Extracción de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311
|
|
- Javier Juárez Páez
- hace 5 años
- Vistas:
Transcripción
1 Extraccón de Atrbutos Dr. Jesús Arel Carrasco Ochoa Ofcna 8311
2 Contendo Introduccón PCA LDA Escalamento multdmensonal Programacón genétca Autoencoders
3 Extraccón de atrbutos Objetvo Preprocesamento Clasfcacón Supervsada Regresón Agrupamento Vsualzacón
4 Extraccón de atrbutos Objetvo Preprocesamento Clasfcacón Supervsada Regresón Agrupamento Vsualzacón
5 Extraccón de atrbutos Por qué hacer Extraccón de atrbutos en clasfcacón supervsada Mejorar los resultados de la clasfcacón Reducr el costo de la clasfcacón Acelerar el proceso de clasfcacón
6 Extraccón de atrbutos El objetvo es transformar el espaco de representacón en otro de menor dmensón que conserve (o mejore) la nformacón contenda en la representacón orgnal Conservar o mejorar alguna característca de los datos Heurístcas
7 Extraccón de varables Muestra reducda Muestra M y 1.. y s M x 1 x 2... x n O 1 y 1 (O 1 ).. y s (O 1 ) O 1 x 1 (O 1 ) x 2 (O 1 )... x n (O 1 ) : : Extractor O m y 1 (O m ).. y s (O m ) O m x 1 (O m ) x 2 (O m )... x n (O m )
8 Estrategas de Extraccón Drectas (tratan de conservar o mejorar alguna característca de los datos) PCA LDA Escalamento multdmensonal Heurístcas Programacón genétca Autoencoders
9 PCA Transformacón lneal Busca un nuevo sstema de coordenadas ortogonales donde cada eje conserve tanta varanza (de los datos orgnales) como sea posble La prmera componente preserva la mayor cantdad de varanza, la segunda preserva la mayor cantdad de la varanza restante, y así sucesvamente. No utlza la nformacón de las clases
10 PCA Busca las dreccones en los datos con mayor varacón
11 PCA Sea X={x =1,,n} con x R m almacenados en una matrz de nxm 1. Centrar los datos (A cada columna de X le restamos la meda de la columna) 2. Calcular la matrz de covaranza de nxn como: C X =(1/n)XX T 3. Calcular los egenvectores y egenvalores de C X C X V=λV 4. La matrz V de nxn contene los egenvectores y el vector contene los egenvalores ordenados de mayor a menor
12 PCA Cada fla de V es una de las componentes prncpales S conservamos todas no se reduce la dmensón de los datos Se selecconan las k prmeros que capturen el K% de la varanza (los prmeros k tales que la suma de sus egenvalores sea K/100) La nueva representacón se obtene como: Y=V k X
13 LDA Transformacón lneal Busca un nuevo sstema de coordenadas que preserve o maxmce la separacón entre las clases Utlza la nformacón de las clases
14 LDA Busca las dreccones en los datos con mayor separacón entre las clases PCA LDA
15 LDA 2 clases Encontrar w que maxmce Solucón ( ) m m w = W S ( ) ( ) w w m m w w w w w w W T T W T B T J S S S = =
16 LDA K>2 clases (K 1,,K K ) Dspersón ntra-clase Dspersón entre-clases Buscar W tal que maxmce ( )( ) = = = t K T t t K W x m x m x S S S 1 ( )( ) = = = = K K T B K K m m m m m m S ( ) W S W W S W W W T B T J = Los egenvectores más grandes de S W -1 S B
17 Escalamento Multdmensonal El objetvo es mapear los objetos n dmensonales orgnales a R d, de modo que se preserven las dstancas entre objetos Usualmente se toma d=2 para vsualzar
18 Escalamento Multdmensonal Sea D es la dstanca en el espaco orgnal y d la dstanca en R d Sea o el mapeo en R d del objeto O El objetvo es encontrar un mapeo tal que: O, O j : D( O, O j ) = d( o, o j )
19 Escalamento Multdmensonal En general el objetvo no se puede lograr Por lo tanto, lo que se busca es un mapeo tal que: O, O j : D( O, O j ) d( o, o j )
20 Escalamento Multdmensonal Tetraedro A D A B C B C A B C D D
21 Escalamento Multdmensonal Cómo decdr qué tan bueno es un mapeo? ( ) ( ) = = j j j j j j j j o o d o o d O D O STRESS o o d O D O m MSE, 2, 2, 2 ), ( ), ( ), ( ), ( ), ( 1
22 Escalamento Multdmensonal Cómo construr un mapeo? Utlzar un optmzador Método del gradente Algortmos genétcos
23 Programacón genétca Idea Utlzar algortmos genétcos para generar programas que realcen una tarea Los ndvduos son programas La funcón de evaluacón (ftness) debe evaluar qué tan ben un ndvduo (programa) resuelve la tarea objetvo
24 Programacón genétca Representacón de ndvduos Los ndvduos son programas usualmente expresones matemátcas codfcadas como árboles
25 Programacón genétca Cruza (2 ndvduos) Se seleccona un nodo de cada ndvduo y se ntercamban Mutacón Se seleccona un nodo y se modfca
26 Programacón genétca Cruza
27 Programacón genétca Mutacón + - -
28 Programacón genétca Generar poblacón ncal P Para =1,..., numgeneracones evalúa(p) P2 = cruza(p) evalúa(p2) P3 = mutacón (P P2) evalúa(p3) P = seleccona(p P2 P3) salda = mejorelemento(p)
29 Programacón genétca Cómo utlzar PG para extraer atrbutos? Cada ndvduos representa una transformacón de los n atrbutos orgnales en k nuevos atrbutos Los ndvduos son coleccones de k árboles (funcones) Sólo se utlzan operadores de +, -, * Los operandos son constantes o alguna de las varables orgnales
30 Programacón genétca Cómo utlzar PG para extraer atrbutos? La cruza consste en ntercambar un árbol selecconado al azar entre dos ndvduos La mutacón consste en elmnar un árbol selecconado aleatoramente y agregar otro generado aleatoramente La funcón de ftness para un ndvduo consste en aplcar la transformacón ndcada y utlzar un clasfcador. La evaluacón de ndvduo será la caldad de los resultados de clasfcacón, evaluados con alguna medda de caldad de clasfcacón
31 Autoencoders Idea Utlzar una red neuronal de 3 capas en la cual las capas de entrada y de salda son del msmo tamaño (tantas neuronas como varables orgnales) y la capa central es más pequeña (tantas neuronas como varables a generar) Se entrena la red con la muestra para que la salda sea gual a la entrada (usualmente con retropropagacón) La saldas de la capa ntermeda son los valores de las nuevas varables
32 Autoencoders
33 Autoencoders Problema La capa oculta no puede ser muy pequeña en relacón con las de entrada y salda, pues en ese caso no es capaz de concentrar adecuadamente la nformacón de la entrada Solucón Agregar múltples capas ocultas que van dsmnuyendo paulatnamente de tamaño y después aumentando en la msma proporcón (Deep Learnng)
34 Autoencoders
35 Autoencoders Problema Una red tan grande es muy costosa de entrenar y el ajuste de los pesos no es muy bueno. Solucón Entrenar una a una las capas ocultas
36 Autoencoders Entrenar capa por capa
37 Autoencoders Ejemplo: PCA vs. Autoencoder en documentos
38 Evaluacón de extractores de varables Utlzando un clasfcador Selecconar un conjunto de bases de datos Utlzar algún método de valdacón aplcando extraccón+clasfcacón Utlzar alguna medda de evaluacón de caldad de clasfcacón
3. Análisis de Factores
3. Análss de Factores 3.. Introduccón y objetvos. El análss de factores es un procedmento estadístco que crea un nuevo conjunto de varables no correlaconadas entre sí, llamadas factores subyacentes o factores
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Redes de Neuronas: Preparacón de datos para el aprendzaje y meddas de evaluacón 1. Preparacón de datos Característcas de los datos
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Ejerccos para Evaluacón: Tema 5 1. Contestar brevemente a las sguentes cuestones relaconadas con las Redes de Base
Más detallesTema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema
Tema :Descrpcón de una varable Tema :Descrpcón de una varable. El método estadístco. Descrpcón de conjuntos de datos Dstrbucones de frecuencas. Representacón gráfca Dagrama de barras Hstograma. Meddas
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detallesEJEMPLO DE APLICACIÓN
Aprendzaje Automátco y Data Mnng Bloque VI EJEMPLO DE APLICACIÓN 1 Índce Problema a resolver. Propuesta de uso de aprendzaje. Algortmo desarrollado. Seleccón del clasfcador. Resultados expermentales. Entorno
Más detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesGráficos de flujo de señal
Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente en el análss y dseño de sstemas de control. Otro procedmento alternatvo
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesCLAVE - Laboratorio 1: Introducción
CLAVE - Laboratoro 1: Introduccón ( x )( x ) x ( xy) x y a b a b a a a ( x ) / ( x ) x ( x ) x a b a b a b ab n! n( n 1)( n 2) 1 0! 1 x x x 1 0 1 (1) Smplfque y evalúe las sguentes expresones: a. 10 2
Más detallesEspacios de Búsqueda en un Árbol Binario para Resolver Problemas de Optimización Discreta
Espacos de Búsueda en un Árbol Bnaro para Resolver Problemas de Optmzacón Dscreta María Elena Gómez-Torres J. Crspín Zavala-Díaz Marco Antono Cruz- Chávez 3 Insttuto Tecnológco de Zacatepec Calzada Insttuto
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.
Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón
Más detallesMinería de Datos (MD) estadística
Mnería de datos Tema 3: Métodos Báscos: Algortmos Mnería de Datos (MD) estadístca Por qué una aproxmacón estadístca en la MD? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesMAGNITUD: propiedad o cualidad física susceptible de ser medida y cuantificada. Ejemplos: longitud, superficie, volumen, tiempo, velocidad, etc.
TEMA. INSTRUMENTOS FÍSICO-MATEMÁTICOS.. SISTEMAS DE MAGNITUDES Y UNIDADES. CONVERSIÓN DE UNIDADES. MAGNITUD: propedad o cualdad físca susceptble de ser medda y cuantfcada. Ejemplos: longtud, superfce,
Más detallesTEMA 5. INTERPOLACION
TEMA 5.. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos 6. RESUMEN 7. Programacón en Matlab INTERPOLACION . Introduccón En el Tema 4, se ha descrto
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesCurso Práctico de Bioestadística Con Herramientas De Excel
Curso Práctco de Boestadístca Con Herramentas De Excel Fabrzo Marcllo Morla MBA barcllo@gmal.com (593-9) 419439 Otras Publcacones del msmo autor en Repostoro ESPOL Fabrzo Marcllo Morla Guayaqul, 1966.
Más detalles1. Variable aleatoria. Clasificación
Tema 7: Varable Aleatora Undmensonal 1. Varable aleatora. Clasfcacón. Caracterzacón de una varable aleatora. Varable Aleatora dscreta. Varable Aleatora contnua 3. Característcas de una varable aleatora.
Más detallesCátedra Investigación Operativa
Cátedra Investgacón Operatva Prof. Ttular Prof. Adunto JTP JTP Dr. Ing. Jorge E. Núñez Mc Leod Ing. Horaco Day Ing. Roberto Martín (lcenca) Ing. Romna Calvo Olvares Clases: Aula: Vernes 9:-: hs. Teórco-práctcos
Más detallesMÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Lus Lago Ana González Escuela Poltécnca Superor Unversdad Autónoma de Madrd Transformacón
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detallesUniversidad Simón Bolívar Conversión de Energía Eléctrica - Prof. José Manuel Aller
Unversdad Smón Bolívar Conversón de Energía Eléctrca Prof José anuel Aller 41 Defncones báscas En este capítulo se estuda el comportamento de los crcutos acoplados magnétcamente, fjos en el espaco El medo
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesVectores en el espacio
ectores en el espaco Los puntos y los vectores en el espaco se pueden representar como ternas de números reales (a,b,c) c b a Por el Teorema de Ptagoras, la norma del vector = (a,b,c) es = a 2 +b 2 +c
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Métodos multivariantes en control estadístico de la calidad
UNIVERSIDAD NAIONAL MAYOR DE SAN MAROS FAULTAD DE IENIAS MATEMÁTIAS E.A.P. DE ESTADÍSTIA Métodos multvarantes en control estadístco de la caldad apítulo IV. Gráfcos de control MUSUM TRABAJO MONOGRÁFIO
Más 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 detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y
ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO
Más detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
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 detallesMétodo de reponderación aplicado en la EPA
Método de reponderacón aplcado en la EPA La Encuesta de Poblacón Actva (EPA), como cualquer otra encuesta a hogares, puede tener dstorsones en las estmacones que produce, debdo a una sere de causas lgadas
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesTEMA 5. INTERPOLACION
Tema 5: Interpolacón TEM 5. INTERPOLCION. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos. RESUMEN 7. Programacón en Matlab Cálculo numérco en
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 detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesAPLICACIONES DE LOS SISTEMAS LINEALES 1. MODELACION DE POLINOMIOS CONOCIENDO UN NUMERO DETERMINADO DE PUNTOS DEL PLANO.
APLICACIONES DE LOS SISTEMAS LINEALES 1. MODELACION DE POLINOMIOS CONOCIENDO UN NUMERO DETERMINADO DE PUNTOS DEL PLANO. Dado un numero n de puntos del plano ( a, b ) es posble encontrar una funcón polnómca
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 detallesRobótica Tema 4. Modelo Cinemático Directo
UNIVERSIDAD POLITÉCNICA DE MADRID E.U.I.T. Industral ASIGNATURA: Robótca TEMA: Modelo Cnemátco Ttulacón: Grado en Ingenería Electrónca y Automátca Área: Ingenería de Sstemas y Automátca Departamento de
Más detallesAnálisis en Componentes Principales
Análss en Componentes Prncpales ACP ACP: resumen Stuacón: se tene una tabla de datos cuanttatvos Obetvo: obtener una representacón en pocas dmensones de los obetos, perdendo el mínmo de nformacón obtener
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más 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 detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesCAPÍTULO 2: MARCO TEÓRICO. resolución del problema. El primer apartado del presente capítulo habla sobre el área
CAPÍTULO 2: MARCO TEÓRICO En éste capítulo se presenta el marco teórco en el que se desarrolla el modelo para la resolucón del problema. El prmer apartado del presente capítulo habla sobre el área fnancera
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 detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más 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 detallesESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística
ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es
Más detallesPrueba de Evaluación Continua
Estadístca Descrptva y Regresón y Correlacón Prueba de Evaluacón Contnua 1-III-18 1.- Dada la varable x y la nueva varable y=a+bx, ndcar (demostrándolo) la expresón exstente entre las respectvas medas
Más detallesCapítulo 2: ANALISIS EXPLORATORIO de DATOS Estadística Computacional 1º Semestre 2003
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo : ANALISIS EXPLORATORIO de DATOS Estadístca Computaconal º Semestre 003 Profesor :Héctor Allende Págna : www.nf.utfsm.cl/~hallende
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesModelado de un Robot Industrial KR-5
RESUMEN Modelado de un Robot Industral KR-5 (1) Eduardo Hernández 1, Samuel Campos 1, Jorge Gudno 1, Janeth A. Alcalá 1 (1) Facultad de Ingenería Electromecánca, Unversdad de Colma, km 2 Carretera Manzanllo-Barra
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesDISEÑO SÍSMICO DE ESTRUCTURAS DE ACERO UTILIZANDO ALGORÍTMOS GENÉTICOS RESUMEN ABSTRACT INTRODUCCIÓN
DISEÑO SÍSMICO DE ESTRUCTURAS DE ACERO UTILIZANDO ALGORÍTMOS GENÉTICOS Jorge H. González Cuevas 1, Edén Bojórquez Mora 1, Alfredo Reyes Salazar 1, Juan I. Velázquez Dmas 1 y Basla Quñonez Esquvel 1 RESUMEN
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 detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesCada uno da lo que recibe, Y luego recibe lo que da, Nada es más simple, No hay otra norma: Nada se pierde, Todo se transforma.
Cada uno da lo que recbe, Y luego recbe lo que da, Nada es más smple, No hay otra norma: Nada se perde, Todo se transforma. Todo se transforma (Jorge Drexler, cantautor uruguayo) Estadístca Básca - Manuel
Más detallesMatemática Financiera Sistemas de Amortización de Deudas
Matemátca Fnancera Sstemas de Amortzacón de Deudas 7 Qué aprendemos Sstema Francés: Descomposcón de la cuota. Amortzacones acumuladas. Cálculo del saldo. Evolucón. Representacón gráfca. Expresones recursvas
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallesXV CONGRESO DE CONFIABILIDAD APLICACIÓN DE TÉCNICAS DE MINERÍA DE DATOS AL MANTENIMIENTO BASADO EN CONDICIÓN
APLICACIÓN DE TÉCNICAS DE MINERÍA DE DATOS AL MANTENIMIENTO BASADO EN CONDICIÓN Sebatán Martorell (1), Isabel Martón (1), Ana Isabel Sánchez (2), Sofía Carlos (1) (1) Departamento de Ingenería Químca y
Más detallesRedalyc. Gallego, Ramón A.; Escobar Z., Antonio H.; Rodas Rendón, Darío E.
Redalyc Sstema de Informacón Centífca Red de Revstas Centífcas de Amérca Latna, el Carbe, España y Portugal Gallego, Ramón A.; Escobar Z., Antono H.; Rodas Rendón, Darío E. ALGORITMO GENÉTICO ESPECIALIZADO
Más detallesAgrupamiento de puntos de venta en una red de distribución
Agrupamento de puntos de venta en una red de dstrbucón Utlzando el Método de grafos y la Generacón de cortes para su solucón a través del lenguaje de modelacón AMPL. 26/Ago./04 Presenta: Aracel Ramírez
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesLicenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL
INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL Relacón de Ejerccos nº 2 ( tema 5) Curso 2002/2003 1) Las cento trenta agencas de una entdad bancara presentaban, en el ejercco 2002, los sguentes datos correspondentes
Más detallesIntroducción. Reproducción
Introduccón Muchos organsmos bológcos poseen sstemas muy sofstcados de reconocmento de patrones (RP). La sofstcacón de estos sstemas se debe a que ofrecen ventajas de tpo evolutvo. Supervvenca Reconocmento
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más 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 detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más 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 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 detallesDETECCION Y DIAGNOSTICO DE FALLAS UTILIZANDO TECNICAS ESTADISTICAS MULTIVARIABLES A PARTIR DE DATA HISTORICA
DEECCION Y DIAGNOICO DE FALLA UILIZANDO ECNICA EADIICA MULIVARIABLE A PARIR DE DAA HIORICA José L. Gouvea, Delfna Padlla, Oscar Camacho. Postgrado en Automatzacón e Instrumentacón. Facultad de Ingenería.
Más detallesAnálisis Factorial de Correspondencias Un Ejemplo:
Análss Factoral de Corresondencas Un Eemlo: FJ Callealta ; LR Rvera UAH Preerencas or los Comonentes de un Menú Varables cualtatvas: Prmer Plato: Ensalada Soa Macarrones 3 Segundo Plato: Carne Pescado
Más detallesHerramientas Matemáticas para la localización espacial. Prof. Cecilia García
Herramentas Matemátcas para la localzacón espacal Contendo I. Justfcacón 2. Representacón de la poscón 2. Coord. Cartesanas 2.2 Coord. Polares y Clíndrcas 2.3 Coord. Esfércas 3. Representacón de la orentacón
Más detallesRedalyc OROZCO G., ÁLVARO ÁNGEL; ÁLVAREZ, MAURICIO; FETECUA VALENCIA, JUAN GABRIEL
Redalyc Sstema de Informacón Centífca Red de Revstas Centífcas de Amérca Latna, el Carbe, España y Portugal OROZCO G., ÁLVARO ÁGEL; ÁLVAREZ, MAURICIO; FETECUA VALECIA, JUA GABRIEL RECOOCIMIETO DE EXPRESIOES
Más detallesMuchos organismos biológicos poseen sistemas muy sofisticados de reconocimiento de patrones (RP).
Introduccón Muchos organsmos bológcos poseen sstemas muy sofstcados de reconocmento de patrones (RP). La sofstcacón de estos sstemas se debe a que ofrecen ventajas de tpo evolutvo. Supervvenca Reconocmento
Más detallesCOLEGIO INGLÉS MEDIDAS DE DISPERSIÓN
COLEGIO IGLÉS DEPARTAMETO IVEL: CUARTO MEDIO PSU. UIDAD: ESTADISTICA 3 PROFESOR: ATALIA MORALES A. ROLADO SAEZ M. MIGUEL GUTIÉRREZ S. JAVIER FRIGERIO B. MEDIDAS DE DISPERSIÓ Las meddas de dspersón dan
Más detallesInstituto Nacional de Estadísticas Chile METODOLOGÍA. Encuesta Estructural de Transporte por Carretera Año contable 2012
Insttuto Naconal de Estadístcas Cle METODOLOGÍA Encuesta Estructural de Transporte por Carretera Año contable 0 Insttuto Naconal de Estadístcas 04 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE
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 detallesOptimización multicriterio. Andrés Ramos Universidad Pontificia Comillas
Optmzacón multcrtero Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu Contendo 1. Conceptos báscos 2. Métodos contnuos 3. Métodos dscretos Escuela Técnca
Más detallesUtilizar sumatorias para aproximar el área bajo una curva
Cálculo I: Guía del Estudante Leccón 5 Apromacón del área bajo la curva Leccón 5: Apromacón del área bajo una curva Objetvo: Utlzar sumatoras para apromar el área bajo una curva Referencas: Stewart: Seccón
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesRELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTORY OF
RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTOR OF ELECTRONIC PARTS) Una empresa fabrca tres tpos de componentes electróncos,
Más detallesUniversidad de Sonora Departamento de Matemáticas Área Económico Administrativa
Unversdad de onora Departamento de Matemátcas Área Económco Admnstratva Matera: Estadístca I Maestro: Dr. Francsco Javer Tapa Moreno emestre: 016-1 Hermosllo, onora, a 17 de 016. Introduccón En la clase
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 7 de Mayo de 08 9:00 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta A B C En Blanco
Más detallesASIGNACION 2 INEL3105 A revisar a partir del 1 marzo.
SIGNION INEL305 revsar a partr del marzo. Problema. Para un crcuto con bpolos, formamos el gráfco, o grafo (graph) susttuyendo cada bpolo por una línea que une los dos nodos a los que está conectado. Esta
Más detallesLotes óptimos de producción mediante algoritmos genéticos
IX Congreso de Ingenería de Organzacón Gjón, 8 y 9 de septembre de 2005 Lotes óptmos de produccón medante algortmos genétcos Manuel Rojas Guerrero 1, Ángel Antono Saraba Vejo 2 1 Escuela Técnca Superor
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesModelado, Simulación y Optimización de Procesos Químicos. Fe de Erratas. Prólogo:
Modelado, Smulacón y Optmzacón de Procesos Químcos Fe de Erratas Prólogo: El presente documento contene las correccones a los errores del lbro Modelado, Smulacón y Optmzacón de Procesos Químcos del Dr.
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 detallesTutorial sobre Máquinas de Vectores Soporte (SVM)
Tutoral sobre Máqunas de Vectores Soporte SVM) Enrque J. Carmona Suárez ecarmona@da.uned.es Versón ncal: 2013 Últma versón: 11 Julo 2014 Dpto. de Intelgenca Artcal, ETS de Ingenería Informátca, Unversdad
Más detallesALGUNOS MODELOS DE UNA NEURONA
ALGUNOS MODELOS DE UNA NEURONA w 1 Μ w 2 w m ADALINE ADAptve Lnear Element Wdrow y Hoff 1960 w 1 Μ w 2 w m El Adalne x 0 x 1 x 2 Μ Μ x m con w 2 w = x = w 1 w m v b m v m = w j x j + b = j= 1 = 0 [ b w
Más detallesSoftmax Fernando Berzal,
Softma Fernando Berzal, berzal@acm.org Softma El uso del error cuadrátco como medda de error tene algunos nconvenentes: S la salda deseada es la salda actual es 0.00000 el gradente es práctcamente 0, por
Más detalles