USO DE CADENAS DE MARKOV PARA LA DESAMBIGUACIÓN MORFOLÓGICA.
|
|
- María Antonia Cortés Romero
- hace 7 años
- Vistas:
Transcripción
1 USO DE CADENAS DE MARKOV PARA LA DESAMBIGUACIÓN MORFOLÓGICA. José Luis TRIVIÑO RODRIGUEZ Rafael MORALES BUENO Dep. Lenguajes y Ciencias de la Compuación E.T.S.I Informáica Universidad de Málaga Campus Teainos Málaga España RESUMEN: El problema de la desambiguación morfológica es la elección del análisis morfológico correco para una palabra denro del conexo de una frase enre odos los análisis morfológicos válidos para esa palabra. El uso de cadenas de Markov ha consiuido un méodo sencillo y eficaz para el cálculo de la dependencia del análisis con el conexo de la frase y, por ano, para la desambiguación morfológica. En ese informe se describe ano el enrenamieno y cálculo de la mariz de ransición de una cadena de Markov como su uso para la desambiguación en sus dos modalidades: a parir de exo eiqueado y a parir de exo sin eiquear mediane modelos de Markov oculos (HMM). Palabras claves: Compuaional Learning, Hidden Markov Model (HMM), Naural Language Procesing (NLP), Análisis Morfológico, Par of Speech Tagger, Vierbi Tagging, Maximum Likelihood Training. 1Inroducción. El inglés es donde más iempo se lleva esudiando el análisis morfológico de las palabras mediane el ordenador. En ese idioma, las palabras ienen una única forma poco relacionada con la clase gramaical a la que perenecen. Eso es debido a la escasa riqueza flexiva del inglés donde se da un escaso uso del sufijo excepo para plurales, varios iempos de verbos o algunos pocos casos más. Eso ha hecho que los esfuerzos por realizar un análisis morfológico auomáico se hayan basado en el esudio de la palabra denre del enorno de la frase más que en conemplar la palabra de forma aislada. De esa forma, odos los análisis válidos para una palabra se obienen a parir de un diccionario léxico. Denro del diccionario se almacena cada palabra juno a odos sus posibles análisis. La elección del análisis correco para la palabra denro del conexo de la frase de enre odos los posibles asignados en el diccionario léxico para esa palabra consiuye el verdadero problema del análisis morfológico de exos en inglés. A esa elección del análisis correco en función del conexo se denomina desambiguación morfológica. 1
2 En cambio en el español ocurre odo lo conrario, ya que la mayor flexibilidad de ese idioma no hace an dependiene la clase gramaical de una palabra con su conexo. De esa forma aparecen las dos siguienes líneas de desarrollo de análisis morfológico del español: Una primera aproximación al análisis morfológico del español supone el uso de concepos como raíces, sufijos, prefijos y demás elemenos de la Gramáica Española. Esos méodos se podrían llamar gramaicales y esan basados en proporcionar al ordenador gran canidad de información sobre cómo analizar las palabras, como puede ser la descomposición en raíces y sufijos de las palabras. De esa forma preendemos crear un algorimo que descomponga la palabra en esos componenes para realizar su análisis morfológico. Esos méodos se basan en la morfología en dos niveles descria por Kokenniemi (1983) con dos componenes principales: en primer lugar, un modelo de morfoácicas que define qué morfemas pueden combinarse con oros y, en segundo lugar, un modelo de fonología y morfografismo que define cómo las secuencias de fonemas en los morfemas son rasladadas a sonidos y escriura. El modelo morfoácico es uilizado para el análisis morfológico y especifica un léxico dividido en "clases de coninuación". Por ejemplo, en inglés, las raíces de los verbos regulares son miembros de una clase de coninuación, la cual es seguida por los miembros de la clase de coninuación de sufijos de inflexión formada por s y de. Ese modelo consiuye en esencia un auómaa finio de morfoácicas. Siguiendo ese modelo se han desarrollado numerosos analizadores morfológico, como por ejemplo: Klein y Simmons (1963); Brodda (1982); Paulussen y Marin (1992); Triviño (1993) y Klanvas (1991) Moreno y Goñi (1995); González y Goñi (1995). Esa forma de realizar el análisis morfológico puede llegar a dar resulados acepables y iene la venaja indiscuible de esar basada en la gramáica del lenguaje y en un esquema de razonamieno humano. Por ello, esos programas son familiares y fáciles de manejar para personas sin grandes conocimienos informáicos. Sin embargo, iene oros inconvenienes que impiden obener unos resulados ópimos en el análisis. Por ora pare, la forma más eficiene de abordar un programa por pare de un ordenador no siempre es la misma que uilizaría una persona debido, claro esá, a la dificulad de alcanzar el esquema de rabajo del cerebro humano por el sisema informáico. Frene a esa solución del problema de análisis morfológico exise un méodo compleamene opueso que se limia a suminisrar al ordenador la información mínima para realizar un análisis morfológico, eso es, una serie de palabras y sus correspondienes análisis, a parir de los cuales el ordenador, mediane una serie de cálculos, obendrá la información necesaria para analizar cualquier ora palabra. Eso nos lleva al concepo de aprendizaje para el que una posible definición sería: "mejora de la eficiencia sin reprogramación". Así, un algorimo de aprendizaje podría esudiar la similiud enre palabras de la misma clase gramaical y sus diferencias con el reso de las palabras represenando la información obenida de forma úil para un poserior análisis. Ejemplos de analizadores morfológicos mediane aprendizaje auomáico son: Nakamura, M. y Shikanom K. (1989); Triviño, J.L. y Calle, J. (1997). Sin embargo, a pesar de que en el español no basa con la uilización de un diccionario léxico y se hace necesario el uso de algorimos de análisis basados en la gramáica o mediane aprendizaje auomáico, una vez realizado el análisis de la palabra fuera del conexo de la frase, en la mayoría de los casos ese proceso produce más de 2
3 un eiqueado posible para la palabra. De esa forma, se hace necesario un proceso desambiguador poserior similar al realizado para exos en inglés que, en función del conexo de la palabra, seleccione el eiqueado correco enre odos los posibles para esa palabra. A coninuación se analizará uno de los modelos más uilizados para la desambiguación morfológica, eso es, el análisis probabilísico de secuencias de eiqueas mediane un modelo maemáico basado en cadenas de Markov, descrio enre oros por Merialdo (1994), Dermaas y Kokkinakis (1995) y Charniak (1993). El uso de cadenas de Markov permie esudiar la probabilidad de un deerminado análisis en función de los precedenes, omando como correco aquel con mayor probabilidad. En función de la probabilidad que se maximiza exisen dos ipos diferenes de eiqueado probabilísico: omar la secuencia de eiqueas más probable para la frase (Vierbi Tagging) y omar las eiqueas más probables para cada palabra denro de la frase (Maximum Likelihood Tagging). De esa forma, mienras Vierbi Tagging oma para cada palabra la eiquea que hace más probable la secuencia complea de eiqueas para la frase, Maximum Likelihood Tagging elige la eiquea más probable para cada palabra enre odas las secuencias posibles sin considerar las eiqueas elegidas para las oras palabras. El cálculo del modelo se puede realizar mediane enrenamieno a parir de un exo previamene eiqueado o bien mediane un modelo inicial impreciso calculado a parir del méodo anerior y un refinamieno del modelo de Markov oculo (HMM) a parir de exo sin eiquear. A coninuación, en la sección dos, se definirá el modelo maemáico de cadena de Markov juno con algunas de sus propiedades. Poseriormene, en la sección 3, se esudiará el problema del eiqueado como función maemáica y su formulación en érminos probabilísicos para, poseriormene, describir el modelo riclásico para la desambiguación morfológica basado en cadenas de Markov y los méodos de enrenamieno del mismo. Por úlimo se expondrán los resulados experimenales obenidos con los dos méodos probabilísicos de desambiguación morfológica ciados aneriormene (Vierbi Tagging y Maximum Likelihood Tagging), finalizando con una series de conclusiones obenidas a parir de esos resulados. 2Cadenas de Markov. Definición. Una Cadena de Markov es fuene de información en la que, la probabilidad de aparición de cada símbolo, solo depende de un número finio m de símbolos que le han precedido y del iempo. A m se le llama el orden de la cadena. Definición. Una cadena de Markov es esacionaria si la probabilidad de aparición de un símbolo no depende del iempo. Definición. En un insane, se define el esado de una fuene de Markov de orden m como la cadena formada por los m símbolos precedenes. Habrá como máximo n m esados posibles. Donde n es el número de símbolos del alfabeo. Una cadena de Markov de orden m viene definida por un conjuno finio de esados E={e 0, e 1,..., e M } y un conjuno de probabilidades de ransición π ij (), definidas por: 3
4 π ij = E + 1 = e j E = e i ( ) Pr{ ( ) ( ) } donde E() es una variable aleaoria emporal que oma sus valores en E en cada insane de iempo. Definición. La mariz de probabilidades de ransición para una cadena de Markov esacionaria se define como: Π ( ) ( ) ( ( )) M + 1 M + 1 = π ij Definición. Las probabilidades de observación son la probabilidad de aparición de un deerminado símbolo k cuando la cadena se encuenra en un esado e i : b ( k) = Pr( T = / E = e ) i k i Definición. Sea p j () la probabilidad de que el esado en el iempo sea e j, es decir, p j ()=Pr{E()=e j }. Se define el vecor de probabilidades de esado como: p( ) = ( p0 ( ), p1 ( ), K, p ( )) Proposición. (Cálculo del vecor de probabilidades en el insane ) p( ) = p( 0) Π 3Análisis de exos mediane un modelo probabilísico. M 3.1El problema del eiqueado. Supondremos que el usuario ha definido un conjuno de eiqueas. Consideremos una frase W = W W W 1 2 K n, es decir, la cadena de caraceres enre dos punos consecuivos, y una secuencia de eiqueas T = T T T 1 2 K n de la misma longiud. Llamaremos al par (W,T) una alineación. Diremos que la palabra W i iene asignada la eiquea T i en esa alineación. Supondremos que las eiqueas ienen un significado lingüísico para el usuario por lo que, de odas las posibles alineaciones para una frase sólo exise una que sea correca desde un puno de visa gramaical. Un algorimo de análisis es una función φ que hace corresponder una secuencia de eiqueas (define una alineación) para cada frase: φ: W T = φ(w) Hay dos medidas de la eficiencia de ese proceso de análisis: Nivel de frase Nivel de palabra perf s (φ) = porcenaje de frases correcamene analizadas. perf w (φ) = porcenaje de palabras correcamene analizadas. 4
5 En la prácica, la eficiencia en el nivel de frases es generalmene menor que en el nivel de palabras, ya que odas las palabras de la frase deben ser analizadas correcamene para que la frase esé correcamene analizada. La medida esándar usada normalmene es el rendimieno en el nivel de palabra, por lo que será el que consideraremos aquí. 3.2Formulación probabilísica. Para la formulación probabilísica del problema de análisis supondremos que las alineaciones son generadas por un modelo probabilísico de acuerdo a una disribución de probabilidades: Pr(W,T) En ese caso, dependiendo del crierio elegido para la evaluación, el análisis ópimo es el siguiene: Para una evaluación en el nivel de frase (Vierbi Tagging), elegiremos la secuencia de eiqueas más probable para una frase: φ( W) = T / T, Pr( T W) Pr( T / W) T cumple ademas: T, Pr(W, T ) Pr(W, T) Para evaluación en el nivel de palabra (Maximum Likelihood Tagging), elegiremos el análisis más probable para cada palabra en la frase: φ( W) = /,Pr( = W) Pr( = W), i i i cumple ademas Pr( W, T ) Pr( W, T) T : i = T: i = Donde φ(w) i es el análisis dado a la palabra W i por la función de análisis φ en el conexo de la frase W. Es ineresane noar que el méodo más comúnmene usado es Vierbi agging (DeRose 1988; Church 1989) a pesar de que no es el méodo ópimo para la evaluación a nivel de palabra. Las razones para esa preferencia en su uso son: Es más simple de implemenar que ML agging y requiere menos compuación (aunque ambos engan la misma complejidad asinóica). Vierbi agging proporciona una mejor inerpreación para las frases, lo cual es lingüísicamene acepable. ML agging puede producir secuencias de análisis que son lingüísicamene imposibles (debido a que la elección de un análisis depende de odos los conexos omados junos). Sin embargo, en las experiencias desarrolladas por Merialdo, se observó que Vierbi y ML agging producen resulados de similar rendimieno. 5
6 Por supueso, el análisis real no ha sido generado por un modelo probabilísico e, incluso si así fuese, no sería posible deerminar ese modelo exacamene por limiaciones prácicas. Por lo ano el modelo aquí consruido sólo será una aproximación a un modelo ideal inexisene. A pesar de ello, ese modelo odavía es capaz de obener un rendimieno razonablemene bueno. 3.3El modelo riclásico. Pariremos de la siguiene expresión: n i 1 1 i 1 i 1 i i 1 1 i 1 i 1 i= 1 Pr( W, T) = Pr( W W T... W T T ) p( T W T... W T ) El modelo riclásico (o ri POS [Derouaul (1986)], o ri Gram [Codogno e al. (1987)], o HK) esá basado en las siguienes aproximaciones: La probabilidad de un análisis depende sólo de los úlimos dos análisis: Pr( T W T... W T ) = h( T T T ) i 1 1 i 1 i 1 i i 2 i 1 La probabilidad de una palabra depende sólo de su análisis: Pr( W WT... W T T ) k( W T ) i i 1 i 1 i 1 i = i i Con objeo de definir compleamene el modelo es necesario especificar los valores de las probabilidades h y k. Si N W es el amaño del vocabulario y N T el número de diferenes eiqueas, enonces enemos: N T *N T *N T valores para las probabilidades h. N W *N T valores para las probabilidades k. Debido a que odas las disribuciones de probabilidades suman uno, enemos: N T *N T ecuaciones para calcular el valor de las probabilidades h. N T ecuaciones para calcular el valor de las probabilidades k. El número oal de parámeros libres es enonces de: (N W 1)*N T +(N T 1)*N T *N T Es imporane noar que ese número crece sólo linealmene con respeco al amaño del vocabulario, lo cual hace ese modelo apropiado para vocabularios de un gran amaño. El modelo riclásico permie a cualquier palabra ener cualquier análisis. Sin embargo, si usamos un diccionario que especifique la lisa de posibles análisis para cada palabra, podremos usar esa información para calcular el modelo: si no es un análisis válido para la palabra w enonces esamos seguros de que: k(w/) = 0 6
7 Hay, por ano, anos valores disinos de 0 para las probabilidades k como posibles pares (palabra, análisis) permia el diccionario. 3.4Enrenamieno del modelo riclásico. Consideraremos dos ipos diferene de enrenamieno: Enrenamieno de frecuencia relaiva (RF) Enrenamieno de máxima probabilidad (Maximum Likelihood) realizado mediane el algorimo Forward Backward (FB) Enrenamieno de frecuencia relaiva. Si disponemos de ciera canidad de exo analizado podemos calcular el número de veces N(w,) que una palabra dada w aparece con el análisis, y el número de veces N( 1, 2, 3 ) que la secuencia ( 1, 2, 3 ) aparece en el exo. Podemos ambién esimar las probabilidades h y k mediane el cálculo de las frecuencias relaivas a los correspondiene sucesos: N ( 1, 2, 3) hrf ( 3 1, 2 ) = f ( 3 1, 2 ) = N (, ) N ( w, ) krf ( w f ) = f ( w ) = N( ) Esas esimaciones asignan probabilidad 0 a cualquier secuencia de análisis que no aparezca en los daos de enrenamieno. Pero esas secuencias pueden ocurrir si consideramos oros exos. Una probabilidad 0 para una secuencia crea problemas porque cualquier alineación que la conenga endrá probabilidad 0. Por lo ano, puede ocurrir que, para algunas secuencias de palabras, odas las alineaciones engan probabilidad 0 y el modelo sea inúil para ales secuencias. Para impedir eso se inerpolará esa disribución con una disribución uniforme. Por ejemplo, consideremos la inerpolación del modelo definido por: 1 2 h (, ) = λ h (, ) + ( 1 λ) h (, ) in rf unif k ( w ) = λ k ( w ) + ( 1 λ) k ( w ) in rf unif Donde: 1 hunif ( 3 1, 2) = N k unif T 1 ( w ) = Nú mero de palabras con el aná lisis El coeficiene de inerpolación λ es calculado usando el deleed inerpolaion algorihm (Jelinek y Mercer 1980) (También sería posible uilizar dos coeficienes de inerpolación, uno para h y oro para k). El valor de ese coeficiene debe ser al que se 7
8 incremene al aumenar el amaño del exo de enrenamieno, ya que las frecuencias relaivas deben ser más fiables. Ese procedimieno de inerpolación ambién es llamado "suavizado". El suavizado es realizado de la siguiene forma: Ciera canidad de exo analizado del exo de enrenamieno no es usado en el cálculo de las frecuencias relaivas. Ese exo es llamado "daos exernos". El coeficiene λ es elegido para maximizar la probabilidad de emisión de los daos exernos por el modelo inerpolado. Esa maximización puede ser realizada mediane el sandard Forward Backward (FB) o Baum Welch algorihm (Baum and Eagon (1967); Jelinek (1976); Bahl, Jelinek y Mercer (1983); Poriz (1988)), considerando λ y 1 λ como la probabilidad de ransición de un modelo de Markov. Hay que noar que se pueden usar oros esquemas de inerpolación más complejos. Por ejemplo, diferenes coeficienes pueden ser usados dependiendo de la cuena de ( 1, 2 ), inuyendo que las frecuencias relaivas serán más exacas cuano mayor sea esa cuena. Ora posibilidad es la inerpolación con modelo de diferenes órdenes como h rf ( 3 / 2 ) o f rf ( 3 ). El proceso de suavizado ambién puede ser conseguido con procedimienos disinos de la inerpolación. Un ejemplo sería la esraegia "backing off" propuesa por Kaz (1987) Enrenamieno de máxima probabilidad. Usando el modelo riclásico M es posible calcular la probabilidad de cualquier secuencia de palabras W de acuerdo con ese modelo: Pr M ( W) = Pr M ( W, T) donde la suma es omada sobre odas las posibles alineaciones. El enrenamieno de máxima probabilidad (ML) encuenra el modelo M que maximiza la probabilidad del exo de enrenamieno: max Pr ( M W ) M donde el produco es omado sobre odas las frases W en el exo de enrenamieno. Ese problema corresponde con el enrenamieno de un modelo de Markov oculo 1. Una solución conocida a ese problema es el Forward Backward (FB) o Baum Welch algorihm (Baum y Eagon (1967); Jelinek (1976); Bahl, Jelinek y Mercer (1983)), el cual consruye ieraivamene una secuencia de modelos que mejoran la probabilidad de los daos de enrenamieno. W T 1 Se denomina oculo porque la secuencia de análisis es desconocida. 8
9 La venaja de ese enfoque es que no requiere exo analizado para el enrenamieno, pero supone que el modelo correco es aquel en el que los análisis son usados para conseguir una predicción mejor de la secuencia de palabras. 3.5Algorimo Forward Backward. Ese algorimo prermie calcular los valores α y β uilizados por el algorimo Baum Welch para el cálculo del modelo riclásico M durane el enrenamieno de la cadena de Markov ocula. Def. Valores α: Def. Valores β: α i = M T = K 1 1 T = E = e i ( ) Pr (,,, ) β i = M T = K T n = n E = e i ( ) Pr (,, / ) En la prácica, el cálculo de esos valores se puede realizar de la siguiene forma: Calculo de los valores hacia adelane (α): Cálculo de los valores hacia arás (β): α α ( i) = p ( 0) b ( ) 1 i i 1 NT ( j) = α ( i) Π bj ( T + 1) i= ij β β n ( i) = 1 NT ( i) = Π b ( T ) β ( i) ij j j = 1 Hay que señalar que, a parir de los valores α, es posible calcular la probabilidad de una secuencia de eiqueas de la forma: N T Pr ( T) = Pr( T, K, T, E = e ) M 1 n n i i= 1 = NT i= 1 α n ( i) 3.6Algorimo Baum Welch. Para realizar el Maximum Likelihood Trainning es necesario un méodo de ajuse de los parámeros (mariz de ransición, probabilidades de observación y vecor de probabilidades de esado inicial) del modelo M. Suponiendo una correspondencia biunívoca enre los esados y los símbolo observados enemos que N T =M y b i (j)=1 si j=i y 0 si j i. En ese caso, el modelo de 9
10 Makov ya no es oculo y el HMM es una cadena de Markov. Para esimar los parámeros de esa cadena de Markov es suficiene con calcular las frecuencias apropiadas a parir de los daos. En el caso más general, los esados no pueden ser direcamene observados por lo que no se pueden calcular esas frecuencias. Por ello, en lugar de calcular las frecuencias direcamene de los daos observados, los parámeros del modelo son calculados ieraivamene, comenzando por un conjuno de valores arbirarios para los parámeros que cumplan las resricciones de una disribución de probabilidades. En lugar de calcular las frecuencias direcamene a parir de los daos observados, los parámeros son esimados ieraivamene. Para ello, se comienza por un conjuno arbirario de valores para los parámeros que saisfagan los requisios de una disribución de probabilidades. Las frecuencias esperadas se calculan a parir del modelo y los daos observados. Esas frecuencias son obenidas ponderando las ransiciones observadas por las probabilidades especificadas en el modelo acual. Las frecuencias esperadas obenidas de esa forma susiuyen a los aniguos parámeros del modelo y se vuelve a ierar hasa que no haya mejoras en el mismo. En cada ieración se mejoran las probabilidades de observación hasa que algún límie es alcanzado. Ese proceso ieraivo garaniza la convergencia en un máximo local de la medida de rendimieno de la enropía cruzada. A coninuación se definirán una serie de concepos necesarios para la realización del algorimo Baum Welch. Def. Probabilidad de una rayecoria desde el esado e i en el insane que ransie al esado e j en el insane +1 dado la secuencia observada T y el modelo M: xi ( i, j) = Pr ( E = e, E = e / T) M i +1 j Esas probabilidades son calculadas a parir de los valores del algorimo Forward Backward de la forma siguiene: α xi ( i, j) = Πij ( i) ( T ) β ( j) Pr ( T) Def. Probabilidad de esar en el esado e i en el insane dado la secuencia observada T y el modelo M: M γ = M = i ( i) Pr ( E e / T) Ese valor puede ser obenido de la forma: γ ( i) = xi ( i, j) De esa forma, el algorimo Baum Welch queda de la siguiene forma: 1. Elegir arbirariamene los parámeros iniciales del modelo: ij, b i(k) y p(0). 2. Recalcular los parámeros: j 10
11 bar{ p ( 0)} = γ ( i) bar{ Π } = i ij n 1 bar{ b ( k)} = j = 1 n 1 = 1 xi ( i, j) n 1 γ γ = 1 n 1 = 1 ( i) ( j) l γ ( j) T = k donde l T k = = 1 si T=k y 0 en oro caso. bar { Π} = { bar { Πij}} 3. Asignar, bar{ B} = { bar{ bi ( k)}} bar { p ( 0)} { bar { p y i ( 0)}} =. 4. Si los parámeros no han cambiado respeco a la ieración anerior enonces erminar, en caso conrarior volver al paso Algorimos de análisis. El algorimo Vierbi agging es más fácil de implemenar usando un esquema de programación dinámica (Bellman 1957). En cambio, el algorimo ML, resula más complejo a primera visa ya que supone el cálculo de una suma de probabilidades de un gran número de alineaciones. Sin embargo, en el caso de un modelo oculo de Markov, esos cálculos son similares a los usados durane el algorimo FB por lo que la sobrecarga de compuación necesiada es lineal respeco a la longiud de la frase (Baum y Eagon 1967). 3.8Resulados experimenales. A coninuación se muesran los resulados experimenales obenidos por Merialdo (1994) para los dos enrenamienos aneriormene descrios. Esa experiencia se realizó sobre exos en lengua inglesa procedenes de "reebank". Esos exos esaban formados por frases (aproximadamene un millón de palabras) de la Associaed Press las cuales han sido eiqueadas por la Unidad para el Desarrollo Informáico del Lenguage Inglés (Universiy of Lancaser, U.K.) en colaboración con IBM U.K. (Wincheser) y el grupo de Reconocimieno del Habla de IBM en Yorkown Heighs (USA) Enrenamieno RF. En ese experimeno, se exrajeron N frases analizadas de los daos de enrenamieno. Seguidamene se realizó el cálculo de las frecuencias relaivas de esas frases y se realizó un modelo suavizado uilizando el procedimieno descrio aneriormene. Ese modelo fue usado para analizar 2000 frases de prueba. En la siguiene abla se muesran 11
12 los resulados para varios valores de N, indicando el coeficiene de inerpolación y el número y porcenaje de palabras correcamene analizadas: Daos de enrenamieno (frases) Coeficiene de inerpolación λ Número de errores (palabras) % de análisis correcos 0 0, , , , , , , , , , , , (Todo) 0, ,0 Como era esperado, al incremenar el amaño del exo de enrenamieno, el coeficiene de inerpolación crece y la calidad del análisis mejora. Cuando N es igual a 0, el modelo viene dado por una disribución uniforme. En ese caso, odas las alineaciones para una frase ienen la misma probabilidad, por lo que la elección del análisis correco es realizada aleaoriamene. Sin embargo, el porcenaje de análisis correcos es relaivamene alo (más de res, de cuaro) porque: Más de la miad de las palabras del exo ienen un único análisis posible, por lo que no es posible comeer ningún error al analizarlas. Aproximadamene un cuaro de las palabras del exo ienen sólo dos posibles análisis, por lo que la probabilidad de asignar el análisis correco es del 50%. Podemos noar que se obienen resulados acepables rápidamene. Usando frases analizadas (menos de palabras) el error de análisis es menor del 5%. Usando 10 veces más exo ( frases analizadas) obenemos una mejora de sólo 1,5% Enrenamieno ML. En el enrenamieno ML se omaron odos los daos disponibles ( frases) pero sólo se usaron las secuencias de palabras, no los análisis asociados (excepo para calcular el modelo inicial). Eso fue posible ya que el algorimo FB es capaz de enrenar un modelo usando sólo la secuencia de palabras. En la primera experiencia se omó un modelo con disribución uniforme como inicial. La única resricción que se aplicó fue para los valores k(w/) que se igualaron a 0 cuando el análisis no era posible para la palabra w (según el diccionario). Enonces se ejecuó el algorimo y se evaluó la calidad del análisis. Los resulados obenidos fueron los siguienes: 12
13 En ese figura se puede observar como el enrenamieno ML mejora la asa de error del modelo. Sin embargo, esa asa permanece relaivamene ala, incluso mayor que la obenida con el enrenamieno RF con 100 frases. Una vez comprobado que el enrenamieno ML es capaz de mejorar el modelo uniforme se inenó comprobar si era capaz de mejorar oros modelos más precisos. Para ello se omó como modelo inicial los generados por el enrenamieno RF y, para cada uno, se aplicó el enrenamieno ML usando odas las secuencias de palabras disponibles. Los resulados obenidos se muesran en la siguiene abla: Número de frases analizadas para calcular el modelo inicial Ier odas Análisis correco (% palabras) después de ML sobre 10 6 palabras 0 77,0 90,0 95,4 96,2 96,6 96,9 97,0 1 80,5 92,6 95,8 96,3 96,6 96,7 96,8 2 81,8 93,0 95,7 96,1 96,3 96,4 96,4 3 83,0 93,1 95,4 95,8 96,1 96,2 96,2 4 84,0 93,0 95,2 95,5 95,8 96,0 96,0 5 84,8 92,9 95,1 95,4 95,6 95,8 95,8 6 85,3 92,8 94,9 95,2 95,5 95,6 95,7 7 85,8 92,8 94,7 95,1 95,3 95,5 95,5 8 86,1 92,7 94,6 95,0 95,2 95,4 95,4 9 86,3 92,6 94,5 94,9 95,1 95,3 95, ,6 92,6 94,4 94,8 95,0 95,2 95,2 Esos resulados muesran como, usando poco exo analizado, el modelo obenido por RF no es muy bueno y el enrenamieno ML es capaz de mejorarlo. Sin embargo, cuando el uso de exo analizado aumena, el modelo obenido por RF es más preciso y el enrenamieno ML lo mejora sólo en las ieraciones iniciales, 13
14 deeriorándolo a coninuación. Si se usan más de frases analizadas, incluso en las primeras ieraciones, el enrenamieno ML empeora el análisis. 4Conclusiones. Como puede observarse, el uso de cadenas de Markov permie desarrollar algorimos de desambiguación morfológica relaivamene sencillos en base a una eoría probabilísica que, si bien no alcanza una efecividad del 100%, obienen resulados acepables. Por oro lado, el uso de modelos de Markov oculos (HMM) permie enrenar el algorimo sin necesidad de una gran canidad de exo eiqueado difícil de conseguir salvando, de ese modo, el inconveniene de oros algorimos de aprendizaje supervisado como pueden ser las redes neuronales. Sin embargo, el mayor inconveniene del uso de cadenas de Markov para la desambiguación morfológica viene dado por el límie superior de aciero inrínseco al méodo, ya que se preende emular un sisema no probabilísico como es el lenguaje naural mediane un modelo probabilísico. En principio, esa límie superior podría mejorarse aumenando el orden de la cadena de Markov haciendolo superior a 2 (uilizado en el modelo riclásico). Sin embargo eso planearía problemas de cálculo al aumenar exponencialmene el número de esados e incluso puede llegar a disminuir el número de aciero para cieras consrucciones sinácicas. Una posible solución a ese problema consisiría en el uso de PSA (Probabilisic Suffix Auomaas), los cuales se pueden definir informalmene como cadenas de Markov de orden variable. De esa forma, el modelo omará en cada caso la longiud ópima para el cálculo del eiqueado. Además, la exisencia de algorimos para el parendizaje de PSA de forma eficiene, hacen de esos una alernaiva ineresane a las cadenas de Markov. 5Referencias. 1. Bahl, Lali R., Jelinek, Frederick y Mercer, Rober L. (1983): "A maximum likelihood approach o coninuous speech recogniion", IEEE Transacions on PAMI, 5(2), Baum, L. E. y Eagon, J. A. (1967): "An inequaliy wih applicaion o saisical esimaion for probabilisic funcions of Markov processes and o a model for ecology", Bullein of he American Mahemaicians Sociey, 73, Bellman, R. E. (1957): "Dynamic programming", Princeon Universiy Press. 4. Brodda, Benny (1982): "Problems wih agging and a soluion", Nordic Journal of Linguisics: Church, Kenneh W. (1989). "A sochasic pars program noun phrase parser for unresriced ex". IEEE Proceeding of he ICASSP, Glasgow,
15 6. Codogno, M., Fissore, L, Marelli, A., Pirani, G. y Volpi, G. (1987): "Experimenal evaluaion of ialian language models for large dicionary speech recogniion". Proceedings, European Conference on Speech Technology, Edinburgh, Deroraul, Anne Marie y Merialdo, Bernard (1986): "Naural language modeling for phoneme o ex ranscripion". IEEE Transacions on Paern Analysis and Machine Inelligence, 8(6), Dermaas, Evangelos y Kokkinakis, George (1995, junio): "Auomaic sochasic agging of naural language exs", Compuaional Linguiscs, 20(2), DeRose, S. (1988). "Grammaical caegory disambiguaion by saisical opimizaion". Compuaional Linguisics, 14(1), González, Angel L. y Goñi, José M. (1995, noviembre): "Un analizador morfológico para el casellano basado en char", Acas de la VI Conferencia de la Asociación Española para la Ineligencia Arificial, CAEPIA 95, Alicane: Jelinek, Frederick (1976): "Coninuous speech recogniion by saisical mehods". Proceedings of he IEEE, 64, Jelinek, Frederick y Mercer, Rober L. (1980): "Inerpolaed esimaion of Markov source parameers from sparse daa". Proceedings, Workshop on Paern Recogniion in Pracice, Amserdam, Kaz, S. (1987): "Esimaion of probabiliies from sparse daa for he language model componen of a speech recognizer", IEEE Transacions on ASSP, 34(3), Klanvans, Judih L. y Chodorow, Marin S. (1991): "Using a morphological analyzer o each heoreical morphology", Compuers and he Humaniies 25: Klein, S. y Simmons, R.F. (1963): "A grammaical approach o grammaical coding of english words", JACM 10: Koskenniemi, Kimmo (1983): "Two level morphology: a general compuaional model for word form recogniion and producion", Publicaion 11, Deparmen of General Linguisics, Universiy of Helsinki, Helsinki, Findland. 17.Merialdo, Bernard (1994): "Tagging English Tex wih a Probabilisic Model". Compuers and Humaniies, 20(2), pag Moreno, Anonio y Goñi, Jpsé M. (1995, sepiembre): "A morphological processor for Spanish implemened in prolog", Proceedings of he Join Conference on Declaraive Programming, GULP PRODE 95, Marina di Vieri, Ialy: Nakamura, M. y Shikanom K. (1989): "A sudy of english word caegory predicion based on neural neworks", IEEE Proceedings of he ICASSP, Glasgow: Paulyssen y Marin, W. (1992); "Dilemma 2: A lemmaizer agger for medical absracs", Proceedings, Third Conference on Applied Language Processing, Treno, Ialy: Poriz, Alan B. (1988): "Hidden Markov models: a guided our", IEEE Proceedings of he ICASSP, New York,
16 22.Triviño, José L. (1993): Analizador morfológico del español, Proyeco fin de carrera. Dep. Lenguajes y Ciencias de la Compuación, Universidad de Málaga, España. Triviño, José L. y Calle, Javier (1997): "SEAM (Sisema Expero para Análisis Morfológico)", Revisa Inerlingüísica (ISSN ) 7, Faculad de Filología de la Universidad Compluense de Madrid. 16
1.- ALGORITMOS RÁPIDOS PARA LA EJECUCIÓN DE FILTROS DE PILA
hp://www.vinuesa.com 1.- ALGORITMOS RÁPIDOS PARA LA EJECUCIÓN DE FILTROS DE PILA 1.1.- INTRODUCCIÓN Los filros de pila consiuyen una clase de filros digiales no lineales. Un filro de pila que es usado
Experimento 3. Análisis del movimiento en una dimensión. Objetivos. Teoría
Experimeno 3 Análisis del movimieno en una dimensión Objeivos. Esablecer la relación enre la posición y la velocidad de un cuerpo en movimieno 2. Definir la velocidad como el cambio de posición en un inervalo
TEMA 1 INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL. 1. Sistemas analógicos y digitales.
T-1 Inroducción a la elecrónica digial 1 TEMA 1 INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL El raamieno de la información en elecrónica se puede realizar de dos formas, mediane écnicas analógicas o mediane écnicas
Métodos de Previsión de la Demanda Datos
Daos Pronósico de la Demanda para Series Niveladas Esime la demanda a la que va a hacer frene la empresa "Don Pinzas". La información disponible para poder esablecer el pronósico de la demanda de ese produco
Práctica 4: Hoja de problemas sobre Tipos de cambio
Prácica 4: Hoja de problemas sobre Tipos de cambio Fecha de enrega y corrección: Viernes 8 de abril de 2011 Esa prácica se corregirá en horario de uorías en el aula Prácica individual 1. A parir de los
Circuitos para observar la descarga y carga de un capacitor.
IUITO Objeivo Enconrar el comporamieno de la diferencia de poencial en función del iempo, (), enre los exremos de un capacior cuando en un circuio se carga y cuando se descarga el capacior. INTODUION onsidere
Modelo de regresión lineal simple
Modelo de regresión lineal simple Inroducción Con frecuencia, nos enconramos en economía con modelos en los que el comporamieno de una variable,, se puede explicar a ravés de una variable X; lo que represenamos
UNA APROXIMACION A LA SOSTENIBILIDAD FISCAL EN REPUBLICA DOMINICANA Juan Temístocles Montás
UNA APROXIMACION A LA SOSTENIBILIDAD FISCAL EN REPUBLICA DOMINICANA Juan Temísocles Monás Puede el comporamieno acual de la políica fiscal sosenerse sin generar una deuda pública que crezca sin límie?
TEMA 1: SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS.
TEMA : SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS. RELACIÓN DE PROBLEMAS. Pon un ejemplo, cuando sea posible, de un sisema de dos ecuaciones con res incógnias que sea: a) Compaible deerminado b)
Cobertura de una cartera de bonos con forwards en tiempo continuo
Coberura de una carera de bonos con forwards en iempo coninuo Bàrbara Llacay Gilber Peffer Documeno de Trabajo IAFI No. 7/4 Marzo 23 Índice general Inroducción 2 Objeivos......................................
Análisis de inversiones y proyectos de inversión
Análisis de inversiones y proyecos de inversión Auora: Dra. Maie Seco Benedico Índice 5. Análisis de Inversiones 1. Inroducción. 2. Crierios para la valoración de un proyeco. 3. Técnicas de valoración
Las señales pueden ser también, señales continuas o señales alternas.
INSIUO ÉCNICO SLESINO LORENZO MSS ema 1: CONCEPOS PRELIMINRES LLER DE MEDICIONES Conenido: Concepo de señal elécrica. Valores caracerísicos de las señales elécricas: Frecuencia (período, Fase, Valor de
Práctica 4: Sistemas telescópicos. Objeto próximo.
LABORATORO D ÓPTCA (ÓPTCA NSTRUMNTAL) CURSO 2009/10 Prácica 4: Sisemas elescópicos. Objeo próximo. 1 Objeivo de la prácica n esa prácica se comprueba que cuando el aneojo rabaja con jeos próximos, es necesario
PRÁCTICA 2: Ejercicios del capítulo 4
PRÁCTICA : Ejercicios del capíulo 4. Un psicólogo clínico desea evaluar la eficacia de una erapia para reducir la ansiedad de los ejecuivos que padecen esrés en la oma de decisiones empresariales. Para
Solución: El sistema de referencia, la posición del cuerpo en cada instante respecto a dicha referencia, el tiempo empleado y la trayectoria seguida.
1 Qué es necesario señalar para describir correcamene el movimieno de un cuerpo? El sisema de referencia, la posición del cuerpo en cada insane respeco a dicha referencia, el iempo empleado y la rayecoria
Luis H. Villalpando Venegas,
2007 Luis H. Villalpando Venegas, [SIMULACIÓN DE PRECIOS DEL PETROLEO BRENT ] En ese rabajo se preende simular el precio del peróleo Bren, a ravés de un proceso esocásico con reversión a la media, con
1 Introducción... 2. 2 Tiempo de vida... 3. 3 Función de fiabilidad... 4. 4 Vida media... 6. 5 Tasa de fallo... 9. 6 Relación entre conceptos...
Asignaura: Ingeniería Indusrial Índice de Conenidos 1 Inroducción... 2 2 Tiempo de vida... 3 3 Función de fiabilidad... 4 4 Vida media... 6 5 Tasa de fallo... 9 6 Relación enre concepos... 12 7 Observaciones
IGEP Tema 2. Leyas financieras básicas: estudio usando aplicaciones informáticas.
IGEP Tema 2. Leyas financieras básicas: esudio usando aplicaciones informáicas. onenido. apial financiero... 2. Leyes financieras: capialización y descueno...4 2. Leyes de capialización...4 2.2 Leyes de
Técnicas cualitativas para las Ecuaciones diferenciales de primer orden: Campos de pendientes y líneas de fase
Lección 5 Técnicas cualiaivas para las Ecuaciones diferenciales de primer orden: Campos de pendienes y líneas de fase 5.. Técnicas Cualiaivas Hasa ahora hemos esudiado écnicas analíicas para calcular,
Aplicaciones de la Probabilidad en la Industria
Aplicaciones de la Probabilidad en la Indusria Cuara pare Final Dr Enrique Villa Diharce CIMAT, Guanajuao, México Verano de probabilidad y esadísica CIMAT Guanajuao,Go Julio 010 Reglas para deección de
Metodología de cálculo del diferencial base
Meodología de cálculo del diferencial base El diferencial base es el resulado de expresar los gasos generales promedio de operación de las insiuciones de seguros auorizadas para la prácica de los Seguros
6 METODOLOGÍA PROPUESTA PARA VALORAR USOS IN SITU DEL AGUA
38 6 METODOLOGÍA PROPUESTA PARA VALORAR USOS IN SITU DEL AGUA 6.1 Méodo general Para valorar los usos recreacionales del agua, se propone una meodología por eapas que combina el uso de diferenes écnicas
Tema 5: 5 Técnicas de Evaluación de la Fiabilidad
Tema 5: 5 Técnicas de Evaluación de la Fiabilidad.- Inroducción 2.- Funciones para la evaluación de STFs 3.- Técnicas de modelado Arboles de fallos Modelos combinaorios Cadenas de Markov 4.- Modelado con
MATRICES. M(n) ó M nxn A =
MTRICES Definición de mari. Una mari de orden m n es un conjuno de m n elemenos perenecienes a un conjuno, que para nosoros endrá esrucura de cuerpo conmuaivo y lo denoaremos por K, dispuesos en m filas
Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE.
Invesigación y écnicas de Mercado Previsión de Venas ÉCNICAS CUANIAIVAS ELEMENALES DE PREVISIÓN UNIVARIANE. (II) écnicas elemenales: Modelos Naive y Medias Móviles. Medición del error de previsión. Profesor:
Medición del tiempo de alza y de estabilización.
PRÁCTICA # 2 FORMAS DE ONDA 1. Finalidad Esudiar la respuesa de configuraciones circuiales simples a diferenes formas de exciación. Medición del iempo de alza y de esabilización. Medición del reardo. Medición
Introducción a la Estadística Empresarial. Capítulo 4.- Series temporales Jesús Sánchez Fernández
Inroducción a la Esadísica Empresarial. Capíulo 4.- Series emporales CAPITULO 4.- SERIES TEMPORALES 4. Inroducción. Hasa ahora odas las variables que se han esudiado enían en común que, por lo general,
CAPÍTULO 5. INTEGRACIÓN DE FUNCIONES TRIGONOMÉTRICAS 5.1. Introducción 5.2. Cambios de variable 5.3. Transformación en sumas 5.4. Problemas resueltos
CAPÍTULO 5. INTEGRACIÓN DE FUNCIONES TRIGONOMÉTRICAS 5.. Inroducción 5.. Cambios de variable 5.3. Transformación en sumas 5.4. Problemas resuelos 5.5. Inegración por recurrencia Capíulo 5 Inegración de
Cómo se debe contabilizar la deuda de pensiones en el sector público? 1/
ISSN 02-6375 Boleín 259, junio de 2007 Álvaro rigueros Argüello Cómo se debe conabilizar la deuda de pensiones en el secor público? /. Inroducción En 200 y 2003 Fusades publicó dos esudios sobre la sosenibilidad
CAPÍTULO II. Conceptos de Confiabilidad
CAPÍTULO II Concepos de Confiabilidad CAPÍTULO II CONCEPTOS DE CONFIABILIDAD Una de las áreas de ingeniería de confiabilidad es la modelación de la misma, debido a que los procesos en general se comporan
ECONOMETRÍA EMPRESARIAL II ADE
4 Bernardí Cabrer Economería Empresarial II Tema 8 ECONOMETRÍA EMPRESARIAL II ADE TEMA 8 MODELOS LINEALES SIN ESTACIONALIDAD I ( Modelos regulares 4 Bernardí Cabrer Economería Empresarial II Tema 8 8.
Lección 3. Curvas. 4. Curvas parametrizadas: ejemplos.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO 011 1. 4. Curvas paramerizadas: ejemplos. La descripción más direca y flexible de una curva es una represenación paramérica. En lugar de considerar una de las coordenadas
Tema 3. Circuitos capacitivos
Inroducción a la Teoría de ircuios Tema 3. ircuios capaciivos. Inroducción... 2. Inerrupores... 3. ondensadores... 2 3.. Asociación de capacidades.... 5 ondensadores en paralelo... 5 ondensadores en serie...
5. ESPACIOS VECTORIALES EUCLÍDEOS. PROYECCIONES ORTOGONALES. MÍNIMOS CUADRADOS.
Espacios vesoriales euclídeos. Proyecciones orogonales. Mínimos cuadrados. 5. ESPACIOS VECTORIALES EUCLÍDEOS. PROYECCIONES ORTOGONALES. MÍNIMOS CUADRADOS. SUMARIO: INTRODUCCIÓN OBJETIVOS INTRODUCCIÓN TEÓRICA.-
Tema 8: SERIES TEMPORALES
Inroducción a la Economería Tema 8: ERIE TEMPORALE Tema 8: ERIE TEMPORALE. Concepo y componenes de una serie emporal. Definiremos una serie emporal como cualquier conjuno de N observaciones cuaniaivas
1.1 Utilizando sistemas modulares, resolver la ecuación + =.
5. 5. 1. Sisemas de la forma: Una ecuación con dos o más variables. 1.1 Uilizando sisemas modulares, resolver la ecuación + =. La ecuación 3 +5 =23 es equivalene a 3 23 ó.5, eso es, planeamos conocer el
5. MODELOS DE FLUJO EN REACTORES REALES
5. MODLOS D FLUJO N RACTORS RALS 5.1 INTRODUCCIÓN n el caso de los reacores homogéneos isoérmicos, para predecir el comporamieno de los mismos deben enerse en cuena dos aspecos: - La velocidad a la cual
MACROECONOMÍA II ADE GRUPOS 20 Y 21 (ECTS) FECHA DE ENTREGA: Martes 11 de Mayo de 2010 Práctica nº 5: Hoja de problemas sobre Tipos de cambio
MACROECONOMÍA II ADE GRUPOS 20 Y 21 (ECTS) FECHA DE ENTREGA: Mares 11 de Mayo de 2010 Prácica nº 5: Hoja de problemas sobre Tipos de cambio 1. A parir de los siguienes daos sobre el ipo de cambio nominal
Funciones trigonométricas
0 Funciones rigonoméricas Tenemos en el plano R² la circunferencia C de radio con cenro (0,0. En ella disinguimos el puno (,0, que es el puno de inersección dec con el semieje de las x posiivas. Si pariendo
PRÁCTICA 3: Sistemas de Orden Superior:
PRÁCTICA 3: Sisemas de Orden Superior: Idenificación de modelo de POMTM. Esabilidad y Régimen Permanene de Sisemas Realimenados Conrol e Insrumenación de Procesos Químicos. . INTRODUCCIÓN Esa prácica se
MÉTODO DE DEFLACIÓN DE VARIABLES ECONÓMICAS: CUENTAS ECONÓMICAS Y TABLAS INPUT-OUTPUT CRISTINA PRADO
MÉTODO DE DEFLACIÓN DE VARIABLES ECONÓMICAS: CUENTAS ECONÓMICAS Y TABLAS INPUT-OUTPUT CRISTINA PRADO EUSKAL ESTATISTIKA ERAKUNDEA INSTITUTO VASCO DE ESTADISTICA Donosia-San Sebasián, 1 01010 VITORIA-GASTEIZ
ÁREA DE FÍSICA DE LA TIERRA SISMOLOGÍA E INGENIERÍA SÍSMICA (PRÁCTICAS)
ÁREA DE FÍSICA DE LA TIERRA SISMOLOGÍA E INGENIERÍA SÍSMICA (PRÁCTICAS) Anexo VI Prácicas de Sismología e Ingeniería Sísmica PRACTICA 5. TRATAMIENTO DE ACELEROGRAMAS. 1. OBJETIVO Aprender a llevar a cabo
Ecuaciones diferenciales, conceptos básicos y aplicaciones
GUIA 1 Ecuaciones diferenciales, concepos básicos y aplicaciones Las ecuaciones diferenciales ordinarias son una herramiena básica en las ciencias y las ingenierías para el esudio de sisemas dinámicos
Un algoritmo para la Planificación de Producción en un Sistema en Red de Fabricación basada en Sistemas Multiagente 1
X Congreso de Ingeniería de Organización Valencia, 7 y 8 de sepiembre de 2006 Un algorimo para la Planificación de Producción en un Sisema en Red de Fabricación basada en Sisemas Muliagene 1 Julio J. García-Sabaer
1.CINEMÁTICA. Movimiento Se define el movimiento como el cambio de posición de algo respecto a un sistema de referencia
Magniudes fundamenales Son las magniudes que se pueden medir direcamene 1.CINEMÁTICA Definiciones Reposo Se define como el no cambiar de posición respeco a un sisema de referencia. No hay ningún cuerpo
METODOLOGÍA PARA EL AJUSTE DE LAS TASAS DE ESCOLARIZACIÓN A PARTIR DE LA INFORMACIÓN DEL CENSO NACIONAL DE POBLACIÓN, HOGARES Y VIVIENDA DE 2001
METODOLOGÍA PARA EL AJUSTE DE LAS TASAS DE ESCOLARIZACIÓN A PARTIR DE LA INFORMACIÓN DEL CENSO NACIONAL DE POBLACIÓN, HOGARES Y VIVIENDA DE 2001 Insiuo Nacional de Esadísica y Censos (INDEC) Dirección
Keywords: seguro de vida, provisión matemática, probabilidad, función de distribución, solvencia, value at risk, VAT, valor actual neto, VAN.
El seguro de vida como variable aleaoria. Cómo calcular su función de disribución. Nieo Ranero, Armando Universiy of Valencia, Spain Do. Maemáicas Económico Empresarial, Edificio Deparamenal Orienal, Av.
UNIDAD 6: CONGELACIÓN DE ALIMENTOS. GUIA DE PROBLEMAS RESUELTOS (Versión ALFA)
UNIVERSIDAD AUSTRAL DE CHILE INSTITUTO DE CIENCIA Y TECNOLOGIA DE LOS ALIMENTOS / ASIGNATURA : Ingeniería de Procesos III (ITCL 4) PROFESOR : Elon F. Morales Blancas UNIDAD 6: CONGELACIÓN DE ALIMENTOS
MODELO ARIMA(p, d, q) (P, D, Q) s
SERIES TEMPORALES: MODELO ARIMA Faculad Ciencias Económicas y Empresariales Deparameno de Economía Aplicada Profesor: Saniago de la Fuene Fernández MODELO ARIMA(p, d, q) (P, D, Q) s Se han analizado las
EJERCICIOS TEMA 6 (ENERGIA TÉRMICA)
EJERCICIOS TEMA (ENERGIA TÉRMICA) 1-Se necesian 710 Julios para elevar 1 K la emperaura de 1 Kgr de una ciera susancia. Deermina la capacidad calorífica específica de la susancia anerior. De que susancia
En el campo del control industrial se diferencian dos tipos de sistemas: MONITORIZACIÓN. Display S A L I D A. Alarmas S A L I D A
MUESTREO DE SEÑALES Tipos de Señales de los Procesos Indusriales El ipo de señales usadas en conrol de procesos dependen del nivel en el que nos siuemos. Así, a nivel alo se uilizan señales de comunicación
Representación gráfica de curvas en forma paramétrica x a(t sent) 1.- Representar la curva dada por
Represenación gráfica de curvas en forma paramérica x a( sen) 1.- Represenar la curva dada por, siendo a > 0. y a(1 cos).- Emparejar cada curva con su gráfica ì ì x = a) ï x = í b) ï ì í ï c) ï x = - sen
UNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA
UNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA Por Mónica Orega Moreno Profesora Esadísica. Deparameno Economía General y Esadísica RESUMEN El aumeno de la siniesralidad laboral
Tema 3. El modelo neoclásico de crecimiento: el modelo de Solow-Swan
Tema 3. El modelo neoclásico de crecimieno: el modelo de Solow-Swan Inroducción Esquema El modelo neoclásico SIN progreso ecnológico a ecuación fundamenal del modelo neoclásico El esado esacionario Transición
UNIDAD IX. Técnicas de Suavización
UNIDAD IX Técnicas de Suavización UNIDAD IX La esadísica demuesra que suele ser más fácil hacer algo bien que explicar por qué se hizo mal. Allen L. Webser, 1998 Cuál es el objeivo de la Técnica de suavización?
TEMA 2 LOS MODELOS ECONOMETRICOS Y SU PROBLEMATICA
TEMA 2 LOS MODELOS ECONOMETRICOS Y SU PROBLEMATICA 1. CONCEPTO DE MODELO El ermino modelo debe de idenificarse con un esquema menal ya que es una represenación de la realidad. En ese senido, Pulido (1983)
Modelos de Ajuste Nominal Incompleto. Por Agustín Casas, UdeSa. Diego Hofman, Princeton. Analía Olgiati, BID. Javier DiFiori, Morgan Stanley
Modelos de Ajuse Nominal Incompleo Por Agusín Casas, UdeSa. Diego Hofman, Princeon. Analía Olgiai, BID. Javier DiFiori, Morgan Sanley JEL CLASS: E12 - Keynes; Keynesian; Pos-Keynesian E13 - Neoclassical
Master en Economía Macroeconomía II. 1 Learning by Doing (versión en tiempo discreto)
Maser en Economía Macroeconomía II Profesor: Danilo Trupkin Se de Problemas 4 - Soluciones 1 Learning by Doing (versión en iempo discreo) Considere una economía cuyas preferencias, ecnología, y acumulación
APROXIMACIÓN A LA EXTENSIÓN MULTIDIMENSIONAL DE LA METODOLOGÍA TIR
APROXIMACIÓN A LA EXTENSIÓN MULTIDIMENSIONAL DE LA METODOLOGÍA TIR Federico Palacios González - fpalacio@ugr.es Eduardo Pérez Rodríguez - eperezr@ugr.es José Mª Herrerías Velasco - jmherrer@lainmail.com
Anexo SNIP 22 Lineamientos para PIP mediante APP cofinanciada
Lineamienos para PIP mediane APP cofinanciada Se provee el presene insrumeno meodológico con el objeo de conribuir a mejorar la oma de decisiones respeco a la modalidad de ejecución de un proyeco de inversión
2 El movimiento y su descripción
El movimieno y su descripción EJERCICIOS PROPUESTOS. Una malea descansa sobre la cina ransporadora de un aeropuero. Describe cómo ve su movimieno un pasajero que esá: parado en la misma cina; en una cina
MECANISMOS DE TRANSMISIÓN
MECANISMOS DE TRANSMISIÓN DE LA POLÍTICA MONETARIA EN MÉXICO MIGUEL MESSMACHER LINARTAS* * Las opiniones expresadas en ese documeno son exclusivamene del auor y no necesariamene reflejan las del Banco
RE01 DIFERENCIA DEL LOGRO PROMEDIO EN COMPRENSIÓN LECTORA Y MATEMÁTICAS PARA 6 DE PRIMARIA Y 3 DE SECUNDARIA ENTRE 2000 Y 2005
RESULTADOSEDUCATIVOS RE01 DIFERENCIA DEL LOGRO PROMEDIO EN COMPRENSIÓN LECTORA Y MATEMÁTICAS PARA 6 DE PRIMARIA Y 3 DE SECUNDARIA ENTRE 2000 Y 2005 FÓRMULA RE01 NOMBREdelINDICADOR Diferencia del loro promedio
PROCESOS ESTOCÁSTICOS PROCESOS ESTOCÁSTICOS INTEGRAL ESTOCÁSTICA ECUACIONES DIFERENCIALES ESTOCASTICAS: LEMA DE ITO
PROCESOS ESOCÁSICOS PROCESOS ESOCÁSICOS INEGRAL ESOCÁSICA ECUACIONES DIFERENCIALES ESOCASICAS: LEMA DE IO Procesos esocásicos Un proceso esocásico describe la evolución emporal de una variable aleaoria.
Observatorio * EL AUMENTO DEL IVA EN ESPAÑA: UNA CUANTIFICACIÓN ANTICIPADA DE SUS EFECTOS **
Revisa de Economía Aplicada E Número 53 (vol. XVIII), 2010, págs. 163 a 183 A Observaorio * EL AUMENTO DEL IVA EN ESPAÑA: UNA CUANTIFICACIÓN ANTICIPADA DE SUS EFECTOS ** GONZALO FERNÁNDEZ-DE-CÓRDOBA Universidad
Y t = Y t Y t-1. Y t plantea problemas a la hora de efectuar comparaciones entre series de valores de distintas variables.
ASAS DE VARIACIÓN ( véase Inroducción a la Esadísica Económica y Empresarial. eoría y Pácica. Pág. 513-551. Marín Pliego, F. J. Ed. homson. Madrid. 2004) Un aspeco del mundo económico que es de gran inerés
TEMA 9: LA TASA NATURAL DE DESEMPLEO Y LA CURVA DE PHILLIPS
TEMA 9: LA TASA NATURAL DE DESEMPLEO Y LA CURVA DE PHILLIPS 9.2 La asa naural de desempleo y la curva de Phillips La relación enre el desempleo y la inflación La curva de Phillips, basada en los daos aneriores
Departamento de Ingeniería Hidráulica y M.A. de la U.P.V HIDROGRAMA UNITARIO
Deparameno de Ingeniería Hidráulica y M.A. de la U.P.V. 6 6.- HIDROGRAMA UNITARIO Deparameno de Ingeniería Hidráulica y M.A. de la U.P.V. 63 PROBLEMA RESUELTO 1 El HU de una cuenca para una lluvia de 1
Control de un péndulo invertido usando métodos de diseño no lineales
Conrol de un péndulo inverido usando méodos de diseño no lineales F. Salas salas@caruja.us.es J.Aracil aracil@esi.us.es F. Gordillo gordillo@esi.us.es Depo de Ingeniería de Sisemas y Auomáica.Escuela Superior
LA VELOCIDAD DE CIRCULACION DE DINERO EN EL ECUADOR
1 LA VELOCIDAD DE CIRCULACION DE DINERO EN EL ECUADOR José Luis Moncayo Carrera 1 Ec. Manuel González 2 RESUMEN El presene documeno iene como objeivo, presenar la aplicación de écnicas economéricas en
Aprendizaje Multi-Tarea Selectivo utilizando Redes Neuronales Articiales ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA DE TELECOMUNICACIÓN
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA DE TELECOMUNICACIÓN INGENIERÍA DE TELECOMUNICACIÓN PROYECTO FIN DE CARRERA Aprendizaje Muli-Tarea Selecivo uilizando Redes Neuronales Ariciales AUTOR: MARTA FERNÁNDEZ
MATEMÁTICAS II. x x x d) ( ) b) Como el grado del numerador y del denominador son iguales, hay que empezar por hacer la división.
Albero Enero Conde Maie González Juarrero Inegral indefinida. Cálculo de primiivas Ejercicio Calcula la siguienes inegrales a) d b) d c) 6 d d) 3 d e) d 9 e a) Haciendo el cambio de variable d d. d d d
GUÍA DE MOVIMIENTO RECTILÍNEO UNIFORME
INSTITUTO NACIONAL Deparameno de Física Coordinación Segundo Medio 06. GUÍA DE MOVIMIENTO RECTILÍNEO UNIFORME NOMBRE: CURSO: Caracerísica general de M.R.U: Si una parícula se mueve en la dirección del
13.0 COSTOS Y VALORACIÓN ECONÓMICA
13.0 COSTOS Y VALORACIÓN ECONÓMICA 13.1 INTRODUCCIÓN En esa sección, se calcula el valor económico de los impacos ambienales que generará el Proyeco Cruce Aéreo de la Fibra Ópica en el Kp 184+900, el cual
Análisis Estadístico de Datos Climáticos
Análisis Esadísico de Daos Climáicos SERIES TEMPORALES I Mario Bidegain (FC) Alvaro Diaz (FI) Universidad de la República Monevideo, Uruguay 2011 CONTENIDO Esudio de las series emporales en Climaología.
Guías y tutoriales/compresores/winrar
g coordinación de uoriales: Graciela Sosisky exo: Horacio Marínez Philipps edición: Gabriela Tenner diseño: CAFE Guías y uoriales/compresores/winrar Los orígenes de ese programa se remonan a las experiencias
MIDI S-35. Canal MIDI 1 Melodía Canal MIDI 2 Bajo Canal MIDI 10 Baterías MIDI IN. Canal de recepción MIDI =1 Ejecuta la melodía.
/ VARIATION/ ACCOMP PLAY/PAUSE REW TUNE/MIDI 3- LESSON 1 2 3 MIDI Qué es la MIDI? La sigla MIDI significa Inerfaz Digial para los Insrumenos Musicales, que es el nombre de una norma mundial para las señales
COMPARACION DE PLANES DE PENSIONES DESDE LA PERSPECTIVA DEL INVERSOR
COMPARACION DE PLANES DE PENSIONES DESDE LA PERSPECTIVA DEL INVERSOR Monserra Guillén 1, Jens Perch Nielsen 2 y Ana M. Pérez-Marín 3 RESUMEN En ese rabajo se comparan res producos básicos de ahorro exisenes
MODELO PARA EL CÁLCULO DE TARIFAS DE EMPRESAS ELÉCTRICAS DE DISTRIBUCIÓN CONSIDERANDO ASPECTOS ECONÓMICO-FINANCIEROS
MODELO PARA EL CÁLCULO DE TARIFAS DE EMPRESAS ELÉCTRICAS DE DISTRIBUCIÓN CONSIDERANDO ASPECTOS ECONÓMICO-FINANCIEROS Marcos Facchini (*), Albero Andreoni (*), Andrés Koleda (**), Ángel Garay (**), María
TÉCNICAS DE TRANSMISIÓN Y MODULACIÓN
UNIDAD DIDÁCTICA 4 TÉCNICAS DE TRANSMISIÓN Y MODULACIÓN bps-baudios-bps-baudios-bps-baudios-bps-baudios-bps-baudios-bps-baudios-bps-baudios-bps-baudios-bpsbaudios-bps-baudios-bps-baudios-bps-baudios-bps-baudios-bps-baudios-bps-baudios-bps-baudios-bps-baudios-
Capítulo 11A Movimiento Angular SAI JORGE
Capíulo 11A Movimieno Angular SAI JOGE 01 Las TUBINAS DE VIENTO como ésas pueden generar energía significaiva en una forma que es ambienalmene amisosa y renovable. Los concepos de aceleración roacional,
Uso de Análisis Factorial Dinámico para Proyecciones Macroeconómicas
Uso de Análisis Facorial Dinámico para Proyecciones Macroeconómicas Alvaro Aguirre y Luis Felipe Céspedes * Resumen En ese rabajo implemenamos el méodo desarrollado por Sock y Wason (998) de análisis facorial
DISEÑO MUESTRAL DE LAS ENCUESTAS DE POBLACIÓN Y ECONÓMICAS. Ed.2
DISEÑO MUESTRAL DE LAS ENCUESTAS DE POBLACIÓN Y ECONÓMICAS. Ed.2 MÓDULO II: APLICACIONES PRÁCTICAS DEL DISEÑO MUESTRAL EN LAS ENCUESTAS DE HOGARES DISEÑO MUESTRAL DE LAS ENCUESTAS DE POBLACIÓN Y ECONÓMICAS.
GEOMETRÍA. Matemática - EL MAESTRO EN CASA PIRÁMIDE. Pirámide cuadrangular: su base es un cuadrado (4 lados), al igual que sus caras
Maemáica - EL MAESTRO EN CASA PIRÁMIDE Una pirámide es un poliedro cuya superficie esá formada por una base que es un polígono cualquiera y caras laerales riangulares que confluyen en un vérice que se
Estadística de Valor Tasado de Vivienda
Esadísica de Valor Tasado de Vivienda Meodología Subdirección General de Esudios y Esadísicas Madrid, enero de 2016 Índice 1 Inroducción 2 Objeivos 3 Ámbios de la esadísica 3.1 Ámbio poblacional 3.2 Ámbio
Desarrollo de un prototipo de un Sistema en un Chip Programable (SOPC) destinado a aplicaciones de tratamiento digital de imágenes en movimiento
Projece de Fi de Carrera Enginyer Indusrial Desarrollo de un prooipo de un Sisema en un Chip Programable (SOPC) desinado a aplicaciones de raamieno digial de imágenes en movimieno MEMÒRIA Auors: Carles
Navegación Autónoma de un Robot Móvil usando Técnicas Probabilísticas de Localización y Mapeo basadas en Métodos Monte Carlo Secuenciales
Navegación Auónoma de un Robo Móvil usando Técnicas Probabilísicas de Localización y Mapeo basadas en Méodos Mone Carlo Secuenciales Iván A. Calle Flores Universidad Nacional de Ingeniería icallef@uni.pe
Práctica 20. CARGA Y DESCARGA DE UN CONDENSADOR ELÉCTRICO
Prácica 20. CARGA Y DESCARGA DE UN CONDENSADOR ELÉCTRICO OBJETIVOS Esudiar los procesos de carga y de descarga de un condensador. Medida de capacidades por el méodo de la consane de iempo. MATERIAL Generador
LÍNEAS DE MONTAJE CON TIEMPOS DEPENDIENTES DEL TIPO DE OPERARIO
27 Congreso Nacional de Esadísica e Invesigación Operaiva Lleida, 8-11 de abril de 2003 LÍNEAS DE MONTAJE CON TIEMPOS DEPENDIENTES DEL TIPO DE OPERARIO A. Corominas 1, R. Pasor 1, J. Plans 2 1 Insiuo de
Tema 3: Juegos secuenciales o dinámicos con información completa
Tema 3: Juegos secuenciales o dinámicos con información complea 1. Inroducción (Pérez e al. (2004), cap. 4) 1.1. Qué es un juego dinámico? 1.1.1. Juego con eapas o decisiones sucesivas 1.1.2. Tienen información
CARACTERÍSTICAS DEL DESEMPLEO EN MEDELLÍN Y EL VALLE DE ABURRÁ: 1988-2000 JUAN BYRON CORREA FONNEGRA *
CARACTERÍSTICAS DEL DESEMPLEO EN MEDELLÍN Y EL VALLE DE ABURRÁ: 988 - JUAN BYRON CORREA FONNEGRA * Inroducción En las úlimas dos décadas en Colombia se ha presenado un aumeno en los esudios sobre economía
Análisis espectral Tareas
Análisis especral Tareas T3.1: Implemenación y represenación del periodograma El objeivo de esa area es que los alumnos se familiaricen con la función más sencilla de análisis especral no paramérico. Programe
MODELOS DE VECTORES AUTOREGRESIVOS (VAR) DR. LUIS MIGUEL GALINDO
MODELOS DE VECTORES AUTOREGRESIVOS (VAR) DR. LUIS MIGUEL GALINDO VAR: GENERAL Represenación del modelo VAR: () + + = e e A A A A w w c c c c L L L L L L L L ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( Selección:.
Universidad Austral de Chile Escuela de Ingeniería Comercial
Escuela de Ingeniería Comercial Ayudanía # 01, Mercado Laboral, Ofera Agregada, Curva de Phillips Profesor: Carlos R. Pia 1 1 cpia@spm.uach.cl Comenes Comene 01: Una disminución en la asa de inflación
domótico Extras 2.1 Unidad de control 2.2 Dispositivos de entrada 2.4 Electrodomésticos domóticos 2.5 Medios de comunicación en redes domésticas
2 Elemenos de un sisema domóico Conenidos 2.1 Unidad de conrol 2.2 Disposiivos de enrada 2.3 Acuadores 2.4 Elecrodomésicos domóicos 2.5 Medios de comunicación en redes domésicas 2.6 Tecnologías aplicadas
MMII_L3_C5: Problema de la cuerda finita: Métodos directo y de las imágenes. Guión:
MMII_L_C5: Problema de la cuerda finia: Méodos direco y de las imágenes. Guión: En esa lección se esudia el problema de una cuerda finia, por lo ano, es el problema con dos condiciones de conorno. Como
Estructura de los materiales
Esrucura de los maeriales Esrucura de los maeriales e Todos los maeriales esán inegrados por áomos los que se organizan de diferenes maneras, dependiendo del maerial que se rae y el esado en el que se
LA BASE TÉCNICA FINANCIERA DEL MODELO INMUNIZADOR DE SEGUROS DE VIDA EN ESPAÑA. J. Iñaki de La Peña (1) Profesor Titular de Universidad
LA BASE TÉCNICA FINANCIERA DEL MODELO INMUNIZADOR DE SEGUROS DE VIDA EN ESPAÑA J. Iñaki de La Peña () Profesor Tiular de Universidad RESUMEN La exisencia de una normaiva amplia y específica, ano a nivel
Programación y políticas financieras con metas de inflación: El caso de Colombia. Capítulo 5: Modelos de metas de inflación
Programación y políicas financieras con meas de inflación: El caso de Colombia Capíulo 5: Modelos de meas de inflación Preparado por V. Hugo Juan-Ramón Ocubre 2008 2 Conenido I. Inroducción II. III. IV.
FIABILIDAD (I): CONCEPTOS BÁSICOS
Concepos básicos de Fiabilidad FIABILIDAD (I): CONCEPTOS BÁSICOS Auores: Ángel A. Juan (ajuanp@uoc.edu), Rafael García Marín (rgarciamar@uoc.edu). RELACIÓN CON OTROS MATH-BLOCS Ese mah-block forma pare