Procesamiento de imágenes para la clasificación de café cereza
|
|
- Susana Montes Giménez
- hace 8 años
- Vistas:
Transcripción
1 Prospectva Vol. 7, No., Enero - Juno de 2009, pág Procesamento de mágenes para la clasfcacón de café cereza Images processng classfcaton for cherry coffee Zulma Sandoval*, Flavo Preto** *Msc. Ingenería Automatzacón Industral. Ing. Electrónca. Unversdad Autónoma del Carbe. Grupo de nvestgacón IET UAC. E-mal: zulma.sandoval@uac.edu.co. ** Doctor en Automátca Industral. Unversdad Naconal de Colomba Sede Bogotá. Grupo de Automátca de la Unversdad Naconal. E-mal: fapretoo@unal.edu.co RESUMEN Se desarrolla un sstema que usa técncas de vsón artfcal para clasfcar frutos de café en ocho categorías según el estado de maduracón en el que se encuentre. Las ocho categorías comprenden todo el proceso de maduracón del café desde las etapas ncales hasta sobremaduros y secos. A partr de un conjunto de 9 característcas que ncluyen meddas de color, forma y textura obtendas del análss de una magen del fruto, se logró mplementar un clasfcador Bayesano cuyo desempeño, evaluado medante el método de valdacón cruzada, corresponde al 96.88%. Palabras clave: Clasfcacón, reconocmento de patrones, café, procesamento dgtal de mágenes, vsón artfcal. ABSTRACT A machne vson system to grade coffee fruts to one of eght classes regardng ts state of rpeness s proposed. Those eght classes cover the entre rpeness process, from the startng rpeness stage to over-matured and dred fruts (last state). Usng a set of 9 measurements of color, shape and texture features on the frut mage, a Bayesan classfer was mplemented wth a 96.88% of performance, usng cross-valdaton. Palabras clave: Clasfcacón, reconocmento de patrones, café, procesamento dgtal de mágenes, vsón artfcal.. Introduccón Las condcones clmatológcas que se presentan durante todo el año en el terrtoro colombano, hacen que el cafeto no fructfque en forma homogénea. En consecuenca, en cualquer época, es posble encontrar en la msma rama frutos en dferentes estados de maduracón e ncluso flores. La proporcón de frutos maduros en una rama durante el perodo de mayor produccón es nferor al 60%. Esta característca de fructfcacón del cafeto afecta la forma como se desarrolla la recoleccón, convrténdola en una tarea compleja y costosa. Para cosechar todos los frutos se deben realzar entre 0 y 5 pases al año (Walls, Montoya, Vélez, & Olveros, 2004). Además, en cada pase se deben recoger uno a uno los frutos plenamente maduros evtando desprender los verdes o las flores. Esto hace que la efcenca de la recoleccón, que se mde en kg por hora, sea baja. Por ejemplo, para el método tradconal manual selectvo la efcenca por persona es de 0 kg de frutos desprenddos por hora (Walls, Montoya, Vélez, & Olveros, 2004). Por esta razón, la mano de obra necesara para la cosecha ncrementa los costos de recoleccón, de tal forma que representan entre el 35 y el 42 por cento de los costos totales de produccón (López, Olveros, & Ramrez, 2006). 67
2 Procesamento de mágenes para la clasfcacón de café cereza CENICAFÉ (Centro de Investgacones de la Fede racón Naconal de Cafeteros) ha mpulsado la nvestgacón tendente al mejoramento y desarrollo tanto de sstemas tecnológcos como de estrategas, que permtan el ncremento de la efcenca de la recoleccón y en consecuenca una dsmnucón en los costos. En esta nsttucón, se han estudado dferentes métodos de recoleccón que han mostrado un mejoramento de la efcenca con respecto al método selectvo en más de un 00% (23kg /h a 26.7kg/h) (Walls, Mon toya, Vélez & Olveros, 2004; López, Olveros & Ramí rez, 2006). Sn embargo, se afecta la caldad de la recoleccón, que se mde como la proporcón de frutos ma duros con respecto a todos los frutos recogdos (ma sa cosechada). Para las técncas estudadas, la caldad de la recoleccón varía entre el 8 y el 88 por cento. La presenca de frutos verdes, sobremaduros o secos en la masa cosechada afectan la caldad de la bebda y en consecuenca el preco de cotzacón en el mercado nternaconal (Marín, Arcla, Montoya, & Olveros, 2003; Puerta, 998). La acdez de la bebda se ve afectada cuando el porcentaje de frutos verdes en la masa cosechada sobrepasa el 2%, por otra parte, el amargo, el cuerpo y la mpresón global se ven alterados cuando se sobrepasa el 2,5% (Isaza, Montoya, Vélez, & Olveros, 2006). Por lo tanto, para preservar la caldad del café colombano deben mantenerse porcentajes de frutos maduros superores al 98% en la masa cosechada. Con el fn de mantener los nveles de efcenca sn afec tar la caldad de la bebda, se ha pensado en la posbldad de nclur una etapa de clasfcacón después de la recoleccón. Un sstema que utlce el análss de las característcas de tamaño, forma y color del fruto del café a partr de la observacón de una magen, pa ra clasfcarlos según el estado de maduracón en que se encuentre. Las ventajas de utlzar un ss te ma de clasfcacón que emplee procesamento de mágenes con respecto a sstemas de tpo óptco o electro mecánco son prncpalmente, la posbldad de dferencar un gran número de etapas de maduracón y la reduccón del contacto físco con el fruto que pueda causar daño mecánco. Clasfcar los frutos de café cosechados en dferentes estados de maduracón mejora la produccón de café en dos sentdos, por un lado, se obtendría un café de muy buena caldad con porcentajes superores al 98% de frutos maduros y por el otro, la dversfcacón de la produccón al elaborar café de cada una de las otras etapas, es decr café con característcas especales de aroma, sabor y tex tura aprovechando la recente aparcón de nchos de mercado para los cafés con valor agregado o dferencados. La clasfcacón de café usando procesamento de mágenes ha sdo estudada con anterordad en varos tra bajos (Sandoval & Preto, 2007), (Betancur, Preto & Osoro, 2006), donde se obtuveron resultados pro mso ros con índces de desempeño superores al 95%, sn embargo, se debe alcanzar el índce de clasfcacón superor al 98%. En el presente trabajo se obtene un mejoramento del desempeño del orden del 96.88%, esto se logra hacendo la clasfcacón por etapas de maduracón del café según el trabajo presentado por Marín, Arcla, Montoya & Olveros (2003) y no por número de muestras como lo veníamos desarrollando en pruebas pasadas (Sandoval & Preto, 2007). 2. Adqussón de Imágenes El proceso de seleccón de los frutos de café utlzados en la expermentacón fue supervsado y desarrollado por Cencafé y la Unversdad de Caldas, en el marco de un proyecto de nvestgacón. En este proyecto, se selecconó un lote compuesto por aproxmadamente 7500 plantas de café coffea Arabca varedad Colomba cereza roja, ubcado en la estacón central Naranjal en Chnchná, con condcones de cultvo representatvas de toda la regón del eje cafetero, localzado a una alttud de 400m, con una temperatura promedo de 2,3ºC y una humedad relatva del 78%. De las 7500 plantas, se selecconó el 3.3%, del cual se desprenderon se manalmente 00 frutos, a partr de la semana 26 después de la floracón de más del 60% de las plantas y hasta la semana 33. Se tomaron 00 mágenes de dchos frutos con tres sstemas de adquscón dferentes. Como el nterés en este trabajo es la clasfcacón de los fru tos, en la adquscón se fotografó un fruto por ma gen. Sn embargo, para realzar la clasfcacón a partr de mágenes con muchos frutos y condcones de lumnacón menos controladas, se deben utlzar algortmos de segmentacón de los frutos como los presentados en (Betancur, Preto & Osoro, 2006),. El sstema de adquscón mplementado está com puesto por una cámara de vdeo a color (3 CCD), una tarjeta dgtalzadora Natonal Instruments, un computador y dos lámparas de luz blanca. Con este sstema se tomaron y almacenaron mágenes que corresponden a la vsta superor de los frutos dspuestos ndvdualmente sobre un fondo e lumnados con luz blanca dfusa. Para varar el sstema de adquscón se cambó la poscón de la lumnacón así como el color del fondo. El número de mágenes usadas en éste estudo fueron 300 por cada una de las etapas de maduracón, es decr se contó con una base de datos de 2400 mágenes de tamaño 60x60 píxeles con una resolucón de 24 bts por píxel almacenadas en formato bmp. 3. Caracterzacón La caracterzacón de los frutos de café se hace con ba se en sus propedades nternas como son textura y color, así como en sus propedades externas que corresponden a la forma y el tamaño. Para caracterzar 68
3 Prospectva Vol. 7, No., Enero - Juno de 2009, pág las propedades nternas, se tomó una matrz cuadrada del centro de la magen, de tamaño 50x50 píxeles, que corresponde a la porcón central de cada fruto. De la msma forma, las propedades externas, se mden a partr del contorno del fruto. Para obtener el contorno, prmero se aplca el fltro medana con una ventana cuadrada de tamaño 7 pxeles para la reduccón del rudo. Luego, se converten las mágenes RGB al espa co de color HSI. La componente de lumnanca se umbralza para separar el fondo del fruto. De esta forma, se obtene una magen resultante que contene dos objetos el fondo de color blanco y el fruto de color negro. Fnalmente, se aplca un fltro pasa altas tpo Sobel, para la obtencón del contorno. 3. Característcas Se aplcaron dferentes algortmos para obtener las meddas de color, textura y forma de cada uno de los frutos de café. No se obtuveron meddas del tamaño debdo a que en la adquscón no se hzo referencas de dstancas, así como no se tene un estudo óptco de los lentes de la cámara utlzada Característcas de color Los frutos de café de la varedad Colomba cereza ro ja, presentan un cambo de color durante todo el proceso de maduracón, de hecho, la especfcacón cereza roja, ndca que el fruto presenta un color rojo ntenso homogéneo en toda la epderms cuando se encuentra plenamente maduro. En las prmeras etapas se presentan dferentes tonaldades de verde, le sguen tonos naranjas y rosados hasta tomar el color rojo de la madurez, y cuando están sobremaduros el color llega a ser voleta oscuro. Para la caracterzacón del color se usaron ses espa cos de representacón del color: RGB, HSI, YIQ, YCbCr, Colores oponentes, y Ohta. Cada uno de estos espacos descrbe el color usando tres componentes. Por lo tanto, para cada magen de fruto de café se obtuvo un vector de tamaño 8, donde cada poscón muestra la meda estadístca de cada componente para los dferentes espacos Característcas de textura Las característcas de textura aplcadas a mágenes de café se centran en el análss de la suavdad y homo genedad en la dstrbucón de la ntensdad de los colores, así como el análss de la rugosdad de la epderms en las etapas fnales cuando los frutos es tán demasado maduros o secos. En el proceso de maduracón del café se tenen etapas donde un co lor se presenta de manera homogénea sobre toda la epderms, mentras que en otras etapas hay una varacón suave o brusca de dferentes colores. El método de extraccón de característcas de textura que se usó en esta nvestgacón, es el análss estadístco de la matrz de coocurrenca. La matrz de coocurrenca tene nformacón de la dstrbucón de las ntensdades de los píxeles dentro de la magen y sus relacones con el vecndaro. La construccón de la matrz de coocurrenca depende de tres crteros: la condcón, la dreccón y la ds tanca. Condcón: es la regla que debe cumplr un determnado píxel para poder ser cuantfcado, usualmente esta condcón es tomada como la ubcacón del píxel de determnada ntensdad que se encuentra en la dreccón del vecno. Dreccón: es la orentacón espacal en la cual se evalúa la condcón, como casos típcos se utlzan dreccones como 0 grados, 45 grados, 90 grados y 35 grados, (Gonzalez, & Woods, 2002). Dstanca: es el número de píxeles que hay entre el par de píxeles evaluados, usualmente se utlzan, 3 y 5 píxeles de dstanca. Se obtuvo una matrz de coocurrenca para cada una de las dreccones 0, 45, 90 y 35 grados, todos a una dstanca fja de píxel. La matrz fnal es la suma de las cuatro matrces de dferentes dreccones dvda en cuatro. Con base en la matrz de coocurrenca se obtenen los descrptores de textura. Se extrajeron descrptores: Entropía, Un formdad, Contraste, Correlacón, Momento de dferenca de orden k, Momento nverso de dferenca de orden k, Máxma probabldad, Homogenedad local, Varanza, Drectvdad y Tendenca de Cluster. Estas característcas se evaluaron en cada una de las componentes R, G y B, obtenéndose así 33 característcas Característcas de forma La forma de los frutos de café varedad Colomba es elp sodal-esférca, ndependente de su estado de madurez. La forma elpsodal se defne con un centro y tres ejes de smetría, además todas las seccones planas de un elpsode son elpses o círculos. En las prmeras etapas la forma va varando de elpsodal alargada, donde un eje de smetría es mucho mayor que los otros dos, a crcular, donde los tres ejes son smlares. En plena madurez, la forma es esférca es decr que los ejes de smetría son guales. A medda que el fruto se sobremadura, la pulpa se va secando y la forma tende otra vez a ser elpsodal alargada. En una magen de un fruto de café sólo se tene nformacón de una de las tres seccones de la elpsode, con base en esta vsta se obtenen dos de los tres ejes de smetría. En la Tabla, se presenta la lsta de las 57 característcas de forma obtendas. La descrpcón de estas característcas es explcada por [8]. 69
4 Procesamento de mágenes para la clasfcacón de café cereza Tabla. Característcas de forma No. de Característca a a 72 CARACTERÍSTICA Ampltud de los coefcentes de Fourer de la frma Fase de los coefcentes de Fourer de la frma 73 a 82 Momentos centrales de la frma 83 Rectangulardad 84 Crculardad 85 a 20 Ampltud de los 36 descrptores de Fourer 2 a 56 Fase de los 36 descrptores de Fourer 57 Relacón entre anchura y altura ca rac terístcas extraídas no ofrecen nformacón que permta dferencar entre clases, y otras tenen la msma nformacón que otras. Se utlzaron dos métodos para la seleccón de las característcas uno que es la aplcacón de la relacón dscrmnante de Fsher como método unvarado y el otro corresponde a un método multvarado. La explcacón de dchos métodos se puede encontrar con detalle en (Sandoval & Preto, 2007). El conjunto usado en la clasfcacón es el resultado de combnar los dos procesos de seleccón. Del total de 208 característcas se logró obtener un conjunto de 9 característcas que corresponden a 4 de textura, 3 de color y 2 de forma. En la tabla 2, se presentan las característcas selecconadas, ordenadas según su prordad en la dscrmnacón Seleccón de característcas La aplcacón de los algortmos de extraccón de caracte rístcas permteron formar un conjunto de 208 carac terístcas que corresponden a meddas de forma, tex tura y color de un fruto de café. Los valores de las ca racterístcas se normalzaron para garantzar que todos los datos se mantengan dentro de un msmo rango de valores evtando que las que tenen valores más gran des tengan mayor nfluenca en la clasfcacón que aquellas con valores pequeños. Se aplcó una norma lzacón no lneal dada por la ecuacón (), donde x~ k corresponde a la meda de los valores de la k-ésma característca y σ es la respectva varanza. El -ésmo xˆ valor normalzado se relacona k de forma no lneal con la constante r, pero en este caso no se nvestgó su ncdenca sobre la normalzacón y se le do el valor de. En la Ecuacón. y es una varable auxlar, xˆ utlzada para hallar el valor normalzado, en la segunda parte de la ecuacón. y = x k ~ x rσ xˆ k = + exp( y) k k Después de normalzar el conjunto total de caracte rístcas extraídas se realza un proceso de seleccón que per mte determnar las característcas más adecuadas pa ra la clasfcacón. El objetvo de la seleccón es reducr el número de característcas para smplfcar tan to la mplementacón como la ejecucón del clasfca dor. El conjunto fnal debe ser el más pequeño pos ble pero al msmo tempo debe conservar al máx mo la nformacón dscrmnante. Muchas de las k () 70 Tabla 2. Las nueve característcas selecconadas con los dos métodos utlzados. ETIQUETA CARACTERISTICA TIPO 27 Momento de dferenca de orden k componente B Textura 2 5 Momento de dferenca de orden k componente R Textura 3 8 Homogenedad local componente R Textura 4 83 Ampltud de los 36 descrptores de Fourer 2 Forma 5 7 Momento nverso de dferenca de orden k componente G Textura 6 67 Meda componente RG de Colores Oponentes Color 7 82 Ampltud de los 36 descrptores de Fourer Forma 8 55 Meda componente R de RGB Color 9 7 Meda componente I 3 de OHTA Color 4. Clasfcacón La técnca de clasfcacón mplementada es estadístca debdo a la naturaleza de las muestras. 4.. Clasfcador Bayesano Este clasfcador se fundamenta en la regla de Bayes del mínmo error (Duda, Hart, & Stork, 998). Un objeto, con unas característcas determnadas, pertenece a una clase s la probabldad de pertenecer a ésta clase es mayor que la probabldad de pertenecer a cualquer otra clase, como se muestra en la Ecuacón 3, X Ω s P( ω ) p( X ω ) > P( ω j ) p( X ω j ) donde Ω es el espaco de característcas, que está dvddo en regones Ω, =, 2,..., N donde N es el número de clases. P(w) es la probabldad a pror por la cual un objeto con característcas X, pertenece a la clase w y p(x/w) es la funcón de probabldad condconal de la clase w para X. En la práctca, las funcones de probabldad no se conocen y por lo tanto se deben estmar. Para estmarlas, prmero se asume la forma de la funcón de probabldad, y luego se hallan (3)
5 Prospectva Vol. 7, No., Enero - Juno de 2009, pág sus parámetros a partr del conjunto de entrenamento. Se supone que las funcones de probabldad de las clases están descrtas por dstrbucones normales o gausanas como se muestra en la Ecuacón 4, p( ω X ) = (2π ) d 2 C 2 e T ( X µ ) ( C ) ( X µ ) 2 donde d es la dmensón del vector de característcas, μ es el vector d-dmensonal que contene la meda de las característcas en una clase w y C es la matrz de covaranza. Para obtener p(x/w), sólo se necesta reemplazar los parámetros μ, C. Estos parámetros y la probabldad a pror P(w), se estman a partr del conjunto de muestras. En la Ecuacón 4. T ndca que el vector es transpuesto Evaluacón Para estmar el error de clasfcacón se utlzó el méto do de valdacón cruzada (0-fold), (Moore, 200). En la estmacón del error se usa el conjunto de muestras dsponble, el cual se dvde en el conjunto de entre namento y el de prueba. El clasfcador se dseña usando las muestras de entrenamento y luego se evalúa obtenendo el error de clasfcacón para las muestras de prueba. Con base en el error obtendo se puede predecr el desempeño del clasfcador an te nuevas muestras. Para obtener una medda confable del desempeño, el conjunto de muestras debe ser lo sufcentemente grande y, los conjuntos de entrenamento y de prueba deben ser ndependentes Análss de los resultados La nformacón de la prueba de clasfcacón se dspone en una matrz de confusón. La matrz de confusón es una matrz cuadrada cuyo orden es el número de clases. En las columnas se presentan las clases reales mentras que en las flas se presentan las clases asgnadas por el clasfcador; en la Tabla 3, se muestra una matrz de confusón para dos clases. La suma vertcal muestra la dstrbucón real de las clases, mentras que la suma horzontal muestra la dstrbucón de las clases producda por el clasfcador. El análss de los clasfcadores se hace con base en la matrz de confusón de donde se obtenen los ndcadores de desempeño. Tabla 3. Matrz de confusón Verdadero Falso Verdadero Verdadero Postvo (VP) Falso Negatvo (FN) (4) Falso Falso Postvo (FP) Verdadero Negatvo (VN) El desempeño de la clasfcacón se puede verfcar con los ndcadores de Proporcón de verdaderos postvos, con el cual se puede medr la efectvdad del clasfcador, y la proporcón de verdaderos negatvos, que nos muestra la especfcdad del clasfcador. Proporcón de verdaderos postvos: PVP = VP/ (VP+FN). (Efectvdad). Proporcón de verdaderos negatvos: PVN = VN/ (VN+FP). (Especfcdad). Curvas ROC. El espaco ROC (Recever Operatng Characterstc) defne un sstema de coordenadas usadas para vsualzar el desempeño del clasfcador. Las curvas ROC presentan el compromso entre efectvdad y especfcdad del clasfcador, un aumento en la sensbldad está acompañado por un decremento en la especfcdad. Es decr, las curvas ROC muestran la relacón entre las muestras clasfcadas ade cuadamente (PVP, Proporcón de Verdaderos Postvos) y las muestras que no pertenecen a la clase pero se clasfcaron como s lo fueran (PFP Proporcón de Falsos Postvos). En el espaco ROC la PFP se dbuja como varable ndependente y la PVP como varable dependente. Cada clasfcador es representado por el punto (PFP, PVP). Para dbujar la curva ROC se construye la línea conve xa formada por los puntos (PFP, PVP) de los clasfcadores que se estén evaluando (PFP=-PVN), junto con los puntos de los clasfcadores trvales (0,0) y (,). La curva más cercana a los bordes zquerdo y superor en el espaco ROC, es la prueba más acertada porque sgnfca que hay mayor acerto. La curva que más se acerque a la dagonal de 45 grados en el espaco ROC, es la prueba menos acertada. El mejor sstema de entrenamento es el que produce un conjunto de clasfcadores que maxmce el área bajo la curva. 5. Resultados Para evaluar el desempeño del sstema de clasfcacón se realzó valdacón cruzada para un conjunto de 800 mágenes, que corresponden a 00 mágenes por etapa de maduracón. 5. Resultados con el Clasfcador Bayesano En la Tabla 4 se muestra la matrz de confusón para el mejor clasfcador bayesano. La proporcón de ver daderos postvos, es decr el número de frutos de una etapa de maduracón que fueron clasfcados como de la etapa correspondente, según la matrz de confusón es de 96.88%. Esto sgnfca que hay un error de clasfcacón del 3.2%. Aunque los resultados son buenos, el proceso de clasfcacón exge un desempeño del 98%. El número de frutos de café que pertenecen a una clase y fueron clasfcados como de 7
6 Procesamento de mágenes para la clasfcacón de café cereza otra, corresponde a la proporcón de falsos postvos, para nuestro caso esa proporcón es del 2.5%. El mejor clasfcador tendría un índce cercano a 0. Tabla 4. Matrz de confusón. Clasfcador Bayesano Total Total Curvas ROC En la Fgura 2, se presenta la curva ROC del clasfcador bayesano mplementado. En una gráfca ROC el mejor clasfcador es aquel que presenta un área bajo la curva gual a mentras que el peor 0.5. En éste caso el área bajo la curva es de que corresponde a un valor cercano al deal, mostrando un buen compromso entre efectvdad y especfcdad del cla sfcador mplementado. Una relacón adecuada entre efectvdad y especfcdad, permte evaluar la ge ne raldad del clasfcador, es decr, que clasfque adecuadamente tanto las muestras usadas en el entrenamento y prueba así como las muestras nuevas o muestras con algún tpo de error. Fgura 2. Curva ROC del clasfcador desde las prmeras etapas de verdes hasta los frutos sobremaduros y secos. Las característcas que se usaron corresponden a 4 característcas de textura, 3 de color y 2 de forma, que se obtuveron medante la mplementacón de algortmos de vsón artfcal. La técnca de clasfcacón que se usa es de tpo estadístco maxmzando la nformacón dada por las muestras. Los resultados obtendos muestran un desempeño del 96.88%. El clasfcador muestra una buena capacdad de generalzacón, que corresponde a el compromso entre efectvdad y especfcdad, como se observa en la curva ROC que genera un área del muy cercano al deal. Para alcanzar el desempeño que requere la aplcacón que es del 98%, se necesta profundzar en el estudo tanto de los algortmos usados en la extraccón de las característcas, así como mejorar el algortmo de clasfcacón, ya sea cambando parámetros o mplementando otra técnca más compleja que genere un mejor rendmento. Las 9 característcas utlzadas en el clasfcador fueron selecconadas de un conjunto ncal de 208 carac terístcas, usando dos métodos de seleccón. Las característcas que mostraron mejor desempeño corresponden a las de textura, ndcando que para la dferencacón de las etapas de maduracón no sólo es mportante el valor del color, como en la clasfcacón manual, sno que se hace relevante su dstrbucón sobre la superfce. Las característcas de forma permten dstngur prncpalmente entre las etapas ncales y fnales de las etapas ntermedas, debdo a la re dondez que van adqurendo en la maduracón, y que es plena en las etapas centrales. Las meddas de textura se hceron usando la matrz de concurrenca, dcha matrz se construyó usando algunos parámetros con sus valores por defecto. Con el fn de aprovechar la alta capacdad dscrmnante que mostraron las característcas de textura con los métodos de seleccón de característcas, se genera una necesdad de estudar los parámetros de la matrz de concurrenca como son: la condcón, dstanca y orentacón. Bblografía 6. Conclusones En este trabajo se presenta un sstema de clasfcacón bayesana que usa característcas físcas extraídas a partr de una magen para clasfcar café según la etapa de maduracón en la que se encuentra. Se clasfcan los frutos de café en ocho etapas de maduracón dferentes, que cubren todo el proceso de maduracón Walls, J., Montoya, E., Vélez, J. & Olveros, C. (2004). Caldad y efcaca de dos métodos no selectvos de recoleccón manual de café (Coffea arabca). Cencafé, 55(): López, H., Olveros, C. & Ramrez, C. (2006). Dsmnucón del costo untaro de la cosecha de café con el empleo de un método de recoleccón manual asstdo. Cencafé, 57(4): Marín, S., Arcla, J., Montoya, E. & Olveros, C. (2003). Cambos físcos y químcos durante la maduracón 72
7 Prospectva Vol. 7, No., Enero - Juno de 2009, pág del fruto de café (Coffea arabca L. var Colomba). Cencafé, 54(3): Puerta, G. (998). Caldad en taza de las varedades de Coffea arabca L. cultvadas en Colomba. Cencafé. 49(4): Isaza, L., Montoya, E., Vélez, J. & Olveros, C. (2006). Evaluacón de la concentracón de los frutos maduros de café empleando técncas no selectvas de recoleccón manual. Cencafé, 57(4): Sandoval, Z. & Preto F. (2007). Caracterzacón de café cereza empleando técncas de vsón artfcal. Rev.Fac. Nal.Agr.Medellín.Vol.60,No.2. p Betancur, J., Preto, F. & Osoro, G. (2006). Segmentacón de Frutos de Café medante métodos de Crecmento de Regones. Revsta Facultad Naconal de Agronomía, Unversdad Naconal de Colomba Sede Medellín, Medellín, Colomba. Vol. 59, No., Págnas Gonzalez, R. & Woods, R. (2002). Tratamento Dgtal de mágenes. Addson-Wesley/díaz de Santos. Segunda Edcón. Duda, R.; Hart, P. & Stork, D. (998). Pattern Classfcaton. John Wley and Sons. USA. Moore, A. (200). Cross-valdaton for detectng and preventng overfttng. School of Computer Scence Carnege Mellon Unversty. 73
Tema 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 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 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 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 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 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 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 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 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 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 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 detallesÍndice de Precios de las Materias Primas
May-15 Resumen Ejecutvo El objetvo del (IPMP) es sntetzar la dnámca de los precos de las exportacones de Argentna, consderando la relatva establdad en el corto plazo de los precos de las ventas externas
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 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 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 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 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 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 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 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 detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
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 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 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 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 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 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 detallesUNIVERSIDAD 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 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 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 detallesLicenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL
INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL Relacón de Ejerccos nº 2 ( tema 5) Curso 2002/2003 1) Las cento trenta agencas de una entdad bancara presentaban, en el ejercco 2002, los sguentes datos correspondentes
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 detallesSUPPORT VECTOR MACHINE FOR DETECTING TEXTILE DEFECTS, USING FEATURES SPATIAL OF TEXTURE
ISS: 69-757 - Volumen - úmero 4 - Año 009 Revsta Colombana de SUPPORT VECTOR MACHIE FOR DETECTIG TEXTIE DEFECTS, USIG FEATURES SPATIA OF TEXTURE MÁQUIA DE VECTORES DE SOPORTE PARA A DETECCIÓ DE DEFECTOS
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 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 detallesCifrado de imágenes usando autómatas celulares con memoria
Cfrado de mágenes usando autómatas celulares con memora L. Hernández Encnas 1, A. Hernández Encnas 2, S. Hoya Whte 2, A. Martín del Rey 3, G. Rodríguez Sánchez 4 1 Insttuto de Físca Aplcada, CSIC, C/Serrano
Más 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 detallesSegmentación de Imágenes mediante Reconocimiento de Patrones
Equaton Chapter 1 Secton 1 Materal del Curso Segmentacón de Imágenes medante Reconocmento de Patrones Ing. Dego Sebastán Comas Dr. Gustavo Javer Meschno Curso: Segmentacón de Imágenes medante Reconocmento
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 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 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 detallesCANTIDADES VECTORIALES: VECTORES
INSTITUION EDUTIV L PRESENTION NOMRE LUMN: RE : MTEMÁTIS SIGNTUR: GEOMETRÍ DOENTE: JOSÉ IGNIO DE JESÚS FRNO RESTREPO TIPO DE GUI: ONEPTUL - EJERITION PERIODO GRDO FEH DURION 3 11 JUNIO 3 DE 2012 7 UNIDDES
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 detallesKEY WORDS Pattern recognition, Circular Harmonics, Synthetic Discriminate Filter
ISSN 00-4 BISTUA Vol BISTUA 5 No Vol Pag 59 No - 4 ueda Parada JE, Castro C L M, Guerra L A Facultad de Cencas Báscas, Departamento de Físca, Grupo de Investgacón Óptca Moderna Unversdad de Pamplona E-Mal:
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 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 detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
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 detallesRESISTENCIAS EN SERIE Y LEY DE LAS MALLAS V 1 V 2 V 3 A B C
RESISTENCIS EN SERIE Y LEY DE LS MLLS V V 2 V 3 C D Fgura R R 2 R 3 Nomenclatura: Suponemos que el potencal en es mayor que el potencal en, por lo tanto la ntensdad de la corrente se mueve haca la derecha.
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
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 detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
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 detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
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 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 detallesReconocimiento automático de objetos basado en la relación dimensional
Reconocmento automátco de objetos basado en la relacón dmensonal Alejandro Israel Barranco Gutérrez 1 y José de Jesús Medel Juárez 2 1 Centro de Investgacón en Cenca Aplcada y Tecnología Avanzada, Calzada
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 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 detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesIDENTIFICACIÓN Y CLASIFICACIÓN DE FRUTOS DE CAFÉ EN TIEMPO REAL, A TRAVÉS DE LA MEDICIÓN DE COLOR
IDENTIFICACIÓN Y CLASIFICACIÓN DE FRUTOS DE CAFÉ EN TIEMPO REAL, A TRAVÉS DE LA MEDICIÓN DE COLOR Paula Jmena Ramos Graldo*, Juan Rodrgo Sanz Urbe*, Carlos Eugeno Olveros Tascón* RESUMEN RAMOS G., P.J.;
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 detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más 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 detallesMinería de Datos (MD) estadística
Mnería de datos Tema 3: Métodos Báscos: Algortmos Mnería de Datos (MD) estadístca Por qué una aproxmacón estadístca en la MD? La utlzacón de característcas para representar una entdad provoca una pérdda
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 detallesDIPLOMADO EN LOGÍSTICA Y CADENA DE SUMINISTRO
IPLOMAO EN LOGÍSTICA Y CAENA E SUMINISTRO MÓULO I: Rs Poolng CRISTINA GIGOLA epto Ingenería Industral ITAM ggola@tam.mx Coordnacón en la SC ecsones que maxmcen la utldad de la SC. Caso 1: El mercado determna
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 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 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 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 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 detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
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 detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
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 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 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 detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesSEMANA 13. CLASE 14. MARTES 20/09/16
SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.
Más detallesMETODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS
SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento
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 detallesEquilibrio termodinámico entre fases fluidas
CAPÍTULO I Equlbro termodnámco entre fases fludas El conocmento frme de los conceptos de la termodnámca se consdera esencal para el dseño, operacón y optmzacón de proyectos en la ngenería químca, debdo
Más detallesVISIÓN POR COMPUTADOR
Escuela Poltécnca Superor de Elche VISIÓN POR COMPUTADOR Grado en Electrónca y Automátca Industral PRÁCTICAS TITERE Práctca 4: Segmentacón, Localzacón y Reconocmento de Obetos Departamento de Ingenería
Más detallesPORTAFOLIO DE TRES ACTIVOS FINANCIEROS
PORTAFOLIO DE TRES ACTIVOS FINANCIEROS Contendo:. Introduccón.. Fondos Mutuos. Rendmento y Resgo.. Parámetros estadístcos de un Portafolo de Tres Actvos. a) El Retorno de un Portafolo. b) El Resgo de un
Más detallesRespuesta A.C. del FET 1/14
espuesta A.C. del FET 1/14 1. Introduccón Una ez que se ubca al transstor dentro de la zona saturada o de corrente de salda constante, se puede utlzar como amplfcador de señales. En base a un FET canal
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
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 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 detallesDepartamento Administrativo Nacional de Estadística
Departamento Admnstratvo Naconal de Estadístca Dreccón de Censos Demografía METODOLOGIA ESTIMACIONES Y PROYECCIONES DE POBLACIÓN, POR ÁREA, SEXO Y EDAD PARA LOS DOMINIOS DE LA GRAN ENCUESTA INTEGRADA DE
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2013 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 013 INSTITUTO NACIONAL DE ESTADÍSTICAS 015 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR
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 detallesPRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE AÑOS EXÁMENES PROPUESTOS Y RESUELTOS DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CONVOCATORIAS DE --- F Jménez Gómez Este cuaderno
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 detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
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 detallesJesús García Herrero CLASIFICADORES BAYESIANOS
Jesús García Herrero CLASIFICADORES BAYESIANOS En esta clase se presentan los algortmos Análss de Datos para abordar tareas de aprendzaje de modelos predctvos. Se partcularzan las técncas estadístcas vstas
Más detalles