TÉCNICAS DE ANÁLISIS DE DATOS

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

Download "TÉCNICAS DE ANÁLISIS DE DATOS"

Transcripción

1 TÉCNICAS DE ANÁLISIS DE DATOS APLICACIONES PRÁCTICAS UTILIZANDO MICROSOFT EXCEL Y WEKA José Manuel Molna López Jesús García Herrero 2006

2 PRÓLOGO Estos apuntes pretenden dar una vsón general de las técncas de análss de datos y de las aplcacones que las mplementan, permtendo entender los conceptos y algortmos sobre los que se basan las técncas así como el resultado de su aplcacón sobre dversas fuentes de fcheros. Estos apuntes son una recoleccón de nformacón de muy varadas fuentes, págnas de ntenet, artículos etc.. todas ellas aparecen ctadas. De entre todas ellas cabe resaltar el trabajo fn de carrera de Davd Sánchez ttulado Data Mnng medante Sstemas Clasfcadores Genétcos. Análss comparatvo con las técncas cláscas mplementadas en WEKA, en la ttulacón de Ingenería Informátca (Julo 2003) donde se realza un gran esfuerzo por explcar el funconamento nterno de la herramenta WEKA y de dónde se ha extraído la nformacón acerca de las clases y el códgo que mplementa los algortmos para estos apuntes. Así tambén resulta necesaro resaltar la tess doctoral de Félx Chamorro, ya que el capítulo 2 (el estado del arte) se pormenorzan todas las técncas de análss de datos y que ha sdo utlzado para la elaboracón de estos apuntes. Esperamos que estos apuntes sean de utldad para los alumnos que se acerquen al análss de datos y en partcular para aquellos que tengan nterés en aplcar los conocmentos teórcos en el campo de la práctca. José Manuel Molna López Jesús García Herrero

3 Índce Índce CAPÍTULO. INTRODUCCIÓN.. KDD Y MINERÍA DE DATOS..2. EL PROCESO DE KDD MINERÍA DE DATOS TECNOLOGÍAS DE APOYO ÁREAS DE APLICACIÓN TENDENCIAS DE LA MINERÍA DE DATOS 3.2. MINERÍA DE DATOS Y ALMACENAMIENTO DE DATOS ARQUITECTURA, MODELADO, DISEÑO, Y ASPECTOS DE LA ADMINISTRACIÓN DATA MINING Y FUNCIONES DE BASES DE DATOS DATA WAREHOUSE DATA WAREHOUSE Y DATA MINING 2.3. HERRAMIENTAS COMERCIALES DE ANÁLISIS DE DATOS ARQUITECTURA SOFTWARE PARA DATA MINING ARQUITECTURA FUNCIONAL ARQUITECTURA DEL SISTEMA EL DATA MINING EN LA ARQUITECTURA DEL SISTEMA 38 CAPÍTULO 2. ANÁLISIS ESTADÍSTICO MEDIANTE EXCEL ANÁLISIS DE UNA VARIABLE. ESTADÍSTICA DESCRIPTIVA E INFERENCIA 43 Técncas de Análss de Datos

4 Índce 2.2. TÉCNICAS DE EVALUACIÓN DE HIPÓTESIS ANÁLISIS DE RELACIONES ENTRE ATRIBUTOS RELACIÓN ENTRE VARIABLES NOMINALES-NOMINALES RELACIONES NUMÉRICAS-NOMINALES Comparacón de dos medas Análss de la varanza RELACIONES NUMÉRICAS-NUMÉRICAS: Regresón lneal EVALUACIÓN DEL MODELO DE REGRESIÓN Meddas de Caldad Test de Hpótess sobre modelo de regresón EJEMPLOS DE APLICACIÓN DE TÉCNICAS DE EVALUACIÓN DE HIPÓTESIS EJEMPLOS DE VALIDACIÓN DE HIPÓTESIS TÉCNICAS CLÁSICAS DE CLASIFICACIÓN Y PREDICCIÓN CLASIFICACIÓN BAYESIANA: REGRESIÓN LINEAL 90 CAPÍTULO 3. TÉCNICAS DE MINERÍA DE DATOS BASADAS EN APRENDIZAJE AUTOMÁTICO TÉCNICAS DE MINERÍA DE DATOS CLUSTERING. ( SEGMENTACIÓN ) CLUSTERING NUMÉRICO (K-MEDIAS) CLUSTERING CONCEPTUAL (COBWEB) CLUSTERING PROBABILÍSTICO (EM) REGLAS DE ASOCIACIÓN LA PREDICCIÓN REGRESIÓN NO LINEAL ÁRBOLES DE PREDICCIÓN ESTIMADOR DE NÚCLEOS LA CLASIFICACIÓN TABLA DE DECISIÓN ÁRBOLES DE DECISIÓN REGLAS DE CLASIFICACIÓN 35 Técncas de Análss de Datos

5 Índce CLASIFICACIÓN BAYESIANA APRENDIZAJE BASADO EN EJEMPLARES REDES DE NEURONAS LÓGICA BORROSA ( FUZZY LOGIC ) TÉCNICAS GENÉTICAS: ALGORITMOS GENÉTICOS ( GENETIC ALGORITHMS ) 57 CAPÍTULO 4. TÉCNICAS DE ANÁLISIS DE DATOS EN WEKA 59 INTRODUCCIÓN 59 PREPARACIÓN DE LOS DATOS 60 MUESTRA DE DATOS 60 OBJETIVOS DEL ANÁLISIS 6 EJECUCIÓN DE WEKA 62 PREPROCESADO DE LOS DATOS 64 CARACTERÍSTICAS DE LOS ATRIBUTOS 65 TRABAJO CON FILTROS. PREPARACIÓN DE FICHEROS DE MUESTRA 67 Fltros de atrbutos 68 Fltros de nstancas 72 VISUALIZACIÓN 73 REPRESENTACIÓN 2D DE LOS DATOS 73 FILTRADO GRÁFICO DE LOS DATOS 77 ASOCIACIÓN 78 AGRUPAMIENTO 83 AGRUPAMIENTO NUMÉRICO 84 AGRUPAMIENTO SIMBÓLICO 89 CLASIFICACIÓN 9 MODOS DE EVALUACIÓN DEL CLASIFICADOR 92 SELECCIÓN Y CONFIGURACIÓN DE CLASIFICADORES 95 PREDICCIÓN NUMÉRICA 203 APRENDIZAJE DEL MODELO Y APLICACIÓN A NUEVOS DATOS. 209 SELECCIÓN DE ATRIBUTOS 2 Técncas de Análss de Datos

6 Índce CAPÍTULO 5. IMPLEMENTACIÓN DE LAS TÉCNICAS DE ANÁLISIS DE DATOS EN WEKA UTILIZACIÓN DE LAS CLASES DE WEKA EN PROGRAMAS INDEPENDIENTES TABLA DE DECISIÓN EN WEKA ID3 EN WEKA C4.5 EN WEKA (J48) ÁRBOL DE DECISIÓN DE UN SOLO NIVEL EN WEKA R EN WEKA PRISM EN WEKA PART EN WEKA NAIVE BAYESIANO EN WEKA VFI EN WEKA KNN EN WEKA (IBK) K* EN WEKA REDES DE NEURONAS EN WEKA REGRESIÓN LINEAL EN WEKA REGRESIÓN LINEAL PONDERADA LOCALMENTE EN WEKA M5 EN WEKA KERNEL DENSITY EN WEKA K-MEANS EN WEKA COBWEB EN WEKA EM EN WEKA ASOCIACIÓN A PRIORI EN WEKA 236 CAPÍTULO 6. EJEMPLOS SOBRE CASOS DE ESTUDIO 239 Técncas de Análss de Datos v

7 Índce BIBLIOGRAFÍA 240 Técncas de Análss de Datos v

8 Capítulo Introduccón Capítulo. Introduccón En este texto se estuda uno de los campos que más se están estudando en estos días: La extraccón de conocmento a partr de fuentes masvas de datos. Para ello se emplean las denomnadas técncas de mnería de datos, que son algortmos capaces de obtener relacones entre dstntos atrbutos o conceptos para ayudar, por ejemplo, a la toma de decsones. Además de las técncas estadístcas se estudan las técncas de Mnería de Datos [Data Mnng] basadas en técncas de aprendzaje automátco que se mplementan en una herramenta de mnería de datos de lbre dstrbucón: WEKA. Esta herramenta permte, a partr de fcheros de texto en un formato determnado, utlzar dstntos tpos de técncas para extraer nformacón. A contnuacón se defnen los conceptos fundamentales empleados en el texto: KDD y, sobretodo, mnería de datos, así como sus prncpales característcas. Posterormente se comenta la estructura del proyecto... KDD y Mnería de Datos Hoy en día, la cantdad de datos que ha sdo almacenada en las bases de datos excede nuestra habldad para reducr y analzar los datos sn el uso de técncas de análss automatzadas. Muchas bases de datos comercales transacconales y centífcas crecen a una proporcón fenomenal. KDD [Knowledge Dscovery n Databases] [PSF9] es el proceso completo de extraccón de nformacón, que se encarga además de la preparacón de los datos y de la nterpretacón de los resultados obtendos. KDD se ha defndo como el proceso no trval de dentfcacón en los datos de patrones váldos, nuevos, potencalmente útles, y fnalmente comprensbles [FAYY96]. Se trata de nterpretar grandes cantdades de datos y encontrar relacones o patrones. Para consegurlo harán falta técncas de aprendzaje automátco [Machne Learnng] [MBK98], estadístca [MIT97, DEGR86], bases de datos [CODD70], técncas de representacón del conocmento, razonamento basado en casos [CBR, Case Based Reasonng], razonamento aproxmado, adquscón de conocmento, redes de neuronas y vsualzacón de datos. Tareas comunes en KDD son la nduccón de reglas, los problemas de clasfcacón y clusterng, el reconocmento de patrones, el modelado predctvo, la deteccón de dependencas, etc. KDD es un campo crecente: hay muchas metodologías del descubrmento del conocmento en uso y bajo desarrollo. Algunas de estas técncas son genércas, mentras otros son de domno específco. Técncas de Análss de Datos Págna de 266

9 Capítulo Introduccón Los datos recogen un conjunto de hechos (una base de datos) y los patrones son expresones que descrben un subconjunto de los datos (un modelo aplcable a ese subconjunto). KDD nvolucra un proceso teratvo e nteractvo de búsqueda de modelos, patrones o parámetros. Los patrones descubertos han de ser váldos, novedosos para el sstema (para el usuaro sempre que sea posble) y potencalmente útles. Se han de defnr meddas cuanttatvas para los patrones obtendos (precsón, utldad, benefco obtendo...). Se debe establecer alguna medda de nterés [nterestngness] que consdere la valdez, utldad y smplcdad de los patrones obtendos medante alguna de las técncas de Mnería de Datos. El objetvo fnal de todo esto es ncorporar el conocmento obtendo en algún sstema real, tomar decsones a partr de los resultados alcanzados o, smplemente, regstrar la nformacón conseguda y sumnstrársela a quen esté nteresado. Ha llegado un momento en el que dsponemos de tanta nformacón que nos vemos ncapaces de sacarle provecho. Los datos tal cual se almacenan [raw data] no suelen proporconar benefcos drectos. Su valor real resde en la nformacón que podamos extraer de ellos: nformacón que nos ayude a tomar decsones o a mejorar nuestra comprensón de los fenómenos que nos rodean. Se requere de grandes cantdades de datos que proporconen nformacón sufcente para dervar un conocmento adconal. Dado que se requeren grandes cantdades de datos, es esencal el proceso de la efcenca. La exacttud es requerda para asegurar que el descubrmento del conocmento es váldo. Los resultados deberán ser presentados de una manera entendble para el ser humano. Una de las premsas mayores de KDD es que el conocmento es descuberto usando técncas de aprendzaje ntelgente que van examnando los datos a través de procesos automatzados. Para que una técnca sea consderada útl para el descubrmento del conocmento, éste debe ser nteresante; es decr, debe tener un valor potencal para el usuaro. KDD proporcona la capacdad para descubrr nformacón nueva y sgnfcatva usando los datos exstentes. KDD se defne como: "The nontrval process of dentfyng vald, novel, potentally useful, and ultmately understandable patterns n data" en Fayyad, Patetsky-Shapro & Smyth: "From data mnng to knowledge dscovery: An overvew" Advances n Knowledge Dscovery and Data Mnng (AAAI / MIT Press, 996) y se puede resumr en la Fgura. Técncas de Análss de Datos Págna 2 de 266

10 Capítulo Introduccón Fgura.: Esquema del proceso de KDD KDD rápdamente excede la capacdad humana para analzar grandes cantdades de datos. La cantdad de datos que requeren procesamento y análss en grandes bases de datos exceden las capacdades humanas y la dfcultad de transformar los datos con precsón es un conocmento que va más allá de los límtes de las bases de datos tradconales. Por consguente, la utlzacón plena de los datos almacenados depende del uso de técncas del descubrmento del conocmento. La utldad de aplcacones futuras en KDD es de largo alcance. KDD puede usarse como un medo de recuperacón de nformacón, de la msma manera que los agentes ntelgentes realzan la recuperacón de nformacón en el Web. Nuevos modelos o tendencas en los datos podrán descubrrse usando estas técncas. KDD tambén puede usarse como una base para las nterfaces ntelgentes del mañana, agregando un componente del descubrmento del conocmento a un sstema de bases de datos o ntegrando KDD con las hojas de cálculo y vsualzacones...2. El proceso de KDD El proceso de KDD se nca con la dentfcacón de los datos. Para ello hay que magnar qué datos se necestan, dónde se pueden encontrar y cómo consegurlos. Una vez que se dspone de datos, se deben selecconar aquellos que sean útles para los objetvos propuestos. Se preparan, ponéndolos en un formato adecuado. Una vez se tenen los datos adecuados se procede a la mnería de datos, proceso en el que se selecconarán las herramentas y técncas adecuadas para lograr los objetvos pretenddos. Y tras este proceso llega el análss de resultados, con lo que se obtene el conocmento pretenddo. En la fgura.2 se muestra la metodología que debe segurse para obtener conocmento a partr de los datos que se encuentran en la base de datos. Técncas de Análss de Datos Págna 3 de 266

11 Capítulo Introduccón Fgura.2: Metodología para el descubrmento de conocmento en bases de datos. KDD es un proceso nteractvo e teratvo, que nvolucra numerosos pasos e ncluye muchas decsones que deben ser tomadas por el usuaro, y se estructura en las sguentes etapas [FAYY96]: Comprensón del domno de la aplcacón, del conocmento relevante y de los objetvos del usuaro fnal. Creacón del conjunto de datos: consste en la seleccón del conjunto de datos, o del subconjunto de varables o muestra de datos, sobre los cuales se va a realzar el descubrmento. Lmpeza y preprocesamento de los datos: Se compone de las operacones, tales como: recoleccón de la nformacón necesara sobre la cual se va a realzar el proceso, decdr las estrategas sobre la forma en que se van a manejar los campos de los datos no dsponbles, estmacón del tempo de la nformacón y sus posbles cambos. Reduccón de los datos y proyeccón: Encontrar las característcas más sgnfcatvas para representar los datos, dependendo del objetvo del proceso. En este paso se pueden utlzar métodos de transformacón para reducr el número efectvo de varables a ser consderadas o para encontrar otras representacones de los datos. Elegr la tarea de Mnería de Datos: Decdr s el objetvo del proceso de KDD es: Regresón, Clasfcacón, Agrupamento, etc. Eleccón del algortmo(s) de Mnería de Datos: Seleccón del método(s) a ser utlzado para buscar los patrones en los datos. Incluye además la decsón sobre que modelos y parámetros pueden ser los más apropados. Mnería de Datos: Consste en la búsqueda de los patrones de nterés en una determnada forma de representacón o sobre un conjunto de Técncas de Análss de Datos Págna 4 de 266

12 Capítulo Introduccón representacones, utlzando para ello métodos de clasfcacón, reglas o árboles, regresón, agrupacón, etc. Interpretacón de los patrones encontrados. Dependendo de los resultados, a veces se hace necesaro regresar a uno de los pasos anterores. Consoldacón del conocmento descuberto: consste en la ncorporacón de este conocmento al funconamento del sstema, o smplemente documentacón e nformacón a las partes nteresadas. El proceso de KDD puede nvolucrar varas teracones y puede contener cclos entre dos de cualquera de los pasos. La mayoría de los trabajos que se han realzado sobre KDD se centran en la etapa de mnería. Sn embargo, los otros pasos se consderan mportantes para el éxto del KDD. Por eso aunque la Mnería de Datos es una parte del proceso completo de KDD [FAYY96], en buena parte de la lteratura los térmnos Mnería de Datos y KDD se dentfcan como s fueran lo msmo. En la fgura.3 se muestra el esfuerzo que requere cada fase del proceso de KDD. 70% 60% Esfuerzo (%) 50% 40% 30% 20% 0% 0% Entendmento del Domno Preparacón de los Datos Data Mnng Interpretacón y Consoldacón del Conocmento Fase Fgura.3: Esfuerzo requerdo por cada fase del proceso de KDD. Como se observa en la fgura.3, gran parte del esfuerzo del proceso de KDD recae sobre la fase de preparacón de los datos, fase crucal para tener éxto como ya se comentó anterormente...3. Mnería de Datos Mnería de Datos es un térmno genérco que engloba resultados de nvestgacón, técncas y herramentas usadas para extraer nformacón útl de grandes bases de datos. S ben Mnería de Datos es una parte del proceso completo de KDD, en buena parte de la lteratura los térmnos Mnería de Datos y KDD se dentfcan como s fueran lo msmo. Concretamente, el térmno Técncas de Análss de Datos Págna 5 de 266

13 Capítulo Introduccón Mnería de Datos es usado comúnmente por los estadístcos, analstas de datos, y por la comundad de admnstradores de sstemas nformátcos como todo el proceso del descubrmento, mentras que el térmno KDD es utlzado más por los especalstas en Intelgenca Artfcal. El análss de la nformacón recoplada (por ejemplo, en un expermento centífco) es habtual que sea un proceso completamente manual (basado por lo general en técncas estadístcas). Sn embargo, cuando la cantdad de datos de los que dsponemos aumenta la resolucón manual del problema se hace ntratable. Aquí es donde entra en juego el conjunto de técncas de análss automátco al que nos refermos al hablar de Mnería de Datos o KDD. Hasta ahora, los mayores éxtos en Mnería de Datos se pueden atrbur drecta o ndrectamente a avances en bases de datos (un campo en el que los ordenadores superan a los humanos). No obstante, muchos problemas de representacón del conocmento y de reduccón de la complejdad de la búsqueda necesara (usando conocmento a pror) están aún por resolver. Ahí resde el nterés que ha despertado el tema entre nvestgadores de todo el mundo. A contnuacón se presentan varas defncones de Mnería de Datos (MD): MD es la extraccón no trval de nformacón mplícta, desconocda prevamente, y potencalmente útl desde los datos [PSF9]. MD es el proceso de extraccón y refnamento de conocmento útl desde grandes bases de datos [SLK96]. MD es el proceso de extraccón de nformacón prevamente desconocda, válda y procesable desde grandes bases de datos para luego ser utlzada en la toma de decsones [CHSVZ]. "MD es la exploracón y análss, a través de medos automátcos y semautomátcos, de grandes cantdades de datos con el fn de descubrr patrones y reglas sgnfcatvos" [BERR97]. "MD es el proceso de planteamento de dstntas consultas y extraccón de nformacón útl, patrones y tendencas prevamente desconocdas desde grandes cantdades de datos posblemente almacenados en bases de datos [THUR99]. MD es el proceso de descubrr modelos en los datos [WF00]...4. Tecnologías de Apoyo Para el estudo de la Mnería de Datos se ha tomado la perspectva orentada a datos, por dos razones. Prmero porque la mayoría de los trabajos en Mnería de Datos están enfocados haca el data warehouse que proporcona el apoyo a la Mnería de Datos organzando y estructurando los datos. Además, otras tecnologías de apoyo a la mnería datos han sdo utlzadas desde hace tempo Técncas de Análss de Datos Págna 6 de 266

14 Capítulo Introduccón y la ntegracón de estas tecnologías con la admnstracón de datos ha contrbudo mucho a mejorar la Mnería de Datos. Las más mportantes entre estas tecnologías son los métodos estadístcos [DEGR86] y el aprendzaje automátco [MIT97]. Los métodos estadístcos han producdo varos paquetes estadístcos [THUR99] para computar sumas, promedos, y dstrbucones, que han do ntegrándose con las bases de datos a explorar. El aprendzaje automátco consste en la obtencón de reglas de aprendzaje y modelos de los datos, para lo cual a menudo se necesta la ayuda de la estadístca. Por esta razón, los métodos estadístcos y el aprendzaje automátco son los dos componentes más mportantes de la Mnería de Datos. Además exsten otras tecnologías, entre las que se ncluyen vsualzacón, procesamento paralelo, y apoyo a la toma de decsones. Las técncas de vsualzacón ayudan a presentar los datos para facltar la Mnería de Datos. Las técncas procesamento paralelo ayudan a mejorar el rendmento de la Mnería de Datos. Los sstemas de apoyo a la toma de decsones ayudan a dscrmnar los resultados y proporconan los resultados esencales para llevar a cabo las funcones de dreccón. Razonamento estadístco Las técncas y métodos estadístcas del razonamento han sdo utlzados durante varas décadas, sendo los úncos medos de analzar los datos en el pasado. Numerosos paquetes [THUR99] están ahora dsponbles para computar promedos, sumas, y dferentes dstrbucones para dferentes aplcacones. Por ejemplo, la ofcna del censo usa análss y métodos estadístcos para analzar la poblacón en un país. Más recentemente, las técncas estadístcas del razonamento están jugando un papel mportante en la Mnería de Datos. Algunos paquetes estadístcos que han sdo utlzados durante mucho tempo, se han ntegrado con las dferentes bases de datos, y se están comercalzándose en la actualdad como productos para la Mnería de Datos. La estadístca juega un mportante papel en el análss de los datos, e ncluso tambén en el aprendzaje automátco. Debdo a esto, no se puede estudar la Mnería de Datos sn un buen conocmento de la estadístca. Vsualzacón Las tecnologías de la vsualzacón muestran gráfcamente los datos en las bases de datos. Se ha nvestgado mucho sobre la vsualzacón y el campo ha adelantado un gran trecho sobre todo con la ncorporacón de la nformátca multmeda. Por ejemplo, los datos en las bases de datos serán flas y flas de valores numércos, y las herramentas de vsualzacón toman estos datos y trazan con ellos algún tpo de gráfco. Los modelos de vsualzacón pueden ser bdmensonales, trdmensonales o ncluso multdmensonales. Se han desarrollado varas herramentas de vsualzacón para ntegrarse con las bases de datos, y algunos trabajos sobre este tema están recogdos en [VIS95]. Así, las herramentas de vsualzacón ayudan de forma nteractva a la Mnería de Datos, aunque hay pocos trabajos sobre la ntegracón de las herramentas Técncas de Análss de Datos Págna 7 de 266

15 Capítulo Introduccón de Mnería de Datos y de vsualzacón. Algunas deas prelmnares se presentaron en el IEEE Databases and Vsualzaton Workshop de 995 (véase, por ejemplo, [VIS95]). Sn embargo, se han realzado más progresos que se pueden encontrar en [VIS97], aunque queda todavía mucho trabajo por hacer en este tema. Procesamento paralelo El procesamento paralelo es una técnca que ha sdo utlzado durante mucho tempo. El área se ha desarrollado sgnfcatvamente, desde sstemas con un únco procesador hasta sstemas multprocesador. Los sstemas de multprocesamento pueden estar formados por sstemas dstrbudos o por sstemas centralzados de multprocesadores con memora compartda, o con multprocesadores sn memora compartda. Hay muchos trabajos sobre la utlzacón de las arqutecturas paralelas para el procesamento de las bases de datos (véase, por ejemplo, [IEEE89]). A pesar de haberse realzado consderable trabajo sobre el tema, estos sstemas no fueron comercalzados hasta el desarrollo del data warehouse, ya que muchos de los data warehouses emplean el procesamento paralelo para acelerar el proceso de las consultas. En un sstema de bases de datos paralelas, se ejecutan varas operacones y funcones en paralelo. A pesar de que la nvestgacón en sstemas de bases de datos en paralelo empezó en los años setenta, estos sstemas se han empezado a utlzar para las aplcacones comercales recentemente, debdo en parte a la explosón del data warehouse y de las tecnologías de Mnería de Datos dónde el rendmento de los algortmos de consulta es crítco. Para escalar las técncas de Mnería de Datos se necesta hardware y software apropado, por lo que los fabrcantes de bases de datos están empleando ordenadores con procesamento paralelo para llevar a cabo la Mnería de Datos. Apoyo a la toma de decsones Los sstemas de apoyo a la toma de decsones son las herramentas que usan los drectvos para tomar decsones efcaces, y se basan en la teoría de la decsón. Se puede consderar a las herramentas de Mnería de Datos como tpos especales de herramentas de apoyo a la toma de decsones. Las herramentas de apoyo a la toma de decsones pertenecen a una ampla categoría (véase, por ejemplo, [DECI]). En general, las herramentas de apoyo a la toma de decsones podrían utlzarse tambén como herramentas para elmnar los resultados nnecesaros e rrelevantes obtendos de la Mnería de Datos. Tambén pueden ser consderadas de este tpo, herramentas tales como las hojas de cálculo, sstemas expertos, sstemas de hpertexto, sstemas de gestón de nformacón de web, y cualquer otro sstema que ayude a analstas y gestores a manejar efcazmente grandes cantdades de datos e nformacón. Recentemente ha aparecdo un área nueva llamada gestón del conocmento. La gestón del conocmento trata de manejar efcazmente los datos, la nformacón, y el conocmento de una organzacón [MORE98a]. Técncas de Análss de Datos Págna 8 de 266

16 Capítulo Introduccón Se puede pensar que el apoyo a la toma de decsones es una tecnología que se solapa con la Mnería de Datos, almacenamento de datos, gestón del conocmento, aprendzaje automátco, estadístca, y otras tecnologías que ayudan gestonar el conocmento de una organzacón y los datos. Aprendzaje automátco El aprendzaje automátco, en muchos casos, consste fundamentalmente en el aprendzaje de reglas a partr de los datos [MIT97], y por eso muchas de las técncas de aprendzaje automátco son utlzadas en la actualdad en la Mnería de Datos. El aprendzaje automátco aparece contnuamente en la realzacón de aprendzaje computaconal desde la experenca. Como Mtchell descrbe en su excelente texto sobre aprendzaje automátco [MIT97], el aprendzaje automátco consste en aprender de las experencas del pasado con respecto a alguna medda de rendmento. Por ejemplo, en las aplcacones de los juegos de computadora, el aprendzaje automátco podría ser aprender a jugar un juego de ajedrez, desde las experencas del pasado que podrían ser juegos que el ordenador juega contra sí msmo, con respecto a alguna medda de rendmento, como ganar un certo número de partdas. Se han desarrollado dstntas técncas en el aprendzaje automátco, ncluyendo el aprendzaje conceptual donde se aprende los conceptos desde dferentes ejemplos de entrenamento, las redes de neuronas, los algortmos genétcos, los árboles de decsón, y la programacón de la lógca nductva. Se han realzado dferentes estudos teórcos sobre el aprendzaje automátco, que ntentan determnar la complejdad y capacdad de las dferentes técncas de aprendzaje automátco [MIT97]. Los nvestgadores del aprendzaje automátco han agrupado las técncas en tres categorías [THUR99]. La prmera es el aprendzaje actvo que se ocupa de la nteraccón y realzacón de las consultas durante el aprendzaje, la segunda es el aprendzaje desde el conocmento anteror, y la tercera es el aprendzaje ncremental. Hay alguna superposcón entre los tres métodos. Durante un semnaro sobre aprendzaje automátco [DARP98] fueron estudados los problemas y desafíos en aprendzaje automátco y sus relacones con la Mnería de Datos. Hay todavía mucha nvestgacón que realzar en este área, sobre todo en la ntegracón del aprendzaje automátco con las dferentes técncas de gestón de datos. Tal nvestgacón mejorará sgnfcatvamente el área de Mnería de Datos. Algunos de los algortmos más conocdos de aprendzaje automátco se encuentran en [QUIN93, MBK98]...5. Áreas de Aplcacón En este punto se presentan las prncpales áreas y sectores empresarales en las que se puede aplcar la mnería de datos. Marketng Técncas de Análss de Datos Págna 9 de 266

17 Capítulo Introduccón Actualmente con la generacón de los puntos de ventas nformatzados y conectados a un ordenador central, y el constante uso de las tarjetas de crédtos se genera gran cantdad de nformacón que hay que analzar. Con ello se puede emplear la mnería de datos para: Identfcar patrones de compra de los clentes: Determnar cómo compran, a partr de sus prncpales característcas, conocer el grado de nterés sobre tpos de productos, s compran determnados productos en determnados momentos,... Segmentacón de clentes: Consste en la agrupacón de los clentes con característcas smlares, por ejemplo demográfcas. Es una mportante herramenta en la estratega de marketng que permte realzar ofertas acordes a dferentes tpos de comportamento de los consumdores. Predecr respuestas a campañas de malng: Estas campañas son caras y pueden llegar a ser molestas para los clentes a los que no le nteresan el tpo de producto promoconado por lo que es mportante lmtarlas a los ndvduos con una alta probabldad de nteresarse por el producto. Está por ello muy relaconada con la segmentacón de clentes. Análss de cestas de la compra [market-basket analyss]: Consste en descubrr relacones entre productos, esto es, determnar qué productos suelen comprarse junto con otros, con el fn de dstrburlos adecuadamente. Compañías de Seguros En el sector de las compañías de seguros y la salud prvada, se pueden emplear las técncas de mnería de datos, por ejemplo para: Banca Análss de procedmentos médcos solctados conjuntamente. Predecr qué clentes compran nuevas pólzas. Identfcar patrones de comportamento para clentes con resgo. Identfcar comportamento fraudulento. En el sector bancaro la nformacón que puede almacenarse es, además de las cuentas de los clentes, la relatva a la utlzacón de las tarjetas de crédto, que puede permtr conocer hábtos y patrones de comportamento de los usuaros. Esta nformacón puede aplcarse para: Detectar patrones de uso fraudulento de tarjetas de crédto. Identfcar clentes leales: Es mportante para las compañías de cualquer sector mantener los clentes. Y es que hay estudos que demuestran que Técncas de Análss de Datos Págna 0 de 266

18 Capítulo Introduccón es cuatro veces más caros obtener nuevos clentes que mantener los exstentes. Predecr clentes con probabldad de cambar su aflacón. Determnar gasto en tarjeta de crédto por grupos. Encontrar correlacones entre ndcadores fnanceros. Identfcar reglas de mercado de valores a partr de hstórcos: Telecomuncacones En el sector de las telecomuncacones se puede almacenar nformacón nteresante sobre las llamadas realzadas, tal como el destno, la duracón, la fecha,... en que se realza la llamada, por ejemplo para: Deteccón de fraude telefónco: Medante por ejemplo el agrupamento o clusterng se pueden detectar patrones en los datos que permtan detectar fraudes. Medcna Tambén en el campo médco se almacena gran cantdad de nformacón, sobre los pacentes, tal como enfermedades pasadas, tratamentos mpuestos, pruebas realzadas, evolucón,... Se pueden emplear técncas de mnería de datos con esta nformacón, por ejemplo, para: Identfcacón de terapas médcas satsfactoras para dferentes enfermedades. Asocacón de síntomas y clasfcacón dferencal de patologías. Estudo de factores (genétcos, precedentes, hábtos, almentcos,...) de resgo para la salud en dstntas patologías. Segmentacón de pacentes para una atencón más ntelgente según su grupo. Estudos epdemológcos, análss de rendmentos de campañas de nformacón, prevencón, susttucón de fármacos,... Identfcacón de terapas médcas y tratamentos erróneos para determnadas enfermedades. Industra farmacéutca Técncas de Análss de Datos Págna de 266

19 Capítulo Introduccón En el sector químco y farmacéutco se almacenan gran cantdad de nformacón: Bases de datos de domno públco contenendo nformacón sobre estructuras y propedades de componentes químcos. Resultados de unversdades y laboratoros publcadas en revstas técncas. Datos generados en la realzacón de los expermentos. Datos propos de la empresa. Los datos son almacenados en dferentes categorías y a cada categoría se le aplca un dferente trato. Se podrían realzar, entre otras, las sguentes operacones con la nformacón obtenda: Clusterng de moléculas: Consste en el agrupamento de moléculas que presentan un certo nvel de smltud, con lo que se pueden descubrr mportantes propedades químcas. Búsqueda de todas las moléculas que contenen un patrón específco: Se podría ntroducr una subestructura (un patrón), devolvendo el sstema todas las moléculas que son smlares a dcha estructura. Búsqueda de todas las moléculas que vncula un camno específco haca una molécula objetvo: Realzar una búsqueda exhaustva puede ser mpractcable, por lo que se pueden usar restrccones en el espaco de búsqueda. Predccón de resultado de expermentos de una nueva molécula a partr de los datos almacenados: A través de determnadas técncas de ntelgenca artfcal es posble predecr los resultados a nuevos expermentos a partr de los datos, con el consguente ahorro de tempo y dnero. Bología Con la fnalzacón en los próxmos años del Proyecto Genoma Humano y el almacenamento de toda la nformacón que está generando en bases de datos accesbles por Internet, el sguente reto consste en descubrr cómo funconan nuestros genes y su nfluenca en la salud. Exsten nuevas tecnologías (chps de ADN, proteómca, genómca funconal, varabldad genétca ndvdual) que están posbltando el desarrollo de una nueva bología que permte extraer conocmento bomédcos a partr de bases de datos expermentales en el entorno de un ordenador báscamente medante técncas de mnería de datos y vsualzacón. Estos trabajos forman parte de los desarrollos de la Bonformátca. Técncas de Análss de Datos Págna 2 de 266

20 Capítulo Introduccón..6. Tendencas de la Mnería de Datos El nterés que desperta la Mnería de Datos para el análss de la nformacón especalmente en el área comercal hace que se busquen nuevas aplcacones basadas en esta tecnología. Algunas de las prncpales nuevas aplcacones basadas en la Mnería de Datos se presentan a contnuacón. Mnería de Textos La Mnería de Textos [Text Mnng] surge ante el problema cada vez más apremante de extraer nformacón automátcamente a partr de masas de textos. Se trata así de extraer nformacón de datos no estructurados: texto plano. Exsten varas aproxmacones a la representacón de la nformacón no estructurada [HH96]: Bag of Words : Cada palabra consttuye una poscón de un vector y el valor corresponde con el número de veces que ha aparecdo. N-gramas o frases: Permte tener en cuenta el orden de las palabras. Trata mejor frases negatvas... excepto...,... pero no..., que tomarían en otro caso las palabras que le sguen como relevantes. Representacón relaconal (prmer orden): Permte detectar patrones más complejos (s la palabra X está a la zquerda de la palabra Y en la msma frase...). Categorías de conceptos. Cas todos se enfrentan con el vocabulary problem [FUR87]: Tenen problemas con la snonma, la polsema, los lemas, etc. Un ejemplo de aplcacón basada en Mnería de Textos es la generacón automátca de índces en documentos. Otras más complcadas consstrían en escanear completamente un texto y mostrar un mapa en el que las partes más relaconadas, o los documentos más relaconados se coloquen cerca unos de otros. En este caso se trataría de analzar las palabras en el contexto en que se encuentren. En cualquer caso, aunque aún no se ha avanzado mucho en el área de Mnería de Textos, ya hay productos comercales que emplean esta tecnología con dferentes propóstos. Mnería de datos Web La Mnería de datos Web [Web Mnng] es una tecnología usada para descubrr conocmento nteresante en todos los aspectos relaconados a la Web. Es uno de los mayores retos. El enorme volumen de datos en la Web generado por la explosón de usuaros y el desarrollo de lbrerías dgtales hace que la extraccón de la nformacón útl sea un gran problema. Cuando el usuaro Técncas de Análss de Datos Págna 3 de 266

TÉCNICAS DE ANÁLISIS DE DATOS

TÉCNICAS DE ANÁLISIS DE DATOS TÉCNICAS DE ANÁLISIS DE DATOS APLICACIONES PRÁCTICAS UTILIZANDO MICROSOFT EXCEL Y WEKA Jesús García Herrero 202 José Manuel Molna López PRÓLOGO Estos apuntes pretenden dar una vsón general de las técncas

Más detalles

INSYS Advanced Dashboard for Enterprise

INSYS Advanced Dashboard for Enterprise Enterprse Enterprse INSYS Advanced Dashboard for Enterprse Enterprse, es un tablero de control para llevar a cabo la Gestón de la Segurdad de la Informacón, Gestón de Gobernabldad, Resgo, Cumplmento (GRC)

Más detalles

INCORPORACIÓN DE TÉCNICAS MULTIVARIANTES EN UN SISTEMA GESTOR DE BASES DE DATOS TESIS DE MAESTRÍA. Autoría de: CARLOS MARIO SOTO JARAMILLO

INCORPORACIÓN DE TÉCNICAS MULTIVARIANTES EN UN SISTEMA GESTOR DE BASES DE DATOS TESIS DE MAESTRÍA. Autoría de: CARLOS MARIO SOTO JARAMILLO INCORPORACIÓN DE TÉCNICAS MULTIVARIANTES EN UN SISTEMA GESTOR DE BASES DE DATOS TESIS DE MAESTRÍA Autoría de: CARLOS MARIO SOTO JARAMILLO Drectora: Ph. D. CLAUDIA JIMÉNEZ RAMÍREZ MAESTRÍA EN INGENIERÍA

Más detalles

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso

Más detalles

Créditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias

Créditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias Crédtos Y Sstemas de Amortzacón: Dferencas, Smltudes e Implcancas Introduccón Cuando los ngresos de un agente económco superan su gasto de consumo, surge el concepto de ahorro, esto es, la parte del ngreso

Más detalles

Tu área reservada Organización Simplicidad Eficiencia

Tu área reservada Organización Simplicidad Eficiencia Rev. 07/2012 Tu área reservada Organzacón Smplcdad Efcenca www.vstos.t La Tu tua área area reservada rservata 1 MyVstos MyVstos es la plataforma nformátca, reservada a los clentes Vstos, que permte comprobar

Más detalles

Relaciones entre variables

Relaciones entre variables Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.

Más detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN COMERCIAL(I) EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado

Más detalles

MODELO DE PROCESOS TECNOLOGÍAS DE LA INFORMACIÓN - GESTIÓN DEL SERVICIO

MODELO DE PROCESOS TECNOLOGÍAS DE LA INFORMACIÓN - GESTIÓN DEL SERVICIO MODELO DE PROCESOS TECNOLOGÍAS DE LA INFORMACIÓN - GESTIÓN DEL SERVICIO INTRODUCCION Gestón de Servcos de TI: Entrega de servcos de TI, que cumplan con los requstos del negoco, de una caldad aceptable

Más detalles

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,

Más detalles

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,

Más detalles

CAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales

CAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales CAPÍTULO 3 METODOLOGÍA En el sguente capítulo se presenta al nco, defncones de algunos conceptos actuarales que se utlzan para la elaboracón de las bases técncas del Producto de Salud al gual que la metodología

Más detalles

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos. ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

Un modelo sencllo, dsponble y seguro Kontratazo publko elektronkoa públca electrónca Lctacones de Prueba: la mejor forma de conocer y domnar el Sstema de Lctacón Electrónca www.euskad.net/contratacon OGASUN

Más detalles

Un Sistema de Recuperación de Información Estructurada

Un Sistema de Recuperación de Información Estructurada Un Sstema de Recuperacón de Informacón Estructurada Jesús Vegas Pablo de la Fuente Dpto. de Informátca, Unversdad de Valladold Campus Mguel Delbes, 47011 Valladold, España {jvegas,pfuente}@nfor.uva.es

Más detalles

Economía de la Empresa: Financiación

Economía de la Empresa: Financiación Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se

Más detalles

RA 1. Elabora el plan de marketing digital internacional diseñando las políticas específicas que han de desarrollarse.

RA 1. Elabora el plan de marketing digital internacional diseñando las políticas específicas que han de desarrollarse. Módulo Profesonal: Comerco dgtal nternaconal. Equvalenca en crédtos ECTS: 4 Códgo: 0827 Resultados de aprendzaje y crteros de evaluacón. RA 1. Elabora el plan de marketng dgtal nternaconal dseñando las

Más detalles

CRM - Marketing 1to1

CRM - Marketing 1to1 CRM - Marketng 1to1 Una clara estratega de Para vsualzar la presentacón en pantalla completa, haga clck en: Examnar/Pantalla Completa negoco Por Qué Los Clentes Nos Dejan? 2 1% se mueren 3% camban de dreccón

Más detalles

RA 1. Aplica las directrices del plan de marketing digital de la empresa, participando en su ejecución y sostenimiento.

RA 1. Aplica las directrices del plan de marketing digital de la empresa, participando en su ejecución y sostenimiento. Módulo Profesonal: Comerco electrónco Códgo: 1235 Resultados de aprendzaje y crteros de evaluacón: RA 1. Aplca las drectrces del plan de marketng dgtal de la empresa, partcpando en su ejecucón y sostenmento.

Más detalles

Media es la suma de todas las observaciones dividida por el tamaño de la muestra.

Media es la suma de todas las observaciones dividida por el tamaño de la muestra. Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,

Más detalles

DEPARTAMENTO DE LENGUAJES Y SISTEMAS E INGENIERÍA SOFTWARE TESIS DOCTORAL

DEPARTAMENTO DE LENGUAJES Y SISTEMAS E INGENIERÍA SOFTWARE TESIS DOCTORAL DEPARTAMENTO DE LENGUAJES Y SISTEMAS E INGENIERÍA SOFTWARE Facultad de Informátca Unversdad Poltécnca de Madrd TESIS DOCTORAL MODELO MATEMÁTICO PARAMETRICO DE ESTIMACIÓN PARA PROYECTOS DE DATA MINING (DMCOMO)

Más detalles

Postgrado. Ingeniería. Experto en Big data

Postgrado. Ingeniería. Experto en Big data Postgrado Ingenería Experto en Bg data Data analytcs Bases de datos NoSQL Hadoop Map/Reduce Dseño de modelo de datos Integracón con Data Warehouse Busness ntellgence Knowledge dscovery Proceso masvo de

Más detalles

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor

Más detalles

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009 UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas

Más detalles

Introducción al riesgo de crédito

Introducción al riesgo de crédito Introduccón al resgo de crédto Estrella Perott Investgador Senor Bolsa de Comerco de Rosaro eperott@bcr.com.ar. Introduccón El resgo credtco es el resgo de una pérdda económca como consecuenca de la falta

Más detalles

METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS

METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento

Más detalles

Tasas de Caducidad. - Guía de Apoyo para la Construcción y Aplicación - Por: Act. Pedro Aguilar Beltrán. paguilar@cnsf.gob.mx

Tasas de Caducidad. - Guía de Apoyo para la Construcción y Aplicación - Por: Act. Pedro Aguilar Beltrán. paguilar@cnsf.gob.mx Tasas de Caducdad - Guía de Apoyo para la Construccón y Aplcacón - Por: Act. Pedro Agular Beltrán pagular@cnsf.gob.m 1. Introduccón La construccón y aplcacón de tasas de caducdad en el cálculo de utldades

Más detalles

Lo que necesito saber de mi Tarjeta de Crédito

Lo que necesito saber de mi Tarjeta de Crédito Lo que necesto saber de m Tarjeta de Crédto Informatvo tarjetas de crédto bancaras Cómo obtener una 3 Qué es una La tarjeta de crédto es un medo de pago que permte a los clentes utlzar una línea de crédto

Más detalles

Correlación y regresión lineal simple

Correlación y regresión lineal simple . Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan

Más detalles

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL

Más detalles

REGRESION Y CORRELACION

REGRESION Y CORRELACION nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda

Más detalles

Explicación de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS

Explicación de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS Explcacón de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS EMBARGO: 21 de agosto de 2012, 15:00 (CEST) Objetvo angular de 24 mm, con zoom óptco 30x (PowerShot SX500 IS) Desarrollado usando

Más detalles

Unidad 3 PLANIFICACIÓN DE TIEMPOS, PROGRAMACIÓN DE RECURSOS Y ESTIMACIÓN DE COSTOS DE LA EJECUCIÓN Y MANTENIMIENTO DE LOS STI

Unidad 3 PLANIFICACIÓN DE TIEMPOS, PROGRAMACIÓN DE RECURSOS Y ESTIMACIÓN DE COSTOS DE LA EJECUCIÓN Y MANTENIMIENTO DE LOS STI Undad 3 PLANIFICACIÓN DE TIEMPOS, PROGRAMACIÓN DE RECURSOS Y ESTIMACIÓN DE COSTOS DE LA EJECUCIÓN Y MANTENIMIENTO DE LOS STI 3.1. DINÁMICA DE LA GESTIÓN DE PROYECTOS. 3.1.1. GESTIÓN DE PROYECTOS. La gestón

Más detalles

EXISTE ALGÚN SISTEMA DE FIDELIZACIÓN MÁS SENCILLO?

EXISTE ALGÚN SISTEMA DE FIDELIZACIÓN MÁS SENCILLO? www. t r ama. es Bar c el ona936911051-madr d916666800-val enc a963847453 Gr anada958411728-sev l l a954906725-reus977771245-val l adol d983354755 Sstema NEXIS No. Tj.: 000012 Total Puntos: 5,00 --- ACUMULACION

Más detalles

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1 Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale

Más detalles

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables

Más detalles

Keywords: Critical systems, Indicators, Software Agents, Enterprise Resource Planning Systems.

Keywords: Critical systems, Indicators, Software Agents, Enterprise Resource Planning Systems. Sstema mult-agente para medr la confabldad en las dmensones de dsponbldad y fabldad de un sstema crítco envolvendo al sstema ERP, base de datos y sstema operatvo Angel Hermoza 1, Lus Rvera 2, Davd Maurco

Más detalles

APENDICE A. El Robot autónomo móvil RAM-1.

APENDICE A. El Robot autónomo móvil RAM-1. Planfcacón de Trayectoras para Robots Móvles APENDICE A. El Robot autónomo móvl RAM-1. A.1. Introduccón. El robot autónomo móvl RAM-1 fue dseñado y desarrollado en el Departamento de Ingenería de Sstemas

Más detalles

1.- Elegibilidad de estudiantes. 2.- Selección de estudiantes - 2 -

1.- Elegibilidad de estudiantes. 2.- Selección de estudiantes - 2 - Unversdad Euskal Herrko del País Vasco Unbertstatea NORMATIVA PARA SOCRATES/ERASMUS Y DEMÁS PROGRAMAS DE MOVILIDAD AL EXTRANJERO DE ALUMNOS (Aprobada en Junta de Facultad del día 12 de marzo de 2002) La

Más detalles

Reconocimiento de Imágenes Empleando Redes de Regresión General y la Técnica TVS

Reconocimiento de Imágenes Empleando Redes de Regresión General y la Técnica TVS Reconocmento de Imágenes Empleando Redes de Regresón General y la Técnca TVS Rcardo García-Herrera & Waltero Wolfgang Mayol-Cuevas Laboratoro de INvestgacón para el Desarrollo Académco Depto. Ingenería

Más detalles

TEMA 8: PRÉSTAMOS ÍNDICE

TEMA 8: PRÉSTAMOS ÍNDICE TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE

Más detalles

TERMODINÁMICA AVANZADA

TERMODINÁMICA AVANZADA TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón

Más detalles

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández

Más detalles

Índice de Madurez Tecnológica en el Sector Hotelero

Índice de Madurez Tecnológica en el Sector Hotelero Índce de Madurez Tecnológca en el Sector Hotelero Jaume Jaume Mayol, Antono Tudurí Vla Escuela de Hotelería de las Illes Balears Balears Resumen: El ncremento del uso de las Tecnologías de la Informacón

Más detalles

Aplicación de técnicas de minería de datos para la fidelización y retención de clientes

Aplicación de técnicas de minería de datos para la fidelización y retención de clientes IBM Software Group Aplcacón de técncas de mnería de datos para la fdelzacón y retencón de clentes Víctor López Fandño Busness Intellgence Solutons Specalst IBM Software Group IBM Software Expo 2005 2005

Más detalles

Título: Dos métodos de diagnóstico de circuitos digitales de alta y muy alta escala de integración.

Título: Dos métodos de diagnóstico de circuitos digitales de alta y muy alta escala de integración. Título: Dos métodos de dagnóstco de crcutos dgtales de alta y muy alta escala de ntegracón. Autor: Dr. Ing. René J. Díaz Martnez. Profesor Ttular. Dpto. de Automátca y Computacón. Fac. de Ingenería Eléctrca.

Más detalles

ANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA.

ANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA. ANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA. SEGUNDA PARTE. (TRABAJO PRESENTADO EN EL CONGRESO DE LA SOCIEDAD ARGENTINA DE ESTADISTICA)

Más detalles

ACCESIBILIDAD EN LOS SISTEMAS DE COMUNICACIÓN E INFORMACIÓN

ACCESIBILIDAD EN LOS SISTEMAS DE COMUNICACIÓN E INFORMACIÓN Capítulo 6 ACCESIBILIDAD EN LOS SISTEMAS DE COMUNICACIÓN E INFORMACIÓN 6.1 DOCUMENTACIÓN IMPRESA ACCESIBLE La documentacón mpresa y la dgtalzada representan los soportes más empleados para la comuncacón

Más detalles

EN ALGUNOS CASOS SERA NECESARIO QUE LOS CANDIDATOS SE SOMETAN A DETERMINADAS PRUEBAS PARA COMPROBAR CIERTO CONOCIMIENTO Y HABILIDAD EN MATERIAS

EN ALGUNOS CASOS SERA NECESARIO QUE LOS CANDIDATOS SE SOMETAN A DETERMINADAS PRUEBAS PARA COMPROBAR CIERTO CONOCIMIENTO Y HABILIDAD EN MATERIAS MANUAL DE RECLUTAMENTO EDUCAT 1 VA - PRUEBAS TECNCAS EN ALGUNOS CASOS SERA NECESARO QUE LOS CANDDATOS SE SOMETAN A DETERMNADAS PRUEBAS PARA COMPROBAR l CERTO CONOCMENTO Y HABLDAD EN MATERAS TECNCO-PRACTCAS

Más detalles

ACUERDO DE ACREDITACIÓN IST 184. Programa de Magister en Ciencias mención Oceanografía Universidad de Concepción

ACUERDO DE ACREDITACIÓN IST 184. Programa de Magister en Ciencias mención Oceanografía Universidad de Concepción A t f l E D T A C l f l N UMITAS ACUERDO DE ACREDITACIÓN IST 184 Programa de Magster en Cencas mencón Oceanografía Unversdad de Concepcón Con fecha 10 de octubre de 2012, se realza una sesón del Consejo

Más detalles

Capítulo 3: La Evolución de la Teoría de Mercadotecnia

Capítulo 3: La Evolución de la Teoría de Mercadotecnia Capítulo 3: La Evolucón de la Teoría de Mercadotecna 3.1 Introduccón Los modelos tradconales de mercadotecna fueron desarrollados a partr de teorías que surgeron durante el sglo XIX, en el cual se llevó

Más detalles

PROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)

PROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF) ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón

Más detalles

FACTORES DE RIESGO Y CÁLCULO DE PRIMAS MEDIANTE TÉCNICAS DE APRENDIZAJE

FACTORES DE RIESGO Y CÁLCULO DE PRIMAS MEDIANTE TÉCNICAS DE APRENDIZAJE Insttuto de Cencas del Seguro FACTORES DE RIESGO Y CÁLCULO DE PRIMAS MEDIANTE TÉCNICAS DE APRENDIZAJE Carlos Bousoño Calzón Antono Heras Martínez Pedad Tolmos Rodríguez-Pñero FUNDACIÓN MAPFRE no se hace

Más detalles

ANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL:

ANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL: Geografía y Sstemas de Informacón Geográfca (GEOSIG). Revsta dgtal del Grupo de Estudos sobre Geografía y Análss Espacal con Sstemas de Informacón Geográfca (GESIG). Programa de Estudos Geográfcos (PROEG).

Más detalles

Profesor: Rafael Caballero Roldán

Profesor: Rafael Caballero Roldán Contendo: 5 Restrccones de ntegrdad 5 Restrccones de los domnos 5 Integrdad referencal 5 Conceptos báscos 5 Integrdad referencal en el modelo E-R 53 Modfcacón de la base de datos 53 Dependencas funconales

Más detalles

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de

Más detalles

59/102. Módulo profesional: Procesos de venta. Código: 1232. Resultados de aprendizaje y criterios de evaluación.

59/102. Módulo profesional: Procesos de venta. Código: 1232. Resultados de aprendizaje y criterios de evaluación. Módulo profesonal: Procesos de venta. Códgo: 1232 Resultados de aprendzaje y crteros de evaluacón. RA 1. Identfca el proceso de decsón de compra del consumdor y/o usuaro, analzando los factores que ncden

Más detalles

TEMA 6 AMPLIFICADORES OPERACIONALES

TEMA 6 AMPLIFICADORES OPERACIONALES Tema 6 Amplfcadores peraconales ev 4 TEMA 6 AMPLIFICADES PEACINALES Profesores: Germán llalba Madrd Mguel A. Zamora Izquerdo Tema 6 Amplfcadores peraconales ev 4 CNTENID Introduccón El amplfcador dferencal

Más detalles

Segmentación de Imágenes mediante Reconocimiento de Patrones

Segmentación de Imágenes mediante Reconocimiento de Patrones Equaton Chapter 1 Secton 1 Materal del Curso Segmentacón de Imágenes medante Reconocmento de Patrones Ing. Dego Sebastán Comas Dr. Gustavo Javer Meschno Curso: Segmentacón de Imágenes medante Reconocmento

Más detalles

Postgrado. Ingeniería

Postgrado. Ingeniería Postgrado Ingenería Experto en Bg data Data analytcs Bases de datos NoSQL Hadoop Map/Reduce Dseño de modelo de datos Integracón con Data Warehouse Busness ntellgence Knowledge dscovery Proceso masvo de

Más detalles

Breve Estudio sobre la Aplicación de los Algoritmos Genéticos a la Recuperación de Información

Breve Estudio sobre la Aplicación de los Algoritmos Genéticos a la Recuperación de Información Breve Estudo sobre la Aplcacón de los Algortmos Genétcos a la Recuperacón de Informacón O. Cordón, F. oya 2,.C. Zarco 3 Dpto. Cencas de la Computacón e I.A. Unv. de Granada. Ocordon@decsa.ugr.es 2 Dpto.

Más detalles

UNIDAD 4. PRESUPUESTO DE VENTAS.

UNIDAD 4. PRESUPUESTO DE VENTAS. UNIDAD 4. PRESUPUESTO DE VENTAS. OBJETIVOS. 1. Dar a entender al estudante la mportanca prmordal del presupuesto de ngresos dentro de una empresa u organzacón. 2. Enseñar lo que realmente comprende un

Más detalles

TEMA 5. EL SISTEMA DE PRODUCCIÓN DE LA EMPRESA (I) CONTENIDO

TEMA 5. EL SISTEMA DE PRODUCCIÓN DE LA EMPRESA (I) CONTENIDO Págna de 4 TEMA 5. EL SISTEMA DE PRODUCCIÓN DE LA EMPRESA (I) CONTENIDO INTRODUCCIÓN... 2 2 CLASIFICACIÓN DE LAS ACTIVIDADES PRODUCTIVAS... 4 3 FUNCIÓN DE PRODUCCIÓN... 3 4 CLASIFICACIÓN DE LOS PROCESOS

Más detalles

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la

Más detalles

Índice de Precios de Consumo. Base 2006

Índice de Precios de Consumo. Base 2006 NSTTUTO NACONAL DE ESTADÍSTCA Índce de Precos de Consumo. Base 2006 Metodología Madrd, Subdreccón General de Estadístcas de Precos y Presupuestos Famlares Índce 1. ntroduccón 2. Defncón del ndcador 3.

Más detalles

CONSEJERÍA DE EDUCACIÓN, CULTURA Y DEPORTE

CONSEJERÍA DE EDUCACIÓN, CULTURA Y DEPORTE CONSEJERÍA DE EDUCACIÓN, CULTURA Y DEPORTE Resolucón de 3 de juno de 2016, por la que se establece el proyecto educatvo nsttuconal denomnado JOSCAN, joven orquesta snfónca para Cantabra. Ley de Cantabra

Más detalles

Focalización Geográfica del Gasto Social: Mapas de Pobreza. Javier Escobal Máximo Torero * Carmen Ponce ** RED CIES DE POBREZA GRADE-APOYO

Focalización Geográfica del Gasto Social: Mapas de Pobreza. Javier Escobal Máximo Torero * Carmen Ponce ** RED CIES DE POBREZA GRADE-APOYO Focalzacón Geográfca del Gasto Socal: Mapas de Pobreza Javer Escobal Máxmo Torero * Carmen Ponce ** RED CIES DE POBREZA GRADE-APOYO INFORME FINAL Juno, 2001 Investgador Prncpal, GRADE ** Investgadora Asstente,

Más detalles

Presentación. Carmen Alcaide Guindo Presidenta del INE

Presentación. Carmen Alcaide Guindo Presidenta del INE Presentacón El Índce de Precos de Consumo (PC), base 20, es el punto de partda de una nueva forma de concebr este ndcador, cuya característca prncpal es su rápda adaptacón a los cambos de la economía y,

Más detalles

Algunos métodos de clasificación de puestos de trabajo en la empresa

Algunos métodos de clasificación de puestos de trabajo en la empresa lgunos métodos de clasfcacón de puestos de trabajo en la empresa. lgunos métodos de clasfcacón de puestos de trabajo en la empresa Canós Darós, Lourdes, loucada@omp.upv.es Pers Ortz, Marta, marpeor1@omp.upv.es

Más detalles

LABORATORIO REMOTO DE INSTRUMENTACIÓN ELECTRÓNICA

LABORATORIO REMOTO DE INSTRUMENTACIÓN ELECTRÓNICA LABORATORIO REMOTO DE INSTRUMENTACIÓN ELECTRÓNICA M. A. Domínguez, J. M. Carrllo, J. A. Fernández and R. Pérez-Aloe Abstract En la actualdad exste un gran nterés a nvel mundal por la educacón a dstanca

Más detalles

Representación de páginas web a través de sus enlaces y su aplicación a la recuperación de información.

Representación de páginas web a través de sus enlaces y su aplicación a la recuperación de información. Representacón de págnas web a través de sus enlaces y su aplcacón a la recuperacón de nformacón. José Lus Alonso Berrocal (berrocal@gugu.usal.es) Carlos G. Fguerola (fgue@gugu.usal.es) Ángel Francsco Zazo

Más detalles

Material realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera

Material realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera Tema - MATEMÁTICAS FINANCIERAS Materal realzado por J. Davd Moreno y María Gutérrez Unversdad Carlos III de Madrd Asgnatura: Economía Fnancera Apuntes realzados por J. Davd Moreno y María Gutérrez Advertenca

Más detalles

Smoothed Particle Hydrodynamics Animación Avanzada

Smoothed Particle Hydrodynamics Animación Avanzada Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla

Más detalles

CONSEJERÍA DE EDUCACIÓN

CONSEJERÍA DE EDUCACIÓN BOLETÍN OFICIAL DE CONSEJERÍA DE EDUCACIÓN Orn EDU/40/2011, 4 mayo, por la que se establece el currículo l cclo formatvo Grado Superor corresponnte al título Técnco Superor en Desarrollo Aplcacones Web

Más detalles

Lo que necesito saber de mi tarjeta de crédito

Lo que necesito saber de mi tarjeta de crédito Lo que necesto saber de m tarjeta de crédto Informatvo tarjetas de crédto bancaras Cómo obtener una tarjeta de crédto 3 Qué es una tarjeta de crédto La tarjeta de crédto es un medo de pago que permte a

Más detalles

Índice de Precios de las Materias Primas

Índice de Precios de las Materias Primas May-15 Resumen Ejecutvo El objetvo del (IPMP) es sntetzar la dnámca de los precos de las exportacones de Argentna, consderando la relatva establdad en el corto plazo de los precos de las ventas externas

Más detalles

Índice de Precios de Consumo. Base 2011

Índice de Precios de Consumo. Base 2011 NSTTUTO NACONAL DE ESTADÍSTCA Índce de Precos de Consumo. Base 2011 Metodología Subdreccón General de Estadístcas Coyunturales y de Precos Madrd, mayo 2012 1 Índce 1. ntroduccón 2. Defncón del ndcador

Más detalles

UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA ELECTRICA

UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA ELECTRICA UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA ELECTRICA INCORPORACION DE LOS CONJUNTOS DIFUSOS PARA MODELAR INCERTIDUMBRES EN LOS SISTEMAS ELECTRICOS DE POTENCIA

Más detalles

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada. Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo

Más detalles

9. Mantenimiento de sistemas de dirección y suspensión

9. Mantenimiento de sistemas de dirección y suspensión 9. Mantenmento de sstemas de dreccón y suspensón INTRODUCCIÓN Este módulo de 190 horas pedagógcas tene como propósto que los y las estudantes de cuarto medo desarrollen competencas relatvas a los sstemas

Más detalles

YIELD MANAGEMENT APLICADO A LA GESTIÓN DE UN HOTEL

YIELD MANAGEMENT APLICADO A LA GESTIÓN DE UN HOTEL 27 Congreso Naconal de Estadístca e Investgacón Operatva Lleda, 8- de abrl de 2003 YIELD MANAGEMENT APLICADO A LA GESTIÓN DE UN HOTEL J. Guad, J. Larrañeta, L. Oneva Departamento de Organzacón Industral

Más detalles

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con

Más detalles

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ

Más detalles

ALGORITMO DE RANKING DINÁMICO BASADO EN REALIMENTACIÓN IMPLÍCITA

ALGORITMO DE RANKING DINÁMICO BASADO EN REALIMENTACIÓN IMPLÍCITA ALGORITMO DE RANKING DINÁMICO BASADO EN REALIMENTACIÓN IMPLÍCITA Javer de la Mata José A. Olvas Jesús Serrano-Guerrero Departamento de Tecnologías y Sstemas de la Informacón. Grupo SMILE. Unversdad de

Más detalles

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17 Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES

Más detalles

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO RDF RskDynamcs ntothefuture: Software para determnar el efecto que se produce sobre el balance en escenaros macroeconómcos Ramon Tras Fundador y Presdente

Más detalles

Maestría en Economía Facultad de Ciencias Económicas Universidad Nacional de La Plata TESIS DE MAESTRIA. ALUMNO Laura Carella. DIRECTOR Alberto Porto

Maestría en Economía Facultad de Ciencias Económicas Universidad Nacional de La Plata TESIS DE MAESTRIA. ALUMNO Laura Carella. DIRECTOR Alberto Porto Maestría en Economía Facultad de Cencas Económcas Unversdad Naconal de La Plata TESIS DE MAESTRIA ALUMNO Laura Carella TITULO Educacón unverstara: medcón del rendmento académco a través de fronteras de

Más detalles

SEMINARIO DE NOTAS TÉCNICAS Y RESERVAS

SEMINARIO DE NOTAS TÉCNICAS Y RESERVAS SEMINARIO DE NOTAS TÉCNICAS Y RESERVAS USO DE LA ESTIMACIÓN DE LA DISTRIBUCIÓN DE PROBABILIDAD PARA MUESTRAS PEQUEÑAS Y DE LA SIMULACIÓN EN LA INFERENCIA DE CARTERAS DE SEGUROS M. en I. JUAN CARLOS VARGAS

Más detalles

3. CORRESPONDENCIA DE IMÁGENES

3. CORRESPONDENCIA DE IMÁGENES UNIVERSIDAD DE SALAMANCA MASTER DE GEOTECNOLOGÍAS CARTOGRÁFICAS EN INGENIERÍA Y ARQUITECTURA 3. CORRESPONDENCIA DE IMÁGENES Dego González Agulera Departamento de Ingenería Cartográfca del Terreno Escuela

Más detalles

Medidas de Tendencia Central y de Variabilidad

Medidas de Tendencia Central y de Variabilidad Meddas de Tendenca Central y de Varabldad Contendos Meddas descrptvas de forma: curtoss y asmetría Meddas de tendenca central: meda, medana y moda Meddas de dspersón: rango, varanza y desvacón estándar.

Más detalles

PORTAFOLIO DE TRES ACTIVOS FINANCIEROS

PORTAFOLIO DE TRES ACTIVOS FINANCIEROS PORTAFOLIO DE TRES ACTIVOS FINANCIEROS Contendo:. Introduccón.. Fondos Mutuos. Rendmento y Resgo.. Parámetros estadístcos de un Portafolo de Tres Actvos. a) El Retorno de un Portafolo. b) El Resgo de un

Más detalles

INVIRTIENDO EN PUBLICIDAD: ESTRATEGIAS DE LAS EMPRESAS DEL SECTOR COMERCIAL ECUATORIANO

INVIRTIENDO EN PUBLICIDAD: ESTRATEGIAS DE LAS EMPRESAS DEL SECTOR COMERCIAL ECUATORIANO ESCUELA SUPERIOR POLITECNICA DEL LITORAL INSTITUTO DE CIENCIAS HUMANISTICAS Y ECONOMICAS INVIRTIENDO EN PUBLICIDAD: ESTRATEGIAS DE LAS EMPRESAS DEL SECTOR COMERCIAL ECUATORIANO Resumen: Las decsones de

Más detalles

Diseño de una metodología sistémica de evaluación de impacto territorial de intervenciones urbanísticas

Diseño de una metodología sistémica de evaluación de impacto territorial de intervenciones urbanísticas Dseño de una metodología sstémca de evaluacón de mpacto terrtoral de ntervencones urbanístcas Report de recerca Nº 1 Jorge Cerda Troncoso Enero 2009 Problema de nvestgacón: el problema que se enfrenta

Más detalles

Módulo Profesional: Aplicaciones informáticas para el comercio. Código: 1233

Módulo Profesional: Aplicaciones informáticas para el comercio. Código: 1233 Módulo Profesonal: Aplcacones nformátcas para el comerco. Códgo: 1233 Resultados de aprendzaje y crteros de evaluacón. RA 1. Maneja a nvel de usuaro sstemas nformátcos empleados habtualmente en el comerco,

Más detalles

1.DISPOSICIONES GENERALES

1.DISPOSICIONES GENERALES 1.DISPOSICIONES GENERALES CONSEJERÍA DE EDUCACIÓN, CULTURA Y DEPORTE Orn EDU/56/2011, 11 agosto, por la que se establece el currículo l cclo formatvo Grado Superor corresponnte al título Técnco Superor

Más detalles

Control de Inventarios y su Aplicación en una Compañía de Telecomunicaciones

Control de Inventarios y su Aplicación en una Compañía de Telecomunicaciones Control de Inventaros y su Aplcacón en una Compañía de Telecomuncacones Carlos Alberto Álvarez Herrera, Maurco Cabrera-Ríos * Dvsón de Posgrado en Ingenería de Sstemas, FIME-UANL {carlos@yalma.fme.uanl.mx,

Más detalles

PAPER. Instituto de Protecciones de Sistemas Eléctricos de Potencia Facultad de Ingeniería Universidad Nacional de Río Cuarto

PAPER. Instituto de Protecciones de Sistemas Eléctricos de Potencia Facultad de Ingeniería Universidad Nacional de Río Cuarto Ttle Nuevo enfoque de la gestón de la red de dstrbucón de energía eléctrca Regstraton Nº: (Abstract) Insttuto de Proteccones de Sstemas Eléctrcos de Potenca Facultad de Ingenería Unversdad Naconal de Río

Más detalles

El clasificador Naïve Bayes en la extracción de conocimiento de bases de datos

El clasificador Naïve Bayes en la extracción de conocimiento de bases de datos El clasfcador Naïve Bayes en la extraccón de conocmento de bases de datos Samuel D. acheco Leal, Lus Gerardo Díaz Ortz, Rodolfo García Flores osgrado en Ingenería de Sstemas, FIME-UANL samuel@yalma.fme.uanl.mx

Más detalles

Marcos Gutiérrez-Dávila marcosgd@ugr.es

Marcos Gutiérrez-Dávila marcosgd@ugr.es Marcos Gutérrez-Dávla marcosgd@ugr.es Introduccón: Relacón de la bomecánca con el deporte de competcón El gesto deportvo consttuye un patrón de movmento estable que se caracterza por el alto grado de efcenca

Más detalles