Inteligencia en Redes de Comunicaciones
|
|
- Felisa Rubio Montero
- hace 7 años
- Vistas:
Transcripción
1 Inteligencia en Redes de Comunicaciones Predicción meteorológica Aitor Mendaza Ormaza
2 INDICE Introducción 1 Tratamiento de Datos.5 Resultados y análisis 7
3 Introducción: El objetivo de esta práctica es desarrollar un sistema de caracterización metrológica, usando para ello la plataforma Weka como herramienta de aplicación de algoritmos de aprendizaje. En concreto, se procederá al desarrollo de tres modelos de predicción: Predicción de temperatura a la hora siguiente. Predicción de temperatura al día siguiente (24 horas exactas). Predicción de las condiciones meteorológicas del día siguiente (24 horas). Para el desarrollo de esta práctica, nos hemos apoyado en las simulaciones obtenidas por unos compañeros. Se ha procedido al estudio de la obtención de dichas simulaciones, así como del estudio de las razones que se usaron para el tratamiento de datos y la elección de los modelos de predicción/simulación. Los datos a partir de los cuales se ha realizado el estudio es información recogida a través del Metar (Meteorological Actual Report), disponibles de forma gratuita en internet. El uso de información a través del METAR simplifica las cosas, ya que usa un código establecido por el World Meteorological Organization (WMO), y adaptado por todas las naciones del mundo, por lo que dicho estudio podría ser usado en un futuro sin necesidad de complejos cambios. Los datos usados en el desarrollo de esta práctica son los correspondientes al aeropuerto Barajas de Madrid (código internacional LEMD) desde el año 1996 hasta el año Dichos datos contienen la siguiente información, tomada cada media hora: HoraCET (Dividia en Año, mes y hora) Temperatura (grados Farenheit) Punto de rocío (grados Farenheit) Humedad Presión (pulgadas) Visibilidad Dirección del viento Velocidad del viento (millas por hora) Velocidad de ráfagas de viento (millas por hora) Precipitación Eventos Condiciones A continuación mostramos un fragmento de los datos originales: HoraCET, TemperaturaF, Nivel de RocíoF, Humedad, PresiónIn, Visibilidad MPH, Wind Direction, Velocidad del vientomph, RáfagaMPH, Precipitación In, Hechos, Conditions. 12:00 AM,37.4,33.8,87,30.39,7.0,NNE,2.3,-,N/A,,Parcialmente Nublado 12:30 AM, 35.6,33.8,93,30.39,7.0,Calm,Calm,-,N/A,,Parcialmente Nublado 1:00 AM,35.6,33. 8,93,30.39,7.0,Calm,Calm,-,N/A,,Nubes Dispersas 1:30 AM,35.6,33.8,93,30.36,7. 0,Norte,1.2,-,N/A,,Nubes Dispersas 2:00 AM,35.6,33.8,93,30.36,7.0,Norte,1.2,-,N/A,,Nubes Dispersas 2:30 AM,35.6,33.8,93,30.36,7.0,NNO,1.2,-,N/A,,Nubes Dis persas 3:00 AM,35.6,33.8,93,30.36,7.0,NNO,1.2,-,N/A,,Nubes Dispersas 3:30 AM,33.8,32.0,93,30.33,7.0,Calm,Calm,-,N/A,,Parcialmente Nublado 4:00 AM,30.2, 32.0,100,30.33,7.0,Calm,Calm,-,N/A,,Parcialmente Nublado 4:30 AM,32.0,30.2,93,30.33,7.0,Calm,Calm,-,N/A,,Parcialmente Nublado 5:00 AM,32.0,30.2,93,30.30,7.0,Calm,Calm,-,N/A,,Parcialmente Nublado 5:30 AM,30.2,30.2,100,-9999,5.6,Calm,Calm,-,N/A,,Despejado
4 Como se puede observar en esta muestra, hay casos en los que faltan datos, o estos son incorrectos. Estos datos no han sido sometidos a ningún procesado de datos. Procedemos ahora a exponer los distintos filtros que se han aplicado a los datos para su posterior procesamiento con WEKA. Explicaremos también porque se han elegido dichos filtros.
5 TRATAMIENTO DE DATOS: El tratamiento de los datos en bruto se ha realizado mediante una serie de filtros, programados en java, para adecuar el formato de los datos a nuestras necesidades, así como para conseguir filtrar los datos inservibles o los que juzgamos innecesarios para los modelos que se eligieron estudiar. Para ello, iremos enumerando y describiendo uno por uno los distintos campos, en el orden correspondiente, de los datos obtenidos a través de METAR. AÑO: Indica el año en el que se tomó la muestra. Su valor está comprendido entre 1996 y MES: Al igual que el dato anterior, indica el mes en que la muestra fue tomada. Así mismo, no necesita ningún tratamiento, ya que se encuentra indicado de forma numérica, oscilando entre 01 y 12. DÍA: Indica el día en que fue tomada la muestra. Sus valores oscilan entre 01 y 31. Así mismo, tiene en cuenta las fechas por meses, es decir, que febrero sólo tiene 28 dias (29 si es bisiesto) y algunos de los meses sólo 30 en vez de 31. No es necesario que hagamos una comprobación del día en función del mes, porque asumimos que los datos obtenidos no tienen errores en estos campos. HORA: Indica el momento exacto en que fue tomada la muestra. El periodo de muestreo es de media hora, es decir, se toma una muestra cada media hora. A cada muestra se la etiqueta con un número, indicando el número de muestra por día. Es decir, la primera muestra, tomada a las 00:00h se etiqueta como 0. La siguiente muestra, tomada a las 00:30h se etiqueta como 1, y así sucesivamente hasta la última muestra, número 47 que corresponde a las 23:30h. Teniendo en cuenta el formato en que se indica la hora, no es necesario realizar ningún cambio en este campo de datos. TEMPERATURA: Este campo representa la medición de la temperatura en el momento de muestreo. Está indicada en grados Farenheit, en formato de tres dígitos con decimal. Sobre dicha medida tampoco se realiza ningún cambio. PUNTO DE ROCÍO: Variable de tres dígitos con decimal. Su unidad de medida son grados Farenheit. No se necesitó ningun preprocesado de datos para su posterior uso y tratamiento. HUMEDAD: Variable de tipo real. De nuevo, no se necesitó ningún preprocesado. PRESIÓN: Variable expresada con tres dígitos y decimal. Su unidad de medida es la pulgada. No se realizó ningún cambio. VISIBILIDAD: Variable de tipo real cuya unidad de medida son los metros. Los valores que toma esta variable en los datos usados son para condición de despejado, 7.0 para cualquier otra cosa, y? para filas de datos desconocidos. Se consideró, que debido a la poca información que aporta, y a no considerarse relevante, la
6 eliminación de esta columna de de datos para el procesamiento final de la información mediante WEKA. DIRECCIÓN DEL VIENTO: Variable cuyo atributo toma un string de entre los siguientes posibles valores:{calm, Variable, Este, ENE, NE, NNE, Norte, NNO, NO, ONO, Oeste, OSO, SO, SSO, Sur, SSE, SE, ESE}. No se realizó ningún cambio. VELOCIDAD DEL VIENTO: Puede tomar cualquier valor numérico, medida en millas, excepto cuando no existe viento, denotándose este estado por el estring Calm. Se sustituyó Calm por 0 para que la columna entera fuese de tipo numérico y facilitar su tratamiento. VELOCIDAD DE RÁFAGAS DE VIENTO: Variable de tipo real cuya unidad de medida. Su valor es siempre - por lo que se decidió eliminar esta columna de datos. PRECIPITACIÓN: Variable de tipo real cuyos valores no están disponibles N/A, por lo que se optó por su eleminación. EVENTOS: Variable no disponible (? ). Se eliminó esta fila de datos. CONDICIONES: Variable de tipo atributo que puede tener distintos valores con matices muy sutiles. Se decidió agruparlos dentro de clases, para que el error en el procesado de esta variable influyese lo menos posible en la simulación: Despejado, Nubes Dispersas Despejado. Nube en Embudo, Parcialmente Nublado, Nublado, Altamente Nublado Nublado. Bancos de Bruma, Bruma Ligera, Bruma Leve, Bruma, Bruma Helada Leve Bruma. Lluvias, Llovizna Leve, Llovizna, Llovizna Abundante, Llovizna Helada Leve, Lluvia Helada Leve, Lluvia Leve, Lluvia, Abundantes Lluvias, Fuertes Lluvias Lluvia. Tormenta Leve, Tormentas Leves y Lluvia, Tormenta, Tormentas y Lluvia, Fuertes Tormentas y Lluvia, Tormentas Leves con Granizo, Tormentas con Granizo Tormenta. Arena, Remolino de Polvo, Nubes de Polvo, Nubes Bajas de Polvo Nubes-de-Polvo. Leve Caída de Granizo Pequeño, Caídas de Granizo, Granizo Pequeño, Granizo Leve Granizo. Partículas de Nieve, Caídas de Nieve, Nevada Leve, Nieve, Abundante Nieve Nieve. Niebla, Abundante Niebla, Niebla Leve, Neblina Niebla. Desconocido Desconocido. Por último, se realizó un filtrado sobre todas las filas de datos con datos incompletos, eliminándose dichas filas, como por ejemplo la línea 1996, 07, 01, 25,?,?,?,?,?,?,?,?,?,? ya que no nos aportan ninguna información de utilidad. Además del filtrado de los datos usados eliminando información no necesaria o incompleta, se añadió una serie de datos que resultaban necesarios para el uso
7 de WEKA. Como WEKA para cada dato sólo acepta una línea, sin tener en cuenta las anteriores, incluimos en cada linea la siguiente información adicional: Variable Temperatura1hora para poder predecir la temperatura de en la hora siguiente necesitamos que en cada fila esté el valor real de dicha medida para poder hallar el error de predicción. Añadimos la variable a continuación de las demás. Variable Temperatura24horas Del mismo modo, necesitamos añadir la temperatura del día después a la misma hora para poder realizar la predicción. Variable Condiciones24horas Por último, añadimos otra variable más cuyo valor será la condición meteorológica del día siguiente a la misma hora para poder predecir dicha variable. Una vez filtrados todos los datos, se añadió una cabezera al fichero obtenido, con el fin de convertirlo en un fichero.arff para que pueda ser usado por WEKA. La cabezera del archivo quedaría de la siguiente forma: % Anyo Mes Dia Direccion del viento {Calm, Variable, Este, ENE, NE, NNE, Norte, NNO, NO, ONO, Oeste, OSO, SO, SSO, Sur, SSE, SE, 1996,07,01,10,66.2,41.0,40,29.98,Calm,0,Despejado,64.4,66.2,Despejado 1996,07,01,11,66.2,41.0,40,29.98,Calm,0,Despejado,64.4,66.2,Despejado 1996,07,01,12,64.4,48.2,56,29.98,Calm,0,Despejado,62.6,64.4,Despejado 1996,07,01,13,64.4,48.2,56,29.98,Calm,0,Despejado,62.6,64.4,Despejado 1996,07,01,14,62.6,48.2,59,29.98,Calm,0,Despejado,68.0,64.4,Despejado
8 RESULTADOS Y ANÁLISIS: A continuación mostraremos los distintos resultados y su posterior análisis de las predicciónes realizadas mediante WEKA. Destacamos aquí que se eligió usar un 80% de los datos para entrenar los diversos métodos, y el 20% restante para probar el modelo obtenido. Así mismo, no todos los campos fueron usados en todos los modelos. Esto lo veremos más detalladamente en cada modelo. Predicción de la temperatura a la hora siguiente: Para esta predicción tomamos en cuenta las siguientes variables: Mes Dia Hora Temperatura Humedad Presion Velocidaddelviento TemperaturaHoraSiguiente Mostramos los modelos de predicción usados: LeastMedSq (-S 4 -G 0) : Entre paréntesis aparecen los parámetros elegidos para el modelo en cuestión. Este método consiste en una regresión lineal por mínimo error medio cuadrático. Los valores obtenidos son: Linear Regression Model temperaturahorasiguiente = * mes * dia * hora * temperatura * humedad * presion * velocidaddelviento === Evaluation on test split === Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 284 Ignored Class Unknown Instances 13 El error absoluto de predicción es del 22.8% y la media de grados de error es de 2.3º. Obtenemos buenos resultados y es normal, ya que la regresión lineal se vale de datos inmediatamente anteriores para predecir el actual la temperatura no suele experimentar cambios bruscos en periodos cortos de tiempo. El error se puede deber a que la temperatura refleja cambios de las horas nocturnas a la diurnas, y se están cogiendo ambas en algunos casos. Es posible también que en circunstancias como precipitaciones intensas, como pueden ser las llamadas tormentas de verano, hagan que este error aumente, ya que sin previo aviso
9 cambia la temperatura y las condiciones climatológicas. Aún así, vemos que se obtienen unos resultados razonables. IBk (-K 1 -W 0): Este Algoritmo se basa en los K vecinos más próximos, de modo que función de K obtendremos unos resultados u otros. El mejor resultado se ha obtenido para K=1: === Evaluation on test split === Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 284 Ignored Class Unknown Instances 13 Con este método obtenemos mejores resultados, el error absoluto de predicción es del 11.12% y la media de grados de error es de 1.11º, ya que usa sólo como datos de predicción la línea anterior, y casi con seguridad la temperatura anterior es igual a la actual. Este método da mejores aproximaciones que el anterior método, ya que el anterior método sólo hace predicciones lineales, con lo cual se comete siempre un mayor error en modelos que no son lineales, como es la predicción de temperatura. El resto de algoritmos nos daban resultados bastante peores así que no recogemos más resultados dignos de mención. Predicción de la temperatura al día siguiente: Para esta predicción tomamos en cuenta las mismas variables y consideraciones que en el apartado anterior: LeastMedSq (-S 4 -G 0) : === Evaluation on test split === Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 280 Ignored Class Unknown Instances 2
10 El error absoluto de predicción es del 21.33% y la media de grados de error es de 2.6º. Vemos como este modelo, para predicciones de temperatura a 24 horas también da unos resultados bastante aceptables. Esto es debido a que en media, la variación de temperatura con respecto del tiempo, es muy lenta, y de un día al anterior, suele hacer la misma temperatura, con una muy leve tendencía de descenso o ascenso, según la época del año que sea. IBk (-K 1 -W 0): === Evaluation on test split === Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 281 Ignored Class Unknown Instances 16 El error absoluto de predicción es del 11.08% y la media de grados de error es de 2.5º. Este algoritmo nos da mejores resultados por las mismas razones expuestas en el apartado anterior. Predicción de las condiciones meteorológicas al día siguiente: El ultimo punto en la predicción consiste en intentar saber cuales serán las condiciones meteorológicas 24 horas después del momento de estudio. La principal diferencia que tiene este punto con respecto a los dos primeros es que ahora no queremos un valor numérico sino que queremos saber una característica que puede tener solo un número finito de valores posibles. Al intentar predecir un conjunto de valores, ha de tener en cuenta un mayor número de variables, y será más susceptible al error Para observar el correcto funcionamiento de nuestro sistema de predicción observaremos la matriz de confusión proporcionada por Weka. En dicha matriz representa los valores estimados frente a los valores reales en una matriz cuadrada. De forma que los aciertos aparecen en la diagonal de la matriz (valor estimado = valor real) y los errores en las restantes posiciones de la misma. Tras probar con muchos sistemas obtenemos que los mejores resultados se obtienen con los siguientes algoritmos: IBk (-K 4 -W 0): Se trata del algoritmo de los K-vecinos mas próximos usando los 4 vecinos que tienen valores de los parámetros conocidos mas parecidos al del caso de estudio:
11 === Evaluation on test split === 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 1692 Ignored Class Unknown Instances 68 === Confusion Matrix === a b c d e f g h i j k <-- classified as a = Despejado b = Nublado c = Bruma d = Lluvia e = Tormenta f = Polvo g = Granizo h = Nieve i = Humo j = Niebla k = Desconocido Donde observamos un porcentaje de acierto de 66.43% que es un valor bastante malo por lo que debemos mejorar el algoritmo. IBk (-K 1 -W 0): Se trata del algoritmo de los K-vecinos mas próximos usando solo el vecino que tiene valores de los parámetros conocidos mas parecidos al del caso de estudio: === Evaluation on test split === 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 1692 Ignored Class Unknown Instances 68 === Confusion Matrix === a b c d e f g h i j k <-- classified as a = Despejado b = Nublado c = Bruma d = Lluvia e = Tormenta f = Polvo g = Granizo h = Nieve i = Humo j = Niebla k = Desconocido
12 Podemos observar que hemos mejorado el porcentaje de acierto hasta un 85.58% que es un valor mucho mejor y bastante aceptable. Observando la matriz de confusión, vemos que la mayor fuente de errores se produce al confundir los dias Despejados con Nublados y viceversa. Esto es así, porque al hacer la agrupación inicial se agruparon días similares en distintas categorias. Así, Parcialmente nublado pasó a Nublado y Parcialmente Despejado pasó a Despejado, habiendo poca diferencia entre parcialmente nublado y parcialmente despejado (la misma diferencia que entre el vaso medio lleno y el vaso medio vacío). Una forma de subsanar este error habría sido crear una categoría más en el preprocesado de datos en el que agrupar los dias parcialmente nublados y parcialmente despejados (en el simil del vaso, como diría un ingeniero: El vaso es dos veces más grande de lo necesario). J48 TREE: Pasamos a probar con algoritmos basados en árboles binarios. De los distintos árboles que nos ofrece la herramienta este es el que nos da los mejores resultados aunque si los observamos no llega a alcanzar los resultados que hemos obtenido con el algoritmo del vecino mas próximo. Nota: No representamos el árbol obtenido debido a su enorme tamaño. === Evaluation on test split === 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 1692 Ignored Class Unknown Instances 68 === Confusion Matrix === a b c d e f g h i j k <-- classified as a = Despejado b = Nublado c = Bruma d = Lluvia e = Tormenta f = Polvo g = Granizo h = Nieve i = Humo j = Niebla k = Desconocido Donde observamos un porcentaje de acierto próximo al 77%. De nuevo podemos observar, y aquí de una forma más evidente, los fallos existenes que hay cuando los modelos confunden los dias parcialmente nublados y parcialmente despejados, en el punto de error entre dias despejados y dias
13 nublados. Este es un claro ejemplo de la importancia que tiene hacer una buena agrupación, ya que si se agrupan muchos datos en pocos grupos (como es el caso) se pierde precisión, al no haber una clara distinción en los datos de agrupamiento.
PREDICCIÓN 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 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 detallesUNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)
UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) 1. ESTADÍSTICA: CLASES Y CONCEPTOS BÁSICOS En sus orígenes históricos, la Estadística estuvo ligada a cuestiones de Estado (recuentos, censos,
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesAlgoritmo para Calcular Logaritmos
Algoritmo para Calcular Logaritmos José Acevedo Jiménez Santiago, Rep. Dom. Calcular el logaritmo de un número hoy día es tarea sencilla, el uso de tablas y reglas para calcular el valor de los mismos
Más detallesFORMACION DE HIELO EN EL CARBURADOR
FORMACION DE HIELO EN EL CARBURADOR Los motores con aspiración normal y carburador pueden, bajo ciertas condiciones de humedad, temperatura y condiciones de operación experimentar una formación de hielo.
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más detallesTabla de cifrado 4677 ww = Tiempo presente. ww = Sin precipitaciones en la estación en el momento de la observación.
Tabla de cifrado 4677 ww = Tiempo presente ww = 00 49 Sin precipitaciones en la estación en el momento de la ww = 00 19 Sin precipitación (es), niebla, niebla helada ( excepto para 11 y 12 ), tempestad
Más detallesLA OBSERVACION METEOROLOGICA
LA OBSERVACION METEOROLOGICA En qué consiste la observación meteorológica? La observación n meteorológica consiste en la medición n y determinación n de todos los elementos que en su conjunto representan
Más detallesInstrucciones para rellenar la hoja de datos
1. Anotación de datos diarios y relleno de lagunas 1.1. De martes a viernes, habiendo observado ayer 1.2. Los días anteriores no hemos podido observar (de 1 a 4 días sin datos) 1.3. Los días anteriores
Más detallesInteligencia en Redes de Comunicaciones
Universidad Carlos III de Madrid Inteligencia en Redes de Comunicaciones PRÁCTICA FINAL PREDICCIÓN METEOROLÓGICA USANDO WEKA Titulación: Ingeniería de Telecomunicación, Curso 5º Pablo Casas Muñoz Roberto
Más detallesUNIDAD 10: ECUACIONES DE SEGUNDO GRADO.
UNIDAD 10: ECUACIONES DE SEGUNDO GRADO. 10.1 Estudio elemental de la ecuación de segundo grado. Expresión general. 10.2 Resolución de ecuaciones de segundo grado completas e incompletas. 10.3 Planteamiento
Más detallesTema 14: Sistemas Secuenciales
Tema 14: Sistemas Secuenciales Objetivos: (CONTADORES) Introducción. Características de los contadores. Contadores Asíncronos. Contadores Síncronos. 1 INTRODUCCIÓN Los contadores son sistemas secuenciales
Más detallesMétodo alternativo de descomposición factorial
Método alternativo de descomposición factorial A continuación expongo un algoritmo para hallar los divisores primos de un número. Este algoritmo puede ser eficaz en la resolución de los mensajes cifrados.
Más detallesTema 2. Descripción Conjunta de Varias Variables
Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis
Más detallesPROBLEMA DE PROGRAMACIÓN LINEAL RESUELTO POR MÉTODO SIMPLEX
Prof.: MSc. Julio Rito Vargas Avilés Planteamiento del problema: PROBLEMA DE PROGRAMACIÓN LINEAL RESUELTO POR MÉTODO SIMPLEX Una compañía de manufactura se dedica a la fabricación de tres productos: A,
Más detallesANEXO 1. CALIBRADO DE LOS SENSORES.
ANEXO 1. CALIBRADO DE LOS SENSORES. Las resistencias dependientes de la luz (LDR) varían su resistencia en función de la luz que reciben. Un incremento de la luz que reciben produce una disminución de
Más detallesIntroducción a las Observaciones Meteorológicas
Introducción a las Observaciones Meteorológicas Climatología Práctico 2013 Natalia Gil Que fenómenos atmosféricos podemos observar...? Tornados Nubes rollo Frentes En que consiste la observación meteorológica?
Más detallesCLIMATOLOGÍA AERONÁUTICA AEROPUERTO INTERNACIONAL DANIEL ODUBER QUIRÓS (COSTA RICA)
CLIMATOLOGÍA AERONÁUTICA AEROPUERTO INTERNACIONAL DANIEL ODUBER QUIRÓS (COSTA RICA) W. Stolz España J. Agüero Porras 2008 CARACTERÍSTICAS DEL AEROPUERTO El Aeropuerto Internacional Daniel Oduber Quirós
Más detallesCAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN. En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán
CAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán para realizar un análisis, la obtención del rendimiento esperado
Más detallesPROPIEDADES DE LOS CAMPOS. Cada campo de una tabla dispone de una serie de características que proporcionan un control
PROPIEDADES DE LOS CAMPOS Cada campo de una tabla dispone de una serie de características que proporcionan un control adicional sobre la forma de funcionar del campo. Las propiedades aparecen en la parte
Más detallesUD Trigonometría Ejercicios Resueltos y Propuestos Col La Presentación
En este documento se da una relación de los tipos de ejercicios que nos podemos encontrar en el tema de Trigonometría de º de Bachillerato. En todo el documento se sigue el mismo esquema: Enunciado tipo
Más detallesUNIDAD 3: QUERIDO PLANETA TIERRA
UNIDAD 3: QUERIDO PLANETA TIERRA Qué es una galaxia? En qué galaxia se encuentra nuestro Sistema Solar? Existen otras galaxias? Conocemos los límites del Universo? Nuestro Sistema Solar gira alrededor
Más detallesUSO DE MODELOS NUMERICOS EN LA PREDICCION EN PERU
1 PERÚ Ministerio del Ambiente Servicio Nacional de Meteorología e Hidrología del Perú - SENAMHI Servicio Nacional de Meteorología e hidrología del Perú SENAMHI USO DE MODELOS NUMERICOS EN LA PREDICCION
Más detallesECUACIONES.
. ECUACIONES... Introducción. Recordemos que el valor numérico de un polinomio (y, en general, de cualquier epresión algebraica) se calcula sustituyendo la/s variable/s por números (que, en principio,
Más detallesEvaluación de modelos para la predicción de la Bolsa
Evaluación de modelos para la predicción de la Bolsa Humberto Hernandez Ansorena Departamento de Ingeniería Telemática Universidad Carlos III de Madrid Madrid, España 10003975@alumnos.uc3m.es Rico Hario
Más detallesCENTRO DE ENSEÑANZA SUPERIOR DON BOSCO EXPERIMENTO FÍSICA FLOTABILIDAD DE LOS CUERPOS
CENTRO DE ENSEÑANZA SUPERIOR DON BOSCO Ciencia Física Pro: Irene Suarez Lacalle EXPERIMENTO FÍSICA FLOTABILIDAD DE LOS CUERPOS GRUPO 6 Martínez del Egido, Manuel Marfil Arteaga, Juan Lázaro Lopez, Sergio
Más detallesMatriz de Insumo - Producto
Matriz de Insumo - Producto Introducción En esta sección vamos a suponer que en la economía de un país hay sólo tres sectores: industria (todas las fábricas juntas), agricultura (todo lo relacionado a
Más detallesTomamos como imagen de prueba la figura 4.17 en escala de grises. Figura Imagen de prueba.
4.3 PARÁMETRO DE ESCALADO Para el caso del parámetro de escalado se va a proceder de la siguiente forma. Partimos de una imagen de referencia (imagen A), a la cual se le aplican cambios de translación
Más detallesMinería de Datos. Predicción Meteorológica
Minería de Datos Jesús Sáez Gómez Escalonilla Inteligencia en Redes de Comunicación Ing. Telecomunicación Página 1 de 25 1. Introducción El objetivo de la práctica es el desarrollo de un sistema real de
Más detallesElaboración de Documentos en Procesadores de Textos
Las tablas permiten organizar la información en filas y columnas, de forma que se pueden realizar operaciones y tratamientos sobre las filas y columnas. Por ejemplo, obtener el valor medio de los datos
Más detallesTEST DE RAZONAMIENTO NUMÉRICO. Consejos generales
TEST DE RAZONAMIENTO NUMÉRICO Consejos generales 1 I. INTRODUCCIÓN En lo relativo a los cálculos de porcentajes, es fundamental tener en cuenta que los porcentajes, en realidad, son referencias abstractas,
Más detallesPREPARACION OLIMPIADA MATEMATICA CURSO
Comenzaremos recordando algunos conocimientos matemáticos que nos son necesarios. Para ello veamos el concepto de factorial de un número natural. Es decir, es un producto decreciente desde el número que
Más detallesSound Meteorological Environmental Correlation. Información técnica
Sound Meteorological Environmental Correlation Información técnica SOME-ECO SOME-ECO SOME-ECO (Sound Meteorological Environmental Correlation) es un proyecto de investigación pionero liderado por ICR,
Más detallesEcuaciones de primer grado
Matemáticas Unidad 16 Ecuaciones de primer grado Objetivos Resolver problemas que impliquen el planteamiento y la resolución de ecuaciones de primer grado de la forma x + a = b; ax = b; ax + b = c, utilizando
Más detallesTema 6: Trigonometría.
Tema 6: Trigonometría. Comenzamos un tema, para mi parecer, muy bonito, en el que estudiaremos algunos aspectos importantes de la geometría, como son los ángulos, las principales razones e identidades
Más detallesRESUMEN METEOROLÓGICO AÑO 2004 ESTACIÓN JORGE C. SCHYTHE 1 (53 08 S; W; 6 M S.N.M.)
Anales Instituto Patagonia (Chile), 2005. 33: 65-71 65 RESUMEN METEOROLÓGICO AÑO 2004 ESTACIÓN JORGE C. SCHYTHE 1 (53 08 S; 70 53 W; 6 M S.N.M.) METEOROLOGICAL SUMMARY 2004, JORGE C. SCHYTHE STATION Nicolás
Más detallesOtra forma de enumerar los resultados es en una tabla de frecuencia:
Materia: Matemática de Séptimo Tema: Intervalo de Clases e Histogramas Qué pasa si quisieras matar algo tiempo mientras esperas tu vuelo de conexión en el aeropuerto? Empiezas a contar el número de personas
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 detallesa) Factoriza el monomio común. En este caso 6 se puede dividir de cada término:
Materia: Matemática de 5to Tema: Factorización y Resolución de ecuaciones 1) Factorización Marco Teórico Decimos que un polinomio está factorizado completamente cuando no podemos factorizarlo más. He aquí
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 detallesSISTEMAS DE NUMERACION
SISTEMAS DE NUMERACION INTRODUCCION El número de dígitos de un sistema de numeración es igual a la base del sistema. Sistema Base Dígitos del sistema Binario 2 0,1 Octal 8 0,1,2,3,4,5,6,7 Decimal 10 0,1,2,3,4,5,6,7,8,9
Más detallesINTRODUCCION 1.1.-PREAMBULO
INTRODUCCION 1.1.-PREAMBULO El suelo en un sitio de construcción no siempre será totalmente adecuado para soportar estructuras como edificios, puentes, carreteras y presas. Los estratos de arcillas blanda
Más detallesTema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
Más detalles1. Los pesos (en Kgs.) de los niños recién nacidos en una clínica maternal durante el último año han sido:
. Los pesos (en Kgs.) de los niños recién nacidos en una clínica maternal durante el último año han sido: Peso [.5,.75) [.75,3) [3,3.5) [3.5,3.5) [3.5,3.75) [3.75,4) [4,4.5) [4.5,4.5] N o de niños 7 36
Más detallesQué es una tabla dinámica? Para qué sirve una tabla dinámica?
Gracias a las múltiples solicitudes de alumnos, me he propuesto realizar este manual a modo de entregar una guía base y una ayuda de memoria para todos aquellos que trabajan con esta herramienta. He decidido
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesINFERENCIA ESTADÍSTICA. Metodología de Investigación. Tesifón Parrón
Metodología de Investigación Tesifón Parrón Contraste de hipótesis Inferencia Estadística Medidas de asociación Error de Tipo I y Error de Tipo II α β CONTRASTE DE HIPÓTESIS Tipos de Test Chi Cuadrado
Más detalles1. Caso no lineal: ajuste de una función potencial
1. Caso no lineal: ajuste de una función potencial La presión (P) y el volumen (V ) en un tipo de gas están ligados por una ecuación del tipo PV b = a, siendo a y b dos parámetros desconocidos. A partir
Más detallesA c) Determinantes. Ejercicio 1. Calcula los siguientes determinantes:
Determinantes 1. Contenido 1.1 Determinantes de orden 1, 2 y 3. 1.2 Menor complementario. Matriz adjunta. 1.3 Propiedades de los determinantes. 1.4 Determinantes de orden n. 1.5 Cálculo de determinantes
Más detallesTema 8. Análisis de dos variables Ejercicios resueltos 1
Tema 8. Análisis de dos variables Ejercicios resueltos 1 Ejercicio resuelto 8.1 La siguiente tabla muestra la distribución del gasto mensual en libros y el gasto mensual en audiovisual en euros en los
Más detalles1. dejar a una lado de la igualdad la expresión que contenga una raíz.
1. Resuelve las siguientes ecuaciones reales: Solución x 1 + x = 0 ; 3 x = 3 ; ln(x 1) + 4 = ln 3 Ecuaciones con raíces: No todas las ecuaciones de este tipo son sencillas de resolver, pero podemos intentar
Más detallesPROTOCOLO PARA LA PREDICCIÓN Y EL SEGUIMIENTO DE FENÓMENOS METEOROLÓGICOS ADVERSOS
PROTOCOLO PARA LA PREDICCIÓN Y EL SEGUIMIENTO DE FENÓMENOS METEOROLÓGICOS ADVERSOS FENOMENOS A CONSIDERAR Las situaciones de meteorología adversa están relacionadas con la superación de ciertos umbrales
Más detallesAritmética de Enteros
Aritmética de Enteros La aritmética de los computadores difiere de la aritmética usada por nosotros. La diferencia más importante es que los computadores realizan operaciones con números cuya precisión
Más detallesFactorización de polinomios FACTORIZACIÓN DE POLINOMIOS
FACTORIZACIÓN DE POLINOMIOS 1. Polinomios Un monomio es el producto de un número real por una o más letras que pueden estar elevadas a exponentes que sean números naturales. La suma de los exponentes de
Más detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
Más detallesCREACIÓN Y MANEJO DE TABLAS Instructivo N 1
CREACIÓN Y MANEJO DE TABLAS Instructivo N 1 CREACIÓN DE TABLAS 1. QUÉ ES UNA TABLA? Para Excel una tabla es un conjunto de datos organizados en columnas y filas, donde las columnas representan los campos
Más detallesCapitulo 4. DECISIONES BAJO RIESGO TEORIA DE JUEGOS
Capitulo 4. DECISIONES BAJO RIESGO TEORIA DE JUEGOS INTRODUCCIÓN En el mundo real, tanto en las relaciones económicas como en las políticas o sociales, son muy frecuentes las situaciones en las que, al
Más detallesMinisterio de Educación. Base de datos en la Enseñanza. Open Office. Módulo 5: Informes
Ministerio de Educación Base de datos en la Enseñanza. Open Office Módulo 5: Informes Instituto de Tecnologías Educativas 2011 Informes Los informes son la herramienta encargada de presentar los datos
Más detallesFUNCIONES Y FÓRMULAS TRIGONOMÉTRICAS
FUNCIONES Y FÓRMULAS TRIGONOMÉTRICAS Página 8. Aunque el método para resolver las siguientes preguntas se sistematiza en la página siguiente, puedes resolverlas ahora: a) Cuántos radianes corresponden
Más detallesTema 2 Introducción a la Programación en C.
Tema 2 Introducción a la Programación en C. Contenidos 1. Conceptos Básicos 1.1 Definiciones. 1.2 El Proceso de Desarrollo de Software. 2. Lenguajes de Programación. 2.1 Definición y Tipos de Lenguajes
Más detallesFase 2. Estudio de mercado: ESTADÍSTICA
1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesTEMA 10A: MASAS DE AIRE
TEMA 10A: MASAS DE AIRE 1 DEFINICIÓN de Masa de aire: Gran porción de la atmósfera de características uniformes, extendiéndose en miles de kilómetros sobre la superficie de la tierra, mientras que, según
Más detallesCAPITULO II ANÁLISIS DEL CRECIMIENTO POBLACIONAL Y CALCULO DE CAUDALES DE DISEÑO
9 CAPITULO II ANÁLISIS DEL CRECIMIENTO POBLACIONAL Y CALCULO DE CAUDALES DE DISEÑO 2.1 Criterios de diseño para el predimensionamiento de los sistemas de abastecimiento de agua 2.1.1 Período de diseño
Más detallesPredicción de los ciclos de El Niño
Predicción de los ciclos de El Niño Israel Cendrero Sánchez I.T.T.Telemática Universidad Carlos III de Madrid Leganes,Madrid,España 100055713@alumnos.uc3m.es Beatriz López Moreno I.T.T.Telemática Universidad
Más detallesmedia = ( temp0 + temp1 + temp2 + temp3 + temp temp23 ) / 24; printf( "\nla temperatura media es %f\n", media );
Arrays en el lenguaje C Introducción Una posible definición de array sería: Un conjunto de datos del mismo tipo, identificados por el mismo nombre, y que se pueden distinguir mediante un número de índice.
Más detallesMICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo.
MICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo. Mediante el modelo de Hertz o Simulación de Montecarlo, trataremos
Más detalles2.- Tablas de frecuencias
º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II TEMA 3.- ESTADÍSTICA DESCRIPTIVA PROFESOR: RAFAEL NÚÑEZ -----------------------------------------------------------------------------------------------------------------------------------------------------------------
Más detallesFORMATO CONDICIONAL EN EXCEL
FORMATO CONDICIONAL EN EXCEL El Formato Condicional es una herramienta muy útil como información gráfica adicional para los datos numéricos que están en celdas o en rangos. Este tipo de formato tiene un
Más detallesTitulo: FACTORIZACION (Descomposición Factorial) Año escolar: 2do: año de bachillerato Autor: José Luis Albornoz Salazar Ocupación: Ing Civil. Docente Universitario País de residencia: Venezuela Correo
Más detallesPrácticas de Laboratorio de Hidráulica
Universidad Politécnica de Madrid E.T.S. Ingenieros de Caminos, Canales y Puertos Prácticas de Laboratorio de Hidráulica Jaime García Palacios Francisco V. Laguna Peñuelas 2010 Índice general 3. Venturi
Más detallesTABLAS DE CIFRADO CLAVES METAR, SPECI Y TAF INSTITUTO NACIONAL DE METEOROLOGÍA
INSTITUTO NACIONAL DE METEOROLOGÍA TABLAS DE CIFRADO CLAVES METAR, SPECI Y TAF En vigor desde 2 de noviembre de 2005 UNIDAD DE METEOROLOGÍA AERONÁUTICA UNIDAD DE ESTUDIOS TÉCNICOS Y CONTROL TABLAS DE CIFRADO
Más detallesAJUSTE O ESTANDARIZACION DE TASAS Y CÁLCULO DE LOS AÑOS POTENCIALES DE VIDA PERDIDOS (APVP) 1.- CONDICIONES y TECNICAS PARA EL AJUSTE DE TASAS
Diplomado en Salud Pública AJUSTE O ESTANDARIZACION DE TASAS Y CÁLCULO DE LOS AÑOS POTENCIALES DE VIDA PERDIDOS (APVP) Como complemento de la información que se ha proporcionado a los alumnos sobre estos
Más detallesPráctica 1: Entorno WEKA de aprendizaje automático y data mining.
PROGRAMA DE DOCTORADO TECNOLOGÍAS INDUSTRIALES APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN ROBÓTICA Práctica 1: Entorno WEKA de aprendizaje automático y data mining. Objetivos: Utilización de funciones
Más detalles11.2. Manual de GTC 2.0: El primer contacto
11 MANUALES DE USUARIO 11.1. Introducción GTC 2.0 y Pocket GTC son herramientas desarrolladas para la gestión del trabajo colaborativo. Pretenden ayudar en la difícil tarea de la evaluación de alumnos
Más detallesINFORME MENSUAL. Circuito Mintzita 470 Fraccionamiento Manantiales (443)
Originado por: INFORME MENSUAL ELABORADO POR: Dirección de Medio Ambiente y Sustentabilidad FECHA: 12 de Abril 2016 ASUNTO: Programa Monitoreo del Aire Morelia Michoacán a 12 de Abril 2016 Como resultado
Más detallesMétodo de diferencias finitas para ecuaciones diferenciales parciales elípticas. (Parte II)
Método de diferencias finitas para ecuaciones diferenciales parciales elípticas (Parte II) Métodos numéricos para sistemas lineales Solución numérica de EDPs requiere resolver sistemas de ecuaciones lineales
Más detallesCálculos de ecuaciones
Capítulo Cálculos de ecuaciones Esta calculadora con gráficos puede resolver los tres siguientes tipos de cálculos: Ecuaciones lineales con dos a seis incógnitas. Ecuaciones de alto orden (cuadráticas,
Más detallesEl polvo de bronce empleado ha sido suministrado por la empresa ECKART. Su denominación comercial es ECKA Spherical Bronze 89/11 AK.
3. MATERIALES 3.1 BRONCE El polvo de bronce empleado ha sido suministrado por la empresa ECKART. Su denominación comercial es ECKA Spherical Bronze 89/11 AK. 3.1.1 PROPIEDADES GENERALES En este apartado
Más detallesFUNCIONES PHP: DECLARACIÓN Y LLAMADAS. PARÁMETROS, RETURN. EJERCICIOS EJEMPLOS RESUELTOS. (CU00827B)
APRENDERAPROGRAMARCOM FUNCIONES PHP: DECLARACIÓN Y LLAMADAS PARÁMETROS, RETURN EJERCICIOS EJEMPLOS RESUELTOS (CU00827B) Sección: Cursos Categoría: Tutorial básico del programador web: PHP desde cero Fecha
Más detallesUnidad 5. Tablas. La celda que se encuentra en la fila 1 columna 2 tiene el siguiente contenido: 2º Celda
Unidad 5. Tablas Una tabla está formada por celdas o casillas, agrupadas por filas y columnas, en cada casilla se puede insertar texto, números o gráficos. Lo principal antes de empezar a trabajar con
Más detallesTEMA 4: Sistemas de ecuaciones lineales II
TEM 4: Sistemas de ecuaciones lineales II ) Teorema de Rouché-Frobenius. ) Sistemas de Cramer: regla de Cramer. 3) Sistemas homogeneos. 4) Eliminación de parámetros. 5) Métodos de factorización. 5) Métodos
Más detallesEnero de Boletín Agrometereológico Mensual CLIMATOLOGIA Y FENOLOGIA AGRICOLA. UBICACION: LAT S - LONG W de G - A.S.N.M.
Enero de 2014 Viento (h=3.6 m) Temperatura del aire Temp.Suelo Radiación Presión Precipitaciones E.T.P. Humedad C C C C Wat./m2 Hpa. Km/H. mm. mm/h mm % 01/01/2014 26.5 32.1 20.2 26.3 4677.0 990.8 1.1
Más detallesINTERPRETACION DE LAS CONDICIONES METEOROLOGICAS DENNYS RAMOS BERNEDO FLICHT DISPACHT
INTERPRETACION DE LAS CONDICIONES METEOROLOGICAS DENNYS RAMOS BERNEDO FLICHT DISPACHT INTRODUCCION IMPORTANCIA E INTERPRETACION DE LAS CONDICIONES METEOROLOGICAS PRONOSTICO SPZO TAF SPZO 192250Z 2000/2024
Más detallesIRPF IRPF 10205B41 MICROTECH SISTEMAS, S.L. CIF: B61022943 1 / 12 A CORUÑA. LAS PALMAS Berruguete, 114, Bajos LOGROÑO BARCELONA.
1 / 12 2 / 12 1. INTRODUCCION FICHEROS MAESTROS: CLIENTES Ficheros->Ficheros Maestros->Clientes Para poder definir a un cliente que se le ha de aplicar el, debemos dirigirnos a la pestaña de DATOS DE VENTA
Más detallesProgramación en Visual Basic Ricardo Rodríguez García
Manual Básico de Programación en Visual Basic 1.- Estructura de un proyecto Visual Basic Los programas o aplicaciones desarrolladas en Visual Basic van a constituir un único paquete que denominaremos proyecto.
Más detallesArrays unidimensionales. Dim.Option Base. Erase. Ejemplos en Visual Basic (CU00311A)
aprenderaprogramar.com Arrays unidimensionales. Dim.Option Base. Erase. Ejemplos en Visual Basic (CU00311A) Sección: Cursos Categoría: Curso Visual Basic Nivel I Fecha revisión: 2029 Autor: Mario R. Rancel
Más detallesMANUAL DEL PROGRAMA EXCEL LABORAL
MANUAL DEL PROGRAMA EXCEL LABORAL Nivel 1 Tema 1 Caso Práctico 01 Creación Base de Datos de Variables Alfabéticas Capacitaciones Interdisciplinarias y Servicios Profesionales S.A. Programa Excel Laboral
Más detallesCOMO REALIZAR CONSULTAS CON EL CONSTRUCTOR DE GEOCONSULTAS DEL SIG GUADUA.
1 COMO REALIZAR CONSULTAS CON EL CONSTRUCTOR DE GEOCONSULTAS DEL SIG GUADUA. Introducción El constructor de geoconsultas es una herramienta para usuarios un poco más avanzados y con conocimientos básicos
Más detallesHIDROLOGÍA. CALSE 10: Precipitación Parte II. Julián David Rojo Hdz. I.C. Msc. Recursos Hidráulicos
HIDROLOGÍA CALSE 10: Precipitación Parte II Julián David Rojo Hdz. I.C. Msc. Recursos Hidráulicos Medidas de la precipitación L: lámina en mm L L= Volumen/Area MEDIDA DE LA PRECIPITACION PLUVIÓMETROS PLUVIÓMETROS
Más detallesMICROSOFT EXCEL 2010
MICROSOFT EXCEL 2010 1. AVANZADO Nº Horas:24 Objetivos: Descripción de funciones avanzadas de la hoja de cálculo Microsoft Excel 2010, viendo el uso de fórmulas, funciones y gráficos en los libros de Excel.
Más detallesTEMA 8.- NORMAS DE MATRICES Y
Álgebra II: Tema 8. TEMA 8.- NORMAS DE MATRICES Y NúMERO DE CONDICIóN Índice. Introducción 2. Norma vectorial y norma matricial. 2 2.. Norma matricial inducida por normas vectoriales......... 4 2.2. Algunos
Más detallesLABORATORIO Nº 8 FILTROS EN EXCEL
OBJETIVO Mejorar el nivel de comprensión y el manejo de las destrezas del estudiante para utilizar filtros en Microsoft Excel. 1) FILTRAR INFORMACIÓN Para agregar un filtro a una tabla se debe seleccionar
Más detallesDiplomatura en Ciencias Empresariales X Y 10 10000 100 1000 1000 100 10000 10
DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Diplomatura en Ciencias Empresariales ESTADÍSTICA II Relación Tema 10: Regresión y correlación simple. 1. Ajustar una función potencial a los siguientes
Más detallesFigura 1 Si la señal continua únicamante toma dos balores, entonces se denomina señal binaria, Figura 2. Figura 2
1. Señales digitales-analógicas Antes de comenzar con el diseño de sistemas digitales, se debe definir qué es una señal continua, discreta, analógica, digital y binaria. Una señal continua es aquella que
Más detallesInecuaciones lineales y cuadráticas
Inecuaciones lineales y cuadráticas 0.1. Inecuaciones lineales Una inecuación lineal tiene la forma ax + b < 0 ó ax + b > 0 ó ax + b 0 ó ax + b 0. El objetivo consiste en hallar el conjunto solución de
Más detalles2. METODOLOGÍA. Los tipos fundamentales de Estudios de Investigación, como nos recuerda Bavaresco, son cuatro:
2. METODOLOGÍA Para llevar a cabo este estudio es necesario utilizar una metodología de investigación, debido a que el no contar con los métodos y técnicas necesarias que nos guíen a través de una investigación
Más detallesTema 3: Sistemas de ecuaciones lineales
Tema 3: Sistemas de ecuaciones lineales 1. Introducción Los sistemas de ecuaciones resuelven problemas relacionados con situaciones de la vida cotidiana que tiene que ver con las Ciencias Sociales. Nos
Más detalles