Tabla 7: Ejemplo matriz CaractE
|
|
- Ernesto Sosa Maidana
- hace 6 años
- Vistas:
Transcripción
1 8 RESULTADOS EXPERIMENTALES 8.1 MATRICES DE CARACTERÍSTICAS Con el fin de dar una idea más precisa de cómo se conforman las matrices de características usadas en el reconocimiento de patrones y qué valores toman dichas características, se muestran a continuación una serie de matrices ejemplo con los resultados obtenidos en la simulación. Cabe recordar que las matrices caracte, caracth y caractco se crean en la función Texturas con los vectores de observación obtenidos para las 2000 imágenes muestra y son estas matrices las que se pasan como entrada a la función Clasifpatron Matriz caracte En primer lugar se muestran los vectores con los descriptores de energía de algunas imágenes muestra: la primera y la última imagen muestra de los grupos 1, 2 y 20. Estos vectores están compuestos por la energía de las 12 sub-imágenes Wavelet obtenidas al transformar la imagen muestra correspondiente. Grupo Vector observ H1 0, , , , , , H2 0, , , , , , H3 0, , , , , , H4 1, , , , , , V1 0, , , , , , V2 0, , , , , , V3 0, , , , , , V4 0, , , , , , D1 0, , , , , , D2 0, , , , , , D3 0, , , , , , D4 0, , , , , ,00091 Tabla 7: Ejemplo matriz CaractE Se observa que la energía normalizada de las sub-imágenes Wavelet del primer nivel de descomposición, H1, V1 y D1, es menor ya que corresponde a las altas frecuencias en las que el espectro de una imagen tiende a cero. Sin embargo, la energía de las imágenes del último nivel de descomposición es mayor, H4, V4 y D4, ya que en las bajas frecuencias es donde se acumula la energía de las imágenes Matriz caracth Esta matriz contiene los dos parámetros que definen el modelo del histograma correspondiente a cada una de las 12 sub-imágenes Wavelet. La siguiente tabla muestra los vectores de observación con estos parámetros para algunas imágenes muestra: la primera y la última imagen muestra de los grupos 1, 2 y 20. Se observa que la varianza, dada por el parámetro α, es mayor para las sub-imágenes del nivel superior, H4, V4 y D4, que para las del primer nivel, H1, V1 y D1. La varianza es una medida del la anchura del histograma, y por tanto, da una idea de su dispersión. De los resultados obtenidos se concluye que las sub-imágenes con los detalles más finos (obtenidas en el primer nivel, correspondiente a las frecuencias más altas) son más homogéneas, mientras que las sub-imágenes de detalles más gruesos muestran un mayor contraste y por tanto se aprecian mejor. Esta conclusión se puede apreciar en el ejemplo de la figura 36. Extracción de características de textura basada en la transformada Wavelet discreta 52
2 Grupo Vector observ Alfa H1 0, , , , , , Alfa H2 0, , , , , , Alfa H3 1, , , , , , Alfa H4 1, , , , , , Alfa V1 0, , , , , , Alfa V2 0, , , , , , Alfa V3 0, , , , , , Alfa V4 0, , , , , , Alfa D1 0, , , , , , Alfa D2 0, , , , , , Alfa D3 0, , , , , , Alfa D4 0, , , , , , Beta H1 2, , , , , , Beta H2 2, , , , , , Beta H3 3, , , , , , Beta H4 2, , , , , , Beta V1 3, , , , , , Beta V2 3, , , , , , Beta V3 3, , , , , , Beta V4 3, , , , , , Beta D1 2, , , , , , Beta D2 2, , , , , , Beta D3 3, , , , , , Beta D4 2, , , , , ,01128 Tabla 8: Ejemplo matriz CaractH Nivel1 Nivel 2 Nivel 3 Nivel 4 Figura 36: Contraste de las imágenes de detalles dado por α Matriz caractco La matriz caractco contiene los vectores de co-ocurrencia con los 8 descriptores de la matriz de coocurrencia de las 12 sub-imágenes de detalles Wavelet organizados según se muestra en la siguiente tabla. Las dos últimas columnas muestran el resultado dado por Matlab, sin sesgar. Se observa que ofrece una enorme precisión lo que permite comparar los valores tan similares que presentan los vectores de características. Luego se analizarán los resultados para los distintos descriptores. Extracción de características de textura basada en la transformada Wavelet discreta 53
3 Grupo 1 20 Vector observ Contraste H1 150, , , , Contraste H2 1413, ,84 883, , Contraste H3 3443, , , , Contraste H4 2358, , , , Contraste V1 61, , , , Contraste V2 251, , , , Contraste V3 498, , , , Contraste V4 807, , , , Contraste D1 16, , , , Contraste D2 171, , , , Contraste D3 584, , , , Contraste D4 1166, , , , H1 0, , , , H2 0, , , , H3 0, , , , H4 0, , , , V1 0, , , , V2 0, , , , V3 0, , , , V4 0, , , , D1 0, , , , D2 0, , , , D3 0, , , , D4 0, , , , Entropía H1 6, , , , Entropía H2 7, , , , Entropía H3 7, , , , Entropía H4 6, , , , Entropía V1 5, , , , Entropía V2 7, , , , Entropía V3 7, , , , Entropía V4 7, , , , Entropía D1 4, , , , Entropía D2 6, , , , Entropía D3 7, , , , Entropía D4 7, , , , Homogeneidad H1 0, , , , Homogeneidad H2 0, , , , Homogeneidad H3 0, , , , Homogeneidad H4 0, , , , Homogeneidad V1 0, , , , Homogeneidad V2 0, , , , Homogeneidad V3 0, , , , Homogeneidad V4 0, , , , Homogeneidad D1 0, , , , Homogeneidad D2 0, , , , Homogeneidad D3 0, , , , Homogeneidad D4 0, , , , Extracción de características de textura basada en la transformada Wavelet discreta 54
4 Grupo 1 20 Vector observ Prob. Máx. H1 0, , , , Prob. Máx. H2 0, , , , Prob. Máx. H3 0, , , , Prob. Máx. H4 0, , , , Prob. Máx. V1 0, , , , Prob. Máx. V2 0, , , , Prob. Máx. V3 0, , , , Prob. Máx. V4 0, , , , Prob. Máx. D1 0, , , , Prob. Máx. D2 0, , , , Prob. Máx. D3 0, , , , Prob. Máx. D4 0, , , , Tonalidad H1 3645, , , , Tonalidad H , , , , Tonalidad H , , , , Tonalidad H , , , , Tonalidad V1 2182, , , , Tonalidad V , , , , Tonalidad V , , , , Tonalidad V , , , , Tonalidad D1 142, , , , Tonalidad D2 9192, , , , Tonalidad D , , , , Tonalidad D , , , , Importancia H , , , , Importancia H , , , , Importancia H , , , , Importancia H , , , , Importancia V , , , , Importancia V , , , , Importancia V , , , , Importancia V , , , , Importancia D1 2845, , , , Importancia D , , , , Importancia D , , , , Importancia D , , , , Correlación H1-0, , , , Correlación H2-0, , , , Correlación H3-0, , , , Correlación H4-0, , , , Correlación V1-0, , , , Correlación V2-0, , , , Correlación V3-0, , , , Correlación V4-0, , , , Correlación D1-0, , , , Correlación D2-0, , , , Correlación D3-0, , , , Correlación D4-0, , , , Tabla 9: Ejemplo matriz CaractCO Extracción de características de textura basada en la transformada Wavelet discreta 55
5 El primer descriptor es el contraste en el que se vuelve a poner de manifisto lo expresado por el parámetro α del histograma: las sub-imágenes de detalles gruesos (H4, V4 y D4) tienen mayor contraste que las de los detalles finos (H1, V1, y D1). La energía también confirman los resultados obtenidos en el apartado 8.1.1: la energía es menor a mayor frecuencia (sub-imágenes H1, V1 y D1) La entropía mide la aleatoriedad de la imagen, alcanzando su máximo cuando todos los elementos de la matriz de coocurrencia son iguales. Observando los resultados se concluye que la entropía no depende de si las sub-imágenes son de alta o baja frecuencia. Las sub-imágenes de baja frecuencia (H4, V4 y D4) son más homogéneas ya que los detalles son mayores y por tanto la imagen varía poco de unos píxeles a otros. Al contrario ocurre con las sub-imágenes de alta frecuencia (H1, V1 y D1) en la que los píxeles varían mucho de uno a otro y muestran los detalles finos. El siguiente descriptor indica la probabilidad máxima de que un píxel co-suceda con cualquier otro. Cuanto mayor sea indica que hay menos probabilidad de que se produzcan otras relaciones entre píxeles, y esto ocurre para sub-imágenes de detalles gruesos. Tanto la tonalidad como la importancia aumentan conforme disminuye la frecuencia, son menores para imágenes de detalles finos. Las imágenes con los detalles más gruesos están más correladas ya que al deplazarlas siguen siendo bastante similares porque son imágenes relativamente homogéneas. Sin embargo las de detalles finos varían al desplazarse porque hay muchos detalles pequeños y no coinciden. 8.2 MATRICES DE ÍNDICES Y CLASIFICACIÓN Para seguir ilustrando en el proceso de reconocimiento de texturas, se toma la matriz de energía caracte como ejemplo. Ésta será la que se le pase como entrada a la función Clasifpatron, la cual lo primero que obtiene es la matriz que almacena los índices de las características ordenados según importancia a la hora de clasificar patrones, mediante la instrucción rankfeatures. La siguiente tabla muestra el resultado: Grupo Mayor importancia Menor importancia Tabla 10: Índices de las características de energía ordenados según su significancia para cada tipo de textura Las características a las que corresponden estos índices vienen indicadas en la primera columna de la tabla 7 con la matriz caracte. Extracción de características de textura basada en la transformada Wavelet discreta 56
6 Posteriormente se clasifica siguiendo el método del vecino más cercano (k-nearest neighbor) mediante un algoritmo leave-one-out, como se ha explicado en apartados anteriores. Además, el reconocimiento de patrones se ha hecho tomando, al principio, sólo la característica más significativa (indicada por el índice de la primera fila de la tabla 10, para cada grupo). Luego tomando las dos características más importantes, las tres primeras,, y así sucesivamente hasta tener en cuenta para la clasificación todas las características de energía (en este ejemplo) en el orden dado por las columnas de la tabla 10 para cada grupo. Hay que tener presente que el grupo es conocido a priori. Las clases asignadas a cada vector de observación se almacenan en la matriz class, donde cada fila se corresponde con el número de características utilizadas en la clasificación, NOF, y las columnas se corresponden con los vectores identificados. Grupo NOF Tabla 11: Clases asignadas a 20 vectores de observación del grupo 1 en función de NOF La tabla 11 expone las clases asignadas a los primeros 20 vectores de observación tras la clasificación, en función del número de características consideradas, NOF, según se ha explicado más arriba. En realidad hay hasta 2000 vectores de características pero esta pequeña selección de una idea bastante precisa de cómo, a partir de un cierto número de características consideradas, la clase asignada se ajusta al grupo real al que pertenecen estos vectores de observación (grupo 1): 8.3 TASA DE ACIERTOS La instrucción classperf compara el vector clase, que almacena el resultado de clasificar los 2000 vectores de observación utilizando un número determinado de características (fila de la matriz class, tabla 11), con el vector grupo que contiene el tipo al que pertenece realmente cada vector de observación. A partir del resultado devuelto por classperf se puede conseguir la tasa de error o la tasa. Las siguientes tablas muestran las tasas en el reconocimiento utilizando los tres tipos de características calculados de las sub-imágenes de detalles, en función del número de dichas características usadas en la comparación. También se muestra el porcentaje correcto cuando se unen las características de histograma y co-ocurrencia. NOF ,2935 0,465 0,5705 0,666 0,7305 0,769 0,783 0,799 0,8205 0,8225 0,8305 0,8345 Tabla 12: Tasa s al clasificar con NOF características de Extracción de características de textura basada en la transformada Wavelet discreta 57
7 NOF ,31 0,4955 0,6235 0,6945 0,727 0,749 0,8035 0,816 0,843 0,85 0,863 0,879 NOF ,887 0,8865 0,8945 0,8935 0,896 0,8975 0,8995 0,9 0,9 0,9005 0,8985 0,894 Tabla 13: Tasa s al clasificar con NOF características de NOF ,366 0,524 0,632 0,682 0,717 0,797 0,8175 0,837 0,847 0,8545 0,8635 0,859 NOF ,8645 0,869 0,869 0,868 0,8765 0,874 0,892 0,8885 0,893 0,89 0,8895 0,8955 NOF ,894 0,8975 0,8975 0,8955 0,905 0,906 0,909 0,9085 0,907 0,907 0,9055 0,907 NOF ,9085 0,913 0,9155 0,9125 0,9125 0,9135 0,911 0,9135 0,9135 0,912 0,911 0,913 NOF ,9105 0,914 0,915 0,916 0,916 0,9155 0,916 0,9165 0,9155 0,9155 0,915 0,917 NOF ,9195 0,9215 0,9225 0,9205 0,9195 0,917 0,9225 0,922 0,9255 0,9255 0,9245 0,924 NOF ,9225 0,922 0,922 0,922 0,921 0,9225 0,9215 0,922 0,9225 0,921 0,923 0,924 NOF ,923 0,9215 0,92 0,919 0,9215 0,921 0,9215 0,9215 0,9205 0,9215 0,92 0,921 Tabla 14: Tasa s al clasificar con NOF características de NOF ,3815 0,5455 0,617 0,691 0,7375 0,778 0,8085 0,8285 0,8455 0,8535 0,859 0,8575 NOF ,8735 0,8695 0,879 0,8785 0,8835 0,8775 0,888 0,892 0,8885 0,898 0,8995 0,897 NOF ,8985 0,903 0,903 0,9 0,9025 0,904 0,9105 0,9095 0,9055 0,9085 0,9065 0,9025 Extracción de características de textura basada en la transformada Wavelet discreta 58
8 NOF ,905 0,9125 0,9155 0,9205 0,9185 0,92 0,919 0,915 0,9135 0,9165 0,9155 0,9185 NOF ,920 0,9185 0,917 0,9225 0,924 0,9245 0,9235 0,9225 0,920 0,9225 0,9235 0,9245 NOF ,925 0,9265 0,922 0,926 0,9215 0,9205 0,922 0,922 0,921 0,917 0,9175 0,9155 NOF ,918 0,918 0,92 0,9205 0,92 0,921 0,925 0,926 0,926 0,9225 0,9225 0,9245 NOF ,922 0,9235 0,9255 0,926 0,922 0,919 0,921 0,922 0,9235 0,9235 0,925 0,9255 NOF ,9255 0,928 0,924 0,922 0,9225 0,9215 0,9245 0,9245 0,9245 0,9235 0,9215 0,923 NOF ,9215 0,922 0,921 0,9225 0,9235 0,9255 0,927 0,926 0,9255 0,925 0,9245 0,9255 Tabla 15: Tasa s al clasificar con NOF características de y Coocurrencia Estos datos se muestran de forma gráfica en la siguiente figura, donde aparece el porcentaje de aciertos en función del número de características (NOF) usadas para obtener el vecino más cercano, para cada tipo de vector de observación: Extracción de características de textura basada en la transformada Wavelet discreta 59
9 Figura 37: de la clasificación Los primero que se aprecia es que la tasa se mantiene a partir de un número determinado de características consideradas de los vectores de observación. En cuanto a las características que mejor definen la textura, las características de histograma más co-ocurrencia son las que mejor resultado dan. También se consiguen excelentes resultados con las características de co-ocurrencia y ligeramente menores para características de histograma. La energía sin embargo da resultados bastante más discretos, aunque tiene a favor su sencillez. Todo el proceso de reconocimiento de patrones de textura se ha realizado para un conjunto de 20 imágenes correspondientes a los 20 tipos diferentes de textura patrón y los resultados obtenidos son los mostrados hasta ahora. Para comprobar que los resultados son correctos se ha aplicado de nuevo todo el proceso a un segundo conjunto de 20 imágenes patrón pertenecientes a los distintos grupos de textura. Su resultado se muestra en la figura 37 donde se observa que los resultados son similares: Extracción de características de textura basada en la transformada Wavelet discreta 60
10 Figura 38: de la clasificación de otro conjunto de imágenes patrón Todos estos métodos de identificación de texturas (,, y + ) clasifican las imágenes de texturas en su grupo correcto en un porcentaje bastante elevado, que varía según el método elegido. Sin embargo, existe cierto porcentaje de error, que supone que las imágenes a veces se clasifican en grupos erróneos. Los próximos cuadros indican los grupos a los que se asocian de forma errónea las imágenes de un determinado tipo de textura. Esto sólo ocurre para un porcentaje mínimo clasificación errónea: 16.55% para energía, 9.95% para histograma, 7.45% para co-ocurrencia y 7.35% para histograma+co-ocurrencia. Se observa que, aunque a veces las texturas se clasifican mal, los grupos a los que se asignan en esos casos se parecen mucho a su grupo real Pared ladrillo 11. Madera 11. Madera 2. Arena 20. Trazo suave 1. AGUA + 4. Bolitas _ 2. ARENA Extracción de características de textura basada en la transformada Wavelet discreta 61
11 + 5. Burbujas 4. Bolitas 4. Bolitas 4. Bolitas 9. Granos café 9. Granos café 9. Granos café 9. Granos café 3. ARROZ 18. Rocas 17. Piel JAPONÉS + 2. Arena 13. Mimbre 9. Granos café 4. BOLITAS + 3. Arroz japonés 9. Granos café 3. Arroz japonés 15. Papel mano 5. BURBUJAS + 3. Arroz japonés 17. Piel 6. CORCHO 7. CUARZO 2. Arena + Extracción de características de textura basada en la transformada Wavelet discreta 62
12 8. FLOR SECA 19. Tela encaje 20. Trazo suave 19. Tela encaje 20. Trazo suave + 4. Bolitas 4. Burbujas Mimbre 9. GRANOS 13. Mimbre CAFÉ 10. GUIJARROS 2. Arena 4. Bolitas 2. Arena 2. Arena + 2. Arena MADERA 12. MÁRMOL + Extracción de características de textura basada en la transformada Wavelet discreta 63
13 + 13. MIMBRE 14. NUBE PAPEL MANO PARED LADRILLO + 6. Corcho 17. PIEL Extracción de características de textura basada en la transformada Wavelet discreta 64
14 + 4. Bolitas 19. Tela encaje 5. Burbujas 5. Burbujas 19. Tela encaje 18. ROCAS TELA 18. Rocas 18. Rocas ENCAJE 3. Arroz japonés 11. Madera 3. Arroz japonés TRAZO 19. Tela encaje 19. Tela encaje SUAVE Extracción de características de textura basada en la transformada Wavelet discreta 65
BLOQUE IV. CLASIFICACIÓN
BLOQUE IV. CLASIFICACIÓN CAPÍTULO 11 Clasificación de mínima distancia. IV. 11.1 Pasos para realizar la clasificación. Es necesario comentar que se trata de una clasificación muy básica, que, en este caso,
Más detallesANEXO 1. CALIBRADO DE LOS SENSORES.
ANEXO 1. CALIBRADO DE LOS SENSORES. Las resistencias dependientes de la luz (LDR) varían su resistencia en función de la luz que reciben. Un incremento de la luz que reciben produce una disminución de
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Más detallesTema 2. Descripción Conjunta de Varias Variables
Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesDISTRIBUCIÓN NORMAL CAPÍTULO 16
CAPÍTULO 6 DISTRIBUCIÓN NORMAL Cuando los datos están distribuidos con frecuencias ascendentes-descendentes aproimadamente simétricas, se le llama distribución normal. Cuando se trata de una variable discreta,
Más detallesCAPÍTULO 4. ANÁLISIS DE LA INFLUENCIA DEL INTERVALO DE TIEMPO UTILIZADO EN EL SEGUIMIENTO EN LOS RESULTADOS DE LA PREVISIÓN
CAPÍTULO 4. ANÁLISIS DE LA INFLUENCIA DEL INTERVALO DE TIEMPO UTILIZADO EN EL SEGUIMIENTO EN LOS RESULTADOS DE LA PREVISIÓN En este capítulo se analiza la influencia del intervalo de tiempo utilizado para
Más detallesU.D.1: Análisis estadístico de una variable Consideraciones iniciales: Propuesta: 1.1 Distribución de frecuencias. Variables Cualitativas: Ejemplo
U.D.1: Análisis estadístico de una variable Consideraciones iniciales: - Población: Es el conjunto de todos los elementos que cumplen una determinada característica. Ej.: Alumnos del colegio. - Individuo:
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión
Más detallesTomamos como imagen de prueba la figura 4.17 en escala de grises. Figura Imagen de prueba.
4.3 PARÁMETRO DE ESCALADO Para el caso del parámetro de escalado se va a proceder de la siguiente forma. Partimos de una imagen de referencia (imagen A), a la cual se le aplican cambios de translación
Más detalles6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS Velocidad de retorno del rayo con distribución uniforme
Aplicación de redes neuronales en el cálculo de sobretensiones y tasa de contorneamientos 233 6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS 6.4.1. Introducción Como ya
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más detallesPanamá Factores asociados TERCE
Panamá Factores asociados TERCE a) Desempeño de los estudiantes La tabla 1 expone los resultados de Panamá en las pruebas TERCE y su comparación con el rendimiento promedio regional. Como se muestra, Panamá
Más detalles1. Caso no lineal: ajuste de una función potencial
1. Caso no lineal: ajuste de una función potencial La presión (P) y el volumen (V ) en un tipo de gas están ligados por una ecuación del tipo PV b = a, siendo a y b dos parámetros desconocidos. A partir
Más detallesEJERCICIOS RESUELTOS TEMA 1.
EJERCICIOS RESUELTOS TEMA 1. 1.1. El proceso por el cual se asignan números a objetos o características según determinadas reglas se denomina: A) muestreo; B) estadística; C) medición. 1.2. Mediante la
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesAnálisis de la habitabilidad urbana
Análisis de la habitabilidad urbana La escena urbana se caracteriza por reunir un conjunto de elementos que crean entre sí un determinado ambiente. La calidad de un ambiente estará vinculada a las condiciones
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesEstrategia de Carrera en Remo durante los Juegos Olímpicos de Sydney Dr. Valery Kleshnev Instituto Australiano de Deportes (AIS)
Estrategia de Carrera en Remo durante los Juegos Olímpicos de Sydney Dr. Valery Kleshnev Instituto Australiano de Deportes (AIS) INTRODUCCIÓN Los juegos olímpicos de Sydney fueron de agrado para los remeros
Más detallesAPUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES
APUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES Ignacio López Torres. Reservados todos los derechos. Prohibida la reproducción total o parcial de esta obra, por cualquier medio electrónico
Más detallesen Enfermería del Trabajo
revista noviembre:maquetación 1 16/11/2011 6:27 Página 30. 203 Metodología de la investigación Metodología de Investigación en Enfermería del Trabajo Autor Romero Saldaña M Enfermero Especialista en Enfermería
Más detallesDr. Richard Mercado Rivera 18 de agosto de 2012 Matemática Elemental
Universidad de Puerto Rico Recinto de Aguadilla Programa CeCiMat Elemental Definición de conceptos fundamentales de la Estadística y la Probabilidad y su aportación al mundo moderno Dr. Richard Mercado
Más detallesDistancia focal de una lente convergente (método del desplazamiento) Fundamento
Distancia focal de una lente convergente (método del desplazamiento) Fundamento En una lente convergente delgada se considera el eje principal como la recta perpendicular a la lente y que pasa por su centro.
Más detallesTeoría de errores -Hitogramas
FÍSICA I Teoría de errores -Hitogramas Autores: Pablo Iván ikel - e-mail: pinikel@hotmail.com Ma. Florencia Kronberg - e-mail:sil_simba@hotmail.com Silvina Poncelas - e-mail:flo_kron@hotmail.com Introducción:
Más detallesEstadística Descriptiva. SESIÓN 11 Medidas de dispersión
Estadística Descriptiva SESIÓN 11 Medidas de dispersión Contextualización de la sesión 11 En la sesión anterior se explicaron los temas relacionados con la dispersión, una de las medidas de dispersión,
Más detallesPRÁCTICA PD4 REGULACIÓN DE VOLTAJE CON DIODOS ZENER
elab, Laboratorio Remoto de Electrónica ITEM, Depto. de Ingeniería Eléctrica PRÁCTICA PD4 REGULACIÓN DE OLTAJE CON DIODO ENER OBJETIO Analizar teóricamente y de forma experimental la aplicación de diodos
Más detallesMicrosoft Project 2013
Microsoft Project 2013 SALOMÓN CCANCE Project 2013 Salomón Ccance www.ccance.net CCANCE WEBSITE ANEXO 2. MANEJO DE VISTAS Y TABLAS. 2.1. ELEMENTOS DE VISUALIZACIÓN DE MICROSOFT OFFICE PROJECT PROFESSIONAL
Más detallesPráctica 9: Anova (2).
Práctica 9: Anova (2) Dedicamos esta práctica al estudio de modelos bifactoriales del análisis de la varianza Veremos concretamente diseños bifactoriales con y sin interacción, diseño por bloques al azar
Más detallesESTADÍSTICA SEMANA 3
ESTADÍSTICA SEMANA 3 ÍNDICE MEDIDAS DESCRIPTIVAS... 3 APRENDIZAJES ESPERADOS... 3 DEFINICIÓN MEDIDA DESCRIPTIVA... 3 MEDIDAS DE POSICIÓN... 3 MEDIDAS DE TENDENCIA CENTRAL... 4 MEDIA ARITMÉTICA O PROMEDIO...
Más detallesECUACIÓN GENERAL DE LA RECTA
ECUACIÓN GENERAL DE LA RECTA Sugerencias para quien imparte el curso En los ejemplos que se proponen, se debe tratar en la medida de lo posible que el propio alumno encuentre las respuestas y llegue a
Más detallesClase III - Control de corriente en inversores de tensión
Clase III - Control de corriente en inversores de tensión Laboratorio de Instrumentación y Control, Facultad de Ingeniería, Universidad Nacional de Mar del Plata 8 de noviembre de 2012 Introducción Esquema
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detallesLa recta en el plano.
1 CONOCIMIENTOS PREVIOS. 1 La recta en el plano. 1. Conocimientos previos. Antes de iniciar el tema se deben de tener los siguientes conocimientos básicos: Intervalos y sus definiciones básicas. Representación
Más detallesCLASIFICACIÓN DE ESTABLECIMIENTOS Y SEDES. Diciembre 2014
CLASIFICACIÓN DE ESTABLECIMIENTOS Y SEDES Diciembre 2014 METODOLOGÍA Definida por la resolución 503 del 22 de Julio de 2014. La clasificación se genera después de cada aplicación de SABER 11, es decir,
Más detalles1. Dado el siguiente volumen de ventas de una empresa y su gasto en I+D en miles. Prediga las ventas de este empresario para un gasto en I+D de 7.
MODELO A Examen de Estadística Económica (2407) 20 de junio de 2009 En cada pregunta sólo existe UNA respuesta considerada más correcta. Si hay dos correctas deberá escoger aquella respuesta que tenga
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detalles15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos:
15. Regresión lineal Este tema, prácticamente íntegro, está calacado de los excelentes apuntes y transparencias de Bioestadística del profesor F.J. Barón López de la Universidad de Málaga. Te recomiendo
Más detallesNIVEL ELEMENTAL BATERÍA DE APTITUDES DE TEA
Copyright 2014 by TEA Ediciones AUTORES: INFORME: D. Arribas SOLUCIÓN INFORMÁTICA: X. Minguijón DISEÑO: R. Sánchez BAT-7 NIVEL ELEMENTAL BATERÍA DE APTITUDES DE TEA Informe psicopedagógico PERFIL Id: Edad:
Más detallesCurso de Estadística Aplicada a las Ciencias Sociales
Curso de Estadística Aplicada a las Ciencias Sociales Tema 6. Descripción numérica (2) Capítulo 5 del manual Tema 6 Descripción numérica (2) Introducción 1. La mediana 2. Los cuartiles 3. El rango y el
Más detallesVisión por computadora Computer vision
Visión por computadora Computer vision Conjunto de algoritmos que permiten obtener una representación visual del mundo, suficiente para la realización de una tarea dada. Representación visual El mundo:
Más detalles!!!!!!!!! TEMA 1: DIBUJO 1.INSTRUMENTOS 2.SOPORTES 3.BOCETOS, CROQUIS Y PLANOS 4.VISTAS 5.PERSPECTIVAS
TEMA 1: DIBUJO 1.INSTRUMENTOS 2.SOPORTES 3.BOCETOS, CROQUIS Y PLANOS 4.VISTAS 5.PERSPECTIVAS 1.INSTRUMENTOS Lápices Son los principales instrumentos de trazado. Se fabrican en madera y llevan en su interior
Más detalles6.4 TECNICAS DE SEGMENTACION
6.4 TECNICAS DE SEGMENTACION Procedimientos estadísticos que, tomando como input la información recopilada sobre las bases de segmentación (criterios de segmentación) consideradas pertinentes, permitan
Más detallesGRAFICOS DE CONTROL DATOS TIPO VARIABLES
GRAFICOS DE CONTROL DATOS TIPO VARIABLES OBJETIVO DEL LABORATORIO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control, para realizar
Más detallesArgentina Factores asociados TERCE
Factores asociados TERCE a) Desempeño de los estudiantes La tabla 1 expone los resultados de en las pruebas TERCE y su comparación con el promedio de rendimiento regional. Como se observa, los estudiantes
Más detallesResistores en circuitos eléctricos
Resistores en circuitos eléctricos Experimento : Resistencias en circuitos eléctricos Estudiar la resistencia equivalente de resistores conectados tanto en serie como en paralelo. Fundamento Teórico. Cuando
Más detallesProcesos estocásticos
Procesos estocásticos Las cadenas de Markov estudian procesos estocásticos Los procesos estocásticos son modelos matemáticos que describen sistemas dinámicos sometidos a procesos aleatorios Parámetros:
Más detallesSESION 12 LA DISTRIBUCIÓN BINOMIAL
SESION LA DISTRIBUCIÓN BINOMIAL I. CONTENIDOS:. La distribución omial.. Variables aleatorias en una distribución omial. 3. Descripciones de la distribución omial. 4. Distribución de Poisson. II. OBJETIVOS:
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detalles1.- Diagrama de barras
1.- Diagrama de barras Un diagrama de barras se utiliza para de presentar datos cualitativos o datos cuantitativos de tipo discreto (variables tipo II). Se representan sobre unos ejes de coordenadas, en
Más detallesPráctica 2: Intervalos de confianza y contrastes con SPSS 1
Estadística Aplicada Curso 2010/2011 Diplomatura en Nutrición Humana y Dietética Práctica 2: Intervalos de confianza y contrastes con SPSS 1 El objetivo de esta práctica es aprender a calcular intervalos
Más detallesEl determinante de una matriz se escribe como. Para una matriz, el valor se calcula como:
Materia: Matemática de 5to Tema: Definición de Determinantes Marco Teórico Un factor determinante es un número calculado a partir de las entradas de una matriz cuadrada. Tiene muchas propiedades e interpretaciones
Más detallesConstrucción de Gráficas en forma manual y con programados
Universidad de Puerto Rico en Aguadilla División de Educación Continua y Estudios Profesionales Proyecto CeCiMaT Segunda Generación Tercer Año Título II-B, Mathematics and Science Partnerships Construcción
Más detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detallesCentro Asociado Palma de Mallorca. Tutor: Antonio Rivero Cuesta
Centro Asociado Palma de Mallorca Arquitectura de Ordenadores Tutor: Antonio Rivero Cuesta Unidad Didáctica 1 Representación de la Información y Funciones Lógicas Tema 1 Representación de la Información
Más detallesRelación entre la altura y la distancia del suelo al ombligo
Relación entre la altura y la distancia del suelo al ombligo JULIA VIDAL PIÑEIRO Los 79 datos usados para realizar el estudio estadístico de la relación altura- distancia al ombligo, se tomaron a personas
Más detallesEspacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21
Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesCAPITULO II ANÁLISIS DEL CRECIMIENTO POBLACIONAL Y CALCULO DE CAUDALES DE DISEÑO
9 CAPITULO II ANÁLISIS DEL CRECIMIENTO POBLACIONAL Y CALCULO DE CAUDALES DE DISEÑO 2.1 Criterios de diseño para el predimensionamiento de los sistemas de abastecimiento de agua 2.1.1 Período de diseño
Más detallesESCUELA INDUSTRIAL SUPERIOR. Normas consultadas: IRAM 1505:2005 Agregados. Análisis Granulométrico. G-9 a G-11: Agregado fino
ESCUELA INDUSTRIAL SUPERIOR Anexa a la Facultad de Ingeniería Química UNIVERSIDAD NACIONAL DEL LITORAL Especialidad: Construcciones Asignatura: Materiales de Construcción Tema: Agregado gruesos Análisis
Más detallesMETODOLOGIA AVANZADA PARA CHEQUEO Y RECONOCIMIENTO DE LA SEGURIDAD ESTRUCTURAL.
SEMANA CALIDAD MURCIA, Marzo de 2015 METODOLOGIA AVANZADA PARA CHEQUEO Y RECONOCIMIENTO DE LA SEGURIDAD ESTRUCTURAL. Para la exposición de este trabajo, se parte de la existencia de la única referencia
Más detallesNúmeros reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos.
MATEMÁTICAS I Contenidos. Aritmética y álgebra: Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. Resolución e interpretación gráfica de ecuaciones e
Más detallesCómo se hace la Prueba t a mano?
Cómo se hace la Prueba t a mano? Sujeto Grupo Grupo Grupo Grupo 33 089 74 5476 84 7056 75 565 3 94 8836 75 565 4 5 704 76 5776 5 4 6 76 5776 6 9 8 76 5776 7 4 78 6084 8 65 45 79 64 9 86 7396 80 6400 0
Más detallesEstadística aplicada a la comunicación
Estadística aplicada a la comunicación Tema 5: Análisis de datos cuantitativos I: estadística descriptiva b. Análisis bivariante OpenCourseWare UPV/EHU Unai Martín Roncero Departamento de Sociología 2
Más detallesInicio. Cálculos previos GRASP. Resultados. Fin. Figura 5.1: Diagrama de flujo del algoritmo.
5. DISEÑO FUNCIONAL En este apartado vamos a detallar los diagramas funcionales que han constituido la base para la posterior implantación informática de la metaheurística. 5.1. Diseño funcional del algoritmo
Más detalles7ª Práctica. Matlab página 1 EJERCICIO 1. ORDENAR UN VECTOR CON EL MÉTODO DE LA BURBUJA...1
7ª Práctica. Matlab página 1 PROGRAMACIÓN EN MATLAB PRÁCTICA 07 ORDENACIÓN VECTORES Y MATRICES EJERCICIOS REPASO PARA EL EXAMEN EJERCICIO 1. ORDENAR UN VECTOR CON EL MÉTODO DE LA BURBUJA...1 EJERCICIO
Más detallesJesús Eduardo Pulido Guatire, marzo Diagrama de Dispersión y Correlación Lineal Simple
Jesús Eduardo Pulido Guatire, marzo 0 Diagrama de Dispersión y Correlación Lineal Simple Hasta el momento el trabajo lo hemos centrado en resumir las características de una variable mediante la organización
Más detallesTrabajo opcional tema 3: modulación lineal
Trabajo opcional tema 3: modulación lineal Alberto Mateos Checa I. Telecomunicación 2 Trabajo opcional tema 3: modulación lineal ÍNDICE DE CONTENIDOS: 1. Introducción.... 3 2. Diseño.... 3 2.1. Sistema
Más detalles9. Análisis en frecuencia: lugar de las raíces
Ingeniería de Control I Tema 9 Análisis en frecuencia: lugar de las raíces 1 9. Análisis en frecuencia: lugar de las raíces Introducción: Criterios de argumento y magnitud Reglas de construcción Ejemplo
Más detallesEjemplos y ejercicios de. Estadística Descriptiva. yanálisis de Datos. 2 Descripción estadística de una variable. Ejemplos y ejercicios.
ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS Ejemplos y ejercicios de Estadística Descriptiva yanálisis de Datos Diplomatura en Estadística Curso 007/08 Descripción estadística de una variable. Ejemplos
Más detallesSISTEMA DE ASISTENCIA AL REGANTE (SAR)
Recomendaciones Semanales de Riego para Fresa en la Comarca Costa Occidental de Huelva (11 al 17 de enero de 2017) Occidental de Huelva (4 al 10 de enero de 2017). / [Gavilán Zafra, P.]. Córdoba. Consejería
Más detallesNOCIONES DE ESTADÍSTICA CURSO PRÁCTICO DE CLIMATOLOGÍA 2012
NOCIONES DE ESTADÍSTICA CURSO PRÁCTICO DE CLIMATOLOGÍA 2012 Matilde Ungerovich- mungerovich@fisica.edu.uy DEFINICIÓN PREVIA: Distribución: función que nos dice cuál es la probabilidad de que cada suceso
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detallesPuntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I. L.A. y M.C.E. Emma Linda Diez Knoth
1 Puntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I Qué es la Puntuación Z? 2 Los puntajes Z son transformaciones que se pueden hacer a los valores o puntuaciones de una distribución normal, con el propósito
Más detallesSistemas de ecuaciones lineales
Sistemas de ecuaciones lineales TIPOS DE SISTEMAS. DISCUSIÓN DE SISTEMAS. Podemos clasificar los sistemas según el número de soluciones: Incompatible. No tiene solución Compatible. Tiene solución. Compatible
Más detallesEstadística Descriptiva
M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Desde la segunda mitad del siglo anterior, el milagro industrial sucedido en Japón, hizo
Más detalles5. ANÁLISIS DE LA ENERGÍA HIDRÁULICA 2012
5. ANÁLISIS DE LA ENERGÍA HIDRÁULICA 1 Análisis del coste de los desvíos 59 Análisis del coste de los desvíos 5.1 Coste de los desvíos de la energía hidráulica El mismo estudio que se ha realizado anteriormente
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesEjercicio 1(10 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Segundo Parcial Montevideo, 4 de julio de 2015. Nombre: Horario del grupo: C.I.: Profesor: Ejercicio 1(10 puntos) La tasa de desperdicio en una empresa
Más detallesFLORIDA Secundaria. 1º BACH MATEMÁTICAS CCSS -1- BLOQUE ESTADÍSTICA: ESTADÍSTICA VARIABLE UNIDIMENSIONAL. Estadística variable unidimensional
FLORIDA Secundaria. 1º BACH MATEMÁTICAS CCSS -1- Estadística variable unidimensional 1. Conceptos de Estadística 2. Distribución de frecuencias 2.1. Tablas de valores con variables continuas 3. Parámetros
Más detalles1.- Introducción. Ciclos Mayo 2010 Noviembre 2010 Mayo Servicios/Unidades Becas Acceso Primer y Segundo Ciclo Títulos
1.- Introducción En concordancia con el interés general de las instituciones universitarias de mejorar sus servicios, el Área de Alumnos pretende responder al compromiso de la Universidad de Sevilla con
Más detallesA. Menéndez Taller CES 15_ Confiabilidad. 15. Confiabilidad
15. Confiabilidad La confiabilidad se refiere a la consistencia de los resultados. En el análisis de la confiabilidad se busca que los resultados de un cuestionario concuerden con los resultados del mismo
Más detallesClasificación de establecimientos y sedes
Clasificación de establecimientos y sedes La clasificación se genera después de cada aplicación de SABER 11, es decir, dos veces al año. La clasificación se produce por separado para los grados 11 y 26
Más detallesTipos de gráficas y selección según los datos CIENCIA, TECNOLOGIA Y AMBIENTE
Tipos de gráficas y selección según los datos CIENCIA, TECNOLOGIA Y AMBIENTE Objetivos 2 Identificar los tipos de gráficas. Definir los conceptos tablas y cuadros Reconocer las partes de una gráfica. Construir
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detallesSISTEMA DE ASISTENCIA AL REGANTE (SAR)
Recomendaciones Semanales de Riego de Fresa para la Comarca Costa Occidental de Huelva (19 al 25 de octubre de 2016) Recomendaciones semanales de riego de fresa para la comarca Costa Occidental de Huelva
Más detallesFunciones en Excel (I)
Funciones en Excel (I) Las Funciones de Búsqueda y Referencias Jose Ignacio González Gómez Departamento de Economía Financiera y Contabilidad - Universidad de La Laguna www.jggomez.eu INDICE 1 Para qué
Más detallesTema 2: Estadísticos. Bioestadística. U. Málaga. Tema 2: Estadísticos 1
Bioestadística Tema 2: Estadísticos Tema 2: Estadísticos 1 Parámetros y estadísticos Parámetro: Es una cantidad numérica calculada sobre una población La altura media de los individuos de un país La idea
Más detallesPOBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN
POBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN Adela del Carpio Rivera Doctor en Medicina UNIVERSO Conjunto de individuos u objetos de los que se desea conocer algo en una investigación Población o universo
Más detallesde 1 a 3 15 Desarrollo de ideas y precisión proposi Conclusión de 0 a 1 de 1 a 3
Resultados de la aplicación de la Expresión Escrita (EXPRESC) a la generación 16/Primavera de la División de Ciencias Sociales y Humanidades (DCSH), Unidad Cuajimalpa. La EXPRESC evalúa la expresión escrita
Más detalles4. ANÁLISIS DE LOS DESVÍOS DE LA ENERGÍA EÓLICA 2012
4. ANÁLISIS DE LOS DESVÍOS DE LA ENERGÍA EÓLICA 2012 Análisis del coste de los desvíos 45 46 Análisis del coste de los desvíos 4.1 Coste de los desvíos de la energía eólica Como ya se ha explicado anteriormente,
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesMedir con cámaras infrarrojas
El pie diabético es una degeneración de la estructura vascular de los pies. Surge a partir de que se produce un engrosamiento vascular y el flujo sanguíneo se atrofia. Con el paso del tiempo se forman
Más detallesMETODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2012
METODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2012 Departamento de Pruebas Nacionales División de Evaluación de Logros de Aprendizaje AGENCIA DE CALIDAD DE LA EDUCACIÓN Índice 1.
Más detallesV. ESTUDIO DE LA ENTONACIÓN.
V. ESTUDIO DE LA ENTONACIÓN. V.. Modelo de entonación. La entonación es la variación de la frecuencia de vibración de las cuerdas vocales a lo largo de una frase. Existe una relación estrecha entre el
Más detallesPorqué analizar imágenes?
Porqué analizar imágenes? Medidas que requieren estudiar un número demasiado elevado de imágenes. Análisis cuantitativo: La visión humana no cuantifica por si sola. El análisis automático es más repetitivo
Más detallesEncuesta sobre las Expectativas de los Especialistas en Economía del Sector Privado: Agosto de 2016
1 de septiembre de sobre las Expectativas de los Especialistas en Economía del Sector Privado: Agosto de Resumen En esta nota se reportan los resultados de la encuesta de agosto de sobre las expectativas
Más detallesUNIDAD 7 Medidas de dispersión
UNIDAD 7 Medidas de dispersión UNIDAD 7 MEDIDAS DE DISPERSIÓN Al calcular un promedio, por ejemplo la media aritmética no sabemos su representatividad para ese conjunto de datos. La información suministrada
Más detallesGrupo 23 Semestre Segundo examen parcial
Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige
Más detallesTema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
Más detalles