Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 21. Redes Neuronales. 2
|
|
- Vicenta Franco Blázquez
- hace 6 años
- Vistas:
Transcripción
1 Procesamento Dgtal de Imágenes Pablo Roncaglolo B. Nº Redes Neuronales
2 Redes Neuronales Báscas Células de McCulloch&Ptts El Perceptrón ADALINE El Perceptrón n Multcapa prb@7 Celulas de McCulloch-Ptts 94. Fueron un modelo smplfcado del funconamento de las neuronas del cerebro. Cada célula c puede tener dos estados de salda, ó. w w n w Σ Θ S n prb@7 4
3 Celulas de McCulloch-Ptts Las células c operan en lapsos dscretos. Una red neuronal de células c de McCulloch-Ptts tene la capacdad de computo unversal. Es decr, cualquer estructura que pueda ser programada en un computador, puede ser modelada con este tpo de redes. n w w Σ Θ S w n > s( t+ ) = Sn embargo, el tamaño o de estas redes para problemas complejos es mu elevado. Además s el método m de aprendzaje para redes mu grandes no es apropado. prb@7 5 w( t) θ... en caso contraro Celulas de McCulloch-Ptts Ejemplo: NOT - - S w S prb@7 6
4 Celulas de McCulloch-Ptts Ejemplo: AND S w S prb@7 7 Celulas de McCulloch-Ptts Ejemplo: OR S w S prb@7 8 4
5 Celulas de McCulloch-Ptts XOR??? Con una celula no es posble.??? S w S prb@7 9 El Perceptrón Rosenblat generalzó las células c de McCulloch-Ptts Se concbó como un sstema capaz de realzar tareas de clasfcacón n de forma automátca. tca. La dea era dsponer de un sstema que a partr de un conjunto de d ejemplos (patrones) de clases dferentes, fuera capaz de determnar las ecuacones de las superfces que hacían an de frontera de dchas clases. w w σ ' n = = w = F( ', σ) F( s, σ) = en ss> σ casocontraro prb@7 5
6 El Perceptrón Se puede epresar la msma ecuacón n consderando SIGMA como parte de la sumatora de entrada a la funcón: n: Ej. Para dos entradas: n = F w + σ = ss> F( s, σ) = en casocontraro ( w + w +σ) = F Se observa que el umbral que separa las dos respuestas de la red, corresponde a una recta con pendente w/w e ntercepto -σ/w prb@7 El Perceptrón Grafcamente, la separacón n de las dos clases: prb@7 6
7 El Perceptrón En el caso general sería: Dado el conjunto de puntos A=(a,a...an) B=(b,b...bn). Obtener el conjunto W=(w,w...wn) tal que: r a A: wa r b B: wb wa wb Esta es la base del aprendzaje del PERCEPTRON. + σ > + σ > prb@7 n n n n El Perceptrón El proceso de aprendzaje: Sea: d( ) = clase del vector = PASO : Comenzar con valores aleatoros para pesos umbral. PASO : Selecconar un ejemplo X del conjunto de entrenamento. PASO : S <>d(), modfcar w de acuerdo con: w =d() PASO : S no se ha cumpldo el crtero de fnalzacón, n, volver a prb@7 4 7
8 El Perceptrón El proceso de aprendzaje: w =d() Se observa que s la salda =d()= para un vector de clase, entonces w = - El delta W es proporconal al nodo de entrada en la dreccón n de clasfcacón n del vector. prb@7 5 El Perceptrón ( ) = Fw + w +σ ss> F( s, σ) = en casocontraro Ejemplo: AND AND ( A) ( A) ( A) ( B) Patron Salda (, ) + Clasfca Mal Actualzo pesos Incalmente al azar w=w= Umbral=.5.5 w =d() w =w + w =+(-)*= )*= w =w + w =+(-)*= )*= w =w + w =.5+(-)*= -.5 prb@7 6 8
9 El Perceptrón ( ) = Fw + w +σ ss> F( s, σ) = en casocontraro Ejemplo: AND AND ( A) ( A) ( A) ( B) Patron Salda (, ) + Clasfca Mal -.5 w =d() w =w + w =+(-)*= )*= w =w + w =+(-)*= )*= w =w + w =-.5+(.5+(-)*= )*=-.5.5 prb@7 7 El Perceptrón Ejemplo: AND AND ( A) ( A) ( A) ( B) Patron (, ) (, ) Salda Clasfca Ben Mal -.5 w =d() w =w + w =+(+)*= w =w + w =+(+)*= w =w + w =-.5+(+)*=.5+(+)*=-.5 prb@7 8 9
10 El Perceptrón 4 Ejemplo: AND AND ( A) ( A) ( A) ( B) Patron (, ) (, ) (, ) Salda + + Clasfca Ben Ben Mal -.5 w =d() w =w + w =+(-)*= w =w + w =+(-)*= )*= w =w + w =-.5+(.5+(-)*= )*=-.5.5 prb@7 9 El Perceptrón 5 Ejemplo: AND AND ( A) ( A) ( A) ( B) Patron Salda (, ) + Clasfca Mal -.5 w =d() w =w + w =+(-)*= )*= w =w + w =+(-)*= w =w + w =-.5+(.5+(-)*= )*=-.5 prb@7
11 El Perceptrón 6 Ejemplo: AND AND ( A) ( A) ( A) ( B) Patron Salda (, ) Clasfca Mal -.5 w =d() w =w + w =+(+)*= w =w + w =+(+)*= w =w + w =-.5+(+)*=.5+(+)*=-.5.5 prb@7 El Perceptrón 7 Ejemplo: AND AND ( A) ( A) ( A) ( B) Patron (, ) (, ) (, ) (, ) Salda + Clasfca Ben Ben Ben Ben = =.5 prb@7
12 El Perceptrón Ejemplo práctco... Set de ejemplos durante Ejemplos fuera del entrenamento para el entranamento verfcar capacdad de generalzacón El Perceptrón Paso Respuestas correctas para los 8 ejemplos de entrenamento clear; map=(:55)/55; map=[map' map' map']; fgure(); COLORMAP(map map); CLASE=[ ]; n = F w + σ = PESOS=rand rand(,4); UMB=rand rand(,); prb@7 4
13 El Perceptrón Paso Lee magen El cclo whle se debería a realzar hasta que todos los ejemplos sean clasfcados correctamente de manera consecutva. nde=; =; whle < A=double double(mread(['f' numstr(nde nde) ) '.bmp' bmp'])); subplot(,,); mage(a); Transforma en vector de 4 n = F w + σ = CAPA_ENTRADA=[]; for f=:, CAPA_ENTRADA=[CAPA_ENTRADA A(f,:)];end end; Y=sum(CAPA_ENTRADA.*PESOS+UMB); f (Y> & CLASE(nde nde)<) (Y<( & CLASE(nde nde)>) dsp('error') PESOS=PESOS+CLASE(nde nde)*capa_entrada; UMB=UMB+CLASE(nde nde); end; w =w + w =w +d() nde=nde nde+; f nde>8 >8, nde=; end; =+; end; prb@7 5 El Perceptrón ADALINE ADALINE (ADAptve LInear NEuron): Neuron Lneal Adaptatva La salda del perceptrón n en bnara. La regla de aprendzaje del perceptrón n no mde el grado de error. Wdrow & Hoff, 96 proponen ADALINE. Consste smplemente en una transformacón n que permte adaptar una entrada X a una salda Y. r n = = w +σ prb@7 6
14 ADALINE La regla de aprendzaje de ADALINE consdera el error entre la salda lograda versus la salda deseada d d r r Esta regla se conoce como REGLA DELTA w = α ( d ) p La constante α se denomna TASA DE APRENDIZAJE p p prb@7 7 ADALINE Al gual que en el perceptrón n los pasos son:. Incalzar los pesos en forma aleatora. Introducr PATRON de entrada. Calcular salda Y, obtener dferenca 4. Para todos los pesos, multplzar dcha dferenca por la entrada correspondente ponderarla por la tasa α 5. Actualzar todos los pesos w = w + w 6. S no se ha cumpldo el crtero de convergenca, regresar a.. S se han acabado todos los patrones, empezar de nuevo a ntroducr patrones. prb@7 8 p (d ) p p 4
15 ADALINE Ejemplo: Decodfcador Bnaro a Decmal [] [ ] [ ] [ 4] [ 5] [ 6] [ 7] = tasa α =. w prb@7 9 ADALINE Ejemplo: Decodfcador Bnaro a Decmal [] [ ].84 tasa α=..94 [ ] [ 4] [ 5] [ 6] [ 7] w = w w w = w = w.78 + αe + αe = =.78 E + αe = p =.84 =.94 ( d p p ) =.78=.7 = =.848 prb@7 5
16 ADALINE Ejemplo: Decodfcador Bnaro a Decmal [] [ ].84 tasa α=..94 [ ] [ 4] [ 5] [ 6] [ 7] w w w = w = w.848 = w + α E = =.94 E + α E + α E = p =.84 =.848 ( d p p ) =.94=.6 = =.876 prb@7 ADALINE 7 Ejemplo: Decodfcador Bnaro a Decmal [] [ ]... tasa α=.... Resultado despues de la prmera teracón del entrenamento [ ] [ 4] [ 5] [ 6] [ 7] w = w w w... = w = w = = 6.88 E + αe + αe + αe = p ( d p p ) = =. =.9+..=.6 = =. =.85+..=.86 prb@7 6
17 ADALINE Ejemplo: vsualzacón n de los pesos según n teracones.. Iteracón Pesos...86 > La tasa de aprendzaje α tambén n puede ser adaptatva > Por ejemplo al nco el valor puede ser alto, para dar grandes pasos de correccón del error para salr de mínmos locales. > Sn embargo al fnal del entrenamento debe dsmnur para hacer correccones fnas. prb@7 Sn embargo... El uso del Perceptrón n o de las redes ADALINE permte apromar de manera fácl, f cualquer tpo de funcón n o sstemas, sólo conocendo un conjunto de ejemplos. De esta manera cualquer sstema (caja negra), se puede representar por una red. Sn embargo, después s de la década d del 5 se demostró que estas técncas t poseen grandes lmtacones. Un ejemplo clásco es el OR Eclusvo. CONCLUSION: éstas técncas t sólo s pueden resolver sstemas donde los ejemplos son lnealmente separables. prb@7 4 7
18 Sn embargo... OR Eclusvo.???? El Perceptrón n o ADALINE nunca convergen!! Solucón: varas redes en cascada complejdad!! prb@7 5 Sn embargo... prb@7 6 8
19 Perceptrón Multcapa Corresponde a una generalzacón n del Perceptrón n Adalne 969, Mnsk & Papert mostraron que el uso de varos perceptrones smples (neuronas ocultas) puede ser una solucón para problemas no lneales. Sn embargo no dejaron en claro como se puede entrenar (ajustar los pesos ocultos) 986, Rumelhart &..., presentó un método m para retropropagar el error meddo en la salda haca las neuronas ocultas. Se denomna REGLA DELTA GENERALIZADA. 989, Cbenko, Hornk, han demostrado que el Perceptrón Multcapa es un apromador unversal. Cualquer funcón contnua sobre R n, puede ser apromada, con al menos una capa oculta. prb@7 7 Perceptrón Multcapa El Perceptrón n Multcapa: puede aprender a partr de ejemplos, apromar relacones no lneales, fltrar rudo, modelar sstemas... s... Con éto ha sdo aplcado a: Reconocmento del habla (Cohen, 9) Reconocmento de caracteres (Sacknger, 9) Reconocmento de caracteres escrtos (Guon, 9) Control de Procesos (Werbos, 89) Modelamento de Sstemas Dnámcos (Narendra, 9) Conduccón n de vehículos (Pomerleau, 9) Dagnóstcos médcos m (Bat, 9) Predccón n de Seres Temporales (Weggend, 9) Etc... prb@7 8 9
20 Perceptrón Multcapa Arqutectura: CAPA DE ENTRADA CAPAS OCULTAS CAPA DE SALIDA Todas las neuronas transmten nformacón n haca delante: se denomnan redes feedforward Cada neurona posee un umbral ndependente. Se consdera como una entrada más m s cua entrada es. Generalmente se utlzan resde completamente conectadas Funcón n de actvacón n de las neuronas: sgmodal, hperbólca. prb@7 9 Perceptrón Multcapa Funcón n de actvacón n de las neuronas: sgmodal, hperbólca son equvalentes (f =f -) Sgmodal Hperbólca f ( ) f( ) = + e e = + e La dervada de la f. Sgmodal es: f() =f()( =f()(-f()) f()) prb@7 4 -
21 Perceptrón Multcapa Algortmo BACKPROPAGATION: Cada neurona de salda dstrbue haca atrás s su error δ a las neuronas ocultas que se conectan a ella, ponderado por el valor de la coneón. n. Cada neurona oculta recbe un δ de cada neurona de salda. La suma de estas es el térmno t δ de la neurona oculta. Se repte el proceso haca atrás... Por ello el nombre retropropagacón n del error. prb@7 4 Perceptrón Multcapa Algortmo BACKPROPAGATION: Pesos de la capa oculta, umbrales de la capa de salda: w u j = = ' u w ' j + α δ + α δ j nodos δ = ( s ) ( ) j nodos prb@7 4
22 Perceptrón Multcapa Algortmo BACKPROPAGATION: Pesos de la capa entrada, umbrales de la capa de salda: w u δ = ( ) j kj = = j w ' j u j ' kj + α δ + α δ j j w j j δ j nodos nodos prb@7 4 k k nodos Perceptrón Multcapa Ejemplo: XOR ' v= v+ v = v ' αδ a δ = ( s ) ( ) + αδ a ' u = u + α δ TAREA: Implementar esta pregunta de prueba. Capa k Capa j prb@7 44 w w w uj a a v uj v w ' j w= w+αδ... ' j uj = uj+α δ j δ = a( a) v δ u Capa
Procesamiento 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 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 detallesIntroducción. Reproducción
Introduccón Muchos organsmos bológcos poseen sstemas muy sofstcados de reconocmento de patrones (RP). La sofstcacón de estos sstemas se debe a que ofrecen ventajas de tpo evolutvo. Supervvenca Reconocmento
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores 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 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 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 detallesINTRODUCCION A LAS REDES NEURONALES ARTIFICIALES
UNIVERSIDAD TECNOLOGICA NACIONAL FACULTAD REGIONAL BUENOS AIRES Grupo de Intelgenca Artfcal (GIA) INTRODUCCION A LAS REDES NEURONALES ARTIFICIALES Fernando Tanco 1 1. Introduccón Redes Neuronales Artfcales
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 detallesANEXO B SISTEMAS NUMÉRICOS
ANEXO B SISTEMAS NUMÉRICOS Sstema Decmal El sstema ecmal emplea ez ferentes ígtos (,,,, 4, 5, 6, 7, 8 y 9). Por esto se ce que la base el sstema ecmal es ez. Para representar números mayores a 9, se combnan
Más 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 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 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 detallesTutorial sobre Máquinas de Vectores Soporte (SVM)
Tutoral sobre Máqunas de Vectores Soporte SVM) Enrque J. Carmona Suárez ecarmona@da.uned.es Versón ncal: 2013 Últma versón: 11 Julo 2014 Dpto. de Intelgenca Artcal, ETS de Ingenería Informátca, Unversdad
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 detallesGUÍA 5. Roberto Fabián Retrepo A., M. Sc. en Física Profesor Asociado Escuela de Física Universidad Nacional de Colombia
GUÍA 5 Dego Lus Arstzábal R., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal de Colomba Roberto Fabán Retrepo A., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal
Más detallesREDES NEURALES. Modelo computacional para una neurona artificial: unidad de umbral binario.
REDES NEURALES REFERENCIAS 1943. McCULLOCH Y PITTS. ( A Logcal Calculus of Ideas Immanent n Neurous Actvty ). 1960. ROSENBLATT. El Perceptron. 1982. HOPFIELD. Enfoque energétco. Algortmo de aprendzae de
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 detallesEL AMPLIFICADOR OPERACIONAL.
Tema 6. El mplfcador peraconal. Tema 6 EL MPLIFICD PECINL.. Introduccón... Símbolos y termnales del amplfcador operaconal... El amplfcador operaconal como amplfcador de tensón..3. Conceptos báscos de realmentacón..4.
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 detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesUNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE. Dpto. de Métodos Cuantitativos e Informáticos. Universidad Politécnica de Cartagena.
UNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE COURNOT. Autores: García Córdoba, José Antono; josea.garca@upct.es Ruz Marín, Manuel; manuel.ruz@upct.es Sánchez García, Juan Francsco; jf.sanchez@upct.es
Más detallesAplicación de la termodinámica a las reacciones químicas Andrés Cedillo Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa
Aplcacón de la termodnámca a las reaccones químcas Andrés Cedllo Departamento de Químca Unversdad Autónoma Metropoltana-Iztapalapa Introduccón Las leyes de la termodnámca, así como todas las ecuacones
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 detallesGuía de Electrodinámica
INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan
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 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 detallesB3 A2 B3 B2 C1 A2 B3 B2 C1 C2 B1 A2 B1 B2 A2 A2 B3 A2 B3 B2 A2 B3 B2 A2 B1 B2 B3 B4 C1 C2 B3 B2 C3
Ejercco ) Un sstema realza una gestón de memora rtual medante pagnacón por demanda, con la memora ddda en cnco marcos de poscones cada uno. En un momento determnado, se encuentran en el sstema tres procesos,
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
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 detallesSolución: Se denomina malla en un circuito eléctrico a todas las trayectorias cerradas que se pueden seguir dentro del mismo.
1 A qué se denomna malla en un crcuto eléctrco? Solucón: Se denomna malla en un crcuto eléctrco a todas las trayectoras cerradas que se pueden segur dentro del msmo. En un nudo de un crcuto eléctrco concurren
Más detallesDELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID
DELTA MATE OMAÓN UNETAA / Gral. Ampuda, 6 8003 MADD EXÁMEN NTODUÓN A LA ELETÓNA UM JUNO 008 El examen consta de ses preguntas. Lea detendamente los enuncados. tene cualquer duda consulte al profesor. Todas
Más detallesNÚMEROS COMPLEJOS. y sabemos que no podemos calcular raíces de números negativos en R. Para resolver este problema introduciremos el valor i = 1
NÚMEROS COMPLEJOS 1. Qué es un número complejo? Defncones. La ecuacón x + 1 = 0 no tene solucón en el campo real puesto que s ntentamos resolverla tendremos que x = ± 1 y sabemos que no podemos calcular
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 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 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 detalles6.1 EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS
TEMA NÚMEROS COMPLEJOS. EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS DEFINICIONES Al resolver ecuacones del tpo : x + = 0 x = ± que no tene solucón en los números reales. Los números complejos nacen del deseo
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesTeoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios
Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.
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 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 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 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 detalles1. Lección 7 - Rentas - Valoración (Continuación)
Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento
Más detallesConsideremos un sólido rígido sometido a un sistema de fuerzas en equilibrío, es decir
1. PRINIPIO E TRJOS VIRTULES El prncpo de los trabajos rtuales, en su ertente de desplazamentos rtuales, fue ntroducdo por John ernoull en 1717. La obtencón del msmo dera de la formulacón débl (o ntegral)
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 detallesREDES NEURONALES. Una esquema simplificado de una neurona se muestra en la siguiente figura. Cuerpo celular. Dendrita. Axón.
REDES NEURONALES Las redes neuronales constituyen una poderosa herramienta para modelar sistemas, especialmente no lineales, sean dinámicos o estáticos. En el cuerpo celular se realizan la mayoría de las
Más detallesTÉCNICAS AUXILIARES DE LABORATORIO
TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar
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 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 detallesUSOS Y EXTENSIONES DEL MODELO LINEAL CON K VARIABLES
Unversdad de San Andrés Departamento de Economía Econometría Semestre de otoño USOS Y ETENSIONES DEL MODELO LINEAL CON K VARIABLES Marana Marchonn marana@depeco.econo.unlp.edu.ar Varables explcatvas bnaras
Más detallesTEMA 6 AMPLIFICADORES OPERACIONALES
Tema 6 Amplfcadores peraconales ev 4 TEMA 6 AMPLIFICADES PEACINALES Profesores: Germán llalba Madrd Mguel A. Zamora Izquerdo Tema 6 Amplfcadores peraconales ev 4 CNTENID Introduccón El amplfcador dferencal
Más detallesTEMA 4. TRABAJO Y ENERGIA.
TMA 4. TRABAJO Y NRGIA. l problema undamental de la Mecánca es descrbr como se moverán los cuerpos s se conocen las uerzas aplcadas sobre él. La orma de hacerlo es aplcando la segunda Ley de Newton, pero
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 detallesi=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1
CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de
Más detallesFUNDAMENTOS QUIMICOS DE LA INGENIERIA
FUNDAMENTOS QUIMICOS DE LA INGENIERIA (BLOQUE DE INGENIERIA QUIMICA) GUION DE PRACTICAS DE LABORATORIO ANTONIO DURÁN SEGOVIA JOSÉ MARÍA MONTEAGUDO MARTÍNEZ INDICE PRACTICA PAGINA BALANCE MACROSCÓPICO DE
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 detallesTipología de nudos y extremos de barra
Tpología de nudos y extremos de barra Apelldos, nombre Basset Salom, Lusa (lbasset@mes.upv.es) Departamento Centro ecánca de edos Contnuos y Teoría de Estructuras Escuela Técnca Superor de Arqutectura
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 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 detalles5ª Lección: Sistema de fuerzas gravitatorias. Cálculo de centros de gravedad de figuras planas: teoremas de Guldin.
Capítulo II: MECÁNICA DEL SÓLIDO RÍGIDO 5ª Leccón: Sstema de fuerzas gravtatoras. Cálculo de centros de gravedad de fguras planas: teoremas de Guldn. Sstemas de fuerzas gravtatoras La deduccón parte de
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 detalles4. PROBABILIDAD CONDICIONAL
. ROBBILIDD CONDICIONL La probabldad de que ocurra un evento B cuando se sabe que ha ocurrdo algún otro evento se denomna robabldad Condconal, Se denota como (B/) y se lee como la probabldad de que ocurra
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 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 detallesPROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos)
PROBLEMAS DE ELECTRÓNCA ANALÓGCA (Dodos) Escuela Poltécnca Superor Profesor. Darío García Rodríguez . En el crcuto de la fgura los dodos son deales, calcular la ntensdad que crcula por la fuente V en funcón
Más detallesMecánica Clásica ( Partículas y Bipartículas )
Mecánca lásca ( Partículas y Bpartículas ) Alejandro A. Torassa Lcenca reatve ommons Atrbucón 3.0 (0) Buenos Ares, Argentna atorassa@gmal.com Resumen Este trabajo consdera la exstenca de bpartículas y
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 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 detallesDepartamento Administrativo Nacional de Estadística
Departamento Admnstratvo Naconal de Estadístca Dreccón de Censos Demografía METODOLOGIA ESTIMACIONES Y PROYECCIONES DE POBLACIÓN, POR ÁREA, SEXO Y EDAD PARA LOS DOMINIOS DE LA GRAN ENCUESTA INTEGRADA DE
Más detallesUna Reformulación de la Mecánica Clásica
Una Reformulacón de la Mecánca Clásca Antono A Blatter Lcenca Creatve Commons Atrbucón 30 (2015) Buenos Ares Argentna Este trabajo presenta una reformulacón de la mecánca clásca que es nvarante bajo transformacones
Más detallesContinua: Corriente cuyo valor es siempre constante (no varía con el tiempo). Se denota como c.c.
.. TIPOS DE CORRIENTES Y DE ELEMENTOS DE CIRCUITOS Contnua: Corrente cuyo valor es sempre constante (no varía con el tempo). Se denota como c.c. t Alterna: Corrente que varía snusodalmente en el tempo.
Más detallesEnsamblado multicanal de Redes Neuronales Artificiales para la detección del P300 en señales EEG
XIII JORNADAS INTERNACIONALES DE INGENIERIA CLINICA Y TECNOLOGIA MEDICA, PARANÁ, ENTRE RÍOS, ARGENTINA Ensamblado multcanal de Redes Neuronales Artfcales para la deteccón del P300 en señales EEG Elzabeth
Más detallesSISTEMAS COMBINACIONALES
Tema 2 SISTEMAS COMBINACIONALES En este tema se estudarán algunas de las funcones combnaconales más utlzadas, las cuales se mplementan en chps comercales Como estas funcones son relatvamente complejas,
Más detallesDEPARTAMENTO DE INDUSTRIA Y NEGOCIO UNIVERSIDAD DE ATACAMA COPIAPO - CHILE
DEPATAMENTO DE NDUSTA Y NEGOCO UNESDAD DE ATACAMA COPAPO - CHLE ESSTENCA EN SEE, PAALELO, MXTO Y SUPEPOSCÓN En los sguentes 8 crcutos calcule todas las correntes y ajes presentes, para ello consdere los
Más detallesLa clasificación de métodos de registro propuesta por Maintz [1998] utiliza las siguientes categorías:
II.5. Regstro de mágenes médcas El regstro es la determnacón de una transformacón geométrca de los puntos en una vsta de un objeto con los puntos correspondentes en otra vsta del msmo objeto o en otro
Más detallesObtención de mapas de similitud sísmica 2D mediante redes neuronales Oscar Rondón*, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep
Obtencón de mapas de smltud sísmca 2D medante redes neuronales Oscar Rondón, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep Resumen El desarrollo de metodologías para obtener e ntegrar nformacón de múltples
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 detallesRentas o Anualidades
Rentas o Anualdades Patrca Ksbye Profesorado en Matemátca Facultad de Matemátca, Astronomía y Físca 10 de setembre de 2013 Patrca Ksbye (FaMAF) 10 de setembre de 2013 1 / 31 Introduccón Rentas o Anualdades
Más detallesEQUILIBRIO LÍQUIDO VAPOR EN UN SISTEMA NO IDEAL
EQUILIBRIO LÍQUIDO VAPOR EN UN SISTEMA NO IDEAL OBJETIVO El alumno obtendrá el punto azeotrópco para el sstema acetona-cloroformo, calculará los coefcentes de actvdad de cada componente a las composcones
Más detallesEconomía de la Empresa: Financiación
Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se
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 detallesMatemáticas Financieras
Matemátcas Fnanceras Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Profundzar en los fundamentos del cálculo fnancero, necesaros
Más detallesPROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)
ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón
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 detallesFisicoquímica CIBEX Guía de Trabajos Prácticos 2010. Trabajo Práctico N 7. - Medida de la Fuerza Electromotriz por el Método de Oposición-
Fscoquímca CIBX Guía de Trabajos Práctcos 2010 Trabajo Práctco N 7 - Medda de la Fuerza lectromotrz por el Método de Oposcón- Objetvo: Medr la fuerza electromotrz (FM) de la pla medante el método de oposcón
Más detallesAnál de ere temporale Fernando Berzal, berzal@acm.org Anál de ere temporale Caracterítca de la ere temporale Vualzacón de ere temporale Fltrado de ere temporale Meda móvle Suavzado exponencal Técnca de
Más detallesOferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA
Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
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 detallesMECÁNICA CLÁSICA MAESTRÍA EN CIENCIAS (FÍSICA) Curso de Primer Semestre - Otoño 2014. Omar De la Peña-Seaman. Instituto de Física (IFUAP)
MECÁNICA CLÁSICA MAESTRÍA EN CIENCIAS (FÍSICA) Curso de Prmer Semestre - Otoño 2014 Omar De la Peña-Seaman Insttuto de Físca (IFUAP) Benemérta Unversdad Autónoma de Puebla (BUAP) 1 / Omar De la Peña-Seaman
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
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 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 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 detallesSeparación del sistema etanol/acetona/agua por medio de un diseño híbrido destilación-pervaporación.
Separacón del sstema etanol/acetona/agua por medo de un dseño híbrdo destlacón-pervaporacón. esumen Alan Dder érez Ávla Se aplca las curvas de resduo de membrana para sstemas multcomponentes hacendo uso
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 detallesFACTORES DE RIESGO Y CÁLCULO DE PRIMAS MEDIANTE TÉCNICAS DE APRENDIZAJE
Insttuto de Cencas del Seguro FACTORES DE RIESGO Y CÁLCULO DE PRIMAS MEDIANTE TÉCNICAS DE APRENDIZAJE Carlos Bousoño Calzón Antono Heras Martínez Pedad Tolmos Rodríguez-Pñero FUNDACIÓN MAPFRE no se hace
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 detallesTeléfono: (52)-55-5329-7200 Ext. 2432
Sstema de Montoreo Autónomo Basado en el Robot Móvl Khepera Jorge S. Benítez Read 1, Erck Rojas Ramírez 2 y Tonatuh Rvero Gutérrez Insttuto Naconal de Investgacones Nucleares Carretera Méxco-Toluca s/n,
Más detalles