UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION"

Transcripción

1 UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO OSCAR MONDRAGON ALCANTARA DIEGO NICOLAS MARTINEZ 12 de Noviembre de 2014 Página 1 de 7

2 I N D I C E Resumen.. 3 Introducción.. 3 Momento.. 4 Gradiente descendiente con momento. 5 Formula del proceso de aprendizaje con momento 6 Conclusión. 6 Referencias 7 Página 2 de 7

3 RESUMEN Las redes neuronales, pueden contribuir con la clasificación de patrones de entrada, para obtener una salida que sea factible y deseada, existen varios tipos de redes neuronales, un ejemplo de ello pueden ser el perceptron, la red adaline, red madaline entre otros, teniendo en cuenta que su proceso de aprendizaje puede variar dependiendo de cómo puede aprender la red, en esta investigación se hablara de una red backpropagation o red de propagación hacia atrás, y su funcionamiento con y sin la presencia de una variable de aceleramiento del aprendizaje, el momento puede ser de gran ayuda para dar una estabilidad y evitar los mínimos locales en el que puede caer la red. Además de encontrar como aplicar esta variable a la función de aprendizaje de la red. INTRODUCCION El método backpropagation (propagación del error hacia atrás), basado en la generalización de la regla delta, a pesar de sus limitaciones, ha ampliado de forma considerable el rango de aplicaciones de las redes neuronales. El funcionamiento de la red backpropagation (BPN) consiste en el aprendizaje de un conjunto predefinido de pares de entradas-salidas. Primero se aplica un patrón de entrada como estímulo para la primera capa de las neuronas de la red, se va propagando a través de todas las capas superiores hasta generar una salida, se compara el resultado en las neuronas de salida con la salida que se desea obtener y se calcula un valor de error para cada neurona de salida. Posteriormente, estos errores se transmiten hacia atrás, partiendo de la capa de salida hacia todas las neuronas de la capa intermedia que contribuyan directamente a la salida. Este proceso se repite, capa por capa, hasta que todas las neuronas de la red hayan recibido un error que describa su aportación relativa al error total. Basándose en el valor del error recibido, se reajustan los pesos de conexión de cada neurona, de manera que en la siguiente vez que se presente el mismo patrón, la salida esté más cercana a la deseada. La importancia de la red backpropagation consiste en su capacidad de autoadaptar los pesos de las neuronas de las capas intermedias para aprender la relación que existe ente un conjunto de patrones de entrada y sus salidas correspondientes. En una red Backpropagation existe una capa de entrada con n neuronas y una capa de salida con m neuronas y al menos una capa oculta de neuronas internas. Cada neurona de una capa (excepto las de entrada) recibe entradas de todas las neuronas de la capa anterior y envía su salida a todas las neuronas de la capa posterior (excepto las de salida). No hay conexiones hacia atrás feedback ni laterales entre las neuronas de la misma capa. La técnica Backpropagation requiere el uso de neuronas cuya función de activación sea continua, y por lo tanto, diferenciable. Generalmente, la función utilizada será del tipo sigmoidal. Página 3 de 7

4 Momento El elegir un incremento adecuado influye en la velocidad con la que converge el algoritmo, se sabe que con este control se puede realizar mediante el parámetro denominado ganancia, normalmente se le asigna un valor pequeño, para asegurar que la red llegue asentarse en una solución. [1] Esta variante añade un término que controla la velocidad de acercamiento al mínimo, acelerándola cuando se está lejos del mínimo y deteniéndola cuando se está cerca (influye en la velocidad del aprendizaje) y está dado por la expresión: El cambio en el peso es proporcional al gradiente del error, siendo α (tasa de aprendizaje) la constante de proporcionalidad Si α es grande, el error puede oscilar alrededor del mínimo Si α es pequeña, la convergencia de más lenta Donde es el incremento que sufrió el parámetro w en la iteración anterior y n es un numero positivo que controla la importancia dada al incremento anterior y se denomina momento. Aplicación la regla de obtiene: se Este método trata de ser más estable ya que si la derivada parcial del error respecto al peso tiene el mismo signo en iteraciones consecutivas, la utilización del momento procura un cambio mayor en el peso, acelerando así la convergencia del algoritmo, presenta problemas en proximidades del mínimo. [2] Las mayores tasas de convergencia suelen lograrse para valores grandes tanto de h (siempre que el aumento en dicho valor no produzca inestabilidades) como el momento m. La elección de los pesos iniciales es también importante, ya que la función de error para el PMC puede tener varios mínimos locales, y el punto final de convergencia depende de las condiciones iniciales. Típicamente, dicho problema se resuelve aplicando el algoritmo de retro propagación varias veces con diferentes pesos iniciales hasta que se encuentra una solución adecuada. Página 4 de 7

5 Gradiente descendiente con momento El momento permite a la red responder no solo al gradiente local sino también a las tendencias más recientes en la superficie de error. Actuando como un filtro pasa bajos el omento permite a la red ignorar las pequeñas imperfecciones de la superficie de error [3], sin un momento la red puede atascarse en un mínimo local impidiendo su labor. El momento puede añadirse al aprendizaje con retro propagación realizando cambios en los pesos iguales a la suma de la fracción del último cambio de pesos y el nuevo cambio sugerido por la regla de retro propagación. La magnitud del efecto que último cambio de pesos permite tener es mediada por una constante de momento, mc, que puede ser cualquier número entre 0 y 1. Cuando la constante de momento es 0, el cambio de pesos es basado únicamente en la gradiente. Cuando la constante de momento es 0, el nuevo cambio de pesos se iguala al último cambio de pesos y el gradiente se ignora simplemente. Después de calcular todos los valores de delta de ponderación y sesgo, se puede actualizar cada ponderación y sesgo, al sumar el valor de delta asociado. Pero se ha demostrado que, con ciertos conjuntos de datos, el algoritmo de propagación inversa puede oscilar y pasar de largo y quedar corto repetidas veces del valor esperado, sin converger jamás en un conjunto final de valores de ponderación y sesgo. Una técnica para reducir esta tendencia consiste en agregar a cada ponderación y sesgo nuevo un término adicional llamado momento. El momento de una ponderación (o sesgo) es simplemente un valor pequeño (como 0,4 en el programa de demostración), multiplicado por el valor del último delta de la ponderación. [5] Página 5 de 7

6 FORMULA DEL PROCESO DE APRENDIZAJE CON MOMENTO CONCLUSION Para un red neuronal backpropagation, un problema son los mínimos locales, puesto que cuando se obtienen los máximos y mínimos, mas en este último hay un error en donde la red neuronal termina las iteraciones, sin saber que aún hay más datos, la red se vuelve inestable y los datos no son los deseados, para evitar este problema se agrega una nueva variable en la ecuación a la función de transferencia que es el momento, es muy similar al de la taza de aprendizaje pero en cambio esta lo que hace es mostrar los mínimos de la red neuronal, Contrarresta las posibles inestabilidades que se crean en la variación de los pesos, y es importante porque reduce la posibilidad de caer en un mínimo local, además puede acelerar enormemente el proceso de aprendizaje. Página 6 de 7

7 REFERENCIAS BIBLIOGRAFICAS [1] Freeman Tema 4: Perceptron Multicapa Sistemas Conexionistas 1 Pagina 14. [2] algoritmos de apredizaje en retropropagacion para perceptron multicapa FTP:http://es.scrib.com/doc/ /Algoritmos-de-Aprendizaje-en- Retropropagacion-para-Perceptron-Multicapa [3] J.A.J. Apuntes de inteligencia artificial, Tesis pontificia universidad católica del ecuador, facultad de ingeniería Pagina 9 [5] James McCaffrey Propagacion inversa en redes neuronales para programadores Publicacion FTP:http:// Página 7 de 7

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a

Más detalles

Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones

Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones Broggi, Carlos Javier Goujon, Diego Javier Herrmann, Raúl Alberto Universidad Tecnológica Nacional, Facultad Regional

Más detalles

Aprendizaje Automatizado. Redes Neuronales Artificiales

Aprendizaje Automatizado. Redes Neuronales Artificiales Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano

Más detalles

CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE

CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE Capítulo 4 Algoritmos de Aprendizaje 26 CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE En este capítulo se proporcionan las descripciones matemáticas de los principales algoritmos de aprendizaje para redes neuronales:

Más detalles

5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial. Curso de doctoramiento Técnicas de Computación Flexíbeis

5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial. Curso de doctoramiento Técnicas de Computación Flexíbeis 5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial Curso de doctoramiento Técnicas de Computación Flexíbeis Learning Vector Quantization (LVQ) Versión supervisada de SOM (SOM

Más detalles

REDES AUTOORGANIZATIVAS II

REDES AUTOORGANIZATIVAS II Tema 5: Redes Autoorganizativas Sistemas Conexionistas 1 REDES AUTOORGANIZATIVAS II 1. Leyes de Grossberg. 1.1. Red de Contrapropagación. - Estructura. - Funcionamiento. - Limitaciones y Ventajas. 2. Teoría

Más detalles

ADALINE Y PERCEPTRON

ADALINE Y PERCEPTRON Tema 3: Adaline y Perceptron Sistemas Conexionistas 1 ADALINE Y PERCEPTRON 1. Adaline 1.1. Características. 1.. Regla de Aprendizaje (LMS). Regla Delta. 1.3. Aplicaciones. 1.3.1. Clasificación de vectores.

Más detalles

CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS

CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS Descripción de la base de datos Como datos de entrenamiento, en este proyecto, se utilizó la base de datos ORL [1], la cual contiene un conjunto

Más detalles

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS Capitulo 6. Sistema de Detección de Intrusos con Redes Neuronales. 69 CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS USANDO REDES NEURONALES. En este capítulo se realiza la preparación adecuada de toda la

Más detalles

ENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS TESIS DE GRADO EN INGENIERÍA INFORMÁTICA

ENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS TESIS DE GRADO EN INGENIERÍA INFORMÁTICA ENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS TESIS DE GRADO EN INGENIERÍA INFORMÁTICA FACULTAD DE INGENIERÍA UNIVERSIDAD DE BUENOS AIRES TESISTA: Sr. Luis Federico Bertona DIRECTORES:

Más detalles

Inteligencia Artificial. Redes Neurales Artificiales

Inteligencia Artificial. Redes Neurales Artificiales Inteligencia Artificial Redes Neurales Artificiales Redes Neural Natural Estructura celular del del cerebro donde residen las las capacidades intelectuales del del hombre Neurona: Soma: Dendritas: Sinapsis:

Más detalles

Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico

Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico Nojek, S. 1, Britos, P. 1,2, Rossi, B. 1,2 y García Martínez, R. 2 1 Departamento de Ingeniería Industrial.

Más detalles

Capítulo 2. Las Redes Neuronales Artificiales

Capítulo 2. Las Redes Neuronales Artificiales Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de

Más detalles

CAPITULO 3 REDES HIBRIDAS-COMPLEJAS. 3.1 Descripción de la Red Híbrida Compleja (HCNN)

CAPITULO 3 REDES HIBRIDAS-COMPLEJAS. 3.1 Descripción de la Red Híbrida Compleja (HCNN) CAPITULO 3 REDES HIBRIDAS-COMPLEJAS 3.1 Descripción de la Red Híbrida Compleja (HCNN) La predicción de eventos caóticos que se presentan en un mundo que nos rodea es de gran interés. Especialmente en aquellos

Más detalles

Instituto Tecnológico de Massachussets Departamento de Ingeniería Eléctrica e Informática. 6.002 Circuitos electrónicos Otoño 2000

Instituto Tecnológico de Massachussets Departamento de Ingeniería Eléctrica e Informática. 6.002 Circuitos electrónicos Otoño 2000 Instituto Tecnológico de Massachussets Departamento de Ingeniería Eléctrica e Informática 6.002 Circuitos electrónicos Otoño 2000 Tarea para casa 11 Boletín F00-057 Fecha de entrega: 6/12/00 Introducción

Más detalles

Memoria: Control de una Caldera de Vapor

Memoria: Control de una Caldera de Vapor Memoria: Control de una Caldera de Vapor Tabla de contenido Esquema de control propuesto... 2 Identificación del modelo de la planta... 4 Sintonía de los controladores... 6 Conclusiones... 9 Bibliografía...

Más detalles

Introducción a los sistemas de control

Introducción a los sistemas de control Introducción a los sistemas de control Sistema Un sistema es una combinación de componentes que actúan juntos y realizan un objetivo determinado A un sistema se le puede considerar como una caja negra

Más detalles

TEMA 6 Redes de Neuronas Artificiales

TEMA 6 Redes de Neuronas Artificiales TEMA 6 Redes de Neuronas Artificiales Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 o Informática ribadas@uvigo.es 29 de noviembre de 2005 c 2005 ccia ia 6.1 Introducción Objetivo: Usar los principios

Más detalles

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES Capítulo 5 Modelado y Simulación del IDS 35 CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES En este capítulo se describe la preparación de los datos para servir como entradas al IDS y la simulación de

Más detalles

Compresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales

Compresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales Compresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales Lic. Lanzarini Laura 1 A.C. María Teresa Vargas Camacho 2 Dr. Amado Badrán 3 Ing. De Giusti Armando. 4 Laboratorio de Investigación

Más detalles

Desarrollo de redes neuronales artificiales para el cálculo del transporte neoclásico en reactores de fusión

Desarrollo de redes neuronales artificiales para el cálculo del transporte neoclásico en reactores de fusión PROYECTO FIN DE CARRERA Departamento de Física Desarrollo de redes neuronales artificiales para el cálculo del transporte neoclásico en Autor: Tutor: Zarza Cano, Estéfano Alfredo Tribaldos Macía, Víctor

Más detalles

Análisis de Electrocardiogramas Con Redes Neuronales Artificiales

Análisis de Electrocardiogramas Con Redes Neuronales Artificiales Análisis de Electrocardiogramas Con Redes Neuronales Artificiales José Dante Cortéz Guachalla Josecg7@gmail.com RESUMEN En este artículo se trata de una aplicación de la Inteligencia artificial utilizando

Más detalles

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES José Alejandro Chiri Aguirre RESUMEN La predicción de recidiva en pacientes que han sido

Más detalles

La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network)

La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) III Jornadas de Usuarios de R Javier Alfonso Cendón, Manuel Castejón Limas, Joaquín Ordieres Mere, Camino Fernández Llamas Índice

Más detalles

Controladores PID. Virginia Mazzone. Regulador centrífugo de Watt

Controladores PID. Virginia Mazzone. Regulador centrífugo de Watt Controladores PID Virginia Mazzone Regulador centrífugo de Watt Control Automático 1 http://iaci.unq.edu.ar/caut1 Automatización y Control Industrial Universidad Nacional de Quilmes Marzo 2002 Controladores

Más detalles

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales 1 Objetivos del tema Conocer las limitaciones de los modelos lineales en problemas de modelización/ clasificación.

Más detalles

PARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS

PARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS PARTE III OBTENCIÓN DE MODELOS 1. INFORMACIÓN SOBRE EL SISTEMA 1. EL PROPIO SISTEMA (OBSERVACIÓN, TEST) 2. CONOCIMIENTO TEÓRICO (LEYES DE LA NATURALEZA, EXPERTOS, LITERATURA, ETC.)

Más detalles

17. DOMINIO FRECUENCIA CRITERIO DE BODE

17. DOMINIO FRECUENCIA CRITERIO DE BODE 327 17. DOMINIO FRECUENCIA CRITERIO DE BODE 17.1 INTRODUCCION Las técnicas para analizar la respuesta de un sistema en el dominio de la frecuencia son las más populares para el análisis y diseño del control

Más detalles

Ejercicios de Macroeconomía Avanzada

Ejercicios de Macroeconomía Avanzada Ejercicios de Macroeconomía Avanzada José L Torres Chacón Departamento de Teoría e Historia Económica Universidad de Málaga Septiembre 200 ii Indice I Sistemas dinámicos básicos 5 Introducción a la dinámica

Más detalles

Sistemas de Primer y Segundo Orden

Sistemas de Primer y Segundo Orden Sistemas de Primer y Segundo Orden Oscar Duarte Facultad de Ingeniería Universidad Nacional de Colombia p./66 Sistema Continuo. er Orden Un sistema continuo de primer orden, cuya función de transferencia

Más detalles

Física 2 Laboratorio N 1 Óptica Geométrica

Física 2 Laboratorio N 1 Óptica Geométrica Física 2 Laboratorio N 1 Óptica Geométrica Enunciado de Laboratorio Laboratorio Nº 1 Tema 1-A: Medida de la Longitud Focal de un Sistema Óptico. I- Objetivo En esta práctica se estudia un método para determinar

Más detalles

Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322

Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción

Más detalles

Capítulo 1. Introducción. 1.1. Antecedentes

Capítulo 1. Introducción. 1.1. Antecedentes Capítulo 1. Introducción En este capítulo se presenta una descripción general del problema a investigar y el enfoque con el que se aborda. Se establece la necesidad de incorporar técnicas de análisis novedosas

Más detalles

SERIES DE TIEMPO EMPLEANDO EXCEL Y GRAPH

SERIES DE TIEMPO EMPLEANDO EXCEL Y GRAPH SERIES DE TIEMPO EMPLEANDO EXCEL Y GRAPH 1) DEFINICIÓN Las series de tiempo llamadas también series cronológicas o series históricas son un conjunto de datos numéricos que se obtienen en períodos regulares

Más detalles

La inteligencia artificial aplicada a la valoración de inmuebles. Un ejemplo para valorar Madrid

La inteligencia artificial aplicada a la valoración de inmuebles. Un ejemplo para valorar Madrid Abril 2004 La inteligencia artificial aplicada a la valoración de inmuebles. Un ejemplo para valorar Madrid Julio Gallego Mora-Esperanza Gerencia Regional de Madrid La Inteligencia Artificial y los sistemas

Más detalles

Guías Excel 2007 Matrices Guía 77

Guías Excel 2007 Matrices Guía 77 MATRICES Las hojas de cálculo poseen prestaciones interesantes la gestión de matrices de tipo matemático. Unas consisten en facilitar los cálculos matriciales y otras están orientadas a cálculos estadísticos.

Más detalles

Si el comando Solver no aparece en el menú Herramientas, deberá instalar la macro automática Solver como sigue:

Si el comando Solver no aparece en el menú Herramientas, deberá instalar la macro automática Solver como sigue: El Solver de Excel El Solver se utiliza para determinar el valor máximo o mínimo de una celda modificando otras celdas; por ejemplo, el beneficio máximo que puede generarse modificando los gastos de publicidad.

Más detalles

MAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES

MAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES MAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES José D. Martín Guerrero, Emilio Soria, Antonio J. Serrano PROCESADO Y ANÁLISIS DE DATOS AMBIENTALES Curso 2009-2010 Page 1 of 11 1. Learning Vector Quantization.

Más detalles

CLASIFICACIÓN NO SUPERVISADA

CLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

CAPÍTULO 6 INSTRUMENTO VIRTUAL

CAPÍTULO 6 INSTRUMENTO VIRTUAL Diseño y implementación de un medidor de frecencia para frecuencias bajas CAPÍTULO 6 INSTRUMENTO VIRTUAL Como se ha ido señalando a lo largo de esta memoria, el objetivo del proyecto no es otro que el

Más detalles

Mejora de la Plataforma de e-learning Moodle Utilizando Redes Neuronales

Mejora de la Plataforma de e-learning Moodle Utilizando Redes Neuronales Mejora de la Plataforma de e-learning Moodle Utilizando Redes Neuronales Jorge Roa (*) Marcelo Karanik (**) Sergio Gramajo (*) José Pérez (**) Rodrigo Vigil (*) Rosina Ramirez (*) {jorge;sergio;rodrigo;rosina}@inter-nea.com.ar

Más detalles

Inteligencia Artificial

Inteligencia Artificial Inteligencia Artificial Practica 2. (5 semanas) Rubén Cárdenes Almeida Redes neuronales. Introducción Las Redes Neuronales Artificiales (RNA) están inspiradas en la biología, esto significa que están formadas

Más detalles

GENERACIÓN AUTOMÁTICA DE REDES NEURONALES CON AJUSTE DE PARÁMETROS BASADO EN ALGORITMOS GENÉTICOS FACULTAD DE INGENIERIA UNIVERSIDAD DE BUENOS AIRES

GENERACIÓN AUTOMÁTICA DE REDES NEURONALES CON AJUSTE DE PARÁMETROS BASADO EN ALGORITMOS GENÉTICOS FACULTAD DE INGENIERIA UNIVERSIDAD DE BUENOS AIRES GENERACIÓN AUTOMÁTICA DE REDES NEURONALES CON AJUSTE DE PARÁMETROS BASADO EN ALGORITMOS GENÉTICOS TESIS DE GRADO EN INGENIERIA INFORMATICA FACULTAD DE INGENIERIA UNIVERSIDAD DE BUENOS AIRES TESISTA: Sr.

Más detalles

Introducción a la Computación Evolutiva

Introducción a la Computación Evolutiva Introducción a la Computación Evolutiva Sección de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx http: //delta.cs.cinvestav.mx/~ccoello

Más detalles

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Fundamentos de Investigación de Operaciones Investigación de Operaciones de agosto de 200. Estandarización Cuando se plantea un modelo de LP pueden existir igualdades y desigualdades. De la misma forma

Más detalles

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 1 de agosto de 2003 1. Introducción Cualquier modelo de una situación es una simplificación de la situación real. Por lo tanto,

Más detalles

MÉTODOS DE ORGANIZACIÓN Y ACCESO A DATOS INTRODUCCIÓN. NO : ESTRUCTURA. OPERACIONES. MANTENIMIENTO. : ESTRUCTURA. OPERACIONES. MANTENIMIENTO. MÉTODOS DE ORGANIZACIÓN Y ACCESO A DATOS : ESTRUCTURA. OPERACIONES.

Más detalles

Introducción a Las redes Neuronales (Neurales) CO-6612

Introducción a Las redes Neuronales (Neurales) CO-6612 Introducción a Las redes Neuronales (Neurales) CO-662 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-2 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia:

Más detalles

Introducción a las redes neuronales aplicadas

Introducción a las redes neuronales aplicadas Introducción a las redes neuronales aplicadas Conceptos básicos Las Redes Neuronales (NN: Neural Networks) fueron originalmente una simulación abstracta de los sistemas nerviosos biológicos, constituidos

Más detalles

Deep Learning y Big Data

Deep Learning y Big Data y Eduardo Morales, Enrique Sucar INAOE (INAOE) 1 / 40 Contenido 1 2 (INAOE) 2 / 40 El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia ha sido el foco

Más detalles

Predicción de índices de futuros financieros mediante redes neuronales

Predicción de índices de futuros financieros mediante redes neuronales Predicción de índices de futuros financieros mediante redes neuronales Joan Bosch 1,Lluís Garrido 1,SergioGómez 2 1) Dept. d Estructura i Constituents de la Matèria, Facultat de Física, Universitat de

Más detalles

Introducción a las Redes Neuronales Aplicadas

Introducción a las Redes Neuronales Aplicadas Introducción a las Redes Neuronales Aplicadas CURSO DE EXPERTOS DE U.C.M. (2012) Juan Miguel Marín Diazaraque jmmarin@est-econ.uc3m.es Universidad Carlos III de Madrid INDICE: Redes Neuronales en Economía

Más detalles

CLASE 0- MÉTODOS DE ALISADO EXPONENCIAL

CLASE 0- MÉTODOS DE ALISADO EXPONENCIAL CLASE 0- MÉTODOS DE ALISADO EXPONENCIAL Contextualización En la primera parte del curso hemos estudiado el análisis clásico de series temporales en el que se asume que una serie temporal resulta de la

Más detalles

Sistemas Digitales Ingeniería Técnica en Informática de Sistemas Curso 2006 2007 Aritmética binaria

Sistemas Digitales Ingeniería Técnica en Informática de Sistemas Curso 2006 2007 Aritmética binaria Oliverio J. Santana Jaria 3. Aritmética tica binaria Sistemas Digitales Ingeniería Técnica en Informática de Sistemas Curso 2006 2007 Para Los La en conocer muchos aritmética comprender otros binaria tipos

Más detalles

Cátedra: Informática Aplicada a la Ingeniería de Procesos Orientación I. Tema: Redes Neuronales: Conceptos Básicos y Aplicaciones.

Cátedra: Informática Aplicada a la Ingeniería de Procesos Orientación I. Tema: Redes Neuronales: Conceptos Básicos y Aplicaciones. Universidad Tecnológica Nacional Facultad Regional Rosario Departamento de Ingeniería Química Grupo de Investigación Aplicada a la Ingeniería Química (GIAIQ) Cátedra: Informática Aplicada a la Ingeniería

Más detalles

Facultad: Ingeniería Escuela: Electrónica Asignatura: Sistemas de comunicación I Tema: Modulación de Amplitud Segunda Parte.

Facultad: Ingeniería Escuela: Electrónica Asignatura: Sistemas de comunicación I Tema: Modulación de Amplitud Segunda Parte. 1 Facultad: Ingeniería Escuela: Electrónica Asignatura: Sistemas de comunicación I Tema: Modulación de Amplitud Segunda Parte. Objetivos Medir el porcentaje de modulación de una señal de AM. Medir y constatar

Más detalles

Tema 4: Sistemas de Numeración. Codificación Binaria. Escuela Politécnica Superior Ingeniería Informática Universidad Autónoma de Madrid

Tema 4: Sistemas de Numeración. Codificación Binaria. Escuela Politécnica Superior Ingeniería Informática Universidad Autónoma de Madrid Tema 4: Sistemas de Numeración. Codificación Binaria Ingeniería Informática Universidad Autónoma de Madrid 1 O B J E T I V O S Sistemas de Numeración. Codificación Binaria Conocer los diferentes sistemas

Más detalles

Escuela Politécnica Superior Ingeniería Informática Universidad Autónoma de Madrid

Escuela Politécnica Superior Ingeniería Informática Universidad Autónoma de Madrid Tema 3: Sistemas de Numeración. Codificación Binaria Ingeniería Informática Universidad Autónoma de Madrid 1 O B J E T I V O S Sistemas de Numeración. Codificación Binaria Conocer los diferentes sistemas

Más detalles

Redes Neuronales Artificiales y sus Aplicaciones

Redes Neuronales Artificiales y sus Aplicaciones Redes Neuronales Artificiales y sus Aplicaciones Profesorado Departamento Programa de Doctorado Créditos 3 Nº de Plazas 2. La asignatura 2. Objetivos de la asignatura 3. Contenidos 4. Metodología de trabajo

Más detalles

La relación entre la altura de caída y el tiempo que tarda en rebotar 6 veces una pelota

La relación entre la altura de caída y el tiempo que tarda en rebotar 6 veces una pelota La relación entre la altura de caída y el tiempo que tarda en rebotar 6 veces una pelota INTRODUCCIÓN En este experimento voy a relacionar el tiempo que tarda una pelota en rebotar 6 veces desde distintas

Más detalles

4 Localización de terremotos

4 Localización de terremotos 513430 - Sismología 27 4 Localización de terremotos 4.1 Localización de sismos locales Fig 27: Gráfico de la ruptura en la superficie de una falla. La ruptura se propaga desde el punto de la nucleación,

Más detalles

Con el fin de obtener los datos, se procede con las siguientes instrucciones:

Con el fin de obtener los datos, se procede con las siguientes instrucciones: Capitulo 3. La predicción de beneficios del mercado bursátil Este segundo caso de estudio va más allá en el uso de técnicas de minería de datos. El dominio específico utilizado para ilustrar estos problemas

Más detalles

Anexo c: método de inventario permanente simplificado

Anexo c: método de inventario permanente simplificado From: Medición del capital - Manual OCDE 2009 Segunda edición Access the complete publication at: http://dx.doi.org/10.1787/9789264043695-es Anexo c: método de inventario permanente simplificado Please

Más detalles

1. Ecuaciones no lineales

1. Ecuaciones no lineales 1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar

Más detalles

Circuito RC, Respuesta a la frecuencia.

Circuito RC, Respuesta a la frecuencia. Circuito RC, Respuesta a la frecuencia. A.M. Velasco (133384) J.P. Soler (133380) O.A. Botina (13368) Departamento de física, facultad de ciencias, Universidad Nacional de Colombia Resumen. Se armó un

Más detalles

Capítulo 2 Silueta. Figura 2.1 Tetera capturada por la cámara con la silueta resaltada

Capítulo 2 Silueta. Figura 2.1 Tetera capturada por la cámara con la silueta resaltada Capítulo 2 Silueta 2.1 Silueta La silueta de un objeto es muy importante porque es lo que nos da las pistas visuales de cómo es que está formado, nos dice dónde están sus límites y ayuda a diferenciar

Más detalles

FORMACIÓN DE IMÁGENES CON LENTES

FORMACIÓN DE IMÁGENES CON LENTES Laboratorio de Física de Procesos Biológicos FORMACIÓN DE IMÁGENES CON LENTES Fecha: 19/12/2005 1. Objetivo de la práctica Estudio de la posición y el tamaño de la imagen de un objeto formada por una lente

Más detalles

Metodología. del ajuste estacional. Tablero de Indicadores Económicos

Metodología. del ajuste estacional. Tablero de Indicadores Económicos Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,

Más detalles

Estimación de parámetros, validación de modelos y análisis de sensibilidad

Estimación de parámetros, validación de modelos y análisis de sensibilidad Tema 6 Estimación de parámetros, validación de modelos y análisis de sensibilidad 6.1 Calibración Una vez que se ha identificado el modelo y se ha programado, necesitamos aplicarlo al problema concreto

Más detalles

Práctica de introducción a las redes neuronales. Perceptrón multicapa. Estimación de precios de casas

Práctica de introducción a las redes neuronales. Perceptrón multicapa. Estimación de precios de casas Práctica de introducción a las redes neuronales. Perceptrón multicapa. Estimación de precios de casas Vamos a preparar una red para estimar el precio de casas en una zona a partir de los siguientes datos:

Más detalles

I SEMANA ELECTRONICA REDES NEURONALES

I SEMANA ELECTRONICA REDES NEURONALES UNIVERSIDAD NACIONAL SAN ANTONIO ABAD A DEL CUSCO CARRERA PROFESIONAL DE INGENIERIA ELECTRONICA I SEMANA ELECTRONICA REDES NEURONALES Ing. Avid idromán González Se trata de una nueva forma de computación

Más detalles

INDICE 1. Introducción 1.2. Qué es Realimentación y Cuáles son sus Efectos? 1.3. Tipos de Sistemas de Control Realimentado

INDICE 1. Introducción 1.2. Qué es Realimentación y Cuáles son sus Efectos? 1.3. Tipos de Sistemas de Control Realimentado INDICE Prefacio XIX Prefacio al Software de Computadora para Sistemas de Control XXII 1. Introducción 1 1.1. Introducción 1 1.1.1. Componentes básicos de un sistema de control 2 1.1.2. Ejemplos de aplicaciones

Más detalles

Tema 3 Resolución de Sistemas de Ecuaciones Lineales

Tema 3 Resolución de Sistemas de Ecuaciones Lineales Tema Resolución de Sistemas de Ecuaciones Lineales Índice Introducción 2 Método de Gauss 2 Resolución de sistemas triangulares 22 Triangulación por el método de Gauss 2 Variante Gauss-Jordan 24 Comentarios

Más detalles

Palabras llave. 1. Introducción. S. Valero 1, M. Ortiz 1, C. Senabre 1, M. Peñarrubia 1, A. Gabaldón 2 y Fco. Garcia 2

Palabras llave. 1. Introducción. S. Valero 1, M. Ortiz 1, C. Senabre 1, M. Peñarrubia 1, A. Gabaldón 2 y Fco. Garcia 2 Clasificación de consumidores eléctricos mediante el uso de varias técnicas de redes neuronales artificiales, e identificación de nuevos clientes con las redes entrenadas S. Valero, M. Ortiz, C. Senabre,

Más detalles

TEMA 1. Introducción

TEMA 1. Introducción TEMA 1. Introducción Francisco José Ribadas Pena, Santiago Fernández Lanza Modelos de Razonamiento y Aprendizaje 5 o Informática ribadas@uvigo.es, sflanza@uvigo.es 28 de enero de 2013 1.1 Aprendizaje automático

Más detalles

UNA PROPUESTA EN LA CUAL LA POLÍTICA FISCAL OPERA COMO UN INSTRUMENTO DE ESTABILIZACIÓN DEL CICLO ECONÓMICO SIN GENERAR UN ENDEUDAMIENTO EXCESIVO

UNA PROPUESTA EN LA CUAL LA POLÍTICA FISCAL OPERA COMO UN INSTRUMENTO DE ESTABILIZACIÓN DEL CICLO ECONÓMICO SIN GENERAR UN ENDEUDAMIENTO EXCESIVO 1 UNA PROPUESTA EN LA CUAL LA POLÍTICA FISCAL OPERA COMO UN INSTRUMENTO DE ESTABILIZACIÓN DEL CICLO ECONÓMICO SIN GENERAR UN ENDEUDAMIENTO EXCESIVO Alejandro Rodríguez Arana Departamento de Economía Universidad

Más detalles

CLASIFICADOR LINGÜÍSTICO DE TEXTOS EN JAVA

CLASIFICADOR LINGÜÍSTICO DE TEXTOS EN JAVA CLASIFICADOR LINGÜÍSTICO DE TEXTOS EN JAVA Óscar Alberto García Pérez Universidad Carlos III de Madrid 100039016@alumnos.uc3m.es Ignacio Martínez Fernández Universidad Carlos III de Madrid 100039048@alumnos.uc3m.es

Más detalles

Regulador PID con convertidores de frecuencia DF5, DV5, DF6, DV6. Página 1 de 10 A Regulador PID

Regulador PID con convertidores de frecuencia DF5, DV5, DF6, DV6. Página 1 de 10 A Regulador PID A Página 1 de 10 A Regulador PID INDICE 1. Regulador PID 3 2. Componente proporcional : P 4 3. Componente integral : I 4 4. Componente derivativa : D 4 5. Control PID 4 6. Configuración de parámetros del

Más detalles

CryptoByn: Un sistema de Encriptación basado en la aleatoriedad

CryptoByn: Un sistema de Encriptación basado en la aleatoriedad CryptoByn: Un sistema de Encriptación basado en la aleatoriedad Autor: Diego Sarmentero Abstract La criptología consiste en el estudio de los sistemas de cifrado, teniendo como objectivo ocultar el contenido

Más detalles

Programación Genética

Programación Genética Programación Genética Programación Genética consiste en la evolución automática de programas usando ideas basadas en la selección natural (Darwin). No sólo se ha utilizado para generar programas, sino

Más detalles

EL ENDEUDAMIENTO DE LAS SOCIEDADES NO FINANCIERAS ESPAÑOLAS. EVOLUCIÓN TEMPORAL Y COMPARACIÓN CON EL ÁREA DEL EURO

EL ENDEUDAMIENTO DE LAS SOCIEDADES NO FINANCIERAS ESPAÑOLAS. EVOLUCIÓN TEMPORAL Y COMPARACIÓN CON EL ÁREA DEL EURO EL ENDEUDAMIENTO DE LAS SOCIEDADES NO FINANCIERAS ESPAÑOLAS. EVOLUCIÓN TEMPORAL Y COMPARACIÓN CON EL ÁREA DEL EURO El endeudamiento de las sociedades no financieras españolas. Evolución temporal y comparación

Más detalles

21/02/2012. Agenda. Unidad Central de Procesamiento (CPU)

21/02/2012. Agenda. Unidad Central de Procesamiento (CPU) Agenda 0 Tipos de datos 0 Sistemas numéricos 0 Conversión de bases 0 Números racionales o Decimales 0 Representación en signo-magnitud 0 Representación en complemento Unidad Central de Procesamiento (CPU)

Más detalles

CUANTIFICACIÓN DE RIESGO EN ESTRATEGIAS DE ANÁLISIS TÉCNICO DEL MERCADO DE DIVISAS USANDO REDES NEURONALES

CUANTIFICACIÓN DE RIESGO EN ESTRATEGIAS DE ANÁLISIS TÉCNICO DEL MERCADO DE DIVISAS USANDO REDES NEURONALES CUANTIFICACIÓN DE RIESGO EN ESTRATEGIAS DE ANÁLISIS TÉCNICO DEL MERCADO DE DIVISAS USANDO REDES NEURONALES OSCAR EDUARDO CASTELLANOS VARGAS JORGE MARIO JARAMILLO JARAMILLO PONTIFICIA UNIVERSIDAD JAVERIANA

Más detalles

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: 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 detalles

CAPÍTULO 2: MARCO TEÓRICO. El término inversión significa la asignación de fondos para la adquisición de valores o de

CAPÍTULO 2: MARCO TEÓRICO. El término inversión significa la asignación de fondos para la adquisición de valores o de CAPÍTULO 2: MARCO TEÓRICO 2.1. Valores El término inversión significa la asignación de fondos para la adquisición de valores o de bienes reales con el fin de obtener una utilidad o un interés. [2] Los

Más detalles

4 Análisis de los principales factores AsociAdos A los resultados en ciencias

4 Análisis de los principales factores AsociAdos A los resultados en ciencias cuada en relación con las posibles futuras profesiones de los estudiantes vinculadas a las ciencias. En segundo lugar, los alumnos opinan que las dificultades en el aprendizaje del nuevo conocimiento científico

Más detalles

LAS OPCIONES COMO INSTRUMENTOS DE COBERTURA DE RIESGOS

LAS OPCIONES COMO INSTRUMENTOS DE COBERTURA DE RIESGOS LAS OPCIONES COMO INSTRUMENTOS DE COBERTURA DE RIESGOS Por: Manuel Blanca Arroyo (Profesor Titular de Economía de la Universidad Rey Juan Carlos) La opción quizá sea el mejor instrumento para cubrir cualquier

Más detalles

Aritmética finita y análisis de error

Aritmética finita y análisis de error Aritmética finita y análisis de error Escuela de Ingeniería Informática de Oviedo (Dpto. de Matemáticas-UniOvi) Computación Numérica Aritmética finita y análisis de error 1 / 47 Contenidos 1 Sistemas decimal

Más detalles

Perceptrón Multicapa. Aplicaciones

Perceptrón Multicapa. Aplicaciones Perceptrón Multicapa Aplicaciones Perceptrón Multicapa Para qué se puede usar un perceptrón multicapa? Aproximación de funciones Clasificación Compresión Radiación solar Peligro Calma Datos originales

Más detalles

APLICACIONES CON SOLVER OPCIONES DE SOLVER

APLICACIONES CON SOLVER OPCIONES DE SOLVER APLICACIONES CON SOLVER Una de las herramientas con que cuenta el Excel es el solver, que sirve para crear modelos al poderse, diseñar, construir y resolver problemas de optimización. Es una poderosa herramienta

Más detalles

CAPÍTULO 5 ANÁLISIS DE CONVERGENCIA DEL MÉTODO BINOMIAL AL MODELO DE BLACK & SCHOLES

CAPÍTULO 5 ANÁLISIS DE CONVERGENCIA DEL MÉTODO BINOMIAL AL MODELO DE BLACK & SCHOLES CAPÍTULO 5 ANÁLISIS DE CONVERGENCIA DEL MÉTODO BINOMIAL AL MODELO DE BLACK & SCHOLES Para la valuación de opciones hay dos modelos ampliamente reconocidos como son el modelo binomial y el modelo de Black

Más detalles

PRÁCTICA 2 FUENTES DE ALIMENTACION

PRÁCTICA 2 FUENTES DE ALIMENTACION PRÁCTICA 2 FUENTES DE ALIMENTACION Duración estimada: 2 semanas Objetivos de la práctica: 1. Comprender los conceptos fundamentales de fuentes de alimentación estabilizadas y regulables. 2. Iniciarse en

Más detalles

Edición OLADE Agosto 2011 Quito, Ecuador. Sendero Energético

Edición OLADE Agosto 2011 Quito, Ecuador. Sendero Energético Edición OLADE Agosto 2011 Quito, Ecuador Sendero Energético Sendero Energético de América Latina y El Caribe Organización Latinoamericana de Energía OLADE Agosto 2011 I. Introducción OBJETIVO El objetivo

Más detalles

ANÁLISIS DEL MERCADO DE VALORES (3º GADE)

ANÁLISIS DEL MERCADO DE VALORES (3º GADE) ANÁLISIS DEL MERCADO DE VALORES (3º GADE) PARTE II: TEORÍAS Y TÉCNICAS DE EVALUACIÓN DE INVERSIONES. TEMA 7: ANÁLISIS TÉCNICO DE TÍTULOS DE RENTA VARIABLE ÍNDICE DE CONTENIDOS 7.1.- Tipos de gráficos 7.2.-

Más detalles

Capítulo 8. Tipos de interés reales. 8.1. Introducción

Capítulo 8. Tipos de interés reales. 8.1. Introducción Capítulo 8 Tipos de interés reales 8.1. Introducción A lo largo de los capítulos 5 y 7 se ha analizado el tipo de interés en términos nominales para distintos vencimientos, aunque se ha desarrollado más

Más detalles

CAPITULO 7. ANÁLISIS Y DISCUSIÓN DE RESULTADOS

CAPITULO 7. ANÁLISIS Y DISCUSIÓN DE RESULTADOS CAPITULO 7. ANÁLISIS Y DISCUSIÓN DE RESULTADOS 7.1 EFECTO DEL FRACTURAMIENTO EN LAS PROPIEDADES DE PROPAGACIÓN DE ONDAS COMPRESIONALES Como se describió en el Capítulo 6, por medio de clasificación visual,

Más detalles

FACTORES DE DISTRIBUCION EN EL ANALISIS DE SISTEMAS ELECTRICOS DE POTENCIA.

FACTORES DE DISTRIBUCION EN EL ANALISIS DE SISTEMAS ELECTRICOS DE POTENCIA. FACTORES DE DISTRIBUCION EN EL ANALISIS DE SISTEMAS ELECTRICOS DE POTENCIA. Introducción. En el presente trabajo se presentan algunas aplicaciones en el análisis de sistemas eléctricos de potencia como

Más detalles

SISTEMAS AUTOMÁTICOS DE CONTROL

SISTEMAS AUTOMÁTICOS DE CONTROL SISTEMAS AUTOMÁTICOS DE CONTROL Son aquellos sistemas formados por componentes físicos, conectados de tal manera que puedan comandar, dirigir o regular a si mismo o a otro sistema CONCEPTOS REALACIONADOS

Más detalles

Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos

Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos Dr. Julio César Martínez Romo Instituto Tecnológico de Aguascalientes Ingeniería Eléctrica y Electrónica E-mail: jucemaro@yahoo.com

Más detalles