CIMPA-UCR. Clasificación Automática
|
|
- Daniel Zúñiga Salinas
- hace 8 años
- Vistas:
Transcripción
1
2
3 CIMPA-UCR Custer anaysis Anáisis de congomerados Anáisis tipoógico Anáisis de grupos Arboes aditivos Jerárquicos Particionamiento Piramidaes No disjuntos Difusos
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38 Método de nubes dinámicas cicos Forgy (1965) Mc Queen (1967) k-means Diday (1969) MND Da una partición inicia a azar: P. cacua os centros Asigna os individuos a centro más cercano: forma c,...,c Recacua os centros nueva 1 k g,..., 1 Hasta acanzar una estabiización. g k
39 Método de nubes dinámicas Forgy (1965): esquema básico Diday (1969): esquema genera Una case se representa por un núceo o prototipo C N A partir de una representación inicia en núceos, se iteran: -se hacen casificaciones por asignaciónde os objetos a a núceo más cercano -se representanas cases mediante e cácuo de os núceos
40 CIMPA-UCR Ejempos de núceos Caso eucídeo: centro de gravedad (punto u objeto promedio) * Caso no eucideano: una muestra (objetos más representativos) Caso expicativo: rectas de regresión
41 CIMPA-UCR Ejempos de núceos Reconocimiento de formas: métricas o distancias adaptativas Una soa métrica * * Una métrica por case: * * *
42 CIMPA-UCR Asignación Etapas en e MND xi C si d x N d x, (, ) ( N ) para h { 1,..., k } i i h ie: d ( x, N ) mín d( x, N ) i h En caso de iguadad, se asigna x i a a case de índice menor Representación N es núceo de c si e criterio Wes mínimo con N Caso eucídeo: N = g, e centro de gravedad Teorema de Huygens I I a a ( C ) I ( C ) ( C ) i h = + µ g = g x i C p i x i a 2 a 2
43 CIMPA-UCR MND: núceos son centros de gravedad d: distancia Eucídea cásica (cuadrática) x j : cuantitativas ( ) = = k C x i i i N x p L P W 1 2, = + = k C x i i i N g C g x p Núceo que minimiza: centro de gravedad g ( ) :, 1 2 = = = k C x i i i g x p W L P W Inercia intra-cases Forgy 1965, Diday 1967, Mac Queen 1967
44 CIMPA-UCR MND: núceos son centros de gravedad Forgy 1965, Diday 1967, Mac Queen 1967 Agoritmo: 1. Escoger k individuos: (a azar o con experticia) (t) g 2. Para i= 1 hasta n: asignar x i a centro ta que: x i g ( t ) = Mín = 1... k (caso de iguadad: menor índice) Se forman cases C ( t) ( t) 1, C2,..., { } ( t) x g C i ( t) k 3. Cacuar núceos: para = 1 hasta k g ( t) 1 = µ ( t 1) p i ( t 1 x ) i C x i 4. Hasta que ningún individuo cambia de case ( t 1) g1,..., (0) (0) (0), g2 gk con µ = p ( t = t +1) i ( t 1 x ) i C
45 CIMPA-UCR Wdecrece en cada iteración de MND ASIG: i) Sean P = ( C,..., C ), L = ( g,..., g ), f ( L): W 1 k ( L, P) = k = 1 x C k i p i x i g 1 k 2 partición arededor de os g 2 W ( L, f ( L) ) = p x g, con f ( L) = ( D,..., ) = 1 x D Sea z Ω: z C j z D h MND: convergencia i i i 1 D k por definición de D h : p z z z g g h < z h g j 2 p z z g j 2 Razonando z Ω: W ( L, f ( L) ) W ( L, P)
46 M: daigona Indice goba: DESCRIPCIÓN DE UNA PARTICIÓN (1) R = B I Contribución de as variabes: x j cor ( ) j var x ( j) = var Descripción de as cases: j ( x ) si si R 1 R con 0 j : x Buena Casificación Maa Casificación j medidas de x en cada case B var x B ( ) ( ) = : j posición de C respecto a gb( ) C es excéntrico W p j j 2 ( ) = pi ( xi g ) : j= 1 x C i concentración de a case W( ) C estáconcentrado
47 DESCRIPCIÓN DE UNA PARTICIÓN (2) Descripción de as cases por variabe: x j C : cor ( ) j j µ x ( ) x j, = j ( j ) x var j ( x ) cor, : es homogénea sobre C Ej:R = 94% cor (1) = 96.7% discrimina cor (2) = 89.8% 2
48
49
50
Método k-medias. [ U n a i n t r o d u c c i ó n ]
Método k-medias [ U n a i n t r o d u c c i ó n ] Método K-Means (Nubes Dinámicas) 0 3 4 5 6 7 8 9 0 0 3 4 5 6 7 8 9 0 0 3 4 5 6 7 8 9 0 0 3 4 5 6 7 8 9 0 0 3 4 5 6 7 8 9 0 0 3 4 5 6 7 8 9 0 0 3 4 5 6
Más detallesMA37A Sesión #3 Minimización en un intervalo
MA37A Sesión #3 Minimización en un intervalo 5 de Septiembre del 2007 Esquema Descripción del problema Método de la Sección Áurea Sea θ : [a, b] R función estrictamente cuasiconvexa, i.e. para x, y [a,
Más detallesMinería de Datos Web. 1 er Cuatrimestre 2015. Página Web. Prof. Dra. Daniela Godoy. http://www.exa.unicen.edu.ar/catedras/ageinweb/
Minería de Datos Web 1 er Cuatrimestre 2015 Página Web http://www.exa.unicen.edu.ar/catedras/ageinweb/ Prof. Dra. Daniela Godoy ISISTAN Research Institute UNICEN University Tandil, Bs. As., Argentina http://www.exa.unicen.edu.ar/~dgodoy
Más detallesTareas de la minería de datos: agrupamiento. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: agrupamiento CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Agrupamiento Agrupamiento (clasificación no supervisada, aprendizaje no supervisado).
Más detallesEPB 603 Sistemas del Conocimiento
EPB Sistemas del Conocimiento Dr. Oldemar Rodríguez R. Maestría en Administración de la Tecnología de la Información Escuela de Informática Universidad Nacional Capítulo Método K-Means (Nubes Dinámicas)
Más detalles4. MÉTODOS DE CLASIFICACIÓN
4. MÉTODOS DE CLASIFICACIÓN Una forma de sintetizar la información contenida en una tabla multidimensional (por ejemplo una tabla léxica agregada), es mediante la conformación y caracterización de grupos.
Más detallesCLASIFICACIÓN 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 detallesIMPORTANCIA DE LA DISPOSICIÓN DE OFICINAS
IMPORTANCIA DE LA DISPOSICIÓN DE OFICINAS De ella depende el buen desempeño de los empleados de una empresa. Es una herramienta importante en todo programa de simplificación del trabajo contribuyendo a
Más detallesEL PÉNDULO SIMPLE. Laboratorio de Física General Primer Curso (Mecánica) 1. Objetivo de la práctica. 2. Material. Fecha: 07/02/05
Laboratorio de Física Genera Primer Curso (Mecánica) EL PÉNDULO SIMPLE Fecha: 07/02/05 1. Objetivo de a práctica Estudio de pénduo simpe. Medida de a aceeración de a gravedad, g. 2. Materia Pénduo simpe
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesCLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA N. QUEIPO, S. PINTOS COPYRIGHT 2005 FUNDAMENTOS DE DATA MINING Y SUS APLICACIONES
DEFINICIÓN: AGRUPAR UN CONJUNTO DE n OBJETOS, DEFINIDOS POR p VARIABLES, EN c CLASES, DONDE EN CADA CLASE LOS ELEMENTOS POSEAN CARACTERÍSTICAS AFINES Y SEAN MÁS SIMILARES ENTRE SÍ QUE RESPECTO AELEMENTOS
Más detallesMétodos de la Minería de Datos
This is page i Printer: Opaue this Métodos de la Minería de Datos Dr. Oldemar Rodríguez Rojas de noviembre de 2005 ii Contents This is page iii Printer: Opaue this iv This is page v Printer: Opaue this
Más detallesEL MÉTODO SIMPLEX ALGEBRAICO: MINIMIZACION. M. En C. Eduardo Bustos Farías
EL MÉTODO SIMPLEX ALGEBRAICO: MINIMIZACION M. En C. Eduardo Bustos Farías 1 Minimización El método simplex puede aplicarse a un problema de minimización si se modifican los pasos del algoritmo: 1. Se cambia
Más detalles6.3.4. 4 Etapa : Caracterización de la partición P 4 de los n individuos de la tabla T(22, 3)
6.3.4. 4 Etapa : Caracterización de la partición P 4 de los n individuos de la tabla T(22, 3) - Resultados y conclusiones Las tres variables contribuyen significativamente a caracterizar las clases de
Más detallesTema 8: Análisis Discriminante. Clasificación. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. Análisis discriminante
Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Análisis discriminante Tema 8: Análisis Discriminante y Clasificación Aurea
Más detallesAnálisis aplicado. Ax = b. Gradiente conjugado.
José Luis Morales http://allman.rhon.itam.mx/ jmorales Departamento de Matemáticas. ITAM. 2009. Cuadráticas estrictamente convexas. φ(x) = 1 2 xt Ax b T x, A R n n minimizar φ(x) Ax = b. Cuadráticas estrictamente
Más detallesAnálisis Estadístico de Datos Climáticos
Análisis Estadístico de Datos Climáticos Análisis de agrupamiento (o clusters) (Wilks, Cap. 14) Facultad de Ciencias Facultad de Ingeniería 2013 Objetivo Idear una clasificación o esquema de agrupación
Más detallesPRESENTACIÓN DE LOS MÉTODOS DE CLASIFICACIÓN. Eduardo CRIVISQUI
PRESENTACIÓN DE LOS MÉTODOS DE CLASIFICACIÓN Eduardo CRIVISQUI ADVERTENCIA SÓLO EL CONOCIMIENTO DE LAS PROPIEDADES LÓGICAS DE LOS MÉTODOS ESTADÍSTICOS PERMITE EVITAR EL EMPLEO «A CIEGAS» DE LOS MISMOS.
Más detallesPara hallar el límite de una sucesión podemos utilizar algunas técnicas como: El concepto de límite de una función:
Tema 3 Sucesiones y Series 3.1. Sucesiones de números reales Definición 3.1.1 Una sucesión de números reales { } es una aplicación que asigna a cad N un número real: : N R a 1, a 2, a 3... son los términos
Más detallesMinería de Datos. Preprocesamiento: Reducción de Datos - Discretización
Minería de Datos Preprocesamiento: Reducción de Datos - Discretización Dr. Edgar Acuña Departamento de Ciencias Matemáticas Universidad de Puerto Rico-Mayaguez E-mail: edgar.acuna@upr.edu, eacunaf@gmail.com
Más detallesUna relación R de un conjunto A en un conjunto B es un subconjunto R de A x B.
Una relación R de un conjunto A en un conjunto B es un subconjunto R de A x B. Sea R una relación de un conjunto A en un conjunto B. Se dice que un elemento a de A está relacionado con un elemento b de
Más detallesCURSO 2005-2006 DIPLOMATURA EN CIENCIAS EMPRESARIALES Primer curso. Primer semestre. ANALISIS DESCRIPTIVO DE DATOS ECONOMICOS PROGRAMA:
CURSO 2005-2006 DIPLOMATURA EN CIENCIAS EMPRESARIALES Primer curso. Primer semestre. ANALISIS DESCRIPTIVO DE DATOS ECONOMICOS Profesores: Grupos A y B (Grupos de Prácticas A1 y B1): Rafael A. Cano Guervós
Más detallesFundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es
Más detallesParticiones binarias del espacio (BSP)
(BSP) Contenido 1. Introducción. 2. Quadtrees. 3. Árboles BSP. 4. Aplicación al algoritmo del pintor. 5. Construcción de un árbol BSP. 6. Conclusiones. Contenido 1. Introducción. 2. Quadtrees. 3. Árboles
Más detallesLEY DE HOOKE: CONSTANTE DE RECUPERACIÓN DE UN CUERPO ELÁSTICO.
LEY DE HOOKE: CONSTANTE DE RECUPERACIÓN DE UN CUERPO ELÁSTICO. Para la realización de esta práctica el alumno deberá venir al laboratorio provisto con hojas de papel milimetrado Objetivo: Estudiar la ley
Más detallespresentación e implementación del método de nubes dinámicas difuso
Revista de Matemática: Teoría y Aplicaciones 3(2): 87 97 (1996) presentación e implementación del método de nubes dinámicas difuso Walter Mora Flores 1 Resumen Se hace una presentación del método de Nubes
Más detallesCómo Borrar de forma segura los datos de tu Mac.
Cómo Borrar de forma segura los datos de tu Mac. Antes de empezar tenéis que tener en cuenta dos puntos muy importantes: No olvidéis copiar en un dispositivo externo todo aquello que no queráis perder.
Más detallesContenido. Horizontes temporales de la previsión La influencia del ciclo de vida del producto
Previsión Contenido Qué es la previsión? Horizontes temporales de la previsión La influencia del ciclo de vida del producto Tipos de previsiones La importancia estratégica de la previsión Recursos humanos
Más detallesSAESA. Microtrón. Cra 12 # 1A-43 Pereira PBX: (6) 331-4800 Fax: (6) 331-4875 comercialmicrotron@epm.net.co www.microtron.com.co
Excelencia a su Servicio SAESA SAESA es un programa diseñado para el manejo administrativo y comercial de una estación de servicio automotriz que ofrece productos y servicios variados, como son: suministro
Más detallesGeometría Plana. Moisés Villena Muñoz
NGULOS OPUESTOS POR EL VÉRTICE NGULOS LTERNOS INTERNOS, LTERNOS EXTERNOS, CORRESPONDIENTES FIGUR PLN 4 TRIÁNGULOS 5 CUDRILTEROS 6 FIGURS CIRCULRES La trigonometría con a están íntimamente reacionadas.
Más detallesScheduling Problem. Cuándo y dónde debo hacer cada trabajo?
Scheduling Problem Cuándo y dónde debo hacer cada trabajo? Ejemplos de problemas de asignación de recursos Fabricación de varios tipos de productos Asignación de turnos de trabajo Inversión financiera
Más detallesEstudio sobre el comportamiento de java en las plataformas windows xp y mac-os x usando un prototipo multimedia
Estudio sobre el comportamiento de java en las plataformas windows xp y mac-os x usando un prototipo multimedia M. en C. Julian Javier Francisco León LSC. Maribel López Almeida Resumen El presente artículo
Más detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detallesModelos de Ciclo de Vida de Desarrollo de Software en el Contexto de la Industria Colombiana de Software
Modelos de Ciclo de Vida de Desarrollo de Software en el Contexto de la Industria Colombiana de Software Hugo F. Arboleda Jiménez. MSc. Docente-Investigador, Facultad de Ingenierías, Universidad de San
Más detallesIncertidumbre No Estructurada y Estabilidad Robusta
Pontificia Universidad Católica del Perú ICA624: Control Robusto 5. No y Robusta Hanz Richter, PhD Profesor Visitante Cleveland State University Mechanical Engineering Department 1 / 18 Lazo Bien Definido
Más detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detallesTEMA 3: TRATAMIENTO DE DATOS EN MS. EXCEL (I)
VARIABLES Variable: característica de cada sujeto (cada caso) de una base de datos. Se denomina variable precisamente porque varía de sujeto a sujeto. Cada sujeto tiene un valor para cada variable. El
Más detallesCLASE 0- MÉTODOS DE ALISADO EXPONENCIAL
CLASE 0- MÉTODOS DE ALISADO EXPONENCIAL Contextualización En la primera parte del curso hemos estudiado el análisis clásico de series temporales en el que se asume que una serie temporal resulta de la
Más detallesMétodos Numéricos Grado en Ingeniería Informática Univ. Tema de Las 7 Interpolación Palmas de G.C. de funciones 1 / 42II
Métodos Numéricos Grado en Ingeniería Informática Tema 7 Interpolación de funciones II Luis Alvarez León Univ. de Las Palmas de G.C. Métodos Numéricos Grado en Ingeniería Informática Univ. Tema de Las
Más detallesIntroducir el concepto de comparación de modelos. Ajuste de una recta a varios grupos. Ajuste de una recta a cada grupo. Ajuste de rectas paralelas.
Introducir el concepto de comparación de modelos. Ajuste de una recta a varios grupos. Ajuste de una recta a cada grupo. Ajuste de rectas paralelas. Comparación de modelos. Disponemos de la edad y de la
Más detallesTema 2 Resolución de Ecuaciones No Lineales
Tema 2 Resolución de Ecuaciones No Lineales Índice 1. Introducción 2. Método de Bisección 2.1 Algoritmo del Método de Bisección 2.2 Análisis de Método de Bisección 3. Método de Regula-Falsi 3.1 Algoritmo
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E.
PRUEBS DE CCESO L UNIVERSIDD L.O.G.S.E. CURSO 006-007 - CONVOCTORI: ELECTROTECNI EL LUMNO ELEGIRÁ UNO DE LOS DOS MODELOS Criterios de caificación.- Expresión cara y precisa dentro de enguaje técnico y
Más detallesGUÍA DE EJERCICIOS UNIDAD II
UNIDAD II: INTEGRAL DEFINIDA UNIVERSIDAD DE CARABOBO FACULTAD DE INGENIERÍA ESTUDIOS BÁSICOS DEPARTAMENTO DE MATEMÁTICA ANÁLISIS MATEMÁTICO II Corregido por: Prof. AOUAD Jamil Prof. LAURENTÍN María Prof.
Más detallesDETERMINACIÓN DE LAS PROPIEDADES MECÁNICAS DE LOS MATERIALES SOMETIDOS A FLEXIÓN.
DETERMINACIÓN DE LAS PROPIEDADES MECÁNICAS DE LOS MATERIALES SOMETIDOS A FLEXIÓN. OBJETIVO DEL ENSAYO: determinar experimentamente agunas propiedades mecánicas (esfuerzo de rotura, móduo de easticidad)
Más detallesIntroducción al Data Mining Clases 5. Cluster Analysis. Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina
Introducción al Data Mining Clases 5 Cluster Analysis Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina Cluster Análisis 1 El término cluster analysis (usado por primera
Más detallesSistema Operativo (OS). Andrea Serna. 10 Inf 2.
Sistema Operativo (OS). Andrea Serna. 10 Inf 2. Sistema operativo de red. El sistema operativo de red permite la interconexión de ordenadores para poder acceder a los servicios y recursos. Al igual que
Más detallesEscuela de Turismo Gestión Hotelera Submódulo Presupuestos PRESUPUESTO DE VENTAS: IMPORTANCIA DE LOS PRONÓSTICOS Y LOS PRESUPUESTOS.
Escuela de Turismo Gestión Hotelera Submódulo Presupuestos PRESUPUESTO DE VENTAS: IMPORTANCIA DE LOS PRONÓSTICOS Y LOS PRESUPUESTOS. 1.1 DEFINICIÓN DE PRESUPUESTOS Expresión cuantitativa formal de los
Más detallesRegresión múltiple. Modelos y Simulación. I. Introducción II. Marco teórico III. Aplicación IV. Conclusiones V. Bibliografía
Regresión múltiple I. Introducción II. Marco teórico III. Aplicación IV. Conclusiones V. Bibliografía I.- INTRODUCCIÓN Como la Estadística Inferencial nos permite trabajar con una variable a nivel de intervalo
Más detallesAyudantía 4 Probabilidades ILI-280 Estadística Computacional. Profesor: Rodrigo Salas Ayudantes: Juan Pablo Cares Pino Fernando Herrera Barría
Ayudantía 4 Probabilidades ILI-280 Estadística Computacional Profesor: Rodrigo Salas Ayudantes: Juan Pablo Cares Pino Fernando Herrera Barría Valparaíso, 25 de septiembre de 2009 1. Se compran 3 billetes
Más detallesMétodos no paramétricos para el análisis de la varianza
Capítulo 4 Métodos no paramétricos para el análisis de la varianza MÉTODOS PARAMÉTRICOS Y NO-PARAMÉTRICOS Los procedimientos inferenciales que presentan estimaciones con respecto a losparámetrosdelapoblacióndeinteréssellamanmétodos
Más detallesVIRTUALBOX (MAQUINA VIRTUAL)
VIRTUALBOX (MAQUINA VIRTUAL) QUE ES VIRTUALBOX? Es un software de virtualización, esta aplicación es posible instalar sistemas operativos adicionales, conocidos como «sistemas invitados», dentro de otro
Más detallesProgramación Genética
Programación Genética Programación Genética consiste en la evolución automática de programas usando ideas basadas en la selección natural (Darwin). No sólo se ha utilizado para generar programas, sino
Más detallesValidación y verificación de métodos de examen cuantitativos
Temas selectos de Calidad en Serología (aplicación en el banco de sangre) Validación y verificación de métodos de examen cuantitativos Ignacio Reyes Ramírez entidad mexicana de acreditación, a.c. Introducción
Más detallesXLIV Olimpiada Matemática Española Fase nacional 2008 (Valencia) PRIMERA SESIÓN (28 de marzo)
Fase nacional 008 (Valencia) PRIMERA SESIÓN (8 de marzo).- Halla dos enteros positivos a y b conociendo su suma y su mínimo común múltiplo. Aplícalo en el caso de ue la suma sea 97 y el mínimo común múltiplo
Más detallesSección 4. 65. Cuál es la ecuación equivalente de la siguiente expresión algebraica?
Sección 4 64. Cuál es la expresión algebraica que corresponde al siguiente enunciado? El cociente de la suma de dos números al cuadrado entre la diferencia de dichos números. 65. Cuál es la ecuación equivalente
Más detallesTEMA 4. Sistema Sexagesimal. Sistema Octal (base 8): sistema de numeración que utiliza los dígitos 0, 1, 2, 3, 4, 5,
TEMA 4 Sistema Sexagesimal 4.0.- Sistemas de numeración Son métodos (conjunto de símbolos y reglas) ideados por el hombre para contar elementos de un conjunto o agrupación de cosas. Se clasifican en sistemas
Más detallesPráctica 2. Estadística Descriptiva
Práctica 2. Estadística Descriptiva Ejercicio 1 Mucha gente manifiesta reacciones de alergia sistémica a las picaduras de insectos. Estas reacciones varían de paciente a paciente, no sólo en cuanto a gravedad,
Más detallesPRUEBAS NO PARAMÉTRICAS
PRUEBAS NO PARAMÉTRICAS 1. PRUEBAS DE NORMALIDAD Para evaluar la normalidad de un conjunto de datos tenemos el Test de Kolmogorov- Smirnov y el test de Shapiro-Wilks La opción NNPLOT del SPSS permite la
Más detallesAnálisis 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 detallesSilverFast SE Plus 8 - El mejor software del escáner mucho más que un simple software para escáneres.
SilverFast SE Plus 8 - El mejor software del escáner mucho más que un simple software para escáneres. LaserSoft Imaging ha adquirido práctica en la creación de software para la edición de imagen durante
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Mínimos Cuadrados Departamento de Matemáticas ITESM Mínimos Cuadrados Álgebra Lineal - p. 1/34 En esta sección veremos cómo se trabaja un sistema inconsistente. Esta situación es
Más detallesTEMA 5 MOMENTO DE INERCIA. RADIO DE GIRO Y MOMENTO RESISTENTE.
TEMA 5 MOMENTO DE INERCIA. RADIO DE GIRO Y MOMENTO RESISTENTE. 1. DEFINICIÓN. El momento de inercia de un cuerpo expresa los efectos producidos por los cuerpos en movimiento. Está relacionado con las masas
Más detallesSEMINARIOS. (Problemas de exámenes de años anteriores) Estadística. 1º Grado en Informática
SEMINARIOS (Problemas de exámenes de años anteriores) Estadística. 1º Grado en Informática Seminario de Estadística Descriptiva Unidimensional y Bidimensional 1. Se ha realizado un control de calidad en
Más detallesFORMACIÓN DE IMÁGENES CON LENTES
Laboratorio de Física de Procesos Biológicos FORMACIÓN DE IMÁGENES CON LENTES Fecha: 19/12/2005 1. Objetivo de la práctica Estudio de la posición y el tamaño de la imagen de un objeto formada por una lente
Más detallesProblema de Programación Lineal
Problema de Programación Lineal Introducción La optimización es un enfoque que busca la mejor solución a un problema. Propósito: Maximizar o minimizar una función objetivo que mide la calidad de la solución,
Más detallesIntegrales paramétricas e integrales dobles y triples.
Integrales paramétricas e integrales dobles y triples. Eleonora Catsigeras * 19 de julio de 2006 PRÓLOGO: Notas para el curso de Cálculo II de la Facultad de Ingeniería. Este texto es complementario al
Más detallesPráctica 3. Explorando datos con Statistix
Práctica 3. Explorando datos con Statistix En esta práctica aprenderemos a explorar un conjunto de datos utilizando el menú Statistics de nuestro programa. Un geyser es un nacimiento de agua hirviente
Más detallesMinería de Datos Análisis Exploratorio de Datos. Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS
Minería de Datos Anáisis Exporatorio de Datos Por Eizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS Anáisis Exporatorio Minería de Datos Anáisis Exporatorio Anáisis
Más detallesDistribuciones Multivariantes. Distribuciones Multivariantes. Distribuciones Multivariantes. Objetivos del tema:
Distribuciones Multivariantes Distribuciones Multivariantes Distribución conjunta de un vector aleatorio Objetivos del tema: Distribuciones marginales y condicionadas Al final del tema el alumno será capaz
Más detallesCurso de sensibilización a la PAEP (Prueba de Admisión a Estudios de Posgrado)
Tema 2. Razonamiento cuantitativo Subtema 2.7 Probabilidad Instrucciones: Realiza estos ejercicios, sigue los procedimientos que se mostraron en los ejemplos del curso. Permutación 1. De cuántas maneras
Más detallesMercados y Regulación Económica
Mercados y Regulación Económica Regulación: electricidad, telefonía Leandro Zipitría Departamento de Economía Facultad de Ciencias Sociales - UdelaR Diploma en Economía para no Economistas Índice Regulación
Más detallesRESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES
RESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES 1 La ecuación 2x - 3 = 0 se llama ecuación lineal de una variable. Obviamente sólo tiene una solución. La ecuación -3x + 2y = 7 se llama ecuación lineal de
Más detallesQué es? Robert S. Kaplan y David P. Norton. Sumario. Bibliografía básica 7 Materiales en línea 7
UNIDAD DE CONOCIMIENTO El cuadro de mando integral "Los directivos, como los pilotos, necesitan de un instrumental que mida su entorno y su rendimiento para conducir el viaje hacia la excelencia futura.
Más detallesDETERMINACIÓN DE LA FOCAL DE UNA LENTE
DETERMINACIÓN DE A FOCA DE UNA ENTE OBJETIVOS Estudio de la formación de imágenes y medida de la distancia focal de una lente delgada convergente, empleando dos procedimientos: 1º) la ecuación de las lentes,
Más detallesREQUERIMIENTOS HARDWARE Y SOFTWARE QWEBDOCUMENTS VERSION 4
Pág. 1 de 6 Ambiente centralizado SERVIDOR UNICO Servidor Hardware Procesador CORE Duo 4 GHz Memoria Ram 4 GB. 2 GB solo para la aplicación y los otros 2 GB para Base de datos, S.O y otro software necesario
Más detallesUniversidad de Pamplona Sede Villa del Rosario LABORATORIO DE MECÁNICA CUESTIONARIO GUIA PARA LAS PRÁCTICAS DE LABORATORIO DE MECÁNICA
Universidad de Pamplona Sede Villa del Rosario LABORATORIO DE MECÁNICA CUESTIONARIO GUIA PARA LAS PRÁCTICAS DE LABORATORIO DE MECÁNICA El cuestionario correspondiente a cada práctica de laboratorio debe
Más detallesMétodos Exploratorios en Minería de Datos
Métodos Exploratorios en Minería de Datos Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado de la Universidad de Stanford. Duración:
Más detallesCMMI (Capability Maturity Model Integrated)
CMMI (Capability Maturity Model Integrated) El SEI (software engineering institute) a mediados de los 80 desarrolló el CMM (modelo de madurez de la capacidad de software). CMMI: CMM integrado, una mezcla
Más detallesMAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES
MAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES José D. Martín Guerrero, Emilio Soria, Antonio J. Serrano PROCESADO Y ANÁLISIS DE DATOS AMBIENTALES Curso 2009-2010 Page 1 of 11 1. Learning Vector Quantization.
Más detallesCrear un Software que sea adaptable a las necesidades de cualquier tipo de Institución de Educación Superior.
INTRODUCCIÓN El presente trabajo de graduación contiene el proceso para el desarrollo de un software que administre y controle las aulas y demás espacio físico de una Institución de Educación Superior.
Más detalles2 VARIABLES ESTADÍSTICAS BIDIMENSIONALES
2 VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1 Se ha medido el volumen, X, y la presión, Y, de una masa gaseosa y se ha obtenido: X (litros) 1 65 1 03 0 74 0 61 0 53 0 45 Y (Kg/cm 2 ) 0 5 1 0 1 5 2 0 2 5 3
Más detallesUNIVERSIDAD DEL SALVADOR PROGRAMA. UNIDAD ACADÉMICA: Campus San Roque González de Santa Cruz. CARRERA: Veterinaria. DIVISIÓN / COMISIÓN: Primer Año
UNIVERSIDAD DEL SALVADOR PROGRAMA UNIDAD ACADÉMICA: Campus San Roque González de Santa Cruz. CARRERA: Veterinaria DIVISIÓN / COMISIÓN: Primer Año TURNO: Único OBLIGACIÓN ACADÉMICA: ESTADÍSTICA Y DISEÑO
Más detallesProyecto Help Desk en Plataforma SOA Informe de Verificación del Sistema Versión 1.2. Historia de revisiones
Proyecto Help Desk en Plataforma SOA Informe de Verificación del Sistema Versión 1.2 Historia de revisiones Fecha Versión Descripción Autor 20/10/2005 1.1 Informe de Verificación del Sistema Fase II Iteración
Más detallesFunciones a trozos. Imágenes de funciones definidas a trozos.
Funciones a trozos. Imágenes de funciones definidas a trozos. En matemáticas, una función definida a trozos (también conocida como función por partes) es una función cuya definición (la regla que define
Más detallesDepartamento de Gestión y Métodos Cuantitativos, ETEA Córdoba (España) Correo electrónico: fjmestud@etea.com
REVISTA DE MÉTODOS CUANTITATIVOS PARA LA ECONOMÍA Y LA EMPRESA (3). Páginas 40 62. Junio de 2007. ISSN: 886-56X. D.L: SE-2927-06. URL: http://www.upo.es/revmetcuant/art0.pdf Modeo no inea basado en redes
Más detallesSCOP++ Lidar. Metodología de filtrado
SCOP++ Lidar. Metodología de filtrado 1 Contenido 1 Estrategia de filtrado y clasificación... 4 Eliminate Building Step (eliminación de edificios)... 5 Thin Out Step (reducción de densidad del fichero
Más detallesMANUAL TÉCNICO DE IMPLEMENTACIÓN PROYECTO SOCIAL COMPUESCUELA. Elaborado por: Julián A. Hernández M.
MANUAL TÉCNICO DE IMPLEMENTACIÓN PROYECTO SOCIAL COMPUESCUELA Elaborado por: Julián A. Hernández M. PONTIFICIA UNIVERSIDAD JAVERIANA CALI SANTIAGO DE CALI 2011 CONTENIDO Pág. INTRODUCCIÓN...3 1. ANÁLISIS
Más detallesUniversidad Simón Bolívar CO3121. Probabilidades para Ingenieros. Enero-Marzo 2010 Problemario I
Universidad Simón Bolívar CO3121. Probabilidades para Ingenieros. Enero-Marzo 2010 Problemario I 1. Supongamos que Ω = A B y P (A B) = 0.2. Hallar: (a) El máximo valor posible para P (B), de tal manera
Más detallesSilverFast 8 - El mejor software del escáner
SilverFast 8 - El mejor software del escáner LaserSoft Imaging ha adquirido práctica en la creación de software para la edición de imagen durante 25 años y en base a estos conocimientos, ha diseñado el
Más detallesExamen de TEORIA DE MAQUINAS Junio 95 Nombre...
Examen de TEORIA DE MAQUINAS Junio 95 Nombre... El sistema de la figura es un modelo simplificado de un vehículo y se encuentra sometido a la acción de la gravedad. Sus características son: masa m=10 Kg,
Más detallesMARIA. -Plan de Estudios- Doctorado en Psicologia Educativa
MARIA -Plan de Estudios- en Psicologia Educativa CONTENIDOS 1) Presentación 5) Objetivos 2) Requisitos 6) Cursos Obligatorios 3) Plan de Estudios / Duración 7) Cursos Sugeridos 4) Tabla de Créditos 1)
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 7 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallesLA MEDIDA Y SUS ERRORES
LA MEDIDA Y SUS ERRORES Magnitud, unidad y medida. Magnitud es todo aquello que se puede medir y que se puede representar por un número. Para obtener el número que representa a la magnitud debemos escoger
Más detalles5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial. Curso de doctoramiento Técnicas de Computación Flexíbeis
5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial Curso de doctoramiento Técnicas de Computación Flexíbeis Learning Vector Quantization (LVQ) Versión supervisada de SOM (SOM
Más detalles1. Números Reales 1.1 Clasificación y propiedades
1. Números Reales 1.1 Clasificación y propiedades 1.1.1 Definición Número real, cualquier número racional o irracional. Los números reales pueden expresarse en forma decimal mediante un número entero,
Más detallesMantenimiento de Sistemas de Información
de Sistemas de Información ÍNDICE DESCRIPCIÓN Y OBJETIVOS... 1 ACTIVIDAD MSI 1: REGISTRO DE LA PETICIÓN...4 Tarea MSI 1.1: Registro de la Petición... 4 Tarea MSI 1.2: Asignación de la Petición... 5 ACTIVIDAD
Más detalles[APLICACIONES EXTENDIDAS Y PROYECTOS DE GRUPO.]
2011 JJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJ FUSTILLOS PAOLA MORÁN GABRIELA SINCHIGUANO MYRIAM JJJJJJJJJJJJJJJJJJJJJJJJJJJJJJ [APLICACIONES EXTENDIDAS Y PROYECTOS DE GRUPO.] I.-RENDIMIENTO MARGINAL
Más detalles3. ANÁLISIS ESTADÍSTICOS DE LAS PRECIPITACIONES EN EL MAR CASPIO
Análisis estadístico 31 3. ANÁLII ETADÍTICO DE LA PRECIPITACIONE EN EL MAR CAPIO 3.1. ANÁLII Y MÉTODO ETADÍTICO UTILIZADO 3.1.1. Introducción Una vez analizado el balance de masas que afecta al mar Caspio
Más detallesProblemas del transporte
Taller 5 PROBLEA 8.- Problemas del transte Es necesario planear el sistema de energía de un nuevo edificio. Las tres fuentes posibles de energía son electricidad, gas natural, y una unidad de celdas solares.
Más detalles