COMPARACIÓN DE TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO SOBRE VÍDEO COMPRIMIDO CAPÍTULO 3: TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO
|
|
- Sara Vargas Toro
- hace 5 años
- Vistas:
Transcripción
1 CAPÍTULO 3: TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO
2
3 3. TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO 3.. Antecedentes La tecnología para la organzacón y la búsqueda de mágenes y vídeo basada en el contendo está en pleno desarrollo. Esto se cumple de forma especal en aplcacones multmeda donde la dfcultad de la búsqueda y la edcón de los datos es frecuentemente el factor más costoso. El prmer paso para la extraccón de nformacón, basada en el contendo, de una secuenca de vídeo, es detectar los cambos de plano. Un plano se defne como una coleccón de cuadros que descrben una sola escena u operacón de cámara. Una vez que se dentfcan los planos, los cuadros clave más representatvos se extraen y se organzan para obtener una vsón jerárquca del vídeo. Los algortmos de deteccón de cambos de plano se pueden clasfcar en dos grupos: los que operan sobre la nformacón de vídeo ya descomprmda y los que operan drectamente sobre la nformacón comprmda, usando datos parcalmente decodfcados como los tpos de macrobloques, los vectores de movmento y las mágenes DC. Los algortmos que operan sobre datos descomprmdos pueden dvdrse a su vez en los basados en dferencas a nvel de píxel, los basados en hstogramas y los basados en dferencas a nvel de cuadro. Por ejemplo, en [7] se utlza un método basado en dferencas a nvel de píxel, [5] y [] descrben algortmos que usan los hstogramas de lumnanca y en [6] se propone el cálculo de las dferencas de bordes entre cuadros. La deteccón de cambos de plano sobre vídeo comprmdo ha atraído más la atencón en los últmos años. Trabajar drectamente sobre la nformacón comprmda proporcona una sere de ventajas. En prmer lugar, se elmna el proceso de decodfcacón y, tratando así un volumen de datos consderablemente menor, se logra reducr de forma sgnfcatva el coste computaconal. Además, una gran cantdad de nformacón, como vectores de movmento y valores medos de los bloques, que puede usarse en la deteccón de cambos de plano, está dsponble en la secuenca de datos. Los algortmos que operan sobre vídeo comprmdo pueden clasfcarse en: (a) basados en las mágenes DC, (b) basados en los vectores de movmento y (c) basados en los coefcentes DCT. Por ejemplo, se han descrto varos métodos que utlzan los hstogramas de lumnanca o de color de las mágenes DC [4, 5], otros métodos que se basan en los tpos de macrobloques que contene cada cuadro [3] y, por últmo, los que calculan la correlacón entre los coefcentes. Varos de estos métodos se descrbrán en detalle en los sguentes apartados [3]. Págna 39
4 3.. Pasos prevos a la deteccón de cambos de plano 3... Reconstruccón de los vectores de movmento. La secuenca de bts, obtenda al codfcar el vídeo, contene para cada plano una sere de vectores dferencales que defnen el movmento de los bloques de la magen. Antes de usar los algortmos que detectan los cambos de plano, hay que consegur, a partr de los vectores dferencales, el mapa de los vectores de movmento de la magen. El vector de movmento del macrobloque se obtene añadendo al vector de movmento dferencal la predccón que se forma de gual manera en el codfcador y decodfcador. El proceso del cálculo de la predccón se descrbe a contnuacón. Un macrobloque codfcado en modo nter puede tener un vector de movmento, para todo el macrobloque, o cuatro, uno por bloque. La decodfcacón del vector de movmento se hace de forma ndependente para las componentes horzontal y vertcal. Se forma la predccón a partr de la medana de tres vectores de movmento canddatos (MV, MV, MV 3 ), correspondentes a macrobloques o bloques vecnos. La poscón de estos canddatos se descrbe en lustracón 5. En el caso en que sólo se utlza un vector por macrobloque se utlza la prmera de las confguracones de la fgura: MV MV3 MV MV3 MV MV MV MV MV MV3 MV MV3 MV MV MV MV Ilustracón 5: Predccón para el vector de movmento Las sguentes reglas se aplcan para obtener el valor de los vectores canddatos: S el macrobloque correspondente se codfcó en modo ntra, o era no codfcado, la predccón se pone a cero. MV se pone a cero s el macrobloque correspondente se encuentra fuera de las fronteras del cuadro (a la zquerda). Págna 40
5 MV y MV3 toman el valor de MV s los macrobloques correspondentes están fuera del cuadro, por arrba. MV3 se pone a cero s el macrobloque correspondente está fuera del cuadro, por la derecha. Para cada componente, la predccón es la medana de las tres predccones: P X Medan( MV x, MVx, MV3 x P Y Medan( MV y, MV y, MV3 y ) ) Para los macrobloques que usan cuatro vectores de movmento, se utlza uno para cada bloque, sguendo el msmo orden de numeracón que el descrto en la lustracón 8. El vector de movmento para las componentes de croma se calcula sumando los vectores de lumnanca correspondentes a cada bloque y dvdéndolos por el doble del número de bloques: 8 (por tener la mtad de resolucón que la lumnanca). Después se redondea este número al entero más próxmo y el vector obtendo se utlza para formar la predccón para la croma de gual manera que s hubera un sólo vector por macrobloque [6] Reconstruccón de los coefcentes 3... Predccón para los coefcentes DC y AC El prmer paso de la reconstruccón de los coefcentes es la formacón de la predccón. El coefcente DC de cada bloque se predce a partr del bloque superor o zquerdo, según la dreccón de menor gradente, calculada a partr de los coefcentes descuantzados, A, B y C. La lustracón 6 recuerda la forma de predccón para los coefcentes: B C D A X Y Macrobloque Ilustracón 6: Predccón para los coefcentes DC Págna 4
6 S alguno de los bloques (A, B o C) están fuera de las fronteras del VOP, o no pertenecen a un macrobloque codfcado en modo ntra, los coefcentes utlzados para calcular la predccón toman el valor (bts por píxel+), 04 en este caso, que corresponde al nvel de grs medo. El coefcente reconstrudo se obtene así: DC Tcoef + P(DC), sendo Tcoef el coefcente obtendo de la secuenca de bts tras la cuantzacón nversa y P la predccón elegda. Predccón adaptatva de los coefcentes AC: este proceso se utlza cuando está actva la bandera ac_pred_flag, que ndca que se realza la predccón AC en la decodfcacón de los coefcentes. La dreccón de predccón para el coefcente DC se utlza tambén para selecconar la dreccón de predccón de los coefcentes AC y, por tanto, es posble predecr la dreccón para cada bloque del macrobloque. La dreccón de predccón de los coefcentes AC la muestra la lustracón 7: Ilustracón 7: Predccón para los coefcentes AC Para compensar las dferencas en la cuantzacón usada en los bloques adyacentes, es necesaro reescalar los coefcentes de la predccón Construccón de la magen DC Muchos de los métodos utlzados en la deteccón de cambos de plano en mágenes comprmdas utlzan la secuenca de mágenes DC del vídeo. La magen DC de un cuadro I se obtene drectamente de la secuenca de vídeo comprmdo, ordenando los datos de ésta. Sn embargo, en los cuadros P, codfcados de forma predctva, no están dsponbles estos coefcentes, ya que en ellos se utlza la compensacón de movmento. En los cuadros P, se envían los vectores de movmento y los coefcentes DCT de la magen dferenca. En [4] se Págna 4
7 propone un algortmo para la construccón de la magen DC. En ese algortmo, utlzado en el presente proyecto, se aproxma el coefcente DC con la meda ponderada de los coefcentes DC de los bloques que apunta el vector de movmento, en el cuadro anteror. Esto se puede ver en la lustracón 8: Ilustracón 8: Obtencón de los coefcentes en cuadros P Así, el coefcente reconstrudo se obtendrá de la sguente manera: DC 64 E A DC donde A es el número de píxeles en el bloque que cubre el bloque de referenca y E es el conjunto de cuadros que nvade el vector de movmento. La lustracón 9 compara la magen orgnal y la magen DC utlzada para la deteccón de cambos de plano: Ilustracón 9: Imagen orgnal y su magen DC de lumnanca Págna 43
8 3.3. Técncas de deteccón Deteccón medante dferencas de hstogramas de color En general hay dos tpos de transcones entre planos: abruptas y graduales. Las transcones abruptas corresponden a un cambo que se produce entre dos cuadros, mentras que las graduales se dan a lo largo de varos cuadros. Según [4], las dferencas entre los hstogramas de color en una secuenca de mágenes DC pueden utlzarse para detectar los cambos de plano. Los hstogramas se construyen contando el número de veces que aparece un nvel de energía en el cuadro. Se puede calcular la dstanca entre hstogramas de dos mágenes y utlzar un umbral a partr del cual se declaran los cambos de plano. Se genera así un dagrama de dferencas de hstogramas de toda la secuenca para ver en qué cuadros se producen cambos. En esta dferenca un cambo de plano corresponde normalmente a un pulso de gran ampltud y una transcón gradual corresponde normalmente a una sere de pulsos de ampltud meda. En este algortmo se calcula así la dferenca entre planos: N d hst ( n, n + ) h n [ ] h n + [ ] donde N es el número total de bns o frecuencas bnaras del hstograma. Para hstogramas normalzados, el valor absoluto de la dstanca toma valores entre 0 y. En la lustracón 30 se representa la funcón dferenca de hstogramas de una secuenca de vídeo frente al número de cuadro: Dstanca hstogramas de color Número de cuadro Ilustracón 30: Dstanca entre hstogramas de color Págna 44
9 En la mayoría de los casos, las transcones bruscas se detectan usando un umbral para esta medda. La deteccón de cambos graduales es, sn embargo, más compleja. En este msmo artículo se propone un método para detectarlas. El método funcona de la sguente manera: la dferenca de hstogramas del cuadro actual se compara con la meda de las dferencas prevas al cuadro en una ventana de un número de cuadros. S la dferenca supera en ó 3 veces la meda, entonces se marca como posble transcón gradual. Después, para los cuadros sucesvos se utlzará este umbral para dentfcar la transcón hasta que las dferencas no superen este umbral. Durante el período de la transcón puede ser que haya dferencas que no superen este umbral pero, mentras la gran mayoría sí lo haga se asumrá que el rango pertenece a la transcón Deteccón con mágenes DC En [5] se propone un algortmo de ventana deslzante. Muchos de los algortmos para la deteccón de cambos de plano, como el anteror, usan umbrales globales para evaluar dferentes métrcas. Sn embargo, ya que los cambos de plano son actvdades locales en el domno temporal, puede resultar más efcente fjar el umbral de acuerdo con las característcas locales. Esto reducría las deteccones falsas en casos de movmentos de cámara u objetos. Este algortmo utlza una ventana deslzante de tamaño m dferencas entre cuadros. Con la secuenca de mágenes DC de lumnanca: X, con,,..., N, se forman las secuenca de dferencas D, con,,..., N-, de la sguente manera: D d ( ) + X X X X, + m, n m, n m, n Se declara un cambo de plano de Xl a Xl+ s: La dferenca es la máxma dentro de una ventana smétrca de tamaño m-: D l Dl + j l m+,..., l, l +, l + m D l es tambén n veces el segundo valor más alto de la ventana. El parámetro m se fja a un valor menor que la dstanca temporal mínma entre dos cambos de plano. El segundo crtero se fja para evtar falsas deteccones en secuencas con zoom o cambos de luz. Utlzando tambén las funcones dferenca de las dos componentes de color y declarando un cambo de plano s las condcones se cumplen en alguna de las tres funcones, los resultados mejoran sn aumentar las falsas deteccones, según el artículo. Págna 45
10 Este método no detecta cambos graduales de escena o cambos bruscos de luz, ya que estos cambos tenen lugar en una sere de cuadros. Por este motvo se añade a este método un algortmo para detectar cambos graduales: se toma la dferenca de dos cuadros separados en k undades: k D d ( X, X + k ) Se declara un cambo de plano gradual s: k k o D D j j s, s +,..., + s, + s o k k k k D l D / + k o D l D + k / La prmera condcón asegura que hay muy poca varacón entre las dferencas en los cuadros alrededor de. Para asegurar que hay un cambo se necesta la segunda condcón, las dferencas deben ser mayores que varos cuadros antes y después de Deteccón con el método de amplfcacón de ventana doble En [] se calculan las dferencas de hstogramas para la lumnanca y las dos componentes de croma: D ( n) T M t h n ( t) hn ( t) donde hn-(t) y hn(t) son los hstogramas de energía de los cuadros n- y n, respectvamente. T es el número total de coefcentes DC de la componente del cuadro y se usa para normalzar la funcón dferenca. Las tres componentes se combnan para formar una sola funcón de dstanca: D( n) 3 Y, Cb, Cr D ( n) La presenca de un cambo de plano brusco se dentfcará como un mpulso en esta funcón y se detectará fáclmente con un umbral adecuado. En el caso de un cambo gradual la presenca se verá como un pco de pequeña ampltud y de una duracón mayor que uno y es más dfícl que se detecte. En prncpo se dseño el método de amplfcacón de ventana doble (Twn Wndow Amplfcaton Method) para hacer destacar los cambos graduales, pero funconó tambén en Págna 46
11 la deteccón de cambos abruptos. Antes de aplcar esta técnca, se ntenta reducr los errores de cuantzacón y truncamento ntroducdos durante la compresón del vídeo. Para esto se aplca un fltro paso de baja FIR a la funcón dstanca de cuadros. Esto se hace usando una ventana de longtud L y la meda de los valores de la funcón dstanca en la ventana se usa para reemplazar la dstanca de cuadro actual. La expresón de este proceso es la que sgue: F ( D( n), L) L L j 0 D ( n j) La codfcacón aprovecha la smltud entre cuadros adyacentes, ya que la correlacón entre éstos es muy alta. Por este motvo parece lógco pensar que el cocente entre dos dstancas medas de dos grupos de cuadros tendrá un valor muy próxmo a la undad. S hay un cambo de plano en alguno de los dos grupos el cocente se alejará de la undad. El uso del cocente de las dstancas medas en dos ventanas es en lo que se basa el método de amplfcacón de ventana doble, que usa esta funcón para detectar los cambos de plano: D TWAM L ( n) D( n A( D( n), L j) L j L ) F ( D( n), L j) L j 0 D( n D( n L ) j 0 j) Para la deteccón de los cambos de plano se aplca un umbral a esta funcón. Las lustracones 30 y 3 muestran las mejoras que ntroduce para la deteccón el uso de esta funcón: Págna 47
12 Ilustracón 3: Dstanca meda de las tres componentes Ilustracón 3: Dstanca con el método TWAM Deteccón por tpos de VOP En [3] se propone un algortmo basado en característcas estadístcas de los coefcentes DC y los vectores de movmento de la secuenca de vídeo. El algortmo señala posbles cambos de plano en cuadros de dferente tpo prmero, I o P, para tomar la decsón fnal después. Deteccón en cuadros tpo I: s un cambo de plano se produce en un cuadro tpo I, habrá muy poca nformacón codfcada, ya que no se envían vectores de movmento n Págna 48
13 resduales. Por esta razón para detectar s un cambo de plano se ha producdo en un cuadro I, se compara éste con el cuadro I anteror. Esto se hace en el domno frecuencal, comparándose los tres hstogramas dsponbles de cada cuadro. Las funcones dferenca de hstogramas se suman y se normalzan por el número de frecuencas bnaras del hstograma. La suma normalzada se eleva al cuadrado y se suma con las otras componentes: Sum Y Hst Hst 0 H Y ( f, ) H Y ( f, ) f ( SumY + SumCb SumCr ) Sum + La lustracón 33 muestra un ejemplo de la funcón que se utlza para detectar los cambos en cuadros I: Dstanca cuadros I Cuadro Ilustracón 33: Dferencas entre cuadros tpo I Deteccón en cuadros tpo P: s un cambo de plano se produce en un cuadro de tpo P, no se podrán usar muchos macrobloques del cuadro anteror para realzar la compensacón de movmento: por tanto habrá mayoría de macrobloques codfcados en modo ntra, sn compensacón de movmento. Por esta razón para detectar un cambo de plano en un cuadro P se utlza R p, el cocente entre el número de macrobloques ntra y el número de macrobloques nter. S hay un pco, se declara un cambo de plano: R p MB MB Intra Inter La lustracón 34 muestra la varacón de este parámetro: Págna 49
14 RP Cuadro Ilustracón 34: Parámetro R p por cuadro Deteccón con la característca generalzada de la secuenca Según [3] se pueden detectar los cambos de plano de una secuenca de vídeo a partr de unas característcas obtendas de ésta. Dada una secuenca de vídeo V, compuesta por N cuadros {f}, se defne la característca generalzada de la sguente manera: r x ] [ x, x T es el vector característco del par de cuadros {f, f + }. La característca generalzada, d, para la secuenca V se defne así: d r r x x+ La prmera característca corresponde a la medda de la dsmltud basada en la nterseccón de hstogramas de lumnanca de las mágenes DC de los cuadros (tenendo éstos el msmo número de píxeles, T): x K h ( j) h+ ( j) T j donde h y h + son los hstogramas de lumnanca de los cuadros f y f +, respectvamente y K es el número de bns o frecuencas bnaras utlzados. La segunda característca usada para la deteccón es el valor absoluto de la dferenca de desvacones típcas para la componente de lumnanca de las mágenes DC, es decr: Págna 50
15 x σ σ + con: σ T j ( Y (, j) µ ) y donde µ es el valor medo de la lumnanca de la magen DC. En [3] se elgeron estas dos característcas por varas razones: en prmer lugar, son fácles de extraer de la secuenca de vídeo y, además, el usar dos técncas dstntas, una basada en píxeles y otra en hstogramas, hace que se compensen las defcencas de las técncas por separado Deteccón LBDF En [9] se usa una funcón dferenca basada en los hstogramas de lumnanca (Lumnance Based Dstance Functon). Este algortmo mde el parecdo usando una correlacón normalzada de los hstogramas. La funcón utlzada es la sguente: LBDF ( H, H ) b H ( b) W ( H NT NT ( b)) donde NT x H x ( b ) W ( H x ( b )) y W ( H ( )) H ( + w) b w H y H son los hstogramas de lumnanca, b es una frecuenca bnara del hstograma y w es la anchura de una ventana centrada en. Para la deteccón se resta la funcón de correlacón de planos y la undad, y posterormente se normalza, para una mejor aprecacón de las dferencas. Para el umbral se utlza una ventana deslzante, se compara la dferenca con el resto de los valores dentro de la ventana y s supera los umbrales se detecta un cambo de plano Deteccón medante análss χ de los hstogramas de color En [4] se propone un método para la deteccón de cambos de plano basado en la dferenca de una combnacón de los hstogramas de color. Tomando la medda χ para una Págna 5
16 dstrbucón estadístca en forma de hstograma, se defne la dferenca global entre dos cuadros f a y f b, dados sus hstogramas de N bns, como: χ N 0 ( H ( H Cb Cb ( f ( f a a ) ) + H H Cb Cb ( f ( f b b )) )) + ( H ( H Cr Cr ( f ( f a a ) H ) + H Cr Cr ( f ( f b b )) )) Para detectar dónde se ha producdo un cambo de plano se compara el resultado con un umbral que se adapte a la secuenca a analzar. En este algortmo se usa una ventana deslzante, centrada en el cuadro que se esté analzando, a la que se aplca un fltro temporal dferencal. Cuando el cocente entre la dferenca entre el cuadro actual y los pasados es mucho mayor que las dferencas entre el resto de cuadros vecnos dentro de la ventana, se defne entonces el cuadro actual se como nuevo cuadro. Págna 5
CAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información
IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.
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 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 detalles2 Dos tipos de parámetros estadísticos
Dos tpos de parámetros estadístcos Págna 198 1. Calcula la meda, la medana y la moda de cada una de estas dstrbucones estadístcas: a) 4, 5, 6, 6, 6, 6, 7, 11, 1, 17 b), 1, 6, 9,, 8, 9,, 14, c), 3, 3, 3,
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 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 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 detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
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 detallesI.E.S. Historiador Chabás -1- Juan Bragado Rodríguez
Problema La sguente tabla epresa la estatura en cm. de soldados: Talla 5 56 60 6 68 6 80 8 88 Soldados 6 86 50 8 95 860 85 6 9 a) Haz un hstograma que represente la estatura en metros de los soldados.
Más detallesIMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1
IMPEMEACIÓ PRÁCICA DE U BACO DE FIROS UIFORME En este tpo de bancos, la forma de la respuesta espectral de cada uno de los fltros es la msma, y su frecuenca central se raparte de manera unforme en el espectro:
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 detallesEstas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.
UIDAD 3: Meddas estadístcas Las meddas estadístcas o parámetros estadístcos son valores representatvos de una coleccón de datos y que resumen en unos pocos valores la normacón del total de datos. Estas
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 detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesCAPÍTULO IV. IV.1 Correlación de los resultados experimentales
CAPÍTULO IV IV. Correlacón de los resultados expermentales La aplcacón de modelos de solucón para correlaconar los resultados que se obtenen en los expermentos, resulta de gran mportanca para amplar la
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 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 detallesANEXO B SISTEMAS NUMÉRICOS
ANEXO B SISTEMAS NUMÉRICOS Sstema Decmal El sstema ecmal emplea ez ferentes ígtos (,,,, 4, 5, 6, 7, 8 y 9). Por esto se ce que la base el sstema ecmal es ez. Para representar números mayores a 9, se combnan
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 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 detalles16.21 Técnicas de diseño y análisis estructural. Primavera 2003 Unidad 8 Principio de desplazamientos virtuales
16.21 Técncas de dseño y análss estructural Prmavera 2003 Undad 8 Prncpo de desplazamentos vrtuales Prncpo de desplazamentos vrtuales Tengamos en cuenta un cuerpo en equlbro. Sabemos que el campo de esfuerzo
Más 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 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 detallesVISIÓN POR COMPUTADOR
Escuela Poltécnca Superor de Elche VISIÓN POR COMPUTADOR Grado en Electrónca y Automátca Industral PRÁCTICAS TITERE Práctca 4: Segmentacón, Localzacón y Reconocmento de Obetos Departamento de Ingenería
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 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 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 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 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 detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detallesEstadística Unidimensional: SOLUCIONES
4ª SesónFecha: Estadístca Undmensonal: SOLUCIOES Varables estadístca dscreta 1 Con los datos del ejercco de Pág 19 nº 3 determna: a) Tabla de Frecuencas b) Dagrama de barras Gráfco acumulado c) Meddas
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesApéndice A. Obtención y representación de forma.
Apéndce A. Obtencón y representacón de forma. A.1. Algortmo de deteccón de contorno. El algortmo de segumento de contorno se puede resumr en los sguentes pasos: 1. Se recorre la magen, desde la esquna
Más detallesUnidad Nº III Unidad Aritmética-Lógica
Insttuto Unverstaro Poltécnco Santago Marño Undad Nº III Undad Artmétca-Lógca Undad Artmétca-Lógca Es la parte del computador que realza realmente las operacones artmétcas y lógcas con los datos. El resto
Más detallesSEMANA 13. CLASE 14. MARTES 20/09/16
SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
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 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 detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detalles16/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,
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 detalles, x es un suceso de S. Es decir, si :
1. Objetvos: a) Aprender a calcular probabldades de las dstrbucones Bnomal y Posson usando EXCEL. b) Estudo de la funcón puntual de probabldad de la dstrbucón Bnomal ~B(n;p) c) Estudo de la funcón puntual
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 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 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 detallesIDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR
IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR En esta práctca se llevará a cabo un estudo de modelado y smulacón tomando como base el ntercambador de calor que se ha analzado en el módulo de teoría.
Más detallesTEMA 1.- CONCEPTOS BÁSICOS
TEMA 1.- CONCEPTOS BÁSICOS 1.1.- Cuestones tpo test 1.- En las encuestas personales puede codfcarse, por ejemplo, con un cero las que son contestadas por una mujer y con un uno las que lo son por un varón.
Más detallesESTADÍSTICA UNIDIMENSIONAL
ESTADÍSTICA UNIDIMENSIONAL La estadístca undmensonal trata de resumr la nformacón contenda en una tabla que contene nformacón de una sola varable en unos pocos números. Las meddas de poscón pueden ser:
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 detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesFacultad de Ciencias Básicas
Facultad de Cencas Báscas ANÁLISIS GRÁFICO DE DATOS EXPERIMENTALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos expermentales. Establecer un crtero para el análss de grafcas
Más detallesUn ejemplo de Análisis Factorial de Correspondencias
Estadístca Anàls de Dades (curs 001-00) Un ejemplo de Análss Factoral de Correspondencas Se trata de estudar la estructura de las ventas de una empresa que dstrbuye 10 productos en 8 mercados. Para ello
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 detallesUniversidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud
Unversdad de Pamplona Facultad de Cencas Báscas Físca para cencas de la vda y la salud AÁLISIS GRÁFICO DE DATOS EXPERIMETALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos
Más detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesFORMA TRADICIONAL DE CÁLCULO DE DESPLAZAMIENTOS Y FUERZAS EN ESTRUCTURAS SIN MAMPOSTERÍA RESUMEN
CAPITULO 1 FORMA TRADICIONAL DE CÁLCULO DE DESPLAZAMIENTOS Y FUERZAS EN ESTRUCTURAS SIN MAMPOSTERÍA RESUMEN En la actualdad los métodos de dseño estructural y las consderacones que se realzan prevas al
Más detallesCAMPOS DE VELOCIDADES DE LOS DISCOS
CAMPOS DE VELOCIDADES DE LOS DISCOS Los dscos galáctcos se modelan como anllos crculares concéntrcos. S Ω es la velocdad angular del anllo y r el vector que va hasta el centro, sendo n el vector untaro
Más detallesCapítulo 2: Introducción al método de los Elementos Finitos 2. CAPÍTULO 2 INTRODUCCIÓN AL MÉTODO DE LOS ELEMENTOS FINITOS
Capítulo 2: Introduccón al método de los Elementos Fntos 2. CAPÍTULO 2 ITRODUCCIÓ AL MÉTODO DE LOS ELEMETOS FIITOS 2.. ITRODUCCIÓ Vrtualmente cada fenómeno en la naturaleza, sea bológco, geológco o mecánco
Más detalles1. Lección 7 - Rentas - Valoración (Continuación)
Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento
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 detallesINSTRUMENTACIÓN Y TÉCNICAS DE MEDIDA. EL AMPLIFICADOR DE POTENCIA
PÁCTICA 1. INSTUMENTACIÓN Y TÉCNICAS DE MEDIDA. EL AMPLIFICADO DE POTENCIA 1.1 Objetvos El objetvo de esta práctca consste en presentar los nstrumentos y las técncas de medda habtualmente utlzadas para
Más detallesPara construir un diagrama de tallo y hoja seguimos los siguientes pasos:
UNIDAD 2: Gráfcos estadístcos Los gráfcos muestran vsualmente y de forma rápda la dstrbucón de los datos y sus prncpales característcas, consttuyen un mportante complemento en la presentacón de la nformacón.
Más detallesDESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO
Clascacón: Emtdo para Observacones de los Coordnados Versón: 1.0 DESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO Autor Dreccón de Operacón Fecha Creacón 06-04-2010 Últma Impresón 06-04-2010 Correlatvo
Más detallesCodificación de la Información
Codfcacón de la Informacón Sstemas Informátcos Fede Pérez Índce TEMA Codfcacón de la Informacón 1. - Introduccón 2. - Codfcacón 3. Sstemas de Numeracón 3.1 Representacón de los Números: Representacón Polnomal
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 detallesUna renta fraccionada se caracteriza porque su frecuencia no coincide con la frecuencia de variación del término de dicha renta.
Rentas Fnanceras. Renta fracconada 6. RETA FRACCIOADA Una renta fracconada se caracterza porque su frecuenca no concde con la frecuenca de varacón del térmno de dcha renta. Las característcas de la renta
Más detallesMEDIDAS DE ASOCIACIÓN: COEFICIENTES DE CORRELACIÓN Y DE REGRESIÓN I.- Introducción En el tema I estudiamos las medidas descriptivas para una
MEDIDAS DE ASOCIACIÓ: COEFICIETES DE CORRELACIÓ DE REGRESIÓ I.- Introduccón En el tema I estudamos las meddas descrptvas para una varable, y además, planteamos que tales meddas tambén exsten para dos o
Más detallesEstadística aplicada a las ciencias sociales. Examen Febrero de 2008 primera semana
Estadístca alcada a las cencas socales. Examen Febrero de 008 rmera semana Ejercco. - En la sguente tabla, se reresentan los datos de las edades de los trabajadores de una gran emresa. Gruos de edad Nº
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 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 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 detalles9Soluciones a los ejercicios y problemas
38 S a todos los datos de una dstrbucón le sumamos un msmo número, qué le ocurre a la meda? Y a la desvacón típca? Y s multplcamos todos los datos por un msmo número? Llamamos a al valor sumado a cada
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 detallesSOLUCIONES A LOS EJERCICIOS DE LA UNIDAD
Pág. 1 Págna 0 PRACTICA Meda y desvacón típca 1 Las edades de los estudantes de un curso de nformátca son: 17 17 18 19 18 0 0 17 18 18 19 19 1 0 1 19 18 18 19 1 0 18 17 17 1 0 0 19 0 18 a) Haz una tabla
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 detalles3º ESO ESTADÍSTICA DEPARTAMENTO DE MATEMÁTICAS. SAGRADO CORAZÓN COPIRRAI_Julio César Abad Martínez-Losa ESTADÍSTICA
3º ESO ESTADÍSTICA DEPARTAMETO DE MATEMÁTICAS. COPIRRAI_Julo César Abad Martínez-Losa ESTADÍSTICA 1.- POBLACIÓ, MUESTRA y CARACTERES ESTADÍSTICOS.- Poblacón: Son todos los ndvduos sobre los que se realza
Más detallesLECTURA 03: DISTRIBUCIONES DE FRECUENCIAS (PARTE II)
LECTURA 03 DISTRIBUCIONES DE FRECUENCIAS (PARTE II) DISTRIBUCIONES DE FRECUENCIAS EN INTERVALOS DE CLASE Y DISTRIBUCIONES DE FRECUENCIAS POR ATRIBUTOS O CATEGORÍAS TEMA 6 DISTRIBUCIÓN DE FRECUENCIAS EN
Más detallesEnlaces de las Series de Salarios. Metodología
Enlaces de las eres de alaros Metodología ntroduccón La Encuesta de alaros en la ndustra y los ervcos (E, cuyo últmo cambo de base se produjo en 996) ha sufrdo certas modfcacones metodológcas y de cobertura,
Más detallesTRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).
TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen
Más detallesVII. Solución numérica de ecuaciones diferenciales
VII. Solucón numérca de ecuacones derencales VII. Antecedentes Sea dv dt una ecuacón derencal de prmer orden : g c m son constantes v es una varable dependente t es una varable ndependente c g v I m Las
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 detallesSlide 1. Slide 2 Organización y Resumen de Datos. Slide 3. Universidad Diego Portales. Tablas de Frecuencia. Estadística I
Slde 1 Unversdad Dego Portales Estadístca I Seccón II: Dstrbucones de Frecuenca y Representacón Gráfca Sgla: EST2500 Nombre Asgnatura: Estadístca I Slde 2 Organzacón y Resumen de Datos Como recordará,
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 detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
Más detalles2 de mar de 2004 Codificación de imágenes y video
Teoría de la Informacón 2 de mar de 2004 Codfcacón de mágenes y vdeo 2 de mar de 2004 Codfcacón de mágenes y vdeo 2 El clma en el Río de la Plata...... S... T... S... S S S T T... S S S... S T... S T p=0.5,
Más detallesTÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3
PROCEDIMIENTO DO DESEMPEÑO DEL CONTROL DE FRECUENCIA EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE TÍTULO I Aspectos Generales... 3 TÍTULO II Alcance... 3 TÍTULO III Metodología de Cálculo de FECF... 3 TÍTULO
Más detalles1. Notación y tabulación
Tema 2: Descrpcón Unvarante. otacón y tabulacón 2. Descrpcón gráfca 3. Descrpcón numérca. Momentos estadístcos. Meddas de poscón. Meddas de dspersón v. Varable tpfcada v. Meddas de forma v. Meddas de concentracón
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 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 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 detalles4. La Factorización No Negativa de Matrices
4. La Factorzacón No Negatva de Matrces 4.1 Introduccón Un problema bastante extenddo en dferentes técncas de análss de datos consste en encontrar una representacón adecuada de los datos. Un tpo de representacón
Más detallesEXPERIMENTOS ANIDADOS O JERARQUICOS NESTED
EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles
Más detalles