DESCRIPCIÓN TEÓRICA DE OTROS FILTROS INTRODUCCIÓN
|
|
- Natalia Córdoba Montoya
- hace 7 años
- Vistas:
Transcripción
1 DESCRIPCIÓ TEÓRICA DE OTROS FILTROS ITRODUCCIÓ En este capítulo, nos adentraremos en otros ltros. Habrá algunos que se explcarán muy concsamente y otros se analzará proundamente. Para comenzar este capítulo, haremos unas derencas entre el ltrado de meda y el ltrado medana. Un ltrado de meda, queda encuadrado por deecto como un ltro lneal. Para un ltro de meda de una dmensón de longtud = k +, su salda para un nstante, queda dendo medante y k + [ m] = x[ m + j] j= k Al ser una operacón lneal, llegamos a (para k=3): y k [ m] = x[ m + j] = s[ m + j] + n[ m + j] 7 j= 3 7 j= 3 j= 3 3 = ( señal ltrada aparente) + ( rudo ltrado) Esto es sucente para analzar la atenuacón del rudo para una señal. El Fltrado Medana vene dado por la expresón [ m] = MED{ x[ m k], x[ m k + ],..., [ m], [ m + k ], [ m k] } y + donde MED toma el valor central después de la ordenacón. El ltrado medana es no lneal y por tanto no es posble aplcar la operacón a la señal y al rudo de manera separada.
2 ESTUDIO COMPARATIVO ETRE FILTRADO MEDIAA Y FILTRADO DE MEDIA. El ltrado de meda da problemas en los bordes. El ltrado medana preserva los bordes. (Este hecho es muy mportante en el procesado dgtal de mágenes ya que, debdo a las propedades de la vsón humana, los bordes son lo que orece mayor normacón en las mágenes. El ltrado de meda atenúa rudo adtvo Gaussano de manera eectva y la atenuacón no depende de la señal. El ltrado medana atenúa rudo adtvo Gaussano al menos tan ben como el ltrado de meda pero la atenuacón es dependente de la señal. Por ejemplo, tende a ormar patrones de escaleras cuando ltramos señales de rudo en orma de rampa. En el caso de rudo mpulsvo, el ltrado medana es mejor que el ltrado de meda. En el caso de un mpulso smple, el ltrado de meda propaga el mpulso pero reduce la ampltud, mentras que el ltrado medana elmna totalmente el mpulso. Para -D, el ltrado medana con una longtud en la ventana de - k + elmna completamente los mpulsos de longtud neror a k + ndependentemente de la señal. Esto es una derenca undamental entre el unconamento de los ltros lneales y no lneales. La respuesta al mpulso (esto es, la señal de salda cuando la señal de entrada es gual a pata un nstante =0 y cero para cualquer otro) de un ltro, lneal de tempo nvarante no trval claramente no puede ser una secuenca de valores cero. El unconamento deal del ltrado medana se mantene úncamente para el caso que tengamos un mpulso sobre una señal constante. Por ejemplo, s el mpulso está encerrado sobre un borde, se puede elmnar pero en el msmo tempo, el borde se mueve haca el mpulso. Esto es llamado el eecto jtter.
3 Para el estudo del ltrado medana y ltrado de meda en el procesado de mágenes, consderaremos una máscara cuadrada de 5 x 5. La ventana que se va desplazando sobre cada pxel, la operacón (meda / medana) usa los 5 valores del pxel dentro de la ventana, y el resultado de la operacón es la salda en la localzacón de la ventana. Fg..- IMAGE ORIGIAL GEOMÉTRICA Fg..- IMAGE CO FILTRADO MEDIAA CO UA VETAA 5 X 5 Fg. 3.- IMAGE CO FILTRADO DE MEDIA CO UA VETAA 5 X 5 3
4 El prmer ejemplo de magen, Geométrca, está creada artcalmente y su estructura es de guras geométrcas. Las comparacones entre ambos ltrado, han sdo las sguentes: Como el ltro de meda no es capaz de preservar los bordes, y la magen Geométrca contene un gran número de ellos, la aparenca vsual total después del ltrado de meda es muy borrosa o dusa. El resultado del ltrado medana está dendo, pero muchos detalles mportantes se perden. Las esqunas se perden. Las líneas nas no se perden pero su lugar orgnal puede quedar con perturbacones. Vsualmente, la magen con el ltrado en medana es preerble al ltrado de meda. Vendo un estudo en recuenca, se puede observar que ambos ltros actúan como ltros paso bajo y las altas recuencas son atenuadas más que las bajas recuencas. En este ejemplo, y por regla general la gran mayoría, el ltrado no lneal (ltrado medana), es mucho mejor que el ltrado lneal (ltrado de meda). El problema del ltrado lo podríamos englobar desde los sguentes puntos: El propósto es elmnar el rudo; El rudo es mpulsvo; La señal y el rudo ocupan la msma banda de recuenca. El ltrado no lneal ha resultado ser satsactoro en solventar esos problemas. 4
5 - MODELOS DE FILTROS O LIEALES. A contnuacón, se hará un concso resumen de los prncpales ltros dgtales no lneales utlzados. Debdo a que en algunos casos, la traduccón del nombre del ltro al castellano, puede resultar conusa, se ha optado por dejar algunos de ellos en su nombre orgnaro..- FILTROS TRIMMED MEA El ltrado medana descarta los mpulsos de manera eectva. El ltrado medana tene problemas con el rudo gaussano adtvo El desarrollo del ltrado de meda era mejor que el ltrado medana para elmnar rudo gaussano adtvo. Pero el unconamento del ltro de meda deteroraba drástcamente con tpos de rudo mpulsvo. Por tanto, un buen compromso entre el ltrado medana y el ltrado meda podría ser ltrar con buen recaudo en stuacones donde tanto el rudo gaussano como el mpulsvo estén presentes. Quzás la mejor manera, de ltrar sobre este compromso, sea utlzando trmmed means. La prmera orma de obtener un ltro trmmed mean, el ltro (r, s)-old trmmed mean se obtene medante:. Clascar las muestras. Omtr todas las muestras r + s,,..., y,,...,, ( ) ( ) ( r ) ( s + ) ( s + ) ( ) 5
6 3. La salda es generada promedando las muestras restantes TrMean r s s = r + (,,..., ; r, s) = ( ) Una modcacón nmedata del ltro (r,s)-trmmed mean es el (r,s) old Wndorzed mean lter donde: Los valores de las r muestras más pequeñas se reemplazan por (r+) Los valores de las s muestras más pequeña se reemplazan por (-s) WnMean = r + = r + s (,,..., ; r, s) r( ) + ( ) + s( ) s..- OTROS FILTROS TRIMMED MEA En el ltro modcado trmmed mean tenemos: Un valor real constante q que es jado Todas las muestras en el rango [ (k+) q, (k+) + q] son promedadas, y la meda da la salda: 6
7 MTM (,,..., q) ; = = a = a donde a, s ( k + ) q, = 0 cualquer otro La dea del moded trmmed conlleva a exclur esas muestras en la ventana que se encuentran lo sucentemente lejos del valor de la medana. El parámetro q se usa para clascar las muestras en dos camnos: el que se encuentra demasado lejos del valor de la medana y aquellos en los que se encuentran muy próxmos a la medana. Una extensón adconal del ltro modcado trmmed mean es: Prmero se computa la medana, denotado por med, desde una ventana relatvamente pequeña (tamaño ); Usar, como salda, el valor de meda de las muestras comprenddas en el ntervalo [med-q, med + q] a través de las muestras de una ventana grande (tamaño M), centrada en el msmo punto. La dea anteror, genera el ltro de doble ventana modcado trmmed mean, y es capaz de usar grandes ventanas para suprmr rudo gaussano adtvo y en el msmo nstante, preservar detalles para desechar pxels que se encuentran lo sucentemente lejos de la medana de la ventana pequeña. 7
8 L-FILTROS Los L-Fltros son estmadores que realzan un compromso entre: Una operacón pura no lneal (ordenacón) Una operacón lneal pura (ponderacón) El punto de salda se obtene como una suma ponderada de los valores de datos ordenados en la ventana que se desplaza. El conjunto de ponderacones determna las característcas de los ltros. Sea el vector de ponderacón de un L-ltro denotado como a=( a,a,..., a ) y el vector de entrada =(,,..., ). Entonces la salda de un L-ltro, vendrá dado por L (,,..., ; a) = a ( ) = La gran ventaja de los L-ltros es que para un conocda dstrbucón de rudo es posble elegr las ponderacones del ltro de manera de que se pueda optmzar el ltro en el sentdo del error cuadrátco de meda..4- C-FILTROS Los L-ltros (al gual que los ltros medana) descartan la normacón del orden espacal de los datos completamente. Esto causa problemas, por ejemplo en la preservacón de detalles, al r ncrementando el tamaño de las ventanas. Como la normacón del orden espacal es descartada, esos ltros son tambén ncapaces de recuperar las característcas espectrales de la magen. Un método de ncorporar tanto la normacón de orden espacal y la normacón de rango de orden de la secuenca de entrada es medante el ltro de combnacón o C- ltro. Los C-ltros ncluyen: 8
9 Fltro lneal FIR y L-ltros Un C-ltro puede ser entenddo de la sguente manera: Un C-ltro es un L-ltro con los coecentes de () dependente sobre su poscón espacal en la ventana. Un C-ltro es un ltro FIR con los coecentes de () dependente sobre rango dentro de la ventana. La salda de un C-ltro con coecentes x, C =[e (, j)] y entradas (,,..., ), vendrá dada por: C, I = (,,..., ; C) = c( R( ) ) Donde R(X ) es el rango de las muestras. La salda del C-ltro normalzado se dene por ormc (,,... ; C) I = = c I = ( R( ), ) c ( R( ), ).5.- FILTRADO MEDIAA PODERADO En el ltrado medana, cada muestra dentro de la ventana de ltrado tene la msma nluenca en el ltrado de salda. Para mejorar el rendmento, un camno podría ser dar mayor énass las muestras de la ventana del ltrado que se encuentren en una determnada poscón; por ejemplo, al 9
10 valor central de la muestra la cual se está ltrando en ese momento. La dea es desarrollar un ltro medana ponderado..6.- RAGO DE ORDE Y FILTROS ESTADISTICOS PODERADO. Los ltros de rango de orden son smples modcacones del ltrado medana. La salda del r-esmo ltro de rango de orden vene dado por ( ; r) ( r ) RO,,..., = esto es, el r-esmo orden estadístco de las muestras,,..., en la ventana del ltro. Los ltros de rango de orden pueden ser utlzados en stuacones donde la dstrbucón de rudo no es smétrca; por ej. cuando hay más mpulsos postvos que negatvos. En este caso el uso de algún ltro de rango de orden de bajo orden (r < k) puede proveer ltros más robustos comparado con el ltro medana. Los ltros estadístcos de rango de orden son dendos de una manera análoga a l ltrado medana ponderado. La salda del r-esmo ltro estadístco de rango de orden con pesos a = ( a,a,..., a ), vene dada por WOS (,,..., ; r) = r esmo orden estadstco de { a, a,..., a } Los ltros ponderados de orden estadístcos pueden mejorar las propedades de preservacón de detalles de los ltros de rango de orden de una manera smlar al mejoramento proporconado por los ltros medana ponderados sobre el ltrado medana estándar. 0
11 FILTROS MEDIAA MULTIPLATAFORMA En el ltrado medana multplataorma, en lugar de una operacón de medana, numerosas plataormas de ltros son utlzadas. El ltro medana separable en -D es una modcacón del ltrado medana que genera propedades comparables al ltro medana pero es mucho más rápdo. El ltro medana separable en -D se obtene usando dos ltros medana sucesvos de -D con una longtud en la ventana de z = l+ (z * z = ), el prmero a través de las las y el segundo a través de las columnas: SepMed,, Z,,, Z,, Z, Z, Z = { MED{,,..., },..., MED{, } MED,,, Z Z, Z, Z, Z,..., Denotaremos los resultados de los ltros medana horzontal, vertcal, en dagonal, en cruz y en orma de medante: h med v med d45 med = MED d35 med = MED c med x med = MED = MED = MED = MED { L+,, l +,,..., L+, Z} {, L+,, l +,,..., z, L+ } { z., z,,...,, Z} {,,,,..., z, z} { L+,, l +,,..., L+, Z} MED{, L +,, l +,,..., z, L+ } {,,..., } MED{,,..., } z, z,, Z,, z, z Entonces, los sguentes ltros medana multplataorma pueden ser obtendos medante:
12 MSM = MED MSM = MED MSM 3 = MED h MSM 4 = MED MSM 5 = MED { L+, L+, h med, v med} {, d45 med, d35 med} L+, L + { med, v med, d 45 med, d35 m} { L+, L +, h med, v med, d45 med d35} {, c med, x med} L+, L+ Grácamente tendríamos: c med d35 med d 45 med x med h med v med Una combnacón de ltros lneales y no lneales puede ser obtenda reemplazando los subltros de los ltros medana multplataorma por ltros lneales. La dea de esto son los ltros híbrdos medana:
13 Algunos de los subltros lneales son típcamente obtendos para segur el curso de la señal de entrada y suavzar el rudo gaussano. El uso de la medana aclta el desarrollo de ltros lmtado a bordes u otras áreas de transcón Debdo a los subltros, este tpo de ltros permten mayor dseño de posbldades que el ltro medana. Elgendo un pequeño número de subltros lneales, la ecenca de mplementacón de las estructuras puede ser desarrollada para entornos donde las operacones de comparacón / ntercambo necesaras para encontrar la medana son costosas. Los ltros híbrdos medana pueden ser utlzados además para alvar el problema de los bordes de jtter en el ltrado de medana. La salda de un ltro híbrdo medana, vene dado por: MED MedHybr(,,..., ) = { F (,,..., ),..., F (,,..., )} M donde los ltros ( ),..., M ( ) son ltros FIR o IIR. Exste una gran varedad de ltros híbrdos medana en -D debdo a la posbldad de elegr un gran número de subltros, su tpo, y tambén, la orma de la ventana y ponderacón. Un ejemplo, es el llamado ltro LH+ dendo medante 3
14 LH +,, Z,,, Z,, Z, Z, Z { g, g, } = MED g, E W l +, j+ W E W E S SW SE Su versón rotada es el llamado ltro RLH+: R LH +,, Z,,, Z,, Z, Z, Z { g, g, } = MED g W, SW E l +, j + 4
15 Combnando los ltros LH+ y RLH+, resulta el ltro LH+ que vene dado por la expresón: LH +,, Z,,, Z,, Z, Z, Z { LH +, RLH +, } = MED l +, j + La medana puede naturalmente ser reemplazada por cualquer otro orden estadístco o, más generalmente, cualquer orden estadístco ponderado. Entonces se obtenen los ltros híbrdos FIR-WOS..8.- FILTROS SELECTIVOS DE REALZADO DE BORDES Los ltros selectvos son ltros multnvel donde muchas subventanas son usadas, y basadas sobre algún crtero para la cual la salda sea elegda para ser una de las saldas de esas ventanas. Las medas y las varanzas de las subventanas son calculadas y la salda está dada por la meda de las ventanas que han tendo una pequeña varanza. Por tanto, la dea es coger la salda desde el área con pxels vecnos más homogéneos. El ltro de comparacón y seleccón es un ltro suavzador de realzado de bordes. Este ltro está basado en la observacón que la salda del ltrado medana es menor que la salda del ltrado de meda antes de un borde de manera ascendente; y la salda del ltrado medana es mayor que la salda del ltrado de meda después de un borde de manera ascendente. Es decr, para realzar un borde borroso, el valor de alguna muestra menor que la medana (por ejemplo, la menor muestra) se elge para la salda s la medana es menor que 5
16 la meda; para otro caso, el valor de alguna muestra mayor que la medana (por ejemplo el valor máxmo) es elegda para la salda..9.- FILTROS DE SELECCIÓ DE RAGO El dagrama de bloques que lustra el ltrado de seleccón de rango es el sguente: ETRADA EXTRACCIO VALORES Z SALIDA SELECCIÓ RAGO CLASIFICAR OUTPUT Uno de los bloques extrae alguna normacón de las muestras = (,,..., ). Esa normacón se almacena en un vector característco z. El segundo bloque genera el vector ordenado (). El tercer bloque, la salda del selector de rango, elge las muestras más apropadas de () =(,,..., ) para ser la salda. Esta eleccón está basada en el vector característco z y la regla de seleccón de rango S( )..0 M-FILTROS Un M-estmador o un M-ltro se dene por una uncón ρ sobre R: M (,..., ; ρ) ( ) I θ = ( ), = arg mn ρ θ 6
17 O por la dervada parcal ψ (con respecto a θ) de ρ; la estmada M(,,..., ) satsace la ecuacón: = ψ ( θ ) = 0..-R-FILTROS de rangos. Los R-Fltros se basan en los conocdos R-estmadores, que están basados en tests El prmer R-ltro ntroducdo ue el ltro Wlcoxon: Wl ( ),,..., MED + = MED = + ( ) ( j) : j : j j Esto es, el ltro Wlcoxon consste de operacones lneales, llamados promedos de Walsh W,j = (, j ) / o promedos ordenados de Walsh W (,j) = ( (), (j) ) / y de una operacón lneal. Un ltro relaconado con el ltro Wlcoxon es el D-ltro Hodges-Lehmann, que vene dado por la expresón: L H ( ) ( + ) (,,..., ) = MED + : k + 7
18 Esto es, el D-ltro Hodges-Lehmann es un caso especal del ltro Wlcoxon y es la medana de los cuas medo rangos ( (), (-+) ) /...- PODERACIO MEJORADA CO FILTROS DE RAGO MIIMO La Ponderacón Mejorada de m valores con ltros de rango mínmo (WMMR m ) han sdo desarrolladas para restaurar una gran clase de bordes deormados, mentras suavza las regones de rudo sn bordes y rechazar mpulsos. En un _ltro WMMR m se selecconará m (k < m k + ) de los valores ordenados dentro de la ventana de desplazamento con el rango más pequeño, y ponderar esos valores.. El índce J para mnmzar (J+m-) - (J) es encontrado y entonces. La ponderacón meda de los valores (J), (J+),..., (J+m-) con pesos a, a, a m se calcula y nos da la salda. Claramente, J no necesaramente es únca. En este caso, la salda vene dada por la meda de las ponderacones medas correspondentes a todos los valores que mnmzan el rango..3.- FILTROS DE MEDIAS O LIEALES La meda no lneal de los números,,..., vene dada por y = g a = = ( ) a donde g(x) es una uncón g: R R y los a son las ponderacones.. Los valores de la señal son transormados por g( ) en nuevos valores.. La meda de las ponderacones de los nuevos valores se computa. 8
19 3. La salda es obtenda aplcando la transormacón nversa a la meda de las ponderacones. aturalmente, después de la transormacón g( ) algún otra operacón en lugar del promedo puede ser usada, por ejemplo algún ltro no lneal. Sea a = a j para todo, j y consderando los sguentes casos de g(x): x, el ltro medo artmetco MEA / x, el ltro medo armonco HARM g( x) = ln x, el ltro medo geometrco GEOM p x, p R \ {, 0, }, el ltro medo Lp S usamos señales dependentes de las ponderacones a = X p, =,,...,, y la uncón g(x) = x, obtenemos el ltro contra-armónco COTR p. El ltro de meda geométrco tene una mportante relacón con los ltros homomórcos, que se usa en algunos casos donde el rudo es multplcatvo. Un ejemplo típco de uente de lumnacón E[m,n], en la cual con relactanca r[m,n], contrbuye a una ormacón de magen multplcatva, es decr, más lumnosdad en unos lados que en otros. La magen observada es m, n = r m, n * E m, n y lo que se desea extraer es r[m,n] de ella. Cuando un logartmo no lneal es aplcado a la magen, el rudo multplcado es transormado en rudo adtvo ln m, n = ln r[ m, n] + ln E[ m, n] 9
20 Este rudo ln E[m,n] es entonces atenuado por un ltro que da la señal t m, n ln r m, n y la transormacón nversa (exponencal) se utlza para obtener la magen deseada r[m,n]=exp t[m,n].4.- FILTROS MORFOLÓGICOS Un ltro F( ) se llama morológco s es ncremento: (x) g(x) para todo x mplca que F((x)) F(g(x)) para todo x; dempotente: F (F ((x))) = F ( (x)) se mantene para todo y x. La dempotenca garantza que cualquer señal se camba por el ltro en una señal de raíz por una teracón de ltrado. En otras palabras, el ltro repetdo no camba la señal otra vez..5.- FILTROS MORFOLOGICOS SUAVES La estructura del sstema [B, A, r] consste de tres parámetros, conjuntos ntos de A y B y un número natural r que satsace r B. El conjunto B se llama el conjunto de estructuracón A es llamado su centro (uerte). 0
21 B \ A es llamado su borde (suave) y r es llamado el índce de orden de su centro o tambén el parámetro de repetcón El conjunto de estructuracón descrbe la orma y el tamaño de la ventana deslzante, B = El centro (duro) descrbe un área especal dentro del conjunto de estructuracón..6.- FILTROS POLIOMICOS Un ltro de Volterra (polnómco) de orden M se dene por El ltro cuadrátco es: Este ltro puede quedar escrto en una matrz compacta de producto s de la orma ( ) = = = = = = = m o M o h h h h H H h h Vol M M,...,,,...,,, ;,...,, ( ) = = = j j h H Quad, ;,...,, ( ) T H H Quad = ;,,..., ( ) = Z Z Z Z Z,,,,,,,,,,...,,
22 donde H es una matrz x (normalmente smétrca). Esta matrz H se denomna kernel cuadrátco del ltro..7.- FILTROS DEPEDIETES DE DATOS El ltro local lneal de estmacón del error cuadrátco medo mínmo (LLMMSE) es uno de los ejemplos de ltros dependentes de datos. Este método de ltrado es el estmador local lneal del error cuadrátco medo mínmo de la señal orgnal S degradada por rudo blanco adtvo estaconaro con meda cero; por ejemplo =S +. Sea σ n la estmacón local de la desvacón estándar del rudo Sea σ s la estmacón local de la desvacón estándar de la señal Sea m la estmacón local del promedo dentro de la ventana La salda del ltro LLMMSE vene dada por LLMMSE σ σ σ (,,..., ) = + m σ ec. Aquí asumremos que para el proceso de rudo, se cumplrá que σ n 0 σ s
23 En el procesado de mágenes, lo que se asumó anterormente, para el rudo blanco adtvo rara vez ocurre, y a veces, se mantene; Esto es, por ejemplo, para ltrado de rudo mpulsvo, la ec. da la estmacón local lneal del error cuadrátco medo. De hecho la órmula adecuada sería: σ S LLMMSE = σ + σ S σ S + σ S + σ m donde σ s es la desvacón estándar de la señal orgnal..8.- FILTROS BASADOS E DECISIOES Los ltros de supresón de mpulsos se basan en una smple pero eectva dea; en cada poscón, prmero se decde o no s se debe encontrar un mpulso; s hemos encontrado uno, se ltrará por algún ltro no lneal o por el contraro no se alterará. Quzá el test más smple esté basado en la estadístca: D = s ( K + ) donde * es la muestra donde se está tomando la decsón (k+) es la medana dentro de la ventana de desplazamento, y s es alguna escala de estmacón La escala de estmacón más smple es la varanza de muestras, pero es una estmacón no robusta. La medana de las desvacones absolutas de la medana es la que se suele utlzar. 3
24 COCLUSIOES GEERALES Aunque en prncpos, todos los ltros expuestos anterormente se podrían mplementar para el procesado de mágenes, hay algunos por ejemplo como el ltro de pla que al trabajar bt a bt y debdo a que cada pxel tene 8 bts y una matrz (magen) puede constar áclmente de 56 x 56 bts, el operar con éste tpo de ltro, podría resultar poco práctco y tedoso. Hay otros ltros como el ltro dependente de datos o el ltro basado en decsones que al r pdendo datos, puede que al nal resulte molesto o perda atractvo. En los capítulos sucesvos, se explcarán algunos ltros de manera mucho más extensas. 4
Métodos 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 detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesIII. <<Insertar Cita>> <<Autor>>
Capítulo III Vsón III 3.1 Procesamento de Imágenes Se entende por procesamento de mágenes a la alteracón y análss de la normacón gráca. 3.1.1 Sstema de vsón humano El sstema
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más 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 detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
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 detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más 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 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 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 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 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 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 detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesTema 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 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 detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
Más 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 detallesUNIVERSIDAD DE SONORA
UNIVERSIDAD DE SONORA Dvsón de Cencas Exactas y Naturales Departamento de Matemátcas Estadístca Aplcada a las Lcencaturas: Admnstracón, Contaduría e Inormátca Admnstratva. Fascículo II: Estadístca Descrptva
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 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 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 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 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 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 detalleswww.fisicaeingenieria.es
2.- PRIMER PRINCIPIO DE LA TERMODINÁMICA. 2.1.- Experencas de Joule. Las experencas de Joule, conssteron en colocar una determnada cantdad de agua en un calorímetro y realzar un trabajo, medante paletas
Más detallesMedidas de Tendencia Central y de Variabilidad
Meddas de Tendenca Central y de Varabldad Contendos Meddas descrptvas de forma: curtoss y asmetría Meddas de tendenca central: meda, medana y moda Meddas de dspersón: rango, varanza y desvacón estándar.
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 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 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 detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
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 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 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 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 detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
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 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 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 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 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 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 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 detallesTERMÓMETROS Y ESCALAS DE TEMPERATURA
Ayudantía Académca de Físca B EMPERAURA El concepto de temperatura se basa en las deas cualtatvas de calente (temperatura alta) y río (temperatura baja) basados en el sentdo del tacto. Contacto térmco.-
Más detallesPROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos)
PROBLEMAS DE ELECTRÓNCA ANALÓGCA (Dodos) Escuela Poltécnca Superor Profesor. Darío García Rodríguez . En el crcuto de la fgura los dodos son deales, calcular la ntensdad que crcula por la fuente V en funcón
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 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 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 detallesPORTAFOLIO DE TRES ACTIVOS FINANCIEROS
PORTAFOLIO DE TRES ACTIVOS FINANCIEROS Contendo:. Introduccón.. Fondos Mutuos. Rendmento y Resgo.. Parámetros estadístcos de un Portafolo de Tres Actvos. a) El Retorno de un Portafolo. b) El Resgo de un
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 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 detallesFIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS
FIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS Autores: Ángel A Juan Pérez (ajuanp@uocedu), Rafael García Martín (rgarcamart@uocedu) RELACIÓN CON OTROS MATH-BLOCS Este math-block forma parte
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 detallesCAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS
CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS En los capítulos anterores se han analzado varos modelos usados en la evaluacón de stocks, defnéndose los respectvos parámetros. En las correspondentes fchas de ejerccos
Más detalles6.1 EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS
TEMA NÚMEROS COMPLEJOS. EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS DEFINICIONES Al resolver ecuacones del tpo : x + = 0 x = ± que no tene solucón en los números reales. Los números complejos nacen del deseo
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 detallesEJERCICIOS RESUELTOS DE TRABAJO Y ENERGÍA
JRCICIOS RSULTOS D TRABAJO Y NRGÍA. Un bloque de 40 kg que se encuentra ncalmente en reposo, se empuja con una uerza de 30 N, desplazándolo en línea recta una dstanca de 5m a lo largo de una superce horzontal
Más detallesSISTEMAS COMBINACIONALES
Tema 2 SISTEMAS COMBINACIONALES En este tema se estudarán algunas de las funcones combnaconales más utlzadas, las cuales se mplementan en chps comercales Como estas funcones son relatvamente complejas,
Más detallesRentas o Anualidades
Rentas o Anualdades Patrca Ksbye Profesorado en Matemátca Facultad de Matemátca, Astronomía y Físca 10 de setembre de 2013 Patrca Ksbye (FaMAF) 10 de setembre de 2013 1 / 31 Introduccón Rentas o Anualdades
Más detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
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 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 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 detalles1. Concepto y origen de la estadística Conceptos básicos Tablas estadísticas: recuento Representación de graficas...
TEMA. ESTADÍSTICA DESCRIPTIVA.. Concepto y orgen de la estadístca..... Conceptos báscos..... Tablas estadístcas: recuento..... Representacón de grafcas.... 6.. Varables cualtatvas... 6.. Varables cuanttatvas
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 detallesBloque 5. Probabilidad y Estadística Tema 2. Estadística descriptiva Ejercicios resueltos
Bloque 5. Probabldad y Estadístca Tema. Estadístca descrptva Ejerccos resueltos 5.-1 Dada la sguente tabla de ngresos mensuales, calcular la meda, la medana y el ntervalo modal. Ingresos Frecuenca Menos
Más detallesEQUILIBRIO LÍQUIDO VAPOR EN UN SISTEMA NO IDEAL
EQUILIBRIO LÍQUIDO VAPOR EN UN SISTEMA NO IDEAL OBJETIVO El alumno obtendrá el punto azeotrópco para el sstema acetona-cloroformo, calculará los coefcentes de actvdad de cada componente a las composcones
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 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 matriz es un conjunto de elementos de cualquier naturaleza aunque, en general, son números ordenados en filas y columnas.
MATRICES Las matrces se utlzan en el cálculo numérco, en la resolucón de sstemas de ecuacones lneales, de las ecuacones dferencales y de las dervadas parcales. Además de su utldad para el estudo de sstemas
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 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 detallesSISTEMA DE RECONOCIMIENTO DE ROSTROS
SISTEMA DE RECONOCIMIENTO DE ROSTROS Categoría: Pre-grado - Alumno Área Temátca: Ingenería de Sstemas Procesamento Dgtal de Imágenes Autor Sandra María Vlla Palacos Unversdad Peruana de Cencas Aplcadas
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 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 detalles1. Actividad y Coeficientes de actividad
ermodnámca. ema Dsolucones Reales. Actvdad y Coecentes de actvdad Se dene el coecente de actvdad,, de manera que: ( ( ln Actvdad ( Esta epresón es análoga a la de las dsolucones deales. Sn embargo, es
Más detalles4 E.M. Curso: NOMBRE: 4º. Colegio SSCC Concepción - Depto. de Matemáticas. Guía N. Unidad de Aprendizaje: Estadísticas
Curso: Colego SSCC Concepcón - Depto. de Matemátcas Undad de Aprendzaje: Estadístcas Capacdades/Destreza/Habldad: Raconamento Matemátco/ Comprensón, Aplcacón/ Valores/ Acttudes: Respeto, Soldardad, Responsabldad
Más detallesTrabajo Especial 2: Cadenas de Markov y modelo PageRank
Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo 2015 1. Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E
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 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 detallesDepartamento Administrativo Nacional de Estadística
Departamento Admnstratvo Naconal de Estadístca Dreccón de Censos Demografía METODOLOGIA ESTIMACIONES Y PROYECCIONES DE POBLACIÓN, POR ÁREA, SEXO Y EDAD PARA LOS DOMINIOS DE LA GRAN ENCUESTA INTEGRADA DE
Más detallesCOMPARADOR CON AMPLIFICADOR OPERACIONAL
COMAADO CON AMLIFICADO OEACIONAL COMAADO INESO, COMAADO NO INESO Tenen como msón comparar una tensón arable con otra, normalmente constante, denomnada tensón de referenca, dándonos a la salda una tensón
Más detallesTEMA 10: ESTADÍSTICA
TEMA 10: La Estadístca es la parte de las matemátcas que se ocupa de recoger, organzar y analzar grandes cantdades de datos para estudar alguna característca de un colectvo. 1. VARIABLES S UIDIMESIOALES
Más detallesCircuito Monoestable
NGENEÍA ELETÓNA ELETONA (A-0 00 rcuto Monoestable rcuto Monoestable ng. María sabel Schaon, ng. aúl Lsandro Martín Este crcuto se caracterza por presentar un únco estado estable en régmen permanente, y
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 detallesMODELOS DE SECUENCIACIÓN EN MÁQUINAS 1
odelos de secuencacón de tareas en máqunas Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu ODELOS DE SECUENCIACIÓN EN ÁQUINAS odelos de secuencacón de tareas
Más detallesProcedimiento de Calibración. Metrología PROCEDIMIENTO DI-010 PARA LA CALIBRACIÓN DE COMPARADORES MECÁNICOS
Procedmento de Calbracón Metrología PROCEDIMIENTO DI-00 PARA LA CALIBRACIÓN DE COMPARADORES MECÁNICOS La presente edcón de este procedmento se emte exclusvamente en formato dgtal y puede descargarse gratutamente
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
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 detallesCAPITULO CUATRO MEDIDAS DE DISPERSION, ASIMETRIA Y CURTOSIS
CAPITULO CUATRO MEDIDAS DE DISPERSION, ASIMETRIA Y CURTOSIS El conocmento de las meddas de centralzacón no es sufcente para caracterzar completamente a una dstrbucón por ejemplo: s las edades medas de
Más detallesEstimación del consumo del consumo diario de gas a partir de lecturas periódicas de medidores
Estmacón del consumo del consumo daro de gas a partr de lecturas peródcas de meddores S.Gl, 1, A. Fazzn, 3 y R. Preto 1 1 Gerenca de Dstrbucón del ENARGAS, Supacha 636- (18) CABA- Argentna Escuela de Cenca
Más detalles3. CORRESPONDENCIA DE IMÁGENES
UNIVERSIDAD DE SALAMANCA MASTER DE GEOTECNOLOGÍAS CARTOGRÁFICAS EN INGENIERÍA Y ARQUITECTURA 3. CORRESPONDENCIA DE IMÁGENES Dego González Agulera Departamento de Ingenería Cartográfca del Terreno Escuela
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 detallesGUIA DE ALCANCE FINANCIERO CAE OPERACIONES DE CRÉDITO HIPOTECARIO
INTRODUCCIÓN La ley 2.555 publcada el día 5 de dcembre de 211 y que entró en vgenca el día 4 de marzo de 212, que modca la ley 19.496 Sobre Proteccón de los Derechos de los Consumdores (LPC, regula desde
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 detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detalles