Introducción. Reproducción
|
|
- Felipe Cano Naranjo
- hace 7 años
- Vistas:
Transcripción
1 Introduccón Muchos organsmos bológcos poseen sstemas muy sofstcados de reconocmento de patrones (RP). La sofstcacón de estos sstemas se debe a que ofrecen ventajas de tpo evolutvo. Supervvenca Reconocmento de almentos. Reconocmento de depredadores. Reproduccón Reconocmento de parejas. Reconocmento de la descendenca. Hpótess: La capacdad de los organsmos bológcos para el RP se debe a la estructura del cerebro. Reconocmento Neuronal de Patrones Intentar reproducr las capacdades bológcas de RP medante modelos cerebrales
2 El Cerebro: Cómo funcona? (1) Estructura del cerebro: El cerebro está compuesto de unas células denomnadas neuronas nterconectadas (Ramón y Cajal, 1911) Hay un gran número de neuronas e nterconexones entre ellas: El número de neuronas es del orden de (del msmo orden que el número de estrellas en la Vía Láctea). Cada una tene del orden de 10 3 conexones. Son más lentas que los ordenadores: El tempo de un cclo en el ordenador es del orden de 10-9 segundos mentras que en las neuronas es del orden de La velocdad de transmsón de la nformacón en las neuronas es de m/seg. (10 6 veces más lento que un ordenador) El elevado número de neuronas compensa la lenttud del procesamento. En el sstema vsual humano las tareas de reconocmento llevan del orden de 0.1 a 0.2 segundos. Algo nalcanzable para los ordenadores actuales Cajal, S. R. (1911). Hstologe du Système Nerveux de l Homme et des Vertébrés, L. Azoulay, trans. Pars: Malone.
3 El Cerebro: Cómo funcona? (2) Estructura de una neurona: Las neuronas se componen de: Soma: cuerpo de la célula, contene el núcleo. Dendrtas:varas fbras de entrada Axón: una únca fbra de salda Snapss: unón del axón y la dendrta. Cada neurona forma snapss con otras neuronas. Arborzacón Axonal Snapss Axón de otra neurona Dendrta Axón Núcleo Snapss Soma Estructura de una neurona
4 El Cerebro: Cómo funcona? (3) Operacones de las neuronas bológcas Una neurona recbe nformacón en forma de pulsos eléctrcos, los procesa y los envía a las neuronas vecnas. Los pulsos eléctrcos provenentes de otras neuronas vajan a través sus axones. Cuando los pulsos recbdos elevan lo sufcente el potencal eléctrco en una snapss se segregan neurotransmsores que provocan el cambo del potencal eléctrco de la dendrta. La snapss es la responsable del tpo de cambo de potencal (aumento o dsmnucón) así como de su magntud. Cada uno de los potencales generados en las dendrtas se dfunde en el soma. En el soma se suman los efectos de mles de estos potencales. S la suma excede un certo umbral la neurona genera un pulso a través de su axón haca otras neuronas Soma Axón Dendrta Snapss Conexones Neuronales Organzacón de las neuronas en el cortex vsual
5 El Cerebro: Cómo funcona? (4) Plastcdad Neuronal Se cree que las snapss son las prncpales responsables del aprendzaje. Las snapss del cerebro pueden crearse o modfcarse medante aprendzaje (plastcdad neuronal). En las prmeras etapas del desarrollo del cerebro humano el factor fundamental del aprendzaje es la creacón de nuevas snapss (En los prmeros dos años de vda se forman aproxmadamente 10 6 snapss por segundo). En un adulto el factor fundamental de aprendzaje es la modfcacón de las snapss exstentes (aunque sguen creándose nuevas conexones snáptcas entre las neuronas). Este proceso contnuo de readaptacón cerebral es el responsable de la toleranca a fallos (muerte de neuronas) del cerebro.
6 Redes Neuronales (RN) Las RN son un modelo (extremadamente) smplfcado del cerebro. El modelado ayuda a evtar los detalles no esencales Nos permte aplcar las herramentas matemátcas Proporcona la esperanza de que la comprensón de un modelo básco ayude en el estudo de un modelo más complejo. Se sabe que los modelos de RN actuales no son correctos (por ejemplo se trabaja con señales contnuas y no con pulsos). Una RN está compuesta por una gran cantdad de nodos smples (neuronas) nterconectados y que operan en paralelo. Una Red Neuronal (RN) se caracterza por: Nodos: característcas y propedades. Arqutectura: la forma de conexón de los nodos Pesos: fuerza de las conexones entre los nodos. Plastcdad: regla de modfcacón (aprendzaje) para los pesos
7 Modelos Neuronales: Undades (1) Funconamento de una undad: Recbe las entradas de otras neuronas multplcadas por los pesos. Combna las entradas medante una funcón de combnacón Esta combnacón se pasa a una funcón de actvacón que calcula la actvacón de la undad. Esta actvacón se envía a las undades a las que se conecta. Analogías: Neurona: Undad Dendrta: Conexones Cuerpo: Funcón de Combnacón, Funcón de actvacón. Axón: Conexón a otras neuronas Pulso: Salda de la neurona Snapss: Pesos de la conexón Pesos Neurona bológca y neurona formal Funcón de Funcón de Combnacón Actvacón
8 Modelos Neuronales: Undades (2) Funcón de combnacón: Suele ser la suma de las entradas Funcón de actvacón t : Las más utlzadas son: Umbral + 1 t( x) = 1 x x 0 < 0 Tang. Hperbólc a e t( x) = e x x e + e -x -x Logístca 1 t( x) = 1+ exp( x) Lneal ( x ) = t Funcones de Actvacón x
9 Modelos Neuronales:Arqutecturas Se pueden encontrar dos tpos fundamentales de arqutecturas Redes con Propagacón haca delante Las undades se dvden en: Undades de entrada: Recben los datos del entorno Undades de salda: Devuelven los resultados de la red al entorno Undades ocultas: Sn relacón drecta con el entorno No se permten cclos en las conexones entre las undades Las undades suelen estar dspuestas en capas. Las undades de cada capa recben nformacón de la capa anteror y la envían a la sguente. Redes Recurrentes Se permten cclos en las conexones. Las propedades dnámcas (convergenca) son mportantes. Son más realstas desde el punto de vsta bológco. Entrada Salda Salda Entrada Red con Propagacón haca delante Red recurrente
10 Modelos Neuronales: Aprendzaje A dferenca del ordenador las RN no se programan para realzar las tareas requerdas. El aprendzaje se lleva a cabo medante la modfcacón de los pesos de las conexones. El aprendzaje en las RN puede ser: Supervsado: Se muestra a la red los datos de entrada y las saldas deseadas. El objetvo es que la red genere las saldas deseadas para los datos de entrada No Supervsado: Se entrena a la red para que encuentre agrupacones en los datos de entrada Se pueden encontrar dversos métodos para realzar el aprendzaje en RN: Supervsado: Regla de Hebb, Retropropagacón, etc. No Supervsado: Regla de Kohonen, Cuantzacón Vectoral, etc.
11 El Perceptrón (1) Desarrollado por Rosenblatt (1962) Modelo Neuronal: Undades: Funcón de combnacón:suma + 1 t( h) = 1 h 0 h < 0 Funcón de actvacón τ: de tpo umbral Este tpo de undad fue el prmer modelo formal de neurona (McCulloch y Ptts, 1944) Arqutectura: Red de propagacón haca delante con dos capas. x 0 =1 x 1 w 0 w 1 h = d = 0 w x z= τ (h) z w d x d Representacón de un perceptrón
12 El Perceptrón (2) De forma matemátca: T ( w x), d 1 t 0 z( x) = t = = w j x j t t ( h) j = 0 1 t < 0 La salda del perceptrón se obtene multplcando las entradas por los pesos y devolvendo +1 s el resultado es postvo o nulo y 1 s es negatvo. Clasfcacón con el Perceptrón. Dado un vector de característcas x s la salda del perceptrón z(x) es postva o nula se asgna a la prmera clase s es negatva a la segunda. El Perceptrón no es más que un caso especal de funcón dscrmnante lneal. Representacón gráfca w 0 w 1 w d... x 0 =1 x 1 x d Por tanto, las fronteras de decsón que genera son lneales.
13 Entrenamento del Perceptrón (1) El entrenamento del Perceptrón dfere de las FDL usuales. La razón es debda a que el método del gradente no se puede aplcar de forma drecta porque la funcón de transferenca (umbral) no es dferencable. El entrenamento del Perceptrón se realza calculando el mínmo de una funcón de error. Representaremos el sgno deseado para cada elemento del conjunto de entrenamento como: y = 1 s x w 1, y = -1 s x w 2 Para que todo el conjunto de entrenamento esté ben clasfcado es necesaro que el sgno deseado y el obtendo z(x ) concdan. Se defne entonces la funcón de error: E P n ( w) = d w x = 1 T x y d d es la muestra de H es el sgno deseado del perceptrón para x es ladferenca entre lasalda deseada y = y z( x ) : y 1 = 1 y la obtenda x x z( x w w ) : 1 2
14 Entrenamento del Perceptrón (2) Qué mde la funcón de error? Cada uno de los térmnos de la suma es: -δ w T x S la salda deseada y la obtenda concden el sumando es nulo. S la salda deseada y la obtenda no son guales el sumando anteror vale: -2y w T x. Ya vmos en el tema anteror s un elemento está mal clasfcado entonces y w T x <0. Por tanto cada térmno mal clasfcado suma un valor postvo. Optmzacón E P (a) Se basa en aplcar el método del gradente a la nueva funcón de error. Entrenamento por época: ( r + 1) ( r ) w = w + r d x Entrenamento por muestra: ( r + 1) ( r ) w = w + r d x r r x 1 x 3 x2 - x3 x 1 - x 3 Optmzacón por el método del perceptrón
15 Convergenca del Algortmo del Perceptrón El algortmo converge en un número fnto de pasos sempre que: El conjunto de entrenamento sea lnealmente separables (en cuyo caso proporcona una solucón que los separa) La sucesón de parámetros de entrenamento ρ r sea constante ρ r =ρ o la sucesón de parámetros de entrenamento ρ r sea varable y cumpla: r r n 0, lm r =, lm r n r = 1 r n n r = 1 2 r < Un ejemplo de sucesón que cumple esas condcones es la: 1 = r r r
16 Perceptrón: Extensones El caso no separable lnealmente Se obtene la solucón con menor número de errores de clasfcacón con probabldad 1 medante el algortmo del bolsllo (Gallant 1990) Paso 0 Incalzar el vector de pesos w 0 aleatoramente. Guardar un vector ncal de pesos w opt y un contador c opt Paso 1 Calcular el vector de pesos w (r) con la regla del perceptrón y comprobar el número c de elementos que están clasfcados correctamente Paso 2 S c>c opt reemplazar w opt con w (r) y c opt con c. Ir al paso 1 Caso multclase: Medante la construccón de Kesler. Otras funcones de actvacón t Con τ lneal se obtene el modelo de regresón lneal (Tema 4) Con τ logístca se obtene el modelo de regresón logístca (Tema 4) Caso no lneal Colocar varas capas de neuronas para obtener un clasfcador no lneal
17 Perceptrón Multcapa Un Perceptrón es un tpo de Funcón Dscrmnante Lneal Por tanto genera fronteras de decsón lneales Para problemas de clasfcacón más complejos se necesta un clasfcador capaz de generar fronteras de decsón no lneales. Solucón: Colocar varas capas de neuronas. Así se obtene el denomnado Perceptrón Multcapa. Capa de Salda Capa Oculta Capa de Entrada Perceptrón multcapa
18 Capacdad de Representacón Un Perceptrón Multcapa (PMC) con funcón de actvacón de tpo umbral: Con una capa genera regones de decsón conexas cuya frontera de decsón es lneal. Con dos capas puede generar regones de decsón conexas cuyas fronteras son lneales. Con tres capas genera regones de decsón arbtraras. Perceptrón multcapa y regones de decsón Un PMC con funcón de actvacón sgmodal (logístca, tangente hperbólca): Con dos capas puede aproxmar cualquer funcón contnua (y por tanto cualquer frontera contnua) con precsón arbtrara con un número sufcentemente grande de nodos en la capa oculta.
19 PMC: Ejemplo Un perceptrón de 2 capas que resuelve el problema del XOR x 2 z z -1/ x z 1 1-1/2-3/ Transformacón de las entradas x 0 =1 x 2 x 1 Perceptrón de dos capas con funcón de actvacón de tpo umbral τ(x)=1, x 0 ; τ(x)=0, x<0 x 2 1 z /2 1 x 1 0 1/2 0 1 Representacón gráfca de las regones de decsón (que no son acotadas) z 1
20 PMC y FDL generalzadas Smltudes En prncpo puede parecer que un PMC es un caso especal de una FDL generalzada donde las capas anterores a la últma generan los valores de las funcones φ. z z -1/ /2-3/ φ 0 (x 0,x 1,x 2 ) = 1 φ 1 (x 0,x 1,x 2 ) = τ(x 1 +x 2 - x 0 /2) φ 2 (x 0,x 1,x 2 ) = τ(x 1 +x 2-3x 0 /2) -1/2 1-1 τ(x)=1, x 0 τ(x)=0, x<0 1-1/2-3/ x 0 =1 x 2 x 1 x 0 =1 x 2 x 1 Dferencas En las FDL generalzadas las funcones φ no varían con el proceso de aprendzaje. En el PMC las funcones φ se adaptan a los datos proporconando su transformacón óptma para la clasfcacón. Esto hace que en el PMC el error de aproxmacón decrezca mucho más rápdo que para funcones φ fjas como polnomos y otras.
21 Aprendzaje en el PMC Aprendzaje en el PMC La presenca de undades ocultas hace complejo el aprendzaje. El aprendzaje de los pesos de la capa oculta a la de salda es fácl. La capa oculta proporcona las característcas transformadas. El problema que queda es el aprendzaje de una funcón dscrmnante lneal El aprendzaje de los pesos de la capa de entrada a la oculta es dfícl. Estos pesos transforman los datos de entrada de forma óptma para clasfcarlos. El método más extenddo de aprendzaje en el PMC es el BackPropagaton o RetroPropagacón (RPR). Es un método de aprendzaje supervsado basado en el método del gradente que mnmza una funcón de error entre las saldas deseadas por la red y las saldas obtendas. Requere una funcón de actvacón dferencable.
22 Aprendzaje medante RPR Funcones de error más usuales: Regresón: Funcón de error: Error Cuadrátco Medo: E ECM n ( y z( x ; )) 1 ( w) = w 2 donde y es la salda deseada para x y z(x ;w) es la salda de la red para x con el conjunto de pesos w. Clasfcacón: Insprados en la regresón logístca se asume que la probabldad a posteror de la clase se escrbe como: P( w y se maxmza la verosmltud de los datos. O de forma equvalente se mnmza la entropía cruzada: n 1 x w1 EENT( w) = ( y lnz( x, w ) + (1 y )ln(1 z( x, w ))), y = = 1 0 x w2 = 1 1 x; w) = = t(-y 1+ exp(-y z( x; w )) L = p( H w ) = P( x, w) n k= 1 y k k z( x; w)), 2 y 1 = -1 para w para w 1 2
23 Algortmo RPR Esquema general: Entrenamento por época Paso 1 Para cada elemento del conjunto de entrenamento Paso 2 Calcular el ncremento en los pesos debdo a ese elemento» Propagar haca delante los datos» Propagar haca detrás los errores Actualzar los pesos añadendo los ncrementos debdo a cada uno de los elementos. Paso 3 Parar s se verfca una regla de parada (por ejemplo el ncremento de los pesos está por debajo de un umbral). En otro caso volver al paso 1. Entrenamento por muestra Se actualzan los pesos en cuanto se calcula el ncremento debdo a un elemento.
24 Algortmo RPR Cálculo del ncremento en los pesos debdo a un elemento del conjunto de entrenamento x con salda deseada y. Llamaremos e a la entrada de una neurona y s= τ(e) a su salda. Propagacón haca delante de los datos Obtener z=s salda la salda de la red para x con el conjunto actual de pesos w (r) Propagacón haca atrás de los errores Obtener el error de la neurona de salda: E ECM : δ salda =(y z) τ (e salda ) E ENT : δ salda =(y z ). (Utlzando como funcón de transferenca en la neurona de salda la sgmode logístca)» τ (e ntermeda, )= s ntermeda, (1- s ntermeda ) para la funcón logístca» τ (e ntermeda, )= 1- (s ntermeda ) 2 para la tangente hperbólca» τ (e ntermeda, )=1 para la funcón dentdad Para cada neurona ntermeda calcular su error como: δ ntermeda = δ salda w ntermeda,salda τ (e ntermeda ) donde w ntermeda,salda es el peso que une la neurona ntermeda con la de salda. El ncremento del peso de cada enlace debdo a x es el producto del parámetro de aprendzaje ρ r por el valor del δ de la neurona a la que apunta y por el valor de salda s de la neurona de la que parte.
25 Algortmo RPR:Ejemplo de teracón Problema del XOR. Funcón de transferenca logístca Propagacón haca delante Propagacón haca detrás z= δ=1-0.44=0.66 w=ρ w=ρ y= w=ρ / δ=0.66 (-1/2)=-0.33 δ=0.66 (-1) =-0.16 δ= = w=ρ /2-3/ x 1 x 0 =1 x 2 x 0 =1 x 1 x 2 w=ρ (-0.16) 0
26 El RPR como preprocesador óptmo Interpretacón de un PMC Ya se ha comentado que la últma capa de un PMC es una FDL y que las capas anterores se encargan de transformar el espaco orgnal de característcas. Interpretacón de las capas ntermedas en el PMC Buscan la transformacón óptma del espaco de característcas para pasársela a la FDL de la últma capa. z 2 Ejemplo En la fgura se muestra la evolucón de la transformacón de los datos (valores (0,0) de salda de la capa ntermeda) para el (0,1) problema del XOR para un PMC. (1,0) Para ello se muestran los valores de la (1,1) capa ntermeda para (0,0), (1,0), (0,1) y (1,1). Gráfco de: Rchard O. Duda, Peter E. Hart, and Davd G. Stork, Pattern Classfcaton. Copyrght (c) 2001 por John Wley & Sons, Inc. Aprendzaje del preprocesamento z 1
27 Extensones del RPR El algortmo anteror se puede extender: A más de dos clases Para ello se coloca una neurona en la capa de salda por clase. S e es la entrada a la neurona de la capa de salday s j = τ(e j ) a su salda. La funcón de transferenca de cada neurona para problemas de clasfcacón debe ser: La clase ganadora es aquella para la que se obtene el mayor valor de salda en su neurona correspondente. A más de una capa oculta A dstntas funcones de transferenca A un parámetros de entrenamento por peso
28 Aspectos Práctcos del RPR (1) Utlzar el entrenamento por muestra Suele converger mucho más rápdo Suele proporconar mejores solucones Aleatorzar el orden de presentacón de los patrones en el entrenamento por muestra. A este tpo de entrenamento se le llama estocástco Reescalar las entradas Hacer que las entradas tengan meda 0 y varanza 1 Número de capas Puesto que dos capas son sufcentes para representar cualquer funcón éste suele ser su número. Un número de mayor de capas puede utlzase para efectuar algún preprocesamento explícto. De forma empírca se observa que un mayor número de capas hace que el RPR sea más propenso a converger a óptmos locales.
29 Aspectos Práctcos del RPR (2) Incalzacón de los pesos Los valores ncales de los pesos suelen ponerse de forma aleatora y su magntud suele ser pequeña. Una regla utlzada es utlzar los rangos [ 1/ d,1 / d ] y [ 1/ M,1/ M ] para las conexones entrada-oculta y oculta-salda donde d es la dmensón de los datos y M el número de nodos en la capa oculta. Parámetro de aprendzaje Su valor determna la velocdad de convergenca. S es muy pequeño la convergenca es lenta mentras que s es muy grande el método del RPR no converge. Un valor típco es ρ = 0.1 Momentos Suelen acelerar el proceso de aprendzaje. Se basa en combnar el cambo en los pesos del RPR w RPR con los cambos anterores: w (r+1) =w (r) + (1-α) ( w RPR )+ α (w (r) - w (r-1) ) Un valor típco para α es 0.9
30 Aspectos Práctcos del RPR (3) Métodos de segundo orden Son métodos que aceleran la convergenca medante la utlzacón de la nformacón proporconada por la segunda dervada de la funcón de error E. Están basados en métodos de optmzacón que utlzan las segundas dervadas. Su prncpal nconvenente es el mayor costo computaconal. La mayor parte de los métodos sólo funconan para aprendzaje por lotes. Esto hace que no puedan aplcarse en la práctca para redes de gran tamaño o conjuntos de entrenamento con un número elevado de elementos. Número de neuronas en la capa oculta El número de neuronas en la capa oculta determna la complejdad del clasfcador. Un número muy grande provoca sobreajuste y un número muy pequeño provoca malos resultados en la clasfcacón. Una regla genérca es determnar los nodos a partr de un número de pesos gual a la décma parte del número de datos
31 Aspectos Práctcos del RPR (4) La complej Control de SobreajusteA dferenca del problema de optmzacón de la MVS La funcón a optmzar tene múltples óptmos La complejdad del algortmo de aprendzaje es exponencal
32 Sobreajuste y Generalzacón Complejdad del Clasfcador El PMC a dferenca de las FDL permte cambar su complejdad varando el número de neuronas en la capa oculta. Ajuste a los datos Un clasfcador más complejo reduce el error sobre el conjunto de entrenamento. No obstante el objetvo del clasfcador es clasfcar correctamente patrones nuevos. Sobreajuste Conjunto de entrenamento Cuando se realza el aprendzaje con Patrón nuevo un clasfcador demasado complejo, éste comenza a ajustarse el rudo Frontera de decsón presente en los datos de entrenamento. Se dce que se produce un sobreajuste. Conjunto de entrenamento Generalzacón Patrón nuevo El sobreajuste del clasfcador degrada su rendmento con datos nuevos. Se dce que perde capacdad de generalzacón Frontera de decsón Clasfcadores con dstntas complejdades
33 Control de Sobreajuste (CSA) (1) Entrenamento y Valdacón Se dvde el conjunto de entrenamento en dos subconjuntos de entrenamento H ENT y valdacón H VAL. El entrenamento se hace solamente sobre H ENT y una vez converja el RPR se comprueban los errores E ENT y E VAL sobre los conjuntos H ENT y H VAL. S el PMC es demasado complejo E VAL comenzará a crecer. Esto sgnfca que el PMC está aprendendo el rudo en H ENT y perdendo capacdad de generalzacón sobre H VAL. La complejdad óptma del PMC se obtene s los E VAL /N errores E ENT y E VAL se mantenen bajos tras la convergenca del RPR. E ENT /N Número total de pesos Nodos en capa oculta (M) Errores medos de entrenamento y valdacón para una red 2-M-1 entrenada con 180 muestras. Los valores óptmos de M son 4,5 Gráfco de: Rchard O. Duda, Peter E. Hart, and Davd G. Stork, Pattern Classfcaton. Copyrght (c) 2001 por John Wley & Sons, Inc.
34 Control de Sobreajuste (2) Parada temprana Otra forma de CSA está basado en utlzar una red demasado compleja de forma que E VAL comence a crecer a partr de un determnado número de épocas n * del RPR. Se elge entonces el conjunto de pesos correspondente a n * Regularzacón medante penalzacón Está basado en añadr a la funcón de error otro térmno E REG que penalce las solucones demasado complejas. Así por ejemplo podríamos tener: E= E ECM + λe REG con E REG =Σ (a p;kj ) 2, es decr la suma de los pesos de la red al cuadrado (salvo aquellos relaconados con entradas constantes a 1). La regla del RPR queda: a (r+1) =a (r) - ρ r E(a (r) )+ λ a (r) y recbe el nombre de reduccón de pesos. Daño Cerebral Óptmo e Intervencón Cerebral Óptma Están basados en elmnar los pesos que producen un menor ncremento del error tras la convergenca del RPR
Tema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesDELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID
DELTA MATE OMAÓN UNETAA / Gral. Ampuda, 6 8003 MADD EXÁMEN NTODUÓN A LA ELETÓNA UM JUNO 008 El examen consta de ses preguntas. Lea detendamente los enuncados. tene cualquer duda consulte al profesor. Todas
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesModelos dinámicos de formación de precios y colusión. Carlos S. Valquez IEF
Modelos dnámcos de formacón de precos y colusón Carlos S. Valquez IEF Modelos dnámcos de formacón de precos y colusón Enfoques empleados en el análss de la nteraccón repetda entre empresas: Juegos repetdos.
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
Más detallesMaterial realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera
Tema - MATEMÁTICAS FINANCIERAS Materal realzado por J. Davd Moreno y María Gutérrez Unversdad Carlos III de Madrd Asgnatura: Economía Fnancera Apuntes realzados por J. Davd Moreno y María Gutérrez Advertenca
Más detallesREDES NEURALES. Modelo computacional para una neurona artificial: unidad de umbral binario.
REDES NEURALES REFERENCIAS 1943. McCULLOCH Y PITTS. ( A Logcal Calculus of Ideas Immanent n Neurous Actvty ). 1960. ROSENBLATT. El Perceptron. 1982. HOPFIELD. Enfoque energétco. Algortmo de aprendzae de
Más detallesTEMA 8: PRÉSTAMOS ÍNDICE
TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
Más detallesUNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE. Dpto. de Métodos Cuantitativos e Informáticos. Universidad Politécnica de Cartagena.
UNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE COURNOT. Autores: García Córdoba, José Antono; josea.garca@upct.es Ruz Marín, Manuel; manuel.ruz@upct.es Sánchez García, Juan Francsco; jf.sanchez@upct.es
Más detalles12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández
MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.
Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón
Más detallesTutorial sobre Máquinas de Vectores Soporte (SVM)
Tutoral sobre Máqunas de Vectores Soporte SVM) Enrque J. Carmona Suárez ecarmona@da.uned.es Versón ncal: 2013 Últma versón: 11 Julo 2014 Dpto. de Intelgenca Artcal, ETS de Ingenería Informátca, Unversdad
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesPRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE AÑOS EXÁMENES PROPUESTOS Y RESUELTOS DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CONVOCATORIAS DE --- F Jménez Gómez Este cuaderno
Más detallesALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.
9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara
Más detallesGUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22
DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detalles1. Lección 7 - Rentas - Valoración (Continuación)
Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
Más detallesACTIVIDADES INICIALES
Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesi=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1
CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de
Más detallesTEMA 6 AMPLIFICADORES OPERACIONALES
Tema 6 Amplfcadores peraconales ev 4 TEMA 6 AMPLIFICADES PEACINALES Profesores: Germán llalba Madrd Mguel A. Zamora Izquerdo Tema 6 Amplfcadores peraconales ev 4 CNTENID Introduccón El amplfcador dferencal
Más detalles1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo
EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces
Más detallesEL AMPLIFICADOR OPERACIONAL.
Tema 6. El mplfcador peraconal. Tema 6 EL MPLIFICD PECINL.. Introduccón... Símbolos y termnales del amplfcador operaconal... El amplfcador operaconal como amplfcador de tensón..3. Conceptos báscos de realmentacón..4.
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesCESMA BUSINESS SCHOOL
CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta
Más detallesFisicoquímica CIBEX Guía de Trabajos Prácticos 2010. Trabajo Práctico N 7. - Medida de la Fuerza Electromotriz por el Método de Oposición-
Fscoquímca CIBX Guía de Trabajos Práctcos 2010 Trabajo Práctco N 7 - Medda de la Fuerza lectromotrz por el Método de Oposcón- Objetvo: Medr la fuerza electromotrz (FM) de la pla medante el método de oposcón
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesReconocimiento de Imágenes Empleando Redes de Regresión General y la Técnica TVS
Reconocmento de Imágenes Empleando Redes de Regresón General y la Técnca TVS Rcardo García-Herrera & Waltero Wolfgang Mayol-Cuevas Laboratoro de INvestgacón para el Desarrollo Académco Depto. Ingenería
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesMatemáticas Financieras
Matemátcas Fnanceras Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Profundzar en los fundamentos del cálculo fnancero, necesaros
Más detallesUNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II
UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con
Más detallesAplicación de la termodinámica a las reacciones químicas Andrés Cedillo Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa
Aplcacón de la termodnámca a las reaccones químcas Andrés Cedllo Departamento de Químca Unversdad Autónoma Metropoltana-Iztapalapa Introduccón Las leyes de la termodnámca, así como todas las ecuacones
Más detallesPARÁMETROS DE UNA DISTRIBUCIÓN DE PROBABILIDAD DISCRETA Media aritmética: μ = x
Dstrbucones de Probabldad dscretas-bn1b DISTRIBUIONES DISRETAS DE PROBABILIDAD Dstrbucones dscretas son aquellas en las que la varable sólo puede tomar valores aslados. Ejemplo: lanzar una moneda ( valores:
Más detalles8 MECANICA Y FLUIDOS: Calorimetría
8 MECANICA Y FLUIDOS: Calormetría CONTENIDOS Dencones. Capacdad caloríca. Calor especíco. Equlbro térmco. Calormetría. Calorímetro de las mezclas. Marcha del calorímetro. Propagacón de Errores. OBJETIVOS
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesAlgoritmo para la ubicación de un nodo por su representación binaria
Título: Ubcacón de un Nodo por su Representacón Bnara Autor: Lus R. Morera González En este artículo ntroducremos un algortmo de carácter netamente geométrco para ubcar en un árbol natural la representacón
Más detallesDeterminación de Puntos de Rocío y de Burbuja Parte 1
Determnacón de Puntos de Rocío y de Burbuja Parte 1 Ing. Federco G. Salazar ( 1 ) RESUMEN El cálculo de las condcones de equlbro de fases líqudo vapor en mezclas multcomponentes es un tema de nterés general
Más detallesSmoothed Particle Hydrodynamics Animación Avanzada
Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla
Más detallesPROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)
ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón
Más detallesContinua: Corriente cuyo valor es siempre constante (no varía con el tiempo). Se denota como c.c.
.. TIPOS DE CORRIENTES Y DE ELEMENTOS DE CIRCUITOS Contnua: Corrente cuyo valor es sempre constante (no varía con el tempo). Se denota como c.c. t Alterna: Corrente que varía snusodalmente en el tempo.
Más detallesLeyes de tensión y de corriente
hay6611x_ch03.qxd 1/4/07 5:07 PM Page 35 CAPÍTULO 3 Leyes de tensón y de corrente CONCEPTOS CLAVE INTRODUCCIÓN En el capítulo 2 se presentaron la resstenca así como varos tpos de fuentes. Después de defnr
Más detallesGuía de Electrodinámica
INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesCifrado de imágenes usando autómatas celulares con memoria
Cfrado de mágenes usando autómatas celulares con memora L. Hernández Encnas 1, A. Hernández Encnas 2, S. Hoya Whte 2, A. Martín del Rey 3, G. Rodríguez Sánchez 4 1 Insttuto de Físca Aplcada, CSIC, C/Serrano
Más detallesTasas de Caducidad. - Guía de Apoyo para la Construcción y Aplicación - Por: Act. Pedro Aguilar Beltrán. paguilar@cnsf.gob.mx
Tasas de Caducdad - Guía de Apoyo para la Construccón y Aplcacón - Por: Act. Pedro Agular Beltrán pagular@cnsf.gob.m 1. Introduccón La construccón y aplcacón de tasas de caducdad en el cálculo de utldades
Más detallesComparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó
Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesFUNDAMENTOS QUIMICOS DE LA INGENIERIA
FUNDAMENTOS QUIMICOS DE LA INGENIERIA (BLOQUE DE INGENIERIA QUIMICA) GUION DE PRACTICAS DE LABORATORIO ANTONIO DURÁN SEGOVIA JOSÉ MARÍA MONTEAGUDO MARTÍNEZ INDICE PRACTICA PAGINA BALANCE MACROSCÓPICO DE
Más detallesResumen TEMA 1: Teoremas fundamentales de la dinámica y ecuaciones de Lagrange
TEMA : Teoremas fundamentales de la dnámca y ecuacones de Lagrange Mecánca 2 Resumen TEMA : Teoremas fundamentales de la dnámca y ecuacones de Lagrange. Prncpos de dnámca clásca.. Leyes de ewton a) Ley
Más detallesEquilibrio termodinámico entre fases fluidas
CAPÍTULO I Equlbro termodnámco entre fases fludas El conocmento frme de los conceptos de la termodnámca se consdera esencal para el dseño, operacón y optmzacón de proyectos en la ngenería químca, debdo
Más detallesOPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS
P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la
Más detallesALINEAMIENTO DE DOS SECUENCIAS (pairwise alignment)
ALINEAMIENTO DE DOS SECUENCIAS (parwse algnment) El alneamento de una pareja de secuencas permte cuantfcar el grado de smltud que hay entre ellas y determnar s exste algún tpo de relacón entre ambas. Para
Más detallesProf. Antonio Santillana del Barrio y Ainhoa Herrarte Sánchez Universidad Autónoma de Madrid Curso 2012-2013
Tema 6 El modelo IS-LM Prof. Antono Santllana del Barro y Anhoa Herrarte Sánchez Unversdad Autónoma de Madrd Curso 2012-2013 Bblografía oblgatora Capítulo 5, Macroeconomía, (Blanchard et al) Apuntes de
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUES DE CCESO L UNVERSDD L.O.G.S.E CURSO 004-005 CONVOCTOR SEPTEMRE ELECTROTECN EL LUMNO ELEGRÁ UNO DE LOS DOS MODELOS Crteros de calfcacón.- Expresón clara y precsa dentro del lenguaje técnco y gráfco
Más detallesCréditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias
Crédtos Y Sstemas de Amortzacón: Dferencas, Smltudes e Implcancas Introduccón Cuando los ngresos de un agente económco superan su gasto de consumo, surge el concepto de ahorro, esto es, la parte del ngreso
Más detalles1.- Una empresa se plantea una inversión cuyas características financieras son:
ESCUELA UNIVERSITARIA DE ESTUDIOS EMPRESARIALES. Departamento de Economía Aplcada (Matemátcas). Matemátcas Fnanceras. Relacón de Problemas. Rentas. 1.- Una empresa se plantea una nversón cuyas característcas
Más detallesIntroducción al riesgo de crédito
Introduccón al resgo de crédto Estrella Perott Investgador Senor Bolsa de Comerco de Rosaro eperott@bcr.com.ar. Introduccón El resgo credtco es el resgo de una pérdda económca como consecuenca de la falta
Más detallesANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL:
Geografía y Sstemas de Informacón Geográfca (GEOSIG). Revsta dgtal del Grupo de Estudos sobre Geografía y Análss Espacal con Sstemas de Informacón Geográfca (GESIG). Programa de Estudos Geográfcos (PROEG).
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17
Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesClasificación Jerárquica de contenidos Web.
Clasfcacón Jerárquca de contendos Web. Álvaro Gascón y Marín de la Puente Unversdad Carlos III Madrd 100029648@alumnos.uc3m.es Mguel María Rodríguez Aparco Unversdad Carlos III Madrd 100021447@alumnos.uc3m.es
Más detallesTÉCNICAS AUXILIARES DE LABORATORIO
TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar
Más detallesv i CIRCUITOS ELÉCTRICOS (apuntes para el curso de Electrónica)
IUITOS EÉTIOS (apuntes para el curso de Electrónca) os crcutos eléctrcos están compuestos por: fuentes de energía: generadores de tensón y generadores de corrente y elementos pasos: resstores, nductores
Más detallesAnál de ere temporale Fernando Berzal, berzal@acm.org Anál de ere temporale Caracterítca de la ere temporale Vualzacón de ere temporale Fltrado de ere temporale Meda móvle Suavzado exponencal Técnca de
Más detallesProgramación entera, el método del árbol de cubos, su algoritmo paralelo y sus aplicaciones
Programacón entera, el método del árbol de cubos, su algortmo paralelo y sus aplcacones Dr. José Crspín Zavala Díaz, Dr. Vladmr Khachaturov 2 Facultad de Contabldad, Admnstracón e Informátca, jc_zavala2002@yahoo.com
Más detallesFUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN
FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN 1 CÁLCULO DE LOS FLUJOS NETOS DE CAJA Y TOMA DE DECISIONES DE INVERSIÓN PRODUCTIVA Peculardades
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesDiseño óptimo de un regulador de tensión en paralelo
Deño óptmo de un regulador de tenón en paralelo Federco Myara 1. egulador mple con un dodo de ruptura El cao má mple e el regulador con un dodo zener, ndcado en la fgura 1. S ben el crcuto parece muy encllo,
Más detallesRESISTENCIAS EN SERIE Y LEY DE LAS MALLAS V 1 V 2 V 3 A B C
RESISTENCIS EN SERIE Y LEY DE LS MLLS V V 2 V 3 C D Fgura R R 2 R 3 Nomenclatura: Suponemos que el potencal en es mayor que el potencal en, por lo tanto la ntensdad de la corrente se mueve haca la derecha.
Más detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más detallesEconomía de la Empresa: Financiación
Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesOferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA
Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w
Más detallesExplicación de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS
Explcacón de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS EMBARGO: 21 de agosto de 2012, 15:00 (CEST) Objetvo angular de 24 mm, con zoom óptco 30x (PowerShot SX500 IS) Desarrollado usando
Más detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
Más detallesMECÁNICA CLÁSICA MAESTRÍA EN CIENCIAS (FÍSICA) Curso de Primer Semestre - Otoño 2014. Omar De la Peña-Seaman. Instituto de Física (IFUAP)
MECÁNICA CLÁSICA MAESTRÍA EN CIENCIAS (FÍSICA) Curso de Prmer Semestre - Otoño 2014 Omar De la Peña-Seaman Insttuto de Físca (IFUAP) Benemérta Unversdad Autónoma de Puebla (BUAP) 1 / Omar De la Peña-Seaman
Más detallesYIELD MANAGEMENT APLICADO A LA GESTIÓN DE UN HOTEL
27 Congreso Naconal de Estadístca e Investgacón Operatva Lleda, 8- de abrl de 2003 YIELD MANAGEMENT APLICADO A LA GESTIÓN DE UN HOTEL J. Guad, J. Larrañeta, L. Oneva Departamento de Organzacón Industral
Más detallesPregunta Hoy está nublado, cuál es la probabilidad de que mañana continúe nublado? cuál es la probabilidad de que está nublado pasado mañana?
Cadenas de Marov Después de mucho estudo sobre el clma, hemos vsto que s un día está soleado, en el 70% de los casos el día sguente contnua soleado y en el 30% se pone nublado. En térmnos de probabldad,
Más detallesOSCILACIONES 1.- INTRODUCCIÓN
OSCILACIONES 1.- INTRODUCCIÓN Una parte relevante de la asgnatura trata del estudo de las perturbacones, entenddas como varacones de alguna magntud mportante de un sstema respecto de su valor de equlbro.
Más detallesConvertidores Digital-Analógico y Analógico-Digital
Convertdores Dgtal-Analógco y Analógco-Dgtal Conversón Dgtal-Analógca y Analógca-Dgtal Con estos crcutos se trata de consegur una relacón bunívoca entre una señal analógca y una dgtal o vceversa. Las magntudes
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
Más detallesCAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.
Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo
Más detallesXII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros.
Uso de la Estmacón de la Dstrbucón de Probabldad para Muestras Pequeñas y de la Smulacón en la Inferenca de Carteras de Seguros. Trabajo presentado para el XII Premo de Investgacón sobre Seguros y Fanzas
Más detalles