Predicción de la estructura secundaria de proteínas usando máquinas de soporte vectorial
|
|
- Óscar Acosta Saavedra
- hace 6 años
- Vistas:
Transcripción
1 ARTÍCULO CORTO redón de la estrutura seundara de proteínas usando máqunas de soporte vetoral roten seondary struture predton usng support vetor mahnes D. J. Delgado *, **, H. Arguello *, R. Torres ** Abstrat Among the omputatonal methods used for predtng seondary struture protens hghlghts the use of support vetor mahnes. Ths researh shows the predted seondary struture of proten from ts prmary amno ad sequene usng Support Vetor Mahnes. As nputs, n the proposed methodology, features are used from dfferent strutural motfs or text strngs assoated wth the prmary struture whh represents the seondary struture, suh as R-group and the probablty that the amno ad at poston adopts a entral partular seondary struture. For feature extraton method s used odng of sequenes n whh eah symbol n the prmary struture s assoated wth eah symbol n the seondary struture. The use of ths enodng method redues the dmensonalty of the data of thousands of haratersts only 220 of these. The results obtaned are omparable to those reported n the lterature, takng about 70% auray. Furthermore, t s possble to redue omputatonal ost n the onstruton of lassfers beause ths work models the problem of mult lassfaton as a group of bnary lassfers. Key words: odng methodology, support vetor mahnes, predton of proten seondary struture. Resumen Entre los métodos omputaonales utlzados para la predón de la estrutura seundara de proteínas, se destaa el uso de máqunas de soporte vetoral. Este trabajo de nvestgaón presenta la predón de la estrutura seundara de proteínas desde su seuena prmara de amnoádos usando Máqunas de Soporte Vetoral. Como entradas, en la metodología propuesta, se utlzan araterístas de los dferentes motvos estruturales o adenas de texto asoadas a la estrutura prmara que representa la estrutura seundara, tales omo el R-grupo y la probabldad de que el amnoádo en la posón entral adopte una determnada estrutura seundara. ara la extraón de araterístas se utlza un método de odfaón de seuenas en el que ada símbolo en la estrutura prmara se relaona on ada símbolo en la estrutura seundara. El uso de este método de odfaón permte redur la dmensonaldad de los datos de mles de araterístas a sólo 220 de estas. Los resultados obtendos son omparables a los regstrados en la lteratura, tenendo era de un 70% de presón. Además, se logra redur los ostos omputaonales en la onstruón de los lasfadores debdo a que este trabajo modela el problema de mult-lasfaón omo un grupo de lasfadores bnaros. alabras Clave: máqunas de soporte vetoral, metodología de odfaón, predón de la estrutura seundara de proteínas. Rebdo: mayo 18 de 2011 Aprobado: juno 29 de 2012 * Grupo de Investgaón en Ingenería Boméda GIIB, Unversdad Industral de Santander, Colomba. ** Grupo de Investgaón en Boquíma y Mrobología GIBIM, Unversdad Industral de Santander, Colomba djdelgad@us.edu.o, harguello@us.edu.o, rtorres@us.edu.o Rev. redón Colomb. de Botenol. la estrutura Vol. seundara XIV No. 1 de Julo proteínas usando máqunas de soporte vetoral 233
2 Introduón Las proteínas son maromoléulas polméras onsttudas por adenas lneales de 20 dferentes amnoádos (aa), a estas adenas se les denomna estruturas prmaras, estas adenas de aa generan tres grandes grupos estruturales al nteror de las proteínas: las héles o estruturas a(h), las lámnas o estruturas b(e) y las onformaones ol (C), ver fgura 1. A estas onformaones se les denomna estruturas seundaras. En este trabajo se propone una metodología de predón para la estrutura seundara de proteínas que reduza el número de araterístas meddas para la reaón de máqunas de aprendzaje que nferan el ontendo estrutural de una proteína. Dversos han sdo los métodos omputaonales utlzados para preder la estrutura seundara de una proteína desde su seuena prmara de amnoádos; estos métodos nluyen: aquellos basados en la omposón de los amnoádos (Chou, 1980; Nakashma et al, 1985; Muskal and Km, 1992), redes neuronales (Rost and Sander, 1993b), modelos oultos Markov (HMM) (Hubbard and ark, 1995) y máqunas de soporte vetoral (MSV). Hoy en día las MSV están sendo usadas para la soluón de problemas en bonformáta, más que otras herramentas. La predón de la estrutura seundara de proteínas no es la exepón (Hua and Sun, 2001). reder la estrutura seundara de una proteína puede analzarse omo un típo problema de reonomento o lasfaón de patrones, en el ual ada aa en la estrutura prmara, debe ser lasfado en uno de los tres dferentes grupos estruturales: héles-α, lámnas-β o ol. Este problema de lasfaón se puede abordar medante la lasfaón de los patrones que generan las representaones textuales de la estrutura prmara y seundara, ver fgura 2. Dhas representaones son generadas por dos alfabetos, el alfabeto que representa la estrutura prmara el ual ontene los símbolos que representan a los 20 amnoádos de los uales se omponen la mayor parte de las proteínas, este alfabeto se denomnará Σ = {A,R,N,D,C,E,Q,G,H,I,L,M,F,,S,T,W,Y,V}. El segundo alfabeto, el ual representa smbólamente los dferentes motvos estruturales que pueden tener los dferentes amnoádos se denomnará Γ = {E,H,C}. Donde E representa a las lámnas-β, H a las héles-α y C a las estruturas ol. Con estos onjuntos de símbolos se puede representar textualmente tanto a la estrutura prmara omo la estrutura seundara. Metodología Las máqunas de soporte vetoral ara abordar el problema de lasfaón de patrones asoado a la predón de la estrutura seundara de una proteína se neesta de una herramenta matemáta que permta lasfar las araterístas extraídas de las adenas de arateres que representan las es- Fgura 1: Representaones estruturales de una proteína. (a) Estrutura prmara, (b) y () estrutura seundara, (b) son las Héles-α y () son las lámnas-β. 234 Rev. Colomb. Botenol. Vol. XIV No. 1 Julo
3 Fgura 2: Representaón smplfada para la estrutura seundara de una proteína. truturas prmaras y que se asoan on su respetva estrutura seundara. En este trabajo la herramenta usada fueron las máqunas de soporte vetoral (MSV) las uales son un método efetvo en el área de reonomento de patrones en general. Una tarea de lasfaón o reonomento de patrones generalmente neesta de un onjunto de datos para entrenamento y otro para realzar las pruebas. Cada nstana en el onjunto de entrenamento tene un valor objetvo (etqueta de lase) y varos atrbutos (araterístas). La meta de una MSV es generar un modelo que sea apaz de preder orretamente los valores objetvo de alguna nstana perteneente al grupo de pruebas sn onoer ómo está etquetado, para luego poder extrapolar dho modelo a ualquer ndvduo perteneente al unverso del ual se tomaron los ejemplos de entrenamento. ara generar un modelo de lasfaón se parte de un onjunto de entrenamento onsttudo por parejas (x, y) = 1,2,...,/, donde x n e y { 1, + 1} / y / es el número de ejemplos de entrenamento. Una MSV (Vapnk, 1995; Cortes and Vapnk, 1995) requere de la soluón del sguente problema de optmzaón, ver euaón 1. Donde W T φ(x) + b representa el hperplano de separaón, C ontrola el equlbro entre la omplejdad de la máquna y el número de puntos no separables por un hperplano, ξ mde la desvaón de un punto x del punto de separaón W T φ(x) + b. Los vetores x son mapeados a un espao dmensonal mayor por la funón φ. Las MSV busan un hperplano que reale una separaón lneal que tenga un margen de separaón máxmo entre los grupos a lasfar. C > 0 permte el balane entre maxmzar el margen y mnmzar el error. Además, K(X, Xj) φ(x) T φ(xj) es llamada la funón kernel. La base de datos mn 1 1 T WWC Wb,, 2 1 T sujetoa: y,( W ( x) b) 1, 0 ara elaborar el algortmo de predón de la estrutura seundara de proteínas es neesaro ontar on (1) una buena oleón de seuenas de péptdos (adenas de texto que representan la estrutura prmara), los uales se deben usar para poder enseñarle a una máquna de aprendzaje las araterístas que deben tener las dferentes ombnaones de segmentos de proteínas que pueden formar los dferentes motvos estruturales (adena de texto asoada a la estrutura prmara que representa la estrutura seundara). Así omo tambén se deben usar otros péptdos para probar el orreto aprendzaje de las máqunas elaboradas. ara este trabajo se utlzaron dos onjuntos de seuenas de proteínas, uno para poder proporonar onomento y otro para evaluar el onomento adqurdo. Estos dos onjuntos son los denomnados CB513 y el RS126 donde RS216 CB513. La base de datos CB513 (Cuff and Barton, 1999) onsta de 513 seuenas de proteínas en donde todas ellas tenen una longtud mayor a 30 resduos. Esta base de datos fue usada en este trabajo omo el onjunto de entrenamento para las máqunas de aprendzaje desarrolladas exluyendo las 126 seuenas nludas en ella perteneentes a la RS216. Mentras que de las RS126 (Rost and Sander, 1993a) se seleonaron 126 seuenas de proteínas on una homología menor del 25%. Estas bases de datos ontnúan sendo hoy en día referentes de omparaón para el rendmento de los dferentes algortmos, pues ontenen nformaón no redundante del espao de proteínas (Su et al., 2011; Qu et al., 2011; Chatterjee et al., 2011), por lo que se usaron en este trabajo para valdar los modelos que se onstruyeron. Codfaón de las seuenas Con las dos bases de datos se obtenen los ndvduos que permtrán tanto mplementar omo verfar las máqunas de aprendzaje sn embargo, la nformaón presente en estas bases de datos (seuenas de estruturas prmaras y seundaras) no se pueden usar dretamente y hay que transformar dha nformaón. ara poder extraer nformaón provenente de una seuena de amnoádos, es neesaro onvertr dha adena en nformaón numéra, vetores que desrban el ontendo de una seuena, de un segmento de seuena o nluso de un amnoádo en partular. Exsten dversas formas de odfar la nfor- redón de la estrutura seundara de proteínas usando máqunas de soporte vetoral 235
4 maón presente en la estrutura prmara de una proteína omo dversos son tambén los problemas en los que se aplan estas odfaones de la estrutura prmara. ara este trabajo se mplementó una metodología para odfar las seuenas que permtera generar vetores odfados de una dmensonaldad baja y que a su vez trataran de redur la orrelaón de los vetores odfados para las dferentes lases exstentes. ara ello se emplearon algunos oneptos expuestos por Yang and Wang 2003 y Ruan et al., Se neesta relaonar ada símbolo en la estrutura prmara on ada símbolo en la estrutura seundara sn embargo, tambén se debe tener en uenta a sus venos. ara poder extraer dha nformaón se realza un ventaneo sobre la seuena, el resultado de dho ventaneo es una oleón de N-gramas perteneentes a una msma estrutura prmara. El N-grama ara obtener nformaón de ada motvo estrutural presente en la seuena de una proteína es neesaro reorrer de f1orma adeuada dha adena. En Yang and Wang 2003 se muestra una metodología denomnada N-grama, la ual se emplea en este trabajo para extraer los segmentos de seuenas perteneentes a la estrutura prmara. Estos segmentos deben ser posterormente odfados en vetores de araterístas. ara extraer estos segmentos de seuena se debe tener en uenta lo sguente: O = {O1, O2,, On} es la estrutura prmara de una proteína la ual está ompuesta por una adena de arateres O Σ y n es la longtud de la seuena. S = {S1, S2,, Sn} es la estrutura seundara la ual está ompuesta por otra adena de arateres S1 Γ de la msma longtud que O. CS = {(s,1, sf,1),, (s,w, sf,w)} es el onjunto de parejas (s, sf) que denotan los puntos de no () y fn (f) de ada una de las subseuenas de amnoádos que tenen asoado un msmo símbolo S1 S al nteror de una msma proteína sendo W el número de sub segmentos en ésta. Ver fgura 3. A partr de la adena O y la adena S se extraen las posones de no y fn de ada uno de los segmentos de estrutura que perteneen a un msmo motvo estrutural. Cada uno de estos segmentos es una seuena perteneente a un motvo estrutural al ual se desea odfar. El N-grama hae referena a segmentos de N arateres onseutvos O Σ donde el arater en el entro de esta subadena es aquel al ual se desea odfar. La forma omo se deben extraer dhos N-gramas de las dferentes subseuenas se puede ver en el algortmo 1. Es evdente que aquellos segmentos que se enuentran al no y al fnal de la seuena O orresponden a posones fuera del rango de las estruturas prmara y seundara, estas posones en el N-grama deben ser reemplazadas por algún símbolo que permta su posteror odfaón. Algortmo 1: Extraón de los N-gramas de una subseuena Entrada: Sea m = [(Csf, Cs) + 1] la longtud de una subseuena Sea n l Cs 2 el punto de no en O del últmo N-grama para una seuena dada Sea lf el punto de no de la últma subseuena Los N-gramas que se extraen de una subseuena dada son: {[0l,0l + 1,, 0l + n],,[0l f, 0l f +1,, 0lf+n]} para la estrutura prmara O {[Sl,Sl + 1,, Sl + n],,[sl f, Sl f +1,, Slf+n]} para la estrutura seundara S Fgura 3: Representaón de la nformaón ontenda en la estrutura prmara y seundara para la extraón de datos perteneentes a la seuena. 236 Rev. Colomb. Botenol. Vol. XIV No. 1 Julo
5 Codfaón de las subseuenas Los segmentos de amnoádos que se obtenen (los N-gramas) deben ser onvertdos en vetores de araterístas que permtan plantear un algortmo de lasfaón. Las metodologías empleadas en este trabajo plantean la odfaón de las seuenas on base en el VCM y las propedades de grupo de los amnoádos, las uales permtrán desorrelaonar la nformaón que se obtene. ara onvertr en vetores de araterístas los N-gramas extraídos de una seuena, el proedmento a segur es el sguente: rmero se halla el VCM modfado (VCMM) para un N-grama dado, ver proedmento para alular el VCMM en el algortmo 2, hay que tener en uenta que se deben haer ertas modfaones sobre el álulo de dho vetor, dhas modfaones radan en el ambo del alfabeto sobre el que se realzan los álulos, el nuevo alfabeto debe ontemplar las posones nulas del prnpo y fn de la seuena O en la extraón de los N-gramas (Ruan et al., 2005; Ganapathraju et al., 2004; Yang and Wang, 2003). Algortmo 2: Vetor Composón de Momento Modfado (VCMM) Entrada: N-gramas Ng Sea A = {A,C,D,E,F,G,H,I,K,L,M,N,,Q,R,S,T,U,V,W,Y,*} los dferentes símbolos que pueden estar en un N-grama Sea N la longtud de las adenas Ng Sea A el ésmo AA, uando los AA se ordenan omo en A ara un W > 0 donde w, se defne ( X w, X w,, X w ) omo el VCMM de order w X w w d para = 1, 2,..., 20 w es el número total de vees que aparee el ésmo AA en Ng n, j es la j ésma posón del ésmo AA en O w j1 n w j. ( N d) El algortmo 2, muestra el álulo del VCMM. ara este trabajo se utlzaron los vetores de orden ero 0 1 y uno Vmm X, X, on los uales se realza una prmera etapa de la odfaón de un N-grama. Dado un Vmm perteneente a un N-grama el ual representa un segmento de seuena en una proteína, se desea dar mportana al arater entral en el N-grama, para ello se le norporará nformaón estadísta perteneente a dho arater. Tambén se desea desorrelaonar los N-gramas de auerdo a dho arater para lo ual se emplearán las propedades físoquímas de los dferentes aa. Este enfoque de odfaón onsdera las probabldades de que ada arater en Σ pueda adoptar un determnado tpo estrutural Γ dados los dferentes grupos bológos a los que puede perteneer ada amnoádo (Nelson and Cox, 2000), ver tabla 1. Tabla 1: Clasfaón de los amnoádos de auerdo a sus propedades químas. R-grupos Codfaón Amnoádos No polares, Alfátos C1 [1,0,0,0,0] A, V, L, I, M Aromátos C2 [0,1,0,0,0] F, Y, G olares, No argados C3 [0,0,1,0,0] G, S,, T, C, N, Q Cargados postvos C4 [0,0,0,1,0] K, H, R Cargados postvos C5 [0,0,0,0,1] D, E redón de la estrutura seundara de proteínas usando máqunas de soporte vetoral 237
6 La nformaón estadísta que se puede agregar a la odfaón es la probabldad de que un amnoádo pueda adoptar una estrutura Γ dada una de las lasfaones físoquímas en las que se pueden lasfar ada amnoádo. Estas lasfaones se odfarán y se les llama los R-grupos, los uales tambén forman parte de la odfaón, ver tabla 1. Estas probabldades se pueden enontrar de la sguente manera: dado un onjunto de entrenamento y un onjunto de grupos C = {C1, C2, C3, C4, C5} en los que se puedan lasfar los amnoádos, la probabldad de que un resduo aa AA en Cj para j = 1, 2,...,5 sea una héle (E), una lámna (H) o una onformaón ol (C) es, ver euaón 2: aa 1 N j aa j Donde aa para = 1, 2,...,20 es la probabldad j de que el resduo aa dado un grupo Cj esté en Γ, es der la probabldad de que el resduo aa sea una héle O, una lámna O, o Col, en j O H j E j C un onjunto de entrenamento. NΓ es el número total de resduos de ada una de las dferentes onformaones H, E y C que hay en, y NΓ es el número en el que el resduo aa que pertenee a el grupo Cj adopta una onformaón Γ. En este trabajo se usa el produto de Kroneker (Zwllnger 1996) entre las probabldades enontradas, los vetores de odfaón que obtenen de los R-grupos y los VCMM que se alulan a partr de los N-gramas para desorrelaonar los vetores de araterístas (Yang and Wang, 2003). Obtenendo de esta forma la odfaón de los segmentos de los amnoádos para ser usados más adelante. La odfaón de las seuenas se puede ver en la euaón 3. v aa V j j En donde aa es la probabldad de que el amnoádo en la posón entral de un N-grama adopte una j determnada estrutura seundara dado uno de los dferentes j grupos en los que se pueden agrupar los dferentes resduos. Cj es la odfaón del amnoádo en la posón entral del N-grama (el R-grupo) y Vmm es el VCMM que se alula del N-grama, el operador (o) representa el produto elemento a elemento entre dos vetores, y el operador ( ) representa el produto de Kroneker. Una vez odfados los N-gramas, lo que se busa es enontrar funones Fs, ver euaón 4, que permtan mm N j (2) (3) asoar vetores V on una de las dferentes estruturas Γ {C,E,H}. Fv s () lanteamento del problema Sea VCS el onjunto de posbles vetores odfados perteneentes a N-gramas extraídos de seuenas de proteínas empleadas omo ejemplos de entrenamento. Sea Γ el onjunto fnto de lases en las que se pueden lasfar los ejemplos VCS y k el tamaño de Γ (k =3, C, E, H). Formalmente el algortmo de aprendzaje A (para este trabajo MSV) toma un onjunto de ejemplos de entrenamento ((v1, y1), (v2, y2),...,(vm, ym)) omo entradas, donde y1 Γ son las etquetas asgnadas a los ejemplos de entrenamento v1 VCS. El objetvo del algortmo de aprendzaje es generar una hpótess f : V Γ donde f pertenee al espao de hpótess F. El algortmo de lasfaón a utlzar son las MSV, las uales son lasfadores bnaros y el problema de lasfaón que se tene uenta on más de dos lases, para problemas bnaros (k = 2 lases) los ejemplos son etquetados omo -1 y +1, por onvenena. Lo que se busa es generar una hpótess f : V {-1, + 1}. or tanto se debe adeuar un problema de multlasfaón en térmnos de problemas de lasfaón bnara. Desrpón de la soluón Un problema de mult-lasfaón se puede redur a múltples problemas de lasfaón bnaros los uales se pueden resolver separadamente. Exsten dversas formas de redur un problema de mult-lasfaón en problemas de lasfaón bnara (Trevor and Tbshran, 1998; Detterh and Bakr, 1994), uno de ellos nda que a ada lase k Γ se puede asoar on una fla de una matrz de odfaón M {-1,0,1} k l la ual relaona los dferentes lasfadores bnaros fs que se pueden onformar medante ombnaones de las lases Γ en las uales se desea lasfar, en esta matrz se muestran las respuestas que se esperan de ada lasfador bnaro uando los datos provenen de una lase en partular, ver tabla 2. Donde l representa el número de lasfadores bnaros fs que se rearon empleando un algortmo de aprendzaje, para S = 1,2,...,l, además l tambén representa el número de lasfadores en los que se puede desomponer el problema de multlasfaón. Los lasfadores bnaros S se pueden desarrollar tenendo en uenta el enfoque de emparejamento total (Allwen et al., 2000) de las k lases. ara este problema en partular se te- (4) 238 Rev. Colomb. Botenol. Vol. XIV No. 1 Julo
7 k ne l lasfadores (f1 = E H, f2 = E C, f3 = C H). Los 2 lasfadores fs son entrenados para ada olumna de la matrz M, es der ada olumna de la matrz de odfaón ontempla un problema de lasfaón bnara donde las etquetas (v, M(y.s)) ndan uales son los ejemplos de entrenamento para ada lasfador fs. Los datos donde (v, M(y.s)) = 0 no se ontemplan para el entrenamento, pues son aquellos datos que no orresponden al lasfador bnaro en uestón. Tabla 2: Matrz de odfaón M f1 f2 f3 E C H ara el entrenamento de los dferentes lasfadores bnaros, los uales se muestran en las olumnas de la matrz de odfaón M, se debe entrenar una MSV las uales tenen dos parámetros que se deben ajustar, C y γ, donde γ es el parámetro lbre de la funón Kernel que se usó, en este aso la funón de base radal (RBF), ver euaón 5. Kv (, v) exp v v, j j 2 0 (5) Se tomó omo funón Kernel la RBF debdo a que en dversos trabajos esta funón es la que mejores resultados ha ofredo (Shoyab et al., 2007; Chen et al., 2006; Hua and Sun, 2001; Ca et al., 2001). Como se tenen dos parámetros lbres, el problema es enontrar qué valores deben asumr estos dos parámetros para enontrar el mejor lasfador. El objetvo es dentfar (C,γ) tales que el lasfador sea apaz de preder adeuadamente los datos de prueba, es der aquellos que no se utlzan para generar el modelo. Se reomenda una ombnaón de los dferentes parámetros C y γ, para ello se toma un ntervalo de estos dos parámetros C y g donde Cnal y Cfnal así omo γnal y γfnal y denotan los límtes entre los uales se desea probar las MSV, C y γ es el paso que se toma para onstrur los ntervalos y m es el número de muestras que se desea tomar. C C C nal fnal (6) m nal fnal (7) m Lo que se busa es enontrar la ombnaón (C,γj) que genere la MSV que tenga el mejor rendmento Q,j (ver tabla 3). Realzado esto on las MSV que se deben entrenar on los datos que proporona la matrz M, se tendrán los dferentes lasfadores bnaros que se van a utlzar. Tabla 3: Malla para seleonar los parámetros lbres en una MSV - γ1 γ2 γm C1 Q1,1 Q1,2 Q1,m C1 Q2,1 Q2,2 Q2,m Cm Qm,1 Qm,2 Qm,m El problema de mult-lasfaón, se neesta que, para un ejemplo VCS, se pueda saber a qué lase K pertenee. ara ello se utlza el enfoque denomnado ódgos de orreón de errores de salda (por sus sglas en nglés ECOC) (Detterh and Bakr, 1994). Tomando M(k) omo una fla de la matrz de odfaón y sea f(v) el vetor de las predones que se obtenen de los lasfadores fs para un vetor V. f(v) = (f1(v), f2 (V), f3(v)) (8) La forma de enontrar la lase k Γ de ualquer vetor f(v) es enontrando la fla de M que mnme la dstana d(m(k), f(v)) para alguna dstana d. ara medr estas dstanas y enontrar las lases a las uales se le puede asoar un dato V, se puede realzar medante una funón de pérdda L, ver euaón 9, la ual mde el margen de pérdda uando un lasfador fs es evaluado on un ejemplo V respeto a M(y, s). La funón L se evalúa sobre sobre las dferentes flas de la matrz M. 2 LMy ( (, s), f ( v )) ( v M ) s j j, j1 Se seleona la lase k que más onda on las predones realzadas por los dferentes lasfadores fs, l (9) redón de la estrutura seundara de proteínas usando máqunas de soporte vetoral 239
8 para ello medante el uso de la funón de pérdda L se alulan las dstanas entre el vetor f(v) y las flas de la matrz M, on las uales se quere busar a qué lase K pertenee el vetor V, esta lase K es la que tenga la mínma de las dstanas ŷ, ver euaón 10. En donde ŷ, permte nferr on uál de las flas de la matrz M tene una mayor smltud el vetor de resultados del lasfador f, on lo ual se puede tambén nferr en qué lase se va a lasfar el vetor V. Este enfoque es denomnado deodfaón basada en pérdda (Allwen et al., 2000). y arg mn d ( Mk ( ), fv ( )) Implantaón de la soluón k L (10) Dados los 3 lasfadores fs y la estratega para ombnarlos on el fn de generar un multlasfador, lo que se busa es rear una metodología que permta lasfar subseuenas de arateres que representan amnoádos, donde a dhas subseuenas no se les onoe su estrutura seundara. Los pasos desrtos en apartados anterores, den que se deben determnar los N-gramas ontendos al nteror de la seuena que representa a una proteína, (ver algortmo 2), se debe a partr de dha subseuena y más onretamente del arater que se enuentra justo en el entro de ésta, lasfar este amnoádo en uno de los grupos mostrados en la tabla 1, de donde se obtene el R- grupo y, además de este msmo amnoádo, nteresa enontrar la probabldad que adopte. Dhas probabldades en la etapa de entrenamento son fáles de alular debdo a que se onoe a qué tpo de estrutura pertenee un determnado amnoádo. Sn embargo, para realzar la predón sólo se uenta on la estrutura prmara de la proteína. or lo ual se plantea una forma de alular dhas probabldades on el sguente enfoque: Sea O Oun N-grama, sea O el arater que se uba en la parte entral de O, lo que se busa es que on base en la nformaón que se pueda extraer de O preder a qué tpo de estrutura seundara Γ pertenee O. De auerdo al enfoque mostrado en este trabajo se debe alular la probabldad arater entral, O, donde O es el es la lasfaón que se puede realzar sobre los arateres Σ, ver tabla I. Sn embargo Γ no se onoe. ara ello se supone que O puede adoptar ualquera de las estruturas seundaras Γ, se van a alular, para poder haer uso de los lasfadores fs, ver algortmo 3, on lo ual se puede nferr qué tpo de estrutura seundara puede tomar O. aa j aa j O O O, y j E j H j C Algortmo 3: Adeuaón de los datos para preder la estrutura seundara de un AA Entrada: O O O, y j E j H j Calular v, Oo,, CMM V usando la probabldad VE usando la probabldad O j O j VH usando la probabldad O C Evaluar f1 = fs(vc), f2 = fs(ve) f3 = fs(vh) Hallar la lase Γ medante votaón utlzando f1, f2, f3 j H E C Resultados Entrenamento y pruebas En la valdaón de los modelos elaborados para preder la estrutura seundara de una proteína se utlzó la base de datos denomnada RS125, para la ual se odfaron todas sus seuenas y se evaluaron en las MSV entrenadas on la base de datos CB513. ara medr la apadad de estas máqunas en la nterpretaón de los patrones que se enuentran en la estrutura prmara de las proteínas y así poder omparar 240 Rev. Colomb. Botenol. Vol. XIV No. 1 Julo
9 Fgura 4: Esquema del proeso de predón su efetvdad on los enfoques elaborados en otros trabajos de nvestgaón smlares. Meddas de rendmento La medda de rendmento que se utlzó para evaluar los modelos elaborados para ada algortmo de lasfaón es la que se usa usualmente y se defne omo. k 1 Q () (11) N 1 Donde la funón (Γ) alula el número de aertos en las dferentes lases Γ y N es el número de ejemplos para prueba (125). Tambén se evaluaron por separado ada uno de los lasfadores fs para ello se empleó el oefente de orrelaón de Mathews (CCM) (Bald et al., 2000), la sensbldad (Sens) y la espefdad (Esp) de ada una de las máqunas readas, ver euaones 12 y 13. Donde la sensbldad y la espefdad son medones probablístas sobre los lasfadores que se rearon. La sensbldad mde la proporón de verdaderos postvos (amnoádos orretamente lasfados), la espefdad mde la proporón de aspetos negatvos que han sdo dentfados orretamente. ara las euaones 12, 13 y 14 se tene que V representa a los amnoádos que son orretamente lasfados en una lase determnada, FN representa a los amnoádos que sn perteneer a una lase se lasfan omo no perteneentes a ellas, VN representa aquellos amnoádos que perteneendo a una lase son dentfados omo no membros y F son aquellos amnoádos que sendo no membros de una lase son dentfados omo membros de ella. Adonalmente el oefente de orrelaón de Mathews proporona una medda de la aldad de los lasfadores bnaros que se rearon, un CCM de 1 nda que se onstruyó un lasfador bnaro efente y un CCM de 0 nda que el lasfador fue defente. CCM Resultados obtendos V Sens ( V F) VN Esp VN FN ) VVN FFN (12) (13) (14) Luego de montar la nfraestrutura de los dferentes lasfadores y haberlos onfgurado omo un solo lasfador, se proedó a evaluar su rendmento de auerdo a las meddas de rendmento antes menonadas. rmero se evaluó ómo fue el omportamento global y tambén el de ada una de las lases a lasfar, ver tabla 4. Tabla 4: Rendmento alanzado en el lasfador de auerdo a las dferentes lases. Rendmento ( V F)( V FN )( VN F)( VN FN ) Valor % Q QH QE QC redón de la estrutura seundara de proteínas usando máqunas de soporte vetoral 241
10 Se evaluó tambén el rendmento de ada uno de los lasfadores fs para poder tener una noón más detallada del funonamento del lasfador general. Ver tabla 5. Tabla 5: Rendmento alanzado en los dferentes lasfadores fs. Medda de Rendmento fhe fhc fec Sens Esp CCM Se realzó la omparaón del rendmento global del lasfador on algunos trabajos realzados por otros autores, los uales emplearon las msmas bases de datos para realzar los proesos de entrenamento y valdaón. Ver tabla 6. Tabla 6: Tabla de omparaón entre dferentes autores Autor/Método Rendmento Q % (Garner et al., 1978) 66 Este trabajo (Rost and Sander, 1993a) (Zhang et al., 2005) Jpred 71.9 Bharpred 65.6 Dsusón de resultados Los resultados obtend105os por el modelo de lasfaón onstrudo dejan entrever el grado de dfultad que exste para dar soluón al problema de la predón de la estrutura seundara de proteínas, empleando adenas de texto para nferr los dferentes motvos estruturales. En la tabla 4 se muestra el rendmento global del lasfador, así omo tambén se muestra el rendmento que dho lasfador obtene on ada uno de los motvos estruturales a lasfar. En esta tabla se evdena que la lase que mayor dfultad presenta es aquella etquetada on el arater C. S se observa la tabla 5, el ual muestra on más detalle el lasfador. Esto debdo a que se muestra ómo es el rendmento de ada lasfador bnaro. Se observa en la tabla un omportamento espeal en el lasfador fhc en el ual el CCM y la Esp arrojan valores que sugeren que para los grupos etquetados on los arateres H y C exste un desbalaneo de nformaón, lo que lleva a que se presente este omportamento. El método de odfaón empleado permte generar vetores de araterístas de una dmensonaldad baja en omparaón a otros métodos exstentes atualmente, alanzando valores de rendmento smlares a aquellas metodologías que por su gran dmensonaldad en sus vetores de araterístas aseguran la desorrelaón entre las dferentes lases pero haen del proeso de lasfaón una tarea más dfíl, ver tabla 6. No es posble realzar una omparaón del osto omputaonal o la antdad de reursos que se onsumen en la lasfaón debdo a que otros autores no nluyen este tpo de nformaón, pero además de obtener resultados omparables a los obtendos por otros autores omo se menona anterormente, el heho de modelar el problema omo un onjunto de lasfadores bnaros y utlzar un vetor de araterístas de menor dmensonaldad produe reduón del osto omputaonal. Los resultados obtendos muestran un porentaje menor de rendmento sn embargo, abe resaltar que en los onjuntos de valdaón, la base de datos RS126 está ontenda dentro de la base de datos CB513. Los estudos muestran que se realza el entrenamento de las dferentes máqunas de aprendzaje empleadas en la lteratura on el onjunto de datos CB513 y la valdaón on el onjunto RS126. Lo ual muestra que las máqunas en erta forma onoen los datos on los uales serán evaluadas. En este trabajo se exluyó el onjunto de datos RS126 del onjunto de seuenas CB513, por lo ual aseguramos que los resultados obtendos son produto de la generalzaón produda por el entrenamento de los datos y no por la memorzaón de estos. Conlusones Los resultados obtendos on las máqunas de soporte vetoral para la predón de la estrutura seundara de una proteína ratfan la apadad de esta herramenta para llevar a abo mnería de datos o predón, en este aso el éxto de las predones estuvo erano al 65%, lo ual para este tpo de problema se onsdera un rendmento aeptable. La herramenta asegura que es apaz de enontrar los hperplanos de separaón óptmos para dos onjuntos de datos ualesquera, presentando varaones en 242 Rev. Colomb. Botenol. Vol. XIV No. 1 Julo
11 el rendmento dependendo de ómo se ajusten los parámetros lbres presentes en el modelo sn embargo, el éxto de las MSV rada en gran medda en la manera omo se odfquen dhos datos y en ómo dha odfaón asegure la menor orrelaón entre las lases presentes. El uso del método de odfaón de las seuenas permtó generar vetores de araterístas de una dmensonaldad baja y la reduón de orrelaón entre las dferentes lases, lo que en todo problema de lasfaón onlleva a una reduón del osto omputaonal. El rendmento global obtendo es omparable on los resultados obtendos por otros autores, pero se destaa que redue la dfultad del proeso de lasfaón al rear un vetor de araterístas de muy baja dmensón, pasando de mles de araterístas a 220 de estas. Los rendmentos promedo de la mayoría de soluones en esta área de nvestgaón dejan entrever que es una problemáta no resuelta aún y que los resultados obtendos por un solo modelo de lasfaón no son onfables. or tanto, el uso de este tpo de herramentas es útl uando se realzan las predones on dferentes herramentas y que on base en los resultados obtendos por todos ellos, se puede tomar una desón aera de uál podría ser el ontendo estrutural presente en una proteína. ara mejorar los resultados obtendos, se propone mejorar la seleón de los parámetros lbres en las máqunas de aprendzaje, así omo la norporaón de nformaón nherente al ontexto bológo que pueda nrementar la presón del método. Se propone además, que en el onjunto de araterístas obtendo a partr de la odfaón propuesta, se aplquen métodos omo el análss de omponentes prnpales (CA) en pro de redur la nformaón redundante y aún más la nformaón presente en los vetores de odfaón y así dsmnur los tempos de ómputo. Referenas bblográfas Allwen E.L., Shapre R.E., and Snger Y Redung multlass to bnary: a unfyng approah for margn lassfers. Journal of Mahne Learnng Researh. 1: Bald., Brunak S., Chauvn Y., Andersen C.A.F. and Nelsen H Assessng the auray of predton algorthms for lassfaton: an overvew. Bonformats. 16: Ca Y.D., Lu X.J., Xu X.B. and Zhou, G Support vetor mahnes for predtng proten strutural lass. BMC Bonformats. 2:3. Chatterjee., Basu, S., Kundu, M., Naspur, M., and lewzynsk, D S_MCSVM: branstormng onsensus predton of proten seondary strutures usng two-stage multlass support vetor mahnes. Journal of Moleular Modelng. 17(9): Chen C., Tan Y., Zou X., Ca., and Mo J redton of proten seondary struture ontent usng support vetor mahne. Talanta. 71(5): Chou.Y Amno ad omposton of four lasses of protens. Seond Chemal Congress of the North Ameran Contnent, Las Vegas, Nevada. Cortes C. and Vapnk V Support-vetor networks. Mahne Learnng. 20(3): Cuff J.A., Barton G.J Evaluaton and mprovement of multple sequene methods for proten seondary struture predton. rotens: Struture, Funton, and Bonformats. 34(4): Detterh T.G. and Bakr G Solvng multlass learnng problems va error-orretng output odes. Journal of Artfal Intellgene Researh. 2(1): Ganapathraju M.K., Klen-Seetharaman J., Balakrshnan N. and Reddy, R Charaterzaton of proten seondary struture. IEEE Sgnal roessng Magazne. 21(3): Garner J., Osguthorpe D.J. and Robson, B Analyss of the auray and mplatons of smple methods for predtng the seondary struture of globular protens. Journal of Moleular Bology. 120(1): Hua S. and Sun Z A novel method of proten seondary struture predton wth hgh segment overlap measure: support vetor mahne approah. Journal of Moleular Bology. 308(2): Hubbard T.J., ark J Fold reognton and ab nto struture predtons usng hdden markov models and beta-strand par potentals. rotens. 23(8): Muskal S.M. and Km, S.H redtng proten seondary struture ontent: A tandem neural network approah. Journal of Moleular Bology. 225(3): Nakashma H., Nshkawa K. and Oo T The foldng type of a proten s relevant to the amno ad omposton. Oxford Journals Lfe Senes. The Journal of Bohemstry. 99(1): Nelson, D. and Cox, M Lehnnger prnples of bohemestry. W.H. Freeman and ompany. New York Qu W., Yang B., Jang W. and Wang L HYB_SS: a hybrd bak propagaton method for predtng proten seondary struture. Neural omputng and applatons. 21(2): Rost B. and Sander C. 1993a. Improved predton of proten seondary struture by use of sequene profles and neural networks. roeedngs of the Natonal Aademy of Senes of the Unted States of Amera. Bophyss. 90: Rost B. and Sander C. 1993b. redton of proten seondary struture at better than 70% auray. Journal of Moleular Bology. 232(2): redón de la estrutura seundara de proteínas usando máqunas de soporte vetoral 243
12 Ruan J., Wang K., Yang J., Kurgan L.A. and Cos K.J Hghly aurate and onsstent method for predton of helx and strand ontent from prmary proten sequenes. Artfal Intellgene n Medne. 35(1-2): Shoyab M., Baker S., Jabd T., Anwar F. and Khan H roten seondary struture predton wth hgh auray usng support vetor mahne. 10 th Internatonal Conferene on Computer and Informaton Tehnology Su H., Qu W., Yan B., and Wang L Improved proten seondary struture predton usng an ntellgent HSVM method wth a new enodng sheme. Internatonal Journal of Advanements n Computng Tehnology. 3(3): Trevor H. and Tbshran Classfaton by parwse ouplng. The Annals of Statsts. 26: Vapnk, V.N The nature of statstal learnng theory. Sprnger- Verlag New York. New York. Yang X. and Wang B Weave amno ad sequenes for proten seondary struture predton. roeedngs of the 8 th ACM SIGMOD workshop on Researh ssues n data mnng and knowledge dsovery Zhang G.Z., Huang D.S., Zhu, Y.., and L, Y.X Improvng proten seondary struture predton by usng the resdue onformatonal lasses. attern Reognton Letters. 26(15): Zwllnger, D Standard mathematal tables and formulae. Unversty of Calforna. 30th Edton. CRC ress. p Rev. Colomb. Botenol. Vol. XIV No. 1 Julo
Laboratorio 9. Equilibrio de distribución de un soluto en solventes inmiscibles
Laboratoro 9. Equlbro de dstrbuón de un soluto en solventes nmsbles Objetvo Determnar el oefente de dstrbuón de ádo aéto en el sstema agua/loroformo y agua/éter. Además, se determnará la efena de extraón
Más detallesUN POCO DE HISTORIA Prof. Teuvo Kohonen UN POCO DE HISTORIA
Self-Organzng Maps 1. Defnón.. Un poo de hstora. CONTENIDO 3. Desrpón del algortmo. L. Pablo Sergo Garía 4. Ejemplos en ejeuón. 5. Problemas 6. Aplaones. DEFINICIÓN El SOM es un algortmo para vsualzar
Más detallesUn nuevo algoritmo de búsqueda de sistemas de trading bursatil a corto plazo basado en GAPs
Un nuevo algortmo de búsqueda de sstemas de tradng bursatl a orto plazo basado en GAPs Manuel E. Fernández Garía Enrque A. de la Cal Marín Raquel Quroga Garía Dpto. de Informáta Dpto. de Informáta Dpto.
Más detallesPLANTEAMIENTO DE PROBLEMAS DE EQUILIBRIO
FACUTAD DE QUÍMICA Maestría En Ingenería Químa TERMODINÁMICA QUÍMICA Semestre 00- PANTEAMIENTO DE PROBEMAS DE EQUIIBRIO Un problema de equlbro de fases es aquel en donde dos o más fases están en ontato
Más detallesTEMA 1. MÉTODOS APROXIMADOS PARA EL CÁLCULO DE OPERACIONES DE SEPARACIÓN DE MEZCLAS MULTICOMPONENTES
Unversdad de Alante. Dpto. Ingenería Químa Amplaón de Operaones de Separaón.. Métodos apromados TEMA. MÉTODOS APROXIMADOS PARA EL CÁLCULO DE OPERACIONES DE SEPARACIÓN DE MEZCLAS MULTICOMPONENTES. INTRODUCCIÓN
Más detallesPROBLEMAS RESUELTOS ÁLGEBRA LINEAL Tema 2. Espacios Vectoriales TEMA: MATRIZ DE TRANSICIÓN Y VECTOR DE COORDENADAS
PROLEMS RESUELTOS ÁLGER LINEL Tema. Espaos Vetorales TEM: MTRIZ DE TRNSICIÓN Y VECTOR DE COORDENDS Problema : Sean las bases y de un espao vetoral defndo sobre los números omplejos:, 0,,,, {( ) ( )} (,,
Más detallesProbabilidad condicional
robabldades y Estadísta Computaón Faultad de Cenas Exatas y Naturales Unversdad de uenos res na M. ano y Elena J. Martínez 00 robabldad ondonal Consderemos una urna que ontene bolllas roas y 5 blanas.
Más detallesTeoría de juegos y empresa: un modelo de alianza - depredación
Equlbro Eonómo, ño IX, Vol. 4 No. 1, pp. 5-16 Prmer Semestre de 008 Teoría de juegos y empresa: un modelo de alanza - depredaón Jesús ntono Garía Hernández Conepón Reyes de la Cruz Jesús ntono Garía Hernández
Más detallesEstudio de la difusión de calor en sistemas de dos capas de GaAs/GaSb unidos mediante la técnica de fusión
Superfes y Vao 8, 94-98(999) Soedad Mexana de Cenas de Superfes y de Vaío. Estudo de a dfusón de aor en sstemas de dos apas de GaAs/GaSb undos medante a téna de fusón R. A. Muñoz Hernández y A. Caderón
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 detallesControl Estadístico de las Mediciones (Aplicación a la calibración de pesas)
Control Estadísto de las Medones (Aplaón a la albraón de pesas) Lus Oar Beerra antago Resuen: En etrología, y en espeal en laboratoros de albraón y pruebas es portante antener bajo ontrol etrológo los
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 detallesTRABAJO DE FIN DE CARRERA
TRABAJO DE FI DE CARRERA TITULO DEL TFC: avegaón en el sstema solar empleando asterodes omo referena TITULACIO: Engnyera Tèna Aeronàuta, espealtat Aeronavegaó AUTOR: José Lus Cha Bermejo DIRECTOR: Jord
Más detallesEsfuerzos y herencias
S E R I E estudos y perspetvas OFICINA DE LA CEPAL EN BOGOTÁ 12 Esfuerzos y herenas soales en la desgualdad de ngresos en Colomba Jaro Núñez Juan Carlos Ramírez Bbana Taboada Bogotá, ulo de 2006 Este estudo
Más detallesFundamentos de la Visión Tridimensional (3D)
Fundaentos de la Vsón Trdensonal (3D) Adqusón de nforaón 3D Índe detallado (ontnuaón) 8. La atrz fundaental 9. Vsón estereosópa trnoular. Ténas atas de adqusón de ágenes de rango. Trangulaón ata. araterístas
Más detallesAplicación de la termodinámica a las reacciones químicas Andrés Cedillo Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa
Aplcacón de la termodnámca a las reaccones químcas Andrés Cedllo Departamento de Químca Unversdad Autónoma Metropoltana-Iztapalapa Introduccón Las leyes de la termodnámca, así como todas las ecuacones
Más detallesTeoría de Sistemas y Señales
Teoría de Sstemas y Señales MODULACIÓN DE ONDA CONTINUA NB: El ontendo de este apunte es una traduón al Castellano de parte del Capítulo 3 de Communaton Systems by Smon Haykn, 3rd. Edton, Wley & Sons,
Más detallesCAPITULO 7. METODOLOGÍA DEL PLAN DE PENSIONES ALTERNATIVO. Como se explica en el capítulo 4, una anualidad es una serie de pagos que se realizan
CAPITULO 7. METODOLOGÍA DEL PLAN DE PENSIONES ALTERNATIVO 7. Anualdad de Vda Como se elca en el caítulo 4, una anualdad es una sere de agos que se realzan durante un temo determnado, nombrándose a esta
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 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 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 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 detalles9 FUENTES CONTROLADAS
9 FUENTES CONTOLDS 9 FUENTES CONTOLDS...38 9. INTODUCCIÓN....39 9. IMPEDNCIS COMO FUENTES CONTOLDS....39 9.3 TNSFOMDOES Y MPLIFICDOES...34 9.4 MPLIFICDOES DE GNNCI INFINIT....348 9.5 MPLIFICDO INVESO Y
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 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 detallesEstudio de un sistema de reconocimiento biométrico mediante firma manuscrita online basado en SVM usando Análisis Formal de Conceptos
Estudo de un sstema de reconocmento bométrco medante frma manuscrta onlne basado en SVM usando Análss Formal de Conceptos Ator Mendaza Ormaza 1, Oscar Mguel Hurtado 1, Raúl Sánchez Rello 1, Francsco Valverde
Más detallesCAPÍTULO 8 DISEÑO DE TORNILLOS
CAPÍTULO 8 DIEÑO DE TORNILLO 8.1 INTRODUCCIÓN Los tornllos son elementos que tenen fletes enrollados en forma de héle sobre una suerfe líndra y son unos de los elementos más utlzados en las máqunas. Podemos
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 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 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 detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
Más 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 detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más detallesAlgoritmo para la ubicación de un nodo por su representación binaria
Título: Ubcacón de un Nodo por su Representacón Bnara Autor: Lus R. Morera González En este artículo ntroducremos un algortmo de carácter netamente geométrco para ubcar en un árbol natural la representacón
Más detallesOferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA
Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w
Más detalles6.1 EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS
TEMA NÚMEROS COMPLEJOS. EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS DEFINICIONES Al resolver ecuacones del tpo : x + = 0 x = ± que no tene solucón en los números reales. Los números complejos nacen del deseo
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 detallesClasificación de Imágenes Usando Técnicas de Compresión de Datos
Clasfcacón de Imágenes Usando Técncas de Compresón de Datos Martha R. Quspe-Ayala * Krsta Asalde-Alvarez * Avd Roman-Gonzalez * + martharoxana_14@hotmal.com krstta@hotmal.com a.roman@eee.org * Unversdad
Más detallesTÉCNICAS AVANZADAS DE FUSIÓN DE IMÁGENES. Consuelo Gonzalo Martín (UPM) María González-Audicana
Consuelo Gonzalo Martín (UPM) María González-Audcana Madrd, 23 Abrl 2007 1.- Introduccón 2.- en la ponderacón de la nformacón 3.- en bancos de fltros 3.- en la respuesta espectral del sensor 4.- Conclusones
Más detallesCircuito Monoestable
NGENEÍA ELETÓNA ELETONA (A-0 00 rcuto Monoestable rcuto Monoestable ng. María sabel Schaon, ng. aúl Lsandro Martín Este crcuto se caracterza por presentar un únco estado estable en régmen permanente, y
Más detallesFIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS
FIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS Autores: Ángel A Juan Pérez (ajuanp@uocedu), Rafael García Martín (rgarcamart@uocedu) RELACIÓN CON OTROS MATH-BLOCS Este math-block forma parte
Más detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
Más 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 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 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 detallesGeometría y Cinemática. Control y Programación de Robots
Geometría y Cnemáta Control y Programaón de Robot Cnemáta de un Robot Manpulador Cnemáta dreta Cnemáta Invera Matrz Jaobana Cnemáta de un Robot Manpulador Cnemáta del robot : Etudo de u movmento on repeto
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 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 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 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 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 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 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 detallesCESMA BUSINESS SCHOOL
CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta
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 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 detallesSISTEMA DE RECONOCIMIENTO DE ROSTROS
SISTEMA DE RECONOCIMIENTO DE ROSTROS Categoría: Pre-grado - Alumno Área Temátca: Ingenería de Sstemas Procesamento Dgtal de Imágenes Autor Sandra María Vlla Palacos Unversdad Peruana de Cencas Aplcadas
Más detalles1.- Objetivo Alcance Metodología...3
PROCEDIMIENTO DO PARA EL CÁLCULO DEL FACTOR DE DESEMPEÑO DEL CONTROL DE FRECUENCIA (FECF) EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE 1.- Objetvo...3 2.- Alcance...3 3.- Metodología...3 3.1.- Cálculo de la
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 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 detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
Más detallesBloque 5. Probabilidad y Estadística Tema 2. Estadística descriptiva Ejercicios resueltos
Bloque 5. Probabldad y Estadístca Tema. Estadístca descrptva Ejerccos resueltos 5.-1 Dada la sguente tabla de ngresos mensuales, calcular la meda, la medana y el ntervalo modal. Ingresos Frecuenca Menos
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 detallesEstimación del consumo del consumo diario de gas a partir de lecturas periódicas de medidores
Estmacón del consumo del consumo daro de gas a partr de lecturas peródcas de meddores S.Gl, 1, A. Fazzn, 3 y R. Preto 1 1 Gerenca de Dstrbucón del ENARGAS, Supacha 636- (18) CABA- Argentna Escuela de Cenca
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 detallesObtención de mapas de similitud sísmica 2D mediante redes neuronales Oscar Rondón*, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep
Obtencón de mapas de smltud sísmca 2D medante redes neuronales Oscar Rondón, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep Resumen El desarrollo de metodologías para obtener e ntegrar nformacón de múltples
Más detallesCANTIDADES VECTORIALES: VECTORES
INSTITUION EDUTIV L PRESENTION NOMRE LUMN: RE : MTEMÁTIS SIGNTUR: GEOMETRÍ DOENTE: JOSÉ IGNIO DE JESÚS FRNO RESTREPO TIPO DE GUI: ONEPTUL - EJERITION PERIODO GRDO FEH DURION 3 11 JUNIO 3 DE 2012 7 UNIDDES
Más detallesConsideremos un sólido rígido sometido a un sistema de fuerzas en equilibrío, es decir
1. PRINIPIO E TRJOS VIRTULES El prncpo de los trabajos rtuales, en su ertente de desplazamentos rtuales, fue ntroducdo por John ernoull en 1717. La obtencón del msmo dera de la formulacón débl (o ntegral)
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 detallesGUÍA 5. Roberto Fabián Retrepo A., M. Sc. en Física Profesor Asociado Escuela de Física Universidad Nacional de Colombia
GUÍA 5 Dego Lus Arstzábal R., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal de Colomba Roberto Fabán Retrepo A., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detalles4. PROBABILIDAD CONDICIONAL
. ROBBILIDD CONDICIONL La probabldad de que ocurra un evento B cuando se sabe que ha ocurrdo algún otro evento se denomna robabldad Condconal, Se denota como (B/) y se lee como la probabldad de que ocurra
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 detallesTrabajo Especial 2: Cadenas de Markov y modelo PageRank
Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo 2015 1. Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E
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 detallesReconocimiento de caracteres manuscritos mediante información del proceso inverso en la realización de su trazo
Rev. Fac. Ing. Unv. Antoqua N. 49. pp. 73-84. Septembre, 2009 Reconocmento de caracteres manuscrtos medante nformacón del proceso nverso en la realzacón de su trazo Character recognton system usng the
Más detallesENTORNO VIRTUAL APLICADO A LA REGULACIÓN ANALÓGICA Y DIGITAL DE UN CONVERTIDOR REDUCTOR EN LAS PRÁCTICAS DE ELECTRÓNICA INDUSTRIAL
ENTONO VITUA APICADO A A EGUACIÓN ANAÓGICA Y DIGITA DE UN CONVETIDO EDUCTO EN AS PÁCTICAS DE EECTÓNICA INDUSTIA F. Javer Díaz, Francsco J. Azcondo, Chrstan Brañas, osaro Casanueva Departamento TEISA. Escuela
Más detallesSegmentación robots móviles en espacios inteligentes utilizando técnicas GPCA y minimización de funciones de energía
Segmentacón robots móvles en espacos ntelgentes utlzando técncas GPCA mnmzacón de funcones de energía Crstna Losada, Manuel Mazo, Sra Palazuelos, Francsco edondo Departamento de Electrónca. Unversdad de
Más detallesPROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos)
PROBLEMAS DE ELECTRÓNCA ANALÓGCA (Dodos) Escuela Poltécnca Superor Profesor. Darío García Rodríguez . En el crcuto de la fgura los dodos son deales, calcular la ntensdad que crcula por la fuente V en funcón
Más detallesTIPOS DE FLUJO. Tomaremos para analizar
IPOS E FLUJO Muhos sstemas de utldad práta nvoluran flujos bdmensonales, lo ual torna ompleja la resoluón matemáta de la stuaón, por ello se plantearon asos límte de omportamento de flujo: FLUJO IVISCIO
Más detallesClasificación Jerárquica de contenidos Web.
Clasfcacón Jerárquca de contendos Web. Álvaro Gascón y Marín de la Puente Unversdad Carlos III Madrd 100029648@alumnos.uc3m.es Mguel María Rodríguez Aparco Unversdad Carlos III Madrd 100021447@alumnos.uc3m.es
Más detallesTeléfono: (52)-55-5329-7200 Ext. 2432
Sstema de Montoreo Autónomo Basado en el Robot Móvl Khepera Jorge S. Benítez Read 1, Erck Rojas Ramírez 2 y Tonatuh Rvero Gutérrez Insttuto Naconal de Investgacones Nucleares Carretera Méxco-Toluca s/n,
Más 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 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 detallesCuantificación Vectorial con base en Memorias Asociativas
Cuantfcacón Vectoral con base en Memoras Asocatvas Enrque Guzmán Ramírez Insttuto de Electrónca y Computacón (953) 53 2 03 99 Ext. 200 eguzman@mxteco.utm.mx Resumen El presente trabao descrbe un nuevo
Más detallesPROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)
ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón
Más 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 detallesPARTE I. EL PODER DE MERCADO: MONOPOLIO, DISCRIMINACIÓN DE PRECIOS Y REGULACIÓN
PARTE I. EL PODER DE MERCADO: MONOPOLIO, DISCRIMINACIÓN DE PRECIOS Y REGULACIÓN Introduón La desón de roduón del monoolsta. El oder del monoolo Costes soales del monoolo. Monoolo natural y regulaón Dsrmnaón
Más detallesSQL. (Structured Query Language): Lenguaje de Consulta Estructurado
SQL (Strutured Query Language): Lenguaje de Cnsulta Estruturad NO es un lenguaje de prgramaón (n SQL n se desarrllan aplanes) es el lenguaje base de as tds ls SGBD (Sstemas Gestres de Bases de Dats). Cn
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
Más detallesEn este caso, el valor actual de una unidad monetaria pagadera al final del año de fallecimiento de
Parte III: Análss de la determnacón de las prmas en los seguros de vda y de la solvenca dnámca del asegurador cuando los tpos de nterés de valoracón venen estmados a través de números borrosos.4. SEGURO
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 detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesMÉTODO DE EQUILIBRIO DE CORTANTES Y MOMENTOS EN CIMENTACIONES, CON APLICACIÓN EN COMPUTADORA (MECYMCAC) Ramón Morales Ross 1 RESUMEN
Soedad Mexana de Inenería Etrutural MÉTODO DE EQUILIBIO DE COTANTES Y MOMENTOS EN CIMENTACIONES, CON ALICACIÓN EN COMUTADOA (MECYMCAC) amón Morale o 1 ESUMEN El objetvo de ete etudo e alular lo aentamento
Más detallesEJERCICIOS RESUELTOS TEMA 2
EJERCICIOS RESUELTOS TEMA.1. La Moda, para el grupo de Varones de la Tabla 1, es: A) 4,5; B) 17; C) 60.. Con los datos de la Tabla 1, la meda en para las Mujeres es: A) gual a la meda para los Varones;
Más detallesQué Son y Cómo se Estima La Mejor Capacidad de Medida
Todas las teorías son legítmas y nnguna tene mportana. Lo que mporta es lo que se hae on ellas. Jorge Lus Borges (1899-1986) Esrtor argentno Conjunto de teorías y de ténas que permten el aprovehamento
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 detalles