PROCESO DE AGREGACIÓN PARA ESTUDIOS EXPERIMENTALES EN INGENIERIA DEL SOFTWARE
|
|
- José Ignacio Piñeiro Ortiz
- hace 8 años
- Vistas:
Transcripción
1 PROCESO DE AGREGACIÓN PARA ESTUDIOS EXPERIMENTALES EN INGENIERIA DEL SOFTWARE Tesista Mg. Enrique FERNÁNDEZ Directores Prof. Oscar DIESTE (UPM) y Prof. Ramón GARCÍA MARTÍNEZ (UNLP-UNLa) Codirectora Prof. Patricia PESADO (UNLP) TESIS PRESENTADA PARA OBTENER EL GRADO DE DOCTOR EN CIENCIAS INFORMÁTICAS FACULTAD DE INFORMÁTICA UNIVERSIDAD NACIONAL DE LA PLATA AGOSTO, 2012
2
3 RESUMEN Antecedentes: Si bien el Meta-Análisis o agregación de estudios experimentales no es un tema nuevo en Ingeniería del Software, la práctica actual deriva sus recomendaciones exclusivamente de la medicina, ciencia que en muchos aspectos dista bastante del contexto actual de la Ingeniería del Software (IS). En general los experimentos en medicina contienen muchos sujetos. Asimismo, es frecuente la realización de replicaciones. En estas circunstancias, las técnicas de Meta-Análisis utilizadas, en especial las diferencias medias ponderadas, son fiables. Objetivo: Desarrollar un proceso de agregación propio para la Ingeniería del Software, tomando en cuenta en las características específicas de los experimentos realizados en esta área de la ciencia. Método: Para poder construir el procedimiento de agregación, se han identificado los principales problemas para realizar un trabajo de esta naturaleza en Ingeniería del Software; se ha evaluado y analizado como trabajan en otras ramas de la ciencias (como son, por ejemplo, las ciencias sociales o la ecología); se han identificado técnicas de agregación alternativas a la que habitualmente se utiliza en Ingeniería del Software; se ha evaluado el desempeño de estas técnicas en contextos como el que presenta la Ingeniería del Software mediante un procesos de simulación, estableciendo los niveles de exactitud y potencia empírica de cada una de ellas; y se han definido un conjunto de heurísticas para poder determinar con que técnica de Meta-Análisis combinar los resultados de los experimentos identificados, para generar así una conclusión en base a la mejor evidencia disponible. Resultados: Se han identificado tres técnicas de Meta-Análisis nuevas para la IS: Ratio de Respuesta Paramétrico, Ratio de Respuesta no Paramétrico y Conteo de Votos Estadístico. Se ha determinado como es el comportamiento de estas técnicas y la técnica Diferencias Medias Ponderadas, evaluando su exactitud y potencia empírica, en función del tamaño de Meta-Análisis (cantidad de experimentos y sujetos por experimentos), el tamaño de efecto y los niveles de varianza. Finalmente, se ha desarrollado un proceso de agregación de experimentos acorde al contexto experimental de la IS. Conclusiones: El proceso de agregación desarrollado permite aprovechar mejor las evidencias empíricas disponibles en el contexto de la IS, permitiendo agregar experimentos con falencias de reporte. Si bien mediante los trabajos de simulación se ha establecido como es el comportamiento de las técnicas de agregación a nivel general, no se cuenta con la suficiente precisión como para determinar con exactitud cuál es el nivel de error de las mismas para todas las posibles combinaciones de tamaños de experimentos.
4
5 ABSTRACT Background: Although the meta-analysis or aggregation of experimental studies is not a new topic in software engineering, derives its current practice of medicine only recommendations, science, which in many ways, is far from the current context of Software Engineering (IS). In general, experiments in medicine containing many subjects. It is also common conducting replications. In these circumstances, the meta-analysis techniques used, especially weighted mean differences, are reliable. Objective: To develop a aggregation process specific for software engineering, taking into account the particular characteristics of the experiments conducted in this area of science. Method: In order to build the aggregation procedure, we have identified the main problems for a work of this nature in Software Engineering, it has been evaluated and tested in other branches of science (such as, for example, science social or ecological). It has been identified alternative aggregation techniques to habitually used in Software Engineering, we have evaluated the performance of these techniques in contexts like the one with the Software Engineering through a simulation process. It has been established accuracy levels and empirical power each. And it has been defined a set of heuristics to determine which technique of meta-analysis have to be used to combine the results of the experiments identified, in order to generate a conclusion based on the best available evidence. Results: We have identified new three meta-analysis techniques to be used in Sotware Engineering: parametric response ratio, non-parametric response ratio, and statistical vote counting. It has been determined as is the behavior of these techniques and weighted mean differences technique. It has been evaluated the empirical accuracy and power, depending on the size of meta-analysis (number of experiments and subjects for experiments), the effect size and levels of variance. Finally, we have developed a process of aggregation of experiments according to software engineering experimental context. Conclusions: The aggregation process developed allows to to leverage best available empirical evidence in the context of the Software Engineering, allowing the aggregation of results of experiments reports with shortcomings. Although the behavior of the aggregation techniques, in general terms, has established in our work by using simulation, there is not accurate enough to determine exactly which is the level of error for all possible combinations of experiments sizes.
6
7 DEDICATORIA A mis hijos Mariana y Julián A mi padre Ramón y a mi madre Carmen A mis hermanos María del Carmen y Diego A mis mentores y amigos Oscar y Ramón
8
9 AGRADECIMIENTOS A la Facultad de Informática de la Universidad Nacional de la Plata por acogerme con generosidad de alma mater para que pudiera llevar a cabo mis estudios de Doctorado en Ciencias Informáticas. Al Centro de Ingeniería del Software e Ingeniería del Conocimiento del Instituto Tecnológico de Buenos Aires por apoyarme en las instancias iniciales del desarrollo de mis estudios de postgrado. Al Grupo de Investigación en Sistemas de Información del Departamento de Desarrollo Productivo y Tecnológico de la Universidad Nacional de Lanús por recibirme para realizar la pasantía de investigación y desarrollo, proveyendo un estimulante ambiente de intercambio de ideas con otros tesistas de postgrado, y apoyarme en todas las instancias finales del proceso para obtener el grado de Doctor. A mis tres directores de tesis: al Dr. Oscar Dieste por dirigir mi trabajo con la dedicación del maestro y el afecto del amigo; sin cuyas cualidades, no hubiera sido posible culminar la presente obra; al Dr. Ramón García-Martínez por sus siempre acertados consejos en las encrucijadas de vida que acompañan todo proyecto de investigación, sumando a la exactitud del científico la calidez del docente de alma; y a la Lic. Patricia Pesado por sus valiosas aportaciones en la descripción de las problemáticas de la Ingeniería de Software, haciendo gala de permanente presencia e inquebrantable disposición. A la Dra. Natalia Juristo por haberme guiado en mis primeros pasos del trabajo del doctorado y por su colaboración en el desarrollo de los trabajos de investigación. A mi compañera y amiga Paola Britos por su gran aporte en mi formación y por todo el apoyo que me brindó para que pudiera realizar el doctorado. A mis compañeros de ruta Hernán Merlino y Alejandro Hossian, con quienes he realizado cursos de doctorado y me han prestado su ayuda siempre que la necesité. A Hernán Amatriain por su colaboración en el desarrollo de los trabajos de investigación, y con quien nos queda un largo camino por recorrer todavía.
10 A Darío Rodríguez por su desinteresada colaboración. A Florencia Pollo y Pablo Pytel con quienes trabajamos en esta área de la ciencia en sus tesis de maestría. A las secretarias de la Escuela de Postgrado de la Facultad de Informática de la Universidad Nacional de La Plata, Natalia y Alejandra por su paciencia y eficiencia. A mis compañeros de trabajo del Banco Ciudad. A mis compañeros de la Facultad de Ingeniería en la Universidad de Buenos Aires, Alejandra y Jorge.
11 INDICE TESIS DOCTORAL EN CIENCIAS INFORMATICAS i ÍNDICE 1. INTRODUCCIÓN Área de Investigación Antecedentes Definición del problema Objetivos de la Tesis Visión General de la Tesis 7 2. ESTADO DE LA CUESTIÓN Necesidad del Meta-Análisis Desarrollo Histórico del Meta-Análisis Concepto de Meta-Análisis MODELO DE EFECTO FIJO MODELO DE EFECTOS ALEATORIOS CUANDO APLICAR UN MODELO DE EFECTO FIJO O EFECTOS 20 ALEATORIOS 2.4 Meta-Análisis en Ingeniería del Software Meta-Análisis Realizados en Ingeniería del Software OBJETIVOS Y METODOLOGÍA DE TRABAJO Preguntas de Investigación Metodología de Trabajo Revisión Sistemática de Literatura Simulación de Montecarlo Mapeo de preguntas de investigación y publicaciones Contribuciones RESUMEN DE RESULTADOS Objetivo 1: Identificar técnicas de Meta-Análisis Alternativas a DMP Actividad 1- Identificación de técnicas de Meta-Análisis alternativas a DMP Actividad 2 Verificación de la aplicabilidad de las técnicas de agregación 39 cuando hay problemas de calidad en los reportes 4.2 Objetivo 2: Estudiar el Comportamiento de las Técnicas de Meta-Análisis para el 40 Contexto Experimental de IS Caracterización del contexto experimental de la IS Por que la Exactitud y la Potencia Empírica son estudiados Actividad 3 Evaluar la Exactitud y Potencia Empírica de las técnicas de 43 Meta-Análisis ignorando la Heterogeneidad Actividad 4 Evaluar la potencia empírica de las técnicas para determinar 47 Heterogeneidad en un Meta-Análisis ENRIQUE FERNANDEZ
12 INDICE Actividad 5 Evaluar la Exactitud y Potencia Empírica de las técnicas de Meta-Análisis incorporando la Heterogeneidad 4.3 Objetivo 3: Desarrollar un Proceso de Meta-Análisis Propio para Ingeniería del Software que Permita Determinar Mediante que Técnica Agregar los Experimentos Identificados Actividad 6 Establecer criterios para determinar cuál es la mejor técnica a aplicar en función de las características de los experimentos a agregar Actividad 7 Desarrollar un procedimiento que permita a investigadores en ISE seleccionar la técnica óptima para realizar un Meta-Análisis 5. DEMOSTRACIÓN DE LA SOLUCIÓN Presentación de un Problema Teórico Resolución mediante DMP Resolución mediante el nuevo procedimiento Presentación de un Caso Real Resolución mediante DMP Resolución mediante el nuevo procedimiento DISCUSIÓN Evaluación de los Resultados de las actividades Objetivo 1: Identificar Técnicas de Meta-Análisis Alternativas a DMP Objetivo 2: Estudiar el Comportamiento de las Técnicas de Meta-Análisis para 67 el Contexto Experimental de IS Objetivo 3: Desarrollar un Proceso de Meta-Análisis Propio para Ingeniería del 70 Software que Permita Determinar Mediante que Técnica Agregar los Experimentos Identificados 6.2 Validez de los Resultados Implicaciones para la investigación Implicaciones para la práctica CONCLUSIONES Y FUTURAS LÍNEAS DE INVESTIGACIÓN Contribuciones del Trabajo Futuras Líneas de Investigación REFERENCIAS 79 ANEXO A CONCEPTO DE HETEROGENEIDAD 89 ANEXO B ERROR EXPERIMENTAL 93 ANEXO C IDENTIFICACIÓN DE TÉCNICAS ALTERNATIVAS DE 97 META-ANÁLISIS ANEXO D DESCRIPCIÓN DE LAS TÉCNICAS DE META- 103 ANÁLISIS ALTERNATIVAS ANEXO E ARTÍCULOS TESIS DOCTORAL EN CIENCIAS INFORMATICAS ii ENRIQUE FERNANDEZ
13 INDICE ÍNDICE DE FIGURAS Figura 1: Reducción del valor de β 12 Figura 2.2: Supuestos del Modelo de Efecto Fijo 16 Figura 2.3: Supuestos del Modelo de Efectos Aleatorios 16 Figura 3.1: Secuencia de desarrollo de las tareas 27 Figura 4.1: Incremento de la Potencia Empírica en un Meta-Análisis 46 Figura 4.2: Secuencia de Ejecución de las Actividades del Proceso de Agregación 52 Figura B.1: Forest plot de un conjunto de estudios homogéneo 90 Figura B.2: Forest plot de un conjunto de estudios heterogéneo 90 Figura C.1: Origen de los errores α y β 94 Figura C.2: Distorsión producida por una pequeña muestra en la distribución 95 TESIS DOCTORAL EN CIENCIAS INFORMATICAS iii ENRIQUE FERNANDEZ
14 INDICE TESIS DOCTORAL EN CIENCIAS INFORMATICAS iv ENRIQUE FERNANDEZ
15 INDICE ÍNDICE DE TABLAS Tabla 2.1: Tipos de Errores de un Test Estadístico 10 Tabla 3.1: Contribuciones de la tesis 32 Tabla 3.2: Aplicación de los Artículos a las preguntas de investigación 33 Tabla 4.1: Aplicación de los Artículos a las preguntas de investigación 39 Tabla 4.2: Comparación de Exactitud de la técnicas de Meta-Análisis 44 Tabla 4.3: Comparación de Potencia Empírica de las técnicas de Meta-Análisis 45 Tabla 4.4: Poder estadístico del test Q (α=0.05) 47 Tabla 4.5: Comparación de Exactitud de la técnicas de Meta-Análisis 48 Tabla 4.6: Comparación de Potencia Empírica de las técnicas de Meta-Análisis 49 Tabla 4.7: Tabla de Decisión para Determinar la Categoría de los Estudios 54 Tabla 4.8: Interpretación de Tamaños de Efectos para DMP y CVE 55 Tabla 4.9: Interpretación de Tamaños de Efectos para RRP y RRNP 55 Tabla 5.1: Resultados de los experimentos 57 Tabla 5.2: Resultados de la agregación mediante DMP 58 Tabla 5.3: Resultados de la agregación mediante las técnicas alternativas 59 Tabla 5.4: Exactitud y potencia empírica de las técnicas del ejemplo de la tabla Tabla 5.5: Resultados de los Experimentos 61 Tabla 5.6: Resultados de la agregación mediante DMP 61 Tabla 5.7: Resultados de la agregación mediante las técnicas alternativas 62 Tabla 5.8: Exactitud y potencia empírica de las técnicas del ejemplo de la tabla Tabla C.1: Tipos de Errores de un Test Estadístico 93 Tabla D.1: Interpretación del Tamaño de Efecto 107 TESIS DOCTORAL EN CIENCIAS INFORMATICAS v ENRIQUE FERNANDEZ
16 INDICE TESIS DOCTORAL EN CIENCIAS INFORMATICAS vi ENRIQUE FERNANDEZ
17 NOMENCLATURA MODELO DE PROCESO DE CONCEPTUALIZACION DE REQUISITOS NOMENCLATURA CVE: DMP: IEEE: IS: ISE: RR: RRNP: RRP: UNLa: UNLP: UPM: Conteo de Votos Estadístico Diferencias Medias Ponderadas Instituto de Ingenieros en Electricidad y Electrónica Ingeniería del Software Ingeniería del Software Experimental Ratio de Respuesta Ratio de Respuesta No Paramétrico Ratio de Respuesta Paramétrico Universidad Nacional de Lanús Universidad Nacional de La Plata Universidad Politécnica de Madrid (España) TESIS DOCTORAL EN CIENCIAS INFORMATICAS vii ENRIQUE FERNANDEZ
18 NOMENCLATURA MODELO DE PROCESO DE CONCEPTUALIZACION DE REQUISITOS TESIS DOCTORAL EN CIENCIAS INFORMATICAS viii ENRIQUE FERNANDEZ
19 INTRODUCCIÓN 1. INTRODUCCION Este capítulo tiene como objetivo introducir al lector en la problemática de la tesis. En el mismo se presenta el área de investigación (sección 1.1), se describen los antecedentes que justifican la realización de esta investigación (sección 1.2), se define el problema a resolver (Sección 1.3), se definen los objetivos de investigación (sección 1.4) y, finalmente, se presenta la estructura del documento de tesis (sección 1.5) ÁREA DE INVESTIGACIÓN La Ingeniería en Software (IS), de acuerdo a la norma de la IEEE, debe aplicar conocimiento científico para el desarrollo, operación y mantenimiento de los sistemas software. Esto implica poder seleccionar de modo objetivo, dentro de un conjunto de métodos, técnicas y herramientas, cuál se debe utilizar en cada actividad de un proyecto de acuerdo a las condiciones o características de dicha actividad [Juristo, N.; Vegas, S.; 2011]. Lamentablemente, no se cuenta con la suficiente evidencia para apoyar la mayoría de los reclamos que habitualmente se reciben sobre la construcción de software. Algunos ejemplos de tecnologías que se aplican en la IS sin haber sido probados son los paradigmas funcionales, el paradigma de orientación a objetos y los métodos formales [Tichy, W.; 1998]. No hay confirmaciones empíricas respecto de cuanto son los beneficios que pueden alcanzar las organizaciones con su utilización [Fenton, N.; Pfleeger, S.; 1997]. Ante la ausencia de datos objetivos, las decisiones se manejan en base a opiniones subjetivas y rutinarias. En estas condiciones se tiende a generar productos software de baja calidad y la constricción de estos productos y su mantenimiento queda atada a las personas que lo desarrollaron [Laitenberger, O.; Rombach, D.; 2003]. TESIS DOCTORAL EN CIENCIAS INFORMATICAS 1 ENRIQUE FERNANDEZ
20 INTRODUCCIÓN Para poder tener decisiones objetivas, es necesario conocer con precisión cómo es el comportamiento de los métodos, técnicas y herramientas de IS. Para ello, existen distintas aproximaciones que permiten obtener la información necesaria. A modo de ejemplo, una demostración matemática puede determinar la complejidad de un algoritmo, o una simulación puede demostrar cuál, de un conjunto de métodos de optimización, es preferible. Sin embargo, hay muchos otros casos de investigación en IS, donde las metodologías de investigación son inapropiadas o cubren la tarea en partes. Principalmente, por que muchas de las tareas vinculadas a la construcción de Software están relacionadas con las personas que las realizan. Por lo tanto la IS requiere que se desarrollen metodologías de investigación propias a sus características y contexto de trabajo [Wohlin, C.; et al.; 2000]. La Ingeniería del Software Experimental (ISE) traslada a la IS el paradigma experimental que ha sido aplicado con éxito no ya en disciplinas científicas clásicas (Física, Química, Medicina, etc.) sino que ha permitido avanzar en disciplinas tradicionalmente no experimentales como la Psicología [Myers, D.; Lamm, H.; 1975] o la Economía [Davis, D.; Holt C.; 1992]. Los orígenes de la ISE se remontan a los trabajos de [Weinberg, G.; 1971] y [Tichy, W. ; 1971]. En estos trabajos se observo y evaluó métodos de desarrollo de software. Sin embargo, el primer experimento fue desarrollado a principio de los 80 por el grupo de investigación de Victor Basili [Basili, V.; Weiss, D.; 1981] [Bailey, J.; Basili, V.; 1981] en la universidad de Maryland con el laboratorio de Ingeniería de Software de la NASA. Un experimento es una investigación formal, rigurosa y controlada. Siendo uno de sus factores clave la identificación y manipulación. En un experimento, las variables bajo estudio toman distintos valores, y el objetivo es normalmente comparar dos situaciones [Wohlin, C.; et al.; 2000], por ejemplo la influencia de la experiencia en los programadores, comparando los resultados de un novatos contra los de un programador experimentados. Actualmente es razonable estimar que el número de experimentos en IS crece a una tasa del 10% anual. Por ejemplo, entre los años 1993 y 2003 solo se publicaron 93 experimentos [Dyba, T.; Kampenes, V.; Sjoberg, D.; 2006] en journal y conferencias de primer nivel, como es por ejemplo IEEE Transactions on Software Engineering. Sin embargo, la cantidad de experimentos TESIS DOCTORAL EN CIENCIAS INFORMATICAS 2 ENRIQUE FERNANDEZ
21 INTRODUCCIÓN desarrollados dentro del campo de la IS fue mucho mayor, duplicando o incluso triplicando la cifra antes mencionada [Dieste, O.; Griman, A.; 2007] ANTECEDENTES El hecho de que un simple experimento produzca ciertos resultados no puede tomarse como evidencia suficiente para creer que él mismo es una verdad universal. La replicación de experimentos llevada a cabo por diferentes investigadores, en distintos sitios bajo similares condiciones permite mejorar la confianza de los conocimientos generados [Judd, C.; Smith E.; Kidder, L.; 1991]. Mediante la combinación de los resultados de estas replicaciones, de manera total o parcial, los investigadores pueden analizar si los resultados son consistentes o no entre las mismas, e identificar las variables que influyen en el comportamiento fenómeno bajo estudio. Las distintas estrategias de combinación de resultados experimentales se conocen con el nombre genérico de métodos de síntesis [Chalmers, I.; Hedges, L.; Cooper H.; 2002] o métodos de agregación [Cochrane; 2011], como típicamente acostumbran a denominarse en IS. Los métodos de síntesis se dividen en integrativos e interpretativos [Dixon-Woods, M.; et al; 2005]. Los métodos integrativos son típicamente cuantitativos y permiten realizar sistemáticamente la combinación de los datos de los experimentos individuales. Los métodos interpretativos son de naturaleza cualitativa, y como su propio nombre lo indica poseen un alto nivel de subjetividad. Es por ello que los métodos integrativos son preferidos para combinar experimentos, en especial el Meta-Análisis [Chalmers I., Hedges L., Cooper H.; 2002]. Existen diversas técnicas de Meta-Análisis, aplicables a distintos conjuntos de datos. Por ejemplo, el Odds Ratio [Hedges, L.; Olkin, I.; 1985] se aplica cuando los datos experimentales son discretos. Para datos continuos, la técnica utilizada son las Diferencias Medias Ponderadas (DMP) [Hedges, L.; Olkin, I.; 1985]. La técnica DMP ha sido ampliamente utilizada en ciencias como la psicología o medicina, es la recomendada por organismos como [Cochrane, 2011] y es la indicada por [Kitchenham, B.; 2004] en sus recomendaciones para el desarrollo de revisiones sistemáticas en Ingeniería del Software. A la fecha es la única técnica de Meta-Análisis aplicada en Ingeniería del Software. TESIS DOCTORAL EN CIENCIAS INFORMATICAS 3 ENRIQUE FERNANDEZ
22 INTRODUCCIÓN Como toda técnica estadística, el DMP tiene ciertas condiciones de aplicación. En primer lugar, el conjunto de experimentos a agregar debe cumplir ciertas restricciones [Hedges, L.; Olkin, I.; 1985]: contener un número mínimo de estudios (típicamente 10); un número mínimo de sujetos (unos 10 sujetos por nivel); estar adecuadamente reportados (como mínimo: número de sujetos experimentales, medias y varianzas); y ser homogéneos (esto es, que no existan variables moderadoras que interaccionen con los factores). En segundo lugar, la técnica DMP asume que las muestras utilizadas son grandes. Esta asunción es necesaria debido al carácter asintótico (esto es, basado en la teoría de los grandes números) con el que la técnica DMP fue creada. Sin embargo, las técnicas estadísticas basadas en grandes muestras, no necesariamente arrojan resultados fiables cuando se aplican a pequeñas muestras [Cohen J.; 1988]. Las consecuencias de aplicar técnicas estadísticas asintóticas a pequeñas muestras consisten en diferencias entre los valores nominales (los esperados según la teoría) y empíricos (los que ocurren en la práctica) de diversos parámetros, tales como [Cohen J.; 1988]: Diferencia entre la probabilidad real de cometer un error de tipo I y el nivel de significación α (lo que se denomina tasa de rechazo (del inglés rejection rate)). Diferencia entre las probabilidades reales de cometer un error de tipo II y β (lo que se denomina tasa de aceptación (del inglés acceptance rate) o, expresado en términos del poder estadístico (1- β), potencia empírica (del inglés empirical power)) Diferencia entre el valor del parámetro estimado (por ejemplo el tamaño de efecto) y el valor poblacional respectivo. Este efecto acostumbra a denominarse bias. Diferencia entre la probabilidad real de que un intervalo de confianza contenga al parámetro de interés y el intervalo de confianza teórico al nivel (1- α). Este efecto acostumbra a denominarse exactitud (del inglés accuracy). Los efectos de pequeñas muestras son a menudo pasados por alto cuando se aplican las técnicas estadísticas. En el campo del Meta-Análisis con DMP los efectos de pequeñas muestras apenas se han estudiado (con excepción de [Hedges, L.; 1982]). En general, puede afirmarse que TESIS DOCTORAL EN CIENCIAS INFORMATICAS 4 ENRIQUE FERNANDEZ
23 INTRODUCCIÓN desconocemos virtualmente todo acerca del funcionamiento de DMP en contextos de pequeñas muestras DEFINICIÓN DEL PROBLEMA Por diversas razones (por ejemplo: costos de realización de un experimento en IS, ausencia de un programa de investigación en ISE, etc.), las cuales están fuera del alcance de esta tesis, a menudo las agregaciones de experimentos en IS no cumplen con las condiciones de aplicación de la técnica DMP. Por ejemplo, en el trabajo de [Ciolkowski, M.; 2009], se identifican 21 experimentos sobre técnicas de inspección, los cuales son agregados en tres grupos, el primero conteniendo 7 experimentos, el segundo 9 y el tercero 5, dichos experimentos poseen tamaños variados, conteniendo el menor 3 sujetos experimentales por nivel, el mayor 45 sujetos por nivel, mientras que el promedio asciende a 6 sujetos por nivel. Si bien el trabajo de [Ciolkowski, M.; 2009] ha sido publicado, y puede ser considerado exitoso, lo cierto es que el número de experimentos por agregación, y sujetos por nivel, está por debajo de los niveles recomendados (10 experimentos por agregación; 10 sujetos por nivel) indicados anteriormente, por lo que un meta-análisis realizado con DMP en estas condiciones puede sufrir cualquiera de los errores indicados anteriormente (por ejemplo: cometer un error tipo I o II mayor del nominal, o presentar un intervalo de confianza que no contenga al valor poblacional). Otro ejemplo es el trabajo de [Dieste, O., Juristo, N.; 2009], donde se identificaron 30 experimentos sobre educción de requisitos. El menor contiene 2 sujetos experimentales por nivel, el mayor 21, mientras que el promedio asciende a 11 sujetos por nivel. Para cada grupo de experimentos agregables, menos del 20% publicaban las varianzas. Por consiguiente, en este trabajo no pudo aplicarse meta-análisis con DMP. Podrían citarse otros ejemplos, pero, el caso es que la ISE se caracteriza, en la actualidad, por desarrollar pocas replicaciones de experimentos, que a su vez emplean tamaños muestrales muy reducidos, y que en algunos casos tienen falencias de reporte (principalmente ausencia de TESIS DOCTORAL EN CIENCIAS INFORMATICAS 5 ENRIQUE FERNANDEZ
24 INTRODUCCIÓN publicación de varianza). Ello da lugar a 3 problemas fundamentales a los cuales se enfrenta un investigador en IS cuando realiza un meta-análisis: 1. La técnica DMP no es aplicable en muchos casos debido a falencias en los reportes experimentales. 2. En los casos en que la técnica DMP es aplicable, el número de experimentos por agregación y sujetos por nivel suelen ser demasiado pequeños, lo que provoca que los resultados obtenidos (por ejemplo: tamaños de efecto, o intervalos de confianza) puedan no ser correctos. 3. Cuando la técnica DMP no es aplicable, o es aplicable pero no fiable, la realización del Meta-Análisis es imposible, al no existir técnicas de meta-análisis alternativas en IS OBJETIVOS DE LA TESIS El objetivo general de esta tesis consiste en definir un nuevo procedimiento de Meta-Análisis que pueda ser utilizado para agregar de forma más eficiente experimentos en IS. Este procedimiento permitirá solventar los problemas de reporte y evitar (en la medida de lo posible) los efectos de pequeñas muestras, lo que redundará en un aumento en la cantidad y calidad de las piezas de conocimiento empíricamente fundadas en ISE. Este objetivo general se divide en tres objetivos detallados, los cuales se presentan a continuación: Objetivo 1: identificar técnicas de Meta-Análisis alternativas a DMP (aplicables cuando hay problemas de reportes) Objetivo 2: estudiar el comportamiento de las técnicas de Meta-Análisis para el contexto experimental de Ingeniería del Software Objetivo 3: desarrollar un proceso de Meta-Análisis propio para Ingeniería del Software que permita determinar mediante que técnica agregar los experimentos identificados. TESIS DOCTORAL EN CIENCIAS INFORMATICAS 6 ENRIQUE FERNANDEZ
25 INTRODUCCIÓN 1.5. VISIÓN GENERAL DE LA TESIS El Capitulo Introducción, tiene como objetivo introducir al lector en la problemática de la tesis. En el mismo se presenta el área de investigación, se describen los antecedentes que justifican la realización de esta investigación, se define el problema a resolver, se definen los objetivos de investigación y, finalmente, se presenta la estructura del documento de tesis. El Capitulo Estado de la Cuestión, tiene como objetivo describir como es el contexto de trabajo en cual se inserta esta tesis, permitiendo al lector adquirir los conocimientos necesarios para comprender la problemática de la misma, como así también el por qué de la solución adoptada. En el mismo se describe porque es necesarios agregar o Meta-Analizar los experimentos, como ha sido el desarrollo histórico del Meta-Análisis, se indica en qué consiste concretamente el Meta-Análisis y cuáles son las variantes para agregar experimentos en función de las características del contexto en el cual fueron generados, se detallada como ha sido la aplicación del Meta-Análisis en IS, y se presentan los trabajos de Meta-Análisis desarrollados hasta el momento en IS. El capítulo Objetivos y Metodología de Trabajo, tiene como objetivo describir en detalle los objetivos de investigación y las preguntas de investigación detalladas que se derivan de ellos. El núcleo de la investigación consiste en identificar técnicas de Meta-Análisis alternativas a DMP y caracterizar su funcionamiento en contextos de pequeñas muestras, como es el caso de la Ingeniería del Software, los métodos de investigación utilizados serán la revisión sistemática de literatura y la simulación de Monte Carlo. Finalizará el capítulo con la relación entre las publicaciones realizadas y las preguntas de investigación y, finalmente, se presentan las contribuciones realizadas. El capítulo Resumen de Resultados, tiene como objetivo describir como se ha dado respuesta a cada una de las preguntas de investigación planteadas, se presentan las técnicas de Meta-Análisis alternativas a DMP identificadas y a continuación se muestran como varía el comportamiento en función de las características del contexto, tomando como base las aportaciones anteriores, se propone un proceso de agregación de experimentos específico para experimentos realizados en IS. TESIS DOCTORAL EN CIENCIAS INFORMATICAS 7 ENRIQUE FERNANDEZ
26 INTRODUCCIÓN El capítulo Demostración de la Solución, tiene como objetivo presentar un caso de estudio teórico donde se aplica el procedimiento de agregación definido en la sección 4, y un caso de aplicación real en el cual se toma como base una revisión sistemática desarrollada dentro del contexto de esta tesis. El capítulo Discusión, tiene como objetivo discutir los conocimientos generados en esta tesis, se analizan los resultados obtenidos en el desarrollo de las actividades realizadas para dar respuestas a las preguntas de investigación, se analiza la aplicabilidad del procedimiento desarrollado y se detallan los beneficios de la utilización del procedimiento presentado. El capítulo Conclusiones y Futuras Líneas de Investigación, tiene como objetivo presentar las contribuciones de esta tesis a la comunidad científica en Ingeniería del Software y analizar futuros trabajos ampliatorios al presente trabajo. En el capítulo Referencias se presentan las referencias bibliográficas citadas a lo largo del documento de tesis. El Anexo A, tiene como objetivo explicar en qué consiste la Heterogeneidad. El Anexo B, tiene como objetivo explicar en qué consiste el Error Experimental El Anexo C, tiene como objetivo describir cómo se realizó el trabajo de búsqueda y selección de las técnicas de agregación alternativas a DMP. El Anexo D, tiene como objetivo describir cómo funcionan las técnicas de agregación alternativas a DMP. El Anexo E, tiene como objetivo presentar todas las publicaciones realizadas en el contexto de la presente tesis. TESIS DOCTORAL EN CIENCIAS INFORMATICAS 8 ENRIQUE FERNANDEZ
27 ESTADO DE LA CUESTION 2. ESTADO DE LA CUENTION Este capítulo tiene como objetivo describir como es el contexto de trabajo en cual se inserta esta tesis, permitiendo al lector adquirir los conocimientos necesarios para comprender la problemática de la misma, como así también el por qué de la solución adoptada. En el mismo se describe porque es necesarios agregar o Meta-Analizar los experimentos (sección 2.1), como ha sido el desarrollo histórico del Meta-Análisis (sección 2.2), se indica en qué consiste concretamente el Meta-Análisis y cuáles son las variantes para agregar experimentos en función de las características del contexto en el cual fueron generados (sección 2.3), se detallada como ha sido la aplicación del Meta-Análisis en IS (sección 2.4), y se presentan los trabajos de Meta-Análisis desarrollados hasta el momento en IS (sección 2.5) NECESIDAD DEL META-ANÁLISIS A continuación se presentan dos definiciones de dos autores diferentes respecto de por qué es necesario el Meta-Análisis: 1. Según [Chalmers I., Hedges L., Cooper H.; 2002] los experimentos aislados proporcionan únicamente resultados parciales y solamente la acumulación de resultados parciales (replicaciones del experimento y combinación de los resultados) permite obtener resultados fiables y generalizables. 2. Según [Borenstein, M., Hedges, L., Rothstein, H.; 2007] al realizar un Meta-Análisis, se busca hallar un resultado que sea resumen representativo de los resultados de los estudios individuales, y por tanto que signifique una mejora sobre las estimaciones individuales. TESIS DOCTORAL EN CIENCIAS INFORMATICAS 9 ENRIQUE FERNANDEZ
28 ESTADO DE LA CUESTION Idealmente, se debe partir de los estudios individuales -con sus virtudes y defectos- y obtener un resultado que sea más fiable que los resultados individuales de los que partíamos. En ambos casos los autores coinciden en señalar que el Meta-Análisis es una mejora a la calidad de los conocimientos de los estudios individuales, ya que de esta forma se logra generar conocimientos que posean realmente una visión general y se minimiza el impacto del error experimental en el cual puede caer un investigador a la hora de desarrollar un experimento. Al realizar un experimento comparando los niveles de un factor, se obtiene una respuesta precisa: o bien afirmar la hipótesis nula H 0, o bien afirmar la hipótesis alternativa H 1. Sin embargo, nada asegura que esta respuesta sea la verdadera, ya que los experimentos se aplican sobre una pequeña cantidad de sujetos experimentales y no sobre toda la población. En consecuencia, existen cuatro posibles resultados de un experimento en lo relativo a su veracidad, tal y como indica la Tabla 2.1. Dos de los cuatro posibles resultados son errores, conocidos como errores tipo I y II. Hipótesis que se verifica en la población Respuesta del experimento H 0 H 1 H 0 Resultado correcto Error tipo II (con probabilidad β) H 1 Error Tipo I (con probabilidad α) Resultado correcto Tabla 2.1: Tipos de Errores de un Test Estadístico El error tipo I ocurre cuando el experimento arroja que la hipótesis alternativa H 1 es verdadera, cuando en realidad es cierta la hipótesis nula H 0. Para un investigador, éste error es el más importante. La razón es muy sencilla: Todos nosotros intentamos desarrollar nuevos métodos y técnicas que hagan más eficiente el desarrollo de software, pero necesitamos demostrar que dichos métodos y técnicas son efectivamente mejores, razón por la cual acudimos a la realización de experimentos confiando que H 1 sea cierta. Si el experimento arroja que H 1 es cierto, deseamos que la probabilidad de cometer un error de tipo I sea la menor posible. Por otra parte, cometer un error de tipo II consiste en indicar que H 1 es cierto cuando en realidad en la población se corrobora lo contrario. TESIS DOCTORAL EN CIENCIAS INFORMATICAS 10 ENRIQUE FERNANDEZ
29 ESTADO DE LA CUESTION La probabilidad de cometer un error tipo I se denota como α. A la hora de aplicar test estadísticos a los datos experimentales, los investigadores son libres de determinar el valor de α, por lo tanto, el riesgo de cometer un error tipo I. Es habitual que el valor de α se fije en valores muy pequeños, tales como: 0,1; 0,05 o incluso 0,01 (10%, 5% y 1% respectivamente), pero pocas veces se define el nivel de β. Lamentablemente, nuestra capacidad para asignar un valor a α es limitada. Los test de hipótesis, se caracteriza por 5 factores [Cohen, J.; 1988]: α, β (del que hablaremos a continuación), la diferencia entre las medias d, el nivel de variación de la variable respuesta s (medido a través de la varianza o la desviación típica) y el número de sujetos experimentales n. La relación entre estos factores se muestra en la ecuación 2.1, donde z representa la distribución normal tipificada: n 2 1 β = d z1 α z (2.1) Estos 5 factores forman un sistema cerrado, haciendo que una disminución o incremento en cualquiera de los factores provoque incrementos o disminuciones en los demás. Por lo tanto, a medida que el investigador requiere valores más pequeños de α, tiende a aumentar el parámetro β (ya que tanto d como s son propios del contexto experimental y por lo tanto no pueden ser manipulados, mientras que n no puede incrementarse fácilmente en la práctica). β es la probabilidad del error tipo II. Este error, tal y como indica la Tabla 2.1, significa que el experimento determina que la hipótesis nula H 0 es cierta, cuando en la población se verifica realmente la hipótesis alternativa H 1. En otras palabras: Existe una probabilidad β de que el experimento arroje resultados no significativos erróneamente. Esto no debería ser un problema si no fuera porque β tiene habitualmente un valor muy alto. A este respecto, véase la Figura 2.1, donde se representa la relación entre β y n para α = 0,05 (la situación más común en experimentación) para unos valores d y s representativos de los experimentos en IS [Dieste, O; et al., 2010]. TESIS DOCTORAL EN CIENCIAS INFORMATICAS 11 ENRIQUE FERNANDEZ
30 ESTADO DE LA CUESTION β n Figura 1: Reducción del valor de β Puede apreciarse en la Figura 2.1 que un experimento con n = 40 (esto es, 40 sujetos experimentales) tiene un β 0,4. Esto implica que, en promedio, si realizamos 10 experimentos de este tipo, obtendremos 6 resultados significativos (60%) y 4 no significativos (40%, esto es, el parámetro β considerado como un porcentaje). En consecuencia, es habitual que un conjunto de experimentos relacionados (sean éstos replicaciones o no) arrojen resultados contradictorios (significativos y no significativos) por motivos puramente estadísticos [Hunter, J.; Schmidt, F.; 2004]. En IS, esto es además especialmente frecuente, ya que resulta difícil ensamblar cohortes de 40 sujetos, lo que provoca que el error β sea muy alto. La cuestión es, entonces, cómo determinar qué resultado, de entre todos los obtenidos en un conjunto de experimentos relacionados, es el correcto DESARROLLO HISTÓRICO DEL META-ANÁLISIS La primera síntesis de experimentos data de 1904 y fue realizada por K. Pearson [Cooper, H.; Hedges, L.; 1994]. Se trató de reconciliar 11 estudios acerca de la vacunación contra el tifus, para lo cual Pearson utilizó un enfoque completamente objetivo promediando los resultados. Por la década del 30 se realizaron varios intentos de Meta-Análisis. No obstante, no es hasta la década de los 80 que el Meta-Análisis se comenzó a aplicar de forma masiva en Medicina y a partir de los 90 es muy frecuente encontrar artículos de estas características en la mayoría de las ramas de la ciencia como son: las ciencias sociales [Petrosino, A.; et al; 2001], la psicología [Sanchez-Meca, J.; Botella, J.; TESIS DOCTORAL EN CIENCIAS INFORMATICAS 12 ENRIQUE FERNANDEZ
31 ESTADO DE LA CUESTION 2010], la psiquiatría [Navarro, F.; et al; 1999], la educación [Davies, P.; 1999] y la ecología [Miguez, E.; Bollero, G.; 2005] entre otras. Pero las técnicas no se desarrollaron en plenitud ni adquirieron gran difusión hasta fechas muy recientes. La persona clave en este proceso fue G.V. Glass, que en 1976 propuso el uso del tamaño del efecto y la diferencia de medias ponderada (DMP) para la combinación de experimentos en educación [Glass, G.; 1976]. Y lo que no es menos importante, también propuso el nombre por el que esta técnica, así como otras similares, se conocen hoy en día: Meta-Análisis [Hunt, M.; 1997]. Para comprender mejor la importancia de las aportaciones del trabajo de Glass, hay que considerar como era el contexto en el cual hace sus aportaciones. Durante la década del 60 se produce la explosión de la experimentación, sobre todo en ciencias sociales, [Chalmers I., Hedges L., Cooper H.; 2002]. Una década más tarde, el panorama en ciencias sociales era desalentador: Los experimentos realizados ofrecían resultados totalmente contradictorios, hasta el punto de cuestionar la idoneidad de la investigación experimental aplicada a las ciencias sociales, llevando a los organismos gubernamentales a plantearse la posibilidad de cortar los fondos para el desarrollo de este tipo de trabajos. Visto desde la perspectiva actual, las dudas suscitadas en aquel entonces parecen pueriles. Hoy sabemos que la probabilidad de error tipo II (β) de aquellos experimentos, desarrollados con pocos sujetos experimentales, era muy alta, lo que explica su carácter contradictorio. Sin embargo, en aquel entonces se sabía poco acerca del error de tipo II, ya que el desarrollo de la teoría estadística relacionada se produjo en 1962 y sólo fue popular a partir de 1977 [Cohen, J.; 1988]. La intuición superior de Glass consistió en entender que no había estudios correctos o incorrectos, sino que cada uno poseía en sí parte de la verdad [Glass, G.; 2000]. Y que la combinación objetiva era lo que iba a permitir obtener las evidencias necesarias para validar las teorías que la ciencia necesita para poder funcionar. TESIS DOCTORAL EN CIENCIAS INFORMATICAS 13 ENRIQUE FERNANDEZ
32 ESTADO DE LA CUESTION 2.3. CONCEPTO DE META-ANÁLISIS La agregación o síntesis cuantitativa de estudios experimentales o Meta-Análisis, consiste en la integración de los resultados de un conjunto de experimentos, previamente identificados, que analizan el desempeño de un par de tratamientos predefinidos con el fin de dar una estimación cuantitativa sintética de todos los estudios disponibles [Goodman, C.; 1996]. Existen métodos para el tratamiento de variables continuas y discretas [Hedges, L.; Olkin, I.; 1985], los primeros asociados a mediciones en las cuales es factible establecer un promedio, por ejemplo cantidad de promedio de fallas detectadas en un programa, cantidad promedio de líneas de código utilizadas, etc.; y los segundos a variables asociadas a alguna tasa o relación entre casos exitosos sobre casos totales, utilizada habitualmente en medicina para avaluar, por ejemplo, la cantidad de pacientes con sobre vida respecto de la cantidad total de pacientes evaluados que fueron expuestos a un tratamiento. Si bien ambos tipos de variables pueden ser utilizadas en IS, el campo de aplicación de las variables discretas se circunscribe a un campo de aplicación muy reducido, como podría ser el análisis de tráfico en redes, donde no existen inconvenientes a la hora de realizar una prueba de gran volumen. Por ello, la presente tesis solo se centrará en los métodos aplicables a variables continuas que son los que más inconvenientes tienen a lo hora de ser aplicado en el actual contexto de IS. Hay que tener en cuenta que si todos los estudios incluidos en el proceso de agregación fueran igualmente precisos, bastaría con promediar los resultados de cada uno de ellos para obtener así una conclusión final. Sin embargo, en la práctica no todos los estudios tienen la misma precisión, por ello cuando se los combine se debe asignar un mayor peso a los estudios que permiten obtener información más fiable. Esto se logra combinando los resultados mediante un promedio ponderado [Borenstein, M.; Hedges, L.; Rothstein, H.; 2007], donde cada experimento es calificado en base a alguna propiedad, generalmente la inversa de su varianza. Para poder lograr realizar este promedio ponderado, los experimentos individuales deben brindar un resultado cuantitativo que además permita compatibilizar diferencias de escalas entre los experimentos, ya que los resultados de los diferentes estudios pueden medirse en diferentes escalas de la variable respuesta [Cochrane; 2011]. TESIS DOCTORAL EN CIENCIAS INFORMATICAS 14 ENRIQUE FERNANDEZ
33 ESTADO DE LA CUESTION Por lo tanto, la variable dependiente en un Meta-Análisis debe poder compatibilizar estos aspectos, lo cual se logra mediante la estimación de un tamaño de efecto (o mejora), el cual consiste en un estimador estandarizado no escalar de la relación entre una exposición y un efecto. En sentido general, este término se aplica a cualquier medida de la diferencia en el resultado entre los grupos de estudio [Borenstein, M.; Hedges, L.; Rothstein, H.; 2007]. Existen dos estrategias bien diferenciadas a la hora de agregar un conjunto de experimentos. La primera de ellas parte del supuesto de que las diferencias en los resultados de un experimento a otro obedecen a un error aleatorio propio de la experimentación y de que existe un único resultado o tamaño de efecto que es compartido por toda la población. La segunda estrategia parte del supuesto de que no existe un único tamaño de efecto representativo de toda la población, sino que dependiendo del origen o momento en que se realicen los experimentos los resultados van a modificarse debido a la influencia de variables no controladas, a pesar de esto puede obtenerse un promedio de los distintos resultados para una conclusión general. A la primera de las estrategias se la denominada modelo de efecto fijo y a la segunda se la denominada modelo de efectos aleatorios [Borenstein, M.; Hedges, L.; Rothstein, H.; 2007]. Las figura 2.2 y 2.3 ilustran lo dicho anteriormente, mostrando en la figura 2.2 un único tamaño de efecto poblacional, donde la diferencia entre el tamaño de efecto poblacional y de los experimentos se debe únicamente a un problema experimental. Por su parte, la figura 2.3 muestra varios tamaños de efecto, todos reales para el contexto en el cual fueron realizados los experimentos, lo que los hace heterogéneos entre si y resalta la existencia de variables no controladas que afectan al comportamiento del fenómeno (para mayores respecto de la heterogeneidad dirigirse al anexo B). En estas condiciones lo que se puede obtener a nivel general es un promedio de los tamaños de efecto [Schmidt, F.; Hunter, J.; 2003]. TESIS DOCTORAL EN CIENCIAS INFORMATICAS 15 ENRIQUE FERNANDEZ
34 ESTADO DE LA CUESTION Figura 2.2: Supuestos del Modelo de Efecto Fijo Figura 2.3: Supuestos del Modelo de Efectos Aleatorios En las siguientes subsecciones se explica con mas detalla en qué consiste cada una de las estrategias MODELO DE EFECTO FIJO Como ya se mencionó, para el modelo de efecto fijo existe un único tamaño de efecto al cual pertenecen todos los experimentos que van a ser agregados. Por ende cualquier diferencia en los resultados obedece únicamente a un error experimental aleatorio propio de la experimentación [Borenstein, M.; Hedges, L.; Rothstein, H.; 2007]. Por ello dentro de este enfoque la ponderación de los experimentos se realiza únicamente en base a la inversa de su varianza, asumiendo que cuanto menor sea la varianza más preciso es el experimento. Dado que, en general, la varianza es TESIS DOCTORAL EN CIENCIAS INFORMATICAS 16 ENRIQUE FERNANDEZ
35 ESTADO DE LA CUESTION inversamente proporcional al tamaño del experimento (cantidad de sujetos que posee) tendremos que los experimentos de mayor tamaño tendrán una mayor representatividad en la conclusión que los pequeños, por ejemplo un experimento con sujetos experimentales tendrá una ponderación 10 veces mayor que la que tiene una de 100 sujetos experimentales [Borenstein, M.; Hedges, L.; Rothstein, H.; 2007]. Esto produce que la conclusión general se vuelque hacia el resultado particular de un estudio cuando este es mucho más grande que los demás. La técnica de modelo de efecto fijo aplicada en IS es la DMP, cuyo cálculo consta de dos pasos, primeramente se debe estimar el tamaño de efecto de cada uno de los experimentos, y una vez estimados los mismos, podrá estimarse el tamaño de efecto global. A continuación se presenta la función de estimación del tamaño de efecto para un experimento (o efecto individual) [Hedges, L.; Olkin, I.; 1985], mediante la ecuación 2.2: Y d = J E Y S P C 3 J = 1 4N 9 d representa el tamaño de efecto J representa el factor de corrección Y s representa a las medias del grupo experimental (E) y de control (C) S p representa el desvió estándar conjunto N representa el total de sujetos experimentales incluidos en el experimento (2.2) Luego de estimar el tamaño de efecto, se estima el error típico, y en base a este se establece el intervalo de confianza asociado al efecto para el nivel de fiabilidad deseado, generalmente del 95%, lo que equivale a un error de tipo I del 5% (α = 0,05), mediante la ecuación 2.3: 2 ñ + d v = E 2( n + n n ñ = n E E + n * n C C C ) v representa el error típico d representa el tamaño de efecto n s representa la cantidad de sujetos experimentales del grupo experimental (E) y de control (C) Z representa la cantidad de desvíos estándar que separan, al nivel de significancia dado, la media del límite. En general (2.3) TESIS DOCTORAL EN CIENCIAS INFORMATICAS 17 ENRIQUE FERNANDEZ
36 ESTADO DE LA CUESTION d 2 Zα / 2 v λ d + Zα / v es 1,96 (α = 0,05) Una vez estimados los tamaños de efectos de los estudios individuales se puede estimar el tamaño de efecto global mediante la ecuación 2.4: 2 d i / σ i ( d) d* = 2 1/ σ i ( d) 2 v = (1/ 1/ σ i ( d ) ) d* representa el tamaño de efecto global 2 d i / σ i ( d ) es la sumatoria de los efectos individuales 2 1/ σ i ( d ) es la sumatoria de la inversa varianza v representa el error típico (2.4) Una vez estimado el tamaño de efecto global, se estima el intervalo de confianza asociado al mismo, mediante la ecuación 2.5: d * α 2 Zα / 2 v λ d * + Z / v d* representa el tamaño de efecto global Z representa la cantidad de desvíos estándar que separan, al nivel de significancia dado, la media del límite. En general es 1,96 (α = 0,05) v representa el error típico (2.5) MODELO DE EFECTOS ALEATORIOS A diferencia del modelo de efecto fijo, para el modelo de efectos aleatorios existe más de un tamaño de efecto, debido a que los experimentos no son homogéneos, es decir, los resultados de cada experimentos están condicionados por un conjunto de variables no controladas, por ende existen dos tipos de errores, el error propio de cada uno de los experimentos producto de la experimentación (como sucede con el modelo de efectos fijo) y el error producido por la combinación de estudios provenientes de distintos contextos que poseen diferentes tamaños de efecto [Borenstein, M.; Hedges, L.; Rothstein, H.; 2007]. Este se traduce en la estimación de dos tipos de varianzas, la varianza interna de los estudios y la varianza entre estudios. De esta forma los TESIS DOCTORAL EN CIENCIAS INFORMATICAS 18 ENRIQUE FERNANDEZ
Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere.
UNIVERSIDAD DE CARABOBO FACULTAD DE CIENCIA Y TECNOLOGÍA DIRECCION DE EXTENSION COORDINACION DE PASANTIAS Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere. Pasante:
Más detalles1. INTRODUCCIÓN 1.1 INGENIERÍA
1. INTRODUCCIÓN 1.1 INGENIERÍA Es difícil dar una explicación de ingeniería en pocas palabras, pues se puede decir que la ingeniería comenzó con el hombre mismo, pero se puede intentar dar un bosquejo
Más detallesElementos requeridos para crearlos (ejemplo: el compilador)
Generalidades A lo largo del ciclo de vida del proceso de software, los productos de software evolucionan. Desde la concepción del producto y la captura de requisitos inicial hasta la puesta en producción
Más detallesde la empresa Al finalizar la unidad, el alumno:
de la empresa Al finalizar la unidad, el alumno: Identificará el concepto de rentabilidad. Identificará cómo afecta a una empresa la rentabilidad. Evaluará la rentabilidad de una empresa, mediante la aplicación
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesMedia vs mediana vs moda Cual medida de tendencia central es mas adecuada? MEDIA conveniencias:
Iniciar con las interpretaciones de las medidas MEDIA VS MEDIANA VS MODA CUAL ES LA MEDIDA ADECUADA TAREA MEDIA PONDERADA Actividad de Medidas de Localización Problema 1. El problema de las tasas de delito.
Más detallesINFORME DE ANÁLISIS DE ENCUESTAS DE SATISFACCIÓN DE USUARIOS PERÍODO 2009-2010
INFORME DE ANÁLISIS DE ENCUESTAS DE SATISFACCIÓN DE USUARIOS PERÍODO 2009-2010 UNIDAD FUNCIONAL DE TÉCNICOS DE LABORATORIOS DOCENTES UNIVERSIDAD PABLO DE OLAVIDE. SEVILLA Sevilla, Diciembre de 2010 1 1.
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesMediante la aplicación de la metodología a los datos disponibles para este estudio, esta
6 Conclusiones Mediante la aplicación de la metodología a los datos disponibles para este estudio, esta investigación aporta evidencia de la existencia de cambios en los determinantes del desempleo durante
Más detallesMetodología básica de gestión de proyectos. Octubre de 2003
Metodología básica de gestión de proyectos Octubre de 2003 Dentro de la metodología utilizada en la gestión de proyectos el desarrollo de éstos se estructura en tres fases diferenciadas: Fase de Éjecución
Más detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS
ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se
Más detallesTEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones.
TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. La herramienta que nos indica si el proceso está o no controlado o Estado de Control son
Más detalles"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios
"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios Miguel Alfonso Flores Sánchez 1, Fernando Sandoya Sanchez 2 Resumen En el presente artículo se
Más detallesNORMA INTERNACIONAL DE AUDITORÍA 520 PROCEDIMIENTOS ANALÍTICOS
NORMA INTERNACIONAL DE AUDITORÍA 520 PROCEDIMIENTOS ANALÍTICOS (NIA-ES 520) (adaptada para su aplicación en España mediante Resolución del Instituto de Contabilidad y Auditoría de Cuentas, de 15 de octubre
Más detalles4 Pruebas y análisis del software
4 Pruebas y análisis del software En este capítulo se presentan una serie de simulaciones donde se analiza el desempeño de ambos sistemas programados en cuanto a exactitud con otros softwares que se encuentran
Más detallesMantenimiento de Sistemas de Información
de Sistemas de Información ÍNDICE DESCRIPCIÓN Y OBJETIVOS... 1 ACTIVIDAD MSI 1: REGISTRO DE LA PETICIÓN...4 Tarea MSI 1.1: Registro de la Petición... 4 Tarea MSI 1.2: Asignación de la Petición... 5 ACTIVIDAD
Más detallesTrabajo lean (1): A que podemos llamar trabajo lean?
Trabajo lean (1): A que podemos llamar trabajo lean? Jordi Olivella Nadal Director de Comunicación del Instituto Lean Management Este escrito inicia una serie de artículos sobre la organización en trabajo
Más detallesIndicaciones específicas para los análisis estadísticos.
Tutorial básico de PSPP: Vídeo 1: Describe la interfaz del programa, explicando en qué consiste la vista de datos y la vista de variables. Vídeo 2: Muestra cómo crear una base de datos, comenzando por
Más detallesTECNÓLOGO EN INFORMÁTICA PLAN DE ESTUDIOS
Administración Nacional de Universidad de la República Educación Pública Facultad de Ingenieria CF Res..0.07 Consejo Directivo Central Consejo Directivo Central Res..05.07 Res. 17.0.07 TECNÓLOGO EN INFORMÁTICA
Más detallesDiseño de un estudio de investigación de mercados
Diseño de un estudio de investigación de mercados En cualquier diseño de un proyecto de investigación de mercados, es necesario especificar varios elementos como las fuentes a utilizar, la metodología,
Más detallesCAPITULO III MARCO METODOLÓGICO. Desde la perspectiva de Hurtado de Barrera (2008), el tipo de
CAPITULO III MARCO METODOLÓGICO 1. TIPO DE INVESTIGACIÓN Desde la perspectiva de Hurtado de Barrera (2008), el tipo de investigación que propone soluciones a una situación determinada a partir de un proceso
Más detallesDETERMINACIÓN DEL VOLUMEN DE PEDIDO.
Lote económico de compra o Lote Optimo DETERMINACIÓN DEL VOLUMEN DE PEDIDO. Concepto que vemos en casi todos libros de aprovisionamiento, habitualmente la decisión de la cantidad a reaprovisionar en las
Más detalles2. MÉTODOS, INSTRUMENTOS Y ESTRATEGIAS
2. MÉTODOS, INSTRUMENTOS Y ESTRATEGIAS Objetivo específico: El alumno conocerá la importancia de la investigación en psicología industrial/organizacional, su proceso y limitaciones. Asimismo entenderá
Más detallesISO 9001:2000 DOCUMENTO INFORMATIVO DOCUMENTO ELABORADO POR CHRISTIAN NARBARTE PARA EL IVECE
ISO 9001:2000 DOCUMENTO INFORMATIVO DOCUMENTO ELABORADO POR CHRISTIAN NARBARTE PARA EL IVECE MARZO 2007 Este documento contesta las preguntas más frecuentes que se plantean las organizaciones que quieren
Más detallesTécnicas de valor presente para calcular el valor en uso
Normas Internacionales de Información Financiera NIC - NIIF Guía NIC - NIIF NIC 36 Fundación NIC-NIIF Técnicas de valor presente para calcular el valor en uso Este documento proporciona una guía para utilizar
Más detallesCiclo de vida y Metodologías para el desarrollo de SW Definición de la metodología
Ciclo de vida y Metodologías para el desarrollo de SW Definición de la metodología La metodología para el desarrollo de software es un modo sistemático de realizar, gestionar y administrar un proyecto
Más detallesSÍNTESIS Y PERSPECTIVAS
SÍNTESIS Y PERSPECTIVAS Los invitamos a observar, a identificar problemas, pero al mismo tiempo a buscar oportunidades de mejoras en sus empresas. REVISIÓN DE CONCEPTOS. Esta es la última clase del curso.
Más detallesANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO
ANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO Por: Pablo Lledó Master of Science en Evaluación de Proyectos (University of York) Project Management Professional (PMP) Profesor de Project Management y Evaluación
Más detallesDE VIDA PARA EL DESARROLLO DE SISTEMAS
MÉTODO DEL CICLO DE VIDA PARA EL DESARROLLO DE SISTEMAS 1. METODO DEL CICLO DE VIDA PARA EL DESARROLLO DE SISTEMAS CICLO DE VIDA CLÁSICO DEL DESARROLLO DE SISTEMAS. El desarrollo de Sistemas, un proceso
Más detallesCapitulo 3: Metodología de Investigación.
Capitulo 3: Metodología de Investigación. 3.1 Introducción. Con el propósito de describir el sector económico en el cual se pretende incursionar y ayude para una correcta realización del plan de negocios
Más detallesIntroducción En los años 60 s y 70 s cuando se comenzaron a utilizar recursos de tecnología de información, no existía la computación personal, sino que en grandes centros de cómputo se realizaban todas
Más detallesFuncionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net
2012 Funcionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net Servinet Sistemas y Comunicación S.L. www.softwaregestionproyectos.com Última Revisión: Febrero
Más detallesDiseño orientado al flujo de datos
Diseño orientado al flujo de datos Recordemos que el diseño es una actividad que consta de una serie de pasos, en los que partiendo de la especificación del sistema (de los propios requerimientos), obtenemos
Más detallesEl nivel de Satisfacción Laboral tomado con puntaje de mayor de 3 es lo que denota mayor satisfacción.
IX. ANALISIS DE LOS RESULTADOS El nivel de Satisfacción Laboral tomado con puntaje de mayor de 3 es lo que denota mayor satisfacción. En relación a la edad de las enfermeras y enfermeros del hospital encontramos
Más detallesCENTENARIA Y BENEMÈRITA ESCUELA NORMAL DEL ESTADO DE QUERETARO ANDRES BALVANERA UNIDAD JALPAN SEMINARIO DE ANALISIS Y TRABAJO DOCENTE
CENTENARIA Y BENEMÈRITA ESCUELA NORMAL DEL ESTADO DE QUERETARO ANDRES BALVANERA UNIDAD JALPAN SEMINARIO DE ANALISIS Y TRABAJO DOCENTE DOCENTE: Edith Rangél Ángeles ALUMNA: Castañeda Valladares Lizei Marlene
Más detallesPROPUESTA METODOLOGICA PARA LA EDUCCIÓN DE REQUISITOS EN PROYECTOS DE EXPLOTACIÓN DE INFORMACIÓN
PROPUESTA METODOLOGICA PARA LA EDUCCIÓN DE REQUISITOS EN PROYECTOS DE EXPLOTACIÓN DE INFORMACIÓN Paola Britos 1,2, Enrique Fernandez 1,2, Ramón García-Martinez 1,2 Centro de Ingeniería del Software e Ingeniería
Más detallesLISTA DE CHEQUEO NORMA NTC ISO 9001:2000 No. REQUISITOS EXISTE ESTADO OBSERVACIONES D: Documentado I: Implementado M: Mejorar SI NO D I M
No. REQUISITOS EXISTE ESTADO OBSERVACIONES 4. SISTEMA DE GESTION DE LA CALIDAD 4.1 Requisitos Generales La organización debe establecer, documentar, implementar y mantener un S.G.C y mejorar continuamente
Más detallesEl objetivo principal del presente curso es proporcionar a sus alumnos los conocimientos y las herramientas básicas para la gestión de proyectos.
Gestión de proyectos Duración: 45 horas Objetivos: El objetivo principal del presente curso es proporcionar a sus alumnos los conocimientos y las herramientas básicas para la gestión de proyectos. Contenidos:
Más detallesGestión de proyectos
Gestión de proyectos Horas: 45 El objetivo principal del presente curso es proporcionar a sus alumnos los conocimientos y las herramientas básicas para la gestión de proyectos. Gestión de proyectos El
Más detallesEstudios de Economía y Empresa 78.616 Trabajo Final de Grado Investigación de mercado
TFG: INVESTIGACIÓN DE MERCADOS 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
Más detallesUnidad 1. Fundamentos en Gestión de Riesgos
1.1 Gestión de Proyectos Unidad 1. Fundamentos en Gestión de Riesgos La gestión de proyectos es una disciplina con la cual se integran los procesos propios de la gerencia o administración de proyectos.
Más detallesPruebas de Hipótesis de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Pruebas de ipótesis de Una y Dos Muestras UCR ECCI CI-35 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides ipótesis Estadísticas Conceptos Generales En algunos casos el científico
Más detallesÍNDICE 1. INTRODUCCIÓN... 4 2. PARTICIPANTES... 5. 2.1. Participantes por sector... 5. 2.2. Participantes por edad... 6
INFORME DE RESULTADOS DEL ESTUDIO DE SATISFACCIÓN DE USUARIOS UNIVERSIDAD DE ALMERÍA 2012 SERVICIO DE PLANIFICACIÓN, EVALUACIÓN Y CALIDAD CALIDAD DE LOS SERVICIOS ENERO 2013 ÍNDICE 1. INTRODUCCIÓN...
Más detallesGuía de los cursos. Equipo docente:
Guía de los cursos Equipo docente: Dra. Bertha Patricia Legorreta Cortés Dr. Eduardo Habacúc López Acevedo Introducción Las organizaciones internacionales, las administraciones públicas y privadas así
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detallesCMMI (Capability Maturity Model Integrated)
CMMI (Capability Maturity Model Integrated) El SEI (software engineering institute) a mediados de los 80 desarrolló el CMM (modelo de madurez de la capacidad de software). CMMI: CMM integrado, una mezcla
Más detallesEvaluación de la capacidad óptima de medida y alcance de la acreditación de un laboratorio de calibración
Evaluación de la capacidad óptima de medida y alcance de la acreditación de un laboratorio de calibración Fernández Pareja, Mª Teresa te_fer@topografia.upm.es Departamento de Ingeniería Topográfica y Cartografía
Más detallesUN MÉTODO PARA EVALUAR EQUIPO DE LABORATORIO BASADO EN INDICADORES DE FUNCIONALIDAD (Trabajo Científico)
UN MÉTODO PARA EVALUAR EQUIPO DE LABORATORIO BASADO EN INDICADORES DE FUNCIONALIDAD (Trabajo Científico) 1 Ortiz-Posadas MR, 1 Pérez-Rodríguez LA y 2 Rodríguez-Alfaro S. 1 Departamento de Ingeniería Eléctrica.
Más detallesDeterminación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones
Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Introducción Las Compañías aseguradoras determinan sus precios basadas en modelos y en información histórica
Más detallesCAPÍTULO VI CONCLUSIONES Y RECOMENDACIONES
CONCLUSIONES Y RECOMENDACIONES 6.1. Conclusiones. 6.2. Recomendaciones. 6.1. CONCLUSIONES Informática forense La Informática Forense en la actualidad ha tomado gran importancia porque permite encontrar
Más detallesAula Banca Privada. La importancia de la diversificación
Aula Banca Privada La importancia de la diversificación La importancia de la diversificación La diversificación de carteras es el principio básico de la operativa en mercados financieros, según el cual
Más detallesCapítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI
Capítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI La segunda fase del NIPE corresponde con la adecuación de las intervenciones de enfermería del sistema de clasificación N.I.C. (Nursing Intervention
Más detallesUniversidad de Tarapacá Investigación de Mercados Internacionales
Universidad de Tarapacá Investigación de Mercados Internacionales Capítulo II: El proceso de la Investigación de Mercados Internacionales. Tema 2: El Diseño de la Investigación de Mercados Internacionales
Más detalles7. Conclusiones. 7.1 Resultados
7. Conclusiones Una de las preguntas iniciales de este proyecto fue : Cuál es la importancia de resolver problemas NP-Completos?. Puede concluirse que el PAV como problema NP- Completo permite comprobar
Más detallesDEDICATORIA. económicamente; también a: Kleber, Alina, Patricio, Paola y Eliceo que siempre
DEDICATORIA Este trabajo está dedicado principalmente a Dios, que con su gran bondad ha sabido guiarme por el camino del bien en todo momento; a mis padres Mario y María que con su ejemplo, esfuerzo y
Más detallesPONENCIA DE ESTUDIO DE LAS NECESIDADDES DE RECURSOS HUMANOS EN EL SISTEMA NACIONAL DE SALUD
PONENCIA DE ESTUDIO DE LAS NECESIDADDES DE RECURSOS HUMANOS EN EL SISTEMA NACIONAL DE SALUD COMPARECENCIA ANTE LA COMISION DE SANIDAD Y CONSUMO DEL SENADO Francisco Vte. Fornés Ubeda Presidente de la Sociedad
Más detallesPERFIL DEL PUESTO POR COMPETENCIAS Sepa cómo construirlo y evitar bajos desempeños posteriores
PERFIL DEL PUESTO POR COMPETENCIAS Sepa cómo construirlo y evitar bajos desempeños posteriores Martha Alicia Alles Es contadora pública nacional, doctora por la Universidad de Buenos Aires en la especialidad
Más detallesAUDITORÍAS Y AUDITORES ISO 9000:2000
AUDITORÍAS Y AUDITORES ISO 9000:2000 Ing. Miguel García Altamirano Servicios CONDUMEX S.A. de C.V. Delegado Mexicano en el Comité Internacional ISO TC 176 en el grupo JWG "Auditorías" Resumen: Los sistemas
Más detallesControl Estadístico del Proceso. Ing. Claudia Salguero Ing. Alvaro Díaz
Control Estadístico del Proceso Ing. Claudia Salguero Ing. Alvaro Díaz Control Estadístico del Proceso Es un conjunto de herramientas estadísticas que permiten recopilar, estudiar y analizar la información
Más detallesDecisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.
Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El
Más detallesMUESTREO TIPOS DE MUESTREO
MUESTREO En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población), se selecciona una muestra, entendiendo por tal una parte representativa de
Más detallesRESULTADOS CONSULTA CIUDADANA VIRTUAL. Consulta Laboral en Línea
RESULTADOS CONSULTA CIUDADANA VIRTUAL Consulta Laboral en Línea Septiembre, 2015 1 Agradecimientos Ponemos a disposición de ustedes los resultados de la Consulta Ciudadana Virtual, efectuada en julio de
Más detallesDirección de Planificación Universitaria Dirección de Planificación Universitaria 0819-07289 Panamá, Rep. de Panamá 0819-07289 Panamá, Rep.
Comparación de las tasas de aprobación, reprobación, abandono y costo estudiante de dos cohortes en carreras de Licenciatura en Ingeniería en la Universidad Tecnológica de Panamá Luzmelia Bernal Caballero
Más detallesINDICADORES. PROBLEMAS ASOCIADOS A SU SELECCIÓN PARA MEDIR SUSTENTABILIDAD Y EFICIENCIA AMBIENTAL
FUNDACION NEXUS ciencias sociales medio ambiente salud INDICADORES. PROBLEMAS ASOCIADOS A SU SELECCIÓN PARA MEDIR SUSTENTABILIDAD Y EFICIENCIA AMBIENTAL Por Daniel Fernández Dillon Ingeniería Sanitaria
Más detallesISO9001:2015. Todos los certificados emitidos en este periodo tienen una fecha de caducidad de 15 de septiembre de 2018.
ISO9001:2015 PLAN DE TRANSICIÓN Tras la publicación de la nueva versión de la norma ISO9001 el pasado mes de septiembre se inicia un periodo de convivencia entre las dos versiones de la norma. Este periodo
Más detallesCONCEPTO DEL ÍNDICE ACCIONARIO
Qué es un índice accionario? CONCEPTO DEL ÍNDICE ACCIONARIO Un índice accionario es un instrumento estadístico empleado para estudiar la evolución de los precios de las acciones en un mercado de valores.
Más detallesTEMA 4: Introducción al Control Estadístico de Procesos
TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción
Más detallesCurso Online de Microsoft Project
Curso Online de Microsoft Project Presentación El curso a distancia estudia conceptos generales sobre las tecnologías relacionadas con Internet. Conceptos que cualquier usuario de ordenadores debe conocer
Más detallesMetodología de la Investigación. Dr. Cristian Rusu cristian.rusu@ucv.cl
Metodología de la Investigación Dr. Cristian Rusu cristian.rusu@ucv.cl 6. Diseños de investigación 6.1. Diseños experimentales 6.1.1. Diseños preexperimentales 6.1.2. Diseños experimentales verdaderos
Más detallesCAPÍTULO 2 DEFINICIÓN DEL PROBLEMA
CAPÍTULO 2 DEFINICIÓN DEL PROBLEMA En el capítulo anterior se describió la situación inicial en la que se encontraba la Coordinación de Cómputo Académico (CCA) del Departamento de Ingenierías (DI) de la
Más detallesTest de Idioma Francés. Manual del evaluador
Test de Idioma Francés Manual del evaluador 1 CONTENIDO Introducción Qué mide el Test de idioma francés? Qué obtienen el examinado y el examinador? Descripción de los factores Propiedades psicométricas
Más detallesSISTEMAS Y MANUALES DE LA CALIDAD
SISTEMAS Y MANUALES DE LA CALIDAD NORMATIVAS SOBRE SISTEMAS DE CALIDAD Introducción La experiencia de algunos sectores industriales que por las características particulares de sus productos tenían necesidad
Más detallesCapítulo IV. Manejo de Problemas
Manejo de Problemas Manejo de problemas Tabla de contenido 1.- En qué consiste el manejo de problemas?...57 1.1.- Ventajas...58 1.2.- Barreras...59 2.- Actividades...59 2.1.- Control de problemas...60
Más detallesPRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES
PRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES Raúl Palma G. y Guillermo Bustos R. Escuela de Ingeniería Industrial Universidad Católica de Valparaíso Casilla
Más detallesCapítulo 2. Metodologías de selección de personal
Capítulo 2. Metodologías de selección de personal 2.1 Introducción La selección de personal es una actividad en la cual toda empresa invierte parte de sus recursos, debido a que es una tarea de vital importancia.
Más detallesEstas visiones de la información, denominadas vistas, se pueden identificar de varias formas.
El primer paso en el diseño de una base de datos es la producción del esquema conceptual. Normalmente, se construyen varios esquemas conceptuales, cada uno para representar las distintas visiones que los
Más detallesTest de intrusión (Penetration Test) Introducción
Test de intrusión (Penetration Test) Introducción Nos encontramos en una época en donde las empresas están sufriendo ataques informáticos cada vez en forma más asidua, basta con ver los informes anuales
Más detallesMATEMÁTICAS ESO EVALUACIÓN: CRITERIOS E INSTRUMENTOS CURSO 2014-2015 Colegio B. V. María (Irlandesas) Castilleja de la Cuesta (Sevilla) Página 1 de 7
Página 1 de 7 1 CRITERIOS DE EVALUACIÓN 1.1 SECUENCIA POR CURSOS DE LOS CRITERIOS DE EVALUACION PRIMER CURSO 1. Utilizar números naturales y enteros y fracciones y decimales sencillos, sus operaciones
Más detallesTema 2: Muestreo. Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales
Tema 2: Muestreo. Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 2: Muestreo Curso 2008-2009 1 / 13 Índice 1 Introducción 2 Muestreo
Más detallesEstudios de Economía y Empresa 78.617 Trabajo Final de Grado Plan de marketing
TFG: PLAN DE MARKETING 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 cursar
Más detallesLas bebidas Alcohólicas
Las bebidas Alcohólicas Hecho por: - Elisa Gutiérrez - Guillermo Rivas-plata - Rodrigo Pumares - Beatriz Sánchez 1 Índice 1- Introducción... 3 2- Objetivos... 3 3- Preguntas de la encuesta... 4 4- Encuesta...
Más detallesTALLER: ISO 14001. Ocean. Alejandro Tonatiuh López Vergara Geog. Miriam Ruiz Velasco
TALLER: ISO 14001 Ocean. Alejandro Tonatiuh López Vergara Geog. Miriam Ruiz Velasco Es un conjunto de partes o elementos organizados y relacionados que interactúan entre sí para lograr un objetivo. Sistemas
Más detallesORIENTACIONES GENERALES SOBRE EL PROCESO DE TRABAJO DE GRADO
PONTIFICIA UNIVERSIDAD JAVERIANA FACULTAD ESTUDIOS AMBIENTALES Y RURALES MAESTRIA EN DESARROLLO RURAL ORIENTACIONES GENERALES SOBRE EL PROCESO DE TRABAJO DE GRADO SOBRE LO QUE ESPERA LA MAESTRÍA DEL TRABAJO
Más detallesIngeniería del Software I Clase de Testing Funcional 2do. Cuatrimestre de 2007
Enunciado Se desea efectuar el testing funcional de un programa que ejecuta transferencias entre cuentas bancarias. El programa recibe como parámetros la cuenta de origen, la de cuenta de destino y el
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesFinanciamiento de diez ONG de la ciudad de Gualeguaychú en el año 2013
Financiamiento de diez ONG de la ciudad de Gualeguaychú en el año 2013 Apesteguia, Juliana, Cepeda, Tamara, Chanda, Lucas, Melchiori, Ayelen, Ross, Soledad ayelenmelchiori@gmail.com Instituto Sedes Sapientiae
Más detallesI INTRODUCCIÓN. 1.1 Objetivos
I INTRODUCCIÓN 1.1 Objetivos En el mundo de la informática, la auditoría no siempre es aplicada en todos las empresas, en algunos de los casos son aplicadas por ser impuestas por alguna entidad reguladora,
Más detallesLa metodologia Cuantitativa. Encuestas y muestras
La metodologia Cuantitativa. Encuestas y muestras Técnicas «cuantitativas» y «cualitativas» «Las técnicas cuantitativas»: Recogen la información mediante cuestiones cerradas que se planteal sujeto de forma
Más detallesDiciembre 2008. núm.96. El capital humano de los emprendedores en España
Diciembre 2008 núm.96 El capital humano de los emprendedores en España En este número 2 El capital humano de los emprendedores Este cuaderno inicia una serie de números que detallan distintos aspectos
Más detallesMUESTREO CONCEPTOS GENERALES
MUESTREO CONCEPTOS GENERALES Resumen del libro Muestreo para la investigación en Ciencias de la Salud Luis Carlos Silva Ayçaguer (páginas de la 1 a la 14) Cuando se decide cuantificar sólo una parte de
Más detallesFuncionalidades Software SAT GotelGest.Net (Software de Servicio de Asistencia Técnica)
Funcionalidades Software SAT GotelGest.Net (Software de Servicio de Asistencia Técnica) Servinet Sistemas y Comunicación S.L. www.softwaregestionsat.com Última Revisión: Octubre 2014 FUNCIONALIDADES SAT
Más detallesSistemas de Gestión de Calidad. Control documental
4 Sistemas de Gestión de Calidad. Control documental ÍNDICE: 4.1 Requisitos Generales 4.2 Requisitos de la documentación 4.2.1 Generalidades 4.2.2 Manual de la Calidad 4.2.3 Control de los documentos 4.2.4
Más detallesCAPÍTULO 1 INTRODUCCIÓN
CAPÍTULO 1 INTRODUCCIÓN 1.0 INTRODUCCIÓN El desarrollo económico en la actualidad, ha propiciado una gran expansión de los mercados que comienzan a verse saturados de bienes, y el problema fundamental
Más detallesLos estados financieros proporcionan a sus usuarios información útil para la toma de decisiones
El ABC de los estados financieros Importancia de los estados financieros: Aunque no lo creas, existen muchas personas relacionadas con tu empresa que necesitan de esta información para tomar decisiones
Más detallesrevista transparencia transparencia y... 3.3. UNIVERSIDADES
revista transparencia transparencia y... 3.3. UNIVERSIDADES 35 revista transparencia Mónica López del Consuelo Documentalista Open Data Universidad de Granada 3.3.1. El filtro básico de la transparencia.
Más detallesLOS ESTUDIOS DE INGENIERÍA INDUSTRIAL EN EL NUEVO MARCO DEL ESPACIO EUROPEO DE EDUCACION SUPERIOR. GITI + MII = Ingeniero Industrial
LOS ESTUDIOS DE INGENIERÍA INDUSTRIAL EN EL NUEVO MARCO DEL ESPACIO EUROPEO DE EDUCACION SUPERIOR. GITI + MII = Ingeniero Industrial Introducción El nuevo marco de los estudios universitarios españoles,
Más detallesforma de entrenar a la nuerona en su aprendizaje.
Sistemas expertos e Inteligencia Artificial,Guía5 1 Facultad : Ingeniería Escuela : Computación Asignatura: Sistemas expertos e Inteligencia Artificial Tema: SISTEMAS BASADOS EN CONOCIMIENTO. Objetivo
Más detalles