Integrantes: Leonardo Tilli Fernando Hernández

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Integrantes: Leonardo Tilli (leotilli@gmail.com) Fernando Hernández (matematicas527@yahoo.es)"

Transcripción

1 UNIVERSIDAD DE BUENOS AIRES Facultad de Ciencias Exactas y Naturales Departamento de Computación Trabajo Práctico de Metaheurística Segundo cuatrimestre 2010 Implementación de un Algoritmo basado en la Técnica de Colonias de Hormigas para deducir reglas de clasicación de elementos de un universo, a partir de una muestra dividida en clases Integrantes: Leonardo Tilli (leotilli@gmail.com) Fernando Hernández (matematicas527@yahoo.es) Profesora: Dra. Irene Loiseau Fecha de Presentación 23 de Agosto del 2011

2 1. Introducción El propósito del presente trabajo consiste en estudiar los papers Induction of desición Trees[5] que pertenece familia de métodos de inducción conocida como la familia Top Down Induction Trees, A new system for inductive learning in atribute-based space[2], Combining Competition and Cooperation in Supervised Inductive Learning [3], que abordan problemas de inducir árboles de decisión, puede utilizarse para descubrir automáticamente reglas a partir de la información dispodnible. El objetivo de nuestro análisis consiste en estudiar esta técnica y adaptarla para aplicar Colonia de Hormigas. Para nalizar el estudio del problema, se realizará una comparación de los resultados obtenidos del algoritmo propuesto en términos del porcentaje de buena clasicación. Dicha mplementación se realizó con el software C Implementación del Algoritmo En nuestro caso vamos a entender por árbol de decisión como una disyunción de conjunciones. En donde cada camino desde la raíz hasta las hojas representa una conjunción, y todos los caminos son alternativos, es decir, son disyunciones. En este algoritmo ACO, la función aprendida es representada mediante un árbol de decisión, en el que árbol es convertido en un conjuntos de reglas if then en la que se desea obtener una mejor legibilidad. Cada nodo interno en el árbol corresponde a un test del valor de algún atributo (o propiedad) de la instancia que se desea clasicar, y las ramas que descienden de este nodo son rotuladas con los valores posibles del test. Cada nodo hoja de un árbol de decisión especica el valor retornado en caso de que dicha hoja sea alcanzada. Estos valores corresponden a posibles clasicaciones de una instancia. Una instancia se clasica comenzando en el nodo raíz del árbol generado, testeando el atributo especicado por este nodo, y moviéndose hacia abajo por la rama del árbol que corresponde al valor del atributo en la instancia a clasicar. Este proceso se repite para el subárbol cuya raíz es el nuevo nodo, y así sucesivamente hasta alcanzar un nodo hoja, en cuyo caso se retorna la clasicación asociada con este nodo. Como indicador para medir la performance del algoritmo, nos basamos en la Precisión, es decir, en cantidad de ejemplos positivos y negativos evaluados correctamente. Pero, esto trae consigo dos tipos de errores: los ejemplos positivos clasicados como negativos (falsos positivos) y viceversa. Estos dos tipos de errores nos ayudan a determinar si los conceptos aprendidos son demasiado generales o demasiado especí- cos. Además, para que nuestro sistema sea preciso, fue necesario tratar de generar descripciones que sean consistentes (i.e. no cubran ningún ejemplo negativo) y que 2

3 sean completas (i.e. cubran todos los ejemplos positivos) Detalles del Algoritmo: Las reglas que construye el algoritmo son fórmulas presentadas como una disyunción de conjunciones, en donde cada variable corresponde a un par atributo-valor válido del universo. La implementación cuenta de dos módulos: 1. Uno que almacena la solución en construcción, y fuerza distintos invariantes sobre las alternativas disponibles para extender una fórmula. (solucion.hpp/cpp) 2. El otro es el módulo que ejecuta el algoritmo de colonia de hormigas. (aco.hpp/aco.cpp) El módulo Solución establece varias reglas en una fórmula en construcción: 1. Cada conjunción puede tener a lo sumo una aparición de cada atributo. Por ejemplo:(a 2 B 3 D 2 ) es válido, pero (A 1 A 2 C 2 ) es inválido porque el atributo A aparece con dos valores distintos en el mismo término. 2. Ninguna nueva conjunción puede generalizar una ya existente. Por ejemploi: si tengo (A 2 B 3 ) (C 2 ) en la fórmula en construcción, no se puede agregar B Ninguna nueva conjunción puede especializar una ya existente. Por ejemplo: si tengo (A 2 B 3 ) (C 2 ) en la fórmula en construcción, no puedo agregar una conjunción que sea únicamente (C 2 D 1 ). 4. Los atributos dentro de una conjunción se agregan de manera ordenada. Por ejemplo: si estoy construyendo un conjunción (B2 D3...) no le puedo agregar ningún par atributo-valor anterior a E Las nuevas conjunciones pueden empezar con un atributo anterior a las otras. Por ejemplo: si tengo (B 2 D 3 ) (C 2 ) en la fórmula en construcción, puedo agregar una conjunción del tipo (A 1 D1). A medida que se va construyendo la solución, ofrece las posibles extensiones válidas ; también indica si se puede empezar una nueva conjunción o si se puede nalizar la fórmula. El módulo ACO hace uso del módulo solución para obtener la lista de posibles acciones, y aplica la técnica de colonia de hormigas para ir eligiendo la siguiente extensión-nueva conjunción-n de una fórmula. A continuación se agrega la función ejecutaraco, que implementa el módulo: 3

4 ejecutaraco(datosmuestraaco, datosresultadoaco) { vector<vector<double> > feromonas; vector<vector<double> > trails; datosresultadoaco.nromuestra = datosmuestraaco.nromuestra; inicializarferomonas(feromonas, datosmuestraaco); inicializartrails(trails, datosmuestraaco); datosresultadoaco.objetivo = 0.0; datosresultadoaco.costo = (double)feromonas.size(); for (int iter = 0; iter < datosmuestraaco.cantmaxiter; iter++) { datosresultadoacoiter = DatosResultadoAco(); datosresultadoacoiter.nromuestra = datosmuestraaco.nromuestra; datosresultadoacoiter.objetivo = 0.0; for (int ant = 0; ant < datosmuestraaco.cantatr; ant++) { list<propiedad> formula; solucion(datosmuestraaco.detatri, datosmuestraaco.traduccion, datosmuestraaco.indiniatri, datosmuestraaco.tammuestra); calcularformula(feromonas, trails, datosmuestraaco, solucion, formula); actualizarresultado(datosmuestraaco, datosresultadoacoiter,solucion, formul } mostrarresultado(datosresultadoacoiter); } } if (datosresultadoaco.objetivo < datosresultadoacoiter.objetivo (datosresultadoaco.objetivo == datosresultadoacoiter.objetivo && datosresultadoaco.costo > datosresultadoacoiter.costo)) { datosresultadoaco = datosresultadoacoiter; } actualizarferomonas(feromonas, datosmuestraaco.indiniatri, datosmuestraaco.e, datosresultadoacoiter.objetivo, datosresultadoacoiter.costo, datosresultadoacoiter.solucion, datosresultadoaco.objetivo, datosresultadoaco.costo ); El algoritmo central realiza una búsqueda greedy, top-down a través del espacio de posibles árboles de decisión. Este toma en cuenta un conjunto de ejemplos de entrenamiento, un atributo objetivo cuyo valor debe predecir el árbol, un conjunto 4

5 de atributos que pueden ser testeados por el árbol de decisión y dando como salida un árbol de decisión que clasifca correctamente las instancias de entrenamiento. Tiene una matriz de trail, que guarda el valor de la heurística golosa, y la matriz de feromonas. Particularidad: para ambas matrices hay un valor para cada posible transición entre pares de atributo-valor, inicio, n. Esto implica una granularidad más na que en otros experimentos, que tienen granularidad por atributo en vez de por par de atributo-valor. Para cada intersección válida de la matriz de trail, toma la la como el lugar donde está (f ila0 = inicio) y la columna a donde quiere ir (columna0 = inicio, columnatam 1 = final). No hay la para el nal, porque de ahí no vas a ningún lado. A partir de la muestra, evalúa la cantidad de muestras verdaderas que tienen al par atributo/valor origen y al destino, sobre todas las que tienen al origen; el valor obtenido lo multiplica por el complemento de las falsas. El valor de trail está siempre entre 0 y 1. La matriz de feromonas se inicializa a un valor aproximado de la inversa de la cantidad de transiciones válidas. Se pasan por parámetro el valor mínimo de feromona y el máximo (entre 0 y 1), así como un multiplicador de ajuste para la actualización. El algoritmo determina un número de hormigas igual a la cantidad de atributos del universo. Por cada iteración, cada hormiga encuentra una solución, las cuáles son comparadas y se determina la mejor. Sólo la mejor hormiga por iteración actualiza las feromonas. Además, se va actualizando la mejor solución global cuando corresponda. La función objetivo evalúa= positivosbienclasificados positivost otalesmuestra negativosbienclasificados negativost otalesmuestra Costo : 1 por cada variable, 2 por cada bloque de conjunciones. Para la decisión de actualización, el objetivo es principal, y el costo es secundario (sólo desempata). Si la solución de la mejor hormiga en la iteración tiene mejor objetivo que la mejor solución global, entonces actualiza las feromonas sin ningún penalizador. Si tiene peor objetivo (y peor costo), se aplica un multiplicador proporcional al complemento de la diferencia relativa, al cuadrado: (1 objmaxglobal objhormiga objmaxglobal ) 2 La actualización se da luego de la evaporación. Se suma el valor mínimo de feromona, por el objetivo (que está entre 0 y 1), por el ajuste pasado como parámetro, por los penalizadores correspondientes (en caso de ser peor solución). 5

6 2.2. Análisis de los Resultados En la siguiente gura vemos los resultados obtenidos del conjunto de instancia para la muestra de lung-cancer, en la que se gráca la cantidad de iteraciones vs el porcentaje obtenido, cuando a la muestra no se le aplica feromona. Y en la que la interpolamos con una curva cúbica. En la siguiente gura vemos los resultados obtenidos del conjunto de instancia para la muestra de lung-cancer, en la que se gráca la cantidad de iteraciones vs el porcentaje obtenido, cuando a la muestra se le aplica feromona. Claramente podemos observar que el valor del objetivo es mejor cuando aplicamos feromona. En los distintos experimentos se utilizaron algunas instancias que se encuentran en la página web[1] UC Irvine Machine Learning Repository, con algunas modi- caciones realizadas con el n de poner a prueba el algoritmo, para poder generar instancias válidas de nuestro problema en cuestión, donde Prueba4 corresponde lung-cancer, Prueba5 corresponde mammographic_masses, Prueba6 corresponde SPECTF, Prueba7 corresponde SPECTF, Prueba8 corresponde SPECTFin, Prueba9 corresponde SPECTFtrain, Prueba10 corresponde SPECTtrain. 6

7 n ACO - 10 Iter ACO con feromona- 10 Iter pos/fpos neg/fneg objetivo pos/fpos neg/fneg objetivo Prueba1 2/0 4/ /0 4/0 1 Prueba2 4/0 4/ /0 4/1 0.9 Prueba3 199/31 412/ /16 427/ Prueba4 363/ / /43 384/ Prueba5 53/20 83/ /21 82/ Prueba6 55/21 82/ /21 82/ Prueba7 152/1 14/ /0 15/ Prueba8 141/6 49/ /5 50/ Prueba9 36/5 35/ /5 35/ Prueba10 14/5 49/ /6 48/ En las tabla anteriores se puede observar los atributos clasicados como positivos(pos), negativos(neg), falsos positibos(fpos), falsos negativos(fneg) y mejor valor objetivo obtenido, claramente podemos observar que el valor objetivo es mejor cuando aplicamos feromona, coroborando los gracos obtenidos anteriormente, con un número reducido de 10 iteraciones. n ACO - 20 Iter ACO con feromona- 20 Iter pos/fpos neg/fneg objetivo pos/fpos neg/fneg objetivo Prueba1 3/0 4/0 1 3/0 4/0 1 Prueba2 5/0 4/0 1 5/0 4/0 1 Prueba3 217/21 422/ /17 426/ Prueba4 355/90 337/ /86 341/ Prueba5 55/23 80/ /21 82/ Prueba6 55/21 82/ /21 82/ Prueba7 148/0 15/ /0 15/ Prueba8 139/5 50/ /9 46/ Prueba9 39/5 35/ /4 36/ Prueba10 14/6 48/ /8 46/ En la siguiente tabla también se puede observar los atributos positivos(pos), negativos(neg), falsos positibos(fpos), falsos negativos(fneg) clasicados y el mejor valor objetivo obtenido, claramente se puede observar que el valor objetivo es mejor cuando se aplica feromona, al igual que en el caso anterior, coroborando aún más la idea de los grácos obtenidos, en la que se incremento las iteraciones de 10 a 20 iteraciones. 7

8 n ACO - 50 Iter ACO con feromona- 50 Iter pos/fpos neg/fneg objetivo pos/fpos neg/fneg objetivo Prueba1 3/0 4/0 1 3/0 4/0 1 Prueba2 5/0 4/0 1 5/0 4/0 1 Prueba3 220/11 432/ /9 434/ Prueba4 292/35 392/ /91 336/ Prueba5 55/21 82/ /24 79/ Prueba6 55/21 82/ /21 82/ Prueba7 157/0 15/ /0 15/ Prueba8 155/6 49/ /5 50/ Prueba9 38/2 38/ /1 39/ Prueba10 15/7 47/ /11 43/ En la tabla anterior también se puede observar los atributos positivos(pos), negativos(neg), falsos positibos(fpos), falsos negativos(fneg) clasicados y mejor valor objetivo obtenido, claramente podemos observar que el valor objetivo es mejor cuando aplicamos feromona, coroborando los gracos obtenidos, en la que se incremento las iteraciones a 50, podemos observar que el valor objetivo no varias mucho, salvos para los casos de Prueba8, 9 y 10 respectivamente Análisis de los Resultados Variando los parámetros En la siguiente gura vemos los resultados obtenidos del conjunto de instancia para la muestra de lung-cancer, en la que se gráca la cantidad de iteraciones vs el porcentaje obtenido, cuando a la muestra no se le aplica feromona, al variar los parámetros y al experimentar nos quedarmos con los mejores resultados obtenidos, con un α = 2; β = 1; y Evaporacion = 0,02, además se puede ver una gran mejoría, que en los casos anteriores. En la siguiente gura vemos los resultados obtenidos con la misma muestra y párametros para el caso anterior, en la que se gráca la cantidad de iteraciones vs el porcentaje obtenido, cuando a la muestra se le aplica feromona. Claramente podemos observar que el valor del objetivo es mejor cuando aplicamos feromona. 8

9 Cabe destacar que también se realizón prueba con 100, 200, 500 y 1000 iteraciones para las distinatas muestras, cuyos resultados no vario mucho con los obtenidos anteriormente, por ende podriamos decir que el algoritmo tiende a converger a estos valores. Aunque hubo una mejoria, cuando variamos los parámetros esto lo podemos ver en las grácas anteriores, con 1000 iteraciones. 3. Conclusiones El ACO implementado puede aplicarse a cualquier conjunto de datos, siempre y cuando los atributos sean discretos. El proceso descripto para la construcción del árbol de decisión asume que las operaciones de cálculo, especialmente, las de evaluación de las frecuencias relativas del conjunto, pueden ser realizadas ecientemente, lo cual signica, en la práctica, que para que el proceso sea rápido, ese conjunto debe residir en memoria. La solución aplicada por ACO es una solución iterativa, que crea sucesivos árboles de decisión de precisión cada vez mayor, hasta llegar al árbol de decisión óptimo. El proceso termina cuando se forma una regla que no tenga excepciones y sea correcta para todo el conjunto. El algoritmo fue probado con un problema de clasicación 9 atributos y cerca de 680 instancias para los cuales el árbol de decisión(fórmula) correcto obtenido hasta ese momento alcanzó un valor obejetivo del 0,930342, es decir bastante cercano al valor deseado. El ACO convergen rápidamente, para instancias chicas; se precisaron sólo 10 iteraciones para llegar a un árbol de decisión correcto, cuando las muestras eran chicas y 50 iteraciones para muestras más grandes. El tiempo requerido para obtener un árbol de decisión correcto para el problema de clasicación crece polinómicamente(tiende a una cúbica si interpolamos los puntos medios del obejtivo obtenido) con la cantidad de ejemplos que se analizó. La heurística golosa funciona lo sucientemente bien como para obtener resultados buenos simplemente repitiendo las iteraciones (similar a GRASP, pero sin la subsecuente búsqueda local por iteración); sin embargo el uso de la técnica de colonia de hormigas garantiza una convergencia en una solución buena. Habría que encontrar una manera inteligente de resolver situaciones de estancamiento, tal vez mediante 9

10 el cálculo dinámico de parámetros como el de evaporación, alpha, beta y ajuste, para que el algoritmo saque una ventaja cuantitativa además de cualitativa sobre la versión GRASP-like. Referencias [1] [2] Cezary Z. Janikow, A New System for Inductive Learning in Attribute-Based Spaces, In Proceedings of ISMIS, 1991, pp [3] Cezary Z. Janikow. Combining Competition and Cooperation in Supervised Inductive Learning. In Proceedings of ML. 1992, [4] Michalski, R. S A Theory and Methodology of Inductive Learning, Machine Learning. [5] Quinlan, J. R Induction of Decision Trees, Machine Learning,1: [6] Quinlan, J.R Generating Production Rules from Decision trees. [7] Quinlan, J. R Learning Logic Denitions from Relations. 10

Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1

Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1 Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1 TEMA 11: MÉTODOS DINÁMICOS DE SELECCIÓN DE INVERSIONES ESQUEMA DEL TEMA: 11.1. Valor actualizado neto. 11.2. Tasa interna

Más detalles

Los números racionales

Los números racionales Los números racionales Los números racionales Los números fraccionarios o fracciones permiten representar aquellas situaciones en las que se obtiene o se debe una parte de un objeto. Todas las fracciones

Más detalles

Matrices Invertibles y Elementos de Álgebra Matricial

Matrices Invertibles y Elementos de Álgebra Matricial Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CCIR/ITESM 12 de enero de 2011 Índice 91 Introducción 1 92 Transpuesta 1 93 Propiedades de la transpuesta 2 94 Matrices

Más detalles

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 1 de agosto de 2003 1. Introducción Cualquier modelo de una situación es una simplificación de la situación real. Por lo tanto,

Más detalles

Construcción de Escenarios

Construcción de Escenarios Construcción de Escenarios Consiste en observar los diferentes resultados de un modelo, cuando se introducen diferentes valores en las variables de entrada. Por ejemplo: Ventas, crecimiento de ventas,

Más detalles

Centro de Capacitación en Informática

Centro de Capacitación en Informática Fórmulas y Funciones Las fórmulas constituyen el núcleo de cualquier hoja de cálculo, y por tanto de Excel. Mediante fórmulas, se llevan a cabo todos los cálculos que se necesitan en una hoja de cálculo.

Más detalles

Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice

Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice 1 Polinomios Dedicaremos este apartado al repaso de los polinomios. Se define R[x] ={a 0 + a 1 x + a 2 x 2 +... +

Más detalles

Ejercicio Nº 3: Realizar aumentos en una Tabla de Sueldos

Ejercicio Nº 3: Realizar aumentos en una Tabla de Sueldos SESION5: BASE DE DATOS PLANILLAS Ejercicio Nº : Realizar aumentos en una Tabla de Sueldos Veamos pues. En la hoja de calculo se tiene la Tabla de Sueldos de varios empleados (aquí ahora vemos solo empleados,

Más detalles

LABORATORIO Nº 2 GUÍA PARA REALIZAR FORMULAS EN EXCEL

LABORATORIO Nº 2 GUÍA PARA REALIZAR FORMULAS EN EXCEL OBJETIVO Mejorar el nivel de comprensión y el manejo de las destrezas del estudiante para utilizar formulas en Microsoft Excel 2010. 1) DEFINICIÓN Una fórmula de Excel es un código especial que introducimos

Más detalles

Introducción. Ciclo de vida de los Sistemas de Información. Diseño Conceptual

Introducción. Ciclo de vida de los Sistemas de Información. Diseño Conceptual Introducción Algunas de las personas que trabajan con SGBD relacionales parecen preguntarse porqué deberían preocuparse del diseño de las bases de datos que utilizan. Después de todo, la mayoría de los

Más detalles

1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1

1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1 5.1.3 Multiplicación de números enteros. El algoritmo de la multiplicación tal y como se realizaría manualmente con operandos positivos de cuatro bits es el siguiente: 1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0

Más detalles

CASO PRÁCTICO DISTRIBUCIÓN DE COSTES

CASO PRÁCTICO DISTRIBUCIÓN DE COSTES CASO PRÁCTICO DISTRIBUCIÓN DE COSTES Nuestra empresa tiene centros de distribución en tres ciudades europeas: Zaragoza, Milán y Burdeos. Hemos solicitado a los responsables de cada uno de los centros que

Más detalles

Esta extensión está obsoleta a partir de PHP 5.5.0, y será eliminada en el futuro

Esta extensión está obsoleta a partir de PHP 5.5.0, y será eliminada en el futuro USAR MYSQL EN PHP PHP tiene una librería de funciones nativas para conectarse a las base de datos MySQL. Por un lado reconoce la librería mysql y por otro mysqli. Se recomienda el uso de mysqli dado que

Más detalles

UNIDAD I NÚMEROS REALES

UNIDAD I NÚMEROS REALES UNIDAD I NÚMEROS REALES Los números que se utilizan en el álgebra son los números reales. Hay un número real en cada punto de la recta numérica. Los números reales se dividen en números racionales y números

Más detalles

Diseño Estructurado de Algoritmos

Diseño Estructurado de Algoritmos Diseño Estructurado de Algoritmos 1 Sesión No. 5 Nombre: Primitivas para el diseño de instrucciones. Segunda parte. Objetivo de la sesión: Al concluir la sesión el estudiante identificará las diferentes

Más detalles

Programa para el Mejoramiento de la Enseñanza de la Matemática en ANEP Proyecto: Análisis, Reflexión y Producción. Fracciones

Programa para el Mejoramiento de la Enseñanza de la Matemática en ANEP Proyecto: Análisis, Reflexión y Producción. Fracciones Fracciones. Las fracciones y los números Racionales Las fracciones se utilizan cotidianamente en contextos relacionados con la medida, el reparto o como forma de relacionar dos cantidades. Tenemos entonces

Más detalles

MÉTODO DEL CAMBIO DE BASE PARA CÁLCULO MANUAL DE SUBREDES CON IP V4.0

MÉTODO DEL CAMBIO DE BASE PARA CÁLCULO MANUAL DE SUBREDES CON IP V4.0 MÉTODO DEL CAMBIO DE BASE PARA CÁLCULO MANUAL DE SUBREDES CON IP V4.0 José Antonio Guijarro Guijarro Profesor de Secundaria Especialidad de Informática Profesor Técnico de F.P. Especialidad de Sistemas

Más detalles

Índice Introducción Números Polinomios Funciones y su Representación. Curso 0: Matemáticas y sus Aplicaciones Tema 1. Números, Polinomios y Funciones

Índice Introducción Números Polinomios Funciones y su Representación. Curso 0: Matemáticas y sus Aplicaciones Tema 1. Números, Polinomios y Funciones Curso 0: Matemáticas y sus Aplicaciones Tema 1. Números, Polinomios y Funciones Leandro Marín Dpto. de Matemática Aplicada Universidad de Murcia 2012 1 Números 2 Polinomios 3 Funciones y su Representación

Más detalles

PROPORCIONALIDAD - teoría

PROPORCIONALIDAD - teoría PROPORCIONALIDAD RAZÓN: razón de dos números es el cociente indicado de ambos. Es decir, la razón de los dos números a y b es a:b, o lo que es lo mismo, la fracción b a. PROPORCIÓN: es la igualdad de dos

Más detalles

ÍNDICE 2. DIRECCIONES DE INTERÉS SOBRE TELETRABAJO Y DISCAPACIDAD... 3. BIBLIOGRAFÍA...

ÍNDICE 2. DIRECCIONES DE INTERÉS SOBRE TELETRABAJO Y DISCAPACIDAD... 3. BIBLIOGRAFÍA... ÍNDICE 1. LA SOCIEDAD DE LA INFORMACIÓN... 1. Un poco de historia... 1.1. Es fácil aprender a usar estos sistemas?... 1.2. Sociedad de la información y personas con discapacidad... 2. El teletrabajo...

Más detalles

Matemáticas para la Computación

Matemáticas para la Computación Matemáticas para la Computación José Alfredo Jiménez Murillo 2da Edición Inicio Índice Capítulo 1. Sistemas numéricos. Capítulo 2. Métodos de conteo. Capítulo 3. Conjuntos. Capítulo 4. Lógica Matemática.

Más detalles

MATEMÁTICAS CON LA HOJA DE CÁLCULO

MATEMÁTICAS CON LA HOJA DE CÁLCULO MATEMÁTICAS CON LA HOJA DE CÁLCULO Podemos dar a esta aplicación un uso práctico en el aula de Matemáticas en varios sentidos: Como potente calculadora: sucesiones, límites, tablas estadísticas, parámetros

Más detalles

Informática Bioingeniería

Informática Bioingeniería Informática Bioingeniería Representación Números Negativos En matemáticas, los números negativos en cualquier base se representan del modo habitual, precediéndolos con un signo. Sin embargo, en una computadora,

Más detalles

Programación Lineal. Ficha para enseñar a utilizar el Solver de EXCEL en la resolución de problemas de Programación Lineal

Programación Lineal. Ficha para enseñar a utilizar el Solver de EXCEL en la resolución de problemas de Programación Lineal Programación Lineal Ficha para enseñar a utilizar el Solver de EXCEL en la resolución de problemas de Programación Lineal Ejemplo: Plan de producción de PROTRAC En esta ficha vamos a comentar cómo se construyó

Más detalles

En cualquier caso, tampoco es demasiado importante el significado de la "B", si es que lo tiene, lo interesante realmente es el algoritmo.

En cualquier caso, tampoco es demasiado importante el significado de la B, si es que lo tiene, lo interesante realmente es el algoritmo. Arboles-B Características Los árboles-b son árboles de búsqueda. La "B" probablemente se debe a que el algoritmo fue desarrollado por "Rudolf Bayer" y "Eduard M. McCreight", que trabajan para la empresa

Más detalles

Modulo 1 El lenguaje Java

Modulo 1 El lenguaje Java Modulo 1 El lenguaje Java 13 - Codificación en Java Una de las grandes diferencias entre Java y Pascal en cuando a la codificación es que Java se trata de un lenguaje de los llamados case sensitive Esto

Más detalles

Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos).

Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos). Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos). Autores: - MsC. Ing. Mario L. Basulto Núñez (ETECSA) mario.basulto@etecsa.cu - Lic.

Más detalles

VECTORES. Módulo, dirección y sentido de un vector fijo En un vector fijo se llama módulo del mismo a la longitud del segmento que lo define.

VECTORES. Módulo, dirección y sentido de un vector fijo En un vector fijo se llama módulo del mismo a la longitud del segmento que lo define. VECTORES El estudio de los vectores es uno de tantos conocimientos de las matemáticas que provienen de la física. En esta ciencia se distingue entre magnitudes escalares y magnitudes vectoriales. Se llaman

Más detalles

Figura 4.1 Clasificación de los lenguajes de bases de datos

Figura 4.1 Clasificación de los lenguajes de bases de datos 1 Colección de Tesis Digitales Universidad de las Américas Puebla Romero Martínez, Modesto Este capítulo describen los distintos lenguajes para bases de datos, la forma en que se puede escribir un lenguaje

Más detalles

PRÁCTICAS DE GESTIÓN GANADERA:

PRÁCTICAS DE GESTIÓN GANADERA: PRÁCTICAS DE GESTIÓN GANADERA: MANEJO DE HOJA DE CÁCULO (EXCEL) 1. INTRODUCCIÓN AL MANEJO DE EXCEL La pantalla del programa consta de una barra de herramientas principal y de una amplia cuadrícula compuesta

Más detalles

Aprendizaje por refuerzo

Aprendizaje por refuerzo Inteligencia Artificial Aprendizaje por refuerzo Ing. Sup. en Informática, 4º Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3.1 Introducción

Más detalles

NÚMEROS NATURALES Y NÚMEROS ENTEROS

NÚMEROS NATURALES Y NÚMEROS ENTEROS NÚMEROS NATURALES Y NÚMEROS ENTEROS Los números naturales surgen como respuesta a la necesidad de nuestros antepasados de contar los elementos de un conjunto (por ejemplo los animales de un rebaño) y de

Más detalles

Continuidad y ramas infinitas. El aumento A producido por cierta lupa viene dado por la siguiente ecuación: A = 2. lm í

Continuidad y ramas infinitas. El aumento A producido por cierta lupa viene dado por la siguiente ecuación: A = 2. lm í Unidad. Límites de funciones. Continuidad y ramas infinitas Resuelve Página 7 A través de una lupa AUMENTO DISTANCIA (dm) El aumento A producido por cierta lupa viene dado por la siguiente ecuación: A

Más detalles

MATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN CLASES # 13 y #14

MATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN CLASES # 13 y #14 MATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN CLASES # 3 y #4 Desigualdades Al inicio del Capítulo 3, estudiamos las relaciones de orden en los número reales y el signi cado de expresiones

Más detalles

La ventana de Microsoft Excel

La ventana de Microsoft Excel Actividad N 1 Conceptos básicos de Planilla de Cálculo La ventana del Microsoft Excel y sus partes. Movimiento del cursor. Tipos de datos. Metodología de trabajo con planillas. La ventana de Microsoft

Más detalles

Evaluación de políticas públicas con enfoque de género: 29 de septiembre 2010. Ponencia Susan W. Parker.

Evaluación de políticas públicas con enfoque de género: 29 de septiembre 2010. Ponencia Susan W. Parker. Evaluación de políticas públicas con enfoque de género: 29 de septiembre 2010 Ponencia Susan W. Parker. Agradezco muchísimos la invitación de participar y lamento profundamente no poder acompañarlos, me

Más detalles

MICROECONOMÍA II PRÁCTICA TEMA III: MONOPOLIO

MICROECONOMÍA II PRÁCTICA TEMA III: MONOPOLIO MICROECONOMÍA II PRÁCTICA TEMA III: MONOPOLIO EJERCICIO 1 Primero analizamos el equilibrio bajo el monopolio. El monopolista escoge la cantidad que maximiza sus beneficios; en particular, escoge la cantidad

Más detalles

LABORATORIO Nº 3 PRÁCTICA DE FUNCIONES EN MICROSOFT EXCEL

LABORATORIO Nº 3 PRÁCTICA DE FUNCIONES EN MICROSOFT EXCEL OBJETIVO Mejorar el nivel de comprensión y el manejo de las destrezas del estudiante para utilizar funciones en Microsoft Excel 2010. 1) LA FUNCIÓN SI EN EXCEL La función SI en Excel es parte del grupo

Más detalles

AMPLIACIÓN DE MATEMÁTICAS. REPASO DE MATEMÁTICAS DISCRETA. CONGRUENCIAS. En el conjunto de los números enteros

AMPLIACIÓN DE MATEMÁTICAS. REPASO DE MATEMÁTICAS DISCRETA. CONGRUENCIAS. En el conjunto de los números enteros AMPLIACIÓN DE MATEMÁTICAS REPASO DE MATEMÁTICAS DISCRETA. CONGRUENCIAS. En el conjunto de los números enteros Z = {..., n,..., 2, 1, 0, 1, 2, 3,..., n, n + 1,...} tenemos definidos una suma y un producto

Más detalles

Estimado usuario. Tabla de Contenidos

Estimado usuario. Tabla de Contenidos Estimado usuario. El motivo del presente correo electrónico es mantenerle informado de las mejoras y cambios realizados en el software Orathor (Athor/Olimpo) en su versión 5.7.041 la cual ha sido recientemente

Más detalles

AUTOR CARLOS EDUARDO BUENO VERGARA JORGE ARMANDO BUENO VERGARA USO DE LOS OBJETOS DEL PROGRAMA. Dfd INFORMÁTICA II PROFESOR. JOSÉ FRANCISCO AMADOR

AUTOR CARLOS EDUARDO BUENO VERGARA JORGE ARMANDO BUENO VERGARA USO DE LOS OBJETOS DEL PROGRAMA. Dfd INFORMÁTICA II PROFESOR. JOSÉ FRANCISCO AMADOR AUTOR CARLOS EDUARDO BUENO VERGARA JORGE ARMANDO BUENO VERGARA USO DE LOS OBJETOS DEL PROGRAMA Dfd INFORMÁTICA II PROFESOR. JOSÉ FRANCISCO AMADOR UNIVERSIDAD TECNOLÓGICA DE PEREIRA. LICENCIATURA EN COMUNICACIÓN

Más detalles

Teóricas de Análisis Matemático (28) - Práctica 4 - Límite de funciones. 1. Límites en el infinito - Asíntotas horizontales

Teóricas de Análisis Matemático (28) - Práctica 4 - Límite de funciones. 1. Límites en el infinito - Asíntotas horizontales Práctica 4 - Parte Límite de funciones En lo que sigue, veremos cómo la noción de límite introducida para sucesiones se etiende al caso de funciones reales. Esto nos permitirá estudiar el comportamiento

Más detalles

GUÍA PARA LA FORMULACIÓN PROYECTOS

GUÍA PARA LA FORMULACIÓN PROYECTOS GUÍA PARA LA FORMULACIÓN PROYECTOS Un PROYECTO es un PLAN DE TRABAJO; un conjunto ordenado de actividades con el fin de satisfacer necesidades o resolver problemas. Por lo general, cualquier tipo de proyecto,

Más detalles

VENTAJAS Y DESVENTAJAS DE LAS TECNOLOGIAS

VENTAJAS Y DESVENTAJAS DE LAS TECNOLOGIAS VENTAJAS Y DESVENTAJAS DE LAS TECNOLOGIAS EN NUESTRAS VIDAS JOCABED VALENZUELA GARCIA ESLI GUADALUPE LAZCANO RODRIGUEZ INTRODUCCION: Le tecnología es un sinónimo de innovación y de cosas nuevas para facilitar

Más detalles

Profr. Efraín Soto Apolinar. Números reales

Profr. Efraín Soto Apolinar. Números reales úmeros reales En esta sección vamos a estudiar primero los distintos conjuntos de números que se definen en matemáticas. Después, al conocerlos mejor, podremos resolver distintos problemas aritméticos.

Más detalles

Sistemas de numeración y aritmética binaria

Sistemas de numeración y aritmética binaria Sistemas de numeración y aritmética binaria Héctor Antonio Villa Martínez Programa de Ciencias de la Computación Universidad de Sonora Este reporte consta de tres secciones. Primero, la Sección 1 presenta

Más detalles

Comente: Los bancos siempre deberían dar crédito a los proyectos rentables. Falso, hay que evaluar la capacidad de pago.

Comente: Los bancos siempre deberían dar crédito a los proyectos rentables. Falso, hay que evaluar la capacidad de pago. Explique Brevemente en que consiste el leasing y nombre los diferentes tipos existentes. Es un mecanismo de financiamiento de Activos el cual permite el uso del activo por un periodo determinado a cambio

Más detalles

Aproximación local. Plano tangente. Derivadas parciales.

Aproximación local. Plano tangente. Derivadas parciales. Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación

Más detalles

República de Colombia Instituto Colombiano de Bienestar Familiar Cecilia De la Fuente de Lleras Dirección de Abastecimiento

República de Colombia Instituto Colombiano de Bienestar Familiar Cecilia De la Fuente de Lleras Dirección de Abastecimiento CONSOLIDADO PREGUNTAS A LA FICHA DE CONDICIONES TÉCNICAS RECIBIDAS DURANTE EL ESTUDIO DE MERCADO Fecha 19/06/14 Las siguientes preguntas se recibieron durante el desarrollo del Estudio de Mercado para

Más detalles

FORMACIÓN DE EQUIPOS DE E-LEARNING 2.0 MÓDULO DE DISEÑO Y PRODUCCIÓN DE MATERIALES UNIDAD 6 B

FORMACIÓN DE EQUIPOS DE E-LEARNING 2.0 MÓDULO DE DISEÑO Y PRODUCCIÓN DE MATERIALES UNIDAD 6 B 141 1 FORMACIÓN DE EQUIPOS DE E-LEARNING 2.0 Unidad 6 B 142 2 Índice SEGUIMIENTO DE PERSONAS 1 INFORMES 2 143 3 SEGUIMIENTO DE PERSONAS E INFORMES EN MOODLE El seguimiento de los participantes en Moodle

Más detalles

3. MODELO MACROECONOMICO. 3.1 Oferta y demanda agregada nacional y su efecto en la economía internacional

3. MODELO MACROECONOMICO. 3.1 Oferta y demanda agregada nacional y su efecto en la economía internacional 3. MODELO MACROECONOMICO 3.1 Oferta y demanda agregada nacional y su efecto en la economía internacional Definimos primero a la oferta y demanda agregada para después desglosar sus elementos. Veremos la

Más detalles

Manual de usuario de Solmicro BI. Página 1

Manual de usuario de Solmicro BI. Página 1 Manual de usuario de Solmicro BI Página 1 Índice 1. Estructura general del sistema, 2. Estructura de presentación de la información, 3. Acceso a Solmicro BI y los diferentes cuadros de mando, 4. Partes

Más detalles

ANEXO. PROCESOS PARA MANEJAR EL COSTO DE LO VENDIDO EN ASPEL-SAE

ANEXO. PROCESOS PARA MANEJAR EL COSTO DE LO VENDIDO EN ASPEL-SAE ANEXO. PROCESOS PARA MANEJAR EL COSTO DE LO VENDIDO EN ASPEL-SAE El presente documento tiene como finalidad detallar los procesos propuestos para el manejo del costo de lo vendido, los cuales fueron descritos

Más detalles

Modelos y Bases de Datos

Modelos y Bases de Datos Modelos y Bases de Datos MODELOS Y BASES DE DATOS 1 Sesión No. 10 Nombre: Álgebra Relacional Contextualización En qué consiste el álgebra relacional? Se ha planteado hasta el momento cada uno de los procesos

Más detalles

Cálculo Simbólico también es posible con GeoGebra

Cálculo Simbólico también es posible con GeoGebra www.fisem.org/web/union ISSN: 1815-0640 Número 34. Junio de 2013 páginas 151-167 Coordinado por Agustín Carrillo de Albornoz Cálculo Simbólico también es posible con GeoGebra Antes de exponer las posibilidades

Más detalles

ANÁLISIS ECONÓMICO DE INVERSIONES.

ANÁLISIS ECONÓMICO DE INVERSIONES. ANÁLISIS ECONÓMICO DE INVERSIONES. José Ignacio González Soriano Agosto 2013 INDICE 1. FORMULAS FINANCIERAS.... 2 1.1.- VALOR ACTUAL NETO.... 3 1.1.1.- DEFINICIÓN... 3 1.1.2.- CASO GENERAL... 3 1.1.3.-

Más detalles

Lógica Proposicional IIC2212. IIC2212 Lógica Proposicional 1 / 56

Lógica Proposicional IIC2212. IIC2212 Lógica Proposicional 1 / 56 Lógica Proposicional IIC2212 IIC2212 Lógica Proposicional 1 / 56 Inicio de la Lógica Originalmente, la Lógica trataba con argumentos en el lenguaje natural. Ejemplo Es el siguiente argumento válido? Todos

Más detalles

Diagnosis y Crítica del modelo -Ajuste de distribuciones con Statgraphics-

Diagnosis y Crítica del modelo -Ajuste de distribuciones con Statgraphics- Diagnosis y Crítica del modelo -Ajuste de distribuciones con Statgraphics- 1. Introducción Ficheros de datos: TiempoaccesoWeb.sf3 ; AlumnosIndustriales.sf3 El objetivo de esta práctica es asignar un modelo

Más detalles

Estrategias de producto y precio

Estrategias de producto y precio Cómo vender tu producto o servicio Índice 1. Qué es una estrategia?... 3 2. Qué es una estrategia de producto?... 3 3. Cómo fijar una estrategia de producto?... 3 4. Pero, qué es un producto (o servicio)?...

Más detalles

El desarrollo del pensamiento multiplicativo.

El desarrollo del pensamiento multiplicativo. El desarrollo del pensamiento multiplicativo. Análisis de las diferentes situaciones multiplicativas, su aplicación en el aula y en el desarrollo del pensamiento matemático. Autor: Mery Aurora Poveda,

Más detalles

Tecnólogo Informático- Estructuras de Datos y Algoritmos- 2009

Tecnólogo Informático- Estructuras de Datos y Algoritmos- 2009 Árboles Ejemplos de estructuras arborescentes: con forma de árbol Regla de Alcance: los objetos visibles en un procedimiento son aquellos declarados en él mismo o en cualquier ancestro de él (cualquier

Más detalles

GESTIÓN Y CONTROL DEL DESARROLLO E IMPLANTACIÓN DE APLICACIONES

GESTIÓN Y CONTROL DEL DESARROLLO E IMPLANTACIÓN DE APLICACIONES Ciclo Formativo: Módulo: Desarrollo de Aplicaciones Informáticas Análisis y Diseño Detallado de Aplicaciones Informáticas de Gestión Unidad de Trabajo 10: GESTIÓN Y CONTROL DEL DESARROLLO E IMPLANTACIÓN

Más detalles

Generalización como búsqueda. El problema de aprendizaje por generalización puede verse como un problema de búsqueda:

Generalización como búsqueda. El problema de aprendizaje por generalización puede verse como un problema de búsqueda: Generalización como búsqueda El problema de aprendizaje por generalización puede verse como un problema de búsqueda: El lenguaje de generalización corresponde a un espacio de hipótesis (espacio de búsqueda)

Más detalles

EJEMPLO DE REPORTE DE LIBERTAD FINANCIERA

EJEMPLO DE REPORTE DE LIBERTAD FINANCIERA EJEMPLO DE REPORTE DE LIBERTAD FINANCIERA 1. Introduccio n El propósito de este reporte es describir de manera detallada un diagnóstico de su habilidad para generar ingresos pasivos, es decir, ingresos

Más detalles

INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERÍA MECÁNICA Y ELÉCTRICA UNIDAD CULHUACÁN INTEGRANTES

INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERÍA MECÁNICA Y ELÉCTRICA UNIDAD CULHUACÁN INTEGRANTES INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERÍA MECÁNICA Y ELÉCTRICA UNIDAD CULHUACÁN INTEGRANTES CÁRDENAS ESPINOSA CÉSAR OCTAVIO racsec_05@hotmail.com Boleta: 2009350122 CASTILLO GUTIÉRREZ

Más detalles

Clases de apoyo de matemáticas Fracciones y decimales Escuela 765 Lago Puelo Provincia de Chubut

Clases de apoyo de matemáticas Fracciones y decimales Escuela 765 Lago Puelo Provincia de Chubut Clases de apoyo de matemáticas Fracciones y decimales Escuela 765 Lago Puelo Provincia de Chubut Este texto intenta ser un complemento de las clases de apoyo de matemáticas que se están realizando en la

Más detalles

Plan de estudios Maestría en Sistemas de Información y Tecnologías de Gestión de Datos

Plan de estudios Maestría en Sistemas de Información y Tecnologías de Gestión de Datos Plan de estudios Maestría en Sistemas de Información y Tecnologías de Gestión de Datos Antecedentes y Fundamentación Un Sistema de Información es un conjunto de componentes que interactúan entre sí, orientado

Más detalles

Tema 5. Variables aleatorias discretas

Tema 5. Variables aleatorias discretas Tema 5. Variables aleatorias discretas Resumen del tema 5.1. Definición de variable aleatoria discreta 5.1.1. Variables aleatorias Una variable aleatoria es una función que asigna un número a cada suceso

Más detalles

Introducción a la estadística y SPSS

Introducción a la estadística y SPSS Introducción a la estadística y SPSS Marcelo Rodríguez Ingeniero Estadístico - Magister en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I

Más detalles

SISTEMAS DE ECUACIONES LINEALES

SISTEMAS DE ECUACIONES LINEALES SISTEMAS DE ECUACIONES LINEALES INTRODUCCIÓN En el presente documento se explican detalladamente dos importantes temas: 1. Descomposición LU. 2. Método de Gauss-Seidel. Se trata de dos importantes herramientas

Más detalles

Curso: Métodos de Monte Carlo Unidad 2, Sesión 6: Integración por Monte Carlo

Curso: Métodos de Monte Carlo Unidad 2, Sesión 6: Integración por Monte Carlo Curso: Métodos de Monte Carlo Unidad 2, Sesión 6: Integración por Monte Carlo Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo,

Más detalles

Centro de Capacitación en Informática

Centro de Capacitación en Informática Combinación de funciones y fórmulas =SI(Y(...)...) o =Si(O(...)...) En secciones anteriores vimos que la función SI() debía cumplir una condición, como por ejemplo, controlar si en una celda determinada

Más detalles

OPCIÓN A 0 1 X = 1 12. Podemos despejar la matriz X de la segunda ecuación ya que la matriz. 1 1 ; Adj 0 1 X =

OPCIÓN A 0 1 X = 1 12. Podemos despejar la matriz X de la segunda ecuación ya que la matriz. 1 1 ; Adj 0 1 X = Selectividad Junio 011 Pruebas de Acceso a las Universidades de Castilla y León MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJERCICIO Nº páginas Tablas OPTATIVIDAD: EL ALUMNO/A DEBERÁ ESCOGER UNO DE

Más detalles

Aprendizaje Automatizado

Aprendizaje Automatizado Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto

Más detalles

Una desigualdad se obtiene al escribir dos expresiones numéricas o algebraicas relacionadas con alguno de los símbolos

Una desigualdad se obtiene al escribir dos expresiones numéricas o algebraicas relacionadas con alguno de los símbolos MATEMÁTICAS BÁSICAS DESIGUALDADES DESIGUALDADES DE PRIMER GRADO EN UNA VARIABLE La epresión a b significa que "a" no es igual a "b ". Según los valores particulares de a de b, puede tenerse a > b, que

Más detalles

EVALUACIÓN DE COSTO ANUAL EQUIVALENTE (CAUE) ECONOMIA PARA INGENIEROS DENNICE OBREGÓN RENTERIA CÓDIGO: 52.446.160

EVALUACIÓN DE COSTO ANUAL EQUIVALENTE (CAUE) ECONOMIA PARA INGENIEROS DENNICE OBREGÓN RENTERIA CÓDIGO: 52.446.160 EVALUACIÓN DE COSTO ANUAL EQUIVALENTE (CAUE) ECONOMIA PARA INGENIEROS DENNICE OBREGÓN RENTERIA CÓDIGO: 52.446.160 CLAUDIA IVONNE RESTREPO LOAIZA CÓDIGO:52.499.721 JOSÉ ELIBET VERGARA CÓDIGO:79.615.808

Más detalles

Figure 16-1: Phase H: Architecture Change Management

Figure 16-1: Phase H: Architecture Change Management Fase H Administración del cambio en la Arquitectura Figure 16-1: Phase H: Architecture Change Management Objetivos Los objetivos de la Fase H son: Asegurarse de que el ciclo de vida de arquitectura se

Más detalles

Interpolación polinómica

Interpolación polinómica 9 9. 5 9. Interpolación de Lagrange 54 9. Polinomio de Talor 57 9. Dados dos puntos del plano (, ), (, ), sabemos que ha una recta que pasa por ellos. Dicha recta es la gráfica de un polinomio de grado,

Más detalles

CAPITULO VI ESTRATEGIAS DE OUTSOURCING

CAPITULO VI ESTRATEGIAS DE OUTSOURCING CAPITULO VI ESTRATEGIAS DE OUTSOURCING Cuando una compañía decide llevar a cabo un proceso de outsourcing debe definir una estrategia que guíe todo el proceso. Hay dos tipos genéricos de estrategia de

Más detalles

Uso de funciones en Excel

Uso de funciones en Excel Uso de funciones en Excel Las funciones son fórmulas predefinidas que ejecutan cálculos utilizando valores específicos, denominados argumentos, en un orden determinado o estructura. Por ejemplo, la función

Más detalles

x : N Q 1 x(1) = x 1 2 x(2) = x 2 3 x(3) = x 3

x : N Q 1 x(1) = x 1 2 x(2) = x 2 3 x(3) = x 3 3 Sucesiones - Fernando Sánchez - - Cálculo I de números racionales 03 10 2015 Los números reales son aproximaciones que se van haciendo con números racionales. Estas aproximaciones se llaman sucesiones

Más detalles

CAPITULO 3 REDES HIBRIDAS-COMPLEJAS. 3.1 Descripción de la Red Híbrida Compleja (HCNN)

CAPITULO 3 REDES HIBRIDAS-COMPLEJAS. 3.1 Descripción de la Red Híbrida Compleja (HCNN) CAPITULO 3 REDES HIBRIDAS-COMPLEJAS 3.1 Descripción de la Red Híbrida Compleja (HCNN) La predicción de eventos caóticos que se presentan en un mundo que nos rodea es de gran interés. Especialmente en aquellos

Más detalles

Ampliación de Estructuras de Datos

Ampliación de Estructuras de Datos Ampliación de Estructuras de Datos Amalia Duch Barcelona, marzo de 2007 Índice 1. Diccionarios implementados con árboles binarios de búsqueda 1 2. TAD Cola de Prioridad 4 3. Heapsort 8 1. Diccionarios

Más detalles

La Evaluación como Proceso Comparación de Costos y Beneficios. Pedro Misle Benítez / Gustavo Briceño Torres

La Evaluación como Proceso Comparación de Costos y Beneficios. Pedro Misle Benítez / Gustavo Briceño Torres La Evaluación como Proceso Comparación de Costos y Beneficios Pedro Misle Benítez / Gustavo Briceño Torres ACTUALIZACIÓN DE COSTOS Y BENEFICIOS Establecido el Flujo de Fondos para el horizonte del Proyecto,

Más detalles

Cualquier número de cualquier base se puede representar mediante la siguiente ecuación polinómica:

Cualquier número de cualquier base se puede representar mediante la siguiente ecuación polinómica: SISTEMAS DE NUMERACIÓN Los números se pueden representar en distintos sistemas de numeración que se diferencian entre si por su base. Así el sistema de numeración decimal es de base 10, el binario de base

Más detalles

El concepto de asociación estadística. Tema 6 Estadística aplicada Por Tevni Grajales G.

El concepto de asociación estadística. Tema 6 Estadística aplicada Por Tevni Grajales G. El concepto de asociación estadística Tema 6 Estadística aplicada Por Tevni Grajales G. En gran medida la investigación científica asume como una de sus primera tareas, identificar las cosas (características

Más detalles

Base de datos en Excel

Base de datos en Excel Base de datos en Excel Una base datos es un conjunto de información que ha sido organizado bajo un mismo contexto y se encuentra almacenada y lista para ser utilizada en cualquier momento. Las bases de

Más detalles

INFLUENCIA EN LA PRODUCTIVIDAD QUE TIENEN LOS SISTEMAS DE CONTROL

INFLUENCIA EN LA PRODUCTIVIDAD QUE TIENEN LOS SISTEMAS DE CONTROL INFLUENCIA EN LA PRODUCTIVIDAD QUE TIENEN LOS SISTEMAS DE CONTROL Productividad Sistemas de Control LA PRODUCTIVIDAD La productividad, es genéricamente entendida Como la relación entre la producción obtenida

Más detalles

Tarea 7 Soluciones. Sol. Sea x el porcentaje que no conocemos, entonces tenemos la siguiente. (3500)x = 420. x = 420 3500 = 3 25

Tarea 7 Soluciones. Sol. Sea x el porcentaje que no conocemos, entonces tenemos la siguiente. (3500)x = 420. x = 420 3500 = 3 25 Tarea 7 Soluciones. Una inversión de $3500 produce un rendimiento de $420 en un año, qué rendimiento producirá una inversión de $4500 a la misma tasa de interés durante el mismo tiempo? Sol. Sea x el porcentaje

Más detalles

Selectividad Septiembre 2013 OPCIÓN B

Selectividad Septiembre 2013 OPCIÓN B Pruebas de Acceso a las Universidades de Castilla y León ATEÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJERCICIO Nº páginas Tablas OPTATIVIDAD: EL ALUNO DEBERÁ ESCOGER UNA DE LAS DOS OPCIONES Y DESARROLLAR

Más detalles

Análisis de los datos

Análisis de los datos Universidad Complutense de Madrid CURSOS DE FORMACIÓN EN INFORMÁTICA Análisis de los datos Hojas de cálculo Tema 6 Análisis de los datos Una de las capacidades más interesantes de Excel es la actualización

Más detalles

Tutorial de Subneteo Clase A, B - Ejercicios de Subnetting CCNA 1

Tutorial de Subneteo Clase A, B - Ejercicios de Subnetting CCNA 1 Tutorial de Subneteo Clase A, B - Ejercicios de Subnetting CCNA 1 La función del Subneteo o Subnetting es dividir una red IP física en subredes lógicas (redes más pequeñas) para que cada una de estas trabajen

Más detalles

Región de Murcia Consejería de Educación, Ciencia e Investigación. Manual Usuario FCT

Región de Murcia Consejería de Educación, Ciencia e Investigación. Manual Usuario FCT . Manual Usuario FCT Murcia, 9 de Julio de 2007 Manual de Usuario FCT v1.0 pág. 2 de 73 ÍNDICE Manual Usuario FCT...1 1. Tipos de usuarios... 4 2. Modelo de navegación... 5 3. Servicios... 6 3.1. Convenios...

Más detalles

CAPITULO 1 INTRODUCCIÓN. Puesta en Evidencia de un circulo virtuoso creado por los SRI entre los Mercados Financieros y las Empresas

CAPITULO 1 INTRODUCCIÓN. Puesta en Evidencia de un circulo virtuoso creado por los SRI entre los Mercados Financieros y las Empresas CAPITULO 1 INTRODUCCIÓN 16 Capítulo I: Introducción 1.1 Breve descripción del proyecto: Nuestro proyecto de tesis trata de mostrar el círculo virtuoso que se produce entre los instrumentos de inversión

Más detalles

Análisis y cuantificación del Riesgo

Análisis y cuantificación del Riesgo Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el

Más detalles

Eduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS

Eduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS ANÁLISIS DE DATOS Hoy día vamos a hablar de algunas medidas de resumen de datos: cómo resumir cuando tenemos una serie de datos numéricos, generalmente en variables intervalares. Cuando nosotros tenemos

Más detalles

Técnicas de prueba 1. FUNDAMENTOS DE LA PRUEBA DEL SOFTWARE

Técnicas de prueba 1. FUNDAMENTOS DE LA PRUEBA DEL SOFTWARE Técnicas de prueba El desarrollo de Sistemas de software implica la realización de una serie de actividades predispuestas a incorporar errores (en la etapa de definición de requerimientos, de diseño, de

Más detalles

Profesorado de Informática Ciencias de la Computación INET- DFPD Matemática I - Matemática Discreta usando el computador Ing. Prof.

Profesorado de Informática Ciencias de la Computación INET- DFPD Matemática I - Matemática Discreta usando el computador Ing. Prof. Árboles Profesorado de Informática Ciencias de la Computación INET- DFPD Matemática I - Matemática Discreta usando el computador Ing. Prof. Paula Echenique Una de las estructuras de datos más importantes

Más detalles

Dirección de Operaciones

Dirección de Operaciones Dirección de Operaciones 1 Sesión No. 2 Nombre: Programación lineal Objetivo Al finalizar la sesión, el alumno será capaz de identificar los principios fundamentales de la programación lineal. Contextualización

Más detalles

Hoja1!C4. Hoja1!$C$4. Fila

Hoja1!C4. Hoja1!$C$4. Fila CAPÍTULO 6......... Cálculo y funciones con Excel 2000 6.1.- Referencias De Celdas Como vimos con anterioridad en Excel 2000 se referencian las celdas por la fila y la columna en la que están. Además como

Más detalles