16.36: Ingeniería de sistemas de comunicación. Clase 5: Codificación de la fuente
|
|
- Virginia Cabrera Lagos
- hace 7 años
- Vistas:
Transcripción
1 6.36: Ingenería de sstemas de comuncacón Clase 5: Codfcacón de la fuente Slde
2 Codfcacón de la fuente Alfabeto de fuente {a..a N } Codfcar Alfabeto de canal {c..c N } Símbolos de la fuente Letras del alfabeto, símbolos ASCII, dcconaro de nglés, etc... Voz cuantfcada Símbolos del canal En general uede tener un número arbtraro de símbolos de canal Tícamente {0,} ara un canal bnaro Objetvos de la codfcacón de la fuente Decodabldad unívoca Comresón Codfcar el alfabeto utlzando el menor número osble de símbolos de canal Slde 2
3 Comresón Comresón sn érddas Permte la decodfcacón sn errores Decodabldad unívoca sn ambgüedad Comresón con érddas Tal vez el códgo no sea codfcable unívocamente, ero hay una robabldad enorme de que se codfque correctamente Slde 3
4 Códgos (lbres) refjo Un códgo refjo es un códgo en el cual nnguna alabra se anteone a otra Los códgos refjo son decodfcables unívocamente Los códgos refjo son decodfcables nstantáneamente La sguente desgualdad mortante se alca a códgos refjo y en general a todos los códgos decodfcables unívocamente Desgualdad de Kraft Sea n n la longtud de alabras códgo en un códgo refjo (o en cualquera decodfcable unívocamente). Entonces, = n 2 Slde 4
5 Demostracón de la desgualdad de Kraft Demostracón sólo ara códgos refjo Se uede amlar a todos los códgos decodfcables unívocamente Alcar alabras códgo a un árbol bnaro Las alabras códgo deben ser las hojas del árbol Una alabra códgo de longtud n es una hoja a rofunddad n Sea n n - n => rofunddad del árbol = n En un árbol bnaro de rofunddad n, son osbles hasta 2 n hojas (s todas las hojas están a rofunddad n ) Cada hoja a rofunddad n < n elmna una fraccón /2 n de las hojas a rofunddad n => elmna 2 n -n de las hojas a rofunddad n De ahí que, n n n n = = Slde 5
6 Desgualdad de Kraft - recíroca S un conjunto de números enteros {n..n } satsface la desgualdad de Kraft el códgo refjo a se uede hallar con longtudes de alabras códgo {n..n } De ahí que la desgualdad de Kraft sea condcón sufcente y necesara ara la exstenca de un códgo decodfcable unívocamente La demostracón se realza medante la construccón de un códgo Dado {n..n }, comenzando con n, asgnar nodo al nvel n ara la alabra códgo de longtud n. La desgualdad de Kraft garantza tal asgnacón Ejemlo: n = {2,2,2,3,3}, (verfcar que la desgualdad de Kraft se sostene) n 3 n 2 n n 5 n 4 Slde 6
7 Longtud meda de una alabra códgo La desgualdad de Kraft no nos dce nada sobre la longtud meda de una alabra códgo. El sguente teorema da una cota reducda estrecha Slde 7 Teorema: dada una fuente con alfabeto {a..a }, robabldades {.. }, y entroía H(X), la longtud meda de un códgo bnaro decodfcable unívocamente satsface: H(X) Demostracón: n = = = 2 HX ( ) n= log n = log = = = lognequalty => log( X ) X => = n = 2 n HX ( ) n = 2 0 = = n
8 Longtud meda de una alabra códgo Podemos construr códgos róxmos a H(X)? Teorema: dada una fuente con alfabeto {a..a }, robabldades {.. }, y entroía H(X), es osble construr un códgo refjo (or tanto, unívocamente decodfcable) de longtud meda que satsfaga: n < H(X) + Demostracón (Codgos Shannon - Fano): Sea n n = n log( ) log( ) 2 n 2 = = satsfecha la desgualdad de Kraft uede hallar un códgo refjo con longtudes, n = < log( ) log( ) + n = < log( ) log( ) +, Ahora, n = n < log( ) + = ( ) + HX. = = Así, HX ( ) n< HX ( ) + Slde 8
9 Aroxmándose a H(X) Tenga en cuenta bloques de N letras códgo Exsten K N bloques de letras N osbles (N-tules) Sea Y el nuevo alfabeto fuente de N bloques de letras S cada una de las letras se genera ndeendentemente, H(Y) = H(x..x N ) = N*H(X) Codfque Y utlzando el msmo rocedmento anteror ara obtener, HY ( ) ny< HY ( ) + N* H( X) ny< N* H( X) + HX ( ) n< HX ( ) + / N Donde la últma desgualdad se obtene orque cada letra de Y corresonde a N letras de la fuente orgnal Slde 9 Ahora odemos adatar la longtud del bloque (N) ara que sea arbtraramente grande y se aroxme arbtraramente a H(X)
10 Códgos de Huffman Los códgos de Huffman son códgos refjo esecales que ueden demostrarse ótmos (mnmzar la longtud meda de las alabras códgo) H(X) Códgos Huffman Códgos H(X)+ Shannon/Fano Algortmo de Huffman: ) Dsone las letras fuente en orden decrecente de robabldad ( 2.. ) 2) Asgna 0 al últmo dígto de X y al últmo dígto de X - 3) Combna y - ara formar un nuevo conjunto de robabldades {, 2,.., -2,( - + )} 4) Es correcto s sólo le queda una letra, s no, vuelva de nuevo al aso Slde 0
11 Ejemlo de códgo Huffman A = {a,a 2,a 3, a 4, a 5 } y = {0.3, 0.25,0.25, 0., 0.} a 0,3 a 2 0,25 a 3 0,25 a 4 0, a 5 0, 0 + 0,3 0,25 0,25 0,2 0 + n 0,3 0,25 0, ,55 0, = = 22. bts / símbolo,0 Slde Letra Palabra códgo a a 2 0 a 3 0 a 4 00 a HX ( ) = log( ) = Códgos Shannon-Fano n = log( ) n = n = n = 2, n = n = n = 24. bts / símbo l o < H ( X ) +
12 Codfcacón fuente Lemel-Zv Las estadístcas de fuente a menudo no son conocdas La mayoría de las fuentes no son ndeendentes Las letras del alfabeto tenen un alto grado de correlacón P.ej., desués de la I va la E, desués de la G va la H, etc. Se ueden codfcar bloques de letras, sn embargo, se requerría un códgo muy largo y comlejo Algortmo Lemel-Zv Códgo unversal - funcona sn conocmento de estadístcas de fuente Analza sntáctcamente el archvo de entrada en frases unívocas Codfca frases emleando alabras códgo de longtud fja Codfcacón de longtud varable a fja Slde 2
13 Algortmo de Lemel-Zv Analzar el archvo de entrada en frases que aún no han aarecdo Entrar frases en un dcconaro Numerar su ubcacón Observe que cada frase nueva debe ser una frase veja seguda or un 0 o un Puede codfcar la nueva frase utlzando la ubcacón del dcconaro de la frase anteror seguda or el 0 o el Slde 3
14 Entrada: Ejemlo de Lemel-Zv Frases analzadas: 0, 0, 0, 0, 00, 00,, 0 Dcconaro Loc Re. bnara Frase Pal. códgo Comentaro null loc loc loc loc loc loc loc loc-4 + Secuenca envada: Slde 4
15 Notas acerca de Lemel-Zv El decodfcador sólo uede decodfcar unívocamente la secuenca envada El algortmo no es efcente ara secuencas cortas (datos de entrada) El rendmento del códgo se aroxma a la entroía de fuente ara secuencas largas El tamaño del dcconaro debe elegrse con antelacón ara que se ueda establecer la longtud de la alabra códgo Lemel-Zv se usa frecuentemente ara codfcar archvos de texto/bnaros Comrmr/descomrmr bajo unx Msmo software de comresón ara PC y MAC Slde 5
2 de mar de 2004 Codificación de imágenes y video
Teoría de la Informacón 2 de mar de 2004 Codfcacón de mágenes y vdeo 2 de mar de 2004 Codfcacón de mágenes y vdeo 2 El clma en el Río de la Plata...... S... T... S... S S S T T... S S S... S T... S T p=0.5,
Más detallesEstadística aplicada a las ciencias sociales. Examen Febrero de 2008 primera semana
Estadístca alcada a las cencas socales. Examen Febrero de 008 rmera semana Ejercco. - En la sguente tabla, se reresentan los datos de las edades de los trabajadores de una gran emresa. Gruos de edad Nº
Más detallesLa Derivada de un Número No es 0
Memoras II Encuentro Internaconal De Meta-Matemátcas: La Dervada de un Número No es 0 Geraldne Marcela Infante Jorge Danel Muñoz Alex Eduardo Poveda Gruo YAGLOM Escuela de Matemátcas Unversdad Sergo Arboleda
Más detallesPROBABILIDAD. Álgebra de sucesos. Inclusión o igualdad de sucesos. Operaciones con sucesos.
ROILIDD Álgebra de sucesos. Un fenómeno o exerenca se dce que es aleatoro cuando al reetrlo en condcones análogas es mosble de redecr el resultado. El conjunto de todos los resultados osbles de un exermento
Más detallesCodificación de la Información
Codfcacón de la Informacón Sstemas Informátcos Fede Pérez Índce TEMA Codfcacón de la Informacón 1. - Introduccón 2. - Codfcacón 3. Sstemas de Numeracón 3.1 Representacón de los Números: Representacón Polnomal
Más detallesCOMPARACIÓN DE TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO SOBRE VÍDEO COMPRIMIDO CAPÍTULO 3: TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO
CAPÍTULO 3: TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO 3. TÉCNICAS DE DETECCIÓN DE CAMBIOS DE PLANO 3.. Antecedentes La tecnología para la organzacón y la búsqueda de mágenes y vídeo basada en el contendo
Más detallesLENGUAJES FORMALES Y AUTÓMATAS. álgebra computacional. álgebra LENGUAJES FORMALES Y AUTÓMATAS. computacional LENGUAJES FORMALES Y AUTÓMATAS
. bblografía CONTENIDO Defncón de [G8.]. Estructuras algebracas: monodes, semgruos, gruos, [G8.], anllos, cueros [H.]. Subgruos, somorfsmo entre gruos [G8.]. Álgebras concretas y abstractas [H.3]. Álgebras
Más detallesPara un dado que no está cargado asignamos equiprobabilidad a los valores posibles de la variable aleatoria X:
7. Varables Aleatoras 57 Defnr una varable aleatora en un eermento aleatoro consste en asocar un valor numérco a cada suceso elemental del eermento. Interesa fundamentalmente asgnar robabldades a dchos
Más detalles3.- Programación por metas.
Programacón Matemátca para Economstas 1 3.- Programacón por metas. Una vez menconados algunos de los nconvenentes de las técncas generadoras, la ncorporacón de nformacón se va a traducr en una accón del
Más detallesProcesado y Análisis de Datos Ambientales. Curso José D. Martín, Emilio Soria, Antonio J. Serrano TEMA 2: MODELOS CLASIFICADORES
Procesado y Análss de Datos Ambentales. Curso 2009-200. osé D. Martín, Emlo Sora, Antono. Serrano TEMA 2: MODELOS CLASIFICADORES ÍNDICE Introduccón. Clasfcadores lneales. Árboles de decsón. Clasfcador
Más detallesCAPITULO 7. METODOLOGÍA DEL PLAN DE PENSIONES ALTERNATIVO. Como se explica en el capítulo 4, una anualidad es una serie de pagos que se realizan
CAPITULO 7. METODOLOGÍA DEL PLAN DE PENSIONES ALTERNATIVO 7. Anualdad de Vda Como se elca en el caítulo 4, una anualdad es una sere de agos que se realzan durante un temo determnado, nombrándose a esta
Más detallesIV. JUEGOS ESTÁTICOS DE INFORMACION INCOMPLETA
Notas de clase de Teoría de Juegos - Marcela Eslava 35 IV. JUEGOS ESTÁTICOS DE INFORMACION INCOMPLETA Son juegos en los cuales al menos uno de los jugadores tene nformacón ncomleta sobre la funcón objetvo
Más detallesProblemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel
Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al
Más detallesApellidos y nombre: i. El valor anual de la amortización de la construcción es fijo y vale A. 2. Cada punto de venta tiene una demanda anual dem
4º IIND Métodos Matemátcos 5 de septembre de 00 Apelldos y nombre: PROBLEMA (4 puntos) Una empresa tene puntos de venta stuados sobre una ruta que, a efectos de planfcacón, puede ser consderada como una
Más detalles6 Minimización del riesgo empírico
6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón
Más detallesExplicación de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS
Explcacón de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS EMBARGO: 21 de agosto de 2012, 15:00 (CEST) Objetvo angular de 24 mm, con zoom óptco 30x (PowerShot SX500 IS) Desarrollado usando
Más detallesAnálisis avanzado Bondad de ajuste Simulaciones
Ejemlos Ejerccos Msceláneas Evaluacón Análss avanzado Bondad de ajuste Smulacones Bondad de ajuste. Intervalos de confanza. Muestras equeñas. Smulacones: método de Montecarlo. 3.1 Bondad del ajuste Volvendo
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la
Más detallesPROBABILIDAD Y ESTADÍSTICA
FCULTD DE INGENIERÍ U N M ROILIDD Y ESTDÍSTIC Irene atrca Valdez y lfaro renev@unam.mx Versón revsada: juno 2018 T E M S DEL CURSO 1. nálss Estadístco de datos muestrales. 2. Fundamentos de la Teoría de
Más detallesAdquisición y Tratamiento de Datos (Febrero 2005). 1ª parte: Cuestiones.
Adquscón y Tratamento de Datos (Febrero 2005). Las cuestones: 1ª parte: Cuestones. Se deben responder en la hoja adjunta. Debe marcarse una únca respuesta. Por favor, leer los enuncados y las solucones
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 detallesEficiencia de procesos termodinámicos
Ecenca de rocesos termodnámcos El conceto anteror es váldo ara cualquer roceso o sstema. Fuente calente, q q c w uonga una máquna que toma calor de una uente calente, y arte de la msma la utlza ara roducr
Más detallesContactar:
Mecánca Teórca Mao 009 Tema: Transformacones Canóncas Contactar: telegama@gmal.com Una transformacón canónca es un cambo de las coordenadas generalzadas tal ue dan lugar a un nuevo amltonano ( amltonano
Más detallesDualidad entre procesos termodinámicos y electromecánicos
ENERGÍA Y COENERGÍA EN IEMA ELECROMECÁNICO REALE, DEDE PROCEDIMIENO ERMODINÁMICO CLÁICO Alfredo Álvarez García Profesor de Inenería Eléctrca de la Escuela de Inenerías Industrales de adajoz. Resumen La
Más detallesFACULTAD DE INGENIERÍA U N A M
FCULTD DE INGENIERÍ U N M Irene atrca Valdez y lfaro renev@servdor.unam.mx T E M S DEL CURSO 1. nálss Estadístco de datos muestrales. 2. Fundamentos de la Teoría de la probabldad. 3. Varables aleatoras.
Más detallesDECODIFICACIÓN DE SALIDA SUAVE PARA CÓDIGOS REED-SOLOMON Y SU APLICACIÓN A CÓDIGOS CONCATENADOS.
UNIVERSIDAD SIMÓN BOLÍVAR Decanato de Estudos de Postgrado Maestría en Ingenería Electrónca DECODIFICACIÓN DE SALIDA SUAVE PARA CÓDIGOS REED-SOLOMON Y SU APLICACIÓN A CÓDIGOS CONCATENADOS. Trabajo de Grado
Más detallesMMII_CV_c4: Extensiones del modelo básico: Varias variables independientes y fronteras móviles
MMII_V_c4: Etensones del modelo básco: Varas varables ndeendentes ronteras móvles Gón: En esta clase se aborda la etensón del modelo básco (MB) ara nclr varas varables ndeendentes, anqe nos centraremos
Más detallesTEMA 1.- CONCEPTOS BÁSICOS
TEMA 1.- CONCEPTOS BÁSICOS 1.1.- Cuestones tpo test 1.- En las encuestas personales puede codfcarse, por ejemplo, con un cero las que son contestadas por una mujer y con un uno las que lo son por un varón.
Más detallesCapítulo 2: Introducción al método de los Elementos Finitos 2. CAPÍTULO 2 INTRODUCCIÓN AL MÉTODO DE LOS ELEMENTOS FINITOS
Capítulo 2: Introduccón al método de los Elementos Fntos 2. CAPÍTULO 2 ITRODUCCIÓ AL MÉTODO DE LOS ELEMETOS FIITOS 2.. ITRODUCCIÓ Vrtualmente cada fenómeno en la naturaleza, sea bológco, geológco o mecánco
Más detallesPID. Descripción y reglas heurísticas de Sintonización
Práctca 5 PID. Descrcón y reglas heurístcas de Sntonzacón 1. Introduccón El objetvo de esta ráctca es que el alumno se famlarce y rofundce en el conocmento de la estructura de control PID, rofusamente
Más detalles7ª SESIÓN: Medidas de concentración
Curso 2006-2007 7ª Sesón: Meddas de concentracón 7ª SESIÓN: Meddas de concentracón. Abrr el rograma Excel. 2. Abrr el lbro utlzado en las ráctcas anterores. 3. Insertar la Hoja7 al fnal del lbro. 4. Escrbr
Más detallesPrincipio del palomar
Prncpo del palomar Juana Contreras S. Claudo del Pno O. Insttuto de Matemátca y Físca Unversdad de Talca Introduccón Cuando se reúnen 367 personas, es seguro que debe haber al menos dos personas que cumplen
Más detallesFuentes de información
TEORÍA DE LA INFORMACIÓN Tratamento probablístco de la Informacón Fuentes de nformacón INGENIERÍA DE SISTEMAS Cursada 6 TRANSMISIÓN DE INFORMACIÓN decodfcacón automátca PRINCIPALES TEMÁTICAS DE LA TEORÍA
Más detallesCentro Universitario UAEM Zumpango Ingeniería en Computación. Dr. Arturo Redondo Galván 1
Centro Unverstaro UAEM Zumpango Ingenería en Computacón 1 SEGURIDAD EN REDES UNIDAD III Crptografía y autentcacón Tema: Modos de operacón 2 OBJETIVO: Conocer e mplementar los dferentes modos de operacón
Más detallesI.E.S. Historiador Chabás -1- Juan Bragado Rodríguez
Problema En los sguentes ejemlos, calcular la dstrbucón de robabldad, la meda y la desvacón tíca. a) En una bolsa hay bolas numeradas: 9 bolas con un uno, con un dos y con un tres. Sacamos una bola y vemos
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 detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detalles3 - VARIABLES ALEATORIAS
arte Varables aleatoras rof. María B. ntarell - VARIABLES ALEATORIAS.- Generaldades En muchas stuacones epermentales se quere asgnar un número real a cada uno de los elementos del espaco muestral. Al descrbr
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 detallesHidrología superficial
Laboratoro de Hdráulca Ing. Davd Hernández Huéramo Manual de práctcas Hdrología superfcal 7o semestre Autores: Héctor Rvas Hernández Juan Pablo Molna Agular Rukmn Espnosa Díaz alatel Castllo Contreras
Más detallesTema 1.- Variable aleatoria discreta (V2.1)
Tema.- Varable aleatora dscreta (V2.).- Concepto de varable aleatora A cada posble resultado de un expermento lo llamamos suceso elemental, y lo denotamos con ω, ω 2, Llamamos espaco muestral al conjunto
Más detallesAlgoritmo para la ubicación de un nodo por su representación binaria
Título: Ubcacón de un Nodo por su Representacón Bnara Autor: Lus R. Morera González En este artículo ntroducremos un algortmo de carácter netamente geométrco para ubcar en un árbol natural la representacón
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesProf. Dr. Paul Bustamante
Carnet: Nombre: Practca Calfcada de C++ Informátca II Fundamentos de Programacón Prof. Dr. Paul Bustamante Practca Calfcada - Programacón en C++ Pág. 1 ÍNDICE ÍNDICE... 1 1. Introduccón... 1 1.1 Ejercco
Más detallesPráctica 12 - Programación en C++ Pág. 1. Practica Nº 12. Prof. Dr. Paul Bustamante. Informática II Fundamentos de Programación - Tecnun
Práctca 1 - Programacón en C++ Pág. 1 Práctcas de C++ Practca Nº 1 Informátca II Fundamentos de Programacón Prof. Dr. Paul Bustamante Práctca 1 - Programacón en C++ Pág. 1 INDICE ÍNDICE... 1 1.1 Ejercco
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detalles75.12 ANÁLISIS NUMÉRICO I GUÍA DE PROBLEMAS INTEGRACIÓN
Análss Numérco Facultad de ngenería - UBA 75. ANÁLSS NUMÉRCO FACULTAD DE NGENERÍA UNVERSDAD DE BUENOS ARES GUÍA DE PROBLEMAS 4 6. NTEGRACÓN. Calcular la sguente ntegral utlzando las fórmulas del trapeco
Más detallesMecánica Estadística: Estadística de Maxwell-Boltzmann
Ludwg Boltzmann 1844-1906 James Clerk Maxwell 1831-1879 E. Martínez 1 Lápda de Boltzmann en el cementero de Vena S=k ln W E. Martínez 2 S=k ln W Entropía, una propedad termodnámca Una medda de nuestra
Más detallesEJERCICIOS: Tema 3. Los ejercicios señalados con.r se consideran de conocimientos previos necesarios para la comprensión del tema 3.
EJERCICIOS: Tema 3 Los ejerccos señalados con.r se consderan de conocmentos prevos necesaros para la comprensón del tema 3. Ejercco 1.R Dos bblotecas con el msmo fondo bblográfco especalzado ofrecen las
Más detallesSumador con Acarreo Rapido en una GAL22v10
Sumador con Acarreo Rapdo en una ALv0 Descrbmos ahora un proyecto para efectuar la suma de dos números bnaros, sn sgno, de cuatro bts cada uno que usan la generacón del acarreo antcpado en cada una de
Más detallesANEXO B SISTEMAS NUMÉRICOS
ANEXO B SISTEMAS NUMÉRICOS Sstema Decmal El sstema ecmal emplea ez ferentes ígtos (,,,, 4, 5, 6, 7, 8 y 9). Por esto se ce que la base el sstema ecmal es ez. Para representar números mayores a 9, se combnan
Más detallesRobótica Tema 4. Modelo Cinemático Directo
UNIVERSIDAD POLITÉCNICA DE MADRID E.U.I.T. Industral ASIGNATURA: Robótca TEMA: Modelo Cnemátco Ttulacón: Grado en Ingenería Electrónca y Automátca Área: Ingenería de Sstemas y Automátca Departamento de
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesCAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información
IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.
Más detallesIMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1
IMPEMEACIÓ PRÁCICA DE U BACO DE FIROS UIFORME En este tpo de bancos, la forma de la respuesta espectral de cada uno de los fltros es la msma, y su frecuenca central se raparte de manera unforme en el espectro:
Más detallesASIGNACION 2 INEL3105 A revisar a partir del 1 marzo.
SIGNION INEL305 revsar a partr del marzo. Problema. Para un crcuto con bpolos, formamos el gráfco, o grafo (graph) susttuyendo cada bpolo por una línea que une los dos nodos a los que está conectado. Esta
Más detallesEJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.
EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesTEMA 5. INTERPOLACION
TEMA 5.. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos 6. RESUMEN 7. Programacón en Matlab INTERPOLACION . Introduccón En el Tema 4, se ha descrto
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesTEMA 5. INTERPOLACION
Tema 5: Interpolacón TEM 5. INTERPOLCION. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos. RESUMEN 7. Programacón en Matlab Cálculo numérco en
Más detallesPROCESOS DE SEPARACION UTILIZANDO EQUIPOS DE ETAPAS DE EQUILIBRIO
PROCESOS DE SEPARACION UTILIZANDO EQUIPOS DE ETAPAS DE EQUILIBRIO Concepto de equlbro físco Sstema Fase Componente Solubldad Transferenca Equlbro Composcón 2 Varables de mportanca en el equlbro de fases:
Más detalles16.21 Técnicas de diseño y análisis estructural. Primavera 2003 Unidad 8 Principio de desplazamientos virtuales
16.21 Técncas de dseño y análss estructural Prmavera 2003 Undad 8 Prncpo de desplazamentos vrtuales Prncpo de desplazamentos vrtuales Tengamos en cuenta un cuerpo en equlbro. Sabemos que el campo de esfuerzo
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 detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
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 detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesTeoría de Elección Social
Teoría de Eleccón Socal Hemos vsto que las asgnacones del mercado, bajo certas condcones, son efcentes. Sn embargo, exsten otras consderacones mportantes sobre las característcas de dcha asgnacón (dstrbucón,
Más detalles1).- Para > 0, B= {x R L : p. x I} = {x R L
Pontfca Unversdad Católca del Perú Programa de Maestría en Economía Curso: Mcroeconomía Intermeda Profesores: Clauda Barrga & José Gallardo Asstente: César Gl Malca Propedades de las funcones de demanda
Más detallesEspacios de Búsqueda en un Árbol Binario para Resolver Problemas de Optimización Discreta
Espacos de Búsueda en un Árbol Bnaro para Resolver Problemas de Optmzacón Dscreta María Elena Gómez-Torres J. Crspín Zavala-Díaz Marco Antono Cruz- Chávez 3 Insttuto Tecnológco de Zacatepec Calzada Insttuto
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesCaptura de objetos móviles sobre una recta *
Morfsmos, Vol. 18, No. 1, 2014, pp. 45 55 Captura de objetos móvles sobre una recta * Lus E. Urbán Rvero Rafael López Bracho Francsco J. Zaragoza Martínez Resumen En el problema del agente vajero eucldano
Más detallesCapítulo V. Teoremas de Fermat, Euler y Wilson
Capítulo V Teoremas de Fermat, Euler y Wlson En este capítulo utlzamos los conceptos desarrollados en dvsbldad y conteo para deducr tres teoremas báscos de la teoría de números. En el próxmo capítulo,
Más detallesProposiciones. Proposiciones. Bloques de proposiciones. Proposición if. Verdadero o Falso. Diagrama de flujo if-else
Proposcones Proposcones Maro Medna C. maromedna@udec.cl Expresones Artmétcas (b + c) De control (f ) De asgnacón (X = Y) Llamadas a funcones (prntf( )) Termnadas por un punto y coma (;) Bloques de proposcones
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Ejerccos para Evaluacón: Tema 5 1. Contestar brevemente a las sguentes cuestones relaconadas con las Redes de Base
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesTEMA 6 CUESTIONARIO DE AUTOEVALUACIÓN
6.2.- Un emleado ercbe anualmente un salaro bruto de 2.200.000 euros, del ue hacenda le retene el 15%. S se roduce un ncremento salaral del 3,5% Cuál será su sueldo neto?. 1.929.510 1.935.450 2.277.000
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detallesSistemas cíclicos. Juan Antonio de la Puente DIT/UPM. Objetivos
dt UPM stemas cíclcos Juan Antono de la Puente DIT/UPM Objetvos Repasar algunos problemas concretos relaconados con la realzacón de sstemas de tempo real Introducr un método de dseño de sstemas basado
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 detallesTema 8: DESIGUALDAD, Xisco Oliver Economía del Bienestar (2º GECO)
Tema 8: DESIGUALDAD, REDISTRIBUCIÓN Y POBREZA Xsco Olver 20610 - Economía del Benestar (2º GECO) Motvacón Benestar: el objetvo últmo del Estado es maxmzar el benestar El benestar se obtene a partr de las
Más detallesB3 A2 B3 B2 C1 A2 B3 B2 C1 C2 B1 A2 B1 B2 A2 A2 B3 A2 B3 B2 A2 B3 B2 A2 B1 B2 B3 B4 C1 C2 B3 B2 C3
Ejercco ) Un sstema realza una gestón de memora rtual medante pagnacón por demanda, con la memora ddda en cnco marcos de poscones cada uno. En un momento determnado, se encuentran en el sstema tres procesos,
Más detalles+ y 1 ; U 2 (x 2,y 2 ) = ax 2 (x 2) 2 2
13. Consdere un mercado en el que hay dos consumdores con las sguentes funcones de utldad: U 1 (x 1,y 1 = 4x 1 (x 1 + y 1 ; U (x,y = ax (x + y con 4 > a >0 donde x, =1,, es la cantdad del ben x consumda
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 detallesOptimización no lineal
Optmzacón no lneal Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu CONENIDO PROBLEMAS DE PROGRAMACIÓN NO LINEAL IPOS DE PROBLEMAS NLP CLASIFICACIÓN DE MÉODOS
Más detallesBIOESTADISTICA ( ) Introducción a la regresión logística
Deartamento de Estadístca Unversdad Carlos III de Madrd BIOESTADISTICA (55-0536) Introduccón a la regresón logístca. INTRODUCCIÓN La regresón logístca es un rocedmento cuanttatvo de gran utldad ara roblemas
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 detallesTEORIA DE LOS NUMEROS
TEORIA DE LOS NUMEROS Introduccón La teoría de los números es, dentro de las matemátcas, la encargada de estudar las roedades de los enteros, es decr, la ardad, adtvdad, rmaldad, multlcdad dvsbldad En
Más detallesInstrucciones: Leer detenidamente los siete enunciados y resolver seis de los siete problemas propuestos. Frecuencia absoluta (f i )
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detalles6.9 El trazador cúbico
4.9 El trazador cúbco El polnomo de nterpolacón es útl s se usan pocos datos y que además tengan un comportamento polnomal, así su representacón es un polnomo de grado bajo y adecuado. S no se cumplen
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesSOBRE CIERTAS REDES DE UNIDADES DINÁMICAS ACOPLADAS POR IMPULSOS
SOBRE CIERTAS REDES DE UNIDADES DINÁMICAS ACOPLADAS POR IMPULSOS ELEONORA CATSIGERAS Presentacón en IV Coloquo de Matemátca, del 18 al 20 de dcembre, 2013 Se presentará un modelo matemátco abstracto de
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
Más detallesGráficos de flujo de señal
Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente en el análss y dseño de sstemas de control. Otro procedmento alternatvo
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesAnálisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70
Análss del caso promedo Técncas Avanzadas de Programacón - Javer Campos 70 Análss del caso promedo El plan: Probabldad Análss probablsta Árboles bnaros de búsqueda construdos aleatoramente Tres, árboles
Más detalles