Capítulo 4: Clasificación no paramétrica (Secciones )
|
|
- María Cristina Gómez Espejo
- hace 5 años
- Vistas:
Transcripción
1 Capítulo 4: Clasfcacón no paramétrca (Seccones ) INTRODUCCION ESTIMATION DE DENSIDADES VENTANAS DE PARZEN
2 Introduccón Todas las densdades paramétrcas son unmodales (tenen un únco mámo local ), mentras que muchos problemas práctcos envuelven densdades mult-modales Los procedmentos no paramétrcos pueden ser usados con dstrbucones arbtraras y sn la hpótess de que las densdades son conocdas Hay dos clases centrales de procedmentos no paramétrcos en clasfcacón Estmacón de P( j ) Pasar de largo la estmacón de la densdad e r drectamente a la estmacón de la densdad a posteror Pattern Classfcaton, Ch4 (Part )
3 P( ) P( j )
4 3 Pattern Classfcaton, Chapter
5 Estmacón de la densdad Idea básca: Estmar p en un punto Probabldad de que un vector caga en una regon R es: P P es una verson suavzada o promedada de la funcon de densdad p() S tenemos una muestra de tamaño n, la probabldad de que k puntos cagan en R es: El valor esperado para k es : p( ' ) d' () P E(k) = np (3) k n P k k ( P) nk () Pattern Classfcaton, Ch4 (Part ) 4
6 Estmacón de la densdad La estmacón de mama verosmltud para P = se alcanza en ˆ Ma( Pk ) Por lo tanto el rado k/n es un buen estmador de la probabldad P y de la funcon de densdad p S p es contnua y s la regon R es tan pequeña que p no vara mucho en ella, entonces podemos escrbr k n P )V donde es un punto en R y V es el volumen de R p( ' )d' p( (4) Pattern Classfcaton, Ch4 (Part ) 5
7 Combnando ecuacones (), (3) y (4) se obtene: p( ) k / n V Pattern Classfcaton, Ch4 (Part ) 6
8 Prueba (charlada) Para justfcar la ecuacón p( ' )d' p( )V tenemos que asumr que p() es contnua y que la regon R es tan chca que p no vara sgnfcatvamente dentro de R. (4) Como p() = constante, no es parte de la suma. p( ' ) d' p( ' ) d' p( ' ) ( ) d' Pattern Classfcaton, Ch4 (Part ) 7
9 Prueba (charlada) p( ' ) d' p( ' ) ( ) d' p( ' ) ( ) Donde: (R) es: una superfce en el espaco Eucldeo R un volumen en el espaco Eucldeo R 3 un hpervolumen en el espaco Eucldeo R n Como p() p( ) = constante, en el espaco Eucldeo R 3 : p( ' ) d' Pattern Classfcaton, Ch4 (Part ) 8 p( ). V y p( ) k nv
10 Condcones de convergenca La fraccon k/(nv) es un valor promedado de p(). p() se obtene eacta solo s V se acerca a cero. S n es un numero fjo, puede no haber muestras en R, por lo cual lm V 0, k0 p( ) 0 (s n fjo) S alguna o mas muestras concden con, el estmador dverge lm V 0, k0 Pattern Classfcaton, Ch4 (Part ) 9 p( )
11 Convergenca 0 El volumen V necesta r a cero o no se podra usar esta estmacón. Practcamente, V no puede ser muy chco pues el numero de muestras es sempre lmtado. Se tene que aceptar varabldad en el rado k/n y un promedo en la densdad p() Teórcamente, con nfntas muestras, para estmar la densdad en, se forma una suceson de regones R, R, que contenen : la prmera con una muestra la segunda con dos, etc... Pattern Classfcaton, Ch4 (Part )
12 Condcones Sea V n el volumen de R n, k n el numero de muestras en R n y p n () el n-esmo estmador de for p(): p n () = (k n /n)/v n (7) Hay tres condcones necesaras s para asegurar la convergenca de p n () a p(): ) lmv n ) lmk n 3 ) lmk n n n n / 0 n 0 Pattern Classfcaton, Ch4 (Part )
13 ) lmv n ) lmk n 3 ) lmk n n n n / 0 n 0 La prmera condcon asegura que el rado P/V converge a p() La segunda condcon asegura que la frecuenca de observacon converge en probabldad a P La tercera condcon asegura que s ben hay nfntas muestras en la ventana, solo son una parte pequeña del total de muestras Pattern Classfcaton, Ch4 (Part )
14 Métodos Hay dos métodos prncpales para obtener estas condcones : (a) Reducr una ventana ncal medante una funcón φ, como V n = /n de tal forma que el k n resultante se comporte ben y se cumpla Este método es llamado método de estmacón de la ventana de Parzen (b) Especfcar k n como una funcón de n, como k n = n; el volumen V n crece hasta que engloba k n vecnos de. Este método se llama estmacon por los vecnos mas cercanos Pattern Classfcaton, Ch4 (Part ) 3 p n ( ) p( ) n
15 Pattern Classfcaton, Ch4 (Part ) 4
16
17 Ventana de Parzen El método de la ventana de Parzen para estmar densdades asume que la regon R n es un hpercubo d-dmensonal d V n Sea (u) (u) h n (h 0 6 : largo la funcon del lado de ventana : u j j,..., d en otrocaso ((- )/h n ) es gual a uno s cae dentro del hpercubo de volumen V n centrado en y es cero en otro caso n n ) Pattern Classfcaton, Ch4 (Part )
18 Ventana de Parzen El numero de muestras en el hypercubo es: Susttuyendo k n en ecuacon (7), se obtene: P n () estma p() como un promedo de funcones de y de muestras ( ) ( =,,n). esas funcones pueden ser generales! Pattern Classfcaton, Ch4 (Part ) 7 n n n h k n n n n h V n p ) (
19 Ejemplo Comportamento del método de la ventana de Parzen para el caso N(0,) Sea (u) = (/() ep(-u /) y h n = h /n (n>) y h parámetro conocdo Entonces p n ( ) es un promedo de densdades normales centradas en las muestras 8 n n h hn Pattern Classfcaton, Ch4 (Part )
20 Pattern Classfcaton, Ch4 (Part ) 9
21 Pattern Classfcaton, Ch4 (Part ) 0
22 Se obtenen resultados analogos en dos dmensones: Pattern Classfcaton, Ch4 (Part )
23 Pattern Classfcaton, Ch4 (Part )
24 Caso donde la densdad desconocda es una muestra de una densdad unforme y una densdad trangular p() =.U(a,b) +.T(c,d) 3 Pattern Classfcaton, Ch4 (Part )
25 Pattern Classfcaton, Ch4 (Part ) 4
26 Ejemplo de Clasfcacón Se estman las densdades por cada categora y se clasfca un punto de test con la etqueta correspondente al mamo a posteror 5 La regon de decson del clasfcador de la ventana de Parzen depende de la eleccon de la ventana como se lustra a contnuacon Pattern Classfcaton, Ch4 (Part )
27 Pattern Classfcaton, Ch4 (Part ) 6
28 Pattern Classfcaton, Chapter 4 (Part ) Implementacón del método de Parzen 7 La mayoría de los métodos de reconocmento de patrones pueden mplementarse en forma paralela. Estas mplementacones se representan en forma de redes neuronales. El método de la ventana de Parzen para clasfcacón se conoce tambén como la red neuronal probablístca. Se supone que se desea realzar una estmacón de Parzen basados en n patrones muestreados aleatoramente de c categoras.
29 Probablstc Neural Netorks 8 Los vectores a clasfcar (ngreso) estan conectados con n patrones, con pesos estmados con la muestra de entrenamento. Los patrones estan conectados con las c clases, tamben de acuerdo a la muestra de entrenamento.. t.
30 Pattern Classfcaton, Chapter 4 (Part ) Algortmo de entrenamento 9 Normalzar cada muestra de entrenamento, = Poner la prmera muestra de entrenamento en las undades de entrada Defnr los pesos de los enlaces de la muestra con el prmer patrón como k = k con k=,..,d. Hacer un enlace desde el patrón a la clase conocda de la muestra : ϵ ω j entonces p --> ω j Repetr el proceso para todos los patrones de entrenamento.
31 Pattern Classfcaton, Chapter 4 (Part ) 30 Cada undad patron tene como vector de pesos a una muestra de entrenamento. La etqueta de dcha muestra produce un enlace con las undades de categora.
32 Algortmo de clasfcacon Normalzar el vector a clasfcar y ponerlo en la undad de entrada Cada patron calcula el producto nterno con sus pesos para armar la red de actvacon net k t k. f ( net y emte una funcon no lneal haca la categora ω j donde esta conectada Cada categora suma las contrbucones de todos los patrones conectados con ella k net k ) ep hn k Pn ( j ) P( j ) j Clasfca selecconando el mamo valor de P n ( j ) 3 Pattern Classfcaton, Chapter 4 (Part )
33 3 Pattern Classfcaton, Chapter 4 (Part )
34 Captulo 4 (parte ): Clasfcacon no parametrca (Seccones ) K N E A R E S T N E I G H B O R E S T I M A T I O N T H E N E A R E S T - N E I G H B O R R U L E
35 K n estmacon de vecnos mas cercanos Objetvo: soluconar el problema de la mejor funcon de ventana Dejemos que el volumen sea una funcon de los datos de entrenamento Centremos una celda en y dejemos crecer el volumen hasta capturar k n muestras(k n = f(n)) k n son llamados k n vecnos mas cercanos Pueden ocurrr dos cosas: Densdad es alta cerca de ; por lo tanto la celda puede ser pequeña lo cual da una buen resolucon. Densdad es pequeña; por lo tanto la celda y se detendra cuando encuentre una regon de alta densdad. Podemos obtener una famla de estmadores ponendo k n =k /n y elgendo dferentes valores de k 34 Pattern Classfcaton, Chapter 4 (Part )
36 35 Pattern Classfcaton, Chapter 4 (Part )
37 36 Pattern Classfcaton, Chapter 4 (Part )
38 Objetvo: estmar P( ) de un conjunto de n muestras etquetadas medante vecnos mas cercanos Pongamos un volumen V alrededor de y capturemos k muestras k muestras alrededor k resultaron de la clase entonces: p n (, ) = k /n.v Un estmador de p n ( ) es: p n ( ) 37 p j c j n p ( n, ) (, j ) k k Pattern Classfcaton, Chapter 4 (Part )
39 Pattern Classfcaton, Chapter 4 (Part ) 38 k /k es la fraccon de las muestras dentro de la celda que estan etquetadas con Para una tasa de error mnma, la categora con mas frecuenca de representacon dentro de la celda es selecconada S k es grande y la celda es sufcentemente chca, el desempeño se acercara al mejor posble.
40 Pattern Classfcaton, Chapter 4 (Part ) La regla del vecno mas cercano 39 Sea Dn = {,,, n} un conjunto de n patrones etquetados Sea Dn el patron mas cercano al punto de test entonces la regla del vecno mas cercano para clasfcar es asgnar la etqueta asocada con La regla del vecno mas cercano lleva a un error mayor que el mnmo posble, la tasa de Bayes. S el numero de patrones es largo (lmtado), el error del clasfcador de vecnos mas cercano no es nunca peor que dos veces la tasa de Bayes S n, sempre es posble encontrar sufcentemente cerca de tal que: P( ) P( )
41 Ejemplo: = (0.68, 0.60) t Patrones Etquetas Probabldades a posteror estmadas (0.50, 0.30) = P( m ) (0.70, 0.65) Decson: 5 es la etqueta asgnada a S P( m ), entonces la regla del vecno mas cercano es cas sempre la eleccon de Bayes 40 Pattern Classfcaton, Chapter 4 (Part )
42 4 Pattern Classfcaton, Chapter 4 (Part )
43 Pattern Classfcaton, Chapter 4 (Part ) La regla de k vecnos mas cercanos 4 Objetvo: Clasfcar a con la etqueta mas representada (en frecuenca) en los k patrones mas cercanos a de la muestra de entrenamento global
44 43 Pattern Classfcaton, Chapter 4 (Part )
45 Ejemplo: k = 3 (valor mpar) y = (0.0, 0.5) t Prototypes (0.5, 0.35) (0.0, 0.8) (0.09, 0.30) (0., 0.0) Labels 5 Vectores mas cercanos a donde sus etquetas son: {(0.0, 0.8, ); (0., 0.0, ); (0.5, 0.35, )} El esquema de votacon asgna la etqueta a pues es el mas representado 44 Pattern Classfcaton, Chapter 4 (Part )
46 Captulo 4 (parte 3): Clasfcacon no parametrca (Seccones ) K N E A R E S T N E I G H B O R E S T I M A T I O N A N D M E T R I C S
47 La regla del vecno mas cercano clasfca asgnado la etqueta de la clase mejor representada, usando un esquema de votacon 46
48 Metrcas Este tpo de clasfcador depende de una funcón de dstanca o métrca. Una métrca es una funcón de dos vectores que cumple las sguentes propedades nonegatvdad: D(a,b) 0 refleon: D(a,b)=0 s a=b smetra: D(a,b)=D(b,a) desgualdad trangular: D(a,b)+D(b,c) D(a,c) 47
49 Escalar camba la clasfcacón 48
50 Métrca de Mnkosk Una clase general de métrcas para patrones d- dmensonales es la metrca de Mnkosk L 49 d / p p p( a, b) a b tambén llamada norma L p. La norma L es llamada dstanca cty block o Manhattan, y mde camno mas corto entre dos puntos a y b usando solo segmentos paralelos a los ejes. La norma L es la norma Eucldea La norma L entre a y b corresponde al supremo de la dferenca entre a y b, coordenada a coordenada.
51 Metrca de Mnkosk 50
52 Métrca Tanmoto La dstanca entre dos conjuntos S y S se defne como D( S, S ) 5 n n n n n n donde n y n son el numero de elementos de S y S respectvamente, y n es el numero de elementos de la nterseccón. Se usa cuando las característcas (elementos de los subconjuntos) o ben son guales o ben dstntas, y no hay nocón de grado de smlardad
53 Invarantes k-vecnos mas cercanos precsan métrcas nvarantes, las cuales no son unversales Cada problema tene transformacones asocadas, a las cuales la medda debe ser nvarante Transformacones comunes son: rotacones traslacones dstorsones escalado 5
54 Dstanca eucldea 53
55 Solucones Se pueden procesar los datos para ponerlos en pose Esto es muy costoso En mágenes, se realza cuando hay que fusonar datos para determnar cambos o generar tres dmensones 54 Para clasfcacón, es ndspensable trabajar con una dstanca nvarante
56 Clasfcador basado en dstanca tangente 55 Se supone que se conocen r transformacones para las cuales se tene que obtener nvaranca Para cada vector de entrenamento, se calcula F () la transformacón de (para cada transformacón dferente) Se construye el vector tangente TV de cada transformacón TV =F ()- El subespaco de los r vectores tangentes que pasan por representa una apromacón lneal de la combnacón de las transformacones.
57 56
58 Cómputo dstanca 57 Para calcular la dstanca tangente de un prototpo a un nuevo vector y, se usa la matrz T de todos los r vectores tangentes a D(, y) mn ( Ta) a y Esto es, la dstanca eucldea entre el vector y al espaco tangente de. Se calculan los k-vecnos mas cercanos (con esta dstanca) y se vota en el entorno para dar la etqueta.
59 58
60 Clasfcacon fuzzy 59 Hay una gran dscusón acerca de que s la lógca dfusa es otra forma de ver probabldades, o es una nueva forma de caracterzar la nformacón Los clasfcadores basados en lógca dfusa no se adaptan ben a grandes dmensones, y son muy pobres cuando hay falta de normalzacón. No usan datos de entrenamento, por lo cual, cuando fallan, es costumbre adaptarlos a sstemas llamados Neuro-fuzzy, que son neural netorks con patrones caracterzados por lógca dfusa. Anfs es uno de sus ejemplos mas mportantes
61 Reduced Coulumb energy netork 60 Metodo de Parzen fja una ventana para todo el espaco de caracterstcas. Sn embargo, en algunas regones un ancho de banda mas chco sera mas efcente mentras que en otras regones uno mas grande sera apropado. K-nearest neghbors reduce ese problema consderando regones ajustadas a la densdad de puntos. Un punto de vsta ntermedo sera ajustar la ventana durante el entrenamento de acuerdo al punto mas cercano de una categora dferente.
62 Reduced Coulumb energy netork 6
63 algortmos 6
64 63
65 Introduccon 64 En el captulo 3, las densdades de probabldad subyacentes eran conocdas. La muestra de entrenamento fue usada para estmar los parametros de esas dstrbucones de probabldad ( estmadores ML, MAP ). En este captulo, solo sabemos las formas de las funcones dscrmnantes : smlar a las tecncas noparametrcas. Pueden no ser optmas pero son muy facles de usar Nos proveen de clasfcadores lneales.
66 Funcones dscrmnantes lneales y superfces de decson Defncon 65 Es una funcon que es una combnacon lneal de componentes de g() = t + 0 () donde es el vector de pesos y 0 el de pesos Un clasfcador con dos clases con una funcon dscrmnante de la forma () usa la sguente regla: Decde por s g() > 0 y s g() < 0 Decde por s t > - 0 y en otro caso s g() = 0 se asgna a cualquera de las clases
67 66
68 67 La ecuacon g() = 0 defne la superfce de decson que separa puntos asgnados a la categora de puntos asgnados a la categora Cuando g() es lneal, la superfce de decson es un hperplano r es la dstanca algebraca de el punto al hperplano H, (la mnma dstanca de un punto fjo a cualquer punto de un plano)
69 68
70 69 d(0,h) en partcular ) ( r 0 y. ) pues g( ) g(. g(). 0 t p p 0 t t 0 t g r r r r p p
71 70 Como concluson, una funcon dscrmnante lneal dvde el espaco de caracterstcas por una supercfe de decson (hperplano) La orentacon de la superfce esta determnada por el vector normal a la superfce y la poscon de la superfce esta determnada por el desvo 0
72 Hay mas de una forma de etender clasfcadores lneales a mas de dos categoras. En la fgura mostramos el mas smple y el mas complejo 7
73 Lnear machne Se defnen c funcones dscrmnantes lneales 7 t g( ) 0,...,c y se asgna a s g () > g j () j ; en caso de empates, la clasfcacon queda ndefnda Un clasfcador as se llama lnear machne Una maquna lneal dvde el espaco de caracterstcas en c regones de decson, con g () el dscrmnante mas grande s esta en la regon R
74 73
75 Lnear machne Dos regones contguas R and R j ; tenen como frontera que las separa a una porcon de un hperplano H j defndo por g () = g j () s ( j ) t + ( 0 j0 ) = 0 j es normal a H j 74 d(,h j ) g g j j es facl mostrar que las regones de decson de una maquna lneal son conveas, esta restrccon lmta la flebldad y la precson del clasfcador
76 Funcones dscrmnantes lneales generalzadas Las fronteras de decson que separan las clases no deberan ser sempre lneales La complejdad de las fronteras algunas veces pden el uso de superfces altamente no lneales Una forma muy popular de generalzar el concepto de funcones de decson lneal es consderar una funcon de decson generalzada como : 75 g() = f () + f () + + N f N () + N+ () donde f (), N son funcones escalares del patron, R n (espaco eucldeo)
77 Funcones dscrmnantes lneales generalzadas Introducendo f n+ () = se tene: 76 g( ) N donde f (, ( ) T,...,. N, N ) T y (f ( ), f ( ),..., f N ( ), f N ( )) T esta ultma representacon de g() mplca que toda funcon de decson defnda por la ecuacon () puede ser tratada como lneal en el espaco (N + ) dmensonal (N + > n) g() mantenen sus caracterstcas no lneales en R n
78 La funcon de decson generalzada mas comun es g() donde f () ( N) son polnomos g( ) ( ) T T: es la transpuesta donde es un nuevo vector de pesos, el cual puede ser calculado del vector orgnal y de las funcones orgnales f (), N funcones de decson cuadratcas para un espaco de dos caracterstcas g( ) aqu : (,,..., 6 ) 3 T y 4 (, 5, 6,,,) T 77
79 Para patrones en R n, la funcon de decson cuadratca mas usada es: 78 g( ) n j j n n n n () j el numero de termnos en el lado derecho es : l N n n( n ) n ( n )( n ) Este es el numero de pesos que son los parametros lbres del problema S por ejemplo n = 3, el vector es 0-dmensonal s por ejemplo n = 0, el vector es 65-dmensonal
80 En el caso de funcones de decson polnomales de orden m, una f () tpca es : f ( ) e donde e,... e m,..., 79 m m 0 o. S f es polnomal con grado entre 0 y m para no tener repetcones se pde m n y e, m es g m ( ) n n... n m m m g ( ) m m (donde g 0 () = n+ ) es la funcon de decson polynomal de orden m mas general
81 80
82 Ejemplo : sea n = 3 and m = entonces: Ejemplo : Sea n = y m = 3 entonces: ) ( g ) ( ) ( donde g ) ( ) ( ) ( g g g g
83 La funcon dscrmnante cuadratca puede ser representada por una superfce cuadratca n- dmensonal 8 g() = T A + T b +c donde la matrz A = (a j ), el vector b = (b, b,, b n ) T y c, dependen de los pesos, j, de la ecuacon () S A es defnda postva entonces la funcon de decson es un hperelpsode con ejes en las dreccones de los autovalores de A En partcular: s A = I n (Identdad), la funcon de decson es smplemente una hperesfera n-dmensonal
84 83 S A es defnda negatva la funcon de decson descrbe un a hyperbolode En concluson: es solo la matrz A la que determna la forma y las caracterstcas de la funcon de decson
85 84
86 Dos clases lnealmente separables Tenemos n muestras de dos clases Queremos determnar pesos a en un dscrmnante lneal g()=a t y Una muestra y se clasfca correctamente s a t y>0 y esta en la clase, o a t y<0 y esta en la clase. Por lo cual, con una normalzacon, se puede buscar un vector a tal que a t y>0 para todas las muestras Un vector as es llamado vector solucon 85
87 solucon lneal 86
88 pesos a son vectores en el espaco de pesos cada muestra y es una restrccon a la poscon del 87 vector de pesos la ecuacon ay=0 defne un hperplano por el orgen del espaco de pesos que tene a y como vector normal por lo cual la solucon tene que estar en la nterseccon de n espacos, y todo vector de ese espaco nterseccon es solucon Podemos mamzar la mnma dstanca de las muestras al hperplano Otra posbldad es buscar el vector a que satsface donde b es el margen a t y b
89 con margen 88
90 89
6 Minimización del riesgo empírico
6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón
Más 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 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 detallesGeometría convexa y politopos, día 1
Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n
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 detallesMDE.Representación superficie
MDE.Representacón superfce Representacón superfce a partr de datos (observacones). Problema : Cómo crear superfces dscretas y contnuas para representar la varacones de altura en el espaco?. Construccón
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 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 detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
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 detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
Más 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 detallesCAPITULO 3º SOLUCIÓN ECUACIÓN DE ESTADO- 01. Ing. Diego A. Patiño G. M.Sc, Ph.D.
CAPITULO 3º SOLUCIÓN ECUACIÓN DE ESTADO- 0 Ing. Dego A. Patño G. M.Sc, Ph.D. Solucón de la Ecuacón de Estado Solucón de Ecuacones de Estado Estaconaras: Para el caso estaconaro (nvarante en el tempo),
Más detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
Más 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 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 detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesTallerine: Energías Renovables. Fundamento teórico
Tallerne: Energías Renovables Fundamento teórco Tallerne Energías Renovables 2 Índce 1. Introduccón 3 2. Conceptos Báscos 3 2.1. Intensdad de corrente................................. 3 2.2. Voltaje..........................................
Más detallesLa representación Denavit-Hartenberg
La representacón Denavt-Hartenberg José Cortés Parejo. Marzo 8 Se trata de un procedmeto sstemátco para descrbr la estructura cnemátca de una cadena artculada consttuda por artculacones con. un solo grado
Más detallesUniversidad Simón Bolívar Conversión de Energía Eléctrica - Prof. José Manuel Aller
Unversdad Smón Bolívar Conversón de Energía Eléctrca Prof José anuel Aller 41 Defncones báscas En este capítulo se estuda el comportamento de los crcutos acoplados magnétcamente, fjos en el espaco El medo
Más detallesProblemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel
Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al
Más detallesSistemas Lineales de Masas-Resortes 2D
Sstemas neales de Masas-Resortes D José Cortés Pareo. Novembre 7 Un Sstema neal de Masas-Resortes está consttudo por una sucesón de puntos (de ahí lo de lneal undos cada uno con el sguente por un resorte
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesEJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.
EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesPattern Classification
attern Cassfcaton A materas n these sdes were taken from attern Cassfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wey & Sons, 000 wth the ermsson of the authors and the ubsher Catuo : Teora
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesi=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1
CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesCinemática del Brazo articulado PUMA
Cnemátca del Brazo artculado PUMA José Cortés Parejo. Enero 8. Estructura del brazo robótco El robot PUMA de la sere es un brazo artculado con artculacones rotatoras que le proporconan grados de lbertad
Más 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 detallesEDO: Ecuación Diferencial Ordinaria Soluciones numéricas. Jorge Eduardo Ortiz Triviño
EDO: Ecuacón Dferencal Ordnara Solucones numércas Jorge Eduardo Ortz Trvño Organzacón general Errores en los cálculos numércos Raíces de ecuacones no-lneales Sstemas de ecuacones lneales Interpolacón ajuste
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesGeneración de e Modelos 3D a Partir de e Datos de e Rango de e Vistas Parciales.
Generacón de e Modelos 3D a Partr de e Datos de e Rango de e Vstas Parcales. Santago Salamanca Mño Escuela de Ingenerías Industrales Unversdad de Extremadura (UNED, UCLM, UEX) Introduccón (I) Qué es un
Más detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesMETODOS NUMERICOS CATEDRA 0 6. Ingeniería Civil ING.CRISTIANCASTROP. Facultad de Ingeniería de Minas, Geología y Civil
CATEDRA 0 6 Facultad de Ingenería de Mnas, Geología Cvl Departamento académco de ngenería de mnas cvl METODOS NUMERICOS Ingenería Cvl ING.CRISTIANCASTROP. Captulo VI Sstema de Ecuacones Algebracas No Lneales
Más detallesMETODOS NUMERICOS CATEDRA 0 6. Ingeniería Civil ING.CRISTIANCASTROP. Facultad de Ingeniería de Minas, Geología y Civil
ING.CRISTIANCASTROP. CATEDRA 0 6 Facultad de Ingenería de Mnas, Geología Cvl Departamento académco de ngenería de mnas cvl METODOS NUMERICOS Ingenería Cvl ING.CRISTIANCASTROP. Captulo VI Sstema de Ecuacones
Más detallesRaices de Funciones : Solución de ecuaciones no lineales. Jorge Eduardo Ortiz Triviño
Races de Funcones : Solucón de ecuacones no lneales Jorge Eduardo Ortz Trvño jeortzt@unal.edu.co http://www.docentes.unal.edu.co/jeortzt/ y Motvacón La ormula cuadrátca: b b 4ac a Se usa para resolver:
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 detallesRobótica Tema 4. Modelo Cinemático Directo
UNIVERSIDAD POLITÉCNICA DE MADRID E.U.I.T. Industral ASIGNATURA: Robótca TEMA: Modelo Cnemátco Ttulacón: Grado en Ingenería Electrónca y Automátca Área: Ingenería de Sstemas y Automátca Departamento de
Más detallesCAPITULO 2 VALORES, VECTORES PROPIOS y SVD. Ing. Diego A. Patiño M.Sc., Ph.D.
CAPITULO VALORES, VECTORES PROPIOS y SVD Ing. Dego A. Patño M.Sc., Ph.D. Valores y Vectores Propos Muchas de las transformacones que se necestan en el dseño de sstemas de control se realzan sobre vectores
Más detallesMétodos Matemá5cos en la Ingeniería Tema 1. Ecuaciones no lineales
Métodos Matemá5cos en la Ingenería Tema. Ecuacones no lneales Jesús Fernández Fernández Carmen María Sordo García DEPARTAMENTO DE MATEMÁTICA APLICADA Y CIENCIAS DE LA COMPUTACIÓN UNIVERSIDAD DE CANTABRIA
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesEn un mercado hay dos consumidores con las siguientes funciones de utilidad:
En un mercado hay dos consumdores con las sguentes funcones de utldad: U ( + y, y = ln( + U ( = + y con a >,, y a ln( + donde, =,, es la cantdad del ben consumda por el ndvduo, y es la cantdad de renta
Más detallesEspacios de Búsqueda en un Árbol Binario para Resolver Problemas de Optimización Discreta
Espacos de Búsueda en un Árbol Bnaro para Resolver Problemas de Optmzacón Dscreta María Elena Gómez-Torres J. Crspín Zavala-Díaz Marco Antono Cruz- Chávez 3 Insttuto Tecnológco de Zacatepec Calzada Insttuto
Más detallesCAPÍTULO 5 MÉTODO DE LA FUNCIÓN ELÍPTICA DE JACOBI
CAPÍTULO 5: MÉTODO DE LA FUNCIÓN ELÍPTICA DE JACOBI 57 CAPÍTULO 5 MÉTODO DE LA FUNCIÓN ELÍPTICA DE JACOBI 5. Resumen Se busca solucón a las ecuacones acopladas que descrben los perfles de onda medante
Más detallesVectores en el espacio
ectores en el espaco Los puntos y los vectores en el espaco se pueden representar como ternas de números reales (a,b,c) c b a Por el Teorema de Ptagoras, la norma del vector = (a,b,c) es = a 2 +b 2 +c
Más detalles3 - VARIABLES ALEATORIAS
arte Varables aleatoras rof. María B. ntarell - VARIABLES ALEATORIAS.- Generaldades En muchas stuacones epermentales se quere asgnar un número real a cada uno de los elementos del espaco muestral. Al descrbr
Más detallesEJERCICIOS RESUELTOS VARIABLE ALEATORIA UNIDIMENSIONAL
Gestón Aeronáutca: Estadístca Teórca Facultad Cencas Económcas y Empresarales Departamento de Economía Aplcada Profesor: Santago de la Fuente Fernández EJERCICIOS RESUELTOS VARIABLE ALEATORIA UNIDIMENSIONAL
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesCI63G Planificación de Sistemas de Transporte Público Urbano. Clase 8 Semestre Otoño 2008
CI63G Planfcacón de Sstemas de Transporte Públco Urbano Clase 8 Semestre Otoño 2008 Undades Temátcas 1. La oferta de transporte públco urbano (2 semanas) 2. La demanda por TPU (1,5 sem.) 3. Dseño y optmzacón
Más detallesCapítulo 2: Introducción al método de los Elementos Finitos 2. CAPÍTULO 2 INTRODUCCIÓN AL MÉTODO DE LOS ELEMENTOS FINITOS
Capítulo 2: Introduccón al método de los Elementos Fntos 2. CAPÍTULO 2 ITRODUCCIÓ AL MÉTODO DE LOS ELEMETOS FIITOS 2.. ITRODUCCIÓ Vrtualmente cada fenómeno en la naturaleza, sea bológco, geológco o mecánco
Más detallesEl Tensor de Deformación
Comportamento Mecánco de Sóldos Capítlo IV Tensor de deformacón 4.. Introdccón El Tensor de Deformacón Además de descrbr los esferzos de n cerpo, la mecánca de los sóldos contnos aborda tambén la descrpcón
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Redes de Neuronas: Preparacón de datos para el aprendzaje y meddas de evaluacón 1. Preparacón de datos Característcas de los datos
Más detallesMatemáticas Discretas
Coordnacón de Cencas Computaconales - INAOE Matemátcas Dscretas Cursos Propedéutcos 2010 Cencas Computaconales INAOE Dr. Lus Vllaseñor Pneda vllasen@naoep.mx http://ccc.naoep.mx/~vllasen Algo de nformacón
Más detallesVII. Solución numérica de ecuaciones diferenciales
VII. Solucón numérca de ecuacones derencales VII. Antecedentes Sea dv dt una ecuacón derencal de prmer orden : g c m son constantes v es una varable dependente t es una varable ndependente c g v I m Las
Más detallesINGENIERÍA DE TELECOMUNICACIÓN BLOQUE 1
INGENIERÍA DE TELECOMUNICACIÓN BLOQUE En el Aula Vrtual se encuentra dsponble: Materal nteractvo con teoría y ejerccos resueltos. Para acceder a ello deberá pulsar sobre los sguentes enlaces una vez dentro
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
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 detalles, x es un suceso de S. Es decir, si :
1. Objetvos: a) Aprender a calcular probabldades de las dstrbucones Bnomal y Posson usando EXCEL. b) Estudo de la funcón puntual de probabldad de la dstrbucón Bnomal ~B(n;p) c) Estudo de la funcón puntual
Más detallesReconocimiento de Patrones. Autores: José Luis Alba - Universidad de Vigo Jesús Cid - Universidad Carlos III de Madrid
Reconocmento de Patrones Autores: José Lus Alba - Unversdad de Vgo Jesús Cd - Unversdad Carlos III de Madrd Ultma revsón: mayo de 2006 Índce Introduccón Esquema general del análss de mágenes Elementos
Más detallesEjercicios Resueltos de Vectores
Departamento de Matemátca y C C Coordnacón: Calculo II para Ingenería Semestre Eerccos Resueltos de Vectores Sean los vectores en IR : v,,, u,, 4, a,, y b,, 4 : a) Determne los vectores: UV y AB UV AB
Más detallesCapítulo 4 Probabilidades Estadística Computacional II Semestre 2006
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo 4 Probabldades Estadístca Computaconal II Semestre 006 Profesores: Héctor llende (hallende@nf.utfsm.cl) Carlos Valle (cvalle@nf.utfsm.cl)
Más detallesDpto. Física y Mecánica
Dpto. Físca y Mecánca Mecánca analítca Introduccón Notacón Desplazamento y fuerza vrtual Fuerza de lgadura Trabao vrtual Energía cnétca. Ecuacones de Lagrange Prncpode los trabaos vrtuales Prncpo de D
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesEL ELEMENTO FINITO APLICADO A LAS ESTRUCTURA S METALICAS
EL ELEMENTO FINITO APLICADO A LAS ESTRUCTURA S METALICAS ING. F. JAVIER ANAYA ESTRELLA INTRODUCCION UNA REGION COMPLEJA QUE DEFINE UN CONTINUO SE DISCRETIZA EN FORMAS GEOMETRICAS SIMPLES LLAMADAS ELEMENTOS
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la
Más detallesIntroducción al Método de los Elementos Finitos
S 4 v v 5 Introduccón al Método de los Elementos Fntos Parte 4 Estmacón de error en problemas elíptcos Alberto Cardona, Víctor Facnott Cmec-Intec (UNL/Concet), Santa Fe, Argentna Estmacón de error en problemas
Más detallesCapítulo 11. Movimiento de Rodamiento y Momentum Angular
Capítulo 11 Movmento de Rodamento y Momentum Angular 1 Contendos: Movmento de rodamento de un cuerpo rígdo. Momentum Angular de una partícula. Momentum Angular de un sstema de partículas. Momentum Angular
Más detallesPrograma de Doctorado en Ingeniería Aeronáutica Capítulo III Tensor deformación. El Tensor de Deformación A A'
Programa de Doctorado en Ingenería Aeronátca Capítlo III Tensor deformacón Comportamento Mecánco de Materales - Dr. Alberto Monsalve González - El Tensor de Deformacón Introdccón Además de descrbr los
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesCOLEGIO INGLÉS MEDIDAS DE DISPERSIÓN
COLEGIO IGLÉS DEPARTAMETO IVEL: CUARTO MEDIO PSU. UIDAD: ESTADISTICA 3 PROFESOR: ATALIA MORALES A. ROLADO SAEZ M. MIGUEL GUTIÉRREZ S. JAVIER FRIGERIO B. MEDIDAS DE DISPERSIÓ Las meddas de dspersón dan
Más 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 detallesPUBLICACIONES DE 4º CURSO
PUBLICACIONES DE 4º CURSO Grado: DERECHO-ADE Asgnatura: ECONOMERÍA Grupos: Únco ema: ESQUEMA EMA Profesores: Inmaculada Vllanúa Departamento de ANÁLISIS ECONÓMICO Curso Académco 04/5 ema : El Modelo Lneal
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 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 detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
Más detallesEl diodo Semiconductor
El dodo Semconductor J.I. Hurcán Unversdad de La Frontera Aprl 9, 2012 Abstract Se plantean procedmentos para analzar crcutos con dodos. Para smpl car el trabajo, el dodo semconductor es reemplazado por
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesCapítulo 11. Movimiento de Rodamiento y Momentum Angular
Capítulo 11 Movmento de Rodamento y Momentum Angular 1 Contendos: Movmento de rodamento de un cuerpo rígdo. Momentum Angular de una partícula. Momentum Angular de un sstema de partículas. Momentum Angular
Más detallesÁLGEBRA LINEAL. Tarea 1. Nombre: Fecha:
ÁLGEBRA LINEAL Tarea. Investque a) Defncón de vector b) Operacones de vectores c) Defncón de matr d) Operacones de matrces e) Defncón de matr traspuesta Bblografía: ÁLGEBRA LINEAL Tarea. a) Investque )
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesUsando geometría proyectiva para corregir una cámara. Parte II
Usando geometría proyectva para corregr una cámara. Parte II No hay nada partcularmente profundo en este problema o en su solucón, pero espero que muestre el placer que se puede encontrar cuando usamos
Más detallesWww.apuntesdemates.weebl.es TEMA AMO EALARE Y VETORIALE. INTRODUIÓN e entende por magntud cualquer cualdad o propedad medble. ueden clasfcarse en: - Magntudes escalares: Quedan totalmente defndas cuando
Más detallesTEMA 2 Revisión de mecánica del sólido rígido
TEMA 2 Revsón de mecánca del sóldo rígdo 2.. ntroduccón SÓLDO RÍGDO SÓLDO: consderar orentacón y rotacón RÍGDO: CONDCÓN DE RGÍDEZ: - movmento: no se alteran dstancas entre puntos - se gnoran las deformacones
Más detallesFUNCION DE BASE RADIAL Radial Basis Function (RBF)
FUNCION DE BASE RADIAL Radal Bass Functon () Característcas generales y dferencas resaltantes con los modelos neuronales multcapas (Bakpropagaton): Broomhead y Lowe, 988, ntroducen un método alternatvo
Más detallesEs un método de segmentación. Se basa en determinar una región dada a partir de las características de un pixel determinado. Una vez elegido el
Es un método de segmentacón Se basa en determnar una regón dada a partr de as característcas de un pxe determnado Una vez eegdo e pxe, se determna a característca y se especfca un error A contnuacón se
Más detallesProbabilidad Grupo 23 Semestre Segundo examen parcial
Probabldad Grupo 3 Semestre 015- Segundo examen parcal La tabla sguente presenta 0 postulados, algunos de los cuales son verdaderos y otros son falsos. Analza detendamente cada postulado y elge tu respuesta
Más detalles