BÚSQUEDA VISUAL CON RETROACCIÓN DE RELEVANCIA BASADA EN ACTUALIZACIÓN DE PESOS!!!
|
|
- Claudia Sánchez Peralta
- hace 6 años
- Vistas:
Transcripción
1 BÚSQUEDA VISUAL CON RETROACCIÓN DE RELEVANCIA BASADA EN ACTUALIZACIÓN DE PESOS Ada Rubano Febrero 2011
2 ÍNDICE 1. INTRODUCCIÓN 2. REQUERIMIENTOS 3. DISEÑO 4. DESARROLLO 5. RESULTADOS 6. CONCLUSIONES 7. TRABAJO FUTURO 1
3 INTRODUCCIÓN(I) BASE DE DATOS DESCRIPTORES VISUALES MOTOR DE BÚSQUEDA Consulta RETROACCIÓN POR RELEVANCIA 2
4 INTRODUCCIÓN(II) Proyecto desarrollado en el marco del proyecto CENIT Buscameda fnancado por el goberno español y la CCMA (Corporacó Catalana de Mtans Audovsuals). 3
5 REQUERIMIENTOS (I) OBJETIVO: Comprobar s la nteraccón del usuaro puede meorar los resultados obtendos con una sola teracón. El proyecto tene como precedente el trabao fnal de carrera de Carles Ventura. 4
6 REQUERIMIENTOS (II) DESCRIPTORES VISUALES DESCRIPTOR DE COLOR DOMINANTE DESCRIPTOR DE ESTRUCTURA DE COLOR DESCRIPTOR DE DISTRIBUCIÓN DE COLOR DESCRIPTOR DEL HISTOGRAMA DE LA TEXTURA DE LOS CONTORNOS Base de datos utlzada: Common Color Dataset (CCD) 5466 mágenes Ground truth: 50 mágenes como consulta 5
7 REQUERIMIENTOS (III) El dseño del sstema se dea para una futura ntegracón al sstema de recuperacón de mágenes UPSeek. Los resultados son evaluados a través de: Average Normalzed Modfed Retreval Rate (ANMRR) MAP (Mean Average Precson) 6
8 DISEÑO (I) RETROACCIÓN POR RELEVANCIA GENERAR UNA NUEVA CONSULTA ENTRENAR EL SISTEMA CON CLASIFICADORES ACTUALIZACIÓN DE PESOS 7
9 DISEÑO (II) El motor de búsqueda UPSeek No es lo sufcentemente rápdo para manear un conunto grande de datos en un tempo computaconalmente aceptable. Realzar los expermentos sobre resultados de búsqueda precalculados en forma de GRAFOS DE SIMILITUD. 8
10 DISEÑO (III) ESQUEMA DE LA TÉCNICA DE ACTUALIZACIÓN DE PESOS 9
11 DISEÑO (IV) EXPERIMENTOS RUI TAYCHER AKSOY PROPUESTA 1A PROPUESTA 1B PROPUESTA 2 PROPUESTA 3 PROPUESTA 4 PROPUESTA 5 10
12 DISEÑO (V) PROCESO DE ACTUALIZACIÓN DE PESOS Incalzar los pesos a 0. Δw varía en funcón de la relevanca que le da el usuaro y el expermento escogdo. Normalzar los pesos Actualzar las dstancas fusonadas y ordenar la lsta 11
13 DISEÑO (VI) ACTUALIZACIÓN UNIFORME TÉCNICA RUI ORIGINAL 5 sstemas de evaluacón TÉCNICA RUI ADAPTADA 3 sstemas de evaluacón Δw = 3; es altamente relevante = 1; es relevante = 0; no opna = -1; no es relevante = -3; no es altamente relevante Δw = 3, es relevante = 0; no opna = -3; no es relevante INCONVENIENTE No varía en funcón n de la poscón n del grado de smltud con la consulta 12
14 DISEÑO (VII) PROPUESTA 1A Y PROPUESTA 1B ACTUALIZACIÓN SEGÚN POSICIÓN ACTUALIZACIÓN MÁXIMA ENTRE LAS PRIMERAS m POSICIONES Δw Aproxmacón técnca no mplementable. = N pos ( x), es relevante S (la magen es relevante & = 0, no opna = ( N pos ( x)), no es relevante pos ( ) ) x m Δ w = N donde: N= nº de mágenes vsbles para el usuaro pos ( x) = poscón donde se stúa la magen x a evaluar en el descrptor. 13
15 DISEÑO (VIII) PROPUESTA 2 ACTUALIZACIÓN SEGÚN LA DISTANCIA Δw 1 d ( q, x), es relevante (1 d ( q, x)) donde: d ( q, x ) corresponde a la dstanca exstente entre la consulta y la magen a evaluar para el descrptor. 14
16 DISEÑO(IX) ACTUALIZACIÓN SEGÚN MEDIA DE LAS DISTANCIAS RELEVANTES TÉCNICA DE TAYCHER donde: w 1 = ε + µ + µ + : meda de la dstancas normalzadas de las mágenes relevantes. ε: constante que lmta la nfluenca de un descrptor concreto. Para este expermentos y el resto que lo requera su valor es de 0.1. INCONVENIENTE No tene en cuenta las mágenes no relevantes. En el caso de que la meda de las mágenes no relevantes fuera smlar al de las relevantes NO es un buen estmador. 15
17 DISEÑO(X) ACTUALIZACIÓN SEGÚN MEDIA NORMALIZADA DE DISTANCIAS RELEVANTES PROPUESTA 3 PROPUESTA 4 donde: w = ε 1 µ + µ + ± w = ε 1 µ + µ + µ ± : meda de la dstancas normalzadas de las mágenes relevantes y no relevantes. S no exsten mágenes no relevantes. µ = 1 w 1 = ε + µ + 16
18 DISEÑO ACTUALIZACIÓN POR DESVIACIÓN ESTÁNDAR NORMALIZADA DE LAS DISTANCIAS RELEVANTES AKSOY PROPUESTA 5 w σ σ ± = + w = ε 1 σ + σ + ± σ ± : desvacón de la dstancas normalzadas de las mágenes relevantes y no relevantes. σ + : desvacón de la dstancas normalzadas de las mágenes relevantes. 17
19 DESARROLLO (I) DISEÑO ADAPTADO 18
20 DESARROLLO (II) GRAFO DE SIMILITUD Relacona cada elemento de un conunto con los otros elementos más smlares del msmo conunto. Se ha calculado un Grafo de Smltud para cada tpo de descrptor vsual. 19
21 DESARROLLO (III) USUARIO VIRTUAL Anotacón manual generada prevamente. Anotada para los dferentes conceptos que se ncluyen en el expermento. S la nstanca de la magen es: Postva = relevante Negatva = no relevante Neutra = no sabe 20
22 DESARROLLO (IV) ELABORACIÓN DE LA LISTA DE RESULTADOS IMÁGEN PARÁMETROS FIJOS PARÁMETROS VARIABLES - Ruta Local -Valor de las dstancas/descrptor vsual - Vector de la poscón/lstas de cada descrptor vsual - Valor Instanca/consulta d( q, x) = w d ( q, x) 21
23 DESARROLLO (V) ELABORACIÓN DE LA LISTA DE RESULTADOS ESQUEMA RESUMEN 22
24 RESULTADOS(I) CUESTIONES A RESOLVER: 1.- Sn nvolucrar a la retroaccón por relevanca, Qué sstema de fusón de smltudes obtene meores resultados: por poscón o medante combnacón lneal? 2.- Qué expermento obtene meores resultados? 3.- Qué descrptor vsual es más útl para esta base de datos? 4.- Cuanto meoran los resultados al nteracconar el usuaro con los resultados? 5.- Se obtenen las msmas conclusones observando las dos evaluacones? 23
25 RESULTADOS(II) MÉTRICAS DE EVALUACIÓN: MAP ( ) MAP Q Q 1 = AP( Q) Q = 1 AP (Average Precson): Q 1 1 = AP( Q) Precsó n( R k ) Q m m = 1 k = 1 Q R m : número de consultas que se realza : es el conunto de prmeros k resultados devueltos para la consulta : es el número de documentos relevantes para la consulta. 24
26 RESULTADOS(III) MÉTRICAS DE EVALUACIÓN: ANMRR ANMRR Q 1 = NMRR Q = 1 NMRR (Normalsed Modfed Retreval Rank): NMRR = MRR (Modfed Retreval Rank): MRR = AVR 0.5 $ 1+ m " % MRR 1.25 R 0.5 $ 1+ " k m % AVR (Average Rank): AVR m 1 = Rank m k = 1 k # Rankk s Rankk R k = $ % 1.25 R s Rank > R Rank k R k = mn{ 4 m, 2 max $ m, " %} k k k Rank :poscón donde la magen relevante k es devuelta k R :numero de mágenes devueltas para una consulta q. m :número de mágenes relevantes en la base de datos 25
27 RESULTADOS(IV) CUESTIÓN 1. FUSIÓN DE SIMILITUD POR POSICIÓN VS COMBINACIÓN LINEAL ANMRR Q 1 = NMRR Q = 1 F. Poscón F. comb. lneal ANMRR 0, ,1429 Comparacón a nvel de consulta: 100% 26
28 RESULTADOS(V) CUESTIÓN 2. QUÉ EXPERIMENTO ES MEJOR? ANMRR 0,18 0,16 0,14 0,12 RUI PROPOSE 1A PROPOSE 1B PROPOSE 2 TAYCHER PROPOSE 3 PROPOSE 4 AKSOY PROPOSE 5 0,1 Iteracón 0 Iteracón 2 Iteracón 4 Iteracón 6 Iteracón 8 27
29 RESULTADOS(VI) CUESTIÓN 2. QUÉ EXPERIMENTO ES MEJOR? 0,8 MAP 0,725 0,65 0,575 RUI PROPOSE 1A PROPOSE 1B PROPOSE 2 TAYCHER PROPOSE 3 PROPOSE 4 AKSOY PROPOSE 5 0,5 Iteracón 0 Iteracón 2 Iteracón 4 Iteracón 6 Iteracón 8 El expermento de Taycher es el que proporcona el meor resultado en ambas métrcas 28
30 RESULTADOS(VII) CUESTIÓN 3. QUÉ DESCRIPTOR RESULTA MEJOR? reagan person ngress garden scape 3 d horse P R O M E D I O DE PESOS Texture Edge Color Layout Domnant C o l o r Color Structure 0,2786 0,2259 0,1323 0,3631 glasses the red z scene Texture Edge Color Layout Domnant Color Color Structure 100% PROMEDIO DE nd sky shop snake peaker people mage 0,00 0,30 0,60 0,90 1,20 29
31 RESULTADOS(VIII) CUESTIÓN 4. CUÁNTA ES LA MEJORA DE LOS RESULTADOS CON LA INTERACCIÓN DEL USUARIO? Iter. 0 Iter. 1 Iter. 2 Iter.n 3 Iter. 4 Iter. 5 Iter. 6 Iter. 7 Iter. 8 Iter. 9 MAP 0, , , , , , , , , , Iter. 0 Iter. 1 Iter. 2 Iter. 3 Iter. 4 Iter. 5 Iter. 6 Iter. 7 Iter. 8 Iter. 9 ANMRR 0, , , , , , , , , , G MAP 7.55% G. Iter 1 G. Iter 2 ANMRR 16.27% 18% 30
32 RESULTADOS(IX) CUESTIÓN 5. SE OBTIENE LAS MISMAS CONCLUSIONES OBSERVANDO LAS MÉTRICAS UTILIZADAS? SIMILITUDES DIFERENCIAS El expermento de Taycher obtene los meores resultados El expermento Ru y Propuesta 2 no sguen el comportamento habtual n en ANMRR n en MAP. Los meores resultados nteractuando con el usuaro se obtenen en las teracones 1 y 2. S se observa los resultados de ANMRR de la Propuesta 1A y 1B no sguen el comportamento normal de la curba. En cambo, sus resultados MAP son bastante buenos. La mayoría de los resultados de los expermentos no llegan a establzarse en la métrca ANMRR, en cambo en MAP s. 31
33 CONCLUSIONES Se ha demostrado que las técncas de Retroaccón por Relevanca meoran los resultados de los sstemas de recuperacón de mágenes. La retroaccón meora s se tene en cuenta los resultados vecnos. Para la base de datos CCD el expermento que resulta meor es el de Taycher. 32
34 TRABAJO FUTURO Generar los expermentos con una base de datos más extensa. Desarrollar las técncas restantes de Retroaccón por Relevanca: uso de clasfcadores y generacón de una nueva consulta. Medr de forma más precsa cuanta nformacón debe generar el usuaro, al nterpretar una nteractuacón cada vez que el usuaro valora una magen. 33
35
CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesVISIÓN POR COMPUTADOR
Escuela Poltécnca Superor de Elche VISIÓN POR COMPUTADOR Grado en Electrónca y Automátca Industral PRÁCTICAS TITERE Práctca 4: Segmentacón, Localzacón y Reconocmento de Obetos Departamento de Ingenería
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesEXPERIMENTOS ANIDADOS O JERARQUICOS NESTED
EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles
Más detallesCAPÍTULO IV. IV.1 Correlación de los resultados experimentales
CAPÍTULO IV IV. Correlacón de los resultados expermentales La aplcacón de modelos de solucón para correlaconar los resultados que se obtenen en los expermentos, resulta de gran mportanca para amplar la
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Métodos multivariantes en control estadístico de la calidad
UNIVERSIDAD NAIONAL MAYOR DE SAN MAROS FAULTAD DE IENIAS MATEMÁTIAS E.A.P. DE ESTADÍSTIA Métodos multvarantes en control estadístco de la caldad apítulo IV. Gráfcos de control MUSUM TRABAJO MONOGRÁFIO
Más detallesUn estimado de intervalo o intervalo de confianza ( IC
Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá
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 detallesDiagnóstico de Fortalezas y Debilidades Comunales
Dagnóstco de Fortalezas y Debldades Comunales Introduccón Los avances y mayores nveles de desarrollo que el país ha mostrado durante los últmos 15 años, se han traducdo, entre otros aspectos, en un aumento
Más detallesGeneración de e Modelos 3D a Partir de e Datos de e Rango de e Vistas Parciales.
Generacón de e Modelos 3D a Partr de e Datos de e Rango de e Vstas Parcales. Santago Salamanca Mño Escuela de Ingenerías Industrales Unversdad de Extremadura (UNED, UCLM, UEX) Introduccón (I) Qué es un
Más detallesFISICOQUÍMICA FARMACÉUTICA (0108) UNIDAD 1. CONCEPTOS BÁSICOS DE CINÉTICA QUÍMICA
FISICOQUÍMICA FARMACÉUTICA (008) UNIDAD. CONCEPTOS BÁSICOS DE CINÉTICA QUÍMICA Mtra. Josefna Vades Trejo 06 de agosto de 0 Revsón de térmnos Cnétca Químca Estuda la rapdez de reaccón, los factores que
Más detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
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 detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Ejerccos para Evaluacón: Tema 5 1. Contestar brevemente a las sguentes cuestones relaconadas con las Redes de Base
Más detalles3 LEYES DE DESPLAZAMIENTO
eyes de desplazamento EYES DE DESPAZAMIENTO En el capítulo dos se expone el método de obtencón de las leyes de desplazamento dseñadas por curvas de Bézer para mecansmos leva palpador según el planteamento
Más detallesEjercicios y Talleres. puedes enviarlos a
Ejerccos y Talleres puedes envarlos a klasesdematematcasymas@gmal.com www.klasesdematematcasymas.com EJERCICIOS DE REGRESIONES Y ANALISIS DE COVARIANZA Analzar la nformacón recoplada por medo de los dferentes
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesSEMANA 13. CLASE 14. MARTES 20/09/16
SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.
Más detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
Más detallesBreve Estudio sobre la Aplicación de los Algoritmos Genéticos a la Recuperación de Información
Breve Estudo sobre la Aplcacón de los Algortmos Genétcos a la Recuperacón de Informacón O. Cordón, F. oya 2,.C. Zarco 3 Dpto. Cencas de la Computacón e I.A. Unv. de Granada. Ocordon@decsa.ugr.es 2 Dpto.
Más detallesControl de la exactitud posicional por medio de tolerancias
Control de la exacttud posconal por medo de tolerancas Francsco Javer Arza López José Rodríguez-Av María Vrtudes Alba Fernández Plan Estatal de Investgacón Centífca y Técnca y de Innovacón 2013-2016. Ref.:
Más detallesALGUNOS MODELOS DE UNA NEURONA
ALGUNOS MODELOS DE UNA NEURONA w 1 Μ w 2 w m ADALINE ADAptve Lnear Element Wdrow y Hoff 1960 w 1 Μ w 2 w m El Adalne x 0 x 1 x 2 Μ Μ x m con w 2 w = x = w 1 w m v b m v m = w j x j + b = j= 1 = 0 [ b w
Más detallesResolución de sistemas lineales por métodos directos
Resolucón de sstemas lneales por métodos drectos Descomposcón LU S la matr del sstema Ax = b se expresa como producto de una matr trangular nferor, L, de una superor, U, la resolucón del msmo se reduce
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesTema 9. Análisis de Varianza de un factor. Análisis de la Varianza (ANOVA) Conceptos generales
Tema 9 Análss de la Varanza (ANOVA) Conceptos generales La técnca del Análss de la Varanza consste en descomponer la varabldad de una poblacón (representada por su varanza) en dversos sumandos según los
Más detallesEstas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.
UIDAD 3: Meddas estadístcas Las meddas estadístcas o parámetros estadístcos son valores representatvos de una coleccón de datos y que resumen en unos pocos valores la normacón del total de datos. Estas
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Redes de Neuronas: Preparacón de datos para el aprendzaje y meddas de evaluacón 1. Preparacón de datos Característcas de los datos
Más detallesCAMPOS DE VELOCIDADES DE LOS DISCOS
CAMPOS DE VELOCIDADES DE LOS DISCOS Los dscos galáctcos se modelan como anllos crculares concéntrcos. S Ω es la velocdad angular del anllo y r el vector que va hasta el centro, sendo n el vector untaro
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
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 detallesTiempos de relajación T 1 y T 2
empos de relajacón y Levtt,;Haacke, 7/4/ RI - Lus Agulles Pedrós Relajacón y dnámca: Supongamos un sstema de espnes alnados cuyo campo vertcal es estátco. d dt Supongamos el campo horzontal por acople
Más detallesUna versión modificada del algoritmo de agrupamiento Isodata
94 Una versón modfcada del algortmo de agrupamento Isodata RENDON, Eréndra*, MENDOZA, Marcos, CISNIEGA, Rocó y CARBAJAL, Gullermo Recbdo 5 de Julo, 015; Aceptado 4 de Novembre, 015 Resumen El algortmo
Más detallesCAPÍTULO 5 MÉTODO DE LA FUNCIÓN ELÍPTICA DE JACOBI
CAPÍTULO 5: MÉTODO DE LA FUNCIÓN ELÍPTICA DE JACOBI 57 CAPÍTULO 5 MÉTODO DE LA FUNCIÓN ELÍPTICA DE JACOBI 5. Resumen Se busca solucón a las ecuacones acopladas que descrben los perfles de onda medante
Más detalles4. La Factorización No Negativa de Matrices
4. La Factorzacón No Negatva de Matrces 4.1 Introduccón Un problema bastante extenddo en dferentes técncas de análss de datos consste en encontrar una representacón adecuada de los datos. Un tpo de representacón
Más detallesMAGNITUD: propiedad o cualidad física susceptible de ser medida y cuantificada. Ejemplos: longitud, superficie, volumen, tiempo, velocidad, etc.
TEMA. INSTRUMENTOS FÍSICO-MATEMÁTICOS.. SISTEMAS DE MAGNITUDES Y UNIDADES. CONVERSIÓN DE UNIDADES. MAGNITUD: propedad o cualdad físca susceptble de ser medda y cuantfcada. Ejemplos: longtud, superfce,
Más detallesEstimación de incertidumbres en calibración de Osciladores
Estmacón de ncertdumbres en calbracón de Oscladores J. Maurco López R. Dvsón de Tempo Frecuenca Centro Naconal de Metrología maurco.lopez@cenam.mx Resumen La frecuenca de salda de los oscladores debe ser
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesDpto. Física y Mecánica
Dpto. Físca y Mecánca Mecánca analítca Introduccón Notacón Desplazamento y fuerza vrtual Fuerza de lgadura Trabao vrtual Energía cnétca. Ecuacones de Lagrange Prncpode los trabaos vrtuales Prncpo de D
Más detallesUNIDAD 12: Distribuciones bidimensionales. Correlación y regresión
Matemátcas aplcadas a las Cencas Socales UNIDAD 1: Dstrbucones bdmensonales. Correlacón regresón ACTIVIDADES-PÁG. 68 1. La meda la desvacón típca son: 1,866 0,065. Los jugadores que se encuentran por encma
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
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 detallesEn general puede representarse por : Clase 6 3
Encontrar raíces de uncones es uno de los problemas más comunes en ngenería Los métodos numércos para encontrar raíces de uncones son utlzados cuando las técncas analítcas no pueden ser aplcadas. Esto
Más detallesUnidad Nº III Unidad Aritmética-Lógica
Insttuto Unverstaro Poltécnco Santago Marño Undad Nº III Undad Artmétca-Lógca Undad Artmétca-Lógca Es la parte del computador que realza realmente las operacones artmétcas y lógcas con los datos. El resto
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 detallesCLAVE - Laboratorio 1: Introducción
CLAVE - Laboratoro 1: Introduccón ( x )( x ) x ( xy) x y a b a b a a a ( x ) / ( x ) x ( x ) x a b a b a b ab n! n( n 1)( n 2) 1 0! 1 x x x 1 0 1 (1) Smplfque y evalúe las sguentes expresones: a. 10 2
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 detallesOptimización multicriterio. Andrés Ramos Universidad Pontificia Comillas
Optmzacón multcrtero Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu Contendo 1. Conceptos báscos 2. Métodos contnuos 3. Métodos dscretos Escuela Técnca
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesGuía de Laboratorio de Física Mecánica. ITM, Institución universitaria.
Guía de Laboratoro de Físca Mecánca. ITM, Insttucón unverstara. Práctca 0. Colsones. Implementos Psta curva, soporte vertcal, cnta métrca, eseras metálcas, plomada, dspostvo óptco dgtal, varlla corta,
Más detallesEnlaces de las Series de Salarios. Metodología
Enlaces de las eres de alaros Metodología ntroduccón La Encuesta de alaros en la ndustra y los ervcos (E, cuyo últmo cambo de base se produjo en 996) ha sufrdo certas modfcacones metodológcas y de cobertura,
Más detallesFísica Estadística. Tercer curso del Grado en Física. J. Largo & J.R. Solana. Departamento de Física Aplicada Universidad de Cantabria
Tercer curso del Grado en Físca largoju at uncan.es J. Largo & J.R. Solana solanajr at uncan.es Departamento de Físca Aplcada Unversdad de Cantabra Indce I Estadstcas Dstrbucones para los sstemas cuántcos
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detallesProblemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel
Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesMEDIDAS DE ASOCIACIÓN: COEFICIENTES DE CORRELACIÓN Y DE REGRESIÓN I.- Introducción En el tema I estudiamos las medidas descriptivas para una
MEDIDAS DE ASOCIACIÓ: COEFICIETES DE CORRELACIÓ DE REGRESIÓ I.- Introduccón En el tema I estudamos las meddas descrptvas para una varable, y además, planteamos que tales meddas tambén exsten para dos o
Más detallesRegresión de Datos de Vida
Regresón de Datos de Vda Resumen El procedmento Regresón de Datos de Vda está dseñado para ajustar un modelo estadístco paramétrco relaconado con tempos de falla a una o más varables predctoras. Los predctores
Más detallesALGORITMO DE RANKING DINÁMICO BASADO EN REALIMENTACIÓN IMPLÍCITA
ALGORITMO DE RANKING DINÁMICO BASADO EN REALIMENTACIÓN IMPLÍCITA Javer de la Mata José A. Olvas Jesús Serrano-Guerrero Departamento de Tecnologías y Sstemas de la Informacón. Grupo SMILE. Unversdad de
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 detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesGERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES
GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesCONECTIVIDAD EN LOS MUNICIPIOS Y REGIONES DE JALISCO
ONETIVIDD EN LOS MUNIIPIOS Y REGIONES DE JLISO Introduccón Desde el año 2005 el tlas de amnos y arreteras está regstrando para el Sstema Informacón Terrtoral del Estado de Jalsco (SITEJ), el nventaro de
Más detallesMETODOS NUMERICOS CATEDRA 0 6. Ingeniería Civil ING.CRISTIANCASTROP. Facultad de Ingeniería de Minas, Geología y Civil
CATEDRA 0 6 Facultad de Ingenería de Mnas, Geología Cvl Departamento académco de ngenería de mnas cvl METODOS NUMERICOS Ingenería Cvl ING.CRISTIANCASTROP. Captulo VI Sstema de Ecuacones Algebracas No Lneales
Más detallesRelaciones entre las tablas
Relacones entre las tablas Relacones entre las tablas Access 2013 Establecer una relacón entre dos tablas Los dstntos tpos de relacones entre tablas Establecer una relacón entre las tablas de la base de
Más detallesCAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información
IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesIDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR
IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR En esta práctca se llevará a cabo un estudo de modelado y smulacón tomando como base el ntercambador de calor que se ha analzado en el módulo de teoría.
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 detallesGráficos de flujo de señal
Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente en el análss y dseño de sstemas de control. Otro procedmento alternatvo
Más detallesExtracción de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311
Extraccón de Atrbutos Dr. Jesús Arel Carrasco Ochoa arel@naoep.mx Ofcna 8311 Contendo Introduccón PCA LDA Escalamento multdmensonal Programacón genétca Autoencoders Extraccón de atrbutos Objetvo Preprocesamento
Más detallesREGULADORES PID. Reguladores PID.
REGULADORES PID Reguladores PID. 1. Introduccón a los sstemas de control. Objetvos. 2. Especfcacones de funconamento. 3. Accones báscas de control. Reguladores PID. 4. Metodologías de dseño. 5. Ajuste
Más detallesEVALUACIÓN DEL COMPORTAMIENTO DE LOS ESTIMADORES DE LOS PARÁMETROS DE UN MODELO NO LINEAL MIXTO. UNA COMPARACIÓN DE MÉTODOS DE ESTIMACIÓN
Chapella, Lucana Garca, María del Carmen Rapell, Cecla Castellana, Noela Koegel, Llana Insttuto de Investgacones Teórcas y Aplcadas, de la Escuela de Estadístca EVALUACIÓN DEL COMPORTAMIENTO DE LOS ESTIMADORES
Más detallesDiseño de la Muestra. Introducción. Tipo de muestreo y estratificación
Dseño de la Muestra A Introduccón Sguendo las orentacones dadas por la Ofcna Estadístca de la Unón Europea (EUROSTAT) se a selecconado una muestra probablístca representatva de la poblacón de los ogares
Más detallesAnexo Nº 1 A. METAS DE GESTIÓN PARA EPSSMU S.R.L. CORRESPONDIENTES AL SIGUIENTE QUINQUENIO
Anexo Nº 1 1. METAS DE GESTIÓN A. METAS DE GESTIÓN PARA EPSSMU S.R.L. CORRESPONDIENTES AL SIGUIENTE QUINQUENIO Metas de Gestón Incremento anual del número de conexones domclaras de agua potable (1) Incremento
Más detallesModelado de un Robot Industrial KR-5
RESUMEN Modelado de un Robot Industral KR-5 (1) Eduardo Hernández 1, Samuel Campos 1, Jorge Gudno 1, Janeth A. Alcalá 1 (1) Facultad de Ingenería Electromecánca, Unversdad de Colma, km 2 Carretera Manzanllo-Barra
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesCAMPO MAGNÉTICO CREADO POR CORRIENTES RECTILÍNEAS INDEFINIDAS
Departamento de Físca - UBU enero de 2017 1 CAMPO MAGNÉTICO CREADO POR CORRIENTES RECTILÍNEAS INDEFINIDAS En esta hoja podrán vsualzar el campo magnétco creado por una, dos tres o cuatro correntes rectlíneas
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesEl Impacto de las Remesas en el PIB y el Consumo en México, 2015
El Impacto de las Remesas en el y el Consumo en Méxco, 2015 Ilana Zárate Gutérrez y Javer González Rosas Cudad de Méxco Juno 23 de 2016 1 O B J E T I V O Durante muchos años la mgracón ha sdo vsta como
Más detalles3 - VARIABLES ALEATORIAS
arte Varables aleatoras rof. María B. ntarell - VARIABLES ALEATORIAS.- Generaldades En muchas stuacones epermentales se quere asgnar un número real a cada uno de los elementos del espaco muestral. Al descrbr
Más detallesIN540: Métodos Estadísticos para economía y gestión Profesores: Marcelo Henríquez, Felipe Avilés Auxiliares: José Miguel Carrasco
Departamento de Ingenería Industral Facultad de Cs. Físcas y Matemátcas Unversdad de Chle IN540: Métodos Estadístcos para economía y gestón Profesores: Marcelo Henríquez, Felpe Avlés Auxlares: José Mguel
Más detallesCOMPARACIÓN DE TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO SOBRE VÍDEO COMPRIMIDO CAPÍTULO 3: TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO
CAPÍTULO 3: TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO 3. TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO 3.. Antecedentes La tecnología para la organzacón y la búsqueda de mágenes y vídeo basada en el contendo
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesResumen TEMA 1: Teoremas fundamentales de la dinámica y ecuaciones de Lagrange
TEMA : Teoremas fundamentales de la dnámca y ecuacones de Lagrange Mecánca 2 Resumen TEMA : Teoremas fundamentales de la dnámca y ecuacones de Lagrange. Prncpos de dnámca clásca.. Leyes de ewton a) Ley
Más detalles6.9 El trazador cúbico
4.9 El trazador cúbco El polnomo de nterpolacón es útl s se usan pocos datos y que además tengan un comportamento polnomal, así su representacón es un polnomo de grado bajo y adecuado. S no se cumplen
Más detallesDeterminar el momento de inercia para un cuerpo rígido (de forma arbitraria).
Unversdad de Sonora Dvsón de Cencas Exactas y Naturales Departamento de Físca Laboratoro de Mecánca II Práctca #3: Cálculo del momento de nerca de un cuerpo rígdo I. Objetvos. Determnar el momento de nerca
Más detallesACCIONES BASICAS DE CONTROL
ACCIONES BASICAS DE CONROL Los sstemas e control se señan para cumplr tareas etermnaas. Con frecuenca los requermentos mpuestos a los sstemas e control toman la forma e especfcacones e funconamento. En
Más detallesMETODOS NUMERICOS CATEDRA 0 6. Ingeniería Civil ING.CRISTIANCASTROP. Facultad de Ingeniería de Minas, Geología y Civil
ING.CRISTIANCASTROP. CATEDRA 0 6 Facultad de Ingenería de Mnas, Geología Cvl Departamento académco de ngenería de mnas cvl METODOS NUMERICOS Ingenería Cvl ING.CRISTIANCASTROP. Captulo VI Sstema de Ecuacones
Más detallesProblemas de Control e Instrumentación de procesos químicos 4º Ingeniería Química
Problemas de Control e Instrumentacón de procesos químcos 4º Ingenería Químca Problema 9 La presón de un sstema de almacenamento de un certo gas se regula por medo de un sstema como el reflejado en la
Más detallesTÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3
PROCEDIMIENTO DO DESEMPEÑO DEL CONTROL DE FRECUENCIA EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE TÍTULO I Aspectos Generales... 3 TÍTULO II Alcance... 3 TÍTULO III Metodología de Cálculo de FECF... 3 TÍTULO
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 detallesCinemática del Brazo articulado PUMA
Cnemátca del Brazo artculado PUMA José Cortés Parejo. Enero 8. Estructura del brazo robótco El robot PUMA de la sere es un brazo artculado con artculacones rotatoras que le proporconan grados de lbertad
Más detallesInteracción de Métodos Teóricos, Numéricos y Experimentales en el Rediseño y Análisis de un Elemento Estructural Hecho de Materiales Compuestos.
Interaccón de Métodoeórcos, Numércos y Expermentales en el Redseño y Análss de un Elemento Estructural Hecho de Materales ompuestos. Juan arlos Valdés alazar McME Gerente de Ingenería y Desarrollo PADA
Más detalles