Introducción a la Prospección de Datos Masivos ( Data Mining )
|
|
- Carmelo Lagos Giménez
- hace 8 años
- Vistas:
Transcripción
1 Temaro Introduccón a la Prospeccón de Datos Masvos ( Data Mnng ) José Hernández Orallo jorallo@dsc.upv.es 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
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 detallesHistogramas: 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 detallesCAPÍTULO 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 detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Redes de Neuronas: Preparacón de datos para el aprendzaje y meddas de evaluacón 1. Preparacón de datos Característcas de los datos
Más detallesAnálisis 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 detallesRelaciones 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 detallesEconomía 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 detallesEconometría. 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 detallesJesús García Herrero CLASIFICADORES BAYESIANOS
Jesús García Herrero CLASIFICADORES BAYESIANOS En esta clase se presentan los algortmos Análss de Datos para abordar tareas de aprendzaje de modelos predctvos. Se partcularzan las técncas estadístcas vstas
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesComparación 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 detalles2.2 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 detallesTEMA 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 detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesEXPERIMENTACIÓN 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 detallesIntroducción a la Prospección de Datos Masivos ( Data Mining )
Introducción a la Prospección de Datos Masivos ( Data Mining ) José Hernández Orallo jorallo@dsic.upv.es Transparencias y otra documentación en: http://www.dsic.upv.es/~jorallo/master/ Máster de Ingeniería
Más detallesTema 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 detallesUNIVERSIDAD 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 detallesPruebas 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 detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesREDES 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 detallesREGRESION 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 detallesInvestigación 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 detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesSmoothed 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 detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesExtracción de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311
Extraccón de Atrbutos Dr. Jesús Arel Carrasco Ochoa arel@naoep.mx Ofcna 8311 Contendo Introduccón PCA LDA Escalamento multdmensonal Programacón genétca Autoencoders Extraccón de atrbutos Objetvo Preprocesamento
Más detallesExtracción Automática de Conocimiento en Bases de Datos e Ingeniería del Software T.1 INTRODUCCIÓN. José Hernández Orallo
Extraccón Automátca de Conocmento en Bases de Datos e Ingenería del Software T. INTRODUCCIÓN José Hernández Orallo Máster en Ingenería del Software, Métodos Formales y Sstemas de Informacón. Objetvos Presentar
Más detallesMODELOS 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 detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallesGuía 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 detallesCapitalización 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 detallesProbabilidad Grupo 23 Semestre Segundo examen parcial
Probabldad Grupo 3 Semestre 015- Segundo examen parcal La tabla sguente presenta 0 postulados, algunos de los cuales son verdaderos y otros son falsos. Analza detendamente cada postulado y elge tu respuesta
Más detallesDEFINICIÓN DE INDICADORES
DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.
Más detallesAlgoritmo para la ubicación de un nodo por su representación binaria
Título: Ubcacón de un Nodo por su Representacón Bnara Autor: Lus R. Morera González En este artículo ntroducremos un algortmo de carácter netamente geométrco para ubcar en un árbol natural la representacón
Más detallesCAPITULO 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 detallesINCORPORACIÓN 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 detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detallesClustering. Prof. Dra. Silvia Schiaffino ISISTAN. Cluster: un número de cosas o personas similares o cercanas, agrupadas
lusterng ISISTAN sscha@ea.uncen.edu.ar lusterng: oncepto luster: un número de cosas o personas smlares o cercanas, agrupadas lusterng: es el proceso de partconar un conjunto de objetos (datos) en un conjunto
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesTÉCNICAS 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 detallesSegmentación 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 detallesBreve 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 detallesDe 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 detallesCréditos 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 detallesIntroducción 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 detallesCorrelación 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 detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Ejerccos para Evaluacón: Tema 5 1. Contestar brevemente a las sguentes cuestones relaconadas con las Redes de Base
Más detallesUnidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles
2 Undad I.. Defncón de reaccón de combustón La reaccón de combustón se basa en la reaccón químca exotérmca de una sustanca (o una mezcla de ellas) denomnada combustble, con el oxígeno. Como consecuenca
Más detalles16/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,
Más detallesEstimación 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 detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesMedidas 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 detallesTERMODINÁMICA 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 detallesMDE.Representación superficie
MDE.Representacón superfce Representacón superfce a partr de datos (observacones). Problema : Cómo crear superfces dscretas y contnuas para representar la varacones de altura en el espaco?. Construccón
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesProyecto 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 detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesALN - 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 detalles12-16 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 detallesIII CONGRESO COLOMBIANO Y I CONFERENCIA ANDINA INTERNACIONAL DE INVESTIGACIÓN DE OPERACIONES
III CONGRESO COLOMBIANO Y I CONFERENCIA ANDINA INTERNACIONAL DE INVESTIGACIÓN DE OPERACIONES TUTORIAL: ANÁLISIS MULTIOBJETIVO CONSIDERANDO INCERTIDUMBRE E IMPRECISIÓN Patrca Jaramllo A. y Rcardo A. Smth
Más detallesSimulación 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 detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesMODELOS PARA DATOS DE RECUENTO
ECONOMETRÍA III Curso 2008/09 MODELOS PARA DATOS DE RECUENTO Profesores: Víctor J. Cano Fernández y M. Carolna Rodríguez Donate Dpto. de Economía de las Instrtucones, Estadístca Económca y Econometría
Más detalles3. Análisis de Factores
3. Análss de Factores 3.. Introduccón y objetvos. El análss de factores es un procedmento estadístco que crea un nuevo conjunto de varables no correlaconadas entre sí, llamadas factores subyacentes o factores
Más detallesRedes Neuronales Support Vector Regression
Redes Neuronales Support Vector Regresson Seres Temporales Máster en Computacón Unverstat Poltècnca de Catalunya Dra. Alca Troncoso Lora Contendo Introduccón Redes Neuronales: Aplcacón Support Vector Regresson:
Más detallesProcesamiento 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 detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesMÉTODOS 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 detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la
Más detallesDepartamento 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 detallesMÓDULO 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 detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
Más detallesAlgoritmos matemáticos para:
Algortmos matemátcos para: sstemas de ecuacones lneales, nversón de matrces y mínmos cuadrados Jose Agular Inversón de matrces Defncón(Inversadeunamatrz):SeaAunamatrz nxn.unamatrzcde nxn esunanversadeascaaci.
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesANÁLISIS 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 detallesTERMODINÁMICA 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 detallesSubmicrométricas 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 detallesMETODOLOGÍA 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 detallesProcesamiento 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 detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesTÉCNICAS 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 detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallesPORTAFOLIO 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 detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesTÉCNICAS 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 detallesFUNDAMENTOS 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 detallesUn estimado de intervalo o intervalo de confianza ( IC
Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá
Más detallesEstimación 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 detallesCapítulo 2: ANALISIS EXPLORATORIO de DATOS Estadística Computacional 1º Semestre 2003
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo : ANALISIS EXPLORATORIO de DATOS Estadístca Computaconal º Semestre 003 Profesor :Héctor Allende Págna : www.nf.utfsm.cl/~hallende
Más detallesMarcos Gutiérrez-Dávila marcosgd@ugr.es
Marcos Gutérrez-Dávla marcosgd@ugr.es Introduccón: Relacón de la bomecánca con el deporte de competcón El gesto deportvo consttuye un patrón de movmento estable que se caracterza por el alto grado de efcenca
Más detallesJordi 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 detallesCÁLCULO 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 detallesLicenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL
INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL Relacón de Ejerccos nº 2 ( tema 5) Curso 2002/2003 1) Las cento trenta agencas de una entdad bancara presentaban, en el ejercco 2002, los sguentes datos correspondentes
Más detalles4 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 detallesDIPLOMADO EN LOGÍSTICA Y CADENA DE SUMINISTRO
IPLOMAO EN LOGÍSTICA Y CAENA E SUMINISTRO MÓULO I: Rs Poolng CRISTINA GIGOLA epto Ingenería Industral ITAM ggola@tam.mx Coordnacón en la SC ecsones que maxmcen la utldad de la SC. Caso 1: El mercado determna
Más detallesGráficos de flujo de señal
UNIVRSIDAD AUTÓNOMA D NUVO ÓN FACUTAD D INGNIRÍA MCANICA Y ÉCTRICA Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente
Más detalles