EJEMPLO DE APLICACIÓN
|
|
- Yolanda Alvarado Torregrosa
- hace 6 años
- Vistas:
Transcripción
1 Aprendzaje Automátco y Data Mnng Bloque VI EJEMPLO DE APLICACIÓN 1
2 Índce Problema a resolver. Propuesta de uso de aprendzaje. Algortmo desarrollado. Seleccón del clasfcador. Resultados expermentales. Entorno de smulacón. Montaje expermental. 2
3 PROBLEMA A RESOLVER 3
4 Problema a resolver (I) Agarre de pezas medante robots. El objetvo es que un robot sea capaz de determnar el mejor modo de agarrar un objeto cualquera. Este problema podría ser resuelto sn utlzar aprendzaje automátco. No obstante, utlzar aprendzaje puede ofrecer ventajas. Se ntentará que el robot extraga reglas de agarre a partr de ejemplos dados por el usuaro. 4
5 Problema a resolver (II) 5
6 Problema a resolver (III) Objetvo: Cálculo del agarre óptmo para un objeto, dados un brazo robot y una pnza. SENSORES ROBOT Condconantes: Sólo se conoce la nformacón proporconada por los sensores (no un modelo 3D del objeto). El agarre se debe defnr completamente: Puntos de contacto. Confguracón brazo y pnza (normalmente exste redundanca). PINZA OBJETO 6
7 Problema a resolver (IV) Robot y pnza genércos: Brazo robot de m grados de lbertad. Pnza de n dedos cada uno de ellos con m grados de lbertad. q m q 2 q 11 q 21 q 1 q 1m1 q 2m2 q n1 q nmn 7
8 PROPUESTA DE USO DE APRENDIZAJE 8
9 Propuesta aprendzaje (I) Se dspone de ejemplos de agarre realzados por el usuaro en teleoperacón. La caldad de un nuevo agarre equvale a su smltud a los ejemplos. La smltud se calcula a partr de datos locales y globales. Datos locales: afectan a cada punto de contacto por separado (ej. curvatura). Datos globales: ndcan la stuacón relatva de los puntos de contacto (ej. cerre de fuerza o force closure). 9
10 Propuesta aprendzaje (II) Datos locales (referdos a cada punto de contacto): Dstanca al centro de gravedad. Medda multrresolucón de la curvatura 2D o 3D. Datos globales (referdos al conjunto de todos los puntos de contacto): Se establece un punto de referenca: el centro del espaco convexo defndo por el conjunto de los puntos de contacto. A partr de él se obtenen 2 meddas: Dstanca desde el punto de referenca al centro de gravedad de la peza (permte dstngur los agarres centrados de los que no lo son). Medda multrresolucón del ángulo formado por la normal a la superfce en el punto de contacto y la línea drgda haca el punto de referenca (guarda relacón con el cumplmento de la condcón de cerre de fuerza o force closure). 10
11 Propuesta aprendzaje (III) Por qué se separan las meddas locales y globales? Permte reducr el tempo de cómputo: Prmera fase: se estudan los puntos de la superfce utlzando atrbutos locales. Segunda fase: se estudan sólo las posbles combnacones de puntos váldos utlzando atrbutos globales. Resultado: reduccón de tempo de cómputo muy elevada, partcularmente en el caso de pnzas de múltples dedos. r reducc z z n Permte que el sstema de síntess de agarres propuesto sea más genérco: Váldo para dferentes pnzas. Váldo para dferentes tpos de nformacón sensoral. 11
12 Propuesta aprendzaje (IV) Por qué se utlzan meddas multrresolucón? Certos atrbutos ofrecen nformacón dependente de la resolucón: Atrbutos de dstanca: convergen haca un valor al aumentar la resolucón: basta con elegr la máxma resolucón dsponble. Atrbutos angulares (concavdades, dreccones de la normal a la superfce en el punto de contacto, etc.): no convergen al aumentar la resolucón. Utlzar meddas multrresolucón permte dferencar agarres que de otro modo serían ndstngubles. (a) (b) 12
13 Propuesta aprendzaje (V) Convergenca de una medda de dstanca: p c.d.g. dstanca [mm] p c.d.g p c.d.g. 1 / resolucón [mm] -1 13
14 Propuesta aprendzaje (VI) No convergenca de una medda angular: α α ángulo [rad] 2*p Zona cóncava p α Zona convexa 0 α / resolucón [mm] -1 14
15 ALGORITMO 15
16 Algortmo (I) La síntess de un agarre se realza en cuatro etapas: 1. Fltrado de los puntos de la superfce del objeto. F k k { p1, p,..., p z } R F = { p, p,..., p } R : p váldo = z F F z z 2. Cálculo de conjuntos de n puntos de contacto (n dedos) alcanzables por la pnza. { g,g,... } G = 1 2 G,g s g { p, p,... p }: p váldo, p p j = 1 2 { g,g,...,g }: g alcanzable = 1 2 s G G 3. Seleccón del conjunto óptmo de puntos. G = g n 4. Seleccón de la confguracón óptma para la pnza (s exste redundanca). Q Q s s ({ g,g,...,g }: g alcanzable, g váldo ) = g G : mn( dst( g,ej )) mn dst( g,ej ) j 1 2 s G selecc k k k ( ) { q1,..., qm, q11,..., q1 m,..., qn,..., qnm }: f ( Q ) = g selecc 1 n ej ej = Q : mn( dst( q,q ) mn( dst( q,q ) j = 1 selecc k k k j k j k j G s s 16
17 Algortmo (II) 1 F k k { p1, p,..., p z } R F = { p, p,..., p } R : p váldo = z F F z z Objetvo: decdr cuáles de los puntos de la superfce de la peza son váldos para stuar sobre ellos un dedo de la pnza. Se utlza aprendzaje automátco: la valdez se evalúa como smltud a los ejemplos de entrenamento. Atrbutos consderados: MEDIDAS LOCALES. Se utlza aprendzaje nductvo. Estudo de la aplcabldad de dferentes métodos: Lazy Eager Vecno más cercano (k-nn) Perceptrón multcapa Nave Bayes Funcones de base radal Árboles de decsón (C4.5) Lstas de reglas (PART) Conclusón: se utlzan árboles de decsón. 17
18 Algortmo (III) 2 { g,g,... } G = 1 2 G,g s Objetvo: calcular todas las posbles combnacones de n puntos de contacto váldos alcanzables por la pnza. Número de agarres a estudar:. g { p, p,... p }: p váldo, p p j = 1 2 { g,g,...,g }: g alcanzable = 1 2 s G G Posbles causas de no alcanzabldad de un conjunto de puntos: Lmtacones cnemátcas de brazo robot y pnza. Exstenca de colsones. Estudo completo nvable computaconalmente. Propuesta: fltros sucesvos de complejdad crecente. z n n s s j SE REDUCE EL NÚMERO DE COMBINACIONES A COMPROBAR Combnacones posbles (s) s 0 Fltro 1 s Fltro s Fltro s 1 2 P-1 s P 2 p Combnacones alcanzables (s ) AUMENTA LA COMPLEJIDAD DE CADA COMPROBACIÓN 18
19 Algortmo (IV) 3 G = g ({ g,g,...,g }: g alcanzable, g váldo ) = g G : mn( dst( g,ej )) mn dst( g,ej ) j 1 2 s G selecc k k k ( ) j k G s s Objetvo: elegr la combnacón de n puntos de contacto más adecuada. De nuevo se utlza aprendzaje automátco: la valdez se evalúa como smltud a los ejemplos de entrenamento. Atrbutos consderados: MEDIDAS GLOBALES Se procede en dos pasos: Fltrado de las combnacones nváldas. Seleccón de la combnacón más apropada de entre las váldas. Se compara el funconamento de dversos métodos de aprendzaje, selecconando: Prmer paso: árbol de decsón. Segundo paso: varacón del método del vecno más cercano. 19
20 Algortmo (V) 4 Q Q { q,..., q, q,..., q,..., q,..., q }: f ( Q ) = g = m 11 1m n1 selecc 1 1 = Q : mn k ej ej ( dst( q,q ) mn( dst( q,q ) j k k nm n j k selecc Objetvo: selecconar una confguracón de entre todas las que alcanzan los puntos de contacto. Se trata de un problema de resolucón de redundanca cnemátca. Propuesta basada en tres conceptos fundamentales: Resolucón de la redundanca en funcón de la smltud con los ejemplos de entrenamento. Ponderacón de las dstntas artculacones de brazo y pnza robot en funcón de su nfluenca en la caldad del agarre. Representacón de la cnemátca nversa en forma de árbol. Resultado: procedmento computaconalmente efcente. 20
21 Algortmo (VI) Resolucón redundanca: smltud con las confguracones de los ejemplos. Dferenca entre dos confguracones: ponderada en funcón de las artculacones. Crtero genérco de ponderacón: cercanía a los puntos de contacto con el objeto. Artculacones próxmas: ndcan el tpo de agarre realzado. Artculacones alejadas: dependen fundamentalmente de la poscón del objeto respecto del robot. Crtero modfcable según necesdades. Menor relevanca para el aprendzaje q 2 Mayor relevanca para el aprendzaje q m q 1 q nmn q n1 q 211 q 2m2 q 11 q 1m1 21
22 Algortmo (VII) Árbol cnemátco: Refleja todas las posbles solucones de la cnemátca nversa a un certo nvel de resolucón (dscretzacón). Prorzacón: n-1 prmeros nveles: asgnacones de los n dedos. restantes nveles: artculacones de brazo y pnza. Computaconalmente efcente: Búsqueda heurístca sn vuelta atrás. Construccón y búsqueda smultáneas, no es necesaro construr el árbol completo. 22
23 Algortmo (VIII) Se busca la confguracón parecda a alguna de las utlzadas en los ejemplos para agarrar un objeto con atrbutos parecdos (dos meddas de dstanca). Dstanca en el espaco de característcas (smltud objetos): d Dstanca en el espaco de confguracón (smltud asgnacones / artculacones): d C Combnacón ambos efectos: parámetro ajustable (sólo necesaro en el prmer nvel): d T Sempre meddas normalzadas. F n f L f p q 2 G S S p q ( S,S ) = ( lˆ lˆ ) + ( ĝ ĝ ) p q f L pa pb ( p, p ) = ( lˆ lˆ ) a b = 1 ( S,S, p, p ) p q a b j j = 1 j= 1 j= 1 j 2 a b a b ( ) d ( S,S ) L G J q,q d F p q = α + 1 α n f + f ( ) = d j q C 2 q ( p, p ) a f L b 23
24 SELECCIÓN DEL CLASIFICADOR 24
25 Seleccón del clasfcador (I) Métodos comparados: Lazy Vecno más cercano (k-nn) Perceptrón multcapa Funcones de base radal Eager Nave Bayes Árboles de decsón (C4.5) Lstas de reglas (PART) Crteros de comparacón empleados Cuanttatvos: Valdacón cruzada: 10 dvsones, seleccón estratfcada. Base de datos de 400 ejemplos (360 entrenamento). Porcentaje de clasfcacones correctas con número varable de ejemplos de entrenamento: Se detectan problemas de sobreajuste. El número de ejemplos varía entre 20 y 380. Tempo de procesado, off-lne y on-lne. Cualtatvos: Legbldad de los resultados. Robustez frente a ejemplos de entrenamento rudosos. Sensbldad a varacones de los parámetros del algortmo. 25
26 Seleccón del clasfcador (II) Expermentos ncales de ajuste de parámetros. Ajustes óptmos: Vecno más cercano: Sólo un vecno (1-NN). Perceptrón multcapa: Una capa oculta con 9 undades (7 undades para la etapa 3). Tasa de aprendzaje: 0.3; momento 0.2; epochs: 500 (valores por defecto). Funcones de base radal: 40 funcones base (10 undades para la etapa 3). Nave Bayes: Funcón de densdad de probabldad estmada medante suma de gaussanas. Árboles de decsón (C4.5): Nvel de confanza para la poda: C= 0.3. (0.25 para la etapa 3). Lstas de reglas (PART): Nvel de confanza para la poda: C= 0.3. (0.15 para la etapa 3). 26
27 Seleccón del clasfcador (III) Valdacón cruzada: 27
28 Seleccón del clasfcador (IV) Valdacón cruzada (resultados ajustados a normal): 28
29 Seleccón del clasfcador (V) Resultados con número varable de ejemplos: 29
30 Seleccón del clasfcador (VI) Tempo de cómputo off-lne: 30
31 Seleccón del clasfcador (VII) Tempo de cómputo on-lne: 31
32 Seleccón del clasfcador (VIII) Crteros cualtatvos: Legbldad del modelo Robustez ante rudo en ejemplos de entrenamento Robustez ante varacones parámetros Árboles de decsón X X X Lstas de reglas X X X Vecno más cercano X Perceptrón multcapa X Funcones de base radal X Nave Bayes X X 32
33 Seleccón del clasfcador (IX) Conclusones: Los árboles de decsón y las lstas de reglas son los mejores métodos de acuerdo con los crteros cualtatvos y cuanttatvos. Se elgen los árboles de decsón por su mayor legbldad global (muestran atrbutos prorzados). Consderacones: El algortmo de síntess de agarres desarrollado permte la utlzacón de cualquer clasfcador. Los resultados mostrados corresponden a la prmera fase del algortmo de síntess de agarre (clasfcacón de puntos en funcón de atrbutos locales). En la tercera etapa del algortmo (clasfcacón de conjuntos en funcón de atrbutos globales) se obtenen resultados smlares. 33
34 RESULTADOS EXPERIMENTALES 34
35 Resultados expermentales (I) Problema: agarre de una peza sobre una superfce plana. Datos sensorales: obtendos por cámara cental (contorno) Robot SCARA: planteamento 2D desacoplando el eje z. 35
36 Resultados expermentales (II) Prmera pnza: paralela de dos dedos. 2 puntos de contacto. Cerre smultáneo dedos. No exste redundanca cnemátca (salvo codo arrba/abajo). 4 artculacones prorzadas
37 Resultados expermentales (III) Segunda pnza: artculada de tres dedos. 3 puntos de contacto Cerre ndependente dedos, abduccón smultánea. Exste una elevada redundanca. 7 artculacones prorzadas
38 Resultados expermentales (IV) Prorzacón artculacones en segundo ejemplo: Máxma prordad para la abduccón de dedos. Permte dstngur tpos de agarres y asocarlos a objetos. 38
39 Resultados expermentales (V) Entorno de smulacón: desarrollado en Matlab. Váldo para entrenamento y funconamento autónomo. Preparado para pnzas de dos y tres dedos. Permte comprobar el funconamento del algortmo paso a paso. 39
40 Resultados expermentales (VI) Base de datos de 24 objetos: 19 fguras geométrcas sn agarres preestablecdos. 5 herramentas con agarres relatvos a la operacón a efectuar. 40
41 Resultados expermentales (VII) 41
42 Resultados expermentales (VIII) 42
43 Resultados expermentales (IX) Entorno real: Robot SCARA con pnzas de dos y tres dedos. Cámara cental de bajo coste. cámara vdeo robot pnza tarjeta E/S RS232 bus ISA USB USB controlador robot PC joystck 43
44 Resultados expermentales (X) Smplfcacón de la extraccón del contorno: Ilumnacón no controlada, pero fondo unforme. Extraccón contorno medante crecmento de regones y fltrado morfológco. 44
45 Resultados expermentales (XI) vdeo 45
46 Aprendzaje Automátco y Data Mnng Bloque VI EJEMPLO DE APLICACIÓN 46
Dpto. Física y Mecánica
Dpto. Físca y Mecánca Mecánca analítca Introduccón Notacón Desplazamento y fuerza vrtual Fuerza de lgadura Trabao vrtual Energía cnétca. Ecuacones de Lagrange Prncpode los trabaos vrtuales Prncpo de D
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 detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesObjetivo del tema. Esquema del tema. Economía Industrial. Tema 2. La demanda de la industria
Economía Industral Tema. La demanda de la ndustra Objetvo del tema Entender el modelo económco de comportamento del consumdor, fnalmente resumdo en la funcón de demanda. Comprender el carácter abstracto
Más detallesCinemática del Brazo articulado PUMA
Cnemátca del Brazo artculado PUMA José Cortés Parejo. Enero 8. Estructura del brazo robótco El robot PUMA de la sere es un brazo artculado con artculacones rotatoras que le proporconan grados de lbertad
Más detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
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 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 detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesOptimización multicriterio. Andrés Ramos Universidad Pontificia Comillas
Optmzacón multcrtero Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu Contendo 1. Conceptos báscos 2. Métodos contnuos 3. Métodos dscretos Escuela Técnca
Más detallesAprendizaje Bayesiano. Oscar Javier Prieto Izquierdo Raúl Casillas Díaz
Aprendzaje Bayesano Oscar Javer Preto Izquerdo Raúl Casllas Díaz Contendos Introduccón. Teorema de Bayes. MAP Maxmum a posteror. Aprendzaje MAP. Clasfcador bayesano óptmo. Aprendzaje bayesano nave. Ejemplo.
Más detallesEstimación del consumo del consumo diario de gas a partir de lecturas periódicas de medidores
Estmacón del consumo del consumo daro de gas a partr de lecturas peródcas de meddores S.Gl, 1, A. Fazzn, 3 y R. Preto 1 1 Gerenca de Dstrbucón del ENARGAS, Supacha 636- (18) CABA- Argentna Escuela de Cenca
Más detallesCada uno da lo que recibe, Y luego recibe lo que da, Nada es más simple, No hay otra norma: Nada se pierde, Todo se transforma.
Cada uno da lo que recbe, Y luego recbe lo que da, Nada es más smple, No hay otra norma: Nada se perde, Todo se transforma. Todo se transforma (Jorge Drexler, cantautor uruguayo) Estadístca Básca - Manuel
Más detallesLa adopción y uso de las TICs en las Microempresas Chilenas
Subdreccón Técnca Depto. Investgacón y Desarrollo Estadístco Subdreccón de Operacones Depto. Comerco y Servcos INFORME METODOLÓGICO DISEÑO MUESTRAL La adopcón y uso de las TICs en las Mcroempresas Clenas
Más detalles3 LEYES DE DESPLAZAMIENTO
eyes de desplazamento EYES DE DESPAZAMIENTO En el capítulo dos se expone el método de obtencón de las leyes de desplazamento dseñadas por curvas de Bézer para mecansmos leva palpador según el planteamento
Más detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
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 detallesSubmicrométricas Ópticas
Estmacón n de la Dstrbucón n de Tamaños de Partículas Submcrométrcas de Látex L por Técncas T Óptcas Lus M. Guglotta, Georgna S. Stegmayer, Jorge R. Vega Santa Fe (ARGENTINA) Septembre de 007 Unversdad
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
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 detallesDepartamento de Señales, Sistemas y Radicomunicaciones Comunicaciones Digitales, junio 2011
Departamento de Señales, Sstemas y Radcomuncacones Comuncacones Dgtales, juno 011 Responder los problemas en hojas ndependentes. No se permte el uso de calculadora. Problema 1 6 p.) En este ejercco se
Más detallesMETODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS
SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento
Más detallesRequerimientos para la unificación de los sistemas de alturas existentes en la Región SIRGAS
Requermentos para la unfcacón de los sstemas de alturas exstentes en la Regón SIRGAS Laura Sánchez Deutsches Geodätsches Forschungsnsttut (DGFI), Alemana Roberto Luz Insttuto Braslero de Geografa e Estatístca
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 detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
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 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 detallesEstadística Descriptiva y Analisis de Datos con la Hoja de Cálculo Excel. Números Índices
Estadístca Descrptva y Analss de Datos con la Hoja de Cálculo Excel úmeros Índces úmeros Índces El número índce es un recurso estadístco para medr dferencas entre grupos de datos. Un número índce se puede
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 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 detallesUn modelo sencllo, dsponble y seguro Kontratazo publko elektronkoa públca electrónca Lctacones de Prueba: la mejor forma de conocer y domnar el Sstema de Lctacón Electrónca www.euskad.net/contratacon OGASUN
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
Más detallesTEMA Nº 20: ESTUDIO DE LA ESPESURA DE LAS MASAS FORESTALES
TEMA Nº 0: ESTUDIO DE LA ESPESURA DE LAS MASAS FORESTALES Estudo de la ESPESURA de las masas forestales Los ndvduos de una masa forestal compten por el espaco. Por la luz a través del Sstema aéreo, y por
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 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 detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
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 detallesALINEAMIENTO DE DOS SECUENCIAS (pairwise alignment)
ALINEAMIENTO DE DOS SECUENCIAS (parwse algnment) El alneamento de una pareja de secuencas permte cuantfcar el grado de smltud que hay entre ellas y determnar s exste algún tpo de relacón entre ambas. Para
Más 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 detallesClustering. Prof. Dra. Silvia Schiaffino ISISTAN. Cluster: un número de cosas o personas similares o cercanas, agrupadas
lusterng ISISTAN sscha@ea.uncen.edu.ar lusterng: oncepto luster: un número de cosas o personas smlares o cercanas, agrupadas lusterng: es el proceso de partconar un conjunto de objetos (datos) en un conjunto
Más detallesTÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3
PROCEDIMIENTO DO DESEMPEÑO DEL CONTROL DE FRECUENCIA EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE TÍTULO I Aspectos Generales... 3 TÍTULO II Alcance... 3 TÍTULO III Metodología de Cálculo de FECF... 3 TÍTULO
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
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 detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
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 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 detallesMÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Lus Lago Ana González Escuela Poltécnca Superor Unversdad Autónoma de Madrd Transformacón
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 detallesTema 6 El mercado de bienes y la función IS
Tema 6 El mercado de benes y la funcón IS Macroeconomía I Prof. Anhoa Herrarte Sánchez Curso 2007-08 Bblografía para preparar este tema Apuntes de clase Capítulo 3, Macroeconomía, O. Blanchard Prof. Anhoa
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 detallesEstimación del consumo diario de gas a partir de lecturas periódicas de medidores
Nota técnca Estmacón del consumo daro de gas a partr de lecturas peródcas de meddores Por Salvador Gl, Gerenca de Dstrbucón del Enargas, A. azzn, Gas Natural Ban y R. Preto, Gerenca de Dstrbucón del Enargas
Más detalles7º CONGRESO IBEROAMERICANO DE INGENIERIA MECANICA 7º CONGRESSO IBEROAMERICANO DE ENGENHARIA MECANICA México D.F., 12 al 14 de Octubre de 2005
7º CONGRESO IBEROAMERICANO DE INGENIERIA MECANICA 7º CONGRESSO IBEROAMERICANO DE ENGENHARIA MECANICA Méxco D.F., 1 al 14 de Octubre de 005 ANÁLISIS DINÁMICO DE UN EQUIPO DE ENSAYO DE AMORTIGUADORES Zabalza
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más 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 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 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 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 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 detallesClase 19: Estado Estacionario y Flujo de Potencia. EL Conversión de la Energía y Sistemas Eléctricos Eduardo Zamora D.
Clase 9: Estado Estaconaro y Flujo de Potenca EL400 - Conversón de la Energía y Sstemas Eléctrcos Eduardo Zamora D. Temas - Líneas de Transmsón - El Sstema Eléctrco - Matrz de Admtanca - Flujo de Potenca
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
Más detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
Más 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 detallesSegmentación de Imágenes mediante Reconocimiento de Patrones
Equaton Chapter 1 Secton 1 Materal del Curso Segmentacón de Imágenes medante Reconocmento de Patrones Ing. Dego Sebastán Comas Dr. Gustavo Javer Meschno Curso: Segmentacón de Imágenes medante Reconocmento
Más detallesEXPERIMENTOS ANIDADOS O JERARQUICOS NESTED
EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles
Más detallesTrabajo Especial 2: Cadenas de Markov y modelo PageRank
Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo 2015 1. Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E
Más detallesIncertidumbre de la Medición: Teoría y Práctica
CAPACIDAD, GESTION Y MEJORA Incertdumbre de la Medcón: Teoría y Práctca (1 ra Edcón) Autores: Sfredo J. Sáez Ruz Lus Font Avla Maracay - Estado Aragua - Febrero 001 Copyrght 001 L&S CONSULTORES C.A. Calle
Más detallesAnálisis Matemático en la Economía: Optimización y Programación. Augusto Rufasto
Análss Matemátco en la Economía: Optmzacón y Programacón arufast@yahoo.com-rufasto@lycos.com www.geoctes.com/arufast-http://rufasto.trpod.com La optmzacón y la programacón están en el corazón del problema
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesTipos de amplificadores según su ganancia
Tpos de amplfcadores según su gananca Electrónca nalógca: ealmentacón Todo amplfcador que posea unas resstencas de entrada () y de salda (o) dstntas de cero y dstntas de nfnto se puede representar de cuatro
Más detallesVectores en el espacio
ectores en el espaco Los puntos y los vectores en el espaco se pueden representar como ternas de números reales (a,b,c) c b a Por el Teorema de Ptagoras, la norma del vector = (a,b,c) es = a 2 +b 2 +c
Más detallesGERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES
GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17
Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES
Más 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 detallesFiltrado de información mediante prototipos borrosos y perfiles basados en criterios de calidad de datos
Fltrado de nformacón medante prototpos borrosos y perfles basados en crteros de caldad de datos Francsco P. Romero 1, Ismael Caballero 2, Jose A. Olvas 1, Eugeno Verbo 2 1 Departamento de Tecnologías y
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesJUEGO FICTICIO PARA RESOLVER UN JUEGO DE DEMANDA DINAMICA EN UNA CADENA DE ABASTECIMIENTO DE DOS NIVELES CON TOMA DE DECISIÓN EN UN NIVEL.
U N I V E R S I D A D D E L N O R T E JUEGO FICTICIO PARA RESOLVER UN JUEGO DE DEMANDA DINAMICA EN UNA CADENA DE ABASTECIMIENTO DE DOS NIVELES CON TOMA DE DECISIÓN EN UN NIVEL. Lala Cure Vellojín Drector:
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 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 detallesMatemáticas Discretas
Coordnacón de Cencas Computaconales - INAOE Matemátcas Dscretas Cursos Propedéutcos 2010 Cencas Computaconales INAOE Dr. Lus Vllaseñor Pneda vllasen@naoep.mx http://ccc.naoep.mx/~vllasen Algo de nformacón
Más detalles1.- Objetivo Alcance Metodología...3
PROCEDIMIENTO DO PARA EL CÁLCULO DEL FACTOR DE DESEMPEÑO DEL CONTROL DE FRECUENCIA (FECF) EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE 1.- Objetvo...3 2.- Alcance...3 3.- Metodología...3 3.1.- Cálculo de la
Más detallesMANO MECÁNICA MA-I. Resumen 1. INTRODUCCIÓN
MANO MECÁNICA MA-I Raúl Suárez Insttuto de Organzacón y Control de Sstemas Industrales (IOC) Unversdad Poltécnca de Cataluña (UPC) Av. Dagonal 647, planta, 08028 Barcelona, España, raul.suarez@upc.es Patrck
Más detallesTRADUCCIÓN AUTOMÁTICA DE TEXTOS ENTRE LENGUAS SIMILARES UTILIZANDO MÉTODOS ESTADÍSTICOS
UNIVERSIDAD POLITÉCNICA DE VALENCIA Departamento de Sstemas Informátcos y Computacón TESIS DOCTORAL TRADUCCIÓN AUTOMÁTICA DE TEXTOS ENTRE LENGUAS SIMILARES UTILIZANDO MÉTODOS ESTADÍSTICOS Presentada por:
Más detallesSimposio de Metrología 25 al 27 de Octubre de 2006
Smposo de Metrología 25 al 27 de Octubre de 2006 ESTIMACIÓN DE INCERTIDUMBRE EN LA MEDICIÓN DE ABSORCIÓN DE HUMEDAD EN AISLAMIENTOS Y CUBIERTAS PROTECTORAS DE CONDUCTORES ELÉCTRICOS POR EL MÉTODO ELÉCTRICO
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
Más detallesReconocimiento de Imágenes Empleando Redes de Regresión General y la Técnica TVS
Reconocmento de Imágenes Empleando Redes de Regresón General y la Técnca TVS Rcardo García-Herrera & Waltero Wolfgang Mayol-Cuevas Laboratoro de INvestgacón para el Desarrollo Académco Depto. Ingenería
Más detallesDeterminar el momento de inercia para un cuerpo rígido (de forma arbitraria).
Unversdad de Sonora Dvsón de Cencas Exactas y Naturales Departamento de Físca Laboratoro de Mecánca II Práctca #3: Cálculo del momento de nerca de un cuerpo rígdo I. Objetvos. Determnar el momento de nerca
Más detallesANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL:
Geografía y Sstemas de Informacón Geográfca (GEOSIG). Revsta dgtal del Grupo de Estudos sobre Geografía y Análss Espacal con Sstemas de Informacón Geográfca (GESIG). Programa de Estudos Geográfcos (PROEG).
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 detallesTERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA
Ing. Federco G. Salazar Termodnámca del Equlbro TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Contendo 1. Conversón y Coordenada de Reaccón. 2. Ecuacones Independentes y Regla
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
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 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 detallesTema 1: Análisis de datos unidimensionales
Tema : Análss de datos undmensonales. Varables estadístcas undmensonales. Representacones gráfcas.. Característcas de las dstrbucones de frecuencas undmensonales.. Varables estadístcas undmensonales. Representacones
Más detallesESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística
ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es
Más detalles