Introducción. Dado un problema de R.P. para el que se posee un conjunto representativo H={x 1
|
|
- Juan Luis Arroyo Peralta
- hace 5 años
- Vistas:
Transcripción
1 Recoocimieto de Patroes o Supervisado Objetivo: Itroducció Dado u problema de R.P. para el que se posee u cojuto represetativo H={x,x 2,...,x } de muestras o etiquetadas, defiir las clases a las que perteece las muestras presetes e H. Iformació Dispoible: U cojuto H de muestras o etiquetadas que debe poseer las siguietes características: Aplicabilidad La cardialidad debe ser H grade. Todas las clases ha de estar represetadas e H Puede defiirse subcojutos de H e los que las muestras se agrupa de forma atural. Se dispoe de muestras pero se carece de sus etiquetas. Las características de las clases varía co el tiempo y el sistema debe adaptarse reestimádolas.
2 Metodologías Recoocimieto de Patroes o Supervisado Alguas Metodologías Paramétrica Estimació a partir de mezclas de fucioes de desidad. o Paramétrica Ejemplo Basado e la partició de los datos e subcojutos mediate algú criterio de agrupamieto Auque los elemetos marcados co + se agrupa de forma atural, o es secillo elegir agrupacioes aturales para los elemetos marcados co *,. Cuatas clases hay? Medidas de los sépalos de Iris setosa (, Iris versicolor (, Iris virgiica (
3 Mezclas de Desidades Recoocimieto de Patroes o Supervisado Iformació Dispoible El úmero de clases c. La forma de p(x w,θ, dode θ represeta u vector de parámetros para la clase w. El cojuto de etreamieto H={x,x 2,...,x } Asucioes Todas las muestras e H está geeradas por la mezcla de fucioes de desidad: c = p( x θ p( x w, θ P( w θ = ( θ, θ2,..., θ = Esto implica que el modelo de geeració de datos es Elegir ua clase co probabilidad P(w y geerar u elemeto a partir de su fució de desidad p(x w,θ c p(x θ p(x θ θ = (θ,θ 2 p(x θ 2 El cocepto de mixtura de desidades
4 Recoocimieto de Patroes o Supervisado Estimació de los parámetros Estimació por máxima verosimilitud Para estimar θ=(θ, θ 2,..., θ c y P(w por máxima verosimilitud se debe resolver las ecuacioes: P( w = P( w P( w = x x =, θ = P( w, θ c θ = p( x x p( x, θ l( p( x w w, θ w, θ, θ = 0 Estas ecuacioes so e geeral complejas de resolver para ua distribució arbitraria. El caso gausiao Si las distribucioes de las distitas clases so gausiaas es posible aplicar el método de Maximizació de la Esperaza (ME para obteer u esquema iterativo de resolució. P( w P( w =, 2,... c
5 Recoocimieto de Patroes o Supervisado Ejemplo de estimació e mezclas Vectores de medias descoocidas E este caso el vector de parámetros θ=(θ, θ 2,..., θ c está compuesto por el vector de medias µ =(µ, µ 2,..., µ c que se calcula de forma iterativa a partir de ua estimació iicial µ (0, =,2...,c como: ( r + = P( w µ =, =, 2,..., c µ = ( µ = P( w x x, µ ( r, µ x ( r,..., µ El esquema iterativo o tiee porqué coverger a la solució óptima. Es ecesario además darle ua buea estimació iicial., µ 2 c p(x µ b p(x µ a Mezcla de desidades Estimació e mezclas Gráfico de: Richard O. Duda, Peter E. Hart, ad David G. Stor, Patter Classificatio. Copyright (c 200 por Joh Wiley & Sos, Ic. Iicio Iicio
6 Recoocimieto de Patroes o Supervisado El Algoritmo Isodata (-medias Metodología Se basa e ua aproximació de las ecuacioes del caso gausiao basada e: Si x es próximo a µ P(w x,µ si x es lejao a µ P(w x,µ 0. Esto lleva al siguiete algoritmo aproximado: Paso 0: Elegir valores iiciales para las medias µ, µ 2,... µ c Paso : Clasificar las muestras asigádolas a las de su media más próxima Paso 2: Recalcular las medias como el valor medio de las muestras e su clase. Paso 3: Si se da la codició de covergecia parar, e otro caso ir al Paso 2. Ejemplo del algoritmo Isodata Gráfico de: Richard O. Duda, Peter E. Hart, ad David G. Stor, Patter Classificatio. Copyright (c 200 por Joh Wiley & Sos, Ic.
7 Recoocimieto de Patroes o Supervisado Métodos o Paramétricos Está basados e agrupar los datos mediate algú criterio de proximidad. Por tato, es ecesario defiir: La medida de proximidad Idica cua similares o distitos puede cosiderarse dos vectores de características El criterio de agrupamieto Que se defie geeralmete mediate algua fució de error que mide la calidad de los agrupamietos El algoritmo de agrupamieto Que se ecarga de obteer el óptimo global de la fució de error o e su defecto u óptimo local El método de validació de los resultados Que se ecarga de verificar la validez de los resultados geeralmete mediate tests estadísticos
8 Recoocimieto de Patroes o Supervisado El Cálculo del Agrupamieto Óptimo La Medida de Proximidad Dado el cojuto de muestras H={x,x 2,...,x }, se defie ua medida d(x i,x j que tiee ua magitud pequeña si x i y x j so similares y grade si x i y x j so distitos El Criterio de Agrupamieto Dada etoces ua partició P={H,...,H c } del cojuto H se costruye ua fució E(P que mida la bodad de la partició P e base a d(x i,x j. Los criterios de agrupamieto suele estar basados e que d(x i,x j debe ser pequeña si x i y x j perteece al mismo agrupamieto y grade e caso cotrario. El Algoritmo de Optimizació Para resolver el problema de agrupamieto se buscar la partició óptima que miimize E(P. Si embargo el problema es muy complejo: Dado u cojuto co datos el úmero de posibles particioes e c clases es del orde de c /c!. Esto da para =00 y c=0 del orde de 3 x 0 93 particioes
9 Recoocimieto de Patroes o Supervisado Estrategias de Agrupamieto Alguas estrategias Iterativas Basado e optimizar la fució E(P de forma iterativa Vetajas Se puede modelizar su comportamieto Icoveietes Depedecia del puto iicial dode comieza la iteració. Tiede a quedarse atrapado e óptimos locales Jerárquicas Basado e orgaizar los agrupamietos de forma jerárquica. Se divide e aglomerativas y divisivas Vetajas o depede del puto iicial Icoveietes Ua vez realizada ua asigació de ua muestra a u agrupamieto o puede deshacerse la acció.
10 Recoocimieto de Patroes o Supervisado Agrupamieto Básico Iterativo mediate Error Cuadrático Medio (ABIECM Medida de proximidad La distacia euclídea al cuadrado: d(x i,x j = x i - x j 2 Criterio de Agrupamieto Suma de Dispersioes Dispersió e al agrupamieto : Suma de las distacias de los elemetos del agrupamieto a su media E ECM ( P = c = x H 2 x m, m = x, = H Algoritmo de Agrupamieto basado e: Dada ua partició P={H,...,H c }, mover u elemeto x de u agrupamieto H al H l, creado ua partició P y buscado que E ECM (P < E ECM (P. Aplicabilidad Cuado los agrupamietos está bie separados y hay poca variació e su úmero de elemetos x H
11 Algoritmo ABIECM Selecció de la Partició Recoocimieto de Patroes o Supervisado Dada ua partició P={H,...,H c }, al mover u elemeto x de u agrupamieto H al H l la variació e E ECM es: l EECM P' = EECM ( P + l + Descripció del Algoritmo 2 ( x ml x m Paso 0 Elegir ua partició iicial P={H,...,H c }, de las muestras e agrupamietos.calcular las medias m ye ECM (P. 2 Paso Seleccioar u cadidato x de H Paso 2 Si = ir al Paso 4 l e otro caso calcular: ρ i =mi ρ l x + = l ρl l x l Paso 3 Si i Cambiar a x a H i.recalcular E ECM (P, m i,, m Paso 4 Si E ECM (P o ha cambiado e itetos parar m m l l 2 2 l l = e otro caso ir al Paso Covergecia: A u óptimo local e u º fiito de pasos
12 Recoocimieto de Patroes o Supervisado Agrupamieto Jerárquico Aglomerativo Míimo Cuadrático (AJAEMC Medida de proximidad La distacia euclídea al cuadrado: d(x i,x j = x i - x j 2 Criterio de Agrupamieto E ECM ( P = c = x H 2 x m, m = x, = H Algoritmo de Agrupamieto basado e: Dada ua partició P={H,...,H c }, uir dos agrupamietos H y H l, creado ua partició P y buscado que E ECM (P < E ECM (P. x H Aplicabilidad Da bueos resultados cuado los agrupamietos está bie separados y o se cooce ua buea partició iicial.
13 Algoritmo AJAEMC Selecció de la Partició Recoocimieto de Patroes o Supervisado Dada ua partició P={H,...,H c }, al uir dos agrupamietos H y H l la variació e E ECM es: l 2 EECM ( P' = EECM ( P + m ml + Descripció del Algoritmo Paso 0 Paso Paso 2 Paso 3 Hacer c (úmero actual de agrupamietos=. Costruir ua partició iicial P={H,...,H }, co H ={x }. Costruir las medias m =x. Si c = c (úmero deseado de agrupamietos. Parar Ecotrar los agrupamietos H, H l para los que es míimo: l 2 EECM = m ml + Hacer H = H U H l. Borrar H l. Recalcular m, Decremetar c ua uidad Paso 4 Ir al Paso Covergecia: E u º fiito de pasos l l
Introducción. La forma óptima de realizar el proceso de clasificación consiste en la utilización del clasificador bayesiano: ) > p(x w j
Recordamos: Itroducció La forma óptima de realizar el proceso de clasificació cosiste e la utilizació del clasificador bayesiao: Elegir w i si p(x w i ) P(w i ) > p(x w j ) P(w i ) j i Para utilizarlo,
Más detallesINFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS
INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete
Más detallesDistribuciones en el muestreo, EMV
Distribucioes e el muestreo, E Tema 6 Descripció breve del tema. Itroducció y coceptos básicos. Propiedades de los estimadores Sesgo, Variaza, Error Cuadrático Medio y Cosistecia 3. Distribució de u estimador
Más detalles2.2. Estadísticos de tendencia central
40 Bioestadística: Métodos y Aplicacioes La dispersió o variació co respecto a este cetro; Los datos que ocupa ciertas posicioes. La simetría de los datos. La forma e la que los datos se agrupa. Cetro,
Más detallesEstimación de Parámetros
Igacio Cascos Ferádez Departameto de Estadística Uiversidad Carlos III de Madrid Estimació de Parámetros Estadística I curso 008 009 Veremos cómo costruir valores aproximados de los parámetros de los modelos
Más detalles4.- Aproximación Funcional e Interpolación
4- Aproximació Fucioal e Iterpolació 4 Itroducció Ua de las mayores vetajas de aproximar iformació discreta o fucioes complejas co fucioes aalíticas secillas, radica e su mayor facilidad de evaluació y
Más detallesINTRODUCCION Teoría de la Estimación
INTRODUCCION La Teoría de la Estimació es la parte de la Iferecia Estadística que sirve para coocer o acercarse al valor de los parámetros, características poblacioales, geeralmete descoocidos e puede
Más detallesOtro ejemplo es la tasa de cambio del tamaño de una población (N), que puede expresarse como:
SOLUCIÓN DE ECUACIONES DIFERENCIALES Autor: Keith Gregso Traducció: José Alfredo Carrillo Salazar Muchos sistemas diámicos puede represetarse e térmios de ecuacioes difereciales. Por ejemplo, la tasa de
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de
Más detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detallesEstimadores Puntuales: Propiedades de estimadores Sebastián Court
Estadística Estimadores Putuales: Propiedades de estimadores Sebastiá Court 1.Motivació Cosideremos ua variable aleatoria X co ciertas características, como por ejemplo, u parámetro θ, y ua muestra aleatoria
Más detalles) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1
ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població
Más detallesTécnicas de inteligencia artificial. Visión Artificial Segmentación
Técicas de iteligecia artificial Visió Artificial Segmetació Idice Itroducció Algoritmo de las K-medias Mea-Sift Segmetació basada e regioes Itroducció La segmetació de imágees es el proceso de extraer
Más detalles2 Algunos conceptos de convergencia de sucesiones de variables aleatorias
INTRODUCCIÓN A LA CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIAS Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Se puede utilizar diferetes coceptos de covergecia para las sucesioes
Más detalles2 Conceptos básicos y planteamiento
ESTADÍSTICA DESCRIPTIVA: DOS VARIABLES Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció E muchos casos estaremos iteresados e hacer u estudio cojuto de varias características de ua població.
Más detallesSistema de ecuaciones lineales
Uiversidad de Atofagasta Fac. de Ciecias Básicas Depto. de Matemáticas A. Alarcó, L. Media, E. Rivero, R. Zuñiga Segudo Semestre 204 Sistema de ecuacioes lieales El sistema de ecuacioes lieales a, + a,2
Más detallesIntroducciónalaInferencia Estadística
Capítulo 6 ItroduccióalaIferecia Estadística 6.1. Itroducció El pricipal objetivo de la Estadística es iferir o estimar características de ua població que o es completamete observable (o o iteresa observarla
Más detallesINFERENCIA ESTADÍSTICA
FACULTAD DE INGENIERÍA INFERENCIA ESTADÍSTICA Iree Patricia Valdez y Alfaro Estimació de parámetros ireev@servidor.uam.mx Ua clasificació de estadística Descriptiva Calculo de medidas descriptivas Costrucció
Más detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
Más detallesObjetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo Objetivos Tratar co muestras aleatorias y su distribució muestral e ejemplos de tamaño reducido. Tratar co la distribució de la
Más detallesEstimación de Parámetros. Estimación de Parámetros
Uiversidad Técica Federico Sata María Capítulo 7 Estimació de Parámetros Estadística Computacioal II Semestre 007 Prof. Carlos Valle Págia : www.if.utfsm.cl/~cvalle e-mail : cvalle@if.utfsm.cl C.Valle
Más detallesEstimación de parámetros. Biometría
Estimació de parámetros Biometría Estimació Las poblacioes so descriptas mediate sus parámetros Para variables cuatitativas, las poblacioes so descriptas mediate y Para variables cualitativas, las poblacioes
Más detallesTEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Introducción a la Inferencia Estadística Método de los momentos
TEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Itroducció a la Iferecia Estadística. Método Estadístico. Defiicioes previas. 5.2. Estimació putual 5.3. Métodos de obteció de estimadores: 5.3.1. Método de los
Más detallesbc (b) a b + c d = ad+bc a b = b a
1 Cojutos 1 Describa los elemetos de los siguietes cojutos A = { x x 1 = 0 } D = { x x 3 x + x = } B = { x x 1 = 0 } E = { x x + 8 = 9 } C = {x x + 8 = 9} F = { x x + 16x = 17 } Para los cojutos del ejercicio
Más detallesR. Urbán Introducción a los métodos cuantitativos. Notas de clase Sucesiones y series.
R. Urbá Itroducció a los métodos cuatitativos. Notas de clase Sucesioes y series. SUCESIONES. Ua sucesió es u cojuto umerable de elemetos, dispuestos e u orde defiido y que guarda ua determiada ley de
Más detallesUniversidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA. Ingenierías RH-Amb-Ag TEORÍA
Uiversidad Nacioal del Litoral Facultad de Igeiería Ciecias Hídricas ESTADÍSTICA Igeierías RH-Amb-Ag TEORÍA Mg. Susaa Valesberg Profesor Titular INFERENCIA ESTADÍSTICA TEST DE HIPÓTESIS INTRODUCCIÓN Geeralmete
Más detallesIntroducción a las Funciones Vectoriales (Funciones de R R n ) 1. Funciones de R en R n (Funciones Vectoriales)
Itroducció a las Fucioes Vectoriales (Fucioes de R R 1 Fucioes de R e R (Fucioes Vectoriales Llamaremos fució vectorial de variable real o simplemete fució vectorial, a aquellas co domiio e u subcojuto
Más detallesÍNDICE. Prólogo Capítulo 1. Ecuaciones diferenciales ordinarias. Generalidades.. 11 Introducción teórica Ejercicios resueltos...
ÍNDICE Prólogo... 9 Capítulo 1. Ecuacioes difereciales ordiarias. Geeralidades.. 11 Itroducció teórica... 13 Ejercicios resueltos.... 16 Capítulo 2. itegració de la ecuació de primer orde. La ecuació lieal...................................................................
Más detallesSe utilizan los datos puntuales de altura de precipitación o intensidades máximas de lluvia registradas en una estación
.. Tormetas putuales Aspectos geerales Se utiliza los datos putuales de altura de precipitació o itesidades máximas de lluvia registradas e ua estació So válidas para áreas cuya extesió este defiida por
Más detallesSeries alternadas Introducción
Sesió 26 Series alteradas Temas Series alteradas. Covergecia absoluta y codicioal. Capacidades Coocer y aplicar el criterio para estudiar series alteradas. Coocer y aplicar el teorema de la covergecia
Más detallesProbabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos
Probabilidad y Estadística 3 Itervalos de Cofiaza y Test de Hipótesis paramétricos Itervalos de Cofiaza Defiició Dada ua muestra aleatoria simple es decir, u vector de variables aleatorias X co compoetes
Más detallesDesigualdad de Tchebyshev
Desigualdad de Tchebyshev Si la Esperaza y la variaza de la variable X so fiitas, para cualquier úmero positivo k, la probabilidad de que la variable aleatoria X esté e el itervalo La probabilidad de que
Más detallesEn el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:
TEMA 6. Estimació putual. E muchos casos o será posible determiar el valor de u parámetro poblacioal descoocido, aalizado todos los valores poblacioales, pues el proceso a seguir puede ser destructivo,
Más detallesSESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN
SESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN I. CONTENIDOS: 1. Regresió lieal simple.. Iterpretació de gráficas de regresió. 3. Cálculo de coeficiete de correlació. 4. Iterpretació del coeficiete de correlació.
Más detallesuna sucesión de funciones de A. Formemos una nueva sucesión de funciones {S n } n=1 de A de la forma siguiente:
Tema 8 Series de fucioes Defiició 81 Sea {f } ua sucesió de fucioes de A Formemos ua ueva sucesió de fucioes {S } de A de la forma siguiete: S (x) = f 1 (x) + f 2 (x) + + f (x) = f k (x) Al par de sucesioes
Más detallesIntroducción a las Funciones Vectoriales (Funciones de R R n ) 1. Funciones de R en R n (Funciones Vectoriales)
Itroducció a las Fucioes Vectoriales (Fucioes de R R 1 Fucioes de R e R (Fucioes Vectoriales Llamaremos fució vectorial de variable real o simplemete fució vectorial, a aquellas co domiio e u subcojuto
Más detallesCapítulo 3. El modelo de regresión múltiple. Jorge Feregrino Feregrino. Econometría Aplicada Utilizando R
Capítulo 3. El modelo de regresió múltiple. Jorge Feregrio Feregrio Idetificació del modelo La idetificació del objeto de ivestigació permitirá realizar ua búsqueda exhaustiva de los datos para llevar
Más detallesEl método de Monte Carlo
El método de Mote Carlo El método de Mote Carlo es u procedimieto geeral para seleccioar muestras aleatorias de ua població utilizado úmeros aleatorios. La deomiació Mote Carlo fue popularizado por los
Más detallesEstadística y sus aplicaciones en Ciencias Sociales Práctico 4 - Solución Curso ) Como se trata de muestreo sin reposición, se tiene C 5 3
Estadística y sus aplicacioes e Ciecias Sociales Práctico 4 - Solució Curso 016 Ejercicio 1 5! 1) Como se trata de muestreo si reposició, se tiee C 5 3 3!! muestras de tamaño =3. ) Distribució muestral
Más detalles1.1. SERIES NUMÉRICAS Y FUNCIONALES.
.. SERIES NUMÉRICAS Y FUNCIONALES. Dado el cojuto de los úmeros reales, ua sucesió de úmeros reales es ua aplicació de la forma: + a : Z verificado que a () = a, (2),, ( ), a = a 2 a = a. Usualmete e lugar
Más detallesHoja de Problemas Tema 3. (Sucesiones y series)
Depto. de Matemáticas Cálculo (Ig. de Telecom.) Curso 23-24 Hoja de Problemas Tema 3 (Sucesioes y series) Sucesioes de úmeros reales. Sea {a } N, {b } N sucesioes de úmeros reales. Demostrar o refutar
Más detallesIntroducción a la Inferencia Estadística. Material Preparado por Olga Susana Filippini y Hugo Delfino
Itroducció a la Iferecia Estadística Temario Diseño Muestral Teorema Cetral del Límite Iferecia estadística Estimació putual y por itervalos Test de hipótesis. DISEÑO MUESTRAL Porque utilizar muestras
Más detallesDepartamento de Matemáticas
MA5 Clase 5: Series de potecias. Operacioes co series de potecias. Series de potecias Elaborado por los profesores Edgar Cabello y Marcos Gozález Cuado estudiamos las series geométricas, demostramos la
Más detallesIntervalos de Confianza basados en una sola muestra. Denotaremos al parámetro de interés con la letra θ y con θ un estimador para θ.
Itervalos de Cofiaza basados e ua sola muestra Ua estimació putual sólo os proporcioa u valor umérico, pero NO proporcioa iformació sobre la precisió y cofiabilidad de la estimació del parámetro. Etoces
Más detallesDISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS)
DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) www.cedicaped.com DISTRIBUCIÓN DE PROBABILIDAD Recordemos que el Espacio Muestral es el cojuto de todos y
Más detallesM arcelo, de vez en vez, usa una reata de 10 m de largo y 2 cm de grueso para
GEOMETRÍA, TRIGONOMETRÍA Y SERIES Tema 4 Series uméricas M arcelo, de vez e vez, usa ua reata de 10 m de largo y cm de grueso para medir el cotoro de los terreos que fumiga. Para que la reata que usa o
Más detallesTRABAJO DE GRUPO Series de potencias
DPTO. MATEMÁTICA APLICADA FACULTAD DE INFORMÁTICA (UPM) TRABAJO DE GRUPO Series de potecias CÁLCULO II (Curso 20-202) MIEMBROS DEL GRUPO (por orde alfabético) Nota: Apellidos Nombre Este trabajo sobre
Más detallesMEDIDAS DE DISPERSIÓN.
MEDIDA DE DIPERIÓN. Las medidas de tedecia cetral solamete da ua medida de la localizació del cetro de los datos. Co mucha frecuecia, es igualmete importate describir la forma e que las observacioes está
Más detallesQué es la estadística?
Qué es la estadística? La estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Qué es la estadística? U agete recibe iformació e forma
Más detallesSucesiones I Introducción
Temas Qué es ua sucesió? Notacioes y coceptos relacioados. Maeras de presetar ua sucesió. Gráfico de sucesioes. Capacidades Coocer y compreder el cocepto de sucesió. Coocer y maejar las diferetes maeras
Más detallesSucesiones. f : {1,2,...,r} S. Por ejemplo, la sucesión finita, (de longitud 4) de números primos menores que 10: 2,3,5,7
Sucesioes. Defiició Sucesió Matemática Ua sucesió fiita (a k ) (de logitud r) co elemetos perteecietes a u cojuto S, se defie como ua fució y e este caso el elemeto a k correspode a f(k). f : {,,...,r}
Más detallesDepartamento Administrativo Nacional de Estadística
Departameto Admiistrativo acioal de Estadística Direcció de Regulació, Plaeació, Estadarizació y ormalizació -DIRPE- Especificacioes de Coeficiete y Variaza Ecuesta de Cosumo Cultural Julio 008 ESPECIFICACIOES
Más detallesResumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales.
Resume Tema 2: Muestreo aleatorio simple. Muestreo co probabilidades desiguales. M.A.S.: Muestreo aleatorio simple co probabilidades iguales si reemplazo. Hipótesis: Marco perfecto, si omisioes i duplicados
Más detallesT ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos:
T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Variable aleatoria: defiició y tipos: Ua variable aleatoria es ua fució que asiga u úmero real, y sólo uo, a cada uo de los resultados de u eperimeto aleatorio.
Más detallesPráctica 7 CONTRASTES DE HIPÓTESIS
Práctica 7. Cotrastes de hipótesis Práctica 7 CONTRATE DE IPÓTEI Objetivos Utilizar los cotrastes de hipótesis para decidir si u parámetro de la distribució de uos datos objeto de estudio cumple o o ua
Más detallesResumen que puede usarse en el examen
Resume que puede usarse e el exame ema. Optimizació Irrestrigida. Codicioes ecesarias y suficietes de optimalidad. Proposició (C. Necesarias) Sea x* u míimo local irrestrigido de f :!! y supogamos que
Más detallesTEMA 1. ESTADÍSTICA DESCRIPTIVA
TEMA. ESTADÍSTICA DESCRIPTIVA. Itroducció: coceptos básicos. Tablas estadísticas y represetacioes gráficas. Características de variables estadísticas uidimesioales.. Características de posició.. Características
Más detallesMétodos Numéricos (SC 854) Ajuste a curvas. 2. Ajuste a un polinomio mediante mínimos cuadrados
Métodos Numéricos SC 854 Auste a curvas c M Valezuela 007 008 7 de marzo de 008 1 Defiició del problema E el problema de auste a curvas se desea que dada ua tabla de valores i,f i ecotrar ua curva que
Más detalles1. Muestreo Aleatorio Simple
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL Estadística III-Material 2-2012 Revisió y Cambios y Ampliació: Ig. José Alejadro Marí Fuete Primaria: Ig. César Augusto Zapata Urquijo
Más detallesMétodos Numéricos. La solución es una relación funcional entre dos variables. No todas las ecuaciones diferenciales tienen solución analítica.
Métodos Numéricos Métodos aalíticos Solució de ecuacioes difereciales Métodos Numéricos Métodos aalíticos: La solució es ua relació fucioal etre dos variables. No todas las ecuacioes difereciales tiee
Más detallesSeries de potencias Introducción. Temas Series de potencias. Intervalo y radio de convergencia de una serie de potencias.
Sesió 27 Series de potecias Temas Series de potecias. Itervalo y radio de covergecia de ua serie de potecias. Capacidades Coocer y compreder el cocepto de serie de potecias. Determiar el itervalo y el
Más detallesTopografía 1. II semestre, José Francisco Valverde Calderón Sitio web:
II semestre, 2013 José Fracisco Valverde Calderó Email: geo2fra@gmail.com Sitio web: www.jfvc.wordpress.com José Fracisco Valverde C Cualquier actividad técica dode se requiera recopilar iformació espacial,
Más detallesECUACIONES DIFERENCIALES (0256)
ECUACIONES DIFERENCIALES (056) SEMANA 0 CLASE 0 LUNES 09/04/. Presetació de la asigatura. Coteido programático, pla de evaluació, software de apoyo, bibliografía recomedada. Se sugiere ver los archivos
Más detallesSolución del Examen Extraordinario de Algebra y Matemática Discreta, Primer Curso, Facultad de Informática
Solució del Exame Extraordiario de Algebra y Matemática Discreta, 0-09-2008. Primer Curso, Facultad de Iformática Putuació Máxima Posible: 20 putos Ejercicio Primero (Grafos, etc). a) ( puto) Defia Grafo
Más detallesConvergencia de variables aleatorias
Capítulo Covergecia de variables aleatorias El objetivo del presete capítulo es estudiar alguos tipos de covergecia de variables aleatorias. Iiciaremos co la defiició de los distitos modos de covergecia...
Más detalles1.- CONCEPTOS BÁSICOS.
1.- CONCEPTOS BÁSICOS. Muchos problemas reales so susceptibles de ser represetados e forma de red, por este motivo comezaremos por defiir los coceptos básicos de redes y posteriormete alguos problemas
Más detallesUna sucesión es un conjunto infinito de números ordenados de tal forma que se puede decir cuál es el primero, cuál el segundo, el tercero, etc.
Sucesioes Sucesi o. Ua sucesió es u cojuto ifiito de úmeros ordeados de tal forma que se puede decir cuál es el primero, cuál el segudo, el tercero, etc. Los térmios de ua sucesió se desiga mediate a 1,
Más detallesDiseño de Conjuntos y Diccionarios con Hashing
Diseño de Cojutos y Diccioarios co Hashig Represetació de Cojutos y Diccioarios TAD Diccioario(clave, sigificado) Observadores básicos def?: dicc(clave, sigificado) bool obteer: clave c dicc(clave, sigificado)
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EXAMEN FINAL RESOLUCIÓN
Más detallesIdentificación de Sistemas
Idetificació de Sistemas Estimació de Míimos Cuadrados Autor: Dr. Jua Carlos Gómez Estimació de Míimos M Cuadrados para Estructura de Regresor Lieal Se asume que la relació etrada-salida puede ser descripta
Más detallesCLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel
x Estimado alumo: Aquí ecotrarás las claves de correcció, las habilidades y los procedimietos de resolució asociados a cada preguta, o obstate, para reforzar tu apredizaje es fudametal que asistas a la
Más detallesAlgoritmos y Estructuras de Datos II, Segundo del Grado de Ingeniería Informática, Test de Análisis de Algoritmos, marzo Test jueves.
Algoritmos y Estructuras de Datos II, Segudo del Grado de Igeiería Iformática, Test de Aálisis de Algoritmos, marzo 017. Test jueves. Para cada problema habrá que justificar razoadamete la respuesta que
Más detallesCAPÍTULO IV: CONSTRUCCIÓN DE LA TABLA DE MORTALIDAD. Es un hecho bien conocido que la probabilidad de que un individuo fallezca en un periodo
CAPÍTULO IV: CONSTRUCCIÓN DE LA TABLA DE MORTALIDAD 4.1 Geeralidades Es u hecho bie coocido que la probabilidad de que u idividuo fallezca e u periodo determiado de tiempo depede de muchos factores, etre
Más detallesMedidas de tendencia central
Medidas de tedecia cetral Por: Sadra Elvia Pérez Las medidas de tedecia cetral tiee este ombre porque so valores cetrales represetativos de los datos. Las medidas de tedecia cetral que se estudia e esta
Más detallesCombinatoria. Tema Principios básicos de recuento
Tema 4 Combiatoria La combiatoria, el estudio de las posibles distribucioes de objetos, es ua parte importate de la matemática discreta, que ya era estudiada e el siglo XVII, época e la que se platearo
Más detallesCAPITULO 0 CONCEPTOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Algebra lineal Notación básica.
5 CAPIULO 0 CONCEPOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Este capítulo proporcioa u pequeño resume acerca de coceptos básicos de álgebra y programació lieal que resulta fudametales para el bue etedimieto
Más detallesMedidas de Tendencia Central
1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los valores observados e la muestra, dividida
Más detallesECUACIONES DIFERENCIALES Problemas de Valor Frontera
DIVISIÓN DE CIENCIAS FÍSICAS Y MATEMÁTICAS DPTO. TERMODINÁMICA Y FENÓMENOS DE TRANSFERENCIA MÉTODOS APROXIMADOS EN ING. QUÍMICA TF-33 ECUACIONES DIFERENCIALES Problemas de Valor Frotera Esta guía fue elaborada
Más detallesPropiedades de la funcion de distribucion empirica. Propiedades de la Función de distribución Empírica:
Propiedades de la fucio de distribucio empirica Propiedades de la Fució de distribució Empírica: a. Fˆ es creciete de 0 hasta 1. b. Fˆ es ua fució escaloada co saltos e los distitos valores de X 1, X,...,
Más detallesPreguntas más Frecuentes: Tema 2
Pregutas más Frecuetes: Tema 2 Pulse sobre la preguta para acceder directamete a la respuesta 1. Se puede calcular la media a partir de las frecuecias absolutas acumuladas? 2. Para calcular la media aritmética,
Más detallesEjemplo: 0+0i y -3+0i representan los números reales 0 y 3 respectivamente. Si a=0 se considera un número imaginario puro a 0+bi
u_miii.doc EL SISTEMA DE LOS NÚMEROS COMPLEJOS: No eiste u úmero real que satisfaga la ecuació +0 Para resolver este tipo de ecuacioes es ecesario itroducir el cocepto de úmero complejo. U úmero complejo
Más detallesAnálisis estadístico de datos simulados Estimadores
Aálisis estadístico de datos simulados Estimadores Patricia Kisbye FaMAF 11 de mayo, 2010 Aálisis estadístico Iferecia estadística: Elegir ua distribució e base a los datos observados. Estimar los parámetros
Más detallesAPROXIMACIÓN DE FILTROS CAPÍTULO 2
APROXIMACIÓN DE FILTROS CAPÍTULO . Aproximacioes de Filtros E el capítulo se mecioaro los filtros ideales, e la realidad o se puede lograr ua aproximació ideal, por lo que los filtros reales sólo puede
Más detallesSesión 12. Aprendizaje neuronal
Iteligecia Artificial Sesió 2 Apredizaje euroal Ig. Sup. e Iformática, 4º Curso académico: 200/20 Profesores: Sascha Ossowski y Matteo Vasirai Apredizaje Resume: 3. Apredizaje automático 3. Itroducció
Más detallesDERIVADA DE FUNCIONES DEL TIPO f ( x) c, donde c es una constante, la derivada de esta función es siempre cero, es decir:
DERIVADA DE FUNCIONES DEL TIPO f ( ) c Coceptos clave: 1. Derivada de la fució costate f ( ) c, dode c es ua costate, la derivada de esta fució es siempre cero, es decir: f '( ) 0 c. Derivada de ua fució
Más detallesUNIVERSIDAD CATÓLICA DE TEMUCO FACULTAD DE INGENIERÍA DEPTO. DE CIENCIAS MATEMÁTICAS Y FÍSICAS SERIES DE POTENCIAS
UNIVERSIDAD CATÓLICA DE TEMUCO FACULTAD DE INGENIERÍA DEPTO. DE CIENCIAS MATEMÁTICAS Y FÍSICAS Asigatura : Cálculo Numérico, MAT-23. Profesor : Emilio Cariaga L. Periodo : er. Semestre 205. SERIES DE POTENCIAS
Más detallesEjercicios resueltos de Muestreo
Tema Ejercicios resueltos de Muestreo Ejercicio Sea ua població ita de 4 elemetos: P = f; 4; ; g : Se cosidera muestras de elemetos que se supoe extraidos y o devueltos a la població y que el muestreo
Más detalles4 El Perceptrón Simple
El Perceptró Simple. Itroducció Ua de las características más sigificativas de las redes euroales es su capacidad para apreder a partir de algua fuete de iformació iteractuado co su etoro. E 958 el psicólogo
Más detallesNotas de clase 3 Estimación de parámetros.
Notas de clase 3 Estimació de parámetros. Willie Heradez 05-I E este capítulo se obtedrá relacioes etre la teoría y la realidad observable. Se buscará coclusioes que se puede obteer acerca de ua poblacióa
Más detalles1. Secuencia Impulso unitario (función Kroëneker) 1, n = n 0. (n) = = {... 0, 0, (1), 0, 0,... }
SEÑALES DE TIEMPO DISCRETO SEÑALES Y SISTEMAS DE TIEMPO DISCRETO Las señales está clasificadas de maera amplia, e señales aalógicas y señales discretas. Ua señal aalógica será deotada por a t e la cual
Más detallesLaboratorio N 10, Series de Fourier. Introducción. Para funciones ( ) cos. f x está definida en la mitad del intervalo
Uiversidad Diego Portales Facultad de Igeiería Istituto de Ciecias Básicas Asigatura: Ecuacioes Difereciales aboratorio N 1, Series de Fourier Itroducció Para fucioes x,, la serie de Fourier f x cotiuas
Más detallesÁlgebra I Práctica 2 - Números naturales e inducción
FCEyN - UBA - Segudo Cuatrimestre 203 Álgebra I Práctica 2 - Números aturales e iducció. Reescribir cada ua de las siguietes sumas usado el símbolo de sumatoria (a) + 2 + 3 + 4 + + 00, (b) + 2 + 4 + 8
Más detallesDISTRIBUCIONES MUESTRALES
UNIDAD II DISTRIBUCIONES MUESTRALES Competecia: -El estudiate debe saber utilizar las diferetes distribucioes muestrales,es decir las diferetes distribucioes de cualquier estadístico estimado a partir
Más detallesPRÁCTICA SOLUCIÓN DE ECUACIONES Y SISTEMAS DE ECUACIONES DIFERENCIALES
Objetivos El alumo coocerá aplicará diversos métodos para la resolució de sistemas ecuacioes difereciales, implemetado programas orietados a objetos. Al fial de esta práctica el alumo podrá: Resolver ecuacioes
Más detallesPrácticas de Matemáticas I y Matemáticas II con DERIVE-5 138
Prácticas de Matemáticas I y Matemáticas II co DERIVE-5 8. DIGONLIZCIÓN... PRINCIPLES FUNCIONES DE DERIVE PR L DIGONLIZCION: CLCULO DE UTOVLORES Y UTOVECTORES. tes de iiciar el estudio de los pricipales
Más detallesMAS obtenidas de una población N, son por naturaleza propia impredecibles. No esperamos que dos muestras aleatorias de tamaño n, tomadas de la misma
MAS obteidas de ua població N, so por aturaleza propia impredecibles. No esperamos que dos muestras aleatorias de tamaño, tomadas de la misma població N, tega la misma media muestral o que sea completamete
Más detallesd) 2:00 p.m. y 10º C e) 2:00 a.m. y 30º C
Prueba Aptitud Académica. Modelo 4. CNU Veezuela 006. Trascrita y resuelta Tels: 046-59965, 044-64, 04-090 Caracas, Veezuela.. Para dos úmeros reales x, y o ambos ulos, se defie la operació @ etre ellos
Más detallesSi la sucesión está definida de forma recurrente, utilizaremos el comando ITERATES
PRÁCTICAS CON DERIVE 14 NUM.de MATRÍCULA FECHA... APELLIDOS /Nombre...PC PRÁCTICA DOS. SUCESIONES DE NÚMEROS REALES INTRODUCCIÓN DE SUCESIONES DE NÚMEROS REALES Ua sucesió de úmeros reales se puede itroducir
Más detallesPolinomio Mínimo en Campos Cuadráticos
Poliomio Míimo e Campos cuadráticos Poliomio Míimo e Campos Cuadráticos 1. Método de solució Partiedo de que u cuerpo cuadrático es K = Q ( a + b), vamos a propoer u método o estructura para ecotrar el
Más detallesAnálisis de resultados. Independencia de las muestras
Aálisis de resultados Clase ro. 8 Curso 00 Idepedecia de las muestras Los resultados de ua corrida de simulació, so muestras de algua distribució. Esos resultados los llamamos "respuestas". Las respuestas
Más detalles