CLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA N. QUEIPO, S. PINTOS COPYRIGHT 2005 FUNDAMENTOS DE DATA MINING Y SUS APLICACIONES
|
|
- Ángel Calderón Peña
- hace 8 años
- Vistas:
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 CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL
Más detallesRedes 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 detallesMinería 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 detallesCLUSTERING 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 detallesAnálisis 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 detallesAnálisis 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 detalles4. 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 detallesANALISIS 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 detallesMétodos 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 detalles6.3.4. 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 detallesCREACIÓN 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 detallesAnálisis 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 detallesINFORMÁTICA 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 detallesPRESENTACIÓN 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 detallesMAPAS 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 detalles2 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 detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detallesTécnicas 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 detallesMUESTREO TIPOS DE MUESTREO
MUESTREO En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población), se selecciona una muestra, entendiendo por tal una parte representativa de
Más detallesSISTEMAS 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 detallesSistema Inteligente de Exploración
Observatorio Municipal de Estadística Sistema Inteligente de Exploración Capítulos 1. Consideraciones iniciales y requerimientos... 2 2. Navegación... 3 3. Consulta de indicadores... 5 3.1. Elaboración
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesPROGRAMA 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 detallesIntroducción 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 detallesMétodo 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 detallesDarío 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 detallesEstadística con Excel Informática 4º ESO ESTADÍSTICA CON EXCEL
1. Introducción ESTADÍSTICA CO EXCEL La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
Más detallesUNAM 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 detallesEL 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 detallesCAPITULO 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 detallesFuncionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net
2012 Funcionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net Servinet Sistemas y Comunicación S.L. www.softwaregestionproyectos.com Última Revisión: Febrero
Más detallesNIVEL: CICLO SUPERIOR DE GESTIÓN COMERCIAL Y MARKETING
ETAPA: FORMACIÓN PROFESIONAL DEPARTAMENTO DE COMERCIO NIVEL: CICLO SUPERIOR DE GESTIÓN COMERCIAL Y MARKETING MATERIA: POLITICAS DE MARKETING OBJETIVOS - Analizar los precios y costes de productos, relacionando
Más detallesMaterial 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 detalles5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial. Curso de doctoramiento Técnicas de Computación Flexíbeis
5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial Curso de doctoramiento Técnicas de Computación Flexíbeis Learning Vector Quantization (LVQ) Versión supervisada de SOM (SOM
Más detallesDISTRIBUCIÓN DE FRECUENCIAS
UNIVERSIDAD DE COSTA RICA ESCUELA DE ESTADÍSTICA Prof. Olman Ramírez Moreira DISTRIBUCIÓN DE FRECUENCIAS FUENTE: Gómez, Elementos de Estadística Descriptiva Levin & Rubin. Estadística para Administradores
Más detallesMuestreo. Introducción
Muestreo Introducción En este documento ofrecemos un resumen sobre el concepto de muestreo, y los tipos de muestreo existentes. Además, adjuntamos una hoja para el cálculo de tamaños muestrales en auditorías
Más detallesTema 8: Análisis Discriminante. Clasificación. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. Análisis discriminante
Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Análisis discriminante Tema 8: Análisis Discriminante y Clasificación Aurea
Más detallesLección 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 detallesíndice 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 detalles1/32 1/24 Rally Cross 28- Octubre-2009 Ver. 3_1
REGLAMENTO DEPORTIVO: 1-.PISTA: Fabricada en plástico de la marca Ninco en 4 carriles. No se podrá añadir ningún tipo de aditivo en la pista para alterar su adherencia establecida por la organización.
Más detallesFundamentos 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 detalles6. DISEÑOS FACTORIALES 2 K NO REPLICADOS
6. DISEÑOS FACTORIALES 2 K NO REPLICADOS 6.1 INTRODUCCION El aumentar el numero de factores en un diseño 2 k crece rápidamente el numero de tratamientos y por tanto el numero de corridas experimentales.
Más detalles5. METODOLOGÍA. OBTENCIÓN DE DATOS
5. 48 5.1. INTRODUCCIÓN AL ANÁLISIS Y OBTENCIÓN DE DATOS Los datos obtenidos de los ensayos del proyecto VOWS fueron almacenados como archivos binarios. Mediante el programa EXTRACT.FOR se obtuvo los datos
Más detallesMINERIA 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 detallesCapítulo 12: Indexación y asociación
Capítulo 12: Indexación y asociación Conceptos básicos Índices ordenados Archivos de índice de árbol B+ Archivos de índice de árbol B Asociación estática Asociación dinámica Comparación entre indexación
Más detallesProblema 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 detallesM.T.I. Arturo López Saldiña
M.T.I. Arturo López Saldiña Hoy en día, existen diversas aproximaciones al tema de cómo hacer que las personas trabajen dentro de una organización de manera colaborativa. El problema se vuelve más difícil
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detallesMÓDULO III SEIS SIGMA ESTRATEGIA PARA LA MEJORA DE PROYECTOS
MÓDULO III SEIS SIGMA ESTRATEGIA PARA LA MEJORA DE PROYECTOS 1 ÍNDICE DEFINIR. 3 MEDIR.... 4 ANALIZAR..... 5 MEJORAR. 6 CONTROLAR... 7 GLOSARIO... 8 MAPA CONCEPTUAL. 10 2 DEFINIR: Iniciación del proyecto.
Más detallesPROYECTO 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 detallesANÁLISIS DESCRIPTIVO CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística ANÁLISIS DESCRIPTIVO CON SPSS 1.- INTRODUCCIÓN Existen dos procedimientos básicos que permiten describir las propiedades de las distribuciones:
Más detallesAUTOMATIZACIÓN DE LA TRAZABILIDAD ALIMENTARIA CON CÓDIGOS DE BARRAS
AUTOMATIZACIÓN DE LA TRAZABILIDAD ALIMENTARIA CON CÓDIGOS DE BARRAS El Reglamento CE Nº 178/2002: Principios y requisitos generales de la legislación alimentaria, establece en su artículo 18 la obligatoriedad
Más detallesRuth 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 detallesSESION FORMATIVA SOBRE ORGANIZACIÓN EMPRESARIAL GESTIÓN DE RRHH. Gloria Parra Requena
SESION FORMATIVA SOBRE ORGANIZACIÓN EMPRESARIAL GESTIÓN DE RRHH Gloria Parra Requena Importancia de la especialización y división de funciones División de trabajo: Reparto optimo del trabajo entre los
Más detallesCapítulo 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 detallesPROCEDIMIENTO ESPECÍFICO
Índice 1. TABLA RESUMEN... 2 2. OBJETO... 2 3. ALCANCE... 2 4. RESPONSABILIDADES... 3 5. ENTRADAS... 3 6. SALIDAS... 3 7. PROCESOS RELACIONADOS... 3 8. DIAGRAMA DE FLUJO... 4 9. DESARROLLO... 5 9.1. FLOTAS
Más detalles3. GESTIÓN DE CONFIGURACIÓN DE SOFTWARE
3. GESTIÓN DE CONFIGURACIÓN DE SOFTWARE Software Configuration Management (SCM) es una disciplina de la Ingeniería de Software que se preocupa de [Ber92] [Ber84] [Bou98] [Mik97]: Identificar y documentar
Más detallesPRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES
PRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES Raúl Palma G. y Guillermo Bustos R. Escuela de Ingeniería Industrial Universidad Católica de Valparaíso Casilla
Más detallesTEMA 7: Análisis de la Capacidad del Proceso
TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad
Más detallesPropuesta Matriz de Actividades para un Ciclo de Vida de Explotación de Datos
Propuesta Matriz de Actividades para un Ciclo de Vida de Explotación de Datos Britos, P. 1,2 ; Fernández, E. 2,1 ; García Martínez, R 1,2 1 Centro de Ingeniería del Software e Ingeniería del Conocimiento.
Más detallesRecursos HELP DESK Biblioteca 2012
Selección de herramientas para la implementación de ITIL - Segunda Parte Uno de los principales objetivos del marco de trabajo ITIL es administrar la información que se usa para manejar la calidad y la
Más detallesCLASIFICACIÓN E INDIZACIÓN DE DOCUMENTOS
CLASIFICACIÓN E INDIZACIÓN DE DOCUMENTOS Para realizar esta tarea se dispone de los siguientes atributos: Aplicación pedagógica CDU Descriptores Se trata de valores controlados y repetibles. Controlados
Más detallesPUBLICACIÓN INFORMATIVA DE LA ASOCIACIÓN ESPAÑOLA DE FINANCIEROS DE EMPRESA N 64. MARZO
PUBLICACIÓN INFORMATIVA DE LA ASOCIACIÓN ESPAÑOLA DE FINANCIEROS DE EMPRESA N 64. MARZO 2013 Entrevista a Luis de la Haza, Grupo COSENTINO ı 38 ı Deducibilidad de los gastos financieros en el IS ı 24 ı
Más detallesFacultad 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 detallesMedidas 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 detallesUNIVERSIDAD NACIONAL EXPERIMENTAL DE GUAYANA VICERRECTORADO ACADÉMICO COORDINACION DE PRE-GRADO PROYECTO DE CARRERA DE lngenlerla INDUSTRIAL
VICERRECTORADO ACADÉMICO COORDINACION DE PRE-GRADO PROYECTO DE CARRERA DE lngenlerla INDUSTRIAL PROGRAMA: MERCADOTECNIA CÓDIGO ASIGNATURA: 2215-737 PRE-REQUISITO: SEMESTRE: VII UNIDADES DE CRÉDITO: 4 ELABORADO
Más detallesCapítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.
Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. 2.1 Revisión sistema reconocimiento caracteres [9]: Un sistema de reconocimiento típicamente esta conformado por
Más detallesno descompone no descompone no descompone
Problema 1. Sea I n el conjunto de los n primeros números naturales impares. Por ejemplo: I 3 = {1, 3, 5, I 6 = {1, 3, 5, 7, 9, 11, etc. Para qué números n el conjunto I n se puede descomponer en dos partes
Más detallesDESARROLLAR LOS ENLACES DE SAP PARA VISUALIZAR RESULTADOS DE STOCK, UBICACIÓN ESTRATÉGICA Y COMPATIBILIDAD DE EQUIPOS COMO SOPORTE AL MANTENIMIENTO
DESARROLLAR LOS ENLACES DE SAP PARA VISUALIZAR RESULTADOS DE STOCK, UBICACIÓN ESTRATÉGICA Y COMPATIBILIDAD DE EQUIPOS COMO SOPORTE AL MANTENIMIENTO Juan Diego Duque Trujillo Asistente Inventarios y equipos
Más detallesDeterminación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones
Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Introducción Las Compañías aseguradoras determinan sus precios basadas en modelos y en información histórica
Más detallesEstadística. 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 detallesModelos de Ciclo de Vida de Desarrollo de Software en el Contexto de la Industria Colombiana de Software
Modelos de Ciclo de Vida de Desarrollo de Software en el Contexto de la Industria Colombiana de Software Hugo F. Arboleda Jiménez. MSc. Docente-Investigador, Facultad de Ingenierías, Universidad de San
Más detallesGUÍAS. Módulo de Gestión financiera SABER PRO 2013-2
GUÍAS Módulo de Gestión financiera SABER PRO 2013-2 GUÍAS Módulo de Gestión financiera Este módulo evalúa las competencias para planear, evaluar, monitorear y analizar la adquisición y utilización de la
Más detallesINTERPRETACION ECONOMICA DEL ANALISIS DE SENSIBILIDAD
ESCOLA UNIVERSITÀRIA D ESTUDIS EMPRESARIALS DEPARTAMENT D ECONOMIA I ORGANITZACIÓ D EMPRESES INTERPRETACION ECONOMICA DEL ANALISIS DE SENSIBILIDAD Dunia Durán Juvé Profesora Titular 1ª Edición de 1995:
Más detallesAplicaciones de Estadística Descriptiva
Aplicaciones de Estadística Descriptiva Contenidos de la presentación Funciones estadísticas en Excel. Gráficos. El módulo de análisis de datos y las tablas dinámicas de Excel. Información Intentaremos
Más detallesOptimización heurística y simulación de Montecarlo para la maximización de ingresos en hoteles Por José Manuel Martínez López, PMP.
Optimización heurística y simulación de Montecarlo para la maximización de ingresos en hoteles Por José Manuel Martínez López, PMP Sinopsis El presente artículo muestra los resultados de un problema de
Más detallesTema 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 detallesMETODOLOGIAS DE AUDITORIA INFORMATICA
METODOLOGIAS DE AUDITORIA INFORMATICA Auditoria Informatica.- Certifica la integridad de los datos informaticos que usan los auditores financieros para que puedan utilizar los sistemas de información para
Más detallesIntroducción Clustering jerárquico Clustering particional Clustering probabilista Conclusiones. Clustering. Clasificación no supervisada
Clustering Clasificación no supervisada Javier G. Sogo 10 de marzo de 2015 1 Introducción 2 Clustering jerárquico 3 Clustering particional 4 Clustering probabilista 5 Conclusiones Introducción Objetivos
Más detallesCURSO 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 detallesDiseño de Componentes
Diseño de Componentes Adaptación de Métrica V3 Departamento de Sistemas Informáticos y Computación (UPV) CONSELLERIA D INFRAESTRUCTURES I TRANSPORT Emilio Insfrán Pelozo Introducción Diseño de Componentes:
Más detallesCAPÍTULO 1: INTRODUCCIÓN. El presente capítulo muestra una introducción al problema de Optimizar un Modelo de
CAPÍTULO 1: INTRODUCCIÓN El presente capítulo muestra una introducción al problema de Optimizar un Modelo de Escenarios para Carteras de Inversión. Se presenta tanto objetivo general como objetivos específicos.
Más detallesTest de Idioma Francés. Manual del evaluador
Test de Idioma Francés Manual del evaluador 1 CONTENIDO Introducción Qué mide el Test de idioma francés? Qué obtienen el examinado y el examinador? Descripción de los factores Propiedades psicométricas
Más detallesFactores de riesgo del trabajo repetitivo
Factores de riesgo del trabajo repetitivo Los factores de riesgo son aquellas condiciones de trabajo o exigencias durante la realización de trabajo repetitivo que incrementan la probabilidad de desarrollar
Más detallesMadrid, 31 de marzo de 2015 INFORME SOBRE SOLVENCIA DE BAER, CROSBY & PIKE, AGENCIA DE VALORES, S.A. RELATIVO AL EJERCICIO 2014
INFORME SOBRE SOLVENCIA DE BAER, CROSBY & PIKE, AGENCIA DE VALORES, S.A. RELATIVO AL EJERCICIO 2014 1 Informe sobre Solvencia elaborado por el Consejo de Administración de BAER, CROSBY & PIKE, AGENCIA
Más detallesUNIVERSIDAD MINUTO DE DIOS PROGRAMA CONTADURÍA PÚBLICA
UNIVERSIDAD MINUTO DE DIOS PROGRAMA CONTADURÍA PÚBLICA COSTOS II Guía No. 1.- Conceptos Básicos OBJETIVO 1. Asimilar conceptos fundamentales de costos I. CONCEPTOS BASICOS DE COSTOS 1. CONTABILIDAD DE
Más detallesTÉCNICAS 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 detallesCOSTOS ESTÁNDAR-ABC PARA LA INDUSTRIA DE PLÁSTICOS-LÍNEA DE TUBERÍAS Y ACCESORIOS DE PVC : (CASO : SURPLAST S.A.C.) Carrión Nin, José Luis.
CONCLUSIONES 1.- El Sistema de Costos Estándar-ABC permite supera las falencias del Costeo Histórico en los siguientes aspectos: -Eludir el problema de la fluctuación en el costo de los insumos estimando
Más detallesMEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL
MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación
Más detallesINDICE DE COSTES DE LA CONSTRUCCION. CNAE-2009. BASE 2010
INDICE DE COSTES DE LA CONSTRUCCION. CNAE-2009. BASE 2010 1. INTRODUCCION Y OBJETIVOS... 2 2. DEFINICION DEL INDICE... 3 2.1. VARIABLES DEL ÍNDICE... 3 2.2. MOTIVACION DEL INDICADOR... 3 3. ÁMBITOS DEL
Más detallesEmpresa 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 detallesHERRAMIENTAS INFORMÁTICAS: UN REQUISITO IMPRESCINDIBLE PARA LA IMPLEMENTACIÓN DE SISTEMAS DE CALIDAD EFICACES.
HERRAMIENTAS INFORMÁTICAS: UN REQUISITO IMPRESCINDIBLE PARA LA IMPLEMENTACIÓN DE SISTEMAS DE CALIDAD EFICACES. Encarna Fuentes Melero / Biblioteca, Universidad de Almería / efuentes@ual.es Mª Carmen Pérez
Más detallesPLATAFORMA GESTIÓN INTEGRAL DE PRODUCCIÓN GESTIÓN DE OPERACIONES
PLATAFORMA GESTIÓN INTEGRAL DE PRODUCCIÓN GESTIÓN DE OPERACIONES CONTROL DE CALIDAD CONTROL ESTADÍSTICO DE PROCESO Avanzar hacia la excelencia operacional es clave para la mejora de la competitividad de
Más detallesARREGLOS DEFINICION GENERAL DE ARREGLO
ARREGLOS DEFINICION GENERAL DE ARREGLO Conjunto de cantidades o valores homogéneos, que por su naturaleza se comportan de idéntica forma y deben de ser tratados en forma similar. Se les debe de dar un
Más detallesSeleccione sólo el criterio a través del cual se desea filtrar (Estudiante) y pulsar Aceptar.
Seleccione sólo el criterio a través del cual se desea filtrar (Estudiante) y pulsar Aceptar. Sólo se mostraran los registros que coinciden con la ocupación de Estudiante. 3.12 TABLAS DINÁMICAS Un informe
Más detallesLa inteligencia de marketing que desarrolla el conocimiento
La inteligencia de marketing que desarrolla el conocimiento SmartFocus facilita a los equipos de marketing y ventas la captación de consumidores con un enfoque muy relevante y centrado en el cliente. Ofrece
Más detallesCASO 3-5 EUROPEAN ALCOHOL RESEARCH FOUNDATION
CASO 3-5 EUROPEAN ALCOHOL RESEARCH FOUNDATION INTRODUCCIÓN Este caso describe el enfoque de caracterizaciones interculturales de consumidores (Cross Cultural Consumer Characterizations; 4C) de Young &
Más detallesPortafolios Eficientes para agentes con perspectiva Pesos
RenMax Sociedad de Bolsa S.A www.renmax.com.uy Publicado Diciembre 2005 Portafolios Eficientes para agentes con perspectiva Pesos Este artículo muestra que para un agente residente en Uruguay que consume
Más detallesAplicación 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 detallesREVISTA 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