DETECCIÓN DE PUNTOS ANATÓMICOS DE REFERENCIA EN IMÁGENES MÉDICAS USANDO LÓGICA BORROSA
|
|
- Magdalena Castillo Nieto
- hace 6 años
- Vistas:
Transcripción
1 XXV Jornadas de Automátca Cudad Real, del 8 al 10 de septembre de 2004 DETECCIÓN DE PUNTOS ANATÓMICOS DE REFERENCIA EN IMÁGENES MÉDICAS USANDO LÓGICA BORROSA S. Alayón salayon@ull.es L. Moreno lmoreno@ull.es C.S. González carna@cyc.ull.es Dep. Físca Fundamental y Expermental, Electrónca y Sstemas, Unversdad de La Laguna, Tenerfe - España R. Cárdenes ruben@ctm.ulpgc.es E. Suárez eduardo@ctm.ulpgc.es J. Ruz-Alzola jruz@ctm.ulpgc.es Dep. Señales y Comuncacones, Unversdad de Las Palmas de Gran Canara, Gran Canara España Resumen En este artculo se presenta un nuevo método, automátco y rápdo, para detectar puntos anatómcos de referenca en mágenes médcas ( anatomcal pont landmarks ). El método está basado en la utlzacón de sstemas borrosos. Se aplcan dstntas técncas para extraer nformacón del problema: análss tensoral de la magen, análss multescala y meddas de dstancas. La lógca borrosa combna la nformacón extraída con estas técncas y dscrmna entre puntos anatómcos de referenca reales y falsas deteccones. El sstema propuesto ha sdo aplcado en mágenes del cerebro obtendas medante resonanca magnétca (MRI Magnetc Resonance Imagng) obtenéndose buenos resultados expermentales. En este trabajo se presenta una nueva aproxmacón al problema de la deteccón de puntos de referenca en dos dmensones. El método propuesto es rápdo y automátco, y permte al experto humano especfcar los puntos anatómcos deseados. A dferenca de las aproxmacones exstentes hasta el momento, nuestro sstema de deteccón ncluye lógca borrosa, para facltar el manejo del conocmento mprecso dsponble en este problema. Exsten de puntos de referenca especales asocados a puntos anatómcos con un mportante sgnfcado semántco. Una descrpcón de estos puntos para el caso de las mágenes cerebrales puede encontrarse en [2]. Sguendo esta descrpcón, nuestro objetvo es localzar algunos de estos puntos, como se muestra en la fgura 1. Palabras Clave Puntos Anatómcos de Referenca, Sstemas Borrosos, Gradente, Correlacón, Análss Multescala. 1 INTRODUCCIÓN La deteccón de puntos anatómcos de referenca (Anatomcal Pont Landmarks) es una tarea muy mportante en el análss de mágenes médcas. En algunas aplcacones, como por ejemplo en el análss morfométrco y en el regstrado de mágenes, una localzacón efcente de puntos de referenca es mprescndble. Cualquer tpo de característca geométrca en la magen (punto, curva, superfce) que pueda ser dentfcada robustamente puede consttur una referenca útl. En los trabajos de [1, 4, 9, 12] se han propuesto dstntas aproxmacones a la deteccón de puntos anatómcos de referenca. Un resumen completo de las técncas exstentes se presenta en [8] Fgura 1: Puntos anatómcos de referenca buscados en este trabajo 9 15
2 La lógca borrosa se ntroduce en el sstema de deteccón de puntos de referenca por medo de los Sstemas de Inferenca Borrosos (SIB). Los sstemas de nferenca borrosos están basados en los conceptos de la teoría de conjuntos borrosos [13], reglas borrosas s-entonces y razonamento borroso. La estructura básca de un SIB se compone de tres componentes: una base de reglas, que contene una seleccón de reglas borrosas, una base de datos, que defne las funcones de pertenenca utlzadas en las reglas borrosas y un mecansmo de razonamento, que realza el procedmento de nferenca [5]. El SIB puede aceptar a su entrada conjuntos borrosos o números concsos (que se nterpretan como conjuntos borrosos del tpo sngleton), y las saldas que produce son conjuntos borrosos. En algunos casos es necesaro tener una salda concsa. Por lo tanto se ncluye en el sstema un método de desborrosfcacón para extraer los valores concsos que representan mejor el conjunto borroso resultante. En este trabajo hemos calculado el centrode del área del conjunto borroso de salda. Este tpo de sstema borroso recbe el nombre de sstema borroso tpo Mamdan [7]. En otros trabajos de nvestgacón prevos hemos aplcado lógca borrosa en problemas de análss de mágenes médcas [3]. En el caso concreto que nos ocupa, nuestro objetvo es localzar los puntos anatómcos de referenca mostrados en la fgura 1. Hemos mplementado tres sstemas borrosos tpo Mamdan para modelar el sstema bajo estudo. En estos sstemas borrosos algunas varables han sdo selecconadas como varables lngüístcas y se han construdo reglas borrosas del tpo s-entonces para descrbr el conocmento dsponble en este problema. Los sstemas borrosos dscrmnan entre los puntos de referenca deseados y las falsas deteccones. En la sguente seccón se ofrece una descrpcón detallada del sstema de deteccón borroso propuesto para abordar este problema. 2 DESCRIPCIÓN DEL MÉTODO BORROSO PROPUESTO PARA LA DETECCIÓN DE PUNTOS ANATÓMICOS DE REFERENCIA Este método se compone de tres etapas dferencadas, como se puede aprecar en el dagrama de bloques representado en la fgura 2. En la prmera etapa se realza un análss tensoral de la magen. Para ello se estudan las matrces de correlacón calculadas tras la aplcacón del operador gradente sobre la magen. Con esto se obtene un conjunto ncal de puntos canddatos a ser puntos anatómcos de referenca. Con esta técnca aparecen muchas deteccones falsas, así que el prncpal objetvo de la segunda etapa es reducr el número de canddatos falsos. En esta segunda etapa se aplca un análss multescala y se ntroduce un sstema de nferenca borroso (SIB) para realzar la prmera dscrmnacón borrosa entre los canddatos. En la tercera etapa del método propuesto se dseñan y aplcan dos sstemas de nferenca borrosos para elegr los puntos fnales. Estos sstemas borrosos trabajan con nformacón relatva a las dstancas proporconales exstentes entre los puntos. Todas estas etapas son explcadas en detalle en las sguentes subseccones. Imagen orgnal Fltro 1 Fltro n Gradente. Matrces de correlacón Análss Multescala Medda de dstancas entre puntos ETAPA 3 Fgura 2: Dagrama de bloques del método propuesto 2.1 PRIMERA ETAPA SIB 1 SIB 2 SIB 3 ETAPA 1 Canddatos ncales ETAPA 2 1ª reduccón de canddatos 2ª reduccón de canddatos Puntos de referenca fnales En la prmera etapa del sstema se realza una aproxmacón ncal a la deteccón de puntos anatómcos de referenca. El método está basado en el estudo de las matrces de correlacón generalzadas que se obtenen a partr de la aplcacón del operador gradente sobre la magen, consderando ésta como un campo tensoral. Los esquemas de procesamento de señales que se aplcan a señales multcanal deben ser más generales que los aplcables a señales escalares. Aunque el modo más común para trabajar con señales multcanal es la utlzacón de señales vectorales, exsten casos más complejos en los que la eleccón más natural es la utlzacón de modelos de señal
3 basados en campos tensorales. El análss tensoral es una generalzacón de las nocones del análss vectoral motvado por la exstenca de procesos físcos que no pueden ser descrtos solamente por escalares o vectores. En el campo del procesamento de magen los tensores han sdo muy utlzados para representar característcas de la msma [6, 9, 10, 11]. Consderemos un campo escalar cualquera s(x) y el campo vectoral gradente g(x) = s(x), que puede representarse como g k (x) = s,k (, k es una ndexacón de las dervadas parcales: s,k = s( x) ) y k puede x k varar entre 1 y la dmensón del campo. La matrz de correlacón de g(x) se defne en cada punto por la ecuacón (1) y una estmacón para ella aparece en la ecuacón (2), donde N(x) es el vecndaro de x y V es el número de muestras: t { g( x) g( x) } E{ s ( x) s ( )} Rg ( x) = E =, k, l x (1) 1 Rˆ g ( x) = V ( N( x)) 1 V ( N( x)) s, k x N ( x) k x N ( x) ( x ) s, l t g ( x ) g ( x ) = ( x ) l (2) Sguendo la aproxmacón descrta en [9], calculamos la matrz de correlacón del gradente para cada punto de la magen. Un análss de la matrz de correlacón proporcona nformacón de cómo camba el gradente. En partcular, autovalores pequeños ndcan poca varacón del gradente a lo largo de las dreccones prncpales asocadas. Por el contraro, autovalores smlares de la matrz muestran una varacón local del gradente en todas las dreccones y por lo tanto, pueden ndcar posbles puntos de referenca. El determnante de la matrz de correlacón es el producto de todos los autovalores. Tende a ser pequeño s no hay varacón a lo largo de alguna dreccón. La traza de la matrz es el valor cuadrado medo de la norma del gradente y debería ser grande para los puntos de referenca. Por lo tanto, estos puntos de referenca pueden ser detectados localzando los máxmos locales en meddas escalares umbralzadas según relacones entre el determnante y la traza de la matrz de correlacón. Hemos usado esta aproxmacón para obtener los puntos anatómcos de referenca ncales, pero es mportante destacar que con esta técnca se producen muchas falsas deteccones. En las sguentes etapas se ntroduce la lógca borrosa para refnar la seleccón de puntos canddatos y elmnar el mayor número posble de falsos puntos de referenca. 2.2 SEGUNDA ETAPA En la segunda etapa reducmos el número de falsas deteccones con un sstema borroso. Este sstema borroso trabaja con la nformacón resultante de un análss multescala que se realza prevamente. El análss multescala se lleva a cabo varando la resolucón de la magen. Los nveles de resolucón se camban medante procedmentos de fltrado. El fltro aplcado a la magen orgnal es un fltro gaussano pasa baja smétrco de tamaño fjo y con dstntas desvacones estándar que determnan los dstntos nveles de resolucón. Con este procedmento obtenemos 10 mágenes fltradas dstntas. Aplcamos el msmo procedmento desarrollado en la prmera etapa para detectar puntos de referenca en cada una de las mágenes fltradas. Los puntos de referenca detectados en la prmera etapa (canddatos ncales) pueden concdr con los puntos de referenca obtendos en las mágenes fltradas. Por lo tanto, la prmera nformacón que se extrae es el número de concdencas para cada canddato ncal. La segunda nformacón que se extrae es el valor de la relacón exstente entre el determnante y la traza de la matrz de correlacón para cada uno de los canddatos ncales a puntos de referenca en cada una de las mágenes fltradas. Por lo tanto, contamos con dos conjuntos de datos dstntos para cada punto de referenca detectado en la prmera etapa. Estos datos consttuyen los datos de entrada al prmer sstema borroso mplementado tpo Mamdan. El sstema borroso trabaja con dos varables lngüístcas dstntas que representan la nformacón descrta anterormente: la prmera varable es el número de repetcones de los canddatos en las mágenes fltradas y la segunda es la relacón determnante/traza de la matrz de correlacón de los canddatos en las mágenes fltradas. La base de reglas está compuesta por cuatro reglas del tpo s-entonces. La parte de los antecedentes refleja las dstntas combnacones entre las varables lngüístcas. La localzacón de las funcones de pertenenca que representan a las varables lngüístcas no es fja, depende de los datos meddos en cada magen. La parte de los consecuentes asgna una puntuacón a cada stuacón. Las reglas ntentan dar más mportanca a los canddatos que tengan valores altos en ambas varables de entrada. Las funcones de pertenenca utlzadas para la parte de antecedentes y consecuentes son funcones de pertenenca gaussanas.
4 La salda del sstema borroso es la puntuacón fnal que recbe cada canddato a punto de referenca. Con estas puntuacones podemos dscrmnar y reducr el conjunto de canddatos obtendo en la prmera etapa. 2.3 TERCERA ETAPA El objetvo de esta etapa es obtener los puntos anatómcos de referenca fnales. Estamos buscando un conjunto específco de puntos (ver fgura 1). Pero el conjunto de puntos buscados no es fjo. Podría ser especfcado por un experto sobre una magen de referenca y podría ser dstnto. En este trabajo se ha usado como magen de referenca la magen mostrada en la fgura 1. La nformacón utlzada en esta tercera etapa está basada en meddas de dstancas entre puntos. Se elgen tres puntos especales en la magen: el punto más alto de la cabeza (H), el punto de la cabeza localzado más a la derecha (R) y el punto de la cabeza localzado más a la zquerda (L). Prmero se mde en la magen de referenca la dstanca exstente entre cada punto anatómco de referenca buscado y cada uno de estos tres puntos de referenca (H, R y L), para obtener unas dstancas de referenca que posterormente se normalzan. Con esta nformacón construmos el segundo sstema borroso tpo Mamdan. Este sstema tene tres varables lngüístcas que representan las dstancas normalzadas a cada uno de los puntos de referenca H, R y L. El conjunto de reglas está compuesto por 8 reglas. Los antecedentes de las reglas representan dstntas stuacones: la entrada concuerda con todas las dstancas normalzadas, con dos de ellas, con una o no concuerda con nnguna. Los consecuentes asgnan una puntuacón a cada stuacón. Las funcones de pertenenca utlzadas para la parte de antecedentes y consecuentes son funcones de pertenenca gaussanas. Cuando se estuda otra magen dstnta a la magen de referenca, los puntos H, R y L son buscados en esta nueva magen y las dstancas normalzadas entre los canddatos a puntos de referenca y estos puntos especales son calculadas. Por lo tanto, para cada canddato se calculan tres valores de dstancas dstntos (dstanca a H, a R y a L). Estos valores son los datos de entrada al segundo sstema borroso. La salda del sstema borroso es la puntuacón fnal de cada canddato a punto de referenca. Utlzando estas puntuacones podemos dscrmnar entre canddatos. Los canddatos que se ajustan más a las proporcones meddas en la magen de referenca recben una puntuacón mayor y son elegdos. El sguente paso consste en medr en la magen de referenca la dstanca normalzada exstente entre los puntos anatómcos de referenca buscados. En este trabajo, es la dstanca exstente entre los puntos numerados en la fgura 1. Con esta nformacón se construye el tercer sstema borroso tpo Mamdan. El objetvo es encontrar los puntos que están dstrbudos sguendo las msmas proporcones que los puntos de referenca buscados. El sstema contene varables lngüístcas que representan las dstancas normalzadas entre puntos. El número de reglas depende del número de puntos de referenca buscados. Los antecedentes representan dstntas stuacones (desde que todas las dstancas concuerden hasta que nnguna concuerde) y los consecuentes asgnan una puntuacón a cada stuacón. Las funcones de pertenenca utlzadas para la parte de antecedentes y consecuentes son funcones de pertenenca gaussanas. Cuando se estuda otra magen dstnta a la magen de referenca, calculamos las dstancas normalzadas entre todos los canddatos a puntos de referenca exstentes en esa magen. Estas meddas son los datos de entrada al tercer sstema borroso. La salda del sstema es la puntuacón fnal de cada canddato a punto de referenca. Con estas puntuacones podemos dscrmnar entre canddatos y selecconar los puntos anatómcos de referenca fnales. 3 RESULTADOS EXPERIMENTALES El sstema propuesto ha sdo aplcado en mágenes del cerebro obtendas medante resonanca magnétca (MRI Magnetc Resonance Imagng) obtenéndose buenos resultados expermentales. Nuestro objetvo es localzar los puntos anatómcos de referenca especfcados en la fgura 1. Además. La magen representada en la fgura 1 ha sdo selecconada como magen de referenca para los expermentos. En esta seccón se presentan los resultados expermentales correspondentes a dos mágenes MRI dstntas, mágenes A y B. Los canddatos a puntos de referenca detectados por la prmera etapa del sstema para las mágenes A y B se muestran en las fguras 3 y 4, respectvamente. Como era esperado, aparecen muchas falsas deteccones con la técnca utlzada.
5 Fgura 3: Canddatos a puntos de referenca detectados por la prmera etapa para la magen A Fgura 5: Prmera reduccón de canddatos (segunda etapa) para la magen A Fgura 4: Canddatos a puntos de referenca detectados por la prmera etapa para la magen B La segunda etapa realza una prmera reduccón del grupo de canddatos obtendo en la prmera etapa, como se puede aprecar en las fguras 5 y 6. Fgura 6: Prmera reduccón de canddatos (segunda etapa) para la magen B El resultado de la segunda reduccón de canddatos se muestra en las fguras 7 y 8 (selecconados por el segundo sstema borroso).
6 Fgura 7: Segunda reduccón de canddatos (segundo sstema borroso - tercera etapa) para la magen A Fgura 9: Puntos de referenca fnales (tercer sstema borroso - tercera etapa) para la magen A Fgura 8: Segunda reduccón de canddatos (segundo sstema borroso - tercera etapa) para la magen B Los puntos anatómcos de referenca fnales venen determnados por la dscrmnacón realzada por el tercer sstema borroso, tal y como se apreca en las fguras 9 y 10. Estos puntos fnales están muy próxmos a los puntos especfcados sobre la magen de referenca. Fgura 10:Puntos de referenca fnales (tercer sstema borroso - tercera etapa) para la magen B 4 CONCLUSIONES En este trabajo se ha presentado una nueva aproxmacón al problema de deteccón y localzacón de puntos anatómcos de referenca en 2D en mágenes médcas. La contrbucón más novedosa es la nclusón de la lógca borrosa en el método de deteccón. La lógca borrosa permte trabajar con la nformacón mprecsa dsponble en este problema de un modo flexble. El método propuesto es automátco y rápdo, y permte a un experto humano la especfcacón de los puntos anatómcos de referenca deseados en una magen de referenca.
7 Hemos aplcado el sstema de deteccón dseñado a mágenes de resonanca magnétca del cerebro. Los resultados expermentales son buenos, pero podrían mejorarse proporconando más nformacón a los sstemas borrosos empleados, como por ejemplo, nformacón relatva a la segmentacón de los tejdos que aparecen en las mágenes. El método es general y podría aplcarse a mágenes correspondentes a otras regones del cuerpo humano. Sólo sería necesara la especfcacón de los puntos anatómcos de referenca por parte de un experto humano sobre una magen de referenca. En futuras nvestgacones se ntentarán ajustar más los resultados del sstema de deteccón mejorando los sstemas borrosos mplcados y proporconándoles más nformacón. Además, el problema de la deteccón de puntos anatómcos de referenca en 2D será consderado en otro tpo de mágenes. Otro objetvo mportante es extender el sstema al problema de deteccón de puntos anatómcos de referenca en 3D. Referencas [1] Betke, M., Hong, H., Thomas, D., Prnce C. y Ho, J.P., (2003) Landmark detecton n the chest and regstraton of lung surfaces wth an applcaton to nodule regstraton. Medcal Image Analyss, 7:3, pp [2] Booksten, F.L., (1991) Thn-plate splnes and the atlas problem for bomedcal mages. Proc. 12 th Internatonal Conference on Informaton Processng n Medcal Imagng IPMI 91, [3] Estevez, J.I., Alayón, S., Moreno, L., Sgut, J. y Agular, R., (2004) Cytologcal mages analyss wth a genetc fuzzy fnte state machne. Internatonal Journal of Medcal Informatcs, n press. [6] Knutsson, H., (1989) Representng local structure usng tensors. The 6th Scandnavan Conference on Image Analyss, Oulu, Fnland, [7] Mamdan, E., (1974) Applcatons of fuzzy algorthm for control a smple dynamc plant. Proc. of the IEE, 121(12), pp [8] Rohr, K., (2001) Landmark-based mage analyss: usng geometrc and ntensty models, volume 21 of Computaconal Imagng and Vson Seres. Kluwer Academc Publshers, Dordrecht Boston London. [9] Ruz-Alzola, J., Kkns, R. y Westn, C.F., (2001) Detecton of pont landmarks n multdmensonal Tensor Data. Sgnal Processng, 81(10). [10] Westn, C.-F., (1995) Vector and tensor feld flterng. Granlund and Knutsson, ed, Sgnal Processng for Computer Vson, chapter 11. [11] Westn, C.-F. y Knutsson, H., (1994) Estmaton of Moton Vector Felds usng Tensor Feld Flterng. Proc.IEEE Int. Conf. on Image Proc., Austn, Texas. [12] Wörz, S. y Rohr, K., (2003) Localzaton of anatomcal pont landmarks n 3D medcal mages by fttng 3D parametrc ntensty models. In C. Taylor and A. Noble, edtors, Proc. 18 th Internatonal Conference on Informaton Processng n Medcal Imagng IPMI 03, volume 2732 of Leture Notes n Computer Scence, Amblesde, UK, pages [13] Zadeh, L., (1965) Fuzzy sets. Informaton and Control, 8, pp [4] Hartkens, T., Rohr, K. y Stehl, H.S., (2002) Evaluaton of 3D operators for the detecton of anatomcal pont landmarks n MR and CT mages. Computer Vson and Image Understandng, 86(2): [5] Jang, J.-S. R., Sun, C.-T. y Mzutan, E., (1997) Neuro-fuzzy and soft computng. A computatonal approach to learnng and machne ntellgence. Matlab Currculum Seres. Prentce-Hall, Upper Saddle Rver, NJ
Reconocimiento 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 detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
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 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 detallesReconocimiento de Imágenes Empleando Redes de Regresión General y la Técnica TVS
Reconocmento de Imágenes Empleando Redes de Regresón General y la Técnca TVS Rcardo García-Herrera & Waltero Wolfgang Mayol-Cuevas Laboratoro de INvestgacón para el Desarrollo Académco Depto. Ingenería
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
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 detallesSISTEMA DE RECONOCIMIENTO DE ROSTROS
SISTEMA DE RECONOCIMIENTO DE ROSTROS Categoría: Pre-grado - Alumno Área Temátca: Ingenería de Sstemas Procesamento Dgtal de Imágenes Autor Sandra María Vlla Palacos Unversdad Peruana de Cencas Aplcadas
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesTu área reservada Organización Simplicidad Eficiencia
Rev. 07/2012 Tu área reservada Organzacón Smplcdad Efcenca www.vstos.t La Tu tua área area reservada rservata 1 MyVstos MyVstos es la plataforma nformátca, reservada a los clentes Vstos, que permte comprobar
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 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 detalles1.- Objetivo Alcance Metodología...3
PROCEDIMIENTO DO PARA EL CÁLCULO DEL FACTOR DE DESEMPEÑO DEL CONTROL DE FRECUENCIA (FECF) EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE 1.- Objetvo...3 2.- Alcance...3 3.- Metodología...3 3.1.- Cálculo de la
Más detallesIII. <<Insertar Cita>> <<Autor>>
Capítulo III Vsón III 3.1 Procesamento de Imágenes Se entende por procesamento de mágenes a la alteracón y análss de la normacón gráca. 3.1.1 Sstema de vsón humano El sstema
Más detallesALGORITMO DE RANKING DINÁMICO BASADO EN REALIMENTACIÓN IMPLÍCITA
ALGORITMO DE RANKING DINÁMICO BASADO EN REALIMENTACIÓN IMPLÍCITA Javer de la Mata José A. Olvas Jesús Serrano-Guerrero Departamento de Tecnologías y Sstemas de la Informacón. Grupo SMILE. Unversdad de
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más 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 detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más 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 detallesSegmentación de Imágenes mediante Reconocimiento de Patrones
Equaton Chapter 1 Secton 1 Materal del Curso Segmentacón de Imágenes medante Reconocmento de Patrones Ing. Dego Sebastán Comas Dr. Gustavo Javer Meschno Curso: Segmentacón de Imágenes medante Reconocmento
Más detallesREGISTRO ELÁSTICO DE IMÁGENES DE SATÉLITE DE ALTA RESOLUCIÓN MEDIANTE OPTIMIZACIÓN DE REDES TRIANGULARES
REGITRO ELÁTICO E IMÁGENE E ATÉLITE E ALTA REOLUCIÓN MEIANTE OPTIMIZACIÓN E REE TRIANGULARE Vcente Arévalo Javer González Gregoro Ambroso pto. Ingenería de stemas y Automátca. Unversdad de Málaga. Campus
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 detallesTERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA
Ing. Federco G. Salazar Termodnámca del Equlbro TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Contendo 1. Conversón y Coordenada de Reaccón. 2. Ecuacones Independentes y Regla
Más 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 detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL:
Geografía y Sstemas de Informacón Geográfca (GEOSIG). Revsta dgtal del Grupo de Estudos sobre Geografía y Análss Espacal con Sstemas de Informacón Geográfca (GESIG). Programa de Estudos Geográfcos (PROEG).
Más detallesGANTT, PERT y CPM INDICE
GANTT, PERT y CPM INDICE 1 Antecedentes hstórcos...2 2 Conceptos báscos: actvdad y suceso...2 3 Prelacones entre actvdades...3 4 Cuadro de prelacones y matrz de encadenamento...3 5 Construccón del grafo...4
Más detalles3. CORRESPONDENCIA DE IMÁGENES
UNIVERSIDAD DE SALAMANCA MASTER DE GEOTECNOLOGÍAS CARTOGRÁFICAS EN INGENIERÍA Y ARQUITECTURA 3. CORRESPONDENCIA DE IMÁGENES Dego González Agulera Departamento de Ingenería Cartográfca del Terreno Escuela
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 detallesÍndice de Madurez Tecnológica en el Sector Hotelero
Índce de Madurez Tecnológca en el Sector Hotelero Jaume Jaume Mayol, Antono Tudurí Vla Escuela de Hotelería de las Illes Balears Balears Resumen: El ncremento del uso de las Tecnologías de la Informacón
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 detallesCréditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias
Crédtos Y Sstemas de Amortzacón: Dferencas, Smltudes e Implcancas Introduccón Cuando los ngresos de un agente económco superan su gasto de consumo, surge el concepto de ahorro, esto es, la parte del ngreso
Más detallesTeléfono: (52)-55-5329-7200 Ext. 2432
Sstema de Montoreo Autónomo Basado en el Robot Móvl Khepera Jorge S. Benítez Read 1, Erck Rojas Ramírez 2 y Tonatuh Rvero Gutérrez Insttuto Naconal de Investgacones Nucleares Carretera Méxco-Toluca s/n,
Más 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 detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesGUÍA 5. Roberto Fabián Retrepo A., M. Sc. en Física Profesor Asociado Escuela de Física Universidad Nacional de Colombia
GUÍA 5 Dego Lus Arstzábal R., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal de Colomba Roberto Fabán Retrepo A., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal
Más detallesLABORATORIO REMOTO DE INSTRUMENTACIÓN ELECTRÓNICA
LABORATORIO REMOTO DE INSTRUMENTACIÓN ELECTRÓNICA M. A. Domínguez, J. M. Carrllo, J. A. Fernández and R. Pérez-Aloe Abstract En la actualdad exste un gran nterés a nvel mundal por la educacón a dstanca
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detallesKEY WORDS Pattern recognition, Circular Harmonics, Synthetic Discriminate Filter
ISSN 00-4 BISTUA Vol BISTUA 5 No Vol Pag 59 No - 4 ueda Parada JE, Castro C L M, Guerra L A Facultad de Cencas Báscas, Departamento de Físca, Grupo de Investgacón Óptca Moderna Unversdad de Pamplona E-Mal:
Más detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
Más detallesMarcos Gutiérrez-Dávila marcosgd@ugr.es
Marcos Gutérrez-Dávla marcosgd@ugr.es Introduccón: Relacón de la bomecánca con el deporte de competcón El gesto deportvo consttuye un patrón de movmento estable que se caracterza por el alto grado de efcenca
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más 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 detallesEstimación del consumo del consumo diario de gas a partir de lecturas periódicas de medidores
Estmacón del consumo del consumo daro de gas a partr de lecturas peródcas de meddores S.Gl, 1, A. Fazzn, 3 y R. Preto 1 1 Gerenca de Dstrbucón del ENARGAS, Supacha 636- (18) CABA- Argentna Escuela de Cenca
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más 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 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 detallesALINEAMIENTO DE DOS SECUENCIAS (pairwise alignment)
ALINEAMIENTO DE DOS SECUENCIAS (parwse algnment) El alneamento de una pareja de secuencas permte cuantfcar el grado de smltud que hay entre ellas y determnar s exste algún tpo de relacón entre ambas. Para
Más detallesExplicación de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS
Explcacón de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS EMBARGO: 21 de agosto de 2012, 15:00 (CEST) Objetvo angular de 24 mm, con zoom óptco 30x (PowerShot SX500 IS) Desarrollado usando
Más detallesIndice de Coste Laboral Armonizado. Metodología
Indce de Coste Laboral Armonzado Metodología Indce 1. Introduccón 2. Defncones 3. Formulacón 4. Ajuste de seres 1. Introduccón El objetvo prncpal del Indce de Coste Laboral Armonzado es proporconar una
Más detallesElectricidad y calor
Electrcdad y calor Webpage: http://pagnas.sca.uson.mx/qb 2007 Departamento de Físca Unversdad de Sonora Temas 4. Prmera ley de la Termodnámca.. Concepto de Trabajo aplcado a gases.. Trabajo hecho por un
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesElectricidad y calor. Un repaso... Temas. 4. Primera ley de la Termodinámica. Webpage: Algunas definiciones
Electrcdad y calor Webpage: http://pagnas.sca.uson.mx/qb 2007 Departamento de Físca Unversdad de Sonora Temas 4. Prmera ley de la Termodnámca.. Concepto de Trabajo aplcado a gases.. Trabajo hecho por un
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 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 detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más 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 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 detallesSubmicrométricas Ópticas
Estmacón n de la Dstrbucón n de Tamaños de Partículas Submcrométrcas de Látex L por Técncas T Óptcas Lus M. Guglotta, Georgna S. Stegmayer, Jorge R. Vega Santa Fe (ARGENTINA) Septembre de 007 Unversdad
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesImagen de alta resolución del fondo de ojo por deconvolución tras compensación parcial
ÓPTICA PURA Y APLICADA. www.sedoptca.es Prmer Premo Justnano Casas de Investgacón en Imagen Óptca, 2007 Comté de Técncas de la Imagen - Sedoptca Imagen de alta resolucón del fondo de ojo por deconvolucón
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesLas acciones a considerar en el proyecto de una estructura o elemento estructural se pueden clasificar según los criterios siguientes:
CAÍTULO III ACCIONES Artículo 9º Clasfcacón de las accones Las accones a consderar en el proyecto de una estructura o elemento estructural se pueden clasfcar según los crteros sguentes: - Clasfcacón por
Más detallesTEMA 4. TRABAJO Y ENERGIA.
TMA 4. TRABAJO Y NRGIA. l problema undamental de la Mecánca es descrbr como se moverán los cuerpos s se conocen las uerzas aplcadas sobre él. La orma de hacerlo es aplcando la segunda Ley de Newton, pero
Más detallesAnais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE
Aplcacón de una metodología a partr del Modelo de Elevacón Dgtal ASTER para la estmacón de volúmenes de agua asocados a nundacones en la regón de Paraná, Entre Ríos, Argentna Díaz, Gonzalo 1 2 ; Doyle,
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 detallesEJERCICIOS RESUELTOS TEMA 2
EJERCICIOS RESUELTOS TEMA.1. La Moda, para el grupo de Varones de la Tabla 1, es: A) 4,5; B) 17; C) 60.. Con los datos de la Tabla 1, la meda en para las Mujeres es: A) gual a la meda para los Varones;
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesClasificación de Imágenes Usando Técnicas de Compresión de Datos
Clasfcacón de Imágenes Usando Técncas de Compresón de Datos Martha R. Quspe-Ayala * Krsta Asalde-Alvarez * Avd Roman-Gonzalez * + martharoxana_14@hotmal.com krstta@hotmal.com a.roman@eee.org * Unversdad
Más detallesEconomía Computacional Equilibrio General Computado: Descripción de la Metodología. Martín Cicowiez y Luciano Di Gresia
Economía Computaconal Equlbro General Computado: Descrpcón de la Metodología Martín Ccowez y Lucano D Gresa Trabajo Docente No. 7 Abrl 2004 EQUILIBRIO GENERAL COMPUTADO: DESCRIPCION DE LA METODOLOGIA *
Más detallesMaestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza
Maestría en Admnstracón Meddas Descrptvas Formularo e Interpretacón Dr. Francsco Javer Cruz Arza A contnuacón mostramos el foco de atencón de las dstntas meddas que abordaremos en el presente manual. El
Más detallesLa clasificación de métodos de registro propuesta por Maintz [1998] utiliza las siguientes categorías:
II.5. Regstro de mágenes médcas El regstro es la determnacón de una transformacón geométrca de los puntos en una vsta de un objeto con los puntos correspondentes en otra vsta del msmo objeto o en otro
Más detallesDeterminación de Puntos de Rocío y de Burbuja Parte 1
Determnacón de Puntos de Rocío y de Burbuja Parte 1 Ing. Federco G. Salazar ( 1 ) RESUMEN El cálculo de las condcones de equlbro de fases líqudo vapor en mezclas multcomponentes es un tema de nterés general
Más detallesCAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS
CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS En los capítulos anterores se han analzado varos modelos usados en la evaluacón de stocks, defnéndose los respectvos parámetros. En las correspondentes fchas de ejerccos
Más detallesGuía de Electrodinámica
INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan
Más detallesClasificación Jerárquica de contenidos Web.
Clasfcacón Jerárquca de contendos Web. Álvaro Gascón y Marín de la Puente Unversdad Carlos III Madrd 100029648@alumnos.uc3m.es Mguel María Rodríguez Aparco Unversdad Carlos III Madrd 100021447@alumnos.uc3m.es
Más detallesDetección automática de Spam utilizando Regresión Logística Bayesiana
Procesamento del Lenguae Natural, núm. 35 (2005), pp. 27-33 recbdo 04-05-2005; aceptado 0-06-2005 Deteccón automátca de Spam utlzando Regresón Logístca Bayesana Antono Jesús Ortz Martos L. Alfonso Ureña
Más detallesUNIVERSIDAD SIMÓN BOLÍVAR DECANATO DE ESTUDIOS DE POSTGRADO COORDINACIÓN DE POSTGRADO EN INGENIERÍA QUÍMICA MAESTRIA EN INGENIERÍA QUÍMICA
UNIVERSIDAD SIMÓN BOLÍVAR DECANAO DE ESUDIOS DE POSGRADO COORDINACIÓN DE POSGRADO EN INGENIERÍA QUÍMICA MAESRIA EN INGENIERÍA QUÍMICA APLICACIÓN DEL MÉODO POD PARA LA OBENCIÓN DE UN MODELO REDUCIDO DE
Más detallesRequerimientos para la unificación de los sistemas de alturas existentes en la Región SIRGAS
Requermentos para la unfcacón de los sstemas de alturas exstentes en la Regón SIRGAS Laura Sánchez Deutsches Geodätsches Forschungsnsttut (DGFI), Alemana Roberto Luz Insttuto Braslero de Geografa e Estatístca
Más detallesOPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS
P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la
Más detallesEnsamblado multicanal de Redes Neuronales Artificiales para la detección del P300 en señales EEG
XIII JORNADAS INTERNACIONALES DE INGENIERIA CLINICA Y TECNOLOGIA MEDICA, PARANÁ, ENTRE RÍOS, ARGENTINA Ensamblado multcanal de Redes Neuronales Artfcales para la deteccón del P300 en señales EEG Elzabeth
Más detallesEquilibrio termodinámico entre fases fluidas
CAPÍTULO I Equlbro termodnámco entre fases fludas El conocmento frme de los conceptos de la termodnámca se consdera esencal para el dseño, operacón y optmzacón de proyectos en la ngenería químca, debdo
Más detallesTema 1: Análisis de datos unidimensionales
Tema : Análss de datos undmensonales. Varables estadístcas undmensonales. Representacones gráfcas.. Característcas de las dstrbucones de frecuencas undmensonales.. Varables estadístcas undmensonales. Representacones
Más detallesObtención de mapas de similitud sísmica 2D mediante redes neuronales Oscar Rondón*, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep
Obtencón de mapas de smltud sísmca 2D medante redes neuronales Oscar Rondón, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep Resumen El desarrollo de metodologías para obtener e ntegrar nformacón de múltples
Más detallesUtilización de Arquitecturas Computacionales No Convencionales para la Codificación y Decodificación de Mensajes
Utlzacón de Arqutecturas Computaconales No Convenconales para la Codfcacón y Decodfcacón de Mensajes BELLO, Emmanuel / CRESCITELLI, Maxmlano / AGÜERO, Matías / VAZQUEZ, Matías MONETTI, Julo UTN Fac. Regonal
Más detallesConvertidores Digital-Analógico y Analógico-Digital
Convertdores Dgtal-Analógco y Analógco-Dgtal Conversón Dgtal-Analógca y Analógca-Dgtal Con estos crcutos se trata de consegur una relacón bunívoca entre una señal analógca y una dgtal o vceversa. Las magntudes
Más detallesSUPPORT VECTOR MACHINE FOR DETECTING TEXTILE DEFECTS, USING FEATURES SPATIAL OF TEXTURE
ISS: 69-757 - Volumen - úmero 4 - Año 009 Revsta Colombana de SUPPORT VECTOR MACHIE FOR DETECTIG TEXTIE DEFECTS, USIG FEATURES SPATIA OF TEXTURE MÁQUIA DE VECTORES DE SOPORTE PARA A DETECCIÓ DE DEFECTOS
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 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 detallesUnidad 3 PLANIFICACIÓN DE TIEMPOS, PROGRAMACIÓN DE RECURSOS Y ESTIMACIÓN DE COSTOS DE LA EJECUCIÓN Y MANTENIMIENTO DE LOS STI
Undad 3 PLANIFICACIÓN DE TIEMPOS, PROGRAMACIÓN DE RECURSOS Y ESTIMACIÓN DE COSTOS DE LA EJECUCIÓN Y MANTENIMIENTO DE LOS STI 3.1. DINÁMICA DE LA GESTIÓN DE PROYECTOS. 3.1.1. GESTIÓN DE PROYECTOS. La gestón
Más detallesMódulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization)
Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multobjectve Optmzaton) Patrca Jaramllo A. y Rcardo Smth Q. Insttuto de Sstemas y Cencas de la Decsón Facultad de Mnas Unversdad Naconal de Colomba, Medellín,
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 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 detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
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 detalles