Propuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio

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

Download "Propuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio"

Transcripción

1 Revista de Investigación ULASALLE, Rev Inv ULASALLE, Número 1, 2012 (55-64) Universidad La Salle Arequipa, Perú Propuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio 1 Cristian López Del Álamo Universidad La Salle. Arequipa, Perú 2 Juan Lazo Lazo Laboratorio de Inteligencia Computacional Aplicada Río de Janeiro, Brasil Resumen En la actualidad, las entidades nancieras están interesadas en dar créditos nancieros con el objetivo de apoyar a las pequeñas empresas. Y, al mismo tiempo, porque estas operaciones constituyen un mecanismo que les permite obtener ganancias mediante sus tasas de interés. El problema radica en detectar qué clientes constituyen un riesgo crediticio potencial. Es decir, qué clientes posiblemente no paguen sus deudas y quiénes serán buenos clientes. El presente artículo propone un modelo basado en Redes Neuronales que permitiría clasi car a los clientes en buenos y malos pagadores. Para seleccionar el modelo adecuado, se realizaron diferentes con guraciones de la red Neuronal con aprendizaje tipo Back Propagation, las cuales incluyen modi caciones en el número de neuronas de la capa oculta hasta procesos de normalización y reducción de la dimensionalidad utilizando Análisis de Componentes Principales (PCA). Se realizaron comparaciones de los distintos modelos a n de obtener el más e ciente. Palabras clave: modelo, redes neuronales, riesgo crediticio. En la actualidad, las entidades nancieras, como cualquier empresa, buscan identi car mecanismos que les permita incrementar sus ingresos. Uno de esos mecanismos son los créditos nancieros. De esta manera los créditos 1 2 Ingeniero de Sistemas de la Universidad Nacional de San Agustín y Magíster en Ingeniería de Software de la Universidad de Tarapacá (Chile). Es Coordinador de la Carrera de Ingeniería Informática de la Correspondencia a Doctor en Ingeniería Eléctrica de la Ponti cia Universidad de Río de Janeiro. Correspondencia a -55-

2 nancieros permiten a los clientes hacerse de un capital, y a las entidades nancieras prestar ciertos montos de dinero. Esto, para posteriormente obtener ganancias mediante una tasa de interés que depende del monto prestado. Este instrumento nanciero, al igual que otros, incurre en algunos riesgos potenciales para la institución. Por ejemplo, qué sucede si una entidad nanciera X, realiza un crédito de $ a un cliente Y, y este, no llega a pagar ninguna cuota? Son estos riesgos los que estimulan el desarrollo de nuevos modelos para la predicción de clientes que podrían ser un riesgo potencial. Existen distintos tipos de algoritmos de clasi cación utilizados en la evaluación del riesgo crediticio: regresión logística, análisis de discriminación cuadrática y lineal, máquinas de soporte vectorial, clasi cación por medio de redes bayesianas y redes neuronales (Qian, 2007). Algunos trabajos relacionados a este tema, son los de Qian (2007), Dissanayake et al (2006) y Shyu et al (2008). En el trabajo de Shyu, Chang y Chi (2008), se desarrolló una red Back Propagation (RBP) para establecer modelos de predicción del ratio exacto de previsión en las organizaciones de supervisión para llevar a cabo el control acciones (Shyu et al, 2008).Por otro lado, Dissanayake, Hendahewa y Karunananda (2006) publicaron un nuevo enfoque sobre la evaluación del riesgo crediticio que incorpora el impacto de recursos nancieros, la industria y factores económicos especí cos, utilizando tecnología de redes neuronales arti ciales (Dissanayake et al, 2006). Actualmente, algunas de las mayores aplicaciones comerciales en predicción de mora de clientes están basadas en redes neuronales, como el modelo de riesgo de Moody. Estas investigaciones alentaron el estudio del presente artículo, que busca encontrar un modelo basado en redes neuronales con aprendizaje tipo Back Propagation, con el objetivo de minimizar el error de clasi cación y la complejidad de la red neural. Arquitectura de la Red Neuronal Dado que el propósito de esta investigación es utilizar una red neural para clasi car clientes, posiblemente morosos, de aquellos que no son, es que se requiere una red neural de n elementos de entrada, una capa oculta con m neuronas y una capa de salida con una sola neurona. Se utilizará una neurona en la capa de salida, debido a que la red debe retornar como resultado un valor de cero, si el cliente es potencialmente no -56-

3 pagador, y un valor de 1, si el cliente tiene el per l de una persona pagadora. Como se verá en la sección III, la información correspondiente a cada cliente cuenta con 11 campos, motivo por el cual, el número de elementos de entrada es 11. De esta manera, que se cuenta con un conjunto de patrones de entrenamiento 11-dimensional. En la gura Nº 1 se muestra la arquitectura de una red neuronal con un vector característica de 4 elementos, una capa oculta con 3 neuronas y una capa de salida con una neurona. Para encontrar el mejor modelo de la red neuronal, de manera e ciente y e caz, es necesario minimizar los elementos mal clasi cados por la red y simpli car su estructura. Esto se puede lograr, disminuyendo el número de neuronas en la capa oculta o utilizando técnicas de reducción de la dimensionalidad para minimizar el tiempo de entrenamiento. Figura N 1 Red Neuronal con una capa oculta y una neurona de salida. Descripción de los datos Los datos utilizados han sido divididos de manera aleatoria en tres grupos. En cada grupo, se tienen dos archivos, uno para proceso de entrenamiento y otro para las pruebas. -57-

4 En el cuadro Nº 1 se muestran las características de los datos y su respectiva descripción. La característica CLASE en la última la del cuadro representa, mediante el valor 1, si el cliente es pagador, y mediante el valor 0 si no lo es. Este dato indica el valor que la red debe inferir a partir de las 11 características anteriores. Cuadro N 1 Características de datos históricos. Variable Descripción Tipo Valores ESCT Estado civil Categ 0,1,2,3. NDEP Nro. de dependientes Categ 0,1,2,3,4,5,6,7. RENDA Renta Numer TIPOR Tipo de Residencia Categ 0,1 VBEM Valor de bien a ser adquirido Numer NPARC Número de parcelas o cuotas Numer jan/24 VPARC Valor de la parcela o cuota Numer TEL Si el cliente posee teléfono Categ 0,1. IDADE Edad del Cliente Numer RESMS Tiempo de mora Numer ENTRAD Valor de entrada Numer CLASE 1 si es cliente pagador, 0 en caso contrario Categ 0,1. Como se mencionó en la sección anterior, la entrada a la red podría ser un vector 11-dimensional en el caso de tomar todos los datos, mientras que la salida consistirá de una neurona. En la siguiente sección se describe la metodología para el preprocesamiento de los datos, la cual utiliza procedimientos para normalizar, como para reducir el número de variables mediante (PCA). -58-

5 Metodología para hallar el modelo de Red Neuronal Para encontrar el mejor modelo, es decir, aquel que realice el mejor proceso de clasi cación (maximice la cantidad de aciertos y minimice el error en el proceso de entrenamiento de la red neuronal), se realizaron dos experimentos: Experimento 1: Se crean 19 modelos de redes neuronales, los cuales van de 2 a 20 neuronas en la capa oculta, cuyos datos de entrada fueron preprocesados mediante técnicas de normalización y PCA. Normalización de los Datos Para los datos del experimento 1, se realizó un proceso de normalización de los datos de entrada a la red, en base a la media y la desviación estándar, como se muestra en la fórmula 1. Donde es el dato normalizado, x es el dato original, μ es la media de todos los valores de la variable x, y θ es la desviación estándar de la variable x. Esta técnica de normalización es aplicada a los patrones de entrada. La salida no requiere ser desnormalizada ya que toma valores entre 0 y 1. Con este proceso se busca que los elementos de entrada tengan una media de cero y una desviación estándar igual a uno. Análisis de Componentes Principales El análisis de componentes principales (PCA) busca explicar la estructura de la correlación de un conjunto de variables predictoras usando un pequeño conjunto de combinaciones lineales de esas variables. Esas combinaciones lineales son llamadas componentes. La variabilidad total de un conjunto de datos, producida por todos los datos de m variables, pueden ser, a menudo, representadas principalmente por un pequeño conjunto de k combinaciones lineales de esas variables. Lo cual podría signi car que hay tanta información en las k componentes como en el conjunto original de m variables (Dan, 2006). Experimento 2: Se crean 19 modelos de redes neuronales, los cuales van de 2 a 20 neuronas en la capa oculta, cuyos datos de entrada no han sido preprocesados. -59-

6 Este hecho, sugiere que en lugar de trabajar con n registros de m variables, ahora es posible trabajar con n registros de k componentes, donde k<m. Por lo tanto, el uso de esta técnica nos permitirá disminuir la dimensionalidad de los patrones de entrada, haciendo que el proceso de entrenamiento sea más e ciente. De esta manera, lo que se pretende determinar es, si este proceso de reducción de dimensionalidad, sumando a la normalización de los datos, mejora los resultados de la red. Así, para los datos del experimento 1, se realizó el proceso de normalización. Posteriormente, se aplicó PCA y se tomó un número de componentes principales con el n de que expliquen el total de la información en no menos de un 99.9%. En la gura Nº 2 se puede apreciar que solo son necesarios siete componentes principales para representar la información con un error de 0.001, de modo que, estos siete componentes representan un total del 99.9% de la información. Esto indica que la dimensionalidad de los patrones de entrada puede ser reducida de once dimensiones a solo siete, logrando una reducción de la dimensionalidad del 36.36%. Cuadro N 2 Análisis de componentes principales Entrenamiento En fase de entrenamiento se utilizaron tres archivos, cada uno de los cuales cuenta con 1500 registros. Las redes fueron con guradas para ser entrenadas con el 60% de los datos de cada archivo de entrenamiento. -60-

7 Asimismo, el 20% fue utilizado para validación y el 20% restante para pruebas. Posteriormente, el proceso fue dividido en los dos experimentos: Experimento 1: Las entradas a la red fueron normalizadas utilizando como base, la media y desviación estándar; luego se aplicó PCA a los datos, reduciendo la dimensionalidad a 7 características en lugar de 11, como se demuestra en la subsección B. Experimento 2: Las entradas a la red no fueron normalizadas ni se redujo la dimensionalidad. Para cada experimento, se crearon 19 redes neuronales tipo feedforward con entrenamiento Back Propagation, las redes variaron en el número de neuronas en la capa oculta de 2 a 20. En la siguiente subsección se explicará el proceso de pruebas y determinación del mejor modelo. Determinación del mejor modelo En esta fase se entrenaron a las redes con los datos de los experimentos 1 y 2 con el objetivo de analizar cuál de las con guraciones de red retorna el menor número de falsos positivos y falsos negativos, así como el error de la clasi cación. Para este propósito se utilizó una matriz de confusión desarrolladas por (Kohavi y Provost, 1998). Esta matriz contiene información sobre la clasi cación real y predicha por un sistema de clasi cación y permite evaluar la efectividad del sistema. Con esta información, la función de confusión puede determinar el número de falsos positivos, de falsos negativos y estimar la abilidad del modelo. Esta función fue aplicada a los datos de salida de las 19 redes neuronales y en cada experimento. Los resultados fueron evaluados a n de determinar cuál es la mejor con guración de red en cada experimento y veri car si el preprocesamiento de los datos signi ca alguna ventaja en relación a los experimentos sin preprocesamiento. -61-

8 Experimentos Se realizaron dos experimentos, el experimento 1, el cual aplica un proceso de normalización y PCA a los datos. Y el experimento 2, que no usa normalización ni PCA. Cuadro N 3 Falsos positivos en clase pagadores En el cuadro Nº 3, se observan los elementos mal clasi cados para el grupo de pagadores. Es decir, elementos que debieron ser clasi cados como 1, pero fueron clasi cados como cero, mientras que en la gura 4, se da el caso opuesto. Al lado izquierdo de ambas imágenes se aprecia la relación entre falsos positivos y el número de neuronas en cada modelo con datos normalizados y con disminución de la dimensionalidad por medio de PCA. Al lado derecho, se muestra la misma relación, pero para los datos no normalizados y sin reducción de la dimensionalidad. -62-

9 En el cuadro Nº 3, se muestran los elementos mal clasi cados en la clase 1, es decir, elementos que debieron estar en la clase 1 (buenos pagadores) pero que fueron clasi cados en la clase 2 (malos pagados). Aquí podemos notar, que utilizando PCA y normalización en los tres casos, son necesarias más de 8 neuronas para obtener falsos positivos de alrededor del 10%. Frente al caso, de los datos no normalizados (imágenes a la derecha y de color rojo), cuyos modelos requiere redes neuronales de 12 neuronas para obtener un 16% de falsos positivos. Cuadro N 4 Falsos positivos en clase no pagadores En el cuadro Nº 4, el caso es similar al anterior, solo que esta vez se trata de elementos que debieron ser clasi cados en el grupo 2, pero aparecen en el grupo 1. Aquí se puede notar que el grupo sin PCA requeriría solo de cuatro neuronas para clasi car con una cantidad de falsos positivos de alrededor del 15%, frente a las ocho neuronas que se necesitarían utilizando PCA y normalización (alcanzando aproximadamente un 16% de falsos positivos). Podemos notar que, aproximadamente con 12 neuronas, el modelo con datos normalizados y PCA tiene el menor número de falsos positivos en -63-

10 promedio, tanto en clase 1 como en la clase 2. Por otro lado, y para el modelo basado en datos normalizados y con PCA, esto ocurre solo con 8 neuronas. Conclusiones El comportamiento del modelo basado en redes neuronales con datos de entrenamiento normalizados y con dimensionalidad disminuida aplicando PCA es superior a los modelos sin realizar un tratamiento previo de los datos de entrenamiento. PCA permitió disminuir la dimensionalidad de los datos en un 36.36%. Esto, sumado a que el modelo solo requiere 8 neuronas frente a las 12 necesarias para el experimento que utiliza datos sin normalización ni PCA, permite realizar un proceso de entrenamiento mucho más rápido. Con los dos puntos anteriores podemos concluir que el modelo, entrenado con datos normalizados y a los cuales se les aplicó PCA, es e caz y e ciente frente al modelo sin normalización ni PCA. Referencias Dissanayake, B., Hendahewa, C., & Karunananda, A. (2007). Arti cial neural network approach to credit risk assessment. Second international conference on industrial and information systems, Larose, D. (2006). Mining methods and models. USA: Wiley-IEEE Press. Qian, Y. (2007). Financial modeling and credit scoring with neural network. Wireless communications, networking and mobile computing, Qian, Y. & Benquan, L. (2007). Classi cation algorithms based on neural network and it's application in the credit market. Service systems and service management, 1-6. Shyu, D., Chang, C., & Chi, T. (2008). Establish credit rating system and apply back-propagation network for forecasting insurance companies. In ICICIC '08: Proceedings of the rd International Conference on Innovative Computing Information and Control. Washington, D.C.: IEEE Computer Society. -64-

Con el fin de obtener los datos, se procede con las siguientes instrucciones:

Con el fin de obtener los datos, se procede con las siguientes instrucciones: Capitulo 3. La predicción de beneficios del mercado bursátil Este segundo caso de estudio va más allá en el uso de técnicas de minería de datos. El dominio específico utilizado para ilustrar estos problemas

Más detalles

RW.02 RW.01. Curso Data Mining y Aplicaciones en Riesgo de Crédito

RW.02 RW.01. Curso Data Mining y Aplicaciones en Riesgo de Crédito RW.02 RW.01 Curso Data Mining y Aplicaciones en Riesgo de Crédito RICHARD WEBER PhD. En Investigación de Operaciones del Instituto de Tecnología de Aachen, Alemania La actividad comercial de las empresas

Más detalles

MINERIA DE DATOS Y Descubrimiento del Conocimiento

MINERIA 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 detalles

Técnica para reusar artefactos de análisis y diseño en el modelamiento de software

Técnica para reusar artefactos de análisis y diseño en el modelamiento de software Revista de Investigación ULASALLE, Rev Inv ULASALLE, Número 1, 2012 (67-78) Universidad La Salle Arequipa, Perú Técnica para reusar artefactos de análisis y diseño en el modelamiento de software 1 Percy

Más detalles

DATA 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 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

Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés

Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés Amaro Camargo Erika, Reyes García Carlos A. Instituto Nacional de Astrofísica, Óptica

Más detalles

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES Capítulo 5 Modelado y Simulación del IDS 35 CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES En este capítulo se describe la preparación de los datos para servir como entradas al IDS y la simulación de

Más detalles

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES José Alejandro Chiri Aguirre RESUMEN La predicción de recidiva en pacientes que han sido

Más detalles

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS Capitulo 6. Sistema de Detección de Intrusos con Redes Neuronales. 69 CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS USANDO REDES NEURONALES. En este capítulo se realiza la preparación adecuada de toda la

Más detalles

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING Aprendizaje Automático y Data Mining Bloque IV DATA MINING 1 Índice Definición y aplicaciones. Grupos de técnicas: Visualización. Verificación. Descubrimiento. Eficiencia computacional. Búsqueda de patrones

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín.

Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín. Bogotá 15 y 16 de Agosto de 2008 EXTRACCIÓN DE PATRONES DE LA ENCUESTA ANUAL MANUFACTURERA COLOMBIANA EMPLEANDO INTELIGENCIA ARTIFICIAL Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica.

Más detalles

Curso Data Mining y Aplicaciones en Riesgo de Crédito

Curso Data Mining y Aplicaciones en Riesgo de Crédito RW.02 RW.01 Transferencia Internacional de Curso Data Mining y Aplicaciones en Riesgo de Crédito RICHARD WEBER PhD. En Investigación de Operaciones del Instituto de Tecnología de Aachen, Alemania La actividad

Más detalles

Ejercicios de Macroeconomía Avanzada

Ejercicios de Macroeconomía Avanzada Ejercicios de Macroeconomía Avanzada José L Torres Chacón Departamento de Teoría e Historia Económica Universidad de Málaga Septiembre 200 ii Indice I Sistemas dinámicos básicos 5 Introducción a la dinámica

Más detalles

Introducción a selección de. Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012

Introducción a selección de. Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012 Introducción a selección de atributos usando WEKA Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012 Contenido 1 Introducción a WEKA El origen Interfaces

Más detalles

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a

Más detalles

T E C N O L O G Í A OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE. Aplicación. a la INDUSTRIA

T E C N O L O G Í A OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE. Aplicación. a la INDUSTRIA OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE Aplicación a la INDUSTRIA de la construcción 1 El presente estudio propone el uso de un algoritmo comúnmente utilizado en la rama de investigación

Más detalles

Minería de datos para la determinación del grado de exclusión social

Minería de datos para la determinación del grado de exclusión social Minería de datos para la determinación del grado de exclusión social Data mining to determine the degree of social exclusion * Jorge Enrique Rodríguez Rodríguez Fecha de recepción: 23 de agosto de 2008

Más detalles

Aprendizaje Automatizado. Redes Neuronales Artificiales

Aprendizaje Automatizado. Redes Neuronales Artificiales Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano

Más detalles

Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos).

Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos). Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos). Autores: - MsC. Ing. Mario L. Basulto Núñez (ETECSA) mario.basulto@etecsa.cu - Lic.

Más detalles

Capítulo 1. Introducción. 1.1. Antecedentes

Capítulo 1. Introducción. 1.1. Antecedentes Capítulo 1. Introducción En este capítulo se presenta una descripción general del problema a investigar y el enfoque con el que se aborda. Se establece la necesidad de incorporar técnicas de análisis novedosas

Más detalles

Covarianza y coeficiente de correlación

Covarianza y coeficiente de correlación Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también

Más detalles

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Francisco J. Martín Mateos Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Qué es la (KE)? Definición de Wikipedia: La es una disciplina cuyo objetivo es integrar conocimiento

Más detalles

Grado en Ingeniería Informática

Grado en Ingeniería Informática Primer Curso Primer semestre ESCUELA SUPERIOR DE INGENIERÍA Chile, 1 11002-CÁDIZ Teléfono: 95 015100 Fax: 95 015101 Más información: www.uca.es/ingenieria Itinerario curricular recomendado ENSEÑANZAS Cálculo

Más detalles

Detección de Intrusiones mediante el uso de Redes Neuronales Britos J. Daniel 12, Arias. Silvia 13, Vargas Laura 14

Detección de Intrusiones mediante el uso de Redes Neuronales Britos J. Daniel 12, Arias. Silvia 13, Vargas Laura 14 Detección de Intrusiones mediante el uso de Redes Neuronales Britos J. Daniel 12, Arias. Silvia 13, Vargas Laura 14 1. Facultad de Ciencias Exactas, Físicas y Naturales. Universidad Nacional de Córdoba.

Más detalles

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Álvaro J. Méndez Services Engagement Manager IBM SPSS / Profesor Econometría UAM Jecas, 22 Oct 2010 Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Business Analytics software Agenda Minería

Más detalles

FILTRADO DE CONTENIDOS WEB EN ESPAÑOL DENTRO DEL PROYECTO POESIA

FILTRADO DE CONTENIDOS WEB EN ESPAÑOL DENTRO DEL PROYECTO POESIA FILTRADO DE CONTENIDOS WEB EN ESPAÑOL DENTRO DEL PROYECTO POESIA Enrique Puertas epuertas@uem.es Francisco Carrero fcarrero@uem.es José María Gómez Hidalgo jmgomez@uem.es Manuel de Buenaga buenga@uem.es

Más detalles

Unidad 2 Modelos de optimización

Unidad 2 Modelos de optimización Unidad 2 Modelos de optimización Objetivos Al nalizar la unidad, el alumno: Construirá modelos matemáticos de optimización. Resolverá problemas prácticos con el método gráfico. Matemáticas para negocios

Más detalles

Grado en Ingeniería Informática

Grado en Ingeniería Informática Grado en Ingeniería Informática ESCUELA SUPERIOR DE INGENIERÍA Chile, 1 11002-CÁDIZ Teléfono: 95 015100 Fax: 95 015101 Más información: www.uca.es/ingenieria Itinerario curricular recomendado ENSEÑANZAS

Más detalles

Rumboitil www.rumboitil.com e-mail: info@rumboitil.com

Rumboitil www.rumboitil.com e-mail: info@rumboitil.com INDICE... Error! Marcador no definido. Unidad 3 Estrategia del Servicio... 2 3.1 Creación de Valor a través del Servicio.... 2 3.2 Gestión de la demanda.... 4 3.3 Gestión financiera.... 7 3.4 Procesos

Más detalles

CREDIT SCORING: DEL USO TRADICIONAL, AL PRICING AJUSTADO POR RIESGO

CREDIT SCORING: DEL USO TRADICIONAL, AL PRICING AJUSTADO POR RIESGO CREDIT SCORING: DEL USO TRADICIONAL, AL PRICING AJUSTADO POR RIESGO INTRODUCCIÓN David A. Mermelstein Los modelos de Credit Scoring son parte de una metodología para el manejo del riesgo de crédito ya

Más detalles

Boletín de Asesoría Gerencial* Modelo Credit Scoring: Un paso hacia una gestión diferenciada y eficiente del riesgo de crédito

Boletín de Asesoría Gerencial* Modelo Credit Scoring: Un paso hacia una gestión diferenciada y eficiente del riesgo de crédito Espiñeira, Sheldon y Asociados No. 22-2008 *connectedthinking Contenido Haga click en los enlaces para navegar a través del documento Haga click en los enlaces para llegar directamente a cada sección 4

Más detalles

Tema 5. Reconocimiento de patrones

Tema 5. Reconocimiento de patrones Tema 5. Reconocimiento de patrones Introducción al reconocimiento de patrones y a la clasificación de formas Un modelo de general de clasificador Características discriminantes Tipos de clasificación Clasificadores

Más detalles

Un Análisis Comparativo de la Adopción del EDI en los Proveedores de Primer y Segundo Nivel de Automoción

Un Análisis Comparativo de la Adopción del EDI en los Proveedores de Primer y Segundo Nivel de Automoción II Conferencia de Ingeniería de Organización Vigo, 5-6 Septiembre 2002 Un Análisis Comparativo de la Adopción del EDI en los Proveedores de Primer y Segundo Nivel de Automoción Angel Martínez Sánchez 1

Más detalles

Organización del Computador. Prof. Angela Di Serio

Organización del Computador. Prof. Angela Di Serio Punto Flotante Muchas aplicaciones requieren trabajar con números que no son enteros. Existen varias formas de representar números no enteros. Una de ellas es usando un punto o coma fijo. Este tipo de

Más detalles

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión.

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión. TEMA 9 TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE LA INFORMACIÓN CONTABLE 9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de

Más detalles

Weka como herramienta de data mining

Weka como herramienta de data mining Weka como herramienta de data mining Lic. Aldave Rojas Isaac Alberto Instituto Tecnológico Superior de Ciudad Serdán Abstract El presente trabajo muestra un ejemplo introductorio a la herramienta de Data

Más detalles

51 Int. CI.: G06F 11/34 (2006.01) 71 Solicitantes: 72 Inventor/es: 74 Agente/Representante:

51 Int. CI.: G06F 11/34 (2006.01) 71 Solicitantes: 72 Inventor/es: 74 Agente/Representante: 19 OFICINA ESPAÑOLA DE PATENTES Y MARCAS ESPAÑA 11 21 Número de publicación: 2 427 645 Número de solicitud: 201131833 51 Int. CI.: G06F 11/34 (2006.01) 12 INFORME SOBRE EL ESTADO DE LA TÉCNICA R1 22 Fecha

Más detalles

MODELO HÍBRIDO DE CLASIFICACIÓN BASADO EN ALGORITMOS GENÉTICOS Y MÁQUINAS DE VECTORES DE SOPORTE APLICADO A LA EVALUACIÓN CREDITICIA

MODELO HÍBRIDO DE CLASIFICACIÓN BASADO EN ALGORITMOS GENÉTICOS Y MÁQUINAS DE VECTORES DE SOPORTE APLICADO A LA EVALUACIÓN CREDITICIA MODELO HÍBRIDO DE CLASIFICACIÓN BASADO EN ALGORITMOS GENÉTICOS Y MÁQUINAS DE VECTORES DE SOPORTE APLICADO A LA EVALUACIÓN CREDITICIA ANDRÉS YESID RAMÍREZ AYA UNIVERSIDAD NACIONAL DE COLOMBIA FACULTAD DE

Más detalles

Predicción del índice IBEX-35 aplicando Máquinas de Soporte Vectorial y Redes Neuronales.

Predicción del índice IBEX-35 aplicando Máquinas de Soporte Vectorial y Redes Neuronales. 6th International Conference on Industrial Engineering and Industrial Management. XVI Congreso de Ingeniería de Organización. Vigo, July 18-20, 2012 Predicción del índice IBEX-35 aplicando Máquinas de

Más detalles

Programa de Conferencias Orientación Vocacional Profesional

Programa de Conferencias Orientación Vocacional Profesional Informes Campus Universidad La Salle Av. Alfonso Ugarte 517, Cercado. Arequipa Telf: (51 54) 607554 / 607555 Anexo (403) www.ulasalle.edu.pe ovpulasalle@ulasalle.edu.pe Programa de Conferencias Orientación

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos Guía docente

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos Guía docente Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos Guía docente Impartido por: Juan Alfonso Lara Torralbo 1. Datos del docente NOMBRE Juan Alfonso Lara Torralbo FORMACIÓN

Más detalles

CIENCIAS DE LA COMPUTACIÓN UNIVERSIDAD NACIONAL DE SAN AGUSTIN MAGISTER EN INGENIERÍA DE SOFTWARE

CIENCIAS DE LA COMPUTACIÓN UNIVERSIDAD NACIONAL DE SAN AGUSTIN MAGISTER EN INGENIERÍA DE SOFTWARE CURRÍCULUM VITAE CRISTIAN JOSE LOPEZ DEL ALAMO Actualmente director del area de informática y docente, investigador de la carrera de la Universidad La Salle de Arequipa. También es docente en ciencias

Más detalles

Agentes neuronales para invertir en bolsa en el simulador MAStock

Agentes neuronales para invertir en bolsa en el simulador MAStock Agentes neuronales para invertir en bolsa en el simulador MAStock Rafael Castillo, Gabriel Prat Departament de Llenguatges i Sistemes Informàtics (LSI) Universitat Politècnica de Catalunya (UPC) rafael@lsiupces;

Más detalles

CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS

CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS Descripción de la base de datos Como datos de entrenamiento, en este proyecto, se utilizó la base de datos ORL [1], la cual contiene un conjunto

Más detalles

Evaluación de modelos para la predicción de la Bolsa

Evaluación 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 detalles

Cómo se usa Data Mining hoy?

Cómo 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 detalles

CORRELACIÓN Y PREDICIÓN

CORRELACIÓN Y PREDICIÓN CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una

Más detalles

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 26 - Junio - 2.8 Primera Parte - Test Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que, a lo sumo, tengan funciones

Más detalles

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2.

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. 1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. GENERALIDADES SOBRE LAS TÉCNICAS DE INVESTIGACIÓN SOCIAL Y DE MERCADOS

Más detalles

ASIGNATURA FECHA HORA AULA. Matemática Discreta 25-ene 16,00-19,00 LAB. 7. Álgebra Lineal 06-feb 09,00-12,00 LAB. 7

ASIGNATURA FECHA HORA AULA. Matemática Discreta 25-ene 16,00-19,00 LAB. 7. Álgebra Lineal 06-feb 09,00-12,00 LAB. 7 EXÁMENES FEBRERO - CURSO 2015-2016 PRIMER CURSO - GRUPO B Matemática Discreta 25-ene 16,00-19,00 LAB. 7 Álgebra Lineal 06-feb 09,00-12,00 LAB. 7 EXÁMENES JUNIO - CURSO 2015-2016 PRIMER CURSO - GRUPO B

Más detalles

Correlación entre variables

Correlación entre variables Correlación entre variables Apuntes de clase del curso Seminario Investigativo VI Por: Gustavo Ramón S.* * Doctor en Nuevas Perspectivas en la Investigación en Ciencias de la Actividad Física y el Deporte

Más detalles

Tema 4: Sistemas de Numeración. Codificación Binaria. Escuela Politécnica Superior Ingeniería Informática Universidad Autónoma de Madrid

Tema 4: Sistemas de Numeración. Codificación Binaria. Escuela Politécnica Superior Ingeniería Informática Universidad Autónoma de Madrid Tema 4: Sistemas de Numeración. Codificación Binaria Ingeniería Informática Universidad Autónoma de Madrid 1 O B J E T I V O S Sistemas de Numeración. Codificación Binaria Conocer los diferentes sistemas

Más detalles

HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS INFORMACIÓN REQUERIDA POR ASIGNATURA TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN

HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS INFORMACIÓN REQUERIDA POR ASIGNATURA TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS INFORMACIÓN REQUERIDA POR ASIGNATURA. NOMBRE DE LA ASIGNATURA: ADMINISTRACIÓN Y AUDITORIA DE LA FUNCIÓN 2. NIVEL DEL : ESPECIFICO DEL ÁREA SIS INFORMÁTICOS

Más detalles

Predicción de los ciclos de El Niño

Predicción 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 detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

Empresa o Entidad C.A Electricidad de Valencia. Autores del Trabajo Nombre País e-mail Jimmy Martínez Venezuela jmartinez@eleval.

Empresa o Entidad C.A Electricidad de Valencia. Autores del Trabajo Nombre País e-mail Jimmy Martínez Venezuela jmartinez@eleval. Título Estudio Estadístico de Base de Datos Comercial de una Empresa Distribuidora de Energía Eléctrica. Nº de Registro 231 Empresa o Entidad C.A Electricidad de Valencia Autores del Trabajo Nombre País

Más detalles

Redes neuronales y predicción de tráfico

Redes neuronales y predicción de tráfico Redes neuronales y predicción de tráfico Neural networks and prediction of traffic NELSON STIVET TORRES ÁLVAREZ Ingeniero electrónico. Estudiante de la Maestría en Ciencias de la Información y las Comunicaciones

Más detalles

SPREAD ÍNDICES. Jorge Estévez Grupo ER www.grupoempresarialer.com. www.grupoempresarialer.com

SPREAD ÍNDICES. Jorge Estévez Grupo ER www.grupoempresarialer.com. www.grupoempresarialer.com SPREAD ÍNDICES Jorge Estévez Grupo ER www.grupoempresarialer.com www.grupoempresarialer.com SPREADS Diferenciales www.grupoempresarialer.com Spreads Forex. Características - Excelente Risk Management -

Más detalles

Asignatura: Matemática Financiera.

Asignatura: Matemática Financiera. Asignatura : Matemática Financiera. Carrera : Ingeniería en Sistemas. Año Académico : II Año. Unidad No. V : La depreciación y el flujo neto de efectivo antes y después de impuestos. Profesor : MSc. Mauricio

Más detalles

Caso de estudio EFL: Uso del puntaje EFL para mejorar los datos de la central de riesgo crediticio

Caso de estudio EFL: Uso del puntaje EFL para mejorar los datos de la central de riesgo crediticio Caso de estudio EFL: Uso del puntaje EFL para mejorar los datos de la central de riesgo crediticio Equifax Perú Resumen ejecutivo: Equifax (EFX) se propuso determinar si EFL podría agregar valor a su score

Más detalles

CURRICULUM. : Javier Enrique Vidal Valenzuela. Fecha de nacimiento : 3 de Octubre de 1965

CURRICULUM. : Javier Enrique Vidal Valenzuela. Fecha de nacimiento : 3 de Octubre de 1965 CURRICULUM I. ANTECEDENTES PERSONALES Nombre Nacionalidad Carnet de identidad Estado Civil : Javier Enrique Vidal Valenzuela : Chilena : 9.413.058-1, Concepción : Casado, dos hijos Fecha de nacimiento

Más detalles

Manual Precios y Costos

Manual Precios y Costos Manual Precios y Costos Documentación Intelisis. Derechos Reservados. Publicado en http://docs.intelisis.com Manual Precios y Costos 1 Introducción 1.1 1.2 1.3 Objetivos generales y aplicaciones con el

Más detalles

José Ignacio Latorre Universidad de Barcelona

José Ignacio Latorre Universidad de Barcelona INTELIGENCIA ARTIFICIAL José Ignacio Latorre Universidad de Barcelona A qué llamamos inteligencia artificial? Es un campo de estudio que intenta conseguir que un ordenador realice funciones similares a

Más detalles

CAPÍTULO 1 INTRODUCCIÓN, HIPÓTESIS Y OBJETIVOS

CAPÍTULO 1 INTRODUCCIÓN, HIPÓTESIS Y OBJETIVOS CAPÍTULO 1 INTRODUCCIÓN, HIPÓTESIS Y OBJETIVOS 1 INTRODUCCIÓN 1.1 Justificación Esta investigación está motivada por el interés en lograr una mejor comprensión del papel que desempeña la creatividad dentro

Más detalles

PROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y. cálculo de analogías.

PROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y. cálculo de analogías. PROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y Cálculo de Analogías José M. Gutiérrez Rafael Cano Antonio S. Cofiño Miguel A. Rodríguez Instituto Nacional

Más detalles

Redes Neuronales Artificiales y sus Aplicaciones

Redes Neuronales Artificiales y sus Aplicaciones Redes Neuronales Artificiales y sus Aplicaciones Profesorado Departamento Programa de Doctorado Créditos 3 Nº de Plazas 2. La asignatura 2. Objetivos de la asignatura 3. Contenidos 4. Metodología de trabajo

Más detalles

Sistema de medición y control de proceso industrial de embotellado con algoritmo de redes neuronales

Sistema de medición y control de proceso industrial de embotellado con algoritmo de redes neuronales Sistema de medición y control de proceso industrial de embotellado con algoritmo de redes neuronales César E. Martínez Reinoso, Mario Alvarez Sifontes, Francisco J. Arteaga Bravo Unidad de Investigación

Más detalles

La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network)

La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) III Jornadas de Usuarios de R Javier Alfonso Cendón, Manuel Castejón Limas, Joaquín Ordieres Mere, Camino Fernández Llamas Índice

Más detalles

Una investigación australiana reveló que posiblemente la disminución

Una investigación australiana reveló que posiblemente la disminución CIENTÍFICOS TRABAJAN EN DETECCIÓN DE CÁNCER DE MAMA A TRAVÉS DE REDES NEURONALES ARTIFICIALES Constituye un apoyo para el médico y los radiólogos para evitar falsos diagnósticos Fernando Álvarez Una investigación

Más detalles

ANÁLISIS DISCRIMINANTE

ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE 1. Introducción 2. Etapas 3. Caso práctico Análisis de dependencias introducción varias relaciones una relación 1 variable dependiente > 1 variable dependiente

Más detalles

Área Académica: ICBI, Sistemas Computacionales. Profesor: M.C.C Víctor Tomás Tomás Mariano

Área Académica: ICBI, Sistemas Computacionales. Profesor: M.C.C Víctor Tomás Tomás Mariano Área Académica: ICBI, Sistemas Computacionales Tema: Mapas auto organizados Profesor: M.C.C Víctor Tomás Tomás Mariano Alumnos: Leticia Hernandez Hernandez. Agustin Escamilla Hernández Periodo: Julio-Diciembre

Más detalles

Clase 8: Distribuciones Muestrales

Clase 8: Distribuciones Muestrales Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas

Más detalles

Doctorado en Ingeniería Informática Doctorado en Ingeniería Informática grado de Doctor en Ingeniería Informática

Doctorado en Ingeniería Informática Doctorado en Ingeniería Informática grado de Doctor en Ingeniería Informática La Escuela de Ingeniería Informática de la Pontificia Universidad Católica de Valparaíso abre las postulaciones al programa de Doctorado en Ingeniería Informática, versión Agosto de 2014. Doctorado en

Más detalles

EMPRESA ELECTRICA DE IQUIQUE S.A. ANALISIS RAZONADO DE LOS ESTADOS FINANCIEROS AL 31 DE DICIEMBRE DE 2012

EMPRESA ELECTRICA DE IQUIQUE S.A. ANALISIS RAZONADO DE LOS ESTADOS FINANCIEROS AL 31 DE DICIEMBRE DE 2012 Introducción. EMPRESA ELECTRICA DE IQUIQUE S.A. ANALISIS RAZONADO DE LOS ESTADOS FINANCIEROS AL 31 DE DICIEMBRE DE 2012 Para la comprensión de este análisis razonado correspondiente al período terminado

Más detalles

UTILIZACION DE REDES NEURONALES ARTIFICIALES Y REDES BAYESIANAS PAA EVALUAR TECNOLOGIAS DE SALUD

UTILIZACION DE REDES NEURONALES ARTIFICIALES Y REDES BAYESIANAS PAA EVALUAR TECNOLOGIAS DE SALUD CONICYT: Repositorio Institucional: Ficha de Iniciativa de CIT (Ciencia, Tecnología e Innovación) 1 FONDECYT-REGULAR - 1999-1990920 UTILIZACION DE REDES NEURONALES ARTIFICIALES Y REDES BAYESIANAS PAA EVALUAR

Más detalles

El tipo de interés o cial del BCE y la Regla de Taylor

El tipo de interés o cial del BCE y la Regla de Taylor El tipo de interés o cial del BCE y la Regla de Taylor José Luis Torres Chacón (Universidad de Málaga) Documento de Análisis /008 Analistas Económicos de Andalucía Resumen: La regla de Taylor constituye

Más detalles

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003 MINERÍA DE DATOS Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE Octubre - 2003 CONTENIDO Qué es Data Warehousing Data Warehouse Objetivos del Data Warehouse

Más detalles

Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico

Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico Nojek, S. 1, Britos, P. 1,2, Rossi, B. 1,2 y García Martínez, R. 2 1 Departamento de Ingeniería Industrial.

Más detalles

EPB 603 Sistemas del Conocimiento

EPB 603 Sistemas del Conocimiento EPB 603 Sistemas del Conocimiento Dr. Oldemar Rodríguez R. Maestría en Administración de la Tecnología de la Información Escuela de Informática EIA411 EPB 603 - Minería Sistemas de del Datos Conocimiento

Más detalles

SOLUCIONES AXESOR V.2

SOLUCIONES AXESOR V.2 SOLUCIONES AXESOR 2015 V.2 1. Objeto del documento 3 2. Modelo de negocio 3 2.1. Servicios Avanzados de Gestión de Riesgo 4 2.2. Servicios Avanzados de Marketing 6 2 1. Objeto del documento El presente

Más detalles

Máster en Ingeniería Industrial Escuela de Ingenierías Industriales Universidad de Valladolid. Código del Plan 511

Máster en Ingeniería Industrial Escuela de Ingenierías Industriales Universidad de Valladolid. Código del Plan 511 Código del Plan 511 Máster en Ingeniería Industrial Escuela de Ingenierías Industriales Universidad de TABLAS de reconocimiento de asignaturas del máster en Ingeniería Industrial para los alumnos que han

Más detalles

Quiebras y préstamos en Puerto Rico: una mirada exploratoria a su relación

Quiebras y préstamos en Puerto Rico: una mirada exploratoria a su relación Quiebras y en Puerto Rico: una mirada exploratoria a su relación Por Marta Álvarez, Ph.D. 1 Resumen Puerto Rico está en un periodo de contracción económica desde el año 2006, y como resultado se ha visto

Más detalles

Plan de Entrenamiento en Productos Sonicwall

Plan de Entrenamiento en Productos Sonicwall Plan de Entrenamiento en Productos Sonicwall BOGOTA Octubre 2007 TABLA DE CONTENIDO 1. PRESENTACIÓN DE LA SOLUCIÓN...3 1.1 ALCANCE...3 1.2 METODOLOGIA...9 1.3 ENTREGABLES...9 2. CONDICIONES COMERCIALES...10

Más detalles

PLAN DE ESTUDIOS 2004 con modificaciones 2007/2009 ASIGNATURAS, RÉGIMEN DE CURSADO, CARGAS HORARIAS Y CORRELATIVIDADES:

PLAN DE ESTUDIOS 2004 con modificaciones 2007/2009 ASIGNATURAS, RÉGIMEN DE CURSADO, CARGAS HORARIAS Y CORRELATIVIDADES: PLAN ESTUDIOS 2004 con modificaciones 2007/2009 CARRERA: LICENCIATURA EN BIOINFORMÁTICA TÍTULO: LICENCIADO EN BIOINFORMÁTICA,, S S Y CORRELATIVIDAS: PRIMER AÑO (C/A) Cálculo 1 C 6 90 Química General e

Más detalles

Technology. Journal of object Oriented Programming. Journal of Information Systems Management. Revista Colombiana de Computación

Technology. Journal of object Oriented Programming. Journal of Information Systems Management. Revista Colombiana de Computación MINI CURRICULUM VITAE Nombres: Maria Angélica Apellidos: Pérez de Ovalles C Identidad: V-3821365 Fecha de Ingreso a la USB: 15-04-92 e-mail: movalles@usb.ve Ext-USB: 4017 Lugar de Trabajo: MYS 309 A Dpto:

Más detalles

Simulación 4D en el Control de Sistemas Mecatrónicos

Simulación 4D en el Control de Sistemas Mecatrónicos 12 Simulación 4D en el Control de Sistemas Mecatrónicos Anibal Cotrina Facultad de Ingeniería Electrónica y Eléctrica, Universidad Nacional Mayor de San Marcos, Lima Perú RESUMEN: En el presente artículo

Más detalles

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales 1 Objetivos del tema Conocer las limitaciones de los modelos lineales en problemas de modelización/ clasificación.

Más detalles

OPTATIVA I: MINERIA DE DATOS

OPTATIVA I: MINERIA DE DATOS UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: OPTATIVA I: MINERIA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la

Más detalles

Aritmética finita y análisis de error

Aritmética finita y análisis de error Aritmética finita y análisis de error Escuela de Ingeniería Informática de Oviedo (Dpto. de Matemáticas-UniOvi) Computación Numérica Aritmética finita y análisis de error 1 / 47 Contenidos 1 Sistemas decimal

Más detalles

Aula Banca Privada. La importancia de la diversificación

Aula Banca Privada. La importancia de la diversificación Aula Banca Privada La importancia de la diversificación La importancia de la diversificación La diversificación de carteras es el principio básico de la operativa en mercados financieros, según el cual

Más detalles

Tesis Doctoral: Método Neuro-Genético para resolver problemas de la programación de la producción.

Tesis Doctoral: Método Neuro-Genético para resolver problemas de la programación de la producción. EDUCACION New Mexico State University, Las Cruces NM. Doctor en Ingeniería con especialidad en Ingeniería Industrial. 1999-2002 Asesor: Dr. Linda Ann Riley Tesis Doctoral: Método Neuro-Genético para resolver

Más detalles

Tape Mbo e: una Metodología Orientada a Servicios

Tape Mbo e: una Metodología Orientada a Servicios Tape Mbo e: una Metodología Orientada a Servicios Motivación Objetivos Tecnología Estado del Arte Evaluación del Estado del Arte Tape Mb e Ciclo de Vida Roles Disciplinas Ciclo de Vida y Disciplinas Evaluación

Más detalles

DETECCION DE TRANSACCIONES FRAUDULENTAS. Responsable JACKELYNE GÓMEZ. Tutor: MYLADIS COGOLLO UNIVERSIDAD EAFIT DEPARTAMENTO DE CIENCIAS BÁSICAS

DETECCION DE TRANSACCIONES FRAUDULENTAS. Responsable JACKELYNE GÓMEZ. Tutor: MYLADIS COGOLLO UNIVERSIDAD EAFIT DEPARTAMENTO DE CIENCIAS BÁSICAS DETECCION DE TRANSACCIONES FRAUDULENTAS Responsable JACKELYNE GÓMEZ Tutor: MYLADIS COGOLLO UNIVERSIDAD EAFIT DEPARTAMENTO DE CIENCIAS BÁSICAS INGENIERÍA MATEMÁTICA MEDELLÍN NOVIEMBRE DE 2010 INTRODUCCIÓN

Más detalles

Tablas de convalidación de Titulaciones Antiguas a Grados ETSII, URJC

Tablas de convalidación de Titulaciones Antiguas a Grados ETSII, URJC INGENIERO EN (PLAN ANTIGUO) FUNDAMENTOS DE LOS MATEMÁTICA DISCRETA Y ÁLGEBRA INTRODUCCIÓN A LA LÓGICA MATEMÁTICA LÓGICA CÁLCULO LENGUAJES INFORMATICOS ESTRUCTURAS DE DATOS FUNDAMENTOS DE REDES DE ORDENADORES

Más detalles

CREDIT SCORING: Enfoque y ventajas para las instituciones. financieras. Parte I

CREDIT SCORING: Enfoque y ventajas para las instituciones. financieras. Parte I [.estrategiafinanciera.es ] CREDIT SCORING: Enfoque y ventajas para las instituciones financieras. Parte I Un sistema de scoring preciso al que se le haga un seguimiento correcto representa un instrumento

Más detalles

JOSÉ OCTAVIO GUTIÉRREZ GARCÍA

JOSÉ OCTAVIO GUTIÉRREZ GARCÍA JOSÉ OCTAVIO GUTIÉRREZ GARCÍA Profesor de Tiempo Completo del Departamento Académico de Computación DOMICILIO Río Hondo No. 1 Progreso Tizapán México 01080, D.F. Tel: +52 (55) 5628-4000 Ext. 3645 Fax:

Más detalles

Evaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial

Evaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial Universidad del Cauca Facultad de Ingeniería Electrónica y Telecomunicaciones Programas de Maestría y Doctorado en Ingeniería Telemática Seminario de Investigación Evaluación, limpieza y construcción de

Más detalles

Reconocimiento de patrones mediante redes neuronales artificiales

Reconocimiento de patrones mediante redes neuronales artificiales Reconocimiento de patrones mediante redes neuronales artificiales Hugo Vega Huerta, Augusto Cortez Vásquez, Ana María Huayna, Luis Alarcón Loayza, Pablo Romero Naupari Facultad de Ingeniería de Sistemas

Más detalles

En la tabla 1 se pueden observar algunos de los cambios fundamentales de nuestro sistema de educación superior entre 1980 y 2000.

En la tabla 1 se pueden observar algunos de los cambios fundamentales de nuestro sistema de educación superior entre 1980 y 2000. Nuestros licenciados Roger Díaz de Cossío Se dicen muchas cosas sobre los profesionales que necesitamos: si son demasiados o pocos, si los requerimos de un tipo o de otro. Para responder a estas inquietudes,

Más detalles