4. El perceptrón. 4.1 Introducción. 4.2 Consideraciones básicas
|
|
- María del Rosario San Segundo Cuenca
- hace 6 años
- Vistas:
Transcripción
1 4. El perceptrón 4.1 Introducción El perceptrón es la forma más simple de una red neuronal usada para la clasificación de un tipo especial de patrones, los linealmente separables (es decir, patrones que se encuentran a ambos lados de un hiperplano). Básicamente, consiste de una neurona con pesos sinápticos y umbral ajustables, como se muestra en la figura (4.1). El algoritmo usado para ajustar los parámetros libres de esta red neuronal apareció por primera vez en un procedimiento de aprendizaje desarrollado por Rosenblatt (1958) para su modelo de perceptrón del cerebro. En realidad, Rosenblatt demostró que si los patrones usados para entrenar el perceptrón son sacados de dos clases linealmente separables, entonces el algoritmo del perceptrón converge y toma como superficie de decisión un hiperplano entre estas dos clases. La prueba de convergencia del algoritmo es conocida como el teorema de convergencia del perceptrón. x 1 x 2 Entradas Salida y Umbral x p Figura 4.1 Representación gráfica de un perceptrón de una sola neurona El perceptrón de una capa descrito en la figura (4.1) tiene sólo una neurona. Dicho perceptrón está limitado a realizar clasificación de patrones con sólo dos clases. Expandiendo la capa de salida del perceptrón para incluir más que una neurona, podemos realizar dicha clasificación con más de dos clases. Sin embargo, las clases tendrían que ser linealmente separables para que el perceptrón trabaje correctamente. 4.2 Consideraciones básicas Como ya hemos visto, el modelo de una neurona consiste en un combinador lineal seguido de un limitador. Este modelo se puede ver en la figura (4.2). El nodo suma del mismo mide una combinación lineal de las entradas aplicadas a sus sinapsis y, además, representa un umbral aplicado externamente. La suma resultante es aplicada a un limitador. Así, de acuerdo a esto, la neurona produce una salida igual a +1 si la entrada del limitador es positiva, y -1 si es negativa. 1
2 Figura 4.2 Modelo de un perceptrón simple En la figura anterior, los pesos sinápticos son denotados por w 1, w 2,..., w p. Asimismo, las entradas aplicadas al perceptrón son denotadas por x 1, x 2,..., x p. El umbral externo es. Del modelo de la figura (4.2) podemos ver que la salida del combinador lineal (es decir, la entrada del limitador) es la siguiente: p v = w i x i (4.1) i= 1 El propósito del perceptrón es clasificar un conjunto de estímulos aplicados externamente x 1, x 2,..., x p en una de dos clases, llamadas 1 o 2 : La regla de decisión para la clasificación es asignar el punto representado por las entradas x 1, x 2,..., x p a la clase 1 si la salida del perceptrón es +1 y a la clase 2 si es -1. Para adquirir capacidad de penetración en el comportamiento de un clasificador de patrones, es frecuente dibujar un mapa de las regiones de decisión en el espacio de señal p- dimensional abarcado por las p variables de entrada x 1, x 2,..., x p. En el caso de un perceptrón elemental, hay dos regiones de decisión separadas por un hiperplano, el cual está definido por la siguiente ecuación: p i= 1 w i x i - = 0 (4.2) Esto se muestra en la figura (4.3) para el caso de dos variables de entrada x 1 y x 2, para las que la región de decisión toma la forma de una línea recta. Un punto (x 1,x 2 ) que se encuentre por encima de la línea divisoria se asigna a la clase 1, y un punto (x 1,x 2 ) que se encuentre por debajo de dicha línea se asigna a la clase 2. Notemos, asimismo, que el efecto del umbral es desplazar la región de decisión del origen. 2
3 Figura 4.3 Regiones de decisión de un problema de clasificación de patrones de dos clases Los pesos sinápticos w 1, w 2,..., w p del perceptrón pueden ser fijados o adaptados iteración tras iteración. Para la adaptación, podemos usar una regla de corrección de error conocida como algoritmo de convergencia del perceptrón. 4.3 Teorema de convergencia del perceptrón Para el desarrollo del algoritmo de aprendizaje por corrección de error para un perceptrón de una capa, encontramos más conveniente trabajar con el modelo descrito en la figura (4.4). En este segundo modelo, el umbral (n) es tratado como un peso sináptico conectado a una entrada fija e igual a -1. Así pues, podemos definir el vector de entrada como x(n) = [-1, x 1 (n), x 2 (n),..., x p (n)] T (4.3) Asimismo, definimos el vector de pesos como w(n) = [(n), w 1 (n), w 2 (n),..., w p (n)] T (4.4) De este modo, la salida del combinador lineal puede ser escrita de forma compacta, como se muestra en la siguiente ecuación: v(n) = w T (n)x(n) (4.5) Dado un n fijado, la ecuación w T x = 0, representada en un espacio p-dimensional de coordenadas x 1, x 2,..., x p, define un hiperplano como superficie de decisión entre dos clases diferentes de entradas. 3
4 Figura 4.4 Modelo de un perceptrón simple con una entrada fija Suponemos, entonces, que las variables de entrada del perceptrón de una capa originan dos clases linealmente separables a ambos lados de un hiperplano. Denotamos por X 1 al subconjunto de vectores de entrenamiento x 1 (1), x 1 (2),... que pertenecen a la clase 1, y por X 2 al subconjunto de de vectores de entrenamiento x 2 (1), x 2 (2),... que pertenecen a la clase 2. La unión de X 1 y X 2 da el conjunto completo de entrenamiento X. Dados los paquetes de entrenamiento X 1 y X 2 para entrenar al clasificador, el proceso de entrenamiento involucra el ajuste del vector de pesos w de forma que las dos clases 1 y 2 sean separables. Esas dos clases se dice que son linealmente separables si existe un vector de pesos sinápticos w realizable. A la inversa, si se sabe que las dos clases 1 y 2 son linealmente separables, entonces existe un vector de pesos w tal que cumple con las siguientes expresiones: w T (n)x(n) 0 para cada vector de entrada x que pertenezca a la clase 1 y (4.6) w T (n)x(n) < 0 para cada vector de entrada x que pertenezca a la clase 2 Dados los subconjuntos de entrenamiento X 1 y X 2, el problema de entrenamiento del perceptrón elemental (de una sola capa) es, por lo tanto, encontrar un vector de pesos w tal que satisfaga las dos inecuaciones anteriores. El algoritmo para adaptar el vector de pesos del perceptrón elemental puede ser formulado ahora como sigue: 4
5 1. Si el enésimo elemento del vector de entrenamiento x(n) es clasificado correctamente por el vector de pesos w(n) calculado en la enésima iteración del algoritmo, no se lleva a cabo ninguna corrección del vector de pesos del perceptrón, como se muestra a continuación: w(n+1) = w(n) si w T (n)x(n) 0 y x(n) que pertenezca a la clase 1 y (4.7) w(n+1) = w(n) si w T (n)x(n) < 0 y x(n) que pertenezca a la clase 2 2. Por otro lado, el vector de pesos del perceptrón se actualiza de acuerdo a la regla siguiente: w(n+1) = w(n) (n)x(n) si w T (n)x(n) 0 y x(n) que pertenezca a la clase 2 y (4.8) w(n+1) = w(n) + (n)x(n) si w T (n)x(n) < 0 y x(n) que pertenezca a la clase 1 donde el parámetro tasa de aprendizaje (n) controla el ajuste aplicado al vector de pesos en la iteración n. Si (n) = > 0, donde es una constante independiente del número de iteración n, tenemos una regla de adaptación de incremento fijo para el perceptrón. A continuación, primero probamos la convergencia de una regla de adaptación de incremento fijo en la que = 1. Claramente, el valor de n no es importante, sino que lo importante es que sea un valor positivo. Un valor de 1simplemente escala los vectores de patrones sin afectar a su separabilidad. La prueba se presenta para la condición inicial w(0) = 0. Suponemos que w T (n)x(n) < 0 para n = 1, 2, y un vector de entrada x(n) que pertenece al subconjunto X 1. Esto es, el perceptrón clasifica incorrectamente a los vectores x(1), x(2),, desde que la segunda condición de la ecuación (4.6) es violada. Entonces, con la constante (n) = 1, nosotros podemos usar la segunda línea de la ecuación (4.8) para escribir w(n+1) = w(n) + x(n) si x(n) pertenece a la clase 1 (4.9) Dada la condición inicial w(0) = 0, podemos resolver iterativamente esta ecuación para w(n+1), obteniendo el siguiente resultado: w(n+1) = x(1) + x(2) + + x(n) (4.10) 5
6 Desde que se asume que las clases 1 y 2 son linealmente separables, existe una solución wo para la que w T (n)x(n) > 0 para los vectores x(1), x(2),, x(n) pertenecientes al subconjunto X 1. Para una solución fija wo, podemos definir un número positivo mediante la relación: = min x(n) X1 wo T (n)x(n) (4.11) Así, multiplicando ambos lados de la ecuación (4.10) por el vector fila wo T, obtenemos la siguiente expresión: wo T w(n+1) = wo T x(1) + wo T x(2) + + wo T x(n) (4.12) De acuerdo a esto, y en base a la definición dada en la ecuación (4.11), tenemos la expresión siguiente: wo T w(n+1) n (4.13) A continuación podemos hacer uso de una inecuación conocida como inecuación de Cauchy-Schwarz. Dados dos vectores wo y w(n+1), esta inecuación dice que wo 2 w(n+1) 2 [wo T w(n+1)]2 (4.14) donde denota la norma Euclídea y wo T w(n+1) es un escalar. Notamos que, viendo la ecuación (4.13), [wo T w(n+1)]2 puede ser sustituido por n2, manteniéndose el cumplimiento de la inecuación, y quedando: o, equivalentemente, wo 2 w(n+1) 2 n2 (4.15) n 2 w(n+1) 2 (4.16) w o 2 Ahora seguimos por otro camino. En particular, rescribimos la ecuación (3.9) de la siguiente forma: w(k+1) = w(k) +x(k) para k = 1,..., n y x(k) perteneciente a X 1 (4.17) Así, tomando la norma Euclídea a ambos lados de la ecuación (4.17), conseguimos 6
7 w(k+1) 2 = w(k) 2 + x(k) 2 + 2w T (k)x(k) (4.18) Pero, bajo la suposición de que el perceptrón clasifica incorrectamente un vector de entrada x(k) que pertenece al subconjunto X 1, tenemos que w T (k)x(k) < 0. Por tanto, deducimos de la ecuación (4.18) que w(k+1) 2 w(k) 2 + x(k) 2 (4.19) o, equivalentemente w(k+1) 2 - w(k) 2 x(k) 2 para k = 1,..., n (4.20) Añadiendo esas inecuaciones para k = 1,..., n, y sumando la condición inicial w(0) = 0, obtenemos la siguiente condición: n w(k+1) 2 x(k) 2 n (4.21) k= 1 donde es un número positivo definido por = max x ( k ) X1 x(k) 2 (4.22) La ecuación (4.21) dice que la norma Euclídea cuadrada del vector de pesos w(n+1) crece mucho con el número de iteraciones n. Claramente, el segundo resultado de la ecuación (4.21) está en conflicto con el resultado de la ecuación (4.16) para valores lo suficientemente grandes de n. En realidad, podemos decir que n no puede ser mayor que un valor nmax para el que las ecuaciones (4.16) y (4.21) se satisfacen con el signo de la igualdad. Esto es, nmax es la solución de la ecuación n 2 max 2 n max = (4.23) w o 2 Resolviendo nmax para un vector solución wo, encontramos que w o 2 n max = (4.24) 2 7
8 Hemos demostrado, por tanto, que para (n) = 1 y w(0) = 0, y suponiendo que existe una solución wo, la regla para adaptar los pesos sinápticos que conectan las unidades asociativas a la unidad de respuesta del perceptrón debe terminar tras, como mucho, n iteraciones. Notemos que en las ecuaciones (4.11), (4.22) y (4.23) no hay una única solución para wo o nmax. Ahora podemos enunciar el teorema de convergencia de incremento fijo para un perceptrón de una capa como sigue: Sean los subconjuntos de entrenamiento X 1 y X 2 linealmente separables. Sean las entradas presentadas al perceptrón las originadas por esos subconjuntos. El perceptrón converge tras n o iteraciones, en el sentido de que w(no) = w(no+1) = w(no+2) =... (4.25) es un vector solución para n o n max. Consideramos a continuación el procedimiento de corrección de error para la adaptación de un perceptrón de una sola capa, para el que (n) es variable. En particular, dejamos que (n) sea el menor entero para el que (n)x T (n)x(n) > w T (n)x(n) (4.26) Con este procedimiento vemos que el producto escalar w T (n)x(n) en la iteración n tiene un signo incorrecto, por lo que w T (n+1)x(n) tendría el signo correcto. Esto sugiere que si w T (n)x(n) tiene un signo incorrecto, podemos modificar la secuencia de entrenamiento en la iteración n+1 haciendo x(n+1) = x(n). En otras palabras, cada patrón es presentado repetidamente al perceptrón hasta que el patrón es clasificado correctamente. Hay que hacer notar también el uso de un valor inicial w(0) diferente de la condición nula simplemente conllevará un aumento o decremento en el número de iteraciones requeridas para alcanzar la convergencia, dependiendo de cómo se relaciona w(0) con wo Resumen del algoritmo de convergencia del perceptrón Variables y parámetros: x(n) = [-1, x1(n), x2(n),..., xp(n)] T es el vector de entradas w(n) = [(n), w1(n), w2(n),..., wp(n)] T es el vector de pesos (n) es el umbral y(n) es la respuesta actual d(n) es la respuesta deseada n es el parámetro tasa de aprendizaje, una constante positiva menor que la unidad Paso 1: inicialización 8
9 Hacemos w(0) = 0 y se llevan a cabo los siguientes cálculos en los instantes de tiempo n = 1, 2,... Paso 2: activación En el instante de tiempo n, se activa el perceptrón aplicando el vector de entrada x(n) y l la respuesta deseada d(n). Paso 3: cálculo de la respuesta actual Se calcula la respuesta actual del perceptrón: y(n) = sgn[w T (n)x(n)] (4.27) donde sgn(n) es la función signo (vale +1 si n > 0, y -1 si n < 0). Paso 4: adaptación del vector de pesos Se actualiza el vector de pesos del perceptrón: w(n+1) = w(n) + n[d(n) - y(n)]x(n) (4.28) donde +1 si x(n) pertenece a la clase 1 d(n) = (4.29) -1 si x(n) pertenece a la clase 2 Paso 5: Se incrementa n en una unidad y se vuelve al paso 2. Como podemos ver, la adaptación del vector de pesos w(n) es realizada en forma de regla de aprendizaje corrección de error, como se muestra en la figura (4.25), en la que es el parámetro tasa de aprendizaje (parámetro que es positivo y que varía de 0 a 1) y la diferencia d(n) - y(n) juega el papel de señal de error. A la hora de asignar un valor a dentro de su rango de validez, hay que tener en cuenta dos cosas: - Un promediado de las entradas pasadas para proporcionar estimaciones de pesos estables, las cuales requieren una pequeña. - Una rápida adaptación con respecto a cambios reales en las distribuciones subyacentes del proceso responsable de la generación del vector de entrada x, la cual requiere una grande. 9
10 4.4 Medida del rendimiento En la sección anterior hemos desarrollado el algoritmo de convergencia del perceptrón sin ninguna referencia a la medida del rendimiento. Cuál es una medida adecuada del rendimiento para un perceptrón de una sola capa? Una elección lógica sería la probabilidad media de clasificación de error, que se define como la probabilidad media de que e perceptrón tome una decisión en favor de una clase particular cuando el vector de entrada es sacado de la otra clase. Desafortunadamente, dicha medida no deriva analíticamente a un algoritmo de aprendizaje. Shynk (1990) propuso el uso de una función de rendimiento que corresponde a la operación de un perceptrón, mostrada como una esperanza matemática J = -E[e(n)v(n)] (4.30) donde e(n) es la señal de error definida como la diferencia entre la respuesta deseada d(n) y la respuesta actual y(n) del perceptrón, y v(n) es la salida del combinador lineal. Nótese que la señal de error e(n) no es una señal cuantizada, sino que se trata de la diferencia de dos señales cuantizadas. El estimador instantáneo de la función de rendimiento es la función variante con el tiempo siguiente: (n) = -e(n)v(n) = -[d(n) - y(n)]v(n) (4.31) El vector gradiente instantáneo se define como la derivada del estimador (n) con respecto al vector de pesos w(n), como se muestra aquí: Ĵ( n) w (n) = (4.32) w( n) De este modo, reconociendo que la respuesta deseada d(n) es independiente de w(n) y el hecho de que la respuesta actual y(n) tenga un valor constante igual a -1 o a +1, podemos ver que, usando la ecuación (4.31) en la (4.32), obtenemos w (n) = -[d(n) - y(n)] v( n) w( n) (4.33) Ya vimos que v(n) = w T (n)x(n), por lo que llegamos a v( n) = x(n) (4.34) w( n) Así pues, el uso de la ecuación (4.34) en la (4.33) da como resultado 10
11 w (n) = -[d(n) - y(n)]x(n) (4.35) De este modo, de acuerdo a la regla de corrección de error ya descrita, podemos expresar el cambio aplicado al vector de pesos como w(n) = - w (n) = [d(n) - y(n)]x(n) (4.36) donde n es el parámetro tasa de aprendizaje. Ésta es precisamente la corrección hecha al vector de pesos cuando pasamos de la iteración n a la n+1. De esta forma, acabamos de demostrar que la función de rendimiento instantáneo (n) es, en realidad, la medida de rendimiento correcta para un perceptrón de una sola capa. 11
Inteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesTema 2 Primeros Modelos Computacionales
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M. Galván - José Mª Valls Tema 2 Primeros Modelos Computacionales 1 Primeros Modelos Computacionales Perceptron simple
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesREDES NEURONALES ADAPTABLES
REDES NEURONALES ADAPTABLES Unidad 3: Redes neuronales artificiales y modelos de entrenamiento SubTemas 3.2 Perceptron simple Arquitectura Regla delta Multi Layer Perceptrón 3.3 Redes Neuronales Adaptables
Más detallesTécnicas de inteligencia artificial. Aprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Aprendizaje: Perceptrón multi-capa Índice Regla delta Modelo computacional Neuronas e hiperplanos Entrenamiento como ajuste supervisado No-separabilidad lineal Backpropagation
Más detallesTema 1: Matrices. El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico.
Tema 1: Matrices El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico. 1. Terminología Comenzamos con la definición de matriz
Más detallesMatrices, determinantes y sistemas de ecuaciones lineales
Matrices, determinantes y sistemas de ecuaciones lineales David Ariza-Ruiz 10 de octubre de 2012 1 Matrices Una matriz es una tabla numérica rectangular de m filas y n columnas dispuesta de la siguiente
Más detallesAnálisis de Datos. Regresión logística. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Regresión logística Profesor: Dr. Wilfrido Gómez Flores 1 Regresión logística Supóngase que se tiene una variable binaria de salida Y, y se desea modelar la probabilidad condicional P(Y=1
Más detallesTema: Aprendizaje Supervisado.
Sistemas Expertos e Inteligencia Artificial. Guía No. 9 1 Tema: Aprendizaje Supervisado. Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Objetivos Específicos
Más detallesUna matriz es un arreglo rectangular de números. Los números en el arreglo se llaman elementos de la matriz. ) ( + ( ) ( )
MATRICES Una matriz es un arreglo rectangular de números. Los números en el arreglo se llaman elementos de la matriz. Ejemplo 1. Algunos ejemplos de matrices ( + ( ) ( + ( ) El tamaño o el orden de una
Más detallesun conjunto cuyos elementos denominaremos vectores y denotaremos por es un espacio vectorial si verifica las siguientes propiedades:
CAPÍTULO 2: ESPACIOS VECTORIALES 2.1- Definición y propiedades. 2.1.1-Definición: espacio vectorial. Sea un cuerpo conmutativo a cuyos elementos denominaremos escalares o números. No es necesario preocuparse
Más detalles2.1 Descripción en espacio de estado de sistemas dinámicos
2 Análisis de sistemas lineales 2.1 Descripción en espacio de estado de sistemas dinámicos El objetivo de este capítulo es formular una teoría general de describir los sistemas dinámicos en funcion de
Más detallesRedes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
Más detallesEL AXIOMA DEL SUPREMO. Cotas, supremos e ínfimos
EL AXIOMA DEL SUPREMO Cotas, supremos e ínfimos La gran diferencia entre el conjunto Q de los racionales y R, el conjunto de los números reales, es que este último es un modelo para el continuo de puntos
Más detallesEspacios Vectoriales Asturias: Red de Universidades Virtuales Iberoamericanas 1
Espacios Vectoriales 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Espacios Vectoriales... 4 1.1 Definición de espacio vectorial... 4 1.2 Definición de subespacio vectorial...
Más detallesUna forma fácil de recordar esta suma (regla de Sarrus): Primero vamos a estudiar algunas propiedades de los determinantes.
Una forma fácil de recordar esta suma (regla de Sarrus): Ejemplos: Tarea: realizar al menos tres ejercicios de cálculo de determinantes de matrices de 2x2 y otros tres de 3x3. PARA DETERMINANTES DE MATRICES
Más detallesDEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES
ALGEBRA DE MATRICES DEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES DEFINICIONES 2 Las matrices y los determinantes son herramientas
Más detallesMatriz asociada a una transformación lineal respecto a un par de bases
Matriz asociada a una transformación lineal respecto a un par de bases Ejercicios Objetivos Comprender cómo se describe una transformación lineal (que actúa en espacios vectoriales de dimensiones finitas)
Más detallesAlgebra lineal y conjuntos convexos 1
Algebra lineal y conjuntos convexos Solución de sistemas. Espacios vectoriales. 3 Conjuntos convexos. 4 Soluciones básicas puntos extremos. Rango de una matriz A R m n. Reducir A a una matriz escalonada
Más detallesCálculo diferencial e integral I. Eleonora Catsigeras
Cálculo diferencial e integral I Eleonora Catsigeras Universidad de la República Montevideo, Uruguay 01 de setiembre de 2011. CLASE 14 complementaria. Sobre sucesiones y conjuntos en la recta real. Sucesiones
Más detallesAnexo Redes Neuronales
Anexo Redes Neuronales Félix Monasterio-Huelin y Álvaro Gutiérrez 8 de abril de 2016 Índice Índice 1 Índice de figuras 1 1. El entorno del robot 2 2. Neurona y funciones de activación 2 2.1. Vector de
Más detallesMatrices y determinantes
Matrices y determinantes 1 Ejemplo Cuál es el tamaño de las siguientes matrices? Cuál es el elemento a 21, b 23, c 42? 2 Tipos de matrices Matriz renglón o vector renglón Matriz columna o vector columna
Más detallesEspacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados
Capítulo 5 Espacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados En este tema iniciamos el estudio de los conceptos geométricos de distancia y perpendicularidad en K n. Empezaremos con las definiciones
Más detalles6.7. Clasificación de formas cuadráticas
6.7 Clasificación de s s 1.1. Definición de s s en R n El concepto básico que sirve para definir una es el de polinomio homogéneo de segundo grado en varias variables. En toda esta sección sobreentenderemos
Más detallesJosé Humberto Serrano Devia Página 1
Similitudes entre el espacio y las series de Fourier Funciones Ortogonales En esta sección se muestra la forma en que los conceptos vectoriales de producto interno, o producto escalar, y el de ortogonalidad
Más detallesTeoría Tema 6 Ecuaciones de la recta
página 1/14 Teoría Tema 6 Ecuaciones de la recta Índice de contenido Base canónica en dos dimensiones como sistema referencial...2 Ecuación vectorial de la recta...4 Ecuación paramétrica de la recta...6
Más detallesE.T.S. Minas: Métodos Matemáticos Ejercicios Tema 4 Métodos iterativos para sistemas de ecuaciones
ETS Minas: Métodos Matemáticos Ejercicios Tema Métodos iterativos para sistemas de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detallesMatrices. Álgebra de matrices.
Matrices. Álgebra de matrices. 1. Definiciones generales Definición 1.1 Si m y n son dos números naturales, se llama matriz de números reales de orden m n a una aplicación A : {1, 2, 3,..., m} {1, 2, 3,...,
Más detallesUNIDAD I: SISTEMAS DE DOS ECUACIONES CON DOS INCÓGNITAS
UNIDAD I: SISTEMAS DE DOS ECUACIONES CON DOS INCÓGNITAS Sistemas de dos ecuaciones con dos incógnitas. Método de igualación. Método de reducción. Método de sustitución Método de eliminación Gaussiana.
Más detallesEl espacio euclideano
Capítulo 1 El espacio euclideano 1. Definiciones básicas El espacio Euclideano, denotado por R n, está definido por el conjunto (1.1) R n = {x = (x 1, x 2,..., x n ) : x i R}. Es decir, R n es efectivamente
Más detallesCONCLUSIONES. La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con
319 CONCLUSIONES La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con respecto a otros modelos típicos de solución de problemas de Ingeniería, una de ellas es su inspiración en modelos
Más detallesEL ESPACIO AFÍN. se distinguen, además de su origen A y su extremo B, las siguientes
VECTOR FIJO Y VECTOR LIBRE. Sea E el espacio ordinario. EL ESPACIO AFÍN Llamaremos vector fijo a cualquier segmento orientado dado por dos puntos A y B del espacio E. Al punto A lo llamamos origen del
Más detallesMATRICES. Se simboliza tal matriz por y se le llamará una matriz x o matriz de orden x (que se lee por ).
1 MATRICES 1 Una matriz es una disposición rectangular de números (Reales); la forma general de una matriz con filas y columnas es Se simboliza tal matriz por y se le llamará una matriz x o matriz de orden
Más detallesDerivación de funciones de varias variables.
Derivación de funciones de varias variables. En este apartado se presentan los conceptos básicos que aparecen en la derivación de funciones de varias variables. La idea es establecer un método para estudiar
Más detalles2.5 Dependencia Lineal, Independencia Lineal, Wronskiano 74
.5 Dependencia Lineal, Independencia Lineal, Wronskiano 74.5 Dependencia Lineal, Independencia Lineal, Wronskiano Dependencia Lineal Definición.5. Se dice que un conjunto de funciones f, f,... fn ( ) es
Más detallesa) Producto interno: Si y son vectores de, definimos su producto punto, producto interno o producto escalar como
Similitudes entre el espacio y las series de Fourier Funciones Ortogonales En esta sección mostraremos la forma en que los conceptos vectoriales de producto interno, o producto escalar, y el de ortogonalidad
Más detallesTEMA 6: GEOMETRÍA ANALÍTICA EN EL PLANO
Alonso Fernández Galián Tema 6: Geometría analítica en el plano TEMA 6: GEOMETRÍA ANALÍTICA EN EL PLANO La geometría analítica es el estudio de objetos geométricos (rectas, circunferencias, ) por medio
Más detallesEjercicio 1: [20 puntos: respuesta acertada = +1, respuesta incorrecta = 1]
Ejercicio 1: [20 puntos: respuesta acertada = +1, respuesta incorrecta = 1] Complete las frases que se muestran a continuación con las alternativas especificadas. En la siguiente tabla, indique "V" o "F"
Más detallesMODELACION EN VARIABLES DE ESTADO
CAPÍTULO VIII INGENIERÍA DE SISTEMAS I MODELACION EN VARIABLES DE ESTADO 8.1. DEFINICIONES Estado: El estado de un sistema dinámico es el conjunto más pequeño de variables de modo que el conocimiento de
Más detallesExamen de Septiembre de TACCIII y TAI (Modelo 2)
Examen de Septiembre de TACCIII y TAI (Modelo 2) 12 de septiembre de 2008 1. La desordenación de la base de datos puede influir en el resultado obtenido mediante a) clasificación por distancia a las medias
Más detallesBase y Dimensión de un Espacio Vectorial
Base y Dimensión de un Espacio Vectorial 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Qué es un sistema generador?... 4 2 Base de un espacio vectorial... 4 3 Dimensión de un
Más detallesMétodos Numéricos: Ejercicios resueltos
Métodos Numéricos: Ejercicios resueltos Tema 6: Resolución aproximada de sistemas de ecuaciones lineales Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica
Más detallesEspacios vectoriales
Espacios vectoriales [Versión preliminar] Prof. Isabel Arratia Z. Algebra Lineal 1 En el estudio de las matrices y, en particular, de los sistemas de ecuaciones lineales realizamos sumas y multiplicación
Más detallesTEMA 7: MATRICES. OPERACIONES.
TEMA 7: MATRICES. OPERACIONES. 1. MATRICES. TIPOS DE MATRICES. Se llama matriz de orden m x n (m filas y n columnas) a un conjunto de m n elementos, distribuidos en m filas y n columnas y encerrados entre
Más detallesTEMA 1 Álgebra de matrices 4 sesiones. TEMA 2 Determinantes 4 sesiones. TEMA 3 Sistemas de ecuaciones 4 sesiones
1.1. MATEMÁTICAS II TEMPORALIZACIÓN Y SECUENCIACIÓN: TEMA 1 Álgebra de matrices 4 sesiones TEMA 2 Determinantes 4 sesiones TEMA 3 Sistemas de ecuaciones 4 sesiones TEMA 4 Vectores en el espacio 4 sesiones
Más detallesCurso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo
Curso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay
Más detalles1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS
1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS 1.1 SISTEMAS DE ECUACIONES LINEALES Una ecuación lineal es una ecuación polinómica de grado 1, con una o varias incógnitas. Dos ecuaciones son equivalentes
Más detallesÁlgebra Lineal. Tema 6. Transformaciones lineales y matrices
Álgebra Lineal Tema 6. Transformaciones lineales y matrices Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J. S ALAS, A. T ORRENTE Y E.J.S.
Más detallesConjuntos finitos y conjuntos numerables
Tema 3 Conjuntos finitos y conjuntos numerables En este tema vamos a usar los números naturales para contar los elementos de un conjunto, o dicho con mayor precisión, para definir los conjuntos finitos
Más detallesTEMA 8. GEOMETRÍA ANALÍTICA.
TEMA 8. GEOMETRÍA ANALÍTICA. 8..- El plano. Definimos el plano euclideo como el conjunto de puntos ( x, y) R. Así, cada punto del plano posee dos coordenadas. Para representar puntos del plano utilizaremos
Más detallesProblemas de flujo en redes: aplicación a redes de transporte urbano
Problemas de flujo en redes: aplicación a redes de transporte urbano Cristián E. Cortés Universidad de Chile V Escuela de Invierno, Luis A. Santaló 23-27 de Julio 2012 1 1 Outline Caracterización del equilibrio
Más detallesELEMENTOS DE GEOMETRÍA. Eduardo P. Serrano
ELEMENTOS DE GEOMETRÍA Eduardo P. Serrano Este Apunte de Clase está dirigido a los alumnos de la materia Elementos de Cálculo Numérico para Biólogos. Tiene por objeto exponer algunos conceptos básicos
Más detallesRedes neuronales con funciones de base radial
Redes neuronales con funciones de base radial Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización: RBF-NN Motivación y orígenes RBF Arquitectura
Más detallesde la forma ), i =1,..., m, j =1,..., n, o simplemente por (a i j ).
INTRODUCCIÓN. MATRICES Y DETERMINANTES Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de las derivadas parciales.
Más detallesObjetivos formativos de Álgebra
Objetivos formativos de Álgebra Para cada uno de los temas el alumno debe ser capaz de hacer lo que se indica en cada bloque. Además de los objetivos que se señalan en cada tema, se considera como objetivo
Más detallesGeometría Analítica Espacios Vectoriales VECTORES EN EL PLANO
VECTORES EN EL PLANO 1 ESPACIO VECTORIAL Un vector fijo es una pareja ordenada de puntos en el plano (origen y extremo) Si A y B son dichos puntos, representaremos el vector por AB Gráficamente, lo representamos
Más detallesTema 1. Espacios Vectoriales. Sistemas de ecuaciones.
Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada Fortes)
Más detallesLOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
Más detallesConjuntos finitos y conjuntos numerables
Tema 3 Conjuntos finitos y conjuntos numerables En este tema vamos a usar los números naturales para contar los elementos de un conjunto, o dicho con mayor precisión, para definir los conjuntos finitos
Más detallesMétodo de mínimos cuadrados (Continuación)
Clase No. 11: MAT 251 Método de mínimos cuadrados (Continuación) Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT
Más detallesDos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan el mismo lugar en ambas son iguales
Introducción Las matrices aparecen por primera vez hacia el año 1850, introducidas por J.J. Sylvester. El desarrollo inicial de la teoría se debe al matemático W.R. Hamilton en 1853. En 1858, A. Cayley
Más detallesTEMA VI 1. MÉTODO DE ELIMINACIÓN DE GAUSS Y GAUSS JORDAN PARA RESOLVER SISTEMAS DE ECUACIONES LINEALES.
TEMA VI 1. MÉTODO DE ELIMINACIÓN DE GAUSS Y GAUSS JORDAN PARA RESOLVER SISTEMAS DE ECUACIONES LINEALES. El método de Eliminación de Gauss consiste en transformar un sistema de ecuaciones lineales (S.E.L.)
Más detallesTareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Más detallesPerceptrón multicapa. Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL
Perceptrón multicapa Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización Un poco de historia... Cómo resolver el problema XOR? Métodos de gradiente
Más detallesMATEMÁTICAS 2º BACH TECNOL. MATRICES. Profesor: Fernando Ureña Portero MATRICES
CONCEPTO DE MATRIZ Definición: Se denomina matriz A o (a ij ) a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas : Columnas Filas Elemento a ij : Cada uno
Más detallesMétodo de Gradientes Conjugados.
Método de Gradientes Conjugados. Lourdes Fabiola Uribe Richaud & Juan Esaú Trejo Espino. Instituto Politécnico Nacional Escuela Superior de Física y Matemáticas February 17, 2015 1 Método de Direcciones
Más detalles1 ÁLGEBRA DE MATRICES
1 ÁLGEBRA DE MATRICES 1.1 DEFINICIONES Las matrices son tablas numéricas rectangulares. Se dice que una matriz es de dimensión m n si tiene m filas y n columnas. Cada elemento de una matriz se designa
Más detallesCRITERIOS DE SELECCIÓN DE MODELOS
Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,
Más detallesLlamaremos número real a cualquier fracción decimal. Las fracciones decimales periódicas se llaman números racionales, así:
Capítulo 1 Números Reales 1.1. Introducción Llamaremos número real a cualquier fracción decimal. Ejemplos:, 0;, 3333...;, 5; 0,785; 3, 14159...;,718818...; 1,414136... Las fracciones decimales periódicas
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Claudio Javier Tablada Germán Ariel Torres Resumen. Una Red Neuronal Artificial es un modelo matemático inspirado en el comportamiento biológico de las neuronas y en la estructura
Más detallesPráctica 3. Nombre del curso: Teoría Moderna de la Detección y Estimación. Autores: Emilio Parrado Hernández
Práctica 3 Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Emilio Parrado Hernández Práctica 3: Cancelación de ruido mediante filtrado. Teoría Moderna de la Detección y la Estimación
Más detallesMatemáticas 2ºBachillerato Aplicadas a las Ciencias Sociales
Matemáticas 2ºBachillerato Aplicadas a las Ciencias Sociales 1era evaluación. Matrices Definición: Una matriz es un conjunto de números ordenados en filas y columnas. Para definirla se utilizan letras
Más detallesUna matriz es un arreglo rectangular de elementos. Por ejemplo:
1 MATRICES CONCEPTOS BÁSICOS Definición: Matriz Una matriz es un arreglo rectangular de elementos. Por ejemplo: es una matriz de 3 x 2 (que se lee 3 por 2 ) pues es un arreglo rectangular de números con
Más detallesTema 1. Espacios Vectoriales. Sistemas de ecuaciones.
Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada Fortes)
Más detallesTema 7: Problemas clásicos de Programación Lineal
Tema 7: Problemas clásicos de Programación Lineal 1.- Características generales de un problema de transporte y asignación Surgen con frecuencia en diferentes contextos de la vida real. Requieren un número
Más detallesIntegral de Fourier y espectros continuos
9 2 2 2 Esta expresión se denomina forma de Angulo fase (o forma armónica) de la serie de Fourier. Integral de Fourier y espectros continuos Las series de Fourier son una herramienta útil para representar
Más detallesACTIVIDADES SELECTIVIDAD MATRICES
ACTIVIDADES SELECTIVIDAD MATRICES Ejercicio 1 Para qué valores de m tiene solución la ecuación matricial? (b) Resuelve la ecuación matricial dada para. Ejercicio 2 Siendo I la matriz identidad de orden
Más detallesAlgebra lineal Matrices
Algebra lineal Matrices Una matriz A un arreglo rectangular de números dispuestos en m renglones (filas) y n columnas. Fila 1 La componente o elemento ij de A, denotado por es el número que aparece en
Más detallesSubespacios de espacios vectoriales
Subespacios de espacios vectoriales Objetivos. Estudiar la definición, el criterio y algunos ejemplos de subespacios vectoriales. Muchos espacios vectoriales importantes (por ejemplo, espacio de soluciones
Más detallesProducto Escalar. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Producto Escalar 1 / 31
Producto Escalar AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Producto Escalar 1 / 31 Objetivos Al finalizar este tema tendrás que: Saber usar el producto escalar. Calcular
Más detallesAPRENDIZAJE Y ENTRENAMIENTO. (Neural Nets Capt. 8; Hilera Capt. 3)
Tema 2: Aprendizaje y Entrenamiento Sistemas Conexionistas 1 2.- Aprendizaje o Entrenamiento. 2.1.- Aprendizaje Automático. 2.2.- Tipos de aprendizaje. APRENDIZAJE Y ENTRENAMIENTO. (Neural Nets Capt. 8;
Más detallesDefinición: Dos matrices A y B son iguales si tienen el mismo orden y coinciden los elementos que ocupan el mismo lugar.
UNIDAD 03: MATRICES Y DETERMINANTES. 3.1 Conceptos de Matrices. 3.1.1 Definición de matriz. Definición: Se lama matriz de orden m x n a un arreglo rectangular de números dispuestos en m renglones y n columnas.
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 detallesMatrices: repaso. Denotaremos con M m n el conjunto de matrices de tamaño m n, o sea, de m filas y n columnas. Una matriz A M m n es de la forma A =
Matrices: repaso Denotaremos con M m n el conjunto de matrices de tamaño m n, o sea, de m filas y n columnas Una matriz A M m n es de la forma a 11 a 1n A = a m1 a mn Denotaremos A ij = a ij el coeficiente
Más detalles*Número natural, el que sirve para designar la cantidad de. *El cero, a veces, se excluye del conjunto de los números
*Número natural, el que sirve para designar la cantidad de elementos que tiene un cierto conjunto, y se llama cardinal de dicho conjunto. *Los números naturales son infinitos. El conjunto de todos ellos
Más detallesPROBLEMA 1 *( ) + SOLUCIÓN: Sea la superficie de la parte esférica superior, parametrizada con coordenadas cilíndricas de la siguiente manera:
PROBLEMA 1 A una esfera maciza de radio unidad se le hace una perforación cilíndrica siguiendo un eje diametral de la esfera. Suponiendo que el cilindro es circular de radio, con y que el eje que se usa
Más detallesTema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
Más detallesVariable Compleja I. Maite Fernández Unzieta Universidad de Guanajuato Enero Junio Eugenio Daniel Flores Alatorre
Variable Compleja I Maite Fernández Unzieta Universidad de Guanajuato Enero Junio 2012 Eugenio Daniel Flores Alatorre Bibliografía Complex Analysis 3rd ed. Ahlfors Basic Complex Analysis Functions of one
Más detallesLa función, definida para toda, es periódica si existe un número positivo tal que
Métodos con series de Fourier Definición: Función periódica La función, definida para toda, es periódica si existe un número positivo tal que para toda. El número en un periodo de la función. Si existe
Más detallesTeorema de Existencia y Unicidad Ecuaciones Diferenciales Ordinarias.
Teorema de Existencia y Unicidad Ecuaciones Diferenciales Ordinarias. Dr. Rafael Morones E. Dept. de Matemáticas ITAM August 5, 2002 1 Contenido 1 Preliminares. 3 1.1 Sucesiones...............................
Más detallesCONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detallesPlanos y Rectas. 19 de Marzo de 2012
el Geometría en el Planos y Rectas Universidad Autónoma Metropolitana Unidad Iztapalapa 19 de Marzo de 2012 el Anteriormente vimos que es posible encontrar un número infinito de vectores, no paralelos
Más detallesValores y vectores propios
Valores y vectores propios Tareas adicionales Algunos de estos problemas compuso Gustavo Antonio Sandoval Angeles (como parte de su servicio social). Estos problemas son más difíciles o más laboriosos
Más detalles3. ÁLGEBRA LINEAL // 3.1. SISTEMAS DE
3. ÁLGEBRA LINEAL // 3.1. SISTEMAS DE ECUACIONES LINEALES Y MATRICES COMPLEMENTOS PARA LA FORMACIÓN DISCIPLINAR EN MATEMÁTICAS Curso 2011-2012 3.1.1. Resolución de sistemas de ecuaciones lineales. Método
Más detallesCapítulo VI. Diferenciabilidad de funciones de varias variables
Capítulo VI Diferenciabilidad de funciones de varias variables La definición de diferenciabilidad para funciones el cociente no tiene sentido, puesto que no está definido, porque el cociente entre el vector
Más detallesDeterminantes. Determinante de orden uno. a 11 = a 11 5 = 5
DETERMINANTES Determinantes Concepto de determinante A cada matriz cuadrada A se le asigna un escalar particular denominado determinante de A, denotado por A o por det (A). A = Determinante de orden uno
Más detallesUNIDAD DE APRENDIZAJE I
UNIDAD DE APRENDIZAJE I Saberes procedimentales 1. Define en forma correcta el concepto de desigualdad y el de valor absoluto. 2. Explica la diferencia entre constante, parámetro y variable. 3. Define
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesRaíz cuadrada. Superficies de Riemann
Raíz cuadrada Superficies de Riemann Aplicación: Circuito RLC (a) (b) Aplicación: Circuito RLC Para el circuito (a): De la ley de Ohm con Aplicación: Circuito RLC Es más conveniente utilizar un voltaje
Más detallesESPACIOS VECTORIALES
ESPACIOS VECTORIALES Espacio ectorial real. Es un conjunto V no acío cuyos elementos reciben el nombre de ectores dotado de dos operaciones: ª.- Una interna llamada suma que cumple las siguientes propiedades:
Más detalles