Evaluación de modelos para la predicción de la Bolsa

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "Evaluación de modelos para la predicción de la Bolsa"

Transcripción

1 Evaluación de modelos para la predicción de la Bolsa Humberto Hernandez Ansorena Departamento de Ingeniería Telemática Universidad Carlos III de Madrid Madrid, España Rico Hario Abilowo Hardjono Departamento de Ingeniería Telemática Universidad Carlos III de Madrid Madrid, España 1. INTRODUCCION La minería de datos consiste en aplicar una serie de técnicas a un conjunto de datos con el objetivo de llegar a tener un conocimiento sobre estos, gracias a los conocimientos sobre estos datos podemos llegar prever lo que puede ocurrir, y así tomar las medidas oportunas. Además de la predicción la minería de datos se utiliza para construir sistemas computacionales que sean capaces de aprender, esto se hace dotando al sistema de una serie de algoritmos y técnicas que imiten la cualidad humana del aprendizaje, obteniendo una serie de conocimientos de experiencia anteriores. Muchas empresas crean bases de datos especialmente diseñadas para procesos de minería de datos, un ejemplo son los supermercados. Los supermercados utilizan la minería de datos con el objetivo de conocer los hábitos de compra de sus clientes, lo ilustraremos con el siguiente ejemplo, un estudio de los supermercados detecto que los viernes había un gran numero de clientes que adquirían a la vez pañales y cerveza, esto se debía a que los viernes venían muchos padres jóvenes al supermercado, cuya perspectiva del fin de semana era quedarse cuidando a sus hijos, viendo la televisión y tomándose unas cervezas. El supermercado tras conocer lo que ocurría el viernes, decidió emplear una estrategia para conseguir incrementar el número de venta de cervezas. La estrategia consistía en colocar las cervezas justo al lado de los pañales. De esta manera ponemos al alcance de cada cliente lo que necesita en cada momento consiguiendo así que su actividad sea efectiva. Todo proyecto de minería de datos debe seguir una serie de pasos, los pasos a seguir son el filtrado de los datos, selección de variables, extracción de conocimientos, interpretación y evaluación de los resultados obtenidos. El filtrado de los datos se utiliza debido a que muchas veces el formato de los mismos no es el ideal, por lo que la mayoría de las ocasiones no es posible aplicar ninguno de los algoritmos de minería sobre los datos en bruto, el proceso de filtrado se realiza de tal forma que se eliminan aquellos datos que son incorrectos, no validos, desconocidos, según las necesidades de los algoritmos que vayamos a emplear, como consecuencia de este filtrado se obtienen muestras o se reducen el numero de valores posibles, la reducción de estos valores se hace por medio de redondeo o clustering. La selección de variables se realiza justo después de que los datos hayan sido procesado, una vez que los datos han sido procesados la cantidad de información obtenida sigue siendo muy elevada, para reducir dicha cantidad de datos se seleccionan aquellos que tengan una determinada característica eligiendo así los atributos o variables mas determinantes de dicho conjunto de datos, esta elección de variables se debe hacer de tal manera que no afecta a los conocimientos obtenidos del proceso de minería. Tenemos dos métodos de selección de características. El primero de los dos métodos se basa en la elección de los mejores atributos del problema, y el otro consiste en buscar variables independientes mediante test de sensibilidad, algoritmos de distancia o heuristicos. La extracción de los conocimientos se realiza mediante el empleo de una técnica de minería, observando así algunos patrones de comportamiento en las variables del problema, o posibles relaciones entre dichas variables. Finalmente pasamos a la interpretación y la evaluación de los resultados, una vez obtenido el modelo, pasamos a conocer si dicho modelo es o no valido, comprobando si las conclusiones obtenidas son validas y satisfactorias. Si obtenemos más de un modelo, debemos compararlos y tomar aquel modelo que se ajuste más a nuestro problema. En el caso de que ninguno de los modelos obtenidos cumpla nuestras expectativas, deberemos realizar cambios en los pasos anteriores para así generar nuevos modelos.

2 2. TECNICAS DE MINERIA DE DATOS. La minería de datos emplea diferentes técnicas, según el resultado que queramos obtener de nuestro conjunto de datos. Las técnicas empleadas son tres, las cuales describiremos a continuación. Técnicas descriptivas: Las técnicas descriptivas nos proporcionan información sobre las posibles relaciones entre los diferentes datos y sus correspondientes características. Aplicando esta técnica obtenemos información del tipo. Los clientes que compran pañales en supermercado son propensos a comprar cervezas. La combinación de tabaco y alcohol son un factor importante en tiempo de vida de una persona. Los clientes que poseen una bicicleta tienen unas características muy diferentes del resto de clientes. Técnicas predictivas: Las técnicas predictivas se aplican a un conjunto de datos con el objetivo de obtener conocimientos de futuro, las posibles preguntas que se podrían responder utilizando este tipo de conocimientos serian las siguientes. En el caso de un supermercado conocer cuales serian las ventas del año próximo. En el caso de una empresa de seguro conocer el tipo de seguro que podría contratar el cliente X. Técnicas de modelado: Las técnicas de modelado se emplean en la comprensión de sistemas, es decir se obtiene una representación del sistema que le permita imitar su comportamiento. Para ello el modelado emplea agrupamiento, árboles de decisión, y análisis de secuencias/asociaciones. Conocimientos obtenidos gracias a la aplicación de las técnicas: Asociaciones: Una asociación entre dos atributos ocurre cuando la frecuencia de que ambos estén relacionados conjuntamente es relativamente alta. Un ejemplo es el supermercado, donde se comprueba si los pañales y los potitos de bebe se compran conjuntamente. Dependencias: Una dependencia se da cuando un atributo de un conjunto de datos determina valor de otro atributo. A veces este tipo de dependencias no nos aportan ninguna información por lo que no son nada interesantes. Un ejemplo es el siguiente caso, una persona ingresa en maternidad por consiguiente ya sabemos que esa persona es una mujer. Clasificación: La clasificación se puede ver como un esclarecimiento de una dependencia, el atributo dependiente nos puede ayudar a determinar ciertas reglas. Por ejemplo en el caso de una clínica los atributos edad, numero de miopías y astigmatismo han determinado aquellos pacientes que han superado la cirugía ocular sin problemas, gracias a esto se ha obtenido una regla que clasifican los casos en positivos o negativos a partir de dichos atributos. Agrupamiento/Segmentación: El agrupamiento (clustering) consiste en detectar grupos de individuos, estos grupos de individuos se diferencian de la clasificación en que no se conoce su número, ni la clase a la que pertenecen. El agrupamiento crea así grupos o racimos (cluster) de datos que se diferencian del resto. Tendencia/Regresión: Tiene como objetivo predecir que ocurrirá en el futro con una determinada variable, para ello se apoyará en otra variable, generalmente el tiempo. 3. WEKA Para el proceso de datos utilizaremos la herramienta de código libre Weka (Waikato Enviroment for Knowledge Análisis). Weka es un conjunto de librerías Java que permiten la extracción y aprendizaje de conocimientos a partir de bases de datos. Weka proporciona una amplia variedad de algoritmos/técnicas para realizar un modelado y que dependen de la naturaleza de los datos de entrada. En nuestro caso, el conjunto de datos presenta una serie de atributos de tipo numérico. Algoritmos de datos numéricos empleados: Regresión lineal M5' KStar RPTree A continuación detallaremos el funcionamiento de los algoritmos anteriormente indicados, permitiéndonos así una mejor compresión de los resultados que proporcionan cada uno de ellos: Regresión lineal: Es el esquema de aprendizaje para datos numéricos más sencillo, donde los parámetros solo controlan cómo se seleccionan los atributos que deben ser incluidos en la función lineal. Modela los datos usando una línea recta. Se caracteriza, por tanto, por la utilización de dos variables, una aleatoria, y (llamada variable respuesta), que es función lineal de otra variable aleatoria, x (llamada variable predictora), formándose la ecuación y = a + bx. En esta ecuación la variación de y se asume que es constante, y a y b son los coeficientes de regresión que especifican la intersección con el eje de ordenadas, y la pendiente de la recta, respectivamente. M5'

3 Este algoritmo hace uso de un modelo de regresión lineal conocido como model tree. Se trata de un árbol de decisión usado en predicción numérica que estima el valor de la clase de la instancia cuando se alcanza una de sus hojas. En un principio se construye usando un algoritmo inductivo de árbol de decisión. Posteriormente cuando el model tree es usado para predecir el valor de una instancia el árbol es recorrido hacia abajo hasta llegar a una hoja, para ello se usan los valores de los atributos de la instancia que permiten tomar las decisiones de enrutado en cada nodo. La hoja contendrá un modelo lineal basado en alguno/s de los valores de los atributos de la instancia a partir de los cuales se puede obtener el valor predicho de la misma. Cabe destacar que M5 puede reemplazar un valor de atributo no determinado, dicho hueco por la media global o la moda del conjunto de datos de entrenamiento antes de que se construyera el árbol. A su vez, permite diferentes tipos de salida: árbol modelo, árbol de decisión sin modelos lineales en las hojas y regresión lineal. KStar Es un clasificador basado en instancias, esto significa que la clasificación de una instancia está basada en la clasificación de instancias de entrenamiento similares, determinadas por alguna función de similitud. Se diferencia de otros aprendizajes basados en lo mismo en que usa una función de distancia basada en entropía. RPTree Es un método de aprendizaje rápido mediante árboles de decisión. Construye un árbol de decisión usando la información de varianza y lo poda usando como criterio la reducción del. Solamente clasifica valores para atributos numéricos una vez. Los valores que faltan se obtienen partiendo las correspondientes instancias. 4. ESTUDIO DE LA BOLSA DE NEW YORK Esta práctica tiene como objetivo el análisis de la bolsa de New York con la finalidad de poder predecir posibles acontecimientos. Para el análisis contamos con un conjunto de datos los cuales se encuentran almacenados en un fichero, la aplicación que vamos a emplear para el análisis de los datos es Weka, la cual posee una serie de algoritmos que nos ayudaran en nuestras predicciones. El fichero de datos sobre el cual vamos a realizar el análisis consta de una gran cantidad de datos, estos datos recogen una serie de atributos de la bolsa durante los años 1996 y 2000, estos atributos se muestran a continuación.. Año. Max. Mes. Min. Dia. Cierra. Salto-dia. Media-2-dias. Salto-mes. Media-3-dias. Abre. Baja Año: Es la variable que determina el año en el cual se ha tomado el correspondiente dato. Esta variable oscila entre 1996 y Mes: Determina el mes en el cual se toma le dato de la bolsa, su valor esta comprendido entre 1 y 12. Dia: El atributo dia nos muestra el dia dentro del correspondiente mes, en el cual se han hecho las mediciones. Salto-dia: En nuestro fichero de datos las muestras no se han tomado diariamente, por lo que a veces hay unos intervalos de varios dias entre cada muestra, para ello se emplea el atributo salto-dia para indicar si la muestra tomada es consecutiva con la anterior. Salto-Mes: Este atributo funciona de la misma manera que el anterior con la diferencia que este nos indica si el mes en el que se ha tomado la muestra es consecutivo con el anterior. Abre: El atributo abre nos da el valor con el cual ha abierto la bolsa ese dia. Max: Este atributo nos indica el máximo alcanzado en la bolsa de New York durante ese dia. Min: Este atributo nos indica el mínimo alcanzado en la bolsa de New York durante ese dia. Cierra: Determina al final del dia el valor con el cual se ha cerrado la bolsa. Media-2-dias: Nos indica cual ha sido la media durante los dos últimos dias anteriores al actual. Media-3-dias: Nos indica cual ha sido la media durante los tres dias anteriores al actual. Baja: El atributo baja es una variable booleana, la cual nos indica si la bolsa ha cerrado con una bajada con respecto a la apertura. A continuación mostraremos una parte de nuestro fichero bolsa.arff, el cual esta dividido en dos partes, atributos y datos. Los atributos del fichero anio mes dia salto-dia {si, salto-mes {si, abre max min cierra media-2-dias media-3-dias baja {si, no} Los datos que contiene el fichero 2000,12,28,no,no,1328,1335,1325,1334,1334,1334,no 2000,12,27,no,no,1315,1332,1310,1328,1334,1334,no 2000,12,26,no,no,1305,1315,1301,1315,1331,1331,no 2000,12,22,si,no,1274,1305,1274,1305,1322,1326,no

4 2000,12,21,no,no,1264,1285,1254,1274,1310,1316,no 2000,12,20,no,no,1305,1305,1261,1264,1290,1298,si 2000,12,19,no,no,1322,1346,1305,1305,1269,1281,si 2000,12,18,no,no,1312,1332,1312,1322,1284,1281,no Después de haber aplicado el algoritmo, hemos obtenido un de predicción del 1,5255 por ciento. Los resultados obtenidos son buenos resultados, ya que hemos utilizado regresión lineal la cual se basa en resultados anteriores. El cometido a la hora de estimar la media del valor de cierre en la bolsa es de 3, PREDICCIONES DE LA BOLSA Con los datos mostrados anteriormente y utilizando algunos de los algoritmos de la aplicación Weka podemos llegar a predecir los valores de apertura y cierre de la bolsa del dia siguiente, de igual manera se puede predecir la subida que experimentara la bolsa el siguiente mes. Para la predicción de apertura y cierre de la bolsa del dia siguiente hemos seleccionada los siguiente atributos, que posteriormente serán analizados. Año Abre Min Mes Dia Cierra Max Para hallar las predicciones hemos escogido primeramente el método LeastMedSq (-S 4 -G 0) el cual se basa en una regresión lineal y en redes de neuronas, este método nos da información de lo que puede ocurrir en el futuro de una determinada variable, para ello se apoyara en otra variable generalmente el tiempo. IBK k 1 w 0 Correlation coefficient Mean absolute Root mean squared Relative absolute % Root relative squared % Este algoritmo se basa en los K vecinos más próximos. RESULTADOS OBTENIDOS: Cierre de la bolsa: cierra = * anio * mes * dia * abre * max * min Time taken to build model: seconds Mean absolute Root mean squared Relative absolute % Root relative squared % KStar Correlation coefficient Mean absolute Root mean squared Relative absolute % Root relative squared % M5P M5 pruned model tree: (using smoothed linear models) LM1 (1262/1.892%)

5 LM num: 1 cierra = * abre * max * min Time taken to build model: 2.16 seconds Mean absolute Root mean squared Relative absolute % Root relative squared % * dia * abre * max * min Time taken to build model: 0.02 seconds Mean absolute Root mean squared Relative absolute % Root relative squared % REPTree Apertura de la bolsa: Time taken to build model: 0.02 seconds Correlation coefficient Mean absolute Root mean squared Relative absolute % Root relative squared % LinearRegresion abre = * anio * mes * dia * max * min * cierra Time taken to build model: 13.2 seconds cierra = * anio * mes +

6 Mean absolute Root mean squared Relative absolute % Root relative squared % Al aplicar el algoritmo para predecir el atributo de apertura de la bolsa hemos obtenido un de predicción de 1,5139%. El cometido ala hora de estimar el valor medio con el que abre la bolsa es de 3,926 IBK k 1 -w 0 LM1 (1262/1.946%) LM num: 1 abre = * max * min * cierra Time taken to build model: 2.22 seconds Correlation coefficient Mean absolute Root mean squared Relative absolute % Root relative squared % KStar Mean absolute Root mean squared Relative absolute % Root relative squared % REPTree Time taken to build model: 0.03 seconds Correlation coefficient Mean absolute Root mean squared Relative absolute % Root relative squared % Correlation coefficient Mean absolute Root mean squared Relative absolute % Root relative squared % LinearRegresion: M5P abre = M5 pruned model tree: (using smoothed linear models) * anio * mes +

7 * dia * max * min * cierra Time taken to build model: 0.02 seconds Mean absolute Root mean squared Relative absolute % Root relative squared % A continuación mostramos los resultados obtenidos al aplicar cada uno de los algoritmos en formato de tabla. Esta tabla representa al atributo cierra de la bolsa. Método de predicción Tiempo en generar el modelo(seg) Root mean squared Relative absolute LeastMedsq 11,09 5,8125 1,5255% LinearRegresion 0,02 5,389 1,4379% IBK 0 15,0293 4,0348% Kstar 0 11,4229 3,1623% MP5 2,16 5,4218 1,4508% REPTree 0,02 11,0928 3,1828% Método de predicción Tiempo en generar el modelo(seg) Root mean squared Relative absolute LeastMedsq 13,2 5,5019 1,5139 % LinearRegresion 0,02 5,3993 1,4729 % IBK 0 14,6868 4,0233 % Kstar 0 10,3123 2,9493 % MP5 2,22 5,4124 1,4813 % REPTree 0,03 11,8121 3,4233 % 6. CONCLUSION: Hemos realizado un estudio de los diferentes algoritmos de Weka para predecir cual será el cierre con respecto la apertura de la bolsa en un determinado día, con los algoritmos aplicados hemos conseguido es inferiores al 15%, el algoritmo que menos es nos ha dado es el Linear Regresion con una tasa de de predicción inferior al 5.4% con un tiempo de ejecución bastante bajo. 7. REFERENCIAS: Apuntes y trabajos de la asignatura Inteligencia en redes de comunicaciones. Base de datos (dataset) A continuación mostramos los resultados obtenidos al aplicar cada uno de los algoritmos en formato de tabla. Esta tabla representa al atributo abre de la bolsa.

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

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

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

Más detalles

Equivalencia financiera

Equivalencia financiera Equivalencia financiera 04 En esta Unidad aprenderás a: 1. Reconocer la equivalencia de capitales en distintas operaciones financieras a interés simple. 2. Calcular a interés simple los vencimientos común

Más detalles

Unidad 8. Estado de Perdidas y Ganancias o Estados de Resultados

Unidad 8. Estado de Perdidas y Ganancias o Estados de Resultados Unidad 8 Estado de Perdidas y Ganancias o Estados de Resultados Al termino de cada ejercicio fiscal, a todo comerciante no solo le interesa conocer la situación financiera de su negocio, sino también el

Más detalles

E 1 E 2 E 2 E 3 E 4 E 5 2E 4

E 1 E 2 E 2 E 3 E 4 E 5 2E 4 Problemas resueltos de Espacios Vectoriales: 1- Para cada uno de los conjuntos de vectores que se dan a continuación estudia si son linealmente independientes, sistema generador o base: a) (2, 1, 1, 1),

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

Medias Móviles: Señales para invertir en la Bolsa

Medias Móviles: Señales para invertir en la Bolsa www.gacetafinanciera.com Medias Móviles: Señales para invertir en la Bolsa Juan P López..www.futuros.com Las medias móviles continúan siendo una herramienta básica en lo que se refiere a determinar tendencias

Más detalles

Análisis de Datos. Práctica de métodos predicción de en WEKA

Análisis de Datos. Práctica de métodos predicción de en WEKA SOLUCION 1. Características de los datos y filtros Una vez cargados los datos, aparece un cuadro resumen, Current relation, con el nombre de la relación que se indica en el fichero (en la línea @relation

Más detalles

GUÍA TÉCNICA PARA LA DEFINICIÓN DE COMPROMISOS DE CALIDAD Y SUS INDICADORES

GUÍA TÉCNICA PARA LA DEFINICIÓN DE COMPROMISOS DE CALIDAD Y SUS INDICADORES GUÍA TÉCNICA PARA LA DEFINICIÓN DE COMPROMISOS DE CALIDAD Y SUS INDICADORES Tema: Cartas de Servicios Primera versión: 2008 Datos de contacto: Evaluación y Calidad. Gobierno de Navarra. evaluacionycalidad@navarra.es

Más detalles

En cualquier caso, tampoco es demasiado importante el significado de la "B", si es que lo tiene, lo interesante realmente es el algoritmo.

En cualquier caso, tampoco es demasiado importante el significado de la B, si es que lo tiene, lo interesante realmente es el algoritmo. Arboles-B Características Los árboles-b son árboles de búsqueda. La "B" probablemente se debe a que el algoritmo fue desarrollado por "Rudolf Bayer" y "Eduard M. McCreight", que trabajan para la empresa

Más detalles

Eduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS

Eduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS ANÁLISIS DE DATOS Hoy día vamos a hablar de algunas medidas de resumen de datos: cómo resumir cuando tenemos una serie de datos numéricos, generalmente en variables intervalares. Cuando nosotros tenemos

Más detalles

QUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA. La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros.

QUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA. La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros. QUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros. Qué significa esto? Decir que una empresa es eficiente es decir que no

Más detalles

Conclusiones. Particionado Consciente de los Datos

Conclusiones. Particionado Consciente de los Datos Capítulo 6 Conclusiones Una de las principales conclusiones que se extraen de esta tesis es que para que un algoritmo de ordenación sea el más rápido para cualquier conjunto de datos a ordenar, debe ser

Más detalles

Análisis de medidas conjuntas (conjoint analysis)

Análisis de medidas conjuntas (conjoint analysis) Análisis de medidas conuntas (conoint analysis). Introducción Como ya hemos dicho anteriormente, esta técnica de análisis nos sirve para analizar la importancia que dan los consumidores a cada uno de los

Más detalles

1. Dominio, simetría, puntos de corte y periodicidad

1. Dominio, simetría, puntos de corte y periodicidad Estudio y representación de funciones 1. Dominio, simetría, puntos de corte y periodicidad 1.1. Dominio Al conjunto de valores de x para los cuales está definida la función se le denomina dominio. Se suele

Más detalles

MERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II

MERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II MERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II 28 febrero de 2012 Javier Marchamalo Martínez Universidad Rey Juan Carlos SABER INTERPRETAR LOS RATIOS SIGNIFICATIVOS EN LA GESTIÓN POR BENCHMARK Ratio

Más detalles

Capítulo 3. Estimación de elasticidades

Capítulo 3. Estimación de elasticidades 1 Capítulo 3. Estimación de elasticidades Lo que se busca comprobar en esta investigación a través la estimación econométrica es que, conforme a lo que predice la teoría y lo que ha sido observado en gran

Más detalles

TEMA 3: MÉTODO CONTABLE. LAS CUENTAS

TEMA 3: MÉTODO CONTABLE. LAS CUENTAS TEMA 3: MÉTODO CONTABLE. LAS CUENTAS 1. HECHOS CONTABLES En el tema 1 se señalaba que, dentro de la función de elaboración de la información contable, la contabilidad se ocupaba, en una primera etapa,

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

Colegio Alexander von Humboldt - Lima. Tema: La enseñanza de la matemática está en un proceso de cambio

Colegio Alexander von Humboldt - Lima. Tema: La enseñanza de la matemática está en un proceso de cambio Refo 07 2004 15 al 19 de noviembre 2004 Colegio Alexander von Humboldt - Lima Tema: La enseñanza de la matemática está en un proceso de cambio La enseñanza de la matemática debe tener dos objetivos principales:

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es

Más detalles

CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE

CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE Capítulo 4 Algoritmos de Aprendizaje 26 CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE En este capítulo se proporcionan las descripciones matemáticas de los principales algoritmos de aprendizaje para redes neuronales:

Más detalles

5.4. Manual de usuario

5.4. Manual de usuario 5.4. Manual de usuario En esta sección se procederá a explicar cada una de las posibles acciones que puede realizar un usuario, de forma que pueda utilizar todas las funcionalidades del simulador, sin

Más detalles

CONCEPTOS DE LA FUERZA

CONCEPTOS DE LA FUERZA CONCEPTOS DE LA FUERZA PAPEL DE LA FUERZA EN EL RENDIMIENTO DEPORTIVO La mejora de la fuerza es un factor importante en todas las actividades deportivas, y en algunos casos determinantes (en el arbitraje

Más detalles

Adaptación al NPGC. Introducción. NPGC.doc. Qué cambios hay en el NPGC? Telf.: 93.410.92.92 Fax.: 93.419.86.49 e-mail:atcliente@websie.

Adaptación al NPGC. Introducción. NPGC.doc. Qué cambios hay en el NPGC? Telf.: 93.410.92.92 Fax.: 93.419.86.49 e-mail:atcliente@websie. Adaptación al NPGC Introducción Nexus 620, ya recoge el Nuevo Plan General Contable, que entrará en vigor el 1 de Enero de 2008. Este documento mostrará que debemos hacer a partir de esa fecha, según nuestra

Más detalles

TABLA DE DECISION. Consideremos la siguiente tabla, expresada en forma genérica, como ejemplo y establezcamos la manera en que debe leerse.

TABLA DE DECISION. Consideremos la siguiente tabla, expresada en forma genérica, como ejemplo y establezcamos la manera en que debe leerse. TABLA DE DECISION La tabla de decisión es una herramienta que sintetiza procesos en los cuales se dan un conjunto de condiciones y un conjunto de acciones a tomar según el valor que toman las condiciones.

Más detalles

Análisis y cuantificación del Riesgo

Análisis y cuantificación del Riesgo Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el

Más detalles

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA MSC ZOILA RUIZ VERA Empresa Cubana de Aeropuertos y Servicios Aeronáuticos Abril 2010 ANTECEDENTES El proyecto Seguridad es una

Más detalles

Su éxito se mide por la pertinencia y la oportunidad de la solución, su eficacia y eficiencia.

Su éxito se mide por la pertinencia y la oportunidad de la solución, su eficacia y eficiencia. APUNTES PARA EL CURSO PROCESOS COGNITIVOS: RESOLUCIÓN DE PROBLEMAS Y TOMA DE DECISIONES Elaborado por Vicente Sisto Campos. Se trata de la confluencia de la capacidad analítica del equipo de identificar

Más detalles

Ecuaciones de primer grado con dos incógnitas

Ecuaciones de primer grado con dos incógnitas Ecuaciones de primer grado con dos incógnitas Si decimos: "las edades de mis padres suman 120 años", podemos expresar esta frase algebraicamente de la siguiente forma: Entonces, Denominamos x a la edad

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

Pronósticos. Pronósticos y gráficos Diapositiva 1

Pronósticos. Pronósticos y gráficos Diapositiva 1 Pronósticos Pronósticos Información de base Media móvil Pronóstico lineal - Tendencia Pronóstico no lineal - Crecimiento Suavización exponencial Regresiones mediante líneas de tendencia en gráficos Gráficos:

Más detalles

AHORRACOM SOLUCIONES AVANZADAS S.L. Avda. de la Industria 13, Oficina 25. 28108 Alcobendas, Madrid. www.ahorracom.com

AHORRACOM SOLUCIONES AVANZADAS S.L. Avda. de la Industria 13, Oficina 25. 28108 Alcobendas, Madrid. www.ahorracom.com PAGTE Plan de Ahorro y Gestión de Telecomunicaciones para Empresas En Ahorracom nos ponemos de su parte. Por eso nos interesa que usted, nuestro cliente, esté al tanto de todos los procesos que llevamos

Más detalles

Inteligencia de Negocio

Inteligencia de Negocio UNIVERSIDAD DE GRANADA E.T.S. de Ingenierías Informática y de Telecomunicación Departamento de Ciencias de la Computación e Inteligencia Artificial Inteligencia de Negocio Guión de Prácticas Práctica 1:

Más detalles

ANALISIS MULTIVARIANTE

ANALISIS MULTIVARIANTE ANALISIS MULTIVARIANTE Es un conjunto de técnicas que se utilizan cuando se trabaja sobre colecciones de datos en las cuáles hay muchas variables implicadas. Los principales problemas, en este contexto,

Más detalles

DETERMINACIÓN DEL VOLUMEN DE PEDIDO.

DETERMINACIÓN DEL VOLUMEN DE PEDIDO. Lote económico de compra o Lote Optimo DETERMINACIÓN DEL VOLUMEN DE PEDIDO. Concepto que vemos en casi todos libros de aprovisionamiento, habitualmente la decisión de la cantidad a reaprovisionar en las

Más detalles

Circuito RL, Respuesta a la frecuencia.

Circuito RL, Respuesta a la frecuencia. Circuito RL, Respuesta a la frecuencia. A.M. Velasco (133384) J.P. Soler (133380) O.A. Botina (133268) Departamento de física, facultad de ciencias, Universidad Nacional de Colombia Resumen. Se estudia

Más detalles

Lección 24: Lenguaje algebraico y sustituciones

Lección 24: Lenguaje algebraico y sustituciones LECCIÓN Lección : Lenguaje algebraico y sustituciones En lecciones anteriores usted ya trabajó con ecuaciones. Las ecuaciones expresan una igualdad entre ciertas relaciones numéricas en las que se desconoce

Más detalles

Validation. Validación Psicométrica. Validation. Central Test. Central Test. Centraltest CENTRAL. L art de l évaluation. El arte de la evaluación

Validation. Validación Psicométrica. Validation. Central Test. Central Test. Centraltest CENTRAL. L art de l évaluation. El arte de la evaluación Validation Validación Psicométrica L art de l évaluation Validation Central Test Central Test Centraltest L art de l évaluation CENTRAL test.com El arte de la evaluación www.centraltest.com Propiedades

Más detalles

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

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

Más detalles

Aproximación local. Plano tangente. Derivadas parciales.

Aproximación local. Plano tangente. Derivadas parciales. Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación

Más detalles

ESTUDIO PRELIMINAR DE ALGUNOS FACTORES INFLUYENTES EN EL RENDIMIENTO ACADÉMICO DE ALUMNOS DEL GRUPO EXECUTIVE FISIOTERAPIA

ESTUDIO PRELIMINAR DE ALGUNOS FACTORES INFLUYENTES EN EL RENDIMIENTO ACADÉMICO DE ALUMNOS DEL GRUPO EXECUTIVE FISIOTERAPIA ESTUDIO PRELIMINAR DE ALGUNOS FACTORES INFLUYENTES EN EL RENDIMIENTO ACADÉMICO DE ALUMNOS DEL GRUPO EXECUTIVE FISIOTERAPIA Autores: Noemí Díaz Matas; Carlos Martín Saborido; Raquel Díaz-Meco Conde; Silvia

Más detalles

Ejercicio de estadística para 3º de la ESO

Ejercicio de estadística para 3º de la ESO Ejercicio de estadística para 3º de la ESO Unibelia La estadística es una disciplina técnica que se apoya en las matemáticas y que tiene como objetivo la interpretación de la realidad de una población

Más detalles

COMPARACIÓN DE ÁREAS DE FIGURAS POR ESTUDIANTES DE PRIMERO DE MAGISTERIO

COMPARACIÓN DE ÁREAS DE FIGURAS POR ESTUDIANTES DE PRIMERO DE MAGISTERIO COMPARACIÓN DE ÁREAS DE FIGURAS POR ESTUDIANTES DE PRIMERO DE MAGISTERIO Sonia Aguilera Piqueras y Pablo Flores Martínez Departamento de Didáctica de la Matemática Universidad de Granada 1. Introducción

Más detalles

Análisis de Resultados

Análisis de Resultados Análisis de Resultados Encuesta Web OnLine Buses: www.encuesta-webonlinebuses.tk Grupo10 1 Datos Generales Técnica: Encuesta Web Medio: Google Forms Unidad de muestreo: Usuarios y potenciales usuarios

Más detalles

MINISTERIO DEL INTERIOR Y DE JUSTICIA, MINISTERIO DE LA PROTECCIÓN SOCIAL Y DIRECCIÓN NACIONAL DE ESTUPEFACIENTES

MINISTERIO DEL INTERIOR Y DE JUSTICIA, MINISTERIO DE LA PROTECCIÓN SOCIAL Y DIRECCIÓN NACIONAL DE ESTUPEFACIENTES 1 MINISTERIO DEL INTERIOR Y DE JUSTICIA, MINISTERIO DE LA PROTECCIÓN SOCIAL Y DIRECCIÓN NACIONAL DE ESTUPEFACIENTES ESTUDIO NACIONAL DE CONSUMO DE DROGAS EN COLOMBIA RESUMEN EJECUTIVO Febrero 2009 2 En

Más detalles

Práctica 5. Curso 2014-2015

Práctica 5. Curso 2014-2015 Prácticas de Seguridad Informática Práctica 5 Grado Ingeniería Informática Curso 2014-2015 Universidad de Zaragoza Escuela de Ingeniería y Arquitectura Departamento de Informática e Ingeniería de Sistemas

Más detalles

REPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL.

REPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL. REPASO COCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓ ORMAL. Éste es un breve repaso de conceptos básicos de estadística que se han visto en cursos anteriores y que son imprescindibles antes de acometer

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

Unidad 6 Cálculo de máximos y mínimos

Unidad 6 Cálculo de máximos y mínimos Unidad 6 Cálculo de máimos y mínimos Objetivos Al terminar la unidad, el alumno: Utilizará la derivada para decidir cuándo una función es creciente o decreciente. Usará la derivada para calcular los etremos

Más detalles

MODELOS DE INVENTARIO

MODELOS DE INVENTARIO MODELOS DE INVENTARIO Los modelos de inventarios son métodos que ayudan a reducir o minimizar los niveles de inventario requeridos en la producción. Existen varios métodos que nos ayudan a conseguir dicho

Más detalles

GUÍA DE USUARIO: GOOGLE DRIVE

GUÍA DE USUARIO: GOOGLE DRIVE GUÍA DE USUARIO: GOOGLE DRIVE Google Drive es una herramienta telemática de la web 2.0 que permite el trabajo virtual de forma colaborativa. En Google Drive podemos encontrar una barra de navegación en

Más detalles

LA ESTRATEGIA NACIONAL DE BOSQUES Y CAMBIO CLIMÁTICO

LA ESTRATEGIA NACIONAL DE BOSQUES Y CAMBIO CLIMÁTICO LA ESTRATEGIA NACIONAL DE BOSQUES Y CAMBIO CLIMÁTICO LA ESTRATEGIA NACIONAL DE BOSQUES Y CAMBIO CLIMÁTICO En palabras simples, el Cambio Climático es la modificación del clima que actualmente ocurre en

Más detalles

BREVE MANUAL DE SOLVER

BREVE MANUAL DE SOLVER BREVE MANUAL DE SOLVER PROFESOR: DAVID LAHOZ ARNEDO PROGRAMACIÓN LINEAL Definición: Un problema se define de programación lineal si se busca calcular el máximo o el mínimo de una función lineal, la relación

Más detalles

TEMA 5 ESTUDIOS CORRELACIONALES.

TEMA 5 ESTUDIOS CORRELACIONALES. TEMA 5 ESTUDIOS CORRELACIONALES. 1. INTRODUCCIÓN. 2. CONCEPTO DE CORRELACIÓN. 3. CASOS EN LOS QUE SE UTILIZA LA INVESTIGACIÓN CORRELACIONAL. 4. LIMITACIONES DE LOS ESTUDIOS CORRELACIONALES 1 1. INTRODUCCIÓN.

Más detalles

DOMINIO Y RANGO página 89. Cuando se grafica una función existen las siguientes posibilidades:

DOMINIO Y RANGO página 89. Cuando se grafica una función existen las siguientes posibilidades: DOMINIO Y RANGO página 89 3. CONCEPTOS Y DEFINICIONES Cuando se grafica una función eisten las siguientes posibilidades: a) Que la gráfica ocupe todo el plano horizontalmente (sobre el eje de las ). b)

Más detalles

Codex.pro. Módulo de gestión económica.

Codex.pro. Módulo de gestión económica. Codex.pro. Módulo de gestión económica. Índice Codex.pro. Módulo de gestión económica...1 Introducción...2 Uso de la aplicación...3 1. Configuración inicial de la aplicación...4 1.1. Centros de coste...4

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

Antoni Miró. Experiencia previa y formación

Antoni Miró. Experiencia previa y formación Antoni Miró Experiencia previa y formación 3.1- Valoración de la experiencia previa Al terminar los estudios e iniciar el camino de la inserción laboral los titulados universitarios tienen que superar

Más detalles

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

Funcionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net 2012 Funcionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net Servinet Sistemas y Comunicación S.L. www.softwaregestionproyectos.com Última Revisión: Febrero

Más detalles

Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1

Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1 Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1 TEMA 11: MÉTODOS DINÁMICOS DE SELECCIÓN DE INVERSIONES ESQUEMA DEL TEMA: 11.1. Valor actualizado neto. 11.2. Tasa interna

Más detalles

Base de datos en Excel

Base de datos en Excel Base de datos en Excel Una base datos es un conjunto de información que ha sido organizado bajo un mismo contexto y se encuentra almacenada y lista para ser utilizada en cualquier momento. Las bases de

Más detalles

Práctica del paso de generación de Leads

Práctica del paso de generación de Leads Práctica del paso de generación de Leads La parte práctica de este módulo consiste en poner en marcha y tener en funcionamiento los mecanismos mediante los cuales vamos a generar un flujo de interesados

Más detalles

Práctica 11 SVM. Máquinas de Vectores Soporte

Práctica 11 SVM. Máquinas de Vectores Soporte Práctica 11 SVM Máquinas de Vectores Soporte Dedicaremos esta práctica a estudiar el funcionamiento de las, tan de moda, máquinas de vectores soporte (SVM). 1 Las máquinas de vectores soporte Las SVM han

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

La composición de una imagen, reglas

La composición de una imagen, reglas Componer una fotografía Saber mirar, algo que resulta difícil en fotografía pero a la vez indispensable para obtener buenas fotografías. Para ello se requiere sobre todo aprender a mirar. Para qué queremos

Más detalles

Profr. Efraín Soto Apolinar. La función lineal. y = a 0 + a 1 x. y = m x + b

Profr. Efraín Soto Apolinar. La función lineal. y = a 0 + a 1 x. y = m x + b La función lineal Una función polinomial de grado uno tiene la forma: y = a 0 + a 1 x El semestre pasado estudiamos la ecuación de la recta. y = m x + b En la notación de funciones polinomiales, el coeficiente

Más detalles

Ingeniería en Informática

Ingeniería en Informática Departamento de Informática Universidad Carlos III de Madrid Ingeniería en Informática Aprendizaje Automático Junio 2007 Normas generales del examen El tiempo para realizar el examen es de 3 horas No se

Más detalles

EL ESTADO DE ORIGEN Y APLICACION DE FONDOS

EL ESTADO DE ORIGEN Y APLICACION DE FONDOS El estado de origen y aplicación de fondos EL ESTADO DE ORIGEN Y APLICACION DE FONDOS 1.- Introducción.- Como se indicó al tratar la cuenta de resultados, la misma es la expresión contable del movimiento

Más detalles

El palacio de la Alhambra: La primera expansión. El favor de los visires

El palacio de la Alhambra: La primera expansión. El favor de los visires El palacio de la Alhambra: La primera expansión El favor de los visires Traducido al español por javche Esta expansión contiene cuatro módulos diferentes, que pueden combinarse individualmente o todos

Más detalles

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

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

Más detalles

NUEVAS SOLUCIONES y CAMBIOS EN LA GESTION DEL NEGOCIO. JOSE LUIS LENCE Socio Director de Gesfarm Consultoria Farmacias

NUEVAS SOLUCIONES y CAMBIOS EN LA GESTION DEL NEGOCIO. JOSE LUIS LENCE Socio Director de Gesfarm Consultoria Farmacias OPORTUNIDADES CON NUESTROS CONSUMIDORES - COMPRADORES ( GEOMARKETING ) LOS NUEVOS TIEMPOS Y LA SITUACIÓN ACTUAL, REQUIEREN NUEVAS SOLUCIONES y CAMBIOS EN LA GESTION DEL NEGOCIO. JOSE LUIS LENCE Socio Director

Más detalles

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

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

Más detalles

UNIDAD 1. LOS NÚMEROS ENTEROS.

UNIDAD 1. LOS NÚMEROS ENTEROS. UNIDAD 1. LOS NÚMEROS ENTEROS. Al final deberás haber aprendido... Interpretar y expresar números enteros. Representar números enteros en la recta numérica. Comparar y ordenar números enteros. Realizar

Más detalles

Funciones, x, y, gráficos

Funciones, x, y, gráficos Funciones, x, y, gráficos Vamos a ver los siguientes temas: funciones, definición, dominio, codominio, imágenes, gráficos, y algo más. Recordemos el concepto de función: Una función es una relación entre

Más detalles

Espacios generados, dependencia lineal y bases

Espacios generados, dependencia lineal y bases Espacios generados dependencia lineal y bases Departamento de Matemáticas CCIR/ITESM 14 de enero de 2011 Índice 14.1. Introducción............................................... 1 14.2. Espacio Generado............................................

Más detalles

Operación de Microsoft Excel. Guía del Usuario Página 79. Centro de Capacitación en Informática

Operación de Microsoft Excel. Guía del Usuario Página 79. Centro de Capacitación en Informática Manejo básico de base de datos Unas de las capacidades de Excel es la de trabajar con listas o tablas de información: nombres, direcciones, teléfonos, etc. Excel puede trabajar con tablas de información

Más detalles

Cómo sistematizar una experiencia?

Cómo sistematizar una experiencia? Cómo sistematizar una experiencia? Una sistematización puede llevarse a cabo de múltiples formas, y además puede ser llevada a cabo por cualquier persona sin necesidad de ser especialista en la materia.

Más detalles

INTRODUCCIÓN: LA FÍSICA Y SU LENGUAJE, LAS MATEMÁTICAS

INTRODUCCIÓN: LA FÍSICA Y SU LENGUAJE, LAS MATEMÁTICAS INTRODUCCIÓN: LA FÍSICA Y SU LENGUAJE, LAS MATEMÁTICAS La física es la más fundamental de las ciencias que tratan de estudiar la naturaleza. Esta ciencia estudia aspectos tan básicos como el movimiento,

Más detalles

UNIDAD 4 Sistemas de ecuaciones lineales... 84 Introducción... 84 4.1.- Sistemas de ecuaciones lineales con dos incógnitas... 84 4.2.

UNIDAD 4 Sistemas de ecuaciones lineales... 84 Introducción... 84 4.1.- Sistemas de ecuaciones lineales con dos incógnitas... 84 4.2. FACULTAD DE INGENIERÍA - UNSJ Unidad : Sistemas de Ecuaciones Lineales UNIDAD Sistemas de ecuaciones lineales... 8 Introducción... 8.1.- Sistemas de ecuaciones lineales con dos incógnitas... 8..- Resolución

Más detalles

1.4.- D E S I G U A L D A D E S

1.4.- D E S I G U A L D A D E S 1.4.- D E S I G U A L D A D E S OBJETIVO: Que el alumno conozca y maneje las reglas empleadas en la resolución de desigualdades y las use para determinar el conjunto solución de una desigualdad dada y

Más detalles

Realización y corrección automática de exámenes con hoja de cálculo

Realización y corrección automática de exámenes con hoja de cálculo Realización y corrección automática de exámenes con hoja de cálculo Realización y corrección automática de exámenes con hoja de cálculo Bernal García, Juan Jesús juanjesus.bernal@upct.es Martínez María

Más detalles

IV. Implantación del sistema.

IV. Implantación del sistema. IV. Implantación del sistema. Para hablar sobre el proceso de desarrollo del sistema de Recuperación de Información Visual propuesto, empezaremos hablando del hardware utilizado, las herramientas de software

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

Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos).

Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos). Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos). Autores: - MsC. Ing. Mario L. Basulto Núñez (ETECSA) mario.basulto@etecsa.cu - Lic.

Más detalles

Programa diseñado y creado por 2014 - Art-Tronic Promotora Audiovisual, S.L.

Programa diseñado y creado por 2014 - Art-Tronic Promotora Audiovisual, S.L. Manual de Usuario Programa diseñado y creado por Contenido 1. Acceso al programa... 3 2. Opciones del programa... 3 3. Inicio... 4 4. Empresa... 4 4.2. Impuestos... 5 4.3. Series de facturación... 5 4.4.

Más detalles

15 ESTADÍSTICA BIDIMENSIONAL

15 ESTADÍSTICA BIDIMENSIONAL ESTADÍSTICA BIDIMENSINAL EJERCICIS PRPUESTS. Copia y completa la siguiente tabla. A B C Total A B C Total a 4 b c 0 7 Total 7 6 a 4 b c 4 3 0 7 Total 7 6 3 6 a) Qué porcentaje de datos presentan la característica

Más detalles

Aprendizaje cooperativo (Del libro Aprendizaje inteligente Montserrat del Pozo. Oct 2009)

Aprendizaje cooperativo (Del libro Aprendizaje inteligente Montserrat del Pozo. Oct 2009) Aprendizaje cooperativo (Del libro Aprendizaje inteligente Montserrat del Pozo. Oct 2009) Introducción El aprendizaje cooperativo es para los hermanos Johnson el empleo didáctico de grupos reducidos en

Más detalles

Muestreo estadístico. Relación 2 Curso 2007-2008

Muestreo estadístico. Relación 2 Curso 2007-2008 Muestreo estadístico. Relación 2 Curso 2007-2008 1. Para tomar la decisión de mantener un determinado libro como texto oficial de una asignatura, se pretende tomar una muestra aleatoria simple entre los

Más detalles

Procesos científicos básicos: Comunicar (Cómo trabajar en la sala de clases), 2ª. Parte

Procesos científicos básicos: Comunicar (Cómo trabajar en la sala de clases), 2ª. Parte Profesores Básica / Media / Recursos Procesos científicos básicos: Comunicar (Cómo trabajar en la sala de clases), 2ª. Parte 1 [Nota: material previsto para 8º básico y enseñanza media] Cómo construir

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

Técnicas de valor presente para calcular el valor en uso

Técnicas de valor presente para calcular el valor en uso Normas Internacionales de Información Financiera NIC - NIIF Guía NIC - NIIF NIC 36 Fundación NIC-NIIF Técnicas de valor presente para calcular el valor en uso Este documento proporciona una guía para utilizar

Más detalles

GESTINLIB GESTIÓN PARA LIBRERÍAS, PAPELERÍAS Y KIOSCOS DESCRIPCIÓN DEL MÓDULO DE KIOSCOS

GESTINLIB GESTIÓN PARA LIBRERÍAS, PAPELERÍAS Y KIOSCOS DESCRIPCIÓN DEL MÓDULO DE KIOSCOS GESTINLIB GESTIÓN PARA LIBRERÍAS, PAPELERÍAS Y KIOSCOS DESCRIPCIÓN DEL MÓDULO DE KIOSCOS 1.- PLANTILLA DE PUBLICACIONES En este maestro crearemos la publicación base sobre la cual el programa generará

Más detalles

by Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true

by Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true by Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true I. FUNDAMENTOS 3. Representación de la información Introducción a la Informática Curso de Acceso a la Universidad

Más detalles

El día más corto del año, la Ecuación del Tiempo, la Analema y otros animales

El día más corto del año, la Ecuación del Tiempo, la Analema y otros animales El día más corto del año, la Ecuación del Tiempo, la Analema y otros animales By Luis Mederos Como todos sabemos, alrededor del 21 de Diciembre se produce el solsticio de invierno (en el hemisferio norte).

Más detalles

Soluciones de los ejercicios de Selectividad sobre Probabilidad de Matemáticas Aplicadas a las Ciencias Sociales II

Soluciones de los ejercicios de Selectividad sobre Probabilidad de Matemáticas Aplicadas a las Ciencias Sociales II Soluciones de los ejercicios de Selectividad sobre Probabilidad de Antonio Francisco Roldán López de Hierro * Convocatoria de 2008 Las siguientes páginas contienen las soluciones de los ejercicios propuestos

Más detalles

3º Grado Educación Infantil Bilingüe Números. Método Singapur y F. Bravo E R

3º Grado Educación Infantil Bilingüe Números. Método Singapur y F. Bravo E R MATEMÁTICAS PARA EDUCACIÓN INFANTIL N Enseñamos y aprendemos llos números:: Método Siingapur y Fernández Bravo,, Porr Clarra Garrcí ía,, Marrtta Gonzzál lezz y Crri isstti ina Lattorrrre.. Ú M E R O S

Más detalles

Unidad: Representación gráfica del movimiento

Unidad: Representación gráfica del movimiento Unidad: Representación gráfica del movimiento Aplicando y repasando el concepto de rapidez Esta primera actividad repasa el concepto de rapidez definido anteriormente. Posición Esta actividad introduce

Más detalles

6 ANÁLISIS DE INDEPENDENCIA O ASOCIACIÓN ENTRE DOS ATRIBUTOS

6 ANÁLISIS DE INDEPENDENCIA O ASOCIACIÓN ENTRE DOS ATRIBUTOS 6 ANÁLISIS DE INDEPENDENCIA O ASOCIACIÓN ENTRE DOS ATRIBUTOS Esquema del capítulo Objetivos 6.1. 6.. 6.3. 6.4. ANÁLISIS DE INDEPENDENCIA O ASOCIACIÓN ENTRE DOS ATRIBUTOS COEFICIENTES DE CONTINGENCIA LA

Más detalles

1. MEDIDAS DE TENDENCIA CENTRAL

1. MEDIDAS DE TENDENCIA CENTRAL 1. MEDIDAS DE TENDENCIA CENTRAL Lo importante en una tendencia central es calcular un valor central que actúe como resumen numérico para representar al conjunto de datos. Estos valores son las medidas

Más detalles