Comunidades. Buscando grupos naturales de nodos
|
|
- Susana Montero Gómez
- hace 6 años
- Vistas:
Transcripción
1 Comunidades Buscando grupos naturales de nodos
2 cliques, -componentes (Newman 7.8.1, 7.8.2) similaridad (N7.12) Geometria: means topologia: equivalencia estructural vs equivalencia regular Clustering jerarquico (Ravasz 9.3) Girvan/Newman betweenness Modularity Overlapping communities clique percolation Lin clustering Testing/charaterizing communities
3 Idea Para poder agrupar entidades necesitamos asumir un criterio, una noción de similaridad. Cuando dos cosas son parecidas?
4 Similaridad Cuándo dos cosas son parecidas? Similitud a partir de vectores de características objeto ( x 1, x 2,,x M )
5 Similaridad Cuándo dos cosas son parecidas? Similitud a partir de vectores de características objeto espacio de características (multidimensional) Similitud o cercanía (si asumimos espacio métrico)
6 Ejemplo: Patrón de expresión génica El patrón de expresión a lo largo del tiempo del gen X es similar al del gen Y? X=(x1,x2,x3,x4), Y=(y1,y2,y3,y4) Euclidean Distance Manhattan Distance Correlation Distance 2 d ( X, Y ) ( x i y ) i d X, Y ) x i y ( i d ( X, Y ) 1 ( x i ( x i x ) x )( y 2 i ( y y ) i y ) , 1.23, 2.14, 2.15, 2.25,2.60, , 2.5, 6.5, 7.75, 8.25, 12.75, , 0.82, 1.18, 2
7 Similaridad en redes Cuándo dos vértices de una red son similares? Newman Chap 7.12
8 Similaridad en redes Cuándo dos vértices de una red son parecidos? Similitud a partir de propiedades topológicas Equivalencia estructural dos nodos de una red son estructuralmente equivalentes si comparten muchos vecinos Equivalencia regular dos nodos de una red son regularmente equivalentes si tienen vecinos que son similares Newman Chap 7.12
9 fila-i Similaridad en redes fila-j Cuándo dos vértices de una red son parecidos? Similitud a partir de propiedades topológicas Equivalencia estructural dos nodos de una red son estructuralmente equivalentes si comparten muchos vecinos Similitud entre nodo-i y nodo-j a partir del número de vecinos compartidos n ij = A i A j = A 2 ij A i = A i = A i A j Producto interno entre los vectores fila-i y filaj de la matriz de adyacencia Vamos a concentrarnos en redes no-dirigidas
10 Equivalencia Estructural Similaridad tipo Coseno fila-i fila-j Similitud entre nodo-i y nodo-j a partir del número de vecinos compartidos, normalizado: σ ij = A i A j 2 2 A i A j modulo del vector fila-j = cos θ ij θ nodo-i nodo-j σ ij = redes no-pesadas A i A j = n ij i j i j nro vecinos comunes normalizado por la media geometrica de los grados
11 Equivalencia Estructural Similaridad tipo Correlación de Pearson Similaridad como nro de vecinos mútuos respecto a lo que cabría esperar en una red al azar: Probabilidad de un dado nodo de conectarse con el nodo-i y además con el nodo-j de manera aleatoria: i j n n Ergo, el nro esperado de nodos comunes resulta: i j n Usamos como medida de similaridad la desviación del nro de vecinos comunes respecto del esperado en el caso aleatorio A i A j i j n
12 Equivalencia Estructural Similaridad tipo Correlación de Pearson A i A j i j n = A ia j 1 n A i l A jl = A i A j n A i A j = A i A j A i A j = A i A i A j A j fila-i fila-j Desviación del nro de vecinos respecto del esperado en el n cov(a i, A j ) caso aleatorio El maximo valor de cov(a i,a j ) se obtiene cuando ambos vectores son idénticos. Eso ocurre cuando: cov(a i,a j )= cov(a i,a i )= var(a i ) cov(a i,a j )= cov(a j,a j )= var(a j ) o
13 Equivalencia Estructural Similaridad tipo Correlación de Pearson A i A j i j n = A ia j 1 n A i l A jl = A i A j n A i A j = A i A j A i A j = A i A i A j A j fila-i fila-j r ij = cov(a i, A j ) σ i σ j = A i A i A j A j 2 A i A 2 i A j A j 1 r ij 1 y resulta nulo si los nodos-i y j tienen el nro de vecinos esperados por azar
14 Equivalencia Estructural Superposición topológica (topological overlap) TO ij = min i, j n ij + Θ A ij + 1 Θ A ij A B Θ x = 0 si x 0 1 si x > 0 TO AB = = 0.75
15 Equivalencia Estructural Otras medidas de similaridad fila-i fila-j Similaridad: podríamos utilizar el número de vecinos comunes normalizado por el número esperado n ij i j n = n A i A j A i A j 1, si el n ij es el numero esperado en una red aleatoria >1 si hay más vecinos comunes <1 si hay menos 0 si no tienen vecinos en comun Distancia Euclídea (distancia de Hamming en realidad) d ij = A i A j 2 Nro de vecinos diferentes entre los dos nodos d ij = d ij i + j = 1 i + j A i + A j 2A i A j = 1 2 n ij i + j
16 Equivalencia Estructural Otras medidas de similaridad fila-i fila-j Similaridad: podríamos utilizar el número de vecinos comunes normalizado por el número esperado n ij i j n = n A i A j A i A j 1, si el n ij es el numero esperado en una red aleatoria >1 si hay más vecinos comunes <1 si hay menos 0 si no tienen vecinos en comun Distancia Euclídea (distancia de Hamming en realidad) d ij = A i A j 2 Nro de vecinos diferentes entre los dos nodos d ij = 1 2 n ij i + j s ij = 1 d ij = 2 n ij i + j
17 Equivalencia Estructural fila-i fila-j Similaridad tipo coseno σ ij = n ij i j = cos θ ij Similaridad de Pearson n ij i j n cov(a i, A j ) σ i σ j Overlap Topologico n ij + Θ A ij TO ij = min i, j + 1 Θ A ij Similaridad: número de vecinos comunes normalizado por el número esperado Similaridad Euclídea (Hamming) n ij i j n n ij s ij = 2 i + j
18 Equivalencia Regular Dos nodos son similares si sus vecinos lo son σ ij = α l A i A jl σ l Versión que usaremos como definición: Dos vértices, i y j son similares si i tiene como vecino a, quien a su vez es similar a j. σ ij = α A i σ j + δ ij Newman Chap
19 Equivalencia Regular Versión que usaremos como definición: Dos vértices, i y j son similares si i tiene como vecino a, quien a su vez es similar a j. σ ij = α A i σ j + δ ij σ = αaσ + I σ = Newman Chap m=0 σ (0) = 0 σ 1 = I σ 2 = αa + I σ 3 = α 2 A 2 + αa + I αa m = I αa 1 α < 1 α < 1/κ 1 Autovalor dominante de A Recordemos centralidad de Katz x i = α j A ij x j x = (I αa) 1 1 x i = j σ ij + 1 Centralidad de Katz de un nodo es su similaridad, en el sentido regular, acumulada
20 Equivalencia Regular Versión que usaremos como definición: Dos vértices, i y j son similares si i tiene como vecino a, quien a su vez es similar a j. σ ij = α A i σ j + δ ij Nodos con alto grado tienen más vecinos, que pueden ser similares a terceros nodos, por lo que tienen mas chances de aumentar su nivel de similaridad general. Si se desea mitigar este efecto Si se desea incluir alguna noción de similaridad externa: S ext Variante: Variante: σ ij = α i A i σ j + δ ij σ ij = α A i σ j + s ext ij σ = D αa 1 D Con D la matriz diagonal D ii = i
21 Similaridades topológicas Similaridad tipo coseno σ ij = n ij i j = cos θ ij σ ij = α A i σ j + δ ij Similaridad de Pearson n ij i j n cov(a i, A j ) σ i σ j σ ij = α i A i σ j + δ ij n ij + Θ A ij Overlap topologico: TO ij = min i, j + 1 Θ A ij σ ij = α A i σ j + s ext ij Similaridad: normalizado por el número esperado Similaridad Euclídea (Hamming) n ij i j n s ij = 2 n ij i + j
22 Detectando comunidades en redes Noción de comunidades: Partición de los N vértices de la red en M grupos tales que nodos de la misma comunidad sean más parecidos entre sí que respecto a nodos fuera de dicho grupo Similaridad topológica de vértices Heurística
23 Hacia una descripción mesoscópica comunidades en redes Nature 1999
24 Detectando comunidades en redes Noción de comunidades: Partición de los N vértices de la red en M grupos tales que nodos de la misma comunidad sean más parecidos entre sí que respecto a nodos fuera de dicho grupo Similaridad topológica de vértices Heurística: Agrupamiento Jerárquico
25 Agrupamiento Jerárquico 1. Se construye una matriz de similaridad de vértices a partir de la matriz de adyacencia 2. Iterativamente se identifican grupos de nodos de alta similaridad siguiendo alguna de estas dos estrategias: 1. Estrategia aglomerativa: se adosan sucesivamente nodos y comunidades de alta similaridad 2. Estrategia divisiva: se dividen sucesivamente comunidades, removiendo enlaces que conectan nodos de baja similaridad. 3. El resultado del ordenamiento producido se puede visualizar en una estructura llamada dendrograma o árbol jerárquico. 4. Es posible definir la partición en comunidades buscada a partir del dendrograma.
26 Agrupamiento Jerárquico:ejemplo Science 2002
27 Agrupamiento Jerárquico: Ravasz 1. Se construye una matriz de similaridad de vértices a partir de la matriz de adyacencia Red metabolica E.Coli n ij + Θ A ij TO ij = min i, j + 1 Θ A ij
28 Agrupamiento Jerárquico: Ravasz 1. Se construye una matriz de similaridad de vértices a partir de la matriz de adyacencia n ij + Θ A ij TO ij = min i, j + 1 Θ A ij 2. Estrategia aglomerativa: se adosan sucesivamente nodos y comunidades de alta similaridad Distancia entre grupos 1 TO ij = Single linage Complete linage Average Linage
29 Agrupamiento Jerárquico: Ravasz 1. Se construye una matriz de similaridad de vértices a partir de la matriz de adyacencia 2. Estrategia aglomerativa: se adosan sucesivamente nodos y comunidades de alta similaridad n ij + Θ A ij TO ij = min i, j + 1 Θ A ij Single linage Complete linage Average Linage 3. Agrupamiento jerárquico A B C D E F A B C D E F High similari ty Low similari ty 1. Se asigna cada nodo a su propia comunidad y se evalua la similaridad entre todos los pares de nodos. 2. Se identifica el par con la similaridad más alta y se los combina en un único grupo 3. Se calculan las similaridades del nuevo grupo con todo el resto 4. Se repite desde el punto 2 hasta que todos los nodos se encuentran en un mismo grupo
30 Agrupamiento Jerárquico: Ravasz 1. Se construye una matriz de similaridad de vértices a partir de la matriz de adyacencia 2. Estrategia aglomerativa: se adosan sucesivamente nodos y comunidades de alta similaridad n ij + Θ A ij TO ij = min i, j + 1 Θ A ij Single linage Complete linage Average Linage 3. Agrupamiento jerárquico A, F C D E B A, F C D E B A F C D E B 1. Se asigna cada nodo a su propia comunidad y se evalua la similaridad entre todos los pares de nodos. 2. Se identifica el par con la similaridad más alta y se los combina en un único grupo 3. Se calculan las similaridades del nuevo grupo con todo el resto 4. Se repite desde el punto 2 hasta que todos los nodos se encuentran en un mismo grupo
31 Agrupamiento Jerárquico: Ravasz 1. Se construye una matriz de similaridad de vértices a partir de la matriz de adyacencia 2. Estrategia aglomerativa: se adosan sucesivamente nodos y comunidades de alta similaridad n ij + Θ A ij TO ij = min i, j + 1 Θ A ij Single linage Complete linage Average Linage 3. Agrupamiento jerárquico A, F C, D E B A, F C, D E B A F C D E B 1. Se asigna cada nodo a su propia comunidad y se evalua la similaridad entre todos los pares de nodos. 2. Se identifica el par con la similaridad más alta y se los combina en un único grupo 3. Se calculan las similaridades del nuevo grupo con todo el resto 4. Se repite desde el punto 2 hasta que todos los nodos se encuentran en un mismo grupo
32 Agrupamiento Jerárquico: Ravasz 1. Se construye una matriz de similaridad de vértices a partir de la matriz de adyacencia 2. Estrategia aglomerativa: se adosan sucesivamente nodos y comunidades de alta similaridad 3. Agrupamiento jerárquico A F B E C n ij + Θ A ij TO ij = min i, j + 1 Θ A ij Single linage Complete linage Average Linage 1. Se asigna cada nodo a su propia comunidad y se evalua la similaridad entre todos los pares de nodos. 2. Se identifica el par con la similaridad más alta y se los combina en un único grupo 3. Se calculan las similaridades del nuevo grupo con todo el resto 4. Se repite desde el punto 2 hasta que todos los nodos se encuentran en un mismo grupo D
33 Agrupamiento Jerárquico: Ravasz 1. Se construye una matriz de similaridad de vértices a partir de la matriz de adyacencia 2. Estrategia aglomerativa: se adosan sucesivamente nodos y comunidades de alta similaridad 3. Agrupamiento jerárquico 4. El dendrograma describe el orden en el que nodos fueron agregados a comunidades. Es posible definir la partición en comunidades buscada a partir del dendrograma_ A F B E C D A,F B C,D E
34
35
36 Agrupamiento Jerárquico Se utiliza muchisimo para encontrar clusters pero Utiliza una organización jerárquica de los elementos que puede no existir en los datos reales. Grados de libertad asociados a la matriz de similaridad: N(N- 1)/2. Los dendrogramas generados en cambio poseen sólo N-1 merges. Asumir orden jerárquico reduce la cantidad de información! Dendrogramas satisfacen propiedad ultrametrica : dist(a,c) < max(dist(a,b), dist(b,c)) A F B E C D Entonces el procedimiento produce en realidad un mapeo entre un espacio métrico (o smei métrico) y uno ultramétrico
Teoría de grafos y optimización en redes
Teoría de grafos y optimización en redes José María Ferrer Caja Universidad Pontificia Comillas Definiciones básicas Grafo: Conjunto de nodos (o vértices) unidos por aristas G = (V,E) Ejemplo V = {,,,,
Más detallesDETECCIÓN DE COMUNIDADES EN REDES COMPLEJAS O GRAFOS USANDO METAHEURÍSTICAS MARÍA PAZ CONTRERAS WARZ JUAN ALEJANDRO ZÚÑIGA VERDUGO
PONTIFICIA UNIVERSIDAD CATÓLICA DE VALPARAÍSO FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA INFORMÁTICA DETECCIÓN DE COMUNIDADES EN REDES COMPLEJAS O GRAFOS USANDO METAHEURÍSTICAS MARÍA PAZ CONTRERAS WARZ
Más detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detallesy cualquier par (x, y) puede escalarse, multiplicarse por un número real s, para obtener otro vector (sx, sy).
UNIDAD II: VECTORES EN DOS Y TRES DIMENSIONES Un espacio vectorial (o espacio lineal) es el objeto básico de estudio en la rama de la matemática llamada álgebra lineal. A los elementos de los espacios
Más detallesOPTIMIZACIÓN VECTORIAL
OPTIMIZACIÓN VECTORIAL Métodos de Búsqueda Directa Utilizan sólo valores de la función Métodos del Gradiente Métodos de Segundo Orden Requieren valores aproimados de la primera derivada de f) Además de
Más detallesEjemplos de análisis cluster
Ejemplos de análisis cluster Objetivos: 1. Una aproximación a la terminología del análisis cluster o de conglomerados 2. Uso de las funciones oportunas de R para realizar el análisis 3. Interpretación
Más detallesEstructura de Comunidades en redes. Sirius Fuenmayor Cardozo Grupo de Caos y Sistemas Complejos Facultad de Ciencias Universidad de los Andes
Estructura de Comunidades en redes Sirius Fuenmayor Cardozo Grupo de Caos y Sistemas Complejos Facultad de Ciencias Universidad de los Andes Resumen Que son las comunidades? Porque son importantes las
Más detallesCurso de Postgrado en Herramientas Estadísticas Avanzadas: AGROPECUARIOS. Prof. Dr. José Perea Dpto. Producción Animal
Curso de Postgrado en Herramientas Estadísticas Avanzadas: ANÁLISIS MULTIVARIANTE PARA INVESTIGACIÓN EN SISTEMAS AGROPECUARIOS ANÁLISIS CLUSTER Prof. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE
Más detallesMatemáticas Discretas TC1003
Matemáticas Discretas TC1003 Relaciones entre Conjuntos: Propiedades Departamento de Matemáticas / Centro de Sistema Inteligentes ITESM Relaciones entre Conjuntos: Propiedades Matemáticas Discretas - p.
Más detallesINTRODUCCIÓN A LOS MÉTODOS DEL ANÁLISIS DE REDES SOCIALES. CAPITULO OCTAVO
INTRODUCCIÓN A LOS MÉTODOS DEL ANÁLISIS DE REDES SOCIALES. CAPITULO OCTAVO Robert A. Hanneman. Departamento de Sociología de la Universidad de California Riverside. NOTA PREVIA Este documento esta traducido
Más detallesMinería de Datos Web. 1 er Cuatrimestre 2015. Página Web. Prof. Dra. Daniela Godoy. http://www.exa.unicen.edu.ar/catedras/ageinweb/
Minería de Datos Web 1 er Cuatrimestre 2015 Página Web http://www.exa.unicen.edu.ar/catedras/ageinweb/ Prof. Dra. Daniela Godoy ISISTAN Research Institute UNICEN University Tandil, Bs. As., Argentina http://www.exa.unicen.edu.ar/~dgodoy
Más detallesEstimación de homografías
Estimación de homografías Visión en Robótica 1er cuatrimestre de 2013 1 Introducción del problema Una homografía es una transformación proyectiva que determina una correspondencia entre puntos El problema
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesTema 5: Sistemas de ecuaciones lineales.
TEORÍA DE ÁLGEBRA: Tema 5 DIPLOMATURA DE ESTADÍSTICA 1 Tema 5: Sistemas de ecuaciones lineales 1 Definiciones generales Definición 11 Una ecuación lineal con n incognitas es una expresión del tipo a 1
Más detallesUNIVERSIDAD TECNOLOGICA DE PEREIRA PROGRAMA DE TECNOLOGIA ELECTRICA
UNERSDAD TECNOLOGCA DE PERERA PROGRAMA DE TECNOLOGA ELECTRCA Curso Básico de Análisis de Sistemas Eléctricos de Potencia Antonio Escobar Zuluaga Pereira - Risaralda - Colombia 0 Matriz admitancia Y BUS
Más detallesAutor: Manuel Martín Salvador Tutor: Juan Huete Guadix
Un sistema de recomendación para sitios de ocio de Andalucía Autor: Manuel Martín Salvador Tutor: Juan Huete Guadix Proyecto Fin de Carrera Ingeniería Informática Universidad de Granada Introducción: motivación
Más detallesEs un conjunto de objetos llamados vértices o nodos unidos por enlaces llamados aristas o arcos, que permiten representar relaciones binarias entre
Es un conjunto de objetos llamados vértices o nodos unidos por enlaces llamados aristas o arcos, que permiten representar relaciones binarias entre elementos de un conjunto. Típicamente, un grafo se representa
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detalles4. MÉTODOS DE CLASIFICACIÓN
4. MÉTODOS DE CLASIFICACIÓN Una forma de sintetizar la información contenida en una tabla multidimensional (por ejemplo una tabla léxica agregada), es mediante la conformación y caracterización de grupos.
Más detalles2. El conjunto de los números complejos
Números complejos 1 Introducción El nacimiento de los números complejos se debió a la necesidad de dar solución a un problema: no todas las ecuaciones polinómicas poseen una solución real El ejemplo más
Más detallesEl TAD Grafo. El TAD Grafo
! Esta representación resulta útil cuando el número de vértices se conoce previamente y permanecerá fijo durante la resolución del problema, pero resulta ineficiente si necesitamos añadir o eliminar vértices
Más detallesTablas de frecuencias con datos agrupados
Tablas de frecuencias con datos agrupados Cuando los valores de la variable son muchos, conviene agrupar los datos en intervalos o clases para así realizar un mejor análisis e interpretación de ellos.
Más detallesRelaciones. Estructuras Discretas. Relaciones. Relaciones en un Conjunto. Propiedades de Relaciones en A Reflexividad
Estructuras Discretas Relaciones Definición: relación Relaciones Claudio Lobos, Jocelyn Simmonds clobos,jsimmond@inf.utfsm.cl Universidad Técnica Federico Santa María Estructuras Discretas INF 152 Sean
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad
Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016 Índice 2.1. Variables aleatorias: funciones de distribución,
Más detalles5. Clasificación de las formas del relieve. Modelización y análisis del terreno
5. Clasificación de las formas del relieve los elementos del relieve pozo cresta planicie pico canal collado ladera formas elementales: crestas la pendiente no es un curvatura nula convexidad criterio
Más detallesFactorización de matrices
CAPÍTULO Factorización de matrices En este capítulo se estudian algunas de las técnicas más utilizadas para factorizar matrices, es decir, técnicas que permiten escribir una matriz como producto de dos
Más detallesMMAF: Espacios normados y espacios de Banach
MMAF: Espacios normados y espacios de Banach Licenciatura en Estadística R. Álvarez-Nodarse Universidad de Sevilla Curso 2011/2012 Espacios vectoriales Definición Sea V un conjunto de elementos sobre el
Más detallesMétodos de teoría de Grafos en aprendizaje no supervisado y cl
Métodos de teoría de Grafos en aprendizaje no supervisado y clustering 15 de enero de 2011 1 Teoría de Grafos 2 Métodos de la Teoría de Grafos 3 Clasificación de Documentos Web 4 Clustering Incremental
Más detalles3.1 El espacio afín R n
3. Geometría analítica 3.1 El espacio afín R n Consideremos el conjunto R n, formado por las listas ordenadas (x 1,...,x n ) de números reales. Convengamos en llamar puntos a los elementos de R n. Pero
Más detallesREDES DE LOS SISTEMAS DE PAGO: HACIENDO ANÁLISIS USANDO
REDES DE LOS SISTEMAS DE PAGO: HACIENDO ANÁLISIS USANDO SIMULACIÓN Y PRUEBAS DE ESTRÉS Mayo 2011 AGENDA Introducción Antecedentes Motivación La Simulación El Modelado de redes Medidas de Centralidad Conclusiones
Más detallesDefinición Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices 1.1. Conceptos básicos y ejemplos Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. NOTA:
Más detallesGuíaDidáctica: Geometría AnalíticaPlana UTPL. La Universidad Católica de Loja MODALIDAD ABIERTA Y A DISTANCIA
MODALIDAD ABIERTA Y A DISTANCIA MODALIDAD ABIERTA Y A DISTANCIA MODALIDAD ABIERTA Y A DISTANCIA MODALIDAD ABIERTA Y A DISTANCIA MODALIDAD ABIERTA Y A DISTANCIA P P 1 0 A P 1 P (x (x 2 ) (0) (1) (x 1 )
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesRedes y Sistemas Complejos Cuarto Curso del Grado en Ingeniería Informática. Tema 6: Modularidad, Particionamiento y Comunidades
Redes y Sistemas Complejos Cuarto Curso del Grado en Ingeniería Informática Tema 6: Modularidad, Particionamiento y Comunidades Oscar Cordón García Dpto. Ciencias de la Computación e Inteligencia Artificial
Más detallesProcesamiento de Texto y Modelo Vectorial
Felipe Bravo Márquez 6 de noviembre de 2013 Motivación Cómo recupera un buscador como Google o Yahoo! documentos relevantes a partir de una consulta enviada? Cómo puede procesar una empresa los reclamos
Más detallesCapítulo 2 Juegos estáticos con información asimétrica
Capítulo Juegos estáticos con información asimétrica January 1, 011 1 El equilibrio Bayesiano Definición 1.1. Un juego Bayesiano G consta de los siguientes elementos, G = (N, A, T, p, u) Un conjunto de
Más detallesTema: Los Grafos y su importancia para la optimización de redes.
Tema: Los Grafos y su importancia para la optimización de redes. Qué son los Grafos? Un grafo es una dupla G= {X,U}, donde X es un conjunto finito y no vacio de elementos llamados vértices y U es el conjunto
Más detallesIII Unidad Planificación y diseño de una red (LAN)
Recordemos: Una red de área local, Es un conjunto de Equipos y dispositivos de hardware unidos entre sí con el fin de compartir recursos en una zona geográfica limitada. Planificación y diseño de la red.
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detallesMétodos de la Minería de Datos
This is page i Printer: Opaue this Métodos de la Minería de Datos Dr. Oldemar Rodríguez Rojas de noviembre de 2005 ii Contents This is page iii Printer: Opaue this iv This is page v Printer: Opaue this
Más detallesCURSO BÁSICO DE MATEMÁTICAS PARA ESTUDIANTES DE ECONÓMICAS Y EMPRESARIALES
CONCEPTO MATRICES Se llama matriz de orden (dimensión) m n a un conjunto de m n elementos dispuestos en m filas y n columnas Se representa por A = a 11 a 12 a 1n a 21 a 22 a 2n a m1 a m2 a mn j=1,2,,n
Más detallesSimilitud de Secuencias: de un Par a Todas contra Todas
Similitud de Secuencias: de un Par a Todas contra Todas Ricardo Baeza-Yates Centro de Investigación de la Web Depto. de Ciencias de la Computación Universidad de Chile ricardo@baeza.cl Resumen Similitud
Más detallesIntroducción La topología de las... Grafos aleatorios Redes small world y el... El modelo de Newman... Algoritmos sobre grafos Resultados obtenidos
Page 1 of 36 REDES SMALL WORLD Page 2 of 36 1. Introducción Las estructuras complejas de red describen una gran variedad de sistemas de alta importancia tecnológica e intelectual: ➊ la célula se describe
Más detallesHerramientas computacionales para la matemática MATLAB: Análisis de datos.
Herramientas computacionales para la matemática MATLAB:. Verónica Borja Macías Junio 2012 1 Analizar datos estadísticos en MATLAB es sencillo. Máximo y mínimo max(x) si x es vector encuentra el valor más
Más detallesRuta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE
Ruta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) 1 DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Problema de Encontrar la Ruta más Corta 2 Se requiere llegar de
Más detallesExpresiones Regulares y Derivadas Formales
y Derivadas Formales Las Derivadas Sucesivas. Universidad de Cantabria Esquema 1 2 3 Derivadas Sucesivas Recordemos que los lenguajes de los prefijos dan información sobre los lenguajes. Derivadas Sucesivas
Más detalles3 Curvas alabeadas. Solución de los ejercicios propuestos.
3 Curvas alabeadas. Solución de los ejercicios propuestos.. Se considera el conjunto C = {(x, y, z R 3 : x y + z = x 3 y + z = }. Encontrar los puntos singulares de la curva C. Solución: Llamemos f (x,
Más detallesTEMA 8.- NORMAS DE MATRICES Y
Álgebra II: Tema 8. TEMA 8.- NORMAS DE MATRICES Y NúMERO DE CONDICIóN Índice. Introducción 2. Norma vectorial y norma matricial. 2 2.. Norma matricial inducida por normas vectoriales......... 4 2.2. Algunos
Más detalles1. ESTUDIO DE ROBUSTEZ EN REDES DEPENDIENDO DE SU TOPOLOGÍA
. ESTUDIO DE ROBUSTEZ EN REDES DEPENDIENDO DE SU TOPOLOGÍA A continuación, se intentarán aplicar algunas de las definiciones vistas anteriormente a redes con distinta topología con objeto de analizar el
Más detallesEspacios topológicos. 3.1 Espacio topológico
Capítulo 3 Espacios topológicos 3.1 Espacio topológico Definición 3.1.1. Un espacio topológico es un par (X, τ), donde X es un conjunto, y τ es una familia de subconjuntos de X que verifica las siguientes
Más detallesConjuntos y matrices. Sistemas de ecuaciones lineales
1 Conjuntos y matrices Sistemas de ecuaciones lineales 11 Matrices Nuestro objetivo consiste en estudiar sistemas de ecuaciones del tipo: a 11 x 1 ++ a 1m x m = b 1 a n1 x 1 ++ a nm x m = b n Una solución
Más detalles1. Producto escalar. Propiedades Norma de un vector. Espacio normado. 1.2.Ortogonalidad. Ángulos. 1.4.Producto escalar en V 3.
. Producto escalar. Propiedades... Norma de un vector. Espacio normado...ortogonalidad. Ángulos..3.Producto escalar en V..4.Producto escalar en V 3.. Producto vectorial de dos vectores de V 3...Expresión
Más detallesCoordenadas Principales de Matrices de Proximidad (Principal Coordinates of Neighbor Matrices) PCNM
Coordenadas Principales de Matrices de Proximidad (Principal Coordinates of Neighbor Matrices) PCNM Implementación de PCNM en QEco La rutina de Coordenadas Principales de Matrices de Proximidad (PCNM)
Más detallesCREACIÓN DE UNA TIPOLOGÍA DE GENES MEDIANTE TÉCNICAS DE DATA MINING PARA Drosophila
CREACIÓN DE UNA TIPOLOGÍA DE GENES MEDIANTE TÉCNICAS DE DATA MINING PARA Drosophila Ramón Álvarez 1 Flavio Pazos 2 Adrián Valentín 2 Curso de data Mining-2012,Instituto Pasteur 1 IESTA(Instituto de Estadística)
Más detallesVentana de propiedades de edición
SOFTWARE GvSig 1.12 INSTRUCTIVO DE USO DIGITALIZACION CON GvSig Previo a la digitalización se deben tener en cuenta algunos aspectos técnicos referidos a los sistemas de referencia, snap de tolerancia
Más detallesAnálisis de cerchas Método de las uniones
Seminario de Modelación Matemática em Arquitectura Análisis de cerchas Método de las uniones Determinar las fuerzas internas de cada uno de los miembros de la siguiente cercha: /2 500 lb 250 lb Y 3/2 X
Más detallesEstructuras Algebraicas
Tema 1 Estructuras Algebraicas Definición 1 Sea A un conjunto no vacío Una operación binaria (u operación interna) en A es una aplicación : A A A Es decir, tenemos una regla que a cada par de elementos
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesAutómatas de Pila. Descripciones instantáneas o IDs. El Lenguaje de PDA. Equivalencia entre PDAs y CFGs INAOE (INAOE) 1 / 50
INAOE (INAOE) 1 / 50 Contenido 1 2 3 4 (INAOE) 2 / 50 Pushdown Automata Las gramáticas libres de contexto tienen un tipo de autómata que las define llamado pushdown automata. Un pushdown automata (PDA)
Más detallesMatemá'cas generales
Matemá'cas generales Matrices y Sistemas Patricia Gómez García José Antonio Álvarez García DPTO. DE MATEMÁTICA APLICADA Y CIENCIAS DE LA COMPUTACIÓN Este tema se publica bajo Licencia: Crea've Commons
Más detallesFACTORIAL DE CORRESPONDENCIAS SIMPLES Y MÚLTIPLES CRIVISQ
PRESENTACIÓN DEL MÉTODO DE ANÁLISIS FACTORIAL DE CORRESPONDENCIAS SIMPLES Y MÚLTIPLES EDU DUARDO CRIVISQ RIVISQUI PRESENTACIÓN DE LOS MÉTODOS DE ANÁLISIS FACTORIAL DE CORRESPONDENCIAS SIMPLES Y MÚLTIPLES
Más detallesContenido. Sistema de archivos. Operaciones sobre archivos. Métodos de acceso a archivos. Directorio. Sistema de archivos por capas.
Contenido Sistema de archivos Operaciones sobre archivos Métodos de acceso a archivos Directorio Sistema de archivos por capas Espacio libre Sistema de archivos Proporciona el mecanismo para el almacenamiento
Más detallesPRESENTACIÓN DE LOS MÉTODOS DE CLASIFICACIÓN. Eduardo CRIVISQUI
PRESENTACIÓN DE LOS MÉTODOS DE CLASIFICACIÓN Eduardo CRIVISQUI ADVERTENCIA SÓLO EL CONOCIMIENTO DE LAS PROPIEDADES LÓGICAS DE LOS MÉTODOS ESTADÍSTICOS PERMITE EVITAR EL EMPLEO «A CIEGAS» DE LOS MISMOS.
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesMEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Son valores numéricos que localizan e informan sobre los valores medios de una serie o conjunto de datos, se les considera como indicadores debido a que resumen la información
Más detallesComo es habitual, retocaremos a nuestro gusto el estilo de los objetos gráficos.
3. Creación de recursos estáticos 3.5 Estrellas Objetivos Usaremos GeoGebra para crear un generador de combinaciones lineales de dos vectores independientes. El efecto de estas combinaciones lineales se
Más detallesTema 5 Proporcionalidad y escalas
Tema 5 Proporcionalidad y escalas Tema 5 Proporcionalidad y escalas...1 Proporcionalidad... 2 Razón...2 Proporción...2 Proporcionalidad directa...2 Proporcionalidad inversa...3 Construcción de la media
Más detallescadenas de Markov tienen la propiedad de que la probabilidad de que X n = j sólo depende
Cadenas de Markov Los procesos de paseo aleatorio en realidad son un caso particular de procesos más generales que son las cadenas de Markov. En esencia, una cadena es un proceso en tiempo discreto en
Más detallesLAB CORE: Entrenamiento de análisis de redes sociales Identificando subgrupos cohesivos en reses sociales
LAB CORE: Entrenamiento de análisis de redes sociales Identificando subgrupos cohesivos en reses sociales Un aspecto importante del análisis de redes sociales es la identificación de grupos densos de los
Más detallesTema 6: Descriptores topológicos, geométricos y estadísticos de las imágenes digitales
Tema 6: Descriptores topológicos, geométricos y estadísticos de las imágenes digitales de imágenes (después de realizar una segmentación) Componentes conexas Agujeros (2D) Túneles y cavidades (3D) Característica
Más detallesClase 8 Matrices Álgebra Lineal
Clase 8 Matrices Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia Matrices Definición Una matriz es un arreglo rectangular de números denominados entradas
Más detallesTema: Codificación de canal
Tema: Codificación de canal Adriana Dapena Janeiro (adriana@udc.es) Facultad de Informática Universidade da Coruña Campus de Elviña s/n 15071. A Coruña Codificación de canal.- Adriana Dapena p. 1 Objetivos
Más detallesCLASIFICACIÓN NO SUPERVISADA
CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL
Más detallesTécnicas de análisis multivariante para agrupación
TEMA 2: TÉCNICAS DE ANÁLISIS MULTIVARIANTE PARA AGRUPACIÓN Métodos cluster Técnicas de segmentación Clasificación no supervisada Ana Justel 1 Técnicas de análisis multivariante para agrupación Motivación
Más detallesFractales. Objetivos. Miguel Reyes
Fractales Miguel Reyes Objetivos El objetivo que aquí nos planteamos es familiarizar a los alumnos de primer curso de Estalmat con los conjuntos fractales. El primer problema que se nos presenta es explicar
Más detallesJUNIO Bloque A
Selectividad Junio 009 JUNIO 009 Bloque A 1.- Estudia el siguiente sistema en función del parámetro a. Resuélvelo siempre que sea posible, dejando las soluciones en función de parámetros si fuera necesario.
Más detallesMEDIDAS DE TENDENCIA CENTRAL
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMERICA) MEDIDAS DE TENDENCIA CENTRAL 20/05/2008 Ing. SEMS 2.1 INTRODUCCIÓN En el capítulo anterior estudiamos de qué manera los
Más detallesALN. Repaso matrices. In. Co. Facultad de Ingeniería Universidad de la República
ALN Repaso matrices In. Co. Facultad de Ingeniería Universidad de la República Definiciones básicas - Vectores Definiciones básicas - Vectores Construcciones Producto interno: ( x, y n i x y i i ' α Producto
Más detallesMatemáticas Aplicadas a los Negocios
LICENCIATURA EN NEGOCIOS INTERNACIONALES Matemáticas Aplicadas a los Negocios Unidad 4. Aplicación de Matrices OBJETIVOS PARTICULARES DE LA UNIDAD Al finalizar esta unidad, el estudiante será capaz de:
Más detallesTema 1: La geometría euclídea
Tema 1: La geometría euclídea Geometrías no euclídeas Curso 2009-2010 1. Axiomas de Euclides 1. Euclides de Alejandría vivió hacia el año 300 A.C. 2. Definiciones intuitivas de punto, recta, plano, ángulo,
Más detallesMATEMATICAS DISCRETAS
MTEMTICS DISCRETS Propiedad reflexiva Sea R una relación binaria R en, ( ). Definición: Diremos que R es reflexiva si a, a R a Ejemplo: 1) En N la relación R definida por: x R y x divide a y es reflexiva
Más detallesCapítulo 1 Matriz Admitancia de Barra
ELC-05 Sistemas de Potencia Capítulo Matriz Admitancia de Barra Prof. Francisco M. González-Longatt fglongatt@ieee.org http://www.giaelec.org/fglongatt/sp.htm SSTEMAS DE POTENCA Copright 007 . La inección
Más detallesElectromagnetismo I. Semestre: TAREA 1 Y SU SOLUCIÓN Dr. A. Reyes-Coronado
Electromagnetismo I Semestre: 01- TAREA 1 Y SU SOLUCIÓN Dr. A. Reyes-Coronado Solución por Carlos Andrés Escobar Ruí 1.- Problema: (5pts) (a) Doce cargas iguales q se encuentran localiadas en los vérices
Más detallesAnálisis Estadístico de Datos Climáticos
Análisis Estadístico de Datos Climáticos Análisis de agrupamiento (o clusters) (Wilks, Cap. 14) Facultad de Ciencias Facultad de Ingeniería 2013 Objetivo Idear una clasificación o esquema de agrupación
Más detallesIIC2213. IIC2213 Teorías 1 / 42
Teorías IIC2213 IIC2213 Teorías 1 / 42 Qué es una teoría? Una teoría es un cúmulo de información. Debe estar libre de contradicciones. Debe ser cerrada con respecto a lo que se puede deducir de ella. Inicialmente
Más detallesFinanzas de Empresas Turísticas
Finanzas de Empresas Turísticas Prof. Francisco Pérez Hernández (f.perez@uam.es) Departamento de Financiación e Investigación de la Universidad Autónoma de Madrid 1 Departamento de Financiación e Investigación
Más detallesDescomposición en valores singulares Notas para los cursos 21 y 22 (J.L. Mancilla Aguilar)
Valores Singulares Descomposición en valores singulares Notas para los cursos y (JL Mancilla Aguilar) Tanto los valores singulares como la descomposición en valores singulares de una matriz son conceptos
Más detallesNOMBRE CÓDIGO - CATEGORIZACIÓN
1 NOMBRE CÓDIGO - CATEGORIZACIÓN Kiara Lucas Herrera 1 1 Carrera de Ingeniería en Sistemas Computacionales Universidad de Guayaquil diferentes cluster de productos de la página de Amazon, llegando al resultado
Más detallesTEMA 5: INTERPOLACION NUMERICA
Lino Alvarez - Aurea Martinez METODOS NUMERICOS TEMA 5: INTERPOLACION NUMERICA 1 EL PROBLEMA GENERAL DE INTER- POLACION En ocasiones se plantea el problema de que se conoce una tabla de valores de una
Más detalles3.2. El método del «vecino más cercano»
3.2. El método del «vecino más cercano» Disponemos de una tabla resumen de tipo T(n,p) Los elementos de T(n,p) presentan una estructura de grupo o de jerarquía de grupos encajados. Aplicamos las etapas
Más detallesIntroducción a los códigos compresores
Introducción a los códigos compresores Parte I de la Lección 2, Compresores sin pérdidas, de CTI Ramiro Moreno Chiral Dpt. Matemàtica (UdL) Febrero de 2010 Ramiro Moreno (Matemàtica, UdL) Introducción
Más detallesFundamentos de Estadística
Fundamentos de Estadística Introducción a la Estadística Prof. Dr. Eduardo Valenzuela Domínguez eduardo.valenzuela@usm.cl Universidad Técnica Federico Santa María Dr. Eduardo Valenzuela D.; MEE 2005 p.
Más detallesEl Juego como Problema de Búsqueda
El Juego como Problema de Búsqueda En este algoritmo identificamos dos jugadores: max y min. El objetivo es encontrar la mejor movida para max. Supondremos que max mueve inicialmente y que luego se turnan
Más detallesEspacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21
Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.
Más detallesEspacios Vectoriales, Valores y Vectores Propios
, Valores y Vectores Propios José Juan Rincón Pasaye, División de Estudios de Postgrado FIE-UMSNH Curso Propedéutico de Matemáticas para la Maestría en Ciencias opciones: Sistemas de Control y Sistemas
Más detallesCapítulo 1 Vectores. 26 Problemas de selección - página 13 (soluciones en la página 99)
Capítulo 1 Vectores 26 Problemas de selección - página 13 (soluciones en la página 99) 21 Problemas de desarrollo - página 22 (soluciones en la página 100) 11 1.A PROBLEMAS DE SELECCIÓN Sección 1.A Problemas
Más detallesGeometría Básica 43 UNIVERSIDAD DE LOS ANDES - TÁCHIRA DEPARTAMENTO DE CIENCIAS CARRERA EDUCACIÓN BÁSICA INTEGRAL
Geometría Básica 43 POLIGONOS UNIVERSIDAD DE LOS ANDES - TÁCHIRA DEPARTAMENTO DE CIENCIAS CARRERA EDUCACIÓN BÁSICA INTEGRAL SEGMENTOS CONCATENADOS Y CONSECUTIVOS Consideremos los segmentos ab y bc, donde
Más detalles