Trabajo Especial 2: Cadenas de Markov y modelo PageRank
|
|
- Samuel Paz Martínez
- hace 8 años
- Vistas:
Transcripción
1 Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E un conjunto de arcos: conjunto de pares ordenados (, j) V V. Los elementos de la matrz A = [a ], 1 n, 1 j n, son tales que a > 0 (, j) E y 0 en caso contraro. S a > 0 se dce que los vértces y j son adyacentes, es decr, exste un arco (drgdo) entre los nodos y j. Un camno entre los nodos y j = + q es una secuenca c de pares adyacentes, de la forma c = {, + 1,..., + q (, + 1), ( + 1, + 2),..., ( + q 1, + q) E}. En este caso, se dce que el camno tene longtud q. Sea n = V el número de nodos en G. Dado un V se defne su grado de salda (outdegree) como d + j=1 a y su grado de entrada (n-degree) como d j=1 a j. En general d + d. Sn embargo, se cumple que d : =1 d+ =1 d. Se defne el volumen del grafo G como vol(g) = d. La vecndad del nodo se defne como el conjunto N := N + = {j (, j) E}, es decr, medante el conjunto de nodos undos por un arco que tene orgen en el vértce Camnatas aleatoras en grafos Consdérese la sguente camnata aleatora en G: comenzando por un vértce arbtraro, s a tempo t un camnante se encuentra en el nodo, el msmo efectúa una transcón haca el nodo j N con probabldad p = a /d + (ndependente de t). Cada paso del proceso se puede consderar asocado a una varable aleatora X t la que toma valores en V. De esta manera, la secuenca X 1, X 2,..., X t,... es una cadena de Markov defnda en el espaco de estados V. Se cumple que: P (X t+1 = j X t =, X t 1 = 1,..., X 1 = 1) = P (X t+1 = j X t = ) = p Sea p (t) la probabldad de transcón del nodo al nodo j en exactamente t pasos. La msma corresponde a suma de las probabldades de todos los camnos posbles de longtud t que comenzan en el nodo y fnalzan en el nodo j. En partcular p (1) = p. Sgue que: p (t+1) = k p k p (t) kj Sea π la probabldad ncal asocada al estado -ésmo de la cadena. La probabldad de alcanzar dcho estado al cabo de t pasos es por lo tanto π (t) = k π k p (t) k 1
2 ( ) Sea π (t) = π (t) T 1 π(t) n el vector asocado a la dstrbucón de probabldades de estados a tempo t y π (0) la dstrbucón ncal. Para t > 0 se puede escrbr: π (t)t = π (0)T P t donde P t = [p (t) ] y Pt+1 = PP t. De la defncón de p sgue que n j=1 p = 1, por lo que P es una matrz estocástca. Así, una camnata aleatora en G es una cadena de Markov con estados en V y matrz de transcón P = [p ]. La probabldad de un camnante de transtar del vértce al j, para (, j) E, está dada por: p = a d + = a n j=1 a Sea D = dag ( d + 1,..., d+ n ) la matrz dagonal de grados de salda. Se cumple que P = D 1 A. La dstrbucón Π = (Π 1 Π n ) T se dce estaconara s se cumple: 1.2. * Exstenca de la dstrbucón estaconara Π T = Π T P = ( Π 1/d + 1 Πn /d + n ) T A. (1) Sea C un conjunto cualquera de estados y C su complemento, tales que V = C C. Se dce que C es cerrado s no se pueden alcanzar estados en C a partr de estados de C, es decr: p = 0, C, j C. Se dce que el estado k tenen período T > 1 s p (t) = 0 salvo que t = νt (ν = 1, 2,... ), con T el mayor entero cumplendo esta propedad. El estado k es aperódco s no exste tal T. Una cadena se denomna aperódca s sus estados los son. Una cadena de Markov es rreductble s no exsten conjuntos cerrados de estados dstntos al conjunto de todos los estados. Dcho de otra manera, una cadena es rreducble s y solo s cada estado puede ser alcanzado desde cualquer otro estado en un número fnto de pasos. Sea f (t) la probabldad de que el prmer pasaje por el estado j, comenzando en el estado, ocurra en el paso t-ésmo. En este caso, f = t=1 es la probabldad de que, comenzando en el nodo, el camnante alcance alguna vez el nodo j. Se cumple que f 1. S f = 1, {f (t) } corresponde a la dstrbucón de prmeros pasajes para j. En partcular, {f (t) jj } representa la dstrbucón de tempos de recurrenca para j. S f jj = 1, se puede defnr el tempo medo de recurrenca como: µ j = t=1 tf (t) jj El estado j se llama persstente s f jj = 1 y transtoro s f jj < 1. Un estado persstente y aperódco j con µ j < se denomna ergódco. Una cadena ergódca es una cadena compuesta de tales estados. Se demuestra que una cadena de Markov rreductble posee una dstrbucón estaconara (que satsface (1)) s y solo s la msma es ergódca. En este caso π j > 0 j y las probabldades π (t) j tenden a sus valores estaconaros ndependentemente de π (0) j (Feller, 1968). Más aún, el límte kk f (t) < Π j = lím p (t) t = 1 µ j 2
3 exste y es ndependente de la dstrbucón ncal (Feller (1968), XV.7). Nótese que Π en (1) corresponde en este caso a la dstrbucón de tempos medos de recurrenca Cómputo de la dstrbucón estaconara La dstrbucón estaconara Π se puede hallar resolvendo el problema de autovalores (1), sujeto a la normalzacón Π T e = 1, donde e representa el vector n-dmensonal cuyos elementos son todos guales a 1. El método más utlzado para tal fn es el método de las potencas el cual permte encontrar el autovector asocado al mayor autovalor de P de manera teratva. El método consste en calcular, partendo de una dstrbucón ncal arbtrara Π (0), el sguente esquema teratvo: Π(k)T P Π (k+1)t Π (k) P 1 Una de las desventajas de este método es su velocdad de convergenca, por lo que en general se recurre a descomposcones de la forma (1) a fn de aprovechar la estructura rala de la matrz de adyacencas A. 2. Relevanca de nodos en grafos drgdos: modelo PageRank El modelo PageRank propuesto por Page et al. (1999) se basa en consderar la estructura de hpervínculos de la web como una cadena de Markov con una matrz de transcón P = [p ]. Las probabldades de transcón p asocadas al nodo se dstrbuyen unformemente entre los j N +. La relevanca (o rankng) de una págna en partcular resulta de la probabldad estaconara asocada al estado correspondente. Sn embargo, la estructura del problema requere de certas consderacones respecto de la construccón de P a fn de que tal dstrbucón límte exsta. Consdérese la estructura de hpervínculos de la web como un grafo drgdo, donde los nodos representan págnas y los arcos hpervínculos entre las msmas. Supóngase que, comenzando de cualquer nodo, un camnante en el nodo tene gual probabldad de transtar haca cualquer j N +, es decr, p = 1 /d + = 1 / j a, con a = 1 s (, j) E. Una partculardad en esta estructura es la exstenca de nodos tales que N + =, es decr, que no poseen arcos salentes. El efecto de tales nodos se traduce en que la fla correspondente de la matrz P contene úncamente ceros. Al no ser una matrz estocástca, P no es una matrz de transcón válda. Los nodos menconados se denomnan colgados (danglng / dead end) (p. ej., nodo 4 en la fgura 1). Una forma de remedar dcha stuacón es reemplazar la fla correspondente en P por el vector 1 n et. S ben esto resuelve el problema de estocastcdad, la matrz resultante no es rreductble: exsten nodos que no pueden ser alcanzados en un número fnto de pasos (p. ej., nodo 1 en la fgura 1). Por otro lado, exsten a su vez bucles absorbentes 1 los cuales actúan como sumderos (snks / spder trap) (p. ej., nodos 5 6 en la fgura 1). Page et al. (1999) propuseron la sguente formulacón para la matrz de transcón: P = αp + (1 α) eet n con 0 α 1. En este caso, la combnacón convexa de P con la matrz de perturbacón E = eet n asegura que P sea rreductble por defncón (Langvlle and Meyer, 2004). La ntucón de dcho modelo es capturar el comportamento de un navegante aleatoro que, con probabldad (1 α), se aburre y efectúa un salto a un sto arbtraro. Una extensón a éste modelo conocda como 1 Un estado se dce absorbente s forma un conjunto cerrado, en cuyo caso p = 1. Un conjunto C V se llamará absorbente s es cerrado y exste al menos un (, j) E tal que C y j C. 3
4 /2 1/2 0 0 P = 0 1 /3 0 1/3 1/ Fgura 1: Ejemplo de grafo drgdo y su matrz de transcón. personalzacón consste en reemplazar 1 n et por v T, un vector (dstrbucón sobre estados) que refleja las preferencas de cada usuaro en partcular (Havelwala, 2002). El agregado de la matrz E equvale a crear un arco entre cada uno de los n nodos (método de máxma rreductbldad). Una alternatva a esta aproxmacón consste en agregar un nodo j = n + 1 al grafo orgnal tal que (, j) E y (j, ) E, es decr, se encuentre conectado a cada uno de los n nodos y estos a él (método de mínma rreductbldad). 3. Ejerccos Para la realzacón del trabajo se dspone de las sguentes defncones (archvo te2 pagerank.py): randg(n): genera un grafo aleatoro de N nodos. Un grafo se representa como una N-tupla cuyos elementos son M -tuplas, = 1,..., N, con los índces conectados al nodo. Por ejemplo, el grafo: se representará como G=((2,), (0, 2), (1)) en el caso en que los nodos 1 3 se dentfquen con los índces 0 2. g2p(g): cómputo de la matrz de transcón a partr de un grafo g g2p pagerank(g, alpha): cómputo de la matrz de transcón PageRank a partr de un grafo g y un factor de dumpng alpha power ter one step(x, p): realza un paso del método de las potencas utlzando la dstrbucón x y matrz de transcón p. Grafos G1 y G2 con 10 y 100 nodos, respectvamente. 4
5 Se pde: 1. Realzar una smulacón que permta estmar la dstrbucón estaconara sobre le grafo G1, medante la mplementacón de un camnante aleatoro. El msmo comenza en un nodo elegdo al azar, y la probabldad de que estando en un nodo salte a un nod adyacente j es P. Evaluar para n = 100 pasos. Comparar con el método de las potencas para valores crecentes de N, empleando la matrz de transcón orgnal y la modfcada (α = 0,85). 2. El tempo de cruce para un nodo es el número de movmentos del camnante entre vstas sucesvas a dcho nodo. Medante smulacón, estme la dstrbucón de tempos de cruce sobre nodos en G1 y su valor medo. Compare con los valores de PageRank para cada nodo y formule una hpótess respecto de la msma. Valde su hpótess en G2. 3. El tempo de cubrmento es la esperanza sobre el número de pasos que requere un camnante aleatoro para vstar cada nodo al menos una vez, comenzando de un nodo elegdo de forma aleatora. Estme los tempos de cubrmento en G1 y G2 para dstntos valores de α. 4. Medante smulacón (empleando la funcón randg), analce el comportamento de los tempos de cubrmento al varar el número de nodos en el grafo. 5. Supongamos que se dspone de una web con N págnas (nodos). Un spammer agrega una nueva págna S a la web y desea que la msma tenga el mayor rankng posble. Para ello elabora dos estrategas: a) Crear K págnas fctcas y hacer que todas ellas apunten a S. Después de esta adcón, el número total de págnas en la web es N + S + 1. b) Hackear K de las N págnas exstentes y agregar enlaces a S. Evalúe cual de las estrategas es la más efectva sobre G2. Referencas Feller, W. (1968). An Introducton to Probablty Theory and Its Applcatons, volume 1. Wley. Havelwala, T. H. (2002). Topc-senstve pagerank. In Proc. Int. World Wde Web Conference (WWW). Langvlle, A. N. and Meyer, C. D. (2004). Deeper nsde PageRank. Internet Mathematcs, 1(3): Page, L., Brn, S., Motwan, R., and Wnograd, T. (1999). The pagerank ctaton rankng: Brngng order to the web. Techncal report, Stanford InfoLab. 5
DEFINICIÓN DE INDICADORES
DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más 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 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 detallesGráficos de flujo de señal
UNIVRSIDAD AUTÓNOMA D NUVO ÓN FACUTAD D INGNIRÍA MCANICA Y ÉCTRICA Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente
Más detallesCÁLCULO VECTORIAL 1.- MAGNITUDES ESCALARES Y VECTORIALES. 2.- VECTORES. pág. 1
CÁLCL ECTRIAL 1. Magntudes escalares y vectorales.. ectores. Componentes vectorales. ectores untaros. Componentes escalares. Módulo de un vector. Cosenos drectores. 3. peracones con vectores. 3.1. Suma.
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más detallesRESISTENCIAS EN SERIE Y LEY DE LAS MALLAS V 1 V 2 V 3 A B C
RESISTENCIS EN SERIE Y LEY DE LS MLLS V V 2 V 3 C D Fgura R R 2 R 3 Nomenclatura: Suponemos que el potencal en es mayor que el potencal en, por lo tanto la ntensdad de la corrente se mueve haca la derecha.
Más 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 detallesCANTIDADES VECTORIALES: VECTORES
INSTITUION EDUTIV L PRESENTION NOMRE LUMN: RE : MTEMÁTIS SIGNTUR: GEOMETRÍ DOENTE: JOSÉ IGNIO DE JESÚS FRNO RESTREPO TIPO DE GUI: ONEPTUL - EJERITION PERIODO GRDO FEH DURION 3 11 JUNIO 3 DE 2012 7 UNIDDES
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 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 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 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 detallesFísica I. TRABAJO y ENERGÍA MECÁNICA. Apuntes complementarios al libro de texto. Autor : Dr. Jorge O. Ratto
ísca I Apuntes complementaros al lbro de teto TRABAJO y ENERGÍA MECÁNICA Autor : Dr. Jorge O. Ratto Estudaremos el trabajo mecánco de la sguente manera : undmensonal constante Tpo de movmento varable bdmensonal
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 detallesGuía de ejercicios #1
Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje
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 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 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 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 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 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 detallesUniversidad Simón Bolívar Conversión de Energía Eléctrica - Prof. José Manuel Aller
Unversdad Smón Bolívar Conversón de Energía Eléctrca Prof José anuel Aller 41 Defncones báscas En este capítulo se estuda el comportamento de los crcutos acoplados magnétcamente, fjos en el espaco El medo
Más detallesGANTT, PERT y CPM INDICE
GANTT, PERT y CPM INDICE 1 Antecedentes hstórcos...2 2 Conceptos báscos: actvdad y suceso...2 3 Prelacones entre actvdades...3 4 Cuadro de prelacones y matrz de encadenamento...3 5 Construccón del grafo...4
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
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 detallesClase 25. Macroeconomía, Sexta Parte
Introduccón a la Facultad de Cs. Físcas y Matemátcas - Unversdad de Chle Clase 25. Macroeconomía, Sexta Parte 12 de Juno, 2008 Garca Se recomenda complementar la clase con una lectura cudadosa de los capítulos
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 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 detalles1.1 Ejercicios Resueltos Tema 1
.. EJERCICIOS RESUELTOS TEMA. Ejerccos Resueltos Tema Ejemplo: Probarque ++3+ + n 3 + 3 +3 3 + + n 3 n (n +) Ã n (n +)! - Para n es certa, tambén lo comprobamos para n, 3,... ( + ) + 3 (+) supuesto certa
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 detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detalles1.- Una empresa se plantea una inversión cuyas características financieras son:
ESCUELA UNIVERSITARIA DE ESTUDIOS EMPRESARIALES. Departamento de Economía Aplcada (Matemátcas). Matemátcas Fnanceras. Relacón de Problemas. Rentas. 1.- Una empresa se plantea una nversón cuyas característcas
Más 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 detallesUnidad 2 Representación Algebráica
Undad Representacón lgebráca Gráfcas no drgdas Matrz de Incdenca La matrz de ncdenca de una gráfca G se denota como (G) y se defne como: a, S el vértce v ncde en la línea e n cada columna hay exactamente
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesCAPÍTULO V ESTRUCTURAS ALGEBRAICAS
ESTRUCTURAS ALGEBRAICAS 7 CAPÍTULO V ESTRUCTURAS ALGEBRAICAS Estructura Algebraca es todo conjunto no vacío en el cual se han defndo una o más leyes de composcón nterna, luego de cumplr certas propedades
Más detallesDisipación de energía mecánica
Laboratoro de Mecáa. Expermento 13 Versón para el alumno Dspacón de energía mecáa Objetvo general El estudante medrá la energía que se perde por la accón de la uerza de rozamento. Objetvos partculares
Más detalles1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo
EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces
Más detallesINSTRUCTIVO No. SP 04 / 2002 INSTRUCTIVO PARA LA DETERMINACIÓN Y CÁLCULO DEL SALARIO BÁSICO REGULADOR
El Superntendente de Pensones, en el ejercco de las facultades legales contempladas en el artículo 13, lteral b) de la Ley Orgánca de la Superntendenca de Pensones, EMITE el : INSTRUCTIVO No. SP 04 / 2002
Más detallesGRAFOS. Prof. Ing. M.Sc. Fulbia Torres
ESTRUCTURAS DE DATOS 2006 Prof. DEFINICIÓN Un grafo consta de un conjunto de nodos(o vértices) y un conjunto de arcos (o aristas). Cada arco de un grafo se especifica mediante un par de nodos. Denotemos
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 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 detallesTEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS.
GESTIÓN FINANCIERA. TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS. 1.- Funconamento de las cuentas bancaras. FUNCIONAMIENTO DE LAS CUENTAS BANCARIAS. Las cuentas bancaras se dvden en tres partes:
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
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 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 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 detallesCONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A.
CONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A. PERÍODO 201-2020 Introduccón Las Bases Técnco Económcas Prelmnares, en
Más detallesAPENDICE A. El Robot autónomo móvil RAM-1.
Planfcacón de Trayectoras para Robots Móvles APENDICE A. El Robot autónomo móvl RAM-1. A.1. Introduccón. El robot autónomo móvl RAM-1 fue dseñado y desarrollado en el Departamento de Ingenería de Sstemas
Más detallesMatemática Financiera Sistemas de Amortización de Deudas
Matemátca Fnancera Sstemas de Amortzacón de Deudas 7 Qué aprendemos Sstema Francés: Descomposcón de la cuota. Amortzacones acumuladas. Cálculo del saldo. Evolucón. Representacón gráfca. Expresones recursvas
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 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 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 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 detallesCI63G Planificación de Sistemas de Transporte Público Urbano. Clase 8 Semestre Otoño 2008
CI63G Planfcacón de Sstemas de Transporte Públco Urbano Clase 8 Semestre Otoño 2008 Undades Temátcas 1. La oferta de transporte públco urbano (2 semanas) 2. La demanda por TPU (1,5 sem.) 3. Dseño y optmzacón
Más detallesCAPÍTULO III ACCIONES. Artículo 9º Clasificación de las acciones. Artículo 10º Valores característicos de las acciones. 10.
CAÍTULO III ACCIONES Artículo 9º Clasfcacón de las accones Las accones a consderar en el proyecto de una estructura o elemento estructural serán las establecdas por la reglamentacón específca vgente o
Más detallesTítulo: Dos métodos de diagnóstico de circuitos digitales de alta y muy alta escala de integración.
Título: Dos métodos de dagnóstco de crcutos dgtales de alta y muy alta escala de ntegracón. Autor: Dr. Ing. René J. Díaz Martnez. Profesor Ttular. Dpto. de Automátca y Computacón. Fac. de Ingenería Eléctrca.
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 detallesEn general puede representarse por : Clase 6 3
Encontrar raíces de uncones es uno de los problemas más comunes en ngenería Los métodos numércos para encontrar raíces de uncones son utlzados cuando las técncas analítcas no pueden ser aplcadas. Esto
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 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 detallesUn Modelo de Asignación de Recursos a Rutas en el Sistema de Transporte Masivo Transmilenio
Un Modelo de Asgnacón de Recursos a Rutas en el Sstema de Transporte Masvo Transmleno A Model for Resource Assgnment to Transt Routes n Bogota Transportaton System Transmleno Sergo Duarte, Ing., Davd Becerra,
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 detallesProfesor: Rafael Caballero Roldán
Contendo: 5 Restrccones de ntegrdad 5 Restrccones de los domnos 5 Integrdad referencal 5 Conceptos báscos 5 Integrdad referencal en el modelo E-R 53 Modfcacón de la base de datos 53 Dependencas funconales
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 detallesRentas financieras. Unidad 5
Undad 5 Rentas fnanceras 5.. Concepto de renta 5.2. Clasfcacón de las rentas 5.3. Valor captal o fnancero de una renta 5.4. Renta constante, nmedata, pospagable y temporal 5.4.. Valor actual 5.4.2. Valor
Más detallesUnidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública
Undad Central del Valle del Cauca Facultad de Cencas Admnstratvas, Económcas y Contables Programa de Contaduría Públca Curso de Matemátcas Fnanceras Profesor: Javer Hernando Ossa Ossa Ejerccos resueltos
Más detallesrsums Aproxima la integral de f mediante sumas de Riemann y realiza una representación gráfica de los rectángulos.
PRÁCTICA INTEGRACIÓN Práctcas Matlab Práctca : Integracón Objetvos o Calcular ntegrales defndas de forma aproxmada, utlzando sumas de Remann. o o o Profundzar en la comprensón del concepto de ntegracón.
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 detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
Más detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y
ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO
Más detallesIDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR
IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR En esta práctca se llevará a cabo un estudo de modelado y smulacón tomando como base el ntercambador de calor que se ha analzado en el módulo de teoría.
Más detallesCESMA BUSINESS SCHOOL
CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta
Más 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 detallesv i CIRCUITOS ELÉCTRICOS (apuntes para el curso de Electrónica)
IUITOS EÉTIOS (apuntes para el curso de Electrónca) os crcutos eléctrcos están compuestos por: fuentes de energía: generadores de tensón y generadores de corrente y elementos pasos: resstores, nductores
Más detallesADENDA 008 LICITACIÓN L-CEEC-001-12
ADENDA 008 LICITACIÓN L-CEEC-001-12 OBJETO: CONTRATACIÓN DE LA CONSTRUCCIÓN DE LA FASE I DEL RECINTO FERIAL, DEL CENTRO DE EVENTOS Y EXPOSICIONES DEL CARIBE PUERTA DE ORO POR EL SISTEMA DE ECIOS UNITARIOS
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 detallesTERMODINÁMICA AVANZADA
TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón
Más detallesLeyes de tensión y de corriente
hay6611x_ch03.qxd 1/4/07 5:07 PM Page 35 CAPÍTULO 3 Leyes de tensón y de corrente CONCEPTOS CLAVE INTRODUCCIÓN En el capítulo 2 se presentaron la resstenca así como varos tpos de fuentes. Después de defnr
Más 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 detallesUnidad 3 PLANIFICACIÓN DE TIEMPOS, PROGRAMACIÓN DE RECURSOS Y ESTIMACIÓN DE COSTOS DE LA EJECUCIÓN Y MANTENIMIENTO DE LOS STI
Undad 3 PLANIFICACIÓN DE TIEMPOS, PROGRAMACIÓN DE RECURSOS Y ESTIMACIÓN DE COSTOS DE LA EJECUCIÓN Y MANTENIMIENTO DE LOS STI 3.1. DINÁMICA DE LA GESTIÓN DE PROYECTOS. 3.1.1. GESTIÓN DE PROYECTOS. La gestón
Más detallesUnidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles
2 Undad I.. Defncón de reaccón de combustón La reaccón de combustón se basa en la reaccón químca exotérmca de una sustanca (o una mezcla de ellas) denomnada combustble, con el oxígeno. Como consecuenca
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 detallesPropiedades Asintóticas
Capítulo 3 Propedades Asntótcas 3.. Dstrbucones Estaconaras Defncón 3. Sea X n, n, una cadena de Markov con espaco de estados E y matrz de transcón P. Sea π(), E, una dstrbucón de probabldad, es decr,
Más detallesCAPÍTULO 4. CINEMÁTICA DE LOCALIZACIÓN DEL ROBOT PARALELO
8 CAPÍTULO 4. CINEMÁTICA DE LOCALIZACIÓN DEL ROBOT PARALELO En esta seccón se descrbe el análss de posconamento y orentacón del robot paralelo: Se resuelve el problema cnemátco nverso en base a métodos
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 detallesXII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros.
Uso de la Estmacón de la Dstrbucón de Probabldad para Muestras Pequeñas y de la Smulacón en la Inferenca de Carteras de Seguros. Trabajo presentado para el XII Premo de Investgacón sobre Seguros y Fanzas
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
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 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 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 detallesAgrupamiento de puntos de venta en una red de distribución
Agrupamento de puntos de venta en una red de dstrbucón Utlzando el Método de grafos y la Generacón de cortes para su solucón a través del lenguaje de modelacón AMPL. 26/Ago./04 Presenta: Aracel Ramírez
Más detallesMODELO DE PROCESOS TECNOLOGÍAS DE LA INFORMACIÓN - GESTIÓN DEL SERVICIO
MODELO DE PROCESOS TECNOLOGÍAS DE LA INFORMACIÓN - GESTIÓN DEL SERVICIO INTRODUCCION Gestón de Servcos de TI: Entrega de servcos de TI, que cumplan con los requstos del negoco, de una caldad aceptable
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 detallesMódulo Cédulas de Auditorías desde Excel
Módulo Cédulas de Auditorías desde Excel EL módulo de Cédulas desde Excel permite obtener y manipular la información registrada en SuperCONTABILIDAD de manera rápida y confiable. Las aplicaciones de este
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
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 detalles