2 de mar de 2004 Codificación de imágenes y v ideo
|
|
- Alfonso Ramos Salinas
- hace 6 años
- Vistas:
Transcripción
1 Teoría de la Información 2 de mar de 2004 Codificación de imágenes y v ideo
2 2 de mar de 2004 Codificación de imágenes y video 2 El clima en el Río de la Plata N L N N L S N... N L L T L L L... N N L S N L L... N S L S S T T... S N N S S L N... N S N T N N N... L S T L N L N p(n=0.5, p(s=0.25, p(l=0.125, p(t=0.125 N: nublado; S: soleado; L: lluvia; T: tormenta
3 Motivación Para comunicar estos cuatro símbolos se acuerda usar el siguiente código: C(N = 00 C(S = 01 C(L = 10 C(T = 11 Típicamente uno se pasa usando el código C(N=00. La pregunta es: existe otra codificación más eficiente? 2 de mar de 2004 Codificación de imágenes y video 3
4 Formalización Se puede considerar al estado del tiempo como una variable aleatoria discreta, con un alfabeto A={N,L,T,S} y una función de probabilidad con x en A. p(x=probabilidad(=x 2 de mar de 2004 Codificación de imágenes y video 4
5 Formalización: información Dado que típicamente esta nublado, el símbolo N contiene poca información, es predecible, es más probable, no es noticia. Información. Una medida de la información podría ser: I(x = -log 2 (p(x I(N = 1, I(S = 2, I(L = 3, I(T = 3 2 de mar de 2004 Codificación de imágenes y video 5
6 Información Qué pasa si supiéramos que siempre está nublado (p (N=1?. En este caso I(N = 0, podemos predecir con probabilidad 1 que va a estar nublado, no hay incertidumbre, no hay información. La situación de mayor incertidumbre es cuando p(n =p(l=p(s=p(t=1/4. 2 de mar de 2004 Codificación de imágenes y video 6
7 Información Si pudiéramos elegir libremente (símbolos equiprobables entre 2 símbolos necesitaríamos 1 bit, para 16 símbolos necesitaríamos 4 bits y en general para N símbolos se necesitan log 2 (N bits. log 2 (N = -log 2 (1/N, lo que nos dice que hay una relación entre información y cantidad de bits necesarios. 2 de mar de 2004 Codificación de imágenes y video 7
8 Entropía La entropía H( es la media de la información de la fuente: I ( x H ( E p( xlog2 Idea: La entropía mide la información media, y por tanto, la cantidad media de símbolos necesarios. p( x 2 de mar de 2004 Codificación de imágenes y video 8
9 Entropía Se puede ver fácilmente H(>=0. Esto corresponde al caso de menor incertidumbre Además, H(<=log( A, A =cantidad de elementos A. Lo que corresponde al caso de mayor incertidumbre, símbolos equiprobables. 2 de mar de 2004 Codificación de imágenes y video 9
10 Entropía Definición: x es una variable aleatoria discreta (V.A.D. con probabilidad p(x y un conjunto de mensajes posibles A={x 1,...,x N }. Definición: Entropía H ( p( xlog p( x xa Observación: H( = E{ -log p( } 2 de mar de 2004 Codificación de imágenes y video 10
11 Ejemplos de códigos Evento Probabilidad Código 1 Código 2 Nublado Sol Lluvia Tormenta de mar de 2004 Codificación de imágenes y video 11
12 Largo medio El largo medio de estos códigos es: L E{ C( x} p( x C( x donde C(x es el largo de x. Para este caso L1 = 2 L2 = 0.5 x x x x 3 = 1.75 H(x =1.75 Alcanzamos la entropía. 2 de mar de 2004 Codificación de imágenes y video 12
13 Largo medio: ejemplo Fuente con dos símbolos ={x 1,x 2 }, con probabilidades p 1 y p 2. Caso 1 p 1 =p 2 =0.5; x 1 = 0 ; x 2 = 1 H(=0.5 x log 2 ( x log 2 (2 = 1 L = 0.5 x x 1 = 1 Caso 2 p 1 =0.1; p 2 =0.9; x 1 = 0 ; x 2 = 1 H(=0.1 x log 2 ( x log 2 (10/9 = L = 0.1 x x 1 = 1 2 de mar de 2004 Codificación de imágenes y video 13
14 Shannon Se puede demostrar que no existe ningún código que permita codificar a un bit-rate menor a la entropía. Teorema (Shannon 1948 min{ L} H ( Se puede demostrar también que el bit rate se puede acercar arbitrariamente a la entropía. 2 de mar de 2004 Codificación de imágenes y video 14
15 2 de mar de 2004 Codificación de imágenes y video 15 Entropía conjunta Definición: La entropía conjunta H(,Y de un par de variables aleatorias con distribución p(x,y es: Teorema (Regla de la cadena:, ( log, ( }, ( log {, ( y x p y x p y x p E Y H ( (, ( Y H H Y H
16 2 de mar de 2004 Codificación de imágenes y video 16 Entropía Condicional Definición: La entropía condicional de dos variables (,Y~p(x,y es: Observación: A( es el alfabeto de ( ( ( ( log, ( ( ( ( A x Y A y A x x y p y x p x Y H x p Y H
17 Kullback-Leibler Definición: La entropía relativa o distancia Kullback- Leibler entre dos distribuciones de probabilidad p(x y q(x se define como: D( p q xa p( xlog p( x q( x Elog p( x q( x Teorema: D( p q 0 y la igualdad se cumple si p(x=q(x 2 de mar de 2004 Codificación de imágenes y video 17
18 Kullback-Leibler: Aplicaciones Teorema: H( <= log( A Teorema: El condicionar reduce la entropía, H(Y <= H(Y y la igualdad se da si e Y son independientes. 2 de mar de 2004 Codificación de imágenes y video 18
19 Extensión de una fuente Extensión de orden N z i =(x i1, x i2,..., x in p(z i = p(x i1 p(x i2... p(x in Teorema: H( N =N.H( 2 de mar de 2004 Codificación de imágenes y video 19
20 Extensión de una fuente: ejemplo Fuente con dos símbolos ={x 1,x 2 }, con probabilidades p 1 =0.1 y p 2 =0.9 Z={x 1 x 1, x 1 x 2, x 2 x 1, x 2 x 2 } p(z={0.01, 0.09, 0.09, 0.81} H(Z=0.01 x log 2 ( x ( 0.09 x log 2 (100/ xlog 2 (100/81 = 0.934=2 x C1={ 00, 01, 10, 11 } L1 = 0.01 x x ( 0.09 x x 2 = 2 C2={ 111, 110, 10, 0 } L2 = 0.01 x x x x 1 = 1,29 2 de mar de 2004 Codificación de imágenes y video 20
21 Regla de la cadena Teorema: (Regla de la cadena ( 1,..., n ~ p(x 1,...,x n : H ( n 1,..., n H( i i1,..., 1 i 1 Teorema: H ( n 1,..., n H ( i i1 2 de mar de 2004 Codificación de imágenes y video 21
22 Dependencia Observando el estado del tiempo en días sucesivos se ve que el estado del tiempo en un día depende del día anterior y condiciona el siguiente. No es simplemente una variable aleatoria sin memoria. 2 de mar de 2004 Codificación de imágenes y video 22
23 Formalización: Markov de orden k Una fuente se dice Markov de orden k si símbolos sucesivos son estadísticamente dependientes, i.e. cada símbolo depende de los k anteriores Una fuente MKS se especifica con: p( i x i1,, ik i, k 2 de mar de 2004 Codificación de imágenes y video 23
24 2 de mar de 2004 Codificación de imágenes y video 24 MKS: Entropía La entropía de una fuente markov se define a partir de la entropía condicional En general H MKS ( < H DMS (, por lo tanto, podríamos comprimir aún más! Vale el resultado H( N =N.H(,, (,, ( ( 1 1 k i i k i i MKS H p H,, ( log,, (,, ( k i i i k i i i k i i x p x p H
25 Métodos para símbolos dependientes Codificación condicional: Se calculan las nuevas probabilidades dado el símbolo anterior. (H( Y<H( Codificación en bloques: Se agrupan símbolos consecutivos en bloques (nuevos símbolos. Codificación predictiva: Dado i predecimos i+1 y codificamos la diferencia. 2 de mar de 2004 Codificación de imágenes y video 25
26 Ejemplo: codificación predictiva de imágenes Idea: Usa la redundancia presente en la imagen (la correlación entre los píxeles para estimar el nivel de gris en (i,j: Î(i,j. Error: e(i,j=î(i,j-i(i,j. Compresión con pérdidas. Los valores de e(i,j son cuantificados y comprimidos. Compresión sin pérdidas. La señal e no es cuantificada. 2 de mar de 2004 Codificación de imágenes y video 26
27 Ejemplo: codificación predictiva de imágenes Predicción lineal. T: template con píxeles anteriores it El alfabeto de los errores de predicción será el doble de grande que el original. xˆ a i x i Un buen predictor minimiza el error; el símbolo más probable será el 0. 2 de mar de 2004 Codificación de imágenes y video 27
28 Ejemplo: codificación predictiva de imágenes 2 de mar de 2004 Codificación de imágenes y video 28
29 Ejemplo: codificación predictiva de imágenes La predicción es Î=(a+b+c+d/4. 2 de mar de 2004 Codificación de imágenes y video 29
30 Ejemplo: codificación predictiva de imágenes Imagen diferencia y su histograma 2 de mar de 2004 Codificación de imágenes y video 30
31 Ejemplo: codificación predictiva de imágenes Cómo hallar los a i? Iˆ a1i ( i, j 1 a2i( i 1, j 1 a3i( i 1, j Si asumimos I estacionario con media 0. Encontramos los a i minimizando la esperanza del error. a R(0,0 a a R(0,1 a a R(1,1 a R(01, a R(0,0 a R(1,0 a R(1,1 R(1,0 R(1,0 R(11, R(0,0 R(01, 2 de mar de 2004 Codificación de imágenes y video 31
32 Códigos Definición: Un código de fuente C, para una V.A.D, es un mapeo de A a D*, el conjunto de secuencias finitas de símbolos de una alfabeto D. N D* D i i1 Observación: C(x es el código para x y l(x su largo Observación: Típicamente usaremos: D =B = {0,1} 2 de mar de 2004 Codificación de imágenes y video 32
33 Códigos: Largo Esperado Definición: El largo esperado de un código de fuente C es: Ejemplo: A={N,S,L,T} p(n=1/2 p(s=1/4 p(l=p(t=1/8 C(N=0 C(S=10 C(L=110 C(T=111. l(n=1 l(s=2 l(l=l(t=3 L (C=1,75 L ( C p( x l( x xa 2 de mar de 2004 Codificación de imágenes y video 33
34 Códigos no singulares Definición: Un código se dice no singular si cada elemento de A se mapea en un elemento diferente en D*. Definición: La extensión C* de C es el mapeo de secuencias de símbolos de A en secuencias de D, C(x 1 x 2...x n =C(x 1 C(x 2...C(x n 2 de mar de 2004 Codificación de imágenes y video 34
35 Códigos de decodificación única Definición: Un código se dice de decodificación única si su extensión es no singular. Definición: Un código es instantáneo si ninguna palabra de código es prefijo de otra. no singulares unívocamente decodificables instantáneos códigos singulares no unívocamente decodificables no instantáneos 2 de mar de 2004 Codificación de imágenes y video 35
36 Desigualdad de Kraft Teorema: Para cada código instantáneo sobre un alfabeto de dimensión d= D, los largos de las palabras del código, l i, deben satisfacer: l d i 1 i Dados l i que cumplen lo anterior, existe un código instantáneo con esos largos. 2 de mar de 2004 Codificación de imágenes y video 36
37 Códigos óptimos Teorema: El largo esperado (L de cualquier código instantáneo (C para una V.A.D cumple LC H y se da la igualdad si y solo si d -li = p i (1er. Teorema de Shannon 2 de mar de 2004 Codificación de imágenes y video 37
38 Cotas para el L óptimo Motivación para log p 1 x Teorema: Sean l i * los largos de los códigos óptimos y L* el largo esperado asociado entonces: H ( L* H ( 1 2 de mar de 2004 Codificación de imágenes y video 38
39 Codificación en bloques Que pasa si juntamos símbolos? C(x 1...x n, l(x 1...x n Definición: Largo esperado por símbolo L n Corolario: Para i I.I.D 1 p( x1,..., xn l( x1... xn n H ( L H ( n 1 n 2 de mar de 2004 Codificación de imágenes y video 39
40 Códigos de Huffman Podemos llegar a codificar con H( bits? Idea: Usar códigos más cortos para símbolos más probables (Código Morse. Ejemplo. C(N=0, C(S=10, C(L=110, C(T=111. Cómo encontrar el código óptimo de forma sistemática? 2 de mar de 2004 Codificación de imágenes y video 40
41 Algoritmo de Huffman 0 p(n=0.5 0 p(n=0.5 0 p(n= p(s= p(s= p(l= p(y= p(t= p(= de mar de 2004 Codificación de imágenes y video 41
42 Run Length Encoding Útil cuando símbolos consecutivos son idénticos. Cada símbolo es seguido por el número de repeticiones. Zero run length coding 2 de mar de 2004 Codificación de imágenes y video 42
Introducción a los códigos compresores
Introducción a los códigos compresores Parte I de la Lección 2, Compresores sin pérdidas, de CTI Ramiro Moreno Chiral Dpt. Matemàtica (UdL) Febrero de 2010 Ramiro Moreno (Matemàtica, UdL) Introducción
Más detallesEjercicios sobre probabilidades y entropías
Ejercicios sobre probabilidades y entropías CTI: Lección 1, Primer teorema de Shannon (SCT) Ramiro Moreno Chiral Dpt. Matemàtica (UdL) 10 de febrero de 2010 CTI, lección 1 (Problemas) Ejercicios sobre
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesCOMUNICACIÓN DE DATOS
DEPARTAMENTO DE CIENCIA Y TECNOLOGÍA UNIVERSIDAD NACIONAL DE QUILMES Roque Sáenz Peña 352 (B1876BXD) Bernal Buenos Aires Argentina COMUNICACIÓN DE DATOS CODIFICACIÓN DE FUENTE Un problema de interés dentro
Más detallesWebir /09/2014
17/09/2014 Temas Compresión de índices - vocabulario Compresión de índices lista de postings 2 Compresión de Vocabulario... ArbolArteriaArterioesclerosisArtrosis... Diccionario en un sólo String Lista
Más detallesIntroducción a la Teoría de la Información. Tomás V. Arredondo 8/4/2011
Introducción a la Teoría de la Información Tomás V. Arredondo 8/4/20 Introducción a la a la Teoría de la Información y Aplicaciones Contenidos: Introducción a algunos aspectos de la teoría de la información
Más detallesESTRUCTURA Y TECNOLOGÍA DE COMPUTADORES I CAPÍTULO III ARITMÉTICA Y CODIFICACIÓN
ESTRUCTURA Y TECNOLOGÍA DE COMPUTADORES I CAPÍTULO III ARITMÉTICA Y CODIFICACIÓN TEMA 3. Aritmética y codificación 3.1 Aritmética binaria 3.2 Formatos de los números y su representación 3.3 Definiciones
Más detallesTeoría de Probabilidad
Matemáticas Discretas L. Enrique Sucar INAOE Teoría de Probabilidad Considero que la probabilidad representa el estado de la mente con respecto a una afirmación, evento u otra cosa para las que no existe
Más detallesEL4005 Principios de Comunicaciones Clase No.22: Señalización Ortogonal
EL4005 Principios de Comunicaciones Clase No.22: Señalización Ortogonal Patricio Parada Departamento de Ingeniería Eléctrica Universidad de Chile 29 de Octubre de 2010 1 of 34 Contenidos de la Clase (1)
Más detallesCapítulo 3: Técnicas de Conteo Clase 2: Permutaciones y Combinaciones, Coeficientes Binomiales y Aplicaciones a Probabilidad Discreta
Capítulo 3: Técnicas de Conteo Clase 2: Permutaciones y Combinaciones, Coeficientes Binomiales y Aplicaciones a Probabilidad Discreta Matemática Discreta - CC3101 Profesor: Pablo Barceló P. Barceló Matemática
Más detallesÚltima modificación: 1 de julio de
Contenido SEÑALES DIGITALES Y CAPACIDAD DE CANAL 1.- Señales digitales de 2 y más niveles. 2.- Tasa de bit e intervalo de bit. 3.- Ancho de banda de una señal digital. 4.- Límites en la tasa de transmisión.
Más detallesCompresión de Datos Multimedia
Tema 3 Compresión de Datos Multimedia Introducción La compresión es una manipulación o transformación de la información de entrada, que se realiza antes de transmitirla. El objetivo es enviar la información
Más detallesAlvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012
Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesDigitalización y compresión de vídeo
VdoDig 1 Digitalización y compresión de vídeo Principales normas Algoritmos de compresión Formatos de vídeo VdoDig 2 Normas de vídeo digital H-261.- Videoconferencia Formato de poca resolución y pocas
Más detallesTipos de datos en S. Lógica y Computabilidad. Codificación de variables y etiquetas de S. Codificación de programas en S
Tipos de datos en S Lógica y Computabilidad Verano 2011 Departamento de Computación - FCEyN - UBA Computabilidad - clase 5 Codificación de programas, Halting problem, diagonalización, tesis de Church,
Más detalles2. SEÑALES Y SISTEMAS DISCRETOS EN EL TIEMPO. Una señal puede ser definida como una portadora física de información. Por ejemplo,
2. SEÑALES Y SISTEMAS DISCRETOS EN EL TIEMPO Una señal puede ser definida como una portadora física de información. Por ejemplo, las señales de audio son variaciones en la presión del aire llevando consigo
Más detallesTema 3: El Método Simplex. Algoritmo de las Dos Fases.
Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo
Más detallesTerminaremos el capítulo con una breve referencia a la teoría de cardinales.
TEMA 5. CARDINALES 241 Tema 5. Cardinales Terminaremos el capítulo con una breve referencia a la teoría de cardinales. Definición A.5.1. Diremos que el conjunto X tiene el mismo cardinal que el conjunto
Más detallesCI2612: Algoritmos y Estructuras de Datos II. Espacio de probabilidad. Objetivos. Blai Bonet
CI2612: Algoritmos y Estructuras de Datos II Blai Bonet Análisis probabiĺıstico Universidad Simón Boĺıvar, Caracas, Venezuela Objetivos Espacio de probabilidad Las probabilidades se definen sobre un espacio
Más detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesTema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias
Estadística Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Noviembre 2010 Contenidos...............................................................
Más detallesIntroducción general a la compresión de datos multimedia
Introducción general a la compresión de datos multimedia Necesidad de la compresión La mayoría de las aplicaciones multimedia requieren volúmenes importantes de almacenamiento y transmisión. CD-ROM 640
Más detallesTeoría de las Comunicaciones. Claudio Enrique Righetti
Teoría de las Comunicaciones Claudio Enrique Righetti Teoría de la Información y Codificación Fundamentos de T I y C - Fuente de Ruidos y Capacidad de un canal Claude Shannon Información 3 Definición :
Más detallesALGEBRA y ALGEBRA LINEAL. Primer Semestre CAPITULO 6. POLINOMIOS DE UNA VARIABLE.
ALGEBRA y ALGEBRA LINEAL 520142 Primer Semestre CAPITULO 6. POLINOMIOS DE UNA VARIABLE. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Polinomio Sea K (Q,
Más detallesPROCESOS ESTOCÁSTICOS
Capítulo 10 Cadenas de Markov PROCESOS ESTOCÁSTICOS Una sucesión de observaciones X 1,X 2,... se denomina proceso estocástico Si los valores de estas observaciones no se pueden predecir exactamente Pero
Más detallesMétodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B
Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................
Más detallesConjuntos, relaciones y funciones Susana Puddu
Susana Puddu 1. Repaso sobre la teoría de conjuntos. Denotaremos por IN al conjunto de los números naturales y por ZZ al de los enteros. Dados dos conjuntos A y B decimos que A está contenido en B o también
Más detallesNotas sobre el teorema minimax
Notas sobre el teorema mini Antonio Martinón Abril de 2012 1 Teoremas mini Sean X e Y dos conjuntos no vacíos y consideremos una función Se verifica sup inf efectivamente, dado x X resulta claro que f
Más detallesPROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES. Prof. Johnny Montenegro 1 M.
PROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES Prof. Johnny Montenegro 1 M. PROBABILIDADES 2 Una variable es aleatoria si toma los valores de los resultados de un experimento aleatorio. Esta
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesALGEBRA I, ALGEBRA Y TRIGONOMETRIA , Segundo Semestre CAPITULO 6: POLINOMIOS.
ALGEBRA I, ALGEBRA Y TRIGONOMETRIA 520135, 522115 Segundo Semestre CAPITULO 6: POLINOMIOS. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Polinomio Sea K
Más detallesProbabilidades. 11 de noviembre de 2013. Felipe Bravo Márquez
Felipe José Bravo Márquez 11 de noviembre de 2013 Motivación Las probabilidades son el lenguaje de la incertidumbre que a la vez es la base de la inferencia estadística. El problema estudiado en probabilidades
Más detallesDepartamento de Matemáticas. ITAM Programación lineal (+ extensiones). Objetivos y panorama del c
Programación lineal (+ extensiones). Objetivos y panorama del curso. Departamento de Matemáticas. ITAM. 2008. Introducción Programación lineal http://allman.rhon.itam.mx/ jmorales La programación lineal
Más detallesTema: Codificación de canal
Tema: Codificación de canal Adriana Dapena Janeiro (adriana@udc.es) Facultad de Informática Universidade da Coruña Campus de Elviña s/n 15071. A Coruña Codificación de canal.- Adriana Dapena p. 1 Objetivos
Más detalles"COMPRESIÓN DE ARCHIVOS DE TEXTO CODIFICANDO EL ALFABETO FUENTE"
Escuela Politécnica Nacional FACULTAD DE INGENIERÍA ELÉCTRICA "COMPRESIÓN DE ARCHIVOS DE TEXTO CODIFICANDO EL ALFABETO FUENTE" Tesis previa a la obtención del título de Ingeniero en Electrónica y Telecomunicaciones
Más detallesCapítulo 2: Inducción y recursión Clase 2: El principio de Inducción Fuerte
Capítulo 2: Inducción y recursión Clase 2: El principio de Inducción Fuerte Matemática Discreta - CC3101 Profesor: Pablo Barceló P. Barceló Matemática Discreta - Cap. 2: Inducción y Recursión 1 / 20 Motivación
Más detallesIntroducción a la Probabilidad
Introducción a la Probabilidad Tema 3 Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2 Objetivos Entender el concepto de experimento
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 1
Maestría en Bioinformática Probabilidad y Estadística: Clase 1 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Introducción 2 Teoría
Más detallesTALLER 1 DE ALGEBRA LINEAL Y GEOMETRÍA INGENIERÍA AMBIENTAL - UNIVERSIDAD DE CÓRDOBA FACTORIZACIÓN LU Y CADENAS DE MARKOV
TALLER 1 DE ALGEBRA LINEAL Y GEOMETRÍA INGENIERÍA AMBIENTAL - UNIVERSIDAD DE CÓRDOBA FACTORIZACIÓN LU Y CADENAS DE MARKOV DESCRIPCIÓN: En el siguiente trabajo se mostrarán algunos métodos para encontrar
Más detallesVariables aleatorias unidimensionales
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen
Más detallesAnillo de polinomios con coeficientes en un cuerpo
Capítulo 2 Anillo de polinomios con coeficientes en un cuerpo En el conjunto Z se ha visto cómo la relación ser congruente módulo m para un entero m > 1, es compatible con las operaciones suma y producto.
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesTeorema de Bayes. mientras que B tiene una tasa de defectos del 4%.
Teorema de Bayes Ejemplo: En una empresa manufacturera, una máquina A produce el 60% de la producción total, mientras que una máquina B el restante 40%. 71 El 2% de las unidades producidas por A son defectuosas,
Más detallesCuantificación. Codificación de imágenes y video
Cuantificación Codificación de imágenes y video Un poco de historia Definiciones Performance de un cuantificador El cuantificador escalar Performance del cuantificador escalar El cuantificador escalar
Más detallesCriterios de divisibilidad y Congruencias
Criterios de divisibilidad y Congruencias Rafael F. Isaacs G. * Fecha: 9 de marzo de 2007 Cuando tenemos un número muy grande escrito en base 10 y deseamos saber si es múltiplo por ejemplo de 9 no necesitamos
Más detallesProgramación lineal. Estimar M. Ejemplos.
Departamento de Matemáticas. ITAM. 2010. Los problemas P y P minimizar x c T x sujeta a Ax = b, x 0, b 0 minimizar c T x + M(y 1 + y 2 + + y m ) x sujeta a Ax + y = b, x 0, y 0. Cómo estimar M? Resultado
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesAlgoritmos Genéticos. Introducción a la Robótica Inteligente. Álvaro Gutiérrez 20 de abril de
Algoritmos Genéticos Introducción a la Robótica Inteligente Álvaro Gutiérrez 20 de abril de 2016 aguti@etsit.upm.es www.robolabo.etsit.upm.es Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos
Más detallesTeoría de la Probabilidad Tema 2: Teorema de Extensión
Teoría de la Probabilidad Tema 2: Teorema de Extensión Alberto Rodríguez Casal 25 de septiembre de 2015 Definición Una clase (no vacía) A de subconjuntos de Ω se dice que es un álgebra si A es cerrada
Más detallesNotación Asintótica 2
Notación Asintótica 2 mat-151 1 Éxamen Rápido (6 minutos) Cada operación fundamental usa c milisegundos, cuánto tiempo toma contar hasta 1,000,000? Cuál es el valor de N? Cuál es el órden de complejidad
Más detallesÓrdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple
Órdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple Estos apuntes están redactados por Maria de los Angeles Isidro Pérez y Egor Maximenko.
Más detalles2 Métodos de solución de ED de primer orden
CAPÍTULO Métodos de solución de ED de primer orden.4 Ecuaciones diferenciales de Bernoulli Una ecuación diferencial ordinaria de primer orden de la forma a 0.x/y 0 C a.x/y D f.x/y r ; con r 0; : se denomina
Más detallesTema 3 Álgebra Matemáticas I 1º Bachillerato. 1
Tema 3 Álgebra Matemáticas I 1º Bachillerato. 1 TEMA 3 ÁLGEBRA 3.1 FACTORIZACIÓN DE POLINOMIOS LA DIVISIBILIDAD EN LOS POLINOMIOS Un polinomio P(x) es divisible por otro polinomio Q(x) cuando el cociente
Más detallesLógica de Predicados 1
Lógica de Predicados 1 rafael ramirez rafael@iua.upf.es Ocata 320 Porqué Lógica de Predicados La logica proposicional maneja bien afirmaciones compuestas de no, y, o, si entonces En situaciones con un
Más detallesCoordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 2: Lunes 18 Viernes 22 de Marzo. Contenidos
Cálculo Coordinación de Matemática I MAT021 1 er Semestre de 2013 Semana 2: Lunes 18 Viernes 22 de Marzo Contenidos Clase 1: La Ecuación Cuadrática. Inecuaciones de grado 2, con y sin valor absoluto. Clase
Más detallesFunciones de Clase C 1
Capítulo 7 Funciones de Clase C 1 Vamos a considerar ahora la extensión a varias variables del concepto de función de clase C 1. Cada vez que establezcamos una propiedad de las funciones diferenciables,
Más detallesTEMA 4: DERIVADAS. En símbolos, la pendiente de la curva en P = lim Q P (pendiente de P Q).
TEMA 4: DERIVADAS 1. La derivada de una función. Reglas de derivación 1.1. La pendiente de una curva. La pendiente de una curva en un punto P es una medida de la inclinación de la curva en ese punto. Si
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallesIntroducción La Circunferencia Parábola Elipse Hiperbola. Conicas. Hermes Pantoja Carhuavilca
Facultad de Ingeniería Industrial Universidad Nacional Mayor de San Marcos Matematica I Contenido 1 Introducción 2 La Circunferencia 3 Parábola 4 Elipse 5 Hiperbola Objetivos Se persigue que el estudiante:
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.E.
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.E. CURSO 011-01 CONVOCATORIA: MATERIA: MATEMATICAS APLICADAS A LAS CC. SS. - Cada alumno debe elegir sólo una de las pruebas (A o B). - Cada una de las preguntas
Más detalles14 Expresiones algebraicas. Polinomios
PARADA TeÓRICA 14 Expresiones algebraicas. Polinomios Una expresión algebraica es una combinación cualquiera y finita de números, de letras, o de números, letras, ligados entre sí con la adición, sustracción,
Más detallesESCUELA COMERCIAL CÁMARA DE COMERCIO EXTENSIÓN DE ESTUDIOS PROFESIONALES MAESTRÍA EN ADMINISTRACIÓN
CICLO, ÁREA O MÓDULO: TERCER CUATRIMESTRE OBJETIVO GENERAL DE LA ASIGNATURA: Al termino del curso el alumno efectuara el análisis ordenado y sistemático de la Información, a través del uso de las técnicas
Más detallesFacultad de Ingeniería - IIE Modelado y análisis de redes de telecomunicaciones Práctico 2. Cadenas de Markov en Tiempo Discreto
Facultad de Ingeniería - IIE Modelado y análisis de redes de telecomunicaciones Práctico 2 Cadenas de Markov en Tiempo Discreto Ejercicio 1 Una computadora genera paquetes de datos y los envía por la red.
Más detallesConceptos de Probabilidad (II)
Conceptos de Probabilidad (II) Jhon Jairo Padilla A., PhD. Necesidad Es común escuchar frases como: Juan Probablemente ganará el torneo de tenis Tengo posibilidad de ganarme la lotería esta noche La mayoría
Más detallesSoluciones básicas factibles y vértices Introducción al método símplex. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Soluciones básicas factibles y vértices Introducción al método símplex Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema PLs en formato estándar Vértices y soluciones
Más detallesExpresiones Regulares y Derivadas Formales
y Derivadas Formales Las Derivadas Sucesivas. Universidad de Cantabria Esquema 1 2 3 Derivadas Sucesivas Recordemos que los lenguajes de los prefijos dan información sobre los lenguajes. Derivadas Sucesivas
Más detallesMATEMÁTICAS 2º ESO SEMEJANZA Y TEOREMA DE THALES
MATEMÁTICAS º ESO SEMEJANZA Y TEOREMA DE THALES S1 SEMEJANZA DE FIGURAS. RAZÓN DE SEMEJANZA O ESCALA. Dos figuras son semejantes si tienen la misma forma, aunque quizá distinto tamaño. La razón de semejanza
Más detallesTEMA 6: DIVISIÓN DE POLINOMIOS RAÍCES MATEMÁTICAS 3º ESO
TEMA 6: DIVISIÓN DE POLINOMIOS RAÍCES MATEMÁTICAS 3º ESO 1. División de polinomios Dados dos polinomios P (el dividendo) y D (el divisor), dividir P entre D es encontrar dos polinomios Q (el cociente)
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesEl Teorema Fundamental del Álgebra
El Teorema Fundamental del Álgebra 1. Repaso de polinomios Definiciones básicas Un monomio en una indeterminada x es una expresión de la forma ax n que representa el producto de un número, a, por una potencia
Más detallesMinería Multimedia Minería de datos NO estructurados (Textos, Imágenes, Audios y Videos)
Minería Multimedia Minería de datos NO estructurados (Tetos, Imágenes, Audios y Videos) Ana Isabel Oviedo Docente Universidad Pontificia Bolivariana ana.oviedo@upb.edu.co Medellín, noviembre 13 de 2014
Más detallesCuánto dura un partido de tenis? (Aplicación estocástica)
Cuánto dura un partido de tenis? (Aplicación estocástica) F. Rendl, Universidad de Klagenfurt, Departamento de Matemáticas 28 de Mayo del 2003 1. Probabilidad elemental Los procesos aleatorios simples
Más detallesProgramación entera: Ejemplos, resolución gráfica, relajaciones lineales. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Programación entera: Ejemplos, resolución gráfica, relajaciones lineales Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Programación entera: definición, motivación,
Más detallesDefinición de la matriz inversa
Definición de la matriz inversa Objetivos Aprender la definición de la matriz inversa Requisitos Multiplicación de matrices, habilidades básicas de resolver sistemas de ecuaciones Ejemplo El número real
Más detallesUna invitación al estudio de las cadenas de Markov
Una invitación al estudio de las cadenas de Markov Víctor RIVERO Centro de Investigación en Matemáticas A. C. Taller de solución de problemas de probabilidad, 21-25 de Enero de 2008. 1/ 1 Introducción
Más detallesCapítulo 9 Estructura y Administración de Portafolios de Inversión
Capítulo 9 Estructura y Administración de Portafolios de Inversión Objetivo Presentar los conceptos básicos y el proceso vinculado a la administración de portafolios de inversión Parte I CONCEPTOS BÁSICOS
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesGrado en Química Bloque 1 Funciones de una variable
Grado en Química Bloque Funciones de una variable Sección.7: Aproximación de funciones. Desarrollo de Taylor. Aproximación lineal. La aproximación lineal de una función y = f(x) en un punto x = a es la
Más detallesALGEBRA 1- GRUPO CIENCIAS- TURNO TARDE- Enteros
Resumen teoría Prof. Alcón ALGEBRA 1- GRUPO CIENCIAS- TURNO TARDE- Z = N {0} N Enteros Las operaciones + y. son cerradas en Z, es decir la suma de dos números enteros es un número entero y el producto
Más detallesSISTEMAS DE ECUACIONES LINEALES. Método de reducción o de Gauss. 1º DE BACHILLERATO DPTO DE MATEMÁTICAS COLEGIO MARAVILLAS AUTORA: Teresa González.
SISTEMAS DE ECUACIONES LINEALES Método de reducción o de Gauss 1º DE BACHILLERATO DPTO DE MATEMÁTICAS COLEGIO MARAVILLAS AUTORA: Teresa González. SISTEMAS DE DOS ECUACIONES LINEALES CON DOS INCÓGNITAS.
Más detallesCálculo I (Grado en Ingeniería Informática) Problemas adicionales resueltos
Cálculo I (Grado en Ingeniería Informática) - Problemas adicionales resueltos Calcula el ĺımite lím ( n + n + n + ) n Racionalizando el numerador, obtenemos L lím ( n + n + n (n + n + ) (n + ) + ) lím
Más detallesAprendizaje basado en ejemplos.
Aprendizaje basado en ejemplos. In whitch we describe agents that can improve their behavior through diligent study of their own experiences. Porqué queremos que un agente aprenda? Si es posible un mejor
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesPolinomios y Raíces. Teresa Krick
Polinomios y Raíces Teresa Krick Departamento de Matemática. Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires. -148- Buenos Aires. ARGENTINA. e-mail : krick@dm.uba.ar Contents 1 Introducción
Más detallesTeoría de la Información
Teoría de la Información Extractado de "Introducción a la psicología de la comunicación" Alejandro López, Andrea Parada, Franco Simonetti, Ediciones Universidad Católica de Chile, Santiago, 1995. A partir
Más detallesTEMA 8.- NORMAS DE MATRICES Y
Álgebra II: Tema 8. TEMA 8.- NORMAS DE MATRICES Y NúMERO DE CONDICIóN Índice. Introducción 2. Norma vectorial y norma matricial. 2 2.. Norma matricial inducida por normas vectoriales......... 4 2.2. Algunos
Más detallesConstrucción de bases en el núcleo e imagen de una transformación lineal
Construcción de bases en el núcleo e imagen de una transformación lineal Objetivos. Estudiar el algoritmo para construir una base del núcleo y una base de la imagen de una transformación lineal. Requisitos.
Más detallesTema 2. Descripción Conjunta de Varias Variables
Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis
Más detallesTEMA 5 TÉCNICAS DE PROTECCIÓN FRENTE A ERRORES (CODIFICACIÓN DE CANAL) MMC (UC3M) Comunicaciones Digitales Codificación de Canal 1 / 99
TEMA 5 TÉCNICAS DE PROTECCIÓN FRENTE A ERRORES (CODIFICACIÓN DE CANAL) MMC (UC3M) Comunicaciones Digitales Codificación de Canal 1 / 99 Índice Introducción y definiciones Códigos bloque lineales Códigos
Más detallesDefinición de la integral de Riemann (Esto forma parte del Tema 1)
de de de Riemann (Esto forma parte del Tema 1) Departmento de Análise Matemática Facultade de Matemáticas Universidade de Santiago de Compostela Santiago, 2011 Esquema de Objetivos del tema: Esquema de
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallescadenas de Markov tienen la propiedad de que la probabilidad de que X n = j sólo depende
Cadenas de Markov Los procesos de paseo aleatorio en realidad son un caso particular de procesos más generales que son las cadenas de Markov. En esencia, una cadena es un proceso en tiempo discreto en
Más detalles1. Convergencia en medida
FACULTAD CS. FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE MA3801 Teoría de la Medida. Semestre 2009-02 Profesor: Jaime San Martín Auxiliares: Andrés Fielbaum y Cristóbal Guzmán Clase auxiliar 7 21 de Septiembre
Más detallesModelos de Programación Lineal: Resolución gráfica y Teorema fundamental. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Modelos de Programación Lineal: Resolución gráfica y Teorema fundamental Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Resolución gráfica de problemas de
Más detallesTema 9: Cálculo Deductivo
Facultad de Informática Grado en Ingeniería Informática Lógica PARTE 2: LÓGICA DE PRIMER ORDEN Tema 9: Cálculo Deductivo Profesor: Javier Bajo jbajo@fi.upm.es Madrid, España 24/10/2012 Introducción a la
Más detalles