CLASIFICACIÓN NO SUPERVISADA
|
|
- Irene López Aguirre
- hace 8 años
- Vistas:
Transcripción
1 CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN
2 IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL EN UN AMPLIO ESPECTRO DE DISCIPLINAS CIENTÍFICAS QUE SE EXTIENDE DE LAS CIENCIAS BÁSICAS A LA INGENIERÍA OTRAS DENOMINACIONES: TAXONOMÍA ANÁLISIS DE CONGLOMERADOS RECONOCIMIENTO DE PATRONES PROPÓSITO HACER UNA PARTICIÓN DE UN CONJUNTO DE OBJETOS EN CLASES O CATEGORÍAS ÉSTAS SE CONSTRUYEN DE MODO QUE UN OBJETO EN UNA CLASE DADA ES SIMILAR A CUALQUIER OTRO DE SU MISMA CLASE, Y OBJETOS EN DISTINTAS CLASES TIENDEN A SER DIFERENTES.
3 PROPÓSITO CADA OBJETO ES OBSERVADO MEDIANTE UN CONJUNTO DE VARIABLES CUANTITATIVAS QUE REFLEJAN SUS CUALIDADES FUNDAMENTALES. OBSERVACIÓN: CONJUNTO DE VALORES DE ASOCIADO A CADA OBJETO. p VARIABLES CLASIFICAR: AGRUPAR UN CONJUNTO DE n OBSERVACIONES, CUYAS CARACTERÍSTICAS ESTÁN DADAS POR p VARIABLES, BASÁNDOSE EN LAS SEMEJANZAS QUE EXISTAN ENTRE SÍ. METODOLOGÍAS ANÁLISIS ESTADÍSTICO MULTIVARIADO ANÁLISIS CLUSTER ANÁLISIS DISCRIMINANTE CARACTERÍSTICAS NÚCLEO DE LOS PROCESOS CLASIFICATORIOS DESARROLLADO EN LA PRIMERA MITAD DE ESTE SIGLO SE IMPLEMENTAN EFICIENTES ALGORITMOS EN LAS ÚLTIMAS DÉCADAS DEBIDO AL DESARROLLO DEL COMPUTADOR
4 METODOLOGÍAS COMPUTACIÓN EMERGENTE -REDES NEURONALES PERCEPTRÓN MULTICAPA MAPAS AUTO-ORGANIZATIVOS - LÓGICA DIFUSA CARACTERÍSTICAS MUY EFICIENTES ANTE DATA COMPLEJA NO EXIGEN CONOCIMIENTO PREVIO DEL TIPO DE DISTRIBUCIÓN EXTRACTORES DE CARACTERÍSTICAS NECESIDAD COMPLEJIDAD CRECIENTE DE LOS PROBLEMAS DE CLASIFICACIÓN DEBIDO AL AUMENTO DE : NÚMERO n DE OBSERVACIONES DIMENSIÓN p DEL ESPACIO DE VARIABLES
5 OBJETIVO: HALLAR UNA TRANSFORMACIÓN DEL ESPACIO DE DIMENSIÓN p DE LAS VARIABLES ASOCIADAS A CADA OBSERVACIÓN EN UN ESPACIO DE DIMENSIÓN INFERIOR, (ESPACIO DE LAS CARACTERÍSTICAS), QUE RETENGA LO ESENCIAL DE LA INFORMACIÓN NECESARIA PARA EL PROCESO DE CLASIFICACIÓN MÁS PRECISAMENTE: QUE EL PROCESO CLASIFICADOR DE LAS OBSERVACIONES EN EL ESPACIO DE LA TOTALIDAD DE LAS VARIABLES Y EN EL ESPACIO DE LAS CARACTERÍSTICAS CONDUZCA A UNA DIVISIÓN DE LAS OBSERVACIONES EN LAS MISMAS CLASES O CON DIFERENCIAS INSIGNIFICANTES.
6 POR QUÉ EXTRAER CARACTERÍSTICAS REDUCIR LA COMPLEJIDAD COMPUTACIONAL LOS MÉTODOS ESTADÍSTICOS DE ESTIMACIÓN SE VUELVEN MÁS CONFIABLES EN EL ESPACIO DE DIMENSIÓN REDUCIDA PARA PERMITIR UNA VISUALIZACIÓN GRÁFICA DE LAS CLASES (DIMENSIÓN A LO SUMO 3) EXTRACTORES BÁSICOS ANÁLISIS DE COMPONENTES PRINCIPALES ESCALAMIENTO MULTIDIMENSIONAL MAPAS AUTOORGANIZATIVOS REDES NEURONALES
7 DIVISIÓN FUNDAMENTAL DE LOS MÉTODOS DE CLASIFICACIÓN CLASIFICACIÓN SUPERVISADA SE CONOCE LA CLASE A LA CUAL PERTENECE CADA PATRÓN DE LA MUESTRA BASE LA MUESTRA ES NO CONTROLADA, NO EXISTE UNA CLASIFICACIÓN PREVIA DE LAS OBSERVACIONES DEFINICIÓN: AGRUPAR UN CONJUNTO DE n OBJETOS, DEFINIDOS POR p VARIABLES, EN c CLASES, DONDE EN CADA CLASE LOS ELEMENTOS POSEAN CARACTERÍSTICAS AFINES Y SEAN MÁS SIMILARES ENTRE SÍ QUE RESPECTO A ELEMENTOS PERTENE- CIENTES A OTRAS CLASES
8 PROPÓSITOS GRAFICAR GRUPOS AFINES, COMO ES EL CASO DE LOS DENDROGRAMAS DE LAS TAXONOMÍAS. CLASIFICAR, SIMPLEMENTE, INFORMACIÓN ABUNDANTE Y COMPLEJA HALLAR EL NÚMERO C DE CLASES ADECUADO ENCONTRAR SUBCLASES DENTRO DE CLASES NATURALES INTERPRETAR LOS PATRONES ANALIZANDO LAS CAUSAS INTRÍNSECAS DE LA FORMACIÓN DE LOS MISMOS OBJETIVOS DUALES EN LA OBTENCIÓN DE UNA CLASIFICACIÓN ÓPTIMA MINIMIZAR LAS DESVIACIONES ENTRE LAS OBSERVACIONES QUE PERTENECEN AL MISMO GRUPO MAXIMIZAR LAS DISTANCIAS ENTRE LOS CENTROS DE LOS GRUPOS
9 DISPERSIÓN DE UNA CLASE DEFINICIÓN: SE LLAMARÁ S WJ, DISPERSIÓN EN LA CLASE J, A LA SUMA DE LAS DISTANCIAS AL CUADRADO DE CADA OBSERVACIÓN X i AL CENTRO m j DE LA CLASE (J) QUE LA CONTIENE S Wj = Nj i= 1 X i m j 2 m j CRITERIO DE OPTIMIZACIÓN MINIMIZAR LA SUMA DE LAS DISPERSIONES DE LAS CLASES: min C P W = S Wj j= 1
10 DISPERSIÓN TOTAL: ST = N i= 1 X i m 2 INDICADOR, R 2 R 2 = 1 Pw ST MIDE LA BONDAD DE LA CLASIFICACIÓN m 0 R 2 1 CUÁNTAS PARTICIONES SON POSIBLES? EL NÚMERO DE PARTICIONES DE UN CONJUNTO DE n ELEMENTOS EN c CLASES ESTÁ DADO POR LOS NÚMEROS DE STIRLING DE SEGUNDA CLASE : POR EJEMPLO: N C PARTICIONES ES IMPRACTICO HALLAR EL ÓPTIMO CALCULANDO EXHAUSTIVAMENTE EL VALOR DE Pw PARA CADA PARTICIÓN
11 MÉTODOS DE CLASIFICACIÓN NO SUPERVISADA ANÁLISIS DE CONGLOMERADOS DIRECTOS JERÁRQUICOS MAPAS AUTO-ORGANIZATIVOS MÉTODOS DIRECTOS CARACTERÍSTICAS: CALCULAN LAS DISTANCIAS DE LAS OBSERVACIONES A POSIBLES CENTROS DE LAS CLASES, PARA LUEGO MODIFICAR ESTOS ÚLTIMOS SIGUIENDO EL CRITERIO DE OPTIMIZACIÓN NO HACEN USO DE LAS DISTANCIAS ENTRE LOS ELEMENTOS EL NÚMERO DE CLASES SE FIJA DE ANTEMANO PRINCIPALMENTE USADO CUANDO N ES GRANDE (N >5000, POR EJEMPLO)
12 ALGORITMO ITERATIVO DE EVOLUCIÓN DE LOS CENTROS (K-MEANS) ETAPAS: UBICACIÓN DE LOS CENTROS INICIALES DE LAS CLASES ASIGNACIÓN DE LAS OBSERVACIONES A LA CLASE MÁS CERCANA DETERMINACIÓN DE LOS NUEVOS CENTROS DE LAS CLASES VERIFICAR SI SE CUMPLE ALGUNO DE LOS CRITERIOS DE FINALIZACIÓN DEL ALGORITMO DETERMINACIÓN DEL NÚMERO DE CLASES CENTROS FINALES
13 DETERMINACIÓN DEL NÚMERO ÓPTIMO DE CLASES R 2 NO SE OBTIENE UN BENEFICIO SIGNIFICATIVO POR DESGLOSAR EN MAS DE 4 CLASES ÓPTIMO MÉTODOS JERÁRQUICOS PROPÓSITO: DADO UN CONJUNTO INICIAL DONDE CADA ELEMENTO ES UNA CLASE, CREAR UN ARBOL JERÁRQUICO AGRUPANDO EN CADA ETAPA LAS DOS CLASES UBICADAS A MÍNIMA DISTANCIA, ÉSTA INDICA LA ALTURA SOBRE EL ÁRBOL A B C D E ALTURA
14 CARACTERÍSTICAS CLASIFICAN A PARTIR DE LA MATRIZ DE DISTANCIA ENTRE LAS OBSERVACIONES NO SE FIJA EL NÚMERO DE CLASES SE DETERMINA EL NÚMERO ÓPTIMO DE CLASES A PARTIR DEL ÁRBOL JERÁRQUICO APROPIADOS SÓLO SI EL TAMAÑO DEL CONJUNTO ES PEQUEÑO, EN CUYO CASO SON MÁS EFICICIENTES QUE LOS MÉTODOS DIRECTOS DISTANCIAS A DISTINGUIR ENTRE ELEMENTOS 4 EUCLÍDEA 4 ESTANDAR 4 MAHALANOBIS ENTRE CLASES 4 DISTANCIA MÍNIMA 4 DISTANCIA PROMEDIO PONDERADO 4 DISTANCIA PROTOTIPO (CENTROIDE) 4 MÍNIMA VARIANZA
15 DISTANCIA DE VUELOS ENTRE CIUDADES MAPAS AUTOORGANIZATIVOS PROPÓSITO: CREAR UN MAPA DE KOHONEN DE LA DATA ORIGINAL DE MODO QUE ÉSTA SE ESTRUCTURE EN LAS NEURONAS DEL MAPA EN CADA NEURONA SE AGRUPAN ELEMENTOS PRÓXIMOS QUE PUEDEN CONFORMAR UNA CLASE EL REPRESENTANTE DE LA NEURONA EN EL ESPACIO ORIGINAL ES EL CENTRO DE LA CLASE
16 CARACTERÍSTICAS DEL MAPA TAMAÑO REDUCIDO SE VISUALIZAN LAS CLASES Y SU PROXIMIDAD EL NÚMERO DE CLASES SUELE SER INFERIOR AL TAMAÑO DEL MAPA YA QUE EXISTEN NEURONAS QUE NO SON GANADORAS PARA NINGÚN ELEMENTO DE LA DATA PUEDEN DETECTARSE OBSERVACIONES AISLADAS (OUTLIERS) PUEDE MODIFICARSE EL TAMANO DEL MAPA PARA REDUCIR EL NÚMERO DE CLASES COMO CLASIFICAR CON UN MAPA DE KOHONEN OBSERVACIÓN AISLADA
17 CLASIFICACIÓN MEDIANTE EL MAPA DE Ultsch DETECTE LAS CLASES, OBSERVANDO QUE LAS ZONAS OSCURAS REPRESENTAN GRANDES DISTANCIAS ENTRE NEURONAS
CLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA N. QUEIPO, S. PINTOS COPYRIGHT 2005 FUNDAMENTOS DE DATA MINING Y SUS APLICACIONES
DEFINICIÓN: AGRUPAR UN CONJUNTO DE n OBJETOS, DEFINIDOS POR p VARIABLES, EN c CLASES, DONDE EN CADA CLASE LOS ELEMENTOS POSEAN CARACTERÍSTICAS AFINES Y SEAN MÁS SIMILARES ENTRE SÍ QUE RESPECTO AELEMENTOS
Más detallesRedes de Kohonen y la Determinación Genética de las Clases
Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados
Más detallesFundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es
Más detallesANALISIS MULTIVARIANTE
ANALISIS MULTIVARIANTE Es un conjunto de técnicas que se utilizan cuando se trabaja sobre colecciones de datos en las cuáles hay muchas variables implicadas. Los principales problemas, en este contexto,
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 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 detallesCASO 3-5 EUROPEAN ALCOHOL RESEARCH FOUNDATION
CASO 3-5 EUROPEAN ALCOHOL RESEARCH FOUNDATION INTRODUCCIÓN Este caso describe el enfoque de caracterizaciones interculturales de consumidores (Cross Cultural Consumer Characterizations; 4C) de Young &
Más detallesCLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)
CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE
Más detallesMinería de Datos Web. 1 er Cuatrimestre 2015. Página Web. Prof. Dra. Daniela Godoy. http://www.exa.unicen.edu.ar/catedras/ageinweb/
Minería de Datos Web 1 er Cuatrimestre 2015 Página Web http://www.exa.unicen.edu.ar/catedras/ageinweb/ Prof. Dra. Daniela Godoy ISISTAN Research Institute UNICEN University Tandil, Bs. As., Argentina http://www.exa.unicen.edu.ar/~dgodoy
Más detallesAnálisis e Interpretación de Datos Unidad XI. Prof. Yanilda Rodríguez MSN Prof. Madeline Fonseca MSN Prof. Reina del C.Rivera MSN
Análisis e Interpretación de Datos Unidad XI Prof. Yanilda Rodríguez MSN Prof. Madeline Fonseca MSN Prof. Reina del C.Rivera MSN Competencias de Aprendizaje Al finalizar la actividad los estudiantes serán
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 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 detallesHERRAMIENTAS DE LA CALIDAD
HERRAMIENTAS DE LA CALIDAD Ayudan en la medición, análisis e implementación de mejoramientos. Para mejorar Las principales herramientas de la calidad se agrupan en dos categorías: las siete herramientas
Más detallesMetodología. del ajuste estacional. Tablero de Indicadores Económicos
Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,
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 detallesSistema Inteligente de Exploración
Observatorio Municipal de Estadística Sistema Inteligente de Exploración Capítulos 1. Consideraciones iniciales y requerimientos... 2 2. Navegación... 3 3. Consulta de indicadores... 5 3.1. Elaboración
Más detallesMINERIA DE DATOS Y Descubrimiento del Conocimiento
MINERIA DE DATOS Y Descubrimiento del Conocimiento UNA APLICACIÓN EN DATOS AGROPECUARIOS INTA EEA Corrientes Maximiliano Silva La información Herramienta estratégica para el desarrollo de: Sociedad de
Más detallesAnálisis Estadístico de Datos Climáticos
Análisis Estadístico de Datos Climáticos Análisis de agrupamiento (o clusters) (Wilks, Cap. 14) Facultad de Ciencias Facultad de Ingeniería 2013 Objetivo Idear una clasificación o esquema de agrupación
Más detallesMineria de datos y su aplicación en web mining data Redes de computadores I ELO 322
Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción
Más detallesPRESENTACIÓN DE LOS MÉTODOS DE CLASIFICACIÓN. Eduardo CRIVISQUI
PRESENTACIÓN DE LOS MÉTODOS DE CLASIFICACIÓN Eduardo CRIVISQUI ADVERTENCIA SÓLO EL CONOCIMIENTO DE LAS PROPIEDADES LÓGICAS DE LOS MÉTODOS ESTADÍSTICOS PERMITE EVITAR EL EMPLEO «A CIEGAS» DE LOS MISMOS.
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 detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detallesCapítulo 12: Indexación y asociación
Capítulo 12: Indexación y asociación Conceptos básicos Índices ordenados Archivos de índice de árbol B+ Archivos de índice de árbol B Asociación estática Asociación dinámica Comparación entre indexación
Más detallesData Mining Técnicas y herramientas
Data Mining Técnicas y herramientas Introducción POR QUÉ? Empresas necesitan aprender de sus datos para crear una relación one-toone con sus clientes. Recogen datos de todos lo procesos. Datos recogidos
Más detallesEL ANÁLISIS DE CONGLOMERADOS EN LOS ESTUDIOS DE MERCADO
EL ANÁLISIS DE CONGLOMERADOS EN LOS ESTUDIOS DE MERCADO I. INTRODUCCIÓN Beatriz Meneses A. de Sesma * En los estudios de mercado intervienen muchas variables que son importantes para el cliente, sin embargo,
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 detallesERP GESTION LOGÍSTICA
ERP GESTION LOGÍSTICA o Introducción El objetivo de este módulo reside en dar soporte informático al control de sus existencias para poder responder en cualquier momento a la cuestión Qué cantidad y cuánto
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 detallesPortafolio de Servicios y Productos
Portafolio de Servicios y Productos Introducción Somos una empresa que se dedica a generar ventajas competitivas para nuestros clientes a través de desarrollos y consultoría en inteligencia de negocios
Más detallesTema 7. Introducción al reconocimiento de objetos
Tema 7. Introducción al reconocimiento de objetos En resumen, un sistema de reconocimiento de patrones completo consiste en: Un sensor que recoge las observaciones a clasificar. Un sistema de extracción
Más detalles2.1 INFORMACION BASICA Y PRINCIPALES DEFINICIONES.
2 - PROPIEDAD COMÚN. 2.1 INFORMACION BASICA Y PRINCIPALES DEFINICIONES. En esta oportunidad se adelanta información correspondiente a una nueva serie con las variables de interés en las Compraventas de
Más detallesMÁQUINA DE VECTORES DE SOPORTE
MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas
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 detallesANÁLISIS DESCRIPTIVO CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística ANÁLISIS DESCRIPTIVO CON SPSS 1.- INTRODUCCIÓN Existen dos procedimientos básicos que permiten describir las propiedades de las distribuciones:
Más detallesMÓDULO III SEIS SIGMA ESTRATEGIA PARA LA MEJORA DE PROYECTOS
MÓDULO III SEIS SIGMA ESTRATEGIA PARA LA MEJORA DE PROYECTOS 1 ÍNDICE DEFINIR. 3 MEDIR.... 4 ANALIZAR..... 5 MEJORAR. 6 CONTROLAR... 7 GLOSARIO... 8 MAPA CONCEPTUAL. 10 2 DEFINIR: Iniciación del proyecto.
Más detallesMEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL
MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación
Más detallesEmpresa o Entidad C.A Electricidad de Valencia. Autores del Trabajo Nombre País e-mail Jimmy Martínez Venezuela jmartinez@eleval.
Título Estudio Estadístico de Base de Datos Comercial de una Empresa Distribuidora de Energía Eléctrica. Nº de Registro 231 Empresa o Entidad C.A Electricidad de Valencia Autores del Trabajo Nombre País
Más detallesAnálisis sistemático de costos en el sistema de salud privado Informe Resultados Primer Trimestre 2008 09. Facultad de Economía y Negocios
Análisis sistemático de costos en el sistema de salud privado Informe Resultados Primer Trimestre 2008 09 Facultad de Economía y Negocios INDICE Antecedentes Determinantes Prima del Seguro Resultados Conclusiones
Más detallesEstructuras de Control - Diagrama de Flujo
RESOLUCIÓN DE PROBLEMAS Y ALGORITMOS Ingeniería en Computación Ingeniería en Informática UNIVERSIDAD NACIONAL DE SAN LUIS DEPARTAMENTO DE INFORMÁTICA AÑO 2015 Índice 1. Programación estructurada 2 1.1.
Más detalles3. GESTIÓN DE CONFIGURACIÓN DE SOFTWARE
3. GESTIÓN DE CONFIGURACIÓN DE SOFTWARE Software Configuration Management (SCM) es una disciplina de la Ingeniería de Software que se preocupa de [Ber92] [Ber84] [Bou98] [Mik97]: Identificar y documentar
Más detallesEstadística con Excel Informática 4º ESO ESTADÍSTICA CON EXCEL
1. Introducción ESTADÍSTICA CO EXCEL La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
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 detallesUNIVERSIDAD TECNICA DE MANABI Facultad de Ciencias Informáticas Ingeniería en sistemas. SEGURIDAD INFORMATICA Tema:
UNIVERSIDAD TECNICA DE MANABI Facultad de Ciencias Informáticas Ingeniería en sistemas SEGURIDAD INFORMATICA Tema: CATEGORÍAS DE BENEFICIOS DE ESTANDARES Y PROCEDIMIENTOS Integrantes Doris María Mera Mero
Más detalles1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2.
1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. GENERALIDADES SOBRE LAS TÉCNICAS DE INVESTIGACIÓN SOCIAL Y DE MERCADOS
Más detallesUNIVERSIDAD MINUTO DE DIOS PROGRAMA CONTADURÍA PÚBLICA
UNIVERSIDAD MINUTO DE DIOS PROGRAMA CONTADURÍA PÚBLICA COSTOS II Guía No. 1.- Conceptos Básicos OBJETIVO 1. Asimilar conceptos fundamentales de costos I. CONCEPTOS BASICOS DE COSTOS 1. CONTABILIDAD DE
Más detallesESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos
Descargado desde www.medwave.cl el 13 Junio 2011 por iriabeth villanueva Medwave. Año XI, No. 2, Febrero 2011. ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos Autor:
Más detallesMaterial del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez
Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos
Más detallesPontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas. Datamining Técnicas
Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Datamining Técnicas Yerko Halat 4 de Octubre del 2001 1 Concepto: Lógica Difusa Cliente
Más detallesLa nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network)
La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) III Jornadas de Usuarios de R Javier Alfonso Cendón, Manuel Castejón Limas, Joaquín Ordieres Mere, Camino Fernández Llamas Índice
Más detallesSISTEMAS DE INFORMACIÓN I TEORÍA
CONTENIDO: CICLO DE VIDA DE DESARROLLO DE SI FASES GENÉRICAS DEL CICLO DE VIDA DE DESARROLLO DE SI VISIÓN TRADICIONAL DEL CICLO DE VIDA DE DESARROLLO DE SI DE DESARROLLO DE SI: ANÁLISIS Material diseñado
Más detallesSeis Sigma. Nueva filosofía Administrativa.
Seis Sigma. Nueva filosofía Administrativa. GIN. Filosofía de Calidad. El Seis Sigma es un parámetro cuya base principal es la desviación estándar y su enfoque es reducir la variación y/o defectos en lo
Más detallesSistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides
Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Introducción La visión artificial, también conocida como visión por computador
Más detallesAnálisis multivariable
Análisis multivariable Las diferentes técnicas de análisis multivariante cabe agruparlas en tres categorías: «Análisis de dependencia» tratan de explicar la variable considerada independiente a través
Más detallesClase 2: Estadística
Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea
Más detallesCapítulo 8. Tipos de interés reales. 8.1. Introducción
Capítulo 8 Tipos de interés reales 8.1. Introducción A lo largo de los capítulos 5 y 7 se ha analizado el tipo de interés en términos nominales para distintos vencimientos, aunque se ha desarrollado más
Más detallesINGENIERÍA DEL SOFTWARE
INGENIERÍA DEL SOFTWARE Sesión No. 2 Nombre: Procesos de ingeniería del software INGENIERÍA DEL SOFTWARE 1 Contextualización La ingeniería de software actualmente es muy importante, pues con los avances
Más detallesIntroducción al Data Mining Clases 5. Cluster Analysis. Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina
Introducción al Data Mining Clases 5 Cluster Analysis Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina Cluster Análisis 1 El término cluster analysis (usado por primera
Más detallesDIAGRAMA DE GANTT. Este gráfico consiste simplemente en un sistema de coordenadas en que se indica:
INTRODUCCION DIAGRAMA DE GANTT Diagrama de Gantt: Los cronogramas de barras o gráficos de Gantt fueron concebidos por el ingeniero norteamericano Henry L. Gantt, uno de los precursores de la ingeniería
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 detallesTEMA 7: Análisis de la Capacidad del Proceso
TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad
Más detallesDarío Álvarez Néstor Lemo www.autonomo.edu.uy
Data Mining para Optimización de Distribución de Combustibles Darío Álvarez Néstor Lemo Agenda Qué es DODC? Definición de Data Mining El ciclo virtuoso de Data Mining Metodología de Data Mining Tareas
Más detallesCurso: Arquitectura Empresarial basado en TOGAF
Metodología para desarrollo de Arquitecturas (ADM) El ADM TOGAF es el resultado de las contribuciones continuas de un gran número de practicantes de arquitectura. Este describe un método para el desarrollo
Más detallesUniversidad acional Experimental Del Táchira Decanato de Docencia Departamento de Ingeniería en Informática
Universidad acional Experimental Del Táchira Decanato de Docencia Departamento de Ingeniería en Informática Metodología Evolutiva Incremental Mediante Prototipo y Técnicas Orientada a Objeto (MEI/P-OO)
Más detalles3. Clasificación no supervisada
3. El presente capítulo y el siguiente tratan de clasificación, es por ello que antes de abordar el tema específico de este capítulo, previamente se hará una introducción al tema de clasificación. 3.1
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 detallesInteligencia de Negocio
UNIVERSIDAD DE GRANADA E.T.S. de Ingenierías Informática y de Telecomunicación Departamento de Ciencias de la Computación e Inteligencia Artificial Inteligencia de Negocio Guión de Prácticas Práctica 1:
Más detallesParte I: Introducción
Parte I: Introducción Introducción al Data Mining: su Aplicación a la Empresa Cursada 2007 POR QUÉ? Las empresas de todos los tamaños necesitan aprender de sus datos para crear una relación one-to-one
Más detallesClase 2: Estadística
Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea
Más detallesINDICADORES PRESENTADO POR: LUIS DARÍO TÉLLEZ RAMÍREZ
PRESENTADO POR: LUIS DARÍO TÉLLEZ RAMÍREZ CONTENIDO GENERALIDADES DE LA MEDICIÓN CLASIFICACIÓN DE FORMULACIÓN O AJUSTE DE GENERALIDADES DE LA MEDICIÓN EN EL SECTOR PÚBLICO La medición consiste en revisar
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 detallesCAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de
CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de inventarios para lograr un control de los productos.
Más detallesParte 7: Análisis de los datos
Metodología de la investigación Curso 2008 Parte 7: Análisis de los datos Los ejemplos han sido tomados en su mayoría de la bibliografía recomendada para el curso Análisis de los datos El análisis de datos
Más detallesGestión de la Configuración
Gestión de la ÍNDICE DESCRIPCIÓN Y OBJETIVOS... 1 ESTUDIO DE VIABILIDAD DEL SISTEMA... 2 ACTIVIDAD EVS-GC 1: DEFINICIÓN DE LOS REQUISITOS DE GESTIÓN DE CONFIGURACIÓN... 2 Tarea EVS-GC 1.1: Definición de
Más detallesortosky, una única plataforma para la integración de diferentes formatos y la obtención de un producto mejorado JIDEE BARCELONA Noviembre 2011
1 ortosky, una única plataforma para la integración de diferentes formatos y la obtención de un producto mejorado JIDEE BARCELONA Noviembre 2011 2 Introducción SRM es una empresa de servicios creada en
Más detallesModelos de Ciclo de Vida de Desarrollo de Software en el Contexto de la Industria Colombiana de Software
Modelos de Ciclo de Vida de Desarrollo de Software en el Contexto de la Industria Colombiana de Software Hugo F. Arboleda Jiménez. MSc. Docente-Investigador, Facultad de Ingenierías, Universidad de San
Más detallesMétodos de la Minería de Datos
This is page i Printer: Opaue this Métodos de la Minería de Datos Dr. Oldemar Rodríguez Rojas de noviembre de 2005 ii Contents This is page iii Printer: Opaue this iv This is page v Printer: Opaue this
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 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 detallesTema 5. Variables aleatorias discretas
Tema 5. Variables aleatorias discretas Resumen del tema 5.1. Definición de variable aleatoria discreta 5.1.1. Variables aleatorias Una variable aleatoria es una función que asigna un número a cada suceso
Más detallesUnidad II. - Las técnicas en las que se basó, las categorías de análisis o ejes centrales que permiten guiar el proceso de investigación.
Unidad II Metodología de Solución de Problemas 2.1 Descripción del problema (enunciado). Este aspecto nos indica describir de manera objetiva la realidad del problema que se esta investigando. En la descripción
Más detallesUNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION
UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO
Más detallesOBJETIVOS DE EVALUACIÓN
OBJETIVOS DE EVALUACIÓN Una vez determinado el objeto de evaluación procede considerar el enfoque metodológico más adecuado, en función de las características de propio objeto y de los fines de la evaluación.
Más detalles6.3.4. 4 Etapa : Caracterización de la partición P 4 de los n individuos de la tabla T(22, 3)
6.3.4. 4 Etapa : Caracterización de la partición P 4 de los n individuos de la tabla T(22, 3) - Resultados y conclusiones Las tres variables contribuyen significativamente a caracterizar las clases de
Más detallesCapítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.
Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. 2.1 Revisión sistema reconocimiento caracteres [9]: Un sistema de reconocimiento típicamente esta conformado por
Más detallesGestión de Oportunidades
Gestión de Oportunidades Bizagi Suite Gestión de Oportunidades 1 Tabla de Contenido CRM Gestión de Oportunidades de Negocio... 4 Elementos del Proceso... 5 Registrar Oportunidad... 5 Habilitar Alarma y
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 detallesMETODOLOGIAS DE AUDITORIA INFORMATICA
METODOLOGIAS DE AUDITORIA INFORMATICA Auditoria Informatica.- Certifica la integridad de los datos informaticos que usan los auditores financieros para que puedan utilizar los sistemas de información para
Más detallesUnidad III. Planificación del proyecto de software
Planificación del proyecto de software Unidad III 3.1. Aplicación de herramientas para estimación de tiempos y costos de desarrollo de software: GANTT, PERT/CPM, uso de software para la estimación de tiempos
Más detallesColección de Tesis Digitales Universidad de las Américas Puebla. Morales Salcedo, Raúl
1 Colección de Tesis Digitales Universidad de las Américas Puebla Morales Salcedo, Raúl En este último capitulo se hace un recuento de los logros alcanzados durante la elaboración de este proyecto de tesis,
Más detallesLa calidad de los datos ha mejorado, se ha avanzado en la construcción de reglas de integridad.
MINERIA DE DATOS PREPROCESAMIENTO: LIMPIEZA Y TRANSFORMACIÓN El éxito de un proceso de minería de datos depende no sólo de tener todos los datos necesarios (una buena recopilación) sino de que éstos estén
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 detallesClasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco
Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a
Más detallesSAQQARA. Correlación avanzada y seguridad colaborativa_
SAQQARA Correlación avanzada y seguridad colaborativa_ Tiene su seguridad 100% garantizada con su SIEM?_ Los SIEMs nos ayudan, pero su dependencia de los eventos y tecnologías, su reducida flexibilidad
Más detallesDiseños de Investigación 40 conceptos que debes conocer
Diseños de Investigación 40 conceptos que debes conocer 1. El método científico: Se puede realizar desde dos enfoques distintos, hipotético deductivo y analítico inductivo. Con frecuencia los dos ocurren
Más detallesLa inteligencia de marketing que desarrolla el conocimiento
La inteligencia de marketing que desarrolla el conocimiento SmartFocus facilita a los equipos de marketing y ventas la captación de consumidores con un enfoque muy relevante y centrado en el cliente. Ofrece
Más detallesParte II DISEÑO METODOLÓGICO DE LA INVESTIGACIÓN. Tema 5 TÉCNICAS CUANTITATIVAS DE RECOGIDA DE INFORMACIÓN
Parte II DISEÑO METODOLÓGICO DE LA INVESTIGACIÓN Tema 5 TÉCNICAS CUANTITATIVAS DE RECOGIDA DE INFORMACIÓN Tema 5. TÉCNICAS CUANTITATIVAS DE RECOGIDA DE INFORMACIÓN 5.1. La encuesta: naturaleza y tipología
Más detallesControl Estadístico de Procesos
Control Estadístico de Procesos Gráficos de Control Los gráficos de control o cartas de control son una importante herramienta utilizada en control de calidad de procesos. Básicamente, una Carta de Control
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 detallesTransUnion República Dominicana. Preguntas frecuentes sobre los modelos de score de TransUnion
TransUnion República Dominicana Preguntas frecuentes sobre los modelos de score de TransUnion Los modelos de score de TransUnion El siguiente es un resumen para ayudarle a entender mejor cómo se puede
Más detallesEvaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial
Universidad del Cauca Facultad de Ingeniería Electrónica y Telecomunicaciones Programas de Maestría y Doctorado en Ingeniería Telemática Seminario de Investigación Evaluación, limpieza y construcción de
Más detalles