunas analogías que ese ipo de proceso neural iene con las maemáicas enconradas en el campo de la eoría elecromagnéica, principalmene en la holografía ópica. La siguiene descripción de la red holográfica es omada de [SUTHERLAND_1992] y en ésa se expone el modelo maemáico de la red en su fase de enrenamieno y su fase de reconocimieno. 9
2 El modelo holográfico se basa en un concepo donde la información se presena como un vecor ubicado en el plano complejo y cada neurona opera como una ransformada deerminísica, a ravés de un mapeo de conjunos de esímulos analógicos de enrada hacia una respuesa analógica de salida. Además, el proceso neuronal holográfico iene la capacidad de almacenar gran canidad de información, ya que permie superponer gran canidad de asociaciones esímulo-respuesa, de al manera que las asociaciones esímulorespuesa sean mapeadas direcamene denro de una mariz de correlación formada por números complejos. Además, sí se inroduce como enrada un parón de esímulo que se encuenre denro del conexo de los aprendidos, pero que no perenezca al conjuno inicial de enrenamieno, la red regenera la respuesa asociada a un parón de esímulo previamene aprendido eniendo una gran capacidad de generalización [SUTHERLAND_1992] Arquiecura de la red holográfica La arquiecura del modelo holográfico se encuenra conformado por las siguienes cinco celdas: Esímulos Salida Enrada Celda Buffer Celda Sa Celda Corex Celda Buffer O. Respuesa Deseada Celda Buffer Figura 2.3 Configuración básica del paradigma holográfico. Donde el funcionamieno de cada celda es la siguiene: Celda Buffer : Es la fuene de enrada, conviriendo los valores reales de enrada en valores complejos con los cuales rabaja el sisema holográfico. Celda Sa : Lee los valores complejos de enrada y los expande, con la finalidad de disminuir el error de la respuesa asociada. Celda Corex : Genera la mariz de correlación con base en la relación exisene enre el esímulo complejo de enrada y la salida compleja deseada. Celda Buffer O: Conviere los valores de salida complejos en valores en el dominio de los reales. 10
3 2.3.3 Parámeros de la red holográfica El paradigma holográfico es de aprendizaje supervisado, por lo que al enrenarla se necesian varios parones de enrada (vecores de números reales), y sus correspondienes respuesas (vecores de números reales), eniendo así por cada parón un campo de esímulo [S] y un campo de respuesa [R], que son represenados por arreglos de números reales: [S]={s 1,s 2,s 3,,s n } (2.1) [R]={r 1,r 2,r 3,,r m } (2.2) Los parones de enrada y las respuesas asociadas, esán represenadas en el mundo de los reales, la celda buffer de enrada, conviere los valores esímulo en el conjuno de los reales al dominio de los números complejos, a ravés de una ransformación lineal o sigmoidal cenrada alrededor de un valor medio µ (de los diferenes parones), como se ilusra en las figuras 2.4 y 2.5. Figura 2.4 Normalización lineal Figura 2.5 Normalización sigmoidal En el eje horizonal se encuenra el dominio de los números reales y las fases que se asignan en el eje verical en un rango de 0 de 2π. 11
4 De esa manera los elemenos de información son números complejos, eniendo magniud (valor de 0 á 1) y fase (en radianes de 0 a 2π), como se muesra en la figura 2.6. Figura 2.6 Valor de la información en red holográfica consisene de magniud y fase. Las ransformaciones aneriores, lleva a los campos [S] y [R] a converirse en: [S]={λ 1 e iθ1,λ 2 e iθ2,λ 3 e iθ3,,λ N e iθν } (2.3) [R]={γ 1 e iφ1,γ 2 e iφ2,γ 3 e iφ3,,γ M e iφm } (2.4) Donde: λ i = Nivel de ponderación de los elemenos del campo esímulo. θ i = Información semánica de los elemenos del campo esímulo. γ i = Nivel de ponderación de los elemenos del campo de respuesa. φ i = Información semánica de los elemenos del campo de respuesa. Se puede observar que a cada fase se le asigna un nivel de ponderación, represenado en la magniud del vecor complejo. La asignación del valor de ponderación puede ser dado por el usuario de acuerdo a su conveniencia, pero lo más recomendado es deerminar el valor uniario. Se hace noar que el nivel de ponderación asigna el peso de cada componene de información con respeco a los demás. 12
5 2.3.4 Aprendizaje El proceso de aprendizaje iene caracerísicas operacionales semejanes al méodo holográfico al superponer una serie de asociaciones de esímulos-respuesa en una mariz de correlación [X], compuesa de números complejos, donde el proceso de codificación se ejecua en un nivel fundamenal como el produco de vecores complejos. Evaluando un elemeno de la mariz de correlación con un elemeno de esímulo y un elemeno de respuesa j y calculando el produco y suma se iene: x,j = Σ s r j (2.5) Donde: s es el conjugado de s s y r j son complejos y se represenan como: r j = γ j e iφj (2.6) S = λ e iθ (2.7) Escribiendo a (2.6) en forma compleja: X,j = T λ γ j e i(φj-θ) (2.8) Teniendo un conjuno de parones de esímulos (T esímulos con m elemenos) y respuesas (T respuesas con p elemenos), Obeniendo un vecor de parones y de respuesas, que a su vez son oro vecor de valores complejos, generando así una mariz de elemenos complejos. 13
6 S 1 λ 1,1 e iθ11 λ 2,1 ei θ21... λ m,1 e iθm1 S 2 λ 1,2 e iθ12 λ 2,2 ei θ22... λ m,2 e iθm2 [S] =.... (2.9).... S T λ 1,T e iθ1t λ 2,T ei θ2t... λ m,t e iθmt R 1 γ 1,1 e iφ11 γ 2,1 ei φ21... γ p,1 e iφp1 R 2 γ 1,2 e iφ12 γ 2,2 ei φ22... γ p,2 e iφp2 [R] =.... (2.10).... R T γ 1,T e iφ1t γ 2,T ei φ2t... γ p,t e iφpt El proceso de codificación para múliples parones puede ser represenado en su forma canónica por la siguiene ecuación: T [X] = [S] -T [R] (2.11) Donde: T = Número de esímulos de enrenamieno -T significa la raspuesa de [S] con sus elemenos conjugados Uilizando el conjugado de s i, con la finalidad de obener una diferencia de fases y la ranspuesa de [S] para lograr la muliplicación, a nivel de elemenos de [X] [SUTHERLAND_1992]. A parir de la ecuación (2.11) eniendo una sola variable en el vecor de respuesa (múiple enrada simple salida), se obiene una mariz de correlación de la siguiene manera: 14
7 T λ 1, γ e i(φ-θ1) [X] = T λ 2, γ e i(φ-θ2) (2.12).... T λ m, γ e i(φ-θm) Donde cada elemeno de la mariz de correlación, guarda odas las asociaciones enre cada elemeno de los esímulos y las respuesas deseadas. Ese proceso de aprendizaje lleva inherenemene a un principio de no inerferencia, en el senido de que los pares esímulo respuesa aprendidos, no son influenciados por mapeos de aprendizaje poseriores como sucede en oros modelos neuronales. Es por eso que oras redes neuronales, basadas en écnicas de gradiene descendene al presenar mayor número de resricciones en el aprendizaje, llegan a producir una degradación en su desempeño [MAYORA_1994] Decodificación. El proceso de reconocimieno se encarga de omar un esímulo de enrada (parón de enrada [S]*), y mediane la mariz de correlación [X], genera la respuesa asociada [R]*, eniendo ese desarrollo la siguiene represenación [SUTHERLAND 1992]: [R]* = 1 C [S]* [X] (2.13) Donde: C es un coeficiene de normalización y esa dado por: m C = = 1 λ * (2.14) El campo de esímulo experimenal [S] * se proporciona a la red para obener una respuesa, represenado de la siguiene manera: 15
8 [S] * ={λ 1e iθ 1,λ 2e iθ 2,λ 3e iθ 3,,λ me iθ m } (2.15) Cada érmino de respuesa generado por (2.13) puede ser desarrollado a parir de sus pares consiuivas, y cada pare es un vecor complejo generado por una ransformación de un esímulo [S] a ravés de la mariz de correlación [X]. Represenando una expansión en su forma exponencial compleja, para cada elemeno de [R] se obiene: T r = m 1 λ * c e iθ* λ, γ e i(φ-θ,) (2.16) Ésa puede ser escria de la siguiene forma: r = 1 c T γ e iφ m λ λ, e i(θ -θ,) (2.17) Además, reescribiendo (2.17), en forma más compaca: r = 1 c {Λ 1 e iφ 1,Λ 2 e iφ 2,Λ 3 e iφ 3,,Λ T e iφ Τ } (2.18) Donde: Λ es el nivel de ponderación de la respuesa, y e iφ* es la fase de cada una de las respuesas. Un elemeno de (2.18) puede escribirse de la siguiene manera: Λ e iφ* = γ e iφ m λ * λ, e i(θ*-θ,) (2.19) Una vez eniendo, la magniud y la fase de cada componene de [R], cada érmino puede ser evaluado deerminísicamene por las siguienes ecuaciones: Λ = γ. T C m λ * λ, cos(θ * -θ, ) + m 2 2 1/2 λ * λ, sen(θ * -θ, ) (2.20) 16
9 m λ * λ, sen(θ * - θ, + φ ) φ * = an -1 (2.21) m λ * λ, cos(θ * - θ, + φ ) Recordando que se debe ajusar a φ * a su cuadrane correco. Cada componene de (2.18), coniene una magniud o nivel de ponderación proporcional al grado del cual el parón de esímulo se acerque o falle, a un parón memorizado en la mariz de correlación. Ilusrando eso gráficamene se puede decir que aquellos parones que muesren la similiud más grande con el nuevo parón esimulo, producen los elemenos vecoriales más dominanes. En la figura 2.7 se muesra la suma de los elemenos del vecor de respuesa. Figura 2.7 Suma vecorial represenaiva de una respuesa. Finalmene, se procede a pasar del dominio de los complejos al dominio de los reales la respuesa generada, a ravés de una función inversa a la sigmoide (si es el caso), con la siguiene relación: R* = µ σ ln 2π φ* - 1 (2.22) Error de la red holográfica Para enconrar el error se supone un error aleaorio e r, el cual da la diferencia que exise enre el parón desconocido [S]* y el parón de esímulo codificado en el iempo T, eniendo la siguiene relación: 17
10 e iθ* = e i(θ, + εr) = 1,2,3... (2.23) Cuando los elemenos de [S]* ienen mucha similiud con el parón de esímulo codificado en el iempo T, el error ε r iende a cero. ε r 0.0 (2.24) Para cada elemeno. Subsiuyendo a (2.23) en (2.14) y (2.20), suponiendo que (2.24) es verdadera, se encuenra que: γ m λ * λ,t Λ Τ (2.25) m λ * Además, sí enemos que λ = λ,t = γ T = 1 para oda se iene: Λ T 1.0 (2.26) Similarmene, la orienación de la fase iene una reducción de ε r al que: φ * T φ T (2.27) Pero la anerior expresión únicamene ayuda a calcular la magniud y fase de la respuesa cuando el esímulo desconocido es similar al esímulo codificado en el iempo T. Recordando la figura 2.6, ambién se generan respuesas no dominanes con error denro de la respuesa generada. La varianza esadísica en la magniud para ese érmino de error es proporcional al número oal de esímulos-respuesa diferenes denro de la mariz de correlación. Es ese error el que esablece el límie a la capacidad de encapsular un número de asociaciones disinas que pueden ser exacamene mapeadas denro de una neurona. Se puede probar una mayor densidad de parones para cualquier sisema de coordenadas orogonales mulimensionales, es por lo ano, P el promedio de la magniud de una suma de P caminos aleaorios. Resiuyendo la expresión en (2.20), se puede evaluar y esimar para el error promedio denro de la respuesa, aproximando se consigue: r T = 1 Λ e iφ* C T P Para: γ, λ, 1 P N (2.28) 18
11 Para propósios de esimación de caracerísicas operacionales de una celda en paricular, se deriva el error promedio de la relación (2.28) impuesa por condiciones de simería, aclarando que ése esimado asume parones generados aleaoriamene, enonces el error dado por la dimensión de la celda (N) y el número de parones codificados (P) puede ser aproximadamene: φ error = 1 an -1 π 8 P N (2.29) Reducción del error Expansión de los elemenos del esímulo (generación de esadísicos) Como se puede noar en la ecuación (2.12), el número de componenes de los esímulos es direcamene proporcional al número de líneas de la mariz de correlación, y a su vez el número de líneas de la mariz de correlación influye direcamene en el error en la capacidad de reconocimieno de la red neuronal holográfica como se observa en la ecuación (2.29), algo parecido a la capacidad de un polinomio para poder represenar funciones con n raíces con respeco al grado del polinomio. Por ese moivo es necesario aumenar la canidad de elemenos de los esímulos sin aumenar las variables de los mismos, en oras palabras en el proceso holográfico las limiaciones en el mapeo pueden ser superados a ravés de una expansión de la información por medio de una generación de érminos de alo orden a parir del conjuno de enradas en el esímulo [S]. Así obeniendo la mariz hermiiana del conjuno de enradas [S], se genera un conjuno compleo de érminos de segundo orden ambién llamados esadísicos, esa mariz hermiania puede ser obenida por el siguiene produco: [H] = [S] -T [S] La mariz se genera de la siguiene forma: 1 λ 1 λ 2 e i(θ2-θ1) H = λ 1 λ 2 e i(θ2-θ1) 1 Pero esa mariz es simérica, por lo ano exise redundancia en el conjuno de elemenos que forman la pare baja de la diagonal principal, con respeco al conjuno que conforman la pare ala de la diagonal, de al forma que para generar los elemenos de segundo orden de nuesro esímulo sólo omamos uno de esos conjunos (sin incluir la 19
12 diagonal principal). De esa manera el esímulo [NS], endrá más componenes que el esimulo original [S]. Es decir: [NS] = [S] U [Elemenos de segundo orden de S (generados en H)]. Ese proceso puede ser generalizado para varios ordenes, por ejemplo para generar un conjuno de valores de ercer orden, se genera una mariz hermiania de [NS] de la siguiene manera: [H2] = [NS] -T [NS] Y se oman sólo los valores de una de las pares de la mariz que divide la diagonal principal, obeniendo así esadísicos de ercer orden. Repiiendo el proceso hasa obener el número de esadísicos deseados Resalamieno de la información En el proceso de codificación básico pueden exisir operaciones no ópimas debido a que exisen esímulos muy parecidos pero con respuesas muy diferenes, causando disorsión en la mariz de correlación. El resalamieno de la información puede ser usado para ener un mapeo efecivo enre los esímulos de enrada y el conjuno de respuesas deseadas, y ese proceso puede ser subdividido en res eapas de operación: 1.- Se decodifica un esimulo a ravés de la neurona de correlación (celda corex), obeniendo una respuesa parcial R. R = 1 C [S] [X] 2.- Se obiene un vecor de diferencias R d enre la respuesa obenida R y la respuesa deseada R. R d = R - R 3.- La mariz de correlación es acualizada a parir del esímulo [S] y R d. [X] = [S] -T R d Ese proceso permie reducir el error de respuesa cuando hay disorsión en la mariz de correlación, y se puede repeir anas veces como sea necesario. Haciendo una comparación con oras redes neuronales, cada vez que se realiza ese proceso de ajuse se puede considerar que se ejecua una época. Noa.- Normalmene después de cuaro épocas la reducción del error es despreciable (como se demuesra en el capíulo 5). 20
13 2.8 Comenario La red neuronal holográfica iene un excelene desempeño cuando los esímulos de enrada ienen un gran número de elemenos (Apéndice B), debido a eso, cuando hay pocos valores (menos de diez) en los esímulos de enrada se ienen que expandir usando esadísicos, pero eso genera un problema, por que cuando se realiza una expansión muy grande (esadísicos mayores al ercer orden) la red iende a memorizar y su eficacia al generalizar es muy pobre [TORRES_1996], además de que consume más memoria reduciendo su eficiencia. 21
1. Derivadas de funciones de una variable. Recta tangente.
1. Derivadas de funciones de una variable. Reca angene. Derivadas Vamos a ver en ese capíulo la generalización del concepo de derivada de funciones reales de una variable a funciones vecoriales con varias
Más detallesCorrelación. Dr. Luis Javier Morales Mendoza Procesamiento Analógico de Señales FIEC - UV
Correlación Dr. Luis Javier Morales Mendoza Procesamieno Analógico de Señales FIEC - UV Índice.. Inroducción.. Correlación Cruzada.. Auocorrelación.4. Calculo de la correlación y de la auocorrelación.5.
Más detallesMétodos de Previsión de la Demanda Pronóstico para Series Temporales Niveladas Representación Gráfica
Méodos de Previsión de la Demanda Pronósico para Series Temporales Niveladas Represenación Gráfica REPRESENTACIÓN GRÁFICA DE LA SERIE DE DATOS Período i Demanda Di 25 2 2 3 225 4 24 5 22 Para resolver
Más detallesSistemas lineales con ruido blanco
Capíulo 3 Sisemas lineales con ruido blanco 3.1. Ruido Blanco En la prácica se encuenra procesos esocásicos escalares u con media cero y la propiedad de que w( 1 ) y w( 2 ) no esán correlacionados aún
Más detallesConvolución. Dr. Luis Javier Morales Mendoza Procesamiento Analógico de Señales FIEC - UV
Dr. Luis Javier Morales Mendoza Procesamieno Analógico de Señales FIEC - UV Índice.. Inroducción.. La función dela de Dirac.3. Definición de la convolución.3.. propiedades de la convolución.3.. Méodo Gráfico
Más detallesEJERCICIOS DE VECTORES
EJERCICIOS DE ESPACIOS VECTORIALES CURSO 0-0 CONCEPTO DE ESPACIO VECTORIAL EJERCICIOS DE VECTORES. En el conjuno se definen las operaciones siguienes: x y x y x x y y x y x Suma + :, ', ' ', ' Produco
Más detallesEJERCICIOS PROPUESTOS
8 Deerminanes. Ejercicio resuelo. EJERCICIOS PROPUESTOS. Calcula el valor de los siguienes deerminanes. 8 4 5 0 0 6 c) 4 5 4 8 6 4 8 4 5 0 6+ 0 0+ 5 00 5 6 0+ 000 0 48 0 6 ( ) ( ) ( ) ( ) ( ) 4 5 5 + 4
Más detallesω ω ω y '' + 3 y ' y = 0 en la que al resolver se debe obtener la función y. dx = + d y y+ m = mg k dt d y dy dx dx = x y z d y dy u u x t t
E.D.O para Ingenieros CAPITULO INTRODUCCIÓN A LAS ECUACIONES DIFERENCIALES Las ecuaciones diferenciales son ecuaciones en las que conienen derivadas, Por ejemplo: '' + ' = en la que al resolver se debe
Más detallesFigura 1. Coordenadas de un punto
1 Tema 1. Sección 1. Diagramas espacio-iempo. Manuel Guiérrez. Deparameno de Álgebra, Geomería y Topología. Universidad de Málaga. 2971-Málaga. Spain. Marzo de 21. En la mecánica es usual incluir en los
Más detallesLA METODOLOGÍA DE VECTORES AUTORREGRESIVOS (VAR)
LA METODOLOGÍA DE VECTORES AUTORREGRESIVOS (VAR) ESPECIFICACION La meodología VAR es, en ciera forma, una respuesa a la imposición de resricciones a priori que caraceriza a los modelos economéricos keynesianos:
Más detallesPROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce
Economería I. DADE Noas de Clase PROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce (rafael.dearce@uam.es) INTRODUCCIÓN Una vez lograda una expresión maricial para la esimación de los parámeros
Más detallesMATRICES. M(n) ó M nxn A =
MTRICES Definición de mari. Una mari de orden m n es un conjuno de m n elemenos perenecienes a un conjuno, que para nosoros endrá esrucura de cuerpo conmuaivo y lo denoaremos por K, dispuesos en m filas
Más detallesMarch 2, 2009 CAPÍTULO 3: DERIVADAS PARCIALES Y DIFERENCIACIÓN
March 2, 2009 1. Derivadas Parciales y Funciones Diferenciables En ese capíulo, D denoa un subconjuno abiero de R n. Definición 1.1. Consideremos una función f : D R y sea p D, i = 1,, n. Definimos la
Más detallesMúltiples representaciones de una señal eléctrica trifásica
Múliples represenaciones de una señal elécrica rifásica Los analizadores de poencia y energía Qualisar+ permien visualizar insanáneamene las caracerísicas de una red elécrica rifásica. Represenación emporal
Más detallesEjercicios de Econometría para el tema 4 Curso Profesores Amparo Sancho Amparo Sancho Guadalupe Serrano Pedro Perez
Ejercicios de Economería para el ema 4 Curso 2005-06 Profesores Amparo Sancho Amparo Sancho Guadalupe Serrano Pedro Perez 1 1. Considérese el modelo siguiene: Y X + u * = α + β 0 Donde: Y* = gasos deseados
Más detallesMaterial sobre Diagramas de Fase
Maerial sobre Diagramas de Fase Ese maerial esá dedicado a los esudianes de Conrol 1, para inroducirse a los diagramas de fase uilizados para el Análisis de Esabilidad de los punos de equilibrio del sisema
Más detallesSeñales Elementales. Dr. Luis Javier Morales Mendoza. FIEC Universidad Veracruzana Poza Rica Tuxpan
Señales Elemenales Dr. Luis Javier Morales Mendoza FIEC Universidad Veracruzana Poza Rica Tuxpan Índice 3.1. Señales elemenales en iempo coninuo: impulso uniario, escalón uniario, rampa uniaria y la señal
Más detalles4. Modelos de series de tiempo
4. Modelos de series de iempo Los modelos comunes para el análisis de series de iempo son los que se basan en modelos auorregresivos y modelos de medias móviles o una combinación de ambos. Es posible realizar
Más detallesProcesos Estocásticos. Procesos Estocásticos. Procesos Estocásticos. 1 Introducción y conceptos básicos. Al final del tema el alumno será capaz de:
Procesos socásicos Procesos socásicos I Inroducción y concepos básicos sadísicos de un proceso esocásico Referencias: Capíulo 8 de Inroducción a los Sisemas de Comunicación. Sremler, C.G. 993 Apunes de
Más detallesSeñales. Apéndice 3. A3.1 Representación de formas de ondas. Una señal es una función del tiempo. La gráfica de una señal se denomina forma de onda.
Apéndice 3 1 Señales Una señal es una función del iempo. La gráfica de una señal se denomina forma de onda. A3.1 Represenación de formas de ondas Esudiaremos algunas propiedades de la represenación de
Más detallesUSO DE LAS TRANSFORMADAS DE LAPLACE Y Z EN EL ÁREA DE PROBABILIDAD
USO DE LAS TRANSFORMADAS DE LAPLACE Y Z EN EL ÁREA DE PROBABILIDAD Inroducción. En muchas áreas de ingeniería se uilizan procesos esocásicos o aleaorios para consruir modelos de sisemas ales como conmuadores
Más detalles= A, entonces A = 0. Y si A es una matriz. y comprobar el resultado. ,, ;,, es el mismo que el generado
EJERCICIOS. APLICACIONES DE LOS DETERMINANTES. 1. Calcular el siguiene deerminane de orden n: 1 n n n n n n n n n n n n n. Demosrar que si A es una mariz al que n n, se verifica lo anerior? A = A, enonces
Más detallesC cos x sen x 0 x sen x x cos x x sen x cos x x C 1 x 0. Calculamos la matriz adjunta de C: sen x 0 cox 0 cos x sen x. sen x x 1 x 1 sen x
Prueba de Acceso a la Universidad. SEPTIEMBRE. Maemáicas II. Insrucciones: Se proponen dos opciones A y B. Debe elegirse una y conesar a sus cuesiones. La punuación de cada cuesión aparece en la misma.
Más detallesMODELO JUNIO 2005 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II
Modelo de eamen Junio MODELO JUNIO MTEMÁTICS PLICDS LS CIENCIS SOCILES II OPCIÓN. (Punuación máima: punos) Se dice que una mari cuadrada es orogonal si T I: Noa: La noación T significa mari ranspuesa de.
Más detallesTEMA 2: CINETICA DE LA TRASLACIÓN
TEMA 2: CINETICA DE LA TRASLACIÓN 1.1. Inroducción. Para ener caracerizado un movimieno mecánico cualquiera, hay que esablecer primero respeco a que cuerpo (s) se va a considerar dicho movimieno. Ese cuerpo
Más detallesREPRESENTACIÓN DE CURVAS PLANAS DADAS EN FORMA PARAMÉTRICA
Represenación de curvas planas dadas en forma paramérica REPRESENTACIÓN DE CURVAS PLANAS DADAS EN FORMA PARAMÉTRICA PLANTEAMIENTO DEL PROBLEMA Sean x e y dos funciones reales de variable real, de dominios
Más detallesExperimento 3. Análisis del movimiento en una dimensión. Objetivos. Teoría
Experimeno 3 Análisis del movimieno en una dimensión Objeivos. Esablecer la relación enre la posición y la velocidad de un cuerpo en movimieno 2. Definir la velocidad como el cambio de posición en un inervalo
Más detallesECONOMETRÍA EMPRESARIAL II ADE
4 Bernardí Cabrer Economería Empresarial II Tema 8 ECONOMETRÍA EMPRESARIAL II ADE TEMA 8 MODELOS LINEALES SIN ESTACIONALIDAD I ( Modelos regulares 4 Bernardí Cabrer Economería Empresarial II Tema 8 8.
Más detallesCAPÍTULO 5. INTEGRACIÓN DE FUNCIONES TRIGONOMÉTRICAS 5.1. Introducción 5.2. Cambios de variable 5.3. Transformación en sumas 5.4. Problemas resueltos
CAPÍTULO 5. INTEGRACIÓN DE FUNCIONES TRIGONOMÉTRICAS 5.. Inroducción 5.. Cambios de variable 5.3. Transformación en sumas 5.4. Problemas resuelos 5.5. Inegración por recurrencia Capíulo 5 Inegración de
Más detallesINCERTIDUMBRE EN LA CALIBRACIÓN DE VISCOSÍMETROS CAPILARES
CENTO NACIONAL DE METOLOGÍA INCETIDUMBE EN LA CALIBACIÓN DE VISCOSÍMETOS CAPILAES Wolfgang A. Schmid ubén J. Lazos Marínez Sonia Trujillo Juárez Noa: El presene ejercicio ha sido desarrollado bajo aspecos
Más detallesTODO ECONOMETRÍA. Autocorrelación
TODO ECONOMETRÍA Auocorrelación Índice Definición Causas Consecuencias Deección Medidas correcivas Definición de la auocorrelación Definición de auocorrelación La perurbación de una observación cualquiera
Más detallesSolución: En ambos casos se observa que los determinantes de las matrices de coeficientes son distintos de cero. Veamos: a)
Resolver el siguiene sisema: 9 Primero hallaremos los rangos de la marices formadas por los coeficienes del sisema de la mari formada por los coeficienes los érminos independienes después. sí: 9 rang Ya
Más detallesPRÁCTICA 3: Sistemas de Orden Superior:
PRÁCTICA 3: Sisemas de Orden Superior: Idenificación de modelo de POMTM. Esabilidad y Régimen Permanene de Sisemas Realimenados Conrol e Insrumenación de Procesos Químicos. . INTRODUCCIÓN Esa prácica se
Más detallesPATRON = TENDENCIA, CICLO Y ESTACIONALIDAD
Pronósicos II Un maemáico, como un pinor o un poea, es un fabricane de modelos. Si sus modelos son más duraderos que los de esos úlimos, es debido a que esán hechos de ideas. Los modelos del maemáico,
Más detallesPREVISIÓN DE LA DEMANDA
Capíulo 0. Méodos de Previsión de la OBJETIVOS. Los pronósicos y la planificación de la producción y los invenarios. 2. El proceso de elaboración de los pronósicos. Méodos de previsión de la demanda 4.
Más detallesy + y = tan(x) + 3x 1. Solución: Primero resolvamos la ecuación diferencial homogénea: y + y = 0
Semesre Primavera Jueves, 4 de Noviembre PAUTA SOLEMNE N ECUACIONES DIFERENCIALES Encuenre la solución general de la ecuación y + y an(x) + 3x Solución: Primero resolvamos la ecuación diferencial homogénea:
Más detallesRespuesta A.C. del BJT 1/10
Respuesa A.. del BJT 1/10 1. nroducción Una ez que se ubica al ransisor denro de la zona acia o lineal de operación, se puede uilizar como amplificador de señales. n base a un ransisor BJT NPN en configuración
Más detallesElementos de acero 3 PROPIEDADES GEOMÉTRICAS. 2.1 Áreas de las secciones transversales
Elemenos de acero 3 PROPIEDADES GEOMÉTRICAS 2.1 Áreas de las secciones ransversales Área oal de un miembro (A ) Es el área complea de su sección ransversal. El área oal A es igual a la suma de los producos
Más detallesMétodos de Previsión de la Demanda Datos
Daos Pronósico de la Demanda para Series Niveladas Esime la demanda a la que va a hacer frene la empresa "Don Pinzas". La información disponible para poder esablecer el pronósico de la demanda de ese produco
Más detallesÁLGEBRA (Selectividad 2014) 1 ALGUNOS PROBLEMAS DE ÁLGEBRA PROPUESTOS EN LAS PRUEBAS DE SELECTIVIDAD DE 2014
ÁLGEBR (Selecividad 04) LGUNOS PROBLEMS DE ÁLGEBR PROPUESTOS EN LS PRUEBS DE SELECTIVIDD DE 04 Casilla y León, junio 4 a a+ a+ Sea la mariz = a a+ 3 a+ 4 a a+ 5 a+ 6 a) Discuir su rango en función de los
Más detallesComplejidad de modelos: Sesgo y Varianza
Complejidad de modelos: Sesgo y Varianza 17 de abril de 2008 Noas de clase. Rolando Belrán A Las medidas de sesgo y varianza son úiles para los modeladores en ano que ayudan a regular la complejidad del
Más detallesGRÁFICA DE CURVAS EN FORMA PARAMÉTRICA
GRÁFICA DE CURVAS EN FORMA PARAMÉTRICA Una curva C se dice definida paraméricamene por medio de un parámero, si las coordenadas afines de sus punos M se expresan en función de ese parámero, cuando varía
Más detallesAnálisis Estadístico de Datos Climáticos
Análisis Esadísico de Daos Climáicos SERIES TEMPORALES I Mario Bidegain (FC) Alvaro Diaz (FI) Universidad de la República Monevideo, Uruguay 2011 CONTENIDO Esudio de las series emporales en Climaología.
Más detallesIntroducción a la Representación en Variable de
ELC-3303 Teoría de Conrol Inrodcción a la Represenación en Variable de Esado Prof. Francisco M. Gonzalez-Longa fglonga@ieee.org hp://www.giaelec.org/fglonga/sp.hm Inrodcción a Represenación en Espacio
Más detallesV () t que es la diferencia de potencial entre la placa positiva y la negativa del
:: OBJETIVOS [7.1] En esa prácica se deermina experimenalmene la consane de descarga de un condensador, ambién llamado capacior ó filro cuando esá conecado en serie a una resisencia R. Se esudian asociaciones
Más detallesh + para cualquier m 1, 5.2. Modelo E-GARCH Introducción
5.2. Modelo E-GARCH Inroducción Los modelos GARCH exponenciales nacen a parir de la publicación de Daniel Nelson (99) sobre heerocedasicidad condicional en los modelos de renabilidad de acivos. Dicho auor
Más detallesSesión 2 Análisis univariado de series de tiempo
Banco Cenral de Reserva del Perú 55º Curso de Exensión Universiaria Economería Prof. Juan F. Casro Sesión Análisis univariado de series de iempo 4. Series de iempo esacionarias 4.. Qué enendemos por proceso
Más detallesSERIE DE ECUACIONES DIFERENCIALES
SERIE DE ECUACIONES DIFERENCIALES PROFESOR: PEDRO RAMÍREZ MANNY TEMA ) Clasifique cada una de las ecuaciones diferenciales siguienes indicando orden (O), grado (G) y si es lineal (L) o no (NL). a) ( y)
Más detallesIES CASTELAR BADAJOZ Examen Junio de 2011(General) Solución Antonio Mengiano Corbacho
IES CASTELAR BADAJOZ Eamen Junio de (General) Anonio Mengiano Corbacho PRUEBA DE ACCESO (LOGSE) UNIVERSIDAD DE BALEARES JUNIO (GENERAL) MATEMÁTICAS II Tiempo máimo: horas y minuos Conese de manera clara
Más detallesAutómata Finito de 4 Estados y una Variables de Entrada.
Auómaa Finio de 4 Esados y una Variables de Enrada. Vamos a diseñar un Auómaas Finio (AF) mediane el Procedimieno General de ínesis y a implemenarlo usando bieables D y cuanas pueras lógicas sean necesarias..
Más detallesIngeniería de las Reacciones Unidad 4: Reactores no ideales
Ingeniería de las Reacciones Unidad 4: Reacores no ideales D E SVI A I O N ES DE LO S MO DE LO S DE F L U JOS I D E AL E S. F U N IONE S DE DI STRI B U IÓN DE TIEMPOS DE R E S I D E N IA. S E Ñ AL EN E
Más detallesEn esta práctica vamos a analizar el comportamiento del diodo obteniendo la curva característica tensión-intensidad.
PÁTI 4 aracerización del diodo. plicaciones Un diodo recificador es un dipolo basado en las propiedades de los maeriales semiconducores. Tiene la propiedad de conducir la corriene con una polaridad (polarización
Más detallesTEMA I: RESPUESTA TEMPORAL DE LOS CIRCUITOS LINEALES. x(t) < y(t) <
TEMA I: ESPUESTA TEMPOA DE OS x() SISTEMA y() IUITOS INEAES. Ecuaciones de las redes generales, lineales e invarianes con parámeros concenrados Ejemplo x() < y() < ircuio esable as ecuaciones a que dan
Más detalles( ) Análisis de la fórmula para la calificación de pruebas tipo test multi-respuesta. J. L. González-Santander y G. Martín
ereis Revisa Iberoamericana Inerdisciplinar de Méodos, Modelización y Simulación 3 53-59 Análisis de la fórmula para la calificación de pruebas ipo es muli-respuesa Fecha de recepción y acepación: 9 de
Más detallesResolviendo la Ecuación Diferencial de 1 er Orden
Resolviendo la Ecuación Diferencial de er Orden J.I. Huircán Universidad de La Fronera February 6, 200 bsrac El siguiene documeno planea disinos méodos para resolver una ecuación diferencial de primer
Más detallesOPCIÓN A MATEMÁTICAS 2º BACHILLERATO B
MTEMÁTICS º BCHILLERTO B -5-11 OPCIÓN 1.- 1 Dadas las funciones f( x) = x x+, gx ( ) = x+ 1 a) Esboza sus gráficas y calcula su puno de core b) Señala el recino limiado por las gráficas de ambas funciones
Más detallesEstimación puntual ± Margen de error
Esimación Punual Para esimar el valor de un parámero poblacional se calcula la caracerísica correspondiene de la muesra, a lo que se le conoce como esadísico muesral. A la media muesral x se le idenifica
Más detallesTema 3. Circuitos capacitivos
Inroducción a la Teoría de ircuios Tema 3. ircuios capaciivos. Inroducción... 2. Inerrupores... 3. ondensadores... 2 3.. Asociación de capacidades.... 5 ondensadores en paralelo... 5 ondensadores en serie...
Más detallesGráficos con Maple. . El segundo argumento especifica la variable independiente y su rango x de variación.
Gráficos con Maple Maple incluye poenes capacidades gráficas que permien realizar represenaciones bidimensionales, ridimensionales e incluso animaciones. El programa es muy flexible en lo que a la enrada
Más detallesGRADO TURISMO TEMA 6: SERIES TEMPORALES
GRADO TURISMO TEMA 6: SERIES TEMPORALES Prof. Rosario Marínez Verdú 1 TEMA 6: SERIES TEMPORALES 1. Componenes de una serie emporal. 2. Análisis de la Tendencia. 3. Análisis de las Variaciones Esacionales.
Más detallesGESTIÓN DE INVENTARIOS Código: M. Docente: Julio César Londoño Ortega
GESTIÓN DE INVENTARIOS Código: 760033M Docene: Julio César ondoño Orega 1. Concepos avanzados de pronósicos de demanda 1. CONCEPTOS AVANZADOS DE PRONÓSTICOS DE DEMANDA Medición y análisis de los errores
Más detalles6.7. ENSAYOS EN FLUJO CONVERGENTE
Clase 6.7 Pág. 1 de 1 6.7. ENSAYOS EN FLUJO CONVERGENTE 6.7.1. Principios Los pasos que deben seguirse para efecuar un ensayo de flujo convergene son: 1. Se bombea en un puno hasa conseguir que las condiciones
Más detallesM O D E L O S D E I N V E N T A R I O
nvesigación Operaiva Faculad de iencias Exacas - UNPBA M O E L O E N V E N T A O El objeivo de la eoría de modelos de invenario es deerminar las reglas que pueden uilizar los encargados de gesión para
Más detallesCuando la integral (1) converge, el resultado es una función de s. La transformada de Laplace se puede escribir también como F(s).
Unidad 5. a ransformada de aplace Inroducción. En nuesro curso de cálculo elemenal aprendimos que la derivación y la inegración son ransformadas, es decir, que esas operaciones ransforman una función en
Más detallesEL CERTAMEN TIENE 5 PÁGINAS CON 20 PREGUNTAS EN TOTAL.
FÍSICA 1 CETAEN Nº 3 de Noviembre de 9 A. ATENO A. ATENO NOBE OL US - EL CETAEN TIENE 5 ÁGINAS CON EGUNTAS EN TOTAL. TIEO: 9 INUTOS SIN CALCULADOA SIN TELÉFONO CELULA SIN EODUCTO DE ÚSICA COECTA: 5 UNTOS
Más detallesTEMA 1 INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL. 1. Sistemas analógicos y digitales.
T-1 Inroducción a la elecrónica digial 1 TEMA 1 INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL El raamieno de la información en elecrónica se puede realizar de dos formas, mediane écnicas analógicas o mediane écnicas
Más detallesTEMA 5. CONTROL ADAPTATIVO. CONTROL AVANZADO DE PROCESOS Prof. M.A. Rodrigo TEMA 3. CONTROL ADAPTATIVO
TEMA 5. CONTROL ADAPTATIVO 1 DINÁMICA DE PROCESOS. LINEALIZACIÓN INTRODUCCIÓN ANÁLISIS DINÁMICO Definición: esudio del comporamieno no esacionario de un sisema Objeivo: sisemaizar comporamienos de sisemas
Más detallesTEMA VI: EL MODELO DE REGRESIÓN LIENAL SIMPLE
El modelo de regresión lineal simple EMA VI: EL MODELO DE REGREIÓN LIENAL IMPLE VI..- Inroducción. VI..- El modelo de regresión lineal simple. Propiedades. VI.3.- Obención de los esimadores por mínimos
Más detallesTema 10 La economía de las ideas. El modelo de aumento en el número de inputs de Romer (1990)
Tema 0 La economía de las ideas. El modelo de aumeno en el número de inpus de Romer (990) 0. Endogeneización de la ecnología: un doble enfoque. 0.2 El secor producor de bienes finales. 0.3 Las empresas
Más detalles1 Física General I Paralelos 05 y 22. Profesor RodrigoVergara R 0102) Movimiento Rectilíneo Horizontal
Física General I Paralelos 5 y. Profesor Rodrigoergara R ) Movimieno Recilíneo Horizonal ) Concepos basicos Definir disancia recorrida, posición y cambio de posición. Definir vecores posicion, velocidad
Más detallesTRABAJO PRÁCTICO N 1 Introducción al Control de Procesos
TRABAJO PRÁCTICO N Inroducción al Conrol de Procesos OBJETIVOS: Adquirir una primera aproximación de la forma en que acúan los sisemas de conrol realimenados, aprendiendo a idenificar ipos de variables.
Más detallesANEXO A LA PRÁCTICA CARGA Y DESCARGA DE UN CAPACITOR EN UN CIRCUITO RC
ANEXO A LA PRÁTIA ARGA Y DESARGA DE UN APAITOR EN UN IUITO Inroducción. En esa prácica se esudia el comporamieno de circuios. En una primera pare se analiza el fenómeno de carga y en la segunda pare la
Más detalles3. Métodos de clasificación de días solares.
3. Méodos de clasificación de días solares. Exisen diversos méodos uilizados para clasificar días solares en función de disinas variables como pueden ser el número de horas de sol, porcenaje de nubes,
Más detallesCURVAS PLANAS, ECUACIONES PARAMETRICAS Y COORDENADAS POLARES 2.1 CURVAS PLANAS Y ECUACIONES PARAMETRICAS
CURVAS PLANAS, ECUACIONES PARAMETRICAS Y COORDENADAS POLARES.1 CURVAS PLANAS Y ECUACIONES PARAMETRICAS Hasa ahora conocemos la represenación de una grafica mediane una ecuación con dos variables. En ese
Más detallesCurso 2006/07. Tema 1: Procesos Estocásticos. Caracterización de los procesos ARIMA. stico
Curso 6/7 Economería II Tema : Procesos Esocásicos. Caracerización de los procesos ARIMA. Concepo de proceso esocásico sico. Esacionariedad fuere y débil de los procesos esocásicos. Teoremas de ergodicidad
Más detallesObjetivos. El alumno planteará, mediante un diagrama de flujo, los pasos que deberán seguirse para resolver un problema de ingeniería sencillo.
Objeivos El alumno planeará, mediane un diagrama de flujo, los pasos que deberán seguirse para resolver un problema de ingeniería sencillo. Al final de esa prácica el alumno podrá: 1. Analizar el problema
Más detallesaa Opinión sobre la determinación del Índice Revalorización de las Pensiones 2015
Anejo 1 25 Noviembre 2014 aa Opinión sobre la deerminación del Índice Revalorización de las Pensiones 2015 Anejo 1 La fórmula de cálculo del Índice de Revalorización de las Pensiones (IRP), paso a paso
Más detallesUN MODELO DE MUESTREO PARA TRATAMIENTO DE PREGUNTAS EVASIVAS CON ALTA SENSIBILIDAD
UN MODELO DE MUESTREO PR TRTMIENTO DE PREGUNTS EVSIVS CON LT SENSIBILIDD Vícor H. Soberanis Cruz, Jaime D. Cuevas Domínguez vsobera@uqroo.mx División de Ciencias e Ingeniería, Universidad de Quinana Roo
Más detallesSolución de la ecuación homogénea
Solución de la ecuación de esado en modelos lineales Solución de la ecuación homogénea Mariz de ransición Propiedades de la mariz de ransición Solución de la ecuación complea Cálculo de la mariz de ransición
Más detalles5. ESPACIOS VECTORIALES EUCLÍDEOS. PROYECCIONES ORTOGONALES. MÍNIMOS CUADRADOS.
Espacios vesoriales euclídeos. Proyecciones orogonales. Mínimos cuadrados. 5. ESPACIOS VECTORIALES EUCLÍDEOS. PROYECCIONES ORTOGONALES. MÍNIMOS CUADRADOS. SUMARIO: INTRODUCCIÓN OBJETIVOS INTRODUCCIÓN TEÓRICA.-
Más detallesColección de problemas del Curso 05/06 Circuitos Electrónicos. 2º Ing. Aeronáutico Dpto. de Ingeniería Electrónica
Colección de problemas del Curso 05/06 Circuios Elecrónicos. º Ing. Aeronáuico Dpo. de Ingeniería Elecrónica Problema. Calcule la ransformada de Fourier, G(), de las siguienes funciones: + a) g = e u(
Más detalles6.2 Ecuaciones diferenciales: crecimiento y decrecimiento
SECCIÓN 6. Ecuaciones diferenciales: crecimieno decrecimieno 6. Ecuaciones diferenciales: crecimieno decrecimieno Usar la separación de variables para resolver una ecuación diferencial simple. Usar funciones
Más detallesCircuitos para observar la descarga y carga de un capacitor.
IUITO Objeivo Enconrar el comporamieno de la diferencia de poencial en función del iempo, (), enre los exremos de un capacior cuando en un circuio se carga y cuando se descarga el capacior. INTODUION onsidere
Más detallesReducción de matrices. Caso no diagonalizable
Tema 5 Reducción de marices. Caso no diagonaliable Ejemplo inroducorio. El siguiene es un ejemplo de lo que se llama una recurrencia vecorial. Un curso de Algebra Ecuaciones Diferenciales se impare en
Más detallesEjercicios Selectividad Matemáticas Apl. CCSS II. Operaciones con matrices. Matrices inversas. Ecuaciones matriciales. Rango de una matriz.
Ejercicios Selecividad Maemáicas pl. SS II loque: Álgebra lineal. MTRIES Operaciones con marices. Marices inversas. Ecuaciones mariciales. Rango de una mari.. Si son dos marices cualesquiera, es correca
Más detallesComentarios de la Nota Técnica sobre la Determinación del Incremento de la Reserva de Previsión
Comenarios de la Noa Técnica sobre la Deerminación del Incremeno de la Reserva de Previsión Fernando Solís Soberón y Rosa María Alaorre Junio 1992 Serie Documenos de Trabajo Documeno de rabajo No. 3 Índice
Más detallesFacultad de Ciencias Exactas. UNLP Página 1
ANÁLISIS MATEMÁTICO I. CIBEX-FÍSICA MÉDICA. Primer cuarimesre 0 UNIDAD I. GUÍA FUNCIONES. DOMINIO. GRÁFICA Comenzaremos nuesro curso repasando el concepo de función. Las funciones represenan el principal
Más detallesGuía de Ejercicios 1 Modulaciones Analógicas - Espacio de Señales - Modulaciones Digitales
66.78 Comunicaciones Digiales y Analógicas Marzo, 3 Guía de Ejercicios Modulaciones Analógicas - Espacio de Señales - Modulaciones Digiales. Modulaciones Analógicas Ejercicio - AM-PS Una señal de AM con
Más detallesESTUDIO DE MERCADO. MÉTODOS DE PROYECCIÓN
ESTUDIO DE MERCADO. MÉTODOS DE PROECCIÓN Qué es una proyección? Es una esimación del comporamieno de una variable en el fuuro. Específicamene, se raa de esimar el valor de una variable en el fuuro a parir
Más detallesTRABAJO Y ENERGIA: IMPULSO
TRABAJO Y ENERGIA: IMPULSO Un paquee de 10 kg cae de una rampa con v = 3 m/s a una carrea de 25 kg en reposo, pudiendo ésa rodar libremene. Deerminar: a) la velocidad final de la carrea, b) el impulso
Más detallesCircuitos eléctricos paralelos RLC en Corriente Alterna
Circuios elécricos paralelos RLC en Corriene Alerna Beelu Gonzalo Esudiane de Ingeniería en Sisemas de Compuación Universidad Nacional del Sur, Avda. Alem 253, B8000CPB Bahía Blanca, Argenina beelugonzalo@gmail.com
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA MATEMÁTICAS II TEMA 3: ESPACIO AFÍN Y EUCLÍDEO
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 6 MATEMÁTICAS II TEMA : ESPACIO AFÍN Y EUCLÍDEO Junio, Ejercicio 4, Opción A Junio, Ejercicio 4, Opción B Reserva, Ejercicio, Opción A Reserva, Ejercicio 4, Opción
Más detallesUN MODELO DE METAS DE INFLACIÓN CON PREFERENCIAS ASIMÉTRICAS DEL BANCO CENTRAL
UN MODELO DE METAS DE INFLACIÓN CON PREFERENCIAS ASIMÉTRICAS DEL BANCO CENTRAL Versión preliminar e inconclusa. Derry Quinana Aguilar Absrac Ese documeno presena un modelo en el cual las preferencias del
Más detallesLas señales pueden ser también, señales continuas o señales alternas.
INSIUO ÉCNICO SLESINO LORENZO MSS ema 1: CONCEPOS PRELIMINRES LLER DE MEDICIONES Conenido: Concepo de señal elécrica. Valores caracerísicos de las señales elécricas: Frecuencia (período, Fase, Valor de
Más detallesY K AN AN AN MODELO SOLOW MODELO
MODELO SOLOW MODELO Rendimienos consanes a escala decrecienes en uso de facores. Tasa de ahorro exógena, s. Crecimieno exógeno, a asa g, de eficiencia del rabajo. Equilibrio mercado de bienes de facores.
Más detallesPONENCIA: DEMOSTRACIÓN, SIN CÁLCULO DIFERENCIAL, DE LAS ECUACIONES DE LA POSICIÓN EN EL MOVIMIENTO PARABÓLICO. Introducción
PONENCIA: DEMOSTRACIÓN, SIN CÁLCULO DIFERENCIAL, DE LAS ECUACIONES DE LA POSICIÓN EN EL MOVIMIENTO PARABÓLICO Presenada por: Prof. Yuri Posadas Velázquez Seminario LAC. 24 de ocubre de 2013 Inroducción
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D o de Economía Aplicada Cuaniaiva I Basilio Sanz Carnero PROCESOS ESTOCÁSTICOS Un proceso esocásico «Z» considera «n» variables aleaorias, Z n, en momenos de iempo sucesivos, cada una de esas «n» variables
Más detallesEstadística de Vivienda Libre
Esadísica de Vivienda Libre Meodología Subdirección General de Esadísicas Madrid, febrero de 2012 Índice 1 Inroducción 2 Objeivos 3 Ámbios de la esadísica 3.1 Ámbio poblacional 3.2 Ámbio geográfico 3.3
Más detallesLección 3. Curvas. 4. Curvas parametrizadas: ejemplos.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO 011 1. 4. Curvas paramerizadas: ejemplos. La descripción más direca y flexible de una curva es una represenación paramérica. En lugar de considerar una de las coordenadas
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICA SISTEMA DE METADATOS HIDROCARBUROS. 1.0 Agregado Estadístico- Estadísticas e Indicadores de Hidrocarburos
INSTITUTO NACIONAL DE ESTADÍSTICA SISTEMA DE METADATOS HIDROCARBUROS.0 Agregado Esadísico- Esadísicas e Indicadores de Hidrocarburos. Marco concepual El Deparameno de indicadores por acividad económica,
Más detalles