Reconocimiento Automático de Voz basado en Modelos Ocultos de Markov
|
|
- Sebastián Iglesias Castillo
- hace 6 años
- Vistas:
Transcripción
1 Reconocmeno Auomáco de Voz basado en Modelos Oculos de Markov Auor: Dr. Juan Carlos Gómez. Presenacón basada en las sguenes Referencas: [] Rabner, L. & Juang, B-H.. Fundamenals of Speech Recognon, Prence Hall,.J., 993. [2] Rabner, L.. A Tuoral on Hdden Markov Models and Seleced Applcaons n Speech Recognon, Proceedngs of he IEEE, Vol. 77, o. 2, pp: , 989. [3]Rabner, L. & Juang, B.. An Inroducon o Hdden Markov Models, IEEE Acousc, Speech and Sgnal Processng Magazne, Vol. 3, o., pp: 4-6, 986. Cadenas de de Markov Procesos de Markov Dscreos Todas las varables aleaoras y evenos esán defndos en un espaco de probabldad Ω, con una σ-álgebra F, y una probabldad P. Consderamos ssemas que en un nsane deermnado esán en uno de enre un conuno de esados dsnos: S, S 2,..., S. A empos dscreos regularmene espacados el ssema realza un cambo de esado (o vuelve al msmo esado permanece en el esado) de acuerdo a un conuno de probabldades asocadas con el esado. ProDVoz RAV basado en HMM 2
2 Denoamos Insanes de empo asocados con los cambos de esados, 2,... Esado en el empo : q Una descrpcón probablísca complea del ssema requerría especfcar el esado acual (en el empo ) y odos los esados precedenes. Una secuenca de esados S, S 2,... es una Cadena de Markov (MC: Markov Chan), s posee la propedad de Markov P ( q S q S, q 2 S k, L) P( q S q S ) ProDVoz RAV basado en HMM 3 Una cadena de Markov se denomna homogénea s P ( q S q S ) no depende del nsane. En ese caso quedan defndos un conuno de probabldades de ranscón n de esados a de la forma a P q S q S ), ( con las (obvas) propedades a 0 ProDVoz RAV basado en HMM 4 a
3 Fgura represena una MC con 4 esados. La salda del proceso es el conuno de esados en cada nsane de empo, donde cada esado corresponde a un eveno observable. El proceso de Markov se denomna enonces observable. Fgura : Cadena de Markov con 4 esados. ProDVoz RAV basado en HMM 5 Eemplo: Modelo del esado del empo con una MC de 3 esados. Una vez por día (por eemplo al medoda) se observa el esado del empo y ése puede ser uno de los sguenes Esado S : : lluvoso Esado S 2 : 2 : nublado Esado S 3 : 3 : soleado Fgura 2: Modelo del esado del empo con una MC de res esados. ProDVoz RAV basado en HMM 6
4 Se posula que en el día, el esado del empo puede esar en uno sólo de esos esados y que la marz A de probabldades de ranscón de esados es A { } a Suponendo que el esado en el día () es soleado (esado S 3 ), queremos calcular la probabldad de que la sucesón de esados en los próxmos 5 días sea: soleado-soleado-nublado-lluvoso-nublado ProDVoz RAV basado en HMM 7 Más formalmene, podemos defnr una secuenca de observacón O { S, S, S, S S } 3 3 2, correspondene a los empos,2,3,4,5, respecvamene, y queremos calcular la probabldad de la secuenca dado el modelo. Asumendo que el modelo posee la propedad Markovana, esa probabldad puede calcularse como P ( O modelo) P( S3, S3, S2, S, S2 modelo) P( S ) P( S S ) P( S S ) P( S S ) P( S S ) π a donde hemos usado la noacón a 32 a 3 2 a (0.8).(0.).(0.2).(0.3) ProDVoz RAV basado en HMM 8
5 π ( q ) P S para denoar las probabldades de esado ncal. Oro problema neresane es: Dado el modelo en un esado conocdo, deermnar la probabldad de que permanezca en ese esado durane exacamene d días. Es decr, deermnar la probabldad de la secuenca de observacón dado el modelo, que es P S, S, S, L, S, S S O 2 3 d d + d ( q S ) ( a ) O modelo, ( a ) p ( d ) ProDVoz RAV basado en HMM 9 La candad p (d) es la funcón n de densdad de probabldad (dscrea) de duracón d en el esado. Esa densdad de probabldad de duracón de po exponencal es caracerísca de la duracón de esado en MCs. Basados en p (d), podemos calcular el valor esperado del núme- ro de observacones (duracón) de un esado, condconado a comenzar en ese esado, como S d d d da dp d ( d ) ( a ) a ProDVoz RAV basado en HMM 0
6 Es decr, de acuerdo al modelo endríamos: úmero esperado de días soleados consecuvos úmero esperado de días lluvosos consecuvos úmero esperado de días nublados consecuvos ProDVoz RAV basado en HMM Modelos Oculos de de Markov (HMM: Hdden Markov Models) MC Modelos de Markov en los cuales cada esado corresponde a un eveno observable Modelos demasado resrcvos para ser aplcados a muchos problemas de nerés. HMMs exensón de MCs donde la observacón es una funcón probablísca del esado proceso doblemene esocásco, donde hay un proceso esocásco subyacene que no es obser- vable (es decr, es oculo), y sólo puede ser observado a ravés de oro conuno de procesos esocáscos que producen la secuenca de observacón. ProDVoz RAV basado en HMM 2
7 Eemplo : Trada de Monedas Escenaro: Habacón con una corna. De un lado de la corna hay una persona (ocula) que eecua el expermeno de rar una (o varas) monedas. Sólo nos comunca el resulado del expermeno sn decrnos como lo realza. La secuenca de observacón conssrá por eemplo de O O O 2 O 3... O T C S C...S donde C: cara S: seca Problema de Inerés: Consrur un HMM para explcar la secuenca de observacón. Debemos decdr a qué corresponden los esados del modelo y cuános esados son necesaros. ProDVoz RAV basado en HMM 3 Modelo con dos esados observables Una únca moneda (posblemene "cargada") es arroada. Hay sólo dos esados, y cada esado corresponde a un lado de la moneda. El modelo de Markov es observable (es decr es una MC y no un HMM) y para que quede compleamene especfcado se debe selecconar el "meor" valor de, por eemplo, P(C). (sólo parámero desconocdo) O C C S S C S CL S L Fgura 3: Modelo de Markov con 2 esados observables ProDVoz RAV basado en HMM 4
8 HMM con dos esados Hay dos esados en el modelo, donde cada esado corresponde a una moneda ( posblemene cargada") dferene que es arroada. Cada esado esá caracerzado por una dsrbucón de probabldades de Caras y Secas, y las ranscones enre esados esán caracerzadas por una marz de ranscón de esados. El mecansmo físco que explca cómo las ranscones enre esados son realzadas puede ser una rada ndependene de monedas o cualquer oro eveno probablísco. Vemos que aquí hay 4 parámeros desconocdos, que deben esmarse para que el modelo quede compleamene especfcado. ProDVoz RAV basado en HMM 5 O C C S S C S C CL S L Fgura 4: HMM con 2 esados oculos ProDVoz RAV basado en HMM 6
9 HMM con res esados Hay res esados en el modelo, donde cada esado corresponde a una moneda ( posblemene cargada") dferene que es arroada. La eleccón del esado esá gobernada por algún eveno probablísco. El HMM ene 9 parámeros desconocdos, que deben esmarse para que el modelo quede compleamene especfcado. P( C) P( S) P P 2 P2 P2 3 P3 P3 O C C S S C S C CL S L Fgura 5: HMM con 3 esados ProDVoz RAV basado en HMM 7 Eemplo 2: Bolllero con bolllas de colores Hay bollleros en una habacón, cada uno conenendo un gran número de bolllas de colores. Asummos que hay M colores dsnos de bolllas. Proceso de obencón de las observacones. Por algún proceso aleaoro, alguen que esá en la habacón seleccona un bolllero ncal. De ese bolllero es exraída aleaoramene una bollla, y su color es regsrado como una observacón. La bollla es devuela al bolllero del cual fue exraída. Un nuevo bolllero es enonces elegdo de acuerdo al proceso aleaoro de seleccón asocado al presene bolllero, y el proceso de seleccón de la bollla es repedo. ProDVoz RAV basado en HMM 8
10 Ese proceso genera una secuenca fna de observacón de colores que quséramos modelar como la salda observable de un HMM. El HMM más smple corresponde a uno en el cual cada esado corresponde a un bolllero específco, y por el cual esán defndas probabldades de color (bolllas) para cada esado. La eleccón de los bollleros esá deermnada por la marz de probabldades de ranscón de esado del HMM. ProDVoz RAV basado en HMM 9 Fgura 6: Modelo de Bollleros con Bolllas con un HMM con esados P(roo) b () P(azul) b (2) P(verde) b (3) M P(blanco) b ( M ) ProDVoz RAV basado en HMM 20
11 Elemenos de un HMM : número de esados del modelo. Los esados (oculos) enen (usualmene) asocados algún sgnfcado físco. Denoamos los esados ndvduales como { S, S2, } S, L M: número de símbolos de observacón dsnos por esado,.e. dmensón del alfabeo dscreo. Denoamos los símbolos ndvduales como S { V, V, 2 } V, L V M Marz de dsrbucón de probabldades de ranscón de esados A { } a ProDVoz RAV basado en HMM 2 ( q S q S ) a + P, Dsrbucón de probabldad del símbolo de observacón en el esado donde b B { b (k)} ( k) P( V en q S ),, k M k Dsrbucón de probabldad del esado ncal π { } donde ( q S ), π P π ProDVoz RAV basado en HMM 22
12 Para que el HMM quede compleamene especfcado deben especfcarse los parámeros M y, los símbolos de observacón V, y las res meddas de probabldad A, B, y π. Al HMM generalmene se lo denoa ( A, B ) λ,π Dado un HMM, ése puede usarse para generar una secuenca de observacón O O O L 2 donde cada observacón O es uno de los símbolos en V, y T es el número de observacones en la secuenca. O T ProDVoz RAV basado en HMM 23 Generacón de una secuenca de observacón. Selecconar un esado ncal q S de acuerdo a la dsrbucón de esado ncal π. 2. Far. 3. Selecconar O V k de acuerdo a la dsrbucón de probabldad de símbolo en el esado S, es decr, b (k). 4. Transconar al nuevo esado q + S de acuerdo a la dsrbucón de probabldad de ranscón del esado S, es decr, a. 5. Far + y volver al paso 3. s < T, en caso conraro, fnalzar. ProDVoz RAV basado en HMM 24
13 Los res problemas báscos en HMMs Problema : Dada una secuenca de observacón OO O 2... O T, y un modelo λ (A, B, π ), como compuar efcenemene la probabldad de que la secuenca de observacón haya sdo generada por el modelo P(O λ ). La solucón de ese problema perme selecconar de enre un conuno de modelos, el que meor se ausa a la secuenca de observacón. La solucón del problema es provsa por el Algormo Forward-Backward (debdo a Baum y colaboradores). Problema 2: Dada la secuenca de observacón OO O 2... O T, y un modelo HMM, λ (A, B, π ), como selecconamos la secuenca de esados Qq q 2... q T correspondene que meor explque la secuenca de observacón. (Deermnacón del esado oculo del modelo). La solucón a ese problema es provsa por el Algormo de Verb. ProDVoz RAV basado en HMM 25 Problema 3: Como ausamos los parámeros del modelo HMM λ (A, B, π ), de manera de maxmzar la probabldad de que la observacón haya sdo generada por el modelo P(O λ ). La solucón de ese problema es provsa por el Algormo de Baum-Welch Welch, equvalene al Algormo EM (Expecaon( Expecaon-Maxmzaon). Problema de de enrenameno ProDVoz RAV basado en HMM 26
14 Problema : Dada una secuenca de observacón OO O 2... O T, y un modelo λ (A, B, π ), se desea compuar efcenemene la probabldad de que la secuenca de observacón haya sdo generada por el modelo P(O λ ). La forma más dreca de realzar eso sería enumerando odas las posbles secuencas de esados de longud T (gual al número de observacones), y calculando la probabldad conuna de la secuenca de observacón O y la secuenca de esado Q, dado el modelo, es decr P(O, Q λ), para odas las posbles secuencas de esado de longud T, y luego calcular P(O λ ) como P ( O λ ) P( O, Q λ) Q ProDVoz RAV basado en HMM 27 Ese cálculo dreco nvolucra del orden de 2 T T operacones, sendo el número de esados del modelo HMM. Ese número de operacones es compuaconalmene prohbvo aún para el caso de y T pequeños. Por eemplo para 5 (esados) y T00 (observacones), resula 2 T T 2 x00 x Claramene es necesaro un procedmeno más efcene. Ese procedmeno exse y es el denomnado Algormo Forward- Backward, propueso por Baum y colaboradores. Algormo Forward-Backward Se defne la varable forward como () ( O O LO, q S λ) α P 2 ProDVoz RAV basado en HMM 28
15 Es decr, la probabldad de la secuenca de observacón parcal O, O 2,..., O, hasa el nsane, sendo el esado en gual a S, dado el modelo λ. La varable α () puede calcularse en forma recursva con el sguene algormo (por nduccón).. Incalzacón 2. Recursón (nduccón) α 3. Termnacón () b ( O ) α π + α + ( ) ( ) a b ( O ) P ( O λ) α ( ) T ProDVoz RAV basado en HMM 29 T S a S 2 S S a + α () α + () Fgura 7: Cálculo de la varable forward ProDVoz RAV basado en HMM 30
16 El algormo requere en el orden de 2 T operacones, en lugar de las 2 T T requerdas por el algormo dreco. Para el caso de 5 (esados) y T00 (observacones), resulan 2500 operacones, frene a las 0 72 operacones requerdas por el algormo dreco (69 órdenes de magnud menos). En forma smlar puede defnrse la varable backward. () ( O O O, q S λ) β P L T Es decr, la probabldad de la secuenca de observacón parcal desde el nsane + hasa el fnal (T), dado el esado S en, y el modelo λ. ProDVoz RAV basado en HMM 3 S ben esa varable no es necesara para la resolucón del Problema, la nroducmos aquí ya que es necesara para la solucón de los Problemas 2 y 3. La varable backward puede calcularse en forma recursva como sgue.. Incalzacón β 2. Recursón (nduccón) β T () + + () a b ( O ) β ( ) T, T 2, L, ProDVoz RAV basado en HMM 32
17 Fgura 8: Cálculo de la varable backward (recursón) ProDVoz RAV basado en HMM 33 Problema 2: Dada la secuenca de observacón OO O 2... O T, y un modelo HMM, λ (A, B, π ), como selecconamos la secuenca de esados Qq q 2... q T correspondene que meor explque la secuenca de observacón. (Deermnacón del esado oculo del modelo). A dferenca del Problema, para el que puede enconrarse una solucón exaca, no exse una únca solucón para el Problema 2, ya que la secuenca ópma de esados va a depender del crero de opmaldad que se adope. Por eemplo, un posble crero de opmaldad es selecconar los esados q que ndvdualmene sean los más probables. Ese crero, enonces maxmzaría el número esperado de esados ndvduales correcos. Eso, sn embargo, puede ocasonar problemas con la secuenca de esados resulane, sobre odo en los casos de HMM en los que la marz de probabldades de ranscón ene elemenos nulos (ranscones no permdas), ya que la secuenca resulane podría no ser n squera una secuenca válda. ProDVoz RAV basado en HMM 34
18 Eso es debdo al hecho de que la solucón deermna smplemene el esado más probable en cada nsane, sn ener en cuena la probabldad de ocurrenca de secuencas de esados. Una alernava a eso, que es la que ha sdo más amplamene adopada, es enconrar la únca meor secuenca de esados (o camno), dada las observacones y el modelo,.e., la secuenca que maxmza P(Q O, λ ), que es equvalene a maxmzar P(Q,O λ ). Una écnca formal para enconrar esa únca meor secuenca de esados exse, basada en méodos de programacón dnámca, y es el denomnado Algormo de Verb. ProDVoz RAV basado en HMM 35 Algormo de Verb Para enconrar la únca meor secuenca de esados Qq q 2... q T para una dada secuenca de observacón OO O 2... O T, es necesaro defnr la candad () P( q q Lq S, O O LO λ) δ max 2 2 q, q2, L, q () que es la más ala probabldad a lo largo de un smple camno, que ene en cuena las observacones parcales hasa el empo alcanzando el esado S en ese empo. Por nduccón se ene que δ [ ] a b ( O ) ( ) δ ( ) max + + (2) ProDVoz RAV basado en HMM 36
19 Para recuperar la secuenca de esados es necesaro manener un regsro del argumeno que maxmza la probabldad en (2), para cada y para cada. Eso puede hacerse con la varable auxlar (arreglo) ( ). El procedmeno compleo es el sguene. ψ. Incalzacón δ ψ () π b ( O ) () 0 2. Recursón (nduccón) δ ( ) δ ( ) max [ a ] b ( O ) 2 T ProDVoz RAV basado en HMM 37 ψ [ a ] ( ) δ ( ) argmax 2 T 3. Termnacón [ δ ( ) ] [ δ () ] 4. Backrackng de la secuenca de esados q p q T max T argmax T ( q ) T, T 2,, ψ + + L ProDVoz RAV basado en HMM 38
20 Problema 3: Como ausamos los parámeros del modelo HMM λ (A, B, π ), de manera de maxmzar la probabldad de que la observacón haya sdo generada por el modelo P(O λ ). La solucón de ese problema es provsa por el Algormo de Baum-Welch Welch, equvalene al Algormo EM (Expecaon( Expecaon-Maxmzaon) Para descrbr el algormo de esmacón de Baum-Welsh denoemos con ξ (, ) a la probabldad de esar en el esado S en el empo, y en el esado S en el empo +, dado el modelo y la secuenca de observacón, es decr: (, ) P( q S, q S O ) ξ,λ + ProDVoz RAV basado en HMM 39 Esa probabldad puede escrbrse en funcón de las varables backward y forward de la sguene forma ξ (, ) α () ab ( O + ) β+ ( ) P( O λ) α () a b ( O ) β ( ) α + () a b ( O ) β ( ) ( q S, q S, λ) P O + Donde el numerador es normalzacón por el facor P(O λ ) se realza para que sea una medda de probabldad., y la ( ) ξ, ProDVoz RAV basado en HMM 40
21 Fgura 9: Algormo de Baum-Welch. ProDVoz RAV basado en HMM 4 Defnamos la varable γ () P( q S O,λ) Es decr, la probabldad de esar en el esado S en el empo, dada la secuenca de observacón y el modelo. Esa probabldad puede expresarse en funcón de las varables forward y backward, como γ () ( ) β ( ) ( O λ) α α P α ProDVoz RAV basado en HMM 42 () β ( ) () β () El facor de normalzacón P(O λ ) hace que γ () sea una medda de probabldad, es decr se verfca γ ()
22 La varable γ () se puede relaconar con la varable ξ (,) según γ () ξ (, ) Sumando γ () sobre se obene el valor esperado del número de veces que el esado S es vsado, o lo que es equvalene, el número de ranscones desde el esado S. T γ () valor esperado nro. de ranscones desde S En forma smlar, sumando ξ (,) sobre, se obene el valor esperado del número de ranscones desde el esado S hasa el esado S T ξ (, ) valor esperado nro. de ranscones desde S a S ProDVoz RAV basado en HMM 43 Basándose en esas expresones se pueden obener las sguenes fórmulas recursvas de esmacón de los parámeros de un HMM. π valor esperado nro. veces en esado en ( ) γ S () a () () γ 23 (3) T T ( ) γ ξ, s.. O v b ( ) T k T (2) ( ) ( ) γ 4243 (4) k ProDVoz RAV basado en HMM 44
23 Donde () Valor esperado del nro. de ranscones desde el esado S al S (2) Valor esperado del nro. de ranscones desde el esado S (3) Valor esperado del nro. de veces en el esado S y observando el símbolo v k (4) Valor esperado del nro. de veces en el esado S Parendo de un modelo ncal λ (A, B, π), las expresones anerores permen reesmar el modelo obenendo un nuevo modelo λ A, B,π, de manera que, o ben ( ) ) el modelo ncal λ defne un puno críco de la funcón de verosmlud, en cuyo caso, o λ λ ProDVoz RAV basado en HMM 45 λ 2) El modelo es más probable que el modelo λ en el sendo que P O λ > P O λ ( ) ( ) Es decr, se ha enconrado un nuevo modelo, que es más probable que haya producdo la secuenca de observacones. Basado en ese procedmeno, s eravamene se usa en lugar de λ y se repe el proceso de re-esmacón, se ncremena la probabldad de que las observacones hayan sdo generadas por el modelo, hasa que se alcanza un puno líme. El valor fnal de las probabldades que defnen el HMM se denomna esma de máxm x- ma verosmlud del HMM. Cabe aclarar que el procedmeno descrpo conduce a máxmos locales y que en general la superfce de opmzacón es muy complea presenando múlples máxmos locales. ProDVoz RAV basado en HMM 46 λ λ
24 Esmas ncales de los parámeros del HMM Las ecuacones de re-esmacón conducen a máxmos locales de la funcón de verosmlud. Una preguna que surge es cómo elegr las esmas ncales de manera que los algormos de opmzacón conduzcan al máxmo global de la funcón de verosmlud. Lamenablemene, no exse una respuesa smple o dreca a esa preguna. La experenca ndca que esmas ncales aleaoras (sueas a las resrccones esocáscas y de no nuldad) o unformes de π y A son adecuadas en la mayoría de los casos. Sn embargo, para los parámeros B es ndspensable ener una buena esma ncal. Esas esmas ncales se pueden obener con dversas écncas de segmenacón de la secuenca de observacones (ver [2]). ProDVoz RAV basado en HMM 47 Tpos de HMMs HMM ergódcos: Cada esado del modelo puede ser alcanzado en un sólo paso desde cualquer oro esado del modelo. Tambén se los denomna HMM oalmene conecados. La marz de probabldades de ranscón de esados es una marz llena con odos sus elemenos posvos. Fg 0: HMM ergódco de 4 esados. ProDVoz RAV basado en HMM 48
25 HMM Izquerda-a-derecha: derecha: La secuenca de esado asocada con el modelo ene la propedad de que a medda que el empo avanza el índce ndcando el esado se ncremena (o permanece el msmo),.e., el esado procede de zquerda a derecha. Esos modelos son apos para modelar señales cuyas propedades varían con el empo, como las señales de voz. Fg : HMM Izquerda-a-Derecha de 4 esados. ProDVoz RAV basado en HMM 49 Tenen la propedad que los coefcenes de la marz de probabldades de ranscón de esados verfcan a 0 < Es decr, no esán permdas las ranscones a esados cuyos índces son menores que el del esado presene. Además, las probabldades de esado ncal verfcan π 0,, ya que la secuenca de esados debe comenzar en el esado (y fnalzar en el esado ). ProDVoz RAV basado en HMM 50
26 A menudo se suelen mponer resrccones adconales en las probabldades de ranscón de esados para asegurar que no se producen cambos grandes en los índces en las ranscones. Por eemplo se suele mponer una resrccón de la forma a 0 > + En parcular, para el caso de Fgura es 2, es decr, no se permen salos de más de dos esados. Resula claro que para el úlmo esado en el modelo zquerda-aderecha se verfca a a 0, < ProDVoz RAV basado en HMM 5 Densdades de probabldad de observacón connuas en HMMs En lo desarrollado hasa el presene se asumó que las observacones esaban caracerzadas por símbolos dscreos denro de un alfabeo fno, por lo que se podían usar densdades de probabl-dad dscreas denro de cada esado del modelo. El problema con ese enfoque es que para la mayoría de las aplcacones (y en parcular para reconocmeno de palabra) las observacones son señales (vecores) connuos. S ben se pueden cuanzar usando un lbro de códgos (Vecor Quanzaon) eso rae apareada una sera degradacón de la performance de los dsposvos de reconocmeno. Un enfoque muy usado, es represenar la funcón de densdad de probabldad connua como una combnacón lneal de dsrbucones Gaussanas (mezclas Gaussanas) de la forma ProDVoz RAV basado en HMM 52
27 b M ( O) c ( O, µ, U ) m m m m Donde O es el vecor de observacón, c m, m,..., M son los coefcenes de la mezcla de M Gaussanas en el esado, y (O, µ m, U m ) es una dsrbucón Gaussana con meda µ m y marz de covaranza U m correspondene a la m-ésma componene de la mezcla en el esado. Los coefcenes c m deben sasfacer la resrccón esocásca c M m m c m 0,,, m M ProDVoz RAV basado en HMM 53 de manera que resule b ( x) dx, Esa represenacón puede ser usada para aproxmar, con una precsón arbrara, cualquer funcón de densdad de probabldad connua fna. Se han desarrollado fórmulas de reesmacón para los parámeros µ m, U m y c m de las mezclas Gaussanas (ver [2]). ProDVoz RAV basado en HMM 54
28 Reconocmeno de palabra aslada usando HMM Para cada palabra de un vocabularo de V palabras se quere dseñar un modelo HMM con esados. Para cada palabra en el vocabularo se ene un conuno de enrenameno con K nsancas de la palabra hablada por uno o más locuores. Cada ocurrenca de la palabra consuye una secuenca de observacón. Las observacones son alguna represenacón especral (cepsral) o emporal de la señal de voz. En general, la señal correspondene a cada palabra se represena con una secuenca emporal de vecores especrales codfcados. Se asume que la codfcacón se realza con un lbro de códgo con M palabras códgo. Cada observacón resula enonces gual al índce del vecor en el lbro de códgo que esá más cerca del vecor especral correspondene a la señal de voz. ProDVoz RAV basado en HMM 55 El algormo de reconocmeno puede resumrse como:. Para cada palabra v en el vocabularo V se debe consrur un HMM λ v, es decr se deben esmar los parámeros del modelo (A v, B v, π v ) que opmzan la probabldad del conuno de vecores de enrenameno asocados a la v-ésma palabra. 2. Para cada palabra desconocda que se quere reconocer, se debe obener la secuenca de vecores de observacón O. Luego calcular la probabldades de que esa secuenca haya sdo generada por cada uno de los modelos posbles P(O λ v ), con v V y luego selecconar la palabra cuyo modelo enga la más ala probabldad,.e. v * argmax v V [ P( O λ )] v ProDVoz RAV basado en HMM 56
29 Dg Uerance FROT-ED PROCESSOR Observaon Sequence O λ 0 LIKELIHOOD COMPUTATIO λ LIKELIHOOD COMPUTATIO λ 9 LIKELIHOOD COMPUTATIO HMM for Dg 0 P( O λ 0 ) HMM for Dg P( O λ ) HMM for Dg 9 P( O λ 9 ) Recognzed Dg MAXIMUM SELECTOR [ P( O λ )] Fg. 2: Dagrama de bloques de un reconocedor de dígos aslados. v * argmax v V v ProDVoz RAV basado en HMM 57
EL METODO PERT (PROGRAM EVALUATION AND REVIEW TECHNIQUE)
EL METODO PERT (PROGRM EVLUTION ND REVIEW TECHNIQUE) METODO DE PROGRMCION Y CONTROL DE PROYECTOS Desarrollado en 1958, para coordnar y conrolar la consruccón de submarnos Polars. El méodo PERT se basa
Más detalles4o. Encuentro. Matemáticas en todo y para todos. Uso de las distribuciones de probabilidad en la simulación de sistemas productivos
4o. Encuenro. Maemácas en odo y para odos. Uso de las dsrbucones de probabldad en la smulacón de ssemas producvos Leopoldo Eduardo Cárdenas Barrón lecarden@esm.mx Deparameno de Ingenería Indusral y de
Más detallesTema 5. Análisis Transitorio de Circuitos de Primer y Segundo Orden
Tema 5. Análss Transoro de Crcuos de Prmer y egundo Orden 5.1 Inroduccón 5.2 Crcuos C sn fuenes 5.3 Crcuos C con fuenes 5.4 Crcuos L 5.5 Crcuos LC sn fuenes v() 5.6 Crcuos LC con fuenes () C () C v( )
Más detallesFASCÍCULO: MATRICES Y DETERMINANTES
FSÍULO: MRIES Y DEERMINNES on el avance de la ecnología en especal con el uso de compuadoras personales, la aplcacón de los concepos de marz deermnane ha cobrado alcances sn precedenes en nuesros días.
Más detalles2. Métodos Numéricos Aplicados a Ecuaciones Diferenciales
... Méodo de Euler Haca Adelane Anexo -4. Méodos Numércos Aplcados a Ecuacones Dferencales Párase del más smple po de ecuacón dferencal ordnara, que la de po lneal de prmer orden, el clásco Problema de
Más detallesEstadística de Precios de Vivienda
Esadísca de recos de Vvenda Meodología Subdreccón General de Esadíscas Madrd, febrero de 2012 Índce 1 Inroduccón 2 Objevos 3 Ámbos de la esadísca 3.1 Ámbo poblaconal 3.2 Ámbo geográfco 3.3 Ámbo emporal
Más detallesEl signo negativo indica que la fem inducida es una E que se opone al cambio de la corriente.
AUTO-INDUCTANCIA: Una bobna puede nducr una fem en s msma.s la correne de una bobna camba, el flujo a ravés de ella, debdo a la correne, ambén se modfca. Así como resulado del cambo de la correne de la
Más detallesAnálisis de supervivencia. Albert Sorribas Grup de Bioestadística I Biomatemàtica Departament de Ciències Mèdiques Bàsiques Universitat de Lleida
Análss de supervvenca Alber Sorrbas Grup de Boesadísca I Bomaemàca Deparamen de Cènces Mèdques Bàsques Unversa de Lleda Esquema general Inroduccón al análss de supervvenca Tpos de esudos El concepo de
Más detallesSantiago, CIRCULAR N. Para todas las entidades aseguradoras y reaseguradoras del segundo grupo
REF.: Modfca Crcular N 2062 que nsruye respeco al raameno de recálculo de pensón, en pólzas de seguros de rena valca del D.L. N 3.500, de 1980. Sanago, CIRCULAR N Para odas las endades aseguradoras y reaseguradoras
Más detallesCurso 2006/07. Tema 9: Modelos con retardos distribuidos (I) 9.1. Análisis de los efectos dinámicos en un modelo con retardos distribuidos
Curso 26/7 Economería II Tema 9: Modelos con reardos dsrbudos (I) 1. Análss de los efecos dnámcos en un modelo de reardos dsrbudos 2. La dsrbucón de reardos Tema 9 1 9.1. Análss de los efecos dnámcos en
Más detalles+12V +12V +12V 2K 15V. Problema 2: Determinar el punto de funcionamiento del transistor MOSFET del siguiente circuito: I(mA) D
PROBEMAS E IRUITOS ON TRANSISTORES Problema : eermnar los punos de funconameno de los dsposvos semconducores de los sguenes crcuos: +2V +2V +2V β= β= K β= β= (a) (b) (c) (d) Problema 2: eermnar el puno
Más detalles9. CIRCUITOS DE SEGUNDO ORDEN LC Y RLC
9. IUITOS DE SEGUNDO ODEN Y 9.. INTODUIÓN En el capíulo aneror mos como los crcuos ressos con capacancas o los crcuos ressos con nducancas enen arables que son calculadas medane ecuacones dferencales de
Más detallesConsideraciones generales sobre dinámica estructural
Capíulo Consderacones generales sobre dnámca esrucural Inroduccón El obeo de la dnámca esrucural es el análss de esrucuras bao cargas dnámcas, es decr cargas que varían en el empo. Aunque la mayoría de
Más detallesNota de Clase 5 Introducción a modelos de Data Panel: Generalidades
oa de Clase 5 Inroduccón a modelos de Daa Panel: Generaldades. Por qué daos de panel? Los modelos de daos de panel son versones mas generales de los modelos de core ansversal seres de empo vsos hasa el
Más detallesTema 4. Condensadores y Bobinas
Tema 4. ondensadores y Bobnas 4. Inroduccón 4. ondensadores 4.3 Energía almacenada en un condensador 4.4 Asocacón de condensadores 4.5 Bobnas 4.6 Energía almacenada en una bobna 4.7 Asocacón de bobnas
Más detallesSISTEMAS DE ECUACIONES SIMULTANEAS
Apunes de eoría Economérca I. Profesor: Vvana Fernández SISEMAS DE ECUACIONES SIMULANEAS I INRODUCCION A la fecha, nos hemos cenrado en modelos unecuaconales, eso es, aquellos que nvolucran sólo una ecuacón
Más detallesCálculo y Estadística
Cálculo y Esadísca PROBABILIDAD, VARIABLES ALEATORIAS Y DISTRIBUCIONES ª Prueba de Evaluacón Connua 0--5 Tes en Moodle correspondene a la pare de Probabldad, Varables Aleaoras y Dsrbucones ( Punos).- Una
Más detallesNélida Diaz, Francisco Jiménez y Mauricio López División de Tiempo y Frecuencia. Resumen
Nuevo esquemade generacón de laescalade empo UTCCNM Nélda Daz, Francsco Jménez y Maurco López Dvsón de Tempo y Frecuenca Resumen La escala de Tempo Unversal Coordnado del CENAM, UTCCNM, se genera desde
Más detallesTÉCNICAS METAHEURÍSTICAS. ALGORITMOS BASADOS EN NUBES DE PARTÍCULAS
TÉCNICAS METAHEURÍSTICAS. ALGORITMOS BASADOS EN NUBES DE PARTÍCULAS 3 39 Ssema de generacón elécrca con pla de combusble de óxdo sóldo almenado con resduos foresales y su opmzacón medane algormos basados
Más detallesMecanismos de palanca. Apuntes.
Mecansmos de palanca. Apunes. Oreses González Qunero Deparameno de Ingenería Mecánca Faculad de de Ingenerías Químca y Mecánca 2007 1 1.- Inroduccón. El análss de los mecansmos y máqunas ene por objevo
Más detallesMovimiento Rectilíneo Uniformemente Acelerado (MRUA)
7. Movmeno Reclíneo Unorme Acelerado Movmeno Reclíneo Unormemene Acelerado (MRUA) elocdad Meda o elocdad promedo: La velocdad meda represena la relacón enre el desplazameno oal hecho por un móvl y el empo
Más detalles1. MODELOS DE SERIES TEMPORALES UNIECUACIONALES
oro hasco rgoyen, Dpo. Economía Aplcada, UAM. EJEMPLO DE MODELOS EONOMÉTROS Ver el aso 9 (pag. 55 y ss.) del lbro de A. Puldo y A. López (999), Predccón y Smulacón aplcada a la economía y gesón de empresas.
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 detallesEJERCICIOS: Análisis de circuitos en el dominio del tiempo
EJEIIOS: Análss de crcuos en el domno del empo. égmen ransoro y permanene. En cada uno de los sguenes crcuos el nerrupor ha esado abero largo empo. Se cerra en. Deermnar o I, dbujar la onda correspondene
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 detallesCICLO BASICO DE INGENIERIA. Aplicar los conceptos fundamentales relacionados con el algebra matricial y calculo de determinantes.
REPÚLI OLIVRIN DE VENEZUEL MINISTERIO DEL PODER POPULR PR L DEFENS UNIVERSIDD NIONL EPERIMENTL DE L FUERZ RMD NÚLEO ZULI DIVISIÓN DE SERETRÍ RRER: SIGNTUR: MT - NOMRE DEL PROFESOR: ILO SIO DE INGENIERI
Más detallesCaracterís cas de la Metodología para calcular Rentabilidad Ajustada por Riesgo
P S 2015 M C P S 2015 Inroduccón El Premo Salmón es hoy el prncpal reconocmeno enregado a los Fondos Muuos en Chle. Movo de orgullo y cenro de campañas publcaras, ese reconocmeno ha cambado su foco hace
Más detallesI EJERCICIOS RESUELTOS II EXÁMENES DE ECONOMETRÍA III EXÁMENES DE ECONOMETRÍA EMPRESARIAL IV EXÁMENES DE PRINCIPIOS DE ECONOMETRÍA
I EJERCICIOS RESUELOS II EXÁMENES DE ECONOMERÍA III EXÁMENES DE ECONOMERÍA EMPRESARIAL IV EXÁMENES DE PRINCIPIOS DE ECONOMERÍA Noa: Los ejerccos con asersco no corresponden al programa acual de Prncpos
Más detallesRecuperación de la Información
ssema de recuperacón de nformacón Recuperacón de la Informacón consula documenos mach Documenos Concepos Báscos relevane? ssema de recuperacón de nformacón palabras clave ndexado Las palabras clave (keywords)
Más detallesEjercicios resueltos y exámenes
Prncpos de Economería y Economería Empresaral I Ejerccos resuelos y exámenes Recoplados por Ezequel Urel I EJERCICIOS RESUELOS II EXÁMENES DE ECONOMERÍA III EXÁMENES DE ECONOMERÍA EMPRESARIAL IV EXÁMENES
Más detallesTema 2 Circuitos Dinámicos de Primer Orden
Tema 2: Crcuos Dnámcos de Prmer Orden Tema 2 Crcuos Dnámcos de Prmer Orden A nade en su sano juco se le habría ocurrdo preparar enonces odos esos componenes (ranssores, ressores y condensadores a parr
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 detallesDeterminación Experimental de la Distribución de Tiempos de Residencia en un Estanque Agitado con Pulpa
Deermnacón Expermenal de la Dsrbucón de Tempos de Resdenca en un Esanque Agado con Pulpa Lus Marín Escalona Julo de 2oo7 Índce Resumen 3 Anecedenes Generales 3 Procedmeno Expermenal Dscusones 4 onclusones
Más detallesCRÉDITO AGRICOLA. Consideraciones del producto:
Versón: CA-5.04. CRÉDITO AGRICOLA Consderacones del produco: Son crédos que se oorgan para fnancameno de acvdades agropecuaras y se basan en la capacdad de pago de los clenes y su hsoral credco. Se conceden
Más detallesANALISIS DE INDICADORES DE COMERCIO EXTERIOR Y POLÍTICA COMERCIAL
ANALISIS DE INDICADORES DE COMERCIO EXTERIOR Y POLÍTICA COMERCIAL José E. Durán Lma, Ofcal de Asunos Económcos Claudo Aravena, Analsa Esadísco Carlos Ludeña, Consulor Inernaconal Asesoría Técnca de la
Más detallesIntroducción a la Teoría de Inventarios
Clase # 4 Las organzacones esán consanemene vendo como camba el nvel de sus nvenaros en el empo. Inroduccón a la Teoría de Invenaros El ener un nvel bajo de nvenaros mplca resgos para no sasacer la demanda
Más detallesESTRUCTURA DE LAS SIMILARIDADES
ESTRUCTURA DE LAS SIMILARIDADES Ramón Gonzalez del Campo Lus Garmenda 2 Jord Recasens 3 SIC. Faculad de Informáca, rgonzale@esad.ucm.es 2 DISIA. Faculad de Informáca. UCM, lgarmend@fd.ucm.es 3 Unversa
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 detallesAdaboost con aplicación a detección de caras mediante el algoritmo de Viola-Jones. Trabajo final - Introducción al reconocimiento de patrones
Adaboos con aplcacón a deeccón de caras medane el algormo de Vola-Jones rabajo fnal - Inroduccón al reconocmeno de parones ésor Paz Febrero de 2009 Adaboos con aplcacón a deeccón de caras medane algormo
Más detallesRepresentación VEC. Planteamiento de un sistema de ecuaciones. Esquema de retroalimentación. , pero requiere
Represenacón VEC Dado que las relacones económcas enre varables no se presenan esrcamene en un sendo específco, es decr, puede exsr enre ellas esquemas de reroalmenacón o complejos mecansmos de rasmsón
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 detallesCRÉDITO PESCA. Consideraciones del producto:
CRÉDITO PESCA Consderacones del produco: Los crédos se oorgan para el fnancameno de las acvdades de pesca: comerco, exraccón y/o ndusralzacón. Se basan en la capacdad de pago de los clenes y su hsoral
Más detallesESTIMACIÓN DE LAS ELASTICIDADES DE LA DEMANDA DE GASOLINA EN EL ECUADOR: UN ANÁLISIS EMPÍRICO
ESTIMACIÓN DE LAS ELASTICIDADES DE LA DEMANDA DE GASOLINA EN EL ECUADOR: UN ANÁLISIS EMPÍRICO Fabrco Morán Rugel 1, José Zúñga Basdas 2, Francsco Marro García 3 RESUMEN Después de haber analzado las écncas
Más detallesAlgoritmos para la determinación de soluciones en problemas de programación por metas fraccionales. XVII Jornadas ASEPUMA V Encuentro Internacional
Algormos para la deermnacón de solucones en problemas de programacón por meas fracconales. Algormos para la deermnacón de solucones en problemas de programacón por meas fracconales. Caballero Fernández,
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 detallesDavid Ceballos Hornero Departament de Matemàtica Econòmica, Financera i Actuarial. Universitat de Barcelona ceballos@eco.ub.es
Tme dependence on Fnancal Operaons of Invesmen Davd eballos Hornero Deparamen de Maemàca Econòmca, Fnancera Acuaral. Unversa de Barcelona ceballos@eco.ub.es Dynamc analyss of a Fnancal Operaon of Invesmen
Más detalles1. CONCEPTOS FUNDAMENTALES Magnitudes eléctricas y unidades 1.2. Componentes, dispositivos y circuitos 1.3. Señales 1.4. Leyes de Kirchhoff
Concepos fundamenales Índce CONCEPOS FUNDMENLES Magnudes elécrcas y undades Componenes, dsposos y crcuos 3 Señales 4 Leyes de Krchhoff Concepos fundamenales Magnudes elécrcas y undades Magnud es una propedad
Más detallesNORMAS PARA LA CONSTITUCIÓN DE PREVISIONES PARA RIESGOS CREDITICIOS
NORMA PARTIULAR 3.2 NORMAS PARA LA ONSTITUIÓN DE PREVISIONES PARA RIESGOS REDITIIOS a. Prevsones para resgos credcos ) Prevsón según caegoría de resgo ) Mono de resgo sujeo a prevsón ) Deduccón de garanías
Más detallesPregunta Hoy está nublado, cuál es la probabilidad de que mañana continúe nublado? cuál es la probabilidad de que está nublado pasado mañana?
Cadenas de Marov Después de mucho estudo sobre el clma, hemos vsto que s un día está soleado, en el 70% de los casos el día sguente contnua soleado y en el 30% se pone nublado. En térmnos de probabldad,
Más detalles5. Los sistemas de pensiones y el ahorro nacional
5. Los ssemas de pensones y el ahorro naconal Uno de los aspecos más mporanes ras la reforma a un ssema de pensones es su mpaco sobre el ahorro naconal dado el vínculo enre ése y el desempeño de la economía.
Más detallesMADRID / SEPTIEMBRE99. LOGSE / FÍSICA / ÓPTICA/OPCIÓN A/ CUESTIÓN 3
MADRID / SEPTIEMBRE99. LOGSE / FÍSICA / ÓPTICA/OPCIÓN A/ CUESTIÓN 3 Una fuene lumnosa eme luz monocromáca de longud de onda en el vacío lo = 6 l0-7 m (luz roja) que se propaga en el agua de índce de refraccón
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 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 detallesINTERPOLACIÓN CURVA DE TASAS DE INTERÉS
www.quan-radng.co INTERPOLACIÓN CURVA DE TASAS DE INTERÉS El rendmeno hasa el vencmeno de un bono es una medda úl para eecos de comparacón. Sn embargo hay oras meddas que conenen mucha más normacón como
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 detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesTECNOLOGÍA ELECTRÓNICA TEMA 8 (AMPLIFICADOR OPERACIONAL) EJEMPLOS RESUELTOS
TECNOLOGÍA ELECTRÓNICA TEMA 8 (AMPLIFICADOR OPERACIONAL) EJEMPLOS RESUELTOS JULIO BRÉGAINS, DANIEL IGLESIA, JOSÉ LAMAS DEPARTAMENTO DE ELECTRÓNICA E SISTEMAS FACULTADE DE INFORMÁTICA, UNIVERSIDADE DA CORUÑA
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesEstadística de Precios de Suelo
Esadísca de Precos de Suelo Meodología Subdreccón General de Esadíscas Madrd, febrero de 2012 Índce 1 Inroduccón 2 Objevos 3 Ámbos de la esadísca 3.1 Ámbo poblaconal 3.2 Ámbo geográfco 3.3 Ámbo emporal
Más detallesBases Formales de la Computación: Sesión 3. Modelos Ocultos de Markov
Bases Formales de la Computación: Sesión 3. Prof. Gloria Inés Alvarez V. Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Cali Periodo 2008-2 Contenido 1 Introducción
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesTEMA 7 MODELO IS-LM EN ECONOMÍAS ABIERTAS
TMA 7 MODLO IS-LM N CONOMÍAS ABIRTAS l modelo IS-LM en economías aberas Concepos fundamenales n el ema aneror analzamos el po de cambo como s fuera un nsrumeno de políca económca. Sn embargo ése se deermna
Más detallesCIRCUITOS CON DIODOS.
ema 3. Crcus cn dds. ema 3 CCUOS CON OOS. 1.- plcacón elemenal..- Crcus recradres (lmadres)..1.- eslucón de un crcu recradr ulzand las cuar aprxmacnes del dd..1.1.- eslucón ulzand la prmera aprxmacón..1..-
Más detallesCircuitos Rectificadores 1/8
Crcuos Recfcadores 1/8 1. Inroduccón Un crcuo recfcador es un crcuo que ene la capacdad de converr una señal de c.a. en una señal de c.c. pulsane, ransformando así una señal bpolar en una señal monopolar.
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesFunción Financiera 12/03/2012
Funcón Fnancera /03/0 Asgnaura: Admnsracón Fnancera Bblografía: Albero Macaro - Cr. Julo César Torres Profesor Tular Regular Faculad de Cencas Económcas y Jurídcas Unversdad Naconal de La Pampa Cr. Julo
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 detallesDeterminación del tiempo de deshumidificación en un almacén soterrado en las condiciones climáticas y geohidrológicas de Cuba.
Ingenería Mecánca, (2007) 5-20 5 Deermnacón del empo de deshumdfcacón en un almacén soerrado en las condcones clmácas y geohdrológcas de Cuba. Ma. D. Andrade Gregor, R. Hernández Rubo, M. Pedra Díaz. Insuo
Más detallesLA MODELIZACIÓN DE PROCESOS
L MODELIZIÓN DE ROESOS En ese capíulo, se presena una meodología en desarrollo para modelos dnámcos de procesos químcos. Después de esudar ese capíulo, el esudane debería ser capaz de: Escrbr las ecuacones
Más detallesEl Método de Monte Carlo para la Solución de la Ecuación de Transporte
Anál de Reacore Nucleare Faculad de Ingenería-UNAM Juan Lu Franço El Méodo de Mone Carlo para la Solucón de la Ecuacón de Tranpore En la prácca, mucho problema de ranpore no e pueden reolver por méodo
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 detallesAPUNTES CLASES DE PRÁCTICAS ECONOMIA ESPAÑOLA (Y MUNDIAL) CURSO 2010/2011, 2º. CUATRIMESTRE DEPARTAMENTO DE ECONOMÍA UNIVERSIDAD CARLOS III DE MADRID
APUTES CLASES DE PRÁCTCAS ECOOMA ESPAÑOLA (Y MUDAL) CURSO 200/20, 2º. CUATRMESTRE DEPARTAMETO DE ECOOMÍA UVERSDAD CARLOS DE MADRD DCE DE PRÁCTCAS.- Conabldad aconal. 2.- ndces y Deflacores. 3.- Curvas
Más detallesTEORÍA DE CIRCUITOS - 2 LEYES DE KIRCHHOFF. - Variables relacionadas. v(t) = v 1 (t) - v 2 (t) i(t) = i 1 (t) = i 2 (t) v(t)
TOÍ D UTOS /24 TOÍ D UTOS 2/24 UTO LÉTO DSPOSTOS LÉTOS Y LTÓNOS UTO LÉTO L LS ONDUTOS DSPOSTOS LÉTOS O LTÓNOS UTO LÉTO: DFNONS M NUDOS NO NUDO (ONXÓN N S) 2 3 N 4 ONXÓN N PLLO N2 5 6 MODLO D UTO LÉTO L
Más detallesMETODOLOGÍA PARA EL CÁLCULO DEL ÍNDICE COLCAP
METODOLOGÍA PARA EL CÁLCULO DEL ÍNDICE COLCAP MARZO DE 20 TABLA DE CONTENIDO. GENERALIDADES:... 3.. VALOR BASE... 3.2. NÚMERO DE EMISORES QUE COMPONEN EL ÍNDICE... 3.3. ACCIONES POR EMISOR... 3.4. PARTICIPACIÓN
Más detalles1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo
EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces
Más detallesHéctor Maletta. Análisis de panel con variables categóricas
Hécor Malea Análss de panel con varables caegórcas Buenos Ares, 2012 CONTENIDO 1. Inroduccón al análss de panel... 1 1.1. El desarrollo hsórco del análss de panel... 1 1.2. El prsma de daos... 3 1.3. Clasfcacón
Más detallesPropiedades Asintóticas
Capítulo 3 Propedades Asntótcas 3.. Dstrbucones Estaconaras Defncón 3. Sea X n, n, una cadena de Markov con espaco de estados E y matrz de transcón P. Sea π(), E, una dstrbucón de probabldad, es decr,
Más detalles7. CAPACITANCIA E INDUCTANCIA
7. APAITANIA E INDUTANIA 7.. INTRODUIÓN El elemeno paso e os ermnales que hemos so hasa el momeno, eso es la Ressenca, presena un comporameno lneal enre su olaje y correne. Eso prouce ecuacones algebracas
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
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 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 detallesOptimización del balance de carga en circuitos de distribución primaria
energéca Vol. XXX, No. /009 TRABAJOS TEORCOEXPERMENTALES Opmzacón del balance de carga en crcuos de dsrbucón prmara gnaco Pérez Recbdo: Ocubre del 008 Aprobado: Dcembre del 008 Resumen/ Absrac Las medcones
Más detallesReconocimiento de voz, apuntes de cátedra para Introducción a la Inteligencia Artificial
Reconocmeno de voz aunes de cáedra ara Inroduccón a la Inelgenca Arfcal Auores: Fernando Marnez Gusavo Porale Hernan Klen Osvaldo Olmos Problemas del análss reconocmeno de voz... Breve hsora del reconocmeno
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 detallesEstimación de una frontera de eficiencia técnica en el mercado de seguros uruguayo
Esmacón de una fronera de efcenca écnca en el mercado de seguros uruguao Faculad de Cencas Económcas de Admnsracón Unversdad de la Repúblca María Eugena Sann Fernando Zme Tel.: 598 709578 Tel.: 598 70008
Más detallesColección de problemas de. Poder de Mercado y Estrategia
de Poder de Mercado y Estratega Curso 3º - ECO- 0-03 Iñak Agurre Jaromr Kovark Marta San Martín Fundamentos del Análss Económco I Unversdad del País Vasco UPV/EHU Tema. Olgopolo y competenca monopolístca.
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 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 detallesMedida de los radios de curvatura de un espejo cóncavo y otro convexo. Medida de la focal de una lente convergente y otra divergente.
TÉCNICAS EXPERIMENTALES II. MÓDULO DE ÓPTICA PRÁCTICA I: BANCO ÓPTICO. OBJETIVO DE LA PRÁCTICA Medda de los rados de curvaura de un espejo cóncavo y oro convexo. Medda de la focal de una lene convergene
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 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 detallesPRÁCTICA 1: Identificación del modelo de un motor de C.C. con entrada en escalón de tensión
PÁCTICA 1: Idenfcacón del modelo de un moor de C.C. con enrada en escalón de ensón Ojevos: Guón: Caracerzar un moor de C.C. Deermnar las consanes y τ. Smulacón del funconameno de un moor de C.C. en Sm.
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 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 detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 1. S A es un suceso de probabldad 0.3, la probabldad de su suceso contraro es: a) 0. b) 1.0 c) 0.7 (Convocatora juno 006. Eamen tpo H) S A es un suceso, la probabldad de su suceso
Más detallesElectricidad y calor
Electrcdad y calor Webpage: http://pagnas.sca.uson.mx/qb 2007 Departamento de Físca Unversdad de Sonora Temas 4. Prmera ley de la Termodnámca.. Concepto de Trabajo aplcado a gases.. Trabajo hecho por un
Más detallesCAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED
Modelo en red para la smulacón de procesos de agua en suelos agrícolas. CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED IV.1 Modelo matemátco 2-D Exsten dos posbldades, no ndependentes, de acuerdo con
Más detallesElectricidad y calor. Un repaso... Temas. 4. Primera ley de la Termodinámica. Webpage: Algunas definiciones
Electrcdad y calor Webpage: http://pagnas.sca.uson.mx/qb 2007 Departamento de Físca Unversdad de Sonora Temas 4. Prmera ley de la Termodnámca.. Concepto de Trabajo aplcado a gases.. Trabajo hecho por un
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 detallesDEFINICIÓN DE INDICADORES
DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.
Más detalles