Capítulo 2.2: Redes Neuronales Artificiales
|
|
- Héctor Moreno Reyes
- hace 5 años
- Vistas:
Transcripción
1 Capítulo 2.2: Redes euronales Artfcales captulo Págna de 3
2 . eurona natural Hemos vsto que una neurona en el hombre funcona por mpulsos eléctrcos que se generan cuando se cumplen unas determnadas condcones químcas a su vez generadas por un potencal eléctrco. El cclo es: un efecto externo posblemente una confguracón determnada de conexones dendrítcas unto con un determnado potencal eléctrco- produce una despolarzacón de la célula, esa despolarzacón equvale a un potencal de accón que se genera se propaga como un pulso eléctrco. Las concentracones de a + de K + hacen que el potencal de la membrana vuelva a su valor de reposo. Los mpulsos no pueden generarse a una velocdad maor que 500 veces por segundo. Por tanto las neuronas son relatvamente lentas. Por otro lado, se consdera que en el cerebro ha unos mllones de neuronas (0 ) dez veces más conexones (0 2 ). Es materalmente mposble crear un sstema electrónco con tal cantdad de procesadores de conexones. La forma de la neurona natural consta de un núcleo con unas conexones dendrítcas cercanas un axon más largo (que puede llegar a m) por el que se transmten los mpulsos a las conexones dendrítcas leanas que las conectan a otras neuronas. Ver Fgura. Fg : Esquema de una neurona natural 2. La eurona artfcal La neurona artfcal consta como se ve en la fgura 2 de varas partes. Por un lado están las entradas, los pesos, el sumatoro, fnalmente la funcón adaptadora. Los valores de captulo Págna 2 de 3
3 Fg 2: Esquema de una neurona artfcal con su funcón de actvacón funcón de dsparo. las entradas se multplcan por unos pesos se suman: Σ w x. Esta funcón suma se completa con la suma de un umbral θ. Este umbral tene el msmo efecto que una entrada con valor. Srve para que la suma pueda estar desplazada a zquerda o derecha del orgen. Después de la suma, tenemos la funcón f que se aplca al conunto resultando el valor fnal de la salda, llamado tambén. Al resultado de la suma antes de aplcarle la funcón f, suele llamársele tambén valor de actvacón a. Fg 3: Esquema de conexón de la salda de una neurona artfcal a la entrada de una posteror neurona. captulo Págna 3 de 3
4 En la fgura 3, aparecen dos neuronas conectadas. La salda de una neurona se conecta a la entrada de la sguente. Con este tpo de conexones podemos realzar una red neuronal tan complea como queramos. En la fgura 4 se muestran varas formas normalmente utlzadas para la funcón f que se aplca al sumatoro (tambén llamada funcón adaptadora). La prmera de las funcones es la funcón lneal que es equvalente a no haber funcón pues es =x. La segunda funcón típca que se utlza para smular una neurona natural es la funcón escalón. Cuando la suma de productos supera el valor de 0 (en el caso del uso de un umbral, θ es superar el valor del umbral), la funcón fnal es postva (+) s está por debao de 0, el valor de la funcón fnal es negatva (-). De esta manera, las saldas de cada neurona a están normalzadas entre + (tambén podría ser entre 0 +). Una funcón ntermeda entre las dos prmeras es la llamada funcón lneal a tramos. El problema de estas dos últmas funcones es que no son dervables en algunos puntos por lo que no puede aplcarse algunos algortmos que utlzan la dervada (como veremos posterormente). Para palar este problema, se utlza una aproxmacón a la funcón escalón que es la funcón sgmodea que a es dervable en todos sus puntos. Otra funcón que puede utlzarse, que tambén es dervable es la funcón gaussana. Como vemos en la tabla, la funcón gaussana permte una actvacón en torno al valor 0 tanto a derecha como a zquerda. Fnalmente, por complettud se pone tambén la funcón senodal, pero ésta se utlza raramente. Otra de las varantes de la funcón proceso de la neurona es aquella que susttue la suma ponderada de las entradas con la funcón sguente: = f ( ( w = x ) 2 θ ) El sgnfcado es el sguente: En vez de sumar las entradas con unos pesos, lo que se hace es la dstanca euclídea entre las entradas los pesos. Estas funcones se llaman funcones de base radal, dado que la actvacón depende de la dstanca a un punto. Para lustrar esto, veamos en la fgura 5 la zona de actvacón neuronal para dos entradas x x 2 cuando los pesos son w w 2. captulo Págna 4 de 3
5 Fg 4: Dstntas funcones de actvacón que pueden usarse en la neurona artfcal Es de destacar las dferencas entre la neurona natural la artfcal. La natural funcona por mpulsos. La artfcal tene un resultado contnuo en funcón de las entradas. En la natural el sumatoro es una funcón complea no lneal. En la artfcal usamos un sumatoro smple. captulo Págna 5 de 3
6 Fgura 5: Actvacón de la neurona con una funcón de actvacón radal, la parte raada externa al círculo es el área de actvacón 3. Clasfcacón de las redes neuronales Las redes neuronales pueden clasfcarse en bnaras o no, en supervsadas o no. Las redes bnaras son aquellas para las que las entradas tenen un valor de 0 o exclusvamente (las saldas por tanto tambén valen entre 0 ). Las no bnaras tenen como entrada salda valores contnuos. Una red neuronal supervsada es aquella para la que exsten pareas de eemplos de entrada salda para los que puede entrenarse o programarse la red. Una red neuronal no supervsada, es aquella para la que no se tenen eemplos de entrada/salda, la funcón de la red es reorganzar los pesos de la red para obtener a la salda alguna funcón obetvo, pero a pror no se conoce el resultado que se obtendrá. Una aplcacón típca de una red no supervsada es para la realzacón de agrupamentos automátcos de los datos. Una red clásca no supervsada es la de mapas autoorganzatvos de Kohonen. osotros en este curso nos centraremos en las redes supervsadas no bnaras. Una red neuronal puede clasfcarse tambén, según la topología en redes de zquerda a derecha (forward), redes con realmentacón redes con memora. captulo Págna 6 de 3
7 Una red neuronal de zquerda a derecha consdera que las saldas de una sere de neuronas, se conectan a las entradas de otra sere de ellas así sucesvamente sn haber Fg. 6: Red neuronal de zquerda a derecha (forward) Fg. 7: Red neuronal realmentada captulo Págna 7 de 3
8 nunca conexones haca atrás (ver Fgura 6). Por otro lado, una red neuronal con Fg 8:Red neuronal con una capa oculta una capa de salda conexones de las saldas a las entradas de la msma neurona o entradas de neuronas de nveles anterores, se consdera una red realmentada (Fg 7). Se dce que una red neuronal tene memora, cuando la salda de una neurona es utlzada como entrada en neuronas de la msma capa o de otras, pero después de un certo tempo, llamado tempo de retardo de la red. Estas redes ntegran la evolucón de los vectores de entrada en el tempo. Por otro lado, una red neuronal genérca, de zquerda a derecha, se consdera dvdda en capas de neuronas. Se llama prmera capa de neuronas aquellas neuronas cuas conexones a la entrada están undas a entradas de la red. La segunda capa de neuronas son aquellas cuas entradas están formadas por las saldas de las neuronas de la prmera capa, así sucesvamente para sguentes capas, hasta llegar a la capa de salda, que produce tantas saldas como neuronas en la últma capa (cada neurona de la últma capa produce una salda de la red). En la fgura 8 aparece una red de zquerda a derecha con dos capas,una capa oculta (llamada así porque sus saldas son nternas a la red) una capa de salda. 4. Tpo de proceso El tpo de proceso es la capacdad que tene la red neuronal para clasfcar datos en clases compleas. Supongamos por un momento que la funcón de actvacón es la undad (funcón lneal). La red neuronal a través de sus capas de sus sumas de pesos captulo Págna 8 de 3
9 sucesvas es equvalente una transformacón lneal que sería capaz de dstngur clases separadas por una recta en un plano (caso de dos entradas con una red de una sola capala de salda). Cuando la red neuronal tene varas capas, se pueden dscrmnar regones lneales pero con formas arbtraras (ver fgura 4). En la prmera fla se muestran las regones que es capaz de dscrmnar una red neuronal con una sola capa (la de salda). En la fla segunda puede verse la capacdad de dscrmnacón de una red neuronal de dos capas (la de salda la prmera capa (llamada capa oculta). Puede verse que con combnacones de líneas pueden reconocerse regones polnomales convexas. En la tercera últma fla puede verse la capacdad de dscrmnacón de una red neuronal con tres capas (dos capas ocultas) con las que pueden dscrmnarse zonas no contguas entre sí. Fg 4: Posbldades de clasfcacón de las redes neuronales dependendo del número de capas de neuronas Cuando la funcón de actvacón no es la lneal sno que es una sgmode, entonces las regones a dferencar no están lmtadas por rectas, sno que están lmtadas por curvas de formas no lneales. 5. El algortmo de aprendzae supervsado bac propagaton El algortmo de bacpropagaton es un algortmo para entrenar o programar los pesos de una red neuronal de zquerda a derecha supervsada, con un número ndetermnado de capas. Se supone pues, que se dspone de pares de eemplos con entradas saldas. El obeto de la red será hacer que los pesos confguren la salda de la red para que ésta sea lo más cercana posble a la salda del eemplo. Consderaremos para empezar que dsponemos solo de un eemplo queremos austar los pesos al msmo. Una vez que los pesos están austados a ese eemplo, s la red es capaz de generalzar, con otro eemplo no vsto (del que no se conoce su salda) la red actuará de forma análoga nos dará un valor de salda aproxmado cua funcón es equvalente a la que se realza con captulo Págna 9 de 3
10 el prmer eemplo. En general, se dspone de varos eemplos para entrenar, la red se adaptará para que haa un error mínmo para todos ellos. S la red tene sufcentes eemplos representatvos, actuará con un eemplo no vsto con el msmo tpo de proceso que con eemplos vstos. El algortmo básco parte de unos pesos w aleatoros, en cada paso del msmo estos pesos se modfcan en la dreccón contrara a la dervada del error actual respecto a esos msmos pesos. El resultado es obtener unos pesos que contrbuen a un error fnal menor que el orgnal. Los pesos evoluconan hasta un mínmo local. El error es la dferenca cuadrátca meda entre las saldas de la red con los pesos actuales las saldas deseadas del eemplo actual. Es necesaro defnr los sguentes térmnos: Medda del error M ( ) 2 E = d = Parámetros de la red capas de neuronas M número de saldas (neuronas) en la últma capa L neuronas en la capa (o sea, L = M e d a w salda de la neurona de la capa entradas a la red salda deseada (a aprender) estado de actvacón de la neurona de la capa peso entre la neurona de la capa (-) la neurona de la capa Fundamento del algortmo ( ) ( ) w t+ = w t η E K w ( t) Varar los pesos en sentdo opuesto al gradente de la superfce de error El peso en la teracón (o tempo) t+ es gual al peso en el tempo actual (t) modfcado en sentdo nverso a la dervada del error multplcada por un factor constante. Descrpcón del algortmo captulo Págna 0 de 3
11 Para calcular todos los pesos en el tempo posteror, aparte de conocer los pesos en el tempo actual, necestamos saber la dervada del error respecto a los msmos. Para calcular dcha dervada, aplcamos la regla de la cadena al gradente a w t a w t E E = ( ) ( ) Calculemos cada térmno, para ello vamos a utlzar una funcón de actvacón tpo sgmode: = + e a a a = = 2 = a a e e a ( + e ) a + e + e ( ) Recordamos que : a = w Por lo que: 2 a w ( t) = = 2,..., w L a w ( t) = e En la ª capa os queda el térmno En la últma capa: E que por defncón es e e 2 E = = 2 = 2 ( d ) ( d ) captulo Págna de 3
12 A contnuacón vamos retropropagando (BACK PROPAGATIO) el cálculo a las capas anterores, hacendo que la dervada en estas capas sea dependente de la dervada en capas posterores, utlzando de nuevo la regla de la cadena. Para verlo más claro, supongamos una salda posterores Entonces, +,2,3 E puede escrbrse como tene conexones en tres saldas E = E E E + + = E a E a E a a a a o ben, generalzando E E a L = = + + = a O sea: L K + K = ( ) w = pues a = w + + En resumen, el algortmo queda como sgue: a) Cálculo de las saldas de la red para la entrada del eemplo, o sea b) Cálculo de teratvamente desde = hasta = en funcón de la salda deseada del eemplo. = 2 ( d ) L K = ( ) w = c) Actualzacón de pesos ( ) ( ) η ( ) ( ) ( ) η ( ) = 2,..., w t+ = w t Capa ª w t+ = w t e captulo Págna 2 de 3
13 Una vez actualzados los pesos, vuelvo al paso a) realzo otra teracón, vuelvo a calcular los pesos. El algortmo termna cuando el cambo en cada paso temporal no modfca sustancalmente (por debao de certo margen) los pesos. En el caso de que se tengan varos eemplos exsten varas alternatvas, una es r actualzando los pesos según cada eemplo teratvamente. La otra es consderar el error conunto de todos los eemplos antes de actualzarlos como S M ( ) 2 l l E = d l= = es el número total de eemplos. donde el subíndce l se refere al número de eemplo S Referenca D.P.Morgan, C.L. Scofeld, eural etwors and Speech Processng, Kluwer Academc Publshers 99. captulo Págna 3 de 3
OPENCOURSEWARE 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 detallesTallerine: Energías Renovables. Fundamento teórico
Tallerne: Energías Renovables Fundamento teórco Tallerne Energías Renovables 2 Índce 1. Introduccón 3 2. Conceptos Báscos 3 2.1. Intensdad de corrente................................. 3 2.2. Voltaje..........................................
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más 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 detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesSistemas Lineales de Masas-Resortes 2D
Sstemas neales de Masas-Resortes D José Cortés Pareo. Novembre 7 Un Sstema neal de Masas-Resortes está consttudo por una sucesón de puntos (de ahí lo de lneal undos cada uno con el sguente por un resorte
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 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 detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y
ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO
Más detallesAPLICACIONES DE LOS SISTEMAS LINEALES 1. MODELACION DE POLINOMIOS CONOCIENDO UN NUMERO DETERMINADO DE PUNTOS DEL PLANO.
APLICACIONES DE LOS SISTEMAS LINEALES 1. MODELACION DE POLINOMIOS CONOCIENDO UN NUMERO DETERMINADO DE PUNTOS DEL PLANO. Dado un numero n de puntos del plano ( a, b ) es posble encontrar una funcón polnómca
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 detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesALGUNOS MODELOS DE UNA NEURONA
ALGUNOS MODELOS DE UNA NEURONA w 1 Μ w 2 w m ADALINE ADAptve Lnear Element Wdrow y Hoff 1960 w 1 Μ w 2 w m El Adalne x 0 x 1 x 2 Μ Μ x m con w 2 w = x = w 1 w m v b m v m = w j x j + b = j= 1 = 0 [ b w
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos 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 detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesEl diodo Semiconductor
El dodo Semconductor J.I. Hurcán Unversdad de La Frontera Aprl 9, 2012 Abstract Se plantean procedmentos para analzar crcutos con dodos. Para smpl car el trabajo, el dodo semconductor es reemplazado por
Más detallesSISTEMAS DE ECUACIONES DIFERENCIALES
DIVISIÓN DE CIENCIAS FÍSICAS Y MATEMÁTICAS DTO. TERMODINÁMICA Y FENÓMENOS DE TRANSFERENCIA MÉTODOS AROXIMADOS EN ING. QUÍMICA TF-33 SISTEMAS DE ECUACIONES DIFERENCIALES Esta guía fue elaborada por: rof.
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 detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
Más detallesCurso l Física I Autor l Lorenzo Iparraguirre
Curso l Físca I Autor l Lorenzo Iparragurre AEXO 4.2: La Ley del Impulso en un ntervalo nfntesmal y en un ntervalo fnto En el texto prncpal la Ley del Impulso ha sdo presentada para un ntervalo t cualquera,
Más detallesSistemas de Control Primario y Secundario. Roberto Cárdenas D. Ingeniero Electricista, Msc. Ph.D.
Sstemas de Control Prmaro y Secundaro Roberto Cárdenas D. Ingenero Electrcsta, Msc. Ph.D. Droop Control Ya dscutmos Droop Control, maestro y esclavo, los cuales son utlzados en sstemas de generacón convenconal.
Más detallesConvertidores Digital-Analógico y Analógico-Digital
Convertdores Dgtal-Analógco y Analógco-Dgtal Conversón Dgtal-Analógca y Analógca-Dgtal Con estos crcutos se trata de consegur una relacón bunívoca entre una señal analógca y una dgtal o vceversa. Las magntudes
Más detalles1. Lección 7 - Rentas - Valoración (Continuación)
Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento
Más detallesCAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED
Modelo en red para la smulacón de procesos de agua en suelos agrícolas. CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED IV.1 Modelo matemátco 2-D Exsten dos posbldades, no ndependentes, de acuerdo con
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesDiagnóstico de Fortalezas y Debilidades Comunales
Dagnóstco de Fortalezas y Debldades Comunales Introduccón Los avances y mayores nveles de desarrollo que el país ha mostrado durante los últmos 15 años, se han traducdo, entre otros aspectos, en un aumento
Más detallesGuía de Electrodinámica
INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan
Más detallesFUNCION DE BASE RADIAL Radial Basis Function (RBF)
FUNCION DE BASE RADIAL Radal Bass Functon () Característcas generales y dferencas resaltantes con los modelos neuronales multcapas (Bakpropagaton): Broomhead y Lowe, 988, ntroducen un método alternatvo
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 detallesVectores en el espacio
ectores en el espaco Los puntos y los vectores en el espaco se pueden representar como ternas de números reales (a,b,c) c b a Por el Teorema de Ptagoras, la norma del vector = (a,b,c) es = a 2 +b 2 +c
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 detallesCAPÍTULO 5 MÉTODO DE LA FUNCIÓN ELÍPTICA DE JACOBI
CAPÍTULO 5: MÉTODO DE LA FUNCIÓN ELÍPTICA DE JACOBI 57 CAPÍTULO 5 MÉTODO DE LA FUNCIÓN ELÍPTICA DE JACOBI 5. Resumen Se busca solucón a las ecuacones acopladas que descrben los perfles de onda medante
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesMatemáticas II. Segundo Curso, Grado en Ingeniería Electrónica Industrial y Automática Grado en Ingeniería Eléctrica. 17 de febrero de
Matemátcas II Segundo Curso, Grado en Ingenería Electrónca Industral y Automátca Grado en Ingenería Eléctrca 7 de febrero de 0. Conteste las sguentes cuestones: Ã! 0 (a) (0.5 ptos.) Escrba en forma bnómca
Más detallesAplicación de curvas residuo y de permeato a sistemas batch y en continuo
Aplcacón de curvas resduo de permeato a sstemas batch en contnuo Alan Dder érez Ávla En el presente trabajo se presentara de manera breve como obtener las ecuacones que generan las curvas de resduo, de
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detallesCAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información
IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesANEXO B SISTEMAS NUMÉRICOS
ANEXO B SISTEMAS NUMÉRICOS Sstema Decmal El sstema ecmal emplea ez ferentes ígtos (,,,, 4, 5, 6, 7, 8 y 9). Por esto se ce que la base el sstema ecmal es ez. Para representar números mayores a 9, se combnan
Más detallesELECTRICIDAD Y MAGNETISMO FIZ 1300 FIS 1532 (6a)
ELECTRICIDAD Y MAGNETISMO FIZ 1300 FIS 1532 Rcardo Ramírez Facultad de Físca, Pontfca Unversdad Católca, Chle 1er. Semestre 2008 Corrente eléctrca CORRIENTE ELECTRICA Corrente eléctrca mplca carga en movmento.
Más detalles5 Centrales Hidráulicas
Curso SmSEE IIE 2012 Cap. 5 pág 1/6 5 Centrales Hdráulcas 5.1 Centrales Hdráulcas con Embalse En el caso de centrales con embalses, tendremos que agregar restrccones adconales para mponer los límtes de
Más detallesCLAVE - Laboratorio 1: Introducción
CLAVE - Laboratoro 1: Introduccón ( x )( x ) x ( xy) x y a b a b a a a ( x ) / ( x ) x ( x ) x a b a b a b ab n! n( n 1)( n 2) 1 0! 1 x x x 1 0 1 (1) Smplfque y evalúe las sguentes expresones: a. 10 2
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 detallesPRÁCTICA 11. AMPLIFICADOR OPERACIONAL I
PRÁCTICA 11. AMPLIFICADOR OPERACIONAL I 1. Objetvo El objetvo de esta práctca es el estudo del funconamento del amplfcador operaconal, en partcular de dos de sus montajes típcos que son como amplfcador
Más detallesCapítulo 2: Introducción al método de los Elementos Finitos 2. CAPÍTULO 2 INTRODUCCIÓN AL MÉTODO DE LOS ELEMENTOS FINITOS
Capítulo 2: Introduccón al método de los Elementos Fntos 2. CAPÍTULO 2 ITRODUCCIÓ AL MÉTODO DE LOS ELEMETOS FIITOS 2.. ITRODUCCIÓ Vrtualmente cada fenómeno en la naturaleza, sea bológco, geológco o mecánco
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
Más detallesTipos de amplificadores según su ganancia
Tpos de amplfcadores según su gananca Electrónca nalógca: ealmentacón Todo amplfcador que posea unas resstencas de entrada () y de salda (o) dstntas de cero y dstntas de nfnto se puede representar de cuatro
Más detallesGeneración de e Modelos 3D a Partir de e Datos de e Rango de e Vistas Parciales.
Generacón de e Modelos 3D a Partr de e Datos de e Rango de e Vstas Parcales. Santago Salamanca Mño Escuela de Ingenerías Industrales Unversdad de Extremadura (UNED, UCLM, UEX) Introduccón (I) Qué es un
Más detallesIDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR
IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR En esta práctca se llevará a cabo un estudo de modelado y smulacón tomando como base el ntercambador de calor que se ha analzado en el módulo de teoría.
Más detallesIntroducción a Vacío
Introduccón a Vacío Sstema de vacío Partes generales de un sstema de vacío: Fgura 1: Sstema de vacío con bomba mecánca y dfusora Fgura 2: Prncpo de funconamento de la bomba mecánca La Fg. 2 muestra el
Más detallesECUACIONES DIFERENCIALES ELÍPTICAS EN DERIVADAS PARCIALES. Armando Blanco A.
ECUACIONES DIFERENCIALES ELÍPICAS EN DERIVADAS PARCIALES Armando Blanco A. Captulo V ECUACIONES DIFERENCIALES ELÍPICAS EN DERIVADAS PARCIALES Introduccón Dferencas fntas Métodos de relaacón sucesva Métodos
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 detallesUtilizar sumatorias para aproximar el área bajo una curva
Cálculo I: Guía del Estudante Leccón 5 Apromacón del área bajo la curva Leccón 5: Apromacón del área bajo una curva Objetvo: Utlzar sumatoras para apromar el área bajo una curva Referencas: Stewart: Seccón
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la
Más detallesPerspectiva inversa para Ray Tracing
erspectva nversa para Ray Tracng efncón de la cámara José ortés areo, Abrl 7 a cámara vrtual suele defnrse en funcón de un conunto de parámetros ntutvos: Observador unto Focal: unto de Mra: stanca Focal:
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 21. Redes Neuronales. 2
Procesamento Dgtal de Imágenes Pablo Roncaglolo B. Nº Redes Neuronales prb@7 Redes Neuronales Báscas Células de McCulloch&Ptts El Perceptrón ADALINE El Perceptrón n Multcapa prb@7 Celulas de McCulloch-Ptts
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
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 detallesCOLEGIO INGLÉS MEDIDAS DE DISPERSIÓN
COLEGIO IGLÉS DEPARTAMETO IVEL: CUARTO MEDIO PSU. UIDAD: ESTADISTICA 3 PROFESOR: ATALIA MORALES A. ROLADO SAEZ M. MIGUEL GUTIÉRREZ S. JAVIER FRIGERIO B. MEDIDAS DE DISPERSIÓ Las meddas de dspersón dan
Más detallesCapítulo 11. Movimiento de Rodamiento y Momentum Angular
Capítulo 11 Movmento de Rodamento y Momentum Angular 1 Contendos: Movmento de rodamento de un cuerpo rígdo. Momentum Angular de una partícula. Momentum Angular de un sstema de partículas. Momentum Angular
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 detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesFísica I Apuntes de Clase 2, Turno D Prof. Pedro Mendoza Zélis
Físca I Apuntes de Clase 2, 2018 Turno D Prof. Pedro Mendoza Zéls Isaac Newton 1643-1727 y y 1 y 2 j O Desplazamento Magntudes cnemátcas: v m r Velocdad meda r r 1 r 2 r velocdad s x1 2 r1 x1 + r2 x2 +
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 detallesMETODOS NUMERICOS CATEDRA 0 6. Ingeniería Civil ING.CRISTIANCASTROP. Facultad de Ingeniería de Minas, Geología y Civil
CATEDRA 0 6 Facultad de Ingenería de Mnas, Geología Cvl Departamento académco de ngenería de mnas cvl METODOS NUMERICOS Ingenería Cvl ING.CRISTIANCASTROP. Captulo VI Sstema de Ecuacones Algebracas No Lneales
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesUn estimado de intervalo o intervalo de confianza ( IC
Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá
Más detalles) para toda permutación (p p 1 p
09 Elena J. Martínez do cuat. 004 Análss de la varanza de dos factores El problema anteror consderaba la comparacón de muestras para detectar dferencas entre las respectvas poblacones. En el modelo de
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesCapítulo 11. Movimiento de Rodamiento y Momentum Angular
Capítulo 11 Movmento de Rodamento y Momentum Angular 1 Contendos: Movmento de rodamento de un cuerpo rígdo. Momentum Angular de una partícula. Momentum Angular de un sstema de partículas. Momentum Angular
Más detalles5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.
Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las
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 detallesREGLAMENTO PARA LA GESTIÓN DE RIESGO POR TIPO DE CAMBIO
CAPÍTULO XVIII: REGLAMENTO PARA LA GESTIÓN DE RIESGO POR TIPO DE CAMBIO Artículo - Objeto.- El presente Reglamento tene por objeto establecer las dsposcones que deben ser cumpldas para la gestón del resgo
Más detallesEl Impacto de las Remesas en el PIB y el Consumo en México, 2015
El Impacto de las Remesas en el y el Consumo en Méxco, 2015 Ilana Zárate Gutérrez y Javer González Rosas Cudad de Méxco Juno 23 de 2016 1 O B J E T I V O Durante muchos años la mgracón ha sdo vsta como
Más detallesY ahora observamos que lo que está entre paréntesis es la derivada de un producto, de modo que
Estas son ms notas para las clases del curso Mecánca Raconal (62.11) en la Facultad de Ingenería-UBA. Están aún en proceso de ser completadas, no tenen carácter de texto acabado, por el contraro seguramente
Más detallesCinemática del Brazo articulado PUMA
Cnemátca del Brazo artculado PUMA José Cortés Parejo. Enero 8. Estructura del brazo robótco El robot PUMA de la sere es un brazo artculado con artculacones rotatoras que le proporconan grados de lbertad
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesPRÁCTICA NÚMEROS REALES Y COMPLEJOS CURSO Práctica 1 (30- IX-2015)
PRÁCTICA NÚMEROS REALES Y COMPLEJOS CURSO 015-016 Práctcas Matlab Práctca 1 (30- IX-015) Objetvos Incarse en el uso de Matlab. Conocer comandos báscos de Matlab para realzar cálculos con números reales
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
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 detalles3 - VARIABLES ALEATORIAS
arte Varables aleatoras rof. María B. ntarell - VARIABLES ALEATORIAS.- Generaldades En muchas stuacones epermentales se quere asgnar un número real a cada uno de los elementos del espaco muestral. Al descrbr
Más detallesPRÁCTICA 4. INDUCCIÓN ELECTROMAGNÉTICA. A. Observación de la fuerza electromotriz inducida por la variación de flujo magnético
A. Observacón de la fuerza electromotrz nducda por la varacón de flujo magnétco Objetvo: Observacón de la presenca de fuerza electromotrz en un crcuto que sufre varacones del flujo magnétco y su relacón
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 detallesClase 19: Estado Estacionario y Flujo de Potencia. EL Conversión de la Energía y Sistemas Eléctricos Eduardo Zamora D.
Clase 9: Estado Estaconaro y Flujo de Potenca EL400 - Conversón de la Energía y Sstemas Eléctrcos Eduardo Zamora D. Temas - Líneas de Transmsón - El Sstema Eléctrco - Matrz de Admtanca - Flujo de Potenca
Más detallesMETODOS NUMERICOS CATEDRA 0 6. Ingeniería Civil ING.CRISTIANCASTROP. Facultad de Ingeniería de Minas, Geología y Civil
ING.CRISTIANCASTROP. CATEDRA 0 6 Facultad de Ingenería de Mnas, Geología Cvl Departamento académco de ngenería de mnas cvl METODOS NUMERICOS Ingenería Cvl ING.CRISTIANCASTROP. Captulo VI Sstema de Ecuacones
Más detallesFUNDAMENTOS QUIMICOS DE LA INGENIERIA
FUNDAMENTOS QUIMICOS DE LA INGENIERIA (BLOQUE DE INGENIERIA QUIMICA) GUION DE PRACTICAS DE LABORATORIO ANTONIO DURÁN SEGOVIA JOSÉ MARÍA MONTEAGUDO MARTÍNEZ INDICE PRACTICA PAGINA BALANCE MACROSCÓPICO DE
Más detallesClase 19: Estado Estacionario y Flujo de Potencia. EL Conversión de la Energía y Sistemas Eléctricos Eduardo Zamora D.
Clase 9: Estado Estaconaro y Flujo de Potenca EL400 - Conversón de la Energía y Sstemas Eléctrcos Eduardo Zamora D. Temas - Líneas de Transmsón - El Sstema Eléctrco - Matrz de Admtanca - Flujo de Potenca
Más detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
Más detallesx j x 1,,x n, j 1,,n La condición necesaria y suficiente es que el determinante Jacobiano de la transformación no se anule,
Mecánca Cambo de Coordenadas En coordenadas Cartesanas estamos acostumbrados a pensar a los vectores base como versores (vectores de norma 1 o untaros) drgdos a lo largo de los correspondentes ejes, en
Más detallesCONECTIVIDAD EN LOS MUNICIPIOS Y REGIONES DE JALISCO
ONETIVIDD EN LOS MUNIIPIOS Y REGIONES DE JLISO Introduccón Desde el año 2005 el tlas de amnos y arreteras está regstrando para el Sstema Informacón Terrtoral del Estado de Jalsco (SITEJ), el nventaro de
Más detalles+ y 1 ; U 2 (x 2,y 2 ) = ax 2 (x 2) 2 2
13. Consdere un mercado en el que hay dos consumdores con las sguentes funcones de utldad: U 1 (x 1,y 1 = 4x 1 (x 1 + y 1 ; U (x,y = ax (x + y con 4 > a >0 donde x, =1,, es la cantdad del ben x consumda
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detallesLUGAR DE LAS RAÍCES. Lugar de las raíces.
Unversdad Carlos III de Madrd Señales y Sstemas LUGAR DE LAS RAÍCES Lugar de las raíces. 1. Introduccón. Crteros del módulo y argumento. 2. Gráfcas del lugar de las raíces. 3. Reglas para construr el lugar
Más detallesMÉTODO DE LAS VELOCIDADES INICIALES
MÉTODO DE LAS VELOCIDADES INICIALES OBJETIVO El alumno determnará los órdenes de reaccón respecto al yodo, la acetona y los ones hdrógeno de la reaccón de yodo con acetona, así como la constante de velocdad
Más detalles