Sistemas de Razonamiento Basado en Casos para el Soporte a la Toma de Decisiones.

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

Download "Sistemas de Razonamiento Basado en Casos para el Soporte a la Toma de Decisiones."

Transcripción

1 Sstemas de Razoameto Basado e Casos para el Soporte a la Toma de Decsoes. Laza R., Feradez F., Corchado J.M. E.U.I.T. Iformátca de Gestó Uversdad de Vgo, Campus As Lagoas 32004, Ourese, España Emal {corchado,rlaza,rverola}@e.uvgo.es Tlf.: Fax.: Palabras Clave: Agete, Sstemas de Razoameto Basado e Casos, Red Neuroal de fucoes de base radal. RESUMEN: E este artículo se preseta u sstema de razoameto basado e casos (CBR, Case Based Reasog) dseñado para acosejar a los estudates uverstaros sobre qué asgaturas optatvas cursar. La faldad es desarrollar ua herrameta de apoyo e la eleccó de asgaturas optatvas, que corpora formacó acerca de los coocmetos y preferecas académcas de los estudates que ha cursado al meos u curso e la uversdad. La herrameta utlza posterormete esta formacó para acosejar a uevos estudates. El redmeto del sstema obtedo se compara co los resultados proporcoados por ua red euroal artfcal de fucoes de base radal..- INTRODUCCIÓN. E la Escuela Superor de Igeería Iformátca de la Uversdad de Vgo, se ha desarrollado u sstema mult-agete para acosejar a los más de 700 alumos del cetro, sobre qué asgaturas optatvas cursar. Idetfcar y seleccoar las asgaturas que so más teresates o adecuadas para u estudate es ua tarea compleja, la cual se ha automatzado co u sstema cosejero mult-agete (S.A.E.A.O. Sstema de Ayuda a la Eleccó de Asgaturas Optatvas). SAEAO posee agetes profesor, agetes estudates, agetes de cotacto (facltadores) y u agete cosejero. Cada agete tee ua base de coocmeto, el agete estudate almacea la formacó del alumo que está solctado cosejo y actúa como su asstete, el agete profesor almacea las característcas de la asgatura que mparte el profesor y també actúa como su asstete. El agete cosejero posee la capacdad de acosejar a los estudates acerca de qué asgaturas optatvas debe cursar. Los facltadores so agetes especales que se ecarga de drgr la comucacó etre los otros agetes. (Corchado et al., 999). E la Fgura se puede ver la arqutectura propuesta para el sstema SAEAO. Los dversos agetes está orgazados medate coordacó asstda, es decr, los agetes o se comuca drectamete, so que lo hace por medo de facltadores. Los agetes utlza ACL (Aget Commucato Laguage) para comucar sus ecesdades y habldades a su facltador local, que se ecarga de ecotrar la ruta correcta por la cual proporcoa solctudes a otros facltadores, quees a su vez pasa las solctudes a alguo de los agetes de su domo que puede satsfacer la solctud (Geesereth et al., 994). El objetvo de este artículo es mostrar cómo el agete cosejero del sstema SAEAO, empleado u sstema de razoameto basado e casos (CBR Case Based Reasog) puede acosejar a estudates de forma autóoma. El artículo preseta de forma geeral el cocepto de CBR;

2 posterormete se preseta su desarrollo e el ámbto de esta vestgacó y falmete muestra los resultados obtedos co él y los compara co los resultados arrojados por ua red de fucoes de base radal (RBF Radal Bass Fuctos). Estudate :N Agete Estudate :N Base de Datos Agete Cosejero Base de Casos Facltador Facltador Facltador Profesor :N Agete Profesor :N Base de Datos Fgura : Sstema Multagete SAEAO 2.- SISTEMAS DE RAZONAMIENTO BASADOS EN CASOS Los sstemas expertos (KBS, Kowledge Bases Systems) costtuye ua de las ramas de la Itelgeca Artfcal (AI, Artfcal Itelgece) que ha proporcoado más éxtos. Segú Watso (994) exste al meos 2000 sstemas expertos utlzados e la dustra de hoy e día. S embargo, el desarrollo de estos sstemas se ha ecotrado co varos problemas mportates (Watso et al., 994): E muchos casos es dfícl extraer de expertos (humaos) el cojuto de leyes y ormas que os permta crear u sstema telgete. La mplemetacó de sstemas expertos es compleja. Ua vez mplemetados suele ser letos y tee problemas para acceder a grades volúmees de formacó y maejarla. So dfícles de mateer. Co la tecó de superar este problema, Koloder (983a, 983b) propuso u uevo modelo: Los Sstemas de Razoameto Basados e Casos (CBR) que utlza como base el modelo de razoameto humao (Joh, 997). La dea que mpulsó el desarrollo de esta metodología se basa e el hecho de que los humaos utlza lo apreddo e experecas prevas para resolver problemas presetes. Este hecho se expermeta de forma dara y ha sdo probado empírcamete por varos pscólogos (Kle et al., 988; Ross, 989). Desde etoces, los CBR se ha aplcado co éxto a u amplo espectro de problemas (Koloder, 993).

3 U sstema de razoameto basado e casos resuelve u problema por medo de la adaptacó de solucoes dadas co aterordad a problemas smlares (Resbeck et al., 989). La memora del CBR almacea u certo úmero de problemas juto a sus correspodetes solucoes (caso). La solucó de u uevo problema se obtee recuperado casos (o problemas) smlares almaceados e la memora del CBR Estructura Geeral del Cclo de Vda de u CBR. Los CBR aalza problemas y obtee la solucó a estos problemas por medo de algortmos de dexacó, recuperacó de problemas prevamete almaceados, téccas de comparacó y adaptacó de problemas a ua determada stuacó. Para ello se basa e el coocmeto almaceado e su memora e la forma de casos o problemas. Todas esas accoes está estructuradas y se puede represetar por ua secueca cíclca de procesos que requere geeralmete la tervecó humaa. El razoameto basado e casos puede ser usado por sí msmo o como parte de otro sstema covecoal o telgete. U sstema típco CBR está compuesto por cuatro etapas secuecales que se voca sempre que sea ecesaro resolver u problema (Koloder, 993; Aamodt, 994; Watso et al., 997). La Fgura 2 muestra el cclo de vda de u sstema típco de Razoameto basado e Casos. Dcho proceso cíclco está compuesto por cuatro pasos fudametales: Recuperacó de los casos o problemas más relevates. Adaptacó de los casos o problemas co la tecó de solucoar el problema presete. Revsó de la solucó propuesta s es ecesaro. Almaceameto (Apredzaje) de la solucó propuesta como parte de u uevo caso. La msó del algortmo de recuperacó cosste e buscar y seleccoar e la memora del CBR los casos más smlares al problema presete. Las solucoes de los casos seleccoados so adaptadas para geerar ua posble solucó (que e este cotexto es el cojuto de asgaturas optatvas a cursar). La solucó propuesta e esa etapa se revsa y falmete se crea u uevo caso que se almacea e la memora. U CBR es u sstema de apredzaje cremetal puesto que cada vez que se resuelve el problema, es posble crear u uevo caso y almacearlo e la memora del CBR para su posteror utlzacó. RECUPERACIÓN Problema Nuevo Caso Caso recuper ado Caso Caso recuper recuper ado ado Casos Prevos ADAPTACION Nuevo Caso y solucó Coocmeto Geeral Solucó Ical REVISION ALMACENAMIENTO Solucó Fal REVISION Fgura 2: Cclo de Vda del CBR.

4 3.- CBR PARA ACONSEJAR A ESTUDIANTES UNIVERSITARIOS. E el sstema CBR (Fgura 2) cada caso se represeta por dos vectores: el vector Problema y el vector Solucó, los cuales se cometa e la sguete seccó Represetacó de u Caso. El vector Problema está formado por u úmero de valores que proporcoa ua dea de los coocmetos y preferecas académcas de u estudate determado. Los parámetros almaceados e dcho vector se obtee de las respuestas proporcoadas por u alumo al cubrr el cuestoaro (Perfl del alumo) presetado e la Tabla.. Qué asgaturas has aprobado e años aterores? Ej. Bases de Datos, Igeería del Software, Itroduccó a la programacó, etc. 2. Has asstdo a algú semaro, s es así, a cuál? Ej. Programacó Avazada, Itroduccó a red Novel, etc. 3. Qué leguajes de programacó so los que mejor cooces? Ej. Pascal, C/C++, Java, etc. 4. Qué sstemas operatvos so los que mejor cooces? Ej. Ux, MsDos, Wdows, etc. 5. Qué tpo de ordeador preferes? Ej. Pc, Wokstato, Macktosh, etc 6. Qué áreas de terés te gusta más? Ej. Algortmos y Estructuras de Datos, Arqutectura, Itelgeca Artfcal, Bases de Datos, etc. 7. Hablas algú doma extrajero? Ej. Iglés, Fracés, Alemá. 8. Te gustaría trabajar como: Ej. Programador, Aalsta de sstemas, Drector de proyectos. 9. Queres cotuar tus estudos co el segudo cclo? Ej. Sí, No. Tabla : Cuestoaro utlzado para detfcar el perfl de u alumo. El vector Problema está represetado por valores booleaos, de forma que s la respuesta ha sdo seleccoada por el alumo tomará el valor y so tomará el valor 0. Vector Problema: P = {p,...,p } El valor del subídce varará depededo del úmero de respuestas, es decr, el cuestoaro puede sufrr modfcacoes (hay asgaturas que puede desaparecer, surgr otras uevas, se puede modfcar las coferecas, ). El vector solucó está formado por las asgaturas optatvas aprobadas por u estudate. Por lo tato, estas asgaturas debe ser dferetes de las seleccoadas e el vector Problema que so asgaturas aprobadas e años aterores. Vector Solucó: S = s j Como hay muchas posbldades a la hora de cursar asgaturas optatvas, el vector solucó cotedrá u úmero secuecal (s j ) que represeta u cojuto de asgaturas optatvas. Los dferetes casos que está almaceados e la Base de Casos, está dexados para facltar su recuperacó. La dexacó se realza teedo e cueta las asgaturas oblgatoras que ya ha aprobado el alumo. Los casos está agrupados de la sguete forma: - Todo prmero aprobado. - Todo prmero y segudo aprobado.

5 - Todo prmero, segudo y tercero aprobado. - Etre prmero y segudo. Tee aprobadas alguas asgaturas oblgatoras de prmero, de segudo y gua de tercero. - Etre prmero y tercero. Tee aprobadas alguas asgaturas oblgatoras de prmero, de tercero y gua de segudo. - Etre prmero y tercero co todo segudo aprobado. - Etre segudo y tercero. Tee aprobadas alguas asgaturas oblgatoras de segudo, de tercero y todo prmero. - Etre prmero segudo y tercero. Tee aprobadas alguas asgaturas oblgatoras de prmero, de segudo y de tercero. Cuado u alumo cubre el cuestoaro (uevo caso) se calcula a qué grupo de los ctados aterormete perteece, de esta forma sólo se aalzará los casos que perteece a dcho grupo para obteer ua solucó. Al teer la formacó dexada la recuperacó y almaceameto de casos se realza de forma seclla ya que está defdo e qué grupo debe clurse Cclo de Vda del sstema CBR. El sstema CBR que se descrbe a cotuacó cluye los cuatro estados típcos: recuperacó, adaptacó, revsó y apredzaje Recuperacó. Después de estudar varos algortmos de recuperacó (Redes Neuroales, Dstaca Euclídea, etc), se decdó emplear la fucó Coseo basada e el modelo de espaco vectoral propuesto por Salto y Harma (Salto 983, Harma 992). La dmesó del espaco vectoral es gual al úmero total de térmos utlzado e la caracterzacó del problema (e este caso, úmero total de respuestas del cuestoaro). E el modelo se hace la suposcó básca de que la dstaca relatva etre dos vectores e el espaco -dmesoal, represeta la dfereca etre los perfles que se ha utlzado para cofgurar dchos vectores. La fucó de smltud, fucó coseo vee dada por la expresó del águlo formado por sus dos vectores asocados: Cos (P, N) = = ( ) p * = p 2 * = 2 Dode P es el vector problema de u caso almaceado e la Base de Casos y N es el vector problema del uevo caso. Por ejemplo: P = {; ; ; ; ; ; ; ; ; ; ; ; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; ; ; 0; 0; 0; 0; 0; ; 0; ; ; 0; 0; ; 0; ; 0; ;;;0;;0;0;;;0;;0} Valores de u caso almaceado e la base de Casos. N = {; ; ; ; ; ; ; ; ; ; ; ; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; 0; ; 0; 0; 0; 0; 0; 0; 0; 0; ; ; 0; 0; ; 0; ; 0; 0;0;;0;;0;0;;0;0;;0;} Valores del uevo caso. Cos (P,N) = 0, El resultado de la fucó coseo proporcoa valores etre 0 y. E el caso de que el valor de Cos (P,N) fuese, dcaría que ambos casos (P,N) so détcos y por lo tato las asgaturas optatvas que so la solucó asocada al vector P sería la solucó propuesta para el caso N. Esta fucó de smltud se aplca a todos los casos que perteece al grupo seleccoado de la memora del CBR y se recupera aquellos que al aplcarles la fucó coseo obtee u valor

6 superor a 0.7 (valor estmado heurístcamete) los cuales será casos bastate smlares al uevo caso Adaptacó. Las solucoes de los casos recuperados e la fase ateror se aalza y ordea de mayor a meor e úmero de repetcoes. Cada ua de las asgaturas que forma la solucó cal debe ser aalzada para comprobar s la puede cursar el alumo que solcta cosejo, para ello se compara el perfl del alumo (uevo caso) co la caracterzacó de la asgatura. S algua asgatura o es adecuada para que la curse el alumo se elma y se seleccoa otra asgatura de la sguete solucó e el orde establecdo aterormete. A cada asgatura se le asoca ua sere de atrbutos que la defe. Los valores de esos atrbutos los determa el profesor resposable de la asgatura. Se usa el cuestoaro mostrado e la Tabla 2 para dcha caracterzacó:. Qué asgaturas de años aterores está relacoadas co esta asgatura? Ej. Bases de Datos, Igeería del Software, Itroduccó a la programacó, etc. 2. Sería recomedable asstr a algú semaro mpartdo e la Uversdad, s es así, a cuál? Ej. Programacó Avazada, Itroduccó a red Novel, etc. 3. Qué leguajes de programacó so ecesaros coocer para superar la asgatura? Ej. Pascal, C/C++, Java, guo, etc. 4. Qué sstemas operatvos so coveetes coocer? Ej. Ux, MsDos, Wdows, guo, etc. 5. Qué tpo de hardware es ecesaro? Ej. Pc, Wokstato, Macktosh, guo, etc. 6. E qué áreas de terés cetrarías esta asgatura? Ej. Algortmos y Estructuras de Datos, Arqutectura, Itelgeca Artfcal, Bases de Datos, etc. 7. Sería coveete coocer algú doma extrajero? Ej. Iglés, Fracés, Alemá. 8. Qué trabajo se podría desempeñar al cursar esta asgatura? Ej. Programador, Aalsta de sstemas, Drector de proyectos. 9. Horaro de la asgatura. Tabla 2: Cuestoaro utlzado para caracterzar asgaturas. Las respuestas a este cuestoaro formará el vector que defe el perfl de ua asgatura optatva. La fucó de smltud utlzada para comparar el perfl de la asgatura optatva y el perfl del alumo es la msma que la empleada e la fase de recuperacó, la fucó coseo: Cos (P, N) = = ( ) p * = p 2 * = 2 Dode P es el vector que caracterza a ua asgatura y N es el vector que caracterza al alumos que solcta cosejo. S al aplcar la fucó coseo etre los vectores P y N ésta toma u valor feror a 0.7 se desechará la opcó de cursar la asgatura optatva que caracterza el vector P y se tomará otra asgatura de las solucoes recuperadas e la fase ateror. Las asgaturas que pase la fase de adaptacó será las que se propoga al alumo que ha solctado el cosejo. La fucó coseo se emplea porque lo que teresa es seleccoar las característcas comues etre dos vectores. Por ejemplo s al cubrr el cuestoaro de la Tabla 2, el profesor decde que

7 es coveete para cursar la asgatura optatva Etoros de Programacó, que el alumo haya aprobado las asgaturas de Estructuras de Datos y de la Iformacó, Fudametos de Programacó, Metodología y Tecología de la Programacó y Amplacó de Estructuras de Datos y de la Iformacó ; sólo teresa esas asgaturas y o el resto Revsó. Los datos extraídos del cuestoaro presetado e la fase de adaptacó també se usa para detfcar compatbldades etre asgaturas. Puede ocurrr que alguas de las asgaturas optatvas se mparta a la msma hora, o que co la solucó propuesta el alumo o curse los crédtos de optatvas ecesaros para cosegur su ttulacó. Es posble que e la solucó sólo se propoga dos asgaturas optatvas y, s embargo, este uevo alumo ecesta cursar tres asgaturas para alcazar los crédtos ecesaros. Por lo tato, sería e esta fase e dode se elma asgaturas optatvas s se solapa e el horaro y se pasa a la fase de adaptacó para seleccoar otra asgatura; y así garatzar los crédtos que ecesta el alumo y que o haya compatbldades de horaro etre las asgaturas acosejadas. També podría ocurrr que al alumo se le propusese asgaturas de más, e cuyo caso se elmaría las que excedera e el úmero de crédtos. Para elmar asgaturas se borraría aquellas que meos veces aparece e las solucoes obtedas e la fase de recuperacó Apredzaje. Al CBR se corpora detalles relatvos al éxto de la solucó propuesta. Ua vez que el estudate ha falzado su año académco puede ocurrr que haya superado las asgaturas optatvas o o. E el caso de que las haya superado, este caso se almacea e la Base de Casos del CBR así podrá ser utlzado para acosejar a otros alumos cuyo perfl sea parecdo a este. Los casos almaceados so elmados de la base de casos cuado cotee asgaturas que desaparece y o se puede reemplazar por otras uevas; també cuado se modfca los cuestoaros que aparece e las tablas y 2. Cuado aparece asgaturas uevas el profesor solcta crear casos prototpos, por eso las uevas asgaturas també se puede recomedar a los estudates. E este sstema el CBR sólo aprede del éxto de la solucó propuesta, esto es debdo a la aturaleza del problema. El hecho de que u alumo apruebe ua asgatura depede de sus coocmetos, de sus gustos pero sobre todo del esfuerzo que él realza, lo cual es muy dfícl de medr; por ello se decdó que el CBR sólo tuvese e cueta aquellos casos cuya solucó propuesta so asgaturas optatvas aprobadas. El fracaso de u estudate puede ser por muchos motvos (problemas famlares, estado de ámo, ); s embargo, el éxto de u estudate es cosegudo gracas a su esfuerzo daro. Por lo tato, a u alumo se le puede acosejar uas asgaturas acordes a sus coocmetos y gustos, pero el hecho de que las apruebe sólo depede de él. 4.- UTILIZACIÓN DE LA RED NEURONAL RBF. Las redes euroales artfcales de Fucoes de Base Radal (RBF) so aproxmadores uversales. Se ha utlzado para realzar la comparacó porque so algortmos que modela problemas a partr de cojutos de datos, especalmete aplcables a problemas de clasfcacó dode se maeja datos y coocmeto exstete del problema. Eglobadas detro de las redes de apredzaje supervsado, la estructura ua RBF es muy smlar a la arqutectura del perceptró

8 mult-capa (MLP, MultLayer Perceptro), s embargo, su forma de apredzaje es sesblemete dferete (Hayk, 999). La topología de las redes RBF está represetada e la Fgura 2 y se caracterza por: La capa de etrada de la red de fucoes de base radal es u receptor para los datos de etrada (perfl del alumo). La capa termeda realza ua trasformacó o leal del espaco de etrada al espaco del vel termedo. Las euroas del vel termedo so las fucoes base para los vectores de etrada. Estas fucoes so ormalmete Gaussaas, y sus medas y desvacoes estádar puede calcularse teedo e cueta los vectores del espaco de etrada. La capa de salda calcula la combacó leal poderada de las saldas de las euroas del vel termedo(úmero de asgaturas optatvas que el alumo debe cursar). Capa de Etrada Capa Itermeda Capa de Salda Fgura 2: Topología Redes de Fucoes de Base Radal. 5.- RESULTADOS Y CONCLUSIONES. Para la mplemetacó del problema defdo aterormete, se ha utlzado ua red euroal artfcal RBF co las característcas que se mecoa e la Tabla 3. Capa de Etrada: Capa Itermeda: Capa de Salda: Rato de apredzaje: Mometo: 50 euroas. 75 euroas. 5 euroas. 0,45. (dsmuyedo hasta 0 a lo largo del apredzaje). 0,9. (dsmuyedo hasta 0 a lo largo del apredzaje). Tabla 3: Parámetros de cofguracó para la RBF. Dode cada euroa de la capa de etrada se correspode co u dato del vector Problema, y las euroas de la capa de salda represeta la codfcacó e baro del vector Solucó. La red se etreó co 600 vectores durate más de 5000 teracoes hasta que el error medo de la red fue meor del 0% e u cojuto de valdacó de 30 vectores. Los resultados obtedos co el CBR so prometedores ya que empírcamete se ha comprobado que esta herrameta ha dsmudo el fracaso escolar e cas u 2% y que proporcoa mejores resultados que otros modelos, como las redes euroales de fucoes de base radal. E el expermeto realzado co 2 estudates, éstos se dvdero e tres grupos de 7 alumos de forma que la meda del expedete académco de los tres grupos fuera détca etre sí. Se ha observado que los alumos que sguero el cosejo del CBR ha suspeddo u 2% meos de asgaturas que los que o recbero gú cosejo del CBR de la red euroal y que los que

9 ha segudo el cosejo de la red ha suspeddo u 3% meos de asgaturas de los que o ha recbdo gú cosejo. Auque los resultados obtedos procede de ua muestra muy pequeña, creemos que so muy prometedores debdo al alto grado de satsfaccó de los alumos que ha utlzado esta herrameta. Los cosejos propuestos por el CBR ha sdo cotrastados co cosejos peddos a profesores del departameto y ha cocddo e ua meda de u 83%. La herrameta empleada por los alumos y profesores del cetro se deoma S.A.E.A.O. (Sstema de Ayuda a la Eleccó de Asgaturas Optatvas), la aplcacó (Fgura 3) se utlza para crear o modfcar el cuestoaro del alumo y de la asgatura, para detfcar al profesor resposable de ua asgatura, etc. Y desde la pága web se establece la comucacó etre el agete y el alumo, el agete y el profesor (Fgura 4). Fgura 3: Aplcacó gestoada por el admstrador. Fgura 4: Pága para establecer la comucacó etre el agete-alumo, agete-profesor. E este artículo se ha presetado u método para la ayuda a la toma de decsoes sobre el problema expuesto aterormete. Esta técca se muestra válda para coclur resultados postvos. El sstema de razoameto basado e casos muestra ua mayor precsó a la hora de seleccoar el cojuto de asgaturas que la opcó basada exclusvamete e la aplcacó de

10 ua red euroal artfcal. Las dferecas se ecuetra prcpalmete e el método utlzado por el CBR, el cual fltra la formacó dspoble e su base de casos, cetrádose solamete e aquellos que perteece al msmo grupo que el caso de etrada, además el CBR e su fase de adaptacó garatza que las asgaturas acosejadas so adecuadas para que las curse el alumo. La formacó utlzada por el CBR para la coclusó de resultados es más ajustada que e el paradgma euroal, dode la red es etreada co el total de casos dspobles. REFERENCIAS. Aamodt A., Plaza E. (994): Case-Based Reasog: foudatoal Issues, Methodologcal Varatos, ad System Corchado J.M, Laza R., Cuesta P., Barrero E., Gozález E., Carró P.(999): Adaptatve Mult-Aget System Archtecture for Co-operatve Problem Solvg. Modelg Autoomous Agets a Mult-Aget World (MAAMAW99). Geesereth, M.R., Ketchpel, S.P. (994). Software agets. Commucatos of the ACM 37, 7, pp Hayk, S., (999): Neural Networks: a Comprehesve Foudato. 2 d Edto, Pretce Hall. Joh D. Y. (997): CBR a Chagg Evromet. Case Based Reasog Research ad Developmet. ICCBR-97. Provdece, IR, USA. Kle G. A., Calderwood R. (988): Usg Aalogues to Predct ad Pla. Proceedgs of a Workshop o Case- Based Reasog. Pp Koloder J. (983a): Matag orgazato a dyamc log-term memory. Cogtve Scece. Vol. 7. Pp Koloder J. (983b): Recostructve memory, a computer model. Cogtve Scece. Vol. 7. Pp Koloder J. (993): Case-Based Reasog. Sa Mateo. CA, Morga Kaufma Resbeck C.K., Schak R.C. (989): Isde Case-Based Reasog. Lawrece Erlbaum Ass. Hllsdale. Ross B.H. (989): Some psychologcal results o case-based reasog. K. J. Hammod, Proceedgs of the Case- Based Reasog Workshop. pp Pesacola Beach, Florda. Morga Kaufma. Watso I., Marr F. (994): Case-Based Reasog: A Revew. Cambrdge Uversty Press, 994. The kowledge Egeerg Revew. Vol. 9. Nº3.

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

Más detalles

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Uversdad Rey Jua Carlos ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Lus Rcó Córcoles Lceso J. Rodríguez-Aragó Programa. Itroduccó. 2. Defcó de redmeto. 3. Meddas para evaluar el redmeto. 4. Programas para

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles

Gestión de operaciones

Gestión de operaciones Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos

Más detalles

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros . alcular el motate que obtedremos al captalzar 5. euros al 5% durate días (año cvl y comercal). Solucó: 5., euros (cvl); 5.,5 euros (comercal). 5. o ' 5,5 5,8 5,5 ' 5. 5.,5) 5,5) 5., 5.,5. alcular el

Más detalles

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

1.1 INTRODUCCION & NOTACION

1.1 INTRODUCCION & NOTACION 1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores

Más detalles

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO UNA POPUESTA DE GÁFICO DE CONTOL DIFUSO PAA EL CONTOL DEL POCESO VIVIAN LOENA CHUD PANTOJA (UDV) vvalorea16@gmal.com NATHALY MATINEZ ESCOBA (UDV) atta10@gmal.com Jua Carlos Osoro Gómez (UDV) juacarosoro@yahoo.es

Más detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE : Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO Nota: A partr del de julo de 200, las empresas reporta a la SBS formacó más segmetada de las tasas de terés promedo de los crédtos destados a facar

Más detalles

REDES DE BASE RADIAL. 1. Funciones de Base Radial.

REDES DE BASE RADIAL. 1. Funciones de Base Radial. Tema 5: Redes de Base Radal Sstemas Coexostas 1 REDES DE BASE RADIAL 1. Fcoes de Base Radal. 2. Dervacó del Modelo Neroal. 2.1. Arqtectra de a RBFN 2.2. Fcoaldad. 2.3. Carácter Local de a RBFN. 3. Etreameto.

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple 1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular

Más detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

Más detalles

Paola Caymes-Scutari, Anna Morajko, Eduardo César, José G. Mesa, Genaro Costa, Tomàs Margalef, Joan Sorribes, Emilio Luque

Paola Caymes-Scutari, Anna Morajko, Eduardo César, José G. Mesa, Genaro Costa, Tomàs Margalef, Joan Sorribes, Emilio Luque Etoro de Desarrollo y Stozacó de Aplcacoes Master/Worker Paola Caymes-Scutar, Aa Morajko, Eduardo César, José G. Mesa, Gearo Costa, Tomàs Margalef, Joa Sorrbes, Emlo Luque Departameto de Arqutectura de

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

PROBANDO GENERADORES DE NUMEROS ALEATORIOS PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos

Más detalles

Juegos finitos n-personales como juegos de negociación

Juegos finitos n-personales como juegos de negociación Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización.

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización. Optmzacó de ua cartera de versoes utlzado algortmos geétcos María Graca Leó, Nelso Ruz, Ig. Fabrco Echeverría Isttuto de Cecas Matemátcas ICM Escuela Superor Poltécca del Ltoral Vía Permetral Km 30.5,

Más detalles

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además

Más detalles

4 METODOLOGIA ADAPTADA AL PROBLEMA

4 METODOLOGIA ADAPTADA AL PROBLEMA 4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor

Más detalles

INSTITUTO SUPERIOR TECNOLÓGICO ESTATAL NUEVA ESPERANZA

INSTITUTO SUPERIOR TECNOLÓGICO ESTATAL NUEVA ESPERANZA SILABUS DE CABLEADO ESTRUCTURADO I. INFORMACION GENERAL CARRERA PROFESIONAL : ELECTRONICA INDUSTRIAL MODULO PROFESIONAL : SISTEMAS DE CONTROL DE PROCESOS INDUSTRIALES Y COMUNICACIONES. UNIDAD DIDACTICA

Más detalles

SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA

SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA Nura Padlla Garrdo Departameto de Ecoomía Geeral y Estadístca Uversdad de Huelva padlla@uhu.es Flor María Guerrero

Más detalles

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que

Más detalles

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A PRIMERA PRUEBA DE TÉCICAS CUATITATIVAS III. 14-Abrl-015. Grupo A OMBRE: DI: 1. Se quere hacer u estudo sobre gasto e ropa e ua comarca dode el 41% de los habtates so mujeres. (1 puto) Se decde tomar ua

Más detalles

Ampliación de Redes de Telefonía Básica

Ampliación de Redes de Telefonía Básica Amplacó de Redes de Telefoía Básca Carlos D. Almeda Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay cdad@eee.org Nlto R. Amarlla Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay dmatest@copaco.com.py Bejamí

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

Análisis estadístico de datos muestrales

Análisis estadístico de datos muestrales Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.

Más detalles

Simulación de sistemas discretos

Simulación de sistemas discretos Smulacó de sstemas dscretos Novembre de 006 Álvaro García Sáchez Mguel Ortega Mer Smulacó de sstemas dscretos. Presetacó... 4.. Itroduccó... 4.. Sstemas, modelos y smulacó... 4.3. Necesdad de la smulacó...

Más detalles

Introducción a la simulación de sistemas discretos

Introducción a la simulación de sistemas discretos Itroduccó a la smulacó de sstemas dscretos Novembre de 6 Álvaro García Sáchez Mguel Ortega Mer Itroduccó a la smulacó de sstemas dscretos. Presetacó.. Itroduccó El presete documeto trata sobre las téccas

Más detalles

Propuesta para actualizar la Nota Técnica de Daños Materiales y Robo Total del Seguro de Automóviles Residentes

Propuesta para actualizar la Nota Técnica de Daños Materiales y Robo Total del Seguro de Automóviles Residentes ropuesta para actualzar la Nota Técca de Daños aterales y Robo Total del Seguro de Autoóvles Resdetes Israel Avlés Torres Novebre 99 Sere Docuetos de Trabajo Docueto de Trabajo No. 0 Ídce. Estructura Técca

Más detalles

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u

Más detalles

Teoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA)

Teoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA) Teoría de carteras de versó para la dversfcacó del resgo: efoque clásco y uso de redes euroales artfcales (RNA) Ivestmet portfolo theory ad rsk dversfcato: classc ad eural etworks methodology D. Cot* y

Más detalles

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones:

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones: Coverdor PUH PU El coverdor Push Pull es u coverdor que hace uso de u rasformador para eer aslameo ere la esó de erada y la esó de salda. Posee además ua ducaca magezae propa del rasformador que como al

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

Expectativas del Mercado y Creación de Valor en la Empresa

Expectativas del Mercado y Creación de Valor en la Empresa 2d teratoal Coferece o dustral Egeerg ad dustral Maagemet X Cogreso de geería de Orgazacó September 3-5, 28, Burgos, Spa Expectatvas del Mercado y Creacó de Valor e la Empresa elpe Ruz López 1, Cáddo Barrea

Más detalles

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO ECEL D. Fracsco Parra Rodríguez. Jefe de Servco de Estadístcas Ecoómcas y Socodemográfcas. Isttuto Cátabro de Estadístca. Dª.

Más detalles

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES Itroduccó a la Trasformada Wavelet DESCOMPOSICIÓN DE SEÑALES Trasformada Wavelet Curso 006 Itroduccó Para ua mejor compresó de los capítulos sguetes desarrollaremos aquí alguos coceptos matemátcos ecesaros

Más detalles

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS Epermeto: I. OJETIVOS UNIVERSIDD DE TM Facultad de ecas Naturales Departameto de Físca TEORÍ DE ERRORES Idetfcar errores sstemátcos y accdetales e u proceso de medcó. ompreder los coceptos de eacttud y

Más detalles

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional. 7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de

Más detalles

( ) ( ) ( )( ) ( )( ) ( )

( ) ( ) ( )( ) ( )( ) ( ) Oetvos El alumo coocerá aplcará y comparará alguos métodos de terpolacó umérca de ucoes. Al al de esta práctca el alumo podrá:. Oteer ua ucó que cotega u couto dado de putos e u plao utlzado los métodos

Más detalles

EJERCICIOS RESUELTOS TEMA 3.

EJERCICIOS RESUELTOS TEMA 3. INTRODUCCIÓN AL ANÁLII DE DATO EJERCICIO REUELTO TEMA 3. 3.1. La ampltud total de la dstrbucó de frecuecas de la tabla 1. es: A) 11; B) 1; C). Tabla 1. Estatura e cetímetros de ños de 1 meses de edad.

Más detalles

ERRORES EN LAS MEDIDAS (Conceptos elementales)

ERRORES EN LAS MEDIDAS (Conceptos elementales) ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas

Más detalles

Predicción del Cumplimiento de Pago de un Crédito para Microempresarios Agrícolas Utilizando. Penalized Support Vector Machines

Predicción del Cumplimiento de Pago de un Crédito para Microempresarios Agrícolas Utilizando. Penalized Support Vector Machines Resume Predccó del Cumplmeto de Pago de u Crédto para Mcroempresaros Agrícolas Utlzado Pealzed Support Vector Maches El Isttuto de Desarrollo Agropecuaro (INDAP) es el prcpal orgasmo del Estado de Chle

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2

Más detalles

Guía para la Presentación de Resultados en Laboratorios Docentes

Guía para la Presentación de Resultados en Laboratorios Docentes Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

1.2. Medidas de Concentración

1.2. Medidas de Concentración .. Meddas de Cocetracó Matlde Machado.. Meddas de Cocetracó La gra mayora de los mercados se ecuetra etre los extremos de competeca perfecta (cocetracó mma) y moopolo (cocetracó máxma). Las meddas de cocetracó

Más detalles

Flujo de Potencia DC con Modelación de Incertidumbres Aplicado al Caso Chileno

Flujo de Potencia DC con Modelación de Incertidumbres Aplicado al Caso Chileno Fluo de Poteca DC co odelacó de Icertdumres Aplcado al Caso Chleo Resume Rodrgo Palma B. rodpalma@cec.uchle.cl Chrsta Jeldres H. celdres@cec.uchle.cl Area de Eergía Departameto de Igeería Eléctrca Uversdad

Más detalles

División de Evaluación Social de Inversiones

División de Evaluación Social de Inversiones MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013

Más detalles

Ingeniería de Sistemas y Automática Continuidad del control visual Ingeniería de Sistemas y Automática Continuidad del control visual

Ingeniería de Sistemas y Automática Continuidad del control visual Ingeniería de Sistemas y Automática Continuidad del control visual Cotudad del cotrol vsual INDICE Itroduccó Teoría prelmar: Cotrol vsual e el espaco varate Cotrol e el espaco varate co pesos(weghted varat space) Expermetos utlzado datos smulados Cotrol de ua camara metras

Más detalles

Inferencia Estadística

Inferencia Estadística Ifereca Estadístca Poblacó y muestra Coceptos y defcoes Muestra Aleatora Smple (MAS) Cosderemos ua poblacó, cuya fucó de dstrbucó esta dada por F(), la cual está costtuda por u úmero fto de posbles valores,

Más detalles

PARÁMETROS ESTADÍSTICOS ... N

PARÁMETROS ESTADÍSTICOS ... N el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto

Más detalles

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso Cotrol de procesos Hstórcamete ha evolucoado e dos vertetes: Cotrol automátco de procesos (APC) empresas de produccó cotua (empresas químcas) Cotrol estadístco de procesos (SPC) e sstemas de produccó e

Más detalles

6.2.- Funciones cóncavas y convexas

6.2.- Funciones cóncavas y convexas C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.

Más detalles

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Fracsco Álvarez Gozález fracsco.alvarez@uca.es Bajo el térmo Estadístca Descrptva se egloba las téccas que os permtrá

Más detalles

Universidad de Oviedo

Universidad de Oviedo Uversdad de Ovedo Máster Uverstaro e Modelzacó e Ivestgacó Matemátca, Estadístca y Computacó Trabajo F de Máster Recoocmeto de patroes proyectvo-varates medate redes euroales de varable compleja Autor:

Más detalles

4. ALGORITMO DE RESOLUCIÓN.

4. ALGORITMO DE RESOLUCIÓN. 4. ALGORITMO DE RESOLUCIÓN. Este capítulo trata acerca de la solucó propuesta para la resolucó del problema de la asgacó de aulas co especal atecó e el algortmo de fluo co costo mímo. A cotuacó se descrbe

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo

Más detalles

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II) Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca

Más detalles

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad. Parte : MECÁNICA CUÁNTICA 1. Los postulados de la Mecáca Cuátca.. Estados Estacoaros. 3. Relacó de Icertdumbre de Heseberg. 4. Teorema de compatbldad. 1 U breve repaso de Mecáca Clásca 1. Partícula clásca:

Más detalles

Introducción a la Programación Lineal

Introducción a la Programación Lineal Itroduccó a la Programacó Leal Clauda Llaa Daza Garzó cldaza@uversa.et.co Trabajo de Grado para Optar por el Título de Matemátco Drector: Pervys Rego Rego Igeero Uversdad Nacoal de Colomba Fudacó Uverstara

Más detalles

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x) APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)

Más detalles

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

Más detalles

Objetivos. El alumno conocerá y aplicará el concepto de arreglos unidimensionales para resolver problemas que requieren algoritmos de tipo numérico.

Objetivos. El alumno conocerá y aplicará el concepto de arreglos unidimensionales para resolver problemas que requieren algoritmos de tipo numérico. Objetvos El alumo coocerá y aplcará el cocepto de arreglos udmesoales para resolver problemas que requere algortmos de tpo umérco. Al fal de esta práctca el alumo podrá:. Maejar arreglos udmesoales.. Realzar

Más detalles

Técnicas básicas de calidad

Técnicas básicas de calidad Téccas báscas de caldad E esta udad aprederás a: Idetfcar las téccas báscas de caldad Aplcar las herrametas báscas de caldad Utlzar la tormeta de deas Crear dsttos tpos de dagramas Usar hstogramas y gráfcos

Más detalles

Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal

Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal Programacó Matemátca y Software (2009) Vol.. No. ISSN: 2007-3283 Recbdo: 0 de Juo de 2008/Aceptado: 3 de Septembre de 2008 Publcado e líea: 26 de juo de 2009 Seleccó de ua Cartera de Iversó e la Bolsa

Más detalles

UNIVERSIDAD DE BUENOS AIRES

UNIVERSIDAD DE BUENOS AIRES NIVERSIA E BENOS AIRES FACLTA E INGENIERÍA EPARTAMENTO E IRÁLICA Cátedra de Costruccoes dráulcas Tuberías e Sere y e Paralelo Ig. Lus E. Pérez Farrás - Novembre 003 - epartameto de dráulca Cátedra de Costruccoes

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS

Más detalles

CÁLCULO FINANCIERO. Teoría, Ejercicios y Aplicaciones

CÁLCULO FINANCIERO. Teoría, Ejercicios y Aplicaciones 2 CÁLCULO FINANCIERO Teoría, Ejerccos y Aplcacoes 3 Uversdad de Bueos Ares Facultad de Cecas Ecoómcas Autores: Jua Ramó Garca Hervás Actuaro (UBA) Master e Ecoomía y Admstracó (ESEADE). Docete de Posgrado

Más detalles

7. Muestreo con probabilidades desiguales.

7. Muestreo con probabilidades desiguales. 7. Muestreo co probabldades desguales. 7. Itroduccó. 7.. Probabldades de clusó. 7.. Pesos del dseño muestral. 7.. Alguos métodos co probabldades desguales. 7. Estmacó de la meda, proporcó total poblacoales.

Más detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,

Más detalles

Guía de servicio al cliente VAIO-Link

Guía de servicio al cliente VAIO-Link Guía de servicio al cliete VAIO-Lik "Tratamos cada problema de cada cliete co cuidado, ateció y respecto y queremos que todos uestros clietes se sieta bie sobre la experiecia que tiee co VAIO-Lik." Guía

Más detalles

Generación automática de resúmenes personalizados

Generación automática de resúmenes personalizados Geeracó automátca de resúmees persoalzados Igaco Acero, Matías Alcojor, Alberto Díaz, José María Gómez Departameto de Itelgeca Artfcal, Escuela Superor de Iformátca, Uversdad Europea-CEES, 28670, Vllavcosa

Más detalles

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS Bucaramaga, 2010 INTRODUCCIÓN El presete documeto es ua complacó de memoras de

Más detalles

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO. Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.

Más detalles

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE) Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó

Más detalles

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas. Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra

Más detalles

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos Aálss Numérco y Programacó Udad III -Iterpolacó medate trazadores: Leales, cuadrátcos y cúbcos Prmavera 9 Aálss Numérco y Programacó Coceptos geerales Problema geeral: Se tee u cojuto dscreto de valores

Más detalles

PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E

PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO.-.3 - CONVOCATORIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe

Más detalles

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1 MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo

Más detalles

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto: Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,

Más detalles

Conceptos y ejemplos básicos de Programación Dinámica

Conceptos y ejemplos básicos de Programación Dinámica Coceptos y eemplos báscos de Programacó Dámca Wlso Julá Rodríguez Roas ularodrguez@hotmal.com Trabao de Grado para Optar por el Título de Matemátco Drector: Pervys Regfo Regfo Igeero Uversdad Nacoal de

Más detalles

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008 Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete

Más detalles