Palabras clave: Minería de datos, extracción de patrones, aplicaciones, sistemas de abastecimiento de agua.

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

Download "Palabras clave: Minería de datos, extracción de patrones, aplicaciones, sistemas de abastecimiento de agua."

Transcripción

1 ESTADO DEL ARTE EN LA UTILIZACIÓN DE TECNICAS AVANZADAS PARA LA BUSQUEDA DE INFORMACIÓN NO TRIVIAL A PARTIR DE DATOS EN LOS SISTEMAS DE ABASTECIMIENTO DE AGUA POTABLE José Luis Díaz Arévalo 1 ; Rafael Pérez García 1 Resumen La aplicabilidad de técnicas heurísticas combinadas con lo que genéricamente se ha denominado minería de datos, es un tema de investigación que puede proporcionar una gran utilidad en la búsqueda de patrones no triviales a partir de los datos disponibles en el planeamiento, operación y gestión de las redes de abastecimiento de agua. Es importante tener en cuenta que en gran porcentaje el éxito en la aplicabilidad de estas técnicas radica en la información base de la que se disponga, es decir los datos (inputs) de entrada. El tema, pese al gran potencial del que dispone, no ha sido aún muy desarrollado para aplicaciones de abastecimiento de agua potable, aunque en campos de finanzas, comunicaciones, negocios y páginas web se está aplicando desde hace algunos años. Abstract The applicability of combined heuristic techniques with which generically data mining has been denominated, is an investigation subject that can provide a great utility in the search of patterns non-trivial from the data available in the planning, operation and management of the networks of water supply. It is important to consider that in great percentage the success in the applicability of these techniques is in the information bases which it is had, is to say the data (inputs) of entrance. The subject, in spite of the great potential which it has, has not been still very developed for applications of potable water supply, although in fields of finances, communications, businesses, pages Web it has been applied for some years. Palabras clave: Minería de datos, extracción de patrones, aplicaciones, sistemas de abastecimiento de agua. 1 Universidad Politécnica de Valencia Departamento de Ingeniería Hidráulica y Medio Ambiente Grupo Mecánica de Fluidos Camino de Vera S/N CP Valencia (España) Tel: Fax: jodiaar@doctor.upv.es ; rperez@gmf.upv.es

2 INTRODUCCIÓN La velocidad con la que se almacenan los datos es muy superior a la velocidad con la que estos son analizados. En las últimas décadas se ha presentado una gran explosión de cantidad de datos digitales, mientras que el número de científicos, ingenieros y analistas disponibles para analizar estos datos ha permanecido estático. Para obviar este problema se necesitan soluciones de investigación tendientes a minar grandes y masivas bases de datos, desarrollar algoritmos y sistemas para minar nuevos tipos de datos y mejorar la utilización de los sistemas de minería de datos. El estudio y aplicación de técnicas avanzadas para el análisis de información almacenada en bases de datos es un tema de investigación en el que ya se han involucrado mucha especialidades, pero que sus aplicaciones en ingeniería civil y más específicamente en los sistemas de abastecimiento de agua potable aún no han sido lo suficientemente explotados, y es una herramienta que nos puede servir o ser de gran ayuda para resolver problemas de planificación, gestión y operación de sistemas de abastecimiento de agua potable. Existen muchas formas de almacenar datos, pero no se archivan convenientemente o su entendimiento es nulo. Con este texto, se pretende mostrar la importancia de realizar investigaciones tendientes a desarrollar algoritmos y aplicaciones para la extracción automática de información de los datos almacenados durante las etapas de construcción y operación de un sistema de conducción de agua potable. Se debe tener en cuenta que es un tema que ha sido muy poco desarrollado para aplicaciones específicas de abastecimientos de agua potable, pero en el cual se nota un gran potencial y una herramienta para la extracción o búsqueda de patrones no triviales a través de los datos disponibles. Es muy importante tener claro que la base de estas investigaciones son los datos, lo cual es un tema que está bastante descuidado en la gestión de los sistemas, aunque últimamente con la aparición de los sistemas de información geográfica, se ha mejorado bastante en mantener una buena calidad y cantidad de datos almacenados, o por lo menos se han iniciado tareas que conducen a la recopilación y almacenamiento de información para ser utilizada por los SIG. Este artículo presenta el concepto de minería de datos e intenta dar una comprensión del proceso y las herramientas utilizadas en general: como resulta el proceso, que se puede realizar con el, cuáles son las principales técnicas detrás de el, cuáles son los aspectos operacionales. Se hace una introducción al estado del arte de la minería de datos en la ingeniería civil y más específicamente a su aplicación en gestión y operación de sistemas de abastecimiento de agua. Además se presenta en la bibliografía algunos artículos que ayudan en la profundización del tema. MINERIA DE DATOS (DATA MINING) DEFINICIONES La minería de datos es un componente de la actividad llamada Descubrimiento de Conocimiento en Bases de Datos (KDD, de sus siglas en inglés), es decir en la minería de datos se aplica un algoritmo para extraer patrones de los datos y el KDD es el proceso completo (Pre-procesamiento, minería, post-procesamiento) Minería de datos es el descubrimiento semi-automático de patrones, asociaciones, cambios, anomalías y estructuras estadísticamente significantes y eventos en los datos, (Grossman, 1998). La minería de datos difiere de la estadística tradicional en cuanto a que en la estadística una hipótesis está formulada y validad en los datos, mientras que en el proceso de minería de datos los patrones se extraen automáticamente de los datos, dicho de otra forma la minería de datos es un manejo de datos mientras que la estadística es un manejo más del hombre. KDD es comúnmente definido como el proceso no trivial de identificar patrones válidos, novedosos, potencialmente útiles y entendibles en los datos.(ohrn, 1999) KDD involucra investigación de áreas cómo: aprendizaje computacional, reconocimiento de patrones, bases de datos, estadística, inteligencia artificial, adquisición de conocimiento y visualización de datos. Por otro lado está relacionado con métodos de descubrimiento automático (por ejemplo de leyes físicas) y con sistemas de manejo de información (Management Information Systems). Las técnicas de Minería de Datos (Data Mining) pueden proveer una solución para adquirir conocimiento abstracto de bases de datos de infraestructura civil. Las técnicas de minería de datos son solo una parte de un gran esquema. Descubrimiento de conocimiento en bases de datos (Knowledge Discovery in Databases KDD) es el proceso no trivial

3 de identificar patrones válidos en datos, novedosos, potencialmente útiles y finalmente comprensibles (Buchheit, 2000). El descubrimiento de conocimiento (Knowledge discovery) ha sido definido como la extracción no trivial de información implícita, previamente desconocida y potencialmente útil de datos. (Carbone, 1997). Minería de datos es una denominación folklórica de una actividad compleja que apunta a extraer información sintetizada y previamente desconocida de grandes bases de datos. (Olaru, 1999), dependiendo del puntos de vista la minería de datos es considerada como un paso del proceso llamado Descubrir conocimiento en las bases de datos (KDD), o en otras ocasiones cómo un sinónimo de este. Es un análisis exploratorio de datos, probado para descubrir patrones útiles en los datos que no son obvios para el usuario. Un minero de datos, es la persona, generalmente con conocimiento en computadores y estadística y en la especialidad de interés, o una pareja de especialistas, uno con conocimiento en la minería de datos y otro en la especialidad de interés capaces de ejecutar los pasos del proceso de minería. ANTECEDENTES Y GENERALIDADES El concepto de minería de datos apareció hace más de 10 años. El interés en este campo y su explotación en diferentes especialidades (negocios, finanzas, ingeniería, banca, salud, sistemas de energía, meteorología...), se ha incrementado recientemente debido a la combinación de diferentes factores, los cuales incluyen: El surgimiento de gran cantidad de datos (terabytes bytes de datos) debido a la medición y/o recopilación de datos automática, registros digitales, archivos centralizados de datos y simulaciones de software y hardware. El abaratamiento de los costos de los medios de almacenamiento. El surgimiento y rápido crecimiento del manejo de sistemas de bases de datos. Los avances en la tecnología computacional tal como los computadores rápidos y las arquitecturas paralelas. Los desarrollos continuos en técnicas de aprendizaje automático. La posible presencia de incertidumbre en los datos (ruido, outliers, información perdida). El propósito general de la minería de datos es procesar la información de la gran cantidad de datos almacenados o que se puedan generar, y desarrollar procedimientos para manejar los datos y tomar futuras decisiones. Generalmente, una de las primeras tareas en el proceso de la minería de datos consiste en resumir la información almacenada en la base de datos, con el fin de comprender bien su contenido. Esto se realiza por medio de análisis estadísticos o técnicas de búsqueda y reporte. Las operaciones más complejas consisten en la identificación de modelos para predecir información acerca de objetos futuros. El término aprendizaje supervisado supervised learning (conocido como aprendizaje con profesor ) está implicado en el minado de datos, en el cual para cada entrada (input) de los objetos de aprendizaje, el objetivo de la salida (output) deseada es conocida e implicada en el aprendizaje. En los métodos de aprendizaje sin supervisión unsupervised learning ( aprendiendo por observación ) el resultado no es suministrado o considerado del todo, y el método aprende por si solo de los valores de los atributos de entrada. Pasos o procesos de la minería de datos El proceso de minería involucra ajustar modelos o determinar patrones a partir de datos. Este ajuste normalmente es de tipo estadístico, en el sentido que se permite un cierto ruido o error dentro del modelo. En general el proceso de la minería de datos itera a través de cinco pasos básicos, tal como se muestra en la Figura 1: Selección de datos: consiste en buscar el objetivo y las herramientas del proceso de minería, identificando los datos a ser extraídos, buscando los atributos apropiados de entrada y la información de salida para representar la tarea. Las comprobaciones básicas deben incluir el tipo de consistencia, la validez de rangos, etc. Un sistema de minería de datos puede ser utilizado para este propósito, se pueden buscar patrones generales y reglas en las bases de datos que identifiquen valores irregulares que no cumplen las reglas establecidas. Trasformación de datos: las operaciones de transformación incluyen organizar los datos en la forma deseada, convirtiendo un tipo de datos en otro (por ejemplo de simbólico a numérico) definiendo nuevos atributos, reduciendo la dimensionalidad de los datos, removiendo ruidos, outliers, normalizando, decidir estrategias para manejar datos perdidos. Minería de datos: los datos trasformados son minados, utilizando una o más técnicas para extraer patrones de interés. Interpretación de resultados y validación: para comprender el significado del conocimiento extraído y su rango de validez, la aplicación de minería de datos prueba su robustez, utilizando métodos de validación establecidos y probándolo con datos diferentes a los utilizados para crear el modelo. Lo que se hace generalmente es dividir los datos en una serie para trabajo y otra para validación. Solo la serie de trabajo es utilizada para evaluar la habilidad del modelo desarrollado. La información extraída es también valorada (más subjetivamente) comparándola con experiencias anteriores.

4 Incorporación del conocimiento descubierto: presentación de los resultados del modelo para poder comprobar o resolver conflictos con creencia o resultados anteriores y aplicar el nuevo modelo. Datos Selección Figura 1 Pasos de la minería de datos. Datos Seleccionados Datos Preprocesados Datos Trasformados Modelos Conocimiento Pre - procesamiento Trasformación Minería de datos Interpretación / Evaluación Las herramientas de minería de datos buscan dirigirse a dos requerimientos básicos: Descripción: descubriendo patrones, asociaciones y grupos de información. Puede incluir detección de desviaciones, segmentación de bases de datos, agrupamientos, asociaciones, reglas, resúmenes, visualización y minado de textos. Predicción: utilizando aquellos patrones para predecir tendencias y comportamientos futuros. La predicción incorpora tareas de clasificación, regresión y análisis de series temporales. Clases de minería de datos Dependiendo principalmente de la aplicación especifica y en el interés del minero, se pueden identificar algunos tipos de tareas de minería de datos para las cuales se producen posibles respuestas. Algunas de las clases o categorías de minería de datos utilizados para la descripción y/o predicción son las siguientes: Presentación concisa de datos: apunta a producir descripciones compactas y características para un conjunto dado de datos. Pueden tomar múltiples formas: numérica (medidas simples de descripción estadística cómo medias, desviaciones estándar...), formas gráficas (histogramas, dispersiones), o en la forma de reglas si-entonces. Se pueden realizar descripciones de la totalidad de los datos o seleccionando subconjuntos. Clasificación: desarrollando perfiles de grupos u objetos en términos de sus atributos. Un problema de clasificación es un aprendizaje supervisado, donde la información de salida es una clasificación discreta, es decir teniendo un objeto y sus atributos de entrada, el resultado de la clasificación es una de los posibles recíprocas clases exclusivas del problema. La tarea de clasificación tiende a descubrir alguna clase de relación entre los atributos de entrada y las clases de salida, tal que el conocimiento descubierto puede ser utilizado para predecir la clase de un nuevo objeto desconocido. Regresión: estableciendo relaciones entre series de objetos con el propósito de predecir. Un problema de regresión es un aprendizaje supervisado de construcción de un modelo más o menos trasparente, donde la información de salida es un valor numérico continuo o un vector de tales valores en vez de una clasificación discreta. Entonces, dando un objeto es posible predecir uno de sus atributos por medio de otros atributos, utilizando el modelo construido. La predicción de valores numéricos se puede realizar por métodos estadísticos clásicos o más avanzados, y por métodos simbólicos a menudo utilizados en las tareas de clasificación. Problemas temporales: es una regresión utilizando adicionalmente la información del tiempo. En ciertas aplicaciones es útil producir reglas que tengan en cuenta explícitamente el papel del tiempo. Las bases de datos que contienen información temporal pueden ser explotadas buscando patrones similares o aprendiendo a anticipar alguna situación anormal en los datos.

5 Agrupamiento: fraccionando clases o ítems que presentan comportamientos o características similares en subconjuntos o grupos. El problema de agrupamiento, es un problema de aprendizaje sin supervisión, en el cual se busca encontrar en los datos grupos de objetos similares compartiendo un número de propiedades importantes. Se puede utilizar en la minería de datos para evaluar similitudes entre datos, construir un conjunto de prototipos representativos, analizar correlaciones entre atributos, o representar automáticamente un conjunto de datos por pequeños números de regiones, preservando las propiedades topológicas del espacio original de entrada. Modelos de causalidad: es un problema de descubrir relaciones de causa y efecto entre atributos. Una regla causal del tipo si-entonces, indica no solo que existe una correlación entre la regla antecedente y la consecuente, sino que también la antecedente es causa de la consecuente. Análisis de asociación: reconociendo que la presencia de un grupo de ítems implica la presencia de otro grupo. Descubrimiento de secuencias: reconociendo que un grupo de ítems es seguido por otro grupo. Modelos de dependencia: consiste en descubrir un modelo que describe dependencias significantes entre atributos. Estas dependencias son generalmente expresadas como reglas si-entonces en la forma si el antecedente es verdadero entonces la consecuencia es verdadera, donde tanto el antecedente como la consecuencia de la regla pueden ser una combinación de atributos. Detección de desviaciones: esta tarea esta enfocada a descubrir cambios significantes o desviaciones en los datos entre el contenido actual y el contenido esperado que puede ser previamente medido o de valores normalizados. Esto incluye la búsqueda de desviaciones en el tiempo y la búsqueda de diferencias inesperadas entre dos subconjuntos de datos. La clasificación, regresión, y series temporales son utilizadas para predicción, mientras que el agrupamiento, la asociación y el descubrimiento de secuencias entre otras son más apropiados para describir relaciones existentes en los datos. Técnicas de minería de datos En general las técnicas de minería de datos se pueden dividir en aquellas que hacen uso de ecuaciones tales cómo la estadística o las redes neuronales o las que se basan en la lógica cómo los árboles de decisión y las reglas, aunque algunas pueden hacer uso tanto de ecuaciones o de la lógica, o pueden ser una combinación de técnicas. Técnicas de minería de datos Basadas en ecuaciones Basadas en lógica Estadísticas Redes Neuronales Artíficiales Árboles de decisión Figura 2. Técnicas de minería de datos. Las técnicas de minería de datos están basadas en un conjunto de herramientas importantes originadas en inteligencia artificial, la estadística, la teoría de información, el aprendizaje de máquinas, el razonamiento con incertidumbre (conjuntos borrosos), el reconocimiento de patrones o visualización. Así, un paquete de programa de minería de datos esta basado en diferentes niveles por un conjunto de tecnologías, algunas de las técnicas de minería de datos más utilizadas son las siguientes: Árboles de decisión: un árbol de decisión es una estructura en forma de árbol que visualmente describe una serie de reglas (condiciones) que causan que una decisión sea tomada. Algoritmos genéticos: los algoritmos genéticos son técnicas de optimización que pueden ser utilizadas para mejorar otros algoritmos de minería de datos obteniendo como resultado el mejor modelo para una serie de datos. El modelo resultante es aplicado a los datos para descubrir patrones escondidos o para realizar predicciones. Redes Neuronales Artificiales: Estos son modelos de predicción no lineales que aprenden como detectar un patrón para emparejar un perfil particular a través de un proceso de entrenamiento que envuelve aprendizaje iterativo, utilizando un conjunto de datos que describe lo que se quiere encontrar. Las redes neuronales son conocidas en la estructura del aprendizaje automático cómo aproximaciones universales con un gran carácter paralelo de calculo y buenas capacidades de generalización, pero también como cajas negras debido a la dificultad para penetrar dentro de las relaciones aprendidas. Son utilizadas en el la minería de datos: para generar modelos de regresión que puedan predecir comportamientos futuros, sobre la base de pares de datos de entrada salida de información numérica histórica continua (la red neuronal asocia salidas numéricas (outputs) con cualquier nuevo objeto de valores de atributos conocidos), y automáticamente representa un conjunto de datos por un pequeño número de prototipos representativos, preservando las propiedades topológicas del espacio original del atributo (aprendizaje sin supervisión). Reglas

6 Técnicas estadísticas: una variedad de técnicas pueden ser utilizadas para identificar patrones, los cuales pueden ser entonces utilizados para predecir el futuro. Estas incluyen las regresiones lineales, los modelos aditivos generalizados (GAM) y las regresiones adaptativas multivariadas por splines. Árboles e Inducción de reglas: la inducción de reglas es el proceso de extraer reglas (si-entonces) de datos, basadas en significados estadísticos. El aprendizaje de máquinas (ML, de sus siglas en inglés), es el centro del concepto de la minería de datos, debido a su capacidad de ganar penetración física dentro del problema, y participar directamente en la selección de datos y en los pasos de búsqueda del modelo. Para dirigir problemas de clasificación (árboles de decisión claros y borrosos), regresión (árboles de regresión), predicción temporal (árboles temporales), el campo del aprendizaje de máquinas, básicamente se centra en el diseño automático de reglas si-entonces, similares a aquellas utilizadas por los expertos humanos. La inducción de árboles de decisión es capaz de manejar problemas de gran escala debido a su eficiencia computacional, dar resultados interpretables y en particular identificar los atributos más representativos para una tarea dada. Reglas de asociación: la generación de reglas de asociación es una técnica potente de minería de datos utilizada para buscar en un conjunto de datos, por reglas que revelan la naturaleza y frecuencia de las relaciones o asociaciones entre las entidades de los datos. Las asociaciones resultantes pueden ser utilizadas para filtrar la información por análisis humano y posiblemente definir un modelo de predicción basado en el comportamiento observado. Lógica Borrosa (Fuzzy Logic): la lógica borrosa maneja conceptos imprecisos (como pequeño, grande, joven, viejo, alto, bajo) y es más flexible que otras técnicas. Proporciona la noción de un conjunto borroso más que una clara demarcación de límites, por ejemplo en vez de 0 o 1 hay también 0.9, 0.85, 0.93, 0.21, 0.05 etc. Métodos de agrupamiento: es utilizado en el paso de pre-procesamiento de los datos, debido a la característica de aprender semejanzas sin supervisión entre objetos y reducir el espacio de búsqueda a un conjunto de los atributos más importantes parta la aplicación o a un conjunto finito de objetos. El método más frecuentemente utilizado para agrupar es el k-means el cual identifica un cierto número de grupos u objetos similares el cuál puede ser utilizado conjuntamente con el método de la Vecindad más próxima (K-Nearest Neighbor k-nn), esta técnica coloca un objeto de interés dentro de clases o grupos examinando sus atributos y agrupándolo con otros cuyos atributos son cerrados a el. k-nn es una técnica clásica para descubrir asociaciones y secuencias cuando los atributos de los datos son numéricos. Con atributos no numéricos o variables es difícil aplicar esta técnica por la dificultad de definir una medida que pueda ser utilizada para cuantificar la distancia entre un par de valores no numéricos. Técnicas de visualización: histogramas (estimando la distribución de probabilidad para ciertos atributos numéricos dados en un conjunto de objetos), gráficas de dispersión (proporcionan información sobre la relación entre dos atributos numéricos y unos discreto), gráficas tridimensionales, dendrogramas (análisis de correlación entre atributos u objetos)... Conjuntos Aproximados (Rough Sets): La teoría de conjuntos aproximados es adecuada para problemas que pueden ser formulados cómo tareas de clasificación y ha ganado un significante interés científico como estructura de minería de datos y KDD (Ohrn, 1999). La base de la teoría de los conjuntos aproximados está en la suposición de que cada objeto del universo de discurso tiene rasgos característicos, los cuales son presentados por información (conocimiento, datos) acerca del objeto. (Pawlak, 2002). Los objetos que tienen las mismas características son indiscernibles. La teoría ofrece herramientas matemáticas para descubrir patrones escondidos en los datos, identifica dependencias parciales o totales, es decir relaciones causa efecto, en bases de datos, elimina redundancia en los datos, da aproximaciones a valores nulos o inválidos, datos perdidos, datos dinámicos etc. Los pasos seguidos en la estructura de conjuntos aproximados son los siguientes: Selección: el vehículo básico para la representación de datos en la estructura de la teoría de conjuntos aproximados es plano, tablas de datos en dos dimensiones. Esto no implica que la tabla sea una simple tabla física, una tabla puede ser una vista lógica entre algunas tablas adyacentes. Una tabla adecuada es seleccionada para análisis subsecuentes. Las columnas de las tablas son llamadas atributos, las filas objetos, y las entradas en la tabla son los valores de los atributos. Pre-procesamiento: si la tabla seleccionada contiene huecos en forma de valores perdidos o entradas de celdas vacías, la tabla puede ser preprocesada de varías formas para llenar o completar la tabla. Transformación: los atributos numéricos pueden ser discretizados, es decir el uso de intervalos o rangos en vez de los valores de los datos exactos. Minería de datos: en la metodología de los conjuntos aproximados, se producen conjunciones de proposiciones elementales o reglas si-entonces. Esto se realiza en un proceso de dos etapas, en el cual subconjuntos de mínimos atributos son primero computados antes de que los patrones o reglas sean generados. Interpretación y evaluación: Los patrones individuales o reglas pueden ser ordenados por alguna medida de bondad y manualmente inspeccionados. Conjuntos de reglas pueden ser empleados para clasificar nuevos casos y registrar el desempeño de clasificación.

7 La teoría de los conjuntos borrosos tiene enlaces con métodos de razonamiento buliano, estadística, redes neuronales, morfología matemática, y puede ser utilizada en combinación con otras técnicas cómo conjuntos borrosos, algoritmos genéticos, métodos estadísticos, redes neuronales, etc. Además, algunos paquetes de minería de datos incluyen: descubrimiento de secuencias de patrones (objetos con igual sucesión de valores de atributos sobre un periodo de tiempo), similitud en series temporales (detecta series temporales similares en un periodo de tiempo), redes bayesianas (modelos gráficos que codifican relaciones probabilísticas entre variables de interés, sistemas capaces de adquirir relaciones de causa), neurofuzzy systems (sistemas de inferencia borrosa que incorporan el aprendizaje y las habilidades de generalización de las redes neuronales). Las técnicas de minería de datos son diferentes unas a otras en términos de la representación del problema, parámetros a optimizar, exactitud, complejidad, tiempo de ejecución, transparencia e interpretación. El éxito del minado de datos está determinado por algunos factores, entre los cuales se tienen: Las herramientas apropiadas: una característica que distingue un software de minería de datos es la calidad de sus algoritmos, la efectividad de las técnicas y algunas veces su velocidad. Además, la eficiencia del hardware utilizado, el sistema operativo, los recursos de la base da datos y el cálculo paralelo influencian el proceso. Por otra parte, el conjunto particular de herramientas útiles para una aplicación depende altamente del problema práctico. Así, en un paso prototipo, es útil tener disponible un conjunto de técnicas amplio para identificar aplicaciones de interés. Sin embargo, en el producto final para la implementación es posible solo utilizar un pequeño subconjunto de las herramientas. Personalizar las técnicas de minería de datos a la aplicación específica y utilizar métodos confiables realzan el proceso de extraer información útil. Los datos apropiados: los datos a ser minados deben contener información que valga la pena minar: consistente, limpia, representativa para la aplicación. Es inútil aplicar minería de datos a bases de datos inválidas con altos errores de medición o errores en la estimación de datos, o intentar realizar estimaciones a partir de datos con un alto contenido de ruido. Una parte importante de los errores resultantes en la minería de datos son debidos a la incertidumbres en la modelación y generación de objetos en ciertas bases de datos en discordancia con las probabilidades reales de la apariencia del fenómeno en el sistema. Es por esto que los errores en la minería de datos a menudo no tienen un significado por ellos mismos, ellos justamente dan un significado práctico para comparar eficiencias de diferentes criterios aplicados a la misma base de datos. El minero apropiado: las operaciones de minería de datos no son aún una operación automática con muy poca o sin intervención del hombre. El análisis del hombre juega un papel importante, principalmente en las áreas de la selección e interpretación de datos / conocimiento. El minero debe tener una compresión de los datos bajo análisis y la especialidad o industria a la cual pertenece. La aplicación adecuada: es importante definir claramente los objetivos o metas que se pretenden para tomar las decisiones convenientes a los procesos subyacentes. Las preguntas adecuadas: para que la herramienta proporcione las respuestas que se persiguen. El adecuado sentido de la incertidumbre: el minero de datos generalmente está más interesado en la comprensibilidad que en la exactitud o capacidad de predicción del modelo. A menudo, aún con los mejores métodos de búsqueda pueden quedar incertidumbres acerca del modelo o la predicción correctas. Aplicaciones Comunes de minería de datos Muchas actividades o especialidades se pueden beneficiar del uso de la minería de datos, ya sea para realizar extracción de patrones o predecir comportamientos futuros, algunas de las aplicaciones más frecuentes están en análisis de mercados para identificar afinidades entre productos y servicios adquiridos por el consumidor, segmentación de clientes para identificar características y comportamientos de clientes o consumidores en general que puedan ser explotados por el mercado, detección de fraudes en tarjetas de crédito, telecomunicaciones, sistemas de computo, detección de patrones en textos, imágenes o en la web, diagnósticos médicos etc. APLICACIONES DE MINERÍA DATOS EN INGENIERÍA CIVIL En cuanto a las aplicaciones de la minería de datos en ingeniería civil y más específicamente a los sistemas de abastecimientos de agua urbana, es muy escasa la información disponible al respecto, a pesar de la cantidad de datos que se pueden almacenar durante las etapas de construcción, operación y gestión de una red de abastecimiento con las consecuentes posibles aplicaciones como por ejemplo ampliación de redes, análisis del reemplazo de tuberías, detección de fugas, cambio de diámetros (capacidades), fraudes, detección de contadores dañados, reposición del parque de contadores, tipos de materiales en tuberías, análisis de calidad del agua etc. En un sistema de abastecimiento que requiera de bombeos ya sea para alimentar embalses o directamente la red de distribución, es muy importante optimizar el costo energético de la utilización de las bombas. Muchos operadores de las estaciones de bombeo, pueden utilizar heurística o reglas para minimizare el costo de la energía utilizada por las bombas, o realizar predicciones de demandas o ayudar a mantener el nivel de los embalses en rangos aceptables.

8 Una regla de tipo heurístico podría ser: si el clima en los últimos 7 días fue caluroso y seco, y en los próximos 7 días se espera que sea caluroso y seco, y el periodo de tiempo antes de una demanda alta es menor o igual a 8 horas, entonces utilice una bomba de gran capacidad durante un periodo corto de tiempo. Este tipo de reglas es necesario documentarlas en sistemas expertos para reducir los costos de operación y distribución de los sistemas de abastecimiento de agua, ya que el conocimiento adquirido manualmente es inadecuado para manejar todas las situaciones que pueden presentarse en un problema complejo de ingeniería. Un método alternativo de adquisición de conocimiento es el aprendizaje automatizado de los datos observados, que es diseñar un algoritmo que pueda adquirir y afinar reglas de decisión de un conjunto de muestras o datos observados. Este método es conocido como aprendizaje inductivo o adquirir conocimiento por ejemplos. Una aplicación de aprendizaje inductivo, es el descubrir reglas de datos para realizar predicciones de demandas (An et al.), cuya metodología está basada en la teoría de los conjuntos aproximados, cuya característica es hacer uso de la información estadística inherente a los datos para manejar la información incompleta y ambigua. El objetivo es el descubrimiento automatizado de reglas a partir de una muestra de datos para realizar predicciones de la demanda diaria de agua. La base de datos contiene 306 muestras recogidas durante 10 meses que cubren la información de 14 factores ambientales y sociológicos y su correspondiente distribución de volumen de flujo. Los factores utilizados como posibles afectaciones del consumo diario de agua son: el día de la semana, y factores climáticos agrupados en temperatura, humedad, precipitación, viento, y horas de brillo del sol. Los consumos diarios se tomaron sumando las distribuciones diarias en cada estación de bombeo. Utilizando una extensión de la teoría de los conjuntos borrosos (Pawlak, Z), se obtuvieron reglas a partir de los datos seleccionados, del tipo si-entonces que describen importantes relaciones entre los factores condicionantes y el consumo de agua, las cuales son fácilmente comprensibles. Tanto la información básica como los resultados fueron agrupadas en rangos discretos tanto para su procesamiento como para su interpretación. En total se generaron 149 reglas para los diferentes conceptos o rangos de predicción de demanda de agua. Algunos ejemplos del tipo de reglas generadas son los siguientes: Para el rango D = [53 60], (a 0 = (D or L or MA) (a 5 > 64) (a 10 <=10.84) (a 3 <= -3.36) 1 (53 < D <=60), Esta regla cubre el 66.7% de los objetos de entrada que incluyen el rango y establece que si el día de la semana es domingo, lunes o martes y la humedad mínima es mayor que 64 y el promedio de velocidad del viento es menor o igual a y la temperatura media es menor o igual que 3.36, entonces la demanda de agua está entre 53 y 60 con una probabilidad 1, es decir que la totalidad de los objetos seleccionados para el rango cumplen la regla. Para el rango D = (89 90], (a 1 <= 23.18) (a 12 <= 36.88) (a 3 > 10.78) (50 <= a 5 <= 64) 1 (80 < D <=90), Esta regla cubre el 10.5% de los objetos de entrada que incluyen el rango. Establece que si la máxima temperatura es menor o igual que y la máxima velocidad del viento es menor o igual que y la temperatura mínima es mayor de y la humedad mínima está entre 50 y 64 inclusive, entonces la demanda de agua está entre 60 y 90 con una probabilidad de 1. Para el rango D = ( ], (a 2 > 10.78) (a 12 > 27.03) (a 5 <=31) (a 13 >9.60) 1 (100 < D <= 110), Esta regla cubre el 33.3% de las muestras que incluyen el rango, y establece que si la temperatura mínima es mayor de y la máxima velocidad del viento es mayor de y la mínima humedad es menor o igual a 31 y el número de horas de brillo del sol es mayor de 9.60, entonces la demanda de agua está entre 100 y 110 con una probabilidad de 1. Otra aplicación desarrollada es la aproximación por minería de datos a la modelación de activos en sistemas de suministro de agua (Babovic et al), la red de tubería de una ciudad y todos los componentes asociados con esta red (válvulas, bombas, reservorios, etc) constituyen los activos de un suministro de agua, y como cualquier otro activo, es importante invertir en su mantenimiento para que cumplan con su tarea. La motivación de este trabajo se produjo debido a la política implementada en la ciudad de Copenhague (Dinamarca), en los años 80 de reemplazar un 1% de longitud de la tubería de la red de abastecimiento de agua por año debido a razones económicas, pérdidas de agua, capacidad, calidad del agua, reclamaciones y compensaciones, cooperación en trabajos de construcción y visión a largo plazo. El trabajo presenta dos técnicas de minería de datos para el análisis del riesgo de rotura de tubos en una red de suministro. Las técnicas utilizadas son los modelos de punteo y las redes bayesianas. El modelo de punteo une casos que presentan un comportamiento similar. Esto se lleva a cabo asignando un puntaje (un valor entre 0 y 100) a cada caso y agrupando casos en clases de puntajes similares, los operadores utilizados son binarios no lineales y la búsqueda del mejor modelo se realiza utilizando algoritmos genéticos. Las redes bayesianas amplían el concepto de los modelos determinísticos tomando en cuenta las incertidumbres. Las salidas y las entradas no son declaradas como variables fijas sino como distribuciones de probabilidad. Una red bayesiana es una red con arcos directos y no ciclos. Los nodos (puntos de arco) representan variables random y decisiones. Los puntos de arco en variables random indican dependencia probabilística, mientras que los puntos de arco en decisiones especifican la información disponible en el periodo de decisión.

9 La red bayesiana es alimentada con parámetros acerca del tubo, del suelo y de la presión dentro del tubo como inputs. Como output, el modelo produce un estimativo de la historia del tubo y el valor de las funciones de los tres estados limite; esfuerzo circunferencial, esfuerzo de corte y el estado límite de fatiga. La técnica empleada para finalizar el modelo del proceso de rotura son los árboles de clasificación. La estrategia utilizada en el modelo de puntaje es primero construir un modelo que separe casos que tengan baja probabilidad de rotura de aquellos que presentan incertidumbre de rotura y luego construir un modelo con el resultado del modelo de incertidumbre. Los resultados obtenidos con el modelo de puntaje presentan que aun cuando la edad esta entre las variables utilizadas por le modelo, su poder de predicción es relativamente bajo. El mejor estimador de predicción para la primera partición (casos con baja probabilidad de rotura), es la longitud del tubo, a mayor longitud mayor número de roturas. Otro elemento de predicción utilizado fue el inicio o comienzo, es decir el número de la casa donde el tubo inicia, la cual no parece ser una relación obvia pero el modelo es más sensible a esta variable que a la edad del tubo. El análisis de sensibilidad del modelo refinado (modelo de incertidumbres), toma como elemento de predicción principal el número de roturas en el modelo anterior, parece más probable que un tubo que se ha roto anteriormente se vuelva a romper. El segundo elemento de predicción es el momento en que se toma la instantánea, el cual tiene que ver con el instante en el tiempo (año, mes, día, hora), este elemento de predicción es un indicador de que en algunos periodos existe más probabilidad de rotura que en otros. Los modelos de puntaje proveen un método para ordenar los tubos de acuerdo a su riesgo de rotura, lo cual es necesario para presentar un esquema de rehabilitación de la red. La calidad del modelo depende de la calidad de los datos utilizados. La fuerza de los modelos de puntaje radica en encontrar relaciones entre variables que no son obvias para la mente humana. CONCLUSIONES Se ha presentado una visión general acerca del estado del arte de la minería de datos y su aplicación a problemas concernientes a los sistemas de abastecimiento de agua potable. Se pretende resaltar en este documento la importancia y el gran potencial que tienen estas técnicas de descubrimiento de patrones no triviales o no obvios a simple vista, para la aplicación en la planificación, operación y gestión de las redes de distribución de agua. El centro del proceso es la minería de datos, el análisis automático de grandes o complejas bases de datos para descubrir patrones o enlaces significantes que de otra forma no se conocerían. El éxito en la aplicación de una técnica de minería de datos radica principalmente en contar con una información básica o datos de entrada (inputs) suficiente y de buena calidad. Dentro de este documento se presentan las bases y técnicas de la minería de datos así como un par de ejemplos acerca de su aplicabilidad en los sistemas de abastecimiento de agua potable. El estudio e investigación de estas técnicas aún no ha sido lo suficientemente desarrollado para su aplicabilidad en la planificación, operación y gestión de redes de abastecimiento de agua potable, sin embargo es una tarea que aunque difícil por la escasez o pobre calidad de la información con la que cuentan nuestros sistemas de abastecimiento, parece tener bastante futuro para la resolución de problemas de nuestras redes. Se han mostrados un par de ejemplos que muestran la efectividad que puede tener el proceso de la minería de datos aplicado a problemas de abastecimientos de agua, pero se debe tener en cuenta que aún falta investigar lo suficiente para desarrollar y aplicar técnicas adecuadas para cada tipo de problema que se nos puede presentar, o quizá buscar información que no nos ha sido obvia o no está presente de antemano cuando nos planteamos que solución le podríamos dar a problemas cotidianos dentro de la operación de un sistema de distribución de agua, como por ejemplo: la detección de fugas, el funcionamiento de los contadores, el material utilizado para las tuberías, problemas de ampliación de redes, o cualquier interrogante que nos pueda surgir y pueda ser resuelto con una gran cantidad de información de la que se dispone pero no está siendo utilizada.

10 REFERENCIAS BIBLIOGRÁFICAS AN, A.; SHAN, N.; CHAN, C.; CERCONE, N.; ZIARKO, W. 1997, Applying knowledge discovery to predict water-supply consumption, IEEE Intelligent Systems & Their Applications, Volume 12, Number 4, pages BABOVIC, V.; DRÉCOURT, J.; KEIJZER, M.; HANSEN, P. 2001, Modelling of Water Supply Assets: A Data Mining Approach, D2K Technical Report , 2000, February 6, BUCHHEIT, R.B.; GARRETT, J.H. JR; LEE, S.R.; BRAHME, R. 2000, A Knowledge Discovery Framework for City Civil Infrastructure: A Case Study of the Intelligent Workplace, Engineering with Computers, Number 16, Pages , CARBONE, P.; 1997, Data Mining or "Knowledge Discovery in Databases" An Overview, Mitre Corporation, FERGUSON, M.; Evaluating and selecting data mining tools, InfoDB, Volume 11, Number 2. GROSSMAN, R.; KASIF, S.; MOORE, R.; ROCKE, D.; ULLMAN, J.; 1998, Data mining research: opportunities and challenges, A report of three NSF workshops on mining large, massive, and distributed data, September 18, OLARU, C.; WEHENKEL, L Data Mining. IEEE Computer Applications in Power, Volume 12, Number 3, July 1999, pages OHRN, A Discernibility and Rough Sets in Medicine: Tools and Applications, Department of Computer and Information Science, Norwegian University of Science and Technology, N Trondheim, Norway. PAWLAK, Z. 2001, Rough sets and their applications, Institute of theoretical and applied sciences, February 28, REICH, Y.; BARAI, S.V Evaluating Machine Learning Models for Engineering Problems, Artificial Intelligence in Engineering, Volume 13, Number 3, Pages , REICH, Y. 1997, Machine Learning Techniques for Civil Engineering Problems, Microcomputers in Civil Eng., Volume 12, Number 4, Pages , SAVIC, D.A.; DAVIDSON, J.W.; DAVIS, R.B. 1999, Data Mining and Knowledge discovery for the water industry, Water Industry Systems, modelling and optimisation applications, Volume 2, Edited by Dragan A. Savic and Godfrey A. Walters, Research Studies Press Ltd, August, SKIPWORTH, P.J.; SAUL, A.J.; MACHELL, J.; 1999, Predicting water quality in distribution systems using artificial neural networks. Proceedings of the Institution of Civil Engineers- Water Maritime & Energy, Volume 136, Number 1, Pages 1-8, July 1, 1999.

Parte I: Introducción

Parte I: Introducción Parte I: Introducción Introducción al Data Mining: su Aplicación a la Empresa Cursada 2007 POR QUÉ? Las empresas de todos los tamaños necesitan aprender de sus datos para crear una relación one-to-one

Más detalles

Visión global del KDD

Visión global del KDD Visión global del KDD Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Introducción Desarrollo tecnológico Almacenamiento masivo de información Aprovechamiento

Más detalles

Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322

Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción

Más detalles

"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios

Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios "Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios Miguel Alfonso Flores Sánchez 1, Fernando Sandoya Sanchez 2 Resumen En el presente artículo se

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

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING Aprendizaje Automático y Data Mining Bloque IV DATA MINING 1 Índice Definición y aplicaciones. Grupos de técnicas: Visualización. Verificación. Descubrimiento. Eficiencia computacional. Búsqueda de patrones

Más detalles

Decisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.

Decisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama. Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El

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

Base de datos II Facultad de Ingeniería. Escuela de computación.

Base de datos II Facultad de Ingeniería. Escuela de computación. Base de datos II Facultad de Ingeniería. Escuela de computación. Introducción Este manual ha sido elaborado para orientar al estudiante de Bases de datos II en el desarrollo de sus prácticas de laboratorios,

Más detalles

Data Mining Técnicas y herramientas

Data Mining Técnicas y herramientas Data Mining Técnicas y herramientas Introducción POR QUÉ? Empresas necesitan aprender de sus datos para crear una relación one-toone con sus clientes. Recogen datos de todos lo procesos. Datos recogidos

Más detalles

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI)

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) OFERTAS TECNOLÓGICAS 1) GESTIÓN ORGANIZACIONAL Y LOGÍSTICA INTEGRADA: TÉCNICAS Y SISTEMAS DE INFORMACIÓN 2) GESTIÓN

Más detalles

Capítulo 3 Paquetes Auxiliares en la Administración de Redes

Capítulo 3 Paquetes Auxiliares en la Administración de Redes Capítulo 3 Paquetes Auxiliares en la Administración de Redes 3.1 Administración Preventiva de la Red La clave para realizar una administración preventiva es el monitoreo y análisis permanente de las condiciones

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

1. INTRODUCCIÓN 1.1 INGENIERÍA

1. INTRODUCCIÓN 1.1 INGENIERÍA 1. INTRODUCCIÓN 1.1 INGENIERÍA Es difícil dar una explicación de ingeniería en pocas palabras, pues se puede decir que la ingeniería comenzó con el hombre mismo, pero se puede intentar dar un bosquejo

Más detalles

Introducción. Ciclo de vida de los Sistemas de Información. Diseño Conceptual

Introducción. Ciclo de vida de los Sistemas de Información. Diseño Conceptual Introducción Algunas de las personas que trabajan con SGBD relacionales parecen preguntarse porqué deberían preocuparse del diseño de las bases de datos que utilizan. Después de todo, la mayoría de los

Más detalles

PRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES

PRODUCTIVIDAD 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 detalles

Evaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial

Evaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial Universidad del Cauca Facultad de Ingeniería Electrónica y Telecomunicaciones Programas de Maestría y Doctorado en Ingeniería Telemática Seminario de Investigación Evaluación, limpieza y construcción de

Más detalles

CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de

CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de inventarios para lograr un control de los productos.

Más detalles

Elementos requeridos para crearlos (ejemplo: el compilador)

Elementos requeridos para crearlos (ejemplo: el compilador) Generalidades A lo largo del ciclo de vida del proceso de software, los productos de software evolucionan. Desde la concepción del producto y la captura de requisitos inicial hasta la puesta en producción

Más detalles

PRUEBAS DE SOFTWARE TECNICAS DE PRUEBA DE SOFTWARE

PRUEBAS DE SOFTWARE TECNICAS DE PRUEBA DE SOFTWARE PRUEBAS DE SOFTWARE La prueba del software es un elemento crítico para la garantía de la calidad del software. El objetivo de la etapa de pruebas es garantizar la calidad del producto desarrollado. Además,

Más detalles

Unidad 1. Fundamentos en Gestión de Riesgos

Unidad 1. Fundamentos en Gestión de Riesgos 1.1 Gestión de Proyectos Unidad 1. Fundamentos en Gestión de Riesgos La gestión de proyectos es una disciplina con la cual se integran los procesos propios de la gerencia o administración de proyectos.

Más detalles

PREPROCESADO DE DATOS PARA MINERIA DE DATOS

PREPROCESADO DE DATOS PARA MINERIA DE DATOS Ó 10.1007/978-3-319-02738-8-2. PREPROCESADO DE DATOS PARA MINERIA DE DATOS Miguel Cárdenas-Montes Frecuentemente las actividades de minería de datos suelen prestar poca atención a las actividades de procesado

Más detalles

CAPÍTULO 1 Instrumentación Virtual

CAPÍTULO 1 Instrumentación Virtual CAPÍTULO 1 Instrumentación Virtual 1.1 Qué es Instrumentación Virtual? En las últimas décadas se han incrementado de manera considerable las aplicaciones que corren a través de redes debido al surgimiento

Más detalles

Enginyeria del Software III

Enginyeria del Software III Enginyeria del Software III Sessió 3. L estàndard ISO/IEC 15504 Antònia Mas Pichaco 1 Introducción El proyecto SPICE representa el mayor marco de colaboración internacional establecido con la finalidad

Más detalles

Credit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar)

Credit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) Credit scoring por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) En base a que los bancos modernos otorgan tarjetas de crédito y créditos personales o los niegan? Qué límite de crédito le

Más detalles

LOGISTICA D E COMPRAS

LOGISTICA D E COMPRAS LOGISTICA D E COMPRAS 1. - Concepto de compras OBTENER EL (LOS) PRODUCTO(S) O SERVICIO(S) DE LA CALIDAD ADECUADA, CON EL PRECIO JUSTO, EN EL TIEMPO INDICADO Y EN EL LUGAR PRECISO. Muchas empresas manejan

Más detalles

Gestión y Desarrollo de Requisitos en Proyectos Software

Gestión y Desarrollo de Requisitos en Proyectos Software Gestión y Desarrollo de Requisitos en Proyectos Software Ponente: María Jesús Anciano Martín Objetivo Objetivo Definir un conjunto articulado y bien balanceado de métodos para el flujo de trabajo de Ingeniería

Más detalles

forma de entrenar a la nuerona en su aprendizaje.

forma de entrenar a la nuerona en su aprendizaje. Sistemas expertos e Inteligencia Artificial,Guía5 1 Facultad : Ingeniería Escuela : Computación Asignatura: Sistemas expertos e Inteligencia Artificial Tema: SISTEMAS BASADOS EN CONOCIMIENTO. Objetivo

Más detalles

Sistemas de información

Sistemas de información Sistemas de información Es un conjunto integrado de componentes que almacenan, recolectan y procesan datos, para la entrega de la información, el conocimiento y los productos digitales. Las empresas comerciales

Más detalles

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN.

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. SISTEMA EDUCATIVO inmoley.com DE FORMACIÓN CONTINUA PARA PROFESIONALES INMOBILIARIOS. CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. Business Intelligence. Data Mining. PARTE PRIMERA Qué es

Más detalles

v.1.0 Clase 5 Docente: Gustavo Valencia Zapata

v.1.0 Clase 5 Docente: Gustavo Valencia Zapata v.1.0 Clase 5 Docente: Gustavo Valencia Zapata Temas Clase 5: Conceptos de Minería de Datos Herramientas de DM Referencias Minería de datos Proceso de DM www.gustavovalencia.com Minería de datos La minería

Más detalles

DE VIDA PARA EL DESARROLLO DE SISTEMAS

DE VIDA PARA EL DESARROLLO DE SISTEMAS MÉTODO DEL CICLO DE VIDA PARA EL DESARROLLO DE SISTEMAS 1. METODO DEL CICLO DE VIDA PARA EL DESARROLLO DE SISTEMAS CICLO DE VIDA CLÁSICO DEL DESARROLLO DE SISTEMAS. El desarrollo de Sistemas, un proceso

Más detalles

M.T.I. Arturo López Saldiña

M.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 detalles

activuspaper Text Mining and BI Abstract

activuspaper Text Mining and BI Abstract Text Mining and BI Abstract Los recientes avances en lingüística computacional, así como la tecnología de la información en general, permiten que la inserción de datos no estructurados en una infraestructura

Más detalles

Universidad acional Experimental Del Táchira Decanato de Docencia Departamento de Ingeniería en Informática

Universidad acional Experimental Del Táchira Decanato de Docencia Departamento de Ingeniería en Informática Universidad acional Experimental Del Táchira Decanato de Docencia Departamento de Ingeniería en Informática Metodología Evolutiva Incremental Mediante Prototipo y Técnicas Orientada a Objeto (MEI/P-OO)

Más detalles

Trabajo final de Ingeniería

Trabajo final de Ingeniería UNIVERSIDAD ABIERTA INTERAMERICANA Trabajo final de Ingeniería Weka Data Mining Jofré Nicolás 12/10/2011 WEKA (Data Mining) Concepto de Data Mining La minería de datos (Data Mining) consiste en la extracción

Más detalles

CAPITULO III MARCO METODOLÓGICO. Desde la perspectiva de Hurtado de Barrera (2008), el tipo de

CAPITULO III MARCO METODOLÓGICO. Desde la perspectiva de Hurtado de Barrera (2008), el tipo de CAPITULO III MARCO METODOLÓGICO 1. TIPO DE INVESTIGACIÓN Desde la perspectiva de Hurtado de Barrera (2008), el tipo de investigación que propone soluciones a una situación determinada a partir de un proceso

Más detalles

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

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a

Más detalles

Ingeniería de Software. Pruebas

Ingeniería de Software. Pruebas Ingeniería de Software Pruebas Niveles de prueba Pruebas unitarias Niveles Pruebas de integración Pruebas de sistema Pruebas de aceptación Alpha Beta Niveles de pruebas Pruebas unitarias Se enfocan en

Más detalles

TransUnion República Dominicana. Preguntas frecuentes sobre los modelos de score de TransUnion

TransUnion República Dominicana. Preguntas frecuentes sobre los modelos de score de TransUnion TransUnion República Dominicana Preguntas frecuentes sobre los modelos de score de TransUnion Los modelos de score de TransUnion El siguiente es un resumen para ayudarle a entender mejor cómo se puede

Más detalles

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Francisco J. Martín Mateos Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Qué es la (KE)? Definición de Wikipedia: La es una disciplina cuyo objetivo es integrar conocimiento

Más detalles

PRIMAVERA RISK ANALYSIS

PRIMAVERA RISK ANALYSIS PRIMAVERA RISK ANALYSIS CARACTERÍSTICAS PRINCIPALES Guía de análisis de riesgo Revisión del programa Plantilla de riesgo instantáneo Asistente para registro de riesgo Registro de riesgo Análisis de riesgo

Más detalles

1.1. Introducción y conceptos básicos

1.1. Introducción y conceptos básicos Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................

Más detalles

MÁQUINA DE VECTORES DE SOPORTE

MÁQUINA DE VECTORES DE SOPORTE MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas

Más detalles

2.1 Clasificación de los sistemas de Producción.

2.1 Clasificación de los sistemas de Producción. ADMINISTRACION DE OPERACIONES Sesión 2: La Administración de operaciones II Objetivo específico 1: El alumno conocerá la clasificación de los sistemas de producción, los sistemas avanzados de manufactura

Más detalles

SÍNTESIS Y PERSPECTIVAS

SÍNTESIS Y PERSPECTIVAS SÍNTESIS Y PERSPECTIVAS Los invitamos a observar, a identificar problemas, pero al mismo tiempo a buscar oportunidades de mejoras en sus empresas. REVISIÓN DE CONCEPTOS. Esta es la última clase del curso.

Más detalles

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión... Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación

Más detalles

TECNÓLOGO EN INFORMÁTICA PLAN DE ESTUDIOS

TECNÓLOGO EN INFORMÁTICA PLAN DE ESTUDIOS Administración Nacional de Universidad de la República Educación Pública Facultad de Ingenieria CF Res..0.07 Consejo Directivo Central Consejo Directivo Central Res..05.07 Res. 17.0.07 TECNÓLOGO EN INFORMÁTICA

Más detalles

DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT

DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT REACCIONES ADVERSAS DE LOS MEDICAMENTOS Los fármacos por naturaleza

Más detalles

Sistemas de Información Geográficos (SIG o GIS)

Sistemas de Información Geográficos (SIG o GIS) Sistemas de Información Geográficos (SIG o GIS) 1) Qué es un SIG GIS? 2) Para qué sirven? 3) Tipos de datos 4) Cómo trabaja? 5) Modelos de datos, Diseño Conceptual 6) GeoDataase (GD) 7) Cómo evaluamos

Más detalles

NORMAS INTERNACIONALES Y ADQUISICION DE DATOS.

NORMAS INTERNACIONALES Y ADQUISICION DE DATOS. CAPITULO II NORMAS INTERNACIONALES Y ADQUISICION DE DATOS. En este capítulo se describirán en forma general las normas internacionales para la medición de variables climatológicas y cómo funciona un sistema

Más detalles

Estas visiones de la información, denominadas vistas, se pueden identificar de varias formas.

Estas visiones de la información, denominadas vistas, se pueden identificar de varias formas. El primer paso en el diseño de una base de datos es la producción del esquema conceptual. Normalmente, se construyen varios esquemas conceptuales, cada uno para representar las distintas visiones que los

Más detalles

7. Conclusiones. 7.1 Resultados

7. Conclusiones. 7.1 Resultados 7. Conclusiones Una de las preguntas iniciales de este proyecto fue : Cuál es la importancia de resolver problemas NP-Completos?. Puede concluirse que el PAV como problema NP- Completo permite comprobar

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

Diseño orientado al flujo de datos

Diseño orientado al flujo de datos Diseño orientado al flujo de datos Recordemos que el diseño es una actividad que consta de una serie de pasos, en los que partiendo de la especificación del sistema (de los propios requerimientos), obtenemos

Más detalles

2. MÉTODOS, INSTRUMENTOS Y ESTRATEGIAS

2. MÉTODOS, INSTRUMENTOS Y ESTRATEGIAS 2. MÉTODOS, INSTRUMENTOS Y ESTRATEGIAS Objetivo específico: El alumno conocerá la importancia de la investigación en psicología industrial/organizacional, su proceso y limitaciones. Asimismo entenderá

Más detalles

opinoweb el poder de sus datos Descubra LA NECESIDAD DE PREDECIR

opinoweb el poder de sus datos Descubra LA NECESIDAD DE PREDECIR opinoweb SOFTWARE FOR MARKET RESEARCH LA NECESIDAD DE PREDECIR Actualmente las empresas no sólo necesitan saber con exactitud qué aconteció en el pasado para comprender mejor el presente, sino también

Más detalles

EL MODELO DE DATOS RASTER

EL MODELO DE DATOS RASTER EL MODELO DE DATOS RASTER El modelo de datos raster, como señala Bosque (1992), es el modelo de datos complementario al modelo vectorial presentado anteriormente. Tiene como principal característica el

Más detalles

Desarrollo de la estrategia a seguir para. un Sistema de Gestión de la Energía. Instalaciones Industriales

Desarrollo de la estrategia a seguir para. un Sistema de Gestión de la Energía. Instalaciones Industriales Desarrollo de la estrategia a seguir para un Sistema de Gestión de la Energía Instalaciones Industriales Noviembre 2014 Contenido 1. Introducción 2. Antecedentes 3. Potencial de mejora energética de los

Más detalles

Área Académica: Licenciatura Sistemas Computacionales. Profesor: Lic. Virginia Arguelles Pascual

Área Académica: Licenciatura Sistemas Computacionales. Profesor: Lic. Virginia Arguelles Pascual Área Académica: Licenciatura Sistemas Computacionales Materia: Gestión de Proyectos Profesor: Lic. Virginia Arguelles Pascual Periodo: Julio-Diciembre Tema: El proceso de software y métricas del proyecto.

Más detalles

Servicio de administración de pautas publicitarias en Internet

Servicio de administración de pautas publicitarias en Internet Servicio de administración de pautas publicitarias en Internet Resumen Ejecutivo Es habitual que la publicidad en Internet sea un apéndice de la publicidad en otros medios. Como no se conocen los resultados,

Más detalles

Mejores prácticas para el éxito de un sistema de información. Uno de los problemas de información dentro de las empresas es contar con datos

Mejores prácticas para el éxito de un sistema de información. Uno de los problemas de información dentro de las empresas es contar con datos ANEXO VI. Mejores prácticas para el éxito de un sistema de información Uno de los problemas de información dentro de las empresas es contar con datos importantes del negocio y que éstos estén aislados

Más detalles

Técnicas de prueba 1. FUNDAMENTOS DE LA PRUEBA DEL SOFTWARE

Técnicas de prueba 1. FUNDAMENTOS DE LA PRUEBA DEL SOFTWARE Técnicas de prueba El desarrollo de Sistemas de software implica la realización de una serie de actividades predispuestas a incorporar errores (en la etapa de definición de requerimientos, de diseño, de

Más detalles

Educación y capacitación virtual, algo más que una moda

Educación y capacitación virtual, algo más que una moda Éxito Empresarial Publicación No.12 marzo 2004 Educación y capacitación virtual, algo más que una moda I Introducción Últimamente se ha escuchado la posibilidad de realizar nuestra educación formal y capacitación

Más detalles

Plan de estudios ISTQB: Nivel Fundamentos

Plan de estudios ISTQB: Nivel Fundamentos Plan de estudios ISTQB: Nivel Fundamentos Temario 1. INTRODUCCIÓN 2. FUNDAMENTOS DE PRUEBAS 3. PRUEBAS A TRAVÉS DEL CICLO DE VIDA DEL 4. TÉCNICAS ESTÁTICAS 5. TÉCNICAS DE DISEÑO DE PRUEBAS 6. GESTIÓN DE

Más detalles

CICLO DE VIDA DEL SOFTWARE

CICLO DE VIDA DEL SOFTWARE CICLO DE VIDA DEL SOFTWARE 1. Concepto de Ciclo de Vida 2. Procesos del Ciclo de Vida del Software 3. Modelo en cascada 4. Modelo incremental 5. Modelo en espiral 6. Prototipado 7. La reutilización en

Más detalles

Gestión de Configuración del Software

Gestión de Configuración del Software Gestión de Configuración del Software Facultad de Informática, ciencias de la Comunicación y Técnicas Especiales Herramientas y Procesos de Software Gestión de Configuración de SW Cuando se construye software

Más detalles

Analizaremos cada una detalladamente, con sus respectivos conceptos, etapas y principios.

Analizaremos cada una detalladamente, con sus respectivos conceptos, etapas y principios. EL PROCESO ADMINISTRATIVO 1) CONCEPTO DE PROCESO ADMINISTRATIVO El proceso administrativo es un conjunto de fases o etapas sucesivas a través de las cuales se efectúa la admón. Mismas que se interrelacionan

Más detalles

ETL: Extractor de datos georreferenciados

ETL: Extractor de datos georreferenciados ETL: Extractor de datos georreferenciados Dr. Juan Pablo Díaz Ezcurdia Doctor Honoris Causa Suma Cum Laude Master en Telecomunicaciones Master en Gestión Educativa Coordinador de la comisión de CSIRT de

Más detalles

Análisis y cuantificación del Riesgo

Análisis 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 detalles

CRM Gestión de Oportunidades Documento de Construcción Bizagi Process Modeler

CRM Gestión de Oportunidades Documento de Construcción Bizagi Process Modeler Bizagi Process Modeler Copyright 2011 - Bizagi Tabla de Contenido CRM- Gestión de Oportunidades de Venta... 4 Descripción... 4 Principales Factores en la Construcción del Proceso... 5 Modelo de Datos...

Más detalles

Tópicos Avanzados de Análisis y Diseño INGENIERIA DE SOFTWARE ING. MA. MARGARITA LABASTIDA ROLDÁN

Tópicos Avanzados de Análisis y Diseño INGENIERIA DE SOFTWARE ING. MA. MARGARITA LABASTIDA ROLDÁN Tópicos Avanzados de Análisis y Diseño INGENIERIA DE SOFTWARE ING. MA. MARGARITA LABASTIDA ROLDÁN Proceso de Negocio (Business Process) Conjunto estructurado, medible de actividades para producir un producto.

Más detalles

Nombre de la asignatura: Inteligencia Artificial. Créditos: 2-2 - 4. Aportación al perfil

Nombre de la asignatura: Inteligencia Artificial. Créditos: 2-2 - 4. Aportación al perfil Nombre de la asignatura: Inteligencia Artificial Créditos: 2-2 - 4 Aportación al perfil Diseñar e implementar interfaces hombre- máquina y máquinamáquina para la automatización de sistemas. Identificar

Más detalles

Control Estadístico del Proceso. Ing. Claudia Salguero Ing. Alvaro Díaz

Control Estadístico del Proceso. Ing. Claudia Salguero Ing. Alvaro Díaz Control Estadístico del Proceso Ing. Claudia Salguero Ing. Alvaro Díaz Control Estadístico del Proceso Es un conjunto de herramientas estadísticas que permiten recopilar, estudiar y analizar la información

Más detalles

MUESTREO TIPOS DE MUESTREO

MUESTREO 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 detalles

EL CUADRO DE MANDO INTEGRAL

EL CUADRO DE MANDO INTEGRAL EL CUADRO DE MANDO INTEGRAL El Cuadro de Mando Integral proporciona a los ejecutivos un amplio marco que traduce la visión y estrategia de una empresa, en un conjunto coherente de indicadores de actuación.

Más detalles

Código del programa: PEMDE. Programa Experto en MANEJO DE DATOS CON EXCEL. Modalidad: Virtual. Descripción del programa

Código del programa: PEMDE. Programa Experto en MANEJO DE DATOS CON EXCEL. Modalidad: Virtual. Descripción del programa Código del programa: PEMDE Programa Experto en MANEJO DE DATOS CON EXCEL Modalidad: Virtual Descripción del programa 1 Presentación del programa Justificación Microsoft Excel es la herramienta de manejo

Más detalles

Unidad III. Planificación del proyecto de software

Unidad III. Planificación del proyecto de software Planificación del proyecto de software Unidad III 3.1. Aplicación de herramientas para estimación de tiempos y costos de desarrollo de software: GANTT, PERT/CPM, uso de software para la estimación de tiempos

Más detalles

1.1 EL ESTUDIO TÉCNICO

1.1 EL ESTUDIO TÉCNICO 1.1 EL ESTUDIO TÉCNICO 1.1.1 Definición Un estudio técnico permite proponer y analizar las diferentes opciones tecnológicas para producir los bienes o servicios que se requieren, lo que además admite verificar

Más detalles

Modelos 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 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 detalles

Introducción a la Gerencia de Proyectos. Resumen. Introducción.

Introducción a la Gerencia de Proyectos. Resumen. Introducción. Introducción a la Gerencia de Proyectos Edwin Monzón C. Ing. de Planeamiento y Control de Proyectos, Compañía Minera San Martín Resumen A nivel mundial la utilización de estándares en la dirección de proyectos

Más detalles

Estándares para planes de calidad de software. Escuela de Ingeniería de Sistemas y Computación Desarrollo de Software II Agosto Diciembre 2008

Estándares para planes de calidad de software. Escuela de Ingeniería de Sistemas y Computación Desarrollo de Software II Agosto Diciembre 2008 Estándares para planes de calidad de software Escuela de Ingeniería de Sistemas y Computación Desarrollo de Software II Agosto Diciembre 2008 DIFERENCIA ENTRE PRODUCIR UNA FUNCION Y PRODUCIR UNA FUNCION

Más detalles

TEMA 5: La explotación de un servicio TI

TEMA 5: La explotación de un servicio TI CIMSI Configuración, Implementación y Mantenimiento de Sistemas Informáticos TEMA 5: La explotación de un servicio TI Daniel Cascado Caballero Rosa Yáñez Gómez Mª José Morón Fernández E.T.S. de Ingeniería

Más detalles

UNIDAD 2: Abstracción del Mundo real Al Paradigma Orientado a Objetos

UNIDAD 2: Abstracción del Mundo real Al Paradigma Orientado a Objetos 2.1. Principios básicos del Modelado de Objetos UNIDAD 2: Abstracción del Mundo real Al Paradigma Orientado a Objetos Hoy en día muchos de los procesos que intervienen en un negocio o empresa y que resuelven

Más detalles

RECOMENDACIONES DE INVESTIGACIÓN FUTURA.

RECOMENDACIONES DE INVESTIGACIÓN FUTURA. Capítulo 6 CONCLUSIONES Y RECOMENDACIONES DE INVESTIGACIÓN FUTURA. 212 METODOLOGÍA PARA LA DETECCIÓN DE REQUERIMIENTOS SUBJETIVOS EN EL DISEÑO DE PRODUCTO. CAPÍTULO 6. CONCLUSIONES, APORTACIONES Y RECOMENDACIONES.

Más detalles

INTRODUCCION AL DESARROLLO DE SISTEMAS DE INFORMACION

INTRODUCCION AL DESARROLLO DE SISTEMAS DE INFORMACION INTRODUCCION AL DESARROLLO DE SISTEMAS DE INFORMACION INTRODUCCION AL DESARROLLO DE SISTEMAS DE INFORMACION. Los sistemas que el analista diseña día a día, la tecnología, las personas, que utilizan el

Más detalles

CASO 3-5 EUROPEAN ALCOHOL RESEARCH FOUNDATION

CASO 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 detalles

Escogiendo un sistema host

Escogiendo un sistema host 2002 Emerson Process Management. Todos los derechos reservados. Vea este y otros cursos en línea en www.plantwebuniversity.com. Fieldbus 402 Escogiendo un sistema host Generalidades Experiencia del proveedor

Más detalles

UN ENTORNO A MEDIDA PARA EL DISEÑO Y LA SIMULACIÓN DE MAQUINARIA POR COMPUTADOR

UN ENTORNO A MEDIDA PARA EL DISEÑO Y LA SIMULACIÓN DE MAQUINARIA POR COMPUTADOR UN ENTORNO A MEDIDA PARA EL DISEÑO Y LA SIMULACIÓN DE MAQUINARIA POR COMPUTADOR Manuel González y Javier Cuadrado Departamento de Ingeniería Industrial II, Campus de Esteiro, 15403 Ferrol Universidad de

Más detalles

UNIVERSIDAD CARLOS III DE MADRID

UNIVERSIDAD CARLOS III DE MADRID : Grupo de Planificación y Aprendizaje PLG I V E R S ID A D U N I D III R D A M D E I C A R L O S II UNIVERSIDAD CARLOS III DE MADRID Grupo de Planificación y Aprendizaje Planificación de misiones espaciales

Más detalles

ANEXO 26-A COMITÉ PERMANENTE DE INTERPRETACIÓN SIC N 32 ACTIVOS INTANGIBLES COSTOS DE SITIOS WEB. (Modificada en 2008) (IV Difusión)

ANEXO 26-A COMITÉ PERMANENTE DE INTERPRETACIÓN SIC N 32 ACTIVOS INTANGIBLES COSTOS DE SITIOS WEB. (Modificada en 2008) (IV Difusión) ANEXO 26-A COMITÉ PERMANENTE DE INTERPRETACIÓN SIC N 32 ACTIVOS INTANGIBLES COSTOS DE SITIOS WEB (Modificada en 2008) (IV Difusión) Interpretación SIC-32 Activos Intangibles - Costos de Sitios Web Referencias

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

El almacén de indicadores de proceso de negocio en ejecución

El almacén de indicadores de proceso de negocio en ejecución X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 El almacén de indicadores de proceso de negocio en ejecución Andrés Boza García 1, Angel Ortiz Bas 1, Llanos Cuenca Gonzalez

Más detalles

Test de Idioma Francés. Manual del evaluador

Test 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 detalles

Administración por Procesos contra Funciones

Administración por Procesos contra Funciones La administración moderna nos marca que en la actualidad, las organizaciones que no se administren bajo un enfoque de procesos eficaces y flexibles, no podrán sobrepasar los cambios en el entorno y por

Más detalles

Funcionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net

Funcionalidades 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 detalles

Usos de los Mapas Conceptuales en Educación

Usos de los Mapas Conceptuales en Educación Usos de los Mapas Conceptuales en Educación Carmen M. Collado & Alberto J. Cañas Introducción Los mapas conceptuales son una poderosa herramienta de enseñanza-aprendizaje. Su utilización en (y fuera de)

Más detalles

FUNCIÓN FINANCIERA DE LA EMPRESA

FUNCIÓN FINANCIERA DE LA EMPRESA FUNCIÓN FINANCIERA DE LA EMPRESA La función financiera, junto con las de mercadotecnia y producción es básica para el buen desempeño de las organizaciones, y por ello debe estar fundamentada sobre bases

Más detalles

Prácticas ITIL para un mejor flujo de trabajo en el helpdesk

Prácticas ITIL para un mejor flujo de trabajo en el helpdesk Prácticas ITIL para un mejor flujo de trabajo en el helpdesk Se diferencia tres partes de gestión para mejorar la resolución de las incidencias de soporte técnico según el marco ITIL: 1. Gestión de Incidencias

Más detalles