Introducción a la Prospección de Datos Masivos ( Data Mining )

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

Download "Introducción a la Prospección de Datos Masivos ( Data Mining )"

Transcripción

1 Temaro Introduccón a la Prospeccón de Datos Masvos ( Data Mnng ) José Hernández Orallo Transparencas y otra documentacón en: Máster de Ingenería del Software. DSIC 1. Introduccón 1.1. Motvacón 1.2. Problemas tpo y aplcacones 1.3. Relacón de DM con otras dscplnas 2. El proceso de KDD 2.1. Las Fases del KDD 2.2. Tpología de Patrones de Mnería de Datos 2.3. Ejemplo 3. Técncas de Mnería de Datos 3.1. Taxonomía de Técncas Evaluacón de Hpótess 3.3. Técncas no supervsadas y descrptvas Técncas supervsadas y predctvas. 4. Desarrollo e Implantacón 4.1. Sstemas Comercales 4.2. Tendencas 4.3. Para saber más 2 3. Técncas de Mnería de Datos Taxonomía Técncas de Mnería de Datos Taxonomía de Técncas. Verfcaton Drven DM Data Mnng Source: and Jae Kyu Lee Dscovery Drven DM 3.2. Evaluacón de Hpótess 3.3. Técncas no supervsadas y descrptvas 3.4. Técncas supervsadas y predctvas 3 SQL Query Tools SQL Generator OLAP Vsualzaton Clusterng Assocaton Sequental Assocaton Dstllaton Descrpton Classfcaton Predcton Statstcal Regresson Decson Tree Rule Inducton Neural Network 4 Taxonomía de Técncas de DM Taxonomía de Técncas de DM Ejemplos: Interpolacón:? f(2.2)=? Predccón secuencal: 1, 2, 3, 5, 7, 11, 13, 17, 19,...? Aprendzaje supervsado: 1 3 -> > >? 7 2 -> 9. Segmentacón (Aprendzaje no supervsado): Cuántos grupos hay? Qué grupos formo? PREDICTIVO: Interpolacón y Predccón Secuencal. Generalmente las msmas técncas: Datos contnuos (reales): Regresón Lneal: Regresón lneal global (clásca). Regresón lneal ponderada localmente. Regresón No Lneal: logarítmca, pck & mx,... Datos dscretos: No hay técncas específcas: se suelen utlzar técncas de algortmos genétcos o algortmos de enumeracón refnados. Análss Exploratoro: Correlacones, Asocacones y Dependenca 5 6 1

2 Taxonomía de Técncas de DM PREDICTIVO: Aprendzaje supervsado. Dependendo de s se estma una funcón o una correspondenca: clasfcacón: se estma una funcón (las clases son dsjuntas). categorzacón: se estma una correspondenca (las clases pueden solapar). Dependendo del número y tpo de clases: clase dscreta: se conoce como clasfcacón. Ejemplo: determnar el grupo sanguíneo a partr de los grupos sanguíneos de los padres. s sólo tene dos valores (V y F) se conoce como concept learnng. Ejemplo: Determnar s un compuesto químco es cancerígeno. clase contnua o dscreta ordenada: se conoce como estmacón. Ejemplo: estmar el número de hjos de una famla a partr de otros ejemplos de famlas. 7 Taxonomía de Técncas de DM PREDICTIVO: Aprendzaje supervsado (Clasfcacón). Técncas: k-nn (Nearest Neghbor). k-means (compettve learnng). Perceptron Learnng. Multlayer ANN methods (e.g. backpropagaton). Radal Bass Functons. Decson Tree Learnng (e.g. ID3, C4.5, CART). Bayes Classfers. Center Splttng Methods. Rules (CN2) Pseudo-relatonal: Superchargng, Pck-and-Mx. Relatonal: ILP, IFLP, SCIL. Smlarty- Based Fence and Fll 8 Taxonomía de Técncas de DM DESCRIPTIVO: Análss Exploratoro Técncas: Estudos correlaconales Asocacones. Dependencas. Deteccón datos anómalos. Análss de dspersón. Taxonomía de Técncas de DM DESCRIPTIVO: Segmentacón (Aprendzaje no supervsado) Técncas de clusterng: k-means (compettve learnng). redes neuronales de Kohonen EM (Estmated Means) (Dempster et al. 1977). Cobweb (Fsher 1987). AUTOCLASS Evaluacón de Hpótess Evaluacón de Hpótess APROXIMACIONES: Asumr dstrbucones a pror. Crtero de smplcdad, de descrpcón o transmsón mínmas. Separar: Tranng Set y Test Set. Cross-valdaton. Basadas en refuerzo. Otras preguntas mportantes: Qué hpótess elegmos? Cómo sabemos lo ben que se comportará en el futuro? 11 PARTICIÓN DE LA MUESTRA Evaluar una hpótess sobre los msmos datos que han servdo para generarla da sempre resultados muy optmstas. Solucón: PARTIR EN: Tranng Set y Test Set. S los datos dsponbles son grandes (o lmtados) : Tranng Set: cjto. con el que el algortmo aprende una o más hpótess. Test Set: cjto. con el que se seleccona la mejor de las anterores y se estma su valdez. Para problemas con clase dscreta, se calcula la accuracy, que se mde como el porcentaje de acertos sobre el test set. Para problemas con clase contnua, se utlza la meda del error cuadrátco u otras meddas sobre el test set. 12 2

3 Correlacón y Asocacones (análss exploratoro o lnk analyss): Coefcente de correlacón (cuando los atrbutos son numércos: Ejemplo: desgualdad de repartcón en la rqueza e índces de delncuenca correlaconan postvamente. Asocacones (cuando los atrbutos son nomnales). Ejemplo: tabaqusmo y alcoholsmo están asocados. Dependencas funconales: asocacón undrecconal. Ejemplo: el nvel de resgo de enfermedades cardovasculares depende del tabaqusmo y alcoholsmo (entre otras cosas). 13 Correlacones y Estudos Factorales: Permten establecer relevanca/rrelevanca de factores y s aquélla es postva o negatva respecto a otro factor o varable a estudar. Ejemplo (Kel 2000): Estudo de vstas: 11 pacentes, 7 factores: Health: salud del pacente (referda a la capacdad de r a la consulta). (1-10) Need: convccón del pacente que la vsta es mportante. (1-10) Transportaton: dsponbldad de transporte del pacente al centro. (1-10) Chld Care: dsponbldad de dejar los nños a cudado. (1-10) Sck Tme: s el pacente está trabajando, puede darse de baja. (1-10) Satsfacton: satsfaccón del clente con su médco. (1-10) Ease: facldad del centro para concertar cta y efcenca de la msma. (1-10) No-Show: ndca s el pacente no se ha pasado por el médco durante el últmo año (0-se ha pasado, 1 no se ha pasado) 14 Correlacones y Estudos Factorales. Ejemplo (cont.): Matrz de correlacones: Coefcentes de Regresón: Health Need Transp ton Chld Care Sck Tme Satsfacton Ease No-Show Health 1 Need Transportaton Chld Care Sck Tme Satsfacton Ease No-Show Independent Varable Coeffcent Health.6434 Need.0445 Transportaton Chld Care Sck Tme Satsfacton.3537 Ease Indca que un ncremento de 1 en el factor Health aumenta la probabldad de que no aparezca el pacente en un 64.34% 15 Reglas de Asocacón y Dependenca: La termnología no es muy coherente en este campo (Fayyad, p.ej. suele llamar asocacones a todo y regla de asocacón a las dependencas): Asocacones: Se buscan asocacones de la sguente forma: (X 1 = a) (X 4 = b) De los n casos de la tabla, que las dos comparacones sean verdaderas o falsas será certo en r c casos: Un parámetro T c (confdence): T c = certeza de la regla = r c /n s consderamos valores nulos, tenemos tambén un número de casos en los que 16 se aplca satsfactoramente (dferente de T c ) y denomnado T s. Reglas de Asocacón y Dependenca de Valor: Dependencas de Valor: Se buscan dependencas de la sguente forma (f Ante then Cons): P.ej. f (X1= a, X3=c, X5=d) then (X4=b, X2=a) De los n casos de la tabla, el antecendente se puede hacer certo en r a casos y de estos en r c casos se hace tambén el consecuente, tenemos: Dos parámetros T c (confdence/accuracy) y T s (support): T c = certeza de la regla =r c /r a, fuerza o confanza P(Cons Ante) T s = mínmo nº de casos o porcentaje en los que se aplca satsfactoramente (r c o r c /n respectvamente). 17 Llamado tambén prevalenca: P(Cons Ante) Reglas de Asocacón y Dependenca de Valor. Ejemplo: DNI Renta Famlar Cudad Profesón Edad Hjos Obeso Casado Barcelona Ejecutvo 45 3 S S Mellla Abogado 25 0 S N León Ejecutvo 35 2 S S Valenca Camarero 30 0 S S Bendorm Anmador Parque Temátco 30 0 N N Asocacones: Casado e (Hjos > 0) están asocados (80%, 4 casos). Obeso y casado están asocados (80%, 4 casos) Dependencas: (Hjos > 0) Casado (100%, 2 casos). Casado Obeso (100%, 3 casos) 18 3

4 Patrones Secuencales: Se trata de establecer asocacones del estlo: s compra X en T comprará Y en T+P Patrones Secuencales: Ejemplo (cont.): Ejemplo: Patrones Secuencales: Ejemplo (cont.): Mary Clusterng (Segmentacón): Se trata de buscar agrupamentos naturales en un conjunto de datos tal que tengan semejanzas. Métodos de Agrupamento: Jerárqucos: los datos se agrupan de manera arborescente (p.ej. el reno anmal). No jerárqucos: generar partcones a un nvel. (a) Paramétrcos: se asumen que las densdades condconales de los grupos tenen certa forma paramétrca conocda (p.e. Gaussana), y se reduce a estmar los parámetros. (b) No paramétrcos: no asumen nada sobre el modo en el que se agrupan los objetos Clusterng (Segmentacón). Métodos jerárqucos: Un método sencllo consste en r separando ndvduos según su dstanca e r aumentando el límte para hacer grupos. Clusterng (Segmentacón). Métodos paramétrcos: (p.ej., el algortmo EM, Estmated Means) (Dempster et al. 1977). Esto nos da dferentes agrupacones a dstntos nveles, de una manera jerárquca, lo que se denomna Horzontal Herarchcal Tree Plot: 23 Gráfcas: Enrque Vdal 24 4

5 Clusterng (Segmentacón). Métodos No Paramétrcos Métodos: k-nn k-means clusterng, onlne k-means clusterng, centrodes SOM (Self-Organzng Maps) o Redes Kohonen. Clusterng (Segmentacón). Métodos No Paramétrcos 1-NN (Nearest Neghbour): Dado una sere de ejemplos en un espaco, se conecta cada punto con su punto más cercano: G1 G2 G4 Otros específcos: El algortmo Cobweb (Fsher 1987). El algortmo AUTOCLASS (Cheeseman & Stutz 1996) 25 La conectvdad entre puntos genera los grupos. A veces hace grupos pequeños. Exsten varantes: k-nn. G3 26 Clusterng (Segmentacón). Métodos No Paramétrcos k-means clusterng: Se utlza para encontrar los k puntos más densos en un conjunto arbtraro de puntos. Clusterng (Segmentacón). Métodos No Paramétrcos SOM (Self-Organzng Maps) o Redes Kohonen Tambén conocdos como LVQ (lnear-vector quantzaton) o redes de memora asocatva (Kohonen 1984). On-lne k-means clusterng (compettve learnng): Refnamento ncremental del anteror. 27 La matrz de neuronas de la últma capa forma un grd bdmensonal. 28 Otros Clusterng (Segmentacón). Métodos No Paramétrcos SOM (Self-Organzng Maps) o Redes Kohonen Tambén puede verse como una red que reduce la dmensonaldad a 2. Por eso es común realzar una representacón bdmensonal con el resultado de la red para buscar grupos vsualmente. 29 Análss Estadístcos: Estudo de la dstrbucón de los datos. Deteccón datos anómalos. Análss de dspersón. Muchas veces, estos análss se pueden utlzar prevamente para determnar el método más apropado para un aprendzaje supervsado Tambén se utlzan mucho para la lmpeza y preparacón de datos para el uso de métodos supervsados. 30 5

6 Métodos Predctvos. Interpolacón y Predccón Secuencal Métodos Predctvos. Interpolacón y Predccón Secuencal Regresón Lneal Global. Se buscan los coefcentes de una funcón lneal f Para más de dos dmensones se puede hacer por gradent descent Regresón No Lneal. Estmacón Logarítmca (se susttuye la funcón a obtener por y=ln(f)). Se hace regresón lneal para calcular los coefcentes y a la hora de predecr se calcula la f = e y. Pck and Mx - Superchargng Se añaden dmensones, combnando las dadas. P.ej. x 4 = x 1 x 2, x 5 = x 3 2, x 6 = x 1 x 2 y obtener una funcón lneal de x 1, x 2, x 3, x 4, x 5, x 6 31 Regresón Lneal Ponderada Localmente. La funcón lneal se aproxma para cada punto x q a nterpolar: f ˆ ( x) = w0 + w1 x w m x m Regresón Adaptatva. Especalzados en predccón secuencal. Muy utlzada en compresón de sondo y de vídeo, en redes, etc. (se predcen las sguentes tramas) Algortmos mucho más sofstcados (cadenas de Markov, VQ)??? 32 Métodos Predctvos. k-nn (Nearest Neghbour): se puede usar para clasfcacón? Clasfca? círculo Clasfca cuadrado 1-nearest neghbor 7-nearest neghbor PARTICIÓN DEL 1-nearest neghbor k-means clusterng: (Polédrca o de Vorono) Aunque lo vmos como una técnca no supervsada, tambén se puede utlzar para aprendzaje supervsado, s se utlza convenentemente. 33 Perceptron Learnng. Saldas W1,1 W1,2 W2,2 W3,2 W5,3 W2,1 W3,1 W4,2 W5,2 W4,1 Entradas W1,3 W2,3 W3,3 W4,3 W5,1 x1 x2 x3 x4 x5 Computan una funcón lneal. y' = j n = 1 w y1, j x PARTICIÓN LINEAL POSIBLE y2 PARTICIÓN LINEAL IMPOSIBLE y3 34 Multlayer Perceptron (redes neuronales artfcales, ANN). El perceptron de una capa no es capaz de aprender las funcones más sencllas. Se añaden capas nternas. Hdden Layer Entradas Saldas h1,1 y1 y2 h1,2 h1,3 h1,4 h1,5 x1 x2 x3 PARTICIÓN NO LINEAL MÚLTIPLE POSIBLE CON 4 UNIDADES INTERNAS x4 y3 35 Árboles de Decsón (ID3 (Qunlan), C4.5 (Qunlan), CART). Ejemplo C4.5 con datos dscretos: Example Sky Temperature Humdty Wnd PlayTenns 1 Sunny Hot Hgh Weak No 2 Sunny Hot Hgh Strong No 3 Overcast Hot Hgh Weak Yes 4 Ran Mld Hgh Weak Yes 5 Ran Cool Normal Weak Yes 6 Ran Cool Normal Strong No 7 Overcast Cool Normal Strong Yes 8 Sunny Mld Hgh Weak No 9 Sunny Cool Normal Weak Yes 10 Ran Mld Normal Weak Yes 11 Sunny Mld Normal Strong Yes 12 Overcast Mld Hgh Strong Yes 13 Overcast Hot Normal Weak Yes 14 Ran Mld Hgh Strong No 36 6

7 Árboles de Decsón. Ejemplo C4.5 con datos dscretos: NO Sunny Humdty? YES Overcast Outlook? YES NO Ran Wnd? Hgh Normal Strong Weak P.ej., la nstanca: (Outlook = sunny, Temperature = cool, Humdty = hgh, Wnd = strong) es NO. 37 YES Nave Bayes Classfers. Se utlzan más con varables dscretas. Ejemplo del playtenns: Queremos clasfcar una nueva nstanca: (Outlook = sunny, Temperature = cool, Humdty = hgh, Wnd = strong) V = arg max P( c ) P( x c ) = NB = arg max P( c ) P( Outlook = sunny c ) P( Temperature = cool c ) c { yes, no} c { yes, no} j j P( Humdty = hgh c ) P( Wnd = strong c ) Estmando las 10 probabldades necesaras: P(Playtenns=yes)=9/14=.64, P(Playtenns=no)=5/14=.36 P(Wnd=strong Playtenns=yes)=3/9=.33 P(Wnd=strong Playtenns=no)=3/5= Tenemos que: P(yes)P(sunny yes)p(cool yes)p(hgh yes)p(strong yes)= P(no)P(sunny no)p(cool no)p(hgh no)p(strong no)= Comparacón de métodos no relaconales: k-nn: Redes neuronales (multcapa): Muy fácl de usar Efcente s el nº de ejemplos no es excesvamente grande. El valor de k no es muy mportante. Gran expresvdad de la partcón. Intelgble sólo vsualmente. Robusto al rudo pero no a atrbutos no sgnfcatvos (las dstancas aumentan, conocdo como the curse of dmensonalty ) El número de capas y elementos por capa dfícles de ajustar. Apropado para clases dscretas o contnuas. Poca ntelgbldad. Muy sensbles a outlers (datos anómalos). Se necestan muchos ejemplos. 39 Comparacón de métodos no relaconales (cont.): Nave Bayes: Árboles de decsón: (C4.5): Muy fácl de usar. Muy efcente. NO HAY MODELO. Robusto al rudo. Muy fácl de usar. Admte atrbutos dscretos y contnuos. La clase debe ser dscreta y fnta. (aunque tb. exsten los árboles de regresón que permten clase contnua) Es tolerante al rudo, a atrbutos no sgnfcatvos y a mssng attrbute values. Alta ntelgbldad. 40 Aprendzaje Relaconal y Recursvo: IFP (Inductve Functonal Programmng). Se aprenden reglas de la forma: g(f(a), X) b Exsten aproxmacones con LISP, el lenguaje ML y otros (70s). ILP (Inductve Logc Programmng). El lenguaje representaconal es lógca de prmer orden. (Dzerosk & Lavrac 2001). p(x,y,b) :- q(f(x,y), c) Inco en los 80 (Shapro) y gran desarrollo en la década de los 90. IFLP (Inductve Functonal Logc Programmng): g(f(a),x) b :- p(x,b) = true, q(x,x) = a Mayor naturaldad y expresvdad. Ventaja con problemas de clasf. Aprendzaje en Orden Superor. Algún ntento con el lenguaje Escher. Todavía en pañales. 41. Sobremuestreo Sobremuestreo (oversamplng): En problemas de clasfcacón sobre bases de datos es posble que haya muchísma más proporcón de algunas clases sobre otras. Esto puede ocasonar que haya muy pocos casos de una clase: Problema: la clase escasa se puede tomar como rudo y ser gnorada por la teoría. Ejemplo: s un problema bnaro (yes / no) sólo hay un 1% de ejemplos de la clase no, la teoría todo es de la clase yes tendría un 99% de precsón (accuracy). Solucones: Utlzar sobremuestro... Análss ROC 42 7

8 . Sobremuestreo Sobremuestreo (oversamplng / balancng): El sobremuestreo/submuestreo consste en repetr/fltrar los ejemplos (tuplas) de las clases con menor/mayor proporcón, mantenendo las tuplas de las clases con mayor/menor proporcón. Esto, evdentemente, camba la proporcón de las clases, pero permte aprovechar a fondo los ejemplos de las clases más raras. Cuándo se debe usar sobremuestreo? Cuando una clase es muy extraña: p.ej. predecr fallos de máqunas, anomalías, excepcones, etc. Cuando todas las clases (especalmente las escasas) deben ser valdadas. P.ej. s la clase escasa es la de los clentes fraudulentos. Pegas: hay que ser muy cudadoso a la hora de evaluar los modelos. 43. Macro-average Macro-average: Una alternatva al sobremuestreo consste en calcular la precsón de una manera dferente. Habtualmente, la precsón (accuracy) se calcula: acc ( h) = acertos / total (conocdo como mcro-averaged accuracy) La alternatva es calcular la precsón como: acertosclase / totalclase 1 + acertosclase2 / totalclase acertos acc( h) = nº clases (conocdo como macro-averaged accuracy) / total 1 clase n clase n De esta manera se obtene un resultado mucho más compensado 44. Errores de Clasfcacón (confusón de clases) : En muchos casos de mnería de datos, el error de clasfcacón sobre una clase no tene las msmas consecuencas económcas, étcas o humanas que con otras. Ejemplo: clasfcar una partda de neumátcos en perfectas condcones como defectuososo o vceversa.. Matrces de Confusón y Coste: Exsten técncas para ponderar las clases se combnan las matrces de confusón con las matrces de costes : COST predcted ERROR predcted actual low medum hgh low medum hgh actual low medum hgh low medum hgh Coste total: Errores de Clasfcacón y Malngs: Más aún... Exsten técncas específcas para evaluar la convenenca de campañas de malngs (propaganda por correo selectva): EJEMPLO: Una compañía quere hacer un malng para fomentar la compra de productos. En caso de respuesta postva, los clentes suelen comprar productos por valor medo de 100. S un 55% suelen ser costes de produccón (fjos y varables), tenemos que por cada respuesta postva hay una gananca meda de 45. Cada malng cuesta 1 (portes, folletos) y el conjunto de la campaña (ndep. del número) tendría un coste base Con un de clentes, en el que el 1% responde, cómo podemos evaluar y aplcar un modelo que nos dce (ordena) 47 los mejores clentes para la campaña? Errores de Clasfcacón y Malngs. Ejemplo: Tabla mostrando el benefco para cada decl: Coste Campaña > Coste Campaña x 1 --> Total: > x 1 --> Total: Benef. Campaña x 45 --> Benef. Campaña Benef Netos: x 45 --> Benef. Netos:

9 . Errores de Clasfcacón y Malngs. Ejemplo (cont.): Gráfca mostrando el benefco para tres campañas dferentes:. Errores de Clasfcacón: En este tpo de problemas (s son bnaros o ordenados) es preferble hacer hpótess con predccones probablístcas o con clases contnuas (estmacones), porque permten combnar con los costes de una manera más detallada. P.ej. es preferble un modelo que determne en una escala de 0 a 10 lo bueno que es un clente, que un modelo que determne s un clente es malo o bueno Análss ROC. Análss ROC (Recever Operatng Characterstc): Se basa en dbujar el true-postve rate en el eje y y el false-postve rate en el eje x. Por ejemplo, dada la sguente matrz de confusón: Actual T F T Predcted F Tendríamos TPR= 0.6 y FPR= Métodos Predctvos Combnacón de Hpótess Combnacón de Hpótess: BOOSTING: Se utlza el MISMO algortmo para aprender dstntas hpótess sobre dstntas partcones de los datos. Luego se combnan las dstntas hpótess. VOTING/ARBITER/COMBINER: Se utlza DISTINTOS algortmos para aprender dstntas hpótess sobre todo el conjunto de los datos. Luego se combnan las dstntas hpótess. True Postve Rate 0.6 Classfer at (0.3, 0.6) False Postve Rate Maneras de COMBINAR hpótess: WEIGHTING MAJORITY: el valor se obtene hacendo la meda (caso contnuo) o la medana (caso dscreto). STACKING/CASCADE: se utlza cada hpótess como una varable y se utlza otro algortmo (p.ej. una red neuronal para 52 asgnar dferentes pesos a las dferentes hpótess). 9

Relaciones entre variables

Relaciones entre variables Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.

Más detalles

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables

Más detalles

Economía de la Empresa: Financiación

Economía de la Empresa: Financiación Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se

Más detalles

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos. ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:

Más detalles

Análisis de Regresión y Correlación

Análisis de Regresión y Correlación 1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón

Más detalles

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1 Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale

Más detalles

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor

Más detalles

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,

Más detalles

REDES NEURALES. Modelo computacional para una neurona artificial: unidad de umbral binario.

REDES NEURALES. Modelo computacional para una neurona artificial: unidad de umbral binario. REDES NEURALES REFERENCIAS 1943. McCULLOCH Y PITTS. ( A Logcal Calculus of Ideas Immanent n Neurous Actvty ). 1960. ROSENBLATT. El Perceptron. 1982. HOPFIELD. Enfoque energétco. Algortmo de aprendzae de

Más detalles

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso

Más detalles

REGRESION Y CORRELACION

REGRESION Y CORRELACION nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda

Más detalles

Créditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias

Créditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias Crédtos Y Sstemas de Amortzacón: Dferencas, Smltudes e Implcancas Introduccón Cuando los ngresos de un agente económco superan su gasto de consumo, surge el concepto de ahorro, esto es, la parte del ngreso

Más detalles

INCORPORACIÓN DE TÉCNICAS MULTIVARIANTES EN UN SISTEMA GESTOR DE BASES DE DATOS TESIS DE MAESTRÍA. Autoría de: CARLOS MARIO SOTO JARAMILLO

INCORPORACIÓN DE TÉCNICAS MULTIVARIANTES EN UN SISTEMA GESTOR DE BASES DE DATOS TESIS DE MAESTRÍA. Autoría de: CARLOS MARIO SOTO JARAMILLO INCORPORACIÓN DE TÉCNICAS MULTIVARIANTES EN UN SISTEMA GESTOR DE BASES DE DATOS TESIS DE MAESTRÍA Autoría de: CARLOS MARIO SOTO JARAMILLO Drectora: Ph. D. CLAUDIA JIMÉNEZ RAMÍREZ MAESTRÍA EN INGENIERÍA

Más detalles

Correlación y regresión lineal simple

Correlación y regresión lineal simple . Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan

Más detalles

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada. Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo

Más detalles

Introducción al riesgo de crédito

Introducción al riesgo de crédito Introduccón al resgo de crédto Estrella Perott Investgador Senor Bolsa de Comerco de Rosaro eperott@bcr.com.ar. Introduccón El resgo credtco es el resgo de una pérdda económca como consecuenca de la falta

Más detalles

Segmentación de Imágenes mediante Reconocimiento de Patrones

Segmentación de Imágenes mediante Reconocimiento de Patrones Equaton Chapter 1 Secton 1 Materal del Curso Segmentacón de Imágenes medante Reconocmento de Patrones Ing. Dego Sebastán Comas Dr. Gustavo Javer Meschno Curso: Segmentacón de Imágenes medante Reconocmento

Más detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN COMERCIAL(I) EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado

Más detalles

MODELOS DE ELECCIÓN BINARIA

MODELOS DE ELECCIÓN BINARIA MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos

Más detalles

TÉCNICAS AUXILIARES DE LABORATORIO

TÉCNICAS AUXILIARES DE LABORATORIO TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar

Más detalles

Breve Estudio sobre la Aplicación de los Algoritmos Genéticos a la Recuperación de Información

Breve Estudio sobre la Aplicación de los Algoritmos Genéticos a la Recuperación de Información Breve Estudo sobre la Aplcacón de los Algortmos Genétcos a la Recuperacón de Informacón O. Cordón, F. oya 2,.C. Zarco 3 Dpto. Cencas de la Computacón e I.A. Unv. de Granada. Ocordon@decsa.ugr.es 2 Dpto.

Más detalles

Medidas de Tendencia Central y de Variabilidad

Medidas de Tendencia Central y de Variabilidad Meddas de Tendenca Central y de Varabldad Contendos Meddas descrptvas de forma: curtoss y asmetría Meddas de tendenca central: meda, medana y moda Meddas de dspersón: rango, varanza y desvacón estándar.

Más detalles

Estimación de la Demanda: Pronósticos

Estimación de la Demanda: Pronósticos UNIVERSIDAD SIMON BOLIVAR Estmacón de la Demanda: Pronóstcos PS-4161 Gestón de la Produccón I 1 Bblografía Recomendada Título: Dreccón de la Produccón: Decsones Estratégcas. Capítulo 4: Prevsón Autores:

Más detalles

YIELD MANAGEMENT APLICADO A LA GESTIÓN DE UN HOTEL

YIELD MANAGEMENT APLICADO A LA GESTIÓN DE UN HOTEL 27 Congreso Naconal de Estadístca e Investgacón Operatva Lleda, 8- de abrl de 2003 YIELD MANAGEMENT APLICADO A LA GESTIÓN DE UN HOTEL J. Guad, J. Larrañeta, L. Oneva Departamento de Organzacón Industral

Más detalles

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización. Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón

Más detalles

PORTAFOLIO DE TRES ACTIVOS FINANCIEROS

PORTAFOLIO DE TRES ACTIVOS FINANCIEROS PORTAFOLIO DE TRES ACTIVOS FINANCIEROS Contendo:. Introduccón.. Fondos Mutuos. Rendmento y Resgo.. Parámetros estadístcos de un Portafolo de Tres Actvos. a) El Retorno de un Portafolo. b) El Resgo de un

Más detalles

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009 UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas

Más detalles

METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS

METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento

Más detalles

ANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA.

ANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA. ANÁLISIS DE LA MOROSIDAD TRIBUTARIA DE LAS EMPRESAS APLICANDO TÉCNICAS BORROSAS Y ESTADÍSTICAS. EL CASO DE MAR DEL PLATA. SEGUNDA PARTE. (TRABAJO PRESENTADO EN EL CONGRESO DE LA SOCIEDAD ARGENTINA DE ESTADISTICA)

Más detalles

TEMA 4 Variables aleatorias discretas Esperanza y varianza

TEMA 4 Variables aleatorias discretas Esperanza y varianza Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón

Más detalles

TÉCNICAS DE ANÁLISIS DE DATOS

TÉCNICAS DE ANÁLISIS DE DATOS TÉCNICAS DE ANÁLISIS DE DATOS APLICACIONES PRÁCTICAS UTILIZANDO MICROSOFT EXCEL Y WEKA José Manuel Molna López Jesús García Herrero 2006 PRÓLOGO Estos apuntes pretenden dar una vsón general de las técncas

Más detalles

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ

Más detalles

MÉTODOS PARA PROBAR NUMEROS

MÉTODOS PARA PROBAR NUMEROS Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular

Más detalles

TERMODINÁMICA AVANZADA

TERMODINÁMICA AVANZADA TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón

Más detalles

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17 Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES

Más detalles

Modelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.

Modelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit. Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)

Más detalles

Proyecto CONICYT/BID 51/94. Desarrollo de metodologías orientadas al control de calidad e imputación de datos faltantes en parámetros meteorológicos

Proyecto CONICYT/BID 51/94. Desarrollo de metodologías orientadas al control de calidad e imputación de datos faltantes en parámetros meteorológicos Proyecto CONICYT/BID 51/94 Desarrollo de metodologías orentadas al control de caldad e mputacón de datos faltantes en parámetros meteorológcos Informe fnal Julo 1999 INDICE 1 - RESUMEN...1 1.2- RESUMEN

Más detalles

Jordi Esteve Comas. Monográfico sobre inestabilidad financiera.

Jordi Esteve Comas. Monográfico sobre inestabilidad financiera. Jord Esteve Comas Cclos, tendencas y estaconaldad en la bolsa española Monográfco sobre nestabldad fnancera. Quaderns de Polítca Econòmca. Revsta electrònca. 2ª época. Vol. 10, Mayo -Agosto 2005 Edta:

Más detalles

Clasificación Jerárquica de contenidos Web.

Clasificación Jerárquica de contenidos Web. Clasfcacón Jerárquca de contendos Web. Álvaro Gascón y Marín de la Puente Unversdad Carlos III Madrd 100029648@alumnos.uc3m.es Mguel María Rodríguez Aparco Unversdad Carlos III Madrd 100021447@alumnos.uc3m.es

Más detalles

FACTORES DE RIESGO Y CÁLCULO DE PRIMAS MEDIANTE TÉCNICAS DE APRENDIZAJE

FACTORES DE RIESGO Y CÁLCULO DE PRIMAS MEDIANTE TÉCNICAS DE APRENDIZAJE Insttuto de Cencas del Seguro FACTORES DE RIESGO Y CÁLCULO DE PRIMAS MEDIANTE TÉCNICAS DE APRENDIZAJE Carlos Bousoño Calzón Antono Heras Martínez Pedad Tolmos Rodríguez-Pñero FUNDACIÓN MAPFRE no se hace

Más detalles

TÉCNICAS DE ANÁLISIS DE DATOS

TÉCNICAS DE ANÁLISIS DE DATOS TÉCNICAS DE ANÁLISIS DE DATOS APLICACIONES PRÁCTICAS UTILIZANDO MICROSOFT EXCEL Y WEKA Jesús García Herrero 202 José Manuel Molna López PRÓLOGO Estos apuntes pretenden dar una vsón general de las técncas

Más detalles

Departamento Administrativo Nacional de Estadística

Departamento Administrativo Nacional de Estadística Departamento Admnstratvo Naconal de Estadístca Dreccón de Censos Demografía METODOLOGIA ESTIMACIONES Y PROYECCIONES DE POBLACIÓN, POR ÁREA, SEXO Y EDAD PARA LOS DOMINIOS DE LA GRAN ENCUESTA INTEGRADA DE

Más detalles

Estimación del consumo diario de gas a partir de lecturas periódicas de medidores

Estimación del consumo diario de gas a partir de lecturas periódicas de medidores Nota técnca Estmacón del consumo daro de gas a partr de lecturas peródcas de meddores Por Salvador Gl, Gerenca de Dstrbucón del Enargas, A. azzn, Gas Natural Ban y R. Preto, Gerenca de Dstrbucón del Enargas

Más detalles

FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN

FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN 1 CÁLCULO DE LOS FLUJOS NETOS DE CAJA Y TOMA DE DECISIONES DE INVERSIÓN PRODUCTIVA Peculardades

Más detalles

4 Contraste de hipótesis en el modelo de regresión múltiple

4 Contraste de hipótesis en el modelo de regresión múltiple 4 Contraste de hpótess en el modelo de regresón múltple Ezequel Urel Unversdad de Valenca Versón: 9-13 4.1 El contraste de hpótess: una panorámca 1 4.1.1 Formulacón de la hpótess nula y de la hpótess alternatva

Más detalles

ANÁLISIS EXPLORATORIO DE DATOS

ANÁLISIS EXPLORATORIO DE DATOS ANÁLISIS EXPLORATORIO DE DATOS 1. INTRODUCCIÓN HISTÓRICA 2 1.1 La Estadístca como cenca 2 1.2 Algunos problemas que resuelve la Estadístca 2 2. INTRODUCCIÓN A LA ESTADÍSTICA 3 2.1. Concepto y Objetvo de

Más detalles

2.5 Especialidades en la facturación eléctrica

2.5 Especialidades en la facturación eléctrica 2.5 Especaldades en la facturacón eléctrca Es necesaro destacar a contnuacón algunos aspectos peculares de la facturacón eléctrca según Tarfas, que tendrán su mportanca a la hora de establecer los crteros

Más detalles

Submicrométricas Ópticas

Submicrométricas Ópticas Estmacón n de la Dstrbucón n de Tamaños de Partículas Submcrométrcas de Látex L por Técncas T Óptcas Lus M. Guglotta, Georgna S. Stegmayer, Jorge R. Vega Santa Fe (ARGENTINA) Septembre de 007 Unversdad

Más detalles

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL

Más detalles

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de

Más detalles

Pruebas Estadísticas de Números Pseudoaleatorios

Pruebas Estadísticas de Números Pseudoaleatorios Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =

Más detalles

INVIRTIENDO EN PUBLICIDAD: ESTRATEGIAS DE LAS EMPRESAS DEL SECTOR COMERCIAL ECUATORIANO

INVIRTIENDO EN PUBLICIDAD: ESTRATEGIAS DE LAS EMPRESAS DEL SECTOR COMERCIAL ECUATORIANO ESCUELA SUPERIOR POLITECNICA DEL LITORAL INSTITUTO DE CIENCIAS HUMANISTICAS Y ECONOMICAS INVIRTIENDO EN PUBLICIDAD: ESTRATEGIAS DE LAS EMPRESAS DEL SECTOR COMERCIAL ECUATORIANO Resumen: Las decsones de

Más detalles

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................

Más detalles

3. CORRESPONDENCIA DE IMÁGENES

3. CORRESPONDENCIA DE IMÁGENES UNIVERSIDAD DE SALAMANCA MASTER DE GEOTECNOLOGÍAS CARTOGRÁFICAS EN INGENIERÍA Y ARQUITECTURA 3. CORRESPONDENCIA DE IMÁGENES Dego González Agulera Departamento de Ingenería Cartográfca del Terreno Escuela

Más detalles

Tasas de Caducidad. - Guía de Apoyo para la Construcción y Aplicación - Por: Act. Pedro Aguilar Beltrán. paguilar@cnsf.gob.mx

Tasas de Caducidad. - Guía de Apoyo para la Construcción y Aplicación - Por: Act. Pedro Aguilar Beltrán. paguilar@cnsf.gob.mx Tasas de Caducdad - Guía de Apoyo para la Construccón y Aplcacón - Por: Act. Pedro Agular Beltrán pagular@cnsf.gob.m 1. Introduccón La construccón y aplcacón de tasas de caducdad en el cálculo de utldades

Más detalles

La clasificación de métodos de registro propuesta por Maintz [1998] utiliza las siguientes categorías:

La clasificación de métodos de registro propuesta por Maintz [1998] utiliza las siguientes categorías: II.5. Regstro de mágenes médcas El regstro es la determnacón de una transformacón geométrca de los puntos en una vsta de un objeto con los puntos correspondentes en otra vsta del msmo objeto o en otro

Más detalles

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,

Más detalles

Media es la suma de todas las observaciones dividida por el tamaño de la muestra.

Media es la suma de todas las observaciones dividida por el tamaño de la muestra. Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,

Más detalles

Glosario básico. de términos estadísticos

Glosario básico. de términos estadísticos Glosaro básco de térmnos estadístcos Lma, mayo de 2006 CREDITOS Dreccón y Supervsón Lupe Berrocal de Montestruque Drectora Técnca del Centro de Investgacón y Desarrollo Responsable del documento Hermna

Más detalles

Smoothed Particle Hydrodynamics Animación Avanzada

Smoothed Particle Hydrodynamics Animación Avanzada Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla

Más detalles

El costo de oportunidad social de la divisa ÍNDICE

El costo de oportunidad social de la divisa ÍNDICE El Costo de Oportundad Socal de la Dvsa El costo de oportundad socal de la dvsa ÍNDICE. INTRODUCCIÓN. EL MARCO TEÓRICO 3. CÁLCULO DEL COSTO DE OPORTUNIDAD SOCIAL DE LA DIVISA 3. Nvel agregado 3. Nvel desagregado

Más detalles

CRM - Marketing 1to1

CRM - Marketing 1to1 CRM - Marketng 1to1 Una clara estratega de Para vsualzar la presentacón en pantalla completa, haga clck en: Examnar/Pantalla Completa negoco Por Qué Los Clentes Nos Dejan? 2 1% se mueren 3% camban de dreccón

Más detalles

CURSO DE POSTGRADO DEL CSIC: Tendencias actuales de la investigación en Enología Módulo: Tratamiento estadístico de los datos

CURSO DE POSTGRADO DEL CSIC: Tendencias actuales de la investigación en Enología Módulo: Tratamiento estadístico de los datos Tratamento estadístco de los datos. Dr. Pedro J. Martn Álvarez (CIAL, CSIS-UAM). CURSO DE POSTGRADO DEL CSIC: Tendencas actuales de la nvestgacón en Enología Módulo: Tratamento estadístco de los datos

Más detalles

Maestría en Economía Facultad de Ciencias Económicas Universidad Nacional de La Plata TESIS DE MAESTRIA. ALUMNO Laura Carella. DIRECTOR Alberto Porto

Maestría en Economía Facultad de Ciencias Económicas Universidad Nacional de La Plata TESIS DE MAESTRIA. ALUMNO Laura Carella. DIRECTOR Alberto Porto Maestría en Economía Facultad de Cencas Económcas Unversdad Naconal de La Plata TESIS DE MAESTRIA ALUMNO Laura Carella TITULO Educacón unverstara: medcón del rendmento académco a través de fronteras de

Más detalles

XLVII Reunión Anual. Noviembre de 2012

XLVII Reunión Anual. Noviembre de 2012 ANALES ASOCIACION ARGENTINA DE ECONOMIA POLITICA XLVII Reunón Anual Novembre de 2012 ISSN 1852-0022 ISBN 978-987-28590-0-8 EXPLICACIÓN DE LAS DECISIONES DE COMPRA DE ALCOHOL Y TABACO DE LOS HOGARES SANTAFESINOS

Más detalles

GANTT, PERT y CPM INDICE

GANTT, PERT y CPM INDICE GANTT, PERT y CPM INDICE 1 Antecedentes hstórcos...2 2 Conceptos báscos: actvdad y suceso...2 3 Prelacones entre actvdades...3 4 Cuadro de prelacones y matrz de encadenamento...3 5 Construccón del grafo...4

Más detalles

El clasificador Naïve Bayes en la extracción de conocimiento de bases de datos

El clasificador Naïve Bayes en la extracción de conocimiento de bases de datos El clasfcador Naïve Bayes en la extraccón de conocmento de bases de datos Samuel D. acheco Leal, Lus Gerardo Díaz Ortz, Rodolfo García Flores osgrado en Ingenería de Sstemas, FIME-UANL samuel@yalma.fme.uanl.mx

Más detalles

Equilibrio termodinámico entre fases fluidas

Equilibrio termodinámico entre fases fluidas CAPÍTULO I Equlbro termodnámco entre fases fludas El conocmento frme de los conceptos de la termodnámca se consdera esencal para el dseño, operacón y optmzacón de proyectos en la ngenería químca, debdo

Más detalles

4ºB ESO Capítulo 12: Estadística LibrosMareaVerde.tk www.apuntesmareaverde.org.es

4ºB ESO Capítulo 12: Estadística LibrosMareaVerde.tk www.apuntesmareaverde.org.es 4ºB ESO Capítulo 1: Estadístca 350 Índce 1. POBLACIÓ Y MUESTRA. VARIABLES ESTADÍSTICAS 1.1. POBLACIÓ 1.. MUESTRA 1.3. IDIVIDUO 1.4. VARIABLE ESTADÍSTICA. TABLAS DE FRECUECIAS.1. FRECUECIA ABSOLUTA.. FRECUECIA

Más detalles

MÓDULO DE GEOESTADÍSTICA PARA EXCEL: APLICACIÓN A PESCA Diana María González Troncoso Centro Oceanográfico de Vigo.

MÓDULO DE GEOESTADÍSTICA PARA EXCEL: APLICACIÓN A PESCA Diana María González Troncoso Centro Oceanográfico de Vigo. MÓDULO DE GEOESTADÍSTICA PARA EXCEL: APLICACIÓN A PESCA Dana María González Troncoso Centro Oceanográfco de Vgo. Cabo Esta, Vgo RESUMEN La Geoestadístca es una cenca cada vez más usada en dstntos ámbtos

Más detalles

Programación entera, el método del árbol de cubos, su algoritmo paralelo y sus aplicaciones

Programación entera, el método del árbol de cubos, su algoritmo paralelo y sus aplicaciones Programacón entera, el método del árbol de cubos, su algortmo paralelo y sus aplcacones Dr. José Crspín Zavala Díaz, Dr. Vladmr Khachaturov 2 Facultad de Contabldad, Admnstracón e Informátca, jc_zavala2002@yahoo.com

Más detalles

Teléfono: (52)-55-5329-7200 Ext. 2432

Teléfono: (52)-55-5329-7200 Ext. 2432 Sstema de Montoreo Autónomo Basado en el Robot Móvl Khepera Jorge S. Benítez Read 1, Erck Rojas Ramírez 2 y Tonatuh Rvero Gutérrez Insttuto Naconal de Investgacones Nucleares Carretera Méxco-Toluca s/n,

Más detalles

UN ANÁLISIS COMPARATIVO DE UNA SVM Y UN MODELO LOGIT EN UN PROBLEMA DE CLASIFICACIÓN DE ASEGURADOS

UN ANÁLISIS COMPARATIVO DE UNA SVM Y UN MODELO LOGIT EN UN PROBLEMA DE CLASIFICACIÓN DE ASEGURADOS UN ANÁLISIS COMPARATIVO DE UNA SVM Y UN MODELO LOGIT EN UN PROBLEMA DE CLASIFICACIÓN DE ASEGURADOS Antono Heras Martínez 1, Pedad Tolmos Rodríguez-Pñero 2, Julo Hernández-March 2 1 Departamento de Economía

Más detalles

Estimación de la Demanda de Crédito Agrícola para el Cantón La Maná, Provincia de Cotopaxi

Estimación de la Demanda de Crédito Agrícola para el Cantón La Maná, Provincia de Cotopaxi Revsta Tecnológca ESPOL, Vol. xx, pp-pp, (09, agosto, 007) Estmacón de la Demanda de Crédto Agrícola para el Cantón La Maná, Provnca de Cotopax Davd Robalno Chca Leonardo Sánchez Aragón Facultad de Cencas

Más detalles

TEMA 5. EL SISTEMA DE PRODUCCIÓN DE LA EMPRESA (I) CONTENIDO

TEMA 5. EL SISTEMA DE PRODUCCIÓN DE LA EMPRESA (I) CONTENIDO Págna de 4 TEMA 5. EL SISTEMA DE PRODUCCIÓN DE LA EMPRESA (I) CONTENIDO INTRODUCCIÓN... 2 2 CLASIFICACIÓN DE LAS ACTIVIDADES PRODUCTIVAS... 4 3 FUNCIÓN DE PRODUCCIÓN... 3 4 CLASIFICACIÓN DE LOS PROCESOS

Más detalles

Procesamiento de imágenes para la clasificación de café cereza

Procesamiento de imágenes para la clasificación de café cereza Prospectva Vol. 7, No., Enero - Juno de 2009, pág. 67-73 Procesamento de mágenes para la clasfcacón de café cereza Images processng classfcaton for cherry coffee Zulma Sandoval*, Flavo Preto** *Msc. Ingenería

Más detalles

UNIDAD 4. PRESUPUESTO DE VENTAS.

UNIDAD 4. PRESUPUESTO DE VENTAS. UNIDAD 4. PRESUPUESTO DE VENTAS. OBJETIVOS. 1. Dar a entender al estudante la mportanca prmordal del presupuesto de ngresos dentro de una empresa u organzacón. 2. Enseñar lo que realmente comprende un

Más detalles

Reconocimiento de Imágenes Empleando Redes de Regresión General y la Técnica TVS

Reconocimiento de Imágenes Empleando Redes de Regresión General y la Técnica TVS Reconocmento de Imágenes Empleando Redes de Regresón General y la Técnca TVS Rcardo García-Herrera & Waltero Wolfgang Mayol-Cuevas Laboratoro de INvestgacón para el Desarrollo Académco Depto. Ingenería

Más detalles

Desigualdad de oportunidades y el rol del sistema educativo en los logros de los jóvenes uruguayos

Desigualdad de oportunidades y el rol del sistema educativo en los logros de los jóvenes uruguayos Desgualdad de oportundades y el rol del sstema educatvo en los logros de los jóvenes uruguayos Cecla Llambí Marcelo Perera Pablo Messna Febrero de 2009 Esta nvestgacón fue fnancada por el Fondo Carlos

Más detalles

MODELOS DE ÁRBOL DE REGRESIÓN BAYESIANO: UN ESTUDIO DE CASO.

MODELOS DE ÁRBOL DE REGRESIÓN BAYESIANO: UN ESTUDIO DE CASO. REVISTA INVESTIGACIÓN OPERACIONAL VOL., 3, No., 09-5, 00 MODELOS DE ÁRBOL DE REGRESIÓN BAYESIANO: UN ESTUDIO DE CASO. O. Juárez* y E.Castells** *Facultad de Matemátca. Unversdad Autónoma de Guerrero. Méxco.

Más detalles

Software de bloqueo automático de páginas web que incitan a la violencia a través de un algoritmo híbrido de aprendizaje computacional* 1

Software de bloqueo automático de páginas web que incitan a la violencia a través de un algoritmo híbrido de aprendizaje computacional* 1 Software de bloqueo automátco de págnas web que nctan a la volenca a través de un algortmo híbrdo de aprendzaje computaconal* Auto lock software web pages ncte volence through a hybrd computatonal learnng

Más detalles

UNIVERSIDAD DE SONORA

UNIVERSIDAD DE SONORA UNIVERSIDAD DE SONORA Dvsón de Cencas Exactas y Naturales Departamento de Matemátcas Estadístca Aplcada a las Lcencaturas: Admnstracón, Contaduría e Inormátca Admnstratva. Fascículo II: Estadístca Descrptva

Más detalles

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández

Más detalles

ALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.

ALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República. 9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara

Más detalles

XII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros.

XII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros. Uso de la Estmacón de la Dstrbucón de Probabldad para Muestras Pequeñas y de la Smulacón en la Inferenca de Carteras de Seguros. Trabajo presentado para el XII Premo de Investgacón sobre Seguros y Fanzas

Más detalles

Matemáticas aplicadas a las ciencias sociales Estadística y Probabilidad 1º de bachillerato

Matemáticas aplicadas a las ciencias sociales Estadística y Probabilidad 1º de bachillerato Departamento de Matemátcas Matemátcas aplcadas a las cencas socales Estadístca y Probabldad º de bachllerato Matemátcas aplcadas a las cencas socales I, pág. de 48 Departamento de Matemátcas TEMA : ESTADÍSTICA

Más detalles

TERMODINÁMICA AVANZADA

TERMODINÁMICA AVANZADA ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

Valoración de opciones financieras por diferencias finitas

Valoración de opciones financieras por diferencias finitas Valoracón de opcones fnanceras por dferencas fntas José Mª Pesquero Fernández Dpto. Nuevos Productos - Tesorería BBVA mpesquero@grupobbva.com Indce INDICE. Introduccón. La ecuacón dferencal 3. Dferencas

Más detalles

Análisis de Sistemas Multiniveles de Inventario con demanda determinística

Análisis de Sistemas Multiniveles de Inventario con demanda determinística 7 Congreso Naconal de Estadístca e Investgacón Operatva Lleda, 8- de abrl de 00 Análss de Sstemas Multnveles de Inventaro con demanda determnístca B. Abdul-Jalbar, J. Gutérrez, J. Scla Departamento de

Más detalles

Estudio de un sistema de reconocimiento biométrico mediante firma manuscrita online basado en SVM usando Análisis Formal de Conceptos

Estudio de un sistema de reconocimiento biométrico mediante firma manuscrita online basado en SVM usando Análisis Formal de Conceptos Estudo de un sstema de reconocmento bométrco medante frma manuscrta onlne basado en SVM usando Análss Formal de Conceptos Ator Mendaza Ormaza 1, Oscar Mguel Hurtado 1, Raúl Sánchez Rello 1, Francsco Valverde

Más detalles

Matemáticas Financieras

Matemáticas Financieras Matemátcas Fnanceras Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Profundzar en los fundamentos del cálculo fnancero, necesaros

Más detalles

Incertidumbre de la Medición: Teoría y Práctica

Incertidumbre de la Medición: Teoría y Práctica CAPACIDAD, GESTION Y MEJORA Incertdumbre de la Medcón: Teoría y Práctca (1 ra Edcón) Autores: Sfredo J. Sáez Ruz Lus Font Avla Maracay - Estado Aragua - Febrero 001 Copyrght 001 L&S CONSULTORES C.A. Calle

Más detalles

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la

Más detalles

CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS

CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS En los capítulos anterores se han analzado varos modelos usados en la evaluacón de stocks, defnéndose los respectvos parámetros. En las correspondentes fchas de ejerccos

Más detalles

Análisis de error y tratamiento de datos obtenidos en el laboratorio

Análisis de error y tratamiento de datos obtenidos en el laboratorio Análss de error tratamento de datos obtendos en el laboratoro ITRODUCCIÓ Todas las meddas epermentales venen afectadas de una certa mprecsón nevtable debda a las mperfeccones del aparato de medda, o a

Más detalles

Guía de ejercicios #1

Guía de ejercicios #1 Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje

Más detalles

Tutorial sobre Máquinas de Vectores Soporte (SVM)

Tutorial sobre Máquinas de Vectores Soporte (SVM) Tutoral sobre Máqunas de Vectores Soporte SVM) Enrque J. Carmona Suárez ecarmona@da.uned.es Versón ncal: 2013 Últma versón: 11 Julo 2014 Dpto. de Intelgenca Artcal, ETS de Ingenería Informátca, Unversdad

Más detalles

Diseño y Análisis de Experimentos en el SPSS 1

Diseño y Análisis de Experimentos en el SPSS 1 Dseño y Análss de Expermentos en el SPSS EJEMPLO. Los sguentes datos muestran las meddas de hemoglobna (gramos por 00 ml) en la sangre de 40 ejemplares de una espece de truchas marrones. Las truchas se

Más detalles

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO RDF RskDynamcs ntothefuture: Software para determnar el efecto que se produce sobre el balance en escenaros macroeconómcos Ramon Tras Fundador y Presdente

Más detalles