Series Temporales. Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, Leganés (Madrid)
|
|
- Javier Plaza González
- hace 7 años
- Vistas:
Transcripción
1 Series Temporales Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, Leganés (Madrid)
2 Series Temporales Introducción Problema de predicción Modelos neuronales Ejemplos
3 Introducción Series temporales: Colección de datos o valores de un suceso determinado a lo largo del tiempo Su evolución no depende explícitamente de la variable tiempo La evolución depende de: Valores de la serie en instantes anteriores de tiempo Otras variables temporales
4 Introducción Si conocemos el proceso generador Modelos analíticos (típicamente en diferencias) En la mayor parte de los casos, esto no es sencillo Si contamos con observaciones Métodos aproximativos Modelos de caja blanca Modelos de caja negra -> > redes de neuronas
5 Introducción Las RNA tienen características deseables de las redes en este contexto: Capacidad de aproximar y capturar relaciones a partir de ejemplos (sin info. adicional) Capacidad para construir relaciones no lineales Capacidad para construir relaciones a partir de información incompleta o con ruido Facilidad de construcción y utilización
6 Problema de predicción Definición del problema Predicción del comportamiento de una serie a partir de un conjunto de muestras Dos casos Predicción en un paso de tiempo Instante inmediatamente siguiente al instante actual (t+1) Predicción en múltiples pasos de tiempo Plazo más alejado (t+1,t+h+1) h: horizonte de predicción
7 Problema de predicción La dificultad de la predicción depende del comportamiento dinámico de la serie Lineal Determinístico Estocástico No lineal Determinístico Estocástico
8 Problema de predicción
9 Problema de predicción
10 Problema de predicción Las series que nos interesan son las describibles por modelos no lineales de regresión (NAR) x(t+1)=f(x(t), x(t-1),,x(t-r))+e(t) Donde F: función no lineal desconocida e: ruido blanco
11 Modelos neuronales Estáticos Tipos Perceptrón multicapa Redes de base radial Arquitectura diseñada para búsqueda de relaciones independientes de la variable tiempo Incorporación de historia del patrón a predecir Simples y fáciles de construir
12 Modelos neuronales Dinámicos Redes recurrentes Arquitectura diseñada para procesamiento de información temporal Considera estados anteriores Complejos de construir Menos utilizados
13 Modelos neuronales Predicción en un paso de tiempo Se considera el vector de entrada (x(t), x(t-1),,x(t-r)) La red se usa para ajustar el modelo de predicción ~ ~ x(t+1)=f(x(t), x(t-1),,x(t-r))
14 Modelos neuronales Predicción en un paso de tiempo La red tiene r+1 neuronas entrada y una de salida x(t) x(t-1) Red de neuronas estática ~ x(t+1) x(t-r)
15 Modelos neuronales Predicción en un paso de tiempo Los patrones de entrenamiento se construyen a través de una ventana deslizante de la forma Patrón n 1 Patrón n 2 Patrón n 3 Patrón n 4 Patrón n N-rN Entrada x(r), ),x(r-1), 1),,x(1),x(0) x(r+1), +1),x(r), ),,x(2),x(1) x(r+2), +2),x(r+1), +1),,x(3),x(2) x(r+3), +3),x(r+2), +2),,x(4),x(3) x(n+1), +1),x(N-2), 2),,x(N-r), r),x(n-(r+1)) (r+1)) Salida x(r+1) x(r+2) x(r+3) x(r+4) x(n)
16 Modelos neuronales Predicción en un paso de tiempo El ajuste de los pesos se realiza para minimizar el error cuadrático medio medido en la salida Para predecir, basta con presentar los valores de la serie en los r+1 instantes anteriores Problema: especificación de r Depende de la serie temporal Se determina mediante Análisis de la serie temporal Prueba y error
17 Modelos neuronales Predicción en múltiples pasos de tiempo Dos tipos de problema Predicción en t+h+1 (h>1) Predicción en el intervalo [t+1,t+h+1] Dos esquemas de predicción
18 Modelos neuronales Predicción en múltiples pasos de tiempo z -1 ~ x(t+h) x(t) z -1 ~ x(t+1) Red de neuronas estática ~ x(t+h+1) x(t-r+h)
19 Modelos neuronales Predicción en múltiples pasos de tiempo Entrenamiento: es igual al caso de un paso de tiempo Predicción: aplicación reiterada del modelo Inconveniente: aprendizaje realizado para un paso de tiempo
20 Modelos neuronales Predicción en un paso de tiempo Predicción directa de t+h+1 x(t) x(t-1) Red de neuronas estática ~ x(t+h+1) x(t-d)
21 Modelos neuronales Predicción en un paso de tiempo Los patrones de entrenamiento se construyen a través de una ventana deslizante de la forma Patrón n 1 Patrón n 2 Patrón n 3 Patrón n 4 Patrón n N-d-hN Entrada x(d), ),x(d-1), 1),,x(1),x(0) x(d+1), +1),x(d), ),,x(2),x(1) x(d+2), +2),x(d+1), +1),,x(3),x(2) x(d+3), +3),x(d+2), +2),,x(4),x(3) Salida x(d+h+1) x(d+h+2) x(d+h+3) x(d+h+4) x(n-h-1), 1),x(N-h-2), 2),,x(N-1-h-d) x(n)
22 Ejemplos Laguna de Venecia: planteamiento Objetivo: predicción de mareas en la laguna de Venecia Serie: observaciones tomadas con intervalos de una hora durante la década de los 90 Se pretende predecir el nivel del agua con adelantos de 1, 4, 12, 24 y 28h Instrumental disponible Modelos basados en ecuaciones hidrodinámicas Modelos estocásticos lineales Modelos basados en análisis no lineal de series temporales Redes de neuronas
23 Ejemplos Laguna de Venecia: planteamiento El análisis de la serie muestra periodicidades de 12 y 24 horas Solución sugerida Perceptron multicapa 25 neuronas de entrada 1 neurona de salida t=5000 α=0,01 Tratamiento de la serie Muestras normalizadas [0,1] Conjunto entrenamiento N-D 1990 (ficheros para 1, 4, 12, 24, 28) Conjunto de validación N-D 1991 (ficheros para 1, 4, 12, 24, 28)
24 Ejemplos Laguna de Venecia: planteamiento
25 Ejemplos Laguna de Venecia: resultados Predicciones para una hora
26 Ejemplos Laguna de Venecia: resultados Predicciones para cuatro horas.
27 Ejemplos Laguna de Venecia: resultados Predicciones para doce horas
28 Ejemplos Laguna de Venecia: resultados Comparativa de resultados (ECM sobre validación) Horizonte Esquema pred 1 Esquema pred 2 h=1 3,30 3,30 h=4 9,75 9,55 h=12 12,38 11,38 h=24 13,15 11,64 h=28 16,91 15,74
Clasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesModelo Predictivo del Crimen para la Región Metropolitana
Análisis Espacial de la Criminalidad basado en Georeferenciación de Denuncias José Miguel Benavente PhD Departamento de Economía. Departamento de Ingeniería Industrial. Universidad de Chile. Carabineros
Más detallesLOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
Más detallesMétodos, Algoritmos y Herramientas
Modelado y Simulación de Sistemas Dinámicos: Métodos, Algoritmos y Herramientas Ernesto Kofman Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA - Universidad Nacional de Rosario.
Más detallesMinería de Datos. Árboles de Decisión. Fac. Ciencias Ing. Informática Otoño de Dept. Matesco, Universidad de Cantabria
Minería de Datos Árboles de Decisión Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Otoño de 2012 Twenty questions Intuición sobre los árboles de decisión Juego
Más detallesPLANEACIÓN AGREGADA VARIABLES Y CONSIDERACIONES DE UN PLAN AGREGADO
PLANEACIÓN AGREGADA -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Más detallesAjustes por funciones exponenciales (malthusiana) y sigmoidales (logística y gompertziana)
Fundamentos de Biología Aplicada I. Curso 009 010. Ajustes por funciones exponenciales malthusiana y sigmoidales logística y gompertziana El objetivo es aproximar una colección de datos obtenidos a partir
Más detallesTECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN
TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN FUNDAMENTOS CURSO DE DOCTORADO Dr. Ramón García-Martínez * * * CONTEXTO La inteligencia de negocio propone un abordaje interdisciplinario que tomando:
Más detallesIntel lanza su procesador Caballero Medieval habilitado para Inteligencia Artificial
Intel lanza su procesador Caballero Medieval habilitado para Inteligencia Artificial Intel ha lanzado su procesador Xeon Phi en la Conferencia Internacional de Supercomputación de Alemania. El procesador
Más detallesINTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES. Tecnología i3b
INTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES Tecnología i3b G R U P O I B E R M Á T I C A Introducción Objetivos Puntos de información y de estudio Tipos de análisis Análisis proactivo
Más detallesPROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y Cálculo de Analogías
PROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y Cálculo de Analogías Rafael Cano Instituto Nacional de Meteorología, CMT/CAS, Santander Antonio S. Cofiño
Más detallesAnálisis Dinámico de Sistemas
Análisis Dinámico de Sistemas 2º Ing. Telecomunicación Tema 1. Concepto de Sistema Octubre de 2003 Análisis Dinámico de Sistemas (2º Teleco, EPSIG) 1 Concepto de señal Señal: función de una o más variables
Más detallesIA Robótica. Agente y Entorno. Instituto de Computación Facultad de Ingeniería Universidad de la República
IA Robótica Agente y Entorno Instituto de Computación Facultad de Ingeniería Universidad de la República Agentes Introducción Paradigma Estructura Programas Introducción (1/4) Agente: es todo aquello que
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesSISTEMAS DE DETECCIÓN DE INTRUSOS EN LA PLATAFORMA NETFPGA USANDO RECONOCIMIENTO DE EXPRESIONES REGULARES.
Título del trabajo de grado: SISTEMAS DE DETECCIÓN DE INTRUSOS EN LA PLATAFORMA NETFPGA USANDO RECONOCIMIENTO DE EXPRESIONES REGULARES. Estudiante de Maestría: Antonio Lobo Director del Proyecto: Prof.
Más detallesTema 1: Introducción
Estadística Universidad de Salamanca Curso 2010/2011 Outline 1 Estadística 2 Outline 1 Estadística 2 La estadística es una ciencia que comprende la recopilación, tabulación, análisis e interpretación de
Más detallesRiesgos agroclimáticos
Riesgos agroclimáticos Antonio Mestre Jefe del Área de Climatología y Aplicaciones Operativas AEMET Esquema presentación Introducción: Las adversidades agrometeorológicas. Apoyo meteorológico y climático
Más detallesIntroducción. Alfonso Cubillos. Programa de Ing. Mecánica Universidad de Ibagué. Aplicaciones computacionales de la Mecánica de Materiales
Programa de Ing. Mecánica Universidad de Ibagué Aplicaciones computacionales de la Mecánica de Materiales Agosto 2007 Cuál es la definición de Mecánica? Cuál es la definición de Mecánica? La mecánica es
Más detallesIntroducción. Universidad Nacional Tecnológica del Cono Sur de Lima JORGE AUGUSTO MARTEL TORRES 1
Universidad Nacional Tecnológica del Cono Sur de Lima Especialidad Ingeniería Mecánica Ingeniería Electrónica Introducción PROGRAMACIÓN DE INGENIERÍA Semana 01-A: Introducción Arquitectura Ing. Jorge A.
Más detallesPrograma de actualización profesional ACTI.NET Desarrollo de aplicaciones locales y web con tecnología VB.NET
Programa de actualización profesional ACTI.NET Desarrollo de aplicaciones locales y web con tecnología VB.NET OBJETIVOS: Conocer de las bondades del paradigma de orientación a objetos en.net y su lenguaje
Más detallesDEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
Más detallesAPLICACIÓN RESERVA DE ESPACIOS
APLICACIÓN RESERVA DE ESPACIOS 1. INTRODUCCIÓN...4 2. DESCRIPCIÓN GENERAL...4 2.1. Desarrollo...4 3. Reserva de Espacios...5 3.1. Gestión de usuarios...5 3.2. Gestión de Entidades...6 3.3. Gestión de
Más detallesCAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS
CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS Descripción de la base de datos Como datos de entrenamiento, en este proyecto, se utilizó la base de datos ORL [1], la cual contiene un conjunto
Más detallesCAPITULO II ANÁLISIS DEL CRECIMIENTO POBLACIONAL Y CALCULO DE CAUDALES DE DISEÑO
9 CAPITULO II ANÁLISIS DEL CRECIMIENTO POBLACIONAL Y CALCULO DE CAUDALES DE DISEÑO 2.1 Criterios de diseño para el predimensionamiento de los sistemas de abastecimiento de agua 2.1.1 Período de diseño
Más detallesINSTITUTO DE INGENIERÍA DEL AGUA Y MEDIO AMBIENTE
GRUPO DE REDES HIDRÁULICAS Y SISTEMAS A PRESIÓN (REDHISP) INSTITUTO DE INGENIERÍA DEL AGUA Y MEDIO AMBIENTE Gestión eficiente el suministro de agua en redes de abastecimiento y Ayuda a la Toma de Decisiones
Más detallesCLASIFICACIÓN DE LA IMAGEN. Escuela de Ingeniería Civil y Geomática Francisco Luis Hernández Torres
CLASIFICACIÓN DE LA IMAGEN TÉCNICA QUE PERMITE LA IDENTIFICACIÓN DE LOS DIFERENTES OBJETOS O GRUPOS PRESENTES EN UNA IMAGEN MULTI-ESPECTRAL. MÉTODO NO SUPERVISADO MÉTODO SUPERVISADO El Desarrollo De Las
Más detallesx^new = x^old + K(b new A new x^old )
El Filtro de Kalman: La idea fundamental del filtro de Kalman es la actualización La llegada de una nueva observación supone un cambio en la mejor estimación mínimo cuatrática del parámetro x Se desea
Más detallesSimulación. Unidad I: Introducción n a la Simulación 1.1 Definiciones e importancia de la simulación n en la ingeniería
1.1 Definiciones e importancia de la simulación n en la ingeniería Simulación es una técnica numérica para conducir experimentos en una computadora digital, los cuales requieren de ciertos tipos de modelos
Más detallesInforme de Análisis y Diseño Proyecto: <nombre de proyecto>
UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA DEPARTAMENTO DE INFORMÁTICA Informe de Análisis y Diseño Proyecto: Curso: Profesor: Ayudantes: Marcello Visconti NN,NN Integrantes 9999999-9
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN ÁREA SISTEMAS INFORMÁTICOS.
TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN ÁREA SISTEMAS INFORMÁTICOS. HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Ingeniería de
Más detallesWelact 2
Sistema Electromecánico de Actuadores Lineales Índice 3 4 5 6 7 Introducción. Control Características. Aplicaciones. Especificaciones Familia de Equipos Welact Curvas características Codificación de los
Más detallesSERIES TEMPORALES. Isabel Molina Peralta. Departamento de Estadística Universidad Carlos III de Madrid. Roland Fried
SERIES TEMPORALES Isabel Molina Peralta Departamento de Estadística Universidad Carlos III de Madrid Roland Fried Department of Statistics Technique University of Dormund 1 CONTENIDO 0. Introducción. 1.
Más detallesAprendizaje basado en ejemplos.
Aprendizaje basado en ejemplos. In whitch we describe agents that can improve their behavior through diligent study of their own experiences. Porqué queremos que un agente aprenda? Si es posible un mejor
Más detallesTema 1. Introducción al Control Automático
Tema 1. Introducción al Control Automático Automática 2º Curso del Grado en Ingeniería en Tecnología Industrial Contenido Tema 1.- Introducción al Control automático 1.1. Introducción. 1.2. Conceptos y
Más detallesReducción del ruido y predicción de series temporales de alta frecuencia mediante sistemas dinámicos no lineales y técnicas neurales
Reducción del ruido y predicción de series temporales de alta frecuencia mediante sistemas dinámicos no lineales y técnicas neurales Diego G. Fernández 001-2014 1688-7565 Reducción del ruido y predicción
Más detallesMASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales
MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales 1 Objetivos del tema Conocer las limitaciones de los modelos lineales en problemas de modelización/ clasificación.
Más detallesPropuesta de EVALUACIÓN PSICOLÓGICA PARA BRIGADISTAS. Para GRUPO ENEL.
Propuesta de EVALUACIÓN PSICOLÓGICA PARA BRIGADISTAS Para GRUPO ENEL www.eseperu.com San Borja, 22 de Agosto del 2016 Señores: GRUPO ENDESA - ENEL San Miguel Atte.: Ing. Santos Amado Gerente De nuestra
Más detallesSistema de Coordinación Operacional Ambiental. Gabriel Arévalo Ma de los Ángeles Hanne Leandro Llanza Alejandra Alvarez Luis Felipe Mujica
Sistema de Coordinación Operacional Ambiental Gabriel Arévalo Ma de los Ángeles Hanne Leandro Llanza Alejandra Alvarez Luis Felipe Mujica Problemática - Soluciones Contaminación en Centros Mineros Problemática:
Más detallesPRINCIPIOS DEL MODELAJE DE SISTEMAS (Parte 1)
27 de Abril de 2015 PRINCIPIOS DEL MODELAJE DE SISTEMAS (Parte 1) Postgrado de Investigación de Operaciones Facultad de Ingeniería Universidad Central de Venezuela Análisis y Diseño de Sistemas José Luis
Más detallesSILABO DE LA ASIGNATURA INGENIERIA DEL SOFTWARE
a) Datos Informativos SILABO DE LA ASIGNATURA INGENIERIA DEL SOFTWARE A. Centro de Formación Superior : Universidad Mayor de San Andrés A2. Facultad : Ciencias Puras y Naturales A3. Unidad Académica :
Más detallesRequerimientos de Software
Requerimientos de Software Ingeniería de Requerimientos Se define como el proceso de establecer los servicios que el consumidor requiere de un sistema y las restricciones sobre las cuales de funcionar
Más detallesPerceptrón Multicapa. Aplicaciones
Perceptrón Multicapa Aplicaciones Perceptrón Multicapa Para qué se puede usar un perceptrón multicapa? Aproximación de funciones Clasificación Compresión Radiación solar Peligro Calma Datos originales
Más detallesAnálisis y Diseño de Sistemas
Análisis y Diseño de Sistemas Dpto. Ciencias e Ingeniería de la Computación Universidad Nacional del Sur Clase 10 Modelo Dinámico Lic. María Mercedes Vitturini [mvitturi@cs.uns.edu.ar] 1er. CUATRIMESTRE
Más detallesRepresentación en el espacio de estado. Sistemas Control Embebidos e Instrumentación Electrónica UNIVERSIDAD EAFIT
Representación en el espacio de estado Representación en espacio de estado Control clásico El modelado y control de sistemas basado en la transformada de Laplace, es un enfoque muy sencillo y de fácil
Más detallesCAPITULO 1: GENERALIDADES SOBRE LOS ESTADOS FINANCIEROS.
CAPITULO 1: GENERALIDADES SOBRE LOS ESTADOS FINANCIEROS. TEMA 1: ESTADOS FINANCIEROS CONTENIDO: Objetivos, clasificación. Estados financieros básicos y secundarios; normales y especiales, estáticos y dinámicos,
Más detallesIA con RARS. Miguel Ángel Herranz Trillo Juan Ramón Martín Blanco. Práctica Final de IRC
Práctica Final de IRC Introducción a RARS RARS (Robot Auto Racing Simulator) Simulador de carreras de coches de código abierto. Útil como entorno para experimentación en inteligencia artificial. Física
Más detallesCircuitos de Corriente Continua
Fundamentos Físicos y Tecnológicos de la Informática Circuitos de Corriente Continua -Elementos activos de un circuito: generadores ideales y reales. Equivalencia de generadores. -Potencia y energía. Ley
Más detallesMICROSOFT EXCEL 2010
MICROSOFT EXCEL 2010 1. AVANZADO Nº Horas:24 Objetivos: Descripción de funciones avanzadas de la hoja de cálculo Microsoft Excel 2010, viendo el uso de fórmulas, funciones y gráficos en los libros de Excel.
Más detallesValor agregado del razonamiento cuantitativo en los Programas de Economia en Colombia
III Encuentro de Profesores de Economia Rionegro, Antioquia 2015 Valor agregado del razonamiento cuantitativo en los Programas de Economia en Colombia Ramiro Rodríguez Revilla 03.09.15 CONTENIDO 1. Motivación
Más detallesSERVICIO NACIONAL DE APRENDIZAJE SENA SISTEMA INTEGRADO DE GESTIÓN Procedimiento Ejecución de la Formación Profesional Integral GUÍA DE APRENDIZAJE
Código: F004-P006- GFPI Nº 23 1. IDENTIFICACIÓN DE LA GUIA DE APRENDIZAJE Programa de Formación: Técnico en programación de software Código:228120 Versión: 102 Nombre del Proyecto: SISTEMA DE INFORMACIÓN
Más detallesI.E.F.P.S. REPÉLEGA G.L.H.B.I. ESPECIFICACIONES DE CURSOS DE CATÁLOGO MODULAR Pág. 1/3
ESPECIFICACIONES DE CURSOS DE CATÁLOGO MODULAR Pág. 1/3 1. REFERENTE DE LA FORMACIÓN PREPARADO: J.U.I. REVISADO: R.S.G APROBADO: A.A.A. FECHA: 15-09-09 FECHA: 16-09-09 FECHA: 17-09-09 ESPECIFICACIONES
Más detallesINFORMACION PRELIMINAR DEL HELE SHAW HELE SHAW MODELO HS
1 INFORMACION PRELIMINAR DEL HELE SHAW HELE SHAW MODELO HS1-50-01 1. INTRODUCCIÓN Este es un instrumento que permite simular fenómenos y diferentes condiciones en modelos bidimensionales, Fue creado por
Más detallesTema 2 Introducción a la Programación en C.
Tema 2 Introducción a la Programación en C. Contenidos 1. Conceptos Básicos 1.1 Definiciones. 1.2 El Proceso de Desarrollo de Software. 2. Lenguajes de Programación. 2.1 Definición y Tipos de Lenguajes
Más detallesMATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO DE EXAMEN CURSO 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
Más detallesTEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte)
TEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte) Francisco José Ribadas Pena Modelos de Razonamiento y Aprendizaje 5 Informática ribadas@uvigo.es 17 de abril de 2012 FJRP ccia [Modelos
Más detallesPrograma de estudios por competencias Métodos Matemáticos II. Fecha elaboración/modificación: Julio 2015 Clave de la asignatura:
Programa de estudios por competencias Métodos Matemáticos II 1. Identificación del curso Programa educativo: Ingeniería en Computación Unidad de aprendizaje: Métodos Matemáticos II Departamento de adscripción:
Más detallesUniversidad Rey Juan Carlos Facultad de CC. Jurídicas y Sociales (Campus de Vicálvaro)
Universidad Rey Juan Carlos Facultad de CC. Jurídicas y Sociales (Campus de Vicálvaro) CURSO 2009-2010 Titulación: DIPLOMATURA EN CIENCIAS EMPRESARIALES Órgano responsable de la docencia: ECONOMÍA FINANCIERA
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
Más detallesSolución RFID para el Registro Público Vehicular
Solución RFID para el Registro Público Vehicular Digilogics, S.A. de C.V. Prado Norte 325 C, Col. Lomas de Chapultepec. Del. Miguel Hidalgo. Tels +52 55 6395 8036/37/38 info@digiligics.com.mx www.digilogics.com.mx
Más detalles2. METODOLOGÍA. Los tipos fundamentales de Estudios de Investigación, como nos recuerda Bavaresco, son cuatro:
2. METODOLOGÍA Para llevar a cabo este estudio es necesario utilizar una metodología de investigación, debido a que el no contar con los métodos y técnicas necesarias que nos guíen a través de una investigación
Más detalles2. SEÑALES Y SISTEMAS DISCRETOS EN EL TIEMPO. Una señal puede ser definida como una portadora física de información. Por ejemplo,
2. SEÑALES Y SISTEMAS DISCRETOS EN EL TIEMPO Una señal puede ser definida como una portadora física de información. Por ejemplo, las señales de audio son variaciones en la presión del aire llevando consigo
Más detallesEVALUACIÓN DE LA INSERCIÓN LABORAL
Oficina de Evaluación de la Calidad EVALUACIÓN DE LA INSERCIÓN LABORAL Ángel Manuel Patiño García Jesús Santos del Cerro TAMAÑOS POBLACIONES Y MUESTRALES GENERALES DE LA UNIVERSIDAD TAMAÑO POBLACIONAL
Más detallesSelección de fuentes de datos y calidad de datos
Selección de fuentes de datos y calidad de datos ESCUELA COMPLUTENSE DE VERANO 2014 MINERIA DE DATOS CON SAS E INTELIGENCIA DE NEGOCIO Juan F. Dorado José María Santiago . Valores atípicos. Valores faltantes.
Más detallesM ÉTODO DE MUESTREO DE GEOSINTÉTICOS PARA ENSAYOS I.N.V. E
M ÉTODO DE MUESTREO DE GEOSINTÉTICOS PARA ENSAYOS I.N.V. E 908 07 1. OBJETO 1.1 Esta práctica cubre dos procedimientos para el muestreo de geosintéticos para ser ensayados. Se requiere que las instrucciones
Más detallesInstituto Schneider Electric de Formación
Unity Pro & M340 Capítulo 1: Introducción a Unity Pro con Modicon M340 Introducción a Unity Pro A - Presentación de Unity Pro p. 3 B - Unity Pro p. 8 C - Consejos generales para desarrollar una aplicación
Más detallesInteligencia Artificial
Inteligencia Artificial Practica 2. (5 semanas) Rubén Cárdenes Almeida Redes neuronales. Introducción Las Redes Neuronales Artificiales (RNA) están inspiradas en la biología, esto significa que están formadas
Más detallesAnexo 10. Pruebas verificadas
1 Anexo 10. Pruebas verificadas Introducción El proceso de pruebas inició con una revisión conceptual para la identificación de las pruebas por realizar, a partir de las características del proyecto. En
Más detallesUNIVERSIDAD NACIONAL DE ASUNCIÓN
UNIVERSIDAD NACIONAL DE ASUNCIÓN Facultad de Ciencias Químicas Carrera de Ingeniería Química 21 de junio 2010 TRABAJO FINAL DE GRADO Carlos Domingo Mendez Gaona CONTENIDO Motivación y planteamiento del
Más detallesEvaluación del impacto económico en el sector energético dado por los embalses para riego existentes en la cuenca de aporte a Rincón del Bonete
Trabajo de fin del curso SimSEE 2, Grupo 1, pág 1/9 Evaluación del impacto económico en el sector energético dado por los embalses para riego existentes en la cuenca de aporte a Rincón del Bonete Magdalena
Más detallesWeb GIS y Big Data en los análisis de tendencias y comportamientos
Con mapas se dice mejor Web GIS y Big Data en los análisis de tendencias y comportamientos Edwin Roa Reinaldo Cartagena #esriccu Introducción Web GIS & Big Data Big Data para apoyar un nivel de toma de
Más detallesde Operaciones Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación Profesor: I.S.C. Guadalupe Hernández Coca
Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación de Operaciones Profesor: I.S.C. Guadalupe Hernández Coca Periodo: Julio Diciembre 2011 Keywords: investigation of operations,
Más detallesCAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS
Capitulo 6. Sistema de Detección de Intrusos con Redes Neuronales. 69 CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS USANDO REDES NEURONALES. En este capítulo se realiza la preparación adecuada de toda la
Más detalles1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2.
1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. GENERALIDADES SOBRE LAS TÉCNICAS DE INVESTIGACIÓN SOCIAL Y DE MERCADOS
Más detallesPROGRAMACION CONCURRENTE Y DISTRIBUIDA
PROGRAMACION CONCURRENTE Y DISTRIBUIDA V.2 Redes de Petri: Análisis y validación. J.M. Drake 1 Capacidad de modelado y capacidad de análisis El éxito de un método de modelado es consecuencia de su capacidad
Más detallesInformación importante
Coordinación de Matemática I (MAT01) 1 er Semestre de 010 Semana 7: Lunes 3 viernes 7 de Mayo Información importante El proceso de apelación del primer certamen comienza esta semana. Los cuadernillos los
Más detallesMODELO DIDÁCTICO PLANIFICACIÓN POR COMPETENCIAS A TRAVÉS DE CUADRANTES
MODELO DIDÁCTICO PLANIFICACIÓN POR COMPETENCIAS A TRAVÉS DE S PROPÓSITO Interpretar la estructura metodológica de la Planificación a través de cuadrantes didácticos para su aplicación eficaz en el proceso
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesIntroducción a la Ingeniería Audiovisual Examen de Enero de Nombre:... DNI...
UNIVERSIDAD DE CASTILLA LA MANCHA Escuela Universitaria Politécnica de Cuenca Ingeniería Técnica de Telecomunicación (Especialidad de Sonido e Imagen) Introducción a la Ingeniería Audiovisual Examen de
Más detallesBig Data para Inteligencia Criminal
Big Data para Inteligencia Criminal Tecnología de datos basadas en geolocalización para mejorar el análisis de la información y potenciar la Inteligencia Criminal Fernando Aliaga Impronta IT S.A. 12 de
Más detallesDefinición de los procedimientos para la recogida y análisis de la información sobre la inserción laboral
Página: 1 de 8 : recogida y análisis de la información 1. Objeto 2. Alcance 3. Responsabilidades 4. Descripción del procedimiento 5. Flujograma 6. Indicadores de seguimiento, control y evaluación 7. Glosario
Más detallesWorkshop Rebiun Proyectos Digitales. Valencia 7 y 8 de Octubre de 2010
Análisis de las colecciones digitales mediante una aplicación informática específica: la experiencia de la Universidad de Salamanca Lourdes Gutiérrez Palacios Universidad de Salamanca Workshop Rebiun Proyectos
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesXII Congreso de Confiabilidad Cádiz 2010 AUTOMATIZACIÓN DEL DISEÑO DE SISTEMAS ELECTRÓNICOS CON ESPECIFICACIONES DE FIABILIDAD
XII Congreso de Confiabilidad Cádiz 2010 AUTOMATIZACIÓN DEL DISEÑO DE SISTEMAS ELECTRÓNICOS CON ESPECIFICACIONES DE FIABILIDAD Jorge Marcos, Félix Santiago, Diego Bóveda Índice Introducción Motivación
Más detallesFuentes de Información. Importancia en la identificación de las necesidades de información.
Fuentes de Información. Importancia en la identificación de las necesidades de información. Msc. María de las Mercedes Fernández Valdés. Dr. Roberto Zayas Mujica Msc. Ileana Alfonso Sánchez Todo debe simplificarse
Más detallesSICRES 3.0 Presentación Ejecutiva
Presentación Ejecutiva 1 Antecedentes: El estándar SICRES 2.0 es una norma para el intercambio de asientos registrales aprobada en 1999 por el entonces Consejo Superior de Informática (actualmente Consejo
Más detallesMODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES
MODELOS BIOESTADISTICOS EN LA INGENIERÍA EN ALIMENTOS MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES CONTENIDO: Glosario de Términos Introducción Objetivos
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más detallesBases del filtro de Kalman
Bases del filtro de Kalman Rafael Molina Soriano Depto Ciencias de la Computación e IA Universidad de Granada Rafael Molina Bases del filtro de Kalman 1 Contenidos! Introducción.! El filtro de Kalman "
Más detallesPROCEDIMIENTO DE COMUNICACIÓN INTERNA DE RIESGOS
PROCEDIMIENTO DE COMUNICACIÓN INTERNA DE RIESGOS CAJA RURAL DE TERUEL Principales Informes de Gestión Para minimizar los distintos niveles de Riesgos a los que está sometida la Caja se realizan diversos
Más detallesCUADRO DE MANDO PARA LA ALTA DIRECCIÓN EN EL MINISTERIO DE FOMENTO
CUADRO DE MANDO PARA LA ALTA DIRECCIÓN EN EL MINISTERIO DE FOMENTO Jefe de Proyecto BGS Online Consultores Subdirector General de Tecnología y Sistemas de la Información Ministerio de Fomento Asesor Área
Más detallesREDES AUTOORGANIZATIVAS II
Tema 5: Redes Autoorganizativas Sistemas Conexionistas 1 REDES AUTOORGANIZATIVAS II 1. Leyes de Grossberg. 1.1. Red de Contrapropagación. - Estructura. - Funcionamiento. - Limitaciones y Ventajas. 2. Teoría
Más detallesIN42A-03 Karla Carrasco J. Construcción Flujo de Caja Parte III
Evaluación de Proyectos IN42A-03 Karla Carrasco J. Construcción Flujo de Caja Parte III Flujo de Caja y su Estructura Consideraciones Generales Estructura del Flujo de Caja Algunas Recomendaciones Otra
Más detallesINTERNET EN EL MINISTERIO DE AGRICULTURA, PESCA Y ALIMENTACION Y SU APLICACIÓN AL MEDIO RURAL
INTERNET EN EL MINISTERIO DE AGRICULTURA, PESCA Y ALIMENTACION Y SU APLICACIÓN AL MEDIO RURAL SECRETARIA GENERAL TECNICA SUB. GRAL. INFORMATICA Y COMUNICACIONES 14 de Octubre de 2004 1 ARQUITECTURA Características
Más detallesUNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES FACULTAD DE CIENCIAS DE LA SALUD
UNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES FACULTAD DE CIENCIAS DE LA SALUD CARRERA: ADMINISTRACION DE SERVICIOS DE SALUD MATERIA: INFORMATICA CURSO: 1 AÑO CURSO LECTIVO: SEGUNDO CUATRIMESTRE 2015
Más detallesInstituto Tecnológico Metalmecánico. pág 1
Instituto Tecnológico Metalmecánico pág 1 VALIDACIÓN TECNOLÓGICA SEGÚN LA NORMA EN-1090. U.E.N. Ingeniería de Producto pág 2 AIMME. Unidad de Ingeniería de Producto Impulsar la mejora de la competitividad
Más detallesMANUAL PARA GESTIÓN DE METADATOS
MANUAL PARA GESTIÓN DE Los metadatos proporcionan información acerca de los datos. Describen un producto permitiendo conocer toda la información necesaria para definir si son adecuados o no para cierto
Más detallesPoblaciones multietáneas
: Estado biológico Dinámica de poblaciones: crecimiento de poblaciones multietáneas José Antonio Palazón Ferrando palazon@um.es http://fobos.bio.um.es/palazon Departamento de Ecología e Hidrología Universidad
Más detallesCurso Superior de Creación de Modelos de Simulación con Vensim
Curso Superior de Creación de Modelos de Simulación con Vensim Distribuidor Oficial Vensim OBJETIVO Curso para aprender con rapidez la creación de modelos de simulación dinámica con Vensim. DIRIGIDO A
Más detallesDEFINICIONES Y CONCEPTOS (SISTEMAS DE PERCEPCIÓN - DTE) Curso
DEFINICIONES Y CONCEPTOS (SISTEMAS DE PERCEPCIÓN - DTE) Curso 2009-10 1. Generalidades Instrumentación: En general la instrumentación comprende todas las técnicas, equipos y metodología relacionados con
Más detalles