EPB 603 Sistemas del Conocimiento
|
|
- María Méndez de la Cruz
- hace 8 años
- Vistas:
Transcripción
1 EPB 603 Sistemas del Conocimiento Dr. Oldemar Rodríguez R. Maestría en Administración de la Tecnología de la Información Escuela de Informática EIA411 EPB Minería Sistemas de del Datos Conocimiento Capítulo 5 Clasificación Bayesiana (Método de Naïve Bayes) EIA411 EPB Minería Sistemas de del Datos Conocimiento 1
2 Tareas de la Minería de Datos Clasificación (discriminación): Mapea o asocia individuos a grupos predefinidos (aprendizaje supervisado). Encuentra modelos (funciones) que describen y distinguen clases o conceptos para futuras predicciones. Ejemplos: Credit scoring. Métodos: Análisis discriminante, decision-tree, classification rule, neural network. EIA411 EPB Minería Sistemas de del Datos Conocimiento v3 v5 v8 v1 v2 v4 v6 EIA411 EPB Minería Sistemas de del Datos Conocimiento 2
3 Definición de Clasificación Dada una base de datos ={ 1, 2,, } de tuplas o registros (individuos) y un conjunto de clases ={ 1, 2,, }, el problema de la clasificación es encontrar una función : tal que para cada es asignada una clase. : podría ser una Red Neuronal, un Árbol de Decisión, un modelo basado en Análisis Discriminante, o una Red Beyesiana. Ejemplo: Créditos en un Banco Tabla de Aprendizaje Variable Discriminante Con la Tabla de Aprendizaje se entrena (aprende) el modelo matemático de predicción, es decir, a partir de esta tabla se calcula la función f de la definición anterior. 3
4 Descripción de Variables MontoCredito 1=Muy Bajo 2=Bajo 3=Medio 4=Alto IngresoNeto 1=Muy Bajo 2=Bajo 3=Medio 4=Alto MontoCuota 1=Muy Bajo 2=Bajo 3=Medio 4=Alto GradoAcademico 1=Bachiller 2=Licenciatura 3=Maestría 4=Doctorado CoeficienteCreditoAvaluo 1=Muy Bajo 2=Bajo 3=Medio 4=Alto BuenPagador 1=SI 2=NO Ejemplo: Créditos en un Banco Tabla de Testing Variable Discriminante Con la Tabla de Testing se valida el modelo matemático de predicción, es decir, se verifica que los resultados en individuos que no participaron en la construcción del modelo es bueno o aceptable. 4
5 Ejemplo: Créditos en un Banco Nuevos Individuos Variable Discriminante Con la Tabla de Nuevos Individuos se predice si estos serán o no buenos pagadores. Cálculo de Probabilidades Tomado del libro: Probabilidad y estadística para ingenieros - R. Walpole, R. Myers 5
6 Probabilidad Condicional Ejemplo: Se lanza un dado y se tienen los siguientes eventos: A: Se observa un número impar. B: Se observa un 1. P(B)=1/6 pues solo hay un caso favorable {1} y hay 6 casos posibles {1,2,3,4,5,6} P(B A)=1/3 pues solo hay un caso favorable {1} y hay únicamente 3 casos posibles {1,3,5}, como ya ocurrió A el dado debe ser impar por lo que el universo de posibilidades se reduce a los números impares. Nótese que A Β={1} por lo que P(A Β)=1/6, además P(A)=3/6 pues hay 3 casos favorables {1,3,5} y 6 casos posibles {1,2,3,4,5,6}. Entonces: ESTO SIEMPRE SE CUMPLE Definición de Probabilidad Condicional 6
7 Teorema de la Probabilidad Total Teorema de la Probabilidad Total 7
8 Ejemplo: Cierto artículo es manufacturado por tres fábricas, F1, F2, y F3. Se sabe que la primera fábrica produce el doble que la segunda, y que la segunda fábrica produce igual que la tercera. Se sabe además que el 2% de los artículos producidos por las dos primeras fábricas son defectuosos, mientras que el 4% de los artículos producidos por la tercera fábrica son defectuosos. Si se colocan todos los artículos en una fila y se escoge uno al azar cuál es la probabilidad de que este artículo sea defectuoso? Solución: Sea S el espacio muestral completo y considere los siguientes eventos: B={El artículo es defectuoso} A1={El artículo fue fabricado en F1} A2={El artículo fue fabricado en F2} A3={El artículo fue fabricado en F3} Nótese que = 1 2 3, entonces: = = = =0,025 Teorema de Naïve Bayes 8
9 Ejemplo: Siguiendo con el ejemplo anterior, supóngase que se escoge un artículo al azar y que este resulta defectuoso. Cuál es la probabilidad de que este artículo haya sido producido en la primera fabrica? Solución: Deseamos calcular 1, usando el Teorema de Naïve Bayes, esto es: 1 = = =1 1 = = = 0,01 0,025 =0,4 Eventos Independientes 9
10 Ejemplo de Clasificación Bayesiana Supongamos que tenemos la siguiente tabla de datos con el Género y la Altura para 15 individuos, además se tiene una columna con la clasificación para cada individuo en P=Pequeño, M=Mediano o A=Alto. La variable Género tiene dos modalidades F=Femenino y M=Masculino, mientras que la variables Altura tiene 6 modalidades 1 si Altura ]0,1.6], 2 si Altura ]1.6,1.7], 3 si Altura ]1.7,1.8], 4 si Altura ]1.8,1.9], 5 si Altura ]1.9,2] y 1 si Altura ]2,+ ]. Nombre Género Altura Clase Kristina F 1 P Jim M 5 A Maggi F 4 M Martha F 4 M Stephanie F 2 P Bob M 4 M Kathy F 1 P Dave M 2 P Worth M 6 A Steven M 6 A Debbie F 3 M Todd M 5 M Kim F 4 M Amy F 3 M Wynette F 3 M Ejemplo de Clasificación Bayesiana Supongamos que se tiene una nueva fila de la base de datos t=(adam,m,5,?). El problema es: a partir de los datos históricos y usando Clasificación Bayesiana predecir si Adam corresponde a un individuo Pequeño, Mediano o Alto, es decir, saber si tiene mayor probabilidad de ser Pequeño, Mediano o Alto. Un análisis a la ligera diría que es alto pues Todd es M y 5 y fue clasificado como Alto. Sin embargo, esto no quiere decir que necesariamente sea Alto, pues por ejemplo podría ser que existan muchas personas Medianas lo cual aumentaría la probabilidad de ser Mediano. Lo que se hace en estos caso es calcular P(Pequeño t), P(Mediano t) y P(Alto t) para determinar cuál es mayor. 10
11 Tenemos que: Ejemplo de Clasificación Bayesiana ñ = ñ ñ. ñ ñ + + ñ = 4 15, = 8 15 = 3 15 Como t = (Adam, M, 5,?), este es un evento que corresponde realmente a dos eventos independientes, ser M=Masculino y ser de Altura=5. Así: ñ = ñ =5 ñ = =0. = =5 = = = =5 = =1 3. Ejemplo de Clasificación Bayesiana Entonces: ñ ñ ñ = ñ ñ = =0 15 = ñ ñ = =0,
12 Ejemplo de Clasificación Bayesiana = ñ ñ = =0, Por lo tanto Adam tiene mayor probabilidad de ser alto. Ejemplo: Créditos en un Banco Dada esta de Aprendizaje predecir para los siguientes individuos si van a ser buenos o malos pagadores. 12
13 Ejemplo: Créditos en un Banco Nuevos Individuos Setieneunanuevafiladelabasededatost=(100,2,4,2,2,3,?). El problema es: a partir de la tabla de aprendizaje y usando Clasificación Bayesiana predecir si el individuo #100 correspondeaunbuenpagadoroaunmalpagador. LoquesehaceenestoscasoescalcularP(Bueno t)yp(malo t) para determinar cuál es mayor, en donde por bueno se entiende que la variable BuenPagador=1 y por malo que BuenPagador=2. Hayquehacerlosmismoconel#101yel#102TAREA. Ejemplo de Clasificación Bayesiana = + = 6 10 = 4 10 Como t = (100,2,4,2,2,3,?), este es un evento que corresponde realmente a 5 eventos independientes, ser MontoCredito=2, IngresoNeto=4, CoeficienteCreditoAvaluo=2, MontoCuota=2 y GradoAcademico=3. Así: = MontoCredito=2 IngresoNeto=4 CoeficienteCreditoAvaluo=2 MontoCuota=2 GradoAcademico=3 = = =0,
14 Ejemplo de Clasificación Bayesiana = MontoCredito=2 IngresoNeto=4 CoeficienteCreditoAvaluo=2 MontoCuota=2 GradoAcademico=3 = =0. = + = Por lo que =0. Pero lo vamos a verificar: = + = = =0. 10 Por lo que claramente el individuo #100 tiene una probabilidad máxima de ser un buen pagador. Naïve Bayes SQL2005 Analysis Service Cree o importe en SQL Server Management Studio una tabla de aprendizaje: EIA411 EPB Minería Sistemas de del Datos Conocimiento 14
15 Naïve Bayes SQL2005 Analysis Service Cree o importe en SQL Server Management Studio una tabla de testing o predicción: EIA411 EPB Minería Sistemas de del Datos Conocimiento Naïve Bayes SQL2005 Analysis Service Cree en SQL Analysis Service un nuevo proyecto con estas dos tablas: EIA411 EPB Minería Sistemas de del Datos Conocimiento 15
16 Naïve Bayes SQL2005 Analysis Service Use el algortimo Microsoft Naïve Bayes y selecciones como Case Table (tabla de individuos) la tabla de aprendizaje: Naïve Bayes SQL2005 Analysis Service Selecciones la variable a predecir o dependiente (predict) y las variables de aprendizaje o independientes (input), para esto último puede usar el botón Suggest. 16
17 Naïve Bayes SQL2005 Analysis Service La variable a predecir debe ser discreta (o sea varchar en SQL) y las variables de aprendizaje deben ser discretizadas (o sea int en SQL). Naïve Bayes SQL2005 Analysis Service El SQL Analysis Service tiene 4 diferentes gráficos que ayudan a interpretar las clases existentes en la tabla de aprendizaje. 17
18 Naïve Bayes SQL2005 Analysis Service Para predecir en el Tab Mining Model Prediction seleccione el modelo de minería (Mining Model) y la tabla de entrada (Input Table). Esta es la tabla de testing o de predicción. Naïve Bayes SQL2005 Analysis Service En el Tab SQL construya un query DMX para hacer la predicción, usando Design, Query y Result 18
19 Naïve Bayes SQL2005 Analysis Service Para construir el Query visualmente en Souce seleccione el modelo (nombre que le dio al modelo), el Field seleccione la variable a predecir y en Alias el nombre con se desplegará la predicción. Naïve Bayes SQL2005 Analysis Service Finalmente en el Tab SQL seleccione Query si quiere editar la consulta DMX y Result para ver los resultados. 19
20 Naïve Bayes SQL2005 Analysis Service Finalmente se desplegan las predicciones para cada uno de los individuos (cases) en la tabla de predicción. Ejemplo Datos Reales Banca Ej. William en Effiscores William 20
21 Gracias. EIA411 EPB Minería Sistemas de del Datos Conocimiento 21
Aprendizaje Supervisado Análisis Discriminante (Lineal y Cuadrático)
Aprendizaje Supervisado Análisis Discriminante (Lineal y Cuadrático) 10 10 Modelo general de los métodos de Clasificación Id Reembolso Estado Civil Ingresos Anuales 1 Sí Soltero 125K No 2 No Casado 100K
Más detallesAprendizaje Supervisado Clasificación Bayesiana (Método de Naïve Bayes)
Aprendizaje Supervisado Clasificación Bayesiana (Método de Naïve Bayes) 10 10 Modelo general de los métodos de Clasificación Id Reembolso Estado Civil Ingresos Anuales 1 Sí Soltero 125K No Fraude Algoritmo
Más detallesTareas de la Minería de Datos
Capítulo 7 Clasificación Bayesiana (Método de Naïve Bayes) Tareas de la Minería de Datos Clasificación (discriminación): Mapea o asocia individuos a grupos predefinidos (aprendizaje supervisado). Encuentra
Más detallesClase 4: Probabilidades de un evento
Clase 4: Probabilidades de un evento Definiciones A continuación vamos a considerar sólo aquellos experimentos para los que el EM contiene un número finito de elementos. La probabilidad de la ocurrencia
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2012 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 5: PROBABILIDAD
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2012 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 5: PROBABILIDAD Junio, Ejercicio 3, Opción A Junio, Ejercicio 3, Opción B Reserva 1, Ejercicio 3, Opción
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesTEMA 2 EXPERIMENTOS ALEATORIOS Y CÁLCULO DE PROBABILIDADES
TEMA 2 EXPERIMENTOS ALEATORIOS Y CÁLCULO DE PROBABILIDADES EXPERIMENTOS: EJEMPLOS Deterministas Calentar agua a 100ºC vapor Soltar objeto cae Aleatorios Lanzar un dado puntos Resultado fútbol quiniela
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesAnexo 11. Manual de Administración
PONTIFICIA UNIVERSIDAD JAVERIANA Anexo 11. Manual de Administración Para mantenimiento a los modelos y código fuente Alex Arias 28/05/2014 El presente documento muestra los requerimientos necesarios para
Más detallesSoluciones de los ejercicios de Selectividad sobre Probabilidad de Matemáticas Aplicadas a las Ciencias Sociales II
Soluciones de los ejercicios de Selectividad sobre Probabilidad de Antonio Francisco Roldán López de Hierro * Convocatoria de 2008 Las siguientes páginas contienen las soluciones de los ejercicios propuestos
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 7 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detalles1 Espacios y subespacios vectoriales.
UNIVERSIDAD POLITÉCNICA DE CARTAGENA Departamento de Matemática Aplicada y Estadística Espacios vectoriales y sistemas de ecuaciones 1 Espacios y subespacios vectoriales Definición 1 Sea V un conjunto
Más detallesSelectividad Junio 2008 JUNIO 2008 PRUEBA A
Selectividad Junio 008 JUNIO 008 PRUEBA A 3 a x + a y =.- Sea el sistema: x + a y = 0 a) En función del número de soluciones, clasifica el sistema para los distintos valores del parámetro a. b) Resuélvelo
Más detallesBase de datos II Facultad de Ingeniería. Escuela de computación.
Base de datos II Facultad de Ingeniería. Escuela de computación. Introducción Este manual ha sido elaborado para orientar al estudiante de Bases de datos II en el desarrollo de sus prácticas de laboratorios,
Más detalles8- Diseño de bases de datos
Objetivos: 8- Diseño de bases de datos Construir diagramas ER de una base de datos. Manejar software de modelado de bases de datos Recursos: Microsoft SQL Server Management Studio Guías prácticas. http://www.mysql.com/products/workbench/
Más detallesTecnología de la Información y la Comunicación. Base de datos. Consultas - 2007 -
Tecnología de la Información y la Comunicación Base de datos Consultas - 2007 - Profesores del área Informática: Guillermo Storti Gladys Ríos Gabriel Campodónico Consultas Se utilizan consultas para ver,
Más detallesCómo se usa Data Mining hoy?
Cómo se usa Data Mining hoy? 1 Conocer a los clientes Detectar segmentos Calcular perfiles Cross-selling Detectar buenos clientes Evitar el churning, attrition Detección de morosidad Mejora de respuesta
Más detallesUso del Programa Gantt Project
Uso del Programa Gantt Project Presentación En esta práctica guiada aprenderás varias cosas relacionadas con el uso de Gantt Project, que es una aplicación de ayuda a la gestión de proyectos: Especificar
Más detallesMLM 1000 - Matemática Discreta
MLM 1000 - Matemática Discreta L. Dissett Clase 04 Resolución. Lógica de predicados c Luis Dissett V. P.U.C. Chile, 2003 Aspectos administrativos Sobre el tema vacantes: 26 personas solicitaron ingreso
Más detallesMANUAL DE USO APLICACION FORMULARIO 1904 PARA EL SII
MANUAL DE USO APLICACION FORMULARIO 1904 PARA EL SII El informe solicitado corresponde a una consulta estadística del detalle de alumnos de acuerdo a un % de asistencia dado por el usuario. El informe
Más detallesFundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es
Más detallesDiana del Pilar Cobos del Angel. Experimento: Es una prueba o ensayo. Es el proceso de obtener una observación.
Diana del Pilar Cobos del Angel Términos básicos Experimento: Es una prueba o ensayo. Es el proceso de obtener una observación. Eventos Simples: Cualquier resultado básico de un experimento. Un evento
Más detalles5- Uso de sentencias avanzadas
Objetivos: 5- Uso de sentencias avanzadas Elaborar sentencias de manejo de datos. Recursos: Microsoft SQL Server Management Studio Guías prácticas. Introducción: Después de trabajar con las sentencias
Más detallesFunciones, x, y, gráficos
Funciones, x, y, gráficos Vamos a ver los siguientes temas: funciones, definición, dominio, codominio, imágenes, gráficos, y algo más. Recordemos el concepto de función: Una función es una relación entre
Más detallesBASE DE DATOS UNIVERSIDAD DE LOS ANDES FACULTAD DE MEDICINA T.S.U. EN ESTADISTICA DE SALUD CATEDRA DE COMPUTACIÓN II. Comenzar presentación
UNIVERSIDAD DE LOS ANDES FACULTAD DE MEDICINA T.S.U. EN ESTADISTICA DE SALUD CATEDRA DE COMPUTACIÓN II BASE DE DATOS Comenzar presentación Base de datos Una base de datos (BD) o banco de datos es un conjunto
Más detallesControl Estadístico de Procesos
Control Estadístico de Procesos Gráficos de Control Los gráficos de control o cartas de control son una importante herramienta utilizada en control de calidad de procesos. Básicamente, una Carta de Control
Más detallesMatrices equivalentes. El método de Gauss
Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar
Más detallesPráctico. Excel para la toma de decisiones. Ayudante : César Villalobos Luengo Profesora : Dra. Angélica Urrutia
Práctico Excel para la toma de decisiones Ayudante : César Villalobos Luengo Profesora : Dra. Angélica Urrutia Requisitos Para empezar, trabajaremos en esta ayudantía basados en ciertas aplicaciones, las
Más detallesProbabilidad. Relación de problemas 5
Relación de problemas 5 Probabilidad 1. Una asociación consta de 14 miembros, de los cuales 6 son varones y 8 son mujeres. Se desea seleccionar un comité de tres hombres y tres mujeres. Determinar de cuántas
Más detallesPROYECTOS, FORMULACIÓN Y CRITERIOS DE EVALUACIÓN
PROYECTOS, FORMULACIÓN Y CRITERIOS DE EVALUACIÓN GESTIÓN DE PROYECTOS CON PLANNER AVC APOYO VIRTUAL PARA EL CONOCIMIENTO GESTIÓN DE PROYECTOS CON PLANNER Planner es una poderosa herramienta de software
Más detallesConciliación bancaria en CheqPAQ Cargado de estado de cuenta
Conciliación bancaria en CheqPAQ Cargado de estado de cuenta Introducción Con la finalidad de mantenerte informado respecto a todos los cambios y mejoras de los productos de CONTPAQ i, ponemos a tu disposición
Más detallesTutorial - Parte 2: Scoring
Introducción Tutorial - Parte 2: Scoring En este segundo tutorial aprenderá lo que significa un modelo de Scoring, verá cómo crear uno utilizando Powerhouse Analytics y finalmente a interpretar sus resultados.
Más detallesIngeniería del conocimiento. Sesión 1 Por qué estudiar aprendizaje automático?
Ingeniería del conocimiento Sesión 1 Por qué estudiar aprendizaje automático? 1 Agenda Qué vamos a ver en la asignatura? Para qué sirve todo esto? Cómo aprobar la asignatura? 2 Extracción del conocimiento
Más detallesPráctica No. 1. Materia: Estadística II Docente: Lic.Emma Mancilla Semestre : Sexto A1. Septiembre de 2011
Práctica No. 1 Materia: Estadística II Docente: Lic.Emma Mancilla Semestre : Sexto A1 Septiembre de 2011 1. Repaso:Conjuntos - Cálculo combinatorio. 1. Dado el conjunto A = {6, 2, 8, 4, 3} encontrar todos
Más detallesManual de Capacitación y de Usuario
Manual de Capacitación y de Usuario Módulo: Máquinas Registradoras Junio -2011 Tabla de Contenido 1.- INTRODUCCIÓN... 3 2.- DEFINICIONES GENERALES... 3 ESQUEMA COMÚN PARA LAS PANTALLAS... 3 ELEMENTO: PAGINADOR...
Más detallesGuía de usuario CUBO TI
Guía de usuario CUBO TI Soluciones Administrativo Financieras y Comerciales para Empresas Departamento de Ingeniería de Software TI Contenido Guía de usuario de Cubos Suite para Windows... 3 Introducción...
Más detallesEstimado usuario. Tabla de Contenidos
Estimado usuario. El motivo del presente correo electrónico es mantenerle informado de las mejoras y cambios realizados en el software Orathor (Athor/Olimpo) en su versión 5.7.041 la cual ha sido recientemente
Más detallesCPE (SEGUNDO CURSO) = P [T 1 ]P [T 2 ]... P [T 525,600 ] = (1 10 8 ) 525,600 = 0.9948
1/10 CPE (SEGUNDO CURSO PRÁCICA 1 SOLUCIONES (Curso 2015 2016 1. Suponiendo que los sucesos terremotos y huracanes son independientes y que en un determinado lugar la probabilidad de un terremoto durante
Más detallesLa estrategia básica para jugar blackjack.
La estrategia básica para jugar blackjack. Por Carlos Zilzer. Concepto básico: En cada turno, el jugador tiene que seleccionar una de 3 posibles jugadas: Plantarse, Pedir una carta o Doblar la apuesta.
Más detallesQuitar de un Directorio Activo Un Servidor que es el Maestro de Operaciones En Windows 2000 Server y Windows Server 2003
Quitar de un Directorio Activo Un Servidor que es el Maestro de Operaciones En Windows 2000 Server y Windows Server 2003 Josep Ros Suprimir un Maestro de Operaciones de Directorio Activo Introducción La
Más detallesActualización de MSI y Base de Datos WhitePaper Octubre de 2007
Actualización de MSI y Base de Datos WhitePaper Octubre de 2007 Contenidos 1. Propósito 3 2. Introducción 4 3. Desinstalar la versión actual 5 4. Instalar la nueva versión 7 5. Actualizar la base de datos
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 2
7 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería N N D).
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 2
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería NND). a)
Más detallesBase de datos relacional
Base de datos relacional Una base de datos relacional es una base de datos que cumple con el modelo relacional, el cual es el modelo más utilizado en la actualidad para modelar problemas reales y administrar
Más detallesPlantillas Office. Manual de usuario Versión 1.1
Manual de usuario Para comprender y seguir este manual es necesario: Disponer del fichero lasolucion50.exe Asegurarse de trabajar con la versión 5.0.0.7 o superior. Para comprobar que versión esta utilizando
Más detallesGESTIÓN DE CLÍNICAS COLEGIO OFICIAL DE VETERINARIOS DE BIZKAIA
GESTIÓN DE CLÍNICAS COLEGIO OFICIAL DE VETERINARIOS DE BIZKAIA Memoria del proyecto ÍNDICE 1 - INTRODUCCIÓN... 3 2 - OBJETIVO Y ALCANCE... 4 3 - SOLUCIÓN FUNCIONAL IMPLANTADA... 5 3.1 SENCILLEZ DE USO...
Más detallesEl azar y la probabilidad. Un enfoque elemental
El azar y la probabilidad. Un enfoque elemental Experimentos al azar El azar puede percibirse fácilmente cuando se repite muchas veces una acción cuyo resultado no conocemos, como tirar dados, repartir
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 5: PROBABILIDAD
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2008 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 5: PROBABILIDAD Junio, Ejercicio 3, Opción A Junio, Ejercicio 3, Opción B Reserva 1, Ejercicio 3, Opción
Más detallesINTRODUCCIÓN A LA PROBABILIDAD.
INTRODUCCIÓN A LA ROBABILIDAD. Departamento de Matemáticas Se denomina experimento aleatorio a aquel en que jamás se puede predecir el resultado. El conjunto formado por todos los resultados posibles de
Más detallesActualización de MSI y Base de Datos V2008 WhitePaper Octubre de 2011
Actualización de MSI y Base de Datos V2008 WhitePaper Octubre de 2011 Ronda Guglielmo Marconi, 9 Parque Tecnológico 46980 Paterna Valencia Spain T +34 96 338 99 66 ventas@preference.es Please Recycle PrefSuite
Más detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detallesANÁLISIS DE UN JUEGO DE CARTAS: LAS SIETE Y MEDIA
ANÁLISIS DE UN JUEGO DE CARTAS: LAS SIETE Y MEDIA MaMaEuSch (Management Mathematics for European School) http://www.mathematik.uni-kl.de/~mamaeusch/ Modelos matemáticos orientados a la educación Clases
Más detallesCRM Gestión de Oportunidades Documento de Construcción Bizagi Process Modeler
Bizagi Process Modeler Copyright 2011 - Bizagi Tabla de Contenido CRM- Gestión de Oportunidades de Venta... 4 Descripción... 4 Principales Factores en la Construcción del Proceso... 5 Modelo de Datos...
Más detallesCurso de sensibilización a la PAEP (Prueba de Admisión a Estudios de Posgrado)
Tema 2. Razonamiento cuantitativo Subtema 2.7 Probabilidad Instrucciones: Realiza estos ejercicios, sigue los procedimientos que se mostraron en los ejemplos del curso. Permutación 1. De cuántas maneras
Más detallesTema 7. Introducción al reconocimiento de objetos
Tema 7. Introducción al reconocimiento de objetos En resumen, un sistema de reconocimiento de patrones completo consiste en: Un sensor que recoge las observaciones a clasificar. Un sistema de extracción
Más detallesAyudantía 4 Probabilidades ILI-280 Estadística Computacional. Profesor: Rodrigo Salas Ayudantes: Juan Pablo Cares Pino Fernando Herrera Barría
Ayudantía 4 Probabilidades ILI-280 Estadística Computacional Profesor: Rodrigo Salas Ayudantes: Juan Pablo Cares Pino Fernando Herrera Barría Valparaíso, 25 de septiembre de 2009 1. Se compran 3 billetes
Más detallesTEMA 14 CÁLCULO DE PROBABILIDADES
Tema 14 Cálculo de probabilidades Matemáticas I 1º Bachillerato 1 TEMA 14 CÁLCULO DE PROBABILIDADES ESPACIO MUESTRAL. SUCESOS EJERCICIO 1 : En una urna hay 15 bolas numeradas de 2 al 16. Extraemos una
Más detallesUNIVERSIDAD ESTATAL PENÍNSULA DE SANTA ELENA UNIDAD DE PRODUCCIÓN DE LA ESCUELA DE INFORMÁTICA SISTEMA WEB DE SYLLABUS Y CONTROL DE PLANES DE CLASE
UNIVERSIDAD ESTATAL PENÍNSULA DE SANTA ELENA UNIDAD DE PRODUCCIÓN DE LA ESCUELA DE INFORMÁTICA SISTEMA WEB DE SYLLABUS Y CONTROL DE PLANES DE CLASE MANUAL DE USUARIO Administrador de Carrera ACCESO AL
Más detallesWorkflows? Sí, cuántos quiere?
Workflows? Sí, cuántos quiere? 12.11.2006 Servicios Profesionales Danysoft Son notables los beneficios que una organización puede obtener gracias al soporte de procesos de negocios que requieran la intervención
Más detallesÁrbol de decisión. Proporciona un alto grado de comprensión del conocimiento utilizado en la toma de decisiones.
Árbol de decisión DEFINICION: Árboles de Decisión. Técnica que permite analizar decisiones secuenciales basada en el uso de resultados y probabilidades asociadas. Los árboles de decisión se pueden usar
Más detalleshttp://math.uprm.edu/~edgar UNIVERSIDAD DE PUERTO RICO
ESTADISTICA APLICADA I Dr. Edgar Acuna http://math.uprm.edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ 2. UNA INTRODUCCIÓN A MINITAB 21Entrando 2.1 a MINITAB Hay dos maneras de
Más detalles1.- INTRODUCCIÓN 2.- PARÁMETROS
1.- INTRODUCCIÓN Hemos diseñado una aplicación que facilite el envío a las entidades bancarias de las de cobro por domiciliación. La entrada de esta aplicación pueden ser, tanto ficheros cuyos formatos
Más detallesUTILIZACIÓN DE RELOJES
UTILIZACIÓN DE RELOJES Para la utilización de Relojes en el Módulo Control de Personal, deberá definir lo que se indica seguidamente: 1- DEFINICION DEL MODELO DE RELOJ Los modelos son utilizados para identificar
Más detallesPROCEDIMIENTO PARA REGISTRO DE CONTRATISTAS Y PROVEEDORES
PROCEDIMIENTO PARA REGISTRO DE CONTRATISTAS Y PROVEEDORES Cuando usted ingresó por Internet a la opción REGISTRO DE CONTRATISTA Y PROVEEDORES (http://extranet.petroecuador.com.ec/sucointernet) encontrará
Más detallesTema 2: Modelo Entidad-Relación(ER)
ÒÓ Ô ºÙÒ ÓÚ º Tema 2: Modelo Entidad-Relación(ER) Fernando Cano Espinosa Universidad de Oviedo. Departamento de Informática 1 Contenido 1. Introducción al modelo de datos ER 2. Conjuntos de entidades y
Más detallesEn Excel podemos realizar cambios en formato dentro de las celdas desde la siguiente línea de comandos:
Guia de Microsoft Excel (Distribución 2007 Professional) 1. Formato de celdas En Excel podemos realizar cambios en formato dentro de las celdas desde la siguiente línea de comandos: Desde aquí podemos
Más detallesLABORATORIO Nº 2 GUÍA PARA REALIZAR FORMULAS EN EXCEL
OBJETIVO Mejorar el nivel de comprensión y el manejo de las destrezas del estudiante para utilizar formulas en Microsoft Excel 2010. 1) DEFINICIÓN Una fórmula de Excel es un código especial que introducimos
Más detallesManual del Usuario Sistema P.RE.D.I.
Manual del Usuario Sistema P.RE.D.I. Índice Introducción... 3 Página de Acceso del Público en General... 3 Opción nro 1: El Documento consultado se encuentra en algunas en alguna de las oficinas del Predi....
Más detallesPROYECTO DULCES DE COLORES Proporciones, Porcentajes y Predicciones
HOJAS DE CÁLCULO Aprender a utilizar todo el potencial que tienen las Hojas de Cálculo (H. de C.) para enseñar distintas materias del currículo entre los grados de Kindergarten y 11º es la propuesta que
Más detallesUCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG)
PAEG Junio 0 Propuesta A Matemáticas aplicadas a las CCSS II º Bachillerato UCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales
Más detallesGestión Básica de SQL Server. Versión V1 Fecha 24-11-09
Gestión Básica de SQL Server Versión V1 Fecha 24-11-09 ÍNDICE CREAR UNA BASE DE DATOS... 3 REALIZAR COPIAS DE SEGURIDAD EN SQL-SERVER... 4 RESTAURAR BASES DE DATOS EN SQL SERVER... 9 CREACIÓN DE PLANES
Más detallesSistemas Aleatorios: Probabilidad Condicional
MA2006 El concepto de la probabilidad condicional Imagine la probabilidad de que un hombre presente cáncer pulmonar antes de los 70 años. Imagine la probabilidad de que tal hombre presente cáncer pulmonar
Más detallesAlgoritmos de minería de datos incluidos en SQL Server 2008 1. Algoritmo de árboles de decisión de Microsoft [MIC2009a] Cómo funciona el algoritmo
1 Algoritmos de minería de datos incluidos en SQL Server 2008 Los algoritmos que aquí se presentan son: Árboles de decisión de Microsoft, Bayes naive de Microsoft, Clústeres de Microsoft, Serie temporal
Más detallesConstrucción de cubos OLAP utilizando Business Intelligence Development Studio
Universidad Católica de Santa María Facultad de Ciencias e Ingenierías Físicas y Formales Informe de Trabajo Construcción de cubos OLAP utilizando Business Intelligence Development Studio Alumnos: Solange
Más detalles2. Entorno de trabajo y funcionalidad en Arquímedes
2. Entorno de trabajo y funcionalidad en Arquímedes 2.9. Presupuestos comparativos. Cómo contrastar ofertas... 1 2.9.1. Análisis de los datos del comparativo de presupuestos... 4 2.9.2. Ejemplo de comparativo
Más detallesEspacios generados, dependencia lineal y bases
Espacios generados dependencia lineal y bases Departamento de Matemáticas CCIR/ITESM 14 de enero de 2011 Índice 14.1. Introducción............................................... 1 14.2. Espacio Generado............................................
Más detallesEstado Libre Asociado de Puerto Rico Consejo de Educación Superior de Puerto Rico División de Administración de Programas
Estado Libre Asociado de Puerto Rico Consejo de Educación Superior de Puerto Rico División de Administración de Programas Manual del Usuario (SINAFE) Entrada al Sistema. La dirección electrónica para el
Más detallesSoluciones de los ejercicios de Selectividad sobre Probabilidad de Matemáticas Aplicadas a las Ciencias Sociales II
Soluciones de los ejercicios de Selectividad sobre Probabilidad de ntonio Francisco Roldán López de Hierro * Convocatoria de 2007 Las siguientes páginas contienen las soluciones de los ejercicios propuestos
Más detallesMINERIA DE DATOS Y Descubrimiento del Conocimiento
MINERIA DE DATOS Y Descubrimiento del Conocimiento UNA APLICACIÓN EN DATOS AGROPECUARIOS INTA EEA Corrientes Maximiliano Silva La información Herramienta estratégica para el desarrollo de: Sociedad de
Más detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2012 - Propuesta B
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2012 - Propuesta B 1. Una empresa tiene 3000 bolsas de ajo morado de Las
Más detallesProcedimiento para el alta de un empleado. Meta4. Valparaíso, Chile. PONTIFICIA UNIVERSIDAD CATÓLICA DE VALPARAÍSO Dirección de Recursos Humanos
PONTIFICIA UNIVERSIDAD CATÓLICA DE VALPARAÍSO Dirección de Recursos Humanos Procedimiento para el alta de un empleado Meta4 Autor: Christian Vásquez Revisor: Fecha creación: 09-01-2013 Fecha revisión:
Más detallesMateria: Matemática de Octavo Tema: Probabilidad de sucesos independientes
Materia: Matemática de Octavo Tema: Probabilidad de sucesos independientes Te has preguntado si pueden pasar dos cosas a la vez? Jana tiene dos mazos de cartas. Cada mazo tiene diez cartas. Hay tres figuras
Más detallesCiclo de vida y Metodologías para el desarrollo de SW Definición de la metodología
Ciclo de vida y Metodologías para el desarrollo de SW Definición de la metodología La metodología para el desarrollo de software es un modo sistemático de realizar, gestionar y administrar un proyecto
Más detallesMÓDULO 2: TRATAMIENTO DE DATOS CON HOJA DE CÁLCULO. Tema 6: Análisis Estadístico de Datos. Leire Aldaz, Begoña Eguía y Leire Urcola
MÓDULO 2: TRATAMIENTO DE DATOS CON HOJA DE CÁLCULO Leire Aldaz, Begoña Eguía y Leire Urcola Índice del tema Introducción Herramientas para Análisis Complemento EZAnalyze INTRODUCCIÓN Las aplicaciones que
Más detallesManual del Usuario. Sistema de Help Desk
Manual del Usuario Sistema de Help Desk Objetivo del Manual El siguiente manual tiene como objetivo proveer la información necesaria para la correcta utilización del sistema Help Desk. Describe los procedimientos
Más detallesUNIVERSIDAD DE MEDELLÍN NUEVO PORTAL WEB MANUAL DE USUARIO GESTOR DE CONTENIDOS
UNIVERSIDAD DE MEDELLÍN MANUAL DE USUARIO GESTOR DE CONTENIDOS NUEVO PORTAL WEB TABLA DE CONTENIDO Tabla de Contenido 2 Consideraciones Iniciales 3 Ingreso al Sistema 4 Opciones de Gestor de contenidos
Más detallesCAPÍTULO VII CONCLUSIONES Y RECOMENDACIONES.
CAPÍTULO VII CONCLUSIONES Y RECOMENDACIONES. 7.1. VERIFICACIÓN DE LA HIPÓTESIS. La hipótesis planteada al inicio de esta tesis fue la siguiente: La implementación de un modelo referencial para el desarrollo
Más detallesTema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detallesEcuaciones de primer grado con dos incógnitas
Ecuaciones de primer grado con dos incógnitas Si decimos: "las edades de mis padres suman 120 años", podemos expresar esta frase algebraicamente de la siguiente forma: Entonces, Denominamos x a la edad
Más detallesPROPIEDADES DE LA SOLUCIÓN
PROPIEDADES DE LA SOLUCIÓN Manual de usuario :... 4 Configuración Regional:... 5 Preferencias Personales:... 5 Configuración global:... 6 Configuración de Comunicados:... 7 Preferencias Personales de Outlook:...
Más detallesSesión No. 4. Contextualización INFORMÁTICA 1. Nombre: Procesador de Texto
INFORMÁTICA INFORMÁTICA 1 Sesión No. 4 Nombre: Procesador de Texto Contextualización La semana anterior revisamos los comandos que ofrece Word para el formato del texto, la configuración de la página,
Más detallesTema 3. Espacios vectoriales
Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición
Más detallesElaborado por: Gróver Chavarría R. Sucre Bolivia grover.chavarria@gmail.com
MANUAL PRÁCTICO PARA COMBINAR CORRESPONDENCIA Elaborado por: Gróver Chavarría R. Sucre Bolivia MANUAL PARA ELABORAR CARTAS MEDIANTE COMBINACIÓN DE CORRESPONDENCIA Combinar cartas 1º Escribir la carta Modelo,
Más detallesBogotá D. C., Colombia
Banco de la República Bogotá D. C., Colombia MANUAL USUARIO ADMINISTRADOR DE PERFILES 22 de Julio de 2010 Versión 3 Tabla de contenido 1. OBJETIVO... 3 2. ALCANCE... 3 3. AUDIENCIA... 3 4. INGRESO A LA
Más detallesDiseño Estructurado de Algoritmos
Diseño Estructurado de Algoritmos 1 Sesión No. 5 Nombre: Primitivas para el diseño de instrucciones. Segunda parte. Objetivo de la sesión: Al concluir la sesión el estudiante identificará las diferentes
Más detallesEn esta sección revisaremos como dar de alta cuentas de clientes así como los diferentes ajustes que se pueden aplicar a las mismas.
Manual de Securithor. Manejo de cuentas En esta sección revisaremos como dar de alta cuentas de clientes así como los diferentes ajustes que se pueden aplicar a las mismas. Para acceder a la sección de
Más detallesTablas de Datos. HL Mata 1
Tablas de Datos HL Mata 1 De acuerdo al nivel de ayuda de MS Excel una tabla de datos es un rango de celdas que muestra los resultados de sustituir diferentes valores en una o más formulas. Las tablas
Más detallesDATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT
DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT REACCIONES ADVERSAS DE LOS MEDICAMENTOS Los fármacos por naturaleza
Más detalles