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

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

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

Transcripción

1 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 RESUMEN El análss de la gran cantdad de datos generados día a día en las actvdades productvas y que se almacenan en grandes bases de datos electróncas resulta cada vez más complcado. La mnería de datos es un área de la Intelgenca Artf cal que se ha desarrollado para facltar el análss de estos regstros y se def ne como la búsqueda automátca o semautomátca de patrones no trvales en bases de datos. En este artículo se hace una breve ntroduccón a sus técncas y aplcacones a problemas reales y se muestra en detalle el funconamento de uno de estos algortmos, conocdo como el método Naïve Bayes. Se demuestra su utldad práctca a través de un caso de estudo relaconado al dagnóstco de uso de lentes de contacto. ALABRAS CLAVE: Mnería de datos, Naïve Bayes, reconocmento de patrones, aprendzae de máquna. S F F 2 F n- F n El evento E E = EF EF EF n 2... EF n ABSTRACT Day after day, the analyss of the huge amount of generated data by productve actvtes and stored n electronc databases becomes more complcated. Data mnng s an emergng feld of Artfcal Intellgence whch purpose s to facltate the analyses of such data repostores, and t s defned as the automated or sem-automated search of non-trval patterns n databases. Ths paper brefl y ntroduces ts man technques and makes an overvew of data mnng applcatons to real-lfe problems. To llustrate the practcal value of data mnng, a detaled explanaton of one of ts methods, known as the Naïve Bayes classfer, s gven. The argument s enhanced through the presentaton of a case study related to contact lens dagnoss. KEYWORDS: Data Mnng, Naïve Bayes, pattern recognton, machne learnng. INTRODUCCIÓN Hoy en día exste tal cantdad de datos generados en todas las actvdades productvas almacenados en medos electróncos, que su análss manual resulta 24 Ingenerías, Abrl-Juno 2005, Vol. VIII, No. 27

2 mposble. Es muy fácl que nformacón relevante quede escondda entre montañas de datos, cuando la velocdad con la que se mueve la socedad hoy en día requere que esta nformacón sea extraída de forma rápda, sn descudar su confabldad. Recentemente se han desarrollado dferentes algortmos con el fn de cubrr esta necesdad de nformacón, los cuales forman parte de la denomnada mnería de datos. La mnería de datos es una etapa del proceso de descubrmento en bases de datos que utlza dversas herramentas de análss para descubrr patrones y relacones entre los datos que puedan ser usados para realzar predccones váldas. El fn de la mnería de datos es encontrar, de una forma u otra, patrones útles y sgnfcatvos para quen generó los datos orgnales. Los patrones encontrados pueden ser utlzados para dversos fnes, como por eemplo comprender meor una stuacón, hacer predccones ante casos nuevos, servr como una herramenta para la toma de decsones o smplemente para adqurr conocmento. No hay que perder de vsta que la mnería de datos es solamente un nstrumento que se aplca a datos ya exstentes y que por ello no genera nformacón por sí sola. La mnería de datos ha encontrado numerosas aplcacones entre las cuales se pueden menconar: Banca. Dversas nsttucones bancaras han usado modelos basados en la mnería de datos para evaluar y aprobar crédtos. 2 ronóstcos del clma. Se han analzado regstros hstórcos de fenómenos atmosfércos para pronostcar eventos clmátcos. or eemplo, Long y Svapragasam 3 utlzaron la mnería de datos para pronostcar nundacones en la regón de Dhaka, Bangladesh, logrando muy buenos resultados. Medcna. No todos los medcamentos surten el msmo efecto n actúan con la msma ntensdad en todos los pacentes; algunas personas pueden presentar certas reaccones negatvas a determnado tpo de medcamento o grupo de medcamentos. La nvestgacón de reportes acerca de estas reaccones adversas a medcamentos ha sdo estudada usando la mnería de datos. 4 Bblotecas. El nterés en el análss del comportamento de los usuaros de bblotecas se ha ncrementado rápdamente a partr del desarrollo de las bblotecas dgtales e Internet. En este contexto, se reporta en 5 que se analzaron las consultas realzadas a bblotecas dgtales y el regstro de estas consultas fue almacenado. osterormente y a partr de este regstro se construyeron comundades de usuaros con ntereses smlares utlzando la mnería de datos, con el fn de que estas comundades puedan meorar su acceso a la nformacón. Segurdad Naconal (EUA). El goberno de los EU manea un proyecto llamado concenca total de la nformacón, o TIA por sus sglas en nglés (Total Informaton Awareness) en conunto con la Agenca de royectos de Investgacón de Defensa Avanzados, DARA (Defense Advanced Research roects Agency). Este proyecto busca recolectar nformacón de transaccones fnanceras ndvduales, regstro de vaes, regstros médcos y otras actvdades con el fn de prevenr el terrorsmo. La mnería de datos es utlzada para analzar esta nformacón desde el año La gran cantdad de aplcacones que ha encontrado la mnería de datos ha requerdo el rápdo desarrollo de una varedad de técncas de análss. A contnuacón se menconan las prncpales de estas técncas unto con algunos algortmos representatvos. Ingenerías, Abrl-Juno 2005, Vol. VIII, No

3 Agrupamento. El propósto de estas técncas es agrupar un conunto de elementos relaconando aquellos que sean semeantes y al msmo tempo que sean sufcentemente dferentes de otros grupos de elementos formados. A este tpo de algortmo se le conoce como no drgdo, pues no se conoce con antelacón el grupo específco al que pertenece una nstanca, sno que de acuerdo a los datos, los grupos se van formando, según sus semeanzas y dferencas. Dentro de las aplcacones del agrupamento se encuentran: reduccón de datos, generacón de hpótess, prueba de hpótess, y predccón basada en grupos. 7 Como eemplo de esta técnca, Strehl y Ghosh 8 aplcaron un algortmo de agrupamento para dsmnur la dmensón de una base de datos a matrces de 2 dmensones, lo cual es de gran ayuda al momento de vsualzar los resultados. Análss de seres de tempo. El pronóstco de seres de tempo pronostca valores aún no conocdos, utlzando resultados conocdos para guar sus predccones. Como eemplo, el análss de seres de tempo fue utlzado, unto con otros algortmos, para dentfcar fenómenos atmosfércos que puderan surgr sobre las slas de Japón como tfones y frentes fríos, en mágenes de satéltes. 9 Asocacón. El obetvo de la asocacón es encontrar aquellos artículos (sucesos) que tenden a aparecer untos en algún evento dado. El campo donde más se ha desarrollado este tpo de algortmo es el de los supermercados. Este problema, meor conocdo como el problema del análss del carrto de supermercado, consste en encontrar aquellos artículos que los consumdores adqueren untos, con el fn de dseñar meores estrategas de venta. or eemplo, una estratega de venta puede consstr en ubcar los productos asocados en estantes cercanos para facltar a los consumdores su adquscón. 0 Las transaccones en el supermercado proporconan los datos y debdo a la enorme cantdad que se genera daramente es necesara la automatzacón del análss medante la mnería de datos. redccón. Exsten dos tpos de algortmos utlzados para realzar predccones: * Regresón. El obetvo de este tpo de análss es determnar, de acuerdo a un resultado dado, el valor de los parámetros que produeron ese resultado. or eemplo, se ha reportado el uso de métodos de regresón para asegurar la caldad de los sstemas de cómputo medante el análss de los errores de eecucón. * Clasf cacón. La clasfcacón trata de encontrar las característcas que dentfcan a un grupo para ser clasfcado dentro de certa clase. Este conocmento puede ser utlzado para entender el comportamento del sstema que generó los datos y de esta forma predecr la clase a que pertenecerá una nueva nstanca. Entre los algortmos de clasfcacón se encuentran: Análss dscrmnante. La forma en la que opera este algortmo, es determnando la localzacón óptma de una línea que actúa como frontera entre los dferentes casos. El algortmo trata de ubcar la línea de tal manera que el margen de separacón entre casos de dferente clase sea máxmo. Este método tene la ventaa de ser muy fácl de vsualzar, sn embargo no sempre se puede hacer este tpo de dscrmnacones. or eemplo, R. Khol et al 2 reporta que se utlzó un análss dscrmnante para presentar evdenca estadístca de característcas que dscrmnan entre estudos de rentabldad de tecnología de nformacón que presentan efectos postvos y los que no los presentan. k-vecnos más cercanos. Conocendo certos ndvduos smlares, el algortmo forma un grupo de k ndvduos, de acuerdo a sus característcas. Cuando aparece un nuevo ndvduo, éste se puede clasfcar en certo grupo de acuerdo a su semeanza con los k ndvduos pertenecentes a ese grupo. or eemplo, en la referenca 3 se reporta que la produccón de madera de pceas en Noruega requere una evaluacón muy precsa de la caldad nterna de la madera de los árboles. La caldad nterna se predo de acuerdo a certas varables externas que son fáclmente medbles o que se pueden conocer sn necesdad de cortar el árbol, como por eemplo su edad, dámetro medo, 26 Ingenerías, Abrl-Juno 2005, Vol. VIII, No. 27

4 área en la base, altura y volumen. La relacón de estas varables externas con las varables que reflean la caldad de la madera como la densdad, cantdad de núcleo y cantdad de nudos que presenta cada árbol fue determnada por los nvestgadores gracas a la experenca de los aserraderos a lo largo de los años. El método de k-vecnos más cercanos fue utlzado para predecr la caldad de estos árboles utlzando una ampla base de datos que fue obtenda en una extensa nvestgacón llevada a cabo por el Insttuto Fnlandés de Investgacón de Bosques. Redes neuronales. Este tpo de algortmos ntenta emular el funconamento de los cerebros de los seres vvos medante capas de neuronas, que son funcones matemátcas con un comportamento determnado. Exste una capa de entrada seguda de una o varas capas ntermedas, para fnalzar en una capa de salda. or eemplo, en 4 se reporta que, en búsqueda de la dsmnucón de gases producdos por los automóvles, se utlzó una red neuronal para austar los parámetros de operacón en un tpo de motor. Árboles de decsón. Estos algortmos aprenden reglas a partr de datos, tratando de obtener la descrpcón más sntétca (.e., de menor tamaño) que represente de forma más cercana los datos orgnales. Cuando se presenta un nuevo caso, smplemente se sguen las reglas extraídas por el algortmo. or eemplo, en el tratamento de cáncer, se ha reportado el uso de los árboles de decsón para mostrar los resultados posbles a partr de los síntomas e hstoras clíncas de los pacentes. 5 Vectores soporte. Estos algortmos están relaconados con los de análss dscrmnante. Se han utlzado técncas de vectores soporte para el pronóstco de nundacones. 6 Naïve Bayes. Es un método basado en la teoría de la probabldad, usa frecuencas para calcular probabldades condconales para calcular predccones sobre nuevos casos. Naïve Bayes es una técnca tanto predctva como descrptva. A pesar de ser smple, ha S sdo desarrollada con éxto, producendo buenos resultados en sus aplcacones. Este método será descrto en detalle en la sguente seccón y posterormente utlzado para nuestro caso de estudo. F F 2 F n- F n E El evento E = EF EF EF n 2... EF n Fg.. El evento E sucede unto con alguno de los eventos mutuamente excluyentes F EL CLASIFICADOR NAÏVE BAYES Sean E y F eventos. odemos expresar a E como c E = EF EF () es decr, para que ocurra un evento E, deben suceder E y F, o ben debe suceder E y no suceder F. Thomas Bayes Ingenerías, Abrl-Juno 2005, Vol. VIII, No

5 Debdo a que EF y EF c son mutuamente excluyentes, tenemos que E = EF + EF c () ( ) ( ) ( E F) () F ( E F ) ( ) c F c = + c ( ) () + ( ) () ( ) = E F F E F F (2) La ecuacón (2) establece que la probabldad del evento E es una ponderacón de la probabldad condconal de E dado que F ha ocurrdo y la probabldad condconal del evento E dado que F no ha ocurrdo. Cada probabldad condconal proporcona tanta ponderacón como el evento condconado tende a ocurrr. La ecuacón (2) puede generalzarse de la sguente manera: supongamos que los eventos F, F 2,...F n son mutuamente excluyentes tal que, donde S es el espaco muestral. En otras palabras, exactamente uno de los eventos ocurrrá (fgura ). odemos escrbr lo anteror como De la defncón de probabldad condconal tenemos que ( ) ( ) ( ) EF = E F F (3) = Además, usando el hecho de que los eventos EF, =,, n son mutuamente excluyentes, obtenemos que n () E = ( ) = EF = ( F E) = n = ( EF ) () E ( E F ) ( ) F ( E F ) ( F ) La ecuacón (5) es conocda como la fórmula de Bayes. 7 Así, podemos consderar a E como evdenca de F, y calcular la probabldad de que F ocurra dada la evdenca,. Supóngase ahora que se tene evdenca de múltples fuentes. De la ecuacón (3): ( EE2... E ( F EE2... Em) = ( E E m 2 F ) ( F )... E m ) (5) (6) lo que dfculta el cálculo, pues el térmno no es sencllo de obtener. ara resolver el problema, se supone que los E son ndependentes dado F, lo que nos permte escrbr: ( E = ( F E E... E ) 2 m F ) ( E F )... ( 2 E ( E E... E ) 2 m m F ) ( F ) la cual es la ecuacón que se utlzará para la obtencón de resultados. La suposcón que da orgen al adetvo Naïve (ngenuo) es la ndependenca entre las varables, lo cual no es sempre certo. Sn embargo, el método ha sdo extoso en su aplcacón debdo a que la nformacón relevante está contenda en las magntudes relatvas entre las cantdades y no tanto en los valores de las probabldades en sí. (7) n ( E F ) ( F ) = = (4) Así, la ecuacón (4) muestra como, para eventos dados F, F 2,...F n de los cuales uno y solamente uno puede ocurrr, se puede calcular (E) condconando a que ocurra F,. Esto es, se establece que (E) es gual al promedo de las ponderacones de y cada térmno es ponderado por la probabldad del evento en el cual es condconado. Supóngase ahora que E ha ocurrdo y que se quere determnar la probabldad de que el evento F haya ocurrdo. or la ecuacón (4) tenemos que 28 Ingenerías, Abrl-Juno 2005, Vol. VIII, No. 27

6 RESENTACIÓN DEL ROBLEMA Un campo de aplcacón muy fértl para la mnería de datos ha sdo tradconalmente el de la salud. En esta seccón presentaremos una problemátca que se encuentra dentro del área de la oftalmología. Entre los padecmentos de los oos que puede sufrr un ndvduo dentro de una poblacón, se encuentra la defcenca vsual, esto es, padecer hpermetropía, mopía, o astgmatsmo, entre otras enfermedades. Una forma de manear estas defcencas es medante el uso de lentes de contacto, de los cuales exsten dos tpos de acabado: los lentes suaves y los lentes duros. or otro lado, exsten ndvduos con defcencas vsuales cuyo organsmo no es capaz de aceptar el uso de nngún tpo de lente. Esto sgnfca que aun sufrendo algún padecmento, es posble ser dagnostcado como un pacente no apto para el uso de lentes de contacto. ara el dagnóstco de lentes de contacto se toman como base atrbutos relevantes como la edad, padecmento, astgmatsmo y lagrmeo. De acuerdo con estos datos se puede predecr el uso o no de lentes y de qué tpo. ara demostrar la aplcacón del clasfcador Naïve Bayes se utlzará una base de datos que contene 24 entradas que representan las característcas de los pacentes (las nstancas) y que se muestra en la tabla I. A cada nstanca corresponde el dagnóstco de no usar lentes de contacto o de usar lentes duros o suaves. Este dagnóstco es la clase que se quere predecr a partr de los valores de los demás atrbutos (las característcas de los pacentes), que son edad, padecmento, s se sufre astgmatsmo y lagrmeo. Estos atrbutos se muestran en ese orden en la tabla I. Los valores que puede tomar cada atrbuto se explcan a contnuacón. ara la edad exsten 3 posbles valores: oven, pre-presbópco y presbópco; como padecmento se tomarán: mope o hpermétrope. El astgmatsmo puede presentarse o no, por lo tanto este atrbuto tomará el valor de sí o no; y el lagrmeo se presentará normal o reducdo. Se presenta a contnuacón la tabla de nstancas para el problema abordado. Se muestran las característcas de los pacentes y en la últma columna el resultado obtendo por el clasfcador, el Tabla I. Base de datos a analzar Edad adecmento Astgmatsmo Lagrmeo Tpo de lente ct. oven hpermétrope s reducdo nnguno 89.06% 2 oven hpermétrope s normal duro 45.53% 3 oven hpermétrope no reducdo nnguno 83.28% 4 oven hpermétrope no normal suave 67.7% 5 oven mope s reducdo nnguno 80.7% 6 oven mope s normal duro 66.28% 7 oven mope no reducdo nnguno 83.35% 8 oven mope no normal suave 57.85% 9 pre-presbópco hpermétrope s reducdo nnguno 92.97% 0 pre-presbópco hpermétrope s normal nnguno 5.02% pre-presbópco hpermétrope no reducdo nnguno 86.% 2 pre-presbópco hpermétrope no normal suave 65.25% 3 pre-presbópco mope s reducdo nnguno 87.80% 4 pre-presbópco mope s normal duro 53.24% 5 pre-presbópco mope no reducdo nnguno 86.73% 6 pre-presbópco mope no normal suave 57.77% 7 presbópco hpermétrope s reducdo nnguno 94.48% 8 presbópco hpermétrope s normal nnguno 57.74% 9 presbópco hpermétrope no reducdo nnguno 9.28% 20 presbópco hpermétrope no normal suave 52.2% 2 presbópco mope s reducdo nnguno 89.78% 22 presbópco mope s normal duro 5.76% 23 presbópco mope no reducdo nnguno 9.3% 24 presbópco mope no normal nnguno 43.2% Ingenerías, Abrl-Juno 2005, Vol. VIII, No

7 Tabla II. Tabla de conteos Conteo Edad adecmento Astgmatsmo nnguno suave duro nnguno suave duro nnguno suave duro oven hpermétrope 8 3 s pre-presbópco 5 2 mope no presbópco 6 Total 24 Total 24 Total 24 Lagrmeo Tpo de lente nnguno suave duro nnguno suave duro normal reducdo 0 0 Total 24 cual se descrbe más adelante. or eemplo, la nstanca 7 muestra que a un ndvduo oven que padece de mopía, no sufre astgmatsmo y presenta lagrmeo reducdo, se le dagnostca como no apto para uso de lentes de contacto. Organzar los datos de manera práctca aglza mucho el análss. En este caso se manpularon los datos en Excel, en el cual se programaron las formulas presentadas en la seccón anteror para obtener los resultados que se muestran más adelante. La forma de organzar los datos es a través de un conteo en las nstancas, realzado de la sguente forma: para cada atrbuto, se cuenta el número de veces que aparece determnado valor unto con una clase en partcular. onemos como eemplo el caso de la edad. Se cuenta el número de veces que se presenta cada valor del atrbuto con cada valor de la clase. Así, oven y lente suave aparecen untos un total de 2 veces, oven y lente duro un total de 2, oven y no apto para lente un total de 4, para un total de 8 veces que se presenta el atrbuto de oven. El total de conteos para cada clase por atrbuto se presenta en la tabla II. Antes de determnar las probabldades condconales de los casos posbles, consderemos los sguentes eemplos:. Se tene un total de 4 pacentes óvenes a quenes se les dagnostcó como no aptos para el uso de lentes, según la nformacón recabada en la tabla II. El total de los pacentes dagnostcados de esta msma forma es 5 (esto es, 4 óvenes más 5 pre-presbópcos más 6 presbópcos, como puede aprecarse en el recuadro Edad de la msma tabla). Así, asgnaríamos la probabldad de 4/5 a no usar lentes sendo oven. Hasta este punto no se ha encontrado nngún problema. 2. Ahora consderemos el caso de padecer astgmatsmo y usar lentes suaves. La probabldad asgnada entonces es de 0/5, lo cual elmnaría la posbldad de que se presente este caso s utlzáramos el msmo procedmento que en el eemplo anteror, pero en crcunstancas reales no se puede asegurar a pror que nunca se presentará al consultoro una persona así. Este problema surge al asgnar probabldades como se descrbó en el eemplo anteror. ara elmnar el problema referdo en el eemplo 2, se utlzó el estmador de Laplace, el cual consdera que cada valor del atrbuto v, es equprobable respecto a todos los posbles valores de ese atrbuto y que exste una constante µ tal que ( es el número posble de dstntos valores que puede tomar dcho atrbuto). Consderando esto, la probabldad para cada combnacón está dada por ( casos favorables + µ p ) [ c v ] = ( casos totales + µ ), (8) 30 Ingenerías, Abrl-Juno 2005, Vol. VIII, No. 27

8 Tabla III. Tabla de probabldades robabldades Edad adecmento Astgmatsmo nnguno suave duro nnguno suave duro nnguno suave duro oven 5/8 3/8 3/7 hpermétrope 9/7 4/7 /3 s 9/7 /7 5/6 pre-presbópco /3 3/8 2/7 mope 8/7 3/7 2/3 no 8/7 6/7 /6 presbópco 7/8 /4 2/7 Lagrmeo Tpo de lente nnguno suave duro nnguno suave duro normal 5/7 6/7 5/6 5/8 5/24 /6 reducdo 2/7 /7 /6 { Atrbutos} { Clases} donde p, es la probabldad de v, para todos los valores de c y v. Recalculando la probabldad de los eemplos anterores, tenemos:. El parámetro, los posbles valores del atrbuto Edad, es 3. Se consdera a pror que los tres valores de este atrbuto son gualmente probables, de forma que la probabldad de ser oven es /3. La probabldad condconal de no usar lentes sendo oven utlzando el estmador de Laplace (ecuacón 8) es (4 + 3*/3) / (5 + 3) = 5/8. 2. Al reevaluar la probabldad de padecer astgmatsmo y usar lentes suaves medante el estmador de Laplace, tenemos que el número de casos favorables = 0; µ = 2, {s, no}; p= /2, por ser equprobable; mentras que los casos totales son 5, así obtenemos la probabldad de /7. Aplcando el estmador para cada una de las combnacones, se elmnan todos los ceros que se presentan y obtenemos los resultados que se muestran en la tabla III. Se puede ver que cada combnacón de atrbutos tene una probabldad asgnada dferente de 0, lo cual permte contnuar con el análss usando la ecuacón (7). Los resultados se muestran en la últma columna de la tabla I, dentro de la columna de porcentaes (ct.). Aunque la tabla I ya contene todas las posbles combnacones de atrbutos (excluyendo la clase) y el dagnóstco podría leerse drectamente de ella, se supondrá para lustrar la aplcacón práctca del método que se presenta un nuevo pacente con las característcas que se muestran en la tabla IV. ara pronostcar el tpo de lente recomendado para un pacente con estas característcas, se multplcan las probabldades de ser oven y usar lente suave (3/8), ser hpermétrope y usar lente suave (4/7), no padecer astgmatsmo y usar lente suave (6/7), tener lagrmeo normal y usar lente suave (6/7), y la probabldad a pror de utlzar lente suave (5/24). Esto da como resultado (2/6). Se realza el msmo cálculo respecto a los dagnóstcos no apto y lente duro, usando los msmos atrbutos (oven, hpermétrope, no padecer astgmatsmo y lagrmeo normal). Una vez que se tenen los 3 resultados Tabla IV. acente nuevo. Edad adecmento Astgmatsmo Lagrmeo Tpo de lente ct. oven hpermétrope no normal suave? Ingenerías, Abrl-Juno 2005, Vol. VIII, No. 27 3

9 (5/393, 2/6 y 2/605) se normalzan dvdendo cada resultado entre las suma de los tres. ara el caso de lente suave, [(2/6) / (5/ /6 + 2/605)] da como resultado 67.7%. Este resultado muestra que la probabldad de ser dagnostcado con lentes de contacto suaves sendo oven, hpermétrope, no padecer astgmatsmo y presentar lagrmeo normal es de 67.7%, según la nformacón contenda en la base de datos orgnal. Los resultados fnales obtendos medante el clasfcador Naïve Bayes mostrados en la tabla I, últma columna, son mayores que 33.33% (43.2% en el peor de los casos). Esto sgnfca que el tpo de lente asgnado tene preferenca respecto a los otros 2 tpos de lentes no asgnados. or eemplo, para un pacente con las característcas de la nstanca 7, se favorece la decsón de no prescrbr lentes de contacto, respecto a prescrbr lentes duros o suaves. Esto tene sentdo, pues las clases (esto es, el tpo de lente de contacto) de las nstancas ya presentes en la base de datos orgnal tenden a prevalecer sobre nstancas nuevas. En otras palabras, el método tende a favorecer nstancas semeantes a las que ya exsten. Sn embargo, la utldad real del método está en que permte asgnar probabldades cuando aparecen nstancas totalmente nuevas o desconocdas a partr de la nformacón exstente. COMENTARIOS FINALES En este artículo se presentó un panorama de las técncas y aplcacones de la mnería de datos y se mostró en detalle el funconamento de una de sus técncas: el clasfcador Naïve Bayes, a través de un caso de estudo de dagnóstco de lentes de contacto. Con este método se obtuveron las probabldades de dagnóstco para cada tpo de lente, dependendo de la combnacón de los atrbutos de cada nstanca. El método Naïve Bayes tene varas ventaas, como el hacer predccones a partr de datos parcales y el ser rápdo. Entre sus prncpales desventaas está el no ser apto para el maneo de varables aleatoras contnuas. El caso de estudo presentado solo toma en cuenta para la clasfcacón 4 atrbutos, mostrando un desempeño satsfactoro. En problemas reales el número de atrbutos a consderar puede ser mayor, sn mplcar esto la degradacón en el desempeño del clasfcador Naïve Bayes. La mnería de datos tene múltples aplcacones, varas de las cuales se menconaron en el desarrollo de este artículo. El campo de aplcacón de la mnería de datos es muy extenso y el buen uso de las técncas ya exstentes puede llevar a un ahorro sustancal de recursos para la obtencón de conocmento a partr de bases de datos. REFERENCIAS. Introducton to Data Mnng and Knowledge Dscovery, Tercera Edcón, Two Crows Corporaton, K. Chye, T. Chn, G. eng. Credt scorng usng data mnng technques. Sngapore Management Revew. Tomo 26, No. 2: 25-47, T. Chn. Data mnng. Amercan Medcal News. Tomo 46 No. 46:9-20, W. DuMochel, R. O Nell, A. Szarfman, T. Lous. Bayesan data mnng n large frequency tables, wth an aplcaton to the FDA spontaneous repotng system. The Amercan Statstcan. Tomo 53, No. 3: , C. apatheodorou, S. Kapdaks, M. Sfakaks, A. Vasslou. Mnng user communtes n dgtal lbrares. Informaton Technology and Lbrares. Tomo 22, No. 24:52-57, J. Bagner, A. Evansburg, V. Watson, J. Welch. Senators seek on DoD mnng of personal data. Intellectual roperty & Technology Law Journal. Tomo 5, No. 5: 9-20, M. Halkd, Y. Batstaks, M. Vazrganns. On Clusterng Valdaton Technques. Journal of Intellgent Informaton System. Tomo 7, No. 2-3: 07-45, A. Strehl, J Ghosh. Relatonshp-Based Clusterng and Vsualzaton for Hgh- Dmensonal Data Mnng. INFORMS Journal of computng. Tomo 5, No. 2: , R. Honda, S. Wang, T. Kkuch, O. Konsh. Mnng of Movng Obects from Tme-Seres Images and ts Applcaton to Satellte Weather Imagery. Journal of Intellgent Informaton System. Tomo 9 No. : 79-93, Ingenerías, Abrl-Juno 2005, Vol. VIII, No. 27

10 0. B. Barber, H. Hamlton. arametrc Algorthms for Mnng Share Frequent Itemsets. Journal of Intellgent Informaton Systems. Tomo 6, No. 3: , 2rm- Level Emprcal Research. Informaton System Research. Tomo 4, No. 2: 27-45, J. Malnen, M. Maltamo. E. Verkasalo. redctng the nternal qualty and value of Norway spruce trees by usng two non-parametrc nearest neghbor methods. Forest roducts Journal. Tomo 53, No. 4:85-94, N. Canter. Development of a lean, green automoble. Trbology & Lubrcaton Technology. Tomo 60, No. 7: 5-6, G. Elwyn, A. Edwards, M. Eccles, D. Rovner. Decson analyss n patent care. The Lancet. Tomo 358, No. 928: , S. Long, Ch. Svapragasam. Flood stage forecastng wth support vector machnes. Journal of the Amercan Water Resources Assocaton. Tomo 38, No. : 73-86, Ross S. Introducton to robablty Models, 7 a. Edcón, Harcourt Academc ress, Ingenerías, Abrl-Juno 2005, Vol. VIII, No

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

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

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

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

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

Obtención de mapas de similitud sísmica 2D mediante redes neuronales Oscar Rondón*, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep

Obtención de mapas de similitud sísmica 2D mediante redes neuronales Oscar Rondón*, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep Obtencón de mapas de smltud sísmca 2D medante redes neuronales Oscar Rondón, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep Resumen El desarrollo de metodologías para obtener e ntegrar nformacón de múltples

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

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

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

CAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales

CAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales CAPÍTULO 3 METODOLOGÍA En el sguente capítulo se presenta al nco, defncones de algunos conceptos actuarales que se utlzan para la elaboracón de las bases técncas del Producto de Salud al gual que la metodología

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

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

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

TEMA 8: PRÉSTAMOS ÍNDICE

TEMA 8: PRÉSTAMOS ÍNDICE TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE

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

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

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

Cifrado de imágenes usando autómatas celulares con memoria

Cifrado de imágenes usando autómatas celulares con memoria Cfrado de mágenes usando autómatas celulares con memora L. Hernández Encnas 1, A. Hernández Encnas 2, S. Hoya Whte 2, A. Martín del Rey 3, G. Rodríguez Sánchez 4 1 Insttuto de Físca Aplcada, CSIC, C/Serrano

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

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con

Más detalles

DELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID

DELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID DELTA MATE OMAÓN UNETAA / Gral. Ampuda, 6 8003 MADD EXÁMEN NTODUÓN A LA ELETÓNA UM JUNO 008 El examen consta de ses preguntas. Lea detendamente los enuncados. tene cualquer duda consulte al profesor. Todas

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

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

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

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

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

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

TEMA 6 AMPLIFICADORES OPERACIONALES

TEMA 6 AMPLIFICADORES OPERACIONALES Tema 6 Amplfcadores peraconales ev 4 TEMA 6 AMPLIFICADES PEACINALES Profesores: Germán llalba Madrd Mguel A. Zamora Izquerdo Tema 6 Amplfcadores peraconales ev 4 CNTENID Introduccón El amplfcador dferencal

Más detalles

16/07/2012 P= F A. Pascals. Bar

16/07/2012 P= F A. Pascals. Bar El Estado Gaseoso El Estado Gaseoso Undad I Característcas de los Gases Las moléculas ndvduales se encuentran relatvamente separadas. Se expanden para llenar sus recpentes. Son altamente compresbles. enen

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

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

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

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

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

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

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

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

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

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

Rentas financieras. Unidad 5

Rentas financieras. Unidad 5 Undad 5 Rentas fnanceras 5.. Concepto de renta 5.2. Clasfcacón de las rentas 5.3. Valor captal o fnancero de una renta 5.4. Renta constante, nmedata, pospagable y temporal 5.4.. Valor actual 5.4.2. Valor

Más detalles

Material realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera

Material realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera Tema - MATEMÁTICAS FINANCIERAS Materal realzado por J. Davd Moreno y María Gutérrez Unversdad Carlos III de Madrd Asgnatura: Economía Fnancera Apuntes realzados por J. Davd Moreno y María Gutérrez Advertenca

Más detalles

GUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22

GUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22 DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.

Más detalles

Optimización de Redes Bayesianas basado en Técnicas de Aprendizaje por Inducción

Optimización de Redes Bayesianas basado en Técnicas de Aprendizaje por Inducción Optmzacón de Redes Bayesanas basado en Técncas de Aprendzae por Induccón Pablo Felgaer Laboratoro de Sstemas Intelgentes, Facultad de Ingenería, Unversdad de Buenos Ares. Paseo Colón 850 4to Pso. Ala Sur.

Más detalles

ANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL:

ANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL: Geografía y Sstemas de Informacón Geográfca (GEOSIG). Revsta dgtal del Grupo de Estudos sobre Geografía y Análss Espacal con Sstemas de Informacón Geográfca (GESIG). Programa de Estudos Geográfcos (PROEG).

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

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

Leyes de tensión y de corriente

Leyes de tensión y de corriente hay6611x_ch03.qxd 1/4/07 5:07 PM Page 35 CAPÍTULO 3 Leyes de tensón y de corrente CONCEPTOS CLAVE INTRODUCCIÓN En el capítulo 2 se presentaron la resstenca así como varos tpos de fuentes. Después de defnr

Más detalles

CONCEPTOS GENERALES DEL CAMPO MAGNÉTICO

CONCEPTOS GENERALES DEL CAMPO MAGNÉTICO CONCEPTOS GENERALES DEL CAMPO MAGNÉTICO 1 ÍNDICE 1. INTRODUCCIÓN 2. EL CAMPO MAGNÉTICO 3. PRODUCCIÓN DE UN CAMPO MAGNÉTICO 4. LEY DE FARADAY 5. PRODUCCIÓN DE UNA FUERZA EN UN CONDUCTOR 6. MOVIMIENTO DE

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

SISTEMA DE RECONOCIMIENTO DE ROSTROS

SISTEMA DE RECONOCIMIENTO DE ROSTROS SISTEMA DE RECONOCIMIENTO DE ROSTROS Categoría: Pre-grado - Alumno Área Temátca: Ingenería de Sstemas Procesamento Dgtal de Imágenes Autor Sandra María Vlla Palacos Unversdad Peruana de Cencas Aplcadas

Más detalles

Título: Dos métodos de diagnóstico de circuitos digitales de alta y muy alta escala de integración.

Título: Dos métodos de diagnóstico de circuitos digitales de alta y muy alta escala de integración. Título: Dos métodos de dagnóstco de crcutos dgtales de alta y muy alta escala de ntegracón. Autor: Dr. Ing. René J. Díaz Martnez. Profesor Ttular. Dpto. de Automátca y Computacón. Fac. de Ingenería Eléctrca.

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

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

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

CÁLCULO DE LA TASA INTERNA DE RETORNO DE LA EDUCACIÓN EN COLOMBIA *

CÁLCULO DE LA TASA INTERNA DE RETORNO DE LA EDUCACIÓN EN COLOMBIA * CÁLCULO DE LA TASA INTERNA DE RETORNO DE LA EDUCACIÓN EN * INTRODUCCIÓN Helmuth Yesd Aras Gómez ** Álvaro Hernando Chaves Castro *** El efecto de la educacón sobre el desarrollo económco tradconalmente

Más detalles

1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo

1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces

Más detalles

UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA ELECTRICA

UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA ELECTRICA UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA ELECTRICA INCORPORACION DE LOS CONJUNTOS DIFUSOS PARA MODELAR INCERTIDUMBRES EN LOS SISTEMAS ELECTRICOS DE POTENCIA

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

DIAGNÓSTICO DE VARIANTES DE PROCESOS DE NEGOCIO

DIAGNÓSTICO DE VARIANTES DE PROCESOS DE NEGOCIO DIAGNÓSTICO DE VARIANTES DE PROCESOS DE NEGOCIO Damán Pérez-Alfonso, MSc 1, Eudel Pupo-Hernández, Ing 1, and Juan Pedro Febles-Rodríguez, PhD 1 1 Unversdad de las Cencas Informátcas, Cuba, dalfonso@uc.cu,epupoh@uc.cu,febles@uc.cu

Más detalles

APENDICE A. El Robot autónomo móvil RAM-1.

APENDICE A. El Robot autónomo móvil RAM-1. Planfcacón de Trayectoras para Robots Móvles APENDICE A. El Robot autónomo móvl RAM-1. A.1. Introduccón. El robot autónomo móvl RAM-1 fue dseñado y desarrollado en el Departamento de Ingenería de Sstemas

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

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

EQUILIBRIO LÍQUIDO VAPOR EN UN SISTEMA NO IDEAL

EQUILIBRIO LÍQUIDO VAPOR EN UN SISTEMA NO IDEAL EQUILIBRIO LÍQUIDO VAPOR EN UN SISTEMA NO IDEAL OBJETIVO El alumno obtendrá el punto azeotrópco para el sstema acetona-cloroformo, calculará los coefcentes de actvdad de cada componente a las composcones

Más detalles

AMPLIFICADORES CON BJT.

AMPLIFICADORES CON BJT. Tema 5 MPLIFICDORES CON BJT..- Introduccón...- Prncpo de Superposcón...- Nomenclatura..3.- Recta de Carga Estátca..4.- Recta de Carga Dnámca..- Modelo de pequeña señal del BJT...- El cuadrpolo y el modelo

Más detalles

TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS.

TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS. GESTIÓN FINANCIERA. TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS. 1.- Funconamento de las cuentas bancaras. FUNCIONAMIENTO DE LAS CUENTAS BANCARIAS. Las cuentas bancaras se dvden en tres partes:

Más detalles

Reconocimiento de caracteres manuscritos mediante información del proceso inverso en la realización de su trazo

Reconocimiento de caracteres manuscritos mediante información del proceso inverso en la realización de su trazo Rev. Fac. Ing. Unv. Antoqua N. 49. pp. 73-84. Septembre, 2009 Reconocmento de caracteres manuscrtos medante nformacón del proceso nverso en la realzacón de su trazo Character recognton system usng the

Más detalles

INSYS Advanced Dashboard for Enterprise

INSYS Advanced Dashboard for Enterprise Enterprse Enterprse INSYS Advanced Dashboard for Enterprse Enterprse, es un tablero de control para llevar a cabo la Gestón de la Segurdad de la Informacón, Gestón de Gobernabldad, Resgo, Cumplmento (GRC)

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

Trabajo Especial 2: Cadenas de Markov y modelo PageRank

Trabajo Especial 2: Cadenas de Markov y modelo PageRank Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo 2015 1. Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E

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

ANEXO METODOLOGÍA EVALUACIÓN DE IMPACTO

ANEXO METODOLOGÍA EVALUACIÓN DE IMPACTO GOBIERNO DE CHILE MINISTERIO DE HACIENDA Dreccón de Presupuestos ANEXO METODOLOGÍA EVALUACIÓN DE IMPACTO Dvsón de Control de Gestón Santago, Mayo 2009 CHILE PRESENTACIÓN * El anexo que a contnuacón se

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

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

Lo que necesito saber de mi Tarjeta de Crédito

Lo que necesito saber de mi Tarjeta de Crédito Lo que necesto saber de m Tarjeta de Crédto Informatvo tarjetas de crédto bancaras Cómo obtener una 3 Qué es una La tarjeta de crédto es un medo de pago que permte a los clentes utlzar una línea de crédto

Más detalles

INSTRUCTIVO No. SP 04 / 2002 INSTRUCTIVO PARA LA DETERMINACIÓN Y CÁLCULO DEL SALARIO BÁSICO REGULADOR

INSTRUCTIVO No. SP 04 / 2002 INSTRUCTIVO PARA LA DETERMINACIÓN Y CÁLCULO DEL SALARIO BÁSICO REGULADOR El Superntendente de Pensones, en el ejercco de las facultades legales contempladas en el artículo 13, lteral b) de la Ley Orgánca de la Superntendenca de Pensones, EMITE el : INSTRUCTIVO No. SP 04 / 2002

Más detalles

Unidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles

Unidad 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 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

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

APLICACIÓN DE MODELOS IRT AL ANÁLISIS DE LA OFERTA DE EQUIPAMIENTO DE LOS ALOJAMIENTOS RURALES EXTREMEÑOS

APLICACIÓN DE MODELOS IRT AL ANÁLISIS DE LA OFERTA DE EQUIPAMIENTO DE LOS ALOJAMIENTOS RURALES EXTREMEÑOS APLICACIÓN DE MODELOS IRT AL ANÁLISIS DE LA OFERTA DE EQUIPAMIENTO DE LOS ALOJAMIENTOS RURALES EXTREMEÑOS Marcelno Sánchez Rvero Departamento de Economía Aplcada y Organzacón de Empresas Unversdad de Extremadura

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

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

DETERMINACIÓN DEL NIVEL DE PRECIOS PACTADOS EN EL MERCADO DE CONTRATOS Y MITIGACIÓN DE LA VOLATILIDAD EN EL MERCADO ELÉCTRICO MAYORISTA ECUATORIANO

DETERMINACIÓN DEL NIVEL DE PRECIOS PACTADOS EN EL MERCADO DE CONTRATOS Y MITIGACIÓN DE LA VOLATILIDAD EN EL MERCADO ELÉCTRICO MAYORISTA ECUATORIANO DETERMINACIÓN DEL NIVEL DE PACTADOS EN EL MERCADO DE CONTRATOS Y MITIGACIÓN DE LA VOLATILIDAD EN EL MERCADO ELÉCTRICO MAYORISTA ECUATORIANO Galo Nna Análss y Control RESUMEN El obetvo de este trabao es

Más detalles

CANTIDADES VECTORIALES: VECTORES

CANTIDADES VECTORIALES: VECTORES INSTITUION EDUTIV L PRESENTION NOMRE LUMN: RE : MTEMÁTIS SIGNTUR: GEOMETRÍ DOENTE: JOSÉ IGNIO DE JESÚS FRNO RESTREPO TIPO DE GUI: ONEPTUL - EJERITION PERIODO GRDO FEH DURION 3 11 JUNIO 3 DE 2012 7 UNIDDES

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

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

TEMA 6. La producción, el tipo de interés y el tipo de cambio: el modelo Mundell-Fleming

TEMA 6. La producción, el tipo de interés y el tipo de cambio: el modelo Mundell-Fleming TEMA 6. La produccón, el tpo de nterés y el tpo de cambo: el modelo Mundell-Flemng Anhoa Herrarte Sánchez Dpto. de Análss Económco: Teoría Económca e Hstora Económca Curso 2010-2011 Bblografía 1. Blanchard,

Más detalles

Consideraciones empíricas del consumo de los hogares: el caso del gasto en electricidad y alimentos

Consideraciones empíricas del consumo de los hogares: el caso del gasto en electricidad y alimentos Consderacones empírcas del consumo de los hogares: el caso del gasto en electrcdad y almentos Emprcal Consderatons of the Famles Consumpton: the Case uf the Expense n Electrcty and Food Maro Andrés Ramón

Más detalles

1.- Una empresa se plantea una inversión cuyas características financieras son:

1.- Una empresa se plantea una inversión cuyas características financieras son: ESCUELA UNIVERSITARIA DE ESTUDIOS EMPRESARIALES. Departamento de Economía Aplcada (Matemátcas). Matemátcas Fnanceras. Relacón de Problemas. Rentas. 1.- Una empresa se plantea una nversón cuyas característcas

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

Tu área reservada Organización Simplicidad Eficiencia

Tu área reservada Organización Simplicidad Eficiencia Rev. 07/2012 Tu área reservada Organzacón Smplcdad Efcenca www.vstos.t La Tu tua área area reservada rservata 1 MyVstos MyVstos es la plataforma nformátca, reservada a los clentes Vstos, que permte comprobar

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 II: Análisis de la combustión completa e incompleta. 2. 1. Aire

Unidad II: Análisis de la combustión completa e incompleta. 2. 1. Aire 4 Undad II: Análss de la combustón completa e ncompleta. 1. Are El are que se usa en las reaccones de combustón es el are atmosférco. Ya se djo en la Undad I que, debdo a que n el N n los gases nertes

Más detalles

Marinelly Álvarez Departamento de Refinación y Comercio, INTEVEP PDVSA Caracas 1070-A, Apdo. 76343, Venezuela.

Marinelly Álvarez Departamento de Refinación y Comercio, INTEVEP PDVSA Caracas 1070-A, Apdo. 76343, Venezuela. Cuál es el mejor software de smulacón para la logístca petrolera? Gladys Rncon, Mara Perez, Lus E. Mendoza LISI, Departamento de Procesos y Sstemas, Unversdad Smón Bolívar Caracas 1080-A, Apdo. Postal

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

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

Un modelo sencllo, dsponble y seguro Kontratazo publko elektronkoa públca electrónca Lctacones de Prueba: la mejor forma de conocer y domnar el Sstema de Lctacón Electrónca www.euskad.net/contratacon OGASUN

Más detalles

1.- Elegibilidad de estudiantes. 2.- Selección de estudiantes - 2 -

1.- Elegibilidad de estudiantes. 2.- Selección de estudiantes - 2 - Unversdad Euskal Herrko del País Vasco Unbertstatea NORMATIVA PARA SOCRATES/ERASMUS Y DEMÁS PROGRAMAS DE MOVILIDAD AL EXTRANJERO DE ALUMNOS (Aprobada en Junta de Facultad del día 12 de marzo de 2002) La

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

INTENSIDAD DE LAS PREFERENCIAS EN VOTACIONES. VISUALIZACIÓN GRÁFICA DE SU IMPORTANCIA *

INTENSIDAD DE LAS PREFERENCIAS EN VOTACIONES. VISUALIZACIÓN GRÁFICA DE SU IMPORTANCIA * INTENSIDAD DE LAS PREFERENCIAS EN VOTACIONES. VISUALIZACIÓN GRÁFICA DE SU IMPORTANCIA * Alberto Turón Lanuza Grupo Decsón Multcrtero Zaragoza Facultad de Cencas Económcas y Empresarales. Unversdad de Zaragoza

Más detalles

COMPARADOR CON AMPLIFICADOR OPERACIONAL

COMPARADOR CON AMPLIFICADOR OPERACIONAL COMAADO CON AMLIFICADO OEACIONAL COMAADO INESO, COMAADO NO INESO Tenen como msón comparar una tensón arable con otra, normalmente constante, denomnada tensón de referenca, dándonos a la salda una tensón

Más detalles