Metodología para el análisis de relevancia de indicadores de rendimiento en educación superior
|
|
- Blanca Rico Alarcón
- hace 7 años
- Vistas:
Transcripción
1 Libro de Actas XXX Congreso Nacional de Estadística e Investigación Operativa 1 Metodología para el análisis de relevancia de indicadores de rendimiento en educación superior Morales, M. y Rodríguez, C. y Salmerón, A. Resumen En este artículo proponemos una metodología para el análisis de relevancia de indicadores de rendimiento basada en el uso de redes bayesianas. Estos modelos gráficos permiten obtener, a primera vista, las principales relaciones entre las variables a considerar. Analizamos el comportamiento de la metodología propuesta con un caso práctico, mostrando que es una herramienta útil para ayudar la toma de decisiones en la elaboración de políticas basadas en indicadores de rendimiento. Keywords: Indicadores de rendimiento, Redes bayesianas, Gestión en educación superior. AMS: 62P20,62H99 1. Introducción En las últimas décadas, los mecanismos de financiación de las Universidades públicas por parte de la administración han sido orientados a sistemas donde parte de los fondos están condicionados a la consecución de una serie de metas por parte de la institución. Es aquí donde hacen su aparición los llamados indicadores de rendimiento [3] como mecanismos de mejora de la calidad, toma de decisiones y de asignación de recursos. Algunos autores entienden el término rendimiento en un sentido amplio, asumiendo que un indicador de rendimiento es cualquier meta institucional que puede ser medida objetivamente [4]. Con objeto de diseñar políticas eficientes orientadas a incrementar la financiación pública, la dirección de las universidades deben determinar las variables que, estando bajo su control, influyen en el valor de los indicadores de rendimiento que determinan la asignación de los fondos. Esta tarea requiere el manejo de un alto número de variables de distinta naturaleza (cualitativas y cuantitativas), que pueden tener una compleja estructura de dependencias. En los últimos años, se ha despertado un creciente interés, tanto en el campo de la Estadística como en Inteligencia Artificial, en el manejo de escenarios en los que intervienen un gran número de variables. Una de las soluciones más satisfactorias se
2 2 M Morales et al. basa en el uso de modelos gráficos probabilísticos y, más exactamente, redes bayesianas [1, 6]. La principal ventaja de las redes bayesianas es su rica semántica, así como que ofrecen una herramienta clara y de fácil manejo para usuarios no versados en técnicas estadísticas: como modelo gráfico facilita la comprensión del problema, presentando, además, la estructura de dependencia entre las variables. En este marco, las técnicas de propagación ofrecen la posibilidad de estudiar los efectos que tendrían las posibles líneas de actuación sobre las variables de interés. En este artículo proponemos una metodología, basada en redes bayesianas, para el análisis de relevancia en indicadores de rendimiento en educación superior. Ilustramos la idoneidad de la metodología propuesta para el caso particular del a Universidad de Almería. El artículo está organizado en las siguientes secciones: en la sección 2 explicamos los fundamentos de la metodología para el análisis de relevancia basada en redes bayesianas. La sección 3 está dedicada a mostrar el comportamiento de la técnica propuesta en un problema real. Finalizamos el artículo con las conclusiones en la sección Redes bayesianas y análisis de relevancia Una red bayesiana [1, 6] es un modelo estadístico multivariante definido, para un conjunto de variables, X = {X 1,..., X n}, mediante dos componentes: Componente cualitativa: grafo dirigido acíclico (DAG) donde cada vértice representa una de las variables del modelo, de forma que la presencia de un arco uniendo dos variables indica la existencia de dependencia estadística entre ellas. Componente cuantitativa: distribución condicionada p(x i pa(x i)) para cada variable X i, i = 1,..., n dado sus padres en el grafo, denotados por pa(x i). Por ejemplo, el grafo representado en la Figura 1 puede ser la componente cualitativa de una red bayesiana para las variables X 1,..., X 5. De acuerdo a la estructura del grafo, sería necesario especificar una distribución condicionada para cada variable dado sus padres. En este caso, las distribuciones son p(x 1), p(x 2 x 1), p(x 3 x 1), p(x 4 x 2, x 3) y p(x 5 x 4). En los siguientes subapartados describiremos cómo la componente cualitativa codifica las dependencias entre las variables en el modelo, y cómo la fuerza de esta dependencia es determinada por la componente cuantitativa, es decir, la distribución condicionada Componente cualitativa de una red bayesiana Una de las ventajas más importantes de las redes bayesianas es que la estructura del grafo asociado determina las relaciones de dependencia e independencia entre las variables, de forma que es posible descubrir, sin necesidad de cálculos numéricos, qué variables son relevantes para otra variable de interés (por ejemplo, un indicador de rendimiento). Con más exactitud, el análisis de relevancia se realiza en redes bayesianas
3 Análisis de relevancia en IR 3 a través del concepto de transmisión de información, de forma que dos variables son irrelevantes entre sí cuando no puede transmitirse información entre ellas. Para explicar la transmisión de información en redes bayesianas, recurriremos a un ejemplo tomado de [6]. Ejemplo (Robo o terremoto) Holmes está trabajando en su oficina cuando recibe una llamada de su vecino, el Dr. Watson, quien le avisa que la alarma antirobo de su casa está sonando. Holmes coge su coche y se dirige rápidamente a su casa, convencido de que algún ladrón está en ella. Por el camino escucha en la radio la noticia de un pequeño terremoto en la zona. Sabiendo que los terremotos suelen provocar que salten las alarmas, Holmes da media vuelta y vuelve al trabajo. Figura 1: Ejemplo de red bayesiana con cinco variables. Figura 2: Red bayesiana del ejemplo robo o terremoto. El escenario descrito en el ejemplo anterior puede representarse a través de la red bayesiana de la figura 2. En general, sólo existen tres tipos de conexiones entre variables en un DAG: conexiones en serie, convergente y divergente, por lo que basta con explicar cómo fluye la información para estos tres tipos de conexión. Utilizaremos el ejemplo anterior para ilustrarlo. 1. Conexiones en serie. Robo tiene una dependencia causal sobre Alarma, la cual tiene una dependencia causal sobre Llamada de Watson. Por lo tanto, la información
4 4 M Morales et al. se transmite de Robo a Llamada de Watson y viceversa, de forma que el conocimiento sobre una de las variables proporciona información sobre la otra. Sin embargo, si observamos Alarma, cualquier información sobre el estado de Robo es irrelevante sobre nuestra creencia sobre Llamada de Watson y viceversa, una vez que tenemos una certeza sobre el hecho de que la alarma está sonando, la información proporcionada por Watson no cambia nuestro estado de creencia. 2. Conexiones divergentes. Terremoto tiene una influencia causal sobre Alarma y Radio, por lo que la información se transmite desde Alarma a Radio y viceversa en el sentido de que el conocimiento sobre una de las variables proporciona información sobre la otra. Por ejemplo, si únicamente sabemos que la radio informa de un pequeño terremoto, nuestra creencia de que la alarma esté sonando crece. Por otro lado, si observamos Terremoto, i.e., tenemos alguna evidencia sobre esta variable, cualquier información sobre el estado de Alarma es irrelevante para nuestra creencia sobre la noticia dada en la radio y viceversa. 3. Conexiones convergentes. Alarma depende tanto de Robo como de Terremoto. Sin embargo, en este caso estas dos últimas variables son irrelevantes la una sobre la otra: si no tenemos ninguna información sobre la alarma, no hay ninguna relación entre las dos variables. Sin embargo, si observamos Alarma y Robo, esta información tendrá un efecto sobre nuestra creencia sobre Terremoto : el robo explica que la alarma esté en funcionamiento, reduciendo nuestra creencia de que haya sido un terremoto el que la haya puesto en marcha, y viceversa. En general, las reglas para interpretar el flujo de información dada la estructura de una red bayesiana son las siguientes: Conexiones en serie (X Y Z). La información puede transmitirse a través de una conexión en serie a no ser que se conozca el estado de la variable intermedia (Y ). Conexiones divergentes (X Y Z). La información puede transmitirse a través de una conexión divergente a no ser que se conozca el estado de la variable intermedia (Y ). Conexiones convergentes (X Y Z). La información puede transmitirse a través de una conexión convergente siempre que se disponga de información sobre el estado de la variable intermedia (Y ) o sobre una de sus descendientes.
5 Análisis de relevancia en IR 5 Aplicando estas tres reglas, es posible determinar què variables son relevantes para nuestra variable objetivo. Por ejemplo, podríamos determinar sobre qué variables debe operar la dirección de una universidad para cambiar el valor de un indicador de rendimiento Componente cuantitativa de una red bayesiana Aunque puede realizarse un análisis de relevancia tan sólo sobre la estructura de la red, una vez que han sido localizadas las variables relevantes para un indicador de rendimiento dado, es necesario saber en qué medida los cambios sobre estas variables afectan al valor del indicador. Teniendo en cuenta las independencias codificadas por la estructura de la red, la distribución conjunta sobre todas las variables es el producto de las distribuciones condicionadas asignadas a cada nodo: p(x 1,..., x n) = ny p(x i pa(x i)). (1) i=1 Supongamos que X i es el indicador de rendimiento en el que estamos interesados, y que X E es un conjunto de variables que pueden ser controladas por el consejo de administración. Entonces, la predicción de los valores de X i dados X E puede obtenerse calculando la distribución p(x i x E), que nos proporcionaría la verosimilitud de cada posible valor de X i dado cada posible configuración de X E. Esta distribución puede ser obtenida de la distribución conjunta en la ecuación (1). De hecho, no es necesario calcular la distribución conjunta, puesto que se disponen de eficientes algoritmos que permiten calcular p(x i x E) aprovechando las ventajas de la factorización de la distribución conjunta impuesta por la estructura de la red [7, 8] Construyendo una red bayesiana a partir de una base de datos Una vez que sabemos cómo usar una red bayesiana para un análisis de relevancia, debemos considerar cómo obtener dicha red. Actualmente, la administración de las universidades están completamente informatizada, de forma que se dispone de gran cantidad de datos estadísticos. En general es posible obtener bases de datos compuesta de registros que contengan el valor de los indicadores de rendimiento, así como de otras variables que pueden ser controladas. Por ejemplo, podemos tener un fichero con la información sobre una asignatura (número de estudiantes, número de profesores, etc.) junto con indicadores de rendimiento relativos a dicho curso (la tasa de éxito, por ejemplo). Existen varios algoritmos que permiten la construcción de redes bayesianas a partir de bases de datos. En este trabajo utilizaremos dos de los más utilizados: los algoritmos K2 [2] y PC [9]. El algoritmo K2 busca en el espacio de todas las redes bayesianas que contienen las variables de la base de datos e intenta encontrar una red óptima en términos de la verosimilitud de la base de datos para cada red candidata. Por otro lado, el algoritmo PC intenta determinar la estructura de la red a través de test de independencia estadísticos. Ninguno de los dos métodos es absolutamente superior al
6 6 M Morales et al. otro, por lo que, en la práctica, es común construir dos redes, una con cada algoritmo, y entonces usar la red cuya verosimilitud con la base de datos sea superior. Una característica común a ambos algoritmos es que operan con variables cualitativas, por lo que las variables continuas deben ser discretizadas de antemano. Existen paquetes de software libre que permiten la construcción de redes bayesianas a partir de bases de datos proporcionando una interfaz para el análisis de relevancia. En este trabajo hemos usado el sistema Elvira [5] disponible en Figura 3: Red bayesiana obtenida para el caso estudiado. 3. Estudio de caso: Aplicación del estudio de indicadores de rendimiento en la Universidad de Almería En esta sección describiremos una aplicación práctica de la metodología introducida en la sección 2, consistente en el análisis de uno de los indicadores de rendimiento usados para la asignación de financiación condicionada dentro del Contrato Programa entre la Junta de Andalucía y las Universidades Públicas andaluzas: el rendimiento académico del alumnado. Partimos de una base de datos con registros y 17 variables relativas a todas las asignaturas impartidas en la Universidad de Almería en las diferentes titulaciones durante el curso En el cuadro 3 se recoge una descripción de las variables consideradas. Las cinco primeras variables corresponden a indicadores de rendimiento.
7 Análisis de relevancia en IR 7 Tasa de Prob. Carácter rendimiento a priori Obligatoria Optativa [0, 0,545) [0,545, 0,735) [0,735, 0,855) [0,855, 0,955) [0,955, 1] Cuadro 1: Probabilidades condicionadas de la tasa de rendimiento dado el tipo de asignatura. Calificación Prob. Carácter relativa a Priori Obligatoria Optativa [0, 0,195) [0,195, 0,315) [0,315, 0,465) [0,465, 0,775) [0,775, 1] Cuadro 2: Probabilidades condicionadas de la calificación relativa dado el tipo de asignatura. La base de datos ha sido previamente procesada, discretizando las variables continuas, a través del algoritmo de clustering de k-medias, estableciendo 5 categorías para cada variable discretizada. Hemos usado los algoritmos K2 y PC, obteniendo el mejor modelo, en términos de verosimilitud con los datos, con el K2. La red resultante puede verse en la Figura 3. Atendiendo a la estructura de la red, puede verse que hay dos variables importantes, Tipo de asignatura y Titulación, que juegan un importante papel en la red, ya que la transmisión de la información hasta las variables de interés (relativas al rendimiento del alumno) pasa a través de ellas. Podemos evaluar la importancia de estas variables usando la parte cuantitativa de la red bayesiana. Por ejemplo, si nos centramos en la variable Tipo de asignatura, su influencia sobre dos importantes indicadores, Tasa de rendimiento y Calificación relativa es clara, si observamos las probabilidades condicionadas recogidas en los cuadros 1 y 2, respectivamente. Las diferencias en la distribución de los valores de ambos indicadores son significativas, dependiendo de si la asignatura es obligatoria u opcional. Este hecho sugiere un estudio separado para cada tipo de asignaturas Análisis de relevancia para asignaturas troncales y obligatorias La red bayesiana obtenida usando los registros de la base de datos concerniente a asignaturas obligatorias se muestra en la Figura 4. En base a ella, podemos llegar las
8 8 M Morales et al. Figura 4: Red bayesiana para asignaturas obligatorias. siguientes conclusiones: La estructura de la plantilla de profesores es irrelevante a el resto de la red, ya que las variables número de profesores, contrato del profesor y porcentaje de doctores están desconectadas del resto. La evaluación obtenida por un profesor en las encuestas de opinión está fuertemente determinada por el número de alumnos en las clases teóricas. Esto supone una importante conclusión, ya que es común encontrar resultados bajos en dichas evaluaciones en clase masificadas, lo que sugiere que más que el perfil del profesor, es el tamaño del grupo teórico el que determina la evaluación de Èste. Cualquier flujo de información hasta los indicadores de rendimiento pasa por la variable Titulación. Es cierto que la dirección de la universidad no puede controlar la titulación donde un alumno se matricula, pero sí puede actuar sobre algunas características de los estudios, como la nota de acceso o el número de estudiantes por clase de teoría/práctica. Los efectos de estas variables sobre la tasa de rendimiento se muestra en los cuadros 4, 5 y 6. Atendiendo a los resultados del cuadro 4, podemos concluir que una buena política dirigida a incrementar la tasa de rendimiento del alumnado es establecer un número máximo de estudiantes no superior a 49. La influencia del número de estudiantes en las clases prácticas no es tan importante, como puede verse en el cuadro 5 (los valores de las columnas son muy similares).
9 Análisis de relevancia en IR 9 Figura 5: Red bayesiana para asignaturas optativas. Finalmente, la nota de acceso tienen un pequeño impacto sobre la tasa de rendimiento. Únicamente incrementando el percentil 80 de la nota de acceso por encima de 7.3 puntos, se obtiene una ligera mejora en el rendimiento académico Análisis de relevancia para asignaturas optativas La red bayesiana obtenida usando los registros de la base de datos concernientes a asignaturas optativas se muestra en la Figura 5. Analizando la estructura de esta red, podemos deducir que el perfil del profesorado, incluyendo los resultados de su evaluación, es irrelevante para los indicadores de rendimiento de la asignatura. Las notas de acceso están conectadas a la tasa de rendimiento a través de la titulación. Su impacto sobre este indicador se mide en el cuadro 7. Las probabilidades de la tabla indican que el mejor rendimiento se obtiene para notas medias de acceso superiores a 6.69 puntos y percentiles 80 sobre 7.22 puntos. El número de estudiantes en clases de teoría es más relevante en este tipo de asignaturas que en el caso de troncales y obligatorias, al estar conectada directamente con la calificación relativa, el número de convocatorias utilizadas y el porcentaje de alumnos repetidores. También está indirectamente conectada con la tasa de rendimiento. El cuadro 8 recoge las probabilidades del indicador tasa de rendimiento dado el número de estudiantes en clase de teoría. Puede observarse que la tasa de rendimiento está fuertemente influida por esta variable, de forma que el rendimiento más bajo aparece cuando el número de estudiantes incrementa. Por lo tanto, cualquier política
10 10 M Morales et al. Variable Tasa de éxito Calificación relativa Repetidores Convoca. utilizadas IndiceUtilConv Alum GT Alum GP CARAC Curso NumProf EvaluaProf ContratoProf Creditos Doctor Titulación TC MediaAcceso P80acceso Descripción Ratio entre el número de estudiantes que superan una determinada asignatura y el n. de alumnos presentados al examen. Media de las notas obtenidas por cada estudiante en la asignatura en relación con las notas del resto de estudiantes. Porcentaje de alumnos repetidores en la asignatura. Número de veces que un alumno se presenta a examen antes de aprobarlo. Número de veces que un alumno se presenta a examen dividido entre el número máximo de intentos permitidos. Número de alumnos por grupo teórico. Número de alumnos por grupo de práctica. Carácter de la asignatura: obligatoria u optativa en el que se imparte la asignatura Núm. de profesores distintos que imparten asignatura al mismo grupo. Puntuación obtenida por el prof. en las encuestas al alumnado. Porcentaje de créditos impartidos por profesores permanentes. Porcentaje de créditos impartidos por profesores doctores. donde se imparte la asignatura. Porcentaje de alumnos matriculados a tiempo completo. Media aritmética de las notas de acceso de los alumnos de la asignatura. Percentil 80 de las notas de acceso de los alumnos de la asignatura. Cuadro 3: Descripción de las variables del caso estudiado. Tasa de Prob. núm. de alumnos por grupo de teoría Rendimiento a Priori < 25,5 [25,5, 49,5) [49,5, 79,25) [79,25, 114,75) 114,75 [0, 0,355) [0,355, 0,535) [0,535, 0,695) [0,695, 0,845) [0,845, 1] Cuadro 4: Tasa de rendimiento frente al número de alumnos en grupos teóricos de asignaturas obligatorias. orientada a disminuir el número de estudiantes por clase conllevará un incremento significativo en el rendimiento de la asignatura. Finalmente, puede concluirse de las probabilidades mostradas en el cuadro 9, que la influencia del número de alumnos en clases prácticas no están importante como en el caso de clases teóricas. 4. Conclusiones En este artículo hemos introducido una metodología para el análisis de relevancia de indicadores de rendimiento en educación superior. Hemos mostrado a través de un estudio aplicado cómo esta metodología puede ayudar en el proceso de toma de decisiones cuando se diseñan políticas orientadas a incrementar la cantidad de fondos
11 Análisis de relevancia en IR 11 Tasa de Prob. núm. de alumnos por grupo práctico Rendimiento a Priori < 23,9 [23,9, 41,65) [41,65, 68,5) [68,5, 114,16) 114,16 [0, 0,355) [0,355, 0,535) [0,535, 0,695) [0,695, 0,845) [0,845, 1] Cuadro 5: Tasa de rendimiento frente al número estudiantes en grupos prácticos de asignaturas obligatorias. Tasa de Prob. Nota de acceso media Rendimiento a Priori [5,32, 5,92) [5,92, 6,17) [6,17, 6,46) [6,46, 6,83) [6,83, 7,71] [0, 0,355) [0,355, 0,535) [0,535, 0,695) [0,695, 0,845) [0,845, 1] Tasa de Prob. Percentil 80 de la nota de acceso Rendimiento a Priori [5,46, 6,30) [6,30, 6,65) [6,65, 7,30) [7,30, 7,61) [7,61, 8,5] [0, 0,355) [0,355, 0,535) [0,535, 0,695) [0,695, 0,845) [0,845, 1] Cuadro 6: Tasa de rendimiento frente al perfil del alumnado en asignaturas obligatorias. públicos cuando éstos son asignados de acuerdo al cumplimiento de objetivos formulados a través de indicadores de rendimiento. La naturaleza gráfica del modelo usado permite extraer conclusiones sin necesidad de interpretar datos numéricos, debido a que el análisis de relevancia puede llevarse a cabo sobre la estructura de la red bayesiana. Si el usuario está también interesado en cuantificar la fuerza de las dependencias entre las variables, puede realizarse usando las distribuciones de probabilidad condicionadas proporcionadas también por la red bayesiana. La disponibilidad de herramientas de software para redes bayesianas, como el sistema Elvira, ayudan a la aplicabilidad de la metodología propuesta. Próximamente, planeamos aplicar tecnología bayesiana para construir un sistema que aconseje a los estudiantes las asignaturas a elegir con el fin de maximizar sus oportunidades de éxito.
12 12 M Morales et al. Tasa de Prob. Nota de acceso media Rendimiento a priori [5,32, 6,00) [6,00, 6,20) [6,20, 6,44) [6,44, 6,69) [6,69, 8,03] [0, 0,59) [0,59, 0,71) [0,71, 0,82) [0,82, 0,92) [0,92, 1] Tasa de Prob. Percentil 80 de la nota de acceso Rendimiento a Priori [5,37, 6,28) [6,28, 6,61) [6,61, 6,92) [6,92, 7,22) [7,22, 8,57] [0, 0,59) [0,59, 0,71) [0,71, 0,82) [0,82, 0,92) [0,92, 1] Cuadro 7: Tasa de rendimiento dada las notas de acceso en asignaturas optativas. Tasa de Prob. núm. de alumnos por grupo de teoría Rendimiento a Priori < 10 [10, 18) [18, 28) [28, 51) [51, 137] [0, 0,59) [0,59, 0,71) [0,71, 0,82) [0,82, 0,92) [0,92, 1] Cuadro 8: Resultados para asignaturas optativas dado el tamaño de los grupos teóricos. Referencias [1] Castillo, E., J. Gutiérrez, and A. Hadi (1997). Expert systems and probabilistic network models. New York: Springer-Verlag. [2] Cooper, G. and E. Herskovits (1992). A Bayesian method for the induction of probabilistic networks from data. Machine Learning 9, [3] Cuenin, S. (1987). T he use of performance indicators in universities: An international survey. International Journal of Institutional Management in Higher Education 2, [4] Dochy, F., M. Segers, and W. Wijnen (1990). S electing performance indicators. A proposal as a result of research. In F. Goedegebuure, F. Maasen, and D. Westerheijden (Eds.), Peer review and performance indicators, pp Lemma B.V. [5] Elvira Consortium (2002). E lvira: An environment for creating and using probabilistic graphical models. In J. Gámez and A. Salmerón (Eds.), Proceedings of the First European Workshop on Probabilistic Graphical Models, pp [6] Jensen, F. V. (2001). Bayesian networks and decision graphs. Springer.
13 Análisis de relevancia en IR 13 Tasa de Prob. núm. de alumnos por grupo práctico Rendimiento a Priori < 9 [9, 17) [17, 25) [25, 38) 38 [0, 0,59) [0,59, 0,71) [0,71, 0,82) [0,82, 0,92) [0,92, 1] Cuadro 9: Resultados para asignaturas optativas dado el tamaño de los grupos prácticos. [7] Madsen, A. and F. Jensen (1999). Lazy propagation: A junction tree inference algorithm based on lazy evaluation. Artificial Intelligence 113, [8] Shenoy, P. and G. Shafer (1990). Axioms for probability and belief function propagation. In R. Shachter, T. Levitt, J. Lemmer, and L. Kanal (Eds.), Uncertainty in Artificial Intelligence 4, pp North Holland, Amsterdam. [9] Spirtes, P., C. Glymour, and R. Scheines (1993). C ausation, prediction and search, Volume 81 of Lecture Notes in Statistics. Springer Verlag. María Morales Departamento de Estadística y Matemática Aplicada, Universidad de Almería, Almería maria.morales@ual.es Carmelo Rodríguez Departamento de Estadística y Matemática Aplicada, Universidad de Almería, Almería crt@ual.es Antonio Salmerón Departamento de Estadística y Matemática Aplicada, Universidad de Almería, Almería antonio.salmeron@ual.es Este trabajo ha sido financiado por el Ministerio de Educación y Ciencia bajo el proyecto TIN C03-01
Análisis del sector agrario del poniente almeriense mediante redes bayesianas
27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8 11 de abril de 2003 Análisis del sector agrario del poniente almeriense mediante redes bayesianas Antonio J. Céspedes 1, Rafael Rumí
Aprendizaje de redes bayesianas híbridas con mixturas de funciones base truncadas
Aprendizaje de redes bayesianas híbridas con mixturas de funciones base truncadas Doctoranda: Inmaculada Pérez-Bernabé Director: Antonio Salmerón Cerdán Departamento de Matemáticas, Universidad de Almería,
GUÍA DOCENTE PARTE GENERAL
1. DESCRIPCIÓN DE LA ASIGNATURA Grado: SOCIOLOGÍA Doble Grado: SOCIOLOGÍA Y CIENCIA POLÍTICA Y DE LA ADMINISTRACIÓN Asignatura: ANÁLISIS AVANZADO DE DATOS SOCIOLÓGICOS ASISITIDO POR ORDENADOR- 802033-911048
Inteligencia Artificial e Ingeniería del Conocimiento
Inteligencia Artificial e Ingeniería del Conocimiento Departamento de Ciencias de la Computación e Inteligencia Artificial Curso 2008/2009 Curso: 4 Cuatrimestre: 1 Tipo: Troncal Nº créditos: 4,5T + 4,5
Inteligencia Artificial II Razonamiento Bayesiano
Inteligencia Artificial II Razonamiento Bayesiano Dr. Alejandro Guerra-Hernández Universidad Veracruzana Centro de Investigación en Inteligencia Artificial mailto:aguerra@uv.mx http://www.uv.mx/personal/aguerra
MODELOS GRÁFICOS PROBABILÍSTICOS
GUIA DOCENTE DE LA ASIGNATURA MODELOS GRÁFICOS PROBABILÍSTICOS MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER Modelos avanzados ciencia datos de de Modelos gráficos probabilísticos Modelos
GUIA DOCENTE. Facultad de Ciencias Sociales
Facultad de Ciencias Sociales GRADO: Sociología DOBLE GRADO: Sociología y Ciencias Políticas y de la Administración MÓDULO: Métodos y técnicas de investigación social. ASIGNATURA: Estadística aplicada
GUÍA DOCENTE MÉTODOS DE DECISIÓN EMPRESARIAL GRADO EN ADMINISTRACION Y DIRECCION DE EMPRESAS CURSO IEB Página 1
GUÍA DOCENTE MÉTODOS DE DECISIÓN EMPRESARIAL GRADO EN ADMINISTRACION Y DIRECCION DE EMPRESAS CURSO 2017-18 IEB Página 1 I. Identificación de la Asignatura Tipo OBLIGATORIA Período de Impartición 3 Curso,
GUIA DOCENTE. Facultad de Ciencias Sociales
Facultad de Ciencias Sociales GRADO: Trabajo Social y Sociología MÓDULO: Métodos y técnicas de investigación social. ASIGNATURA: Estadística aplicada a las Ciencias Sociales DEPARTAMENTO: Economía, Métodos
ESTADÍSTICA BAYESIANA Y TEORÍA DE DECISIONES
MISIÓN Formar profesionales altamente capacitados, desarrollar investigación y realizar actividades de extensión en Matemáticas y Computación, así como en sus diversas aplicaciones. ESTADÍSTICA BAYESIANA
ESCUELA UNIVERSITARIA DE RELACIONES LABORALES DE ELDA GUÍA DOCENTE. DATOS DE LA ASIGNATURA Asignatura
ESCUELA UNIVERSITARIA DE RELACIONES LABORALES DE ELDA GUÍA DOCENTE CURSO ACADÉMICO 2017/2018 DATOS DE LA ASIGNATURA Asignatura ESTADÍSTICA APLICADA A LAS RELACIONES LABORALES Código 42633 Titulación GRADO
Conferencia C1 MODELOS DE REDES PROBABILÍSTICAS EN SISTEMAS EXPERTOS
V CONFERENCIA NACIONAL DE CIENCIAS DE LA COMPUTACIÓN CCBOL'98 Del 6 al 2 de Noviembre 998 en Potosí Conferencia C MODELOS DE REDES PROBABILÍSTICAS EN SISTEMAS EXPERTOS Prof. José Manuel Gutiérrez Dpto.
Sistemas de Planificación
Sistemas de Planificación Guía de Aprendizaje Información al estudiante 1. Datos Descriptivos Asignatura Materia Departamento responsable Sistemas de Planificación Ingeniería del Software, Sistemas Informáticos
GUIA DOCENTE. Facultad de Ciencias Sociales. GRADO: Sociología MÓDULO: Fundamentos y Diseños de Investigación en
GUIA DOCENTE Facultad de Ciencias Sociales GRADO: Sociología MÓDULO: Fundamentos y Diseños de Investigación en Sociología ASIGNATURA: DEPARTAMENTO: Ciencias Sociales AÑO ACADÉMICO: 2015-2016 GRADO: Sociología
Bases Formales de la Computación: Redes de Bayes (segunda parte)
Bases Formales de la Computación: Redes de Bayes (segunda parte) Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Cali Periodo 2008-2 Razonamiento en Redes de Bayes
GUIA DOCENTE. Facultad de Ciencias Sociales
GUIA DOCENTE Facultad de Ciencias Sociales GRADO: Sociología MÓDULO: Áreas de Análisis Sociológico ASIGNATURA: DEPARTAMENTO: Sociología AÑO ACADÉMICO: 2015-2016 GRADO: Sociología-802027 DOBLE GRADO: Sociología
Tema1: Introducción a La Estadística 1.1-1
1 Tema1: Introducción a La Estadística 1.1-1 Introducción Un objetivo importante de La Estadística es: aprender acerca de un grupo grande, examinando los datos de algunos de sus miembros. La Estadística
ANÁLISIS DEL ALUMNADO DE LA UNIVERSIDAD DE ALMERÍA MEDIANTE REDES BAYESIANAS. María Morales, Antonio Salmerón
27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8 11 de abril de 2003 ANÁLISIS DEL ALUMNADO DE LA UNIVERSIDAD DE ALMERÍA MEDIANTE REDES BAYESIANAS María Morales, Antonio Salmerón
El Plan de Estudios no establece ningún prerrequisito para poder cursar esta asignatura.
GUÍA DOCENTE DE LA ASIGNATURA PROBABILIDAD Y PROCESOS ESTOCÁSTICOS 1. Descriptores de la asignatura: Espacios de probabilidad. Teoremas límite. Procesos markovianos. Aplicaciones. 2. Situación de la asignatura.
INFORME ANUAL DEL MÁSTER UNIVERSITARIO EN FORMACIÓN E INVESTIGACIÓN LITERARIA Y TEATRAL EN SU CONTEXTO EUROPEO
INFORME ANUAL DEL MÁSTER UNIVERSITARIO EN FORMACIÓN E INVESTIGACIÓN LITERARIA Y TEATRAL EN SU CONTEXTO EUROPEO DEPARTAMENTO DE LITERATURA ESPAÑOLA Y TEORÍA DE LA LITERATURA CURSO ACADÉMICO 2011/12 1 Índice
Inteligencia Artificial
Inteligencia Artificial Guía de Aprendizaje Información al estudiante 1. Datos Descriptivos Asignatura Materia Departamento responsable Inteligencia Artificial Ingeniería del Software, Sistemas Informáticos
Titulación(es) Titulación Centro Curso Periodo Grado de Economía FACULTAT D'ECONOMIA 2 Primer cuatrimestre
FICHA IDENTIFICATIVA Datos de la Asignatura Código 36123 Nombre Microeconomía I Ciclo Grado Créditos ECTS 6.0 Curso académico 2015-2016 Titulación(es) Titulación Centro Curso Periodo 1316 - Grado de Economía
Informe final de evaluación del seguimiento de la implantación de títulos oficiales GRADO EN HUMANIDADES
Informe final de evaluación del seguimiento de la implantación de títulos oficiales 2012 GRADO EN HUMANIDADES Facultad de Humanidades, Comunicación y Documentación VALORACIÓN GLOBAL Información pública
Diplomado en Estadística (97)
- Diplomado en Estadistica (97) - Diplomado en Estadística (89) - Grado en Matemáticas - Licenciatura en Matemáticas en la Universidad de Sevilla (98) - Licenciado en Ciencias Matemáticas en la Universidad
Informe final de evaluación del seguimiento de la implantación de títulos oficiales GRADO EN ESTADÍSTICA Y EMPRESA
Informe final de evaluación del seguimiento de la implantación de títulos oficiales 2012 GRADO EN ESTADÍSTICA Y EMPRESA Facultad de Ciencias Sociales y Jurídicas VALORACIÓN GLOBAL Información pública ofrecida
DOBLE GRADO EN INGENIERIA INFORMATICA Y MATEMATICAS (MOSTOLES)
DOBLE GRADO EN INGENIERIA INFORMATICA Y MATEMATICAS (MOSTOLES) RESUMEN MEMORIA ANUAL DE SEGUIMIENTO CURSO ACADÉMICO 2015-16 1 1. Notas de Corte 1.1 Notas de corte oficial (reparto UCM) MÓSTOLES CONVOCATORIA
240AR022 - Reconocimiento de Formas y Aprendizaje Automático
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona 707 - ESAII - Departamento de Ingeniería de
Ecuaciones diferenciales: Métodos y modelos
Ecuaciones diferenciales: Métodos y modelos Guía de Aprendizaje Información al estudiante 1. Datos Descriptivos Asignatura Materia Departamento responsable Ecuaciones diferenciales: Métodos y modelos Optatividad
1ª edición 2ª edición 3ª edición 4ª edición 80,25% 83,70% 86,39% 89,13%
Compl_07_Informe de las encuestas de satisfacción general de los estudiantes del Máster educación y Museos (cursos 2010-11; 2011-12; 2012-13 y 2013-14) Las encuestas de satisfacción de cada una de las
240EQ313 - Planificación de Experimentos y Tratamiento Estadístico de Datos
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 295 - EEBE - Escuela de Ingeniería de Barcelona Este 715 - EIO - Departamento de Estadística e Investigación Operativa MÁSTER
PROBLEMAS SOBRE V. ESTAD. BIDIMENSIONALES. PROFESOR: ANTONIO PIZARRO.
1º) (Andalucía, Junio, 98) Se considera la siguiente tabla estadística, donde a es una incógnita: X 2 4 a 3 5 Y 1 2 1 1 3 a) Calcular el valor de a sabiendo que la media de X es 3. b) Mediante la correspondiente
(Data Warehouse: metodologías y técnicas)
(Data Warehouse: metodologías y técnicas) Guía de Aprendizaje Información al estudiante 1. Datos Descriptivos Titulación MASTER UNIVERSITARIO EN INGENIERÍA INFORMÁTICA Módulo Materia Asignatura SISTEMAS
EJERCICIO A. Problema 1. Se considera la región factible dada por el siguiente conjunto de restricciones: x + y 5 x + 3y 9 x 0, y 0
Baremo: Se elegirá el EJERCICIO A o el EJERCICIO B, del que sólo se harán tres de los cuatro problemas. Cada problema se puntuará de 0 a 3,3. La calificación final será la suma de 0,1 más la suma de las
PE - Probabilidad y Estadística
Unidad responsable: 230 - ETSETB - Escuela Técnica Superior de Ingeniería de Telecomunicación de Barcelona Unidad que imparte: 749 - MAT - Departamento de Matemáticas Curso: Titulación: 2016 GRADO EN INGENIERÍA
Redes Bayesianas (3) Carlos Hurtado L. Depto. de Ciencias de la Computación, Universidad de Chile
Redes Bayesianas (3) Carlos Hurtado L. Depto. de Ciencias de la Computación, Universidad de Chile Referencia Tutorial NIPS (Neural Information Processing Systems Conference) 2001: Learning Bayesian Networks
R1. COMPETENCIAS BÁSICAS EN CUARTO CURSO DE EDUCACIÓN PRIMARIA
R. COMPETENCIAS BÁSICAS EN CUARTO CURSO DE EDUCACIÓN PRIMARIA R.. Competencia básica en matemáticas Resultados globales alcanzados en la Competencia matemática por el alumnado de cuarto curso de Educación
INDICADORES DE OFERTA Y DEMANDA
INDICADORES DE OFERTA Y DEMANDA INDICADORES DE OFERTA Y MATRÍCULA Oferta de plazas (Cádiz) - 150 150 150 150 150 Matriculados de nuevo Ingreso (Cádiz) - 154 158 175 176 142 Oferta de plazas (Algeciras)
Ecuaciones diferenciales: Métodos y modelos
Ecuaciones diferenciales: Métodos y modelos Guía de Aprendizaje Información al estudiante 1. Datos Descriptivos Asignatura Materia Departamento responsable Ecuaciones diferenciales: Métodos y modelos Optatividad
(Data Warehouse: metodologías y técnicas)
(Data Warehouse: metodologías y técnicas) Guía de Aprendizaje Información al estudiante 1. Datos Descriptivos Titulación MASTER UNIVERSITARIO EN INGENIERÍA INFORMÁTICA Módulo Materia Asignatura SISTEMAS
Formas de medir la satisfacción alumno-profesor. Experiencia en la asignatura de Estadística III de A.D.E.
Formas de medir la satisfacción alumno-profesor. Experiencia en la asignatura de Estadística III de A.D.E. III XORNADA DE INNOVACION EDUCATIVA María Gómez Rúa, Leticia Lorenzo Picado Estela Sánchez Rodríguez
DOBLE GRADO EN INGENIERIA DEL SOFTWARE Y MATEMATICAS (MOSTOLES)
DOBLE GRADO EN INGENIERIA DEL SOFTWARE Y MATEMATICAS (MOSTOLES) RESUMEN MEMORIA ANUAL DE SEGUIMIENTO CURSO ACADÉMICO 2015-16 1 1. Notas de Corte 1.1 Notas de corte oficial (reparto UCM) MÓSTOLES CONVOCATORIA
d) El curso académico tendrá una duración de 40 semanas (incluyendo el periodo de formación y de evaluación).
.1. DESCRIPCIÓN DEL PLAN DE ESTUDIOS. De acuerdo con el artículo.1 del R.D. 19/2007, el cumplimiento de los objetivos previstos en los planes de estudios conducentes a la obtención de títulos universitarios
CCQ - Computación y Criptografía Cuánticas
Unidad responsable: 270 - FIB - Facultad de Informática de Barcelona Unidad que imparte: 748 - FIS - Departamento de Física Curso: Titulación: 2017 GRADO EN INGENIERÍA INFORMÁTICA (Plan 2010). (Unidad
CCQ - Computación y Criptografía Cuánticas
Unidad responsable: 270 - FIB - Facultad de Informática de Barcelona Unidad que imparte: 748 - FIS - Departamento de Física Curso: Titulación: 2017 GRADO EN INGENIERÍA INFORMÁTICA (Plan 2010). (Unidad
PIPE - Probabilidad y Procesos Estocásticos
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 200 - FME - Facultad de Matemáticas y Estadística 749 - MAT - Departamento de Matemáticas MÁSTER UNIVERSITARIO EN ESTADÍSTICA
LICENCIADO EN SISTEMAS COMPUTACIONALES. Este programa educativo se ofrece en las siguientes sedes académicas de la UABC:
LICENCIADO EN SISTEMAS COMPUTACIONALES Este programa educativo se ofrece en las siguientes sedes académicas de la UABC: Campus Campus Tijuana, Unidad Valle de las Palmas Nota: No ofertado a partir del
PROGRAMA DE ESTUDIOS SIMULTÁNEOS DE GRADO EN MATEMÁTICAS Y GRADO EN INGENIERÍA INFORMÁTICA
PROGRAMA DE ESTUDIOS SIMULTÁNEOS DE GRADO EN MATEMÁTICAS Y GRADO EN INGENIERÍA INFORMÁTICA EXPOSICION DE MOTIVOS En los últimos años, con la puesta en marcha de los títulos de Grado dentro del plan del
Graduado o Graduada en Matemática Computacional por la Universidad Jaume I de Castellón. Escuela Superior de Tecnología y Ciencias Experimentales
Datos básicos del título Título: Graduado o Graduada en Matemática Computacional por la Universidad Jaume I de Castellón Universidad: Centro: Rama de conocimiento: Universidad Jaume I de Castellón Escuela
EXPLICACIÓN DE LOS CONCEPTOS CLAVE EN LOS INFORMES DE JUNIO
EXPLICACIÓN DE LOS CONCEPTOS CLAVE EN LOS INFORMES DE JUNIO 1 2 Índice 1. Introducción.... 5 2. La prueba ESCALA. Aspectos que evalúa.... 6 3. Tipos de informes de resultados que pueden obtenerse en junio....
Análisis Exploratorio de Datos 1231X (B.O.E. del 19-julio-2000). Troncal. Obligatoria. Optativa.
DATOS BÁSICOS DE LA ASIGNATURA Nombre: Análisis Exploratorio de Datos Código: 1231X2. Año del Plan de Estudios: 2000 (B.O.E. del 19-julio-2000). Tipo: Troncal. Obligatoria. Optativa. Créditos: Totales:
Universidad Católica de Valencia San Vicente Mártir. Facultad de Ciencias de la Actividad Física y el Deporte:Sede La Inmaculada (Torrent)
Datos básicos del título Título: Máster Universitario en Ciencias Aplicadas a la Prevención y Readaptación Funcional de Lesiones Deportivas por la Universidad Católica de Valencia San Vicente Mártir Universidad:
GUÍA DOCENTE DE LA ASIGNATURA
GUÍA DOCENTE DE LA ASIGNATURA M272 - Métodos Cuantitativos de Investigación de Mercados Máster Universitario en Dirección de Empresas (MBA) Obligatoria. Curso Curso Académico 205-206 . DATOS IDENTIFICATIVOS
PROGRAMA DE ESTUDIOS SIMULTÁNEOS DE GRADO EN MATEMÁTICAS Y GRADO EN INGENIERÍA INFORMÁTICA
PROGRAMA DE ESTUDIOS SIMULTÁNEOS DE EN MATEMÁTICAS Y EN INGENIERÍA INFORMÁTICA EXPOSICION DE MOTIVOS En los últimos años, con la puesta en marcha de los títulos de Grado dentro del plan del Espacio Europeo
AAPX - Análisis y Evaluación de Prestaciones en Redes
Unidad responsable: 230 - ETSETB - Escuela Técnica Superior de Ingeniería de Telecomunicación de Barcelona Unidad que imparte: 744 - ENTEL - Departamento de Ingeniería Telemática Curso: Titulación: 2016
ANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Inteligencia artificial. CURSO ACADÉMICO - SEMESTRE Primer semestre
ANX-PR/CL/001-02 GUÍA DE APRENDIZAJE ASIGNATURA Inteligencia artificial CURSO ACADÉMICO - SEMESTRE 2015-16 - Primer semestre GA_61IW_615000246_1S_2015-16 Datos Descriptivos Nombre de la Asignatura Titulación
2 La accesibilidad de los ciudadanos a los servicios públicos autonómicos
PRESENTACIÓN PARA EL WORKSHOP SOBRE FINANCIACIÓN AUTONÓMICA 30 de noviembre de 2015 Dirección General de Tributos y Financiación Autonómica Consejería de Economía y Hacienda Junta de Castilla y León 1
Programación Declarativa: Lógica y restricciones
Programación Declarativa: Lógica y restricciones Guía de Aprendizaje Información al estudiante 1. Datos Descriptivos Titulación Módulo Materia Asignatura Carácter Créditos ECTS Departamento responsable
Estudios de Economía y Empresa Trabajo Final de Grado Plan de comunicación
TFG: PLAN DE COMUNICACIÓN Descripción El Trabajo Final de Grado (TFG) es una asignatura obligatoria del plan de estudios del Grado de Marketing e Investigación de Mercados (MIM) que el estudiante debe
FACULTAD DE CIENCIAS ADMINISTRATIVAS PROGRAMA ADMINISTRACION DE EMPRESAS : ADMINISTRACION DE OPERACIONES II
FACULTAD DE CIENCIAS ADMINISTRATIVAS PROGRAMA ADMINISTRACION DE EMPRESAS ASIGNATURA SEMESTRE INTENSIDAD : ADMINISTRACION DE OPERACIONES II : IX : 3 H/S. 1. - JUSTIFICACIÓN: La investigación de operaciones
Informe final de evaluación del seguimiento de la implantación de títulos oficiales GRADO EN HISTORIA DEL ARTE
Informe final de evaluación del seguimiento de la implantación de títulos oficiales 2012 GRADO EN HISTORIA DEL ARTE Facultad de Humanidades y Ciencias de la Comunicación VALORACIÓN GLOBAL Información pública
Razonamiento probabilístico y redes bayesianas
Razonamiento probabilístico y redes bayesianas Clasificador bayesiano Representación y semántica de las RB Blanca A. Vargas Govea vargasgovea@itesm.mx Octubre 12, 2012 Correcciones al ejercicio de clase
Tema 12. Selección de Variables
Tema 12. Selección de Variables Pedro Larrañaga, Iñaki Inza, Abdelmalik Moujahid Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea
GRADO EN INGENIERÍA CIVIL
Informe aprobado el 7 de marzo de 2012 por la Junta de Escuela de la Escuela Técnica Superior de Ingenieros de Caminos, Canales y Puertos. INFORME DE GESTIÓN GRADO EN INGENIERÍA CIVIL Informe de gestión
Proyecto de Innovación y Mejora de la Calidad Docente. Convocatoria Nº de proyecto. Título del proyecto
Proyecto de Innovación y Mejora de la Calidad Docente Convocatoria 2014 Nº de proyecto 265 Título del proyecto IMPLICACIONES DEL ADELANTAMIENTO DE LA CONVOCATORIA DE EXÁMENES DE SEPTIEMBRE A JULIO SOBRE
METODOS DE DECISION EMPRESARIAL
GUÍA DOCENTE METODOS DE DECISION EMPRESARIAL GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS CURSO 2017-18 Fecha de publicación: 17.07.2017 1 METODOS DE DECISION EMPRESARIAL I. Identificación de la Asignatura
GRADO EN ECONOMIA SEGUNDO CURSO
GRADO EN ECONOMIA SEGUNDO CURSO Asignatura Estadística II Código 802354 Módulo Métodos cuantitativos Materia Carácter Obligatorio Presenciales 2,7 Créditos 6 No presenciales 3,3 Curso 2 Semestre 3 Estadística
MÓDULO I. MARCO JURÍDICO COLEGIAL Y
MÁSTER ACCESO A LA PROFESIÓN DE ABOGADO MÓDULO I. MARCO JURÍDICO COLEGIAL Y PROFESIONAL ASIGNATURA: ASISTENCIA JURÍDICA GRATUITA Y TURNO DE OFICIO Máster Universitario en Acceso a la Profesión de Abogado
Titulación(es) Titulación Centro Curso Periodo Grado de Negocios Internacionales/ International Business
FICHA IDENTIFICATIVA Datos de la Asignatura Código 35890 Nombre Análisis de Estados Financieros Ciclo Grado Créditos ECTS 6.0 Curso académico 2014-2015 Titulación(es) Titulación Centro Curso Periodo 1314
Inteligencia Artificial
Inteligencia Artificial Inteligencia, concepto Es la capacidad para aprender o comprender. Suele ser sinónimo de intelecto (entendimiento), pero se diferencia de éste por hacer hincapié en las habilidades
CRITERIOS E INDICADORES DE EVALUACIÓN. 1.-INTRODUCCIÓN.
CRITERIOS E INDICADORES DE EVALUACIÓN. 1.-INTRODUCCIÓN. El uso de indicadores en los contextos de evaluación universitaria ha ido ganando terreno, hasta el extremo que es imposible pensar en la construcción
Guía Docente: ESTADÍSTICA Y CÁLCULO MATEMÁTICO
ESTADÍSTICA Y CÁLCULO MATEMÁTICO FACULTAD DE CIENCIAS QUÍMICAS UNIVERSIDAD COMPLUTENSE DE MADRID CURSO 2014-2015 I.- IDENTIFICACIÓN NOMBRE DE LA ASIGNATURA: NÚMERO DE CRÉDITOS: 6 CARÁCTER: Obligatoria
DOBLE GRADO CONTABILIDAD Y FINANZAS - DERECHO
DOBLE GRADO CONTABILIDAD Y FINANZAS - DERECHO RESUMEN MEMORIA ANUAL DE SEGUIMIENTO CURSO ACADÉMICO 2014-15 INGRESO Y MATRICULACIÓN NOTA DE CORTE 2014-15 JUNIO MADRID MÓSTOLES PERFIL DE INGRESO 5.80 7.96
GRADO EN CONTABILIDAD Y FINANZAS
GRADO EN CONTABILIDAD Y FINANZAS RESUMEN INFORME ANUAL DE RESULTADOS CURSO 2013-2014 Ingreso y matriculación NOTA DE CORTE 2013-14 JUNIO FUENLABRADA 5.00 MÓSTOLES 6.06 6.99 Perfil de Ingreso INDICADORES
2º ESO UNIDAD 14 ESTADÍSTICA Y PROBABILIDAD
º ESO UNIDAD 1 ESTADÍSTICA Y PROBABILIDAD 1 1.- CONCEPTOS BÁSICOS Estadística.- Es la ciencia que estudia conjuntos de datos obtenidos de la realidad. Estos datos son interpretados mediante tablas, gráficas
Grado en Biología Universidad de Alcalá Curso Académico 2011/12 Curso 2º Cuatrimestre 1º
ESTADISTICA Grado en Biología Universidad de Alcalá Curso Académico 2011/12 Curso 2º Cuatrimestre 1º GUÍA DOCENTE Nombre de la asignatura: Estadística Código: 650008 Titulación en la que se imparte: Grado
Vida Comercial de los Alimentos Procesados
GUÍA DOCENTE 2013-2014 Vida Comercial de los Alimentos Procesados 1. Denominación de la asignatura: Vida Comercial de los Alimentos Procesados Titulación Grado en Ciencia y Tecnología de los Alimentos
Guía Docente: Guía Básica. Datos para la identificación de la asignatura. Escuela de Ingeniería Informática Grado en Ingeniería Informática
Guía Docente: Guía Básica Datos para la identificación de la asignatura. CENTRO: Escuela de Ingeniería Informática TITULACIÓN: Grado en Ingeniería Informática Métodos Numéricos CÓDIGO ULPGC 40810 CÓDIGOS
Métodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Redes Bayesianas: Parte I Introducción Representación Inferencia Propagación
Programa conjunto grados en Derecho y Administración y Dirección de Empresas (DADE).
Programa conjunto grados en y Administración y Dirección de Empresas (DADE). Informe curso 1-1. 1. Análisis de los procesos de acceso y admisión, adjudicación de plazas, matrícula. 1.1 Plazas de nuevo
Guía Docente ESCUELA POLITÉCNICA SUPERIOR
Guía Docente FUNDAMENTOS MATEMÁTICOS DE LA INFORMÁTICA I PRIMER CURSO PRIMER SEMESTRE GRADO: INGENIERÍA DE SISTEMAS DE INFORMACIÓN MODALIDAD: PRESENCIAL CURSO 2016/2017 ESCUELA POLITÉCNICA SUPERIOR 1.
Informe final de evaluación del seguimiento de la implantación de títulos oficiales GRADO EN INGENIERÍA DE LA EDIFICACIÓN. Escuela de Arquitectura
Informe final de evaluación del seguimiento de la implantación de títulos oficiales 2012 GRADO EN INGENIERÍA DE LA EDIFICACIÓN VALORACIÓN GLOBAL Información pública ofrecida por el título en su página
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA DIRECCIÓN GENERAL DE ASUNTOS ACADÉMICOS PROGRAMA DE ASIGNATURA POR COMPETENCIAS I. DATOS DE IDENTIFICACIÓN 1. Unidad Académica: Facultad de Economía 2. Programa
Grado en Ingeniería en Electrónica y Automática Industrial Universidad de Alcalá Curso Académico 2015/2016 Curso 4º Cuatrimestre 1º
VISIÓN ARTIFICIAL Grado en Ingeniería en Electrónica y Automática Industrial Universidad de Alcalá Curso Académico 2015/2016 Curso 4º Cuatrimestre 1º GUÍA DOCENTE Nombre de la asignatura: Visión Artificial
Algoritmos Topológicos para Imágenes Digitales
Algoritmos Topológicos para Imágenes Digitales Guía de Aprendizaje Información al estudiante 1. Datos Descriptivos Asignatura Materia Departamento responsable Algoritmos Topológicos para Imágenes Digitales
Tareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Tratamiento Estadístico de Encuestas 1231W (B.O.E. del 19-julio-2000). Troncal. Obligatoria. Optativa.
DATOS BÁSICOS DE LA ASIGNATURA Nombre: Tratamiento Estadístico de Encuestas Código: 1231W7. Año del Plan de Estudios: 2000 (B.O.E. del 19-julio-2000). Tipo: Troncal. Obligatoria. Optativa. Créditos: Totales:
Tema 2. Introducción a la Estadística Bayesiana
2-1 Tema 2 Introducción a la Estadística Bayesiana El teorema de Bayes Ejemplo Interpretación Ejemplo: influencia de la distribución a priori Ejemplo: densidad de flujo Probabilidad bayesiana Ejemplo:
INFORME DE LA ENCUESTA DE SATISFACCIÓN CON LAS PRÁCTICAS EXTERNAS DE TUTORES ACADÉMICOS, TUTORES EXTERNOS Y ALUMNOS (CURSO )
INFORME DE LA ENCUESTA DE SATISFACCIÓN CON LAS PRÁCTICAS EXTERNAS DE TUTORES ACADÉMICOS, TUTORES EXTERNOS Y ALUMNOS (CURSO 2014-2015) El Grado en Química, en su plan de estudios, contempla la posibilidad
Curso Superior. Experto en Data Mining
Curso Superior Experto en Data Mining Índice Experto en Data Mining 1. Sobre Inesem 2. Experto en Data Mining Descripción / Para que te prepara / Salidas Laborales / Resumen / A quién va dirigido / Objetivos
Métodos Estadísticos de Experimentación Agraria
Métodos Estadísticos de Experimentación Agraria (Grupo B, Profesor Ignacio Romagosa) La asignatura es obligatoria en segundo ciclo de Agrónomos y tiene asignada una carga lectiva de 4.5 créditos (aproximadamente
EUEEZ: del Plan de Estudios 223 al Grado en Empresa
EUEEZ: del Plan de Estudios 223 al Grado en Empresa Gargallo Valero, Pilar, Urquizu Samper, Pilar, Zubiaurre Eizaguirre, Julieta Escuela Universitaria de Estudios Empresariales de Zaragoza Universidad
ESCUELA UNIVERSITARIA DE RELACIONES LABORALES DE ELDA GUÍA DOCENTE. Créditos Tipo Curso Periodo DEPARTAMENTOS Y ÁREAS. de conocimiento responsable
ESCUELA UNIVERSITARIA DE RELACIONES LABORALES DE ELDA GUÍA DOCENTE CURSO ACADÉMICO 2016/2017 DATOS DE LA ASIGNATURA Asignatura ESTADÍSTICA Código 42606 Titulación GRADO EN RELACIONES LABORALES Y RECURSOS
Graduado o Graduada en Veterinaria por la Universidad Católica de Valencia San Vicente Mártir. Universidad Católica de Valencia San Vicente Mártir
Datos básicos del título Título: Graduado o Graduada en Veterinaria por la Universidad Católica de Valencia San Vicente Mártir Universidad: Centro: Rama de conocimiento: Universidad Católica de Valencia
GUÍA DOCENTE DE LA ASIGNATURA ESTADÍSTICA APLICADA
GUÍA DOCENTE DE LA ASIGNATURA ESTADÍSTICA APLICADA DATOS BÁSICOS DE LA ASIGNATURA Nombre: Titulación: Centro: Tipo: Créditos: Curso: Prerrequisitos: Profesor: Dpto.: Estadística Aplicada. Licenciatura
INFORME DE SEGUIMIENTO DE TÍTULOS VICERRECTORADO DE CALIDAD UCM
CENTRO CENTRO ADSCRITO CARDENAL CISNEROS TÍTULO MÁSTER UNIVERSITARIO EN ACCESO A LA PROFESIÓN DE ABOGADO FECHA DEL INFORME 28 DE ABRIL DE 2017 El Vicerrectorado de Calidad de la Universidad Complutense
Informe final de evaluación del seguimiento de la implantación de títulos oficiales MÁSTER UNIVERSITARIO EN ANÁLISIS ECONÓMICO APLICADO
Informe final de evaluación del seguimiento de la implantación de títulos oficiales 2012 MÁSTER UNIVERSITARIO EN ANÁLISIS ECONÓMICO APLICADO VALORACIÓN GLOBAL Información pública ofrecida por el título
PROYECTO: ID12/100 IMPLANTACIÓN DE IMPLANTACIOŃ DE UN SISTEMA ANTIPLAGIO
Vicerrectorado de Política Académica MEMORIA DE AYUDAS DE LA UNIVERSIDAD DE SALAMANCA PARA LA INNOVACIÓN DOCENTE PROYECTO: ID12/100 IMPLANTACIÓN DE IMPLANTACIOŃ DE UN SISTEMA ANTIPLAGIO Curso 2012-2013
GUÍA DOCENTE MICROEOCONOMÍA GRADO EN ADMINISTRACION Y DIRECCION DE EMPRESAS CURSO IEB Página 1
GUÍA DOCENTE MICROEOCONOMÍA GRADO EN ADMINISTRACION Y DIRECCION DE EMPRESAS CURSO 2017-18 IEB Página 1 I. Identificación de la Asignatura Tipo OBLIGATORIA Período de Impartición 2º Curso, 1 er Cuatrimestre
GUÍA DOCENTE ESTADÍSTICA EMPRESARIAL I GRADO EN ADMINISTRACION Y DIRECCION DE EMPRESAS CURSO IEB Página 1
GUÍA DOCENTE ESTADÍSTICA EMPRESARIAL I GRADO EN ADMINISTRACION Y DIRECCION DE EMPRESAS CURSO 2017-18 IEB Página 1 I. Identificación de la Asignatura Tipo OBLIGATORIA Período de Impartición 2 Curso, 1 Cuatrimestre
INFORME DE IMPLANTACIÓN DEL SGIC
PÁG. Nº 1 CURSO 2014/ 2015 FECHA: 27/01/2016 1. Introducción. La Política de Calidad de la Facultad de Enfermería ha sido revisada por la comisión de calidad el 12 de Septiembte de 2014. Tras la revisión,