Minería de Datos. Predicción Meteorológica
|
|
- Mario Cortés Cuenca
- hace 7 años
- Vistas:
Transcripción
1 Minería de Datos Jesús Sáez Gómez Escalonilla Inteligencia en Redes de Comunicación Ing. Telecomunicación Página 1 de 25
2 1. Introducción El objetivo de la práctica es el desarrollo de un sistema real de predicción meteorológica para la ciudad de Madrid, utilizando técnicas de aprendizaje automático para obtener modelos de caracterización y predicción, empleando como herramienta la plataforma Weka. El punto de partida que disponemos, es la información METAR que sirve para representar condiciones en aeropuertos o estaciones meteorológicas. En esta práctica, este conjunto de datos meteorológicos corresponden al aeropuerto de Madrid desde el año 1994 hasta el 1004, estando los dos primeros años totalmente vacíos. Analizando a primera vista la base de datos que disponemos, observamos como se encuentra demasiado dispersa, a la vez que incompleta. Cada día de todo el periodo de análisis se encuentra contenido en un archivo, y además estos se encontrarán en ciertas ocasiones parcial o totalmente incompletos. La finalidad de la práctica, como ya hemos dicho antes, se basa en la creación de un modelo de predicción meteorológica. En concreto, tenemos que desarrollar tres modelos de predicción: 1. Predicción de temperatura a 1 hora 2. Predicción de temperatura a 24 horas 3. Predicción de condiciones meteorológicas a 24 horas. Podemos ver como ciertamente nos encontramos ante un problema de minería de datos, por lo que dividiremos nuestras fases de trabajo según se ve reflejado en la siguiente figura: Página 2 de 25
3 De este modo, partiremos de una base de datos bastante amplia, que tendremos que configurar y adaptar a unas determinadas características que queramos. Una vez hecho esto, procederemos a una evaluación de los datos que tenemos, de modo que podamos ver los datos que cuenten con mayor relevancia, para construir con ellos nuestro modelo. Llegados al final entrenaremos varios algoritmos que nos ofrece Weka con las matrices que tenemos llegados a este punto (una para cada modelo de predicción deseado), y guardaremos el modelo de modo que lo utilizaremos para dar solución al conjunto de test que mas tarde se nos proporcionará. 2. Preprocesado de los datos Arduo trabajo con la finalidad de depurar y gestionar la infinidad de archivos que existe, y pasarlos a un único archivo minero.arff que contiene todas las horas y días desde el hasta el Para este preprocesado de datos hemos pasado por los siguientes pasos: 1. Tratar todos y cada uno de los archivos que tenemos para sustituir el salto de línea que se nos da en un principio, por el salto de línea \n que aceptará cualquier editor de texto de los que vamos a utilizar. Página 3 de 25
4 2. Rellenar todos los ficheros, de modo que, en todos ellos aparezcan todas las horas del día en intervalos de 30 minutos. De esta forma, introduciremos todas aquellas horas que no estén presentes en las mediciones, colocando todos sus campos como desconocidos (? ). 3. Eliminaremos todas aquellas mediciones que se hagan en horas no correspondientes con las predefinidas (0:00,0:30, 23:00,23:30), de este modo si tenemos mediciones para dos horas consecutivas de las anteriormente dichas y entre ellas tenemos otra medición, procederemos a eliminar esta última. Este punto complementa al punto anterior, de modo que llegado a esta fase, dispondremos de medidas para todas las horas en intervalos de 30 minutos, ya sean medidas reales o valores no conocidos (? ). 4. Dado que los datos de la variable Velocidad del Viento son a primera vista numéricos, vemos que para indicar el valor 0.0, los archivos de los que disponemos asignan el valor de calm. Por lo tanto cambiamos dicho valor de calm por el de Comprobamos todos los campos de las mediciones hechas de modo que unificaremos todos los datos bajo un mismo criterio. Aquellos valores no tomados marcados como (-9999, ,N/A,-, ) se sustituirán por incógnitas que pueda reconocer el programa que vamos a utilizar (Weka). 6. Introducimos la fecha a todas las mediciones de cada uno de los archivos, para ello tomaremos el nombre del archivo de modo que introduciremos dichos datos a todas la filas de cada uno de los archivos de los que disponemos. 7. Sintetizamos todos los datos contenidos en la infinidad de archivos que tenemos, en uno solo minero.arff 8. Renombramos los valores de ciertas variables de modo que puedan ser reconocidas por Weka. P.e. Altamente Nublado Altamente_Nublado 9. Mutamos la variable fecha de cada una de las mediciones, de modo que el nuevo valor represente una característica más genérica que la fecha de dicha medición. Para ello hemos hecho varias consideraciones y hemos creído suficiente la especificación de la estación del año correspondiente a dicha medida. Se ha procedido a eliminar todos los datos existentes desde el hasta la fecha inicial comentada anteriormente debido a que todos ellos se encontraban vacíos, y lo único que introducían era carga computacional y nada de información. Tras esta tarea de preprocesado de datos hemos obtenido un fichero minero.arff de la siguiente forma : verano,2:00,75.2,50.0,41,30.01,?,calm,0.0,?,?,?,despejado verano,2:30,75.2,50.0,41,30.01,?,calm,0.0,?,?,?,despejado verano,3:00,73.4,48.2,41,30.01,?,este,1.2,?,?,?,despejado verano,3:30,73.4,48.2,41,30.01,?,este,1.2,?,?,?,despejado verano,4:00,69.8,48.2,46,29.98,?,norte,3.5,?,?,?,despejado verano,4:30,69.8,48.2,46,29.98,?,norte,3.5,?,?,?,despejado verano,5:00,66.2,41.0,?,29.98,?,calm,0.0,?,?,?,despejado verano,5:30,66.2,41.0,?,29.98,?,calm,0.0,?,?,?,despejado Página 4 de 25
5 3. Análisis de datos relevantes para la construcción de los modelos Para el análisis se ha procedido de forma que hemos construido una gran matriz genérica en la que hemos introducido un gran numero de datos que a primera vista son relevantes, intentando pecar de exagerados a la hora de considerar datos, antes que quedarnos cortos, de forma que posteriormente, mediante un análisis con el programa Weka podamos caracterizar la relevancia de cada uno de ellos. Finalmente, después de este análisis nos quedaremos con las variables más relevantes para cada estudio en concreto. Para la realización de está caracterización de los datos de los que disponemos vamos a proceder a dividir el estudio en tres ramas. 1. La primera de ellas estará ligada al estudio de las variables relevantes en la predicción de la temperatura que acontecerán en la siguiente hora, de forma que incorporaremos un campo que indicará dicha temperatura, además de todos los demás campos que indican las mediciones en ciertos instantes pasados. Para este estudio hemos hecho varias consideraciones, como: - La medición de los Eventos, en nuestra matriz de datos, se encuentra casi vacía al completo, además de estar altamente correlacionada con la variable condiciones (por lo que no aporta ningún tipo de información y sí bastantes problemas), por ello se ha decidido eliminarla de nuestro modelo, y de todas las matrices de entrenamiento que implementemos. - Las variables altamente correladas entre sí no aportan casi ningún tipo de información, y si bastantes problemas a la hora de solucionar el modelo. Por lo tanto estudiaremos la correlación entre estas de forma que, si dos variables que empleamos para la resolución del problema se encuentran altamente correladas, procederemos a la eliminación de alguna de ellas. - Los ciclos en meteorología cambian cada 8 horas. Por ello como la finalidad de nuestro modelo es la predicción de la temperatura de la hora siguiente, se ha considerado no importantes todo aquello que ocurra 7 horas antes. - Como este primer estudio tiene como finalidad obtener que variables son relevantes, hemos tomado un conjunto de entrenamiento bastante reducido, puesto que no se pretende obtener ningún modelo, únicamente se quiere realizar un análisis de las posibles variable que utilizaremos a la hora de implementar el modelo. Página 5 de 25
6 2. La segunda y tercera se encuentran relacionadas con el estudio de las variables relevantes en la predicción de la temperatura y condiciones que se registrarán 24 horas después del instante actual. Ambas ramas se encuentran totalmente ligadas, debido a que las variables que consideraremos relevantes para el estudio de la temperatura, lo serán también para el caso de las condiciones meteorológicas (Esta es una simplificación del estudio que estimamos y que mas tarde, en el estudio de los datos, veremos como es correcta). Para el estudio, como antes, hemos hecho varias consideraciones de partida que nos ayudarán a simplificar el conjunto de datos que tenemos, y nos ayudarán a abordar el problema. Estas consideraciones han sido: - De nuevo, la variable Eventos no nos proporciona ninguna información que no nos aporte ya la variable Condiciones meteorológicas (están altamente correlacionadas), por ello, y por la escasez de información que contiene (está casi vacía), se ha decidido eliminarla del modelo. - Como ya dijimos antes, estudiaremos las variables que se encuentren altamente correladas, puesto que estas ofrecerán el mismo tipo de información y procederemos a eliminarlas del modelo, de forma que quede únicamente la mas correlada con la variable que queremos estimar. - De nuevo hemos tomado un conjunto bastante reducido que nos ayude a poder estudiar el mayor numero de variables posibles sin desbordar la capacidad de computo del ordenador, de forma que una vez estimadas las variables relevantes, se procederá a construir la matriz completa con todas las variables elegidas - El hecho de que los ciclos en meteorología cambien cada 8 horas, en este caso juega en nuestra contra, debido a que esto implica que en el momento de nuestra medición (24 Horas antes de la medida que pretendemos estimar) tendremos unas condiciones bastante dispares a las de nuestra incógnita. Esto hace que, a la hora de la toma inicial de variables, cojamos variables próximas a al instante actual, pero también serán relevantes las variables tomadas 6, 12, 24 y 32 horas antes. Una vez visto esto, tenemos que concluir matizando un pequeño detalle. En el inicio de este apartado hemos dicho que tanto el estudio de la hora y de las condiciones que acontecerán una hora después de la última medida, están caracterizados por las mismas variables. Por ello las matrices que construiremos tanto para el estudio previo de las variables relevantes del problema, como para la matriz completa que nos permitirá caracterizar nuestro modelo, son idénticas, exceptuando una ultima variable que las diferenciará. Mientras que, las matrices referentes a la temperatura contendrán una última columna que indica la temperatura 24 horas después del instante actual, las matrices referentes a las condiciones meteorológicas contendrán una última columna referida a las condiciones 24 horas después. Página 6 de 25
7 3.1Estudio de las variable del modelo para la obtención de la temperatura para la hora posterior. En un principio hemos realizado el estudio de todas las variables tomadas, excepto la variable eventos (como ya dijimos antes) en los instantes: Instante acutal 30 minutos antes 1 hora antes 1 hora y 30 minutos antes 2 horas antes 3 horas antes 4 horas antes 5 horas antes 7 horas antes Como podemos ver, las variables que se han considerado relevantes en primera instancia, son aquellas que se encuentran relacionadas con los momentos más próximos al instante que queremos predecir. Esto sucede debido a la proximidad del instante a predecir, por lo que para la predicción de la temperatura y condiciones acontecidos 24 horas después no nos estaremos viendo en el mismo caso, si no que además de tomar valores cercanos a dicho instantes, suponemos que también deberemos tomar valores correspondientes a 24 horas antes del instante actual, 36 horas, pero esto ya se explicará en el apartado referente a dicho estudio. Un ejemplo de lo obtenido en este apartado han sido relaciones del siguiente tipo: En la grafica se pueden ver como la temperatura, el nivel de rocío y la humedad en el instante actual, se encuentran bastantes correlados con la temperatura prevista para una hora después (ya que introducir variables no relacionadas con el parámetro a hallar no aporta ninguna información), por lo tanto, a menos que estén muy correladas entre ellas (lo cual haría que nuestra matriz de entrenamiento para el modelado del proceso tendiese a ser singular, meta que no queremos conseguir) sería importante incluirlas en nuestro modelo. Un ejemplo de lo que comentábamos anteriormente a cerca de variables correladas entre si, se puede ver en la siguiente grafica en la que se representa la relación entre la estación del año de una medida y la de la medida para la media hora anterior. Página 7 de 25
8 De este modo se ha concluido en que las variables que son bastante importante de considerar han sido tales que según nos íbamos alejando del instante actual, la influencia que iban a tener era bastante pequeña, por ello hemos trabajado casi todo el tiempo con variables medidas hasta tres horas antes. Una vez dicho esto vemos que variables han sido las que hemos considerado importante para nuestro modelo. Hora Actual Estación del Año Temperatura Actual Nivel de Rocío Actual Humedad Actual Presión Atmosférica Actual Velocidad del Viento Actual Dirección del Viento Actual Temperatura ½ hora antes Temperatura 1 hora y ½ antes Dirección del viento ½ hora antes Dirección del viento 1 hora antes Condiciones Meteorológicas Actuales Condiciones meteorológicas 1 hora antes Una vez hecho esto construiremos nuestra matriz de entrenamiento que incluya todos y cada uno de estos datos para cada fila, concatenando la temperatura en la hora siguiente. 3.2 Estudio de las variable del modelo para la obtención de la temperatura y condiciones meteorológicas en la hora posterior. En un principio hemos realizado el estudio de todas las variables tomadas, excepto la variable eventos (como ya dijimos antes) en los instantes: Instante actual 2 horas antes 6 hora antes 12 horas antes 24 horas antes 32 horas antes Página 8 de 25
9 48 horas antes Procedemos como en el apartado anterior de modo que estudiamos todas y cada una de las variables de los instantes seleccionados como importantes. Como podemos ver, dichos instantes están bastante mas alejados del instante actual que para el caso de la predicción a una hora. Esto es debido a que la predicción que pretendemos realizar ahora, está bastante mas alejada del instante actual, debido a ello, es importante tomar un rango mas global de medidas. En un primer instante nos planteamos incluso llegar a introducir mediciones tomadas en instantes temporales que datase 1 año antes del instante actual, debido a que teóricamente los ciclos meteorológicos se repiten anualmente. Pero debido a que las variables estudiadas (Condiciones y temperatura) son bastantes cambiantes a lo largo de periodos pequeños de tiempo, y son muy inestables frente a dicha teoría, decidimos no tenerlas en cuenta, no sin realizar un estudio previo (visionando la relación entre dichos datos y los que queremos predecir) en el que pudimos ver que no obteníamos buenos resultados. Una vez realizado el estudio para los instantes anteriormente citados, y teniendo en cuenta todas las cláusulas citadas en el apartado anterior en el que estudiábamos las variables relevantes para la predicción de temperatura una hora después, se ha llegado a la conclusión de que las variables que compondrán nuestro modelo para la predicción del temperatura y condiciones meteorológicas 24 horas después, van a ser : Hora actual Estación Actual Temperatura Actual Humedad Actual Presión Actual Dirección del Viento Actual Velocidad del Viento Actual Condiciones Actuales Temperatura hace 2 horas Nivel de rocío hace 2 horas Condiciones hace 2 horas Temperatura hace 6 horas Nivel de rocío hace 6 horas Condiciones hace 6 horas Temperatura hace 12 horas Humedad hace 12 horas Condiciones hace 12 horas Temperatura hace 24 horas Condiciones hace 24 horas Incluyendo al final de dicho modelo el valor de la variable temperatura o condiciones meteorológicas, según corresponda, medidas 24 horas después. Una vez llegados a este punto, se procede al cálculo de las matrices para cada uno de los dos modelos de este apartado 4. Extracción de conocimiento Llegados a este punto, ya es hora de trabajar con el programa Weka, de modo que podamos predecir las condiciones y temperaturas esperadas aplicando los algoritmos que se nos ofrecen. Página 9 de 25
10 Dadas las diferentes características de los modelos que se nos proponen, vamos a analizar varios algoritmos para cada uno de forma que escojamos el que mejores prestaciones ofrezcan. Antes de empezar con el estudio, tenemos que puntualizar un pequeño cambio que hemos hecho sobre los datos que modelan nuestros problemas. a. El primer cambio que hemos tenido que hacer se debe a la inmensidad de datos que poseemos, por lo que hemos tenido que simplificar la matriz del modelo para el entrenamiento de algunos algoritmos. Esto es debido a que algunos algoritmos, con tal cantidad de datos, se veía sobrepasado y nos daba un error de falta de memoria. La simplificación es tal que se nos han quedado matrices de 20000, 4000 y 2000 datos, de tal modo que siempre que nos lo permita el algoritmo y la memoria utilizaremos el mayor numero de datos posible. b. Otro cambio con un poco más importancia que el anterior, es el que hemos realizado sobre todas nuestras matrices de modelado, sobre todo sobre la que modela las condiciones meteorológicas de las 24 horas siguientes. Observando los valores de esta variable, hemos podido observar como tiene una inmensidad de valores, bastante similares entre sí. Debido a ello, hemos decidido simplificar estos valores de modo que nos quedemos con un rango menor de valores, ya que la ocurrencia de algunos de ellos era casi nula, por lo que hemos aproximado estos a otro valor similar. De este modo el valor de la variable se encuentra comprendido en el siguiente rango: Condiciones_24H {Desconocido,Niebla,Nubes_Bajas_de_Polvo,Caídas_de_Granizo,Despejado,Remolino_de_Polvo,Torme nta,parcialmente_nublado,nubes_dispersas,altamente_nublado,tormentas_y_lluvia,nublado,llovizna, Humo,Bruma,Lluvia,Lluvia_Leve,Abundantes_Lluvias,Nieve} Finalmente tenemos que indicar que dado que la finalidad del estudio es la obtención de un modelo suficientemente bueno entre los que el programa Weka ofrece, se ha optado realizar el test por medio del conjunto de datos formados por el 33% de los datos de entrenamiento. Esto nos ofrecerá una representación ajustada de las prestaciones de cada uno de los modelos. Una vez dicho esto, continuaremos mostrando los resultados que hemos obtenido para los algoritmos empleados. 4.1 Predicción de Temperatura a 1 Hora. Los algoritmos utilizados y los resultados a los que hemos llegado han sido: -LinearRegression Scheme: weka.classifiers.functions.linearregression -S 0 -R 1.0E-8 Página 10 de 25
11 Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1312 Ignored Class Unknown Instances 103 -LeastMedSq Scheme: weka.classifiers.functions.leastmedsq -S 4 -G 0 Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1312 Ignored Class Unknown Instances 103 -Multilayer Perceptron Scheme: weka.classifiers.functions.multilayerperceptron -L 0.3 -M 0.2 -N 500 -V 0 -S 0 -E 20 -H a Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1312 Ignored Class Unknown Instances 103 -RBFNetwork Scheme: weka.classifiers.functions.rbfnetwork -B 30 -S 10 -R 1.0E-8 -M -1 -W 0.1 Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1312 Ignored Class Unknown Instances 103 -IBK Página 11 de 25
12 Scheme: weka.classifiers.lazy.ibk -K 20 -W 0 Instances: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6513 Ignored Class Unknown Instances 585 -KStar Scheme: weka.classifiers.lazy.kstar -B 20 -M a Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1312 Ignored Class Unknown Instances 103 -LWL Scheme: weka.classifiers.lazy.lwl -U 0 -K -1 -W weka.classifiers.trees.decisionstump Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1312 Ignored Class Unknown Instances 103 -Additive Regresion Scheme: weka.classifiers.meta.additiveregression -S 1.0 -I 90 -W weka.classifiers.trees.decisionstump Instances: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Página 12 de 25
13 Total Number of Instances 6513 Ignored Class Unknown Instances 585 -Decision Stump Scheme: weka.classifiers.trees.decisionstump Instances: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6513 Ignored Class Unknown Instances 585 -M5P Scheme: weka.classifiers.trees.m5p -M 4.0 Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1312 Ignored Class Unknown Instances 103 -REPTree Scheme: weka.classifiers.trees.reptree -M 2 -V N 80 -S 1 -L -1 Instances: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6513 Ignored Class Unknown Instances 585 -Conjunctive Rule Scheme: weka.classifiers.rules.conjunctiverule -N 70 -M 2.0 -P -1 -S 1 Instances: Página 13 de 25
14 Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6513 Ignored Class Unknown Instances 585 -Decision Table Scheme: weka.classifiers.rules.decisiontable -X 1 -S 5 Instances: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6513 Ignored Class Unknown Instances 585 -M5Rules Scheme: weka.classifiers.rules.m5rules -M 4.0 Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1312 Ignored Class Unknown Instances 103 -ZeroR Scheme: weka.classifiers.rules.zeror Instances: Correlation coefficient 0 Mean absolute error Root mean squared error Relative absolute error 100 % Root relative squared error 100 % Total Number of Instances 6513 Ignored Class Unknown Instances 585 Página 14 de 25
15 4.2 Predicción de Temperatura a 24 Hora. Los algoritmos utilizados y los resultados a los que hemos llegado han sido: -LinearRegression Scheme: weka.classifiers.functions.linearregression -S 0 -R 1.0E-8 Instances: 4160 Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1303 Ignored Class Unknown Instances 112 -LeastMedSq Scheme: weka.classifiers.functions.leastmedsq -S 4 -G 0 Instances: 4160 Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1303 Ignored Class Unknown Instances 112 -Multilayer Perceptron Scheme: weka.classifiers.functions.multilayerperceptron -L 0.3 -M 0.2 -N 500 -V 0 -S 0 -E 20 -H a Instances: 4160 Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1303 Ignored Class Unknown Instances 112 -RBFNetwork Scheme: weka.classifiers.functions.rbfnetwork -B 30 -S 10 -R 1.0E-8 -M -1 -W 0.1 Instances: 4160 Página 15 de 25
16 Test mode: split 66% train, remainder test Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1303 Ignored Class Unknown Instances 112 -IBK Scheme: weka.classifiers.lazy.ibk -K 20 -W 0 Instances: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6546 Ignored Class Unknown Instances 543 -KStar Scheme: weka.classifiers.lazy.kstar -B 20 -M a Instances: 4160 Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1303 Ignored Class Unknown Instances 112 -LWL Scheme: weka.classifiers.lazy.lwl -U 0 -K -1 -W weka.classifiers.trees.decisionstump Instances: 4160 Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1303 Ignored Class Unknown Instances 112 Página 16 de 25
17 -Additive Regresion Scheme: weka.classifiers.meta.additiveregression -S 1.0 -I 90 -W weka.classifiers.trees.decisionstump Instances: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6546 Ignored Class Unknown Instances 543 -Decision Stump Scheme: weka.classifiers.trees.decisionstump Instances: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6546 Ignored Class Unknown Instances 543 -M5P Scheme: weka.classifiers.trees.m5p -M 4.0 Instances: 4160 Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1303 Ignored Class Unknown Instances 112 -REPTree Scheme: weka.classifiers.trees.reptree -M 2 -V N 80 -S 1 -L -1 Instances: Página 17 de 25
18 Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6546 Ignored Class Unknown Instances 543 -Conjunctive Rule Scheme: weka.classifiers.rules.conjunctiverule -N 70 -M 2.0 -P -1 -S 1 Instances: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6546 Ignored Class Unknown Instances 543 -Decision Table Scheme: weka.classifiers.rules.decisiontable -X 1 -S 5 Instances: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6546 Ignored Class Unknown Instances 543 -M5Rules Scheme: weka.classifiers.rules.m5rules -M 4.0 Instances: 4160 Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1303 Ignored Class Unknown Instances 112 -ZeroR Página 18 de 25
19 Scheme: weka.classifiers.rules.zeror Instances: Correlation coefficient 0 Mean absolute error Root mean squared error Relative absolute error 100 % Root relative squared error 100 % Total Number of Instances 6546 Ignored Class Unknown Instances Predicción de las Condiciones Meteorológicas a 24 Horas. Los algoritmos utilizados y los resultados a los que hemos llegado han sido: -BayesNet Scheme: weka.classifiers.bayes.bayesnet -D -Q weka.classifiers.bayes.net.search.local.k2 -- -P 1 -E weka.classifiers.bayes.net.estimate.simpleestimator -- -A 0.5 Instances: Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6553 Ignored Class Unknown Instances 535 -NaiveBayes Scheme: weka.classifiers.bayes.naivebayes Instances: Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6553 Ignored Class Unknown Instances 535 -NaiveBayesUpdateable Página 19 de 25
20 Scheme: weka.classifiers.bayes.naivebayesupdateable Instances: Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6553 Ignored Class Unknown Instances 535 -Multilayer Perceptron Scheme: weka.classifiers.functions.multilayerperceptron -L 0.3 -M 0.2 -N 500 -V 0 -S 0 -E 20 -H a Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1306 Ignored Class Unknown Instances 109 -IB1 Scheme: weka.classifiers.lazy.ib1 Instances: Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6553 Ignored Class Unknown Instances 535 -IBK Scheme: weka.classifiers.lazy.ibk -K 20 -W 0 Instances: Página 20 de 25
21 Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6553 Ignored Class Unknown Instances 535 -KStar Scheme: weka.classifiers.lazy.kstar -B 20 -M a Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % UnClassified Instances % Total Number of Instances 1306 Ignored Class Unknown Instances 109 -DecisionStump Scheme: weka.classifiers.trees.decisionstump Instances: Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6553 Ignored Class Unknown Instances 535 -J48 Scheme: weka.classifiers.trees.j48 -C M 2 Instances: Correctly Classified Instances % Incorrectly Classified Instances % Página 21 de 25
22 Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6553 Ignored Class Unknown Instances 535 -NBTree Scheme: weka.classifiers.trees.nbtree Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1306 Ignored Class Unknown Instances 109 -RandomTree Scheme: weka.classifiers.trees.randomtree -K 4 -M 1.0 -S 1 Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1306 Ignored Class Unknown Instances 109 -ConjunctiveRule Scheme: weka.classifiers.rules.conjunctiverule -N 50 -M 2.0 -P -1 -S 1 Instances: Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic 0.19 Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6553 Ignored Class Unknown Instances 535 Página 22 de 25
23 -DecisionTable Scheme: weka.classifiers.rules.decisiontable -X 1 -S 5 Instances: Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 6553 Ignored Class Unknown Instances 535 -JRip Scheme: weka.classifiers.rules.jrip -F 30 -N 2.0 -O 2 -S 1 Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1306 Ignored Class Unknown Instances 109 -ZeroR Scheme: weka.classifiers.rules.zeror Instances: Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic 0 Mean absolute error Root mean squared error Relative absolute error 100 % Root relative squared error 100 % Total Number of Instances 6553 Ignored Class Unknown Instances 535 Página 23 de 25
24 5. Interpretación y Evaluación Analizando los resultados obtenidos vemos como para cada modelo tendremos un mejor funcionamiento de un algoritmo diferente. Esto se debe a las diferentes características que tienen cada uno y que ya vaticinamos al principio antes de decidir dividir nuestro problema en tres sub-problemas diferentes. Podemos ver como para el caso de la predicción de la temperatura en 1 Hora, el modelo que mejores prestaciones presenta es el M5P con un Root mean squared error de Mientras que para el caso de la predicción de temperatura en 24 horas el mejor algoritmo es el LeastMedSq con un Root mean squared error de y el LinearRegression con un Root mean squared error de , siendo el mejor modelo para la predicción de las condiciones meteorológicas en ese mismo instante el IBK con un error del % y el DecisionTable con un error del %. Viendo los resultados, observamos como no son tan buenos como esperábamos obtener. Ello se debe a múltiples causas, entre ellas podemos destacar: Elección errónea de las variables relevantes para la resolución del modelo. Esta es una de las causas con mas peso para la mala obtención de buenos resultados, debido a que si entrenamos nuestro algoritmo con variables que no tienen ninguna relación con el problema, no daríamos ningún dato a nuestro modelo, por lo que a la hora de testearlo, obtendríamos malos resultados. En nuestro caso, tras el previo análisis de las variables a utilizar, vimos que las variables utilizadas eran correctas. De todos modos, se podrían haber utilizado un mayor número de variables que permitiesen un mejor modelado del problema, pero ello introduciría una mayor carga computacional, y dado que con este modelo nos estamos viendo bastante justos de memoria, no podemos considerar esta opción viable. Matriz de entrenamiento reducida. De nuevo la memoria y la carga computacional es causa de que algunos algoritmos no puedan ejecutarse en nuestros PC s, por lo que nos vimos obligados a recortar la matriz de entrenamiento, quedando una matriz de unas 2000 filas en algunos de los casos, las cuales no son suficiente para cursar el entrenamiento optimo en ciertos algoritmos. En el caso de poder haber introducido más datos de entrenamiento nuestros modelos se hubiesen ajustado más a la resolución real. Estos son los principales problemas que impiden optimizar el modelo que obtenemos. De todos modos, observando los resultados obtenidos, vemos que, excepto en el caso de la predicción de las condiciones meteorológicas en 24 H, los resultados son aceptables. El caso de la predicción de las condiciones en 24 horas es especial y como tal habrá que tratarlo. Podemos ver como los resultados no son excesivamente buenos, lo cual podemos acusar a varias causas. Entre ellas, la que tiene más importancia es la inmensidad de valores que contiene la variable Condiciones. Vimos como en un principio, dicha variable tenía valores que apenas aparecían, por lo que hicimos una criba de éstas, de modo que nos quedamos con un grupo reducido. Con dicho cambio experimentamos una notable mejora de las prestaciones. Sin embargo aún seguimos Página 24 de 25
25 obteniendo prestaciones bastante malas, esto se sigue debiendo a la gran cantidad de valores para esta variable, y el reducido conjunto de datos de entrenamiento que podemos manejar con nuestro ordenador sin que dé un error de memoria. En el caso de contar con una matriz de entrenamiento suficientemente grande podremos llegar a un entrenamiento muchísimo mejor de nuestro algoritmo y obtener un modelo que ofrezca mejores prestaciones que el obtenido ahora. Página 25 de 25
PREDICCIÓN METEOROLÓGICA
PREDICCIÓN METEOROLÓGICA INTELIGENCIA EN REDES DE COMUNICACIONES INTRODUCCIÓN En esta práctica se pretende obtener un sistema real de predicción meteorológica utilizando técnicas de aprendizaje automático
Más detallesPREDICCIÓN METEOROLÓGICA
PREDICCIÓN METEOROLÓGICA PRÁCTICA FINAL INTELIGENCIA EN REDES DE COMUNICAIONES Roberto Díaz Morales 100025231 Jaime Mayor Berzal 100025204 Índice Introducción Tratamiento de datos Predicciones Cuadro con
Más detallesMinería a de Datos. plataforma WEKA. Ismael Fernández Castellano Telmo Calle Facal
Minería a de Datos Predicción n meteorológica con la plataforma WEKA Ismael Fernández Castellano Telmo Calle Facal Introducción Buscamos un sistema de caracterización meteorológica a partir de datos tomados
Más detallesPREDICCIÓN METEOROLÓGICA
PRÁCTICA FINAL DE INTELIGENCIA EN REDES DE ORDENADORES PREDICCIÓN METEOROLÓGICA 5º INGENIERIA DE TELECOMUNICACIÓN Julio Alberto Polo Fernández 100029757 Raúl Muñoz Martínez 100029571 INDICE 1) Introducción
Más detallesINGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA EN REDES DE ORDENADORES
INGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA EN REDES DE ORDENADORES Jaime de Uriarte de Antonio 100021498 Olivia García Robas 100021435 ÍNDICE Página 1. Introducción 3 2. Tratamiento de datos 4 3. Predicciones..
Más detallesInteligencia en Redes de Comunicaciones
Inteligencia en Redes de Comunicaciones Predicción meteorológica Aitor Mendaza Ormaza 100021542 INDICE Introducción 1 Tratamiento de Datos.5 Resultados y análisis 7 Introducción: El objetivo de esta práctica
Más detallesPredicción meteorológica
Predicción meteorológica Trabajo hecho por: Roberto García Sanchez Pablo Casas Muñoz Qué es WEKA? Acrónimo de Waikate Environment for Knowledge Analisis Es un entorno para experimentación de análisis de
Más detallesINFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016
INFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016 Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 1. COMENTARIOS Y/O ACOTACIONES RESPECTO AL TEMARIO EN RELACIÓN
Más detallesCurso Completo de Electrónica Digital. 3.7. Simplificación de funciones booleanas
CURSO Curso Completo de Electrónica Digital Departamento de Electronica y Comunicaciones Universidad Pontifica de Salamanca en Madrid Prof. Juan González Gómez Capítulo 3 ALGEBRA DE BOOLE Continuación...
Más detallesCORPORACIÓN UNIFICADA NACIONAL DE EDUCACIÓN SUPERIOR FACULTAD DE INGENIERIAS LINEA INFORMÁTICA GUIA FORMATOS Y FORMATOS CONDICIONALES
Como ya hemos trabajo en introducir la información con la que vamos a trabajar, procedemos a revisar las diversas los diversos formatos que se pueden aplicar: 2a 1 2b Pasos a seguir: 1. Seleccionamos la
Más detallesDISTRIBUCIONES MUESTRALES
DISTRIBUCIONES MUESTRALES Distribuciones muestrales Autores: Ángel A. Juan (ajuanp@uoc.edu), Máximo Sedano (msedanoh@uoc.edu), Alicia Vila (avilag@uoc.edu). ESQUEMA DE CONTENIDOS CARACTERÍSTICAS DE LA
Más detallesTRABAJO FIN DE ASIGNATURA
INTELIGENCIA EN REDES DE COMUNICACIONES TRABAJO FIN DE ASIGNATURA Luis Javier Duque Cuadrado 1 Breve descripción de los algoritmos elegidos 1.1 Clasificación a) Árboles de decisión de un nivel (decision
Más detalles1.1. Resumen. 1.2. Introducción. 1.3. Objetivos del resumen automático
1. RESUMEN AUTOMÁTICO 1.1. Resumen El objetivo de esta web es explicar en qué consiste el resumen automático de documentos y cómo es posible combinar técnicas de recuperación y organización de la información
Más detallesDaVinciTEXTIL. Codificación de artículos
Codificación de artículos El código de los artículos, consta de un máximo de 10 caracteres alfanuméricos Antes de empezar a codificar los artículos/materiales se debe tener en cuenta que el sistema permite
Más detallesCOMPARACIÓN DE SUPERFICIES DE RESPUESTA CON BÚSQUEDA TABÚ Y ALGORITMOS GENÉTICOS
71 CAPITULO 5 COMPARACIÓN DE SUPERFICIES DE RESPUESTA CON BÚSQUEDA TABÚ Y ALGORITMOS GENÉTICOS En este capítulo se presentan los resultados obtenidos y los comentarios de éstos, al correr algunos ejemplos
Más detallesLa herramienta ArtEM: Aritmética Entera y Modular
La herramienta ArtEM: Aritmética Entera y Modular 1. Introducción La herramienta ArtEM (Aritmética Entera y Modular) es una aplicación informática programada en Visual Basic y desarrollada con el fin de
Más detallesTEMA I EL SISTEMA SAP R/3
TEMA I EL SISTEMA SAP R/3 INTRODUCCIÓN El Sistema SAP R/3 en su versión estándar presenta una amplia selección de informes, para acceder a ellos se podrá llegar por dos caminos, llegando al mismo destino,
Más detallesEcuaciones de primer grado
Ecuaciones de primer grado º ESO - º ESO Definición, elementos y solución de la ecuación de primer grado Una ecuación de primer grado es una igualdad del tipo a b donde a y b son números reales conocidos,
Más detallesINTERPRETACIÓN DE IMÁGENES DE RADARES METEOROLÓGICOS. Juan Manuel Sancho Avila, M.Carmen Romero Palomino
INTERPRETACIÓN DE IMÁGENES DE RADARES METEOROLÓGICOS Juan Manuel Sancho Avila, M.Carmen Romero Palomino La fiabilidad de las predicciones del tiempo a corto y medio plazo (para mañana y los próximos días)
Más detallesIV NÚMEROS FRACCIONARIOS.
IV NÚMEROS FRACCIONARIOS.. Qué es una fracción?. Fracciones equivalentes. Definición. Reconocimiento. Obtención.. Simplificación de fracciones.. Comparación de fracciones.. Operaciones con fracciones.
Más detallesESPACIO NULO DE A: RESOLUCIÓN DE AX = 0 3.2
3.2 Espacio nulo de A: resolución de Ax = ESPACIO NULO DE A: RESOLUCIÓN DE AX = 3.2 Este tema versa sobre las soluciones espaciales de Ax =. La matriz A puede se cuadrada o rectangular. Una solución inmediata
Más detallesBreve guía de uso del nuevo Hotmail
Breve guía de uso del nuevo Hotmail Este documento es una breve guía de uso de alguna de las funciones más comunes que se realizan con el correo electrónico y que está pensada para aquellos a quienes el
Más detallesINTELIGENCIA EN REDES DE COMUNICACIONES. MINERÍA DE DATOS-PREDICCIÓN METEOROLÓGICA-.
INGENIERÍA EN TELECOMUNICACIONES UNIVERSIDAD CARLOS III DE MADRID 5º Curso, Año Académico 2004/2005 INTELIGENCIA EN REDES DE COMUNICACIONES. MINERÍA DE DATOS-PREDICCIÓN METEOROLÓGICA-. Realizado por: David
Más detallesPREDICCIÓN METEOROLÓGICA
PRÁCTICA FINAL DE INTELIGENCIA EN REDES DE ORDENADORES PREDICCIÓN METEOROLÓGICA 5º INGENIERIA DE TELECOMUNICACIÓN Julio Alberto Polo Fernández 100029757 Raúl Muñoz Martínez 100029571 INDICE 1. Introducción
Más detallesCAPÍTULO 3: DETERMINANTES Y SISTEMAS DE ECUACIONES
CAPÍTULO 3: DETERMINANTES Y SISTEMAS DE ECUACIONES Parte A: determinantes. A.1- Definición. Por simplificar, consideraremos que a cada matriz cuadrada se le asocia un número llamado determinante que se
Más detallesSegunda práctica de REGRESIÓN.
Segunda práctica de REGRESIÓN. DATOS: fichero practica regresión 2.sf3. Objetivo: El objetivo de esta práctica es interpretar una regresión y realizar correctamente la diagnosis. En la primera parte se
Más detallesBase de datos en la enseñanza OpenOffice
Base de datos en la enseñanza OpenOffice 5. Informes 1 ÍNDICE 5 Informes... 3 Introducción...... 3 Asistente para informes......... 4 Actividad 1... 9 Modificar un informe......... 10 Actividad 2... 10
Más detallesExisten distintas formas de representar una función lógica, entre las que podemos destacar las siguientes:
Función booleana Se denomina función lógica o booleana a aquella función matemática cuyas variables son binarias y están unidas mediante los operadores del álgebra de Boole suma lógica (+), producto lógico
Más detallesPráctica Final: Predicción Metereológica en Weka.
INTELIGENCIA EN REDES DE COMUNICACIONES Práctica Final: Predicción Metereológica en Weka. Ramón Fernández Lorenzana 100025293 Manuel Asenjo Chacón 100050872 5º Ingeniería de Telecomunicación 1.PREPROCESADO
Más detallesII. SECCIONES PRINCIPALES 1-2-3... Figura1: Partes principales de un Informe Técnico
Formato del Informe El informe técnico debe ser un documento profesional. Para clarificar el texto deben usarse Figuras, tablas y dibujos. Las tres partes principales de un informe técnico se muestran
Más detallesPráctica 1: Introducción a SPSS 1
Estadística Aplicada Curso 2010/2011 Diplomatura en Nutrición Humana y Dietética Práctica 1: Introducción a SPSS 1 Este programa estadístico está organizado en dos bloques: el editor de datos y el visor
Más detallesLa fotografía muestra una banda transportadora que se utiliza en un aeropuerto.
M703: Banda transportadora A) Presentación del problema La fotografía muestra una banda transportadora que se utiliza en un aeropuerto. Para trasladarse de una sala a otra en el aeropuerto las personas
Más detallesPráctica 2 Estadística Descriptiva
Práctica 2 Estadística Descriptiva Contenido Introducción...................................... 1 Tablas de frecuencias................................. 2 Medidas de centralización, dispersión y forma...................
Más detallesManual para importar ficheros CSV en la aplicación de Comunicación de pagos
Manual para importar ficheros CSV en la aplicación de Comunicación de pagos Introducción.... 2 Importar pagos desde ficheros CSV.... 2 1. Creación de la hoja de cálculo para importar pagos a la aplicación....
Más detallesHerramienta de comunicación privada: Mensajería y Usuarios en línea
Herramienta de comunicación privada: Mensajería y Usuarios en línea Contenido O USUARIOS EN LÍNEA Y BLOQUE DE MENSAJES... 3 Introducción... 3 Configuración... 3 Enviar un mensaje... 4 O USUARIOS EN LÍNEA
Más detallesTEMA 2 NÚMEROS ENTEROS
TEMA 2 NÚMEROS ENTEROS Criterios De Evaluación de la Unidad 1. Utilizar de forma adecuada los números enteros. 2. Representar sobre la recta los números enteros. 3. Hallar el valor absoluto de cualquier
Más detallesPredicción de la relación entre el género, la cantidad de cigarrillos y enfermedades usando Máquinas de Vector Soporte
Predicción de la relación entre el género, la cantidad de cigarrillos y enfermedades usando Máquinas de Vector Soporte Resumen En este trabajo se usó Máquinas de Vectores de Soporte (SVM, por sus siglas
Más detallesUso de centinelas para la toma de decisiones. Esquemas y diagramas de flujo. Ejemplos resueltos. (CU00167A)
aprenderaprogramar.com Uso de centinelas para la toma de decisiones. Esquemas y diagramas de flujo. Ejemplos resueltos. (CU00167A) Sección: Cursos Categoría: Curso Bases de la programación Nivel I Fecha
Más detallesRED DE ESTACIONES METEOROLÓGICAS DE NAVARRA: GESTIÓN Y NUEVOS
Territorial 2000 1 RED DE ESTACIONES METEOROLÓGICAS DE NAVARRA: GESTIÓN Y NUEVOS DESARROLLOS. Rafael Sánchez, Itziar Berrospe, Alejo Berastegui, Miguel Donezar, Gaspar Domench CETENASA, DEPARTAMENTO DE
Más detallesIbero Rubik. Cubo de 5x5x5 Método para principiantes
Ibero Rubik Cubo de 5x5x5 Método para principiantes 1 Copyright 2013 Ibero Rubik. Esta obra está sujeta a la licencia Reconocimiento-NoComercial-CompartirIgual 3.0 Unported de Creative Commons. Para ver
Más detallesP. A. U. LAS PALMAS 2005
P. A. U. LAS PALMAS 2005 OPCIÓN A: J U N I O 2005 1. Hallar el área encerrada por la gráfica de la función f(x) = x 3 4x 2 + 5x 2 y la rectas y = 0, x = 1 y x = 3. x 3 4x 2 + 5x 2 es una función polinómica
Más detallesSISTEMAS DE ECUACIONES LINEALES
1 SISTEMAS DE ECUACIONES LINEALES Una ecuación es un enunciado o proposición que plantea la igualdad de dos expresiones, donde al menos una de ellas contiene cantidades desconocidas llamadas variables
Más detallesPENTAGRAMA, NOTAS Y LINEAS ADICIONALES
PENTAGRAMA, NOTAS Y LINEAS ADICIONALES Se llama pentagrama a las cinco líneas horizontales y paralelas que se utilizan en el lenguaje musical para escribir la música: Las notas musicales son los signos
Más detallesContenido. Página 2 de 8
RÚBRICA Contenido INTRODUCCIÓN... 3 CONFIGURACIÓN Y GESTIÓN DE UNA RÚBRICA... 3 Definir un nuevo formulario de calificación desde cero, para crear un nuevo formulario desde cero... 4 Crear un nuevo formulario
Más detallesmartilloatomico@gmail.com
Titulo: RADICACION Año escolar: 3er. año de bachillerato Autor: José Luis Albornoz Salazar Ocupación: Ing Civil. Docente Universitario País de residencia: Venezuela Correo electrónico: martilloatomico@gmail.com
Más detallesUnidad 2. Componentes de LibreOffice. CURSO: Introducción LibreOffice
Unidad 2 Componentes de LibreOffice CURSO: Introducción LibreOffice 1 Introducción Como hemos dicho, LibreOffice es una suite ofimática, es decir que tiene diferentes programas para dar soporte a las tareas
Más detallesTema 2. Sistemas de ecuaciones lineales
Tema 2. Sistemas de ecuaciones lineales Estructura del tema. Definiciones básicas Forma matricial de un sistema de ecuaciones lineales Clasificación de los sistemas según el número de soluciones. Teorema
Más detallesDescripción y tablas de especificaciones de las pruebas formativas Área Ciencias Año 2016 De 3 a 6 de Educación Primaria
Descripción y tablas de especificaciones de las pruebas formativas Área Ciencias Año 2016 De 3 a 6 de Educación Primaria Contenidos Introducción... 3 El referente conceptual de la evaluación... 3 Habilidades
Más detallesDiagonalización de matrices.
Diagonalización de matrices. 1. Diagonalización de matrices. Definición 1.1 Sea A una matriz cuadrada,, decimos que es un autovalor de A si existe un vector no nulo tal que En esta situación decimos que
Más detallesEl uso de la Técnica de Regresión Lineal Múltiple para la evaluación de la dotación de personal en el I.N.S.S.
El uso de la Técnica de Regresión Lineal Múltiple para la evaluación de la dotación de personal en el I.N.S.S. Establecimiento de un sistema de evaluación de la dotación de personal para las oficinas del
Más detallesSistemas de Ecuaciones y Matrices
Sistemas de Ecuaciones y Matrices 0.1 Sistemas de ecuaciones Consideremos las gráficas de dos funciones f y g como en la figura siguiente: P Q y = fx y = gx En la práctica, en ocasiones hay que encontrar
Más detallesIsmael Fernández Castellano Telmo Calle Facal Grupo 91
PREDICCIÓN METEOROLÓGICA CON LA PLATAFORMA WEKA Ismael Fernández Castellano 100033034 Telmo Calle Facal 100035925 Grupo 91 1. INTRODUCCIÓN El objetivo de la práctica es desarrollar un sistema de caracterización
Más detallesEstadística Descriptiva
Estadística Descriptiva 1 Sesión No. 3 Nombre: Estadística descriptiva Contextualización Parte fundamental de la Estadística es la organización de los datos, una forma de realizar esta organización es
Más detallesD.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO
Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos
Más detallesUNIDAD 4.- INECUACIONES Y SISTEMAS (tema 4 del libro)
UNIDAD 4. INECUACIONES Y SISTEMAS (tema 4 del libro) 1. INECUACIONES DE PRIMER GRADO CON UNA INCÓGNITA Definición: Se llama desigualdad a toda relación entre epresiones numéricas o algebraicas unidas por
Más detallesEl Método de Gauss. Hallar el conjunto solución del siguiente sistema de ecuaciones. (1.1)
El Método de Gauss. Hallar el conjunto solución del siguiente sistema de ecuaciones. x + 5y + z = x y + z = 8 x + y = 10 (1.1) Una manera de resolver este problema consiste en aplicar el método de reducción
Más detallesTema 11: Intervalos de confianza.
Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por
Más detallesIniciación a Microsoft Excel. Definición y descripción de una hoja de cálculo
Iniciación a Microsoft Excel El programa que nos ocupará a continuación, Microsoft Excel, nos permite representar información de cualquier tipo en forma tabulada, así como realizar operaciones de cálculo
Más detallesJulia García Salinero. Departamento de Investigación FUDEN. Introducción
1 Análisis de datos en los estudios epidemiológicos V Prueba de Chi cuadrado y Análisis de la varianza. Departamento de Investigación FUDEN. Introducción Continuamos el análisis de los estudios epidemiológicos,
Más detallesTeoremas de Circuitos
1 Teoremas de Circuitos Existen varios métodos para simplificar la resolución de circuitos eléctricos y que son básicos para la aplicación de la Electrotecnia a otras disciplinas relacionadas como los
Más detallesECUACIONES E INECUACIONES
ECUACIONES E INECUACIONES. INTRODUCCIÓN Qué son? Las ecuaciones y las inecuaciones son expresiones matemáticas que representan problemas reales, por ejemplo : Que carero es el tío del quiosco!, he salido
Más detallesTEMA 2. En esta unidad didáctica se da un repaso teórico general y se realizan una serie de actividades sencillas de aplicación.
FRACCIONES TEMA 2 INTRODUCCIÓN Para aplicar esta unidad didáctica es conveniente que ya se hayan estudiado las fracciones en clase de forma tradicional, es decir, empleando la pizarra, el papel y el lápiz.
Más detallesTema 1 Sistemas de numeración
Tema 1 Sistemas de numeración 1.1 - Sistema de numeración BINARIO En el sistema binario de numeración existen solamente dos símbolos distintos: el 0 y el 1. A primera vista puede resultar una forma de
Más detallesDETERMINANTES página 251 DETERMINANTES. Por ejemplo: 2 1 8 es un determinante de tres filas y tres columnas.
DETERMINANTES página 251 DETERMINANTES 13.1 Un determinante es un arreglo numérico en igual número de filas que de columnas del que, a partir de ciertas reglas, se forma un polinomio. El símbolo es un
Más detallesALCHEMY SEARCH VERSIÓN 8.2 GUIA DE REFERENCIA RÁPIDA
ALCHEMY SEARCH VERSIÓN 8.2 GUIA DE REFERENCIA RÁPIDA 1. El programa Captaris Alchemy... 3 2. Como abrir una Base de Datos... 4 3. Como buscar información... 5 3.1 La pestaña Perfil del documento.... 6
Más detallesRESPUESTAS: OPCIÓN B. www.profes.net es un servicio gratuito de Ediciones SM
RESPUESTAS: OPCIÓN B 1. Explique cuál es la función del organigrama en una organización (1 punto). La función del organigrama es representar gráficamente la estructura organizativa de la empresa. En esta
Más detalles1. Mínimos Cuadrados.
Departamento de Matemática Aplicada CÁLCULO COMPUTACIONAL. Licenciatura en Química (Curso 2009-10) Análisis de Datos Práctica 7 Escribe en la línea de comandos las órdenes necesarias para resolver estas
Más detallesANÁLISIS DE DATOS MULTIDIMENSIONALES
ANÁLISIS DE DATOS MULTIDIMENSIONALES INTRODUCCIÓN DISTRIBUCIÓN DE FRECUENCIAS MULTIDIMENSIONAL DISTRIBUCIONES MARGINALES DISTRIBUCIONES CONDICIONADAS INDEPENDENCIA ESTADÍSTICA ESTUDIO ANALÍTICO DE DISTRIBUCIONES
Más detallesCómo presentar una alegación a través de la Web municipal?
Cómo presentar una alegación a través de la Web municipal? Descripción: Presentación de alegaciones a un expediente existente con el fin de hacer constar la posición del autor. Forma de inicio: A instancia
Más detallesEXPORTAR UN TRABAJO DESDE LA MEMORIA A LA TARJETA SD
CREAR TRABAJO Pulsamos tecla ESC Elegimos F3 = MEM Opción 1. Trabajo + ENT Opción 1. Elegir Trabajo + ENT F1 = LIST Disk: A = Memoria Interna Disk: B = Tarjeta SD Elegimos Disk: A Seleccionamos F4 = OK
Más detallesGUIA PRACTICA PARA LA APLICACIÓN DE MS EXCEL TECNOLOGIA/ INFORMATICA
Fórmulas y funciones De la barra de menú seleccionmos la opción insertar y haciendo clic en la opción f x se desplegará el siguiente cuadro de diálogo a partir del cual escogeremos la función adecuada
Más detallesEstadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detallesNuevos enfoques en la evaluación de los aprendizajes
Nuevos enfoques en la evaluación de los aprendizajes Dentro del conjunto de acciones y actividades que conforman la práctica educativa, la evaluación es la que provoca mayor inquietud, tanto entre el profesorado
Más detallesConversión de unidades: factores de conversión vs. reglas de tres
Conversión de unidades: factores de conversión vs. reglas de tres Apellidos, nombre Atarés Huerta, Lorena (loathue@tal.upv.es) Departamento Centro Departamento de Tecnología de Alimentos ETSIAMN (Universidad
Más detallescoie UNIVERSIDAD COMPLUTENSE DE MADRID
PERFIL PROFESIONAL DE LA LICENCIATURA DE DERECHO coie UNIVERSIDAD COMPLUTENSE DE MADRID CONSEJO SOCIAL VICERRECTORADO DE ALUMNOS LICENCIATURA DE DERECHO Los datos contenidos en este documento proceden
Más detallesManual de usuario OTIC365
Manual de usuario OTIC365 Tabla de contenido Tabla de contenido... 2 Introducción... 2 Cambiar Logo y Nombre... 2 Cambiar el aspecto... 4 Añadir Nueva Noticia... 7 Editar un elemento... 9 Borrar un elemento...
Más detallesTécnica: Que es un histograma, como se analiza e interpreta
Técnica: Que es un histograma, como se analiza e interpreta Nota importante: Las capturas y ejemplos de histogramas de este artículo están basados en la herramienta Photoshop Elements. No obstante la mayoría
Más detallesAPLICACIÓN DE ÁRBOLES BINARIOS
PRÁCTICA Nº 6: 2 sesiones (del 22 al 31 de Mayo de 2002) APLICACIÓN DE ÁRBOLES BINARIOS A LA COMPRESIÓN DE FICHEROS DE TEXTO MEDIANTE LA UTILIZACIÓN DE LOS CÓDIGOS DE HUFFMAN 0.- OBJETIVOS El objetivo
Más detallesMANUAL DE USO PARA PORTAL SOCIOS/CLIENTES INDICE. 1º Acceso por primera vez y obtención de contraseña 2. 2º Recordar/cambiar contraseña 3
MANUAL DE USO PARA PORTAL SOCIOS/CLIENTES INDICE PAGINA 1º Acceso por primera vez y obtención de contraseña 2 2º Recordar/cambiar contraseña 3 3º Acceso a la información. Descripción 3 4º Información socio/cliente
Más detallesCONDICIONES GENERALES
OPCIONES IBEX 35 CONDICIONES GENERALES 1. Introducción. 2. Activo Subyacente 3. Especificaciones Técnicas. 4. Horario. 5. Forma de Liquidación a Vencimiento. 6. Precio de Liquidación a Vencimiento. 7.
Más detallesProbabilidad. La probabilidad mide la frecuencia con la que aparece un resultado determinado cuando se realiza un experimento.
Matemáticas segundo medio COLEGIO SSCC CONCEPCION NOMBRE: Clase Teórica Práctica Nº 30 Probabilidad Probabilidad: Introducción La probabilidad mide la frecuencia con la que aparece un resultado determinado
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2014/15 Contenidos 1. Introducción
Más detalles1. INTRODUCCIÓN. Existen varios tipos de destilación, dependiendo de los compuestos a separar, la pureza requerida del producto, etc.
1. INTRODUCCIÓN Este proyecto trata sobre la creación de modelos dinámicos que representen el comportamiento de torres de destilación y el control automático de los mismos con el fin de obtener una aplicación
Más detallesRESUMEN PROYECTO FINAL DE CARRERA CALCULO DE UN DEPOSITO DE NITROGENO LÍQUIDO EN MATERIALES COMPUESTOS
RESUMEN PROYECTO FINAL DE CARRERA CALCULO DE UN DEPOSITO DE NITROGENO LÍQUIDO EN MATERIALES COMPUESTOS Autor: Javier Luengo Salamero Universidad de destino: Politechnika slaska Universidad de origen; Universidad
Más detallesUNIDAD 3 FUNCIONES, FÓRMULAS Y MANIPULACIONES
UNIDAD 3 FUNCIONES, FÓRMULAS Y MANIPULACIONES CURSO: LibreOffice calc 1 Introducción y Objetivos Ya sabemos introducir datos y darles formato para que nuestros datos se representen correctamente, pero
Más detallesBienvenida. Introducción. Los interesados podrán ingresar a la siguiente dirección web:
Bienvenida Dentro de las Políticas institucionales esta la de promover y desarrollar a los trabajadores, es por ello que el Poder Judicial invita a participar en los concursos de selección internos. Introducción
Más detallesSERVICIO TELEFÓNICO FIJO. 3 er TRIMESTRE DEL 2012 TERCER TRIMESTRE DE 2012
INFORME DE SEGUIMIENTO DE LOS NIVELES DE CALIDAD DE SERVICIO SERVICIO TELEFÓNICO FIJO TERCER TRIMESTRE DE 2012 20 de diciembre de 2012 ÍNDICE 1.- Parámetros Generales [ETSI EG 202 057-1]... 1 1.1.- Tiempo
Más detallesTema 1. Álgebra lineal. Matrices
1 Tema 1. Álgebra lineal. Matrices 0.1 Introducción Los sistemas de ecuaciones lineales aparecen en un gran número de situaciones. Son conocidos los métodos de resolución de los mismos cuando tienen dos
Más detallesFunciones y gráficas
86464 _ 97-4.qd //7 9: Página 97 Funciones gráficas INTRODUCCIÓN La relación entre dos magnitudes ha sido a tratada en este curso. Partiendo de los contenidos a estudiados, planteamos como objetivo principal
Más detallesEJERCICIOS RESUELTOS DE SISTEMAS LINEALES
EJERCICIOS RESUELTOS DE SISTEMAS LINEALES 1. Dado el sistema de ecuaciones lineales: 2x + 3y 3 4x +5y 6 a) Escribir la expresión matricial del sistema. b) Discutir el sistema. c) Resolver el sistema por
Más detallesTEMA III MÉTODO SIMPLEX. CONCEPTOS BÁSICOS
TEMA III MÉTODO SIMPLE. CONCEPTOS BÁSICOS MÉTODOS CUANTITATIVOS I TEMA III. MÉTODO SIMPLE. CONCEPTOS BÁSICOS INDICE.- FACTORES PRODUCTIVOS (A i )....- VECTOR EISTENCIAS (P o )....- TÉCNICA... 4.- PROCESO
Más detallesCombinación Lineal. Departamento de Matemáticas, CCIR/ITESM. 10 de enero de 2011
Combinación Lineal Departamento de Matemáticas, CCIR/ITESM 10 de enero de 011 Índice.1. Introducción............................................... 1.. Combinación lineal entre vectores...................................
Más detallesSolución del cubo de Rubik
Solución del cubo de Rubik Conoce a tu enemigo : el cubo de Rubik Esto es todo lo que necesitas saber antes de empezar a solucionar el cubo de Rubik (también conocido como cubo Rubik, cubo mágico, cubo
Más detallesCAPÍTULO 10 Tipos de gráficos
CAPÍTULO 10 Tipos de gráficos En el capítulo anterior hemos estado viendo todos los entresijos del gráfico de columnas estándar que nos muestra OpenOffice Impress como gráfico predeterminado, y con él
Más detallesDOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL
DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL 3.1 INTRODUCCIÓN Como ya sabes, una distribución de probabilidad es un modelo matemático que nos ayuda a explicar los
Más detallesTeoría de conjuntos. Tema 1: Teoría de Conjuntos.
Tema 1: Teoría de Conjuntos. La teoría de Conjuntos es actualmente una de las más importantes dentro de la matemática. Muchos de los problemas que se le han presentado a esta disciplina en los últimos
Más detalles2. Introducir la siguiente tabla en la hoja Crecimiento. Cambiar el formato según se desee. La columna B tiene que tener un formato de %.
E j e r c i c i o n º 20 P.N.B. Países Objetivo: Porcentajes y gráficos. El siguiente ejercicio consistirá en calcular el PNB de un país conociendo el del año anterior y el crecimiento económico. También
Más detallesActividad 2: Interpretación de un mapa topográfico.
Actividad 2: Interpretación de un mapa topográfico. 1. Ubicación curricular. La actividad está planteada para el Tercer Ciclo de Educación Primaria en el currículo de Conocimiento del Medio dentro del
Más detallesJosé María Torres Corral. l u n e s, 2 8 d e m a r z o d e 2 0 1 1 11:06:33
FREE DOS GUÍA DE INSTALACIÓN Y USO Descripción del proceso de creación de una máquina virtual de VMWare para alojar Debian 6.0. Se explica todo el proceso de creación de la máquina virtual, con todas las
Más detallesEstadística Descriptiva. SESIÓN 12 Medidas de dispersión
Estadística Descriptiva SESIÓN 12 Medidas de dispersión Contextualización de la sesión 12 En la sesión anterior se explicaron los temas relacionados con la desviación estándar, la cual es una medida para
Más detalles