Obtención de Sistemas Basados en Reglas Difusas Precisos y Compactos mediante Algoritmos Geneticos Multiobjetivo
|
|
- Antonia Olivera Mendoza
- hace 8 años
- Vistas:
Transcripción
1 Obtención de Sistemas Basados en Difusas Precisos y Compactos mediante Algoritmos Geneticos Multiobjetivo R. Alcalá, J. Alcalá-Fdez, M. J. Gacto y F. Herrera Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Granada, Granada, España {alcala, jalcala, herrera}@decsai.ugr.es, mjgacto@ugr.es Resumen En este trabajo se plantea el uso de Algoritmos Genéticos Multiobjetivo para la obtención de Sistemas Basados en Difusas con un buen equilibrio entre interpretabilidad y precisión. Se propone para ello un nuevo método de post-procesamiento que mediante la selección de reglas y el ajuste de las funciones de pertenencia obtenga soluciones centradas en la zona del pareto con el mejor equilibrio, aquella en la que se encuentren soluciones con el menor número de reglas posible pero que todavía presenten una alta precisión. Dicho método se basa en el bien conocido SPEA2, aplicando los operadores genéticos adecuados e incluyendo algunas modificaciones que centran la búsqueda en la zona del pareto deseada. Palabras Clave: Modelado Difuso Lingüístico, Interpretabilidad, Algoritmos Genéticos Multiobjetivo, Ajuste y Selección de. 1 INTRODUCCIÓN Uno de los problemas que últimamente centra el interés de los investigadores en el área del Modelado Difuso Lingüístico (MDL) [1], es la búsqueda de un buen equilibrio entre precisión e interpretabilidad. Por supuesto, la situación ideal sería poder satisfacer ambos criterios al más alto grado, pero llegar a tal situación es generalmente imposible puesto que son propiedades contradictorias. Una tecnica importante para mejorar la precisión de un Sistema Basado en Difusas es el ajuste de funciones de pertenencia [1, 2], que consiste en refinar una definición previa de la base de datos (BD) una vez que la base de reglas ha sido obtenida. Aunque las mejoras en precisión son importantes, usualmente se necesita que el modelo inicial tenga un número de reglas elevado para ello. En este caso, algunos trabajos [1, 2] aplican una selección de reglas junto con el ajuste de las funciones de pertenencia, aunque únicamente considerando criterios de precisión. En este trabajo, nos centramos en dicho problema mediante el uso de Algoritmos Genéticos como herramienta para optimizar los parámetros de las funciones de pertenencia y el tamaño de la base de reglas, codificando todo (reglas y parámetros) en el mismo cromosoma. Puesto que el problema es de naturaleza multiobjetivo, consideraremos Algoritmos Genéticos Multiobjetivo (AGMOs) [3] para obtener un conjunto de soluciones con distintos grados de precisión y número de reglas, usando ambas medidas como objetivos. Nuestro principal objetivo es diseñar un AGMO apropiado para este problema, ya que los AGMOs estándar pueden presentar algunos problemas, como comentamos a continuación. Normalmente un AGMO se basa en obtener un conjunto de soluciones no dominadas. Sin embargo, en este problema hay soluciones que aún perteneciendo al frente de Pareto no son interesantes. Por ejemplo, no son interesantes soluciones no dominadas con un error muy alto y un número de reglas muy bajo, ya que no presentan un buen equilibrio entre interpretabilidad y precisión. Además, al existir soluciones de este tipo en el frente de Pareto, se favorece la selección de padres con un número de reglas muy distinto para el cruce, generando hijos con baja precisión (los parámetros de ajuste son muy distintos y no tiene sentido el cruce, salvo para obtener nuevas configuraciones de las reglas seleccionadas). En nuestra propuesta, centraremos la búsqueda en la zona del pareto con soluciones que dentro de un cierto rango de precisión tengan la complejidad (número de reglas) más baja posible, intentando obtener soluciones con un bajo número de reglas pero siempre
2 con una alta precisión. Para ello se propone la modificación de uno de los AGMOs más conocidos, SPEA2 [11], el cual mediante la selección de reglas y el ajuste de las funciones de pertenencia nos permitirá centrarnos en la parte del pareto que contiene las soluciones precisas con el menor número de reglas posibles. También se han realizado experimentaciones con NSGA-II [6], mostrando que no es el enfoque más adecuando para este problema. En la siguiente Sección, se estudia la frontera del pareto para el problema que se ha presentado. El algoritmo SPEA2 se introduce en la Sección 3 junto con la mejora propuesta y los operadores genéticos considerados. La Sección 4 muestra el comportamiento del método propuesto en un problema real. Por último, en la Sección 6, se muestran algunas conclusiones. 2 Frontera de Pareto en el Problema de la Interpretabilidad-Precisión En esta sección, se estudia qué tipo de soluciones se podrían encontrar en la frontera de Pareto óptima para el problema de optimización del error y del número de reglas mediante el ajuste de parámetros y la selección de reglas. De esta manera podremos obtener una aproximación del Pareto óptimo y determinar hacia qué zona queremos ir. Como se ha dicho, el ajuste de funciones de pertenencia normalmente necesita que el modelo inicial tenga un número de reglas elevado para llegar a un nivel de precisión adecuado. Para conseguir que este conjunto de reglas inicial sea suficiente se suelen utilizar métodos que aseguren un nivel de cubrimiento generalmente más alto de lo que sería necesario. De esta forma también se podrían obtener reglas que aunque inicialmente son necesarias, una vez aplicado el ajuste sean innecesarias o incluso dificulten un buen ajuste de las demás. Así, podríamos encontrarnos con los siguientes tipos de reglas: malas (erróneas o conflictivas), que dificultan el buen funcionamiento del sistema; redundantes o irrelevantes, que no mejoran significativamente el rendimiento del sistema; complementarias que complementan a otras mejorando levemente el rendimiento del sistema; importantes que son necesarias para que el sistema presente un rendimiento razonable. Teniendo en cuenta la posible existencia de estos tipos de reglas y distintas configuraciones de reglas y parámetros de ajuste, podemos distinguir las siguientes zonas en el espacio de los objetivos: Zona de Malas, que contiene soluciones con reglas malas. En esta zona no existiría frente de Pareto ya que al quitar este tipo de reglas mejoraría la precisión y dichas soluciones serían dominadas por otras. Zona de Redundantes o irrelevantes, formada por soluciones que ya no contienen reglas malas pero que aún mantienen reglas redundantes e irrelevantes. Quitando este tipo de reglas la precisión apenas se vería afectada. Zona de Complementarias, formada por soluciones sin reglas malas ni redundantes. A medida que se quiten este tipo de reglas la precisión bajaría suavemente. Zona de Importantes, formada por soluciones únicamente con las reglas imprescindibles. A medida que se quiten este tipo de reglas la precisión se verá fuertemente afectada. En la gráfica 1, podemos ver una aproximación del pareto óptimo para el problema de ajuste y selección de reglas difusas con el doble obtetivo de simplicidad y precisión. En dicha gráfica se muestran las distintas zonas del espacio de los objetivos junto con la zona del pareto deseada para encontrar soluciones con un buen equilibrio entre interpretabilidad y precisión. Esta zona se corresponde con la zona de reglas complementarias, es decir, deseamos quitar todas las reglas posibles sin afectar seriamente la precisión del modelo finalmente obtenido. 0 - ERROR + Malas Redundantes + - Complementarias Importantes REGLAS 0 Zona del pareto deseada Frontera del pareto Figura 1: Frontera de Pareto. Teniendo en cuenta todo lo expuesto, el AGMO considerado no debe obtener todo el frente de Pareto, puesto que esto dificulta la obtención de soluciones precisas fomentando el cruce de soluciones con distintas configuraciones de reglas, que consiguen el óptimo con parámetros muy distintos en las funciones de pertenencia. En la siguiente sección se presenta una modificación de SPEA2 [11] con el objetivo de dirigir la búsqueda hacia la zona deseada.
3 3 Algoritmo SPEA2 Orientado a Precisión En esta sección, en primer lugar presentamos las bases de SPEA2 [11], y a continuación, describimos el esquema de codificación y los operadores utilizados para la implementación del algoritmo. Por último, se proponen los cambios necesarios para orientar la búsqueda hacia la zona deseada. 3.1 SPEA2 El algoritmo SPEA2 [11] (Strength Pareto Evolutionary Algorithm for multiobjetive optimization) es una de las técnicas más utilizadas en la resolución de problemas multiobjetivo. Éste se diferencia de otros AG- MOs en varios aspectos, entre los cuales hay dos de gran importancia: Incorpora una estrategia fina de asignación del fitness que considera, para cada individuo, el número de los individuos que domina y el número de los individuos por los cuales es dominado. Utiliza la técnica del vecino más cercano para la valoración de la densidad, dirigiendo la búsqueda en forma más eficiente. Según la descripción de los autores en [11] el bucle principal de SPEA2 consta de los siguientes pasos: Entrada: N (tamaño de la población), N (tamaño de la población externa), T (maximo número de generaciones). Salida: A (conjunto de no dominados). 1. Crear la población inicial P 0 y una población externa vacia P 0 =. 2. Calcular el fitness de los individuos de P t y P t. 3. Copiar los no dominados de P t P t en P t+1. Si P t+1 > N se aplica el operador de truncamiento. Si P t+1 < N se relleca con dominados de P t P t. 4. Si t T, se devuelve A y acaba la ejecución. 5. Aplicar torneo binario con reemplazamiento en P t+1 hasta completar la población de padres. 6. Aplicar cruce y mutación para construir P t+1. Volver al Paso 2 con t = t Esquema de codificación y inicialización Se utiliza un esquema de codificación doble (selección de reglas más ajuste de parámetros): C p = C p S Cp T La parte C S está formada por cadenas de binarias de longitud m (numero inicial de reglas). Cada gen tendrá el valor 1 o 0 indicando si la correspondiente regla es o no seleccionada: C p S = (c S1,..., c Sm ) c Si {0, 1}. La parte C T tiene un esquema de codificación real, siendo m i el número de etiquetas de cada una de las n variables que componen la BD. C i = (a i 1, b i 1, c i 1,..., a i m i, b i m i, c i m i ), i = 1,..., n, C p T = C 1C 2... C n. La población inicial se obtiene de la siguiente forma: Para la parte C T, se incluye la BD inicial como primer individuo. El resto de individuos son generados aleatoriamente dentro de los respectivos intervalos de variación. Dichos intervalos se calculan a partir de la BD inicial. Para cada función de pertenencia C j i = (aj, b j, c j ), los intervalos de variación se calculan de la siguiente forma: [I l a j, I r a j ] = [a j (b j a j )/2, a j + (b j a j )/2] [I l b j, I r b j ] = [b j (b j a j )/2, b j + (c j b j )/2] [I l c j, I r c j ] = [c j (c j b j )/2, c j + (c j b j )/2] En la parte C S todos los genes toman el valor 1 en todos los individuos de la población inicial. 3.3 Operadores de cruce y mutación El operador de cruce depende de la parte del cromosoma donde sea aplicada: En la parte C T, se considera el cruce BLX-0.5 [8]. En la parte C S, se utiliza el cruce HUX [7]. Finalmente, se generan 4 descendientes combinando dos hijos de la parte C S con dos hijos de la parte C T (los dos mejores reemplazan a los padres). El operador de mutación cambia aleatoriamente el valor de un gen en la parte C S y en la parte C T con probabilidad P m. 3.4 Modificaciones Aplicadas sobre SPEA2 Para conseguir que la búsqueda se centre en la zona del frente de Pareto que nos interesa, maxima precisión con el menor número de reglas posibles, se proponen dos modificaciones con el objetivo de ejercer mayor presión selectiva en aquellas soluciones que tienen una mayor precisión. Los cambios propuestos se describen a continuación:
4 Reiniciar la población a la mitad de la ejecución del algoritmo, manteniendo el individuo con mejor precisión como único individuo en la población externa (P t+1 con tamaño 1) y generando todos los individuos de la población (P t+1 ) exáctamente con las mismas reglas que el mejor individuo y con parámetros aleatorios dentro de los intervalos de variación. Esta operación se realizaría en el paso 4 para después volver al paso 2 con t = t + 1. De esta forma se centra la búsqueda únicamente en la zona del pareto que nos interesa (soluciones parecidas en una zona de alta precisión). En cada paso del algoritmo (antes y después del restart) se va decrementando el número de soluciones de la población externa (P t+1 ) consideradas para aplicar el torneo binario, focalizando la selección en aquellos individuos con mejor precisión. Para ello se ordenan las soluciones de mejor a peor precisión y se reduce progresivamente el número de soluciones consideradas desde el 100% al 50% a medida que van pasando el número de generaciones de cada paso. También hay que destacar que la forma de crear la parte C S para las soluciones de la población inicial favorece una extracción progresiva de las reglas que no mejoren con el ajuste de los parámetros, por medio de la mutación en un principio, y después por el cruce. 4 Resultados Experimentales Para analizar el funcionamiento del método propuesto, hemos escogido un problema real [5], que consiste en estimar los costos de mantenimiento de redes eléctricas de media tensión a partir de 4 variables de entrada. Los métodos estudiados se presentan en la Tabla 1. El método WM [10] es utilizado como método simple para la generación del sistema inicial. Los métodos T y S realizan el ajuste de parámetros y selección de reglas respectivamente. TS es la unión de T y S en un mismo algoritmo. Todos ellos consideran como único objetivo la precisión del modelo. El resto son AGMOs con y sin las modificaciones propuestas (todos realizan selección de reglas y ajuste de parámetros con dos objetivos, precisión y número de reglas). Las particiones lingüísticas consideradas tendrán cinco términos lingüísticos con forma triangular (número con el que los métodos presentan el mejor comportamiento). Se utiliza el centro de gravedad ponderado por el grado de emparejamiento como operador de defuzzificación y la t-norma del mínimo como operador de implicación y conjunción. Los valores de los parámetros utilizados en todos los experimentos presentados son: 200 de longitud de la población, 61 de Tabla 1: Métodos analizados. Ref. Método Descripción [10] WM Wang & Mendel [2] WM+T Ajuste de Parámetros [2] WM+S Selección de [2] WM+TS Ajuste y Selección de [11] SPEA2 Algoritmo SPEA2 SPEA2 ACC Modificación de SPEA2 orientada a precisión (accuracy oriented) [6] NSGAII Algoritmo NSGAII NSGAII ACC Modificación de NSGAII orientada a precisión (accuracy oriented) longitud de la población externa (para el caso del algoritmo SPEA2 y SPEA2 ACC ), 0 evaluaciones y 0.2 como probabilidad de mutación por cromosoma. 4.1 Descripción del Problema Estimar los costos de mantenimiento de la red eléctrica de media tensión de una ciudad [5] es un problema complejo pero, a la vez, muy interesante. Dado que es muy difícil obtener una medición real, la consideración de modelos resulta tremendamente útil. Estas estimaciones permiten a las compañías eléctricas justificar sus gastos. Además, el modelo debe poder explicar cómo se calcula un valor específico para una determinada ciudad. Nuestro objetivo será el de relacionar el costo de mantenimiento con cuatro características: suma de las longitudes de todas las calles de la ciudad, área total de la ciudad, área ocupada por edificios, y energía suministrada a la ciudad. Para ello disponemos de estimaciones de costos de mantenimiento basadas en un modelo de una red eléctrica óptima para cada ciudad, en una muestra de ciudades. En los distintos experimentos, se trabaja con un modelo de validación cruzada con 5 particiones de datos, esto es, 5 particiones aleatorias al 20%, y la combinación de cuatro particiones (80%) como entrenamiento y una partición como test. Así se tienen 5 particiones al 80% y 20% en entrenamiento y test. 4.2 Resultados y Análisis Para cada partición, todos los modelos evolutivos se ejecutan 6 veces, y se muestran los resultados medios del error para las 30 ejecuciones de cada algoritmo. En el caso de los métodos con enfoque multiobjetivo (los cuatro últimos), las medias han sido obtenidas considerando la solución más precisa de cada pareto obtenido. Los algoritmos propuestos se han comparado con varios métodos guiados por un único ob-
5 Tabla 2: Resultados obtenidos por los métodos estudiados Método #R ECM ent σ ent t-test ECM test σ test t-test WM WM+T WM+S WM+TS SPEA SPEA2 ACC * * NSGAII NSGAII ACC Error SPEA SPEA2acc Nº Evaluaciones Figura 2: Frentes de Pareto de SP EA2 y SP EA2 acc. jetivo y con el conocido NSGAII [6] (con los dos objetivos anteriormente mencionados). Los resultados obtenidos se muestran en la Tabla 2, donde #R representa el número de reglas, ECM ent y ECM test el error medio en entrenamiento y test, σ la desviación típica y t-test los resultados de aplicar un test t-student (con 95% de confianza) al mejor resultado medio de la correspondiente columna comparado 1 a 1 con el resto de resultados medios. La interpretación de esta última columna es: Indica el resultado con la mejor media. + Indica un comportamiento significativamente peor que el mejor. Analizando los resultados presentados en la Tabla 2 podemos destacar los siguientes hechos: El SPEA2 ACC muestra una importante reducción del error cuadrático medio respecto al error obtenido por los métodos clásicos y NSGAII. Además mejora los resultados obtenidos por SPEA2 con sólo 1,5 reglas más. Los modelos obtenidos con SPEA2 ACC presentan muy buen equilibrio entre precisión e interpretabilidad. NSGAII y NSGAII ACC tienen un mal funcionamiento debido a que el operador de crowding hace muy dificil que se centre en la zona del pareto deseada. En las figuras 2 y 3 se puede ver la formación del pareto durante la ejecución de cada algoritmo. En la figura 2 se puede ver como hasta la mitad de la ejecución de SPEA2 ACC (antes de que se reinicie la población) va explorando para centrarse en una zona del pareto. Después de reiniciar, se vuelve a expandir el pareto para continuar en las siguientes ejecuciones centrandose en la zona del pareto con un menor número de reglas y una buena precisión. En el resto de métodos, figuras 2 y 3, se ve como el pareto va avanzando sin expandirse demasiado, no per-
6 + Error NSGAII NSGAIIacc Nº Evaluaciones Figura 3: Frentes de Pareto de NSGAII y NSGAII acc. mitiéndole llegar a buenos resultados ni siquiera en el caso de NSGAII. 5 Conclusiones A la vista de los resultados se puede concluir que los modelos obtenidos por el método propuesto presentan un mejor equilibrio entre interpretabilidad y precisión. Al buscar una buena configuración de reglas (quitando sólo reglas de poca importancia) y centrarse en ajustar los parámetros para un conjunto de reglas pequeño, se han llegado a obtener modelos que presentan incluso mayor precisión que los métodos únicamente guiados por medidas de precisión. Por otro lado, el algoritmo propuesto (SPEA2 ACC ) puede ser útil para problemas que aunque de naturaleza multiobjetivo necesitan como solución no toda la frontera de Pareto sino un área especifica del mismo. Referencias [1] J. Casillas, O. Cordón, F. Herrera, L. Magdalena (Eds). Accuracy improvements in linguistic fuzzy modeling. Springer-Verlag, [2] J. Casillas, O. Cordón, M.J. del Jesus, F. Herrera. Genetic tuning of fuzzy rule deep structures preserving interpretability and its interaction with fuzzy rule set reduction. IEEE Trans. on Fuzzy Systems 13:1, Pág.1329, [3] C.A. Coello Coello, D.A. Van Veldhuizen, G.B. Lamont. Evolutionary algorithms for solving multi-objective problems. Kluwer Academic Publishers, [4] O. Cordón, F. Herrera. A three-stage evolutionary process for learning descriptive and approximate fuzzy logic controller knowledge bases from examples. Int. J. of Approximate Reasoning 17:4, Pág , [5] O. Cordón, F. Herrera, L. Sánchez. Solving electrical distribution problems using hybrid evolutionary data analysis techniques. Applied Intelligence 10, Pág.5-24, [6] K. Deb, A. Pratap, S. Agarwal, T. Meyarivan. A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans. on Evolutionary Computation 6:2, Pág , [7] L.J. Eshelman. The CHC adaptive search algorithm: How to have safe search when engaging in nontraditional genetic recombination. Foundations of genetic Algorithms 1, Pág.2-283, [8] L.J. Eshelman, J.D. Schaffer. Real-coded genetic algorithms and interval-schemata. Foundations of Genetic Algorithms 2, Pág , [9] K. Narukawa, Y. Nojima, H. Ishibuchi. Modification of Evolutionary Multiobjective Optimization Algorithms for Multiobjective Design of Fuzzy Rule-Based Classification Systems. IEEE Int. Conf. on Fuzzy Systems, Pág , [10] L.X. Wang, J.M. Mendel. Generating fuzzy rules by learning from examples. IEEE Trans. on Systems, Man, and Cybernetics 22:6, Pág , [11] E. Zitzler, M. Laumanns, L. Thiele. SPEA2: Improving the strength pareto evolutionary algorithm for multiobjetive optimization. Evolutionary Methods for Design, Optimization and Control with Applications to Industrial Problems (EU- ROGEN 01), Pág , 2001.
M.J. Gacto, R. Alcalá, F. Herrera. VI Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados (MAEB'09)
VI Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados (MAEB'09) Algoritmo Genético Multi-Objetivo Avanzado para el ajuste de un sistema difuso aplicado al Control de Sistemas
Más detallesMétodos evolutivos de Optimización. Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid
Métodos evolutivos de Optimización Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid Indice Introducción Método de Montecarlo Algoritmos genéticos Tabú Search Simulated
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 detallesDESCRIPCIÓN DE LA METODOLOGÍA UTILIZADA EN EL PROGRAMA DE CESTAS REDUCIDAS ÓPTIMAS
DESCRIPCIÓN DE LA METODOLOGÍA UTILIZADA EN EL PROGRAMA DE CESTAS REDUCIDAS ÓPTIMAS Replicar un índice Formar una cartera que replique un índice (o un futuro) como el IBEX 35, no es más que hacerse con
Más detalles1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1
5.1.3 Multiplicación de números enteros. El algoritmo de la multiplicación tal y como se realizaría manualmente con operandos positivos de cuatro bits es el siguiente: 1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0
Más detallesETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS
ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS EtsiIngenio Inteligencia Artificial 1 Raposo López Alejandro Sánchez Palacios Manuel Resumen dibujo de grafos mediante algoritmos genéticos
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 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 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 detallesAlgoritmos Genéticos. Introduccion a la Robótica Inteligente
Algoritmos Genéticos Introduccion a la Robótica Inteligente 7 Marzo 2014 (IRIN) AGs 7/03/2014 1 / 43 Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos Matemáticos 4 Conclusiones (IRIN)
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 detallesEstimación de una probabilidad
Estimación de una probabilidad Introducción En general, la probabilidad de un suceso es desconocida y debe estimarse a partir de una muestra representativa. Para ello, deberemos conocer el procedimiento
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 detallesPráctica 5. Curso 2014-2015
Prácticas de Seguridad Informática Práctica 5 Grado Ingeniería Informática Curso 2014-2015 Universidad de Zaragoza Escuela de Ingeniería y Arquitectura Departamento de Informática e Ingeniería de Sistemas
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 detallesH E R R A M I E N T A S D E A N Á L I S I S D E D A T O S HERRAMIENTAS DE ANÁLISIS DE DATOS
H E R R A M I E N T A S D E A N Á L I S I S D E D A T O S HERRAMIENTAS DE ANÁLISIS DE DATOS Una situación que se nos plantea algunas veces es la de resolver un problema hacia atrás, esto es, encontrar
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 detalles3º Grado Educación Infantil Bilingüe Números. Método Singapur y F. Bravo E R
MATEMÁTICAS PARA EDUCACIÓN INFANTIL N Enseñamos y aprendemos llos números:: Método Siingapur y Fernández Bravo,, Porr Clarra Garrcí ía,, Marrtta Gonzzál lezz y Crri isstti ina Lattorrrre.. Ú M E R O S
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 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 detallescapitulo3 MARCO TEÓRICO Para el diseño de la reubicación de los procesos se hará uso de la Planeación
capitulo3 MARCO TEÓRICO Para el diseño de la reubicación de los procesos se hará uso de la Planeación Sistemática de Layout, SLP por sus siglas en inglés. Se hará uso de la simulación para comparar el
Más detallesGUÍA DEL PROFESOR CONSUMO DE ENERGÍA ELÉCTRICA EN UNA CASA
CONSUMO DE ENERGÍA ELÉCTRICA EN UNA CASA Se trata de una actividad para desarrollar con la hoja de cálculo, en la que se estima el consumo de energía eléctrica que se realiza en una casa. OBJETIVOS o Uso
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 detallesIntroducción a la Computación Evolutiva
Introducción a la Computación Evolutiva Sección de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx http: //delta.cs.cinvestav.mx/~ccoello
Más detallesOptimización de Procesos
Optimización de Procesos Tier I: Métodos Matemáticos de Click to edit Master title style Optimización Sección 4: Optimización Multi-Objetivo Click to Introducción edit Master title style La optimización
Más detallesAplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI
Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI Ricardo Köller Jemio Departamento de Ciencias Exactas e Ingeniería, Universidad
Más detallesOperación Microsoft Access 97
Trabajar con Controles Características de los controles Un control es un objeto gráfico, como por ejemplo un cuadro de texto, un botón de comando o un rectángulo que se coloca en un formulario o informe
Más detallesAlgoritmos Genéticos.
Algoritmos Genéticos. Miguel Cárdenas Montes, Antonio Gómez Iglesias Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es 15-19 de Octubre de 2011
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 detallesPRUEBAS DE SOFTWARE TECNICAS DE PRUEBA DE SOFTWARE
PRUEBAS DE SOFTWARE La prueba del software es un elemento crítico para la garantía de la calidad del software. El objetivo de la etapa de pruebas es garantizar la calidad del producto desarrollado. Además,
Más detallesGANTT, PERT y CPM. Figura 5.3: Carta GANTT 3.
GANTT, PERT y CPM Características Conseguir una buena programación es un reto, no obstante es razonable y alcanzable. Ella debe tener el compromiso del equipo al completo, para lo cual se recomienda que
Más detallesAlgoritmos Genéticos Y
Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Algoritmos Genéticos - Operadores
Más detallesDocumento diseño de evaluación en términos de comparabilidad entre grupos de tratamiento y control
SEPTIEMBRE 2012 Tercer Informe Documento diseño de evaluación en términos de comparabilidad entre grupos de tratamiento y control ÍNDICE 1. Introducción...4 2. La base de datos del PRONABES....5 3. Selección
Más detallesSOFTWARE DE CONTROL DE CALIDAD DE MANTENIMIENTO Y LIMPIEZA
SOFTWARE DE CONTROL DE CALIDAD DE MANTENIMIENTO Y LIMPIEZA C/ Vilaseca, 156, Apdo., 67 08251 Castellnou de Bages Barcelona Teléfono/Fax: 93 832 12 20 www.fourtrack.biz fts@fourtrack.biz Presentación Clean
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 detalles5.4. Manual de usuario
5.4. Manual de usuario En esta sección se procederá a explicar cada una de las posibles acciones que puede realizar un usuario, de forma que pueda utilizar todas las funcionalidades del simulador, sin
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 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 detallesProgramación Genética
Programación Genética Programación Genética consiste en la evolución automática de programas usando ideas basadas en la selección natural (Darwin). No sólo se ha utilizado para generar programas, sino
Más detallesMovimiento a través de una. José San Martín
Movimiento a través de una curva José San Martín 1. Introducción Una vez definida la curva sobre la cual queremos movernos, el siguiente paso es definir ese movimiento. Este movimiento se realiza mediante
Más detallesCapítulo 5: Pruebas y evaluación del sistema. A continuación se muestran una serie de pruebas propuestas para evaluar varias
Capítulo 5: Pruebas y evaluación del sistema 5.1 Definición de pruebas para la aplicación A continuación se muestran una serie de pruebas propuestas para evaluar varias características importantes del
Más detallesESTIMACION DE INTERVALOS DE CONFIANZA
pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones
Más detallesCAPÍTULO VI PREPARACIÓN DEL MODELO EN ALGOR. En este capítulo, se hablará acerca de los pasos a seguir para poder realizar el análisis de
CAPÍTULO VI PREPARACIÓN DEL MODELO EN ALGOR. En este capítulo, se hablará acerca de los pasos a seguir para poder realizar el análisis de cualquier modelo en el software Algor. La preparación de un modelo,
Más detallesAnálisis de medidas conjuntas (conjoint analysis)
Análisis de medidas conuntas (conoint analysis). Introducción Como ya hemos dicho anteriormente, esta técnica de análisis nos sirve para analizar la importancia que dan los consumidores a cada uno de los
Más detallesIntroducción a Protégé
FACULTAD DE INFORMÁTICA LICENCIATURA EN DOCUMENTACIÓN SISTEMAS DE REPRESENTACIÓN Y PROCESAMIENTO AUTOMÁTICO DEL CONOCIMIENTO Práctica 1 1ª Parte Introducción a Protégé Febrero 2003 1. Objetivo La presente
Más detallesConclusiones. Particionado Consciente de los Datos
Capítulo 6 Conclusiones Una de las principales conclusiones que se extraen de esta tesis es que para que un algoritmo de ordenación sea el más rápido para cualquier conjunto de datos a ordenar, debe ser
Más detallesDISCOS RAID. Se considera que todos los discos físicos tienen la misma capacidad, y de no ser así, en el que sea mayor se desperdicia la diferencia.
DISCOS RAID Raid: redundant array of independent disks, quiere decir conjunto redundante de discos independientes. Es un sistema de almacenamiento de datos que utiliza varias unidades físicas para guardar
Más detallesEL DISEÑO FACTORIAL COMPLETO 2 k
EL DISEÑO FACTORIAL COMPLETO 2 k Joan Ferré Grupo de Quimiometría y Cualimetría Departamento de Química Analítica y Química Orgánica Universidad Rovira i Virgili (Tarragona) INTRODUCCIÓN En el primer artículo
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 detallesServicio de administración de pautas publicitarias en Internet
Servicio de administración de pautas publicitarias en Internet Resumen Ejecutivo Es habitual que la publicidad en Internet sea un apéndice de la publicidad en otros medios. Como no se conocen los resultados,
Más detallesCONSULTAS CON SQL. 3. Hacer clic sobre el botón Nuevo de la ventana de la base de datos. Aparecerá el siguiente cuadro de diálogo.
CONSULTAS CON SQL 1. Qué es SQL? Debido a la diversidad de lenguajes y de bases de datos existentes, la manera de comunicar entre unos y otras sería realmente complicada a gestionar de no ser por la existencia
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 detallesMANUAL DE USUARIO SISTEMA DE ALMACEN DIF SONORA
MANUAL DE USUARIO SISTEMA DE ALMACEN DIF SONORA DICIEMBRE 2007. El Sistema de Almacén fue desarrollado con la finalidad de facilitar a los usuarios el proceso de entradas y salidas del almacén mediante
Más detallesLa ventana de Microsoft Excel
Actividad N 1 Conceptos básicos de Planilla de Cálculo La ventana del Microsoft Excel y sus partes. Movimiento del cursor. Tipos de datos. Metodología de trabajo con planillas. La ventana de Microsoft
Más detallesGuías _SGO. Gestione administradores, usuarios y grupos de su empresa. Sistema de Gestión Online
Guías _SGO Gestione administradores, usuarios y grupos de su empresa Sistema de Gestión Online Índice General 1. Parámetros Generales... 4 1.1 Qué es?... 4 1.2 Consumo por Cuentas... 6 1.3 Días Feriados...
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 detallesESTUDIAR MATEMATICA EN CASA
ESTUDIAR MATEMATICA EN CASA Sugerencias para docentes Sea cual fuere el enfoque de enseñanza de la matemática adoptado, todos los docentes acuerdan en la importancia del tiempo extraescolar dedicado al
Más detalles4.Diseño de Bases de Datos (I)
4.Diseño de Bases de Datos (I) 4.1 Anomalías. Se denominan así en teoría de Bases de Datos a ciertos problemas que aparecen con frecuencia en el manejo de las mismas cuando el diseño no ha sido realizado
Más detallesMantenimiento Limpieza
Mantenimiento Limpieza El programa nos permite decidir qué tipo de limpieza queremos hacer. Si queremos una limpieza diaria, tipo Hotel, en el que se realizan todos los servicios en la habitación cada
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 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 detallesGeneración de funciones lógicas mediante decodificadores binarios con salidas activas a nivel alto
Generación de funciones lógicas mediante decodificadores binarios con salidas activas a nivel alto Apellidos, nombre Martí Campoy, Antonio (amarti@disca.upv.es) Departamento Centro Informática de Sistemas
Más detallesÍNDICE DISEÑO DE CONTADORES SÍNCRONOS JESÚS PIZARRO PELÁEZ
ELECTRÓNICA DIGITAL DISEÑO DE CONTADORES SÍNCRONOS JESÚS PIZARRO PELÁEZ IES TRINIDAD ARROYO DPTO. DE ELECTRÓNICA ÍNDICE ÍNDICE... 1 1. LIMITACIONES DE LOS CONTADORES ASÍNCRONOS... 2 2. CONTADORES SÍNCRONOS...
Más detallesHOT POTATOES: UNA NUEVA HERRAMIENTA EDUCATIVA
HOT POTATOES: UNA NUEVA HERRAMIENTA EDUCATIVA ÍNDICE: 1. Introducción 2. Programa Hot Potatoes 3. Requisitos del programa 4. Configuración de Hot Potatoes 5. Bibliografía 1. INTRODUCCIÓN Con la aparición
Más detallesConclusiones, aportaciones y sugerencias para futuros trabajos
Capítulo 7 Conclusiones, aportaciones y sugerencias para futuros trabajos En este último capítulo se va a realizar una recapitulación de las conclusiones extraídas en cada uno de los capítulos del presente
Más detallesLAS SUBCONSULTAS SQL SERVER 2005. Manual de Referencia para usuarios. Salomón Ccance CCANCE WEBSITE
LAS SUBCONSULTAS SQL SERVER 2005 Manual de Referencia para usuarios Salomón Ccance CCANCE WEBSITE LAS SUBCONSULTAS Una subconsulta es una consulta que aparece dentro de otra consulta o subconsultas, en
Más detallesPRUEBAS, CALIDAD Y MANTENIMIENTO DEL SOFTWARE
VI PRUEBAS, CALIDAD Y MANTENIMIENTO DEL SOFTWARE 6.1 PRUEBAS DEL SOFTWARE Una vez generado el código el software debe ser probado para descubrir el máximo de errores posibles antes de su entrega al cliente.
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 detallesAdaptación al NPGC. Introducción. NPGC.doc. Qué cambios hay en el NPGC? Telf.: 93.410.92.92 Fax.: 93.419.86.49 e-mail:atcliente@websie.
Adaptación al NPGC Introducción Nexus 620, ya recoge el Nuevo Plan General Contable, que entrará en vigor el 1 de Enero de 2008. Este documento mostrará que debemos hacer a partir de esa fecha, según nuestra
Más detallesMedias Móviles: Señales para invertir en la Bolsa
www.gacetafinanciera.com Medias Móviles: Señales para invertir en la Bolsa Juan P López..www.futuros.com Las medias móviles continúan siendo una herramienta básica en lo que se refiere a determinar tendencias
Más detallesValidation. Validación Psicométrica. Validation. Central Test. Central Test. Centraltest CENTRAL. L art de l évaluation. El arte de la evaluación
Validation Validación Psicométrica L art de l évaluation Validation Central Test Central Test Centraltest L art de l évaluation CENTRAL test.com El arte de la evaluación www.centraltest.com Propiedades
Más detallesNociones básicas sobre adquisición de señales
Electrónica ENTREGA 1 Nociones básicas sobre adquisición de señales Elaborado por Juan Antonio Rubia Mena Introducción Con este documento pretendemos dar unas nociones básicas sobre las técnicas de medida
Más detallesTratamiento del Riesgo
Tratamiento del Riesgo 1 En que consiste el tratamiento de los riesgos? 2. Cuando debemos enfrentarnos a los riesgos? 3. Estrategias de tratamiento de riesgos 4. Modelo de Análisis de Riesgos 5. Qué pasos
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 detallesAplicación informática de Optimización de Facturas Eléctricas (O.F.E)
Aplicación informática de Optimización de Facturas Eléctricas (O.F.E) Contenido 1. Aspecto de la aplicación informática OFE... 3 1.1 Menú Principal.... 3 1.2 Botones de la aplicación.... 3 2. Como introducir
Más detallesANÁLISIS DE BALANCES CON EL NUEVO PGC DE 2008
ANÁLISIS DE BALANCES CON EL NUEVO PGC DE 2008 Índice: 1.- ANÁLISIS DE BALANCES. GENERALIDADES...2 2.- EL FONDO DE MANIOBRA...2 3.- ANÁLISIS FINANCIERO DEL BALANCE...3 4.- ANÁLISIS ECONÓMICO DEL BALANCE...6
Más detallesUnidad I. 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal)
Unidad I Sistemas numéricos 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal) Los computadores manipulan y almacenan los datos usando interruptores electrónicos que están ENCENDIDOS o APAGADOS.
Más detallesBREVE MANUAL DE SOLVER
BREVE MANUAL DE SOLVER PROFESOR: DAVID LAHOZ ARNEDO PROGRAMACIÓN LINEAL Definición: Un problema se define de programación lineal si se busca calcular el máximo o el mínimo de una función lineal, la relación
Más detallesCARTILLA TIPOS DE PRESUPUESTO
CARTILLA TIPOS DE PRESUPUESTO SENA CENTRO NACIONAL DE LA CONSTRUCCIÓN MEDELLÍN, 2004 TIPOS DE PRESUPUESTO 1. PRESUPUESTO GLOBAL Es aquel en el cual se presenta el valor total del proyecto sin ningún tipo
Más detallesArchivo de correo con Microsoft Outlook contra Exchange Server
Archivo de correo con Microsoft Outlook contra Exchange Server Resumen Con este proceso de archivado, lo que pretendemos es guardar nuestro correo en un archivo de datos, para así poder realizar una copia
Más detalles2 EL DOCUMENTO DE ESPECIFICACIONES
Ingeniería Informática Tecnología de la Programación TEMA 1 Documentación de programas. 1 LA DOCUMENTACIÓN DE PROGRAMAS En la ejecución de un proyecto informático o un programa software se deben de seguir
Más detallesMANUAL DE USUARIO DE LA APLICACIÓN DE ACREDITACION DE ACTIVIDADES DE FORMACION CONTINUADA. Perfil Entidad Proveedora
MANUAL DE USUARIO DE LA APLICACIÓN DE ACREDITACION DE ACTIVIDADES DE FORMACION CONTINUADA Perfil Entidad Proveedora El objetivo del módulo de Gestión de Solicitudes vía Internet es facilitar el trabajo
Más detallesPráctica 11 SVM. Máquinas de Vectores Soporte
Práctica 11 SVM Máquinas de Vectores Soporte Dedicaremos esta práctica a estudiar el funcionamiento de las, tan de moda, máquinas de vectores soporte (SVM). 1 Las máquinas de vectores soporte Las SVM han
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 detallesTARIFAS DE VENTA Y DESCUENTOS
Manual del módulo TRAZABILIDAD EUROWIN 8.0 SQL TARIFAS DE VENTA Y DESCUENTOS 1 Documento: docew_tarifasventa Edición: 03 Nombre: Tarifas de venta y descuentos Fecha: 06-05-2009 Índice 1. Introducción...
Más detallesCriterios de Selección de Inversiones: El Valor Actual Neto y sus derivados *.
Criterios de Selección de Inversiones: El Valor Actual Neto y sus derivados *. Uno de los criterios más válidos para la selección de inversiones alternativas es la determinación del Valor Actual Neto (VAN)
Más detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
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 detallesREPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL.
REPASO COCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓ ORMAL. Éste es un breve repaso de conceptos básicos de estadística que se han visto en cursos anteriores y que son imprescindibles antes de acometer
Más detallesIntroducción. Ciclo de vida de los Sistemas de Información. Diseño Conceptual
Introducción Algunas de las personas que trabajan con SGBD relacionales parecen preguntarse porqué deberían preocuparse del diseño de las bases de datos que utilizan. Después de todo, la mayoría de los
Más detallesContenidos. INFORME ENCUESTA TELEFÓNICA. Curso 2009 10
ENCUESTA DE OPINIÓN DEL ALUMNADO SOBRE LA ACTUACIÓN DOCENTE DEL PROFESORADO UNIVERSIDAD DE SEVILLA Curso 2009-2010 ENCUESTA TELEFÓNICA Contenidos Introducción.... 4 El Cuestionario... 5 El muestreo...
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 detallesINTRODUCCION A LA PROGRAMACION DE PLC
INTRODUCCION A LA PROGRAMACION DE PLC Esta guía se utilizará para estudiar la estructura general de programación de um PLC Instrucciones y Programas Una instrucción u orden de trabajo consta de dos partes
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 detalleswww.fundibeq.org Además se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión.
TORMENTA DE IDEAS 1.- INTRODUCCIÓN Este documento sirve de guía para la realización de una Tormenta de Ideas, también llamado "Brainstorming o Lluvia de ideas, la herramienta por medio de la cual se puede
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 detallesTema 1: Test de Distribuciones de Probabilidad
Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).
Más detallesCAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo
CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo Laboratorio de Redes de Neuronas Artificiales y Sistemas Adaptativos Universidade
Más detalles