Los perceptrones multicapa (MLP, por su sigla en inglés)
|
|
- Ángel Rivas Parra
- hace 7 años
- Vistas:
Transcripción
1 ARNN: Un paquee para la predicción de series de iempo usando redes neuronales auorregresivas ARNN: A packages for ime series forecasing using auoregressive neural neworks Juan D. Velásquez. Ph.D., Crisian Zambrano. Es. & Laura Vélez. Es. Faculad de Minas, Universidad Nacional de Colombia jdvelasq@unal.edu.co; cozambra@unal.edu.co; lauravelez1@gmail.com Recibido para revisión 01 de abril de 2011, acepado 28 de junio de 2011, versión final 07 de julio de 2011 Resumen En ese arículo, se describe un paquee para el pronósico de series de iempo usando redes neuronales auoregresivas (y perceprones mulicapa imponiendo algunas resricciones al modelo) con función adapaiva de acivación. El uso de los paquees y algunas funcionalidades son ilusrados para una serie de iempo no lineal Palabras Clave Redes neuronales arificiales, lenguaje R, predicción. Absrac In his aricle, we describe a package for nonlinear ime series forecasing using auoregressive neural neworks (and mulilayer perceprons by imposing some resricions o he model) wih adapive acivaion funcion; The use of he package and some funcionaliy are illusraed for one nonlinear ime series. Keywords Arificial neural neworks, R language, predicion. I. INTRODUCCION Los perceprones mulicapa (MLP, por su sigla en inglés) parecen ser la arquiecura de redes neuronales arificiales más uilizada para la predicción de series de iempo no lineales [1]. Enre sus muchas aplicaciones se encuenran la predicción de precios de la elecricidad [2] y la demanda de energía elécrica [3]. Las redes neuronales auorregresivas (ARNN, por su sigla en inglés) se obienen al considerar la fusión de un modelo lineal auorregresivo [4] con un MLP. Su desarrollo concepual inicial esá basado en el desarrollo de un conrase esadísico de no linealidad en el que se comparan los dos modelos aneriores [5] [6] [7]. No obsane, la ARNN es una imporane alernaiva al uso de los MLP en la predicción de series de iempo debido a la incorporación de la componene lineal auorregresiva. Una de las principales herramienas para realizar el análisis y la predicción de series de iempo es el lenguaje de programación R [8], ya que posee un amplio reperorio de funciones para ese fin; una recopilación de las principales funciones implemenadas y paquees disponibles es presenada [9]. Adicionalmene, el lenguaje provee mecanismos para crear paquees insalables en su propio enorno de programación; durane la creación de cada paquee, el código fuene es analizado con el fin de verificar unas condiciones mínimas de calidad, que incluyen, enre oras, que cada función implemenada esé adecuada documenada en el sisema de ayuda. Aunque esa herramiena compuacional esá diseñada fundamenalmene para el cómpuo esadísico, resula muy apropiada para la programación de algorimos de ineligencia compuacional [10] ales como las redes neuronales arificiales. Ya se han desarrollado varios esfuerzos encaminados a la implemenación de modelos genericos de redes neuronales en el lenguaje R: En la versión del paquee nne [11], la función del mismo nombre permie crear modelos no lineales de regresión y clasificación usando redes de propagación hacia adelane con una sola capa ocula, enre las que se incluyen los MLP y redes similares a las ARNN; la opimización es realizada usando el algorimo BFGS del paquee opim. El paquee AMORE [13] permie la creación de modelos de regresión basados en modelos ipo MLP; la mayor novedad de ese paquee es la implemenación del algorimo TAO para la esimación de los parámeros de la red neuronal [13]. Los modelos de redes de propagación hacia adelane con resricciones monóonas para la solución de problema de regresión [14] son implemenados en el paquee monmlp [15]. El paquee neuralne permie la esimación de modelos MLP con el algorimo RPROP [16]. El paquee RSNNS permie el uso de los modelos de redes neuronales arificiales implemenados en el Sugar Neural Nework Simulaor desde el enorno R [17]. Revisa Avances en Sisemas e Informáica, Vol.8 No.2, julio de Medellín. ISSN
2 178 Revisa Avances en Sisemas e Informáica, Vol.8 No.2, julio de Medellín. ISSN La función NNET del paquee sdyn [18] permie el uso de redes neuronales ipo MLP para la predicción de series de iempo. La opimización es realizada usando el algorimo BFGS implemenado en la función opim. En ese mismo paquee se implemenan oras meodologías, ales como los modelos STAR. En ese arículo se discuen los algorimos implemenados y la funcionalidad del paquee ARNN escrio en el Lenguaje R para el cómpuo esadísico. El reso de ese arículo esá organizado como sigue: la descripción del modelo maemáico es presenada en la Sección II; la funcionalidad del paquee es presenada en la Sección III; finalmene, las principales conclusiones son presenadas en la Sección IV. II. LA RED NEURONAL AUTORREGRESIVA En esa sección se describe la arquiecura de la red neuronal. En un modelo ARNN, la variable dependiene y es obenida como una función no lineal de sus P valores pasados y p, para p= 1,, P: P H P y = η+ ϕ y + β G( ω + α y ) (1) * p p h h p, h p p= 1 h= 1 p= 1 donde G(. ) es la función sigmoidea adapaiva [19] definida como: ( ) G u 1 = 1 + exp( u) La arquiecura del modelo es presenada en la Figura 1. Los parámeros del modelo: ηϕ, p, βh, ωh, α ph, y M para i = 1,, P y h= 1,, H son esimados minimizando el error de regularización: M (2) λ E * (3) En la ecuación (3), λ es un parámero exerno definido * por el usuario; e son los errores enre el pronósico y y el valor deseado y. T es la longiud de la serie de iempo y. La úlima canidad es función, únicamene, de los parámeros del modelo: H P P H ( h h) ph (4) E = η + β + ω + ϕ + α *, h= 1 p= 1 p= 1h= 1 Figura 1. Arquiecura de una red neuronal auorregresiva. El modelo escrio en la Ecuación (1) se reduce a un perceprón mulicapa imponiendo la resricción: ϕ1 = ϕ2 = = ϕp. Igualmene, dicha red neuronal se reduce a un modelo auorregresivo imponiendo que H = 0. III. EL PAQUETE ARNN El paquee arnn implemena la red neuronal arificial descria en la sección anerior. Los apores alcanzados con el desarrollo de esa herramiena son los siguienes: Es una herramiena de usuario final, por lo que el usuario no debe preocuparse por los elemenos inernos de la implemenación. Las funciones implemenadas esán debidamene documenadas en el sisema de ayuda naivo del enorno. De esa forma, el paquee se inegra nauralmene denro de enorno. Su diseño y arquiecura compuacional esá basado profundamene en el paquee forecas de Hyndman y Khandakar [20], por lo que sólo fue necesario implemenar las funciones propias del modelo ARNN. El paquee forecas iene implemenaciones de oros modelos de predicción ampliamene uilizados, por lo que resula exremadamene fácil conrasar los resulados con los de oros modelos alernaivos. Finalmene, no hay implemenaciones de modelos ARNN con funciones adapaivas de acivación. El paquee consa de dos funciones principales: arnn para crear y esimar el modelo y forecas para pronosicar varios periodos adelane. Para ejemplificar el uso de la implemenación realizada se usará la serie del número de usuarios auenicados en un servidor de inerne cada minuo durane cien minuos. Esa
3 ARNN: Un paquee para la predicción de series de iempo usando redes neuronales auorregresivas Velásquez e ál 179 serie de iempo se encuenra disponible en el enorno R bajo la variable WWWusage. En ese caso paricular se desean usar las primeras 80 observaciones para la esimación del modelo y las 20 resanes para evaluar su capacidad de predicción. Una red neuronal que use los primeros cuaro rezagos de la serie como enrada y dos neuronas en su capa ocula puede ser creada mediane una simple llamada a la función arnn ; el código es presenado a coninuación: > ### separa la muesra de esimación > x <- s(wwwusage[1:80], s = 1, f = 1) > ### crea el modelo > fi <- arnn(x=x, lags=1:4, H=2) > fi Mehod: arnn Call: arnn(x=x, lags=1:4, H = 2) Parameers: M Wio[1] Wio[2] Wio[3] Wio[4] Wih[1,1] Wih[2,1] Wih[3,1] Wih[4,1] Wih[1,2] Wih[2,2] Wih[3,2] Wih[4,2] Wbh[1] Wbh[2] Who[1] Who[2] Wbo fo El paquee ambién permie calcular el pronósico varios periodos adelane. Para modelos no lineales, ese ipo de pronósico debe realizarse mediane simulación numérica ya que no exisen expresiones exacas analíicas. Ese proceso es descrio a coninuación.recas permie que se usen muchas de las funciones de ese úlimo. Por ejemplo, los esadísicos del error de ajuse pueden calcularse direcamene usando la función accuracy del paquee forecas : > accuracy(fi) ME RMSE MAE e e e+00 MPE MAPE MASE e e e-01 El pronósico un periodo adelane puede calcularse para oda la serie con el fin de evaluar el ajuse del modelo en la región de predicción exrapolaiva por fuera de la muesra de calibración de los parámeros. De esa forma, el siguiene código permie realizar esa area sin recalcular los parámeros: fi1 = arnn(x=wwwusage, model = fi) > accuracy(fied(fi1)[76:96], WWWusage[81:100]) ME RMSE MAE MPE MAPE Igualmene, graficar el valor real de la serie y el pronósico un periodo adelane es direco; por ejemplo, el gráfico presenado en la Figura 2 se obuvo con los siguienes comandos: > plo(wwwusage,lwd=2) > lines(fied(fi1),col= red,lwd=2) > grid() Sigma^2 esimaed as: LogL: Informaion Crieria: AK AKc HQ SC En ese caso, M es el exponene de la función sigmoidea adapaiva (ecuación (2)); Wih equivale a α ph,, Wbh equivale a ω, Who es equivalene a β, Wio equivale a h h ϕ y Wbo es η. Adicionalmene, el sisema calcula la varianza (Sigma^2) y el logarimo de la función de verosimiliud de los errores. Finamene, se imprimen los valores de los crierios de información de Akaike, Hannan-Quinn y Schwarz. La esimación numérica de los parámeros es realizada usando el algorimo BFGS implemenado en la función opim del paquee sas, cuya ejecución es conrolada con el argumeno opim.conrol de la función arnn. La implemenación realizada permie que el algorimo sea reiniciado varias veces de forma auomáica, de al manera que arnn devuelve el mejor modelo enconrado. La implemenación del paquee arnn basada en el paquee p Figura 2. Pronósico un paso adelane usando el modelo ARNN. El pronósico para el insane T + 1 puede realizare direcamene usando la ecuación (2) ya que odas las enradas a la red neuronal son conocidas. Para el insane T + 2 surge el problema al ener en cuena que para calcular el pronósico del
4 180 Revisa Avances en Sisemas e Informáica, Vol.8 No.2, julio de Medellín. ISSN periodo acual ( T + 2 ), una de las enradas de la red neuronal es el valor del periodo anerior ( T + 1 ) que es desconocido (no ha ocurrido) y es represenado por el pronósico para T + 1 que es una variable aleaoria. Una meodología acepada es generar series simuladas a parir del úlimo valor conocido y calcular el pronósico y sus inervalos de confianza a parir de ellas. La serie simulada se genera de la siguiene forma: Para el periodo T + 1, se calcula el pronósico como el valor calculado con la ecuación (1) más un error aleaorio; se obiene un posible valor para el periodo T + 1. El valor para el periodo T + 2, se calcula de igual manera que para el periodo T + 1, eso es aplicando la ecuación (1) y sumando un error aleaorio. Aquí se asume que el valor simulado para el periodo anerior fue el real. Se coninúa hasa cubrir odo el horizone de pronósico. El proceso anerior se repie para un número grande de series, de al forma, que para cada periodo del horizone de predicción se iene una muesra numérica de posibles valores que es igual a la canidad de series simuladas. A parir de cada muesra de cada periodo se obiene el valor esperado del pronósico y sus inervalos de confianza. Ese algorimo es discuido en [21]. El algorimo anerior esá implemenado en la función forecas del paquee arnn. Para su uso, se requiere que un modelo ya haya sido esimado. Por ejemplo, los siguienes comandos permien obener el pronósico 20 periodos adelane a parir de 1000 series simuladas así como los inervalos de confianza del 90%: > forecas(fi, h=20, level=90, fan=false, + boosrap=false, npahs=1000) Poin Forecas Lo 90 Hi Igualmene, es posible graficar direcamene el pronósico con (ver Figura 3): > plo(forecas(fi, h=20, level=90, fan=false, + boosrap=false, npahs=1000)) Tal como ya se indicó, un perceprón mulicapa puede obenerse direcamene a parir de un ARNN. En ese caso, eso puede realizarse con haciendo que el parámero ismlp de la función arnn sea igual a TRUE. Por ejemplo: > fi <- arnn(x=x, lags=1:4, H=2, ismlp=true) Figura 3. Pronósico varios periodos adelane obenidos usando la función forecas del paquee arnn. IV. CONCLUSIONES En ese arículo se describió una implemenación para esimar redes neuronales auorregresivas y perceprones mulicapa en el lenguaje R en el conexo de las series de iempo no lineales. En ese arículo sólo se han descrio las principales funciones y más información puede ser obenida del sisema de ayudas del paquee implemenado. REFERENCIAS [1] Zhang, G., B. Pauwo and M. HU (1998), Forecasing wih arificial neural neworks: he sae of he ar, Inernaional Journal of Forecasing 14: [2] Velásquez, J.D.; Dyner, I. y Souza, R.C. (2008), Modelado del precio spo de la elecricidad en Brasil usando una red neuronal auorregresiva, Ingeniare 16 (3): [3] Velásquez, J.D; Franco, C.J. y García, H.A. Un modelo no lineal para la predicción de la demanda mensual de elecricidad en Colombia, Esudios Gerenciales, 25 (112): [4] Box, G. E. P.; Jenkins, G. M. (1970). Time Series Analysis: Forecasing and Conrol. San Francisco: Holden Day Inc. [5] H. Whie. (1989), An addiional hidden uni es for negleced nonlineariy in mulilayer feedforward neworks. Proceedings of he Inernaional Join Conference on Neural Neworks, 2: IEEE Press. Washingon DC., New York. [6] Lee, T.H.; Whie, H.: Granger, C.W.J.. (1993), Tesing for negleced nonlineariy in ime series models. Journal of
5 ARNN: Un paquee para la predicción de series de iempo usando redes neuronales auorregresivas Velásquez e ál 181 Economerics. Vol. 56, pp [7] Teräsvira, T.; Lin, C.F. and Granger, C.W.J.. (1993) Power of he neural nework lineariy es. Journal of Time Series Analysis, 14: [8] Ihaka, R.; Genleman, R. (1996), R: A language for daa analysis and graphics. Journal of Compuaional and Graphical Saisics 5: [9] Velásquez, J.D.; Olaya, Y. y Franco, C.J. (2011), Análisis y predicción de series de iempo en mercados de energía usando el lenguaje R. DYNA, 78 (165): [10] Velásquez, J.D.; Monoya, O.; Casaño, N. (2010), Es el proyeco R para la compuación esadísica apropiado para la ineligencia arificial. Ingeniería y Compeiividad, 12(2): [11] Ripley, B. Package nne : Feed-forward Neural Neworks and Mulinomial Log-Linear Models, Disponible en hp://cran.rprojec.org/web/packages/nne/ (úlima consula en 06/07/2011) [12] Casejón, M.; Ordieres, J. ; González, A.; Pernía, A.V.; Marínez, F.J.; Alba, F. (2010), Package AMORE: A MORE flexible neural neworks package. Disponible en hp://cran.r-projec.org/web/ packages/amore/ (úlima consula en 06/07/2011) [13] Pernía Espinoza, A.V., Ordieres Meré, J.B., Marínez de Pisón, F.J., González Marcos. A. (2005), TAO-robus backpropagaion learning algorihm. Neural Neworks. 18 (2): [14] Zhang, H.; Zhang, Z. (1999), Feedforward neworks wih monoone consrains. In: Inernaional Join Conference on Neural Neworks, 3: [15] Cannon, A.J. (2010), Package monmlp : Monoone muli-layer percepron neural nework. Disponible en hp://cran.r-projec. org/web/packages/monmlp/ (úlima consula en 06/07/2011) [16] Frisch, S.; Guenher, F. (2010), neuralne: Training of neural neworks. Disponible en hp://cran.r-projec.org/web/packages/ neuralne/ (úlima consula en 06/07/2011) [17] Bergmeir, C. (2011), RSNNS: Neural Neworks in R using he Sugar Neural Nework Simulaor. Disponible en hp://cran.rprojec.org/web/packages/rsnns/ (úlima consula en 06/07/2011). [18 Di Narzo, F.A.; Aznare, J.L.; Sigler, M. (2011), sdyn: Nonlinear ime series models wih regime swiching. Disponible en hp:// cran.r-projec.org/web/packages/sdyn/ (úlima consula en 06/07/2011) [19] Chandra, P.; Singh, Y. (2004), An acivaion funcion adaping raining algorihm for sigmoidal feedforward neworks. Neurocompuing, 61: [20] Hyndman, R. J.; Khandakar, Y. (2008), Auomaic ime series forecasing: The forecas Package for R. Journal of Saisical Sofware 27 (3):1-24. [21] Velásquez, J.D.; Dyner, I.; Souza, R.C. (2006), Tendencias en la predicción y esimación de los inervalos de confianza usando modelos de redes neuronales aplicados a series emporales. DYNA 73 (149):
Las señales pueden ser también, señales continuas o señales alternas.
INSIUO ÉCNICO SLESINO LORENZO MSS ema 1: CONCEPOS PRELIMINRES LLER DE MEDICIONES Conenido: Concepo de señal elécrica. Valores caracerísicos de las señales elécricas: Frecuencia (período, Fase, Valor de
Más detallesLuis H. Villalpando Venegas,
2007 Luis H. Villalpando Venegas, [SIMULACIÓN DE PRECIOS DEL PETROLEO BRENT ] En ese rabajo se preende simular el precio del peróleo Bren, a ravés de un proceso esocásico con reversión a la media, con
Más detallesLos datos fueron obtenidos de una publicación del Golden Gate Bridge.
Pronósicos Resumen El procedimieno Pronósicos esa diseñado para pronosicar valores fuuros de daos de series de iempo. Una serie de iempo consise de un conjuno secuencial de daos numéricos omados en inervalos
Más detallesDepartamento de Ingeniería Hidráulica y M.A. de la U.P.V HIDROGRAMA UNITARIO
Deparameno de Ingeniería Hidráulica y M.A. de la U.P.V. 6 6.- HIDROGRAMA UNITARIO Deparameno de Ingeniería Hidráulica y M.A. de la U.P.V. 63 PROBLEMA RESUELTO 1 El HU de una cuenca para una lluvia de 1
Más detalles1.- ALGORITMOS RÁPIDOS PARA LA EJECUCIÓN DE FILTROS DE PILA
hp://www.vinuesa.com 1.- ALGORITMOS RÁPIDOS PARA LA EJECUCIÓN DE FILTROS DE PILA 1.1.- INTRODUCCIÓN Los filros de pila consiuyen una clase de filros digiales no lineales. Un filro de pila que es usado
Más detallesUn algoritmo para la Planificación de Producción en un Sistema en Red de Fabricación basada en Sistemas Multiagente 1
X Congreso de Ingeniería de Organización Valencia, 7 y 8 de sepiembre de 2006 Un algorimo para la Planificación de Producción en un Sisema en Red de Fabricación basada en Sisemas Muliagene 1 Julio J. García-Sabaer
Más detallesTEMA 1 INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL. 1. Sistemas analógicos y digitales.
T-1 Inroducción a la elecrónica digial 1 TEMA 1 INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL El raamieno de la información en elecrónica se puede realizar de dos formas, mediane écnicas analógicas o mediane écnicas
Más detallesECONOMETRÍA EMPRESARIAL II ADE
4 Bernardí Cabrer Economería Empresarial II Tema 8 ECONOMETRÍA EMPRESARIAL II ADE TEMA 8 MODELOS LINEALES SIN ESTACIONALIDAD I ( Modelos regulares 4 Bernardí Cabrer Economería Empresarial II Tema 8 8.
Más detallesLÍNEAS DE MONTAJE CON TIEMPOS DEPENDIENTES DEL TIPO DE OPERARIO
27 Congreso Nacional de Esadísica e Invesigación Operaiva Lleida, 8-11 de abril de 2003 LÍNEAS DE MONTAJE CON TIEMPOS DEPENDIENTES DEL TIPO DE OPERARIO A. Corominas 1, R. Pasor 1, J. Plans 2 1 Insiuo de
Más detallesGUÍA DE MOVIMIENTO RECTILÍNEO UNIFORME
INSTITUTO NACIONAL Deparameno de Física Coordinación Segundo Medio 06. GUÍA DE MOVIMIENTO RECTILÍNEO UNIFORME NOMBRE: CURSO: Caracerísica general de M.R.U: Si una parícula se mueve en la dirección del
Más detallesMODELOS PARA SERIES DE TIEMPO CON ESTACIONALIDAD COMPLEJA
Decimocavas Jornadas "Invesigaciones en la Faculad" de Ciencias Económicas y Esadísica. Noviembre de 2013. Blaconá, María Teresa Andreozzi, Lucía Insiuo de Invesigaciones Teóricas y Aplicadas de la Escuela
Más detallesCircuitos para observar la descarga y carga de un capacitor.
IUITO Objeivo Enconrar el comporamieno de la diferencia de poencial en función del iempo, (), enre los exremos de un capacior cuando en un circuio se carga y cuando se descarga el capacior. INTODUION onsidere
Más detallesModelos de Ajuste Nominal Incompleto. Por Agustín Casas, UdeSa. Diego Hofman, Princeton. Analía Olgiati, BID. Javier DiFiori, Morgan Stanley
Modelos de Ajuse Nominal Incompleo Por Agusín Casas, UdeSa. Diego Hofman, Princeon. Analía Olgiai, BID. Javier DiFiori, Morgan Sanley JEL CLASS: E12 - Keynes; Keynesian; Pos-Keynesian E13 - Neoclassical
Más detallesMMII_L3_C5: Problema de la cuerda finita: Métodos directo y de las imágenes. Guión:
MMII_L_C5: Problema de la cuerda finia: Méodos direco y de las imágenes. Guión: En esa lección se esudia el problema de una cuerda finia, por lo ano, es el problema con dos condiciones de conorno. Como
Más detallesUNIDAD 6: CONGELACIÓN DE ALIMENTOS. GUIA DE PROBLEMAS RESUELTOS (Versión ALFA)
UNIVERSIDAD AUSTRAL DE CHILE INSTITUTO DE CIENCIA Y TECNOLOGIA DE LOS ALIMENTOS / ASIGNATURA : Ingeniería de Procesos III (ITCL 4) PROFESOR : Elon F. Morales Blancas UNIDAD 6: CONGELACIÓN DE ALIMENTOS
Más detallesE A PREDICCIÓN NO-LINEAL DE TIPOS DE CAMBIO. APLICACIÓN DE UN ALGORITMO GENÉTICO. MARCOS ÁLVAREZ-DÍAZ Department of Economics, Columbia University
Revisa de Economía Aplicada E Número 35 (vol. XII), 2004, págs. 55 a 64 A PREDICCIÓN NO-LINEAL DE TIPOS DE CAMBIO. APLICACIÓN DE UN ALGORITMO GENÉTICO MARCOS ÁLVAREZ-DÍAZ Deparmen of Economics, Columbia
Más detallesMetodología de cálculo del diferencial base
Meodología de cálculo del diferencial base El diferencial base es el resulado de expresar los gasos generales promedio de operación de las insiuciones de seguros auorizadas para la prácica de los Seguros
Más detallesTema 5. Autómatas Programables. (PLC). Implementación II.
Auómaas Programables. (PLC). Implemenación II.- Página 1 de 5 ema 5. Auómaas Programables. (PLC). Implemenación II. 5.1 Inroducción. Hasa ahora hemos usado solo algunas de las posibilidades del PLC que
Más detallesPRÁCTICA 2: Ejercicios del capítulo 4
PRÁCTICA : Ejercicios del capíulo 4. Un psicólogo clínico desea evaluar la eficacia de una erapia para reducir la ansiedad de los ejecuivos que padecen esrés en la oma de decisiones empresariales. Para
Más detallesCapítulo 5 Sistemas lineales de segundo orden
Capíulo 5 Sisemas lineales de segundo orden 5. Definición de sisema de segundo orden Un sisema de segundo orden es aquel cuya salida y puede ser descria por una ecuación diferencial de segundo orden: d
Más detallesMétodos de Previsión de la Demanda Datos
Daos Pronósico de la Demanda para Series Niveladas Esime la demanda a la que va a hacer frene la empresa "Don Pinzas". La información disponible para poder esablecer el pronósico de la demanda de ese produco
Más detallesAnálisis espectral Tareas
Análisis especral Tareas T3.1: Implemenación y represenación del periodograma El objeivo de esa area es que los alumnos se familiaricen con la función más sencilla de análisis especral no paramérico. Programe
Más detallesUNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA
UNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA Por Mónica Orega Moreno Profesora Esadísica. Deparameno Economía General y Esadísica RESUMEN El aumeno de la siniesralidad laboral
Más detallesComo Calcular la Tasa de Crecimiento de los Agregados Macroeconómicos Mediante el Análisis de Regresión
Como Calcular la Tasa de Crecimieno de los Agregados Macroeconómicos Mediane el Análisis de Regresión HL Maa 1 La esadísica ha generado diversos indicadores para medir el crecimieno de los agregados económicos,
Más detallesModelo de regresión lineal simple
Modelo de regresión lineal simple Inroducción Con frecuencia, nos enconramos en economía con modelos en los que el comporamieno de una variable,, se puede explicar a ravés de una variable X; lo que represenamos
Más detallesEcuaciones diferenciales, conceptos básicos y aplicaciones
GUIA 1 Ecuaciones diferenciales, concepos básicos y aplicaciones Las ecuaciones diferenciales ordinarias son una herramiena básica en las ciencias y las ingenierías para el esudio de sisemas dinámicos
Más detallesAnálisis Estadístico de Datos Climáticos
Análisis Esadísico de Daos Climáicos SERIES TEMPORALES I Mario Bidegain (FC) Alvaro Diaz (FI) Universidad de la República Monevideo, Uruguay 2011 CONTENIDO Esudio de las series emporales en Climaología.
Más detallesConstrucción de señales usando escalones y rampas
Consrucción de señales usando escalones y rampas J. I. Huircán Universidad de La Fronera March 3, 24 bsrac Se planean méodos para componer y descomponer señales basadas en escalones y rampas. Se de ne
Más detallesTema 3. Circuitos capacitivos
Inroducción a la Teoría de ircuios Tema 3. ircuios capaciivos. Inroducción... 2. Inerrupores... 3. ondensadores... 2 3.. Asociación de capacidades.... 5 ondensadores en paralelo... 5 ondensadores en serie...
Más detallesGuía de Ejercicios Econometría II Ayudantía Nº 3
Guía de Ejercicios Economería II Ayudanía Nº 3 1.- La serie del dao hisórico del IPC Español desde enero de 2002 hasa diciembre de 2011, esá represenada en el siguiene gráfico: 115 110 105 100 95 90 85
Más detallesEvaluación asimétrica de una red neuronal artificial: Aplicación al caso de la inflación en Colombia. Maria Clara Aristizábal Restrepo.
Evaluación asimérica de una red neuronal arificial: Aplicación al caso de la inflación en Colombia Maria Clara Arisizábal Resrepo Resumen El objeivo de ese rabajo es explorar la relación no lineal enre
Más detallesCobertura de una cartera de bonos con forwards en tiempo continuo
Coberura de una carera de bonos con forwards en iempo coninuo Bàrbara Llacay Gilber Peffer Documeno de Trabajo IAFI No. 7/4 Marzo 23 Índice general Inroducción 2 Objeivos......................................
Más detallesCapítulo 4 Sistemas lineales de primer orden
Capíulo 4 Sisemas lineales de primer orden 4. Definición de sisema lineal de primer orden Un sisema de primer orden es aquel cuya salida puede ser modelada por una ecuación diferencial de primer orden
Más detallesPROCESOS ESTOCÁSTICOS PROCESOS ESTOCÁSTICOS INTEGRAL ESTOCÁSTICA ECUACIONES DIFERENCIALES ESTOCASTICAS: LEMA DE ITO
PROCESOS ESOCÁSICOS PROCESOS ESOCÁSICOS INEGRAL ESOCÁSICA ECUACIONES DIFERENCIALES ESOCASICAS: LEMA DE IO Procesos esocásicos Un proceso esocásico describe la evolución emporal de una variable aleaoria.
Más detallesMATEMÁTICAS II. x x x d) ( ) b) Como el grado del numerador y del denominador son iguales, hay que empezar por hacer la división.
Albero Enero Conde Maie González Juarrero Inegral indefinida. Cálculo de primiivas Ejercicio Calcula la siguienes inegrales a) d b) d c) 6 d d) 3 d e) d 9 e a) Haciendo el cambio de variable d d. d d d
Más detallesIGEP Tema 2. Leyas financieras básicas: estudio usando aplicaciones informáticas.
IGEP Tema 2. Leyas financieras básicas: esudio usando aplicaciones informáicas. onenido. apial financiero... 2. Leyes financieras: capialización y descueno...4 2. Leyes de capialización...4 2.2 Leyes de
Más detallesCURVAS PLANAS, ECUACIONES PARAMETRICAS Y COORDENADAS POLARES 2.1 CURVAS PLANAS Y ECUACIONES PARAMETRICAS
CURVAS PLANAS, ECUACIONES PARAMETRICAS Y COORDENADAS POLARES.1 CURVAS PLANAS Y ECUACIONES PARAMETRICAS Hasa ahora conocemos la represenación de una grafica mediane una ecuación con dos variables. En ese
Más detallesExamen Parcial de Econometría II. Nombre: RESOLUCION DEL EXAMEN PARCIAL Paralelo:
Escuela Superior Poliécnica del Lioral Faculad de Economía y Negocios 30-11-2011 Examen Parcial de Economería II Nombre: RESOLUCION DEL EXAMEN PARCIAL Paralelo: REGLAMENTO DE EVALUACIONES Y CALIFICACIONES
Más detalles1 Introducción... 2. 2 Tiempo de vida... 3. 3 Función de fiabilidad... 4. 4 Vida media... 6. 5 Tasa de fallo... 9. 6 Relación entre conceptos...
Asignaura: Ingeniería Indusrial Índice de Conenidos 1 Inroducción... 2 2 Tiempo de vida... 3 3 Función de fiabilidad... 4 4 Vida media... 6 5 Tasa de fallo... 9 6 Relación enre concepos... 12 7 Observaciones
Más detallesMECANISMOS DE TRANSMISIÓN
MECANISMOS DE TRANSMISIÓN DE LA POLÍTICA MONETARIA EN MÉXICO MIGUEL MESSMACHER LINARTAS* * Las opiniones expresadas en ese documeno son exclusivamene del auor y no necesariamene reflejan las del Banco
Más detallesControl Digital. Práctica de Regulación Automática I. Abel Alberto Cuadrado Vega 24 de mayo de 2004
Conrol Digial Prácica e Regulación Auomáica I Abel Albero Cuarao Vega 24 e mao e 2004 1. Esquema e conrol igial El esquema básico el conrol igial figura 2) es semejane al el conrol analógico figura 1)
Más detallesEl OSCILOSCOPIO * X V d
UNIVERSIDAD NACIONAL DE COLOMBIA Deparameno de Física Fundamenos de Elecricidad y Magneismo Guía de laboraorio N o 10 Objeivos 1. Conocer y aprender a usar el osciloscopio. 2. Aprender a medir volajes
Más detallesTécnicas cualitativas para las Ecuaciones diferenciales de primer orden: Campos de pendientes y líneas de fase
Lección 5 Técnicas cualiaivas para las Ecuaciones diferenciales de primer orden: Campos de pendienes y líneas de fase 5.. Técnicas Cualiaivas Hasa ahora hemos esudiado écnicas analíicas para calcular,
Más detallesExperimento 3. Análisis del movimiento en una dimensión. Objetivos. Teoría
Experimeno 3 Análisis del movimieno en una dimensión Objeivos. Esablecer la relación enre la posición y la velocidad de un cuerpo en movimieno 2. Definir la velocidad como el cambio de posición en un inervalo
Más detallesMETODOLOGÍA PARA EL AJUSTE DE LAS TASAS DE ESCOLARIZACIÓN A PARTIR DE LA INFORMACIÓN DEL CENSO NACIONAL DE POBLACIÓN, HOGARES Y VIVIENDA DE 2001
METODOLOGÍA PARA EL AJUSTE DE LAS TASAS DE ESCOLARIZACIÓN A PARTIR DE LA INFORMACIÓN DEL CENSO NACIONAL DE POBLACIÓN, HOGARES Y VIVIENDA DE 2001 Insiuo Nacional de Esadísica y Censos (INDEC) Dirección
Más detallesFundamentos de Electrónica - Análisis de Circuitos en Corriente Alterna 2
Fundamenos de Elecrónica - Análisis de Circuios en Corriene Alerna 1 Análisis de Circuios en Corriene Alerna 1. Inroducción: Coninuando con el esudio de los principios básicos que rigen el comporamieno
Más detallesPRÁCTICA 3: Sistemas de Orden Superior:
PRÁCTICA 3: Sisemas de Orden Superior: Idenificación de modelo de POMTM. Esabilidad y Régimen Permanene de Sisemas Realimenados Conrol e Insrumenación de Procesos Químicos. . INTRODUCCIÓN Esa prácica se
Más detalles6 METODOLOGÍA PROPUESTA PARA VALORAR USOS IN SITU DEL AGUA
38 6 METODOLOGÍA PROPUESTA PARA VALORAR USOS IN SITU DEL AGUA 6.1 Méodo general Para valorar los usos recreacionales del agua, se propone una meodología por eapas que combina el uso de diferenes écnicas
Más detallesMEDICIÓ N DEL VALOR ECONÓ MICO AGREGADO: INVERSIÓ N RECUPERADA Y VALOR AGREGADO IRVA
MEDICIÓ N DEL VALOR ECONÓ MICO AGREGADO: INVERSIÓ N RECUPERADA Y VALOR AGREGADO IRVA (Borrador) Ignacio Vélez-Pareja Deparameno de Adminisración Universidad Javeriana, Bogoá, Colombia Abril de 2000 Resumen
Más detallesPREDICCIÓN NO-LINEAL DE TIPOS DE CAMBIO: ALGORITMOS GENÉTICOS, REDES NEURONALES Y FUSIÓN DE DATOS
PREDICCIÓN NO-LINEAL DE TIPOS DE CAMBIO: ALGORITMOS GENÉTICOS, REDES NEURONALES Y FUSIÓN DE DATOS MARCOS ALVAREZ-DIAZ * Deparmen of Applied Economics, Universiy of Vigo Lagoas- Marcosende Vigo, Spain and
Más detallesAnálisis de inversiones y proyectos de inversión
Análisis de inversiones y proyecos de inversión Auora: Dra. Maie Seco Benedico Índice 5. Análisis de Inversiones 1. Inroducción. 2. Crierios para la valoración de un proyeco. 3. Técnicas de valoración
Más detallesGUÍA DE EJERCICIOS DE VARIABLES ALEATORIAS
PROBABILIDAD Y ESTADÍSTICA MAT GUÍA DE EJERCICIOS DE VARIABLES ALEATORIAS. El vendedor de un pueso de periódicos asigna las siguienes probabilidades de demanda de la revisa Fine: Suceso : Demanda de ejemplares
Más detallesPREDICCIÓN DE LA VOLATILIDAD DE LOS RENDIMIENTOS DEL ÍNDICE GENERAL DE LA BOLSA DE MADRID: EL PAPEL DE LAS ASIMETRÍAS
PREDICCIÓN DE LA VOLATILIDAD DE LOS RENDIMIENTOS DEL ÍNDICE GENERAL DE LA BOLSA DE MADRID: EL PAPEL DE LAS ASIMETRÍAS Israel Senra Díaz * Deparameno de Esadísica, Esrucura Económica y O.E.I. Universidad
Más detallesMODELOS DE VECTORES AUTOREGRESIVOS (VAR) DR. LUIS MIGUEL GALINDO
MODELOS DE VECTORES AUTOREGRESIVOS (VAR) DR. LUIS MIGUEL GALINDO VAR: GENERAL Represenación del modelo VAR: () + + = e e A A A A w w c c c c L L L L L L L L ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( Selección:.
Más detallesy = log b x b y =x. ln(e x ) = x = e lnx.
5. FUNCIÓN LOGARÍTMICA La función logarímica de base b se define como la inversa de la función exponencial con base b. Es decir, el logarimo de base b de un número x es el exponene al cual debe elevarse
Más detallesCAPÍTULO 5. INTEGRACIÓN DE FUNCIONES TRIGONOMÉTRICAS 5.1. Introducción 5.2. Cambios de variable 5.3. Transformación en sumas 5.4. Problemas resueltos
CAPÍTULO 5. INTEGRACIÓN DE FUNCIONES TRIGONOMÉTRICAS 5.. Inroducción 5.. Cambios de variable 5.3. Transformación en sumas 5.4. Problemas resuelos 5.5. Inegración por recurrencia Capíulo 5 Inegración de
Más detallesENERGY SAVER DIGITAL CONTROL OF A SINGLE PHASE INDUCTION MOTOR USING A DSP
Recibido: 22 de enero de 2011 Acepado: 10 de marzo de 2011 ENERGY SAVER DIGITAL CONTROL OF A SINGLE PHASE INDUCTION MOTOR USING A DSP CONTROL DIGITAL BASADO EN DSP PARA UN MOTOR DE INDUCCIÓN MONOFÁSICO
Más detallesÁREA DE FÍSICA DE LA TIERRA SISMOLOGÍA E INGENIERÍA SÍSMICA (PRÁCTICAS)
ÁREA DE FÍSICA DE LA TIERRA SISMOLOGÍA E INGENIERÍA SÍSMICA (PRÁCTICAS) Anexo VI Prácicas de Sismología e Ingeniería Sísmica PRACTICA 5. TRATAMIENTO DE ACELEROGRAMAS. 1. OBJETIVO Aprender a llevar a cabo
Más detallesNavegación Autónoma de un Robot Móvil usando Técnicas Probabilísticas de Localización y Mapeo basadas en Métodos Monte Carlo Secuenciales
Navegación Auónoma de un Robo Móvil usando Técnicas Probabilísicas de Localización y Mapeo basadas en Méodos Mone Carlo Secuenciales Iván A. Calle Flores Universidad Nacional de Ingeniería icallef@uni.pe
Más detallesLÍNEAS DE FASES. Fig. 1. dx (1) dt se llama Ecuación Diferencial Ordinaria (E.D.O.) de Primer Orden definida en Ω.
LÍNEAS DE FASES E. SÁEZ Sea el dominio Ω R R y la función F : Ω R. F R Ω Una epresión de la forma Fig. 1 d (1) = F(,), o bien, ẋ = F(,) se llama Ecuación Diferencial Ordinaria (E.D.O.) de Primer Orden
Más detallesUNIVERSIDAD DE MATANZAS CAMILO CIENFUEGOS FACULTAD DE INGENIERIAS QUÍMICA MECANICA. MONOGRAFÍA LAS SERIES CRONOLÓGICAS EN EL MANTENIMIENTO PREDICTIVO
UNIVERSIDAD DE MATANZAS CAMILO CIENFUEGOS FACULTAD DE INGENIERIAS QUÍMICA MECANICA. MONOGRAFÍA LAS SERIES CRONOLÓGICAS EN EL MANTENIMIENTO PREDICTIVO Ing. Laureano Suárez Marínez 1 MSc Juan Landa García.
Más detallesSERIES TEMPORALES. Cecilia Esparza Catalán
SERIES TEMPORALES Cecilia Esparza Caalán Cecilia Esparza Caalán ÍNDICE Página.- INTRODUCCIÓN.. 2 2.- ANÁLISIS PRELIMINAR DE UNA SERIE... 3 - Tendencia y nivel de la serie.... 4 - Esacionalidad.... 9 -
Más detallesUna nota muy breve sobre los choques externos a la economía española
Una noa muy breve sobre los choques exernos a la economía española Jesús Rodríguez López Resumen: En qué medida los choques exernos in uyen en el crecimieno y la in ación en España? Qué afeca más al crecimieno,
Más detallesSensor Foto Puente. Experimentos típicos. Modo de funcionamiento
Sensor Foo Puene DT37 El sensor foo puene puede ser conecado a los recolecores de daos ITP-C, MuliLogPRO o TriLink. Es un foopuene para propósios generales, que mide el iempo que arda un objeo en pasar
Más detallesMedición del tiempo de alza y de estabilización.
PRÁCTICA # 2 FORMAS DE ONDA 1. Finalidad Esudiar la respuesa de configuraciones circuiales simples a diferenes formas de exciación. Medición del iempo de alza y de esabilización. Medición del reardo. Medición
Más detallesKeywords: seguro de vida, provisión matemática, probabilidad, función de distribución, solvencia, value at risk, VAT, valor actual neto, VAN.
El seguro de vida como variable aleaoria. Cómo calcular su función de disribución. Nieo Ranero, Armando Universiy of Valencia, Spain Do. Maemáicas Económico Empresarial, Edificio Deparamenal Orienal, Av.
Más detallesPREDICCIÓN CON REDES NEURONALES: COMPARACIÓN CON LAS METODOLOGÍAS DE BOX Y JENKINS. Autora Joanna Verónica Collantes Duarte
UNIVERSIDAD DE LOS ANDES FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES INSTITUTO DE ESTADÍSTICA APLICADA Y COMPUTACIÓN PREDICCIÓN CON REDES NEURONALES: COMPARACIÓN CON LAS METODOLOGÍAS DE BOX Y JENKINS Auora
Más detallesProgramación y políticas financieras con metas de inflación: El caso de Colombia. Capítulo 5: Modelos de metas de inflación
Programación y políicas financieras con meas de inflación: El caso de Colombia Capíulo 5: Modelos de meas de inflación Preparado por V. Hugo Juan-Ramón Ocubre 2008 2 Conenido I. Inroducción II. III. IV.
Más detallesCOMPARACIÓN Y COMBINACIÓN DE PREDICCIONES: APLICACIÓN A LAS SERIES TEMPORALES
COMPARACIÓN Y COMBINACIÓN DE PREDICCIONES: APLICACIÓN A LAS SERIES EMPORALES Blanca Moreno Cuaras - morenob@econo.uniovi.es Ana Jesús López Menéndez - anaj@aulane.uniovi.es Manuel Landajo Álvarez - landajo@econo.uniovi.es
Más detallesDISEÑO DE UN SISTEMA ROBÓTICO CARTESIANO PARA APLICACIONES INDUSTRIALES
REVISA FACULAD DE INGENIERÍA, U..A. (CHILE), VOL 11 N 2, 2003, pp. 11-16 DISEÑO DE UN SISEMA ROBÓICO CARESIANO PARA APLICACIONES INDUSRIALES Jorge Roas V. 1 Ingeborg Mahla 2 A. Gerardo Muñoz C. 1 Daniel
Más detallesCómo se debe contabilizar la deuda de pensiones en el sector público? 1/
ISSN 02-6375 Boleín 259, junio de 2007 Álvaro rigueros Argüello Cómo se debe conabilizar la deuda de pensiones en el secor público? /. Inroducción En 200 y 2003 Fusades publicó dos esudios sobre la sosenibilidad
Más detallesAplicaciones de la Probabilidad en la Industria
Aplicaciones de la Probabilidad en la Indusria Cuara pare Final Dr Enrique Villa Diharce CIMAT, Guanajuao, México Verano de probabilidad y esadísica CIMAT Guanajuao,Go Julio 010 Reglas para deección de
Más detallesUNA APROXIMACION A LA SOSTENIBILIDAD FISCAL EN REPUBLICA DOMINICANA Juan Temístocles Montás
UNA APROXIMACION A LA SOSTENIBILIDAD FISCAL EN REPUBLICA DOMINICANA Juan Temísocles Monás Puede el comporamieno acual de la políica fiscal sosenerse sin generar una deuda pública que crezca sin límie?
Más detallesUso de Análisis Factorial Dinámico para Proyecciones Macroeconómicas
Uso de Análisis Facorial Dinámico para Proyecciones Macroeconómicas Alvaro Aguirre y Luis Felipe Céspedes * Resumen En ese rabajo implemenamos el méodo desarrollado por Sock y Wason (998) de análisis facorial
Más detallesUNIDAD IX. Técnicas de Suavización
UNIDAD IX Técnicas de Suavización UNIDAD IX La esadísica demuesra que suele ser más fácil hacer algo bien que explicar por qué se hizo mal. Allen L. Webser, 1998 Cuál es el objeivo de la Técnica de suavización?
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D o de Economía Aplicada Cuaniaiva I Basilio Sanz Carnero PROCESOS ESTOCÁSTICOS Un proceso esocásico «Z» considera «n» variables aleaorias, Z n, en momenos de iempo sucesivos, cada una de esas «n» variables
Más detallesALGORITMOS GENÉTICOS VERSUS FILTRO DE KALMAN EN LA PREDICCIÓN DE ACCIONES NORTEAMERICANAS: GE, GM, IBM, UTX Y VZ
UNIVERSIDAD DE CHILE FACULTAD DE ECONOMÍA Y NEGOCIOS ALGORITMOS GENÉTICOS VERSUS FILTRO DE KALMAN EN LA PREDICCIÓN DE ACCIONES NORTEAMERICANAS: GE, GM, IBM, UTX Y VZ Seminario para opar al íulo de Ingeniero
Más detallesEstadística de Valor Tasado de Vivienda
Esadísica de Valor Tasado de Vivienda Meodología Subdirección General de Esudios y Esadísicas Madrid, enero de 2016 Índice 1 Inroducción 2 Objeivos 3 Ámbios de la esadísica 3.1 Ámbio poblacional 3.2 Ámbio
Más detallesCómo graficar curvas en el plano con la ClassPad? Prof. Robinson Arcos
Cómo graficar curvas en el plano con la ClassPad? Prof Robinson Arcos INTRODUCCIÓN: La Aplicación Gráficos & Tablas de la Class Pad, permie dibujar porciones de curvas en plano caresiano cuando ellas represenadas
Más detallesIntroducción a la Estadística Empresarial. Capítulo 4.- Series temporales Jesús Sánchez Fernández
Inroducción a la Esadísica Empresarial. Capíulo 4.- Series emporales CAPITULO 4.- SERIES TEMPORALES 4. Inroducción. Hasa ahora odas las variables que se han esudiado enían en común que, por lo general,
Más detallesEnfoques de Programación Matemática para la Previsión de la Demanda mediante descomposición de series temporales
IX Congreso de Ingeniería de Organización Gijón, 8 y 9 de sepiembre de 2005 Enfoques de Programación Maemáica para la Previsión de la Demanda mediane descomposición de series emporales Josefa Mula Bru,
Más detallesLaboratorio de Automatización industrial Experiencia 3
UNIVERSIDAD DE SANTIAGO DE CHILE Deparameno de Ingeniería Elécrica Laboraorio de Auomaización indusrial Experiencia 3 Acualizado al 4 de mayo de 003 Hugo Caro Veloz Ingeniero de Ejecución en Elecricidad
Más detallesEl Riesgo Cambiario y el Efecto Euro en los Tipos de Cambio de Contado.
El Riesgo Cambiario y el Efeco Euro en los Tipos de Cambio de Conado. Yolanda Sanana Jiménez Jorge V. Pérez-Rodríguez Deparameno de Méodos Cuaniaivos Universidad de Las Palmas de G.C. Resumen: En ese rabajo
Más detallesDinámica del spread on shore en Chile *
Dinámica del spread on shore en Chile * Auores: Luis Opazo ** y Bárbara Ulloa *** I. Inroducción La asa on shore corresponde a la esimación de la asa exerna relevane para el mercado cambiario nacional,
Más detallesESTIMACIÓN DE UNA FUNCIÓN DE REACCIÓN PARA LA TASA DE INTERÉS DE POLÍTICA DEL BANCO CENTRAL DE COSTA RICA
BANCO CENTRAL DE COSTA RICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS DIVISIÓN ECONÓMICA DOCUMENTO DE INVESTIGACIÓN DIE-04-2003-DI/R OCTUBRE 2003 ESTIMACIÓN DE UNA FUNCIÓN DE REACCIÓN PARA LA TASA DE
Más detallesEstructura económica y desempleo en Colombia: un análisis VEC 1
Esrucura económica y desempleo en Colombia: un análisis VEC 1 Economic srucure and unemploymen in Colombia: a VEC analysis Esruura econômica e desemprego na Colômbia: uma análise VEC Saniago Bonilla Cárdenas
Más detallesMIDI S-35. Canal MIDI 1 Melodía Canal MIDI 2 Bajo Canal MIDI 10 Baterías MIDI IN. Canal de recepción MIDI =1 Ejecuta la melodía.
/ VARIATION/ ACCOMP PLAY/PAUSE REW TUNE/MIDI 3- LESSON 1 2 3 MIDI Qué es la MIDI? La sigla MIDI significa Inerfaz Digial para los Insrumenos Musicales, que es el nombre de una norma mundial para las señales
Más detallesEl Transistor como Ampli cador
1 El Transisor como Ampli cador R. Carrillo, J.I.Huircan Absrac La incorporación de exciaciones de corriene alerna (ca), produc en ariaciones en i B, BE, las que asu ez modi can las ariables y V CE del
Más detallesMetodología de Cálculo Mensual de los Índices de Precios de Comercio Exterior
Meodología de Cálculo Mensual de los Índices de Precios de Comercio Exerior Dirección Técnica de Indicadores Económicos Dirección Ejecuiva de Índices de Precios LIMA PERÚ Ocubre de 2013 1 ÍNDICE Pág. Inroducción
Más detallesMétodos en el dominio de la frecuencia aplicados a mercados eléctricos
X Congreso de Ingeniería de Organización Valencia, 7 y 8 de sepiembre de 2006 Méodos en el dominio de la frecuencia aplicados a mercados elécricos Juan R. rapero Arenas, Diego J. edregal ercero Dpo. de
Más detallesAnálisis empírico de la duración del ciclo del Indice de Producción Industrial (IPI)
Insiuo Nacional de Esadísica Boleín Trimesral de Coyunura, n. 83 Marzo 2002 Análisis empírico de la duración del ciclo del Indice de Producción Indusrial (IPI) Juan Bógalo Román 1 Subdirección General
Más detallesRevista INGENIERÍA UC ISSN: 1316-6832 revistaing@uc.edu.ve Universidad de Carabobo Venezuela
Revisa INGENIERÍA UC ISSN: 1316-6832 revisaing@uc.edu.ve Universidad de Carabobo Venezuela Pérez R., Aída; Peña T., Eliana; Aljibes D., Pascual Modelación, simulación y conrol de un reacor exoérmico por
Más detallesMODELO ARIMA(p, d, q) (P, D, Q) s
SERIES TEMPORALES: MODELO ARIMA Faculad Ciencias Económicas y Empresariales Deparameno de Economía Aplicada Profesor: Saniago de la Fuene Fernández MODELO ARIMA(p, d, q) (P, D, Q) s Se han analizado las
Más detallesGuías y tutoriales/compresores/winrar
g coordinación de uoriales: Graciela Sosisky exo: Horacio Marínez Philipps edición: Gabriela Tenner diseño: CAFE Guías y uoriales/compresores/winrar Los orígenes de ese programa se remonan a las experiencias
Más detalles4. INDICADORES DE RENTABILIDAD EN CERTIDUMBRE
Evaluación de Proyecos de Inversión 4. INDICADORES DE RENTABILIDAD EN CERTIDUMBRE La generación de indicadores de renabilidad de los proyecos de inversión, surge como respuesa a la necesidad de disponer
Más detallesLa Conducción de la Política Monetaria del Banco de México a través del Régimen de Saldos Diarios
La Conducción de la Políica Monearia del Banco de México a ravés del Régimen de Saldos Diarios INDICE I. INTRODUCCIÓN...2 II. LA OPERACIÓN DEL BANCO DE MÉXICO EN EL MERCADO DE DINERO...3 III. IV. II.1.
Más detalles13.0 COSTOS Y VALORACIÓN ECONÓMICA
13.0 COSTOS Y VALORACIÓN ECONÓMICA 13.1 INTRODUCCIÓN En esa sección, se calcula el valor económico de los impacos ambienales que generará el Proyeco Cruce Aéreo de la Fibra Ópica en el Kp 184+900, el cual
Más detallesModelos econométricos de predicción macroeconómica en la Argentina. Autores: George McCandless Ma. Florencia Gabrielli Tomás E.
Modelos economéricos de predicción macroeconómica en la Argenina Auores: George McCandless Ma. Florencia Gabrielli Tomás E. Murphy Gerencia de Invesigaciones Económico Financieras Área de Economía y Finanzas
Más detallesDISEÑO E IMPLEMENTACIÓN DE UN SISTEMA DE PRONÓSTICO DE VENTAS EN WHIRLPOOL ARGENTINA
DISEÑO E IMPLEMENTACIÓN DE UN SISTEMA DE PRONÓSTICO DE VENTAS EN WHIRLPOOL ARGENTINA Enrique Yacuzzi (Universidad del CEMA) Guillermo Paggi (Whirlpool Argenina) i RESUMEN La nueva siuación compeiiva de
Más detallesLa transformada de Laplace
Capíulo 8 La ransformada de Laplace 8.. Inroducción a las ransformadas inegrales En ese aparado aprenderemos un méodo alernaivo para resolver el problema de valores iniciales (4.5.) y (x) + py (x) + qy(x)
Más detalles