Detección de los patrones raros en un conjunto de datos semiestructurados
|
|
- Laura Naranjo Alarcón
- hace 6 años
- Vistas:
Transcripción
1 Deteccón de los patrones raros en un conjunto de datos semestructurados M. Montes-y-Gómez 1, A. Gelbukh 1 y A. López-López 2 1 Centro de Investgacón en Computacón (CIC-IPN), Méxco. mmontesg@susu.naoep.mx, gelbukh@cc.pn.mx 2 Insttuto Naconal de Astrofísca, Optca y Electrónca (INAOE), Méxco. allopez@naoep.mx Resumen. La deteccón de desvacones es un problema mportante de la mnería de datos. Consderamos el descubrmento de las desvacones en un conjunto de datos semestructurados; en partcular, en un conjunto de datos representados con grafos conceptuales. Típcamente, la deteccón automátca de desvacones se realza aplcando métodos estadístcos o basados en dstanca. A dferenca de ellos, nuestro método se basa en las regulardades, es decr, característcas comunes de varos grafos de la coleccón. El método descubre los grafos que no comparten nnguna de estas regulardades. Además, se detectan los patrones raros en el conjunto, lo que es una manera resumda de expresar las desvacones encontradas. Estos patrones se descubren a través del agrupamento conceptual de los grafos. El método permte consderar las desvacones con respecto a dferentes contextos (subconjuntos) elegdos por el usuaro, es decr, desde dferentes perspectvas y a dferentes nveles de generalzacón. Palabras clave: mnería de datos, mnería de texto, grafos conceptuales, desvacones, agrupamento. 1 Introduccón Actualmente, debdo al vertgnoso avance centífco y tecnológco de los últmos años, las nsttucones tenen grandes capacdades de crear, almacenar y dstrbur sus datos. Esta stuacón, entre otras cosas, ha aumentado la necesdad de nuevas herramentas que auxlen en la transformacón de esta vasta cantdad de datos en nformacón útl o nuevos conocmentos. Un ejemplo de este tpo de herramentas son los sstemas de mnería de datos. Estos sstemas permten analzar grandes bases de datos y descubrr en ellas algunos patrones nteresantes. Sn embargo, debdo a su enfoque en el análss de la nformacón contenda en una base de datos, los sstemas de mnería de datos no son apropados para el análss de otros tpos de nformacón menos estructurada, como por ejemplo, la contenda en una coleccón de textos. Este artículo se relacona con este problema. En él se descrbe un método para el análss automátco de un conjunto de objetos complejos posblemente textos representados por medo de grafos conceptuales (Sowa, 1984; Sowa, 1999).
2 Exsten varos métodos para el análss de un conjunto de grafos conceptuales. Algunos de ellos consderan su comparacón (Myaeng and López-López, 1992; Mugner and Chen, 1992; Mugner, 1995; Montes-y-Gómez et al., 2000b; Montes -y-gómez et al., 2001a), otros su aplcacón en la recuperacón de nformacón (Myaeng, 1992; Ells and Lehmann, 1994; Hubers et al., 1996; Genest and Chen, 1997; Montes -y-gómez et al., 2000a), y otros mas su agrupamento (Mneau and Godn, 1995; Godn et al., 1995; Bournaud and Ganasca, 1996; Bournaud and Ganasca, 1997; Montes-y-Gómez et al., 2001b). En este artículo se ntroduce el problema de detectar las desvacones (patrones raros) en un conjunto de grafos conceptuales. Báscamente se propone utlzar el agrupamento conceptual de los grafos como un índce de la coleccón, y aprovechar esta estructura para localzar las desvacones. Esta estratega de análss no solo faclta la dentfcacón de los grafos o patrones raros, sno tambén permte detectar desvacones respecto a dferentes contextos (tpo especal de subconjunto) de la coleccón. El resto del artículo se organza de la sguente manera. La seccón 2 relata brevemente algunos trabajos relaconados. La seccón 3 defne el problema de detectar las desvacones en un conjunto de grafos conceptuales. La seccón 4 descrbe brevemente el tpo de agrupamento de los grafos conceptuales que srve como base para la deteccón de las desvacones. La seccón 5 presenta el método de deteccón de las desvacones contextuales como tal. Fnalmente, la seccón 6 expone algunas conclusones y dscute los prncpales trabajos futuros. 2 Trabajos relaconados Los métodos estadístcos tradconales generalmente consderan que los datos raros (tambén llamados desvacones) son una fuente de rudo, y por lo tanto, ntentan mnmzar sus efectos. Dferente a este enfoque, algunos métodos de mnería de datos se centran en la deteccón de estas desvacones. Estos métodos consderan que las desvacones pueden esconder conocmentos verdaderamente nesperados e nteresantes. Típcamente, los métodos para la deteccón de desvacones emplean nformacón adconal a los datos, por ejemplo: condcones preestablecdas o restrccones de ntegrdad (Guzmán, 1996). Solamente en algunas ocasones estos métodos aprovechan la propa redundanca de los datos. Entre los métodos que aprovechan la redundanca de los datos destacan los sguentes tres enfoques (Han and Kamber, 2001): Enfoque estadístco. Este enfoque asume una dstrbucón o modelo de probabldad para los datos (por ejemplo, una dstrbucón normal), y entonces, dentfca las desvacones con respecto a dcho modelo medante una prueba de hpótess. La aplcacón de este modelo requere que se conozcan la dstrbucón de los datos, algunos de sus parámetros (meda y varanza por lo regular) y el número de desvacones esperadas. Una descrpcón ampla de este modelo se encuentra en (Barnett and Lews, 1994).
3 Enfoque basado en dstanca. Este enfoque consdera que el objeto O del conjunto C es una desvacón con parámetros p y d, s al menos una fraccón p de los objetos de C está a una dstanca mayor que d de O. En otras palabras, el objeto O es una desvacón s no tene sufcentes objetos vecnos (consderando una vecndad de rado d). En este caso, el usuaro establece los parámetros p y d. Un algortmo recente para la deteccón de desvacones basadas en dstanca se descrbe en (Knorr and Ng, 1998). Enfoque basado en regulardades. Este enfoque asemeja la manera en que los humanos detectan las desvacones (desde una perspectva conceptual). Prmero dentfca las prncpales característcas regulardades del conjunto de objetos; después, con base en estas característcas, construye una descrpcón general de dcho conjunto; fnalmente consdera raros aquellos objetos que se desvían de la descrpcón general. Un método basado en este enfoque, aunque tambén un tanto estadístco, se presenta en (Arnng et al., 1996). Báscamente, este método consdera que las desvacones son el conjunto de elementos que causan la mayor dsmltud en el conjunto de datos. 3 Desvacones contextuales en grafos conceptuales El método para la deteccón de las desvacones contextuales en un conjunto de grafos conceptuales es, en térmnos generales, un método basado en regulardades. Este método se fundamenta en las sguentes consderacones. Dado un conjunto de grafos conceptuales C = {G }: Una característca representatva es cualquer generalzacón común g c de más de m grafos del conjunto, sendo m f(n). En este caso n ndca el número de grafos del conjunto y f(n) es una funcón preestablecda por el usuaro. Un grafo conceptual raro es un grafo que no tene nnguna característca representatva 1, es decr, el grafo conceptual G r C es consderado raro, sí: / g : G < g. c r c Una desvacón es un patrón descrptvo d de algunos grafos raros del conjunto C; en otras palabras una desvacón es una expresón resumda de las rarezas del conjunto. Entonces, s se asume que R es el conjunto de grafos raros de C (R C), la sguente condcón respecto a d se satsface: G C : G < d G R. Así pues, dado un conjunto de grafos conceptuales C = {G }, donde cada grafo conceptual representa un texto dferente, una desvacón contextual es una expresón de la g : g r s. forma: ( ) j, En esta expresón, g es el contexto y g j es la descrpcón de algunos grafos raros en dcho contexto (de acuerdo con la funcón f(n) preestablecda); r es el grado de rareza de 1 S no puede determnarse nnguna característca representatva del conjunto de grafos, entonces tampoco es posble (conceptualmente adecuado) detectar alguna desvacón.
4 G 1 : canddato:bush Agnt crtcar Ptnt canddato:gore G 2 : canddato:gore Agnt crtcar Ptnt canddato:bush G 3 : presdente: Castro Agnt crtcar Ptnt eleccones G 4 : presdente:clnton Agnt vstar Ptnt país: Vetnam Fgura 1. Un pequeño conjunto de grafos conceptuales. los grafos conceptuales descrtos por g j en el contexto g, y s es el soporte de la desvacón, es decr, es la representatvdad del contexto g j en el conjunto C. Báscamente, esta expresón ndca que: dentro del subconjunto de grafos conceptuales que contenen el grafo g, el cual representa el s% del conjunto total de grafos, todos los grafos que contenen el grafo g j son raros; sendo éstos el c% de los grafos que contenen g. Por ejemplo, la sguente desvacón contextual ndca que 32% de los grafos de una coleccón hablan de anmales, y que en este contexto sólo el 4% mencona un ave de rapña. [anmal]: [ave] (tpo) [rapña] (32%,4%) La deteccón de las desvacones en un conjunto de grafos conceptuales se defne como el problema de encontrar todas las desvacones contextuales g : g j (r/s) de acuerdo con una funcón f(n) preestablecda por el usuaro. Esta deteccón consste de los sguentes dos pasos: 1. Construr un agrupamento conceptual de los grafos, 2. Recorrer el agrupamento conceptual y detectar, para cada grupo, las desvacones correspondentes. A contnuacón se descrben las prncpales característcas del agrupamentos conceptual, posterormente se explca su aplcacón en la deteccón de las desvacones. 3 Agrupamento de los grafos conceptuales En algunos trabajos prevos se presento un método para el agrupamento conceptual de un conjunto de grafos conceptuales (Montes -y-gómez et al., 2001b). En estos trabajos se argumentó que la jerarquía conceptual resultante ndca la organzacón estructura oculta de la coleccón de grafos, pero que además consttuye un resumen o índce de la coleccón, que faclta el descubrmento de otros tpos de patrones nteresantes, por ejemplo las desvacones contextuales. A contnuacón se descrbe brevemente las prncpales característcas de la jerarquía conceptual
5 Cálculos basados en: a = 0.5, b = 0.5 we, wv, wa = 1 cov(h ) = {G 1, G 2, G 3, G 4 } coh(h ) = 0.05 polítco cov(h ) = {G 1, G 2, G 3 } coh(h ) = 0.33 polítco Agnt crtcar cov(h ) = {G 1, G 2 } coh(h ) = 0.86 canddato Agnt crtcar Ptnt canddato cov(h ) = {G 3, G 4 } coh(h ) = 0.13 presdente G 1 G 2 G 3 G 4 Fgura 2. Agrupamento conceptual del conjunto de grafos. El agrupamento conceptual, a dferenca de las técncas tradconales de agrupamento, no solo permte dvdr el conjunto de grafos conceptuales en varos grupos, sno tambén asocar una descrpcón a cada uno de estos grupos y organzarlos jerárqucamente de acuerdo con dchas descrpcones (Mchalsk, 1980). Báscamente, dado un conjunto de grafos conceptuales, este método dentfca todas sus regulardades elementos comunes a dos o más grafos del conjunto, y además construye una jerarquía conceptual de ellas. Por ejemplo, dado el pequeño conjunto de grafos conceptuales de la fgura 1, este método construye la jerarquía de la fgura 2. La jerarquía resultante no es necesara mente un árbol o lattce, sno un conjunto de árboles (esto es, un bosque). Esta jerarquía es una espece de red de herenca, en donde los nodos nferores ndcan regulardades especalzadas y los nodos superores sugeren regulardades generalzadas. Formalmente, cada nodo h de esta jerarquía se representa por una trada 2 (cov(h ), desc(h ), coh(h )), donde: cov(h ), llamada cobertura de h, es el conjunto de grafos cubertos por la regulardad h. desc(h ), llamada descrpcón de h, es el conjunto de los elementos comunes de los grafos cubertos por h, es decr, es el traslape de los grafos de cov(h ). 2 Esta notacón fue adaptada de (Bournaud and Ganasca, 1996), donde cada nodo se representa medante un par (cov(h ), desc(h )).
6 coh(h ), llamada cohesón de h, es la semejanza mínma entre dos grafos cualesquera G, G cov h, sm G, G coh h. de cov(h ), esto es: ( ) ( ) ( ) j Además, en esta jerarquía, el nodo h j es un hjo del nodo h ( h S( ) j j h El nodo h agrupa o cubre más grafos que el nodo h j : ( h ) cov( ) cov. j h ), s y solo s: La descrpcón del nodo h es una generalzacón de la descrpcón del nodo h j : desc h < desc. ( ) ( ) j h La cohesón de los grafos del agrupamento h es menor o gual que la cohesón de los coh h coh. grafos del agrupamento h j : ( ) ( ) h j 4 Deteccón de las desvacones contextuales La deteccón de las desvacones contextuales en un conjunto de grafos conceptuales C = {G } se auxla de su jerarquía conceptual H. En esta jerarquía, cada nodo h ndca un contexto específco del conjunto de grafos conceptuales C. Este contexto se descrbe por la regulardad desc(h ), y se compone por el conjunto de grafos cov(h ). Además, el conjunto de nodos hjo de h ndca una partcón del contexto h, donde cada una de las descrpcones de sus nodos desc(h j ) expresa una característca, posblemente representatva, del contexto h. De acuerdo con esto y con las consderacones de la seccón 3, lo sguente puede establecerse: Característca representatva: La descrpcón desc(h j ) del nodo h j S(h ) es una característca representatva del contexto h s: ( h ) f ( cov( ) ) cov j h Grafo conceptual raro: El grafo conceptual G cov(h ) es raro en el contexto h, s y desc del contexto h tal que: solo s, no exste nnguna característca representatva ( h j ) G cov( ). h j El conjunto de los grafos conceptuales raros del contexto h se denota como R(h ). Desvacón contextual : El grafo conceptual desc(h k ), relaconado con el nodo h < h, es una desvacón del contexto h, s y solo s: G ( h ) G R( h ) cov. En este caso, la sguente desvacón contextual puede establecerse: desc ( h ) desc( h ) : j ( ) cov hj r = cov ( h ) k cov, s = C ( h ) Esta defncón permte encontrar todas las desvacones contextuales (de acuerdo con una funcón f(n) preestablecda por el usuaro) en un conjunto dado de grafos conceptuales. Muchas de estas desvacones contenen nformacón redundante, esto es, k
7 nformacón mplícta en otras desvacones. Por ejemplo, s es raro que se hable de aves en un conjunto determnado de grafos conceptuales, entonces obvamente es aún más raro que se hable de aves de rapña. Entonces, es necesaro elmnar las desvacones contextuales redundantes. Desvacón contextual redundante : La desvacón contextual : gk ( α, β ) redundante s exste otra desvacón contextual g g ( γ, β ), tal que g k < g j. : j g es A contnuacón se descrbe el algortmo general para la deteccón de las desvacones contextuales en un conjunto de grafos conceptuales. Este algortmo recorre, en forma descendente, todos los nodos de la jerarquía conceptual. Para cada nodo h, que ndca un contexto específco de la coleccón, dentfca sus característcas representatvas y tambén sus grafos raros. Después, a partr del conjunto de grafos raros, detecta los nodos descendentes de h (h j < h ), cuya descrpcón desc(h j ) representa una desvacón para el contexto h. 1 procedure DetectaTodasDesvacones (H) 2 for each nodo h H: cov(h ) == 1 3 DesvaconesContextules (h ) 1 procedure DesvaconesContextuales (h c ) 2 f cov(h c ) / C mnsup 3 RARE cov(h c ) 4 for each nodo h s S(h c ) 5 f cov(h s ) > log 2 cov(h c ) 6 RARE cov(h s ) 7 for each nodo h s S(h c ) 8 f cov(h s ) log 2 cov(h c ) 9 DesvaconMaxma (h c, h s, RARE) 10 for each nodo h p P(h c ) 11 DesvaconesContextuales (h p ) 1 procedure DesvaconMaxma (h c, h d, RARE) 2 rareza = cov(h d ) / cov(h c ) 3 soporte = cov(h c ) / C 4 f h d RARE & rareza maxrar 5 OUT h c : h d (rareza/soporte) 6 else 7 for each nodo h s S(h d ) 8 DesvaconMaxma (h s ) Por ejemplo, consderemos el conjunto de grafos conceptuales de la fgura 1 y su agrupamento conceptual de la fgura 2 con la funcón f(n) = 0.4: Con el contexto [polítco], las característcas representatvas son [polítco] (agt) [crtcar] y [presdente], no hay grafos raros y por lo tanto tampoco desvacones. Con el contexto [polítco] (agt) [crtcar], la característca representatva es [canddato] (agt) [crtcar] (ptn) [canddato], en este caso G3 es raro y por lo tanto la desvacones es [presdente:castro] (agt) [crtcar] (ptn) [eleccón].
8 Con otros contextos, todos los hjos ndcan característcas representatvas y no hay desvacones. Entonces, la únca desvacón contextual es: [polítco] (agt) [crtcar]:[presdente:castro] (agt) [crtcar] (ptn) [eleccón] (.33/.75) Conclusones La deteccón de desvacones es un problema mportante de la mnería de datos. En este artculo se ntrodujo el problema de descubrr desvacones en un conjunto de datos semestructurados; en partcular, en un conjunto de grafos conceptuales. Típcamente, la deteccón automátca de desvacones se realza aplcando métodos de tpo estadístco o basados en dstanca. A dferenca de ellos, el método aquí propuesto se basa en las regulardades. Es decr, este método consdera que toda característca común a varos grafos de la coleccón es una característca representatva, y defne como raro cualquer grafo que no comparte nnguna de estas característcas. En general este método tene las sguentes característcas novedosas: 1. Permte detectar tanto los grafos raros del conjunto dado, como los patrones raros en dcho conjunto. Estos últmos señalan las característcas comunes y exclusvas de los grafos raros, y por lo tanto son una manera resumda de expresar las desvacones del conjunto de grafos. 2. Aprovecha el agrupamento conceptual de los grafos para dentfcar y construr los patrones raros. 3. Consdera las desvacones con respecto a dferentes contextos (subconjuntos) del conjunto de grafos, lo que permte vsualzar las desvacones desde dferentes perspectvas y a dferentes nveles de generalzacón. Agradecmentos Este trabajo se realzó con el apoyo parcal del CONACyT, CGEPI-IPN, y SNI, Méxco. Referencas 1. Arnng, Agrawal and Raghavan (1996), A Lnear Method for Devaton Detecton n Large Databases, Proc. of the 2nd Internatonal Conference on Knowledge Dscovery n Databases and Data Mnng, Barnett and Lews (1994), Outlers n Statstcal Data, New York: John Wley & Sons, Bournaud and Ganasca (1996), Conceptual Clusterng of Complex Objects: A Generalzaton Space based Approach, Lecture Notes n Artfcal Intellgence 954, Sprnger, Bournaud and Ganasca (1997), Accountng for Doman Knowledge n the Constructon of a Generalzaton Space, Lectures Notes n AI (1257), Sprnger-Verlag, 1997.
9 5. Ells and Lehmann (1994), Explotng the Induced Order on Type-Labeled Graphs for fast Knowledge Retreval, Conceptual Structures: Current Practces, Wllam M. Tepfenhart, Judth P. Dck and John F. Sowa Eds., Lecture Notes n Artfcal Intellgence 835, Sprnger-Verlag Genest and Chen (1997), An Experment n Document Retreval usng Conceptual Graphs, Conceptual structures: Fulfllng Perce s Dream. Lecture Notes n artfcal Intellgence 1257, Sprnger Godn, Mneau and Mssaou (1995), Incremental Structurng of Knowledge Bases, Internatonal KRUSE Symposum, August 11-13, Santa Cruz, Calforna, Guzmán (1996), Uso y Dseño de Mneros de Datos, Solucones Avanzadas, Num. 34, Han and Kamber (2001), Data Mnng: Concepts and Technques, Morgan Kaufmann Publshers, Hubers, Ouns and Chevallet (1996), Conceptual Graph Aboutness, Conceptual Structures: Knowledge Representaton as Interlngua. Peter W. Elkland, Gerard Ells, Graham Mann Eds., Lecture Notes n Artfcal Intellgence, Sprnger, Knorr and Ng (1998), Algorthms for Mnng Dstance-based Outlers n Large Datasets, Proc. of the Internatonal Conference on Very Large Data Bases (VLDB 98), Newport Beach, CA, Mchals k (1980), Knowledge Acquston thorough Conceptual Clusterng: A Theoretcal Framework and Algorthm for Parttonng Data nto Conjunctve Concepts, Internatonal Journal of Polcy Analyss and Informaton Systems, Vol. 4, Mneau and Godn (1995), Automatc Structurng of Knowledge Bases by Conceptual Clusterng, IEEE Transactons on Knowledge and Data Engneerng, 7(5), Montes -y-gómez, López-López, Gelbukh (2000a). Informaton Retreval wth Conceptual Graph Matchng. Proc. DEXA-2000, 11 th Internatonal Conference and Workshop on Database and Expert Systems Applcatons, Greenwch, England,. Lecture Notes n Computer Scence 1873, Sprnger-Verlag September 2000, pp Montes -y-gómez, Gelbukh and López-López (2000b), Comparson of Conceptual Graphs, Proc. MICAI-2000, 1 st Mexcan Internatonal Conference on Artfcal Intellgence, Lecture Notes n Artfcal Intellgence 1793, Sprnger Montes -y-gómez, Gelbukh, López-López and Baeza-Yates (2001a), Flexble Comparson of Conceptual Graphs, Proc. of DEXA-2001, 12 th Internatonal Conference and Workshop on Database and Expert Systems Applcatons, Lecture Notes n Computer Scence, Sprnger-Verlag, September Montes y Gómez, Gelbukh, López López, and Baeza -Yates (2001b). Text mnng wth conceptual graphs. Proc. NLPKE-2001, Mn symposum on Natural Language Processng and Knowledge Engneerng at SMC-2001, Systems, Man, And Cybernetcs, IEEE, 2001.
10 18. Myaeng, (1992), Usng Conceptual graphs for Informaton Retreval: A Framework for Adequate Representaton and Flexble Inferencng, Proc. of Symposum on Document Analyss and Informaton Retreval, Las Vegas, March Myaeng and López-López (1992), Conceptual Graph Matchng: a Flexble Algorthm and Experments, Journal of Expermental and Theoretcal Artfcal Intellgence, Vol. 4, 1992, pp Mugner (1995), On generalzaton/specalzaton for conceptual graphs, Journal of Expermental and Theoretcal Artfcal Intellgence, Vol. 7, Mugner and Chen (1992), Polynomal Algorthms for Projecton and Matchng, Proc. of thee 7th Conceptual Graphs Workshop, Las Cruces, NM, Sowa (1984), Conceptual Structures: Informaton Processng n Mnd and Machne, Addson-Wesley, Readng, M.A., Sowa (1999), Knowledge Representaton: Logcal, Phlosophcal and Computatonal Foundatons, Frst Edton, Thompson Learnng, 1999.
11 Detecton of abnormal patterns n a sem-structured data set * M. Montes-y-Gómez 1, A. Gelbukh 1, and A. López-López 2 1 Center for Computng Research (CIC-IPN), Mexco. mmontesg@susu.naoep.mx, gelbukh@cc.pn.mx 2 Natonal Insttute of Astrophyscs, Optcs, and Electroncs (INAOE), Mexco. allopez@naoep.mx Abstract. Detecton of devatons s an mportant problem n data mnng. We consder the dscovery of the devatons n a group sem-structured data set; n partcular, n data represented by conceptual graphs. Typcally, the automatc detecton of devatons s done wth statstcal or dstance-based methods. Our method, however, s based on the regulartes,.e., on characterstcs common to several graphs n the collecton. The method dscovers the graphs that do not share any of these regulartes. Also, the abnormal patterns are detected n the set, whch s a way to summarze the devatons found. Such patterns are dscovered usng the conceptual clusterng of the graphs. The method allows consderng the devatons regardng dfferent contexts (subsets) at the user s choce,.e., from dfferent perspectves and at dfferent generalzaton levels. Keywords: data mnng, text mnng, conceptual graphs, devatons, clusterng. * Work done wth partal support of CONACyT, CGEPI-IPN, and SNI, Mexco.
Un método de agrupamiento de grafos conceptuales para minería de texto *
Un método de agrupamento de grafos conceptuales para mnería de texto * M. Montes-y-Gómez y A. Gelbukh Centro de Investgacón en Computacón (CIC IPN, Méxco. mmontesg@susu.naoep.mx, gelbukh@cc.pn.mx A. López-López
Más detallesRESUMEN DE TESIS DOCTORAL. Minería de Texto empleando la Semejanza entre Estructuras Semánticas
RESUMEN DE TESIS DOCTORAL Computacón y Sstemas Vol. 9 Núm., pp. 063-08 2005, CIC-IPN, ISSN 405-5546, Impreso en Méxco Mnería de Texto empleando la Semeanza entre Estructuras Semántcas Text Mnng usng Comparson
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detallesCI63G Planificación de Sistemas de Transporte Público Urbano. Clase 8 Semestre Otoño 2008
CI63G Planfcacón de Sstemas de Transporte Públco Urbano Clase 8 Semestre Otoño 2008 Undades Temátcas 1. La oferta de transporte públco urbano (2 semanas) 2. La demanda por TPU (1,5 sem.) 3. Dseño y optmzacón
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 detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
Más detalles5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.
Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las
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 detallesCURSO 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 detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
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 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 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 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 detallesLA LÓGICA DIFUSA EN EL PROCESO DE RECUPERACIÓN DE INFORMACIÓN
LA LÓGICA DIFUSA EN EL PROCESO DE RECUPERACIÓN DE INFORMACIÓN Fernando Berzal, María J. Martín-Bautsta, María-Amparo Vla Ignaco J. Blanco Dpto. Cencas de la Computacón e Intelgenca Artfcal Dpto. Lenguajes
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 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 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 detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesMatemáticas Discretas
Coordnacón de Cencas Computaconales - INAOE Matemátcas Dscretas Cursos Propedéutcos 2010 Cencas Computaconales INAOE Dr. Lus Vllaseñor Pneda vllasen@naoep.mx http://ccc.naoep.mx/~vllasen Algo de nformacón
Más 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 detalles6 Impacto en el bienestar de los beneficiarios del PAAM
6 Impacto en el benestar de los benefcaros del PAAM Con el fn de evaluar el efecto del PAAM sobre sus benefcaros, se consderó como hpótess que el Programa ha nfludo en el mejoramento de la caldad de vda
Más detallesUniversidad Diego Portales Facultad de Economía y Empresa
Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr,
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 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 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 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 Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
Más detallesSistema Evolutivo Generador De Bases De Conocimiento
Sstema Evolutvo Generador De Bases De Conocmento Área de conocmento: Sstemas Basados en Conocmento Guadalupe Gaxola Castro 1, Olaf Yadr Cazarez Saraba 2, Jesús Manuel Olvares Ceja 3 1 Unversdad Autónoma
Más detallesRECONOCIMIENTO DE MARCAS DE GANADO
RECONOCIMIENTO DE MARCAS DE GANADO Gullermo Sampallo, Domngo Duarte, Damán Vázquez y Arturo González Thomas Facultad Regonal Resstenca Unversdad Tecnológca Naconal French 414 Resstenca Chaco sampallo@frre.utn.edu.ar
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 detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesReconocimiento automático de objetos basado en la relación dimensional
Reconocmento automátco de objetos basado en la relacón dmensonal Alejandro Israel Barranco Gutérrez 1 y José de Jesús Medel Juárez 2 1 Centro de Investgacón en Cenca Aplcada y Tecnología Avanzada, Calzada
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17
Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES
Más 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 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 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 detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesAnálisis de ruido en detectores ópticos.
Análss de rudo en detectores óptcos. La corrente real generada en un fotododo es de carácter aleatoro, cuyo valor fluctúa entre el valor promedo defndo por la foto-corrente: p = RP Dchas fluctuacones se
Más 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 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 detallesAlgunos métodos de clasificación de puestos de trabajo en la empresa
lgunos métodos de clasfcacón de puestos de trabajo en la empresa. lgunos métodos de clasfcacón de puestos de trabajo en la empresa Canós Darós, Lourdes, loucada@omp.upv.es Pers Ortz, Marta, marpeor1@omp.upv.es
Más detallesCircuitos eléctricos en corriente continúa. Subcircuitos equivalentes Equivalentes en Serie Equivalentes en Paralelo Equivalentes de Thevenin y Norton
ema II Crcutos eléctrcos en corrente contnúa Indce Introduccón a los crcutos resstvos Ley de Ohm Leyes de Krchhoff Ley de correntes (LCK) Ley de voltajes (LVK) Defncones adconales Subcrcutos equvalentes
Más detallesFORMULARIO PARA LA PRESENTACIÓN DE RESUMEN DE PONENCIA
FORMULARIO PARA LA PRESENTACIÓN DE RESUMEN DE PONENCIA TÍTULO DE LA PONENCIA: Heterogenedad en los perfles de ngreso y retornos a la educacón superor en el Perú AUTOR: Gustavo Yamada, Juan F. Castro y
Más detallesFORMA TRADICIONAL DE CÁLCULO DE DESPLAZAMIENTOS Y FUERZAS EN ESTRUCTURAS SIN MAMPOSTERÍA RESUMEN
CAPITULO 1 FORMA TRADICIONAL DE CÁLCULO DE DESPLAZAMIENTOS Y FUERZAS EN ESTRUCTURAS SIN MAMPOSTERÍA RESUMEN En la actualdad los métodos de dseño estructural y las consderacones que se realzan prevas al
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 detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más 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 detallesSEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN
Estadístca SEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN LOGRO DE APRENDIZAJE: Al fnalzar la sesón, el estudante estará en la capacdad de calcular e nterpretar meddas de tendenca central y poscón de
Más detallesCaptura de objetos móviles sobre una recta *
Morfsmos, Vol. 18, No. 1, 2014, pp. 45 55 Captura de objetos móvles sobre una recta * Lus E. Urbán Rvero Rafael López Bracho Francsco J. Zaragoza Martínez Resumen En el problema del agente vajero eucldano
Más detalles3.- Programación por metas.
Programacón Matemátca para Economstas 1 3.- Programacón por metas. Una vez menconados algunos de los nconvenentes de las técncas generadoras, la ncorporacón de nformacón se va a traducr en una accón del
Más detallesRobótica Tema 4. Modelo Cinemático Directo
UNIVERSIDAD POLITÉCNICA DE MADRID E.U.I.T. Industral ASIGNATURA: Robótca TEMA: Modelo Cnemátco Ttulacón: Grado en Ingenería Electrónca y Automátca Área: Ingenería de Sstemas y Automátca Departamento de
Más detallesRepresentación de páginas web a través de sus enlaces y su aplicación a la recuperación de información.
Representacón de págnas web a través de sus enlaces y su aplcacón a la recuperacón de nformacón. José Lus Alonso Berrocal (berrocal@gugu.usal.es) Carlos G. Fguerola (fgue@gugu.usal.es) Ángel Francsco Zazo
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 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 detallesTERMODINÁMICA AVANZADA
TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón
Más detallesCAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales
CAPÍTULO 3 METODOLOGÍA En el sguente capítulo se presenta al nco, defncones de algunos conceptos actuarales que se utlzan para la elaboracón de las bases técncas del Producto de Salud al gual que la metodología
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 detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
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 detallesIntroducción a la Química Computacional. Reservados todos los derechos de reproducción. Luis A. Montero Cabrera, Universidad de La Habana, Cuba, 2006.
TEORÍA SIMPLE DE ORBITALES MOLECULARES DE ÜCKEL (MO) En 93 Erck ückel planteó que la combnacón lneal de orbtales atómcos (LCAO) tomados como funcones hdrogenodes del tpo p z permte calcular los estados
Más detallesOPTIMIZACIÓN DE REDES BAYESIANAS BASADO EN TÉCNICAS DE APRENDIZAJE POR INDUCCIÓN FACULTAD DE INGENIERÍ A UNIVERSIDAD DE BUENOS AIRES
OTIMIZACIÓN DE REDES BAYESIANAS BASADO EN TÉCNICAS DE ARENDIZAJE OR INDUCCIÓN TESIS DE GRADO EN INGENIERÍA INFORMÁTICA FACULTAD DE INGENIERÍ A UNIVERSIDAD DE BUENOS AIRES TESISTA: Sr. ablo Ezequel FELGAER
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más 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 detallesTema 1: Jerarquía Digital Síncrona, SDH Disponibilidad de Sistemas
Tema : Jerarquía Dgtal Síncrona, SDH Dsponbldad de Sstemas Tecnologías de red de transporte de operadora MÁSTER EN INGENIERÍ TELEMÁTIC Profesor: Espín Defncones Fabldad (Relablty): Probabldad de que el
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesOptimización de la ecualización del histograma en el procesamiento de imágenes digitales
Optmzacón de la ecualzacón del hstograma en el procesamento de mágenes dgtales Roberto Depaol Lus A. Fernández Danel Daz rd-ng@unlm.edu.ar lfernand@unlm.edu.ar ddaz@unlm.edu.ar Departamento de Ingenería
Más detallesLa representación Denavit-Hartenberg
La representacón Denavt-Hartenberg José Cortés Parejo. Marzo 8 Se trata de un procedmeto sstemátco para descrbr la estructura cnemátca de una cadena artculada consttuda por artculacones con. un solo grado
Más detallesTRABAJO Y ENERGÍA INTRODUCCIÓN. requiere como varia la fuerza durante el movimiento. entre los conceptos de fuerza y energía mecánica.
TRABAJO Y ENERGÍA INTRODUCCIÓN La aplcacón de las leyes de Newton a problemas en que ntervenen fuerzas varables requere de nuevas herramentas de análss. Estas herramentas conssten en los conceptos de trabajo
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 detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallesObjetivo del tema. Esquema del tema. Economía Industrial. Tema 2. La demanda de la industria
Economía Industral Tema. La demanda de la ndustra Objetvo del tema Entender el modelo económco de comportamento del consumdor, fnalmente resumdo en la funcón de demanda. Comprender el carácter abstracto
Más detallesINSYS Advanced Dashboard for Enterprise
Enterprse Enterprse INSYS Advanced Dashboard for Enterprse Enterprse, es un tablero de control para llevar a cabo la Gestón de la Segurdad de la Informacón, Gestón de Gobernabldad, Resgo, Cumplmento (GRC)
Más detalles16.21 Técnicas de diseño y análisis estructural. Primavera 2003 Unidad 8 Principio de desplazamientos virtuales
16.21 Técncas de dseño y análss estructural Prmavera 2003 Undad 8 Prncpo de desplazamentos vrtuales Prncpo de desplazamentos vrtuales Tengamos en cuenta un cuerpo en equlbro. Sabemos que el campo de esfuerzo
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 detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
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 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 detallesDISEÑO DE UN SISTEMA DE CONTROL EN RED PARA REGULAR LA VELOCIDAD DE UN MOTOR DC
DISEÑO DE UN SISTEMA DE CONTROL EN RED PARA REGULAR LA VELOCIDAD DE UN MOTOR DC MARTÍNEZ Dego, ARÉVALO Fernando I., GIRALDO Carlos F. Grupo de Investgacón de Sstemas de Telemando y Control Dstrbudo - GITCoD
Más detallesFiltrado de información mediante prototipos borrosos y perfiles basados en criterios de calidad de datos
Fltrado de nformacón medante prototpos borrosos y perfles basados en crteros de caldad de datos Francsco P. Romero 1, Ismael Caballero 2, Jose A. Olvas 1, Eugeno Verbo 2 1 Departamento de Tecnologías y
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 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 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 detallesCentro Universitario UAEM Zumpango Ingeniería en Computación. Dr. Arturo Redondo Galván 1
Centro Unverstaro UAEM Zumpango Ingenería en Computacón 1 SEGURIDAD EN REDES UNIDAD III Crptografía y autentcacón Tema: Modos de operacón 2 OBJETIVO: Conocer e mplementar los dferentes modos de operacón
Más detallesTEMA 8: PRÉSTAMOS ÍNDICE
TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE
Más detallesCondiciones Generales TestQual 2013
Condcones Generales TestQual 2013 Ejerccos TestQual 2013: En el presente documento se descrben las Condcones Generales de aplcacón en los Programas de Intercomparacón de TestQual. Con la solctud de uno
Más detallesCAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED
Modelo en red para la smulacón de procesos de agua en suelos agrícolas. CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED IV.1 Modelo matemátco 2-D Exsten dos posbldades, no ndependentes, de acuerdo con
Más 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 detallesPráctica 12 - Programación en C++ Pág. 1. Practica Nº 12. Prof. Dr. Paul Bustamante. Informática II Fundamentos de Programación - Tecnun
Práctca 1 - Programacón en C++ Pág. 1 Práctcas de C++ Practca Nº 1 Informátca II Fundamentos de Programacón Prof. Dr. Paul Bustamante Práctca 1 - Programacón en C++ Pág. 1 INDICE ÍNDICE... 1 1.1 Ejercco
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 detallesPartición de Sistemas Eléctricos en Subsistemas menores para su Resolución Distribuida
VII ERLAC - Mayo 97 1 Partcón de Sstemas Eléctrcos en Subsstemas menores para su Resolucón Dstrbuda B. Barán +, D. Benítez y R. Ramos Centro Naconal de Computacón Unversdad Naconal de Asuncón Paraguay
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 detallesSISTEMA DIÉDRICO I Intersección de planos y de recta con plano TEMA 8 INTERSECCIONES. Objetivos y orientaciones metodológicas. 1.
Objetvos y orentacones metodológcas SISTEMA DIÉDRICO I Interseccón de planos y de recta con plano TEMA 8 Como prmer problema del espaco que presenta la geometría descrptva, el alumno obtendrá la nterseccón
Más detallesFUNDAMENTOS QUIMICOS DE LA INGENIERIA
FUNDAMENTOS QUIMICOS DE LA INGENIERIA (BLOQUE DE INGENIERIA QUIMICA) GUION DE PRACTICAS DE LABORATORIO ANTONIO DURÁN SEGOVIA JOSÉ MARÍA MONTEAGUDO MARTÍNEZ INDICE PRACTICA PAGINA BALANCE MACROSCÓPICO DE
Más detallesFacultad de Química. UNAM Alejandro Baeza
Facultad de Químca. UNM lejandro Baeza.006 Químca nalítca Instrumental I nálss de mezclas por espectrofotometría. Documento de apoyo. Dr. lejandro Baeza. Semestre 007-I.0 Selectvdad espectral en espectrofotometría
Más detallesTRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).
TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen
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 detalles