Usando este sistema ideal de comunicación podemos investigar un poco más profundamente acerca de lo que significa información.

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Usando este sistema ideal de comunicación podemos investigar un poco más profundamente acerca de lo que significa información."

Transcripción

1 Dt Mining bsdo en l Teorí de l Informción Mrcelo R. Ferreyr mferreyr@pti.com L plbr informción prece ir de l mno con ls últims tecnologís. Sociedd de Informción, Tecnologí de l Informción, Redes de Informción. Se dice que un bse de dtos contiene Informción y que con los lgoritmos propidos es posible obtenerl. Hy un viejo dgio que dice: Si no puedes medirlo, no puedes mnejrlo. Es posible medir l informción? Si, es posible. En 1948, Clude Shnnon publicó su tesis que justmente trtb cerc de cómo medir l informción. Si bien su intención er plicr est nuev ide en ls comunicciones eléctrics, su trbjo sentó ls bses pr l er digitl que vendrí. Desde el punto de vist de l Teorí de l Informción de Shnnon, un sistem de comunicción puede ser representdo de l siguiente mner: Mensje Mensje Fuente de Informción Trnsmisor Señl Señl recibid Receptor Destino Fuente de ruido Fig1, The Mthemticl Theory of Communiction, Shnnon & Wever, Pg. 7 L fuente de informción contiene un conjunto de mensjes que pueden seleccionrse pr ser envidos por medio de un trnsmisor. El trnsmisor convierte el mensje en un señl que será envid por un cnl de comunicción hst llegr l receptor, que se encrgrá de convertirl nuevmente en un mensje que recibirá el destintrio. Un ejemplo clrrá ls coss. Cundo un person comunic lgo otr, l fuente de informción es su cerebro, el trnsmisor son sus cuerds vocles que genern l señl uditiv que será trnsmitid por medio del ire (cnl de comunicción) hst llegr los oídos (receptor) de l otr person y convertid nuevmente por medio de su cerebro en el mensje originl. El mbiente podrí introducir cierto ruido que hrí dificultoso l receptor identificr correctmente el mensje. Dt Mining bsdo en Teorí de l Informción 1 Agosto 2007

2 Usndo este sistem idel de comunicción podemos investigr un poco más profundmente cerc de lo que signific informción. L cntidd de informción que contiene un fuente de informción está relciond con el grdo de libertd que uno tiene pr seleccionr los mensjes. Por ejemplo, supongmos un cso muy simple en el que l fuente de informción contiene sólo dos mensjes, los cules tienen l mism chnce de ser selecciondos. Pr medir l cntidd de informción se us un concepto llmdo Entropí. L entropí es un medid usd en termodinámic pr medir el grdo de desorden de un sistem. En Teorí de l Informción, l entropí es usd pr medir el grdo de libertd de elección de un mensje. Así cunto myor es l entropí, myor será l incertidumbre de un sistem y myor tmbién l informción que contiene. Al principio esto prece un poco confuso, y que se soci l cntidd de informción con el grdo de incertidumbre, pero un ejemplo yudrá clrificr los conceptos. Si un fuente contiene un único mensje, no hbrá lugr pr elegir y entonces se dice que l informción que port est fuente es nul. Por ejemplo, si un urn contiene solmente bolills blncs, no existirá libertd de elegir el color de un bolill, y que tods serán blncs. L incertidumbre de los mensjes (el color de ls bolills) es nul, por lo tnto l informción es nul. En cmbio, si l urn contiene bolills blncs y negrs, entonces es posible seleccionr entre dos opciones y l incertidumbre, sí como l informción y no serán nuls. O se, desde el punto de vist de l Teorí de l Informción, l informción está relciond con l cntidd de mensjes disponibles. En principio podrímos decir que myor cntidd de mensjes disponibles, myor informción (unque esto no es rigurosmente cierto, como veremos más delnte). Si sólo existe un mensje, l informción será nul. L entropí, que se us pr medir l informción, se mide en bits y pr clculrl se utilizn logritmos en bse 2. Por ejemplo, el lnzmiento de un moned implic dos posibiliddes, entonces l cntidd de bits necesrios es: H = log 2 (número de posibles mensjes) = log 2 (2) = 1 Un bit es l cntidd de informción necesri pr representr dos posibles resultdos. En el cso de l moned, es cr o cruz. Si fuesen 4 posibles resultdos, el doble del cso nterior, serí lógico que l cntidd de informción se duplicse H = log 2 (4) = 2 Como podemos ver, pr 4 posibiliddes se necesitn 2 bits, el doble del cso nterior. Usr logritmos en bse 2 duplic l cntidd de informción, tl como esperábmos. Hst hor considermos que cd lterntiv tiene ls misms posibiliddes de ser elegid. O se, si un fuente de informción tuvier dos mensjes pr ser selecciondos con l mism probbilidd, es fuente contendrí 1 bit de informción. Pero cómo Dt Mining bsdo en Teorí de l Informción 2 Agosto 2007

3 clculrímos l entropí si los mensjes tuviern diferentes chnces de ser elegidos? L Teorí de l Informción nos d l respuest: H = - (p 1 * log 2 (p 1 ) + p 2 * log 2 (p 2 )) Est mner de clculr l cntidd de entropí no hce otr cos que ponderr los logritmos de cuerdo ls probbiliddes de elegir cd mensje (el signo menos es simplemente pr evitr que l entropí se negtiv, y que el logritmo de un número menor que 1 es negtivo). De un mner más generl podrímos escribir el cálculo de l entropí de l siguiente mner: H = log ( p ) i pi 2 i Cundo cd mensje tiene ls misms probbiliddes de ser elegido, l entropí es máxim. Si ls probbiliddes son diferentes pr cd mensje, entonces l entropí será menor. Por ejemplo, si l fuente contiene dos mensjes y en el cso extremo uno de los mensjes tiene chnce 0 de ser elegido, l entropí será nul, y que solo existirá posibilidd de elegir un solo mensje (el de probbilidd 1). El siguiente gráfico nos muestr cómo vrí l entropí en función de ls probbiliddes pr el cso de 2 mensjes. Ls probbiliddes serán p y 1-p. Vemos que pr el cso de probbilidd 0.5 pr cd mensje, l entropí es máxim, o se 1 bit. Ruido y Equivocción Hst hor hemos hbldo de l informción de un fuente, medid por l entropí. A myor libertd de elección de mensjes, myor entropí y por ende, myor informción. Ahor supondremos un sistem completo, con un emisor que enví mensjes y un receptor que los recibe. Si no existe ningun fuente de ruido, l probbilidd de recibir exctmente los mensjes envidos es 1. Pero si hy ruido en el medio, entonces y no estremos seguros de recibir el mensje correcto. L Teorí de l Informción nos permite medir est incertidumbre cundo existe un fuente de ruido. Pr clculr ests incertidumbres se us l entropí reltiv entre los conjuntos de mensjes envidos y recibidos. Dt Mining bsdo en Teorí de l Informción 3 Agosto 2007

4 L incertidumbre de l señl envid, cundo conocemos l señl recibid, recibe el nombre de Equivocción y se simboliz como H( ). O se conocemos l señl recibid pero tenemos ciert incertidumbre respecto l señl envid. L informción net trnsmitid será l informción envid menos l equivocción T = H() H( ) Si en cmbio conocemos l señl envid pero tenemos incertidumbre respecto l señl recibid, entonces podemos medirl por medio de H( ) o lo que es lo mismo l incertidumbre de l señl recibid cundo se conoce l señl envid. A este tipo de incertidumbre se l conoce como Ruido, que tmbién nos permite clculr l informción net trnsmitid como l informción recibid menos el ruido, l cul deberí ser exctmente igul l clculd nteriormente T = H() H( ) = H() H( ) Los Dtos como un cnl de Informción Si sumimos cierts suposiciones, entonces podemos usr l Teorí de l Informción pr crcterizr l relción entre dos o más vribles de un tbl de dtos. Supongmos que estmos nlizndo un sistem medinte un serie de mediciones cpturds por distints vribles del mismo. Cd cierto tiempo vmos tomndo los vlores de ls vribles de interés y ls notmos en un tbl. Ahor queremos nlizr si un determind vrible tiene lgun relción con otr. Dicho de otro modo, queremos ver cuál es l informción en común pr ests dos vribles. Asumimos que un de ls vribles es un fuente de informción cuyos mensjes son los diferentes vlores que fuimos midiendo y l otr vrible represent el ppel del receptor de los mensjes. L tbl de dtos serí el cnl de comunicción entre l vrible que emite los mensjes () y l vrible que los recibe (). Ahor podrímos clculr l informción trnsmitid entre e simplemente como l informción generd por l fuente menos l equivocción, o como l informción recibid menos el ruido, tl como vimos nteriormente. Este tipo de nálisis nos permitirá conocer distintos spectos de l informción contenid en los dtos, pero ntes de entrr en más detlles veremos cómo es posible medir l entropí de un o más vribles. Entropí en un conjunto de Dtos Asummos que los dtos están representdos por vribles que intentn medir diferentes crcterístics del sistem de interés. El propósito de culquier proyecto de Dt Mining es encontrr cómo se relcionn ests vribles entre sí y fundmentlmente cómo fectn el resultdo del sistem. Dt Mining bsdo en Teorí de l Informción 4 Agosto 2007

5 Por ejemplo, si el sistem es un grupo de clientes que interctún con un empres y nos queremos enfocr en l pérdid de estos clientes, entonces nuestrs vribles cndidts pr representr l fuente de informción podrín ser ls quejs, l cntidd de productos comprdos l mes, los cnles que utilizn, los tiempos de entreg de los productos, etc. Suponemos que ests vribles contienen suficiente informción pr conocer si un cliente seguirá ctivo o no (se lo que se lo que signifique ctivo). Pr clculr est informción, usmos un vrible que nos indic si relmente el cliente está ctivo o no medinte dos mensjes distintos (Activo/NoActivo), y sumimos que est vrible represent l señl recibid. Si l señl envid es igul l señl recibid, entonces podrímos predecir con totl seguridd qué clientes seguirán ctivos y cuáles no. O se, podrímos usr ls vribles que formn l fuente de informción (Entrd, o Input o ) pr conocer exctmente el estdo del receptor (Slid, o Output o ). Si en cmbio l señl recibid (Slid) no es igul l envid (Entrd), entonces suponemos que l Entrd no contiene suficiente informción libre de ruido pr definir completmente l Slid. Comencemos con l informción disponible en el sistem. Podemos representr ls vribles del sistem, o vribles de Entrd de l siguiente mner v1 v2 v3 v4 v5 v6 L figur nterior represent 6 vribles (un por cd column) y vrios csos (uno por cd fil). Por ejemplo, en el cso del ejemplo nterior ls vribles serín ls quejs, l cntidd de productos comprdos l mes, etc, y los csos serín los distintos clientes. Cd cso contiene un determind combinción de vlores de ls vribles que se dn l mismo tiempo. Ests combinciones pueden ser únics, o pueden coincidir pr lgunos csos. Por ejemplo Dt Mining bsdo en Teorí de l Informción 5 Agosto 2007

6 v1 v2 v3 v4 v5 v6 Estos dos csos podrín tener igules vlores en cd un de ls vribles Ser levemente diferentes O completmente diferentes En culquier cso, podemos pensr que ls diferentes combinciones de vlores de ls vribles representn un señl del sistem y lo representremos como un punto pr cd cso Dt Mining bsdo en Teorí de l Informción 6 Agosto 2007

7 Cd señl identific un estdo del sistem. Si cd señl es únic, o se que no existe otr combinción de vribles exctmente igul, entonces l relción entre señles y estdos será biunívoc, o se, pr cd señl hbrá un solo estdo y pr cd estdo un sol señl. Podemos clculr l entropí de este sistem clculndo primero ls probbiliddes de cd señl que, en este ejemplo, con 22 señles distints, será pr cd señl. que l probbilidd pr tods señles es l mism, l entropí será máxim. En este ejemplo l entropí será: ( ) H = pi log 2 pi = i log = 4.46 bits Dt Mining bsdo en Teorí de l Informción 7 Agosto 2007

8 En cmbio, cundo pr un estdo existe más de un señl que lo identific, ls probbiliddes socids y no serán ls misms y por lo tnto l entropí dejrá de ser l máxim posible pr este sistem 2/22 2/22 2/22 2/22 2/22 3/22 3/22 Hgmos un repso de los visto hst hor: tenemos un conjunto de dtos con vribles que representn un situción de interés. Cd fil es un cso representdo por ls diferentes combinciones de vlores de ls vribles, y cd uno de estos csos identific un estdo del sistem. Podrín existir vrios csos que identificn el mismo estdo hciendo que l incertidumbre del sistem disminuy. De hecho, si todos los csos fuern exctmente igules, el sistem tendrí incertidumbre nul, o lo que es lo mismo, no contendrí ningun informción ( qué informción tendrí un conjunto de dtos con tods ls fils exctm ente igules?). En generl, lgunos de los estdos identificdos por ls señles serán similres y otros muy distintos. Dt Mining bsdo en Teorí de l Informción 8 Agosto 2007

9 Estos estdos podrín representrse en un mp de 2 dimensiones como sigue Aquellos estdos que están próximos contendrán informción similr. Cunto más lejdos estén, menos informción común comprtirán. Agrupción de vlores de vribles Un buen modelo debe estr bsdo en señles que sen lo menos mbigus posibles. Pr logrr este objetivo se us un método llmdo chunking, que grup diferentes vlores de ls vribles. El objetivo del chunking tiene dos propósitos: 1. Mximizr l representtividd de l señl 2. Minimizr el ruido tnto como se posible Un señl, dd por los diferentes vlores que sume l vrible en los distintos csos de un muestr, es representtiv de l poblción si existen suficientes csos como pr estbilizr l form de l distribución de los vlores. Supongmos que tenemos un bols con bolills de n diferentes colores en proporciones diferentes. Si vmos construyendo un histogrm con cd bolill que scmos l zr de l bols, el mismo irá cmbindo su form de un mner drástic con ls primers extrcciones, pero medid que vnzmos, l form del histogrm se irá estbilizndo. No entrremos quí en detlles, pero es posible encontrr l cntidd de extrcciones necesris pr logrr que l distribución se estbilice lo suficiente como pr decir que es muestr es representtiv de l poblción con un determind confinz. Est cntidd de extrcciones es proporcionl n, cunto menor se l cntidd de vlores distintos en l poblción, menor será l cntidd de vlores necesrios pr obtener un muestr representtiv. Por ejemplo, si tenemos 100 vlores distintos que grupmos en sólo 10, será un mner de logrr un muestr más representtiv que si usmos los 100 vlores distintos pr un dd cntidd de csos. Por otro ldo, cundo grupmos vlores estmos perdiendo informción, y que l cntidd d e mensjes distintos disminuye, pero se minimiz el ruido cusdo por diferentes vlores distintos que puntn l mismo estdo. El siguiente gráfico muestr un ejemplo de grupción de los vlores de un vrible Dt Mining bsdo en Teorí de l Informción 9 Agosto 2007

10 Los vlores formn grupos representtivos que llevn l myor informción posible. Cundo hblmos de vlores nos referimos vlores numéricos o ctegóricos. O se, no sólo es posible grupr vribles numérics, sino tmbién ctegórics. Pr el cso de vribles numérics, el método generl es conocido normlmente como Binning, unque existen distints vrintes que veremos más delnte. Lo importnte es que con Chunking hemos logrdo mximizr l representtividd y minimizr el ruido. L cntidd de grupos o bins fect l representtividd, el ruido y l cntidd de informción perdid en el proceso. Existe un número de bins idel que logr un compromiso entre l representtividd y el ruido por un ldo, y l informción perdid por el otro. Informción Trnsmitid Hst hor hemos visto cómo es posible clculr l entropí (incertidumbre, grdos de libertd de elección de los mensjes, informción) de un conjunto de dtos que llmmos dtos de entrd (Input). El cálculo de l entropí de los dtos de slid es un problem similr. L únic diferenci es que normlmente se sume que está compuesto por un sol vrible. Ahor veremos cómo podemos clculr l entropí reltiv entre los dtos de entrd un resultdo de interés o dtos de slid (Output). Anteriormente vimos que l informción trnsmitid puede ser clculd como l señl recibid menos l equivocción o como l señl envid menos el ruido. y Dt Mining bsdo en Teorí de l Informción 10 Agosto 2007

11 T = H() H( ) = H() H( ) Pero cómo clculmos estos vlores? El siguiente gráfico nos será de much yud pr relcionr ls diferentes mediciones de l entropí H(;) H() H() H( ) (Equivocción) T(,) H( ) (Ruido) L brr superior represent l entropí de l señl conjunt e. Supongmos que queremos nlizr un sistem compuesto por l tird de un ddo y un vrible que nos d informción cerc de l pridd del vlor obtenido. En este sistem, l vrible indicrí si el vlor es pr o impr y l vrible serí el vlor obtenido. Pr clculr l entropí de l señl conjunt, tendrímos que listr todos los pres de eventos posibles. En nuestro cso serán: Pridd Resultdo Impr 1 Pr 2 Impr 3 Pr 4 Impr 5 Pr 6 Como vemos, hy sólo 6 csos y todos tienen probbilidd 1/6 de precer, por lo tnto l entropí de l señl conjunt será H(;) = log (6) = bits 2 L siguiente brr represent l entropí de l señl envid o. En nuestro cso existen sólo dos mensjes posibles con probbilidd ½, Pr e Impr. Por lo tnto l entropí será H() = log 2 (2) = 1 bit L entropí de l señl de slid o el resultdo de tirr el ddo será clculd en bse los distintos resultdos posibles, que en este cso son 6. L entropí será H() = log 2 (6) = bits Por último, l curt brr represent ls relciones vists nteriormente: T(,) = H() H( ) = H() H( ) Dt Mining bsdo en Teorí de l Informción 11 Agosto 2007

12 Tmbién es posible clculr l informción trnsmitid usndo l entropí de l señl conjunt T(,) = H() + H() - H(;) T(;) = = 1 bit O se, pr nuestro sistem clculmos que l cntidd de informción necesri pr conocer exctmente el resultdo de un ddo es bits. El sistem nos proporcion un señl que nos permite disminuir l incertidumbre, unque no totlmente. Est señl trnsmite 1 bit de informción (nos indic si el resultdo es pr o impr). Ruido y Equivocción Si bien el ruido y l equivocción tienen un definición muy clr en l Teorí de l Informción, es bueno tener un ide un poco más intuitiv de lo que significn cundo estmos nlizndo un conjunto de dtos Volviendo l ejemplo más rel de un empres que h reunido dtos cerc de sus clientes y dese nlizr l pérdid de clientes (churning o ttrition), lo que en relidd estmos intentndo es conocer cuánt informción contienen los dtos de entrd respecto de l vrible que identific si un cliente está ctivo o no. Así como nteriormente sociábmos cd señl un estdo, hor podemos socir cd señl (o estdo) de, un señl de Dt Mining bsdo en Teorí de l Informción 12 Agosto 2007

13 De l mism mner que ntes, con dtos reles rr vez existe un correspondenci biunívoc entre ls señles de entrd y slid. Existen 4 posibles csos, 3 de ellos simples y un curto que es l combinción de los nteriores. El primer cso es cundo l relción entre señles es biunívoc, o se cundo ls señles de l entrd identificn sin mbigüeddes ls de l slid, tl como se muestr en el siguiente gráfico b c q r s b c q r s El segundo cso es cundo vris señles distints de entrd puntn un sol señl de slid. Este es un cso de Equivocción, como y vimos nteriormente. Muchs voces distints están diciendo lo mismo. El siguiente gráfico clr el problem b c q b c q r s Dt Mining bsdo en Teorí de l Informción 13 Agosto 2007

14 Cundo l relción contiene Ruido, existen diferentes csos (fils de l tbl de los dtos) que puntn l mismo estdo de l slid. O se, l señl de slid es inciert pr l señl de entrd, l menos en lgún grdo q r s b q r s c En el cso de ruido hy que tener en cuent que no necesrimente l cntidd de señles de entrd que puntn distints señles de slid son igules. O se, podrí se r por ejemplo, que un de ls señles teng un probbilidd del 80%, otr del 15% y l tercer del 5%, tl co mo lo ilustr l siguiente figur q r s b c q r s Con dtos reles lo norml es que se de un mezcl de informción, ruido y equivocción b c q rs b c q r s Ahor que y hemos visto cómo clculr ls diferentes entropís y conocemos exctmente qué significn cd un de ells, estmos en condiciones de ver cómo podemos vnzr un poco más y construir modelos de predicción. Modelos de Predicción U n vez que hemos construido el mp de informción que relcion cd señl de entrd con l de l slid, es posible usr lgún tipo de función que represente est relción Dt Mining bsdo en Teorí de l Informción 14 Agosto 2007

15 Comenzmos con el mp de informción que relcion e. Recordemos que ls vribles que componen l señl de entrd y hn sido grupds pr logrr mximizr l representtividd y minimizr el ruido. A hor es posible grupr ls señles de slid fin de minimizr ruido y mximizr l señl útil Solo rest encontrr un función de trnsferenci que relcione los grupos (chunks o bins) de l entrd, con los grupos de l slid Gr upos E ntrd Grupos Slid Dt Mining bsdo en Teorí de l Informción 15 Agosto 2007

16 Resumen de todo el proceso Comenzmos con un tbl de dtos que contiene vribles que servirán pr hcer predicciones respecto de otr vrible. En estdístic, ls primers son llmds vribles independientes y l vrible predecir se l llm vrible dependiente. En Teorí de l Informción, ls primers son llmds vribles de entrd (Inputs) y l vrible predecir se llm vrible de slid (Output). Ls vribles de entrd son grupds pr que sen lo más representtivs posible y su vez contengn l myor informción libre de ruido. L combinción de ests vribles en cd cso (fil) de l tbl represent un estdo o mensje del sistem. Cd uno de estos mensjes llev informción respecto de l vrible de slid. Est informción se mide por medio de l entropí. Cundo el mismo mensje es usdo por distintos csos pr relcionr distintos estdos de l slid, decimos que existe ruido. El ruido es indeseble porque enmscr l señl y no nos permite obtener el mensje correcto. L informción que se trnsmite desde l entrd l slid se clcul como l informción recibid menos el ruido. Est informción trnsmitid se puede usr pr predecir los vlores de l vrible de slid. Un de ls grndes ventjs de medir informción es que podemos conocer de ntemno si los dtos con que contmos serán suficientes pr predecir un vrible de interés o no. Dicho de otro modo, si l informción que se trnsmite de l entrd l slid es muy bj, ningun herrmient de modeldo será cpz de hcer un buen trbjo. Si no existe informción, no hy mner de relizr un modelo, no import si lo intentmos con un red neuronl, un árbol de decisión o un lgoritmo sombroso y recién descubierto. Es posible rmr un mp que vincule los mensjes o señl de entrd con los mensjes de l slid. Si su vez encontrmos un función linel de trnsferenci propid, podremos relizr predicciones de l slid en bse l entrd. Vribles Vribles Agrupds Mensje Mp de Informción Grupos Entrd Grupos Slid Vlor de slid más probble Dt Mining bsdo en Teorí de l Informción 16 Agosto 2007

17 Si bien este gráfico muestr todo el proceso, el modelo puede ser visto directmente en términos de los vlores originles de ls vribles y un vlor predicho. O se, todo el proceso interno de reducción del ruido, incremento de l representtividd y mpeo de l informción psrí ser un proceso completmente trnsprente. Cbe clrr que si bien l función de trnsferenci es linel, el modelo como un todo (chunking, mp de informción y función de trnsferenci) es cpz de trtr con relciones lineles y no lineles. Si bien en este ejemplo se usó un función linel de trnsferenci pr relcionr informción de entrd y de slid, tmbién podrímos hber usdo un conjunto de regls. Bining Hst hor nos referimos un método llmdo Bining pr grupr vlores de vribles numérics. Recordemos que cd vez que grupmos vlores, perdemos informción. Pero no tods ls grupciones posibles pierden l mism cntidd de informción. Por ejemplo, supongmos que queremos obtener 10 grupos o bins de un vrible con rngo Un mner de grupr los vlores podrí ser medinte subrngos, por ejemplo, un grupo contendrá los vlores de 1 10, el otro de 11 20, y sí sucesivmente. Otro podrí ser de 1 35 el primer grupo, de el segundo, y distintos puntos de corte hst logrr los 10 grupos. Lo más probble es que ests dos grupciones hyn perdido diferente cntidd de informción. Existe un lgoritmo llmdo LIL (Lest Informtion Lost) que permite encontrr un mner de grupr los vlores pr que l informción perdid se l mínim. Ventjs en el uso de l Teorí de l Informción Existen un ventj fundmentl y vris que son un consecuenci del enfoque. Un vez que se cuent con los dtos y se debe encontrr un modelo de predicción, lo norml es que se sum que estos dtos contienen informción suficiente pr que el modelo se de utilidd. Con un enfoque bsdo en l Teorí de l Informción, en vez de sumir que los dtos contienen informción, podemos medir l cntidd de informción contenid. Este enfoque evit que nveguemos ciegs en un mr de dtos. Si los dtos no contienen informción, pr qué molestrse en encontrr un buen modelo? Además de conocer l informción trnsmitid, tmbién es posible conocer otro tipo de informción como es el ruido y l equivocción que nos permitirán hcer un nálisis llmdo Dt Survey, en el que se mirn los dtos como un todo en busc de posibles problems. Pr más informción referirse l cpítulo 11 del libro Dt Preprtion for Dt Mining de Dorin Pyle. L selección de un grupo de vribles es siempre un problem. En generl los métodos exhustivos son prohibitivos debido que si se intent buscr l mejor combinción entre un grupo grnde de vribles, el tiempo de CPU es enorme. Reducir l cntidd de vribles medinte lgun combinción de ls misms, por ejemplo encontrndo ls Dt Mining bsdo en Teorí de l Informción 17 Agosto 2007

18 Componentes Principles, es lgo que no yud demsido, y que el modelo finl estrá bsdo en tods ls vribles y trtr de entenderlo será un tre csi imposible. Poder medir l cntidd de informción que un o más vribles llevn respecto de l vrible de interés, nos permite un método óptimo pr encontrr un grupo de vribles que lleve l myor cntidd posible de informción. El método es muy simple: Primero se seleccion l vrible con myor informción posible sobre l vrible de interés. Luego se debe seleccionr l vrible que myor informción dicionl port, considerndo l informción que y portron ls vribles previmente seleccionds. Se continú de l mism mner hst que l informción gnd no justifique l pérdid de representtividd de l muestr. Pr myor informción referirse l documento Feture Selection disponible en Otro tem muy importnte pr modelr dtos es l preprción de los mismos, unque desfortundmente es l etp menos desrrolld en l myorí de los proyectos de Dt Mining debido fundmentlmente l complejidd que encierr el tem. Pr scrle el jugo los dtos hy que preprrlos previmente, o se, hy que trnsformrlos de lgun mner. Por ejemplo, si l distribución de un vrible tiene un lrg col, usr es vrible sin modificrl es desperdicir l informción que podrí contener. Tmbién veces es necesrio signr vlores vribles no numérics (por ejemplo, estdo civil, CP, profesión, etc), pero hcerlo l zr, como es l práctic común, destruye l estructur multidimensionl de los dtos y hce muy complicdo el trbjo de l herrmient que intent scr informción de los dtos. Preprr los dtos normlmente tom entre el 60% y el 90% del tiempo totl del proyecto. Un de ls consecuencis del proceso de chunking y mpeo de l informción es que los dtos quedn preprdos en form utomátic. Otr posibilidd que brind l Teorí de l Informción es comprr el rendimiento de un modelo con respecto l informción contenid en los dtos. No siempre es posible obtener tod l informción disponible en los dtos. Si un modelo no logr cpturr tod l informción, entonces l informción de sus predicciones será menor que l informción disponible en los dtos. Podemos clculr l eficienci de un modelo como sigue: E = Informción Modelo Informción Dtos Si un modelo tiene un eficienci del 5% hbrá que nlizr por qué cpturó tn poc informción y ver si es posible mejorrlo medinte l configurción de sus prámetros, si es que esto es posible (un red neuronl tiene vrios prámetros pr elegir, en cmbio un modelo bsdo en un función de trnsferenci linel podrí no tener ningún prámetro). En cmbio si el modelo cpturó un 80% de l informción disponible, podremos estr csi seguros de que hemos logrdo lo mejor ddos los dtos con que contmos. Dt Mining bsdo en Teorí de l Informción 18 Agosto 2007

19 En síntesis, lguns de ls ventjs que se logrn l usr l Teorí de l Informción pr nlizr y modelr dtos son: 1. Es posible crcterizr l informción contenid en los dtos y clculr l informción útil, el ruido y l equivocción 2. Es posible filtrr el ruido y logrr que l informción se más representtiv 3. Es posible seleccionr, de un conjunto grnde de vribles, quells con myor informción 4. En el proceso de chunking y mpeo de l informción se produce un vlor gregdo: l preprción utomátic de ls vribles. 5. Los modelos de predicción que se pueden rmr son muy simples de entender 6. Es posible medir l eficienci de un modelo de predicción (qué cntidd de informción disponible cpturó) Referencis Pyle, Dorin, Dt Modeling nd Dt Mining, Morgn Kufmnn, 2003 Pyle, Dorin, Dt Preprtion for Dt Mining, Morgn Kufmnn, 1999 McKy, Dvid J.C., Informtion Theory, Inferences, nd Lerning Algorithms, 2001 Shnnon, Clude y Wever, Wrren, The Mthemticl Theory of Communiction, University of Illinois Press, 1998 Documentos y rtículos del sitio web de Powerhouse Dt Mining bsdo en Teorí de l Informción 19 Agosto 2007

Información Relevante y Confiable, por favor. Marcelo Ferreyra

Información Relevante y Confiable, por favor. Marcelo Ferreyra Informción Relevnte y Confible, por fvor Mrcelo Ferreyr L Informción El Mundo gener Dtos i Los Dtos contienen Informción Los Modelos codificn es Informción L Informción El modelo es un cnl de informción

Más detalles

1 VECTORES 1. MAGNITUDES ESCALARES Y VECTORIALES. Un mgnitud es un concepto bstrcto. Se trt de l ide de lgo útil que es necesrio medir. Ncen sí mgnitudes como l longitud, que represent l distnci entre

Más detalles

Factorización de polinomios. Sandra Schmidt Q. sschmidt@tec.ac.cr Escuela de Matemática Instituto Tecnológico de Costa Rica

Factorización de polinomios. Sandra Schmidt Q. sschmidt@tec.ac.cr Escuela de Matemática Instituto Tecnológico de Costa Rica Artículo de sección Revist digitl Mtemátic, Educción e Internet (www.cidse.itcr.c.cr/revistmte/). Vol. 12, N o 1. Agosto Ferero 2012. Fctorizción de polinomios. Sndr Schmidt Q. sschmidt@tec.c.cr Escuel

Más detalles

TRABAJO PRACTICO No 7. MEDICION de DISTORSION EN AMPLIFICADORES DE AUDIO

TRABAJO PRACTICO No 7. MEDICION de DISTORSION EN AMPLIFICADORES DE AUDIO TRBJO PRCTICO No 7 MEDICION de DISTORSION EN MPLIFICDORES DE UDIO INTRODUCCION TEORIC: L distorsión es un efecto por el cul un señl pur (de un únic frecuenci) se modific preciendo componentes de frecuencis

Más detalles

MATRICES DE NÚMEROS REALES

MATRICES DE NÚMEROS REALES MTRICES. MTURITS Luis Gil Guerr.- DEFINICIÓN MTRICES DE NÚMEROS RELES Llmmos mtriz de números reles de orden m x n un conjunto ordendo de m. n números reles dispuestos en m fils y en n columns i m i m

Más detalles

Tema 5. Trigonometría y geometría del plano

Tema 5. Trigonometría y geometría del plano 1 Tem. Trigonometrí y geometrí del plno 1. Rzones trigonométrics de un ángulo gudo Ddo un ángulo culquier, si desde un punto, A, de uno de sus ldos se trz su proyección, A, sobre el otro ldo se obtiene

Más detalles

TABLA DE DISTRIBUCIÓN DE FRECUENCIAS

TABLA DE DISTRIBUCIÓN DE FRECUENCIAS TABLA DE DISTRIBUCIÓN DE FRECUENCIAS L.C. y Mtro. Frncisco Jvier Cruz Ariz L.C. y Mtro. Frncisco Jvier Cruz Ariz TABLA DE DISTRIBUCIÓN DE FRECUENCIAS Un mner de simplificr los dtos es usr un tbl de frecuenci

Más detalles

O(0, 0) verifican que. Por tanto,

O(0, 0) verifican que. Por tanto, Jun Antonio González Mot Proesor de Mtemátics del Colegio Jun XIII Zidín de Grnd SIMETRIA RESPECTO DEL ORIGEN. FUNCIONES IMPARES: Un unción es simétric respecto del origen O, su simétrico respecto de O

Más detalles

Integrales impropias

Integrales impropias Integrles impropis En todo el estudio hecho hst hor se hn utilizdo dos propieddes fundmentles: l función tení que ser cotd y el intervlo de integrción tení que ser cerrdo y cotdo. En est últim sección

Más detalles

Espacios vectoriales y Aplicaciones Lineales II: Núcleo e imagen. Diagonalización. Ker(f) = {x V f(x) = 0} Im(f) = {f(x) x V}.

Espacios vectoriales y Aplicaciones Lineales II: Núcleo e imagen. Diagonalización. Ker(f) = {x V f(x) = 0} Im(f) = {f(x) x V}. UNIVERSIDAD DE JAÉN ESCUELA POLITÉCNICA SUPERIOR Deprtmento de Mtemátics (Áre de Álgebr) Curso 28/9 PRÁCTICA Nº Espcios vectoriles y Aplicciones Lineles II: Núcleo e imgen. Digonlizción. NÚCLEO E IMAGEN

Más detalles

Modelo 2014. Problema 1B.- (Calificación máxima: 2 puntos) Se considera el sistema lineal de ecuaciones dependiente del parámetro real a:

Modelo 2014. Problema 1B.- (Calificación máxima: 2 puntos) Se considera el sistema lineal de ecuaciones dependiente del parámetro real a: odelo. Proble B.- (Clificción ái puntos) Se consider el siste linel de ecuciones dependiente del práetro rel ) Discútse en función de los vlores del práetro R. b) Resuélvse pr.. l siste se clsific en función

Más detalles

EXPRESIONES ALGEBRAICAS. POLINOMIOS

EXPRESIONES ALGEBRAICAS. POLINOMIOS EXPRESIONES ALGEBRAICAS. POLINOMIOS A. EXPRESIONES ALGEBRAICAS. Cundo se quiere indicr un número no conocido, un cntidd o un expresión generl de l medid de un mgnitud (distnci, superficie, volumen, etc

Más detalles

CONTROL DE PROCESOS FACET UNT TEMA 1 Nota Auxiliar B ÁLGEBRA DE BLOQUES

CONTROL DE PROCESOS FACET UNT TEMA 1 Nota Auxiliar B ÁLGEBRA DE BLOQUES Digrms en Bloques Un sistem de control puede constr de ciert cntidd de componentes. Pr mostrr ls funciones que reliz cd componente se costumr usr representciones esquemátics denominds Digrm en Bloques.

Más detalles

Repartido N 5. Limites ISCAB 3 EMT prof. Fernando Diaz

Repartido N 5. Limites ISCAB 3 EMT prof. Fernando Diaz Reprtido N 5 Limites ISCAB EMT prof. Fernndo Diz El resultdo de un límite es un vlor de y en un función cundo el vlor de se proim mucho un vlor ddo sin llegr ser igul él. Es cercrse mucho un vlor en pr

Más detalles

A modo de repaso. Preliminares

A modo de repaso. Preliminares UNIDAD I A modo de repso. Preliminres Conjuntos numéricos. Operciones. Intervlos. Conjuntos numéricos Los números se clsificn de cuerdo con los siguientes conjuntos: Números nturles.- Son los elementos

Más detalles

APUNTES DE MATEMÁTICAS

APUNTES DE MATEMÁTICAS APUNTES DE MATEMÁTICAS TEMA 8: FUNCIONES.LÍMITES º BACHILLERATO FUNCIONES.Límites y continuidd ÍNDICE. LíMITES Y CONTINUIDAD DE FUNCIONES...3. Definición límite de un función en un punto...4 3. Definición

Más detalles

INFORME DE LA PRÁCTICA nº 2: LA RUEDA DE MAXWELL. Fernando Hueso González. Carlos Huertas Barra. (1º Fís.), L1, 21-XI-07 - 0 -

INFORME DE LA PRÁCTICA nº 2: LA RUEDA DE MAXWELL. Fernando Hueso González. Carlos Huertas Barra. (1º Fís.), L1, 21-XI-07 - 0 - INFORME DE LA PRÁCTICA nº : LA RUEDA DE MAXWELL Fernndo Hueso González. Crlos Huerts Brr. (1º Fís.), L1, 1-XI-7 - - RESUMEN L práctic de l rued de Mxwell consiste en medir el tiempo que trd en descender

Más detalles

MANUAL DE USO PARA LA GESTIÓN ON LINE DE SU PÓLIZA COLECTIVA

MANUAL DE USO PARA LA GESTIÓN ON LINE DE SU PÓLIZA COLECTIVA IMPRIMIR PORTAL SANITAS EMPRESAS MANUAL DE USO PARA LA GESTIÓN ON LINE DE SU PÓLIZA COLECTIVA Snits pone su disposición el portl de Empress, un herrmient on line muy útil que le permitirá gestionr todos

Más detalles

Máximo común divisor. 2. Descomposición en primos Ejemplo. Encontrar mcd 504,300 Se descomponen ambos números en primos 504 2 252 2 126 2 63 3 21 3

Máximo común divisor. 2. Descomposición en primos Ejemplo. Encontrar mcd 504,300 Se descomponen ambos números en primos 504 2 252 2 126 2 63 3 21 3 Máximo común divisor El máximo común divisor de dos números nturles y es el número más grnde que divide tnto como. se denot mcd,. Lists: (tl vez, el más intuitivo, pero el menos eficiente) Encontrr mcd

Más detalles

TEMA 5 LÍMITES Y CONTINUIDAD DE FUNCIONES

TEMA 5 LÍMITES Y CONTINUIDAD DE FUNCIONES TEMA 5 LÍMITES Y CONTINUIDAD DE FUNCIONES 5.1. LÍMITE DE UNA FUNCIÓN EN UN PUNTO. LÍMITES LATERALES 5.1.1. Concepto de tendenci Decimos que " tiende " si tom los vlores de un sucesión que se proim. Se

Más detalles

7.1. Definición de integral impropia y primeras propiedades

7.1. Definición de integral impropia y primeras propiedades Cpítulo 7 Integrles impropis 7.. Definición de integrl impropi y primers propieddes El concepto de integrl se etiende de mner csi espontáne situciones más generles que ls que hemos emindo hst hor. Consideremos,

Más detalles

CONSIDERACIONES SOBRE LAS COMPUERTAS

CONSIDERACIONES SOBRE LAS COMPUERTAS Abril de 006 CONSDERACONES SOBRE LAS COMPUERTAS Cátedr de Mecánic de los Fluidos Escuel de ngenierí Mecánic Autores: ngeniero Edgr Blbstro ngeniero Gstón Bourges e-mil: gbourges@fcei.unr.edu.r 1 Abril

Más detalles

FUNCIONES ELEMENTALES

FUNCIONES ELEMENTALES FUNCIONES ELEMENTALES.- FUNCIONES POLINÓMICAS.- Funciones Lineles Son funciones cu le es un polinomio de primer grdo, es decir, f() = m + n Sus gráfics son rects pr representrls bst con obtener dos puntos

Más detalles

DETERMINANTES. Determinante es la expresión numérica de una matriz. Según el orden de la matriz el determinante se resuelve de distintas formas:

DETERMINANTES. Determinante es la expresión numérica de una matriz. Según el orden de la matriz el determinante se resuelve de distintas formas: ÁLGEBR Educgui.com DETERMINNTES Determinnte es l expresión numéric de un mtriz. Según el orden de l mtriz el determinnte se resuelve de distints forms: DETERMINNTE DE SEGUNDO ORDEN Pr poder solucionr un

Más detalles

Tema 3. DETERMINANTES

Tema 3. DETERMINANTES Tem. DETERMINNTES Definición de determinnte El determinnte de un mtriz cudrd es un número. Pr l mtriz, su determinnte se denot por det() o por. Pr un mtriz de orden,, se define: Ejemplo: Pr un mtriz de

Más detalles

Resolución de circuitos complejos de corriente continua: Leyes de Kirchhoff.

Resolución de circuitos complejos de corriente continua: Leyes de Kirchhoff. Resolución de circuitos complejos de corriente continu: Leyes de Kirchhoff. Jun P. Cmpillo Nicolás 4 de diciemre de 2013 1. Leyes de Kirchhoff. Algunos circuitos de corriente continu están formdos por

Más detalles

TEMA 1: FUNCIONES. LÍMITES Y CONTINUIDAD

TEMA 1: FUNCIONES. LÍMITES Y CONTINUIDAD Conceptos preinres TEMA : FUNCIONES. LÍMITES Y CONTINUIDAD Un función es un relción entre dos mgnitudes, de tl mner que cd vlor de l primer le sign un único vlor de l segund. Si A y B son dos conjuntos,

Más detalles

MATRICES Y DETERMINANTES CCNN

MATRICES Y DETERMINANTES CCNN NOCIONES BÁSICAS Ls mtrices precen como consecuenci de ordenr los números en form de fils y columns. Ls línes horizontles se llmn fils, mientrs que ls línes verticles se llmn columns. - fil - column Pr

Más detalles

103.- Cuándo un contrato de arrendamiento puede considerarse de tipo financiero?

103.- Cuándo un contrato de arrendamiento puede considerarse de tipo financiero? 103.- Cuándo un contrto pue consirrse tipo finnciero? Autor: Gregorio Lbtut Serer. Universidd Vlenci. Según el PGC Pymes, y el nuevo PGC, un contrto se clificrá como finnciero, cundo ls condiciones económics

Más detalles

El conjunto de los números naturales tiene las siguientes características

El conjunto de los números naturales tiene las siguientes características CAPÍTULO Números Podemos decir que l noción de número nció con el homre. El homre primitivo tení l ide de número nturl y prtir de llí, lo lrgo de muchos siglos e intenso trjo, se h llegdo l desrrollo que

Más detalles

Universidad Central de Venezuela Facultad de Farmacia Matemática - Física Prof. J. R. Morales

Universidad Central de Venezuela Facultad de Farmacia Matemática - Física Prof. J. R. Morales Universidd Centrl de Venezuel Fcultd de Frmci Mtemátic - Físic Prof J R Morles Guí de Vectores (Resumen de l Teorí) 1 En físic distinguiremos dos tipos de cntiddes: vectoriles esclres Ls cntiddes vectoriles

Más detalles

TEOREMA 1 (Criterio de la segunda derivada para extremos relativos)

TEOREMA 1 (Criterio de la segunda derivada para extremos relativos) .0. Problems de plicciones de máximos y mínimos En est sección se muestr como usr l primer y segund derivd de un función en l búsqued de vlores extremos en los llmdos: problems de plicciones o problems

Más detalles

FUNCIONES ELEMENTALES

FUNCIONES ELEMENTALES FUNCIONES ELEMENTALES.- FUNCIONES POLINÓMICAS.- Funciones Lineles Son funciones cu le es un polinomio de primer grdo, es decir, f() m + n Sus gráfics son rects pr representrls bst con obtener dos puntos

Más detalles

INSTITUTO VALLADOLID PREPARATORIA Página 105 ELIPSE

INSTITUTO VALLADOLID PREPARATORIA Página 105 ELIPSE INSTITUTO VALLADOLID PREPARATORIA Págin 05 6 LA ELIPSE 6. DEFINICIONES L elipse es el lugr geométrico de todos los puntos cuy sum de distncis dos puntos fijos, llmdos focos, es constnte. En l figur 6.,

Más detalles

Pruebas t para una y dos muestras independientes

Pruebas t para una y dos muestras independientes Densidd Densidd AGRO 55 LAB 9 Pruebs t pr un y dos muestrs independientes 1. Clcule ls siguientes probbiliddes usndo l tbl t e InfoStt. Incluy un digrm en cd cso.. P(T>1.356) si gl=1 b. P(T

Más detalles

PROBLEMAS RESUELTOS SUMA DE VECTORES METODO GEOMÉTRICO

PROBLEMAS RESUELTOS SUMA DE VECTORES METODO GEOMÉTRICO PROBLEMAS RESUELTOS SUMA DE VECTORES METODO GEOMÉTRICO 1. Los vectores mostrdos en l figur tienen l mism mgnitud (10 uniddes) El vector (+c) + (d+) - c, es de mgnitud: c ) 0 ) 0 c) 10 d) 0 e) 10 d Este

Más detalles

Espacios vectoriales y Aplicaciones Lineales I: Bases y coordenadas. Aplicaciones lineales.

Espacios vectoriales y Aplicaciones Lineales I: Bases y coordenadas. Aplicaciones lineales. UNIVERSIDAD DE JAÉN ESCUEA POITÉCNICA SUPERIOR Deprtmento de Mtemátics (Áre de Álgebr) Curso 009/10 PRÁCTICA Nº9 Espcios vectoriles y Aplicciones ineles I: Bses y coordends. Aplicciones lineles. Recordemos

Más detalles

Curvas en el plano y en el espacio

Curvas en el plano y en el espacio Cpítulo 1 Curvs en el plno y en el espcio 1.1. Curvs prmetrizds Definición 1.1.1 (Curv prmetrizd). Un curv prmetrizd diferencible α : I R n, es un plicción de clse C, donde I R es un intervlo bierto, que

Más detalles

I.E.S. PADRE SUÁREZ Álgebra Lineal 1 TEMA I MATRICES. DETERMINANTES.

I.E.S. PADRE SUÁREZ Álgebra Lineal 1 TEMA I MATRICES. DETERMINANTES. I.E.S. PDRE SUÁREZ Álgebr Linel TEM I. Mtrices.. Operciones con mtrices. Determinnte de un mtriz cudrd.. Mtriz invers de un mtriz cudrd. MTRICES. DETERMINNTES.. MTRICES. Llmmos mtriz de números reles,

Más detalles

Tema 3: Sistemas de ecuaciones lineales

Tema 3: Sistemas de ecuaciones lineales Tem 3: Sistems de ecuciones lineles 1. Introducción Los sistems de ecuciones resuelven problems relciondos con situciones de l vid cotidin, que tiene que ver con ls Ciencis Sociles. Nos centrremos, por

Más detalles

Regla de Sarrus: Para recordar con mayor facilidad el desarrollo del determinante de orden 3, podemos usar esta regla:

Regla de Sarrus: Para recordar con mayor facilidad el desarrollo del determinante de orden 3, podemos usar esta regla: UNIDD 8: Determinntes. DETERMINNTES DE ORDEN Y Definición: Pr un mtriz cudrd de orden, por det( ) ó, l siguiente nº rel: det( ) = = = Definición: Pr un mtriz cudrd de orden, not por det( ) ó, l siguiente

Más detalles

UNIDAD 8.- Determinantes (tema 2 del libro)

UNIDAD 8.- Determinantes (tema 2 del libro) UNIDD 8.- Determinntes (tem del libro). DETERMINNTES DE ORDEN Y Definición: Pr un mtriz cudrd de orden, por det( ) ó, l siguiente nº rel: det( ) Definición: Pr un mtriz cudrd de orden, not por det( ) ó,

Más detalles

7. Integrales Impropias

7. Integrales Impropias Ingenierí Mtemátic FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Cálculo Dierencil e Integrl 08-2 Bsdo en el punte del curso Cálculo (2d semestre), de Roerto Cominetti, Mrtín Mtml y Jorge

Más detalles

TEMA 5: Logaritmos y ecuaciones logarítmicas. Tema 5: Logaritmos y ecuaciones logarítmicas 1

TEMA 5: Logaritmos y ecuaciones logarítmicas. Tema 5: Logaritmos y ecuaciones logarítmicas 1 TEMA : Logritmos y ecuciones rítmics Tem : Logritmos y ecuciones rítmics ESQUEMA DE LA UNIDAD.- Logritmos...- Logritmo de un número rel...- Logritmos decimles y neperinos..- Propieddes de los ritmos..-

Más detalles

TEOREMA 1 (Criterio de la segunda derivada para extremos relativos)

TEOREMA 1 (Criterio de la segunda derivada para extremos relativos) .. Problems de plicciones de máimos y mínimos En est sección se muestr como usr l primer y segund derivd de un función en l búsqued de vlores etremos en los llmdos: problems de plicciones o problems de

Más detalles

el blog de mate de aida.: ECUACIONES 4º ESO pág. 1 ECUACIONES

el blog de mate de aida.: ECUACIONES 4º ESO pág. 1 ECUACIONES el blog de mte de id.: ECUACIONES º ESO pág. ECUACIONES ECUACIONES DE SEGUNDO GRADO Un ecución de segundo grdo tiene l form generl: +b+c=0. (El primer sumndo del primer miembro no puede ser nunc nulo,

Más detalles

MODELOS ALEATORIOS PARA EL TIPO DE INTERÉS REAL

MODELOS ALEATORIOS PARA EL TIPO DE INTERÉS REAL MODELOS ALEATORIOS PARA EL TIPO DE INTERÉS REAL RAFAEL HERRERÍAS PLEGUEZUELO EDUARDO PÉREZ RODRÍGUEZ Deprtmento de Economí Aplicd Universidd de Grnd. INTRODUCCIÓN Se supone que el Sr. Corto dispone de

Más detalles

3. FUNCIONES VECTORIALES DE UNA VARIABLE REAL

3. FUNCIONES VECTORIALES DE UNA VARIABLE REAL 3. FUNCIONES VECTORIALES DE UNA VARIABLE REAL INDICE 3.1. Definición de función vectoril de un vrile rel, dominio y grficción.2 3.2. Límites y continuidd..3 3.3. Derivción de funciones vectoriles y sus

Más detalles

FUNDAMENTOS DE PROGRAMACIÓN LINEAL

FUNDAMENTOS DE PROGRAMACIÓN LINEAL 18 de Septiembre de 2017 FUNDAMENTOS DE PROGRAMACIÓN LINEAL Ingenierí Industril Ingenierí Informátic Fcultd de Ingenierí Universidd Ctólic Andrés Bello Progrmción Linel José Luis Quintero 1 Puntos trtr

Más detalles

manual de normas gráficas

manual de normas gráficas mnul de norms gráfics Normtiv gráfic pr el uso del mrc de certificción de Bioequivlenci en remedios genéricos. mnul de norms gráfics BIenvenido l mnul de mrc del logo Bioequivlente L obtención de l condición

Más detalles

REPASO DE MEDIDAS DE ÁNGULOS Y EQUIVALENCIAS

REPASO DE MEDIDAS DE ÁNGULOS Y EQUIVALENCIAS TRIIGONOMETRÍÍA REPASO DE MEDIDAS DE ÁNGULOS Y EQUIVALENCIAS Recuerd que los ángulos los medímos en grdos o en rdines. Además, los grdos podín dividirse en minutos segundos, de form similr como se distribuen

Más detalles

Fórmulas de Vieta. Entrenamiento extra Qué es el tiempo? Por: Argel. 5x 3 11x 2 + 7x + 3

Fórmulas de Vieta. Entrenamiento extra Qué es el tiempo? Por: Argel. 5x 3 11x 2 + 7x + 3 Fórmuls de Viet Entrenmiento extr Qué es el tiempo? Por: Argel Resumen En el presente mteril se trtrá con un cuestión relciond con ls ríces de un polinomio, en l que se estblece un serie de relciones entre

Más detalles

Capítulo 5. Medición de la Distancia por Medio de Triangulación

Capítulo 5. Medición de la Distancia por Medio de Triangulación Cpítulo 5. Medición de l Distnci por Medio de Tringulción 5.1 Introducción Hemos visto cómo medir l distnci de un objeto un cámr cundo dicho objeto es cptdo por un sol cámr; sin embrgo, cundo el objeto

Más detalles

De preferencia aquella que tenga algún 1 como elemento. Mejor aún si conteniendo el 1 también tiene elementos iguales a cero.

De preferencia aquella que tenga algún 1 como elemento. Mejor aún si conteniendo el 1 también tiene elementos iguales a cero. DETERMINANTE DE UNA MATRIZ DE ORDEN O MÁS PREGUNTA Clculr los determinntes siguientes ) ) c) RESOLUCIÓN Pr resolver el determinnte de un mtriz cudrd de orden o más es recomendle plicr el método de Reducción

Más detalles

Tratamiento contable y presupuestario de las operaciones de inversión de excedentes temporales de Tesorería.

Tratamiento contable y presupuestario de las operaciones de inversión de excedentes temporales de Tesorería. CONSULTA DE LA IGAE Nº 13/1995 FORMULADA POR VARIAS CORPORACIONES LOCALES, EN RELACIÓN CON EL TRATAMIENTO CONTABLE DE LA RENTABILIZACIÓN DE EXCEDENTES TEMPORALES DE TESORERÍA. CONSULTA En virtud de ls

Más detalles

56 CAPÍTULO 2. CÁLCULO ALGEBRAICO. SECCIÓN 2.4 Resolución de Ecuaciones de Segundo Grado

56 CAPÍTULO 2. CÁLCULO ALGEBRAICO. SECCIÓN 2.4 Resolución de Ecuaciones de Segundo Grado 56 CAPÍTULO. CÁLCULO ALGEBRAICO SECCIÓN.4 Resolución de Ecuciones de Segundo Grdo Introducción Hemos estudido cómo resolver ecuciones lineles, que son quells que podemos escribir de l form x + b = 0. Si

Más detalles

LÍMITES DE FUNCIONES

LÍMITES DE FUNCIONES LÍMITES DE FUNCIONES Se dice que un función y f() tiene límite "L" cundo l tiende "" y lo representmos por: f() L cundo pr tod sucesión de números reles que se proime "" tnto como quermos, los vlores correspondientes

Más detalles

Integración numérica I

Integración numérica I Tems Regl del rectángulo. Regl del trpecio. Cpciddes Conocer y plicr l regl del rectángulo. Conocer y plicr l regl del trpecio. 1.1 Introducción Como y se h visto, pr clculr el vlor excto de un integrl

Más detalles

Matemáticas Empresariales I. Integral Definida

Matemáticas Empresariales I. Integral Definida Mtemátics Empresriles I Lección 8 Integrl Definid Mnuel León Nvrro Colegio Universitrio Crdenl Cisneros M. León Mtemátics Empresriles I 1 / 31 Construcción de l integrl definid Se f un función definid

Más detalles

MATRICES Y DETERMINANTES

MATRICES Y DETERMINANTES MTRICES Y DETERMINNTES. Definición de mtriz.. Tipos de mtrices.. Sum de mtrices.. Producto de un número rel por un mtriz.. Producto de mtrices.. Ejercicios. Determinnte de un mtriz. 8. Menor complementrio

Más detalles

UNIVERSIDAD CARLOS III DE MADRID. Departamento de Matemáticas CAPÍTULO 4 CURSO PREPARATORIO DE LA PRUEBA DE ACCESO A LA UNIVERSIDAD CURSO

UNIVERSIDAD CARLOS III DE MADRID. Departamento de Matemáticas CAPÍTULO 4 CURSO PREPARATORIO DE LA PRUEBA DE ACCESO A LA UNIVERSIDAD CURSO UNIVERSIDAD CARLOS III DE MADRID Deprtmento de Mtemátics MATEMÁTICAS CAPÍTULO 4 CURSO PREPARATORIO DE LA PRUEBA DE ACCESO A LA UNIVERSIDAD CURSO 2010 2011 Elbordo por Elen Romer Índice generl 4. Cálculo

Más detalles

Primer octante Segundo octante Tercer octante Cuarto octante P ( X, Y, Z ) P (-X, Y, Z ) P (-X,-Y, Z ) P ( X,-Y, Z )

Primer octante Segundo octante Tercer octante Cuarto octante P ( X, Y, Z ) P (-X, Y, Z ) P (-X,-Y, Z ) P ( X,-Y, Z ) Cpítulo III. Álgebr vectoril Objetivo: El lumno plicrá el álgebr vectoril en l resolución de problems geométricos. Contenido: 3.1 Sistem crtesino en tres dimensiones. Simetrí de puntos. 3. Cntiddes esclres

Más detalles

INGENIERIA DE EJECUCION EN CLIMATIZACION 15082-15202

INGENIERIA DE EJECUCION EN CLIMATIZACION 15082-15202 UNIVERSIDAD DE SANTIAGO DE CHILE FACULTAD DE INGENIERÍA Deprtmento de Ingenierí Mecánic CAV/mm. INGENIERIA DE EJECUCION EN CLIMATIZACION 15082-15202 ASIGNATURA MECANICA DE FLUIDOS NIVEL 04 EXPERIENCIA

Más detalles

PROBLEMAS DE OPTIMIZACIÓN

PROBLEMAS DE OPTIMIZACIÓN PROBLEMAS DE OPTIMIZACIÓN Plntemiento y resolución de los problems de optimizción Se quiere construir un cj, sin tp, prtiendo de un lámin rectngulr de cm de lrg por de nch. Pr ello se recortrá un cudrdito

Más detalles

APLICACIONES LINEALES: Núcleo e Imagen de una aplicación lineal.

APLICACIONES LINEALES: Núcleo e Imagen de una aplicación lineal. Universidd de Jén Deprtmento de Mtemátics (Áre de Álgebr) Curso 2014/15 PRÁCTICA Nº 12 APICACIONES INEAES: Núcleo e Imgen de un plicción linel. Con est práctic se pretende revisr l definición de plicción

Más detalles

51 EJERCICIOS DE VECTORES

51 EJERCICIOS DE VECTORES 51 EJERCICIOS DE VECTORES 1. ) Representr en el mismo plno los vectores: = (3,1) b = ( 1,5) c = (, 4) = ( 3, 1) i = (1,0) j = (0,1) e = (3,0) f = (0, 5) b) Escribir ls coorens e los vectores fijos e l

Más detalles

MATRICES Y DETERMINANTES. ESTUDIO DE LA COMPATIBILIDAD DE SISTEMAS. APLICACIONES

MATRICES Y DETERMINANTES. ESTUDIO DE LA COMPATIBILIDAD DE SISTEMAS. APLICACIONES Mtrices. Estudio de l comptibilidd de sistems Abel Mrtín & Mrt Mrtín Sierr MATRICES Y DETERMINANTES. ESTUDIO DE LA COMPATIBILIDAD DE SISTEMAS. APLICACIONES. Actividd propuest Escribe un mtri A de dimensión

Más detalles

Tema 4. Integración de Funciones de Variable Compleja

Tema 4. Integración de Funciones de Variable Compleja Tem 4. Integrción de Funciones de Vrible omplej Prof. Willim L ruz Bstids 7 de octubre de 22 Tem 4 Integrción de Funciones de Vrible omplej 4. Integrl definid Se F (t) un función de vrible rel con vlores

Más detalles

Señaléticas Diseño gráfico de señales

Señaléticas Diseño gráfico de señales Señlétics Diseño gráfico de señles El cálculo de perímetros y áres de figurs plns es de grn utilidd en l vid práctic, pues l geometrí se encuentr presente en tods prtes. En un min subterráne, ls señles

Más detalles

CÁLCULO DIFERENCIAL E INTEGRAL EJERCICIOS PRIMERA FASE

CÁLCULO DIFERENCIAL E INTEGRAL EJERCICIOS PRIMERA FASE CÁLCULO DIFERENCIAL E INTEGRAL EJERCICIOS PRIMERA FASE CONCEPTOS CLAVE: FUNCIONES, GRAFICA DE UNA FUNCIÒN, COMPOSICIÒN DE FUNCIONES, INVERSA DE UNA FUNCIÒN, LIMITE DE UNA FUNCIÒN, LIMITES LATERALES, TEOREMAS

Más detalles

3. El logaritmo de una potencia cuya base es igual a la base del logaritmo es igual al exponente de la potencia: Log a a m = m, ya que a m =a m

3. El logaritmo de una potencia cuya base es igual a la base del logaritmo es igual al exponente de la potencia: Log a a m = m, ya que a m =a m LOGARITMOS Ddo un número rel positivo, no nulo y distinto de 1, ( > 0; 0; 1), y un número n positivo y no nulo (n > 0;n 0), se llm ritmo en bse de n l exponente x l que hy que elevr dich bse pr obtener

Más detalles

Estudio de funciones exponenciales y logarítmicas

Estudio de funciones exponenciales y logarítmicas FUNCIÓN EXPONENCIAL Recomendciones l Docente: L ctividd proponer debe puntr que los lumnos puedn nlizr los siguientes spectos: 1. Cómo vrí el gráfico de l función eponencil y de qué depende su monotoní.

Más detalles

INTEGRACIÓN. CÁLCULO DE

INTEGRACIÓN. CÁLCULO DE Cpítulo INTEGRACIÓN. CÁLCULO DE ÁREAS.. Introducción Si el problem del cálculo de l rect tngente llevó los mtemáticos del siglo XVII l desrrollo de ls técnics de l derivción, otro problem, el del cálculo

Más detalles

LÍMITES DE FUNCIONES

LÍMITES DE FUNCIONES LÍMITES DE FUNCIONES IDEA INTUITIVA DE LÍMITE DE UNA FUNCIÓN EN UN PUNTO. Ejemplo : Consideremos l gráic de l unción: si < si > Si tom vlores próimos, distintos de y menores que ej.: 9, 99, 999,, se not

Más detalles

FUNCIONES ELEMENTALES

FUNCIONES ELEMENTALES Unidd didáctic 7. Funciones reles de vrible rel Autors: Glori Jrne, Espernz Minguillón, Trinidd Zbl CONCEPTOS BÁSICOS Se llm función rel de vrible rel culquier plicción f : D R con D Œ R, es decir, culquier

Más detalles

Determinización: Construcción de Safra

Determinización: Construcción de Safra Determinizción: Construcción de Sfr Ddo: Autómt de Büchi A = (Q,Σ,Q 0,δ,F) Supong que Q = {q 1,...,q n }. Vmos construir un utómt de Rin determinist B tl que L ω (A) = L ω (B), donde B está compuesto por:

Más detalles

Curso ON LINE Tema 5. x + y + z = 5 1200x + 600y = 2000 + m z 1200x = 3 m z

Curso ON LINE Tema 5. x + y + z = 5 1200x + 600y = 2000 + m z 1200x = 3 m z Curso ON LINE Tem 5 Un gente inmobilirio puede relir tipos de operciones: vent de un piso nuevo, vent de un piso usdo lquiler. Por l vent de cd piso nuevo recibe un prim de. Si l operción es l vent de

Más detalles

1. Indicar el lenguaje aceptado por los siguientes autómatas :

1. Indicar el lenguaje aceptado por los siguientes autómatas : Universidd Rey Jun Crlos Grdo en Ingenierí de Computdores Máquins Secuenciles, Autómts y Lengujes Hoj de Prolems: Autómts Finitos Determinists Nivel del ejercicio : ( ) ásico, ( ) medio, ( ) vnzdo.. Indicr

Más detalles

FUNCIONES. Analíticamente, la correspondencia anterior se escribe del modo siguiente:

FUNCIONES. Analíticamente, la correspondencia anterior se escribe del modo siguiente: FUNCIONES.- CONCEPTO DE FUNCIÓN Se dice que un correspondenci f definid entre dos conjuntos A B es un función (o plicción), si cd elemento del conjunto A le sign un elemento sólo uno del conjunto B. De

Más detalles

8 - Ecuación de Dirichlet.

8 - Ecuación de Dirichlet. Ecuciones Diferenciles de Orden Superior Prte V III Integrl de Dirichle t Ing. Rmón scl Prof esor Titulr de nálisi s de Señles Sistems Teorí de los Circuit os I I en l UTN, Fcultd Regionl vellned uenos

Más detalles

TEMA VI: ACIDOS Y BASES

TEMA VI: ACIDOS Y BASES www.selectividd-cgrnd.com TEMA VI: ACIDOS Y BASES 1.- El ácido clorocético (ClCH COOH) en concentrción 0,01M y 5 C se encuentr disocido en 1%. Clculr: ) L constnte de disocición de dicho ácido. b) El ph

Más detalles

AUTOMATAS FINITOS Traductores

AUTOMATAS FINITOS Traductores Universidd de Morón Lengujes Formles y Autómts AUTOMATAS FINITOS Trductores AUTOMATAS FINITOS Un utómt finito es un modelo mtemático que posee entrds y slids. Un utomát finito recie los elementos tester

Más detalles

Unidad 10. Sistemas de ecuaciones lineales

Unidad 10. Sistemas de ecuaciones lineales Tem. istems de Ecuciones Unidd. istems de ecuciones lineles. Definiciones, tipos de sistems distints forms de epresrls.. Definición, sistems equivlentes.. Clses de sistems de ecuciones... Epresión de sistems

Más detalles

PbCl (s) Pb (ac) + 2Cl (ac) K = [Pb ][Cl ] = 1,6 10

PbCl (s) Pb (ac) + 2Cl (ac) K = [Pb ][Cl ] = 1,6 10 UNIDAD 10: Equilibrio de solubilidd y precipitción Problems resueltos selecciondos Problem El PbCl (s) no es un compuesto muy soluble en gu. PbCl (s) Pb (c) Cl (c) = [Pb ][Cl ] = 1,6 10 5 PS Clcule l concentrción

Más detalles

CURSO DE MATEMÁTICA 1. Facultad de Ciencias

CURSO DE MATEMÁTICA 1. Facultad de Ciencias CURSO DE MATEMÁTICA 1. Fcultd de Ciencis Reprtido Teórico 1 Mrzo de 2008 1. Conceptos Básicos de Funciones Definiciones 1. Si A y B son conjuntos no vcíos, un función de A en B es un correspondenci tl

Más detalles

(II)La contabilización del Impuesto sobre Sociedades

(II)La contabilización del Impuesto sobre Sociedades Cierre Contble y Fiscl I. SOCIEDADES (II)L contbilizción del Impuesto sobre Socieddes Luis Alfonso Rojí Chndro (Febrero 2012) L.A. Rojí Asesores Tributrios, S.L. - Inscrit en el Registro Mercntil de Mdrid,

Más detalles

1. Definición. Formas de definir una sucesión.

1. Definición. Formas de definir una sucesión. . Definición. Forms de definir un sucesión. Un sucesión es un plicción que nos relcion los números nturles con un conjunto, de form que orden los elementos de tl conjunto. Ejemplos:. : selección espñol

Más detalles

Las medias como promedios ponderados

Las medias como promedios ponderados Misceláne Mtemátic 8 (009) 1 6 SMM Ls medis como promedios ponderdos Alfinio Flores Peñfiel University of Delwre lfinio@mth.udel.edu Resumen Tres de ls medis que se usn frecuentemente en mtemátics (medi

Más detalles

Estabilidad de los sistemas en tiempo discreto

Estabilidad de los sistemas en tiempo discreto Estbilidd de los sistems en tiempo discreto En tiempo discreto tmbién se puede hblr de estbilidd de estdo y de estbilidd de entrd slid de form similr l empled pr los sistems en tiempo continuo. Podemos

Más detalles

1. Cuales son los números naturales?

1. Cuales son los números naturales? Guí de mtemátics. Héctor. de bril de 015 1. Cules son los números nturles? Los números nturles son usdos pr contr (por ejemplo, hy cinco moneds en l mes ) o pr imponer un orden (por ejemplo,. Es t es l

Más detalles

Solución Examen. (1 + a)x + y + z + u = α x + (1 + a)y + z + u = β x + y + (1 + a)z + u = γ x + y + z + (1 + a)u = δ.

Solución Examen. (1 + a)x + y + z + u = α x + (1 + a)y + z + u = β x + y + (1 + a)z + u = γ x + y + z + (1 + a)u = δ. Ingenierí Mtemátic FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Algebr Linel MA 0, 0/08/3, Profs. J. González, R. Gouet. Solución Exmen. Considere el siguiente sistem de ecuciones lineles,

Más detalles

DETERMINANTES. Matemática I Lic. en Geología Lic. en Paleontología

DETERMINANTES. Matemática I Lic. en Geología Lic. en Paleontología Mtemátic I Lic. en Geologí Lic. en Pleontologí DETERMINNTES En un mtriz cudrd hy vrios spectos que el determnte yud esclrecer: Existirá un mtriz B tl que.b = I? Es decir, tendrá mtriz vers? De ls columns

Más detalles

Revista digital Matemática, Educación e Internet (www.cidse.itcr.ac.cr/revistamate/). Vol. 12, N o 1. Agosto Febrero 2012.

Revista digital Matemática, Educación e Internet (www.cidse.itcr.ac.cr/revistamate/). Vol. 12, N o 1. Agosto Febrero 2012. Artículo de sección Revist digitl Mtemátic, Educción e Internet www.cidse.itcr.c.cr/revistmte/). Vol. 12, N o 1. Agosto Ferero 2012. Fctorizción de polinomios. Sndr Schmidt Q. sschmidt@tec.c.cr Escuel

Más detalles

Matemática DETERMINANTES. Introducción:

Matemática DETERMINANTES. Introducción: Mtemátic Introducción: DETERMINANTES Clculndo el determinnte de un mtriz se puede determinr l cntidd de soluciones que tiene un sistem de ecuciones lineles de igul número de ecuciones que de incógnits.

Más detalles

Los Números Racionales

Los Números Racionales Cpítulo 12 Los Números Rcionles El conjunto de los números rcionles constituyen un extesión de los números enteros, en el sentido de que incluyen frcciones que permiten resolver ecuciones del tipo x =

Más detalles

Funciones trascendentes

Funciones trascendentes Cálculo 1 _Comisión -3 Año 017 Funciones trscendentes I) Funciones trigonométrics Son quells unciones cuys regls de deinición corresponden relciones trigonométrics (seno, coseno, tngente, cotngente, secnte

Más detalles

Tema9. Sucesiones. Tema 9. Sucesiones.

Tema9. Sucesiones. Tema 9. Sucesiones. Tem 9. Sucesiones.. Definición. Forms de definir un sucesión.. Progresión ritmétic... Definición.. Sum progresión ritmétic. Progresión geométric... Definición.. Sum finit de progresión geométric... Sum

Más detalles

17532 = Hemos usado el 10 como base, pero podíamos haber usado cualquiera. Por ejemplo el 9, entonces.

17532 = Hemos usado el 10 como base, pero podíamos haber usado cualquiera. Por ejemplo el 9, entonces. Tem 1.- V de números 1.1.- Números pr contr. Un de ls primers ctividdes intelectules que reliz el ser humno es l de contr: el número de flechs, el número de ovejs, el número de enemigos, etc. En Mtemátics

Más detalles

La Integral Definida II

La Integral Definida II L Integrl Definid II Hst hor h sido útil pensr en un integrl definid como el áre entre l gráfic de l función f(x) y el eje x. Usré es interpretción pr mostrrte un propiedd de mner intuitiv. El vlor del

Más detalles