Software de bloqueo automático de páginas web que incitan a la violencia a través de un algoritmo híbrido de aprendizaje computacional* 1
|
|
- Blanca Bustamante Rivero
- hace 8 años
- Vistas:
Transcripción
1 Software de bloqueo automátco de págnas web que nctan a la volenca a través de un algortmo híbrdo de aprendzaje computaconal* Auto lock software web pages ncte volence through a hybrd computatonal learnng algorthm Jorge Enrque Rodríguez** 3 Ángela Paola Herrera*** 4 Martha Llana Rojas**** Fecha de recepcón: febrero de 04 Fecha de aprobacón: abrl de 04 Resumen El sguente artículo se basa en un proyecto de nvestgacón que consste en la creacón de un algortmo híbrdo de aprendzaje computaconal supervsado para el bloqueo automátco de págnas web que nctan a la volenca a través de contendo snuff. En este se hace una descrpcón de la stuacón actual del problema a resolver y se da a conocer el proceso de seleccón de los algortmos para la construccón del algortmo híbrdo y con ello la explcacón de su funconamento y modelo matemátco. Palabras clave: sstema de bloqueo, aprendzaje computaconal, volenca en Internet. 4 * Artículo de nvestgacón. ** Ingenería en Telemátca, Unversdad Dstrtal Francsco José de Caldas, Bogotá D.C, Colomba. Contacto: jrodr@ udstrtal.edu.co *** Ingenería en Telemátca, Unversdad Dstrtal Francsco José de Caldas, Bogotá D.C, Colomba. Contacto: apherrerad@udstrtal.edu.co **** Ingenería en Telemátca, Unversdad Dstrtal Francsco José de Caldas, Bogotá D.C, Colomba. Contacto: mlrojaso@ udstrtal.edu.co Revsta Vnculos Vol. # úmero #
2 J o r g e E n r q u e R o d r í g u e z - Á n g e l a P a o l a H e r r e r a - M a r t h a L l a n a R o j a s V Í C U L O S E E R O D E 0 4 VOLUME ÚMERO Abstract In ths paper we development a hybrd algorthm of machne learnng for the automatc lockng of web pages that ncte to volence through content snuff. We descrbe of the current stuaton of the problem to be solved, and we gve to know the selecton process of the technques for the development of the hybrd algorthm. Also, we show the mathematcal model and results analyss. Keywords: Lockng system, Machne Learnng, Internet Volence Introduccón En países como Colomba, las leyes que rgen la produccón y comercalzacón de materal audovsual resultan nsufcentes [], razón por la cual, las personas pueden acceder fáclmente a contendo volento, sobre todo a través de Internet donde se comparten recursos sn restrccón alguna. Aunque en el presente, las empresas dsponen de polítcas para el buen uso de los recursos corporatvos por parte de los empleados, tener fácl acceso a págnas con contendo volento puede empeorar el consumo del ancho de banda exstente y a su vez expone la segurdad de la red ante malware. Por tal razón, para un admnstrador es de suma mportanca mantener su red protegda de vrus, espías y sobretodo lmtar los recursos al uso corporatvo objeto sobre el cual fue dseñada. Por ello, en el sguente artículo se hará una revsón al desarrollo de un sstema de bloqueo automátco como herramenta de apoyo al proceso de gestón en una red LA, puesto que por medo del análss de un patrón de comportamento con algortmos de aprendzaje computaconal supervsado, se pueden detectar automátcamente y de manera constante nuevas págnas que, según su experenca, ndquen contendo snuff. En este artículo se descrbe el problema, se presenta la explcacón del modelo matemátco utlzado en el algortmo hbrdo y el resultado de las pruebas realzadas.. Problema Internet es una excelente herramenta de comuncacón, donde se puede adqurr nformacón de dversas fuentes y con ello multplcar el conocmento, facltando de esta manera que se creen nuevas tendencas haca grupos que favorecen la nvestgacón y el aprendzaje. Las fuentes generalmente se encuentran en dferentes ubcacones geográfcas, lo que es nadvertdo para los cbernautas; pero a su vez, Internet puede ser una tecnología pelgrosa, ya que acceder fáclmente a cualquer fuente de nformacón puede conllevar a vstar págnas web de contendo que promoconan dferentes tendencas, por ejemplo el racsmo, la xenofoba, terrorsmo cbernétco, groomng, cberbullyng, sextng, pornografía nfantl y trata de personas, entre otros. Además, en alguno de estos stos web se hacen nvtacones al sucdo y al asesnato a través del sadsmo y snuff por ejemplo, grabacones de asesnatos reales. Actualmente, en Colomba las empresas proveedoras de telecomuncacones, ofrecen productos que bloquean contendo volento, 5 Revsta Vnculos Vol. úmero
3 I + D S O F T W A R E D E B L O Q U E O A U T O M Á T I C O D E P Á G I A S W E B 6 por ejemplo ETB (Empresas de Telecomuncacones Bogotá) ofrece el guardán de contendos, donde los padres pueden admnstrar las págnas que podrán ser accesbles por sus hjos. Sn embargo, cada día se crean nuevas págnas web de contendo volento, lo que mplca ngresar cada una de estas URL manualmente, tarea que resulta ser tedosa. Igualmente, en las redes LA los admnstradores deben hacer una verfcacón dara de la creacón de págnas Web de contendo volento e ngresarlas manualmente en el squd para que estas sean bloqueadas a través de servdores proxy; al realzar esta labor algunas veces se carece de tempo sufcente, lo que favorece la omsón de algunos stos Web cuyo contendo debería ser restrngdo.. Algortmohbrdo SVM RBF El algortmo SVM es un clasfcador lneal y no lneal, el cual ha estado tomando mportanca porque se basa en el concepto de la mnmzacón del resgo estructural y posee una sólda fundamentacón matemátca en la clasfcacón y regresón de datos. En este proyecto se aplca el SVM no lneal, ya que en la fase de ntegracón y recoplacón se construyó un conjunto de datos con ocho (8) atrbutos, lo que nos ndca que los datos no pueden ser lnealmente separables puesto que la nformacón no es fáclmente predecble para separarla en dos clases. A dferenca del SVM lneal, el no lneal adcona un núcleo o funcón kernel, el cual aplca una transformacón a los datos para que puedan ser dvddos, esta funcón kernel puede convertrse en una debldad para el algortmo s la funcón escogda no es efectva en el proceso de transformacón, por esta razón para Mnmzacón de resgo estructural (SRM). Mnmza la probabldad de clasfcacón errónea sobre nuevos ejemplos, especalmente cuando se dsponen de pocos datos de entrenamento. este proyecto se optó por el Kernel gaussano, es decr, un algortmo basado en Funcón Base Radal (RBF). A contnuacón se descrbe el concepto y modelo matemátco del SVM lneal y del SVM no lneal con el RBF. a. SVM lneal [] Las SVM lneal con margen máxmo es el modelo más sencllo de SVM y el que tene menos condcones de aplcabldad, debdo a que parte del supuesto de que el conjunto de entrada es lnealmente separable en el espaco de entrada, es decr, que los ejemplos pueden ser separados por un hperplano de forma que, en cada lado del msmo, solo queden ejemplos de una msma clase sn hacer nnguna transformacón de los datos, como se puede observar en la fgura []. Fgura. Caso lnealmente separable Fuente: tomado de repostorum/archves.php?d=all&page=6593&s ort=author Matemátcamente, dadas muestras x, con sus correspondentes etquetas asocadas, y, que defnrán a qué clase pertenece cada muestra, tenemos: Revsta Vnculos Vol. # úmero #
4 J o r g e E n r q u e R o d r í g u e z - Á n g e l a P a o l a H e r r e r a - M a r t h a L l a n a R o j a s V Í C U L O S E E R O D E 0 4 VOLUME ÚMERO ( ) ( ) ( ) + = { } j x y, x y,..., x y ; x R, y, () Sendo J el número de dmensones o componentes de los vectores que contenen los datos. Un clasfcador es lneal s su funcón de decsón puede expresarse medante una funcón lneal en x. Así pues, la ecuacón del hperplano de separacón será el lugar de los puntos x en los que se cumple: H : x w+ b=0 () Sendo b una constante que ndca la poscón del plano respecto al orgen de coordenadas. Esta constante recbe el nombre de sesgo. es el vector normal al hperplano y tene la forma: w= α yx = (3) Donde los son los multplcadores de Lagrange, los cuales como se ha menconado anterormente, serán nulos en su mayoría, salvándose úncamente los que sean vectores soporte. La clasfcacón se realza determnando en qué zona del hperplano está el punto a clasfcar. Así pues, el clasfcador puede representarse medante las expresones: x w+ b >+ paray =+ (4) y{ x w + b} S el resultado de la operacón es postvo, la muestra pertenecerá a una clase, y s es nega- Multplcadores de Lagrange. Es un método para trabajar con funcones de varas varables que nos nteresa maxmzar o mnmzar, y está sujeta a certas restrccones. tvo a la otra. Las expresones anterores pueden combnarse en una únca: y{ x w + b} (5) En un problema lnealmente separable habrá nfntos hperplanos que cumplan esta condcón. El que buscamos es aquel que tenga un mayor margen. Es decr, queremos maxmzar la dstanca entre los datos y la frontera de decsón. Los puntos que caen sobre cada uno de los hperplanos son los que cumplen: H : x w+ b=+ (6) H : x w+ b= Por tanto, estos dos hperplanos son paralelos entre sí y paralelos al hperplano H (). El margen será la dstanca entre H y H. Lo que se busca aquí es aumentar la generalzacón, es decr, que una vez entrenada la máquna, clasfque correctamente las nuevas muestras. Por ello, cuanto mayor sea la dstanca entre los datos y la frontera de clasfcacón, mejor. S se desea que los datos más cercanos a la frontera tengan una salda ±, la dstanca de los datos al plano será d =, que será la w dstanca de y a H. Así pues, el margen del hperplano H (dstanca a los vectores más cercanos pertenecentes a dferentes clases) a maxmzar es d =. Maxmzar este margen es equvalente a mnmzar la norma de w. De este w modo, el problema de encontrar el hperplano óptmo puede formularse como: L( w)= mn w (7) 7 Revsta Vnculos Vol. úmero
5 I + D S O F T W A R E D E B L O Q U E O A U T O M Á T I C O D E P Á G I A S W E B Con la restrccón (5) que garantza que el hperplano separará las muestras de dstntas clases. S usamos los multplcadores de Lagrange e ncorporamos la restrccón (4), la expresón a mnmzar queda de la forma: De este modo, en las muestras ben clasfcadas se cumplrá que 0< ξ <, dependendo de qué tan cerca esté de la frontera la muestra, mentras que en las mal clasfcadas ξ >. Ld = w α y( x w+ b) = ( ) (8) En esta ocasón, la ecuacón a mnmzar (7), es modfcada de la forma: 8 Así pues, para mnmzar la expresón anteror debemos dervar con respecto a w y b e gualar a cero. Esto nos deja dos ecuacones: w= α y x = α y = 0 = (9) Tenendo en cuenta las ecuacones anterores, la máquna de vectores soporte, actuando como clasfcador y para el caso en el que el problema sea lnealmente separable, puede escrbrse como: f ( x)= sgn α y( xx )+ b = (0) Caso no separable lnealmente [] En el caso que no sea posble separar lnealmente los datos, hay dos solucones: buscar una frontera no lneal, o tratar de encontrar el hperplano que cometa un menor número de errores. Para esta últma opcón, vamos a ntroducr unas varables postvas ξ, que controlan el error permtdo y penalzan las muestras mal clasfcadas. Así pues, la ecuacón (5) es modfcada de la forma: y{ x w+ b} ξ () ξ 0, () Lp = w + C = ξ (3) Sujeta a las restrccones () y (). C es una constante que penalza las muestras mal clasfcadas y que determna la mportanca de la maxmzacón de la dstanca frente a la mnmzacón de los errores. En el presente proyecto, el valor de esta constante se ha calculado medante valdacón cruzada, tal y como se explcará en el sguente capítulo. Usando multplcadores de Lagrange, la ecuacón (3) queda de la forma: Lpd = w + C y x w b ( + ) + = = = ξ µξ α ξ (4) ( ) Donde es el multplcador de Lagrange ntroducdo para forzar la postvdad de. S ahora dervamos con respecto a cada varable e gualamos a cero para obtener la solucón óptma, como hcmos en el caso separable, obtenemos las ecuacones (9) y: C µ α = 0 (5) El problema cuadrátco queda de la forma: φ ( x SVM no lneal [] La SVM no lneal se puede nterpretar como ) (6) una generalzacón del hperplano óptmo de decsón, ya que permte la resolucón de problemas no separables y trazar fronte- Revsta Vnculos Vol. # úmero #
6 J o r g e E n r q u e R o d r í g u e z - Á n g e l a P a o l a H e r r e r a - M a r t h a L l a n a R o j a s V Í C U L O S E E R O D E 0 4 VOLUME ÚMERO ras de clasfcacón no lneales. Para el caso en el que los datos no son lnealmente separables, puede aplcarse una transformacón φ ( x)sobre el espaco de trabajo con el objetvo de obtener un espaco de característcas, generalmente de dmensón superor, donde sí sean separables las muestras y donde se debe trazar el hperplano óptmo de separacón (ver fgura ). La formulacón es báscamente la msma, úncamente reemplazando x por φ ( x). Lneal k( x, x )= x x (8) Polnómca k( x, x )= yxx + c ( ) α (9) Gaussana k( x, x )= exp y x x ( ) (0) Sendo una constante de proporconaldad, c un coefcente y el rango del polnomo. En el presente trabajo se ha optado por un kernel gaussano (RBF). Fgura. Transformacón espacal del espaco de entrada Fuente: tomado de handle/006/99 El Teorema de Cover proporcona la justfcacón de por qué una transformacón no lneal a un espaco de mayor dmensón aumenta las posbldades de dsponer de un conjunto de datos separables, s estos no lo eran en el espaco de entrada. Para construr una SVM en el espaco resultante, este debe ser un Espaco de Hlbert5, y por tanto cumplr: ( )=<( ) ( )> k x, x x, φ x (7) Donde la funcón k es llamada Funcón núcleo o Funcón kernel. Tenendo esta funcón, es posble aplcar el algortmo de entrenamento de las SVM sn conocer. Exsten dstntas funcones kernel que permten adaptar la SVM a cada conjunto de muestras, con el fn de obtener mejores resultados. Las más usadas son: La funcón de clasfcacón de la SVM (0) con el RBF es redefnda de la sguente manera: ( ( ) = ) f ( x)= sgn α y k( xx, )+ b () El Teorema de Mercer expone que para garantzar que la funcón sea un producto nterno en un espaco de alta dmensonaldad, se debe cumplr la condcón: ( ) ( ) > k u, v g v dudv 0 () Es decr, la funcón kernel debe ser una funcón defnda postva. Por tanto, el problema cuadrátco de entrenar la SVM queda de la forma: Ld = α y yk x x j j j ( j) = αα,, = (3) Sujeto a las restrccones: 0 α c (4) α y = 0 El vector del hperplano resultante es: w αyφ x = ( ) = (5) Se puede dar el caso de que el problema tampoco sea separable en el nuevo espaco. En 9 Revsta Vnculos Vol. úmero
7 I + D S O F T W A R E D E B L O Q U E O A U T O M Á T I C O D E P Á G I A S W E B estos casos, se actúa de gual manera que en el problema lneal: ntroducendo un térmno de coste C y las pérddas ξ. De esta forma, reescrbendo las ecuacones () y () para el caso no lneal, obtenemos: y{ φ( x w+ b) } ξ (6) ξ 0, De este modo, la nueva funcón objetvo será la msma que en el caso lneal para problemas no separables: mn,, wbs w C ξ = (7) S ntroducmos las ecuacones (6) en (7), el langrangano del problema queda de la forma: Lpd = w + C ξ y x w b ( ( ) + ) + = µξ = α φ ξ = ( ) (8) Ecuacón smlar a (4) en la que úncamente se ha susttudo x por φ ( x ). Las condcones que debe cumplr un vector para ser solucón de (6) venen determnadas por el Teorema de Karush-Kuhn-Tucker (KKT) que es una generalzacón del Teorema de los Multplcadores de Lagrange. Se puede decr que resolver el problema de la SVM es equvalente a encontrar una solucón para las condcones KKT. SVM no Lneal con Kernel Lneal Se aplca a la base de datos SVM no lneal el Kernel Lneal. Para el Kernel Lneal se requere sólo un parámetro, C, que representa la cota superor del vector α. Se varía este parámetro usando los sguentes valores: C={0.;0.3;0.5;0.7;;0;0;30;40;50;60;70;80;90; 00;00;300;400;500;700;000} El mejor resultado se obtene para un coefcente C=00, con un promedo de un 94,55% de efectvdad en la valdacón cruzada. En la tabla se muestra el detalle de los resultados obtendos. Tabla. Valdacón SVM Kernel Lneal Valdacón SVM Kernel Lneal Subconjunto Acerto (%) 89,47 9, ,74 4 9, , , , , ,5 0 96,43 Promedo 94,55 Fuente: elaboracón propa. 0 Pruebas y resultados Para la realzacón de las pruebas se dvdó el dataset construdo en 0 subconjuntos, donde cada uno contenía 753 regstros. A contnuacón se presenta el resultado comparatvo sobre la efcenca que se obtene entrenando los datos con el algortmo SVM, el algortmo RBF y el hbrdo SVM RBF. Fgura 3. Gráfca SVM Kernel Lneal Fuente: elaboracón propa. Revsta Vnculos Vol. # úmero #
8 J o r g e E n r q u e R o d r í g u e z - Á n g e l a P a o l a H e r r e r a - M a r t h a L l a n a R o j a s V Í C U L O S E E R O D E 0 4 VOLUME ÚMERO Con el resultado de la gráfca (fgura 3) se puede observar que la efcenca va ncrementando constantemente, de tal forma que nos hace deducr que, en cada entrenamento, el algortmo SVM aumenta la efectvdad de su aprendzaje en cada subconjunto. En el subconjunto 9 se presenta la efcenca más alta ya que se utlzó el coefcente C = 00, el cual es un parámetro ajustable; un valor grande de C equvale a una mayor penalzacón de los errores. Funcón Base Radal (RBF) Se hceron pruebas colocando desde hasta 0 neuronas para la capa de neuronas cuya funcón de actvacón es del tpo radal. Los grupos dependen de la ncalzacón de los que se realce al prncpo del algortmo. Por esta razón, y con el objetvo de encontrar la mejor red posble, se decdó realzar un total de 50 teracones para cada uno de los 0 subconjuntos, guardando el resultado de aquella para la cual se obtenga un error de clasfcacón nferor. En la tabla se muestran los resultados: Tabla. Valdacón RBF Valdacón SVM KernelPolnomal Subconjunto Acerto (%) 7,3 7, , , , , , ,06 0 7,4 Promedo 65,54 Fuente: elaboracón propa. Fgura 4. Gráfca RBF Fuente: elaboracón propa En la tabla se evdenca que la efectvdad del RBF en la clasfcacón de datos es menor que la del SVM. La fgura 4 expone que el valor más alto se presentó con en el subconjunto 4, este valor puede darse por los datos que regstra el dataset y las neuronas de la capa oculta. Hbrdo SVM - RBF El Kernel Gaussano o RBF, vene dado por la sguente expresón: x xs k( x, xs)= exp, p > 0 (9) p El parámetro a varar es ρ y de acuerdo a lo realzado en el trabajo, es decr, se utlzan los valores {0,, 0,5,,, 3, 4, 0, 0,00}. La mejor confguracón {ρ,c} se tene para ρ = C=00, con un promedo de un 98.5 % de efectvdad en la valdacón cruzada. En la tabla 3 se muestra el detalle de los resultados obtendos en la valdacón cruzada. Tabla 3. Valdacón Hbrdo SVM RBF Valdacón SVM Kernel RBF Partcón Acerto (%) 96,49 96, , , Revsta Vnculos Vol. úmero
9 I + D S O F T W A R E D E B L O Q U E O A U T O M Á T I C O D E P Á G I A S W E B Valdacón SVM Kernel RBF Partcón Acerto (%) 8 98, Promedo 98,5 Fuente: elaboracón propa. Fgura 5. Gráfca Híbrdo SVM - RBF Fuente: elaboracón propa. La gráfca (fgura 5) que generó el sstema hbrdo muestra que, a medda que transcurre el proceso de aprendzaje del algortmo, este va aumentando su efcenca en la clasfcacón de datos, en cnco subconjuntos se observa un acerto del 00 por cento, esto podría sgnfcar que el parámetro C confgurable del SVM no tene tanta nfluenca mentras el parámetro p se mantenga en valores bajos. Conclusones Se realzó una recoleccón de datos (dataset) sobre págnas web cuyo contendo sea volento, determnando los atrbutos con base a la descrpcón prncpal de la estructura SEO en stos web. A este conjunto de datos se le aplcó un proceso de preparacón, lmpeza e ntegracón donde se concluye que sus nstancas se encuentran correctamente defndas para ser usadas en el aprendzaje del algortmo híbrdo. El estudo de fortalezas y debldades de los cnco algortmos preselecconados, permtó determnar que el algortmo SVM, a pesar de que es una de los más recentes, ha tomado fuerza en la Intelgenca Artfcal, ya que su flexbldad de uso de datos lneales y no lneales lo ha convertdo en uno de los algortmos de clasfcacón más usados y exactos. En las pruebas realzadas se detectó que en el algortmo híbrdo SVM-RBF se consgue un porcentaje menor de error en la clasfcacón de datos. En este hbrdo se puede ajustar el coefcente C del SVM y el parámetro p del RBF, jugar con el valor de estos datos ha permtdo lograr un acerto del 00 por cento que no fue posble consegur con cada uno de los algortmos por separado. Trabajos futuros Estudar y comparar otras técncas de representacón y clasfcacón, con el fn de dentfcar y converger en una solucón que permta en determnado momento mplementar este tpo de técncas en clasfcacón de otro tpo de contendo Web, de esta forma podrán controlarse todos aquellos contendos que expongan la segurdad en las redes y por tanto el uso napropado de los recursos corporatvos haca los cuales éstas están destnadas. Referencas [] F. Valle Padlla, Implementacón efcente de clasfcadores Pror-SVM para MAT- LAB. Acceso: enero del 04. Dsponble en handle/006/99> [] M. Márquez Vera, Clasfcacón de sedmentos Clástcos medante Máqunas de Vectores de Soporte Acceso: enero del 04. Dsponble en Revsta Vnculos Vol. # úmero #
10 J o r g e E n r q u e R o d r í g u e z - Á n g e l a P a o l a H e r r e r a - M a r t h a L l a n a R o j a s V Í C U L O S E E R O D E 0 4 VOLUME ÚMERO ves.php?d=all&page=6593&sort=aut hor> [3] Aplcacón de las técncas de redes neuronales para el dagnóstco on-lne del proceso de electroerosón por hlo. Acceso: septembre del 0. Dsponble en profesores-ets blbo/~jtpcaax/pfc/ wwwa/aprndzaje_de_las_ann. htm#_toc > [4] E. Cacedo Bravo, Funcones de Base Radal, Unversdad del valle Acceso: abrl del 03. Dsponble en De_Computacon_Inttelgente/materal/R_RBF_Feb005.pdf> [5] Técncas de Análss de Datos en WEKA. Acceso: enero del 04. Dsponble en turoralweka.pdf< [6] O. Comell, A. Garmenda, Redes de Funcones de Base Radal, Insttuto Tecnológco Autónomo de Méxco, 00. Acceso: abrl del 03. Dsponble en < S00/RS/Presentacones/RBF/ Funcones/de/base/radal.doc> [7] LbSVM A Lbrary for Support Vector Machnes. Acceso: enero del 04. Dsponble en tw/~cjln/lbsvm/> [8] S. Maldonado, R. Weber, Modelos de Seleccón de Atrbutos Para Support Vector Machnes, Revsta Ingenería de Sstemas, Vol. XXVI, septembre 0. Acceso: julo del 03. Dsponble en VI/maldonado.pdf> [9] F. Valle Padlla, Implementacón Efcente de Clasfcadores Pror SVM para MATLAB, Unversdad Carlos III de Madrd. [Acceso: enero del 04. Dsponble en handle/006/99> 3 Revsta Vnculos Vol. úmero
UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesACTIVIDADES INICIALES
Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)
Más detallesTEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS.
GESTIÓN FINANCIERA. TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS. 1.- Funconamento de las cuentas bancaras. FUNCIONAMIENTO DE LAS CUENTAS BANCARIAS. Las cuentas bancaras se dvden en tres partes:
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Ejerccos para Evaluacón: Tema 5 1. Contestar brevemente a las sguentes cuestones relaconadas con las Redes de Base
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesMódulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization)
Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multobjectve Optmzaton) Patrca Jaramllo A. y Rcardo Smth Q. Insttuto de Sstemas y Cencas de la Decsón Facultad de Mnas Unversdad Naconal de Colomba, Medellín,
Más detallesTutorial sobre Máquinas de Vectores Soporte (SVM)
Tutoral sobre Máqunas de Vectores Soporte SVM) Enrque J. Carmona Suárez ecarmona@da.uned.es Versón ncal: 2013 Últma versón: 11 Julo 2014 Dpto. de Intelgenca Artcal, ETS de Ingenería Informátca, Unversdad
Más detallesCOMPARADOR CON AMPLIFICADOR OPERACIONAL
COMAADO CON AMLIFICADO OEACIONAL COMAADO INESO, COMAADO NO INESO Tenen como msón comparar una tensón arable con otra, normalmente constante, denomnada tensón de referenca, dándonos a la salda una tensón
Más detallesAlgoritmo para la ubicación de un nodo por su representación binaria
Título: Ubcacón de un Nodo por su Representacón Bnara Autor: Lus R. Morera González En este artículo ntroducremos un algortmo de carácter netamente geométrco para ubcar en un árbol natural la representacón
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
Más detallesSmoothed Particle Hydrodynamics Animación Avanzada
Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla
Más detallesDEFINICIÓN DE INDICADORES
DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.
Más detallesUn modelo sencllo, dsponble y seguro Kontratazo publko elektronkoa públca electrónca Lctacones de Prueba: la mejor forma de conocer y domnar el Sstema de Lctacón Electrónca www.euskad.net/contratacon OGASUN
Más detallesExtracción de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311
Extraccón de Atrbutos Dr. Jesús Arel Carrasco Ochoa arel@naoep.mx Ofcna 8311 Contendo Introduccón PCA LDA Escalamento multdmensonal Programacón genétca Autoencoders Extraccón de atrbutos Objetvo Preprocesamento
Más detalles12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández
MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández
Más detallesRedes Neuronales Support Vector Regression
Redes Neuronales Support Vector Regresson Seres Temporales Máster en Computacón Unverstat Poltècnca de Catalunya Dra. Alca Troncoso Lora Contendo Introduccón Redes Neuronales: Aplcacón Support Vector Regresson:
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesOPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS
P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.
Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón
Más detallesCÁLCULO VECTORIAL 1.- MAGNITUDES ESCALARES Y VECTORIALES. 2.- VECTORES. pág. 1
CÁLCL ECTRIAL 1. Magntudes escalares y vectorales.. ectores. Componentes vectorales. ectores untaros. Componentes escalares. Módulo de un vector. Cosenos drectores. 3. peracones con vectores. 3.1. Suma.
Más detallesPROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)
ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Redes de Neuronas: Preparacón de datos para el aprendzaje y meddas de evaluacón 1. Preparacón de datos Característcas de los datos
Más detallesUnidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública
Undad Central del Valle del Cauca Facultad de Cencas Admnstratvas, Económcas y Contables Programa de Contaduría Públca Curso de Matemátcas Fnanceras Profesor: Javer Hernando Ossa Ossa Ejerccos resueltos
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesComparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó
Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor
Más detallesINSYS Advanced Dashboard for Enterprise
Enterprse Enterprse INSYS Advanced Dashboard for Enterprse Enterprse, es un tablero de control para llevar a cabo la Gestón de la Segurdad de la Informacón, Gestón de Gobernabldad, Resgo, Cumplmento (GRC)
Más detallesClase 25. Macroeconomía, Sexta Parte
Introduccón a la Facultad de Cs. Físcas y Matemátcas - Unversdad de Chle Clase 25. Macroeconomía, Sexta Parte 12 de Juno, 2008 Garca Se recomenda complementar la clase con una lectura cudadosa de los capítulos
Más detallesCONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A.
CONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A. PERÍODO 201-2020 Introduccón Las Bases Técnco Económcas Prelmnares, en
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detalles6 Minimización del riesgo empírico
6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón
Más detallesMÁQUINA DE VECTORES DE SOPORTE
MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas
Más detalles9. Mantenimiento de sistemas de dirección y suspensión
9. Mantenmento de sstemas de dreccón y suspensón INTRODUCCIÓN Este módulo de 190 horas pedagógcas tene como propósto que los y las estudantes de cuarto medo desarrollen competencas relatvas a los sstemas
Más detalles1.DISPOSICIONES GENERALES
1.DISPOSICIONES GENERALES CONSEJERÍA DE ECONOMÍA, HACIENDA Y EMPLEO Orn HAC/19/2011, 18 julo, por la que se modfca la orn 19 dcembre 2001, por la que se aprueban los molos documentos ngreso 046 y 047.
Más detallesMarcos Gutiérrez-Dávila marcosgd@ugr.es
Marcos Gutérrez-Dávla marcosgd@ugr.es Introduccón: Relacón de la bomecánca con el deporte de competcón El gesto deportvo consttuye un patrón de movmento estable que se caracterza por el alto grado de efcenca
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesFUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN
FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN 1 CÁLCULO DE LOS FLUJOS NETOS DE CAJA Y TOMA DE DECISIONES DE INVERSIÓN PRODUCTIVA Peculardades
Más detallesMatemática Financiera Sistemas de Amortización de Deudas
Matemátca Fnancera Sstemas de Amortzacón de Deudas 7 Qué aprendemos Sstema Francés: Descomposcón de la cuota. Amortzacones acumuladas. Cálculo del saldo. Evolucón. Representacón gráfca. Expresones recursvas
Más detallesALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.
9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesMáquinas de Vectores Soporte (SVM)
Máqunas e Vectores Soporte SVM Estructura: re estátca asaa en kernels que realza clasfcacón lneal sore vectores transformaos a un espaco e mensón superor es ecr separa meante un perplano en el espaco transformao
Más detallesGUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22
DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.
Más detallesDisipación de energía mecánica
Laboratoro de Mecáa. Expermento 13 Versón para el alumno Dspacón de energía mecáa Objetvo general El estudante medrá la energía que se perde por la accón de la uerza de rozamento. Objetvos partculares
Más detallesQué es la EN81-28? Atrapado en el ascensor?
Qué es la EN81-28? Atrapado en el ascensor? www.safelne.se La podemos ayudar! Hsselektronk desarrolla y produce electrónca para ascensores. Nuestra gama de productos consste prncpalmente en teléfonos de
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detalles1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo
EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces
Más detallesGuía de ejercicios #1
Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje
Más detallesMaterial realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera
Tema - MATEMÁTICAS FINANCIERAS Materal realzado por J. Davd Moreno y María Gutérrez Unversdad Carlos III de Madrd Asgnatura: Economía Fnancera Apuntes realzados por J. Davd Moreno y María Gutérrez Advertenca
Más detallesTu área reservada Organización Simplicidad Eficiencia
Rev. 07/2012 Tu área reservada Organzacón Smplcdad Efcenca www.vstos.t La Tu tua área area reservada rservata 1 MyVstos MyVstos es la plataforma nformátca, reservada a los clentes Vstos, que permte comprobar
Más detallesEspacios de Búsqueda en un Árbol Binario para Resolver Problemas de Optimización Discreta
Espacos de Búsueda en un Árbol Bnaro para Resolver Problemas de Optmzacón Dscreta María Elena Gómez-Torres J. Crspín Zavala-Díaz Marco Antono Cruz- Chávez 3 Insttuto Tecnológco de Zacatepec Calzada Insttuto
Más detallesClasificación Jerárquica de contenidos Web.
Clasfcacón Jerárquca de contendos Web. Álvaro Gascón y Marín de la Puente Unversdad Carlos III Madrd 100029648@alumnos.uc3m.es Mguel María Rodríguez Aparco Unversdad Carlos III Madrd 100021447@alumnos.uc3m.es
Más detallesReconocimiento de Imágenes Empleando Redes de Regresión General y la Técnica TVS
Reconocmento de Imágenes Empleando Redes de Regresón General y la Técnca TVS Rcardo García-Herrera & Waltero Wolfgang Mayol-Cuevas Laboratoro de INvestgacón para el Desarrollo Académco Depto. Ingenería
Más detallesCAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales
CAPÍTULO 3 METODOLOGÍA En el sguente capítulo se presenta al nco, defncones de algunos conceptos actuarales que se utlzan para la elaboracón de las bases técncas del Producto de Salud al gual que la metodología
Más detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
Más detallesMODELO DE PROCESOS TECNOLOGÍAS DE LA INFORMACIÓN - GESTIÓN DEL SERVICIO
MODELO DE PROCESOS TECNOLOGÍAS DE LA INFORMACIÓN - GESTIÓN DEL SERVICIO INTRODUCCION Gestón de Servcos de TI: Entrega de servcos de TI, que cumplan con los requstos del negoco, de una caldad aceptable
Más detallesStarbridge Networks 305EU Manual
Starbrdge Networks 305EU Manual Contendo Requermentos Mínmos del Sstema... 2 Descrpcón del Kt Starbrdge Networks 305 EU... 2 Característcas del módem... 2 Instalacón Paso 1: Conectar el módem al PC...
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesTEMA 6 AMPLIFICADORES OPERACIONALES
Tema 6 Amplfcadores peraconales ev 4 TEMA 6 AMPLIFICADES PEACINALES Profesores: Germán llalba Madrd Mguel A. Zamora Izquerdo Tema 6 Amplfcadores peraconales ev 4 CNTENID Introduccón El amplfcador dferencal
Más detalles1.- Elegibilidad de estudiantes. 2.- Selección de estudiantes - 2 -
Unversdad Euskal Herrko del País Vasco Unbertstatea NORMATIVA PARA SOCRATES/ERASMUS Y DEMÁS PROGRAMAS DE MOVILIDAD AL EXTRANJERO DE ALUMNOS (Aprobada en Junta de Facultad del día 12 de marzo de 2002) La
Más detallesCONCEPTOS GENERALES DEL CAMPO MAGNÉTICO
CONCEPTOS GENERALES DEL CAMPO MAGNÉTICO 1 ÍNDICE 1. INTRODUCCIÓN 2. EL CAMPO MAGNÉTICO 3. PRODUCCIÓN DE UN CAMPO MAGNÉTICO 4. LEY DE FARADAY 5. PRODUCCIÓN DE UNA FUERZA EN UN CONDUCTOR 6. MOVIMIENTO DE
Más detallesManual. Starbridge 305EU. Contenido
Starbrdge 305EU Manual Contendo Requermentos Mìnmos del Sstema... 2 Descrpcón del Kt Starbrdge 305 EU... 2 Característcas del modem... 2 Instalacón Paso 1: Conectar el modem al PC... 3 Paso2: Confgurar
Más detallesUniversidad Simón Bolívar Conversión de Energía Eléctrica - Prof. José Manuel Aller
Unversdad Smón Bolívar Conversón de Energía Eléctrca Prof José anuel Aller 41 Defncones báscas En este capítulo se estuda el comportamento de los crcutos acoplados magnétcamente, fjos en el espaco El medo
Más detallesExplicación de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS
Explcacón de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS EMBARGO: 21 de agosto de 2012, 15:00 (CEST) Objetvo angular de 24 mm, con zoom óptco 30x (PowerShot SX500 IS) Desarrollado usando
Más detallesPACS: 03,65. w, 03,67.Lx, 03,65.Bz Palabras Clave: Computación cuántica geométrica, universalidad, medio Kerr.
UNIVERSALIDAD DE LA COMPUTACIÓN CUÁNTICA GEOMÉTRICA: MODELO DEL MEDIO KERR Andrés Scard 1, Maro Vélez Grupo de Lógca y Computacón Departamento de Cencas Báscas, Unversdad EAFIT, Medellín, Colomba 1 emal:
Más detallesUNA RECONSTRUCCIÓN DE SIGNIFICADOS EN EL CONCEPTO DE DERIVADA. EL CASO DE LA LINEALIDAD DEL POLINOMIO *
UNA RECONSTRUCCIÓN DE SIGNIFICADOS EN EL CONCEPTO DE DERIVADA. EL CASO DE LA LINEALIDAD DEL POLINOMIO * RESUMEN: María del Plar Rosado Ocaña y Francsco Cordero Osoro Centro de Investgacón y Estudos Avanzados
Más detallesUnidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles
2 Undad I.. Defncón de reaccón de combustón La reaccón de combustón se basa en la reaccón químca exotérmca de una sustanca (o una mezcla de ellas) denomnada combustble, con el oxígeno. Como consecuenca
Más detallesTEMA 8: PRÉSTAMOS ÍNDICE
TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE
Más detalles6.9 El trazador cúbico
4.9 El trazador cúbco El polnomo de nterpolacón es útl s se usan pocos datos y que además tengan un comportamento polnomal, así su representacón es un polnomo de grado bajo y adecuado. S no se cumplen
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17
Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES
Más detallesEconomía de la Empresa: Financiación
Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se
Más detallesTema 9: Otros temas de aplicación
Tema 9: Otros temas de aplcacón. Introduccón Exsten muchos elementos nteresantes y aplcacones del Matlab que no se han comentado a lo largo de los temas. Se nvta al lector a que nvestgue sobre ellos según
Más detallesUNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II
UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesMATEMÁTICA DE LAS OPERACIONES FINANCIERAS I
MATEMÁTICA DE LAS OPERACIONES FINANCIERAS I CURSO 0/04 PRIMERA SEMANA Día 7/0/04 a las 6 horas MATERIAL AUXILIAR: Calculadora fnancera DURACIÓN: horas. a) Captal fnancero aleatoro: Concepto. Equvalente
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL:
Geografía y Sstemas de Informacón Geográfca (GEOSIG). Revsta dgtal del Grupo de Estudos sobre Geografía y Análss Espacal con Sstemas de Informacón Geográfca (GESIG). Programa de Estudos Geográfcos (PROEG).
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesSISTEMA DE RECONOCIMIENTO DE ROSTROS
SISTEMA DE RECONOCIMIENTO DE ROSTROS Categoría: Pre-grado - Alumno Área Temátca: Ingenería de Sstemas Procesamento Dgtal de Imágenes Autor Sandra María Vlla Palacos Unversdad Peruana de Cencas Aplcadas
Más detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detallesUnidad 3 PLANIFICACIÓN DE TIEMPOS, PROGRAMACIÓN DE RECURSOS Y ESTIMACIÓN DE COSTOS DE LA EJECUCIÓN Y MANTENIMIENTO DE LOS STI
Undad 3 PLANIFICACIÓN DE TIEMPOS, PROGRAMACIÓN DE RECURSOS Y ESTIMACIÓN DE COSTOS DE LA EJECUCIÓN Y MANTENIMIENTO DE LOS STI 3.1. DINÁMICA DE LA GESTIÓN DE PROYECTOS. 3.1.1. GESTIÓN DE PROYECTOS. La gestón
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detallesFISICOQUÍMICA FARMACÉUTICA (0108) UNIDAD 1. CONCEPTOS BÁSICOS DE CINÉTICA QUÍMICA
FISICOQUÍMICA FARMACÉUTICA (008) UNIDAD. CONCEPTOS BÁSICOS DE CINÉTICA QUÍMICA Mtra. Josefna Vades Trejo 06 de agosto de 0 Revsón de térmnos Cnétca Químca Estuda la rapdez de reaccón, los factores que
Más detalles1.1 Ejercicios Resueltos Tema 1
.. EJERCICIOS RESUELTOS TEMA. Ejerccos Resueltos Tema Ejemplo: Probarque ++3+ + n 3 + 3 +3 3 + + n 3 n (n +) Ã n (n +)! - Para n es certa, tambén lo comprobamos para n, 3,... ( + ) + 3 (+) supuesto certa
Más detallesIMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1
IMPEMEACIÓ PRÁCICA DE U BACO DE FIROS UIFORME En este tpo de bancos, la forma de la respuesta espectral de cada uno de los fltros es la msma, y su frecuenca central se raparte de manera unforme en el espectro:
Más detallesMarinelly Álvarez Departamento de Refinación y Comercio, INTEVEP PDVSA Caracas 1070-A, Apdo. 76343, Venezuela.
Cuál es el mejor software de smulacón para la logístca petrolera? Gladys Rncon, Mara Perez, Lus E. Mendoza LISI, Departamento de Procesos y Sstemas, Unversdad Smón Bolívar Caracas 1080-A, Apdo. Postal
Más detallesCréditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias
Crédtos Y Sstemas de Amortzacón: Dferencas, Smltudes e Implcancas Introduccón Cuando los ngresos de un agente económco superan su gasto de consumo, surge el concepto de ahorro, esto es, la parte del ngreso
Más detallesPROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos)
PROBLEMAS DE ELECTRÓNCA ANALÓGCA (Dodos) Escuela Poltécnca Superor Profesor. Darío García Rodríguez . En el crcuto de la fgura los dodos son deales, calcular la ntensdad que crcula por la fuente V en funcón
Más detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detalles