SMOTE-I: mejora del algoritmo SMOTE para balanceo de clases minoritarias
|
|
- Ernesto Álvarez González
- hace 8 años
- Vistas:
Transcripción
1 SMOTE-I: mejora del algoritmo SMOTE para balaceo de clases mioritarias J Moreo 1, D Rodríguez 1, MA Sicilia, JC Riquelme 2 y R Ruiz 3 1 Departameto de ciecias de la Computació Campus Extero. Uiversidad de Alcalá, 287 Ctra. Barceloa km. 33.6, Alcalá de Heares (Madrid) 2 Escuela Técica Superior de Igeiería Iformática Avda. Reia Mercedes, s/, Sevilla, España 3 Escuela Politécica Superior Uiversidad Pablo de Olavide Ctra. Utrera Km 1, Sevilla {daiel.rodriguezg,msicilia}@uah.es, robertoruiz@upo.es, riquelme@us.es Resume. Las técicas de miería de datos está ecamiadas a desarrollar algoritmos que sea capaces de tratar y aalizar datos de forma automática co objeto de extraer de cualquier tipo de iformació subyacete e dichos datos. El problema del desbalaceo de los datos cosiste e la predomiacia de ciertos valores e los datos y la escasez o ausecia de otros que dificulta o impide la extracció de iformació. E este trabajo se preseta u uevo algoritmo basado e SMOTE y llamado SMOTE-I que mejora al origial co la la base de datos aalizada. Palabras clave: SMOTE, ENN, desbalaceo de datos. 1 Itroducció E u caso ideal todos los datos perteecietes a cada clase se ecuetra agrupados etre ellos y claramete difereciables del resto de clases. La realidad es bie distita y co frecuecia los datos preseta diferetes problemas que dificulta la labor de los clasificadores y dismiuye la calidad de la clasificació realizada. Los problemas más destacables so (i) el ruido es u problema derivado de la aturaleza de los datos cosistete e el gra parecido que preseta etre sí datos perteecietes a clases distitas o datos erróeos; (ii) el solapamieto etre clases ocurre cuado datos de clases distitas ocupa u espacio comú debido a que alguos de los atributos de dichas clases comparte u mismo rago de valore; y (iii) el desbalaceo de clases ocurre cuado el úmero de istacias de cada clase es muy diferete E estas circustacias los clasificadores preseta ua tedecia de clasificació hacia la clase mayoritaria, miimizado de ésta maera el error de clasificació y clasificado correctamete istacias de clase mayoritaria e detrimeto de istacias de clase mioritaria. Etre las medidas que podemos tomar para el tratamieto del ruido se ecuetra (i) usar algoritmos tolerates al ruido; (ii) usar algoritmos que ISSN SISTEDES,
2 reduzca el ruido filtrado las istacias ruidosas y (iii) usar algoritmos que corrija las istacias que geera el ruido. Para el tratamieto del solapamieto podemos utilizar algoritmos de limpieza que reduzca las áreas de solapamieto. Fialmete, hay más opcioes para el tratamieto del tratamieto del desbalaceo, etre las que se ecuetra: Samplig: Cosiste e balacear la distribució de las clases añadiedo ejemplos de las clase mioritaria. A ésta técica se le deomia oversamplig. Alguos de los algoritmos más represetativos so SMOTE [1], y Resamplig [5]. Tambié es posible realizar lo cotrario: elimiar ejemplos de la clase mayoritaria. Ésta técica se cooce como udersamplig. U algoritmo bastate represetativo es RUS [3]. Ambas técicas tiee vetajas e icoveietes. Etre los icoveietes del udersamplig está la pérdida de iformació que se produce al elimiar istacias de la muestra. Si embargo tiee la vetaa de que reduce el tiempo de procesado del cojuto de datos. Oversamplig tiee la vetaja de o perder iformació pero puede repetir muestras co ruido además de aumetar el tiempo ecesario para procesar el cojuto de datos. Oversamplig: o SMOTE: Geera uevas istacias de la clase mioritaria iterpolado los valores de las istacias mioritarias más cercaas a ua dada. o Resamplig: Duplica al azar istacias de la clase mioritaria Udersamplig: o Radom udersamplig: Elimia al azar istacias de la clase mayoritaria o Tomek Liks [4]: Elimia sólo istacias de la clase mayoritaria que sea redudates o que se ecuetre muy cerca de istacias de la clase mioritaria. o Wilso Editig [6]. Tambié coocido como ENN (Editig Nearest Neighbor) elimia aquellas istacias dode la mayoría de sus vecios perteece a otra clase. Boostig cosiste e asociar pesos a cada istacia que se va modificado e cada iteració del clasificador. Iicialmete todas las istacias tiee el mismo peso y después de cada iteració, e fució del error cometido e la clasificació se reajusta los pesos co objeto de reducir dicho error: o o o AdaBoost: Implemeta el algoritmo de Boostig descrito. E cada iteració AdaBoost geera uevas istacias utilizado Resamplig SMOTEBoost: Es similar a AdaBoost pero usa SMOTE e lugar del Resamplig para geerar uevas istacias. RUSBoost: Aplica AdaBoost pero e cada iteració utiliza RUS (Radom Udersamplig) que reduce el tamaño de la muestra de datos y simplifica y aumeta el redimieto del clasificador. ISSN SISTEDES,
3 2 Trabajos relacioados: SMOTE y ENN Fix y Hodges [2] publicaro el algoritmo de la regla del vecio más cercao. La idea básica del algoritmo es supoer que istacias próximas etre sí tiee mayor probabilidad de perteece a la misma clase. Para clasificar ua ueva istacia, se realiza u cálculo de la distacia etre cada atributo de la ueva istacia y el resto de istacias del cojuto de datos y se asocia a la clase de la istacia más cercaa. El pricipal icoveiete del algoritmo es el alto coste computacioal que tiee. SMOTE (Sytetic Miority Over-samplig Techique) [1] es u algoritmo de oversamplig que geera istacias sitéticas o artificiales para equilibrar la muestra de datos basado e la regla del vecio más cercao. La geeració se realiza extrapolado uevas istacias e lugar de duplicarlas como hace el algoritmo de Resamplig. Para cada ua de las istacias mioritarias se busca las istacias mioritarias vecias (más cercaas) y se crea N istacias etre la líea que ue la istacia origial y cada ua de las vecias. El valor de N depede del tamaño de oversamplig deseado. Para u caso del 200% por cada istacia de la clase mioritaria debe crearse dos uevas istacias geéricas. SMOTE es u algoritmo de sobre-muestreo de ejemplos utilizado para la clase mioritaria: Crea ejemplos sitéticos e lugar de hacer u sobre-muestreo co reemplazo. Opera e el espacio de atributos feature space, e lugar del espacio de datos data space. Crea u ejemplo sitético a lo largo de los segmetos de líea que ue alguo o todos los k vecios más cercaos de la clase mioritaria. Se elige alguos de los k vecios más cercaos de maera aleatoria (o se utiliza todos). SMOTE utiliza típicamete k = 5. El algoritmo de SMOTE realiza los siguietes pasos: Recibe como parámetro el porcetaje de ejemplos a sobre-muestrear. Calcula el úmero de ejemplos que tiee que geerar. Calcula los k vecios más cercaos de los ejemplos de la clase mioritaria. Geera los ejemplos siguiedo este proceso: o Para cada ejemplo de la clase mioritaria, elige aleatoriamete el vecio a utilizar para crear el uevo ejemplo. o Para cada atributo del ejemplo a sobre-muestrear, calcula la diferecia etre el vector de atributos muestra y el vecio elegido. o Multiplica esta diferecia por u úmero aleatorio etre 0 y 1. o Suma este último valor al valor origial de la muestra. o Devuelve el cojuto de ejemplos sitéticos. SMOTE es el algoritmo herramieta más utilizada para realizar el sobre muestreo pero preseta los siguietes icoveietes: (i) puede geerar muchos ejemplos artificiales cuyas semillas so ejemplos co ruido; (ii) al geerar u uevo ejemplo, iterpola etre dos ejemplos de la clase mioritaria, si embargo, puede existir muchos ejemplos cercaos o iclusive etre ellos de la clase mayoritaria, geerado modelos icorrectos; (iii) sólo fucioa co variables cotiuas y (iv) o tiee ua forma clara de decidir cuátos ejemplos geerar. Para miimizar los icoveietes ISSN SISTEDES,
4 citados después de usar SMOTE puede aplicarse otros algoritmos de limpieza para reducir el ruido y el solapamieto de las clases: Tomek Liks: Elimia las istacias de las clases mayoritaria y mioritaria que esté muy próximas etre sí. Wilso Editig (ENN): Elimia cualquier istacia cuya etiqueta sea distita de las clases que la rodea. ENN suele elimiar más istacias que Tomek Lik. Además e éste trabajo se preseta ua versió modificada SMOTE-I que ofrece ua solució automática para balacear cojutos de datos co más de ua clase mioritaria aportado a la vez ua secilla solució al problema de determiar el úmero de ejemplos a geerar sitéticamete. El algoritmo de Edició de Wilso, tambié coocido como la regla del vecio más cercao editado (Edited Nearest Neighbor) elimia las istacias mal clasificadas de u cojuto de datos mediate la regla k-nn. Para idetificar estas istacias el algoritmo elimia aquellas istacias cuya clase o coicide co la clase de la mayoría de sus vecios. Este algoritmo elimia la superposició etre clases y por tato parte de posible ruido que pueda haber e la muestra. El algoritmo de ENN realiza los siguietes pasos: 1. Recibe como parámetro el úmero de vecios a buscar para cada clase 2. Calcula los k vecios más cercaos de cada istacia. 3. Si la mayoría de los vecios so de clase distita y marca la istacia. 4. Elimia las istacias marcadas. 3 SMOTE-I La defiició origial de SMOTE úicamete cotempla datos e los que hay ua úica clase mioritaria. La modificació propuesta e éste trabajo permite C clases mioritarias ajustado automáticamete los pesos de cada clase para geerar las istacias apropiadas de cada ua de ellas. Adicioalmete tambié se ha añadido la opció de ivertir los pesos de las clases mioritarias. Dado u cojuto de datos co u total de T istacias perteecietes a C clases distitas, y ua probabilidad de máxima para cosiderar cualquier clase como mioritaria P: Ua clase C co I istacias, siedo 0 <C será mioritaria si su ocurrecia, P = I /T es meor que P. El úmero de istacias sitéticas a geerar para cada clase C mioritaria será igual al factor de sobremuestreo N. El úmero total de istacias sitéticas geeradas TS será: TS I N Como puede observarse, el úmero de istacias geeradas e caso de haber más de ua clase mioritaria será proporcioal al úmero de istacias de cada clase. De ésta forma, se geerará más istacias sitéticas para las clases mioritarias co mayor úmero de istacias cuado lo deseable es justamete lo cotrario: Geerar mayor úmero de istacias sitéticas para las clases co meor úmero de istacias. Para realizar ésta iversió y teiedo e cueta las defiicioes ateriores: Defiiremos la probabilidad ivertida de cada istacia PI como: ISSN SISTEDES,
5 PI y determiaremos el úmero de istacias sitéticas a geerar para cada clase C mioritaria, SN de la siguiete maera: PI T SN I La siguiete tabla muestra u ejemplo de u cojuto de 238 istacias distribuidas e 5 clases siedo P = 50%: I P 1- P PI PI *T (PI *T)- SN Nro istacias I sitéticas por clase Clase mayoritaria: Totales: Tabla 1. Ejemplo cálculos SMOTE-I Si observamos la aterior tabla, la columa PI*T y su total, PI*T idica el úmero total de istacias que debería geerarse de cada clase y puesto que cada clase ya cueta co I istacias, lo correcto es restar ese valor tal como muestra la columa (PI *T)-I. De ésta maera, redefiimos SN como: PI T I SN I La última columa de la tabla os muestra el resultado de la iversió de probabilidades que favorece la creació de istacias sitéticas de las clases co meor úmero de istacias reales. E el apartado 5. Resultados Experimetales puede observarse la aplicació de éste algoritmo. 1 C P 1 Resultados Experimetales E éste proyecto se ha utilizado u cojuto de datos obteidos del repositorio de PROMISE1, llamado usp5 y cotiee clases omiales y ha sido utilizados para experimetar co el algoritmo SMOTE-I y comparar los resultados co el SMOTE origial y ENN e problemas de clasificació. Más cocretamete se ha utilizado 1 ISSN SISTEDES,
6 C4.5 (implemetado bajo el ombre de J48) e la herramieta Weka. J48 es u árbol de decisió cada ivel correspode a ua clase, cada odo a u atributo y las ramas a los valores asociados a dichos atributos. El cojuto de datos usp5 de PROMISE cotiee 15 atributos que represeta iformació acerca métricas del esfuerzo e proyectos de igeiería del software. Los atributos so los siguietes: ID: Idetificador de tres dígitos ObjType: Tipo de objeto (PJ-project, FT-feature, RQ-requiremet) Effort: Esfuerzo actual e horas gastadas e tareas relacioadas co la implemetació del objeto por todas las persoas participates. Fuct%: Porcetaje de fucioalidad desarrollada. ItComplx: Complejidad itera de cálculo. DataFile: Número de ficheros de datos/tablas accedidos. DataE: Número de putos de etrada de datos. DataOut: Número de putos de salida de datos. UFP: Putos de Fució si ajustar. Lag: Leguaje de desarrollo utilizado. Tools: Herramietas de desarrollo y plataformas. ToolExpr: Experiecia de los desarrolladores co el leguaje y las herramietas de desarrollo. AppExpr: Nivel de experiecia desarrollado aplicacioes. TeamSize: Tamaño del equipo de desarrollo. DBMS: Sistema gestor de bases de datos utilizado Method: Metodología de desarrollo utilizada. AppType: Tipo de sistema/arquitectura. Es la clase del dataset. Puede coteer los siguietes valores: B/S, C/S, BC/S, Cetered, Other A cotiuació e las tablas 2 y 3 se preseta los resultados utilizado validació cruzada de 10 (10 CV). ENN Clase J48 Resample ENN SM-I Resa SM-I mp BC/S 0,878 0,973 0,831 0,897 0,973 0,899 B/S 0,853 0,952 0,866 0,831 0,952 0,852 NULL 0,737 0,833 0,778 0,833 0,833 0,857 C/S 0,678 0,818 0,667 0,721 0,818 0,806 C 0,000 0,000 0,000 0,950 0,000 0,927 S 0,000 0,800 0,000 0,977 0,800 0,977 B 0,000 0,000 0,000 0,909 0,000 0,976 3-Tier,_B/S 0,000 0,000 0,000 0,000 0,000 0,000 BS 0,667 0,800 0,667 1,000 0,800 0,952 BC 0,000 0,000 0,000 0,000 0,000 0,000 B/C 0,000 0,000 0,000 0,000 0,000 0,000 Tabla 2. Usp05, F-Measure clasificado co J48 ISSN SISTEDES,
7 ENN Clase J48 Resamp ENN SM-I Resamp SM-I BC/S 0,936 0,981 0,915 0,955 0,981 0,973 B/S 0,984 0,999 0,979 0,996 0,999 0,997 NULL 0,985 0,926 0,984 0,961 0,926 0,964 C/S 0,872 0,930 0,870 0,885 0,930 0,960 C 0,690? 0,680 0,972? 0,974 S 0,808 0,997 0,804 0,998 0,997 0,998 B 0,433 0,995 0,408 0,998 0,995 1,000 3-Tier,_B/S 0,463? 0,456 0,475? 0,474 BS 1,000 0,999 0,999 1,000 0,999 0,999 BC 0,463? 0,459 0,480? 0,478 B/C 0,443? 0,424 0,472? 0,470 Tabla 3. Usp05, A-ROC clasificado co J48 E el cojuto de datos utilizado co más de dos clases, e los resultados obteidos se observa cómo a pesar de haber balaceado el cojuto de istacias mediate SMOTE el porcetaje de istacias clasificadas correctamete o aumeta sigificativamete, e icluso es iferior a los resultados obteidos aplicado directamete el clasificador a los datos. Además, a pesar de obteerse meor porcetaje de istacias clasificadas correctamete, los valores de AUC y F-Measure obteidos después de aplicar SMOTE mejora algo e relació a los resultados obteidos si aplicarlo. Tambié se observa ua mejora sigificativa e éstos valores al aplicar la versió SMOTE-I e cojució co el clasificador J48. 5 Coclusioes y trabajo futuro E este trabajo se ha presetado ua modificació del coocido algoritmo de SMOTE. Este es uo de los problemas que preseta SMOTE ya que al iterpolar etre dos istacias mioritarias es posible que etre ellas exista istacias de la clase mayoritaria dificultado así la labor del clasificador. La variate de SMOTE presetada e este trabajo tiee e cueta la distribució de las clases y geera las istacias sitéticas acorde a esta distribució. Los trabajos futuros debe ir ecamiados al desarrollo de uevos algoritmos de balaceo de datos y a mejorar los existetes como por ejemplo el estudio del úmero óptimo de istacias sitéticas a geerar por SMOTE o SMOTE-I. Agradecimietos Esta ivestigació está fiaciada por el Miisterio de Educació y Ciecia (TIN C02-00) y las uiversidades de Alcalá, Sevilla y Pablo de Olavide. ISSN SISTEDES,
8 Referecias 1. Chawla, N.V., Bowyer, K.W., Hall, L.O., Kegelmeyer W.P. (2002). SMOTE: Sytetic Miority Over-samplig Techique. Joural of Artificial Iteligece Research 16, Dispoible e: 2. Fix, E. Hodges, J. (1952). Discrimiatory aalysis, oparametric discrimiatio: small simple performace. Techical Report 11, US Air Force, School of Aviatio Medicie, Radolph Field, TX. 3. Kamei, Y., Otros (2007). The Effects of Over ad Uder Samplig o Fault-proe Module Detectio. Empirical Software Egieerig ad Measuremet, First Iteratioal Symposium o Volume, Issue, Sept Page(s) IEEE Computer Society Press, Los Alamos 4. Tomek, I. (1976), Two modificatios of CNN, IEEE Trasactios o Systems, Ma ad Cyberetics 6. IEEE Computer Society Press, Los Alamos. 5. Wilso, D. L. (1972), Asymptotic properties of earest eighbor rules usig edited data, IEEE Trasactios o Systems, Ma ad Cyberetics. IEEE Computer Society Press, Los Alamos. 6. Witte, I. Frak, E. (2005), Data Miig: Practical machie learig tools ad techiques, 2d ed., Morga Kaufma, Sa Fracisco ISSN SISTEDES,
ORGANIZACIÓN DE LOS DATOS.
ORGANIZACIÓN DE LOS DATOS. La toma de datos es ua de las partes de mayor importacia e el desarrollo de ua ivestigació. Así los datos obteidos mediate u primer proceso recibe el ombre de datos si tratar
Más detallesTrata de describir y analizar algunos caracteres de los individuos de un grupo dado, sin extraer conclusiones para un grupo mayor.
1 Estadística Descriptiva Tema 8.- Estadística. Tablas y Gráficos. Combiatoria Trata de describir y aalizar alguos caracteres de los idividuos de u grupo dado, si extraer coclusioes para u grupo mayor.
Más detallesESTADISTICA UNIDIMENSIONAL
ESTADISTICA UIDIMESIOAL La estadística estudia propiedades de ua població si recurrir al sufragio uiversal. El estudio estadístico tiee dos posibilidades (1) Describir lo que ocurre e la muestra mediate
Más detallesSeries Numéricas. Una forma de definir e es a través de la suma: 1. 1 0! + 1 1! + 1 2! + 1 3! + 1 4! + + 1 n. cuyo límite es e, es decir:
Capítulo Series Numéricas Las series uméricas so sucesioes muy particulares ya que se defie (o se geera) a partir de otra sucesió. Dos ejemplos secillos aparece e la defiició de e y el la Paradoja de Zeó.
Más detallesGuía 1 Matemática: Estadística NM 4
Cetro Educacioal Sa Carlos de Aragó. Sector: Matemática. Prof.: Ximea Gallegos H. 1 Guía 1 Matemática: Estadística NM 4 Nombre: Curso: Fecha. Uidad: Estadística y Probabilidades. Apredizajes Esperados:
Más detallesParámetros de tiempo para
Parámetros de tiempo para cotrol y diagóstico INTRODUCCIÓN. Ua de las actividades importates a ivel de sistemas que se debe desarrollar e toda etidad que cuete co u recurso computacioal de soporte para
Más detallesSOLUCIÓN EXAMEN I PARTE II
Nombre: Apellido: C.I.: Fecha: Firma: MÉTODOS ESTADÍSTICOS I EXAMEN I Prof. Gudberto Leó PARTE I: (Cada respuesta correcta tiee u valor de 1 puto) E los siguietes gráficos se represeta distitas distribucioes
Más detallesMedidas de tendencia central
Medidas de tedecia cetral Por: Sadra Elvia Pérez Las medidas de tedecia cetral tiee este ombre porque so valores cetrales represetativos de los datos. Las medidas de tedecia cetral que se estudia e esta
Más detalles) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1
ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població
Más detalles2.2. Estadísticos de tendencia central
40 Bioestadística: Métodos y Aplicacioes La dispersió o variació co respecto a este cetro; Los datos que ocupa ciertas posicioes. La simetría de los datos. La forma e la que los datos se agrupa. Cetro,
Más detallesExamen de la asignatura "Estadística aplicada a las ciencias sociales" Profesor Josu Mezo. Examen del 18 de junio de 2010
Eame de la asigatura "Estadística aplicada a las ciecias sociales" Profesor Josu Mezo. Eame del 18 de juio de 2010 Recordatorio de fórmulas (o todas so ecesarias) Σ N i c cifi s s sˆ ET 1 z estimador ET
Más detallesSlide 1. Slide 2. Slide 3. Universidad Diego Portales Facultad de Economía y Negocios. Capítulo 4 Introducción a la Probabilidad.
Slide 1 Uiversidad Diego Portales Facultad de Ecoomía y Negocios Martes 13 de Abril, 2010 Slide 1 Slide 2 Capítulo 4 Itroducció a la Probabilidad Temas Pricipales: Experimetos, Reglas de Coteo, y Asigació
Más detallesImportancia de las medidas de tendencia central.
UNIDAD 5: UTILICEMOS MEDIDAS DE TENDENCIA CENTRAL. Importacia de las medidas de tedecia cetral. Cuado recopilamos ua serie de datos podemos resumirlos utilizado ua tabla de clases y frecuecias. La iformació
Más detallesUNIDAD 9. PROBABILIDAD Matemáticas II. Ies do Barral.Curso 2017/ Experimentos aleatorios
1. Experimetos aleatorios U experimeto se llama aleatorio cuado o se puede predecir su resultado; además, si se repitiese el mismo experimeto e codicioes aálogas, los resultados puede diferir. a) El resultado
Más detallesMEDIDAS DE DISPERSIÓN.
MEDIDA DE DIPERIÓN. Las medidas de tedecia cetral solamete da ua medida de la localizació del cetro de los datos. Co mucha frecuecia, es igualmete importate describir la forma e que las observacioes está
Más detallesCLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel
x Estimado alumo: Aquí ecotrarás las claves de correcció, las habilidades y los procedimietos de resolució asociados a cada preguta, o obstate, para reforzar tu apredizaje es fudametal que asistas a la
Más detallesMatemáticas 1 1 EJERCICIOS RESUELTOS: Funciones de una variable. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación
Matemáticas EJERCICIOS RESUELTOS: Fucioes de ua variable Elea Álvarez Sáiz Dpto. Matemática Aplicada y C. Computació Uiversidad de Catabria Igeiería de Telecomuicació Fudametos Matemáticos I Ejercicios:
Más detallesDetección de bordes mediante el algoritmo de Canny
Detecció de bordes mediate el algoritmo de Cay Jorge Valverde Rebaza Escuela Académico Profesioal de Iformática Uiversidad Nacioal de Trujillo Resume E el presete trabajo se expoe de maera cocisa el fudameto
Más detallesEstado gaseoso. Mezclas de gases ideales presión parcial de un gas en una mezcla de gases ideales ley de Dalton
Estado gaseoso Ecuació de estado de los gases perfectos o ideales Mezclas de gases ideales presió parcial de u gas e ua mezcla de gases ideales ley de Dalto Feómeos de disolució de gases e líquidos leyes
Más detallesTrabajo Especial Estadística
Estadística Resolució de u Problema Alumas: Arrosio, Florecia García Fracaro, Sofía Victorel, Mariaela FECHA DE ENTREGA: 12 de Mayo de 2012 Resume Este trabajo es ua ivestigació descriptiva, es decir,
Más detallesPreguntas más Frecuentes: Tema 2
Pregutas más Frecuetes: Tema 2 Pulse sobre la preguta para acceder directamete a la respuesta 1. Se puede calcular la media a partir de las frecuecias absolutas acumuladas? 2. Para calcular la media aritmética,
Más detallesEjercicios y Talleres. puedes enviarlos a
Ejercicios y Talleres puedes eviarlos a klasesdematematicasymas@gmail.com Ig. Oscar Restrepo BIOESTADÍSTICA ESTADÍSTICA I ACTIVIDADES: 1. E qué difiere la elaboració de las gráficas de barras, los histogramas
Más detallesPlanificación contra stock
Plaificar cotra stock 5 Plaificació cotra stock Puede parecer extraño dedicar u tema al estudio de métodos para plaificar la producció de empresas que trabaja cotra stock cuado, actualmete, sólo se predica
Más detallesESTADÍSTICA UNIDIMENSIONAL
I.E.S. Virge de la Paz. Alcobedas DEPARTAMETO DE MATEMÁTICAS Itroducció ESTADÍSTICA UIDIMESIOAL El ombre de Estadística alude al eorme iterés de esta rama matemática para los asutos del Estado y su itroducció
Más detallesProblemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Problemas de Estimació de Ua y Dos Muestras UCR ECCI CI-35 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviaa Ramírez Beavides Iferecia Estadística La teoría de la iferecia estadística cosiste e aquellos
Más detallesTeorema del límite central
Teorema del límite cetral Carles Rovira Escofet P03/75057/01008 FUOC P03/75057/01008 Teorema del límite cetral Ídice Sesió 1 La distribució de la media muestral... 5 1. Distribució de la media muestral
Más detallesDETERMINACION DEL COSTO POR ALUMNO EGRESADO DE EDUCACION PRIMARIA
DETERMINACION DEL COSTO POR ALUMNO EGRESADO DE EDUCACION PRIMARIA U Modelo de Costeo por Procesos JOSE ANTONIO CARRANZA PALACIOS *, JUAN MANUEL RIVERA ** INTRODUCCION U aspecto fudametal e la formulació
Más detallesR-SQUARED RESID. MEAN SQUARE (MSE) σˆ 2 ADJUSTED R-SQUARED STANDARD DEVIATION σ ˆ
06 5.8 Leyedo la salida de u programa estadístico Cada programa estadístico preseta los resultados de la regresió e forma diferete, pero la mayoría provee la misma iformació básica. La tabla muestra la
Más detallesTEMA 5: INTERPOLACIÓN
5..- ITRODUCCIÓ TEMA 5: ITERPOLACIÓ Supogamos que coocemos + putos (x,y, (x,y,..., (x,y, de la curva y = f(x, dode las abscisas x k se distribuye e u itervalo [a,b] de maera que a x x < < x b e y k = f(x
Más detallesPROBABILIDAD. El espacio muestral de un experimento aleatorio es el conjunto de todos los resultados posibles que pueden producirse.
PROAILIDAD 1.- EXPERIMENTOS ALEATORIOS De forma geeral podemos distiguir etre experimetos determiistas y experimetos aleatorios. Las leyes de la física, de la química y de otras ciecias os provee de ecuacioes
Más detallesTema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD. X- μ. f(x) = e para - < x < Z 2. . e para - < z <
Tema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD La distribució ormal: La distribució ormal, campaa de Gauss o, curva ormal, tambié defiida por De Moivre. Características y propiedades: La siguiete fórmula
Más detallesRepaso...Último Contenidos NM 4
Cetro Educacioal Sa Carlos de Aragó. Sector: Matemática. Prof.: Ximea Gallegos H. 1 Fucioes y relacioes. Diagrama Sagital. Sea A = { a,b, c} y B = { 1, 2, 3, 4} Repaso...Último Coteidos NM 4 A: Cojuto
Más detallesSESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN
SESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN I. CONTENIDOS: 1. Regresió lieal simple.. Iterpretació de gráficas de regresió. 3. Cálculo de coeficiete de correlació. 4. Iterpretació del coeficiete de correlació.
Más detallesTEMA 5: Gráficos de Control por Atributos. 1. Gráfico de control para la fracción de unidades defectuosas
TEMA 5: Gráficos de Cotrol por Atributos 1 Gráfico de cotrol para la fracció de uidades defectuosas 2 Gráfico de cotrol para el úmero medio de discoformidades por uidad Selecció del tamaño muestral 3 Clasificació
Más detallesMEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Las medidas de tedecia cetral so los valore que se ubica e el cetro de u cojuto de datos estos puede estar ordeados o o. Geeralmete se utiliza cuatro de estos valores coocidos
Más detallesBurgos Simón, Clara Cortés López, Juan Carlos; Navarro Quiles, Ana
Las Matemáticas para la Gestió de Carteras co Riesgo. Carteras compuestas por activos co correlacioes estadísticas arbitrarias. El caso e que se fija el redimieto esperado de la cartera Apellidos, ombre
Más detallesTema 2. Medidas descriptivas de los datos
Tema 2. Medidas descriptivas de los datos Resume del tema 2.1. Medidas de posició So valores que os sirve para idicar la posició alrededor de la cual se distribuye las observacioes. 2.1.1. Mediaa La mediaa
Más detallesEjemplos y ejercicios de. Análisis Exploratorio de Datos. 2 Descripción estadística de una variable. Ejemplos y ejercicios.
ANÁLISIS EXPLORATORIO DE DATOS Ejemplos y ejercicios de Aálisis Exploratorio de Datos Descripció estadística de ua variable. Ejemplos y ejercicios..1 Ejemplos. Ejemplo.1 Se ha medido el grupo saguíeo de
Más detallesObjetivo. 1. Intervalos y test (una sola muestra) Práctica 7: Intervalos de conanza y contrastes de hipótesis I. M. Iniesta Universidad de Murcia
Práctica 7: Itervalos de coaza y cotrastes de hipótesis I Objetivo E esta práctica y e la siguiete apredemos a aplicar e iterpretar las técicas de itervalos de coaza y test de hipótesis, seleccioado la
Más detallesHelena Ramalhinho Lourenco y Daniel Serra 13 de Mayo PRESENTA: MC Marco Antonio Cruz Chavez.
Helea Ramalhiho Loureco y Daiel Serra 3 de Mayo 998 PRESENTA: MC Marco Atoio Cruz Chavez. OBJETIVO PRINCIPAL.- Compreder las diferecias de cada efoque heurístico aalizado. OBJETIVO SECUNDARIO.- De los
Más detallesREVISIÓN DE ALGUNOS INDICADORES PARA MEDIR LA DESIGUALDAD XAVIER MANCERO CEPAL
375 REVISIÓN DE ALGUNOS INDICADORES PARA MEDIR LA DESIGUALDAD XAVIER MANCERO CEPAL 376 Revisió de alguos idicadores para medir desigualdad Medidas de Desigualdad Para medir el grado de desigualdad e la
Más detallesPolinomio de una sola variable. , llamaremos polinomio de la variable x a toda expresión algebraica entera de la forma:
Semiario Uiversitario de Igreso 07 oliomio de ua sola variable a0; a; a;...; a úmeros reales y N 0, llamaremos poliomio de la variable a toda epresió algebraica etera de la forma: a0 a a... a Los poliomios
Más detallesEjercicios y Talleres. puedes enviarlos a
Ejercicios y Talleres puedes eviarlos a klasesdematematicasymas@gmail.com BIOESTADÍSTICA ESTADÍSTICA I ACTIVIDADES: 1. E qué difiere la elaboració de las gráficas de barras, los istogramas y los polígoos
Más detalles1. Muestreo Aleatorio Simple
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL Estadística III-Material 2-2012 Revisió y Cambios y Ampliació: Ig. José Alejadro Marí Fuete Primaria: Ig. César Augusto Zapata Urquijo
Más detallesAnálisis de datos en los estudios epidemiológicos II
Aálisis de datos e los estudios epidemiológicos II Itroducció E este capitulo cotiuamos el aálisis de los estudios epidemiológicos cetrádoos e las medidas de tedecia cetral, posició y dispersió, ídices
Más detallesEL EMPLEO DE LAS TIC S EN LA CONCEPTUALIZACIÓN DE LA TERCERA LEY DE NEWTON
42 II Joradas de Eseñaza e Ivestigació Educativa e el campo de las Ciecias Exactas y Naturales Actas, II (2): 42-48, 2009. La Plata. EL EMPLEO DE LAS TIC S EN LA CONCEPTUALIZACIÓN DE LA TERCERA LEY DE
Más detallesEstadística Aplicada a las ciencias Sociales Examen Febrero de 2008 segunda semana
Estadística Aplicada a las ciecias Sociales Exame Febrero de 008 seguda semaa Ejercicio 1.- E la siguiete tabla, se tiee el úmero de alumos de educació de adultos matriculados e el curso graduado escolar
Más detallesLa formula de la media móvil en el instante t para un instrumento A, con precio de mercado P, es la siguiente:
Medias Móviles Ua de las herramietas más utilizadas por los aalistas técicos es la llamada media móvil. La media móvil de u istrumeto fiaciero es simplemete el promedio de u úmero, predetermiado, de valores
Más detallesSobre los intervalos de confianza y de predicción
Sobre los itervalos de cofiaza y de predicció Itervalos de cofiaza Javier Satibáñez 28 de febrero de 2018 Se costruye itervalos de cofiaza para parámetros. Sea X = X 1,..., X } ua muestra aleatoria de
Más detalles1. Secuencia Impulso unitario (función Kroëneker) 1, n = n 0. (n) = = {... 0, 0, (1), 0, 0,... }
SEÑALES DE TIEMPO DISCRETO SEÑALES Y SISTEMAS DE TIEMPO DISCRETO Las señales está clasificadas de maera amplia, e señales aalógicas y señales discretas. Ua señal aalógica será deotada por a t e la cual
Más detalles4.4 Sistemas mal condicionados
7 4.4 Sistemas mal codicioados l resolver u sistema de ecuacioes lieales usado u método directo, es ecesario aalizar si el resultado calculado es cofiable. E esta secció se estudia el caso especial de
Más detalles2 FUNDAMENTOS DE PROBABILIDAD
2 FUNDAMENTOS DE PROBABILIDAD T al vez el estudio de la probabilidad toma setido cuado se percibe y se acepta la existecia de la aleatoriedad e diversos aspectos de la vida diaria. Si embargo, si cosideramos
Más detallesSESION 15 DISTRIBUCIONES DE MUESTREO
SESION 15 DISTRIBUCIONES DE MUESTREO I. CONTENIDOS: 1. Distribució de muestreo. 2. Distribucioes de muestreo de la media 3. Media, mediaa y moda, así como su relació co la desviació estádar de las distribucioes
Más detallesMEDIDAS DE RESUMEN. Jorge Galbiati Riesco
MEDIDAS DE RESUMEN Jorge Galbiati Riesco Las medidas de resume sirve para describir e forma resumida u cojuto de datos que costituye ua muestra tomada de algua població. Podemos distiguir cuatro grupos
Más detallesUna sucesión es un conjunto infinito de números ordenados de tal forma que se puede decir cuál es el primero, cuál el segundo, el tercero, etc.
Sucesioes Sucesi o. Ua sucesió es u cojuto ifiito de úmeros ordeados de tal forma que se puede decir cuál es el primero, cuál el segudo, el tercero, etc. Los térmios de ua sucesió se desiga mediate a 1,
Más detallesPrueba Integral Lapso / Área de Matemática Fecha: MODELO DE RESPUESTA (Objetivos del 01 al 11)
Prueba Itegral Lapso 016-1 175-176-177 1/7 Uiversidad Nacioal Abierta Matemática I (Cód 175-176-177) Vicerrectorado Académico Cód Carrera: 16 36 80 508 51 54 610 611 61 613 Fecha: 19 11 016 MODELO DE RESPUESTA
Más detallesTopografía 1. II semestre, José Francisco Valverde Calderón Sitio web:
II semestre, 2013 José Fracisco Valverde Calderó Email: geo2fra@gmail.com Sitio web: www.jfvc.wordpress.com José Fracisco Valverde C Cualquier actividad técica dode se requiera recopilar iformació espacial,
Más detallesQué es la estadística?
Qué es la estadística? La estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Qué es la estadística? U agete recibe iformació e forma
Más detallesCapítulo 4. Desarrollo de la investigación. A continuación presentamos los datos que finalmente proporcionaron las universidades
Capítulo 4 Desarrollo de la ivestigació 4.1 Datos dispoibles A cotiuació presetamos los datos que fialmete proporcioaro las uiversidades correspodietes, debido a políticas de cada uiversidad y pla de estudios
Más detallesINTRODUCCIÓN A LA PROBABILIDAD
INTRODUIÓN L PROBBILIDD EXPERIMENTOS LETORIOS Y DETERMINISTS Los experimetos o feómeos cuyo resultado o puede coocerse hasta haber realizado la experiecia se llama aleatorios o estocásticos. uado el resultado
Más detalles2.1. Concepto Monto, capital, tasa de interés y tiempo.
1 2.1. Cocepto El iterés compuesto tiee lugar cuado el deudor o paga al cocluir cada periodo que sirve como base para su determiació los itereses correspodietes. Así, provoca que los mismos itereses se
Más detallesDISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS)
DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) www.cedicaped.com DISTRIBUCIÓN DE PROBABILIDAD Recordemos que el Espacio Muestral es el cojuto de todos y
Más detallesDistribuciones Muestrales
10/08/007 Diseño Estadístico y Herramietas para la Calidad Distribucioes Muestrales Epositor: Dr. Jua José Flores Romero juaf@umich.m http://lsc.fie.umich.m/~jua M. e Calidad Total y Competitividad Distribucioes
Más detallesTRANSFORMADA RAPIDA DE FOURIER (FFT)
Capítulo 6 TRASORADA RAPIDA DE OURIER (T) Los temas a tratar e el presete capítulo so: 6. Algoritmo T 6. T Iversa. 6.3 Implemetació Televisió Digital 6- La implemetació de la ec. (4.5) ivolucra u úmero
Más detallesResumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales.
Resume Tema 2: Muestreo aleatorio simple. Muestreo co probabilidades desiguales. M.A.S.: Muestreo aleatorio simple co probabilidades iguales si reemplazo. Hipótesis: Marco perfecto, si omisioes i duplicados
Más detallesPrácticas de Matemáticas I y Matemáticas II con DERIVE 136
Prácticas de Matemáticas I y Matemáticas II co DERIVE 6. DIGONLIZCIÓN... PRINCIPLES FUNCIONES DE DERIVE PR L DIGONLIZCION: CLCULO DE UTOVLORES Y UTOVECTORES. tes de iiciar el estudio de los pricipales
Más detallesEstimación por intervalos
Estimació por itervalos Estimació por itervalos para la media poblacioal co (variaza poblacioal) coocida P( x z/ x z/ ) 1 co (variaza poblacioal) descoocida Si 30 se reemplaza por S y usamos el itervalo
Más detalles- A h h+1 n-1 n
1º DMINISTRCIÓN Y FINNZS GESTIÓN FINNCIER. TEM 9 TEM Nº 9: SELECCIÓN DE INVERSIONES 1. DIMENSIÓN FINNCIER DE UN PROYECTO DE INVERSIÓN Desde el puto de vista fiaciero, es decir, moetario, cualquier proyecto
Más detallesSucesiones I Introducción
Temas Qué es ua sucesió? Notacioes y coceptos relacioados. Maeras de presetar ua sucesió. Gráfico de sucesioes. Capacidades Coocer y compreder el cocepto de sucesió. Coocer y maejar las diferetes maeras
Más detalles4.- Aproximación Funcional e Interpolación
4- Aproximació Fucioal e Iterpolació 4 Itroducció Ua de las mayores vetajas de aproximar iformació discreta o fucioes complejas co fucioes aalíticas secillas, radica e su mayor facilidad de evaluació y
Más detallesT ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos:
T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Variable aleatoria: defiició y tipos: Ua variable aleatoria es ua fució que asiga u úmero real, y sólo uo, a cada uo de los resultados de u eperimeto aleatorio.
Más detallesPolinomios. Definición de polinomio y sus propiedades. Grado de un polinomio e igualdad de polinomios
Poliomios Defiició de poliomio y sus propiedades U poliomio puede expresarse como ua suma de productos de fucioes de x por ua costate o como ua suma de térmios algebraicos; es decir U poliomio e x es ua
Más detallesMINITAB y MODELOS DE REGRESIÓN
Prácticas de Fudametos Matemáticos para el estudio del Medio Ambiete www.um.es/docecia/jpastor jpastor@um.es MINITAB y MODELOS DE REGRESIÓN 1. Itroducció Ua de las cuestioes de mayor iterés e las Ciecias
Más detallesArtículo técnico CVM-NET4+ Cumple con la normativa de Eficiencia Energética. Nuevo analizador de redes y consumos multicanal Situación actual
1 Artículo técico Joatha Azañó Divisió Gestió Eergética y Calidad de Red CVM-ET4+ Cumple co la ormativa de Eficiecia Eergética uevo aalizador de redes y cosumos multicaal Situació actual Las actuales ormativas
Más detallesCapítulo I. La importancia del factor de potencia en las redes. eléctricas
La importacia del factor de potecia e las redes eléctricas. Itroducció Las fuetes de alimetació o geeradores de voltaje so las ecargadas de sumiistrar eergía e las redes eléctricas. Estas so de suma importacia,
Más detallesTEMA I OPTICA GEOMÉTRICA APLICADA AL OJO
Diplomatura e Óptica y Optometría Adelia Felipe Marcet TEMA I OPTICA GEOMÉTRICA APLICADA AL OJO I Adaptació de las relacioes paraiales II.- Proimidades y potecias III.- Ecuació de Gauss IV.- Ecuació de
Más detallesTécnicas de inteligencia artificial. Visión Artificial Segmentación
Técicas de iteligecia artificial Visió Artificial Segmetació Idice Itroducció Algoritmo de las K-medias Mea-Sift Segmetació basada e regioes Itroducció La segmetació de imágees es el proceso de extraer
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA DISTRIBUCIÓN DE FRECUENCIAS, HISTOGRAMA, POLIGONO Y ESTADÍSITICOS DE TENDENCIA CENTRAL, DISPERSIÓN, ASIMETRÍA Y CURTOSIS. Prof.: MSc. Julio R. Vargas I. Las calificacioes fiales
Más detallesRepresentaciones irreducibles y carácter de una representación: * = corresponde al elemento i,k de la matriz asociada a la
epresetacioes irucibles y carácter de ua represetació: Gra teorema de la ortooalidad (GTO): Sea y dos represetacioes irucibles de dimesioes, : ik ( ) jl ( ) = ( ) ij kl dode ik () correspode al elemeto
Más detallesGUIA DE ESTUDIO Nro 1
MATERIA: MATEMÁTICA I CURSO: I AÑO EJE ESTRUCTURAL I: CONCEPTOS FUNDAMENTALES DEL ALGEBRA GRUPOS CONCEPTUALES: - Epresioes algebraicas. Poliomios. - Ecuacioes. Iecuacioes. TEMARIO: GUIA DE ESTUDIO Nro
Más detallesTenemos k objetos distintos para distribuir en n cajas distintas con
Departameto de Matemática Aplicada. ETSIIf. UPM. SELECCIONES ORDENADAS Teemos objetos distitos para distribuir e cajas distitas co de cuátas formas distitas se puede itroducir los objetos e las cajas,
Más detallesRESOLUCIÓN RESOLUCIÓN RESOLUCIÓN SEMANA 13 RAZONES Y PROPORCIONES ab + cd = 2500, halle el valor de (a + c) a c e g K.
SEMANA 1 RAZONES Y PROPORCIONES 1. Si: a b c d y 7 4 1 6 ab + cd = 500, halle el valor de (a + c) A) 75 B) 80 C) 90 D) 95 E) 100 a b ab K K 7 4 8 d e de K K 1 6 7 Luego: 500 100K K = 5 Luego: a = 5, d
Más detallesTema 3: Introducción a la probabilidad. Tema 3: Introducción a la probabilidad. Tema 3: Introducción a la probabilidad. 3.
Tema 3: Itroducció a la probabilidad Tema 3: Itroducció a la probabilidad 3.1 Itroducció Equiprobabilidad Métodos combiatorios Objetivos del tema: l fial del tema el alumo será capaz de: Compreder y describir
Más detallesMEDIDAS DE TENDENCIA CENTRAL. _ xi
EDIDAS DE TENDENCIA CENTRAL. EDIA ARITÉTICA. Es la medida más coocida y tambié es llamada promedio se obtiee sumado todos los valores de la muestra o població, dividida etre el total de elemetos que cotiee
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL Revisió, Cambios y Ampliació: Ig. José Alejadro Marí Fuete Primaria: Ig. César Augusto Zapata Urquijo 1. M U E S T R E O S I S T E M
Más detallesIntroducción a la Inferencia Estadística. Material Preparado por Olga Susana Filippini y Hugo Delfino
Itroducció a la Iferecia Estadística Temario Diseño Muestral Teorema Cetral del Límite Iferecia estadística Estimació putual y por itervalos Test de hipótesis. DISEÑO MUESTRAL Porque utilizar muestras
Más detallesSlide 1. Slide 2. Slide 3. Universidad Diego Portales Facultad de Economía y Negocios. Capítulo 4 Introducción a la Probabilidad.
Slide 1 Uiversidad Diego Portales Facultad de Ecoomía y Negocios Martes 13 de Abril, 2010 Slide 1 Slide 2 Capítulo 4 Itroducció a la Probabilidad Temas Pricipales: Experimetos, Reglas de Coteo, y Asigació
Más detalles2 CARTAS DE CONTROL POR ATRIBUTOS
2 CARTAS DE CONTROL POR ATRIBUTOS Cualquier característica de calidad que pueda ser clasificada de forma biaria: cumple o o cumple, fucioa o o fucioa, pasa o o pasa, coforme o discoforme defectuoso, o
Más detallesPráctica 3: Convolución
Práctica 3: Covolució Apellidos, ombre Apellidos, ombre Grupo Puesto Fecha El objetivo de esta práctica es familiarizar al alumo co la suma de covolució, fudametal e el estudio de los sistemas lieales,
Más detallesCAPITULO 0 CONCEPTOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Algebra lineal Notación básica.
5 CAPIULO 0 CONCEPOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Este capítulo proporcioa u pequeño resume acerca de coceptos básicos de álgebra y programació lieal que resulta fudametales para el bue etedimieto
Más detallesCapítulo VARIABLES ALEATORIAS
Capítulo VI VARIALES ALEATORIAS. Itroducció Detro de la estadística se puede cosiderar dos ramas perfectamete difereciadas por sus objetivos y por los métodos que utiliza: Estadística Descriptiva o Deductiva
Más detallesIntroducción. La forma óptima de realizar el proceso de clasificación consiste en la utilización del clasificador bayesiano: ) > p(x w j
Recordamos: Itroducció La forma óptima de realizar el proceso de clasificació cosiste e la utilizació del clasificador bayesiao: Elegir w i si p(x w i ) P(w i ) > p(x w j ) P(w i ) j i Para utilizarlo,
Más detallesPrácticas de Matemáticas I y Matemáticas II con DERIVE-5 138
Prácticas de Matemáticas I y Matemáticas II co DERIVE-5 8. DIGONLIZCIÓN... PRINCIPLES FUNCIONES DE DERIVE PR L DIGONLIZCION: CLCULO DE UTOVLORES Y UTOVECTORES. tes de iiciar el estudio de los pricipales
Más detallesMUESTREO Y ESTIMACIÓN ESTADÍSTICA
1 MUESTREO Y ESTIMACIÓN ESTADÍSTICA Muestreo. Métodos de muestreo Se llama població al cojuto de idividuos que posee cierta característica. Ua muestra es ua parte de esa població. Muestreo es el proceso
Más detallesAPLICACIONES INFORMÁTICAS EN QUÍMICA. Problemas Tema 2.3: Series, representación de funciones y construcción de tablas en HC.
APLICACIONES INFORMÁTICAS EN QUÍMICA Problemas Tema 2.3: Series, represetació de fucioes y costrucció de tablas e HC Grado e Química º SEMESTRE Uiversitat de Valècia Facultad de Químicas Departameto de
Más detallesBandas de Bollinger. Curso Estrategias de Inversión en Acciones. Tendencia alcista con alta volatilidad. Tendencia alcista con baja volatilidad
Badas de Bolliger La volatilidad hace referecia a la diferecia promedio etre los máximos y míimos que defie las fuerzas alcistas y bajistas a medida que éstos etra y sale del mercado. La volatilidad está
Más detallesTRABAJO PRÁCTICO N O 1. SÍNTESIS DE SEÑALES Y ANÁLISIS DE SISTEMAS
TRABAJO PRÁCTICO N O. SÍNTESIS DE SEÑALES Y ANÁLISIS DE SISTEMAS PARTE : SEÑALES Recomedacioes geerales: Utilice el comado stem para el graficado de las señales discretas. El uso de plot o se ajusta al
Más detallesTRABAJO DE GRUPO Series de potencias
DPTO. MATEMÁTICA APLICADA FACULTAD DE INFORMÁTICA (UPM) TRABAJO DE GRUPO Series de potecias CÁLCULO II (Curso 20-202) MIEMBROS DEL GRUPO (por orde alfabético) Nota: Apellidos Nombre Este trabajo sobre
Más detalles