INTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES. Tecnología i3b
|
|
- Eva María Martín Suárez
- hace 7 años
- Vistas:
Transcripción
1 INTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES Tecnología i3b G R U P O I B E R M Á T I C A
2 Introducción Objetivos Puntos de información y de estudio Tipos de análisis Análisis proactivo Análisis determinista Tecnología Ibermática 1 Septiembre 2013 / 1
3 Introducción La evolución de la variación de una secuencia de datos, observaciones o valores, medidos en determinados momentos del tiempo, ordenados cronológicamente y, normalmente, espaciados entre sí de manera uniforme. Conceptos de referencia: Amplitud: Distancia entre el cero y el pico máximo. Periodicidad: Tiempo en el que se recoge información. Frecuencia: Número de picos por Periodicidad. Cadencia: Número de periodos que debemos tener en cuenta para medir un valor. Media/Moda. La variación de un indicador puede depender: Los valores estáticos de otros indicadores, (hora > 18, lluvia > 30 Atasco). Los valores del propio indicador, o de otros, en relación a sus propios valores pasados (Si C1=Atasco and T=1, C2 = Atasco when T=2). La conjunción de las dos anteriores. Septiembre 2013 / 2
4 Objetivos Determinar anomalías sobre el patrón de comportamiento normal en las variaciones de datos multivariables, en una escala temporal. Encontrar Eventos de interés de forma automática para su resolución inmediata Eventos son aquellos Conjuntos relevantes de datos en una secuencia temporal, definidos por una agrupación de valores de interés, con un punto central, otro inicial y otro final. Determinar si dichos eventos son relevantes, y aprender sobre las actuaciones realizadas sobre las alertas asignadas por cada situación. Se trata de tener el conocimiento preciso para tomar decisiones inteligentes, para poder anticiparse a los problemas y resolverlos de manera proactiva, para coordinar los recursos para operar con eficacia. Debemos utilizar el tiempo de los expertos en mejorar el negocio, no en analizar lo que ocurre en el negocio. Se trata de mejorar la capacidad de decisión, extrayendo de forma automática las relaciones entre los datos evidentes en base a objetivos, mostrando sólo la información necesaria para los usuarios. El conocimiento no es memorizar datos, sino relacionarlos, Soledad Puértolas, Sabemos que no es una acumulación de datos lo que constituye Ciencia, ni siquiera información en el sentido estricto... Sabemos que cada dato tiene sentido únicamente en el contexto de una teoría que religa y predice hechos, en el mejor sentido de la palabra, los inventa, Antonio Pérez García, Septiembre 2013 / 3
5 Puntos de información y de estudio Un Punto de Información es la unidad mínima de recogida de información (Punto de Suministro, Estación Meteorológica, Contador, Sensores, Pulsometro, etc.). Distintos Puntos de Información agregan indicadores asociados a un Punto de Estudio concreto, por periodos y frecuencias determinadas, que conforman el conjunto multidimensional del punto, más información adicional agregada (Sector, Zona Geográfica, Meteorología, Datos socio-demográficos, equipos, operadores, estados fisiológicos en pacientes, etc.). El conjunto de información recogida constituye la situación contextual del Punto de Estudio, o la Confiabilidad Operacional. La confiabilidad de un sistema o activo, es la probabilidad de que pueda operar durante un determinado lapso de tiempo sin perdida aparente de su función. Septiembre 2013 / 4
6 Tipos de Análisis Análisis Proactivo. Es requerimiento tener histórico de datos de la fluctuación y comportamiento de las distintas variables (cuantas más, mejor), relacionadas con los Puntos de Estudio. Es necesaria una Predicción Previa de las Tendencias a Futuro. Los eventos se Generan en Base a la Comparación entre la Predicción y la Serie Real. Tipos de Análisis Proactivos: Análisis Estadístico Análisis No Supervisado o Redes Neuronales o Árboles de Decisión Análisis Supervisado Análisis Determinista. Se articula en base a reglas introducidas en el sistema por un experto. Las reglas pueden aunar indicadores multivariables (valores de distintos Puntos de Información) para un Punto de Estudio, así como información temporal. No requiere Predicción Previa. Septiembre 2013 / 5
7 Análisis Proactivo Análisis Estadístico: Modelado El análisis estadístico se basa en la discretización de los datos de la serie en base a un periodo determinado, y a una agrupación basada en: Valor mínimo Valor máximo Moda Media Mediana Se selecciona el valor en la abcisa que se quiere discretizar (Franja horaria, diaria, semanal, mensual, anual, etc.). El sistema determina cuál es la mejor agrupación de dicha abcisa en función de la distribución de los datos (por frecuencia, por intervalos fijos, etc.). Se calcula la media, moda, mediana, etc. de los valores que entran en cada una de las agrupaciones de las franjas. Discretización Septiembre 2013 / 6
8 Análisis Proactivo Análisis Estadístico: Validación La validación se basa en observar si los nuevos puntos se entrada se salen de la agrupación (media, mediana, moda), agrupada por discretización (franja temporal). Si la desviación sobre la medida seleccionada supera un umbral, se detecta como anomalía. El umbral es parametrizable por el usuario, en base a incrementos, por ejemplo, de la desviación típica por discretización. Modelo Nueva Entrada Evento Método Válido para análisis de un solo indicador, sin referencia a correlaciones con otras variables. Septiembre 2013 / 7
9 Análisis Proactivo Análisis No supervisado: Modelado El análisis No Supervisado estadístico se basa en la predicción de la tendencia de la serie en base al conjunto de valores multidimensional. Se toman los valores históricos, y se modelan, en base a técnicas de analítica predictiva, en concreto, Redes Neuronales (RNA). Las Redes Neuronales modelan matemáticamente las relaciones intravariables en función de una variable objetivo. Entradas Modelo y Predicción Septiembre 2013 / 8
10 Análisis Proactivo Análisis No supervisado: Validación La validación consiste en detectar situaciones anómalas (Eventos), entre la serie Predictiva y la Serie de Entrada al sistema. No es una validación de diferencias entre los valores de la serie predictiva y la real, puesto que perderíamos Eventos relacionados con anomalías referentes a otros indicadores, como picos por horas determinados, meses, horas-meses, intensidad, temperatura ambiente, o distintas combinaciones de ellos. Tendríamos muchos Falsos Positivos porque la serie predictiva es muy coincidente en las variaciones de picos/valles, pero no en la magnitud exacta de cada pico. i3b ha desarrollado tecnología en por medio de Segmentaciones automáticas multivariables (Clustering). Los Clusters permiten: Calcular el número de series homogéneas diferentes en los que se distribuye la Información. Calcular los Eventos Anormales sobre dichas distribuciones conjugando múltiples variables Septiembre 2013 / 9
11 Análisis Proactivo de Anomalías Análisis No supervisado: Validación. Clustering y Anomalías La información se agrupa en base a clusters homogéneos de forma automática. Cada elemento de la serie temporal, es una suma de indicadores (Mes, hora, reactiva, operador, temperatura, consumo, etc.), que, en base a su distribución pertenecen a un cluster. Cada elemento es un vector que contiene una diferencia de lejanía con respecto al elemento central del grupo, o centroide. Cuanto más lejos esté un individuo del centro de su grupo, más probabilidad existe de que sea una anomalía, o un Evento. Septiembre 2013 / 10
12 Análisis Proactivo de Anomalías Análisis No supervisado: Flujo Completo Se integran los datos. Se Analiza el modelo de Predicción. Se generan los Cluster para todos indicadores en el Punto de Información. Se seleccionan los puntos (Eventos) Anómalos. Septiembre 2013 / 11
13 Análisis Proactivo Análisis No supervisado: Árboles de Decisión Los Procesos de RNA y Clustering son muy efectivos, pero no explican porqué ocurren los Eventos. Una forma de modelar las explicaciones de los eventos es en Base de Reglas automáticas. i3b gestiona distintos algoritmos de generación de reglas automáticas en base a frecuencias multivariables. Histórico No Cumple = Anomalía Entradas Septiembre 2013 / 12
14 Análisis Proactivo de Alertas Análisis Supervisados Y si metemos los Eventos y su resolución como una variable más del sistema? Propensión a que esa incidencia se vuelva a dar en el futuro en situaciones similares Septiembre 2013 / 13
15 Predicción de Consumos en Ceiber Métodos Estadística y Redes Neuronales en Ventanas Deslizantes Qué consumo tendré hasta final de año? He perdido datos Qué consumo debería haber tenido? Indicadores relevantes LES: Simulación LEC: Lectura Real Qué consumo hubiera debido tener en caso de pérdida de información? Septiembre 2013 / 14
16 Caso de Uso: Detección automática de Anomalías Método de Clustering sobre predicciones + LOF (Local Outlier Factor ) Qué anomalías sobre consumos estoy teniendo este año? Clustering Eventos Anómalos Septiembre 2013 / 15
17 Caso de Uso: Similitud de Consumos entre distintos PLS Clustering y correlación entre vectores Consumos de un Cliente en sus distitas Filiales Consumo Filial Zaragoza Consumo Filial Sevilla Consumo Filial Pamplona Consumo Filial Barcelona Consumo Filial León Consumo Filial Oporto Existen patrones similares de comportamientos? Septiembre 2013 / 16
18 Caso de Uso: Similitud de Consumos entre distintos PLS Clustering y correlación entre vectores Consumos de un Cliente por Zonas Cliente Selección automática De Patrones Similares en Consumo Por Perfiles de Consumo Por Ventanas de Series Temporales Consumo Filial Zaragoza Consumo Filial Sevilla Consumo Filial Pamplona Cluster 1 Consumo Filial Bilbao Cluster 2 Qué ocurre en Bilbao para tener un patrón diferente y más caro que el resto? Qué hace Sevilla para minimizar mejor su coste dentro de su grupo de control (cluster 1)? Podemos computar semejanzas y diferencias, no las razones Septiembre 2013 / 17
19 Caso de Uso: Modelizado de Consumo Verbalizando los Modelos Numéricos Anomalía: No Cumple las reglas El comportamiento del consumo de puede verbalizar: Cumplen las reglas Septiembre 2013 / 18
20 Caso de Uso: Modelizado de Consumo Comportamientos Ocultos Hechos: Tenemos reglas fijas que generan Alertas Si quitamos de las reglas los indicadores que las generan (Energía Activa, umbrales ), Tendremos patrones ocultos que generan las reglas en base a otros indicadores, como el día, el mes u otras relaciones externas? Los martes, en general, tenemos Alertas del tipo 8 en este Cliente. Septiembre 2013 / 19
21 Predicción de Consumos en Ceiber Métodos Estadística y Redes Neuronales en Ventanas Deslizantes Qué Incidencias tendré hasta final de año? (Tengo la predicción de consumos, tengo al predicción de Alertas) Alertas Pasadas LES: Simulación LEC: Lectura Real Alertas Futuras Septiembre 2013 / 20
22 Septiembre 2013 / 21
Técnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
Más detallesDATA ANALYTICS EL VALOR INTRINSECO EN EL DATO INNOVATION QUANT ANALYSIS BIG DATA STRATEGY
DATA ANALYTICS EL VALOR INTRINSECO EN EL DATO INNOVATION QUANT ANALYSIS BIG DATA STRATEGY DATA ANALYTICS ANTES DE LA APARICIÓN DE INTERNET Y REDES SOCIALES Pentaquark posee una metodología que se basa
Más detallesLingüística computacional
Lingüística computacional Definición y alcance Escuela Nacional de Antropología e Historia (ENAH) Agosto diciembre de 2015 Lingüística Ciencias de la computación Lingüística computacional Estudio del lenguaje
Más detallesSegmentación de imágenes biomédicas
Segmentación de imágenes biomédicas Definición de segmentación La segmentación es la partición de una imagen, en un subconjunto regiones homogéneas en base a una característica (intensidad, textura,...).
Más detallesLA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN
LA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN Miguel Ángel Negrín; Christian González; Jaime Pinilla; Francisco-José Vázquez-Polo
Más detallesVALIDACIÓN DE DATOS. Rangos de Validación. Introducción
VALIDACIÓN DE DATOS Introducción Una vez recibidos los datos de las estaciones y antes de incorporarlos a las bases de datos, para su almacenamiento y publicación, y buscando minimizar el número de datos
Más detallesInteligencia Artificial: Su uso para la investigación
Inteligencia Artificial: Su uso para la investigación Dra. Helena Montserrat Gómez Adorno Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas helena.adorno@iimas.unam.mx 1 Introducción
Más detallesInteligencia de Negocios
Inteligencia de Negocios T E C N O L O G Í A S D E A P O Y O Claudio Henríquez Berroeta Modelamiento de la toma de decisión y sus procesos Temario Introducción Data Warehouse Data Mining Modelamiento del
Más detallesSelección de fuentes de datos y calidad de datos
Selección de fuentes de datos y calidad de datos ESCUELA COMPLUTENSE DE VERANO 2014 MINERIA DE DATOS CON SAS E INTELIGENCIA DE NEGOCIO Juan F. Dorado José María Santiago . Valores atípicos. Valores faltantes.
Más detallesSyllabus. Curso:SEXTO. Materia:ESTUDIOS MATEMÁTICOS
Syllabus Curso:SEXTO Materia:ESTUDIOS MATEMÁTICOS Descripción del curso: Esta asignatura está destinada a estudiantes con distintas capacidades y niveles de conocimiento, con el objeto de infundir seguridad
Más detallesEL PAPEL DE LA ESTADISTICA EN O Y M. Objetivo: Identificar índices estadísticos, y métodos más convenientes, para aplicarlos en el estudio de O y M.
EL PAPEL DE LA ESTADISTICA EN O Y M Objetivo: Identificar índices estadísticos, y métodos más convenientes, para aplicarlos en el estudio de O y M. O y M necesita apoyarse en la estadística que en casos
Más detallesDIMENSIONES ECONÓMICAS DEL NUEVO MODELO ENERGÉTICO EN ESPAÑA. Nuevos consumidores energéticos: el nuevo papel de las empresas consumidoras de energía
DIMENSIONES ECONÓMICAS DEL NUEVO MODELO ENERGÉTICO EN ESPAÑA Nuevos consumidores energéticos: el nuevo papel de las empresas consumidoras de energía Manuel Calvo Ingeniería y Tecnología de Redes y Clientes
Más detallesTema 1: Conceptos generales del Análisis
Tema 1: Conceptos generales del Análisis Numérico Cálculo Numérico I Anna Doubova y Blanca Climent Ezquerra Dpto. EDAN, Universidad de Sevilla 11 de febrero de 2018 A.Doubova y B. Climent Conceptos generales
Más detallesInformación contenida en una recta. Panorama y objetivos de la validación
Información contenida en una recta Panorama y objetivos de la validación Diseño de una recta Objetivo de la recta Obtener la ecuación que mejor se ajuste a una serie de n puntos experimentales, dónde cada
Más detallesProcesamiento Avanzado de Imágenes Astronómicas. Filtrado Espacial
Procesamiento Avanzado de Imágenes Astronómicas Filtrado Espacial Fundamentos filtrar implica retener o remover ciertas componentes de la imagen. el filtrado se hace utilizando kernels (máscaras, ventanas,
Más detallesCAPÍTULO 8 SIMULACIÓN DE ESCENARIOS
CAPÍTULO 8 SIMULACIÓN DE ESCENARIOS Simulación es el proceso de diseñar y desarrollar un modelo computarizado de un sistema o proceso y conducir experimentos con este modelo con el propósito de entender
Más detallesAPLICACIONES DE MINERA DE DATOS EN ADUANA DE PERU. Luis Azaña Bocanegra
APLICACIONES DE MINERA DE DATOS EN ADUANA DE PERU Luis Azaña Bocanegra TEMARIO CONCEPTOS DEFINICION DE MINERIA DE DATOS USOS DE LA MINERIA DE DATOS TECNICAS DE MINERIA DE DATOS ETAPAS DE UN PROYECTO DE
Más detallesVIGILANCIA DE LOS EFECTOS DEL EXCESO DE TEMPERATURAS SOBRE LA SALUD EN ARAGÓN EVALUACIÓN MESES DE JUNIO A SEPTIEMBRE 2016
VIGILANCIA DE LOS EFECTOS DEL EXCESO DE TEMPERATURAS SOBRE LA SALUD EN ARAGÓN EVALUACIÓN MESES DE A Como en años anteriores, en verano se inició el Plan de Acción para la prevención de los efectos de las
Más detallesItinerario: Inteligencia Computacional
Máster Universitario en Investigación e Innovación en Tecnologías de la Información y las Comunicaciones Itinerario: Inteligencia Computacional Escuela Politécnica Superior Universidad Autónoma de Madrid
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesMedidas de variabilidad (dispersión)
Medidas de posición Las medidas de posición nos facilitan información sobre la serie de datos que estamos analizando. Estas medidas permiten conocer diversas características de esta serie de datos. Las
Más detallesIntroducción al Procesamiento de Imágenes Satelitales con Software Libre. Módulo 03
Introducción al Procesamiento de Imágenes Satelitales con Software Libre Módulo 03 Dirección de Formación de Capital Humano Especializado en el Campo Espacial Agencia Espacial Mexicana www.gob.mx/aem Plan
Más detallesELABORACIÓN DE PRONÓSTICOS
ELABORACIÓN DE PRONÓSTICOS Julio de 2016 Explotación Electricidad Generalidades de la Compañía Gas Natural Fenosa es una de las compañías multinacionales líderes en el sector del gas y la electricidad,
Más detallesMinería de Datos. Índice. Raquel M. Crespo García. Julio Villena Román. Definición y conceptos Técnicas y modelos
Inteligencia en Redes de Comunicaciones Minería de Datos Raquel M. Crespo García Julio Villena Román {rcrespo, jvillena}@it.uc3m.es Índice Definición y conceptos Técnicas y modelos IRC - JVR, RCG - 1 1
Más detallesTema 5: SEGMENTACIÓN (I) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (I) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación 2 El propósito de la segmentación de imágenes consiste en dividir una imagen en regiones significativas con respecto
Más detallesClustering: Algoritmos
Clustering: Algoritmos Clasificación no supervisada Javier G. Sogo 10 de marzo de 2015 1 Introducción 2 Algoritmo: K-medias 3 Algoritmo: BFR 4 Algoritmo: CURE Introducción Acotar el problema Complejidad
Más detallesTema 7. Reconocimiento del locutor
Tema 7. Reconocimiento del locutor 7.1.- Introducción 7.2.- Clasificación 7.3.- Fases del reconocimiento 7.4.- Técnicas de reconocimiento 7.5.- Evaluación 7.1.- Introducción Reconocimiento de voz: Identificar
Más detallesSistema Integral Para la Caracterización y Prognosis de Modos de Fallo en Motores Marinos
Sistema Integral Para la Caracterización y Prognosis de Modos de Fallo en Motores Marinos Alberto Diez Oliván Data Scientist TECNALIA Research & Innovation Jose Antonio Pagán Rubio Diagnose Engineering
Más detallesCaracterización del funcionamiento adecuado de equipos aplicando redes neuronales
Caracterización del funcionamiento adecuado de equipos aplicando redes neuronales Angel Marín, Nuria López, Miguel Ángel Rodríguez y Antonio José Fernández Iberdrola Ingeniería y Construcción, SAU ÍNDICE
Más detallesPontificia Universidad Católica del Ecuador
1. DATOS INFORMATIVOS: MATERIA O MÓDULO: CÓDIGO: CARRERA: NIVEL: INTELIGENCIA ARTIFICIAL II (Aprendizaje Automático) IS-12653 INGENIERIA DE SISTEMAS SEPTIMO No. CRÉDITOS: 4 CRÉDITOS TEORÍA: 2 CRÉDITOS
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades
Más detallesMINISTERIO DE EDUCACIÓN. Dirección de Educación Técnica y Profesional. Familia de especialidades:servicios. Programa: Estadística Matemática
MINISTERIO DE EDUCACIÓN Dirección de Educación Técnica y Profesional Familia de especialidades:servicios Programa: Estadística Matemática Nivel: Técnico Medio en Contabilidad. Escolaridad inicial: 9no.
Más detallesGestión de costes energéticos de alto rendimiento
Gestión de costes energéticos de alto rendimiento www.ceiberenergy.com - Junio 2014 Introducción Qué es CEIBER energy? es el resultado de la alianza estratégica de: Empresa de contrastada trayectoria dedicada
Más detallesUANL UNIVERSIDAD AUTONOMA DE NUEVO LEON PREPARATORIA 23
PORTAFOLIO DE PROBABILIDAD Y ESTADÍSTICA CUARTA OPORTUNIDAD FECHA DE EXAMEN: HORA: Nombre del alumno: Grupo: RÚBRICA: Ten en cuenta que el hecho de entregar el trabajo no te otorga automáticamente 40 puntos.
Más detallesMediciones. Errores. Propagación de errores. Estadística. Prof. Arturo S. Vallespi
Mediciones. Errores. Propagación de errores. Estadística Prof. Arturo S. Vallespi Incertidumbre estadística: Qué ocurre si cada magnitud de interés en el experimento se mide más de una vez, por ejemplo
Más detallesGLOSARIO ESTADÍSTICO. Fuente: Murray R. Spiegel, Estadística, McGraw Hill.
GLOSARIO ESTADÍSTICO Fuente: Murray R. Spiegel, Estadística, McGraw Hill. CONCEPTOS Y DEFINICIONES ESPECIALES Es el estudio científico de los métodos para recoger, organizar, resumir y analizar los datos
Más detallesMesa Redonda Sobre Eficiencia Operativa a Través de Instrumentación y Control. Ing. Luis Trejo Consultor Técnico
Mesa Redonda Sobre Eficiencia Operativa a Través de Instrumentación y Control Ing. Luis Trejo Consultor Técnico Finanzas de una Planta respecto al Tiempo Límite Operativo Teórico Desempeño Financiero de
Más detallesPLANES CURRICULARES GRADO9º/ 01 PERIODO
PLANES CURRICULARES GRADO9º/ 01 PERIODO Grado: 9º Periodo: 01 PRIMERO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Gloria rueda y Jesús Vargas ESTANDARES P.A.I. I.B. A. Conocimiento
Más detalles3 ANALISIS DESCRIPTIVO DE LOS DATOS
3 ANALISIS DESCRIPTIVO DE LOS DATOS 3.1 La tabulación de los datos 3.1.1 Tabla de distribución de frecuencias. 3.1.2 El histograma. 3.2 Medidas de tendencia central 3.2.1 La media. 3.2.2 La mediana. 3.2.3
Más detallesRELACIÒN ENTRE LOS PROMEDIOS
Capítulo : RELACIÒN ENTRE LOS PROMEDIOS INTRODUCCIÓN La Estadística es una ciencia matemática que se utiliza para describir, analizar e interpretar ciertas características de un conjunto de individuos
Más detallesMINISTERIO DE EDUCACIÓN. Educación Técnica y Profesional. Familia de especialidades: Economía. Programa: Estadística
MINISTERIO DE EDUCACIÓN Educación Técnica y Profesional Familia de especialidades: Economía Programa: Estadística Nivel: Técnico Medio en Contabilidad. Escolaridad inicial: 12mo. Grado AUTORA MSc. Caridad
Más detallesÍNDICE. Prefacio... xi
ÍNDICE Prefacio... xi Capítulo 1 Introducción... 1 1.1 Por qué hay que tomar este curso y quién utiliza la estadística?... 2 1.2 Historia... 3 1.3 Subdivisiones de la estadística... 4 1.4 Un enfoque simple
Más detallesVIGILANCIA DE LOS EFECTOS DEL EXCESO DE TEMPERATURAS SOBRE LA SALUD EN ARAGÓN EVALUACIÓN JUNIO-SEPTIEMBRE 2015
VIGILANCIA DE LOS EFECTOS DEL EXCESO DE TEMPERATURAS SOBRE LA SALUD EN ARAGÓN EVALUACIÓN JUNIO-SEPTIEMBRE 0 Como en años anteriores, en verano se inicia el Plan de Acción para la prevención de los efectos
Más detallesFenómenos físicos empleados para medir. Principios de medidas químicas
Fenómenos físicos empleados para medir Principios de medidas químicas Objetivo Establecer una relación entre las medidas físicas y químicas. Objetivo de una medidas química Determinar la concentración
Más detallesTurismo en Bilbao Balance Entradas de viajeros Pernoctaciones Estancia media y Grado de Ocupación Oferta hotelera
Turismo en Bilbao Balance 2015 Entradas de viajeros Pernoctaciones Estancia media y Grado de Ocupación Oferta hotelera INFORME TEMÁTICO Febrero 2016 Entradas de viajeros 2 Entradas de viajeros La entrada
Más detallesLa asignatura de Matemática estimula el desarrollo de diversas habilidades:
La asignatura de Matemática estimula el desarrollo de diversas habilidades: Intelectuales, como: El razonamiento lógico y flexible, la imaginación, la inteligencia espacial, el cálculo mental, la creatividad,
Más detallesESTADÍSTICA DESCRIPTIVA EN POCAS PALABRAS (por jmd matetam.com)
ESTADÍSTICA DESCRIPTIVA EN POCAS PALABRAS (por jmd matetam.com) ESTADÍSTICA DESCRIPTIVA EN POCAS PALABRAS... 1 DEFINICIONES BÁSICAS... 1 Estadística... 1 Estadística descriptiva... 1 Estadística inferencial...
Más detallesEstadística Inferencial. Estadística Descriptiva
INTRODUCCIÓN Estadística: Ciencia que trata sobre la teoría y aplicación de métodos para coleccionar, representar, resumir y analizar datos, así como realizar inferencias a partir de ellos. Recogida y
Más detallesVariables y Elementos medibles en Estadísticas
Variables y Elementos medibles en Estadísticas Población: Es el universo que se quiere estudiar Pacientes de un hospital Doctores de una clínica Personas enfermas en una comunidad Personas en una feria
Más detallesSistemas de Percepción Visión por Computador
Nota: Algunas de las imágenes que aparecen en esta presentación provienen del libro: Visión por Computador: fundamentos y métodos. Arturo de la Escalera Hueso. Prentice Hall. Sistemas de Percepción Visión
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden: Clasificador Bayesiano Clasificación Clasificador
Más detallesGUÍA DE EJERCICIOS. Áreas Matemáticas Análisis Estadístico
GUÍA DE EJERCICIOS Áreas Matemáticas Análisis Estadístico Resultados de aprendizaje Determinar e interpretar medidas de tendencia central y de posición, en datos tabulados. Contenidos 1. Estadística descriptiva
Más detallesREPASO DE ESTADÍSTICA DESCRIPTIVA
ÍNDICE: 1.- Tipos de variables 2.- Tablas de frecuencias 3.- Gráficos estadísticos 4.- Medidas de centralización 5.- Medidas de dispersión REPASO DE ESTADÍSTICA DESCRIPTIVA 1.- Tipos de variables La estadística
Más detalles4. ANALISIS DE DATOS. El registro de datos de operación de Repsol es el punto de partida para la
42 4.1. Presentación de variables 4. ANALISIS DE DATOS El registro de datos de operación de Repsol es el punto de partida para la generación de la base de datos para el posterior cálculo del ciclo termodinámico.
Más detallesEstadísticas aplicadas a la. Javier Toro, Ph.D. Psicólogo Clínico
Estadísticas aplicadas a la psicología Javier Toro, Ph.D. Psicólogo Clínico MEDIDAS DE TENDENCIA CENTRAL Las medidas de tendencia central son aquellas que identifican el punto en la distribución respecto
Más detallesDuración: 2 horas pedagógicas
PLANIFICACIÓN DE LA SESIÓN DE APRENDIZAJE Grado: Cuarto I. TÍTULO DE LA SESIÓN Duración: 2 horas pedagógicas Medidas de localización UNIDAD 4 NÚMERO DE SESIÓN 14/14 II. APRENDIZAJES ESPERADOS COMPETENCIA
Más detallesDiagnóstico. Dirección de Cómputo para la Docencia. UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Dirección General de Servicios de Cómputo Académico
TALLER DE APLICACIONES ESTADÍSTICAS CON EXCEL Diagnóstico Elaborado por Mónica Patricia Ballesteros Chávez 1. Es una expresión en Excel que puede incluir operadores, referencias a celdas, valores, funciones
Más detallesÍndices de valor unitario para el comercio exterior de Andalucía
Índices de valor unitario para el comercio exterior de Andalucía Introducción En los últimos años, la economía española, y también la andaluza, se han visto inmersas en un rápido proceso de internacionalización,
Más detallesPREDICCIÓN DE VAPOR DE AGUA PRECIPITABLE CON DATOS DE MEDICIONES GPS UTILIZANDO UNA RED NEURONAL ARTIFICIAL
PREDICCIÓN DE VAPOR DE AGUA PRECIPITABLE CON DATOS DE MEDICIONES GPS UTILIZANDO UNA RED NEURONAL ARTIFICIAL SIMPOSIO SIRGAS 2015 Santo Domingo, República Dominicana 18 20 Noviembre 2015 en colaboración
Más detallesLas Redes Neuronales Artificiales y su importancia como herramienta en la toma de decisiones. Villanueva Espinoza, María del Rosario CAPÍTULO V
CAPÍTULO V V. ALGORITMOS NEURONALES Los modelos neuronales utilizan varios algoritmos de estimación, aprendizaje o entrenamiento para encontrar los valores de los parámetros del modelo, que en la jerga
Más detallesCAPITULO 4: INTRODUCCIÓN A LA HOMOGENEIZACIÓN DE DATOS METEOROLÓGICOS
CAPITULO 4: INTRODUCCIÓN A LA HOMOGENEIZACIÓN DE DATOS METEOROLÓGICOS 4 HOMOGENEIZACIÓN DE DATOS CLIMATICOS 4.1 HOMOGENEIZACIÓN DE SERIES CLIMÁTICAS. FUNDAMENTOS 4.2 INHOMOGENEIDADES CLIMATICAS 4.3. METADATOS
Más detallesActividad de Medidas de Dispersión. Grupo MO5
No. de alumnos No de estudiantes Actividad de Medidas de Dispersión Problema 1. Las gráficas siguientes muestran los resultados obtenidos en el primer examen parcial de Estadística, en dos grupos atendidos
Más detallesEJERCICIOS DE ESTADÍSTICA CON GEOGEBRA. Autores:
EJERCICIOS DE ESTADÍSTICA CON GEOGEBRA Autores: ÍNDICE 1. CONTAMINACIÓN RADIACTIVA... 2 2. UN DADO TRUCADO?... 5 3. EL PESO DE LOS RECIÉN NACIDOS EN UN HOSPITAL... 6 4. CONTROL DE CALIDAD DE LOS TORNILLOS...
Más detallesSoluciones en Mantenimiento Basado en la Condición y Líneas de Investigación
Soluciones en Mantenimiento Basado en la Condición y Líneas de Investigación Mantenimiento Predictivo Diciembre 2010 INDICE 01 Breve Presentación de Indra 02 Sistema de Mantenimiento Predictivo - GIDAS
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión
Más detallesEL SISTEMA INTERNACIONAL DE UNIDADES Magnitudes, prefijos y símbolos
Interpretación e informes bioquímicos en el laboratorio clínico Descriptores: Marcadores bioquímicos y moleculares. Tablas de referencia. Validación de resultados: variabilidad y punto de corte. Interpretación
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica No se puede gestionar lo que no se puede medir William Hewlett TEMA 1 Pensamiento estadístico Metodología estadística Definiciones básicas Concepto: Estadística
Más detallesEstadística descriptiva y métodos diagnósticos
2.2.1. Estadística descriptiva y métodos diagnósticos Dra. Ana Dorado Díaz Consejería de Sanidad Diplomado en Salud Pública Diplomado en Salud Pública - 2 Objetivos específicos 1. El alumno aprenderá a
Más detallesIntroducción Clustering jerárquico Clustering particional Clustering probabilista Conclusiones. Clustering. Clasificación no supervisada
Clustering Clasificación no supervisada Javier G. Sogo 10 de marzo de 2015 1 Introducción 2 Clustering jerárquico 3 Clustering particional 4 Clustering probabilista 5 Conclusiones Introducción Objetivos
Más detallesMinería Multimedia. Minería de datos NO estructurados (Textos, Imágenes, Audios y Videos)
Minería Multimedia Minería de datos NO estructurados (Tetos, Imágenes, Audios y Videos) Ana Isabel Oviedo Docente Universidad Pontificia Bolivariana ana.oviedo@upb.edu.co Medellín, octubre 19 de 2017 Motivación
Más detallesTema 12: Introducción a la Estadística.
MOLEDO GUGLIOTTA VICTOR Tratamiento de los datos Tema 12: Introducción a la Estadística. Al intentar interpretar la realidad a través de las herramientas que nos aporta la Estadística, lo primero que se
Más detallesTécnicas de aprendizaje sobre series temporales
Técnicas de aprendizaje sobre series temporales Contenido 1. Motivación. 2. Ejemplo del Problema. 3. Aproximaciones al problema de clasificación de series temporales. 4. Aprendizaje de reglas. 5. Boosting
Más detallesClasicación Automática de Documentos
Clasicación Automática de Documentos Carlos G. Figuerola, José Luis Alonso Berrocal, Angel F. Zazo Universidad de Salamanca Grupo REINA http://reina.usal.es Carlos G. Figuerola (Grupo REINA) Clasicación
Más detallesERRORES Y FUENTES DE ERROR
FUNDACION NEXUS ERRORES Y FUENTES DE ERROR MAYO/2013 FUENTES DE ERROR El mayor esfuerzo en el control de la calidad de los resultados de un laboratorio está relacionado con los errores en las mediciones.
Más detallesClase 2. Tema 2. Medidas de posición
Clase 2 Tema 2. Medidas de posición Estadística descriptiva univariable Herramientas para presentar y resumir el contenido de variables aisladas Presentar la distribución de una variable Resumir las características
Más detallesIntroducción. Qué es Machine Learning?
Introducción Qué es Machine Learning? Introducción Hay problemas en Informática que se pueden definir concretamente y son simples de convertir en un algoritmo Ejemplo: Ordenar alfabéticamente una lista,
Más detallesUniversidad Diego Portales Facultad de Economía y Negocios. Martes 30 de Marzo, 2010 Slide 1
Universidad Diego Portales Facultad de Economía y Negocios Martes 30 de Marzo, 2010 Slide 1 Capítulo 3 Estadística Descriptiva: Métodos Numéricos n Medidas de Localización n Medidas de Variabilidad n Medidas
Más detallesRendimiento de red y análisis operacional 24/7
Rendimiento de red y análisis operacional 24/7 View LA PLATAFORMA IOT PARA SISTEMAS HIDRÁULICOS CON ANÁLISIS INCORPORADO DISEÑADO POR PROFESIONALES EN MATERIA HIDRÁULICA PARA INGENIEROS DE EMPRESAS DE
Más detallesEl riesgo en los proyectos
El riesgo en los proyectos por Gabriel Pruneda El riesgo de un proyecto se define como la posibilidad de tener diferencias o bien, variabilidad, entre los flujos de cajas reales respecto a los flujos estimados.
Más detallesVIGILANCIA DE LOS EFECTOS DEL EXCESO DE TEMPERATURAS SOBRE LA SALUD EN ARAGÓN EVALUACIÓN JUNIO-SEPTIEMBRE 2013
VIGILANCIA DE LOS EFECTOS DEL EXCESO DE TEMPERATURAS SOBRE LA SALUD EN ARAGÓN EVALUACIÓN JUNIO-SEPTIEMBRE El Plan de Acción para la prevención de los efectos de las temperaturas extremas sobre la salud
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
Más detallesINSTRUCCIONES. Lee cuidadosamente cada pregunta antes de contestarla
INSTRUCCIONES 1. El examen consta de dos partes: una primera parte sobre Probabilidad, y una segunda parte sobre Estadística Descriptiva. Las respuestas de cada parte se recogerán escalonadamente según
Más detallesTécnicas Cuantitativas para el Management y los Negocios
Técnicas Cuantitativas para el Management y los Negocios Contador Público Módulo I: ESTADÍSTICA DESCRIPTIVA Contenidos Módulo I Unidad 1. Introducción y conceptos básicos Conceptos básicos de Estadística.
Más detallesSCAN WHITE PAPER CONSIDERACIONES BÁSICAS EN LA SUPERVISIÓN Y CONTROL DE PROCESOS INDUSTRIALES
SCAN WHITE PAPER CONSIDERACIONES BÁSICAS EN LA SUPERVISIÓN Y CONTROL DE PROCESOS INDUSTRIALES Septiembre, 2001 PARTE I 1. INTRODUCCION En el competitivo mercado de hoy, el éxito de cualquier negocio depende
Más detallesIndicadores de rendimiento de seguridad operacional (SPIs) GAJAH ANNUAL REPORT
Indicadores de rendimiento de seguridad operacional (SPIs) GAJAH ANNUAL REPORT 2015 1 CONTENIDO ü ü ü ü ü ü ü Definiciones Por qué medir el rendimiento de la seguridad operacional? Indicadores de rendimiento
Más detallesIntroducción a la minería de datos. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Introducción a la minería de datos CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Minería de datos Detección, interpretación y predicción de patrones cuantitativos y cualitativos
Más detallesSISTEMA DE INDICADORES CÍCLICOS Cifras al mes de diciembre de 2016
BOLETÍN DE PRENSA NÚM. 113/17 2 DE MARZO DE 2017 AGUASCALIENTES, AGS. PÁGINA 1/5 SISTEMA DE INDICADORES CÍCLICOS Cifras al mes de diciembre de 2016 El INEGI presenta los resultados del Sistema de Indicadores
Más detallesTema 5: SEGMENTACIÓN (II) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (II) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación Los algoritmos de segmentación se basan en propiedades básicas de los valores del nivel de gris: 2 - Discontinuidad:
Más detallesMinería Multimedia Minería de datos NO estructurados (Textos, Imágenes, Audios y Videos)
Minería Multimedia Minería de datos NO estructurados (Tetos, Imágenes, Audios y Videos) Ana Isabel Oviedo Docente Universidad Pontificia Bolivariana ana.oviedo@upb.edu.co Medellín, noviembre 13 de 2014
Más detallesESTADISTICA. Tradicionalmente la aplicación del término estadística se ha utilizado en tres ámbitos:
ESTADISTICA Tradicionalmente la aplicación del término estadística se ha utilizado en tres ámbitos: a) Estadística como enumeración de datos. b) Estadística como descripción, es decir, a través de un análisis
Más detallesIdentificación de variables asociadas al éxito académico en Estudiantes de la Facultad de Informática Mazatlán
Your logo Identificación de variables asociadas al éxito académico en Estudiantes de la Facultad de Informática Mazatlán Universidad Autónoma de Sinaloa M.C. Rogelio Estrada Lizárraga Abril 16, 2013 Introducción
Más detallesFORTISSIMO 2 EXPERIMENT 904: MEJORA DEL SISTEMA REMOTO
OTEAres FORTISSIMO 2 EXPERIMENT 904: MEJORA DEL SISTEMA REMOTO EXPERTO BASADO EN EL SOFTWARE OTEA innovation programme under grant agreement No 680481 (Fortissimo 2 project). Objetivos de OTEAres OTEARES
Más detallesLínea de Especialización Control de Sistemas
Línea de Especialización Control de Sistemas 1.- Propósito de la línea de especialización. Profesional con sólida formación teórico-práctica y visión global amplia acerca de diferentes métodos de modelación,
Más detallesMT 221 Modelado. Elizabeth Villota
MT 221 Modelado Elizabeth Villota Objetivos Definir que es un modelo y su uso para responder preguntas relacionadas a un sistema. Introducir los conceptos de estado, dinámica, entradas y salidas. Proveer
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesDecidiendo en 3D. Soluciones de Negocio
Decidiendo en 3D Soluciones de Negocio Desarrollo Propio Dedicado a la Decisión Bayesiana 1 www.aparasw.com Arquitectura Objetivo de la presentación Objetivo de la presentación 2 www.aparasw.com El Porqué
Más detallesCurso de Estadística Básica
Curso de SESION 5 TEOREMA DE CHEBYSHEV, REGLA EMPÍRICA Y CASO MCC. Manuel Uribe Saldaña MCC. José Gonzalo Lugo Pérez Objetivo Comprender y aplicar el teorema de Chebyshev y la regla empírica para una distribución
Más detallesInteligencia Artificial
Inteligencia Artificial Inteligencia, concepto Es la capacidad para aprender o comprender. Suele ser sinónimo de intelecto (entendimiento), pero se diferencia de éste por hacer hincapié en las habilidades
Más detalles«La estadística es una ciencia que demuestra que si mi vecino tiene dos coches y yo ninguno, los dos tenemos uno».
«La estadística es una ciencia que demuestra que si mi vecino tiene dos coches y yo ninguno, los dos tenemos uno». George Bernard Shaw (1856-1950) Escritor irlandés. Para empezar: Primera parte: Estadística
Más detalles