6 Minimización del riesgo empírico
|
|
- Felisa Cárdenas Rojo
- hace 5 años
- Vistas:
Transcripción
1 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 de un largo trabajo en el ámbto conocdo como Aprendzaje Estadístco, y se deben esencalmente al trabajo de Vladmr Vapnk. La excelente referenca [7]es la fuente prncpal tanto de este tema como del sguente. Para una determnada tarea de aprendzaje, con una cantdad fnta de datos de entrenamento, el mejor rendmento al generalzar se consegurá s se equlbra la balanza entre la exacttud obtenda sobre ese conjunto de entrenamento y la capacdad de la máquna, esto es, la habldad de la máquna de aprender cualquer conjunto de entrenamento sn error. Un ejemplo de desequlbro de la balanza hacía las muestras de entrenamento sería la de un clasfcador que djera un árbol no es un árbol porque tene un número dstnto de hojas. S la balanza se nclnara haca el otro lado, con una capacdad demasado baja, el resultado sería s es verde, es un árbol. Nnguna de las dos máqunas puede generalzar ben. La exploracón y formacón de estos conceptos ha aberto una de las líneas más prometedoras dentro de la teoría del aprendzaje estadístco. 6. Resgo esperado y resgo empírco. m Supongamos que tenemos N muestras {( x, z ): x R, =,..., N } smplfcar las fórmulas sguentes, la salda esperada z será o.. Para Págna 53 de 6
2 Ahora supongamos que exste una dstrbucón de probabldades desconocda P(x,z) de la que se han tomado esas muestras. Esto es más general que asgnar un z fjo a cada x. Con esta dstrbucón de probabldad condconal en x. Más adelante, sn embargo, asumremos un z fjo para un x dado. Supongamos que tenemos una máquna para aprender la transformacón x z. La máquna está defnda por x f(x,ζ) donde ζ es un conjunto de parámetros ajustables (por ejemplo, en una red neuronal los pesos y los umbrales). Una eleccón partcular de ζ genera lo que llamamos una máquna entrenada. La esperanza del error de evaluacón para una máquna entrenada, llamada tambén resgo real, resgo esperado o smplemente resgo, es R( ζ ) = z f ( x, ζ ) dp( x, z) (6.) que, s exste una funcón de densdad de probabldad, puede escrbrse como R ( ζ ) = z f ( x, ζ ) p( x, z) d xdz (6.) Parece una forma senclla de calcular el error medo real, pero normalmente no tenemos n squera una estmacón de la forma de P(x,z). El resgo empírco es el error medo meddo sobre el conjunto de evaluacón: R emp N ( ζ ) = N = z f ( x, ζ ) (6.3) Nótese cómo aquí no aparece nnguna dstrbucón de probabldad. A la cantdad z f (, ζ ) (6.4) x se le denomna pérdda. Ahora elegmos un ρ tal que 0 ρ. Entonces, la sguente cota se cumple con probabldad - ρ: h(log(n / h) + ) log( ρ / 4) R( ζ ) Remp ( ζ ) + (6.5) N Págna 54 de 6
3 donde h es un entero no negatvo llamado dmensón de Vapnk-Chervonenks (VC) y es una dea de capacdad menconada al prncpo del capítulo. A la parte derecha de la desgualdad se le llama cota del resgo y al segundo térmno de la cota del resgo se le llama confanza de VC. Algunas notas sobre esta cota: Es ndependente de P(x,z) Normalmente no es posble calcular la parte zquerda de la desgualdad S conocéramos h, podríamos calcular la parte derecha. De esta forma, dadas dferentes máqunas de aprendzaje(famlas de funcones f(x,ζ)) y elgendo un valor de ρ lo sufcentemente pequeño, s selecconamos la máquna que mnmce la parte de la derecha de la desgualdad, estaremos elgendo la máquna que da la cota superor más pequeña del resgo real. Este últmo punto da la dea básca para la mnmzacón del resgo estructural dscutda más adelante. 6. La dmensón de Vapnk-Chervonenks (VC). La dmensón VC es una propedad de un conjunto de funcones {f(ζ)} y puede defnrse para dstntas clases de funcones f. Aquí nos centraremos en funcones de la forma f(x,ζ) {-,} x,ζ. S un conjunto de N puntos puede etquetarse de N formas dstntas, y para cada etquetado puede encontrarse un elemento del conjunto {f(ζ)} que asgne correctamente estas etquetas, dremos que el conjunto de puntos es roto (separado) por ese conjunto de funcones. La dmensón VC del conjunto de funcones {f(ζ)} se defne como el máxmo número de puntos de entrenamento que pueden ser rotos por {f(ζ)}. Nótese que s la dmensón VC es h, entonces exste como mínmo un conjunto de h puntos que puede dscrmnarse, pero en general no todos los conjuntos de h puntos podrán romperse. Págna 55 de 6
4 6.. Dmensón VC del conjunto de hperplanos orentados. Supongamos que el espaco en que vven los datos es R y que {f(ζ)}está formado por líneas orentadas. Aunque es posble encontrar tres puntos que pueden romperse con ese conjunto de funcones (fgura 5.), es mposble encontrar cuatro. Por lo tanto, la dmensón VC del conjunto de líneas orentadas en R es 3. Nótese que, aunque los puntos de la fgura 6. pueden separarse, no todos los conjuntos de tres puntos de R pueden ser rotos. Por ejemplo, s los tres puntos son colnales, es mposble romperlos con líneas orentadas. Fgura 6.: Conjunto de tres puntos de hperplanos orentados. R que son rotos por las funcones del conjunto de El resultado anteror se generalza en el sguente teorema y corolaro. Teorema. Consderemos un conjunto de N puntos de R N y tomemos cualquera de ellos como orgen. Los N puntos pueden separarse con hperplanos orentados s y solo s los vectores de poscón de los restantes puntos son lnealmente ndependentes. Corolaro. La dmensón VC del conjunto de hperplanos orentados en R n es n+, ya que sempre pueden encontrarse n puntos lnealmente ndependentes(dado un orgen cualquera), pero nunca n+. La dmensón VC [4]formalza la dea de la capacdad de un conjunto de funcones. Intutvamente cabe esperar que máqunas con muchos parámetros tendrán una dmensón VC alta y que máqunas con pocos parámetros la tendrán baja. Aunque, esto suele ser así, hay un contraejemplo: una máquna con un únco parámetro y con dmensón VC nfnta (es decr, puede romper cualquer conjunto de N puntos, ndependentemente de N): f ( x, ζ ) = θ ( sen( ζx)) x,ζ R (6.6) Págna 56 de 6
5 Donde θ es la funcón escalón. Como curosdad, aunque con esta funcón podemos romper un número arbtraro de puntos, podemos encontrar cuatro que no pueden ser rotos, como ya comentamos antes. Esta crcunstanca se refleja en la fgura 6.. Fgura Acotacón del resgo La fgura 5.3 muestra la evolucón con un nvel de confanza del 95% (ρ = 0.05) de la confanza VC al aumentar la dmensón VC. Como puede observarse, la confanza VC es monótona crecente con h. Fgura 6.3: La confanza VC es monótona crecente con h []Con ρ=0.05 y N=0000 Págna 57 de 6
6 Por lo tanto s tenemos un conjunto de máqunas de aprendzaje cuyo resgo empírco es cero, nos quedamos con aquella de menor dmensón VC, es decr, con aquella que mnmza la cota de resgo. De cualquer forma, es mportante tener en cuenta que la ecuacón (6.) da (con una determnada probabldad) una cota superor del resgo real, y que esto no mpde que una determnada máquna con el msmo resgo empírco R emp y cuyo conjunto de funcones asocado presente una dmensón VC mayor tenga mejor rendmento. Por ello, una capacdad nfnta no mplca un rendmento pobre. 6.3 Mnmzacón estructural del resgo. La confanza VC de la ecuacón (6.) depende de la clase de funcones escogdas, mentras que el resgo empírco y el resgo real dependen de la funcón partcular elegda por el algortmo de entrenamento. El objetvo es encontrar un subconjunto del conjunto de funcones que mnmce la cota del resgo. Para ello dvdmos la clase completa de funcones en subconjuntos andados. Para cada subconjunto deberíamos poder calcular h o, al menos, establecer una cota de su valor. La mnmzacón estructural del resgo consste en encontrar el subconjunto de funcones que mnmza la cota del error actual. Entonces se toma aquella máquna entrenada de la sere con menor valor para la suma del resgo empírco y la confanza VC. Págna 58 de 6
CURSO 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 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 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 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 detallesAnálisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70
Análss del caso promedo Técncas Avanzadas de Programacón - Javer Campos 70 Análss del caso promedo El plan: Probabldad Análss probablsta Árboles bnaros de búsqueda construdos aleatoramente Tres, árboles
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 detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detalles1. Variable aleatoria. Clasificación
Tema 7: Varable Aleatora Undmensonal 1. Varable aleatora. Clasfcacón. Caracterzacón de una varable aleatora. Varable Aleatora dscreta. Varable Aleatora contnua 3. Característcas de una varable aleatora.
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 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 detallesTEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI)
TEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI) 14.1. La Curva Característca de los ítems (CCI) 14.. Los errores típcos de medda 14.3. La Funcón de Informacón
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 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 detallesMecánica Estadística: Estadística de Maxwell-Boltzmann
Ludwg Boltzmann 1844-1906 James Clerk Maxwell 1831-1879 E. Martínez 1 Lápda de Boltzmann en el cementero de Vena S=k ln W E. Martínez 2 S=k ln W Entropía, una propedad termodnámca Una medda de nuestra
Más detallespara cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.
Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood
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 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 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 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 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 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 detallesCapítulo 4: Clasificación no paramétrica (Secciones )
Capítulo 4: Clasfcacón no paramétrca (Seccones 4.-4.3) INTRODUCCION ESTIMATION DE DENSIDADES VENTANAS DE PARZEN Introduccón Todas las densdades paramétrcas son unmodales (tenen un únco mámo local ), mentras
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más 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 detallesCESMA BUSINESS SCHOOL
CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta
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 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 detallesUniversidad Diego Portales Facultad de Economía y Empresa
Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr,
Más detallesCurso l Física I Autor l Lorenzo Iparraguirre
Curso l Físca I Autor l Lorenzo Iparragurre AEXO 4.2: La Ley del Impulso en un ntervalo nfntesmal y en un ntervalo fnto En el texto prncpal la Ley del Impulso ha sdo presentada para un ntervalo t cualquera,
Más 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 detallesUn estimado de intervalo o intervalo de confianza ( IC
Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá
Más 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 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 detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más 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 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 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 detallesCAPÍTULO III ACCIONES. Artículo 9º Clasificación de las acciones. Artículo 10º Valores característicos de las acciones. 10.
CAÍTULO III ACCIONES Artículo 9º Clasfcacón de las accones Las accones a consderar en el proyecto de una estructura o elemento estructural serán las establecdas por la reglamentacón específca vgente o
Más detallesTema 1.- Variable aleatoria discreta (V2.1)
Tema.- Varable aleatora dscreta (V2.).- Concepto de varable aleatora A cada posble resultado de un expermento lo llamamos suceso elemental, y lo denotamos con ω, ω 2, Llamamos espaco muestral al conjunto
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 detallesPRACTICA 3: ESTUDIO DEL EQUILIBRADO ESTÁTICO Y DINÁMICO. ROTACIÓN DE UN CUERPO RÍGIDO ALREDEDOR DE UN EJE FIJO.
PRACTCA 3: ESTUDO DEL EQULBRADO ESTÁTCO Y DNÁMCO. ROTACÓN DE UN CUERPO RÍGDO ALREDEDOR DE UN EJE FJO. 1. -NTRODUCCÓN TEÓRCA El objeto de la eperenca será el equlbrar estátca dnámcamente un sstema de masas
Más detallesPRACTICA 4: ESTUDIO DEL EQUILIBRADO ESTÁTICO Y DINÁMICO. ROTACIÓN DE UN CUERPO RÍGIDO ALREDEDOR DE UN EJE FIJO.
RACTICA 4: ESTUDIO DEL EQUILIBRADO ESTÁTICO Y DINÁMICO. ROTACIÓN DE UN CUERO RÍGIDO ALREDEDOR DE UN EJE FIJO. 1. -INTRODUCCIÓN TEÓRICA El objeto de la eperenca será el equlbrar estátca y dnámcamente un
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 detallesTema 1: Jerarquía Digital Síncrona, SDH Disponibilidad de Sistemas
Tema : Jerarquía Dgtal Síncrona, SDH Dsponbldad de Sstemas Tecnologías de red de transporte de operadora MÁSTER EN INGENIERÍ TELEMÁTIC Profesor: Espín Defncones Fabldad (Relablty): Probabldad de que el
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 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 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 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 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 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 detallesPráctica 12 - Programación en C++ Pág. 1. Practica Nº 12. Prof. Dr. Paul Bustamante. Informática II Fundamentos de Programación - Tecnun
Práctca 1 - Programacón en C++ Pág. 1 Práctcas de C++ Practca Nº 1 Informátca II Fundamentos de Programacón Prof. Dr. Paul Bustamante Práctca 1 - Programacón en C++ Pág. 1 INDICE ÍNDICE... 1 1.1 Ejercco
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 detallesAlgoritmos matemáticos para:
Algortmos matemátcos para: sstemas de ecuacones lneales, nversón de matrces y mínmos cuadrados Jose Agular Inversón de matrces Defncón(Inversadeunamatrz):SeaAunamatrz nxn.unamatrzcde nxn esunanversadeascaaci.
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 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 detalles16.21 Técnicas de diseño y análisis estructural. Primavera 2003 Unidad 8 Principio de desplazamientos virtuales
16.21 Técncas de dseño y análss estructural Prmavera 2003 Undad 8 Prncpo de desplazamentos vrtuales Prncpo de desplazamentos vrtuales Tengamos en cuenta un cuerpo en equlbro. Sabemos que el campo de esfuerzo
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 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 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 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 detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesRMV FUNDEVAL, Bolsa Nacional de Valores, S.A. y Universidad Interamericana de Costa Rica San José, Costa Rica
RV-2005-03 DETERINACIÓN DE LA TASA LIBRE DE RIESGO IPLÍCITA PARA EL ERCADO DE VALORES EN COSTA RICA: UNA PROPUESTA * RODRIGO ATARRITA VENEGAS ** FUNDEVAL, Bolsa Naconal de Valores, S.A. y Unversdad Interamercana
Más detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesPerspectiva inversa para Ray Tracing
erspectva nversa para Ray Tracng efncón de la cámara José ortés areo, Abrl 7 a cámara vrtual suele defnrse en funcón de un conunto de parámetros ntutvos: Observador unto Focal: unto de Mra: stanca Focal:
Más 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 detalles3.1. Características del comportamiento estratégico Características del comportamiento estratégico
3.1. Característcas del Matlde Machado 1 3.1. Característcas del El análss formal de una stuacón de empeza por la formulacón de un juego. Componentes de un juego: Jugadores Estrategas posbles para cada
Más detallesVARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL.
VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. Concepto de varable aleatora. Se llama varable aleatora a toda aplcacón que asoca a cada elemento del espaco muestral de un epermento, un número real.
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
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 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 detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
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 detallesTema 5: PROBLEMAS EN LA ESTIMACIÓN DEL MODELO DE REGRESIÓN LINEAL SIMPLE
Introduccón a la Econometría Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO DE REGRESIÓ LIEAL SIMPLE. Problemas en la especfcacón del modelo. La prmera etapa de
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 detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detalles3.4. Competencia en precios con restricciones de capacidad - Solución de Edgeworth
- Solucón de Edgeworth Matlde Machado 3.4. Competenca en precos con Benes homogéneos demanda a la Bertrand Tenen el msmo coste margnal c y nngún coste fjo Cada empresa tene capacdad k D(c) Las empresas
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 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 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 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 detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y
ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO
Más detallesApéndice A. Obtención y representación de forma.
Apéndce A. Obtencón y representacón de forma. A.1. Algortmo de deteccón de contorno. El algortmo de segumento de contorno se puede resumr en los sguentes pasos: 1. Se recorre la magen, desde la esquna
Más detallesTiempos de relajación T 1 y T 2
empos de relajacón y Levtt,;Haacke, 7/4/ RI - Lus Agulles Pedrós Relajacón y dnámca: Supongamos un sstema de espnes alnados cuyo campo vertcal es estátco. d dt Supongamos el campo horzontal por acople
Más detallesRegresión Cuantílica o Quantile Regression
Regresón Cuantílca o Quantle Regresson A. Cameron and P. rved, (005), Macroeconometrcs, Methods and Applcatons, Cambrdge Unversty Press. R. Koenker, (005), Quantle Regresson, Econometrc Socety Monographs
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
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 detallesSEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN
Estadístca SEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN LOGRO DE APRENDIZAJE: Al fnalzar la sesón, el estudante estará en la capacdad de calcular e nterpretar meddas de tendenca central y poscón de
Más detallesVARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL.
VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. Concepto de varable aleatora. Se llama varable aleatora a toda aplcacón que asoca a cada elemento del espaco muestral de un expermento, un número real.
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 detallesEnrique Kawamura Microeconomía I para economistas. FCE-UBA. Noviembre 2011
Análss de equlbro general en economías cerradas con produccón. Preferencas Cobb-Douglas Tecnologías Cobb-Douglas con rendmentos constantes a escala. Enrque awamura Mcroeconomía I para economstas. FCE-UBA.
Más detallesTEMA 3: EQUILIBRIO GENERAL CON INCERTIDUMBRE 1
0 de novembre de 205 TEMA 3: EQUILIBRIO GENERAL CON INCERTIDUMBRE En la mayoría de los casos, consderamos una economía con 2 perodos, t = 0 (hoy) y t = (mañana). Aunque, este modelo puede extenderse a
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 detallesTRABAJO Y ENERGÍA INTRODUCCIÓN. requiere como varia la fuerza durante el movimiento. entre los conceptos de fuerza y energía mecánica.
TRABAJO Y ENERGÍA INTRODUCCIÓN La aplcacón de las leyes de Newton a problemas en que ntervenen fuerzas varables requere de nuevas herramentas de análss. Estas herramentas conssten en los conceptos de trabajo
Más detallesUtilizar sumatorias para aproximar el área bajo una curva
Cálculo I: Guía del Estudante Leccón 5 Apromacón del área bajo la curva Leccón 5: Apromacón del área bajo una curva Objetvo: Utlzar sumatoras para apromar el área bajo una curva Referencas: Stewart: Seccón
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detalles