Práctica Final INTELIGENCIA EN REDES DE COMUNICACIONES
|
|
- Vicente Maldonado Nieto
- hace 6 años
- Vistas:
Transcripción
1 Práctica Final INTELIGENCIA EN REDES DE COMUNICACIONES Minería de Datos: Predicción de las condiciones meteorológicas Carlos Blanco González Fernando García Diez Grupo 91 5º curso Ing. telecomunicación
2 1. Introducción El objetivo de esta práctica es obtener un sistema de predicción meteorológica para la ciudad de Madrid, para lo cual se van a usar técnicas de minería de datos sobre un conjunto extenso de datos extraídos durante aproximadamente 8 años en el aeropuerto de Barajas. La minería de datos nos proporciona toda una serie de técnicas para la selección, procesado, clasificación, evaluación e interpretación de la información, para poder conseguir que, dado un gran volumen de datos se consiga extraer un conocimiento y así poder predecir futuros comportamientos o acciones. Mediante las diferentes etapas en que podríamos dividir el proceso de minería de datos (preprocesado, selección de características, extracción de conocimiento, interpretación y evaluación) conseguimos pasar de una secuencia de datos a un modelo de conocimiento. Para alcanzar este modelo de conocimiento vamos a usar la herramienta WEKA, en la que podemos realizar las diferentes etapas anteriormente citadas. En WEKA podemos distinguir entre técnicas descriptivas y predictivas. Con las técnicas descriptivas tenemos la capacidad de saber que variables de los datos son más valiosas y así poder seleccionarlas para que a la hora de aplicar las técnicas predictivas obtener
3 resultados mejores. Además tenemos herramientas para filtrar la información según nosotros queramos, al igual que técnicas de visualización de los datos y de las relaciones que existen entre ellos. Las técnicas predictivas consisten en una serie de algoritmos que buscan relaciones entre los datos para estimar una determinada variable, y se evalúan con unos determinados datos que se le pasan como test. Los algoritmos que nosotros vamos a usar son: Decisión Table: Una tabla de decisión es una manera conveniente de organizar información de una manera sistemática. Están orientadas a la resolución de una sola meta. Las alternativas son listadas con su suposición de contribución en manera de tabla y según esto se decide. REPTree: Funcionamiento en dos fases (datos de aprendizaje y datos de poda). Primero se crea un conjunto de reglas que se sobreajusta a los datos usados para el aprendizaje, después se poda el conjunto de reglas usando ejemplares que no participaron en el aprendizaje. SMOreg: Implementa el algoritmo de optimización de secuencia mínima desarrollado por John C. Esta implementación sustituye todos los valores que faltan y transforma atributos nominales en otros binarios. También normaliza todos los atributos por defecto (los coeficientes a la salida están basados en los datos normalizados, no en los originales). Kstar: Es un clasificador basado en las variables, lo que quiere decir que la clasificación de una variable está basada en variables de entrenamiento similares, determinadas por alguna función de similitud. Se diferencia de otros aprendizajes basados en lo mismo en que usa una función de distancia basada en entropía. Linear Regression: Implementa una regresión lineal a partir de un muestreo de datos aleatorio. La regresión ajustada con el error cuadrático medio más bajo se elige como el modelo final.
4 2. Preprocesado La parte más importante de esta práctica consiste en el preprocesado de los datos. Disponemos de un conjunto de datos muy grande entre los cuales hay incluidos valores atípicos que deben ser eliminados y otros valores que no nos interesan o que el programa Weka no es capaz de entender. Los archivos de partida se encuentran en formato METAR. Existe un archivo para cada uno de los días, que contiene una línea de texto para cada medición meteorológica. Estas líneas tienen la siguiente forma: 5:00 AM,32.0,30.2,93,30.30,7.0,Calm,Calm,-,N/A,,Parcialmente Nublado Donde se indican separados por comas los siguientes atributos en este orden: Hora, Temperatura (ºF), Nivel de Rocío (ºF), Humedad, Presión, Visibilidad (mph), dirección del viento, Velocidad del viento (mph), velocidad de ráfaga (mph), Precipitación, Hechos y Condiciones. Sin embargo, los archivos que entiende Weka deben estar en formato arff (Attribute-Relation File Format), el fichero tendrá una cabecera donde se indica qué atributos lleva cada línea y de que tipo son (numérico o de clases fundamentalmente, en cuyo caso se indican los posibles valores que puede tomar el atributo), y a continuación aparecerán los datos en sí, con una línea para cada medida con los atributos separados por comas y signos de interrogación? para los datos que no se conozcan. Para pasar de un formato de fichero a otro se han implementado varios programas java que, para empezar, juntan todos los archivos de las distintas fechas en uno sólo, añadiendo al principio de cada línea tres nuevos atributos que son la fecha, mes y año, que originalmente aparecían en el nombre del fichero, y cambiando el formato de los saltos de línea. A continuación se sustituyen por signos de interrogación muchos datos inválidos o no existentes, como N/A, -, o simplemente un atributo vacío. También hacía falta redondear las horas para que las medidas estuvieran separadas cada media hora, pasando la medida de, por ejemplo las 12:02 a las 12:00 para que no se tome como un número distinto.
5 Sin embargo, llegados a este punto comenzamos a usar un fichero proporcionado por el profesor en el que ya se habían modificado las horas para que fueran un número de 0 a 48 y se habían añadido muestras con todos los datos? para las horas que no tenían medidas. Comenzamos pues a modificar este fichero, reemplazando todos los N/A, -, y atributos vacíos por interrogaciones. Al intentar definir en el fichero arff los distintos valores que podían tomar las variables no numéricas encontramos valores aislados tanto en el campo de hechos como en el de condiciones, valores que se daban muy pocas veces y que por tanto no eran representativos, como nubes de polvo o granizo, que se dan una o dos veces en todo el fichero. En este caso hemos optado por eliminar ese valor sustituyéndolo por una interrogación, ya que no tenía sentido cargar computacionalmente al algoritmo por un hecho tan aislado. También se ha dado el caso de valores que eran muy similares a otros ya definidos ( Abundantes Lluvias y Lluvias ), y lo que se ha hecho en este caso con ellos es agruparlos con otro tipo de condiciones similares (convertir altamente nublado a nublado, por ejemplo) mediante una sustitución simple en un programa java. Además de los datos que aparecen inicialmente, seguimos modificando el fichero y añadimos al final de cada línea más atributos tomados de líneas posteriores o anteriores: temperatura dentro de 1h y 24h, condiciones meteorológicas dentro de 24 h, temperatura hace 1h, 2h y 24h y condiciones hace 24h. Las 3 primeras las debemos introducir obligatoriamente porque son las variables que indicaremos a Weka que prediga y por tanto debe conocerlas, y las otras 4 se introdujeron porque pensamos que nos podrían dar información extra que considerábamos importante para la predicción. 3. Filtrado Una vez hemos terminado de modificar el fichero a mano y ya está listo para que Weka trabaje con él, lo abrimos y seguimos preprocesando los datos desde dentro de Weka.
6 Lo primero que hacemos es eliminar el atributo precipitación ya que no tiene ninguna muestra y no nos aporta ninguna información, mediante la opción Remove de la pestaña de filtrado en Weka. A continuación nos dedicamos a eliminar las muestras con valores atípicos o erróneos, y para ello nos vamos a la zona de visualización de gráficas de Weka y allí separamos de una manera fácil e intuitiva los datos normales de los claramente erróneos: En esta imagen se puede ver el proceso de separación de los valores correctos (señalados en el rectángulo gris) de los incorrectos, que toman valores mucho mayores y aislados. Durante este proceso se añade algo de ruido a los datos para poder diferenciar un solo dato aislado de varios que coincidan exactamente en el mismo sitio. El único problema que tiene hacer esta selección dentro de Weka es que a la vez que elimina las muestras con datos erróneos también elimina aquellas con datos desconocidos, con lo cual no podemos aplicar este método de selección a variables que tengan muchos valores desconocidos (ráfaga, por ejemplo) ya que perderíamos un número demasiado grande de filas que podrían tener valores interesantes en el resto de atributos. Salvamos los datos ya limpios en otro fichero distinto a partir del cual haremos el resto del trabajo.
7 4. Selección de variables Bajo la pestaña de select attributes de Weka se han realizado varios análisis para ver qué variables eran más determinantes a la hora de predecir una determinada incógnita. Antes se han eliminado mediante filtros las otras dos incógnitas de manera que no nos influyan. Para predecir la temperatura en la siguiente hora diferentes algoritmos nos han dado siempre el mismo resultado: lo más importante es siempre la temperatura en el momento actual, y la mayoría de los algoritmos de evaluación de variables no se fijan en ninguna variable más, aunque en mucha menor medida también hemos comprobado que influyen la dirección viento, la temperatura en la hora anterior y 2h antes. Otra manera de obtener la relevancia de las distintas variables para una predicción es fijándonos en los pesos del algoritmo de regresión lineal. Para ello, en la pestaña Classify de Weka entrenamos un regresor lineal que prediga el valor de la temperatura en la siguiente hora, y observando el valor de los distintos pesos. El resultado obtenido es el siguiente: Linear Regression Model temperatura+1h = * anyo * mes * dia * hora * temperatura * rocio * humedad * visibilidad * dirviento=norte,calm,nne,ne,no,ene,ono,ese,variable,se,este,sur,sso[...] * dirviento=calm,nne,ne,no,ene,ono,ese,variable,se,este,sur,sso[...] * dirviento=nne,ne,no,ene,ono,ese,variable,se,este,sur,sso,sse,so[...] * dirviento=ne,no,ene,ono,ese,variable,se,este,sur,sso,sse,so,oso,[...] * dirviento=no,ene,ono,ese,variable,se,este,sur,sso,sse,so,oso,oeste * dirviento=ene,ono,ese,variable,se,este,sur,sso,sse,so,oso,oeste * dirviento=ono,ese,variable,se,este,sur,sso,sse,so,oso,oeste * dirviento=ese,variable,se,este,sur,sso,sse,so,oso,oeste * dirviento=variable,se,este,sur,sso,sse,so,oso,oeste * dirviento=se,este,sur,sso,sse,so,oso,oeste * dirviento=sur,sso,sse,so,oso,oeste * dirviento=sso,sse,so,oso,oeste * dirviento=sse,so,oso,oeste * dirviento=so,oso,oeste * dirviento=oso,oeste * velviento * rafaga * hechos=lluvia,tormenta,tornado * hechos=tormenta,tornado * hechos=tornado +
8 * condiciones=nublado,despejado,tormenta * condiciones=despejado,tormenta * condiciones=tormenta * temperatura-24h * condiciones-24h=bruma,niebla,lluvia,nublado,despejado,tormenta * condiciones-24h=lluvia,nublado,despejado,tormenta * condiciones-24h=nublado,despejado,tormenta * condiciones-24h=despejado,tormenta * temperatura-2h * temperatura-1h De donde podemos deducir que las variables que más influyen en la temperatura de dentro de 1h son las de mayores pesos, es decir, temperatura actual, dirección del viento, hechos, condiciones, condiciones hace 24h y la temperatura de 2h antes. Para el caso de la temperatura al cabo de 24h, mediante los algoritmos de selección de variables seguimos llegando a la conclusión de que el parámetro más importante es la temperatura actual, mientras que a través de los pesos del regresor lineal observamos lo siguiente: Linear Regression Model temperatura+24h = * mes * dia * hora * temperatura * rocio * humedad * presion * visibilidad * dirviento=norte,calm,nne,ne,ono,no,ese,ene,variable,se,sur,sso,[...] * dirviento=calm,nne,ne,ono,no,ese,ene,variable,se,sur,sso,sse,[...] * dirviento=nne,ne,ono,no,ese,ene,variable,se,sur,sso,sse,este,oso,[...] * dirviento=ono,no,ese,ene,variable,se,sur,sso,sse,este,oso,so,oeste * dirviento=no,ese,ene,variable,se,sur,sso,sse,este,oso,so,oeste * dirviento=ese,ene,variable,se,sur,sso,sse,este,oso,so,oeste * dirviento=ene,variable,se,sur,sso,sse,este,oso,so,oeste * dirviento=variable,se,sur,sso,sse,este,oso,so,oeste * dirviento=se,sur,sso,sse,este,oso,so,oeste * dirviento=este,oso,so,oeste * dirviento=oso,so,oeste * dirviento=so,oeste * dirviento=oeste * velviento * rafaga * hechos=bruma,lluvia,tormenta,tornado * hechos=lluvia,tormenta,tornado * hechos=tormenta,tornado * condiciones=bruma,niebla,lluvia,nublado,despejado,tormenta * condiciones=niebla,lluvia,nublado,despejado,tormenta * condiciones=nublado,despejado,tormenta * condiciones=despejado,tormenta * temperatura-24h * condiciones-24h=bruma,niebla,lluvia,nublado,despejado,tormenta * condiciones-24h=niebla,lluvia,nublado,despejado,tormenta * condiciones-24h=lluvia,nublado,despejado,tormenta * condiciones-24h=nublado,despejado,tormenta +
9 * condiciones-24h=despejado,tormenta * condiciones-24h=tormenta * temperatura-2h * temperatura-1h Vemos que se ha incrementado la importancia de los hechos y condiciones actuales así como de las condiciones en las 24h pasadas y la dirección del viento. La relevancia de la presión ha aumentado mientras que la de la temperatura actual ha disminuido bastante. Sin embargo observamos que el error de este regresor lineal es bastante mayor que el del caso anterior ( % frente a %) por lo cual los resultados son menos fiables. Para el caso de la predicción de condiciones meteorológicas en 24h no se puede usar el regresor lineal ya que sólo funciona para atributos numéricos, pero a cambio los algoritmos de la pestaña select attributes funcionan mucho mejor, obteniendo como resultado que los parámetros de los que más depende son: el mes, la humedad, la presión, las condiciones actuales y las temperaturas: Ranked attributes: presion mes humedad condiciones temperatura-2h temperatura-1h temperatura temperatura-24h dirviento condiciones-24h hora velviento visibilidad rocio anyo dia hechos 0 12 rafaga Sin embargo, al final se ha optado por eliminar el menor número de variables posibles ya que se ha pensado que la predicción sería más precisa cuanta más información se tuviera, de manera que sólo se han eliminado las variables que tienen muy pocas muestras o que son claramente independientes de la variable a predecir según el estudio anterior. De este modo, para la temperatura dentro de 1 h se han eliminado las variables precipitación (eliminada siempre en el preprocesado), año, día, visibilidad y ráfaga, ya que se ha considerado que la temperatura que haga es independiente de qué día del mes sea y del año, así como de la visibilidad que haya, y
10 ráfaga tiene muy pocos valores conocidos además de parecer también bastante independiente. Para el caso de predicción de temperatura a 24h se han eliminado las variables día y ráfaga, la primera por ser independiente el número de día del mes de la temperatura y la segunda por tener pocos datos válidos, tal como en el caso anterior. Por último, para le predicción de las condiciones meteorológicas dentro de 24h se han suprimido las variables de rocío, ráfaga, hechos, visibilidad y día, debido a que son los que peores resultados han obtenido en el estudio realizado anteriormente y por tanto las más independientes de la variable a predecir. 5. Predicción de variables A la hora de predecir el valor de las variables incógnita, lo primero que debemos hacer es eliminar las otras 2 columnas incógnita, de manera que, por ejemplo, para predecir la temperatura en la siguiente hora no se emplee la temperatura dentro de 24 horas, que es la otra variable incógnita. A continuación, y dependiendo de si el algoritmo que vamos a ejecutar tiene mucha carga de memoria o de computación, hacemos un submuestreo de los datos mediante un filtro (Resample) aplicado a todas las variables que nos quedan, quedándonos de manera aleatoria con el 20% o el 5% de las muestras según el algoritmo, con lo cual pretendemos aumentar la velocidad de ejecución de los algoritmos y disminuir el riesgo de que Weka finalice su ejecución inesperadamente debido a problemas de memoria. Bajo la pestaña Classify de Weka será donde realicemos los análisis que nos permitan predecir las variables deseadas mediante diferentes algoritmos. Seleccionamos la opción Percentage split que divide automáticamente los datos en 2 grupos: el de evaluación y el de entrenamiento. Es conveniente hacer esto, ya que si evaluáramos el algoritmo sobre los mismos datos con los que lo hemos entrenado los resultados no estarán siendo realistas, ya que corremos riesgo de sobreentrenar el algoritmo haciéndolo demasiado específico.
11 Temperatura en la próxima hora: Se ha intentado predecir la temperatura en la próxima hora usando los siguientes algoritmos: REPtree, KStar, SMOreg, regresión lineal, y tabla de decisión, cuyo funcionamiento ya se explicó en el apartado de introducción. A continuación se muestran los resultados obtenidos: Algoritmo Relative Absolute Error Root Mean Square Error Decision Table % RepTree % Regresión Lineal % KStar % SMOreg % Podemos ver que el algoritmo que proporciona mejores resultados es el de REPTree, ya que nos da tanto el mínimo error absoluto relativo como el mínimo error cuadrático medio, y además se observa que es el mejor resultado de predicción obtenido para el conjunto de las 3 incógnitas a estimar. Temperatura en las próximas 24h En este caso se han vuelto a aplicar los mismos algoritmos que en el caso anterior, aunque eliminando menos variables a priori ya que al ser un periodo de tiempo más largo la temperatura puede depender en mayor medida de otros factores nuevos. Los errores obtenidos para cada algoritmo son los siguientes: Algoritmo Relative Absolute Error Root Mean Square Error Decision Table % RepTree % Regresión Lineal % KStar % SMOreg % Como se puede ver, en este caso el error obtenido en todos los casos es mayor, ya que es mucho más difícil predecir la temperatura para tiempos más lejanos del actual,
12 y además se ha comprobado que los algoritmos tardan más en ejecutarse que en el caso anterior al estar usando un mayor número de variables. El mejor algoritmo para este caso observamos que es el de tabla de decisión, ya que da menor error absoluto, y aunque el mínimo error cuadrático medio corresponde al algoritmo de REPTree, todos los resultados son bastante similares para los algoritmos evaluados. Condiciones meteorológicas en las próximas 24h En este caso se han usado algoritmos distintos ya que estamos prediciendo un atributo no numérico (de clases) y los métodos por lo tanto serán distintos. Los algoritmos aplicados has sido: Tabla de decisión, J48, SMO, IB1 (K vecinos más próximos) y Reptree, los resultados obtenidos para el error han sido los siguientes: Algoritmo Relative Absolute Error Root Mean Square Error Decision Table % RepTree % IB % J % SMO % Se puede ver que el algoritmo que nos ofrece menor error es el de la tabla de decisión, aunque en general los resultados obtenidos para esta predicción son bastante malos, teniendo un error relativo considerablemente grande. Posiblemente esto se deba a que estamos tratando con un atributo no numérico y por tanto el error cometido al interpretar una condición cuando en realidad es otra no se evalúa del mismo modo que un atributo numérico. ANEXO I: Códigos Java para el preprocesado de datos Concat.java: une los múltiples archivos correspondientes a cada día en uno sólo, cambia el formato de los saltos de línea e introduce la fecha el principio de cada línea:
13 import java.io.*; class concat // cocatena los archivos de cada dia en uno solo y camia el formato de los saltos de linea public static void join(file f1,file f2, int i)throws IOException BufferedReader br=new BufferedReader(new FileReader(f2)); BufferedWriter bw=new BufferedWriter(new FileWriter(f1,true)); String line=br.readline(); String fecha=((f2.getname()).substring(((f2.getname()).length()- 10))).replaceAll("-",","); while(line!=null) if(line.equals("") line.startswith("<!-- "))line=br.readline(); if(line!=null&&line.startswith("hora")&&line.endswith("<br>"))li ne=fecha+","+br.readline(); if(line!=null&&line.endswith("<br>"))line=line.substring(0,line. lastindexof("<br>"))+"\r\n if(line!=null)line=line.replaceall("<br>","\r\n"+fecha+","); bw.write(line); line=br.readline(); bw.flush(); bw.close(); public static void main(string[] args)throws IOException if(args.length!=2)system.out.println("se necesitan dos argumentos: fichero destino y carpeta");return; File file=new File(args[0]); File folder=null; if(args[1].equals("."))folder=new File("");folder=new File(folder.getAbsolutePath()); else folder=new File(args[1]); if(file.exists())system.out.println("el fichero destino ya existe y se va a concatenar..."); File[] files=null; if(folder.isdirectory())files=folder.listfiles(); else System.out.println("segundo argumento no es una carpeta"+folder.getabsolutepath());return; for(int i=0,j=0;i<files.length;i++)if(files[i].isfile()&&!(files[i].getname()).equals(file.getname())&&!(files[i].getname()).equals("concat.java")&&!(files[i].getname()).equals("concat.class"))join(file,files[i],j++); Concat3.java: sustituye los datos desconocidos por interrogaciones, elimina líneas sin datos o con horas no válidas import java.io.*; class concat3 //cambia datos desconocidos por interrogaciones y más. public static void main(string[] args)throws IOException
14 if(args.length!=2) System.out.println("se necesitan dos argumentos: fichero origen y destino"); return; File f2=new File(args[0]); File f1=new File(args[1]); BufferedReader br=new BufferedReader(new FileReader(f2)); BufferedWriter bw=new BufferedWriter(new FileWriter(f1,true)); String line=br.readline(); while(line!=null) line=line+"\r\n"; if((line.charat(line.indexof(':')+2)!='0') ((line.charat(line.i ndexof(':')+1)!='0')&&(line.charat(line.indexof(':')+1)!='3')))line=br.readline()+"\r\n"; if(line.indexof(",,,,,")!=- 1)line=br.readLine()+"\r\n"; line=line.replaceall("n/a","?"); line=line.replaceall(" ","?"); line=line.replaceall("-9999","?"); line=line.replaceall("-","?"); if(line.endswith(','))line=line+"?"; if((line.indexof(',')!=- 1)&&(line.charAt(line.lastIndexOf(',')- 1)==','))line=line.substring(0,line.lastIndexOf(',')).concat("?").conc at(line.substring(line.lastindexof(','))); bw.write(line); line=br.readline(); bw.flush(); bw.close(); Concat4.java: añade las variables incógnita: temperatura en la siguiente hora, en las siguientes 24h y las condiciones en las próximas 24h. import java.io.*; class concat4 //añade las variables incognita: temp+1, temp+24 y cond+24 public static void main(string[] args)throws IOException if(args.length!=2) System.out.println("se necesitan dos argumentos: fichero origen y destino"); return; File f2=new File(args[0]); File f1=new File(args[1]); BufferedReader br=new BufferedReader(new FileReader(f2)); BufferedWriter bw=new BufferedWriter(new FileWriter(f1,true));
15 String line[]; line=new String[49]; line[0]=br.readline(); bw.write(line[0]+"\r\n"); line[0]=br.readline(); bw.write(line[0]+"\r\n"); for(int i=0;i<49;i++)line[i]=br.readline(); while(line[48]!=null) if(line[2].charat(12)==',') if(line[2].charat(13)=='?') line[0]=line[0].concat(",?"); else line[0]=line[0].concat(",").concat(line[2].substring(13,line[2]. indexof(',',14))); else if(line[2].charat(14)=='?') line[0]=line[0].concat(",?"); else line[0]=line[0].concat(",").concat(line[2].substring(14,line[2]. indexof(',',15))); if(line[48].charat(12)==',') if(line[48].charat(13)=='?') line[0]=line[0].concat(",?"); else line[0]=line[0].concat(",").concat(line[48].substring(13,line[48 ].indexof(',',14))); else if(line[48].charat(14)=='?') line[0]=line[0].concat(",?"); else line[0]=line[0].concat(",").concat(line[48].substring(14,line[48 ].indexof(',',15))); line[0]=line[0].concat(line[48].substring(line[48].lastindexof(","))); bw.write(line[0]+"\r\n"); for(int i=0;i<48;i++)line[i]=line[i+1]; line[48]=br.readline(); bw.flush(); bw.close();
16 Concat7.java: añade las variables extra de temperatura hace 1, 2 y 24h, y condiciones hace 24h. import java.io.*; class concat7 //añade las 4 variables extra, temp-1, temp-2, temp-24 y cond-24 public static void main(string[] args)throws IOException if(args.length!=2) System.out.println("se necesitan dos argumentos: fichero origen y destino"); return; File f2=new File(args[0]); File f1=new File(args[1]); BufferedReader br=new BufferedReader(new FileReader(f2)); BufferedWriter bw=new BufferedWriter(new FileWriter(f1,true)); String line[]; line=new String[49]; line[0]=br.readline(); while((line[0]!=null)&&(line[0].startswith("@data")==false)) bw.write(line[0]+"\r\n"); line[0]=br.readline(); bw.write(line[0]+"\r\n"); for(int i=0;i<49;i++)line[i]=br.readline(); while(line[48]!=null) int i=line[0].indexof(','); line[4]=line[4].concat(line[0].substring(i,line[0].indexof(',',i +1))); line[2]=line[2].concat(line[0].substring(i,line[0].indexof(',',i+1))); line[48]=line[48].concat(line[0].substring(i,line[0].indexof(',',i+1)) ); line[48]=line[48].concat(line[0].substring(i,line[0].indexof(',',i+1))); bw.write(line[0]+"\r\n"); for(i=0;i<48;i++)line[i]=line[i+1]; line[48]=br.readline(); bw.flush(); bw.close();
PREDICCIÓN METEOROLÓGICA
PRÁCTICA FINAL DE INTELIGENCIA EN REDES DE ORDENADORES PREDICCIÓN METEOROLÓGICA 5º INGENIERIA DE TELECOMUNICACIÓN Julio Alberto Polo Fernández 100029757 Raúl Muñoz Martínez 100029571 INDICE 1) Introducción
Ismael Fernández Castellano Telmo Calle Facal Grupo 91
PREDICCIÓN METEOROLÓGICA CON LA PLATAFORMA WEKA Ismael Fernández Castellano 100033034 Telmo Calle Facal 100035925 Grupo 91 1. INTRODUCCIÓN El objetivo de la práctica es desarrollar un sistema de caracterización
Inteligencia en Redes de Comunicaciones
Inteligencia en Redes de Comunicaciones Predicción meteorológica Aitor Mendaza Ormaza 100021542 INDICE Introducción 1 Tratamiento de Datos.5 Resultados y análisis 7 Introducción: El objetivo de esta práctica
PREDICCIÓN METEOROLÓGICA
PREDICCIÓN METEOROLÓGICA INTELIGENCIA EN REDES DE COMUNICACIONES INTRODUCCIÓN En esta práctica se pretende obtener un sistema real de predicción meteorológica utilizando técnicas de aprendizaje automático
Programación (PRG) PRÁCTICA 10. Algoritmos de búsqueda
Programación (PRG) Facultad de Informática Departamento de Sistemas Informáticos y Computación Universidad Politécnica de Valencia 1. Introducción El objetivo de esta práctica es estudiar el comportamiento
String s = t.readline() 4. Si el valor leído desde teclado, se requiere almacenar en una variable de un tipo diferente a
Desde teclado Entrada de datos 1. Importar el paquete java.io 2. Crear un objeto BufferedReader, pasando como parámetro al constructor un objeto InputStreamReader. BufferedReader t = new BufferedReader(new
Práctica 5: Clasificación con número variable de ejemplos.
5º INGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA ARTIFICIAL Y RECONOCIMIENTO DE PATRONES Práctica 5: Clasificación con número variable de ejemplos. Objetivos: Utilización de conjuntos de entrenamiento y
MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión.
MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión. 1 Objetivos del tema Conocer en qué consiste un árbol de decisión. Aprender los problemas que pueden
Proyecto 6. Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial.
Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial. Funcionamiento: Se realiza un test en cada nodo interno del árbol, a medida que
1. Cuántas sentencias hay en la secuencia principal del siguiente programa?
1. Cuántas sentencias hay en la secuencia principal del siguiente programa? public class PruebaSwitch { System.out.print ("Opcion: "); case 3: System.out.println ("miércoles "); A. 1. B. 4. C. Más de 10.
Guía - Taller # 2 (JAVA)
CEET - Distrito Capital Programa de Formación: ADSI 150752 TRIMESTRE VI Conocimiento de Conocimiento: Aplicar diversos estilos de Programación usando herramientas para Desarrollo Web Instructor: Ing. Espec.
Técnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
18. Interfaces Declaración de una interfaz
Programación orientada a objetos con Java 191 18. Interfaces Objetivos: a) Definir el concepto de interfaz b) Interpretar el código fuente de una aplicación Java donde aparecen interfaces c) Construir
Selección de fuentes de datos y calidad de datos
Selección de fuentes de datos y calidad de datos ESCUELA COMPLUTENSE DE VERANO 2014 MINERIA DE DATOS CON SAS E INTELIGENCIA DE NEGOCIO Juan F. Dorado José María Santiago . Valores atípicos. Valores faltantes.
Inteligencia en Redes de Comunicaciones
Universidad Carlos III de Madrid Inteligencia en Redes de Comunicaciones PRÁCTICA FINAL PREDICCIÓN METEOROLÓGICA USANDO WEKA Titulación: Ingeniería de Telecomunicación, Curso 5º Pablo Casas Muñoz Roberto
INTELIGECIA EN REDES DE COMUNICACIONES 5º ING TELECOMUNICACIÓN TRABAJO FINAL DE LA ASIGNATURA EL SOLITARIO AUTORES
INTELIGECIA EN REDES DE COMUNICACIONES 5º ING TELECOMUNICACIÓN 2006-2007 TRABAJO FINAL DE LA ASIGNATURA EL SOLITARIO AUTORES DANIEL F. TAVEIRA MONTEIRO RODRIGO GÓMEZ RODRIGUEZ DAVID TOLEDO NAVARRO 1. Índice
ARBOLES DE DECISION. Miguel Cárdenas-Montes. 1 Introducción. Objetivos: Entender como funcionan los algoritmos basados en árboles de decisión.
ARBOLES DE DECISION Miguel Cárdenas-Montes Los árboles de decisión son estructuras lógicas con amplia utilización en la toma de decisión, la predicción y la minería de datos. Objetivos: Entender como funcionan
4. Operadores Operador asignación
Programación orientada a objetos con Java 43 4. Operadores Objetivos: a) Describir los operadores (aritméticos, incrementales, de relación, lógicos y de asignación) y los tipos de dato primitivos sobre
Unidad II. Fundamentos de programación en Java. Ing. José Luis Llamas Cárdenas
Unidad II Fundamentos de programación en Java Ing. José Luis Llamas Cárdenas En java para poder escribir se emplea el objeto System.out, t pero para leer del teclado es necesario emplear System.in Et Este
ANÁLISIS DE DATOS. Jesús García Herrero
ANÁLISIS DE DATOS Jesús García Herrero ANALISIS DE DATOS EJERCICIOS Una empresa de seguros de automóviles quiere utilizar los datos sobre sus clientes para obtener reglas útiles que permita clasificar
APLICACIÓN SOFTWARE PARA EL PROCESADO DE DATOS LIDAR Y LA ESTIMACIÓN DE VARIABLES DE INVENTARIOS FORESTALES
APLICACIÓN SOFTWARE PARA EL PROCESADO DE DATOS LIDAR Y LA ESTIMACIÓN DE VARIABLES DE INVENTARIOS FORESTALES Grupo de Cartografía Geoambiental y Teledetección (http://cgat.webs.upv.es) Universidad Politécnica
Tema 4. Excepciones en Java
Programación en Java Tema 4. Excepciones en Java Luis Rodríguez Baena Facultad de Informática Excepciones (I) Permiten la captura de errores en tiempo de ejecución. El control de excepciones permite extraer
INTERFACE COMPARATOR. DIFERENCIAS ENTRE COMPARATOR Y COMPARABLE. CLASE COLLECTIONS. EJERCICIOS RESUELTOS. (CU00918C)
APRENDERAPROGRAMAR.COM INTERFACE COMPARATOR. DIFERENCIAS ENTRE COMPARATOR Y COMPARABLE. CLASE COLLECTIONS. EJERCICIOS RESUELTOS. (CU00918C) Sección: Cursos Categoría: Lenguaje de programación Java nivel
Apéndice A: Funciones del programa LightPAP
Apéndice A: Funciones del programa LightPAP A continuación se van a explicar las funciones principales que se han desarrollado para esta aplicación. 1 calcula_prop.m function [nc,cv,posicion,tinta,saturacion,luminancia]
Evaluación de Modelos para Predicción Meteorológica
Trabajo de Inteligencia en redes de comunicaciones Evaluación de Modelos para Predicción Meteorológica 5º I. Telecomunicación Autores: Aurora Agudo de Carlos Juan Carlos Alonso Bayal Ruth Santana Tejero.
Programación Orientada a Objetos. Tema 7: Persistencia
Programación Orientada a Objetos Tema 7: Persistencia Tema 7: Persistencia Contenidos 1. LIBRERÍA I/O 2. FICHEROS 3. FICHEROS DE ACCESO DIRECTO 4. FICHEROS DE TEXTO 5. SERIALIZACIÓN DE OBJETOS 6. EJEMPLO
DISEÑO DE UN ANIMADOR DE ALGORITMOS DE BÚSQUEDA Y ORDENACIÓN ( ID2012/055 )
MEMORIA DEL PROYECTO TITULADO: DISEÑO DE UN ANIMADOR DE ALGORITMOS DE BÚSQUEDA Y ORDENACIÓN ( ID2012/055 ) PRESENTADO POR: María Luisa Pérez Delgado María Luisa Pérez Delgado Dentro del marco del proyecto
Guía de ahorro de tinta inteligente
Guía de ahorro de tinta inteligente Fiery proserver utiliza siempre el menor volumen de tinta posible, por lo que es extremadamente rentable. Ya el ajuste predeterminado utiliza hasta un 15 % menos de
Vemos, pues, que esta forma de organizar los datos es mucho más potente que utilizando las tabulaciones u otros métodos.
Tablas Las tablas permiten organizar la información en filas y columnas, de forma que se pueden realizar operaciones y tratamientos sobre las filas y columnas. Por ejemplo, obtener el valor medio de los
Programación Orientada a Objetos con Java
Programación Orientada a Objetos con Java M.C. Jorge Eduardo Ibarra Esquer jorgeeie@uabc.mx Diseño orientado a objetos El diseño orientado a objetos surge de la idea de traspasar a los sistemas de software,
SISTEMA DE 2 ECUACIONES LINEALES CON 2 INCÓGNITAS
SISTEMA DE ECUACIONES LINEALES CON INCÓGNITAS Debemos tener, al menos, tantas ecuaciones como incógnitas para poder hallar éstas. Cuando al resolver un problema nos encontramos con dos incógnitas relacionadas
IMPORTAR Y USAR CLASES DEL API DE JAVA. EJEMPLO CLASE MATH Y MÉTODO POW. CONSTRUCTORES PRIVADOS. (CU00647B)
APRENDERAPROGRAMAR.COM IMPORTAR Y USAR CLASES DEL API DE JAVA. EJEMPLO CLASE MATH Y MÉTODO POW. CONSTRUCTORES PRIVADOS. (CU00647B) Sección: Cursos Categoría: Curso Aprender programación Java desde cero
Java Avanzado Facultad de Ingeniería. Escuela de computación.
2 Java Avanzado Facultad de Ingeniería. Escuela de computación. Java Avanzado. Guía 5 3 Introducción Este manual ha sido elaborado para orientar al estudiante de Java Avanzado en el desarrollo de sus prácticas
Aprendizaje Automatizado. Árboles de Clasificación
Aprendizaje Automatizado Árboles de Clasificación Árboles de Clasificación Estudiaremos un algoritmo para la creación del árbol. Selección de atributos comenzando en el nodo raíz. Proceso recursivo. Árboles
REPASO ARRAYS O ARREGLOS UNIDIMENSIONALES EN JAVA. EJEMPLOS DE CÓDIGO. (CU00903C)
APRENDERAPROGRAMAR.COM REPASO ARRAYS O ARREGLOS UNIDIMENSIONALES EN JAVA. EJEMPLOS DE CÓDIGO. (CU00903C) Sección: Cursos Categoría: Lenguaje de programación Java nivel avanzado I Fecha revisión: 2039 Resumen:
Metodología y Tecnología de la Programación
Tema 4. Abstracción procedimental y de datos 1. Cuál es el error del siguiente programa? import java.util.scanner; class Respuesta{ static Scanner leer=new Scanner(System.in); int valor = lectura(); System.out.println(valor);
La última versión disponible cuando se redactó este manual era la 5 Beta (versión ), y sobre ella versa este manual.
Manual de Dev-C++ 4.9.9.2 Página 1 de 11 Introducción Dev-C++ es un IDE (entorno de desarrollo integrado) que facilita herramientas para la creación y depuración de programas en C y en C++. Además, la
Evaluación de modelos para la predicción de la Bolsa
Evaluación de modelos para la predicción de la Bolsa Humberto Hernandez Ansorena Departamento de Ingeniería Telemática Universidad Carlos III de Madrid Madrid, España 10003975@alumnos.uc3m.es Rico Hario
Entrada / Salida rápida en C, C++ y Java
Entrada / Salida rápida en C, C++ y Java Agustín Santiago Gutiérrez Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Training Camp 2016 Agustín Gutiérrez (UBA) Fast I/O TC 2016 1 /
Estadística básica con R Commander. María Eugenia Fernández de Luco
Estadística básica con R Commander María Eugenia Fernández de Luco Facultad de Ciencias Exactas, Ingeniería y Agrimensura Universidad Nacional de Rosario 2014 ÍNDICE 1. Introducción... 2 2. Lectura de
INTERFACE LIST DEL API JAVA. CLASES ARRAYLIST, LINKEDLIST, STACK, VECTOR. EJEMPLO CON ARRAYLIST. (CU00920C)
APRENDERAPROGRAMAR.COM INTERFACE LIST DEL API JAVA. CLASES ARRAYLIST, LINKEDLIST, STACK, VECTOR. EJEMPLO CON ARRAYLIST. (CU00920C) Sección: Cursos Categoría: Lenguaje de programación Java nivel avanzado
Unidad Didáctica 3. Tipos genéricos. Fundamentos de Programación Departamento de Lenguajes y Sistemas Informáticos
Unidad Didáctica 3 Tipos genéricos Fundamentos de Programación Departamento de Lenguajes y Sistemas Informáticos Definición de tipo genérico Hablamos de un tipo genérico cuando el tipo en cuestión depende
Elaboración de Documentos en Procesadores de Textos
Las tablas permiten organizar la información en filas y columnas, de forma que se pueden realizar operaciones y tratamientos sobre las filas y columnas. Por ejemplo, obtener el valor medio de los datos
Documentación del CK-BaaB
Elementos de Mantenimiento Mediante este programa podemos crear, modificar o eliminar los distintos elementos que formarán parte del mantenimiento, bien como parte activa de él (instalaciones, sistemas,
Práctica III: Streams, Readers y Writers
Práctica III: Streams, Readers y Writers Objetivos En esta práctica vamos a aprender a utilizar Streams, Readers y Writers para realizar operaciones de entrada/salida desde programas escritos en el lenguaje
El Índice de Revalorización de las Pensiones (IRP) adelantado para el año 2017 se sitúa en el -3,18%
El Índice de Revalorización de las Pensiones (IRP) adelantado para el año 2017 se sitúa en el -3,18% Documento de trabajo sobre datos, metodología y resultados Autores: Grupo de Investigación en Pensiones
Se abre una ventana que permite especificar el número de filas y columnas para la tabla.
Una tabla está formada por celdas o casillas, agrupadas por filas y columnas. En cada celda se puede insertar texto, números o gráficos. CREAR TABLAS Para crear una tabla accedemos siempre desde la pestaña
Curso de Java Introducción a la Programación I
Curso de Java Introducción a la Programación I Jaime Fernández Martín Curso INEM 02830. Programación en Java Marzo 2010 Índice 1 Sintaxis Java 2 Salida de datos 3 Entrada de datos Índice 1 Sintaxis Java
FICHEROS Y BASES DE DATOS (E44) 3º INGENIERÍA EN INFORMÁTICA. Tema 4. Técnicas de Dispersión. Definición y Manejo.
FICHEROS Y BASES DE DATOS (E44) 3º INGENIERÍA EN INFORMÁTICA Tema 4. Técnicas de Dispersión. Definición y Manejo. 1.- Introducción. 2.- Funciones de Dispersión. 3.- Saturación Progresiva. 4.- Empaquetado
MICROSOFT POWER POINT MICROSOFT POWER POINT Manual de Referencia para usuarios. Salomón Ccance CCANCE WEBSITE
MICROSOFT POWER POINT MICROSOFT POWER POINT 2010 Manual de Referencia para usuarios Salomón Ccance CCANCE WEBSITE ANIMACIONES Y TRANSICIONES En las presentaciones podemos dar movimiento a los objetos que
Entonces la regla de tres simple se utiliza para calcular magnitudes o cantidades proporcionales.
REGLA DE TRES SIMPLE La regla de tres simple es una herramienta muy útil y a la vez muy fácil de usar. La utilizamos diariamente, por ejemplo, cuando deseamos saber cuánto costarán 3 kg de naranjas, si
! Qué es la POO?! Un paradigma de programación. ! No hay paradigmas mejores ni peores! Todos tienen sus ventajas e inconvenientes
Introducción Programación orientada a objetos Curso INEM. Programación en Java Santiago Muelas Pascual smuelas@fi.upm.es! Qué es la POO?! Un paradigma de programación! Un paradigma es una forma de afrontar
Guía Rápida Datos Generales SIGMA
Guía Rápida Datos Generales SIGMA 0 Introducción Guía rápida de DGES En esta guía se explican los pasos básicos para usar la aplicación Datos Generales SIGMA (DGES), encargada de realizar el mantenimiento
INGENIERÍA DEL SOFTWARE. 4º ING. INFORMÁTICA (UPV/EHU) 14 de SEPTIEMBRE de 2006
INGENIERÍA DEL SOFTWARE. 4º ING. INFORMÁTICA (UPV/EHU) 14 de SEPTIEMBRE de 2006 NOMBRE: GRUPO: Las dos primeras preguntas son de test. Es obligatorio marcar las respuestas correctas usando un bolígrafo
Aprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
VALIDACIÓN DE DATOS. Rangos de Validación. Introducción
VALIDACIÓN DE DATOS Introducción Una vez recibidos los datos de las estaciones y antes de incorporarlos a las bases de datos, para su almacenamiento y publicación, y buscando minimizar el número de datos
Definición. Mónica E. García García Feb 07
Tema 11: Herencia 0 Definición Cuando inicialmente se modelan dos cosas y se tienen datos duplicados y además pudiera darse que el número de métodos también es similar así como la implementación, se requiere
FUNDAMENTOS MATEMÁTICOS (Grado en Ingeniería Informática) Práctica 8. MATRICES
FUNDAMENTOS MATEMÁTICOS (Grado en Ingeniería Informática) Práctica 8. MATRICES 1.- Introducción de vectores y matrices. Con Derive los vectores se pueden introducir de dos formas distintas: a) Mediante
Programación Evolutiva
Introducción a la Computación Evolutiva Quinta Clase: Programación Evolutiva Programación Evolutiva Desarrollada en USA durante los años 60 Autores principales: D. Fogel Aplicada típicamente a: PE tradicional:
Tercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
TEST DE RAZONAMIENTO NUMÉRICO. Consejos generales
TEST DE RAZONAMIENTO NUMÉRICO Consejos generales 1 I. INTRODUCCIÓN En lo relativo a los cálculos de porcentajes, es fundamental tener en cuenta que los porcentajes, en realidad, son referencias abstractas,
11.2. Manual de GTC 2.0: El primer contacto
11 MANUALES DE USUARIO 11.1. Introducción GTC 2.0 y Pocket GTC son herramientas desarrolladas para la gestión del trabajo colaborativo. Pretenden ayudar en la difícil tarea de la evaluación de alumnos
Otros elementos comunes
1. PROPIEDADES DE LOS ARCHIVOS V amos a seguir viendo cosas que puedes utilizar en las aplicaciones de Office 2010. Al crear un documento, además de añadir el contenido que debe tener, una posibilidad
Ministerio de Educación. Base de datos en la Enseñanza. Open Office. Módulo 3: Elementos esenciales del formulario
Ministerio de Educación Base de datos en la Enseñanza. Open Office Módulo 3: Elementos esenciales del formulario Instituto de Tecnologías Educativas 2011 Elementos esenciales de un formulario Tras crear
Introducción. Curso de Middleware. Práctica 6. 1 de 9
Introducción Seguimos explorando aspectos del middleware y de la programación que resultarán relevantes a la hora de diseñar o construir middleware modernos. En esta práctica vamos a explorar el concepto
ACTIVIDADES BASE DE DATOS ACCESS 2007
ACTIVIDADES BASE DE DATOS ACCESS 2007 En un primer momento vamos a practicar las opciones de Crear, abrir y cerrar una base de datos de Access 2007. Abrimos Access 2007 y haz clic sobre la opción Base
En este tutorial aprenderemos las técnicas más básicas para crear diferentes fomas y la aplicación del color.
LAS FORMAS Y EL COLOR. En este tutorial aprenderemos las técnicas más básicas para crear diferentes fomas y la aplicación del color. En el tutorial anterior se exponía cómo se creaban los contornos (trazos)
MICROSOFT POWER POINT MICROSOFT POWER POINT Manual de Referencia para usuarios. Salomón Ccance CCANCE WEBSITE
MICROSOFT POWER POINT MICROSOFT POWER POINT 2010 Manual de Referencia para usuarios Salomón Ccance CCANCE WEBSITE TRABAJAR CON TABLAS En una diapositiva además de insertar texto, gráficos, etc. también
INTRODUCCIóN A LA PROGRAMACIóN APUNTES DE JAVA APUNTES DE JAVA
APUNTES DE JAVA FUNCIONAMIENTO DE UN PROGRAMA Assembler Ensamblador Ejecuta Programador Programa fuente BASIC Interprete Ejecuta C, C++, Pascal Compilador Compila Ejecuta Programa fuente Programa Objeto
COMO CREAR UNA RED LOCAL ENTRE EQUIPOS CON WINDOWS
COMO CREAR UNA RED LOCAL ENTRE EQUIPOS CON WINDOWS XP Y VISTA: Explicación con direcciones estáticas y dinámicas. 1. RED CON DIRECCIONES DINAMICAS: La primera explicación la realizaré para XP. Lo primero
5.1. Eliminar filas duplicadas
- Borrar Hipervínculos: Si seleccionas ésta opción se borrará el enlace pero el formato que excel aplica (color azul y subrayado) se mantendrá. Para eliminar también el formato deberás pulsar el icono
EJEMPLO 1. CUADROS DE TEXTO
EJEMPLO 1. CUADROS DE TEXTO En este ejemplo vamos a ver la forma de crear cuadros de texto con los datos de vistas Para ello disponemos de una vista con los datos de los alumnos. En el formulario principal
MICROSOFT EXCEL MICROSOFT EXCEL Manual de Referencia para usuarios. Salomón Ccance CCANCE WEBSITE
MICROSOFT EXCEL MICROSOFT EXCEL 2013 Manual de Referencia para usuarios Salomón Ccance CCANCE WEBSITE MACROS 18.1. Introducción Cuando trabajamos con un libro personalizado, es decir, un libro en el que
Tema 5 - Pruebas del software Ingeniería del Software de Gestión II
escuela técnica superior de ingeniería informática Tema 5 - Pruebas del software Ingeniería del Software de Gestión II Objetivos Cuáles son las alternativas para verificar y validar software Qué son las
Organizando los datos
Ciclo IV - Informática. Guía # 1 Organizando los datos RETO: Crear y organizar los datos en tablas de Word aprovechando todas sus utilidades. Qué son las tablas en Word? Tabla. Insertar. Eliminar. Organizar.
Operación de Microsoft Excel. Guía del Usuario Página 49. Centro de Capacitación en Informática
Referencias a celdas y nombres de rangos Las referencias a celdas se utilizan para referirse al contenido de una celda o grupo de celdas. El uso de referencias permite usar valores de diferentes celdas
6. Sentencias repetitivas o bucles
Programación orientada a objetos con Java 71 6. Sentencias repetitivas o bucles Objetivos: a) Describir el funcionamiento de las sentencias iterativas o bucles (for, while y dowhile) b) Interpretar el
Se abrirá un cuadro de diálogo para que escojas el tipo de gráfico que quieres mostrar. Selecciona uno y pulsa Aceptar.
GRAFICOS EN EXCEL. Insertar y eliminar gráficos Para insertar un gráfico en una diapositiva únicamente tienes que pulsar en el botón Gráfico de la pestaña Insertar. Se abrirá un cuadro de diálogo para
DECONVOLUCIÓN criterio de Nyquist
DECONVOLUCIÓN La deconvolución surgió como alternativa al confocal, con ella se pretendía eliminar la luz fuera de foco de imágenes tomadas con una cámara digital o en fluorescencia convencional, pero
SISTEMAS DE ECUACIONES
SISTEMAS DE ECUACIONES Ecuación es una igualdad que contiene por lo menos una incógnita, que se representa por medio de una letra, cuyo valor se debe averiguar. Por ejemplo: 3x + 2 = 4 donde debemos calcular
Caso 17. Análisis multivariante: reducción de datos por componentes principales.
Caso 17: reducción por componentes principales 115 Caso 17. Análisis multivariante: reducción de datos por componentes principales. (JESÚS LÓPEZ FIDALGO, UCLM) CASO PRÁCTICO Se dispone de 15 variables
2. Inserta la tabla. Para comenzar el proceso de creación de la tabla, tendrás que insertar una en tu hoja de cálculo.
CREACIÓN DE TABLAS EN MICROSOFT OFFICE EXCEL 1. Selecciona un rango de celdas. Las celdas pueden contener datos, pueden estar vacías o ambos. Si no estás seguro, no tendrás todavía que seleccionar las
CONFIGURACIÓN OWA (Outlook Web Access)
CONFIGURACIÓN OWA (Outlook Web Access) 19/10/2007 CONFIGURACIÓN OWA (Outlook Web Access) Este documento explica paso a paso como configurar Outlook Web Access para acceder de forma segura al entorno Hosted
Tipos de Muestreo. Muestreos probabilísticos. Muestreo probabilístico.
Muestreo probabilístico. Tipos de Muestreo Cada elemento del universo tiene una probabilidad conocida y no nula de figurar en la muestra, es decir, todos los elementos del universo pueden formar parte
Estadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
TECNOLOGÍA E INFORMÁTICA
TECNOLOGÍA E INFORMÁTICA GRADO: SÉPTIMO 01 02 TEMA: INSERTAR O CREAR TABLAS INDICADOR DE DESEMPEÑO: Utiliza la opción de crear tablas en Microsoft Word para agregar, editar y presentar la información tabulada.
EXCEL EJERCICIO 18 TABLAS DINÁMICAS Y GRÁFICOS DINÁMICOS. Tablas dinámicas
EXCEL EJERCICIO 18 TABLAS DINÁMICAS Y GRÁFICOS DINÁMICOS Tablas dinámicas Las tablas dinámicas son una herramienta relacionada con las listas o bases de datos creadas en hojas de cálculo. Sirven para organizar
Manual de Operación DIFERENCIAS DE CONVENIO
Manual de Operación DIFERENCIAS DE CONVENIO 1. INTRODUCCIÓN En este apartado se podrán realizar los procesos de cálculo e impresión de cotizaciones complementarias bien sea por ATRASOS DE CONVENIO, IPC,
Cuando no está abierto ningún menú, las teclas activas para poder desplazarse a través de la hoja son:
Veremos cómo introducir y modificar los diferentes tipos de datos disponibles en Excel, así como manejar las distintas técnicas de movimiento dentro de un libro de trabajo para la creación de hojas de
Agradecimientos. Nota de los autores. 1 Problemas, algoritmos y programas 1
Prologo Agradecimientos Nota de los autores Índice general I III V VII 1 Problemas, algoritmos y programas 1 1.1 Programas y la actividad de la programación.................... 4 1.2 Lenguajes y modelos
UTN FRBA Algoritmos y Estructura de Datos Examen Final 18/07/2014. Apellido y nombre: Legajo: Cursó con Prof:
UTN FRBA Algoritmos y Estructura de Datos Examen Final 18/07/2014 Distancias entre localidades Temas evaluados: Resolución de problemas, estructuras de datos, matrices, y lenguaje de programación Contexto
Programación Orientada a Objetos en C++
Unidad I Programación Orientada a Objetos en C++ Programación Orientada a Objetos en C++ Programación I - 0416202 Contenido Esta lección abarca los siguientes temas: Estructura y declaración de una clase
1. En primer lugar, seleccionamos la celda o caracteres a los que queremos aplicar el nuevo formato.
tema 3: FORmatEaR HOJaS DE CÁLCULO 3.1 aplicar y modificar formatos de celda El formato es lo que determina el aspecto que tendrá el contenido y los valores mostrados en una hoja de cálculo. Cuando abrimos
7. PROGRAMACION LINEAL
7. PROGRAMACION LINEAL 7.1. INTRODUCCION A LA PROGRMACION LINEAL 7.2. FORMULACION DE UN PROBLEMA LINEAL 7.3. SOLUCION GRAFICA DE UN PROBLEMA LINEAL 7.4. CASOS ESPECIALES DE PROBLEMAS LINEALES 7.4.1. Problemas
1. Sobrecarga de operadores. 2. Métodos operadores unarios Operador de incremento (prefijo)
. Sobrecarga de operadores. unarios Operador de incremento (prefijo). Devolución de objetos en los métodos. Retorno por referencia Sobrecarga de operadores Los operadores aceptan uno o varios operandos
Herencia. public class Persona { private String nombre; private char sexo; public Persona() { nombre = new String(); sexo = ' '; }
Herencia Al definir una clase, se definen las características o variables y los métodos y conductas que pueden poseer todos los objetos que sean creados a partir de la clase. Sin embargo existen clases
Ficheros y streams. Desde el punto de vista de Java, cada fichero no es más que una secuencia o flujo de bytes [stream].
Ficheros y streams Desde el punto de vista de Java, cada fichero no es más que una secuencia o flujo de bytes [stream]. Los streams pueden ser de entrada () de salida (). Los ficheros pueden almacenar
MANUAL USUARIO MÓDULO "CALCULAR MARGEN BENEFICIO"
MANUAL USUARIO MÓDULO "CALCULAR MARGEN BENEFICIO" Índice de contenido 1 Introducción...3 2 Instalación...3 3 Gestión módulo...7 3.1 Introducción...7 3.2 Opción "Margen beneficio por importe"...8 3.2.1
Seminario 1. Excel Básico
Seminario 1. Excel Básico Contenidos 1. Qué es Microsoft Excel? 2. Identificar celdas 3. La barra de herramientas de acceso rápido y la cinta de opciones 4. Abrir y guardar libros de trabajo 5. La ayuda
Administración de la producción. Sesión 9: Hojas de cálculo (Microsoft Excel)
Administración de la producción Sesión 9: Hojas de cálculo (Microsoft Excel) Contextualización Microsoft Excel es un programa de hoja de cálculo electrónica que permite la representación gráfica y el análisis