STATISTICA SOFTWARE. (Una amplia gama de herramientas Analíticas para casi cualquier aplicación)

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

Download "STATISTICA SOFTWARE. (Una amplia gama de herramientas Analíticas para casi cualquier aplicación)"

Transcripción

1 STATISTICA SOFTWARE (Una amplia gama de herramientas Analíticas para casi cualquier aplicación) Todos los productos de STATISTICA y sus interfaces son 100% personalizadas al usuario, automáticas según la aplicación y los reportes son de alta calidad, las bases de datos se manejan y/o se optimizan para clasificar los datos para su análisis e interpretación, además las bases de datos se analizan con rutinas y/o herramientas pre-establecidas. El programa se desarrolla en un ambiente totalmente compatible con Visual Basic e integrado en su totalidad con todos los procedimientos. El sistema de STATISTICA ofrece cerca de 11,000 funciones externas accesibles. CARACTERÍSTICAS DEL SISTEMA - La interfase para el usuario se ensambla a las necesidades del cliente. - El arreglo de salida de los análisis es flexible. - La presentación de los reportes son de alta calidad. - Existe la posibilidad de interactuar por medio de la red. - Es optimizable para grandes bases de datos. - Las bases de datos pueden interactuar con rutinas de análisis (Query Tools) - Se puede exportar/importar una amplia gama datos. - Se pueden importar varios archivos y/o ejemplos a la vez, además de ser Multitask. - Los gráficos interactivos generados son de alta calidad. - Se pueden hacer rutinas que analizan los datos automáticamente. - Es compatible 100% con Visual Basic. - Los datos se pueden accesar y procesar desde un servidor externo. - Las rutinas de interfase (query interfase) se optimizan en función de la base de datos. - Previsto de herramientas para trabajo en conjunto. - Bases de datos especializadas.

2 MÓDULOS DEL STATISTICA STATISTICA Base Descriptive statistics, breakdowns, and exploratory data analysis Correlations Basic Statistics from Results Spreadsheets (Tables) Interactive Probability Calculator T-Tests Frequency Tables, Crosstabulation Tables, Stub-and-Banner Tables, Multiple Response Analysis Multiple Regression Methods Nonparametric Statistics ANOVA Distribution Fitting By Group Analysis estructural de STATISTICA para cálculo de estadísticos descriptivos, análisis exploratorio de datos, tablas de frecuencia, de crostabulación y análisis de respuesta múltiple, ANOVA, Regresión múltiple, tests de hipótesis parametricos y noparametricos y ajustes a distribuciones. Incluye una amplia selección de gráficos y la capacidad de análisis por grupos de una variable. STATISTICA Multivariate Exploratory Techniques del STATISTICA para análisis multivariante. Incluye técnicas como Análisis de función discriminante paso a paso, análisis factorial y componentes principales, escalamiento multidimensional, análisis de fiabilidad e ítem, análisis de correspondencia y de correspondencia múltiple, análisis de agregación, árboles de clasificación y de regresión. Incluye también una implementación completa del análisis de función discriminante múltiple paso a paso modelos discriminantes generalizados (para analizar cualquier combinación de variables cuantitativas o cualitativas). Cluster Analysis Techniques Factor Analysis Principal Components & Classification Analysis Canonical Correlation Analysis Reliability/Item Analysis Classification Trees Correspondence Analysis Multidimensional Scaling Discriminant Analysis General Discriminant Analysis Models (GDA)

3 STATISTICA Advanced Linear/Non- Linear Models del STATISTICA para técnicas de modelización, predicción. Incluye metodologías de regresión, análisis log-lineal, estimación no-lineal, análisis de correlación canónica, análisis de supervivencia, series temporales, ARIMA y análisis de intervención de series temporales, Análisis espectral y crossespectral, simulación de Monte Carlo y muchas otras. STATISTICA Power Analysis Su herramienta para Muestreo: cálculo de la dimensión de muestras, cálculo de la potencia de los tests, intervalos de confianza, cálculo de parámetros de distribuciones estadísticas Variance Components and Mixed Model ANOVA/ANCOVA Survival/Failure Time Analysis General Nonlinear Estimation (and Quick Logit/Probit Regression) Log-Linear Analysis of Frequency Tables Time Series Analysis/Forecasting Structural Equation Modeling/Path Analysis (SEPATH) General Linear Models (GLM) General Regression Models (GRM) Generalized Linear Models (GLZ) General Partial Least Squares Models (PLS) NIPALS Algorithm PCA/PLS Sample Size Calculation 1-sample t-test 2-sample independent sample t-test 2-sample dependent sample t-test Planned contrasts 1-way ANOVA (fixed and random effects) 2-way ANOVA Chi-square test on a single variance F-test on 2 variances Z-test (or chi-square test) on a single proportion Z-test on 2 independent proportions Mcnemar's test on 2 dependent proportions F-test of significance in multiple regression t-test for significance of a single correlation Z-test for comparing 2 independent correlations Log-rank test in survival analysis Test of equal exponential survival, with accrual period Test of equal exponential survival, with accrual period and dropouts Chi-square test of significance in structural equation modeling Tests of "close fit" in structural equation modeling confirmatory factor analysis Confidence Interval Estimation Statistical Distribution Calculators

4 STATISTICA Neural Networks El poder de las redes neuronales para previsión, clasificación, datos temporales, etc., todo en una única herramienta de muy fácil manejo. El Intelligent Problem Solver permite a los usuarios menos expertos seleccionar automáticamente la mejor red neuronal para sus datos. Sin embargo, el SNN permite también controlar todo el proceso de construcción de la red neuronal. Input Data Input Selection and Dimensionality Reduction Data Scaling and Nominal Value Preparation Selecting a Neural Network Model The Intelligent Problem Solver (an easy-to-use wizard for network creation) Training a Neural Network Probing and Testing a Neural Network Network Editing, Modification, and Pipe-lining Embedded Solutions Training Algorithm Summary Platforms System Requirements Size Limitations Electronic Manual STATISTICA Quality Control Charts para producción de gráficos de Control de Calidad (Xbarra, R, etc.). Contiene una amplia selección de técnicas de análisis de control de calidad. Se pueden diseñar de modo personalizado procedimientos analíticos nuevos y añadirlos luego permanentemente a la aplicación. Standard charts Interactive, analytic brushing and labeling of points Assigning causes and actions Flexible, customizable alarm notification system supervisor and operator mode; password protection organization of data Short run charts Chart options and statistics Non-normal control limits and process capability and performance indices Other plots and Spreadsheets Real-time QC systems; external data sources STATISTICA Process Analysis Process capability analysis Designs for Gage Repeatability/Reproducibility (R&R) Analyses. Weibull analysis Sampling plans para analizar con mayor profundidad la Capacidad del/los Proceso(s).

5 STATISTICA Design of Experiments para diseño experimental aplicado a la industria. Útil para la experimentación en el proceso industrial con el objetivo de mejorar el propio proceso, buscar las causas de los problemas y reducir costes. Design of Experiments Analysis of experiments: General features Residual analyses and transformations Optimization of single or multiple response variables: The response (desirability) profiler Standard two-level 2**(k-p) fractional factorial designs with blocks (Box-Hunter-Hunter minimum aberration designs). Minimum aberration and maximum unconfounding 2**(k-p) fractional factorial designs with blocks: General design search Screening (Plackett-Burman) designs Mixed-level factorial designs Three-level 3**(k-p) fractional factorial designs with blocks and Box-Behnken designs Central composite (response surface) designs Latin squares Taguchi robust design experiments Designs for mixtures and triangular graphs Designs for constrained surfaces and mixtures D- and A-optimal designs Alternative procedures for analyzing data collected in experiments

6 HERRAMIENTAS AVANZADAS (haga clic sobre cada módulo para saber más) STATISTICA SAL Quien compra el producto A también compra el producto B? Cual es la secuencia más usual de visitas a un sito Internet? Es posible detectar comportamientos fraudulentos? Estas son todas preguntas pueden ser respondidas por el paquete STATSITICA SAL una poderosa herramienta para Market Basket Analysis. STATISTICA DATA MINER Herramienta muy poderosa, intuitiva y escalonable, dotada de un conjunto de algoritmos capaces de responder a problemas y mejorar negocios y procesos. Le invitamos a conocer mejor sus potencialidades. El STATISTICA DATA MINER es la mejor, más poderosa y más premiada herramienta para minería de datos disponible en el mercado. Utilice los algoritmos más avanzados en el momento para descubrir valor, tendencias, información conocimiento de sus datos. No trabaje más para sus datos, deje que sean sus datos a trabajar para usted. Module Overview The "Market-Basket" metaphor. Association rules. Sequence analysis. Link analysis. Functional Overview Highlights of Advanced and Unique Features The Novel Algorithm Database Technology Variable Handling Multi-Tasking Multidimensional Analysis Quantitative Attributes Clustering Analysis Conclusion Data Mining Tools General Slicer/Dicer and Drill-Down Explorer General Classifier General Modeler/Multivariate Explorer General Forecaster General Neural Networks Explorer Specialized Data Mining Modules Feature Selection and Variable Filtering Association Rules Interactive Drill-Down Explorer Generalized EM & k-means Cluster Analysis Generalized Additive Models General Classification and Regression Trees General CHAID Models Interactive Classification and Regression Trees Boosted Trees Multivariate Adaptive Regression Splines Goodness of Fit Computations Rapid Deployment of Predictive Models

7 STATISTICA TEXT MINER STATISTICA Text Miner Accessing Documents Processing Documents Analyzing Documents El poder de la minería de datos aplicada a información noestructurada (textos, informes, reclamaciones, etc.). Saque partido con inteligencia de los datos. Transforme su información noestructurada en información cuantificada, información cuantificada en conocimiento y conocimiento en ayuda a la toma de decisiones. STATISTICA QC MINER Summary Go Beyond Simple Quality Control: Don't Just React to Problems, ANTICIPATE Them! Solution Packages for Specific Needs How it Works Customize all Projects using Industry Standard In-place Database Processing Using STATISTICA QC Miner as a Silent Monitor and Learner Poderosísima herramienta que aplica metodologías de Data Mining al Control de Calidad y Control de Procesos. Entre sus diferentes funcionalidades están las siguientes: - Root Cause Analysis: Intenta encontrar en los datos las razones de los problemas que ocurren cuando se sobrepasan los parámetros de Calidad; - Predictive Quality Control: Control de Calidad Predictivo. Herramienta para prever problemas en el control de calidad, ahorrando tiempo y dinero a las empresas. El principal objetivo es que el propio control de calidad y del proceso decurra antes de la producción final, ahorrando tiempo, dinero y otros recursos a través de la disminución de los errores detectados en las reclamaciones de los clientes. Muchas empresas como, por ejemplo, la Caterpillar, usan STATISTICA QC Miner para el control y mejora dos sus procesos.

ÍNDICE. Introducción... Capítulo 1. El concepto de Data Mining... 1

ÍNDICE. Introducción... Capítulo 1. El concepto de Data Mining... 1 ÍNDICE Introducción... XV Capítulo 1. El concepto de Data Mining... 1 Introducción... 1 Una definición de Data Mining... 3 El proceso de Data Mining... 6 Selección de objetivos... 8 La preparación de los

Más detalles

CURSO MINERÍA DE DATOS AVANZADO

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

Más detalles

APROVECHE AL MÁXIMO EL MEJOR SOFTWARE DE ANÁLISIS DE DATOS, ASISTA A LOS CURSOS DE CAPACITACIÓN DE SPSS CHILE

APROVECHE AL MÁXIMO EL MEJOR SOFTWARE DE ANÁLISIS DE DATOS, ASISTA A LOS CURSOS DE CAPACITACIÓN DE SPSS CHILE TRAINING 2007 APROVECHE AL MÁXIMO EL MEJOR SOFTWARE DE ANÁLISIS DE DATOS, ASISTA A LOS CURSOS DE CAPACITACIÓN DE SPSS CHILE Fundamentos en el Uso y Aplicaciones con SPSS Introducción a la Sintaxis Estadísticas

Más detalles

30 oct. SAP Fraud Management. El Camino a la transparencia. La necesidad Gestionar en tiempo real. El medio Una plataforma in-memory

30 oct. SAP Fraud Management. El Camino a la transparencia. La necesidad Gestionar en tiempo real. El medio Una plataforma in-memory SAP Fraud Management 30 oct 2014 El Camino a la transparencia SAP Fraud Management La necesidad Gestionar en tiempo real El medio Una plataforma in-memory La necesidad Gestionar en tiempo real 3 La necesidad:

Más detalles

CURSO DE POSTGRADO. Métodos de Análisis Estadístico I. N o m b r e C u r s o

CURSO DE POSTGRADO. Métodos de Análisis Estadístico I. N o m b r e C u r s o UNIVERSIDAD DE CHILE FACULTAD DE MEDICINA ESCUELA DE POSTGRADO CURSO DE POSTGRADO Métodos de Análisis Estadístico I N o m b r e C u r s o SEMESTRE 1º AÑO 2015 PROF. ENCARGADO / Mauricio Cerda 13.672.064-3

Más detalles

Proyecto técnico MINERÍA DE DATOS. Febrero 2014. www.osona-respon.net info@osona-respon.net

Proyecto técnico MINERÍA DE DATOS. Febrero 2014. www.osona-respon.net info@osona-respon.net Proyecto técnico MINERÍA DE DATOS Febrero 2014 www.osona-respon.net info@osona-respon.net 0. Índice 0. ÍNDICE 1. INTRODUCCIÓN... 2 2. LOS DATOS OCULTOS... 3 2.1. Origen de la información... 3 2.2. Data

Más detalles

ÍNDICE. Introducción... Capítulo 1. Inteligencia de negocios y sistemas de información. Informes... 1

ÍNDICE. Introducción... Capítulo 1. Inteligencia de negocios y sistemas de información. Informes... 1 Introducción... XI Capítulo 1. Inteligencia de negocios y sistemas de información. Informes... 1 Finalidad de los sistemas de información y origen del Business Intelligence... 1 Herramientas para la toma

Más detalles

240EO011 - Estadística Aplicada

240EO011 - Estadística Aplicada Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2015 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona 715 - EIO - Departamento de Estadística e Investigación

Más detalles

Lo que no se mide, lo que de alguna manera no se capta, NO EXISTE. Teodoro Luque Martinez

Lo que no se mide, lo que de alguna manera no se capta, NO EXISTE. Teodoro Luque Martinez Técnicas Estadísticas en Análisis de Mercados Lo que no se mide, lo que de alguna manera no se capta, NO EXISTE. Teodoro Luque Martinez Xavier Barber: xbarber@goumh.es (en asunto SIEMPRE 3º Grado Estadística

Más detalles

1.9. Requisitos mínimos de asistencia a las sesiones presenciales / Minimum attendance requirement

1.9. Requisitos mínimos de asistencia a las sesiones presenciales / Minimum attendance requirement ASIGNATURA / COURSE TITLE ANÁLISIS DE DATOS 1.1. Código / Course number 16307 1.2. Materia / Content area Módulo instrumental 1.3. Tipo / Course type Obligatoria 1.4. Nivel / Course level Grado 1.5. Curso

Más detalles

DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre:

DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre: : : lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. 12 6 lemas propios de la. 12 6 lemas propios de la.

Más detalles

Se asignaron al azar ratas en condiciones similares a cuatro dietas (A D). Dos semanas después se midió el tiempo de coagulación.

Se asignaron al azar ratas en condiciones similares a cuatro dietas (A D). Dos semanas después se midió el tiempo de coagulación. EJEMPLO 1 Se asignaron al azar ratas en condiciones similares a cuatro dietas (A D). Dos semanas después se midió el tiempo de coagulación. DIETA1 DIETA2 DIETA3 DIETA4 62 63 68 56 60 67 66 62 63 71 71

Más detalles

SISTEMA DE GESTIÓN Y ANÁLISIS DE PUBLICIDAD EN TELEVISIÓN

SISTEMA DE GESTIÓN Y ANÁLISIS DE PUBLICIDAD EN TELEVISIÓN SISTEMA DE GESTIÓN Y ANÁLISIS DE PUBLICIDAD EN TELEVISIÓN Autor: Barral Bello, Alfredo Director: Alcalde Lancharro, Eduardo Entidad Colaboradora: Media Value S.L. RESUMEN DEL PROYECTO El presente proyecto

Más detalles

Aprendizaje de redes bayesianas híbridas con mixturas de funciones base truncadas

Aprendizaje de redes bayesianas híbridas con mixturas de funciones base truncadas Aprendizaje de redes bayesianas híbridas con mixturas de funciones base truncadas Doctoranda: Inmaculada Pérez-Bernabé Director: Antonio Salmerón Cerdán Departamento de Matemáticas, Universidad de Almería,

Más detalles

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2.

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. 1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. GENERALIDADES SOBRE LAS TÉCNICAS DE INVESTIGACIÓN SOCIAL Y DE MERCADOS

Más detalles

Introducción a la Minería de Datos

Introducción a la Minería de Datos Introducción a la Minería de Datos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Índice 1 Minería de

Más detalles

Capítulo 1. Minería de datos: Conceptos, técnicas y sistemas...

Capítulo 1. Minería de datos: Conceptos, técnicas y sistemas... , INDICE Introducción, ; XVII Capítulo 1. Minería de datos: Conceptos, técnicas y sistemas... Aproximación al concepto de minería de datos... El proceso de extracción del conocimiento... Técnicas de minería

Más detalles

Introducción Qué es Minería de Datos?

Introducción Qué es Minería de Datos? Conceptos Básicos Introducción Qué es Minería de Datos? Extracción de información o de patrones (no trivial, implícita, previamente desconocida y potencialmente útil) de grandes bases de datos. Introducción

Más detalles

Técnicas Cuantitativas para el Management y los Negocios

Técnicas Cuantitativas para el Management y los Negocios Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis

Más detalles

Alicia Iriberri Dirección de Tecnologías de Información. I.- Definición del foco estratégico

Alicia Iriberri Dirección de Tecnologías de Información. I.- Definición del foco estratégico Alicia Iriberri Dirección de Tecnologías de Información I.- Definición del foco estratégico II.- Establecimiento de mediciones a través del Balanced Scorecard (Tablero de Comando) III.- Despliegue del

Más detalles

8. Project Quality Management

8. Project Quality Management 8. Project Quality Management 8.1 La importancia de la administración de calidad Muchas personas bromean acerca de la pobre calidad de productos de IT (ej. si los coches fueran fabricados por Microsoft).

Más detalles

R COMO HERRAMIENTA DE TRABAJO EN UNA

R COMO HERRAMIENTA DE TRABAJO EN UNA R COMO HERRAMIENTA DE TRABAJO EN UNA UNIDAD DE INVESTIGACIÓN BIOMÉDICA Teresa Seoane Pillado Unidad de Epidemiología Clínica y Bioestadística. Complejo Hospitalario Universitario de A Coruña-INIBIC ÍNDICE

Más detalles

"Big Data Analysis" (Métodos especiales para bases de datos gigantes)

Big Data Analysis (Métodos especiales para bases de datos gigantes) "Big Data Analysis" (Métodos especiales para bases de datos gigantes) Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado de la Universidad

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

Introducción al Curso

Introducción al Curso Introducción al Curso Gráficas estadística y minería de datos con python Miguel Cárdenas Montes Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es

Más detalles

Introducción a selección de. Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012

Introducción a selección de. Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012 Introducción a selección de atributos usando WEKA Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012 Contenido 1 Introducción a WEKA El origen Interfaces

Más detalles

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Verónica Escobar González, Claudio Barrientos Ochoa, Sergio Barrientos Ochoa, Dirección de Modelamiento Geometalúrgico

Más detalles

T R A B A J O D E I N V E S T I G A C I O N D E O P E R A C I O N E S I

T R A B A J O D E I N V E S T I G A C I O N D E O P E R A C I O N E S I UNIVERSIDAD SAN MARTIN DE PORRES FACULTAD DE INGENIERIA Y ARQUITECTURA T R A B A J O D E I N V E S T I G A C I O N D E O P E R A C I O N E S I A N A L I S I S D E P R O N Ó S T I C O S F O R E C A S T

Más detalles

DETECCIÓN DE PATRONES DE ACCESIBILIDAD EN EL DESARROLLO DE PROYECTOS WEB

DETECCIÓN DE PATRONES DE ACCESIBILIDAD EN EL DESARROLLO DE PROYECTOS WEB DETECCIÓN DE PATRONES DE ACCESIBILIDAD EN EL DESARROLLO DE PROYECTOS WEB Villanueva, J. (p) ; Rodríguez, V.; Ortega, F.; Mijares, A. Abstract The use of accessibility requirements in the development of

Más detalles

Text Mining Introducción a Minería de Datos

Text Mining Introducción a Minería de Datos Text Mining Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu.ar/~laura SADIO 12 de Marzo de 2008 qué es la minería de datos? A technique using software tools

Más detalles

Queríamos determinar cuántas partes se deben evaluar para obtener estimaciones de la variación entre partes con diferentes niveles de precisión.

Queríamos determinar cuántas partes se deben evaluar para obtener estimaciones de la variación entre partes con diferentes niveles de precisión. Este documento forma parte de un conjunto de informes técnicos que explican la investigación llevada a cabo por los especialistas en estadística de Minitab para desarrollar los métodos y las verificaciones

Más detalles

Identificación fácil de los clientes adecuados

Identificación fácil de los clientes adecuados PASW Direct Marketing 18 Especificaciones Identificación fácil de los clientes adecuados Sabemos que le gustaría que sus programas de marketing sean lo más rentables posible y sabemos que conocer la información

Más detalles

ANÁLISIS, MONITORIZACIÓN Y DIAGNÓSTICO DE PROCESOS MULTIVARIANTES. Mejora de Procesos. Obligatoria / Semestre B / 3 créditos ECTS

ANÁLISIS, MONITORIZACIÓN Y DIAGNÓSTICO DE PROCESOS MULTIVARIANTES. Mejora de Procesos. Obligatoria / Semestre B / 3 créditos ECTS Asignatura ANÁLISIS, MONITORIZACIÓN Y DIAGNÓSTICO DE PROCESOS MULTIVARIANTES Materia Mejora de Procesos Tipo / Semestre / Crétidos ECTS Obligatoria / Semestre B / 3 créditos ECTS Profesor ALBERTO J. FERRER

Más detalles

Introducción al DataMining

Introducción al DataMining Introducción al DataMining Lluís Garrido garrido@ecm.ub.es Universitat de Barcelona Índice Qué es el DataMining? Qué puede hacer el DataMining? Cómo hacer el DataMining? Técnicas Metodología del DataMining

Más detalles

TAMAÑO DEL EFECTO: CÁLCULO MEDIANTE UN MÓDULO EN VISUAL BASIC

TAMAÑO DEL EFECTO: CÁLCULO MEDIANTE UN MÓDULO EN VISUAL BASIC REVISTA IIPSI FACULTAD DE PSICOLOGÍA UNMSM ISSN IMPRESA: 1560-909X ISSN ELECTRÓNICA: 1609-7445 VOL. 16 - N.º 2-2013 PP. 235-240 TAMAÑO DEL EFECTO: CÁLCULO MEDIANTE UN MÓDULO EN VISUAL BASIC EFFECT SIZE:

Más detalles

PROCESOS, PRODUCTOS Y METODOLOGÍAS

PROCESOS, PRODUCTOS Y METODOLOGÍAS Investigación PROCESOS, PRODUCTOS Y METODOLOGÍAS Enero de 2014 www.osona-respon.net info@osona-respon.net 0. Índice 0. ÍNDICE 1. Fases de un estudio de mercado... 2 2. Tipos de estudios... 3 2.1. Metodología

Más detalles

Data & Text Mining. III Reunión de la RedDES(GT de Tecnología de la BVS6) Exponentes:

Data & Text Mining. III Reunión de la RedDES(GT de Tecnología de la BVS6) Exponentes: Data & Text Mining Exponentes: - Dr. Jorge Bacallao Guerra - Ing. Ramón Martinez - Ing. José Villanueva Agosto del 2012 Introducción o Porqué es necesario utilizar data mining o Que ésdata miningy qué

Más detalles

Métodos Exploratorios en Minería de Datos

Métodos 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 detalles

Big Data Analytics. Copyright 2012, SAS Institute Inc. All rights reserved.

Big Data Analytics. Copyright 2012, SAS Institute Inc. All rights reserved. Big Data Analytics El desafío? Source: IDC Digital Universe Study, sponsored by EMC, May 2010 NUESTRA PERSPECTIVA Big Data esun términorelativo no ABSOLUTO Big Data Cuando el volúmen, velocidad o variedad

Más detalles

DIPLOMADO SIX SIGMA BLACK BELT

DIPLOMADO SIX SIGMA BLACK BELT DIPLOMADO SIX SIGMA BLACK BELT CARACTERISTICAS GENERALES Duración: 160 horas Son personas 100% dedicadas a realizar proyectos Six-Sigma para mejorar los procesos críticos para el negocio, trabajan junto

Más detalles

Clase 0 Módulo: Minería de datos Docente: Gustavo Valencia Zapata

Clase 0 Módulo: Minería de datos Docente: Gustavo Valencia Zapata v.1.0 Clase 0 Quien tiene la información tienen el poder. - Anónimo Quien tiene el saber tiene el poder. - David Hume Quien tiene la información y la analiza, tiene el poder. Módulo: Visualización de Información

Más detalles

Tesis de Maestría titulada

Tesis de Maestría titulada Tesis de Maestría titulada EL ANALISIS DE CONFIABILIDAD COMO HERRAMIENTA PARA OPTIMIZAR LA GESTIÓN DEL MANTENIMIENTO DE LOS EQUIPOS DE LA LÍNEA DE FLOTACIÓN EN UN CENTRO MINERO RESUMEN En la presente investigación

Más detalles

Universidad del CEMA Master en Finanzas 2006

Universidad del CEMA Master en Finanzas 2006 Universidad del CEMA Master en Finanzas 2006 La Simulación como una herramienta para el manejo de la incertidumbre Fabián Fiorito ffiorito@invertironline.com Tel.: 4000-1400 Hoy en día la simulación es

Más detalles

Statistical Software. Aprenda más al respecto

Statistical Software. Aprenda más al respecto Statistical Software Actualice ahora para obtener acceso a más de 70 nuevas características y mejoras que incluyen herramientas estadísticas más poderosas, un nuevo Asistente que le guiará paso a paso

Más detalles

BUSINESS INTELLIGENCE

BUSINESS INTELLIGENCE BUSINESS INTELLIGENCE Técnicas, herramientas y aplicaciones María Pérez Marqués Business Intelligence. Técnicas, herramientas y aplicaciones María Pérez Marqués ISBN: 978-84-943055-2-8 EAN: 9788494305528

Más detalles

ANÁLISIS MULTIVARIANTE. Créditos. Teóricos: 6 Prácticos: 3 Total: 9. Profesoras: Agurtzane Amparan, Silvia Marcaida y Arantza Urkaregi

ANÁLISIS MULTIVARIANTE. Créditos. Teóricos: 6 Prácticos: 3 Total: 9. Profesoras: Agurtzane Amparan, Silvia Marcaida y Arantza Urkaregi Presentación ANÁLISIS MULTIVARIANTE MATEMÁTICAS SEGUNDO CICLO OPTATIVA SEGUNDO CUATRIMESTRE Créditos. Teóricos: 6 Prácticos: 3 Total: 9 Profesoras: Agurtzane Amparan, Silvia Marcaida y Arantza Urkaregi

Más detalles

BUSINESS INTELLIGENCE SYSTEMS (BIS)

BUSINESS INTELLIGENCE SYSTEMS (BIS) SEMINARIO BUSINESS INTELLIGENCE SYSTEMS (BIS) Una nueva filosofía de Management cuyo objetivo consiste en... Capturar, diseminar y reusar el conocimiento disperso que poseen las organizaciones y que junto

Más detalles

Por qué ExecuTrain? Por qué ExecuTrain? Modalidad de servicio

Por qué ExecuTrain? Por qué ExecuTrain? Modalidad de servicio Por qué ExecuTrain? ExecuTrain es un proveedor de entrenamiento corporativo a nivel internacional y líder mundial en la capacitación empresarial. Contamos con 22 años y más de 62 mil personas capacitadas

Más detalles

Minitab Training. Blackberry&Cross es aliado oficial de Minitab Inc., en Centroamérica, así como aliado y comercializador de BBCross Learning Center.

Minitab Training. Blackberry&Cross es aliado oficial de Minitab Inc., en Centroamérica, así como aliado y comercializador de BBCross Learning Center. Minitab Training Minitab Statiscal Software, Quality Companion, sus logotipos, marcas y demás símbolos distintivos son propiedad de Minitab Inc. Blackberry&Cross, su logotipo, y demás símbolos distintivos

Más detalles

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP Universidad Politécnica de Puebla UPP JESÚS ANTONIO GONZÁLEZ BERNAL 1 2 Evolución de la Tecnología BD 1960 s y antes Creación de las BD en archivos primitivos 1970 s hasta principios de los 1980 s BD Jerárquicas

Más detalles

EL PODER ESTADÍSTICO. DIFERENCIAS OBSERVADAS CUANDO SE CAMBIA EL ALFA ESTABLECIDO EN UN ESTUDIO DE INVESTIGACIÓN

EL PODER ESTADÍSTICO. DIFERENCIAS OBSERVADAS CUANDO SE CAMBIA EL ALFA ESTABLECIDO EN UN ESTUDIO DE INVESTIGACIÓN EL PODER ESTADÍSTICO. DIFERENCIAS OBSERVADAS CUANDO SE CAMBIA EL ALFA ESTABLECIDO EN UN ESTUDIO DE INVESTIGACIÓN Mylord Reyes Tosta, EdD Resumen Se utilizaron dos ejemplos para una prueba de hipótesis

Más detalles

CURSOS IBM SPSS STATISTICS. Representante exclusivo para la Región Andina

CURSOS IBM SPSS STATISTICS. Representante exclusivo para la Región Andina CURSOS IBM SPSS STATISTICS Representante exclusivo para la Región Andina Contenido Taller de Aplicación de la Simulación de Monte Carlo 3 Manejo Operativo 4 Tablas 4 Análisis de Calidad de Datos 5 Manejo

Más detalles

BOLETÍN OFICIAL DE LA COMUNIDAD DE MADRID I. COMUNIDAD DE MADRID. C) Otras Disposiciones. Universidad Carlos III

BOLETÍN OFICIAL DE LA COMUNIDAD DE MADRID I. COMUNIDAD DE MADRID. C) Otras Disposiciones. Universidad Carlos III Pág. 124 MARTES 16 DE JUNIO DE 2015 I. COMUNIDAD DE MADRID C) Otras Disposiciones Universidad Carlos III 39 RESOLUCIÓN de 26 de mayo de 2015, de la Universidad Carlos III de Madrid, por la que se publica

Más detalles

Visual Studio Team System

Visual Studio Team System Visual Studio Team System MSF for CMMi Process Improvement Aurelio Porras Development Tools Advisor aureliop@microsoft.com Microsoft Ibérica El éxito es raro Fallidos Problemáticos Existosos 2004 15% 51%

Más detalles

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu Agüero Martín Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.martin@gmail.com

Más detalles

Seminario: La Base de Datos OLAP Analysis Services (SSIS) Avanzado. Agenda. Agenda. Retos de BI en tiempo real

Seminario: La Base de Datos OLAP Analysis Services (SSIS) Avanzado. Agenda. Agenda. Retos de BI en tiempo real Seminario: Construyendo una Solución de BI paso a paso con SQL Server 2005 La Base de Datos OLAP Analysis Services () Avanzado Ing. José Mariano Alvarez Jose.Mariano.alvarez @ sqltotalconsulting.com Retos

Más detalles

New extensions. Matilde Mas Ezequiel Uriel Universitat de València e Ivie. Ivie. Vicent Cucarella Juan Fernández de Guevara

New extensions. Matilde Mas Ezequiel Uriel Universitat de València e Ivie. Ivie. Vicent Cucarella Juan Fernández de Guevara Capital stock estimation in Spain. New extensions. Matilde Mas Ezequiel Uriel Universitat de València e Ivie Vicent Cucarella Juan Fernández de Guevara Ivie Research Objectives: Elaboration of Gross Fixed

Más detalles

Multiple Linear Regression

Multiple Linear Regression Multiple Linear Regression Aniel Nieves-González Abril 2013 Aniel Nieves-González () Time Series Abril 2013 1 / 15 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por

Más detalles

Introducción a MINITAB 15. David R. González Barreto. Ofrecido en Wyeth, Carolina, Puerto Rico

Introducción a MINITAB 15. David R. González Barreto. Ofrecido en Wyeth, Carolina, Puerto Rico Introducción a MINITAB 15 Ofrecido en Wyeth, Carolina, Puerto Rico INDICE Listado de Archivos...2 Pantalla Principal..3 Texto a Número.4 Estibar (Stack)..6 Split 8 Dotplot Una población.10 Dotplot Dos

Más detalles

Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti.

Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti. Métodos Estadísticos sticos para Diagnósticos MédicosM Barcelona, uno de marzo de 2008 Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti. MODULO: Diseño de proyectos y análisis estadístico

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

CURSOS CONENTO. Una puerta abierta para que puedas desarrollar tus propios análisis

CURSOS CONENTO. Una puerta abierta para que puedas desarrollar tus propios análisis CURSOS CONENTO Una puerta abierta para que puedas desarrollar tus propios análisis Introducción Este documento recoge la lista de los cursos que ofrecemos para ayudar a nuestros clientes a incrementar

Más detalles

Tome mejores decisiones mediante la inteligencia predictiva

Tome mejores decisiones mediante la inteligencia predictiva IBM SPSS Modeler Professional Funciones destacadas Acceda, prepare y cree modelos de datos estructurados fácilmente con este conjunto de programas de minería de datos intuitivo y visual. Crea y valide

Más detalles

CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos

CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos Anteproyecto de Tesis de Magíster en Ingeniería del Software Tesista: Lic. Matilde

Más detalles

Máster Universitario en Modelización e Investigación Matemática, Estadística y Computación

Máster Universitario en Modelización e Investigación Matemática, Estadística y Computación 5.5.1. Denominación: Introducción a la Minería de Datos 5.5.2. Breve Descripción del Contenido: Introducción a la minería de datos. Aprendizaje supervisado, modelos no paramétricos y modelos generalizados

Más detalles

IBM SPSS Statistics: Lo nuevo Funciones nuevas y mejoradas para acelerar, optimizar y simplificar el análisis de datos

IBM SPSS Statistics: Lo nuevo Funciones nuevas y mejoradas para acelerar, optimizar y simplificar el análisis de datos : Lo nuevo Funciones nuevas y mejoradas para acelerar, optimizar y simplificar el análisis de datos Características Descubra las relaciones causales ocultas entre un gran número de series temporales mediante

Más detalles

CAPITULO 7. MS SQL Server Express Edition

CAPITULO 7. MS SQL Server Express Edition CAPITULO 7 MS SQL Server Express Edition 7.1 Requerimientos Previos El proceso de instalación de Microsoft SQL Server 2008 no es complejo y es de gran importancia tener en cuenta que se está realizando

Más detalles

Impacto de la Complejidad del Dominio en las Variaciones del Comportamiento de Procesos de Explotación de Información

Impacto de la Complejidad del Dominio en las Variaciones del Comportamiento de Procesos de Explotación de Información Impacto de la Complejidad del Dominio en las Variaciones del Comportamiento de Procesos de Explotación de Información Marcelo López Nocera Programa de Maestría en Ingeniería de Sistemas de Información.

Más detalles

DYANE Versión 4 Diseño y Análisis de Encuestas

DYANE Versión 4 Diseño y Análisis de Encuestas DYANE Versión 4 Diseño y Análisis de Encuestas Miguel Santesmases Mestre 1. DESCRIPCIÓN GENERAL DEL PROGRAMA DYANE 1. FINALIDAD Y MÉTODO DEL PROGRAMA DYANE (Diseño y Análisis de Encuestas) es un programa

Más detalles

G U Í A D I D Á C T I C A MASTER UNIVERSITARIO DE ESTADÍSTICA APLICADA CON R: TÉCNICAS CLÁSICAS, ROBUSTAS, AVANZADAS Y MULTIVARIANTES.

G U Í A D I D Á C T I C A MASTER UNIVERSITARIO DE ESTADÍSTICA APLICADA CON R: TÉCNICAS CLÁSICAS, ROBUSTAS, AVANZADAS Y MULTIVARIANTES. ISSUED DATE 25 AUGUST 2014 VALID DATE 25 SEPTEMBER 2014 G U Í A D I D Á C T I C A MASTER UNIVERSITARIO DE ESTADÍSTICA APLICADA CON R: TÉCNICAS CLÁSICAS, ROBUSTAS, AVANZADAS Y MULTIVARIANTES. P R O J E

Más detalles

Utilizamos el fichero importado

Utilizamos el fichero importado TEMA 5: Análisis estadísticoexploratorio de datos en Eviews Área de Comandos Menú Principal Ventana Workfile y de Objetos Línea de estado EVIEWS, Econometric Views, para la gestión econométrica de datos

Más detalles

240AR064 - Scientific Python para Ingenieros

240AR064 - Scientific Python para Ingenieros Unidad responsable: 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona Unidad que imparte: 707 - ESAII - Departamento de Ingeniería de Sistemas, Automática e Informática Industrial

Más detalles

Escuela de Administración de Empresas Actualización Empresarial. Plan de Estudios

Escuela de Administración de Empresas Actualización Empresarial. Plan de Estudios Escuela de Administración de Empresas Actualización Empresarial Plan de Estudios Programa BUSINESS INTELLIGENCE SPECIALIST I Semestre 2015 Alcanzando Proyectos Exitosos 1 P á g i n a Contenido MODULO I.

Más detalles

HERRAMIENTAS DE EXCEL PARA EL ANÁLISIS Y VALORACIÓN DE PROYECTOS DE INVERSIÓN (Y II)

HERRAMIENTAS DE EXCEL PARA EL ANÁLISIS Y VALORACIÓN DE PROYECTOS DE INVERSIÓN (Y II) Revista de Dirección y Administración de Empresas. Número 11, marzo 2004 págs. 51-70 Enpresen Zuzendaritza eta Administraziorako Aldizkaria. 11. zenbakia, 2004 martxoa 51-70 orr. HERRAMIENTAS DE EXCEL

Más detalles

IBM PERFORMANCE EVENTS. Smarter Decisions. Better Results.

IBM PERFORMANCE EVENTS. Smarter Decisions. Better Results. Smarter Decisions. Better Results. 1 Aumente el valor de su BI con Análisis Predictivo José Ignacio Marín SPSS Sales Engineer 25/11/2010 2 Agenda Cómo está cambiando la toma de decisiones La potencia del

Más detalles

SPSS - ANOVA. Dr. Miquel A. Belmonte. Hospital General de Castellón Castellón, España Inicialmente en el sitio: www.pitt.

SPSS - ANOVA. Dr. Miquel A. Belmonte. Hospital General de Castellón Castellón, España Inicialmente en el sitio: www.pitt. SPSS - ANOVA Dr. Miquel A. Belmonte Hospital General de Castellón Castellón, España Inicialmente en el sitio: www.pitt.edu/~super1/ Elección de tests estadísticos Varbl. Indep. 1 > 1 Varbl. dependientes

Más detalles

CURSO ESTADÍSTICA APLICADA CON R

CURSO ESTADÍSTICA APLICADA CON R CURSO ESTADÍSTICA APLICADA CON R Organizado por: Instituto IMDEA Alimentación Facultad de Ciencias de la Universidad Autónoma de Madrid MADRID, de Septiembre a Diciembre de 2015 Estadística Aplicada con

Más detalles

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Álvaro J. Méndez Services Engagement Manager IBM SPSS / Profesor Econometría UAM Jecas, 22 Oct 2010 Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Business Analytics software Agenda Minería

Más detalles

Big Data y Manejo de Datos Maestros

Big Data y Manejo de Datos Maestros Objetivos 1.- El alumno identificará el contexto, la problemática y utilizará diversas herramientas de Manejo de Datos Maestros. Esto permitirá formarse un criterio sobre cómo implementar un proyecto de

Más detalles

CURSO DE CERTIFICACIÓN DE BLACK BELTS

CURSO DE CERTIFICACIÓN DE BLACK BELTS Dr. Primitivo Reyes Aguilar Mail. Primitivo_reyes@yahoo.com Página 1 de 10 DURACIÓN: 160 Horas o 60 horas complementarias al Curso de Green Belts OBJETIVO: Al finalizar el curso el participante tendrá

Más detalles

Línea de trabajo: Control de los Procesos de Manufactura Optimización de los Procesos de Manufactura 48 20 100 168-6

Línea de trabajo: Control de los Procesos de Manufactura Optimización de los Procesos de Manufactura 48 20 100 168-6 Nombre de la asignatura: ESTADISTICA MULTIVARIADA Línea de trabajo: Control de los Procesos de Manufactura Optimización de los Procesos de Manufactura 48 20 100 168-6 DOC: Docencia; TIS: Trabajo Independiente

Más detalles

HelpAndManual_unregistered_evaluation_copy Plugin ACP Guía de Usuario

HelpAndManual_unregistered_evaluation_copy Plugin ACP Guía de Usuario HelpAndManual_unregistered_evaluation_copy Plugin ACP Guía de Usuario HelpAndManual_unregistered_evaluation_copy Análisis en Componentes Principales plugin para Microsoft SQL Server 2005 por Predisoft

Más detalles

IBM SPSS Direct Marketing

IBM SPSS Direct Marketing IBM SPSS Direct Marketing Características Con IBM SPSS Direct Marketing podrá: Comprender a sus clientes Mejorar sus campañas de mercadotecnia Maximizar el ROI de sus proyectos Comprenda a sus clientes

Más detalles

Análisis de Regresión y Correlación con MINITAB

Análisis de Regresión y Correlación con MINITAB Análisis de Regresión y Correlación con MINITAB Primeras definiciones y conceptos de la regresión El análisis de la regresión es una técnica estadística que se utiliza para estudiar la relación entre variables

Más detalles

PROGRAMA. Operaciones de Banca y Bolsa SYLLABUS BANKING AND STOCK MARKET OPERATIONS

PROGRAMA. Operaciones de Banca y Bolsa SYLLABUS BANKING AND STOCK MARKET OPERATIONS PROGRAMA 4º Curso. Grado en Administración y Dirección SYLLABUS BANKING AND STOCK MARKET OPERATIONS 4 rd year. Pág. 1 / 8 Colegio Universitario de Estudios Financieros Leonardo Prieto Castro, 2 Tel. +34

Más detalles

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

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

Más detalles

Predicción del índice IBEX-35 aplicando Máquinas de Soporte Vectorial y Redes Neuronales.

Predicción del índice IBEX-35 aplicando Máquinas de Soporte Vectorial y Redes Neuronales. 6th International Conference on Industrial Engineering and Industrial Management. XVI Congreso de Ingeniería de Organización. Vigo, July 18-20, 2012 Predicción del índice IBEX-35 aplicando Máquinas de

Más detalles

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA ESCUELA DE CIENCIAS AGRICOLA, PECUARIAS Y DEL MEDIO AMBIENTE ECAPMA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA ESCUELA DE CIENCIAS AGRICOLA, PECUARIAS Y DEL MEDIO AMBIENTE ECAPMA UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA ESCUELA DE CIENCIAS AGRICOLA, PECUARIAS Y DEL MEDIO AMBIENTE ECAPMA ESPECIALIZACIÓN EN NUTRICIÓN ANIMAL SOSTENIBLE Nombre del Curso: DISEÑO EXPERIMENTAL AVANZADO

Más detalles

LA ESTADISTICA COMO HERRAMIENTA DE INNOVACIÓN PARA EL CONTROL DE CALIDAD. Mg. Sc. Celso Gonzales

LA ESTADISTICA COMO HERRAMIENTA DE INNOVACIÓN PARA EL CONTROL DE CALIDAD. Mg. Sc. Celso Gonzales LA ESTADISTICA COMO HERRAMIENTA DE INNOVACIÓN PARA EL CONTROL DE CALIDAD Mg. Sc. Celso Gonzales INTRODUCCIÓN Cada año, se celebra el Día Mundial de la Normalización el 14 de octubre para rendir homenaje

Más detalles

SMARTPLANT 3D ADMINISTRACIÓN FASE I

SMARTPLANT 3D ADMINISTRACIÓN FASE I SMARTPLANT 3D ADMINISTRACIÓN FASE I Contenido del Curso 1. SP3D Setup y Administración 2 Días Día 1 Instalación del Software Instalación de Oracle Instalación de SmartPlant Creación de las bases de datos

Más detalles

CUBOS GRÁFICOS OLAP. Compiladores CEO

CUBOS GRÁFICOS OLAP. Compiladores CEO CUBOS GRÁFICOS OLAP Compiladores CEO Abstract. An OLAP (Online analytical processing) cube is a data structure that allows fast analysis of data.[1] It can also be defined as the capability of manipulating

Más detalles

OPTATIVA I: MINERIA DE DATOS

OPTATIVA I: MINERIA DE DATOS UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: OPTATIVA I: MINERIA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la

Más detalles

Encuesta Perfil de Egreso del Ingeniero en Computación y/o Informática en Chile (Para programas de 10 semestres o más)

Encuesta Perfil de Egreso del Ingeniero en Computación y/o Informática en Chile (Para programas de 10 semestres o más) Encuesta Perfil de Egreso del Ingeniero en Computación y/o Informática en Chile (Para programas de 10 semestres o más) Nombre del Encuestado e-mail Nombre de la Carrera Universidad Unidad Académica Sede

Más detalles

ANEXO USO DEL PROGRAMA GIVE-WIN Y PC-GIVE

ANEXO USO DEL PROGRAMA GIVE-WIN Y PC-GIVE ANEXO USO DEL PROGRAMA GIVE-WIN Y PC-GIVE Para la realización de la presente tesis se utilizó una versión demostrativa del paquete computacional llamado Versión 2.10 de febrero del año 2002. Este software

Más detalles

PROGRAMA DE CAPACITACIÓN AÑO 2013 GERENCIA Y PLANIFICACIÓN DE PRODUCCIÓN

PROGRAMA DE CAPACITACIÓN AÑO 2013 GERENCIA Y PLANIFICACIÓN DE PRODUCCIÓN PROGRAMA DE CAPACITACIÓN AÑO 2013 GERENCIA Y PLANIFICACIÓN DE PRODUCCIÓN GERENCIA Y PLANIFICACIÓN DE PRODUCCIÓN DISEÑADO PARA Ingenieros de Producción, completación, yacimientos y perforación; geólogos

Más detalles

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente Agüero Martin Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.marin@gmail.com López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu

Más detalles

de Lanús. Buenos Aires, Argentina. rgarcia@unla.edu.ar.

de Lanús. Buenos Aires, Argentina. rgarcia@unla.edu.ar. Behavioral Variability of Clustering and Induction Based on Domain Features Variabilidad del Comportamiento de Agrupamiento e Inducción Basado en las Características del Dominio Marcelo López N. 1, Ramón

Más detalles

La Importancia de el Área Analítica. Diferencia entre lo Operacional y Analítico. Evolución de el Área Analítica. Consideraciones Importantes

La Importancia de el Área Analítica. Diferencia entre lo Operacional y Analítico. Evolución de el Área Analítica. Consideraciones Importantes Desarrollo de Capacidades Analíticas La Importancia de el Área Analítica Diferencia entre lo Operacional y Analítico Evolución de el Área Analítica Consideraciones Importantes Resultados de Estudios de

Más detalles

Algoritmos de minería de datos incluidos en SQL Server 2008 1. Algoritmo de árboles de decisión de Microsoft [MIC2009a] Cómo funciona el algoritmo

Algoritmos de minería de datos incluidos en SQL Server 2008 1. Algoritmo de árboles de decisión de Microsoft [MIC2009a] Cómo funciona el algoritmo 1 Algoritmos de minería de datos incluidos en SQL Server 2008 Los algoritmos que aquí se presentan son: Árboles de decisión de Microsoft, Bayes naive de Microsoft, Clústeres de Microsoft, Serie temporal

Más detalles