CLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA N. QUEIPO, S. PINTOS COPYRIGHT 2005 FUNDAMENTOS DE DATA MINING Y SUS APLICACIONES

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

Download "CLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA N. QUEIPO, S. PINTOS COPYRIGHT 2005 FUNDAMENTOS DE DATA MINING Y SUS APLICACIONES"

Transcripción

1 DEFINICIÓN: AGRUPAR UN CONJUNTO DE n OBJETOS, DEFINIDOS POR p VARIABLES, EN c CLASES, DONDE EN CADA CLASE LOS ELEMENTOS POSEAN CARACTERÍSTICAS AFINES Y SEAN MÁS SIMILARES ENTRE SÍ QUE RESPECTO AELEMENTOS PERTENE- CIENTESAOTRAS CLASES PROPÓSITOS GRAFICAR GRUPOS AFINES, COMO ES EL CASO DE LOS DENDROGRAMASDE LAS TAXONOMÍAS SIMPLEMENTE ORGANIZAR INFORMACIÓN ABUNDANTE Y COMPLEJA HALLAR EL NÚMERO CDE CLASES ADECUADO ENCONTRARSUBCLASES DENTRO DE CLASESNATURALES 1

2 OBJETIVOS DUALES EN LA OBTENCIÓN DE UNA CLASIFICACIÓN ÓPTIMA MINIMIZAR LAS DESVIACIONES ENTRE LAS OBSERVACIONES QUEPERTENECEN AL MISMOGRUPO MAXIMIZAR LAS DISTANCIAS ENTRE LOS CENTROS DE LOS GRUPOS DISPERSIÓN DE UNA CLASE DEFINICIÓN: SE LLAMARÁ S Wj,DISPERSIÓN EN LA CLASE j, ALA SUMA DE LAS DISTANCIAS AL CUADRADO DE CADA OBSERVACIÓN X i AL CENTROm j DE LA CLASE (j)quela CONTIENE Clase(j) S Wj = Nj i= 1 X i m j 2 m j 2

3 CRITERIO DE OPTIMIZACIÓN MINIMIZARLASUMADE LAS DISPERSIONESDEDE LAS CLASES: min C P W = S Wj j = 1 DISPERSIÓN TOTAL: ST = N i= 1 X i m 2 INDICADOR,R 2 R 2 =1 Pw ST MIDELABONDAD DE LACLASIFICACIÓN m 0 R 2 1 3

4 INDICADORDEDE DAVIES BOULDIN(Idb) 1 Idb = c ( Qk ) sc ( Ql ) d ( Q Q ) C max sc + = 1 l k ce k, l k DONDE: s c : ES EL PROMEDIO DE LAS DISTANCIAS DE LOS PUNTOSALCENTRO DE LA CLASE s c = i x m i N k k d ce :ES LA DISTANCIA ENTRE LOS CENTROS, m k Ym l,de DOS CLASES, k Y l, RESPECTIVAMENTE d ce = m k m l INDICADORDEDE DAVIES BOULDIN(Idb) ( Qk ) sc( Ql ) d ( Q, Q ) sc + ce k l ESTARAZÓN, ENTRE LASUMADE LAMEDIADE LAS DISTANCIAS ACADA CLASE YLA DISTANCIA ENTRE CLASES ES PEQUEÑA SI LAS CLASES SON COMPACTAS Y ALEJADAS ENTRE SÍ. EN CONSECUENCIA, LA PARTICIÓN EN CLASES QUE MINIMICE EL INDICADOR DE DAVIES BOULDIN ES UNA PARTICIÓN ADECUADA 4

5 OBJETIVOSDE UNA BUENACLASIFICACIÓN MAXIMIZARR 2 MINIMIZAR Idb 4 3CLASES 2 CLASES R 2 Idb ROJO AZUL CUÁNTAS PARTICIONES SON POSIBLES? EL NÚMERO DE PARTICIONES DE UN CONJUNTO DE ELEMENTOS EN cclases ESTÁ DADO POR LOS NÚMEROS DE STIRLINGDE SEGUNDACLASE : n N C PARTICIONES POREJEMPLO: ES IMPRÁCTICOHALLAR ELÓPTIMOCALCULANDO EXHAUSTIVAMENTE ELVALORDE Pw PARACADAPARTICIÓN 5

6 MÉTODOS DE CLASIFICACIÓN NO SUPERVISADA ANÁLISIS DE CONGLOMERADOS DIRECTOS JERÁRQUICOS MAPAS AUTO-ORGANIZATIVOS MÉTODOS DIRECTOS CARACTERÍSTICAS: CALCULAN POSIBLES LAS DISTANCIAS DE LAS OBSERVACIONES CENTROS DE LAS CLASES, PARA A LUEGO MODIFICAR ESTOS ÚLTIMOS SIGUIENDO EL CRITERIO DE OPTIMIZACIÓN NOHACEN USO DE LAS DISTANCIASENTRE LOSELEMENTOS ELNÚMERO DE CLASES SE FIJADE ANTEMANO PRINCIPALMENTE USADO CUANDO NES GRANDE (N >5000, POREJEMPLO) 6

7 ALGORITMO ITERATIVO DE EVOLUCIÓN DE LOS CENTROS (K-MEANS) ETAPAS: UBICACIÓN DE LOS CENTROS INICIALES DE LAS CLASES ASIGNACIÓN DE LAS OBSERVACIONES A LA CLASE MÁS CERCANA DETERMINACIÓN DE LOS NUEVOS CENTROS DE LAS CLASES VERIFICAR SI SE CUMPLE ALGUNO DE LOS CRITERIOS DE FINALIZACIÓN DEL ALGORITMO K-MEANS Centros al azar 7

8 K-MEANS Centros de masa K-MEANS 8

9 DETERMINACIÓN DEL NÚMERO DE CLASES EJEMPLO DE DATOS BIDIMENSIONALES DETERMINACIÓN DEL NÚMERO ÓPTIMO DE CLASES EN FUNCIÓN DEL R 2 R 2 NOSE OBTIENE UN BENEFICIO SIGNIFICATIVO PORDESGLOSAR ENMÁS DE 4 CLASES ÓPTIMO 9

10 NÚMERO ÓPTIMO DE CLASES = 4 CENTROS FINALES MÉTODOS JERÁRQUICOS PROPÓSITO: DADO UN CONJUNTO INICIAL DONDE CADA ELEMENTO ES UNA CLASE, CREAR UN ARBOL JERÁRQUICO AGRUPANDO EN CADA ETAPA LAS DOS CLASES UBICADAS AMÍNIMA DISTANCIA, ÉSTA INDICALA ALTURA SOBRE EL ÁRBOL A B C D E ALTURA 10

11 CARACTERÍSTICAS CLASIFICAN APARTIR DE LA MATRIZ DE DISTANCIA ENTRE LASOBSERVACIONES NOSE FIJA EL NÚMERO DE CLASES SE DETERMINA EL NÚMERO ÓPTIMO DE CLASES ANALIZANDO ELÁRBOL JERÁRQUICO APROPIADOS SÓLO SI EL TAMAÑO DEL CONJUNTO ES PEQUEÑO, EN CUYO CASO SON MÁS EFICIENTES QUE LOS MÉTODOSDIRECTOSDIRECTOS DISTANCIAS A DISTINGUIR ENTREELEMENTOS EUCLÍDEA ESTANDAR MAHALANOBIS ENTRE CLASES DISTANCIA MÍNIMA DISTANCIA PROMEDIO PONDERADO DISTANCIA PROTOTIPO (CENTROIDE) MÍNIMA VARIANZA (WARD) 11

12 CLASIFICACIÓN SUPERVISADA DISTANCIAS ENTRE ELEMENTOS EUCLIDIA Altura Peso CLASIFICACIÓN SUPERVISADA DISTANCIAS ENTRE ELEMENTOS MAHALANOBIS Altura T 1 ( x y) Σ ( x y) Peso 12

13 CLASIFICACIÓN SUPERVISADA DISTANCIAS ENTRE ELEMENTOS MAHALANOBIS Altura T 1 ( x y) Σ ( x y) Peso DISTANCIAS ENTRE CLASES DISTANCIA MÍNIMA Puntos más cercanos entre las clases 13

14 DISTANCIAS ENTRE CLASES DISTANCIA PROMEDIO PONDERADO DISTANCIAS ENTRE CLASES DISTANCIA PROTOTIPO (CENTROIDE) Centros de masa 14

15 DISTANCIAS ENTRE CLASES MÍNIMA VARIANZA (WARD) S A A P w =S A + S B + S C + S D C P w1 =S AB + S C + S D B S AB S C D distward(a,b)=p w1 -P w =S AB -(S A +S B ) S B S D DISTANCIAS ENTRE CLASES MÍNIMA VARIANZA (WARD) S A A P w =S A + S B + S C + S D S AC C P w2 =S AC + S B + S D B S C D distward(a,c) =S AC -(S A +S C ) S B S D 15

16 DISTANCIAS ENTRE CLASES MÍNIMA VARIANZA (WARD) S A B A C S C P w =S A + S B + S C + S D P w3 =S AD + S B + S C S AD distward(a,d) =S AD -(S A +S D ) D S B S D DISTANCIAS ENTRE CLASES MÍNIMA VARIANZA (WARD) S A A C S C distward(b,c) distward(c,d) B D distward(b,d) S B S D Min( distward(a,b), distward(a,c), distward(a,d), distward(b,c), distward(b,d), distward(c,d) ) 16

17 DISTANCIA DE VUELOS ENTRE CIUDADES 17

CLASIFICACIÓN NO SUPERVISADA

CLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Análisis Estadístico de Datos Climáticos Análisis de agrupamiento (o clusters) (Wilks, Cap. 14) Facultad de Ciencias Facultad de Ingeniería 2013 Objetivo Idear una clasificación o esquema de agrupación

Más detalles

Minería de Datos Web. 1 er Cuatrimestre 2015. Página Web. Prof. Dra. Daniela Godoy. http://www.exa.unicen.edu.ar/catedras/ageinweb/

Minería de Datos Web. 1 er Cuatrimestre 2015. Página Web. Prof. Dra. Daniela Godoy. http://www.exa.unicen.edu.ar/catedras/ageinweb/ Minería de Datos Web 1 er Cuatrimestre 2015 Página Web http://www.exa.unicen.edu.ar/catedras/ageinweb/ Prof. Dra. Daniela Godoy ISISTAN Research Institute UNICEN University Tandil, Bs. As., Argentina http://www.exa.unicen.edu.ar/~dgodoy

Más detalles

4. MÉTODOS DE CLASIFICACIÓN

4. MÉTODOS DE CLASIFICACIÓN 4. MÉTODOS DE CLASIFICACIÓN Una forma de sintetizar la información contenida en una tabla multidimensional (por ejemplo una tabla léxica agregada), es mediante la conformación y caracterización de grupos.

Más detalles

Análisis multivariable

Análisis multivariable Análisis multivariable Las diferentes técnicas de análisis multivariante cabe agruparlas en tres categorías: «Análisis de dependencia» tratan de explicar la variable considerada independiente a través

Más detalles

6.3.4. 4 Etapa : Caracterización de la partición P 4 de los n individuos de la tabla T(22, 3)

6.3.4. 4 Etapa : Caracterización de la partición P 4 de los n individuos de la tabla T(22, 3) 6.3.4. 4 Etapa : Caracterización de la partición P 4 de los n individuos de la tabla T(22, 3) - Resultados y conclusiones Las tres variables contribuyen significativamente a caracterizar las clases de

Más detalles

Redes de Kohonen y la Determinación Genética de las Clases

Redes de Kohonen y la Determinación Genética de las Clases Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados

Más detalles

Métodos de la Minería de Datos

Métodos de la Minería de Datos This is page i Printer: Opaue this Métodos de la Minería de Datos Dr. Oldemar Rodríguez Rojas de noviembre de 2005 ii Contents This is page iii Printer: Opaue this iv This is page v Printer: Opaue this

Más detalles

PRESENTACIÓN DE LOS MÉTODOS DE CLASIFICACIÓN. Eduardo CRIVISQUI

PRESENTACIÓN DE LOS MÉTODOS DE CLASIFICACIÓN. Eduardo CRIVISQUI PRESENTACIÓN DE LOS MÉTODOS DE CLASIFICACIÓN Eduardo CRIVISQUI ADVERTENCIA SÓLO EL CONOCIMIENTO DE LAS PROPIEDADES LÓGICAS DE LOS MÉTODOS ESTADÍSTICOS PERMITE EVITAR EL EMPLEO «A CIEGAS» DE LOS MISMOS.

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

Técnicas de análisis multivariante para agrupación

Técnicas de análisis multivariante para agrupación TEMA 2: TÉCNICAS DE ANÁLISIS MULTIVARIANTE PARA AGRUPACIÓN Métodos cluster Técnicas de segmentación Clasificación no supervisada Ana Justel 1 Técnicas de análisis multivariante para agrupación Motivación

Más detalles

ANALISIS DE CONGLOMERADOS

ANALISIS DE CONGLOMERADOS ANALISIS DE CONGLOMERADOS Jorge Galbiati R Consiste en buscar grupos (conglomerados) en un conjunto de observaciones de forma tal que aquellas que pertenecen a un mismo grupo se parecen, mientras que aquellas

Más detalles

Facultad de Ciencias Económicas Universidad Nacional de Córdoba Carrera de Doctorado

Facultad de Ciencias Económicas Universidad Nacional de Córdoba Carrera de Doctorado Facultad de Ciencias Económicas Universidad Nacional de Córdoba Carrera de Doctorado Materia: Estadística Aplicada a la Investigación Profesora: Dra. Hebe Goldenhersh Octubre del 2002 1 Determinación de

Más detalles

CREACIÓN DE UNA TIPOLOGÍA DE GENES MEDIANTE TÉCNICAS DE DATA MINING PARA Drosophila

CREACIÓN DE UNA TIPOLOGÍA DE GENES MEDIANTE TÉCNICAS DE DATA MINING PARA Drosophila CREACIÓN DE UNA TIPOLOGÍA DE GENES MEDIANTE TÉCNICAS DE DATA MINING PARA Drosophila Ramón Álvarez 1 Flavio Pazos 2 Adrián Valentín 2 Curso de data Mining-2012,Instituto Pasteur 1 IESTA(Instituto de Estadística)

Más detalles

Lección n 5. Modelos de distribución n potencial de especies

Lección n 5. Modelos de distribución n potencial de especies Lección n 5. Modelos de distribución n potencial de especies 1. Elaboración de modelos de distribución de especies. a. Planteamiento. El modelado del nicho ambiental se basa en el principio de que la distribución

Más detalles

Análisis e Interpretación de Datos Unidad XI. Prof. Yanilda Rodríguez MSN Prof. Madeline Fonseca MSN Prof. Reina del C.Rivera MSN

Análisis e Interpretación de Datos Unidad XI. Prof. Yanilda Rodríguez MSN Prof. Madeline Fonseca MSN Prof. Reina del C.Rivera MSN Análisis e Interpretación de Datos Unidad XI Prof. Yanilda Rodríguez MSN Prof. Madeline Fonseca MSN Prof. Reina del C.Rivera MSN Competencias de Aprendizaje Al finalizar la actividad los estudiantes serán

Más detalles

PROYECTO DETECCIÓN DE CLUSTERS INTRODUCCIÓN AL RECONOCIMIENTO DE PATRONES

PROYECTO DETECCIÓN DE CLUSTERS INTRODUCCIÓN AL RECONOCIMIENTO DE PATRONES PROYECTO DETECCIÓN DE CLUSTERS INTRODUCCIÓN AL RECONOCIMIENTO DE PATRONES Diego Introini 4.379.988-6 Daniel Lena 4.870.247-2 1 INDICE Introducción..3 Marco Teórico.. 4 Clustering....4 K-means.........4

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

Introducción al Data Mining Clases 5. Cluster Analysis. Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina

Introducción al Data Mining Clases 5. Cluster Analysis. Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina Introducción al Data Mining Clases 5 Cluster Analysis Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina Cluster Análisis 1 El término cluster analysis (usado por primera

Más detalles

Tema 5. Reconocimiento de patrones

Tema 5. Reconocimiento de patrones Tema 5. Reconocimiento de patrones Introducción al reconocimiento de patrones y a la clasificación de formas Un modelo de general de clasificador Características discriminantes Tipos de clasificación Clasificadores

Más detalles

Ruth Vilà, María-José Rubio, Vanesa Berlanga, Mercedes Torrado. Cómo aplicar un cluster jerárquico en SPSS.

Ruth Vilà, María-José Rubio, Vanesa Berlanga, Mercedes Torrado. Cómo aplicar un cluster jerárquico en SPSS. Universitat de Barcelona. Institut de Ciències de l Educació Cómo aplicar un cluster jerárquico en SPSS Ruth Vilà-Baños, María-José Rubio-Hurtado, Vanesa Berlanga-Silvente, Mercedes Torrado-

Más detalles

ANALISIS MULTIVARIANTE

ANALISIS MULTIVARIANTE ANALISIS MULTIVARIANTE Es un conjunto de técnicas que se utilizan cuando se trabaja sobre colecciones de datos en las cuáles hay muchas variables implicadas. Los principales problemas, en este contexto,

Más detalles

Ensayo: Construcción de la Frontera Eficiente de Markowitz mediante el uso de la herramienta SOLVER de Excel y el modelo Matricial.

Ensayo: Construcción de la Frontera Eficiente de Markowitz mediante el uso de la herramienta SOLVER de Excel y el modelo Matricial. UNIVERSIDAD DE ORIENTE NÚCLEO DE MONAGAS POST GRADO EN CIENCIAS ADMINISTRATIVAS MENCIÓN FINANZAS FINANZAS INTERNACIONALES Ensayo: Construcción de la Frontera Eficiente de Markowitz mediante el uso de la

Más detalles

EL ANÁLISIS DE CONGLOMERADOS EN LOS ESTUDIOS DE MERCADO

EL ANÁLISIS DE CONGLOMERADOS EN LOS ESTUDIOS DE MERCADO EL ANÁLISIS DE CONGLOMERADOS EN LOS ESTUDIOS DE MERCADO I. INTRODUCCIÓN Beatriz Meneses A. de Sesma * En los estudios de mercado intervienen muchas variables que son importantes para el cliente, sin embargo,

Más detalles

DESCRIPCIÓN DE LA METODOLOGÍA UTILIZADA EN EL PROGRAMA DE CESTAS REDUCIDAS ÓPTIMAS

DESCRIPCIÓN DE LA METODOLOGÍA UTILIZADA EN EL PROGRAMA DE CESTAS REDUCIDAS ÓPTIMAS DESCRIPCIÓN DE LA METODOLOGÍA UTILIZADA EN EL PROGRAMA DE CESTAS REDUCIDAS ÓPTIMAS Replicar un índice Formar una cartera que replique un índice (o un futuro) como el IBEX 35, no es más que hacerse con

Más detalles

MAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES

MAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES MAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES José D. Martín Guerrero, Emilio Soria, Antonio J. Serrano PROCESADO Y ANÁLISIS DE DATOS AMBIENTALES Curso 2009-2010 Page 1 of 11 1. Learning Vector Quantization.

Más detalles

INFORMÁTICA APLICADA AL ANÁLISIS ECONÓMICO - FONDO SOCIAL EUROPEO ANÁLISIS CLUSTER IDEA CONCEPTUAL BÁSICA: DEFINICIÓN:

INFORMÁTICA APLICADA AL ANÁLISIS ECONÓMICO - FONDO SOCIAL EUROPEO ANÁLISIS CLUSTER IDEA CONCEPTUAL BÁSICA: DEFINICIÓN: IDEA CONCEPTUAL BÁSICA: La heterogeneidad de una población constituye la materia prima del análisis cuantitativo...... sin embargo, en ocasiones, el individuo u objeto particular, aislado, resulta un "recipiente"

Más detalles

Problema de Programación Lineal

Problema de Programación Lineal Problema de Programación Lineal Introducción La optimización es un enfoque que busca la mejor solución a un problema. Propósito: Maximizar o minimizar una función objetivo que mide la calidad de la solución,

Más detalles

Capítulo 8. Tipos de interés reales. 8.1. Introducción

Capítulo 8. Tipos de interés reales. 8.1. Introducción Capítulo 8 Tipos de interés reales 8.1. Introducción A lo largo de los capítulos 5 y 7 se ha analizado el tipo de interés en términos nominales para distintos vencimientos, aunque se ha desarrollado más

Más detalles

UNAM ESCUELA NACIONAL DE ESTUDIOS PROFESIONALES CAMPUS ACATLAN TEMAS SELECTOS DE CÓMPUTO VILLANUEVA ARREGUÍN AZAEL

UNAM ESCUELA NACIONAL DE ESTUDIOS PROFESIONALES CAMPUS ACATLAN TEMAS SELECTOS DE CÓMPUTO VILLANUEVA ARREGUÍN AZAEL UNAM ESCUELA NACIONAL DE ESTUDIOS PROFESIONALES CAMPUS ACATLAN TEMAS SELECTOS DE CÓMPUTO VILLANUEVA ARREGUÍN AZAEL Mas a todos los que le recibieron, a los que creen en su nombre, les dio potestad de ser

Más detalles

Estadística y Probabilidad

Estadística y Probabilidad 12 Estadística y Probabilidad Objetivos En esta quincena aprenderás a: Recoger datos para un estudio estadístico. Organizar los datos en tablas de frecuencia absoluta y relativa. Construir e interpretar

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadística Descriptiva 1. El porcentaje de algodón en una tela utilizada para elaborar camisas para hombre se presenta en la siguiente tabla. Calcular los estadísticos más importantes y realícese el histograma

Más detalles

Medidas de tendencia Central

Medidas de tendencia Central Medidas de tendencia Central 7.1 Media 7.1.1 Media para un conjunto de datos no agrupados Este parámetro lo usamos con tanta cotidianidad que nos será muy familiar, aunque también aprenderemos algunas

Más detalles

Darío Álvarez Néstor Lemo www.autonomo.edu.uy

Darío Álvarez Néstor Lemo www.autonomo.edu.uy Data Mining para Optimización de Distribución de Combustibles Darío Álvarez Néstor Lemo Agenda Qué es DODC? Definición de Data Mining El ciclo virtuoso de Data Mining Metodología de Data Mining Tareas

Más detalles

clustering: Clasificación no Supervisada

clustering: Clasificación no Supervisada clustering: Clasificación no Supervisada Gráficas estadística y minería de datos con python Miguel Cárdenas Montes Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es

Más detalles

Support Vector Machine

Support Vector Machine Juan Carlos Caicedo Juan Carlos Mendivelso Maestria en Ingenieria de Sistemas y Computacion Universidad Nacional de Colombia 20 de marzo de 2007 Agenda 1 2 3 4 Outline 1 2 3 4 Clasificador lineal que utiliza

Más detalles

CONTENIDOS MÍNIMOS BACHILLERATO

CONTENIDOS MÍNIMOS BACHILLERATO CONTENIDOS MÍNIMOS BACHILLERATO I.E.S. Vasco de la zarza Dpto. de Matemáticas CURSO 2013-14 ÍNDICE Primero de Bachillerato de Humanidades y CCSS...2 Primero de Bachillerato de Ciencias y Tecnología...5

Más detalles

MINERIA DE DATOS Y Descubrimiento del Conocimiento

MINERIA DE DATOS Y Descubrimiento del Conocimiento MINERIA DE DATOS Y Descubrimiento del Conocimiento UNA APLICACIÓN EN DATOS AGROPECUARIOS INTA EEA Corrientes Maximiliano Silva La información Herramienta estratégica para el desarrollo de: Sociedad de

Más detalles

Guía del usuario. Tabla de contenido. 1. Introducción 2

Guía del usuario. Tabla de contenido. 1. Introducción 2 Guía del usuario Tabla de contenido 1. Introducción 2 2. Producir un reporte 3 2.1 El árbol de criterios de selección... 3 2.2 La selección de características y cantidades... 4 3. Filtrar variables 6 3.1

Más detalles

CURSO MINERÍA DE DATOS AVANZADO

CURSO MINERÍA DE DATOS AVANZADO CURSO MINERÍA DE DATOS AVANZADO La minería de datos (en inglés, Data Mining) se define como la extracción de información implícita, previamente desconocida y potencialmente útil, a partir de datos. En

Más detalles

Control Interno CONTROL INTERNO Y SUS SISTEMAS A IMPLEMENTAR EN LAS UNIONES DE CREDITO

Control Interno CONTROL INTERNO Y SUS SISTEMAS A IMPLEMENTAR EN LAS UNIONES DE CREDITO Control Interno CONTROL INTERNO Y SUS SISTEMAS A IMPLEMENTAR EN LAS UNIONES DE CREDITO CONTENIDO 1. ANTECEDENTES E INTRODUCCIÓN 2. OBJETIVOS 3. CARACTERISTICAS 4. ESTRUCTURA 5. ELEMENTOS DEL CONTROL INTERNO

Más detalles

L A P R O G R A M A C I O N

L A P R O G R A M A C I O N L A P R O G R A M A C I O N L I N E A L 1. INTRODUCCIÓN: la programación lineal como método de optimación La complejidad de nuestra sociedad en cuanto a organización general y económica exige disponer

Más detalles

Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda

Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda Inteligencia en Redes de Comunicaciones Tema 7 Minería de Datos Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda {jvillena, rcrespo, rueda}@it.uc3m.es Índice Definición y conceptos

Más detalles

REVISTA COLOMBIANA DE FÍSICA, VOL. 34, No. 1. 2002 CONTEO Y CARACTERIZACIÓN DE REGIONES COMPLETAS EN IMÁGENES 2D: APLICACIÓN A NÚCLEOS CELULARES

REVISTA COLOMBIANA DE FÍSICA, VOL. 34, No. 1. 2002 CONTEO Y CARACTERIZACIÓN DE REGIONES COMPLETAS EN IMÁGENES 2D: APLICACIÓN A NÚCLEOS CELULARES REVISTA COLOMBIANA DE FÍSICA, VOL. 34, No. 1. 2002 CONTEO Y CARACTERIZACIÓN DE REGIONES COMPLETAS EN IMÁGENES 2D: APLICACIÓN A NÚCLEOS CELULARES Y. Sossa, G. Osorio, F. Prieto, F. Angulo Grupo de Percepción

Más detalles

Estadística. Conceptos de Estadística. Un individuo o unidad estadística es cada uno de los elementos que componen la población.

Estadística. Conceptos de Estadística. Un individuo o unidad estadística es cada uno de los elementos que componen la población. Estadística La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un estudio estadístico consta

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es

Más detalles

2 Resolución de algunos ejemplos y ejercicios del tema 2.

2 Resolución de algunos ejemplos y ejercicios del tema 2. INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 8 2 Resolución de algunos ejemplos y ejercicios del tema 2. 2.1 Ejemplos. Ejemplo 13 La siguiente tabla de frecuencias absolutas corresponde a 200 observaciones

Más detalles

TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 1

TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 1 Técnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas http://www.iit.comillas.edu/aramos/ Andres.Ramos@comillas.edu TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS

Más detalles

Un programa entero de dos variables. 15.053 Jueves, 4 de abril. La región factible. Por qué programación entera? Variables 0-1

Un programa entero de dos variables. 15.053 Jueves, 4 de abril. La región factible. Por qué programación entera? Variables 0-1 15.053 Jueves, 4 de abril Un programa entero de dos variables Introducción a la programación entera Modelos de programación entera Handouts: material de clase maximizar 3x + 4y sujeto a 5x + 8y 24 x, y

Más detalles

HADES: Hidrocarburos Análisis de Datos de Estaciones de Servicio

HADES: Hidrocarburos Análisis de Datos de Estaciones de Servicio Hidrocarburos: Análisis de Pablo Burgos Casado (Jefe de Área Desarrollo (SGTIC - MITYC)) María Teresa Simino Rueda Rubén Pérez Gómez Israel Santos Montero María Ángeles Rodelgo Sanchez 1. INTRODUCCIÓN

Más detalles

2. Geométricamente: Hay dos métodos:

2. Geométricamente: Hay dos métodos: Ejercicio realizado por José Francisco Ramón Prados Enunciado: 1. Dado el ortoedro de vértices ABFDCHGE representado en la figura, indicar que vectores son equipolentes a los dados. Expresar las diagonales

Más detalles

DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS

DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS 1) Reseña histórica Abrahan De Moivre (1733) fue el primero en obtener la ecuación matemática de la curva normal. Kart Friedrich Gauss y Márquez De Laplece (principios

Más detalles

Empresa o Entidad C.A Electricidad de Valencia. Autores del Trabajo Nombre País e-mail Jimmy Martínez Venezuela jmartinez@eleval.

Empresa o Entidad C.A Electricidad de Valencia. Autores del Trabajo Nombre País e-mail Jimmy Martínez Venezuela jmartinez@eleval. Título Estudio Estadístico de Base de Datos Comercial de una Empresa Distribuidora de Energía Eléctrica. Nº de Registro 231 Empresa o Entidad C.A Electricidad de Valencia Autores del Trabajo Nombre País

Más detalles

Santiago de la Fuente Fernández. Análisis Conglomerados

Santiago de la Fuente Fernández. Análisis Conglomerados Santiago de la Fuente Fernández Análisis Conglomerados Santiago de la Fuente Fernández Análisis Conglomerados ANÁLISIS DE CONGLOMERADOS Análisis de Conglomerados El Análisis Cluster, conocido como Análisis

Más detalles

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del 33 En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del sistema de procesamiento de imágenes para controlar un robot manipulador y se describen en la forma como serán

Más detalles

Tema 3: Problemas de Satisfacción de Restricciones

Tema 3: Problemas de Satisfacción de Restricciones Tema 3: Problemas de Satisfacción de Restricciones Universidad de Granada Tema 3: Satisfacción de Restricciones Contenido Problemas de satisfacción de restricciones Métodos de búsqueda Búsqueda local para

Más detalles

CÁLCULO DE CICLOS DE CONSUMO Y ROTACIÓN DE INVENTARIOS

CÁLCULO DE CICLOS DE CONSUMO Y ROTACIÓN DE INVENTARIOS 4 CÁLCULO DE CICLOS DE CONSUMO Y ROTACIÓN DE INVENTARIOS Al finalizar el capítulo, el alumno calculará los ciclos de consumo y rotación de inventarios de acuerdo con los métodos de valuación, para la determinación

Más detalles

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA MSC ZOILA RUIZ VERA Empresa Cubana de Aeropuertos y Servicios Aeronáuticos Abril 2010 ANTECEDENTES El proyecto Seguridad es una

Más detalles

Diseño del Sistema de Información

Diseño del Sistema de Información Diseño del Sistema de Información ÍNDICE DESCRIPCIÓN Y OBJETIVOS...2 ACTIVIDAD DSI 1: DEFINICIÓN DE LA ARQUITECTURA DEL SISTEMA...7 Tarea DSI 1.1: Definición de Niveles de Arquitectura...9 Tarea DSI 1.2:

Más detalles

Capítulo 1: Introducción 10 PARTE II METODOLOGÍA FINANCIERA Y ANÁLISIS MULTICRITERIO 16. Capítulo 6: Una Perspectiva Histórica 17

Capítulo 1: Introducción 10 PARTE II METODOLOGÍA FINANCIERA Y ANÁLISIS MULTICRITERIO 16. Capítulo 6: Una Perspectiva Histórica 17 CONTENIDOS PRINCIPALES Capítulo 1: Introducción 10 Propósito de la investigación 11 Fuentes de datos 11 Metodología 11 Estructura y contenidos principales 13 Aplicabilidad 14 PARTE II METODOLOGÍA FINANCIERA

Más detalles

ANÁLISIS DE DATOS MULTIVARIANTE

ANÁLISIS DE DATOS MULTIVARIANTE ANÁLISIS DE DATOS MULTIVARIANTE Verdaderamente no hay cultura más que cuando el espíritu se ensancha a la dimensión de lo universal J. Leclercq. Prof. Esperanza Ayuga Téllez NTRODUCCIÓN DEFINICIÓN: El

Más detalles

Aplicación de mapas autoorganizados (SOM) a la visualización de datos. Modelos Computacionales Fernando José Serrano García

Aplicación de mapas autoorganizados (SOM) a la visualización de datos. Modelos Computacionales Fernando José Serrano García Aplicación de mapas autoorganizados (SOM) a la visualización de datos Modelos Computacionales Fernando José Serrano García 2 Contenido Introducción... 3 Estructura... 3 Entrenamiento... 3 Aplicación de

Más detalles

Diseño del Sistema de Información

Diseño del Sistema de Información Diseño del Sistema de Información ÍNDICE DESCRIPCIÓN Y OBJETIVOS... 2 ACTIVIDAD DSI 1: DEFINICIÓN DE LA ARQUITECTURA DEL SISTEMA... 7 Tarea DSI 1.1: Definición de Niveles de Arquitectura... 9 Tarea DSI

Más detalles

PROBLEMAS RESUELTOS DE INVESTIGACIÓN DE OPERACIONES

PROBLEMAS RESUELTOS DE INVESTIGACIÓN DE OPERACIONES PROBLEMAS RESUELTOS DE INVESTIGAIÓN DE OPERAIONES Enero 13 TEMA 1: REDES 1. Encuentre la ruta más corta de la siguiente red. Los números representan las distancias correspondientes reales entre los nodos.

Más detalles

Análisis técnico de una acción: Rentabilidad, riesgo y correlación

Análisis técnico de una acción: Rentabilidad, riesgo y correlación CONFORMACION DE PORTAFOLIO DE ACCIONES (Aplicación) GUIA DE APLICACIÓN No. 1 Análisis técnico de una acción: Rentabilidad, riesgo y correlación INTRODUCCION: Una bolsa de valores es un mercado donde se

Más detalles

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY)

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) Autor: Lic. Manuel Ernesto Acosta Aguilera Entidad: Facultad de Economía, Universidad de La Habana Dirección: Edificio

Más detalles

INFORME TÉCNICO PREVIO DE EVALUACIÓN DE SOFTWARE

INFORME TÉCNICO PREVIO DE EVALUACIÓN DE SOFTWARE "AA0 DE LA INTEGRACION NACIONAL Y EL RECONOCIMIENTO DE NUESTRA DIVERSIDAD" INFORME TÉCNICO PREVIO DE EVALUACIÓN DE SOFTWARE l. NOMBRE DEL ÁREA Gerencia de Informática 11. RESPONSABLE DE LA EVALUACIÓN Felix

Más detalles

Método k-medias. [ U n a i n t r o d u c c i ó n ]

Método k-medias. [ U n a i n t r o d u c c i ó n ] Método k-medias [ U n a i n t r o d u c c i ó n ] Método K-Means (Nubes Dinámicas) 0 3 4 5 6 7 8 9 0 0 3 4 5 6 7 8 9 0 0 3 4 5 6 7 8 9 0 0 3 4 5 6 7 8 9 0 0 3 4 5 6 7 8 9 0 0 3 4 5 6 7 8 9 0 0 3 4 5 6

Más detalles

ANÁLISIS DE LA PEQUEÑA Y MEDIANA EMPRESA DEL SECTOR DE ALIMENTACIÓN DE LA COMUNIDAD DE MADRID

ANÁLISIS DE LA PEQUEÑA Y MEDIANA EMPRESA DEL SECTOR DE ALIMENTACIÓN DE LA COMUNIDAD DE MADRID FUNDACIÓN UNIVERSIDAD CARLOS III ANÁLISIS DE LA PEQUEÑA Y MEDIANA EMPRESA DEL SECTOR DE ALIMENTACIÓN DE LA COMUNIDAD DE MADRID AÑO 2001 Madrid, Noviembre 2003 ÍNDICE INTRODUCCIÓN... 1 PRIMERA PARTE: ANÁLISIS

Más detalles

Resumen General del Manual de Organización y Funciones

Resumen General del Manual de Organización y Funciones Gerencia de Tecnologías de Información Resumen General del Manual de Organización y Funciones (El Manual de Organización y Funciones fue aprobado por Resolución Administrativa SBS N 354-2011, del 17 de

Más detalles

Selectividad Septiembre 2008 SEPTIEMBRE 2008

Selectividad Septiembre 2008 SEPTIEMBRE 2008 Bloque A SEPTIEMBRE 008.- Una ONG organiza un convoy de ayuda humanitaria con un máimo de 7 camiones, para llevar agua potable y medicinas a una zona devastada por unas inundaciones. Para agua potable

Más detalles

Robustez y flexibilidad en los mapas autoorganizativos para ambientes no estacionarios.

Robustez y flexibilidad en los mapas autoorganizativos para ambientes no estacionarios. Robustez y flexibilidad en los mapas autoorganizativos para ambientes no estacionarios. Sebastián Moreno A. Universidad Técnica Federico Santa María, Departamento de Informática, Valparaíso, Chile, 239-23.

Más detalles

I1.1 Estudios observacionales IISESIÓN DISEÑO O DE ESTUDIOS EN INVESTIGACIÓN N MÉDICA DESCRIPTIVA CURSO DE. 1.2 Estudios experimentales

I1.1 Estudios observacionales IISESIÓN DISEÑO O DE ESTUDIOS EN INVESTIGACIÓN N MÉDICA DESCRIPTIVA CURSO DE. 1.2 Estudios experimentales 1 2 3 4 5 6 ESQUEMA DEL CURSO ESTADÍSTICA BÁSICA DISEÑO DE EXPERIMENTOS CURSO DE ESTADÍSTICA STICA BÁSICAB ESTADÍSTICA DESCRIPTIVA TIPOS DE VARIABLES MEDIDAS DE POSICIÓN CENTRAL Y DE DISPERSIÓN TABLAS

Más detalles

VivaMéxico sin PRI. Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres. Otoño 2013

VivaMéxico sin PRI. Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres. Otoño 2013 VivaMéxico sin PRI Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres Facultad de Ciencias de la Computación Benemérita Universidad Autónoma de Puebla Otoño 2013 IMAGENESpemexmorena Adquisición

Más detalles

CAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de

CAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.

Más detalles

Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI

Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI Ricardo Köller Jemio Departamento de Ciencias Exactas e Ingeniería, Universidad

Más detalles

La práctica del análisis de correspondencias

La práctica del análisis de correspondencias La práctica del análisis de correspondencias MICHAEL GREENACRE Catedrático de Estadística en la Universidad Pompeu Fabra Separata del capítulo Biplots en análisis de correspondencias Primera edición: julio

Más detalles

Planificación y control a corto plazo. Alberto Gómez Gómez

Planificación y control a corto plazo. Alberto Gómez Gómez Planificación y control a corto plazo Alberto Gómez Gómez BIBLIOGRAFÍA BÁSICA Chase, R.B.; Aquilano, N.J.; Jacobs, F.R. (2000): Administración de Producción y Operaciones (Santa Fe de Bogotá: McGraw- Hill).

Más detalles

Dualidad y Análisis de Sensibilidad

Dualidad y Análisis de Sensibilidad Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN34A: Clase Auxiliar Dualidad y Análisis de Sensibilidad Marcel Goic F. 1 1 Esta es una versión bastante

Más detalles

Introducción al Análisis Cluster. Consideraciones generales.

Introducción al Análisis Cluster. Consideraciones generales. Capítulo 1 Introducción al Análisis Cluster. Consideraciones generales. 1.1. El problema de la clasificación. Una de las actividades más primitivas, comunes y básicas del hombre consiste en clasificar

Más detalles

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO Estadística Superior CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO 1 1. REGRESIÓN LINEAL SIMPLE Y MÚLTIPLE 1.1. Regresión lineal simple 1.2. Estimación y predicción por intervalo en regresión lineal

Más detalles

Métodos y Diseños utilizados en Psicología

Métodos y Diseños utilizados en Psicología Métodos y Diseños utilizados en Psicología El presente documento pretende realizar una introducción al método científico utilizado en Psicología para recoger información acerca de situaciones o aspectos

Más detalles

DISTRIBUCIONES DISCRETAS CON EXCEL Y WINSTATS

DISTRIBUCIONES DISCRETAS CON EXCEL Y WINSTATS DISTRIBUCIONES DISCRETAS CON EXCEL Y WINSTATS A) INTRODUCCIÓN Una distribución de probabilidad es una representación de todos los resultados posibles de algún experimento y de la probabilidad relacionada

Más detalles

Identificación de los Riesgos

Identificación de los Riesgos Identificación de los Riesgos 1. Identificación n de los riesgos 2. Fuentes para identificar riesgos 3. Otros procedimientos para identificar riesgos 4. Clasificación n de los riesgos 1.Identificación

Más detalles

SISTEMAS INTELIGENTES

SISTEMAS INTELIGENTES SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones

Más detalles

índice UA 1: GESTIÓN DE ALMACÉN UA 2: GESTIÓN DE STOCKS UA 3: GESTIÓN Y PREPARACIÓN DE PEDIDOS UA 4: GESTIÓN Y PREPARACIÓN DE INVENTARIOS

índice UA 1: GESTIÓN DE ALMACÉN UA 2: GESTIÓN DE STOCKS UA 3: GESTIÓN Y PREPARACIÓN DE PEDIDOS UA 4: GESTIÓN Y PREPARACIÓN DE INVENTARIOS índice UA 1: GESTIÓN DE ALMACÉN 5 Fundamentos de la gestión de almacenes. Configuración del almacén. Tipos de carga y almacenamiento. Equipos para manipulación y almacenamiento. UA 2: GESTIÓN DE STOCKS

Más detalles

Métricas de complejidad para la transformación del problema de detección de cáncer basado en

Métricas de complejidad para la transformación del problema de detección de cáncer basado en Índice para la transformación del problema de detección de cáncer basado en mamografías Alumna: Núria Macià Antoĺınez Asesora: Ester Bernadó Mansilla Núria Macià Antoĺınez PFC: 1/49 Índice 1 Planteamiento

Más detalles

Funciones lineales. Objetivos. Antes de empezar. 1.Función de proporcionalidad directa pág. 170 Definición Representación gráfica

Funciones lineales. Objetivos. Antes de empezar. 1.Función de proporcionalidad directa pág. 170 Definición Representación gráfica 10 Funciones lineales Objetivos En esta quincena aprenderás a: Identificar problemas en los que intervienen magnitudes directamente proporcionales. Calcular la función que relaciona a esas magnitudes a

Más detalles

CUALIFICACIÓN SISTEMAS DE GESTIÓN DE INFORMACIÓN PROFESIONAL. Nivel 3. Versión 5 Situación RD 1201/2007 Actualización

CUALIFICACIÓN SISTEMAS DE GESTIÓN DE INFORMACIÓN PROFESIONAL. Nivel 3. Versión 5 Situación RD 1201/2007 Actualización Página 1 de 16 CUALIFICACIÓN SISTEMAS DE GESTIÓN DE INFORMACIÓN PROFESIONAL Familia Profesional Informática y Comunicaciones Nivel 3 Código IFC304_3 Versión 5 Situación RD 1201/2007 Actualización Competencia

Más detalles

PARTE GENERAL. INSTRUCCIONES ESPECÍFICAS DE ESTA MATERIA Se han de Toda respuesta ha de estar debidamente justificada, valorándose positivamente las

PARTE GENERAL. INSTRUCCIONES ESPECÍFICAS DE ESTA MATERIA Se han de Toda respuesta ha de estar debidamente justificada, valorándose positivamente las PRUEBAS DE ACCESO A CICLOS FORMATIVOS DE GRADO SUPERIOR Convocatoria de junio de 2002 (Resolución de 26 de Abril de la Consejería de Educación y Cultura del Gobierno del Principado de Asturias. BOPA de

Más detalles

DETECCIÓN DE OBSERVACIONES ATÍPICAS MEDIANTE TRUNCAMIENTOS: CASO UNIVARIANTE

DETECCIÓN DE OBSERVACIONES ATÍPICAS MEDIANTE TRUNCAMIENTOS: CASO UNIVARIANTE DETECCIÓN DE OBSERVACIONES ATÍPICAS MEDIANTE TRUNCAMIENTOS: CASO UNIVARIANTE ORTEGA DATO, Juan Fco. Departamento de Economía y Empresa Universidad de Castilla-La Mancha correo-e: JuanFco.Ortega@uclm.es

Más detalles

Nombre de la asignatura Carrera Clave de la signatura Créditos 3 2-5

Nombre de la asignatura Carrera Clave de la signatura Créditos 3 2-5 1. DATOS DE LA ASIGNATURA Nombre de la asignatura Carrera Clave de la signatura Créditos 3 2-5 2.- PRESENTACIÓN Caracterización de la asignatura. Probabilidad y estadística descriptiva Ingeniería en gestión

Más detalles

Ejercicio de estadística para 3º de la ESO

Ejercicio de estadística para 3º de la ESO Ejercicio de estadística para 3º de la ESO Unibelia La estadística es una disciplina técnica que se apoya en las matemáticas y que tiene como objetivo la interpretación de la realidad de una población

Más detalles

TÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS ALIMENTARIOS

TÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS ALIMENTARIOS TÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS ALIMENTARIOS HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Estadística para el control de procesos 2. Competencias a la que

Más detalles

Uso de Mapas Perceptuales en Campañas Políticas

Uso de Mapas Perceptuales en Campañas Políticas Uso de Mapas Perceptuales en Campañas Políticas Act. Marco Antonio Robles Páez GAUSSC Introducción El presente documento pretende mostrar la utilidad de los Mapas Perceptuales basados en el Análisis Discriminante

Más detalles

ÍNDICE DE CONTENIDOS. Concepto y tipos de control Ámbito. de control. Técnicas PLANIFICACIÓN, PROGRAMACIÓN Y CONTROL DE PROYECTOS.

ÍNDICE DE CONTENIDOS. Concepto y tipos de control Ámbito. de control. Técnicas PLANIFICACIÓN, PROGRAMACIÓN Y CONTROL DE PROYECTOS. ÍNDICE DE CONTENIDOS 1 2 3 4 Concepto y etapas de la gestión de un proyecto Concepto y tipos de control Ámbito de control 1 Concepto y etapas de la gestión de un proyecto PROYECTO: Una serie de tareas

Más detalles

LECCION 1ª Introducción a la Estadística Descriptiva

LECCION 1ª Introducción a la Estadística Descriptiva LECCION 1ª Introducción a la Estadística Descriptiva La estadística descriptiva es una ciencia que analiza series de datos (por ejemplo, edad de una población, altura de los estudiantes de una escuela,

Más detalles

INTRODUCCION A LA VERIFICACIÓN DE LA CALIDAD DE IMPRESIÓN DE UN CODIGO DE BARRAS MEDIANTE LA NORMA ISO/IEC 15416 (CEN/ANSI)

INTRODUCCION A LA VERIFICACIÓN DE LA CALIDAD DE IMPRESIÓN DE UN CODIGO DE BARRAS MEDIANTE LA NORMA ISO/IEC 15416 (CEN/ANSI) INTRODUCCION A LA VERIFICACIÓN DE LA CALIDAD DE IMPRESIÓN DE UN CODIGO DE BARRAS MEDIANTE LA NORMA ISO/IEC 15416 (CEN/ANSI) Barcelona Pg. Les Monges 2, 08392 Llavaneres (BCN) Tel. +34 937 930 255 Fax +34

Más detalles

Población, muestra y variable estadística

Población, muestra y variable estadística Población, muestra y variable estadística La estadística es la parte de las Matemáticas que estudia cómo recopilar y resumir gran cantidad de información para extraer conclusiones. La población de un estudio

Más detalles

PROGRAMA DE ADMINISTRACION DE RECURSOS HUMANOS - 2003 3er. Año 1er. Semestre Plan 2000 Carga horaria: 60 horas

PROGRAMA DE ADMINISTRACION DE RECURSOS HUMANOS - 2003 3er. Año 1er. Semestre Plan 2000 Carga horaria: 60 horas FACULTAD DE CIENCIAS ECONOMICAS Y DE ADMINISTRACION. Escuela de Admintración PROGRAMA DE ADMINISTRACION DE RECURSOS HUMANOS - 2003 3er. Año 1er. Semestre Plan 2000 Carga horaria: 60 horas OBJETIVO GENERAL:

Más detalles