4. MÉTODOS DE CLASIFICACIÓN

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "4. MÉTODOS DE CLASIFICACIÓN"

Transcripción

1 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. Los grupos o clases se conforman de manera que los elementos dentro de cada grupo sean lo más homogéneos posibles y que, en cambio, los elementos de diferentes grupos sean lo más diferentes posibles. Los métodos de clasificación se pueden dividir en jerárquicos y no jerárquicos. En los no jerárquicos el número de clases se establece previamente y el algoritmo de clasificación asigna los individuos a las clases, partiendo de algunos valores iniciales y buscando optimizar algún criterio establecido de antemano. En la clasificación jerárquica se construye un "árbol" o "dendrograma", (del griego dendron = árbol), cuyas ramas terminales representan a cada uno de los individuos y el tronco es la clase conformada por todos los individuos. Un dendrograma representa una serie de particiones embebidas, en donde el número de clases decrece a medida que se aumenta la altura del árbol. Para obtener alguna clasificación particular se hace "un corte" en el árbol. Un árbol se puede construir partiendo del tronco (el conjunto de todos los individuos) y haciendo divisiones sucesivas hasta llegar a cada uno de los individuos o partiendo de las ramas terminales (cada uno de los individuos) y haciendo uniones sucesivas hasta llegar a un grupo con todos los individuos. El primer método se denomina "clasificación jerárquica

2 54 Alvaro Montenegro y Campo Elías Pardo divisiva" y el segundo "clasificación jerárquica aglomerativa" y es el que más se usa en la práctica. Los métodos de clasificación requieren de una definición de la distancia o un índice de disimilaridad entre los elementos que se van a clasificar. Si las variables son de tipo continuo la distancia más utilizada es la euclidiana canónica: 2 ij k ik jk (4.1) d = ( x - x ) la sumatoria se hace sobre todas las variables (subíndice k), el valor entre paréntesis es la diferencia entre los valores de la variable k que asumen los individuos i y j. Dos individuos se parecen si asumen valores parecidos para todas las variables. Las coordenadas de un análisis factorial son de tipo continuo y por lo tanto es válido utilizar la anterior distancia. 4.1 Clasificación jerárquica con el método de Ward Los métodos de clasificación jerárquica requieren, además de la distancia entre individuos, una distancia entre grupos de individuos, que se denomina también criterio de agregación y es la que da el nombre al método de clasificación jerárquica. El método de Ward es el que más sentido estadístico tiene, en el caso de variables continuas, pues en cada paso del algoritmo se obtienen grupos de la manera que la inercia dentro de los grupos es mínima y por ende la inercia entre los grupos es máxima Distancia de Ward Sean A y B dos grupos o clases no vacías y disyuntas y sean p A, p B y & g A y & g B, los pesos y centros de gravedad de las partes A y B respectivamente..

3 Introducción al análisis de datos textuales 55 & A x A p i i p = (4.2) & g = 1 A p A & & p x (4.3) xiεa i i la inercia de A B, respecto a g AUB (vector centro de gravedad del grupo AUB), teniendo en cuenta que A y B son disyuntos, es I & = I & g g (A)+ I & g (B) (4.4) A B A B A B en función de las inercias de los grupos A y B separados, la expresión anterior es: I & = I & (A)+ I & (B) + g A B g A g B pa pb p p g & g & A + A B B 2 (4.5) En la ecuación anterior se observa que la inercia dentro de la clase A B es la suma de las inercias dentro de las clases A y B separadas, más un tercer término que constituye el incremento de la inercia dentro de las clases al unir A y B. Este término se define como la distancia de la inercia entre A y B disyuntas o distancia de Ward y es la cantidad a minimizar en cada paso de la clasificación jerárquica. W( A, B ) = p p A B p + p A B & & 2 g g A B (4.6) En particular para dos individuos la distancia de Ward es: W x x = p p i j ( & p p x x i, & j ) & & i + i j j 2 (4.7) si los pesos son iguales a uno para los dos individuos, la anterior expresión se reduce a:

4 56 Alvaro Montenegro y Campo Elías Pardo & & 1 & & W( xi, x j ) = xi x j = dij (4.8) Formula de recurrencia El método de Ward tiene la propiedad de ser secuencial, es decir, que es posible calcular la distancia de Ward en un paso de la construcción del árbol en función de las distancias del paso precedente. Sean A, B y C tres grupos presentes en el mismo paso de construcción del árbol. Si se unen A y B para formar el grupo AB, es necesario calcular la distancia de Ward entre los grupos AB y C. Se conocen las distancias W(A,B), W(A,C) y W(B,C). La distancia W(AB,C) en función de las anteriores: W(A B,C)= ( P A + P C )W(A,C)+ ( P B + P C )W(B,C) - PCW(A,B) (4.9) P A + P B + PC Procedimiento para construir el árbol El procedimiento para obtener el árbol de clasificación, utilizando el método de Ward es el siguiente: 1. Calcular las distancias de Ward entre parejas de individuos según la ecuación (4.7), las cuales constituyen la matriz de partida para el método de Ward. 2. Seleccionar la pareja de grupos (individuos en el primer paso) que presente la menor distancia de Ward para conformar el nuevo grupo. 3. Calcular las distancias entre todos los grupos y el grupo recién conformado utilizando la ecuación (4.9), donde A y B representan los grupos de la pareja que se une y C los grupos restantes y p A, p B y p C son los pesos (números de individuos en caso de pesos iguales) de cada grupo. 4. Eliminar las filas y columnas correspondientes a los individuos A y B, y adicionar una fila y una columna para registrar las distancias calculadas en 3.

5 Introducción al análisis de datos textuales Repetir 3 a 5 hasta llegar a una matriz de 2x2. EJEMPLO Para ilustrar el procedimiento y facilitar la comprensión de los elementos de una clasificación jerárquica con el método de Ward, se hace la clasificación de las ocho palabras más frecuentes del Soneto a Teresa, las cuales se muestran en la tabla 4.1: NUM. PALABRAS FRECUENCIAS LONGITUDES de el en la por quien teresa y Tabla 4.1: Vocabulario reducido del Soneto a Teresa En la tabla léxica las filas son cada una de las líneas del soneto y las columnas las ocho palabras retenidas. Sobre esta tabla se realiza un análisis de correspondencias simples para realizar la clasificación jerárquica de las palabras utilizando las coordenadas de las palabras sobre los dos primeros ejes factoriales. En la tabla 4.2 se presentan los pesos y coordenadas de las ocho palabras y en la figura 4.1 se presentan el primer plano factorial. PALABRAS PESOS F1 F2 de el en la por quien teresa y Tabla 4.2: Pesos y coordenadas sobre los dos primeros ejes de las palabras

6 58 Alvaro Montenegro y Campo Elías Pardo Figura 4.1: Palabras en el primer plano factorial del ACS El procedimiento se ilustra con las coordenadas sobre los dos primeros ejes, es decir con la información resumida en el primer plano factorial. La inercia, es decir la suma de las varianzas de las dos variables (F1 y F2) es: = 1.27 Procedimiento 1. Calcular las distancias de Ward entre parejas de individuos según la ecuación (4.7), las cuales constituyen la matriz de partida para el método de Ward: como ejemplo se calcula la distancia entre las palabras de y el: x0143. W( de, el ) = [( ) 2 + ( ) 2 ] = ( ) =

7 Introducción al análisis de datos textuales 59 La matriz de distancias de Ward entre palabras se muestran en la tabla 4.3. de el en la por quien teresa y de el en la por quien teresa y Tabla 4.3: Distancias de Ward entre palabras 2. Seleccionar la pareja de individuos que presente la menor distancia de Ward para conformar el nuevo grupo: las palabras por y quien a una distancia de cero, el grupo conformado o nodo se denomina Calcular las distancias entre todos los grupos y grupo recién conformado utilizando la ecuación (4.9), donde A y B representan los grupos de la pareja que se une y C los grupos restantes y p A, p B y p C son los pesos de cada grupo: calculo de la distancia entre 9 y de: ( )x ( )x x0 W(por quien,de) = = = de forma similar se hacen los cálculos para las distancias entre 9 (poruquien) y las demás palabras. 4. Eliminar las filas y columnas correspondientes a los individuos A y B, y adicionar una fila y una columna para registrar las distancias calculadas en 3: se eliminan las filas y las columnas por y quien y se introducen las fila y columna 9, en donde se registran las distancias calculadas, la matriz de distancias de Ward es ahora: de el en la 9 teresa y de el en

8 60 Alvaro Montenegro y Campo Elías Pardo la teresa y Repetir 2 a 4 hasta llegar a una matriz de 2x2. Ahora se unen de y teresa a una distancia de y el nuevo grupo o nodo se denomina 10. Es necesario calcular las distancias entre 10 y las demás palabras y grupos. Se eliminan de la matriz anterior las filas y columnas correspondientes a de y teresa y se introducen una fila y una columna para en grupo 10. La nueva matriz es: el en la 9 10 y el 0 en la y La menor distancia es 0.005, entre en y 10, los cuales se unen en el nodo denominado 11, repitiendo el procedimiento descrito antes, se obtiene la nueva matriz: el la 9 11 y el 0 la y Ahora se unen el y la a una distancia de 0.025, conformando el nodo 12 y la nueva matriz de distancias de Ward es: y

9 Introducción al análisis de datos textuales 61 y Se unen 11 y 12 a una distancia de 0.058, conformando el nodo 13. La nueva matriz es: 13 9 y y Luego se unen 9 y 13 a una distancia de , conformando el nodo 14. Solo hace falta calcular la distancia entre 14 e y, la cual es: Esta es la última distancia de unión entre 14 e y, con lo cual todas las palabras conforman un solo grupo. Todos los pasos de una clasificación jerárquica se registran en un árbol. El SPAD-T, antes del árbol presenta un histograma de índices de nivel, con el cual se visualizan fácilmente los saltos del árbol, para decidir en donde cortarlo con el fin de obtener una partición en un número de clases conveniente. Las palabras se identifican con los números 1 a 8 y a cada nuevo nodo se le va asignando el número siguiente. El histograma de índices de nivel y el árbol para este ejemplo se muestran en las figuras 4.2 y 4.3. CLASSIFICATION HIERARCHIQUE : DESCRIPTION DES NOEUDS NUM. AINE BENJ EFF. POIDS INDICE HISTOGRAMME DES INDICES DE NIVEAU * * * *** ******* ********************************************** ******************************************************************************** SOMME DES INDICES DE NIVEAU = Figura 4.2: Histograma de índices de nivel del ejemplo RANG IND. IDEN DENDROGRAMME (INDICES EN POURCENTAGE DE LA SOMME DES INDICES : MIN =.00% / MAX = 55.15%) 1.20 de tere --* en --* la el -----*-----* por quie --* * y * Figura 4.3: Dendrograma del ejemplo

10 62 Alvaro Montenegro y Campo Elías Pardo Antes de iniciarse la construcción del árbol se tienen 8 grupos, cada uno formado por una palabra, con una inercia entre grupos de Cuando se unen 6 (quien) y 5 (por) la inercia intra grupos es de cero y la inercia entre los 7 grupos sigue siendo El nodo 10 esta formado por la unión entre 7 (teresa) y 1 (de), en este paso la inercia intra grupos es y la inercia entre los seis grupos es de La inercia intra grupos se va incrementando, en cada paso, en el valor del índice y la inercia entre grupos va disminuyendo en esa misma cantidad. Al final toda la inercia es intra grupos, pues se tiene un solo grupo con todas las palabras, lo cual quiere decir que la suma de los índices es igual a la inercia total. El árbol construido por el SPAD-T muestra como índice el porcentaje de inercia, en lugar del valor de la distancia de Ward (incremento de inercia intra grupos). Si lo que interesa es obtener una partición del conjunto de palabras, entonces esta se obtiene cortando el árbol en un lugar apropiado. En el histograma de índices se observan saltos importantes entre los nodos 14 y 15 y entre los nodos 13 y 14. Al cortar entre los nodos 14 y 15 se obtienen dos clases: una con la palabra y y otra con las demás palabras. Si se corta entre los nodos 13 y 14 se obtienen 3 clases: {y}, {por, quien} y {de,teresa,en,la,el}. 4.2 El método de las nubes dinámicas El método de nubes dinámicas en su forma más simple se lleva a cabo de la siguiente manera: 1. Se establece el número de clases a obtener. Esta es una decisión a-priori, este es el principal problema de estos métodos cuando no se tiene información previa para establecer el número de clases. Se establece un núcleo para cada una de las clases, bien sea al azar o mediante algún criterio, por ejemplo con información de un plano factorial. 2. Se calculan para cada individuo las distancias a cada uno de los núcleos y se asigna a la clase más cercana.

11 Introducción al análisis de datos textuales Se calculan los centros de gravedad de las clases los que se toman como nuevos núcleos.. 4. Se repite 3. y 4. hasta lograr un criterio de convergencia El SPAD-T utiliza como criterio el cociente: inercia entre grupos/inercia total, el cual se incrementa a medida que el algoritmo avanza, hasta llegar a la estabilización. El procedimiento anterior se ilustra con el mismo ejemplo de la sección 4.1: 1. Número de clases a obtener y núcleos iniciales: tres clases y se toman como núcleos, de forma arbitraria, los siguientes tres puntos: (-0.5, 0.5), (0, 0) y (0, -0.5) Las distancias al cuadrado entre cada uno de los ocho puntos palabra y los tres núcleos anteriores son: PALABRAS PESOS F1 F2 d1 d2 d3 ASIG. de el en la por quien teresa y En la última columna de la tabla aparece cada palabra asignada al núcleo más cercano, los tres nuevos centros de gravedad son: (-0.42, 0.59), (0.9, 0.04) y (0, -1.23). La inercia entre grupos, es decir la inercia de los tres centros de gravedad con respecto al punto (0, 0), centro de gravedad de las ocho palabras, tiene el valor 0.84, que representa el 0.84/1.27 = 0.66 de la inercia total. Las distancias a los anteriores centros de gravedad están en la siguiente tabla: PALABRAS PESOS F1 F2 d1 d2 d3 ASIG. de el en la por quien

12 64 Alvaro Montenegro y Campo Elías Pardo teresa y al hacer las reasignaciones el se mueve al grupo 1 y los nuevos centros de gravedad son: (-0.39, 0.42), (-0.2, -1.23) y (2.04, 0.21), con una inercia entre grupos de 1.18, que es el 0.93 de la inercia total, las distancias a estos nuevos centros de gravedad son: PALABRAS PESOS F1 F2 d1 d2 d3 ASIG. de el en la por quien teresa y ahora nada cambia y por lo tanto el proceso termina conformándose los tres grupos: {de, el, en, la, teresa}, {y} y {por, quien}. El resultado final de los métodos de nubes dinámicas depende de la selección de los puntos iniciales para los núcleos de las clases. 4.3 Descripción de las clases Se hace mediante la identificación de las variables y modalidades específicas de las clases. La especificidad se da cuando los valores de las media o de la frecuencia relativa dentro de la clase son significativamente diferentes a los valores para el conjunto global de los elementos que se están clasificando. En el caso de variables continuas se compara la media de la clase con la media general, mediante una prueba de hipótesis bajo supuesto de normalidad. El valor z, denominado valor test, esta dado por: z k = xk x s k

13 Introducción al análisis de datos textuales 65 donde x k es la media de la variable en la clase k, x la media global y s k la desviación estándar de la clase k. Si el valor test es mayor que 2 la media de la clase es significativamente superior a la media global y si es menor de -2 es significativamente inferior. En el caso de variables nominales la frecuencia de cada modalidad en la clase se compara con la frecuencia de la modalidad global, la prueba de hipótesis a contrastar conlleva un distribución hipergeométrica. El valor p (probabilidad de obtener un valor más lejano del obtenido) se expresa también como un valor test. Valores test mayores que dos indican especificidad significativamente positiva de la clase (frecuencia mayor que la global) y valores test menores que -2 indican especificidad negativa (modalidad más rara en la clase que la global). 4.4 La estrategia de clasificación en el los programa SPAD-T La estrategia implementada en SPAD-T es la de realizar la clasificación sobre las coordenadas factoriales de análisis correspondencias simples. En este programa se utiliza una combinación del método de clasificación jerárquica utilizando el criterio de Ward y del método de nubes dinámicas (método no jerárquico). La estrategia contempla los siguientes pasos: 1. Seleccionar el número de ejes factoriales a usar en la clasificación. Puesto que la clasificación se realiza sobre las coordenadas factoriales de un análisis factorial previo, es posible seleccionar todos los ejes, lo cual equivale a hacer una clasificación directa, o seleccionar un menor número de ejes. Al seleccionar un menor número de ejes se esta filtrando posiblemente ruido, es decir inercia que puede deberse al azar y que no contiene información. Con esta opción se obtienen, a menudo, clasificación que son más

14 66 Alvaro Montenegro y Campo Elías Pardo claras que las obtenidas con toda la información. El número de ejes es una opción del usuario, el valor por defecto es Realizar una clasificación jerárquica partiendo de las coordenadas factoriales sobre los ejes retenidos para la clasificación.. 3. Obtener una partición de del árbol obtenido en el paso 2. El número de clases es una decisión del usuario, para la cual es muy útil es histograma de índices de nivel. 4. Hacer una optimización de la partición obtenida en el paso 2, haciendo uso del procedimiento de nubes dinámicas, en este caso los centros de gravedad de la participación obtenida con la clasificación jerárquica son los núcleos iniciales del procedimiento. 5. Descripción de las clases obtenidas. Produce las salidas más útiles para caracterizar las clases obtenidas. En el caso de clasificar respuestas las clases se caracterizan con las elementos característicos, es decir, palabras características, segmentos característicos o respuestas características. 4.5 Clasificación en el análisis de datos textuales En el análisis de datos textuales se puede hacer clasificación de las filas de una tabla léxica, en cuyo caso se obtienen grupos de respuestas (individuos), que se parecen en el vocabulario que utilizan. Ya que los individuos no se expresan de la misma forma según su pertenencia a un grupo socioeconómico, su edad, su nivel de educación, sus opiniones,..., parece tener sentido agrupar los individuos según su vocabulario para, después, caracterizar las clases así obtenidas por la información conocida sobre los individuos. (Bécue, 1991, pag. 61). También se pueden clasificar las columnas, con lo que se obtienen grupos de formas gráficas (palabras), que son utilizadas mas o menos por los mismos individuos. Unas formas tenderán a pertenecer a la misma clase, si son pronunciadas con frecuencia por los

15 Introducción al análisis de datos textuales 67 mismos individuos. La clasificación automática de las formas describe sistemáticamente las asociaciones que existen entre ellas. Esas asociaciones dejan intuir cadenas, es decir, sucesiones de formas no forzosamente consecutivas, empleadas en las mismas respuestas. En cierta manera sugiere la repetición de ciertas respuestas (Bécue, 1991, pag. 61).. La aplicación de la clasificación a la tabla léxica agregada conlleva a la clasificación de las formas gráficas (filas) según sus perfiles de utilización en los textos y de los textos (columnas), según los perfiles de las formas gráficas que aparecen. Sobre las tablas de segmentos repetidos también se pueden llevar a cabo clasificaciones. En el capítulo cinco se muestran varias clasificaciones en el análisis de la pregunta abierta y en el capítulo seis en otras aplicaciones.

Análisis Estadístico de Datos Climáticos

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

Más detalles

PRESENTACIÓN DE LOS MÉTODOS DE CLASIFICACIÓN. Eduardo CRIVISQUI

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

Más detalles

Covarianza y coeficiente de correlación

Covarianza 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 detalles

Revista Colombiana de Estadística Volumen 23 (2000) No. 1, páginas 1 13

Revista Colombiana de Estadística Volumen 23 (2000) No. 1, páginas 1 13 Revista Colombiana de Estadística Volumen 23 (2000) No. 1, páginas 1 13 ANÁLISIS DE LA MÉTRICA EN APLICACIONES DE LA ESTADÍSTICA TEXTUAL A LA TIPOLOGÍA DE TRAYECTORIAS CAMPO ELIAS PARDO 1 Resumen. Cuando

Más detalles

EL ANÁLISIS DE CONGLOMERADOS EN LOS ESTUDIOS DE MERCADO

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

Más detalles

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

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

Más detalles

Ingeniería del Software I Clase de Testing Funcional 2do. Cuatrimestre de 2007

Ingeniería del Software I Clase de Testing Funcional 2do. Cuatrimestre de 2007 Enunciado Se desea efectuar el testing funcional de un programa que ejecuta transferencias entre cuentas bancarias. El programa recibe como parámetros la cuenta de origen, la de cuenta de destino y el

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

Métodos de la Minería de Datos

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

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos

Más detalles

Análisis de componentes principales

Análisis de componentes principales Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los

Más detalles

Indicadores de la Variable.- Son aquellas cualidades o propiedades del objeto que pueden ser directamente observadas y cuantificadas en la práctica.

Indicadores de la Variable.- Son aquellas cualidades o propiedades del objeto que pueden ser directamente observadas y cuantificadas en la práctica. Las variables de un estudio. La variable es determinada característica o propiedad del objeto de estudio, a la cual se observa y/o cuantifica en la investigación y que puede variar de un elemento a otro

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

Redes de Kohonen y la Determinación Genética de las Clases

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

Más detalles

Espacios vectoriales y aplicaciones lineales.

Espacios vectoriales y aplicaciones lineales. Práctica 2 Espacios vectoriales y aplicaciones lineales. Contenido: Localizar bases de espacios vectoriales. Suma directa. Bases y dimensiones. Cambio de base. Aplicaciones lineales. Matriz asociada en

Más detalles

Universidad Nacional de Quilmes Ing. en Automatización y Control Industrial Cátedra: Visión Artificial Agosto de 2005

Universidad Nacional de Quilmes Ing. en Automatización y Control Industrial Cátedra: Visión Artificial Agosto de 2005 Extracción de Frontera (Boundary Extraction) La frontera de un conjunto A, escrita como β(a), se puede obtener erosionando A por B y luego calcular la diferencia entre A y su erosión. Esto es β ( A) =

Más detalles

Estadística con Excel Informática 4º ESO ESTADÍSTICA CON EXCEL

Estadística 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 detalles

Capítulo 8. Tipos de interés reales. 8.1. Introducción

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

Más detalles

INFORMÁTICA. Práctica 5. Programación en C. Grado en Ingeniería en Electrónica y Automática Industrial. Curso 2013-2014. v1.0 (05.03.

INFORMÁTICA. Práctica 5. Programación en C. Grado en Ingeniería en Electrónica y Automática Industrial. Curso 2013-2014. v1.0 (05.03. INFORMÁTICA Práctica 5. Programación en C. Grado en Ingeniería en Electrónica y Automática Industrial Curso 2013-2014 v1.0 (05.03.14) A continuación figuran una serie de ejercicios propuestos, agrupados

Más detalles

Población, muestra y variable estadística

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

Más detalles

2. Probabilidad. Estadística. Curso 2009-2010. Ingeniería Informática. Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24

2. Probabilidad. Estadística. Curso 2009-2010. Ingeniería Informática. Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24 2. Probabilidad Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24 Contenidos 1 Experimentos aleatorios 2 Algebra de sucesos 3 Espacios

Más detalles

PRESENTACIÓN GRÁFICA DE LOS DATOS

PRESENTACIÓN GRÁFICA DE LOS DATOS PRESENTACIÓN GRÁFICA DE LOS DATOS Una imagen dice más que mil palabras, esta frase explica la importancia de presentar los datos en forma gráfica. Existe una gran variedad de gráficos y la selección apropiada

Más detalles

Lecturas previas Cuando llegue a su primera sesión de laboratorio debe haber estudiado el contenido de la lectura que aparece a continuación.

Lecturas previas Cuando llegue a su primera sesión de laboratorio debe haber estudiado el contenido de la lectura que aparece a continuación. Laboratorio 1 Medición e incertidumbre La descripción de los fenómenos naturales comienza con la observación; el siguiente paso consiste en asignar a cada cantidad observada un número, es decir en medir

Más detalles

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible

Más detalles

Precio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.

Precio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales. Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes

Más detalles

!!!!!!!! !!!!! Práctica!4.! Programación!básica!en!C.! ! Grado!en!Ingeniería!!en!Electrónica!y!Automática!Industrial! ! Curso!2015H2016!

!!!!!!!! !!!!! Práctica!4.! Programación!básica!en!C.! ! Grado!en!Ingeniería!!en!Electrónica!y!Automática!Industrial! ! Curso!2015H2016! INFORMÁTICA Práctica4. ProgramaciónbásicaenC. GradoenIngenieríaenElectrónicayAutomáticaIndustrial Curso2015H2016 v2.1(18.09.2015) A continuación figuran una serie de ejercicios propuestos, agrupados por

Más detalles

ANÁLISIS DE DATOS NO NUMERICOS

ANÁLISIS DE DATOS NO NUMERICOS ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas

Más detalles

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características

Más detalles

VII. Estructuras Algebraicas

VII. Estructuras Algebraicas VII. Estructuras Algebraicas Objetivo Se analizarán las operaciones binarias y sus propiedades dentro de una estructura algebraica. Definición de operación binaria Operaciones como la suma, resta, multiplicación

Más detalles

Sistemas de vectores deslizantes

Sistemas de vectores deslizantes Capítulo 1 Sistemas de vectores deslizantes 1.1. Vectores. Álgebra vectorial. En Física, se denomina magnitud fsica (o simplemente, magnitud) a todo aquello que es susceptible de ser cuantificado o medido

Más detalles

Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.

Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. Tema 1 Matrices Estructura del tema. Conceptos básicos y ejemplos Operaciones básicas con matrices Método de Gauss Rango de una matriz Concepto de matriz regular y propiedades Determinante asociado a una

Más detalles

Apoyo a la toma de Decisiones. Carlos A. Olarte Bases de Datos II

Apoyo a la toma de Decisiones. Carlos A. Olarte Bases de Datos II Carlos A. Olarte Bases de Datos II Contenido 1 Introducción 2 OLAP 3 Data Ware Housing 4 Data Mining Introducción y Motivación Cómo puede analizarse de forma eficiente volúmenes masivos de datos? La consulta,

Más detalles

Capítulo 12: Indexación y asociación

Capítulo 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 detalles

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

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

Más detalles

Matrices equivalentes. El método de Gauss

Matrices equivalentes. El método de Gauss Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar

Más detalles

ESTRUCTURA DE DATOS: ARREGLOS

ESTRUCTURA DE DATOS: ARREGLOS ESTRUCTURA DE DATOS: ARREGLOS 1. Introduccion 2. Arreglos - Concepto - Caracteristicas 3. Arreglos Unidimensionales 4. Arreglos Bidimensionales 5. Ventajas del uso de arreglos 6. Ejemplo 1. Introducción

Más detalles

Factorización de polinomios

Factorización de polinomios Factorización de polinomios Polinomios Un polinomio p en la variable x es una expresión de la forma: px a 0 a 1 x a x a n1 x n1 a n x n donde a 0, a 1, a,, a n1, a n son unos números, llamados coeficientes

Más detalles

CONSULTAS CON SQL. 3. Hacer clic sobre el botón Nuevo de la ventana de la base de datos. Aparecerá el siguiente cuadro de diálogo.

CONSULTAS CON SQL. 3. Hacer clic sobre el botón Nuevo de la ventana de la base de datos. Aparecerá el siguiente cuadro de diálogo. CONSULTAS CON SQL 1. Qué es SQL? Debido a la diversidad de lenguajes y de bases de datos existentes, la manera de comunicar entre unos y otras sería realmente complicada a gestionar de no ser por la existencia

Más detalles

UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES. OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano.

UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES. OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano. UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano. EL PLANO CARTESIANO. El plano cartesiano está formado

Más detalles

NT8. El Valor en Riesgo (VaR)

NT8. El Valor en Riesgo (VaR) NT8. El Valor en Riesgo (VaR) Introducción VaR son las siglas de Valor en el Riesgo (Value at Risk) y fue desarrollado por la división RiskMetric de JP Morgan en 1994. es una manera de medir el riesgo

Más detalles

1.3 Números racionales

1.3 Números racionales 1.3 1.3.1 El concepto de número racional Figura 1.2: Un reparto no equitativo: 12 5 =?. Figura 1.3: Un quinto de la unidad. Con los números naturales y enteros es imposible resolver cuestiones tan simples

Más detalles

Charla N 6: Utilidades de Consulta de datos.

Charla N 6: Utilidades de Consulta de datos. 1 Charla N 6: Utilidades de Consulta de datos. Objetivos Generales: La manipulación de los datos organizados en forma de lista, donde la lista relaciones diferentes ocurrencias de una información común,

Más detalles

Aplicaciones de Estadística Descriptiva

Aplicaciones 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 detalles

Sistema Inteligente de Exploración

Sistema 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 detalles

GUIA DE MANEJO DE EXCEL PARA LA ASIGNATURA ESTADÍSTICA DESCRIPTIVA

GUIA DE MANEJO DE EXCEL PARA LA ASIGNATURA ESTADÍSTICA DESCRIPTIVA GUIA DE MANEJO DE EXCEL PARA LA ASIGNATURA ESTADÍSTICA DESCRIPTIVA Proyecto Piloto ECTS CURSO 2006/07 1 MANEJO DE LA HOJA DE CALCULO EXCEL PARA ANÁLISIS DESCRIPTIVO Y EXPLORATORIO DE DATOS. INTRODUCCIÓN

Más detalles

Tema 2. Espacios Vectoriales. 2.1. Introducción

Tema 2. Espacios Vectoriales. 2.1. Introducción Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por

Más detalles

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

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

Más detalles

ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos

ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos Descargado desde www.medwave.cl el 13 Junio 2011 por iriabeth villanueva Medwave. Año XI, No. 2, Febrero 2011. ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos Autor:

Más detalles

MSFC203_INSTALACIONES DE CLIMATIZACIÓN Y VENTILACIÓN

MSFC203_INSTALACIONES DE CLIMATIZACIÓN Y VENTILACIÓN MSFC203_INSTALACIONES DE CLIMATIZACIÓN Y VENTILACIÓN ÍNDICE Parámetros fundamentales y operaciones básicas en aire acondicionado Condiciones de bienestar o confort Cálculo de la carga térmica de refrigeración

Más detalles

Materia: Informática. Nota de Clases Sistemas de Numeración

Materia: Informática. Nota de Clases Sistemas de Numeración Nota de Clases Sistemas de Numeración Conversión Entre Sistemas de Numeración 1. EL SISTEMA DE NUMERACIÓN 1.1. DEFINICIÓN DE UN SISTEMA DE NUMERACIÓN Un sistema de numeración es un conjunto finito de símbolos

Más detalles

Subespacios vectoriales en R n

Subespacios vectoriales en R n Subespacios vectoriales en R n Víctor Domínguez Octubre 2011 1. Introducción Con estas notas resumimos los conceptos fundamentales del tema 3 que, en pocas palabras, se puede resumir en técnicas de manejo

Más detalles

CARTILLA TIPOS DE PRESUPUESTO

CARTILLA TIPOS DE PRESUPUESTO CARTILLA TIPOS DE PRESUPUESTO SENA CENTRO NACIONAL DE LA CONSTRUCCIÓN MEDELLÍN, 2004 TIPOS DE PRESUPUESTO 1. PRESUPUESTO GLOBAL Es aquel en el cual se presenta el valor total del proyecto sin ningún tipo

Más detalles

Biblioteca Virtual Ejercicios Resueltos

Biblioteca Virtual Ejercicios Resueltos EJERCICIO 13 13 V a l o r n u m é r i c o Valor numérico de expresiones compuestas P r o c e d i m i e n t o 1. Se reemplaza cada letra por su valor numérico 2. Se efectúan las operaciones indicadas Hallar

Más detalles

Anexo 1: Demostraciones

Anexo 1: Demostraciones 75 Matemáticas I : Álgebra Lineal Anexo 1: Demostraciones Espacios vectoriales Demostración de: Propiedades 89 de la página 41 Propiedades 89- Algunas propiedades que se deducen de las anteriores son:

Más detalles

Datos del autor. Nombres y apellido: Germán Andrés Paz. Lugar de nacimiento: Rosario (Código Postal 2000), Santa Fe, Argentina

Datos del autor. Nombres y apellido: Germán Andrés Paz. Lugar de nacimiento: Rosario (Código Postal 2000), Santa Fe, Argentina Datos del autor Nombres y apellido: Germán Andrés Paz Lugar de nacimiento: Rosario (Código Postal 2000), Santa Fe, Argentina Correo electrónico: germanpaz_ar@hotmail.com =========0========= Introducción

Más detalles

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.

Capítulo 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 detalles

Tema 3. Medidas de tendencia central. 3.1. Introducción. Contenido

Tema 3. Medidas de tendencia central. 3.1. Introducción. Contenido Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6

Más detalles

LOGÍSTICA DE PROCESOS: Movimientos Internos de Mercadería. Sistema. IWMS MKR Systems

LOGÍSTICA DE PROCESOS: Movimientos Internos de Mercadería. Sistema. IWMS MKR Systems LOGÍSTICA DE PROCESOS: Movimientos Internos de Mercadería Sistema IWMS MKR Systems 1 Contenidos del Documento: Introducción. Tipos de Movimientos Internos. o Movimiento Selectivo de Contenedores. o Movimiento

Más detalles

Álgebra lineal. Stanley I. Grossman. Esta sexta edición de Álgebra lineal ofrece nuevas características, y conserva la

Álgebra lineal. Stanley I. Grossman. Esta sexta edición de Álgebra lineal ofrece nuevas características, y conserva la Álgebra lineal Stanley I. Grossman Esta sexta edición de Álgebra lineal ofrece nuevas características, y conserva la estructura ya probada y clásica que tenía la quinta edición. Los estudiantes aprenden

Más detalles

Las 7 Herramientas Fundamentales de la Calidad

Las 7 Herramientas Fundamentales de la Calidad Las 7 Herramientas Fundamentales de la Calidad Se utilizarán los métodos estadísticos elementales, dado que está dirigido a todos los funcionarios, desde la alta dirección hasta los operarios de base (Ej:

Más detalles

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

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

Más detalles

Este documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales.

Este documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales. Este documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales. Introducción Por qué La Geometría? La Geometría tiene como objetivo fundamental

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre CURSO CERO Departamento de Matemáticas Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre Capítulo 1 La demostración matemática Demostración por inducción El razonamiento por inducción es una

Más detalles

❷ Aritmética Binaria Entera

❷ Aritmética Binaria Entera ❷ Una de las principales aplicaciones de la electrónica digital es el diseño de dispositivos capaces de efectuar cálculos aritméticos, ya sea como principal objetivo (calculadoras, computadoras, máquinas

Más detalles

Operaciones Morfológicas en Imágenes Binarias

Operaciones Morfológicas en Imágenes Binarias Operaciones Morfológicas en Imágenes Binarias Introducción La morfología matemática es una herramienta muy utilizada en el procesamiento de i- mágenes. Las operaciones morfológicas pueden simplificar los

Más detalles

CARTAS DE CONTROL. FeGoSa

CARTAS DE CONTROL. FeGoSa Las empresas en general, ante la apertura comercial han venido reaccionando ante los cambios y situaciones adversas, reaccionan por ejemplo ante: Disminución de ventas Cancelación de pedidos Deterioro

Más detalles

Medidas de tendencia central o de posición: situación de los valores alrededor

Medidas de tendencia central o de posición: situación de los valores alrededor Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas

Más detalles

Generación de ficheros PC-Axis desde Oracle mediante SAS

Generación de ficheros PC-Axis desde Oracle mediante SAS csiefum@gobiernodecanariasorg fojechi@gobiernodecanariasorg mespbae@gobiernodecanariasorg Instituto Canario de Estadística Resumen: El Instituto Canario de Estadística hace uso de la herramienta SAS en

Más detalles

Tema 3. Espacios vectoriales

Tema 3. Espacios vectoriales Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición

Más detalles

ANÁLISIS DESCRIPTIVO CON SPSS

ANÁLISIS 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 detalles

GRUPOS PUNTUALES. 4.- Si un plano de simetría contiene un eje de orden n, existen n planos que contienen el eje. formando entre ellos ángulos de

GRUPOS PUNTUALES. 4.- Si un plano de simetría contiene un eje de orden n, existen n planos que contienen el eje. formando entre ellos ángulos de GRUPOS PUNTUALES Existen algunas relaciones entre elementos de simetría que pueden ser útiles a la hora de deducir cuales son los conjuntos de estos que forman grupo. 1.- Todos los elementos de simetría

Más detalles

SISTEMA DE GESTIÓN ACADÉMICA.

SISTEMA DE GESTIÓN ACADÉMICA. SISTEMA DE GESTIÓN ACADÉMICA. MANUAL DE USUARIO Módulos y funciones en Syllabus+. Sección Planificación. 1 CONTENIDO: PLANIFICACIÓN 1. PAQUETE DE PLANIFICACIÓN 5 2. COMPONENTES EDUCATIVOS 7 2.1. ADMINISTRAR

Más detalles

Centro de Capacitación en Informática

Centro de Capacitación en Informática Fórmulas y Funciones Las fórmulas constituyen el núcleo de cualquier hoja de cálculo, y por tanto de Excel. Mediante fórmulas, se llevan a cabo todos los cálculos que se necesitan en una hoja de cálculo.

Más detalles

Sistema de Facturación de Ventas WhitePaper Enero de 2007

Sistema de Facturación de Ventas WhitePaper Enero de 2007 Sistema de Facturación de Ventas WhitePaper Enero de 2007 Ronda Guglielmo Marconi, 9 Parque Tecnológico 46980 Paterna Valencia Spain T +34 96 338 99 66 ventas@preference.es Please Recycle PrefSuite Document

Más detalles

Tema 4:Segmentación de imágenes

Tema 4:Segmentación de imágenes Tema 4:Segmentación de imágenes La segmentación de imágenes divide la imagen en sus partes constituyentes hasta un nivel de subdivisión en el que se aíslen las regiones u objetos de interés. Los algoritmos

Más detalles

Los modelos que permite construir el ANOVA pueden ser reducidos a la siguiente forma:

Los modelos que permite construir el ANOVA pueden ser reducidos a la siguiente forma: Ignacio Martín Tamayo 25 Tema: ANÁLISIS DE VARIANZA CON SPSS 8.0 ÍNDICE --------------------------------------------------------- 1. Modelos de ANOVA 2. ANOVA unifactorial entregrupos 3. ANOVA multifactorial

Más detalles

Software de Particle Tracking Version 1.0

Software de Particle Tracking Version 1.0 Software de Particle Tracking Version 1.0 Martín Pastor Laboratorio de Medios Granulares Departamento de Física y Matemática Aplicada Universidad de Navarra Enero, 2007 Índice general 1. Introducción 3

Más detalles

6. VECTORES Y COORDENADAS

6. VECTORES Y COORDENADAS 6. VECTORES Y COORDENADAS Página 1 Traslaciones. Vectores Sistema de referencia. Coordenadas. Punto medio de un segmento Ecuaciones de rectas. Paralelismo. Distancias Página 2 1. TRASLACIONES. VECTORES

Más detalles

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

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

Más detalles

SOLUCION DE MODELOS DE PROGRAMACION LINEAL EN UNA HOJA DE CALCULO. PROBLEMAS DE TRANSPORTE Y ASIGNACION.

SOLUCION DE MODELOS DE PROGRAMACION LINEAL EN UNA HOJA DE CALCULO. PROBLEMAS DE TRANSPORTE Y ASIGNACION. UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA DE LA PRODUCCIÓN INGENIERÍA INDUSTRIAL SOLUCION DE MODELOS DE PROGRAMACION LINEAL EN UNA HOJA DE CALCULO. PROBLEMAS DE

Más detalles

CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS

CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS MEDIANTE UN ENFOQUE POR CADENAS DE MARKOV ABSORBENTES Lidia Toscana - Nélida Moretto - Fernanda Villarreal Universidad Nacional del Sur, ltoscana@criba.edu.ar

Más detalles

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Introducción FACULTAD DE INGENIERÍA. Ordenación

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Introducción FACULTAD DE INGENIERÍA. Ordenación Introducción Uno de los procedimientos más comunes y útiles en el procesamiento de datos, es la clasificación u ordenación de los mismos. Se considera ordenar al proceso de reorganizar un conjunto dado

Más detalles

Proyecto de Innovación Docente: Guía multimedia para la elaboración de un modelo econométrico.

Proyecto de Innovación Docente: Guía multimedia para la elaboración de un modelo econométrico. 1 Primeros pasos en R. Al iniciarse R (ver Figura 16), R espera la entrada de órdenes y presenta un símbolo para indicarlo. El símbolo asignado, como puede observarse al final, es > Figura 16. Pantalla

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

Estructuras algebraicas

Estructuras algebraicas Tema 2 Estructuras algebraicas básicas 2.1. Operación interna Definición 29. Dados tres conjuntos A, B y C, se llama ley de composición en los conjuntos A y B y resultado en el conjunto C, y se denota

Más detalles

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

Más detalles

Aplicaciones Lineales

Aplicaciones Lineales Aplicaciones Lineales Concepto de aplicación lineal T : V W Definición: Si V y W son espacios vectoriales con los mismos escalares (por ejemplo, ambos espacios vectoriales reales o ambos espacios vectoriales

Más detalles

BASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.

BASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases. BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades

Más detalles

ANÁLISIS DE CORRELACIÓN EMPLEANDO EXCEL Y GRAPH

ANÁLISIS DE CORRELACIÓN EMPLEANDO EXCEL Y GRAPH ANÁLISIS DE CORRELACIÓN EMPLEANDO EXCEL Y GRAPH Cuando se estudian en forma conjunta dos características (variables estadísticas) de una población o muestra, se dice que estamos analizando una variable

Más detalles

Espacios Vectoriales

Espacios Vectoriales Espacios Vectoriales Departamento de Matemáticas, CCIR/ITESM 4 de enero de 2 Índice 3.. Objetivos................................................ 3.2. Motivación...............................................

Más detalles

CAPÍTULO II. 2 El espacio vectorial R n

CAPÍTULO II. 2 El espacio vectorial R n CAPÍTULO II 2 El espacio vectorial R n A una n upla (x 1, x 2,..., x n ) de números reales se le denomina vector de n coordenadas o, simplemente, vector. Por ejemplo, el par ( 3, 2) es un vector de R 2,

Más detalles

Tests de hipótesis estadísticas

Tests de hipótesis estadísticas Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para

Más detalles

Análisis de los datos

Análisis de los datos Universidad Complutense de Madrid CURSOS DE FORMACIÓN EN INFORMÁTICA Análisis de los datos Hojas de cálculo Tema 6 Análisis de los datos Una de las capacidades más interesantes de Excel es la actualización

Más detalles

Operaciones Booleanas y Compuertas Básicas

Operaciones Booleanas y Compuertas Básicas Álgebra de Boole El álgebra booleana es la teoría matemática que se aplica en la lógica combinatoria. Las variables booleanas son símbolos utilizados para representar magnitudes lógicas y pueden tener

Más detalles

UNIDAD I INTRODUCCIÓN A LOS CIRCUITOS LÓGICOS 1. ÁLGEBRA DE BOOLE 2. MÉTODO DE REDUCCIÓN DE MAPAS DE KARNAUGH 1-1. R. ESPINOSA R. y P. FUENTES R.

UNIDAD I INTRODUCCIÓN A LOS CIRCUITOS LÓGICOS 1. ÁLGEBRA DE BOOLE 2. MÉTODO DE REDUCCIÓN DE MAPAS DE KARNAUGH 1-1. R. ESPINOSA R. y P. FUENTES R. UNIDAD I INTRODUCCIÓN A LOS CIRCUITOS LÓGICOS. ÁLGEBRA DE BOOLE 2. MÉTODO DE REDUCCIÓN DE MAPAS DE KARNAUGH - . INTRODUCCIÓN A LOS CIRCUITOS LÓGICOS. ÁLGEBRA DE BOOLE. ÁLGEBRA DE BOOLE El álgebra de Boole

Más detalles

Apuntes de Matemática Discreta 9. Funciones

Apuntes de Matemática Discreta 9. Funciones Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y

Más detalles

Capítulo 10. Gráficos y diagramas

Capítulo 10. Gráficos y diagramas Capítulo 10. Gráficos y diagramas 1. Introducción Los gráficos y diagramas que se acostumbran a ver en libros e informes para visualizar datos estadísticos también se utilizan con propósitos cartográficos,

Más detalles

Tema 6: Morfología. Primera parte

Tema 6: Morfología. Primera parte Tema 6: Morfología Primera parte Morfología La morfología matemática se basa en operaciones de teoría de conjuntos. En el caso de imágenes binarias, los conjuntos tratados son subconjuntos de Z 2 y en

Más detalles

Un problema sobre repetidas apuestas al azar

Un problema sobre repetidas apuestas al azar Un problema sobre repetidas apuestas al azar Eleonora Catsigeras 1 10 de marzo de 2003. Resumen En estas notas se da el enunciado y una demostración de un conocido resultado sobre la probabilidad de éxito

Más detalles