Obtención de mapas de similitud sísmica 2D mediante redes neuronales Oscar Rondón*, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep
|
|
- Rosa María Rivero Moya
- hace 8 años
- Vistas:
Transcripción
1 Obtencón de mapas de smltud sísmca 2D medante redes neuronales Oscar Rondón, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep Resumen El desarrollo de metodologías para obtener e ntegrar nformacón de múltples atrbutos es de vtal mportanca para la caracterzacón de yacmentos. En partcular durante la fase exploratora, cuando no se cuenta con sufcente nformacón de pozos, la nformacón sísmca es una fuente de nformacón valosa para la toma de decsones. En este artículo se presenta una metodología basada en el estudo de patrones medante redes neuronales de Kohonen, para obtener mapas de smltud utlzando múltples atrbutos sísmcos que permten detectar zonas sísmcamente smlares a un punto de referenca o de control, que puede ser, por eemplo, un pozo con buena produccón de petróleo. Summary The development of methodologes for obtanng and ntegratng nformaton of multple sesmc attrbutes consttutes an ssue of great mportance n reservor characterzaton and for exploraton geophyscsts, who do not have enough well nformaton. Then, sesmc nformaton becomes very valuable. Ths work presents a methodology for computng smlarty maps, from multple sesmc attrbutes, based on pattern recognton by usng Kohonen neural networks. Ths methodology allows to dentfy regons wth smlar sesmc propertes to a predefned reference locaton of nterest, as for example, a good producer well. Introduccón La extraccón de nformacón de los datos sísmcos para ser utlzada en la caracterzacón y explotacón de yacmentos se ha convertdo en un área muy actva durante los últmos años. En partcular, se ha observado un ncremento sustancal en la aplcacón y generacón de dversos atrbutos sísmcos, los cuales combnados con nformacón de alta resolucón, como los regstros de pozos e nformacón de núcleos, contrbuyen a meorar la caracterzacón del yacmento bao estudo (Brown, 1996), (Gastald et al, 1997), (Lawrence, 1998), (Pennngton, 1997), (Russel et al, 1997). Cuando no se dspone de una cantdad sufcente de nformacón de pozos, como por eemplo durante la fase exploratora, la nformacón sísmca puede ser utlzada para detectar zonas con respuesta sísmca smlar a un punto de control o punto de referenca, que puede ser un pozo seco o buen productor. Esta es la dea fundamental que radca en el análss de smltud desarrollado por Mchelena et al. (1998). En este artículo se presenta una breve revsón del análss de smltud propuesto por Mchelena et al. (1998), ndcando certas desventaas de la metodología y se propone una metodología análoga, basada en el uso de redes neuronales de Kohonen (Haykn, 1994; Kohonen, 1988), que no presenta las desventaas de la metodología orgnal. Mapas de smltud El resultado fnal del análss de smltud propuesto por Mchelena et al. (1998) es un mapa donde a cada x, y se le asgna el valor de smltud con coordenada ( ) respecto al punto de control. A partr de N mapas de atrbutos sísmcos ndependentes, la metodología para obtener dcho valor de smltud se puede resumr en 3 pasos, que se descrben a contnuacón: a) Obtencón de la respuesta sísmca en el punto de referenca P. Esta consste en el cálculo de la meda y la varanza de cada atrbuto en una vecndad del punto de control o punto de referenca P. De esta forma, al contar con N atrbutos se obtendrán N valores m ( P) que representan las medas de cada uno de los atrbutos en una vecndad del punto de referenca, a partr de las cuales se obtenen los N valores σ ( P) que corresponden a la desvacón estándar de cada uno de los atrbutos en dcha vecndad. Este proceso se muestra en la fgura 1. Los valores m (P) y σ ( P) con = 1, 2, Κ, N se consderan como la respuesta sísmca en el punto de referenca P. b) Obtencón de la respuesta sísmca en el punto obetvo P '. Cada punto P ' = ( x', y' ) de cada uno de los mapas de atrbutos se consdera un punto obetvo, al cual se le asocará un valor de smltud respecto al punto de control P de acuerdo a la respuesta sísmca obtenda en él. La respuesta sísmca en cada punto obetvo se obtene como se ndcó para el caso del punto de control. De esta forma se obtenen los valores m ( P' ) = 1, 2, Κ, N que representan el valor promedo de cada uno de los atrbutos en una vecndad del punto obetvo.
2 Obtencón de mapas de smltud sísmca medante redes neuronales c) Determnacón y asgnacón del valor de smltud respecto al punto de referenca. S en el punto obetvo P' del atrbuto se verfca que: ( P) σ ( P) < m ( P' ) < m ( P) + σ ( P) (1) m entonces al punto obetvo P' del atrbuto se le asgna el valor 1, en caso contraro se le asgna el valor 0. Este procedmento se realza en cada uno de los puntos de cada uno de los mapas de atrbutos. De esta forma se obtenen N mapas con valores bnaros 0 ó 1. Estos reflean s la respuesta sísmca en el punto obetvo es smlar a la respuesta sísmca en el punto de control (valor gual a 1) o no (valor gual a 0) con base en el crtero determnado por la ecuacón (1). Concludos los pasos anterores, el mapa de smltud se obtene smplemente sumando cada uno de los N mapas generados en el paso c). La fgura 2 muestra un eemplo de un mapa de smltud. En este los puntos con valores guales a N ndcan que en todos los N mapas de atrbutos dchos puntos resultaron smlares al punto de referenca según el crtero dado por la ecuacón (1). Análogamente, puntos con valores guales a cero ndcan que en nnguno de los N mapas dchos puntos resultaron smlares al punto de control. Es así como el mapa de smltud es un resumen de la smltud sísmca respecto a un punto de referenca tomando en cuenta N atrbutos sísmcos. Cuando cada valor en el mapa de smltud es dvddo por N, se obtene una escala de valores entre 0 y 1, donde el valor cero ndca que el punto es completamente dsíml respecto al punto de referenca o control y el valor 1 ndca completa smltud. En lo sucesvo se utlzará esta forma del mapa de smltud. La prncpal lmtacón del método descrto es quzás el crtero de asgnacón del valor de smltud con respecto al punto de referenca o control dado por la ecuacón (1), debdo a la rgdez del msmo. Con éste, un punto obetvo se clasfca smplemente como síml o no respecto al punto de control. En consecuenca es posble obtener en un mapa de smltud puntos próxmos con valores de smltud completamente opuestos, lo que contrasta por eemplo con la contnudad geológca. De gual manera, puede ocurrr que valores de la respuesta sísmca en el punto obetvo que dferan por una cantdad desprecable del crtero dado por (1), sean asgnados como completamente dsímles cuando en realdad no lo son N N N N N N N N N N 5 N Fg. 2 Eemplo de un mapa de smltud Atrbuto 1 Atrbuto 2 Atrbuto N Punto de referenca P ( P) m σ 1 ( P) 1 ( P) m σ 2 ( P) 2 ( P) m σ N ( P) N Fg. 1 Cálculo de la respuesta sísmca en el punto de referenca para la obtencón del mapa de smltud Al estudar los pasos requerdos para la generacón del mapa de smltud, se observa que al punto de control o referenca P se le asoca un patrón dado por los valores m P con = 1, 2, Κ, N, el cual se compara con el ( ) patrón en el punto obetvo ' dado por los valores m P' con = 1, 2, Κ, N, utlzando la ecuacón (1) para determnar el valor de smltud. En consecuenca, el patrón en el punto obetvo se consdera smlar al patrón en el punto de referenca s verfca la ecuacón (1) y dsíml en caso contraro. Desde este punto de vsta de comparacón y estudo de patrones, el uso de redes neuronales puede meorar sgnfcatvamente la obtencón del valor de smltud entre el punto obetvo y el punto de referenca, al cambar el crtero dado por la ecuacón (1) por un crtero de dstanca adaptado al estudo de patrones. La metodología que se propone en este artículo se basa en el uso de redes neuronales de Kohonen (Haykn, 1994), (Kohonen, 1988), las cuales se descrben a contnuacón, para posterormente mostrar su aplcacón a la obtencón de mapas de smltud.. P ( )
3 Obtencón de mapas de smltud sísmca medante redes neuronales Redes neuronales de Kohonen Las redes neuronales de Kohonen son un caso partcular de redes neuronales auto-organzadas (Haykn, 1994). Estas están formadas por una sere de neuronas, generalmente dspuestas en un arreglo de una dmensón o dos dmensones, que recben cada una la nformacón de un patrón de entrada N dmensonal V = ( V1, V 2, Κ, V N ). A su vez, cada neurona posee un vector, denomnado vector de pesos W = ( W1, W2, Κ,W N ) snáptcos, que durante la fase de entrenamento de la red se actualzan según la regla de aprendzae desarrollada por Kohonen (Haykn, 1994). Esta consste báscamente en los pasos sguentes: a) Determnar la neurona para la cual la dstanca entre el vector de pesos snáptcos y el patrón de entrada es mínma. de sus vectores de pesos snáptcos, ha capturado aquellos patrones más sgnfcatvos presentes en los datos de entrada. La fgura 3 muestra una red de Kohonen undmensonal con 3 neuronas que recben la nformacón de un patrón de entrada con N = 2. Mapas de smltud medante redes de Kohonen Consdérese N mapas de atrbutos sísmcos de M puntos P = x, y = 1, 2, Κ cada uno. En cada punto ( ) M se pueden obtener los valores m ( P ) con = 1, 2, Κ, N, Esta neurona se denomna la neurona ganadora y se denota por. En consecuenca el vector de pesos snáptcos W satsface para d W V d ( W V,, ) todo, donde d( ο,ο ) es el operador de dstanca, el cual usualmente corresponde a la dstanca euclídea. Al nco de la fase de entrenamento, los vectores de pesos snáptcos se ncalzan con valores aleatoros, generalmente en [-1,1], y luego se van actualzando como se ndca en el paso sguente. V 1 V 2 W 11 W 21 W 12 W 22 W 13 W 23 b) Actualzacón del vector de pesos snáptcos de la neurona ganadora y sus vecnas. Para proceder a la actualzacón de los vectores de pesos snáptcos se defne prevamente una vecndad Λ alrededor de la neurona ganadora y se procede a actualzar el vector de pesos snáptcos de todas las neuronas en dcha vecndad, asgnando como nuevo valor W +η V W ] donde η es la tasa de aprendzae. [ Esta regla de actualzacón smplemente establece que la neurona ganadora unto con sus vecnas son recompensadas hacendo que sus vectores de pesos snáptcos se parezcan a V. Es esta característca la que converte a las redes de Kohonen en una herramenta deal para detectar patrones en los datos obeto de estudo. Los pasos anterores se repten teratvamente utlzando todos los patrones de entrada V hasta que no se observe un cambo sustancal en la actualzacón de los vectores de pesos snáptcos, lo que ndca la fnalzacón de la etapa de entrenamento de la red. En este momento la red, a través Fg. 3. Eemplo de una red de Kohonen con 3 neuronas para estudar patrones de entrada bdmensonales. y de esta forma construr M vectores o patrones de V = m P m P, Κ, m P. Estos son lo entrada ( ( ) ( ) ( ) 1, 2 que se utlzarán para el entrenamento de la red. Así, los pasos a segur para la obtencón de mapas de smltud medante redes neuronales de Kohonen son: a) Defnr el número K de neuronas de la red e ncalzar los vectores de pesos snáptcos W = W W, Κ, W = 1, 2,. ( ) K 1, 2 N Κ, b) Realzar el entrenamento de la red sguendo la regla de aprendzae de Kohonen ndcada anterormente. c) Calcular el patrón de referenca del punto P respecto al cual se quere obtener el mapa de smltud. Dcho patrón está dado por el vector V = m P m P, m P. ( ( ) ( ) ( )) P 1, 2 Κ, N N
4 Obtencón de mapas de smltud sísmca medante redes neuronales d) Presentar el patrón V a la red y determnar la y su vector de pesos snáptcos. Luego, se asgna el valor de smltud de un neurona ganadora W punto obetvo punto P como el valor dado por 1 d ( V d ( V, V P P = 1, 2, Κ, M, W ) + d ( W ), W ) con respecto al = 1, 2, Κ, M son completamente dsímles a éste y parecdas al punto de control P2. De manera análoga, al consderar el punto de referenca P3 se detectan muchas zonas símles a éste en el mapa. Las fguras 4b y 4c muestran los mapas de smltud respecto al punto de referenca P1 sguendo la metodología propuesta, en la cual se consderó una red neuronal de Kohonen con K = 1000 neuronas N = 1, M = y se realzaron 5000 teracones, y la metodología orgnal respectvamente. respectvamente. Es mportante observar en los pasos descrtos anterormente que el entrenamento de la red se realza sólo una vez y úncamente con los patrones V. Posteror a esto, se pueden generar dversos mapas de smltud con respecto a dstntos puntos de referenca o control, smplemente reptendo los pasos c) y d) antes ndcados. Asmsmo, no exste una regla unversal para escoger el valor K. Sn embargo, este no debe ser pequeño puesto que está asocado al número de patrones que es capaz de reconocer la red. Cuando este valor es muy grande sólo se ncrementa el tempo de cómputo, pero se garantza la deteccón de los patrones, lo cual revste mayor mportanca. a) b) Casos de estudo A contnuacón se presentan 2 casos de estudos en los que se generaron mapas de smltud medante una red neuronal de Kohonen y se comparan con los mapas de smltud obtendos medante la metodología orgnal. El prmero corresponde a un conunto de datos sntétcos mentras que el segundo corresponde a un conunto de datos del Campo Barúa-Motatán, estudados en (Henríquez et al., 2001). c) Eemplo sntétco Con el obetvo de probar la metodología propuesta, se generó un conunto de datos sntétcos en el que se pudera determnar vsualmente las zonas que resultan smlares a un punto de control o referenca dado. Para ello, se generó un mapa de puntos medante una smulacón secuencal gaussana (Chles y Delfner, 1999) y dcho mapa se consderó como la nformacón de un mapa de un atrbuto. En este se escogeron 3 puntos P1, P2 y P3 que representan 3 puntos de control o referenca. La fgura 4a muestra el mapa unto con los 3 puntos antes menconados. Se observa que las zonas en color roo son parecdas o símles al punto P1, mentras que las zonas en color azul Fg. 4. a) Mapa de datos sntétcos. b) Mapa de smltud respecto a P1 sguendo la metodología de redes de Kohonen y c) medante la metodología orgnal. Se observa como el mapa de smltud sguendo la metodología propuesta dentfca las zonas smlares al punto P1 mentras que el mapa de smltud obtendo sguendo la metodología orgnal obva algunas zonas, por eemplo la próxma a las coordenadas (65,85). Asmsmo, el mapa de smltud basado en la redes de Kohonen presenta valores contnuos de smltud. Es decr, puntos vecnos poseen valores de smltud próxmos, lo
5 Obtencón de mapas de smltud sísmca medante redes neuronales cual no ocurre en el mapa de smltud obtendo sguendo la metodología orgnal. Puede observarse tambén en la fgura 4b que las zonas smlares al punto P2 se muestran como completamente dsímles al punto P1 y que las zonas smlares a P3 poseen valores promedos de smltud, lo cual no se observa en el mapa de smltud obtendo medante la metodología orgnal. Eemplo con datos reales En esta seccón se muestra la comparacón de un mapa de smltud basado en la metodología orgnal y el obtendo medante la red neuronal de Kohonen con datos de 4 atrbutos sísmcos en un campo del occdente de Venezuela. Los atrbutos corresponden a Average nstantaneous ampltude, RMS, maxmum peak ampltude y average vbraton energy, cada uno con un total de puntos. Dchos atrbutos fueron estudados y utlzados por Henríquez et al. (2001) para la generacón de mapas de smltud sguendo la metodología orgnal. El nterés radca en realzar un análss de smltud sísmca respecto al pozo A cuyo valor de arena neta petrolífera es muy alto. Para este caso la confguracón de la red de Kohonen fue de K = 5000 neuronas, N = 4, M = y se realzaron teracones. Las fguras 5a y 5b muestran los mapas de smltud utlzando la metodología propuesta y la metodología orgnal respectvamente. Se observa en la fgura 5 que el mapa de smltud obtendo utlzando la red neuronal de Kohonen dentfca las zonas de alta smltud observadas en el mapa de smltud obtendo medante la metodología orgnal. Más aún, muestra dversas zonas con valores altos de smltud que no se muestran en éste últmo. De gual manera, es mportante observar que zonas clasfcadas como completamente dsímles en el mapa de smltud obtendo medante la metodología orgnal tenen valores ntermedos de smltud en el mapa de smltud obtendo medante la red neuronal. En consecuenca, se pueden detectar zonas que puderan ser obeto de mayor estudo debdo a los valores de smltud consegudos con el nuevo método que con el anteror quedarían descartadas. smltud, ya que no es de carácter bnaro como la metodología de mapas de smltud orgnal. Esta nueva metodología fue probada en un eemplo controlado de datos sntétcos, en el cual el mapa de smltud generado según ésta resultó superor al obtendo medante la metodología orgnal, al dentfcar correctamente las zonas smlares a un punto de control, mentras que el mapa de smltud obtendo medante la metodología orgnal presentaba errores en esta clasfcacón. La metodología propuesta se utlzó tambén con datos reales de 4 atrbutos sísmcos del campo estudado y los resultados se compararon con el mapa de smltud obtendo medante la metodología orgnal con este conunto de datos. En este caso la metodología propuesta dentfca zonas de alta smltud que no se muestran claramente en el mapa de smltud obtendo medante la metodología orgnal. a) b) Fg. 5. a) Mapa de smltud respecto al pozo A sguendo la metodología de redes de Kohonen y b) medante la metodología orgnal utlzando 4 atrbutos sísmcos en el campo consderado. Conclusones En este artículo se presentó una metodología basada en el uso de redes neuronales de Kohonen para generar mapas de smltud utlzando múltples atrbutos sísmcos. Dcha metodología permte obtener una varacón contnua de los valores de smltud al meorar la asgnacón del grado de Agradecmentos Nuestro agradecmento a Neves Henríquez de por los datos sísmcos sumnstrados para el estudo con datos reales; y a PDVSA- Intevep por el permso para publcar los resultados obtendos.
6 Obtencón de mapas de smltud sísmca medante redes neuronales Referencas Brown, A. Sesmc Attrbutes and Ther Classfcaton. The Leadng, Edge, October Chlès, J. Delfner, P. Geostatstcs. Modelng Spatal Uncerntanty. John-Wley and songs, 1999 Gastald, Ch. Bguenet, J. Pazzs, L. Reservor Characterzaton from Sesmc Attrbutes.An Example from the Pecko Feld (Indonesa). The Leadng Edge, March 1997 Haykn, S. Neural Networks. A Comprehensve Foundaton. IEEE press, Henríquez, N. Castro, S. Pérez, M. Aplcacón de Técncas de Atrbutos Sísmcos en el Prospecto Horcón. Informe Técnco N INT-8563, PDVSA Intevep Kohonen, T. Self-organzaton and Assocatve Memory. Sprnger Verlag, Lawrence, P. Sesmc Attrbutes n the Characterzaton of Small-Scale Reservor Faults n Abqaq Feld. The Leadng Edge, Aprl Mchelena, R. González, E. Capello, M. Smlarty Analss: A New Tool to Summarze Sesmc Attrbutes Informaton. The Leadng Edge, Aprl Pennngton, W. Sesmc Petrophyscs: An Appled Scence for Reservor Geophyscs. The Leadng Edge, March Russel, B. Hampson, D. Schuelke, J. Quren, J. Multattrbute Sesmc Analyss. The Leadng Edge, October, 1997.
2.2 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 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 detallesINSTRUCTIVO No. SP 04 / 2002 INSTRUCTIVO PARA LA DETERMINACIÓN Y CÁLCULO DEL SALARIO BÁSICO REGULADOR
El Superntendente de Pensones, en el ejercco de las facultades legales contempladas en el artículo 13, lteral b) de la Ley Orgánca de la Superntendenca de Pensones, EMITE el : INSTRUCTIVO No. SP 04 / 2002
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 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 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 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 detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
Más 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 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 detallesACTIVIDADES INICIALES
Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)
Más detallesTema 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 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 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 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 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 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 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 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 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 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 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 detalles1.- Una empresa se plantea una inversión cuyas características financieras son:
ESCUELA UNIVERSITARIA DE ESTUDIOS EMPRESARIALES. Departamento de Economía Aplcada (Matemátcas). Matemátcas Fnanceras. Relacón de Problemas. Rentas. 1.- Una empresa se plantea una nversón cuyas característcas
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 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 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 detallesADENDA 008 LICITACIÓN L-CEEC-001-12
ADENDA 008 LICITACIÓN L-CEEC-001-12 OBJETO: CONTRATACIÓN DE LA CONSTRUCCIÓN DE LA FASE I DEL RECINTO FERIAL, DEL CENTRO DE EVENTOS Y EXPOSICIONES DEL CARIBE PUERTA DE ORO POR EL SISTEMA DE ECIOS UNITARIOS
Más detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
Más detalles1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo
EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces
Más detallesGuía de ejercicios #1
Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje
Más 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 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 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 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 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 detallesAPENDICE A. El Robot autónomo móvil RAM-1.
Planfcacón de Trayectoras para Robots Móvles APENDICE A. El Robot autónomo móvl RAM-1. A.1. Introduccón. El robot autónomo móvl RAM-1 fue dseñado y desarrollado en el Departamento de Ingenería de Sstemas
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 detallesCONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A.
CONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A. PERÍODO 201-2020 Introduccón Las Bases Técnco Económcas Prelmnares, en
Más 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 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 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 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 detallesFísica I. TRABAJO y ENERGÍA MECÁNICA. Apuntes complementarios al libro de texto. Autor : Dr. Jorge O. Ratto
ísca I Apuntes complementaros al lbro de teto TRABAJO y ENERGÍA MECÁNICA Autor : Dr. Jorge O. Ratto Estudaremos el trabajo mecánco de la sguente manera : undmensonal constante Tpo de movmento varable bdmensonal
Más detallesIII. <<Insertar Cita>> <<Autor>>
Capítulo III Vsón III 3.1 Procesamento de Imágenes Se entende por procesamento de mágenes a la alteracón y análss de la normacón gráca. 3.1.1 Sstema de vsón humano El sstema
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 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 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 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 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 detallesEQUILIBRIO LÍQUIDO VAPOR EN UN SISTEMA NO IDEAL
EQUILIBRIO LÍQUIDO VAPOR EN UN SISTEMA NO IDEAL OBJETIVO El alumno obtendrá el punto azeotrópco para el sstema acetona-cloroformo, calculará los coefcentes de actvdad de cada componente a las composcones
Más detallesCUADRIENIO 2011 2014
INFORME TÉCNICO PEAJE POR USO DE INSTALACIONES DE TRANSMISIÓN ADICIONAL POR PARTE DE USUARIOS SOMETIDOS REGULACIÓN DE PRECIOS QUE SE CONECTAN DIRECTAMENTE DESDE INSTALACIONES ADICIONALES CUADRIENIO 2011
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 detallesTítulo: Dos métodos de diagnóstico de circuitos digitales de alta y muy alta escala de integración.
Título: Dos métodos de dagnóstco de crcutos dgtales de alta y muy alta escala de ntegracón. Autor: Dr. Ing. René J. Díaz Martnez. Profesor Ttular. Dpto. de Automátca y Computacón. Fac. de Ingenería Eléctrca.
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 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 detallesEl clasificador Naïve Bayes en la extracción de conocimiento de bases de datos
El clasfcador Naïve Bayes en la extraccón de conocmento de bases de datos Samuel D. acheco Leal, Lus Gerardo Díaz Ortz, Rodolfo García Flores osgrado en Ingenería de Sstemas, FIME-UANL samuel@yalma.fme.uanl.mx
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
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 detallesGANTT, PERT y CPM INDICE
GANTT, PERT y CPM INDICE 1 Antecedentes hstórcos...2 2 Conceptos báscos: actvdad y suceso...2 3 Prelacones entre actvdades...3 4 Cuadro de prelacones y matrz de encadenamento...3 5 Construccón del grafo...4
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
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 detallesLeyes de tensión y de corriente
hay6611x_ch03.qxd 1/4/07 5:07 PM Page 35 CAPÍTULO 3 Leyes de tensón y de corrente CONCEPTOS CLAVE INTRODUCCIÓN En el capítulo 2 se presentaron la resstenca así como varos tpos de fuentes. Después de defnr
Más detallesAlgunos métodos de clasificación de puestos de trabajo en la empresa
lgunos métodos de clasfcacón de puestos de trabajo en la empresa. lgunos métodos de clasfcacón de puestos de trabajo en la empresa Canós Darós, Lourdes, loucada@omp.upv.es Pers Ortz, Marta, marpeor1@omp.upv.es
Más detallesUnidad 3 PLANIFICACIÓN DE TIEMPOS, PROGRAMACIÓN DE RECURSOS Y ESTIMACIÓN DE COSTOS DE LA EJECUCIÓN Y MANTENIMIENTO DE LOS STI
Undad 3 PLANIFICACIÓN DE TIEMPOS, PROGRAMACIÓN DE RECURSOS Y ESTIMACIÓN DE COSTOS DE LA EJECUCIÓN Y MANTENIMIENTO DE LOS STI 3.1. DINÁMICA DE LA GESTIÓN DE PROYECTOS. 3.1.1. GESTIÓN DE PROYECTOS. La gestón
Más 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 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 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 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 detallesESTRATEGIAS DIDÁCTICAS PARA ABORDAR LA EDUCACIÓN
ESTRATEGIAS DIDÁCTICAS PARA ABORDAR LA EDUCACIÓN AMBIENTAL EN EL NIVEL MEDIO SUPERIOR ARACELI ACEVEDO-CRUZ / MA. EUGENIA HERES-PULIDO Facultad de Estudos Superores Iztacala, Unversdad Naconal Autónoma
Más detallesStarbridge Networks 305EU Manual
Starbrdge Networks 305EU Manual Contendo Requermentos Mínmos del Sstema... 2 Descrpcón del Kt Starbrdge Networks 305 EU... 2 Característcas del módem... 2 Instalacón Paso 1: Conectar el módem al PC...
Más detallesAMPLIFICADORES CON BJT.
Tema 5 MPLIFICDORES CON BJT..- Introduccón...- Prncpo de Superposcón...- Nomenclatura..3.- Recta de Carga Estátca..4.- Recta de Carga Dnámca..- Modelo de pequeña señal del BJT...- El cuadrpolo y el modelo
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 detallesMATEMÁTICA DE LAS OPERACIONES FINANCIERAS I
MATEMÁTICA DE LAS OPERACIONES FINANCIERAS I CURSO 0/04 PRIMERA SEMANA Día 7/0/04 a las 6 horas MATERIAL AUXILIAR: Calculadora fnancera DURACIÓN: horas. a) Captal fnancero aleatoro: Concepto. Equvalente
Más detallesCuantificación Vectorial con base en Memorias Asociativas
Cuantfcacón Vectoral con base en Memoras Asocatvas Enrque Guzmán Ramírez Insttuto de Electrónca y Computacón (953) 53 2 03 99 Ext. 200 eguzman@mxteco.utm.mx Resumen El presente trabao descrbe un nuevo
Más detallesSISTEMAS COMBINACIONALES
Tema 2 SISTEMAS COMBINACIONALES En este tema se estudarán algunas de las funcones combnaconales más utlzadas, las cuales se mplementan en chps comercales Como estas funcones son relatvamente complejas,
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 detallesRESUELTOS POR M. I. A. MARIO LUIS CRUZ VARGAS PROBLEMAS RESUELTOS DE ANUALIDADES ANTICIPADAS
PROBLEMAS RESUELTOS DE ANUALIDADES ANTICIPADAS. En las msmas condcones, qué tpo de anualdades produce un monto mayor: una vencda o una antcpada? Por qué? Las anualdades antcpadas producen un monto mayor
Más detallesTasas de Caducidad. - Guía de Apoyo para la Construcción y Aplicación - Por: Act. Pedro Aguilar Beltrán. paguilar@cnsf.gob.mx
Tasas de Caducdad - Guía de Apoyo para la Construccón y Aplcacón - Por: Act. Pedro Agular Beltrán pagular@cnsf.gob.m 1. Introduccón La construccón y aplcacón de tasas de caducdad en el cálculo de utldades
Más detallesProcedimiento de Calibración. Metrología PROCEDIMIENTO DI-010 PARA LA CALIBRACIÓN DE COMPARADORES MECÁNICOS
Procedmento de Calbracón Metrología PROCEDIMIENTO DI-00 PARA LA CALIBRACIÓN DE COMPARADORES MECÁNICOS La presente edcón de este procedmento se emte exclusvamente en formato dgtal y puede descargarse gratutamente
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 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 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 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 detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesEn general puede representarse por : Clase 6 3
Encontrar raíces de uncones es uno de los problemas más comunes en ngenería Los métodos numércos para encontrar raíces de uncones son utlzados cuando las técncas analítcas no pueden ser aplcadas. Esto
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 detallesCapítulos 1-3: CAPITALIZACIÓN Y DESCUENTO
CUESTIONARIO Capítulos 1-3: CAPITALIZACIÓN Y DESCUENTO 1. Cuánto vale una Letra del Tesoro, en tanto por cento de nomnal, s calculamos su valor al 3% de nterés y faltan 5 días para su vencmento? A) 97,2
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 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 detallesTÉCNICAS AUXILIARES DE LABORATORIO
TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar
Más detallesTrabajo Especial 2: Cadenas de Markov y modelo PageRank
Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo 2015 1. Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E
Más detallesIMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1
IMPEMEACIÓ PRÁCICA DE U BACO DE FIROS UIFORME En este tpo de bancos, la forma de la respuesta espectral de cada uno de los fltros es la msma, y su frecuenca central se raparte de manera unforme en el espectro:
Más detallesESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales
ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Francsco Álvarez González http://www.uca.es/serv/fag/fct/ francsco.alvarez@uca.es Bajo el térmno Estadístca Descrptva
Más detallesHerramientas para el análisis de mapas aplicadas a la selección de un sitio para la deposición de desechos
Herramentas para el análss de mapas aplcadas a la seleccón de un sto para la deposcón de desechos Por: C.J. van Westen Department of Earth Resources Surveys, Internatonal Insttute for Geonformaton Scence
Más detallesEstimación del consumo diario de gas a partir de lecturas periódicas de medidores
Nota técnca Estmacón del consumo daro de gas a partr de lecturas peródcas de meddores Por Salvador Gl, Gerenca de Dstrbucón del Enargas, A. azzn, Gas Natural Ban y R. Preto, Gerenca de Dstrbucón del Enargas
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 detallesC I R C U L A R N 2.133
Montevdeo, 17 de Enero de 2013 C I R C U L A R N 2.133 Ref: Insttucones de Intermedacón Fnancera - Responsabldad patrmonal neta mínma - Susttucón de la Dsposcón Transtora del art. 154 y de los arts. 158,
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 detalles