El clasificador Naïve Bayes en la extracción de conocimiento de bases de datos
|
|
- Ana Pérez Barbero
- hace 8 años
- Vistas:
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
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 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 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 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 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 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 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 detallesTEMA 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 detallesTema 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 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 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 detallesUnidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública
Undad Central del Valle del Cauca Facultad de Cencas Admnstratvas, Económcas y Contables Programa de Contaduría Públca Curso de Matemátcas Fnanceras Profesor: Javer Hernando Ossa Ossa Ejerccos resueltos
Más detallesCANTIDADES 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 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 detallesOPERACIONES 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 detallesGUIAS 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 detallesObtención 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 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 detallesClase 25. Macroeconomía, Sexta Parte
Introduccón a la Facultad de Cs. Físcas y Matemátcas - Unversdad de Chle Clase 25. Macroeconomía, Sexta Parte 12 de Juno, 2008 Garca Se recomenda complementar la clase con una lectura cudadosa de los capítulos
Más detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
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 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 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 detallesCONCEPTOS 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 detallesCAPÍTULO 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 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 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 detallesUn 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 detallesPROPUESTAS 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 detallesACTIVIDADES INICIALES
Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)
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 detalles1. 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 detallesUNIVERSIDAD 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 detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
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 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 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 detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesMatemática Financiera Sistemas de Amortización de Deudas
Matemátca Fnancera Sstemas de Amortzacón de Deudas 7 Qué aprendemos Sstema Francés: Descomposcón de la cuota. Amortzacones acumuladas. Cálculo del saldo. Evolucón. Representacón gráfca. Expresones recursvas
Más detallesCOMPARADOR 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 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 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 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 detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
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 detalles1.1 Ejercicios Resueltos Tema 1
.. EJERCICIOS RESUELTOS TEMA. Ejerccos Resueltos Tema Ejemplo: Probarque ++3+ + n 3 + 3 +3 3 + + n 3 n (n +) Ã n (n +)! - Para n es certa, tambén lo comprobamos para n, 3,... ( + ) + 3 (+) supuesto certa
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 detallesÍndice de Precios de las Materias Primas
May-15 Resumen Ejecutvo El objetvo del (IPMP) es sntetzar la dnámca de los precos de las exportacones de Argentna, consderando la relatva establdad en el corto plazo de los precos de las ventas externas
Más detallesReconocimiento 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 detallesGANTT, 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 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 detallesCifrado 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 detallesPROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)
ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón
Más detallesMaterial 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 detallesGERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES
GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que
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 detallesINSTRUCTIVO 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 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 detalles, x es un suceso de S. Es decir, si :
1. Objetvos: a) Aprender a calcular probabldades de las dstrbucones Bnomal y Posson usando EXCEL. b) Estudo de la funcón puntual de probabldad de la dstrbucón Bnomal ~B(n;p) c) Estudo de la funcón puntual
Más detallesCÁLCULO VECTORIAL 1.- MAGNITUDES ESCALARES Y VECTORIALES. 2.- VECTORES. pág. 1
CÁLCL ECTRIAL 1. Magntudes escalares y vectorales.. ectores. Componentes vectorales. ectores untaros. Componentes escalares. Módulo de un vector. Cosenos drectores. 3. peracones con vectores. 3.1. Suma.
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 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 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 detalles) para toda permutación (p p 1 p
09 Elena J. Martínez do cuat. 004 Análss de la varanza de dos factores El problema anteror consderaba la comparacón de muestras para detectar dferencas entre las respectvas poblacones. En el modelo de
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 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 detallesMódulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization)
Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multobjectve Optmzaton) Patrca Jaramllo A. y Rcardo Smth Q. Insttuto de Sstemas y Cencas de la Decsón Facultad de Mnas Unversdad Naconal de Colomba, Medellín,
Más detallesMATEMÁTICA DE LAS OPERACIONES FINANCIERAS I
MATEMÁTICA DE LAS OPERACIONES FINANCIERAS I CURSO 0/04 PRIMERA SEMANA Día 7/0/04 a las 6 horas MATERIAL AUXILIAR: Calculadora fnancera DURACIÓN: horas. a) Captal fnancero aleatoro: Concepto. Equvalente
Más detallesRespuesta A.C. del FET 1/14
espuesta A.C. del FET 1/14 1. Introduccón Una ez que se ubca al transstor dentro de la zona saturada o de corrente de salda constante, se puede utlzar como amplfcador de señales. En base a un FET canal
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 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 detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
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 detallesTEMA 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 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 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 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 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 detallesDELTA 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 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 detallesTasas 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 detallesLa 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 detallesDisipación de energía mecánica
Laboratoro de Mecáa. Expermento 13 Versón para el alumno Dspacón de energía mecáa Objetvo general El estudante medrá la energía que se perde por la accón de la uerza de rozamento. Objetvos partculares
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 detallesQué es la EN81-28? Atrapado en el ascensor?
Qué es la EN81-28? Atrapado en el ascensor? www.safelne.se La podemos ayudar! Hsselektronk desarrolla y produce electrónca para ascensores. Nuestra gama de productos consste prncpalmente en teléfonos de
Más detallesOptimización 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 detallesADENDA 008 LICITACIÓN L-CEEC-001-12
ADENDA 008 LICITACIÓN L-CEEC-001-12 OBJETO: CONTRATACIÓN DE LA CONSTRUCCIÓN DE LA FASE I DEL RECINTO FERIAL, DEL CENTRO DE EVENTOS Y EXPOSICIONES DEL CARIBE PUERTA DE ORO POR EL SISTEMA DE ECIOS UNITARIOS
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 detalles1.- 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 detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesEQUILIBRIO 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 detallesTu 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 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 detallesTeléfono: (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 detallesIMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1
IMPEMEACIÓ PRÁCICA DE U BACO DE FIROS UIFORME En este tpo de bancos, la forma de la respuesta espectral de cada uno de los fltros es la msma, y su frecuenca central se raparte de manera unforme en el espectro:
Más detallesRESUELTOS POR M. I. A. MARIO LUIS CRUZ VARGAS PROBLEMAS RESUELTOS DE ANUALIDADES ANTICIPADAS
PROBLEMAS RESUELTOS DE ANUALIDADES ANTICIPADAS. En las msmas condcones, qué tpo de anualdades produce un monto mayor: una vencda o una antcpada? Por qué? Las anualdades antcpadas producen un monto mayor
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 detallesEl 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 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 detallesINSYS 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