PREDICCIÓN METEOROLÓGICA
|
|
- Juan Francisco Maldonado Blanco
- hace 7 años
- Vistas:
Transcripción
1 PRÁCTICA FINAL DE INTELIGENCIA EN REDES DE ORDENADORES PREDICCIÓN METEOROLÓGICA 5º INGENIERIA DE TELECOMUNICACIÓN Julio Alberto Polo Fernández Raúl Muñoz Martínez
2 INDICE 1. Introducción 2. Preprocesado de los datos a. Análisis b. Selección 3. Aprendizaje 4. Anexos a. Aprendizaje para el modelo de predecir la temperatura b. Aprendizaje para el modelo de predecir las condiciones a. Script inicial b. Código java para el preprocesado Página 2 de 37
3 1. Introducción En esta práctica vamos a desarrollar un sistema de predicción meteorológica usando la herramienta de minería de datos WEKA. El programa WEKA permite realizar minería de datos con una interfaz gráfica lo que facilita su utilización. Además, permite una comparación con los distintos métodos que se utilizan para el pre-procesamiento, clasificación de información, clustering y meta-aprendizaje. Las técnicas de minería de datos están en auge, usándose cada vez más para mejorar el rendimiento de negocios o procesos industriales en los que se manejan grandes volúmenes de información estructurada y almacenada en bases de datos. Mediante estas técnicas de pueden explorar grandes volúmenes de datos con el fin de predecir ciertos modelos de comportamiento y así ayudar en la toma de decisiones. Un proyecto de minería de datos consta de los siguientes pasos: - Filtrado de datos: Los datos tienen que estar en un formato que entienda nuestra herramienta WEKA. Además es necesario eliminar valores no validos o que sobrepasan un umbral y que en el modelo aportarían ruido. - Selección de variables: Una vez filtrados los datos, se siguen teniendo una cantidad de datos innecesaria que ralentiza nuestro análisis. Por ello, es necesario elegir las variables que mas influyen en nuestra predicción sin perjudicar el resultado. Las técnicas mas usadas son las que buscan las variables independientes mediante algoritmos de distancia o heurísticos. - Uso de algoritmos para obtener un modelo de conocimiento: A continuación se aplican diversos algoritmos de conocimiento que mediante patrones de comportamiento que observan en las variables realizan asociaciones de las mismas para finalmente llegar a un modelo. - Interpretación y evaluación: Finalmente es necesario comprobar que los resultados de nuestro modelo son validos. Por ello es importante realizar comparaciones entre los distintos algoritmos para intentar escoger el mejor, es decir, el que menor error cometa en la predicción. Página 3 de 37
4 En esta practica, como hemos dicho, vamos a intentar desarrollar un sistema de predicción meteorológica, para ellos vamos a tomar como fuente de datos la información METAR (Meteorological Actual Report). El código METAR fue establecido por la World Meteorological Organization (WMO) y adoptado por todas las naciones del mundo sirve para representar condiciones meteorológicas en aeropuertos o estaciones meteorológicas, habitualmente con medidas horarias. Para nuestra práctica adquiriremos estos datos del aeropuerto de Madrid Barajas (con código LEMD) desde el año 1996 al La información descrita en dicho código es la siguiente: Hora (CET) Temperatura (grados Fahrenheit) Punto de rocío (grados Fahrenheit) Humedad Presión (pulgadas) Visibilidad Dirección del viento Velocidad del viento (millas por hora) Velocidad de ráfagas de viento (millas por hora) Precipitación Eventos Condiciones En cada fichero con código METAR se tiene la información de un día. Los tres objetivos de predicción en esta práctica son: Predicción de temperatura a 1 hora Predicción de temperatura a 24 horas Predicción de condiciones meteorológicas a 24 horas Página 4 de 37
5 2. Preprocesado de los datos A la hora de comenzar con el trabajo, los datos facilitados estaban distribuidos en numerosos ficheros de texto, los cuales contenían todos los datos pertenecientes a cada uno de los días bajo estudio. Se hacia necesario una manera automática de procesar los datos, ya manera del orden de 3000 ficheros para colocar los datos adecuadamente, es algo impensable en estos días. En primer lugar, pensamos en sencillos scripts bajo linux, con lenguajes como perl, bash o similares, los cuales permiten de una manera sencilla, extraer los datos de los ficheros para colocarlos en un solo fichero, y en cada línea, las medidas de cada instante de tiempo. Debido a la escasa soltura en el manejo de estos lenguajes y la falta de tiempo, se ha utilizado el fichero generado mediante perl por nuestro profesor, en cual, tenemos todos los datos línea a línea. Con estos datos, pasamos a realizar un análisis. a. Primer análisis En primer lugar, a simple vista, podemos observar como el fichero contiene una parte muy significante de días y horas en las que no se ha realizado ninguna medida, es decir, todos los parámetros son desconocidos, por lo que pasamos a eliminar todos estos datos. Aún así, podemos observar que, repartidos a lo largo de todo el fichero, encontramos pequeños conjuntos de medidas, que al igual que las anteriores, son desconocidas, pero se hace muy complicado eliminarlos manualmente. Por otro lado, también comprobamos que existen muchas magnitudes erróneas, o simplemente desconocidas ( N/A, -9999, etc.) que tenemos que reemplazar por signo de interrogación (? ), carácter utilizado por WEKA para los datos desconocidos. A raíz de esto, surgió la necesidad de implementar un nuevo programa o script para realizar estas tareas de manera automática. El lenguaje elegido fue JAVA, debido a su simplicidad en el trabajo con cadenas de caracteres y al buen manejo del mismo. Aprovechando el manejo de los datos mediante el programa, se han hecho unos cambios de variables para expresar los datos en unas unidades más familiares. Por tanto, a partir de ahora la temperatura y el nivel de rocío serán medidos en grados centígrados y la velocidad del viento en kilómetros por hora. Cuando ya se han eliminado los datos innecesarios y corregido los datos desconocidos, pasamos a realizar un análisis de los datos mediante la herramienta WEKA. Esto nos permitirá, de una manera más exacta, saber cuales son las variables determinantes a la hora de estimar la temperatura y las condiciones climatológicas. Página 5 de 37
6 A priori, podemos asegurar que la temperatura en las horas anteriores y la temperatura del día anterior a la misma hora, serán unas variables muy relacionadas para estimar la temperatura, así como las condiciones climatológicas del día anterior a la misma hora para predecir las mismas. Esto ya nos indica la necesidad de crear otro programa para poder ordenar estás ultimas medidas de una manera correcta para el análisis con WEKA. b. Segundo análisis Después de crear el nuevo programa para introducir la temperatura de una hora antes, la temperatura de dos horas antes, la temperatura del día anterior a la misma hora así como las condiciones climatológicas del día anterior, tenemos que crear la estructura de la cabecera de los ficheros ARFF (Attribute Relation File Format), que tiene un aspecto similar r1 i1 v1 datos En nuestro caso, el la cabecera tiene el siguiente 'año' 'dia' 'hora' {0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,2 'temperatura' 'rocio' 'humedad' 'presion' 'visibilidad' 'direccion' 'velocidad' 'hechos' 'condiciones' {Despejado,Tormenta,Parcialmente_Nublado,Nubes_Dispersas,Altamente_Nub lado,lluvias,nublado,niebla,bruma,bancos_de_bruma,bruma_leve,bruma_lig 'temperatura1' 'temperatura2' 'temperatura24' 'condiciones24' {Despejado,Tormenta,Parcialmente_Nublado,Nubes_Dispersas,Altamente_Nub lado,lluvias,nublado,niebla,bruma,bancos_de_bruma,bruma_leve,bruma_lig Página 6 de 37
7 Podemos comprobar como se han añadido las variables nuevas mencionadas anteriormente. Hemos de destacar que, para el conjunto de datos con el que hemos trabajado, algunas de las clases de condiciones y hechos, no aparecían en ninguna de las instancias, por tanto, hemos eliminado la aparición de las mismas. Estas han sido: Para hechos: Lluvia_Granizo_Tormenta, Granizo, Granizo_Tormenta y Nieve_Granizo Para condiciones: Granizo_Pequeño, Leve_Caída_de_Granizo_Pequeño, Granizo_Leve, Nubes_Bajas_de_Polvo, Caídas_de_Granizo, Bruma_Helada_Leve, Tormenta_con_Granizo, Remolino_de_Polvo, Tormenta_Leve, Nube_en_embudo, Arena y Nubes_de_Polvo. A pesar de ello, y para simplificar aún más el modelado, se han agrupado otros conjuntos de clases: Lluvia_Tormenta como Lluvia Llovizna_Helada_Leve, Llovizna_Leve, Llovizna_Abundante, Llovizna, Lluvia_Helada_Leve como Lluvia_Leve Fuertes_Lloviznas y Abundantes_Lluvias como Lluvias Tormentas_y_Lluvia, Tormentas_Leves_y_Lluvia, Fuertes_Tormentas_y_Lluvia como Tormenta Niebla_Leve, Abundante_Niebla y Neblina como Niebla Bancons_de_Bruma, Bruma_Leve y Bruma_Ligera como Bruma Nevada_Leve, Caidas_de_Nieve y Abundante_Nieve como Nieve Una vez elaborado correctamente el fichero ARFF, introducimos los valores en el programa WEKA, mediante el cual podremos hacer la selección, paso muy importante para poder procesar los datos de una manera más eficiente. c. Selección Lo primero que podemos observar al introducir los datos en el programa, es que tenemos datos que se escapan de una manera exagera de los rango de variación normales para la magnitudes medidas. Por lo que se modificó ligeramente el programa para restringir los datos dentro de unos rangos normales. Así, se han descartado medidas como: Nivel de rocío por debajo de -11º o por encima de 17º Presión a nivel del mar por debajo de 29 pulgadas de mercurio o por encima de 31 Visibilidad por debajo de 3 o por encima de 8 Velocidad por debajo de 0 o por encima de 40 Temperatura por debajo de -10 o por encima de 45 Con los datos correctos, pasamos a realizar un análisis buscando que variables son las más correlacionadas para la estimación de cada unos de los parámetros buscados, es decir, la temperatura y las condiciones climatológicas. Página 7 de 37
8 Realizando un análisis de CfsSubsetEval, bien sea utilizando búsqueda BestFirst, ExhaustiveSearch o GreedyStepwise, obtenemos unos resultados muy similares: - Para la estimación de la temperatura: rocio humedad direccion hechos temperatura1 temperatura2 temperatura24 - Para la estimación de las condiciones climatológicas: dia humedad presion visibilidad velocidad hechos temperatura1 condiciones24 Por tanto, una vez selección las variables importantes, pasamos a realizar el entrenamiento del sistema para poder realizar las predicciones deseadas de la manera más exacta posible. Es importante destacar que a la hora de realizar los análisis, no ha sido posible utilizar el 100% de los datos, debido a la ingente cantidad de memoria y tiempo que eso supondría para los ordenadores de sobremesa actuales, por lo que ha sido necesaria un muestreo de todas los datos disponibles. Página 8 de 37
9 3. Aprendizaje En este punto vamos a aplicar diversos algoritmos de conocimiento para finalmente intentar llegar a un modelo que reduzca la probabilidad de error en la predicción. 3.1 Aprendizaje para el modelo de predecir la temperatura REGRESION LINEAL Scheme: weka.classifiers.functions.linearregression -S 0 -R 1.0E-8 Relation: meteorologiaweka.filters.unsupervised.attribute.remove-r1-3,7-8,10,12,16 Instances: Time taken to build model: 9.91 seconds Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances Como hemos tenido problemas de memoria y de tiempo en llegar a un modelo con la mayoría de los algoritmos hemos decidido tomar menos muestras. Ahora estábamos tomando y a partir de ahora aplicamos un filtro de muestreo (resample) para así tener unas muestras. REGRESION LINEAL Scheme: weka.classifiers.functions.linearregression -S 0 -R 1.0E-8 weka.filters.unsupervised.attribute.remove-r1-3,7-8,10,12,16- weka.filters.unsupervised.instance.resample-s1-z10.0 Instances: Time taken to build model: 1.09 seconds Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1268 MULTILAYER PERCEPTRON Scheme: weka.classifiers.functions.multilayerperceptron -L 0.3 -M 0.2 -N 500 -V 0 -S 0 -E 20 -H a weka.filters.unsupervised.attribute.remove-r1-3,7-8,10,12,16- weka.filters.unsupervised.instance.resample-s1-z10.0 Página 9 de 37
10 Instances: Time taken to build model: seconds Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1268 RBF NETWORK Scheme: weka.classifiers.functions.rbfnetwork -B 2 -S 1 -R 1.0E-8 -M -1 -W 0.1 weka.filters.unsupervised.attribute.remove-r1-3,7-8,10,12,16- weka.filters.unsupervised.instance.resample-s1-z10.0 Instances: Time taken to build model: 1.16 seconds Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1268 IBK K=1 Scheme: weka.classifiers.lazy.ibk -K 1 -W 0 weka.filters.unsupervised.attribute.remove-r1-3,7-8,10,12,16- weka.filters.unsupervised.instance.resample-s1-z10.0 Instances: Time taken to build model: 0.02 seconds Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1268 IBK K=2 Scheme: weka.classifiers.lazy.ibk -K 2 -W 0 weka.filters.unsupervised.attribute.remove-r1-3,7-8,10,12,16- weka.filters.unsupervised.instance.resample-s1-z10.0 Instances: Time taken to build model: 0.02 seconds Correlation coefficient Class complexity order bits Class complexity scheme bits Página 10 de 37
11 Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1268 IBK 3 Scheme: weka.classifiers.lazy.ibk -K 3 -W 0 weka.filters.unsupervised.attribute.remove-r1-3,7-8,10,12,16- weka.filters.unsupervised.instance.resample-s1-z10.0 Instances: Test mode: user supplied test set: 1268 instances Time taken to build model: 0.02 seconds Correlation coefficient Class complexity order bits Class complexity scheme bits 3.47 Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1268 IBK 5 Scheme: weka.classifiers.lazy.ibk -K 5 -W 0 weka.filters.unsupervised.attribute.remove-r1-3,7-8,10,12,16- weka.filters.unsupervised.instance.resample-s1-z10.0 Instances: Time taken to build model: 0 seconds Correlation coefficient Class complexity order bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1268 KSTAR Scheme: weka.classifiers.lazy.kstar -B 20 -M a Página 11 de 37
12 weka.filters.unsupervised.attribute.remove-r1-3,7-8,10,12,16- weka.filters.unsupervised.instance.resample-s1-z10.0 Instances: Time taken to build model: 0.02 seconds Correlation coefficient Class complexity order bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1268 LAZY Scheme: weka.classifiers.lazy.lwl -U 0 -K -1 -W weka.classifiers.trees.decisionstump weka.filters.unsupervised.attribute.remove-r1-3,7-8,10,12,16- weka.filters.unsupervised.instance.resample-s1-z10.0 Instances: Time taken to build model: 0.02 seconds Correlation coefficient Class complexity order bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1268 TREES M5P Scheme: weka.classifiers.trees.m5p -M 4.0 weka.filters.unsupervised.attribute.remove-r1-3,7-8,10,12,16- weka.filters.unsupervised.instance.resample-s1-z10.0 Instances: Time taken to build model: 23.3 seconds Correlation coefficient Class complexity order bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Página 12 de 37
13 Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1268 REP TREE Scheme: weka.classifiers.trees.reptree -M 2 -V N 3 -S 1 -L -1 weka.filters.unsupervised.attribute.remove-r1-3,7-8,10,12,16- weka.filters.unsupervised.instance.resample-s1-z10.0 Instances: Time taken to build model: 0.39 seconds Correlation coefficient Class complexity order bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1268 CONJUNCTIVE RULE Scheme: weka.classifiers.rules.conjunctiverule -N 3 -M 2.0 -P -1 -S 1 weka.filters.unsupervised.attribute.remove-r1-3,7-8,10,12,16- weka.filters.unsupervised.instance.resample-s1-z10.0 Instances: Correlation coefficient Class complexity order bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1268 DECISION TABLE Scheme: weka.classifiers.rules.decisiontable -X 1 -S 5 weka.filters.unsupervised.attribute.remove-r1-3,7-8,10,12,16- weka.filters.unsupervised.instance.resample-s1-z10.0 Instances: Página 13 de 37
14 Correlation coefficient Class complexity order bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1268 M5 RULES Scheme: weka.classifiers.rules.m5rules -M 4.0 weka.filters.unsupervised.attribute.remove-r1-3,7-8,10,12,16- weka.filters.unsupervised.instance.resample-s1-z10.0 Instances: Time taken to build model: 80.2 seconds Correlation coefficient Class complexity order bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 1268 A la hora de realizar una comparación entre los diferentes algoritmos planteados, hemos de fijarnos algunos de los parámetros de salida. Hemos seleccionado los siguientes: Tiempo: nos ha parecido un parámetro decisivo a la hora de obtener un modelo de conocimiento apropiado para realizar las estimaciones. Junto con este parámetro, aparece asociado la cantidad de memoria necesaria para procesar los datos. Como ya hemos explicado anteriormente nos hemos visto obligados a reducir el conjunto de muestras. Root mean squared error: nos permitirá obtener una aproximación de lo buenos que es modelo en función de la desviación que existe entre el valor real y el predicho. Relative absolute error: es una medida similar a la anterior, pero de manera porcentual. Página 14 de 37
15 Predicción de temperatura Tiempo Root mean squared error Relative absolute error REGRESION LINEAL 1.09 seconds % MULTILAYER PERCEPTRON seconds % RBF NETWORK 1.16 seconds % IBK K= seconds % IBK K= seconds % IBK K= seconds % IBK K=5 0 seconds % KSTAR 0.02 seconds % LAZY 0.02 seconds % TREES M5P 23.3 seconds % REP TREE 0.39 seconds % CONJUNCTIVE RULE % DECISION TABLE % M5 RULES 80.2 seconds % Página 15 de 37
16 Como podemos comprobar en la tabla anterior, se han marcado los mejores resultados obtenidos en cada uno de los parámetros elegidos para comparar los métodos de aprendizajes. Observando estos valores, podemos concluir que el mejor algoritmo para predecir la temperatura es KSTAR, ya permite obtener un buen valor de para el error cuadrático medio así como el error absoluto, con unos tiempos de procesamiento muy buenos. Página 16 de 37
17 3.2 Aprendizaje para el modelo de predecir las condiciones RED BAYESIANA Scheme: weka.classifiers.bayes.bayesnet -D -Q weka.classifiers.bayes.net.search.local.k2 -- -P 1 -S BAYES -E weka.classifiers.bayes.net.estimate.simpleestimator -- -A 0.5 Test mode: user supplied test set: 1141 instances Time taken to build model: 0.39 seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits 0.72 Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % NAIVE BAYES Scheme: weka.classifiers.bayes.naivebayes Test mode: user supplied test set: 1141 instances Time taken to build model: 0.13 seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Complexity improvement (Sf) bits Página 17 de 37
18 Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % NAIVE BAYES UPDATEABLE Scheme: weka.classifiers.bayes.naivebayesupdateable Test mode: user supplied test set: 1141 instances Time taken to build model: 0.11 seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % LOGISTIC Scheme: weka.classifiers.functions.logistic -R 1.0E-8 -M -1 Test mode: user supplied test set: 1141 instances Time taken to build model: seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Complexity improvement (Sf) bits Página 18 de 37
19 Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % MULTILAYER PERCEPTRON Scheme: weka.classifiers.functions.multilayerperceptron -L 0.3 -M 0.2 -N 500 -V 0 -S 0 -E 20 -H a Test mode: user supplied test set: 1141 instances Time taken to build model: seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % SMO Scheme: weka.classifiers.functions.smo -C 1.0 -E 1.0 -G A L P 1.0E-12 -N 0 -V -1 -W 1 Test mode: user supplied test set: 1141 instances Time taken to build model: seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Página 19 de 37
20 Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % IBI Scheme: weka.classifiers.lazy.ib1 Test mode: user supplied test set: 1141 instances Time taken to build model: 0.03 seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Ibk k=1 Scheme: weka.classifiers.lazy.ibk -K 1 -W 0 Test mode: user supplied test set: 1141 instances Time taken to build model: 0.02 seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Página 20 de 37
21 Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Ibk k=2 Scheme: weka.classifiers.lazy.ibk -K 2 -W 0 Test mode: user supplied test set: 1141 instances Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Ibk k=3 Scheme: weka.classifiers.lazy.ibk -K 3 -W 0 Test mode: user supplied test set: 1141 instances Time taken to build model: 0.02 seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Página 21 de 37
22 Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % KStar Scheme: weka.classifiers.lazy.kstar -B 20 -M a Test mode: user supplied test set: 1141 instances Time taken to build model: 0 seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Complexity improvement (Sf) bits 0.15 Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Lazy Scheme: weka.classifiers.lazy.lwl -U 0 -K -1 -W weka.classifiers.trees.decisionstump Time taken to build model: 0.02 seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Página 22 de 37
23 Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Decisions Stump Scheme: weka.classifiers.trees.decisionstump Time taken to build model: 0.09 seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % J48 Scheme: weka.classifiers.trees.j48 -C M 2 Time taken to build model: 5.02 seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Complexity improvement (Sf) bits Página 23 de 37
24 Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % NBTree Scheme: weka.classifiers.trees.nbtree Relation: meteorologia- Test mode: user supplied test set: 1141 instances Time taken to build model: seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error 0.07 Root mean squared error Relative absolute error % Root relative squared error % REPTree Scheme: weka.classifiers.trees.reptree -M 2 -V N 3 -S 1 -L -1 Relation: meteorologia- Time taken to build model: 1.84 seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Página 24 de 37
25 Root mean squared error Relative absolute error % Root relative squared error % ConjunctiveRule Scheme: weka.classifiers.rules.conjunctiverule -N 3 -M 2.0 -P -1 -S 1 Relation: meteorologia- Time taken to build model: 0.34 seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Decision Table Scheme: weka.classifiers.rules.decisiontable -X 1 -S 5 Relation: meteorologia- Time taken to build model: 2.03 seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Página 25 de 37
26 J Rip Scheme: weka.classifiers.rules.jrip -F 3 -N 2.0 -O 2 -S 1 Relation: meteorologia- Time taken to build model: seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % One R Scheme: weka.classifiers.rules.oner -B 6 Relation: meteorologia- Time taken to build model: 0.09 seconds Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic K&B Relative Info Score % K&B Information Score bits Class complexity scheme bits Complexity improvement (Sf) bits Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Página 26 de 37
27 Como en el apartado anterior, vamos a proceder a estudiar el algoritmo de aprendizaje que mejor aproximación da, basándonos en los 3 parámetros seleccionados, el tiempo que tarda en ejecutarse, el error cuadrático medio y el error absoluto relativo: Predicción de condiciones a 24 horas Tiempo Root mean squared error Relative absolute error RED BAYESIANA 0.39 seconds % NAIVE BAYES 0.13 seconds % NAIVE BAYES UPDATEABLE 0.11 seconds % LOGISTIC seconds % MULTILAYER PERCEPTRON seconds % SMO seconds % IBI 0.03 seconds % IBK k= seconds % IBK k= seconds % IBK k= seconds % KSTAR % LAZY 0.02 seconds % Página 27 de 37
28 DECISIONS STUMP 0.09 seconds % J seconds % NBTree seconds % REPTree 1.84 seconds % Conjunctive Rule 0.34 seconds % Decision Table 2.03 seconds % J Rip seconds % One R 0.09 seconds % En la tabla anterior, al igual que con el apartado de predicción de la temperatura, se han seleccionado como parámetros para comparar los métodos, el tiempo de ejecución, el error cuadrático medio y el error absoluto. También podríamos haber elegido los porcentajes de acierto y fallo en cada uno de los métodos, pero hemos comprobado están totalmente relacionados. En este caso, con una gran diferencia, podemos decir que el mejor de los métodos es el de Decisión Table, ya que el que obtiene un error menor a pesar de ser un poco más lento que otros métodos. Si nos fijamos en el porcentaje de aciertos que obtiene: Correctly Classified Instances % Incorrectly Classified Instances % Hemos comprobado que es muy superior al de la mayoría de los otros algoritmos, que en el mejor de los casos están en torno a 68% de aciertos. Página 28 de 37
29 4. Anexos a. Script inicial Como se ha comentado anteriormente, el script utilizado ha sido facilitado por el profesor. Este script se encarga de abrir cada uno de los ficheros con la información, extraer los datos y juntarlos todos en un solo fichero. Además, se modifica el formato de la hora para que en lugar de tener las horas de 0 a 12 en AM y PM, utilizar un formato de 0 a 47 en intervalos de media hora. El código es el siguiente: procesa-lemd/filtra.pl while(<>) { chop(); if(/^[ ]*:[03]0/) { s/^12:00 AM/0/; s/^12:30 AM/1/; s/^1:00 AM/2/; s/^1:30 AM/3/; s/^2:00 AM/4/; s/^2:30 AM/5/; s/^3:00 AM/6/; s/^3:30 AM/7/; s/^4:00 AM/8/; s/^4:30 AM/9/; s/^5:00 AM/10/; s/^5:30 AM/11/; s/^6:00 AM/12/; s/^6:30 AM/13/; s/^7:00 AM/14/; s/^7:30 AM/15/; s/^8:00 AM/16/; s/^8:30 AM/17/; s/^9:00 AM/18/; s/^9:30 AM/19/; s/^10:00 AM/20/; s/^10:30 AM/21/; s/^11:00 AM/22/; s/^11:30 AM/23/; s/^12:00 PM/24/; s/^12:30 PM/25/; s/^1:00 PM/26/; s/^1:30 PM/27/; s/^2:00 PM/28/; s/^2:30 PM/29/; s/^3:00 PM/30/; s/^3:30 PM/31/; s/^4:00 PM/32/; s/^4:30 PM/33/; s/^5:00 PM/34/; s/^5:30 PM/35/; s/^6:00 PM/36/; s/^6:30 PM/37/; s/^7:00 PM/38/; s/^7:30 PM/39/; s/^8:00 PM/40/; Página 29 de 37
30 s/^8:30 PM/41/; s/^9:00 PM/42/; s/^9:30 PM/43/; s/^10:00 PM/44/; s/^10:30 PM/45/; s/^11:00 PM/46/; s/^11:30 PM/47/; print "$_\n"; procesa-lemd/pon48.pl $FICHERO = $ARGV[0]; $FICHERO =~ s/08221-//; $FICHERO =~ s/-/,/g; $contador = 0; while(<stdin>) { chop(); $linea = $_; $linea =~ s/,,/,?,/g; ($valor) = ($linea =~ /^([0-9]+),/); while($contador<48) { if($contador==$valor) { print "$FICHERO,$linea\n"; $contador++; last; elsif($contador<$valor) { print "$FICHERO,$contador,?,?,?,?,?,?,?,?,?,?,?\n"; $contador++; elsif($contador>$valor) { print "$FICHERO,$contador,?,?,?,?,?,?,?,?,?,?,?\n"; $contador++; last; while($contador<48) { print "$FICHERO,$contador,?,?,?,?,?,?,?,?,?,?,?\n"; $contador++; procesa-lemd/quitabr.pl while(<>) { s/<br>/\n/g; print; procesa-lemd/procesa.pl while(<>) { chop(); $fichero = $_; system("cat $fichero perl quitabr.pl perl filtra.pl perl pon48.pl $fichero"); Página 30 de 37
31 b. Código java para el preprocesado Como se ha comentado anteriormente, este es el código empleado para filtra los datos, eliminar los valores absurdos de las variables y agrupar distintas clases de condiciones. El código probablemente no sea muy correcto, y será óptimo, pero no es el objetivo de está práctica, por lo que sólo nos interesa que cumpla con los objetivos impuestos. import java.io.*; public class limpiar { public static void main(string[] args) throws IOException{ FileReader fich = new FileReader ("datos"); BufferedReader red = new BufferedReader (fich); PrintWriter writrain = new PrintWriter (new BufferedWriter (new FileWriter ( "datostrain.arff"))); PrintWriter writest = new PrintWriter (new BufferedWriter (new FileWriter ( "datostest.arff"))); int i = 0; String tmp; String nue; char sepa = ','; int fecha; int tempe; int test=0; Double temp; int meses[] = {0,31,60,91,121,152,182,213,244,274,305,335; int eliminadas = 0; int itest = 0; int itrain = 0; int index; int diahoy = 9999; int diacont = 0; int horahoy = 9999; int horacont = 0; String temperaturahoy = "?"; String temperatura24[] = {"?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?"; String condicioneshoy = "9999"; String condiciones24[] = {"?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?","?"; while (true) { String escribe; test=0; int index1 = 0; int index2 = 0; Página 31 de 37
32 int incompleto = 0; tmp = red.readline(); if (tmp == null) { break; i++; //año index2 = tmp.indexof(sepa,index1); nue = tmp.substring(index1,index2); if ( nue.equals("2004") ) { test=1; escribe = nue + sepa; index1 = index2+1; //mes index2 = tmp.indexof(sepa,index1); fecha = meses[integer.valueof(tmp.substring(index1,index2))-1]; index1 = index2+1; //dia index2 = tmp.indexof(sepa,index1); fecha += Integer.valueOf(tmp.substring(index1,index2)); escribe = escribe + fecha + sepa; index1 = index2+1; diahoy=fecha; //hora index2 = tmp.indexof(sepa,index1); fecha = Integer.valueOf(tmp.substring(index1,index2)); escribe = escribe + fecha + sepa; index1 = index2+1; horahoy=fecha; //temperatura index2 = tmp.indexof(sepa,index1); nue = tmp.substring(index1,index2); if (!nue.equals("?") &&!nue.equals("-9999") &&!nue.equals("n/a") ) { temp = (Double.valueOf(nue)-32)/1.8; tempe = Math.round(temp.floatValue()); if ( (tempe < -10) (tempe > 45) ) { escribe = escribe + "?" + sepa; temperaturahoy = "?"; incompleto++; else{ escribe = escribe + tempe + sepa; temperaturahoy = String.valueOf(tempe); else{ escribe = escribe + "?" + sepa; temperaturahoy = "?"; incompleto++; Página 32 de 37
33 index1 = index2+1; //rocio index2 = tmp.indexof(sepa,index1); nue = tmp.substring(index1,index2); if (!nue.equals("?") &&!nue.equals("-9999") &&!nue.equals("n/a") ) { temp = (Double.valueOf(nue)-32)/1.8; tempe = Math.round(temp.floatValue()); if ( (tempe < -11) (tempe > 17) ){ escribe = escribe + "?" + sepa; incompleto++; else{ escribe = escribe + tempe + sepa; else{ escribe = escribe + "?" + sepa; incompleto++; index1 = index2+1; //humedad index2 = tmp.indexof(sepa,index1); nue = tmp.substring(index1,index2); if (!nue.equals("?") &&!nue.equals("-9999") &&!nue.equals("n/a") ) { tempe = Integer.valueOf(nue); escribe = escribe + tempe + sepa; else{ escribe = escribe + "?" + sepa; incompleto++; index1 = index2+1; //presion index2 = tmp.indexof(sepa,index1); nue = tmp.substring(index1,index2); if (!nue.equals("?") &&!nue.equals("-9999") &&!nue.equals("n/a") ) { temp = Double.valueOf(nue); if ( (temp < 29) (temp > 31) ) { escribe = escribe + "?" + sepa; incompleto++; else{ escribe = escribe + temp + sepa; else{ escribe = escribe + "?" + sepa; incompleto++; index1 = index2+1; //visibilidad index2 = tmp.indexof(sepa,index1); nue = tmp.substring(index1,index2); if (!nue.equals("?") &&!nue.equals(" ") &&!nue.equals("n/a") ) { temp = Double.valueOf(nue); if ( (temp < 3) (temp > 8) ) { Página 33 de 37
34 escribe = escribe + "?" + sepa; incompleto++; else{ escribe = escribe + temp + sepa; else{ escribe = escribe + "?" + sepa; incompleto++; index1 = index2+1; //direccion index2 = tmp.indexof(sepa,index1); nue = tmp.substring(index1,index2); escribe = escribe + nue + sepa; index1 = index2+1; //velocidad index2 = tmp.indexof(sepa,index1); nue = tmp.substring(index1,index2); if ( nue.equals("calm") ) { escribe = escribe + "0" + sepa; else if (!nue.equals("?") &&!nue.equals(" ") &&!nue.equals("n/a") ) { temp = Double.valueOf(nue)*1.6092; tempe = Math.round(temp.floatValue()); if ( (tempe < 0) (tempe > 40) ) { escribe = escribe + "?" + sepa; incompleto++; else{ escribe = escribe + tempe + sepa; else{ escribe = escribe + "?" + sepa; incompleto++; index1 = index2+1; //rafaga index2 = tmp.indexof(sepa,index1); //de este dato pasamos porque siempre es - index1 = index2+1; //precipitacion index2 = tmp.indexof(sepa,index1); //de este dato pasamos porque siempre es N/A index1 = index2+1; //hechos index2 = tmp.indexof(sepa,index1); nue = tmp.substring(index1,index2).replace('-','_'); if ( nue.equals("lluvia_granizo_tormenta") nue.equals("granizo") nue.equals("granizo_tormenta") nue.equals("nieve_granizo") ) { nue = "?"; else if ( nue.equals("lluvia_tormenta") ) { nue = "Tormenta"; Página 34 de 37
35 escribe = escribe + nue + sepa; index1 = index2+1; //condiciones index2 = tmp.length(); nue = tmp.substring(index1,index2).replace(' ','_'); if ( nue.equals("desconocido") (nue.length() == 0) nue.equals("granizo_pequeño") nue.equals("leve_caída_de_granizo_pequeño") nue.equals("granizo_leve") nue.equals("nubes_bajas_de_polvo") nue.equals("caídas_de_granizo") nue.equals("tormentas_con_granizo") nue.equals("remolinos_de_polvo") nue.equals("tormenta_leve") nue.equals("humo") nue.equals("particulas_de_nieve") nue.equals("nubes_de_polvo") nue.equals("bruma_helada_leve") nue.equals("nube_en_embudo") nue.equals("arena") ){ nue = "?"; else if (nue.equals("tormentas_y_lluvia") nue.equals("tormentas_leves_y_lluvia") nue.equals("fuertes_tormentas_y_lluvia") ) { nue = "Tormenta"; else if (nue.equals("fuertes_lluvias") nue.equals("abundantes_lluvias")) { nue = "Lluvias"; else if (nue.equals("niebla_leve") nue.equals("abundante_niebla") nue.equals("neblina") ) { nue = "Niebla"; else if (nue.equals("llovizna_helada_leve") nue.equals("llovizna") nue.equals("llovizna_leve") nue.equals("llovizna_abundante") nue.equals("lluvia_helada_leve") ) { nue = "Lluvia_Leve"; else if (nue.equals("nevada_leve") nue.equals("caidas_de_nieve") nue.equals("abundante_nieve") ) { nue = "Nieve"; else if (nue.equals("bancos_de_bruma") nue.equals("bruma_leve") nue.equals("bruma_ligera") ) { nue = "Bruma"; escribe = escribe + nue + sepa; condicioneshoy = nue; if (i==1) { diacont=diahoy; horacont=horahoy; else{ horacont = horacont+1; Página 35 de 37
36 if (horacont == 48) { horacont = 0; diacont = (diacont+1)%366; //temperatura 1 hora antes if (horahoy == 0) { index = 46; else if (horahoy == 1) { index = 47; else{ index = horahoy-2; escribe = escribe + temperatura24[index] + sepa; //temperatura 2 horas antes if (horahoy == 0) { index = 44; else if (horahoy == 1) { index = 45; else if (horahoy == 2) { index = 46; else if (horahoy == 3) { index = 47; else{ index = horahoy-4; escribe = escribe + temperatura24[index] + sepa; //temperatura 24 horas antes escribe = escribe + temperatura24[horahoy] + sepa; //condiciones 24 horas antes escribe = escribe + condiciones24[horahoy]; temperatura24[horahoy] = temperaturahoy; condiciones24[horahoy] = condicioneshoy; { m++) { if ( (horacont!= horahoy) (diacont!= diahoy) ) if (diacont == diahoy) { for (int m=horacont; m < horahoy; m++) { temperatura24[m] = "?"; condiciones24[m] = "?"; else if ( (diahoy-diacont) > 1) { for (int m=0; m < 48; m++) { temperatura24[m] = "?"; condiciones24[m] = "?"; else{ for (int m=horacont; (m%48) <= horahoy; temperatura24[m%48] = "?"; condiciones24[m%48] = "?"; horacont = horahoy; diacont = diahoy; Página 36 de 37
37 if (incompleto < 5) { if (test == 1) { writest.println(escribe); itest++; else { writrain.println(escribe); itrain++; else eliminadas++; red.close(); fich.close(); writest.close(); writrain.close(); System.out.println("final de fichero. Lineas procesadas OK=" + i); System.out.println(" Lineas eliminadas=" + eliminadas); System.out.println(" Lineas correctas=" + (i-eliminadas)); System.out.println(" Lineas para train=" + itrain); System.out.println(" Lineas para test=" + itest); Página 37 de 37
PREDICCIÓN METEOROLÓGICA
PRÁCTICA FINAL DE INTELIGENCIA EN REDES DE ORDENADORES PREDICCIÓN METEOROLÓGICA 5º INGENIERIA DE TELECOMUNICACIÓN Julio Alberto Polo Fernández 100029757 Raúl Muñoz Martínez 100029571 INDICE 1) Introducción
Más detallesPREDICCIÓN METEOROLÓGICA
PREDICCIÓN METEOROLÓGICA INTELIGENCIA EN REDES DE COMUNICACIONES INTRODUCCIÓN En esta práctica se pretende obtener un sistema real de predicción meteorológica utilizando técnicas de aprendizaje automático
Más detallesMinería de Datos. Predicción Meteorológica
Minería de Datos Jesús Sáez Gómez Escalonilla Inteligencia en Redes de Comunicación Ing. Telecomunicación Página 1 de 25 1. Introducción El objetivo de la práctica es el desarrollo de un sistema real de
Más detallesINGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA EN REDES DE ORDENADORES
INGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA EN REDES DE ORDENADORES Jaime de Uriarte de Antonio 100021498 Olivia García Robas 100021435 ÍNDICE Página 1. Introducción 3 2. Tratamiento de datos 4 3. Predicciones..
Más detallesPREDICCIÓN METEOROLÓGICA
PREDICCIÓN METEOROLÓGICA PRÁCTICA FINAL INTELIGENCIA EN REDES DE COMUNICAIONES Roberto Díaz Morales 100025231 Jaime Mayor Berzal 100025204 Índice Introducción Tratamiento de datos Predicciones Cuadro con
Más detallesPráctica Final: Predicción Metereológica en Weka.
INTELIGENCIA EN REDES DE COMUNICACIONES Práctica Final: Predicción Metereológica en Weka. Ramón Fernández Lorenzana 100025293 Manuel Asenjo Chacón 100050872 5º Ingeniería de Telecomunicación 1.PREPROCESADO
Más detallesPredicción meteorológica
Predicción meteorológica Trabajo hecho por: Roberto García Sanchez Pablo Casas Muñoz Qué es WEKA? Acrónimo de Waikate Environment for Knowledge Analisis Es un entorno para experimentación de análisis de
Más detallesInteligencia en Redes de Comunicaciones
Inteligencia en Redes de Comunicaciones Predicción meteorológica Aitor Mendaza Ormaza 100021542 INDICE Introducción 1 Tratamiento de Datos.5 Resultados y análisis 7 Introducción: El objetivo de esta práctica
Más detallesPráctica 2: Utilización de WEKA desde la línea de comandos.
PROGRAMA DE DOCTORADO TECNOLOGÍAS INDUSTRIALES APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN ROBÓTICA Práctica 2: Utilización de WEKA desde la línea de comandos. Objetivos: Utilización de WEKA desde la
Más detallesPráctica Final INTELIGENCIA EN REDES DE COMUNICACIONES
Práctica Final INTELIGENCIA EN REDES DE COMUNICACIONES Minería de Datos: Predicción de las condiciones meteorológicas Carlos Blanco González Fernando García Diez Grupo 91 5º curso Ing. telecomunicación
Más detallesIsmael Fernández Castellano Telmo Calle Facal Grupo 91
PREDICCIÓN METEOROLÓGICA CON LA PLATAFORMA WEKA Ismael Fernández Castellano 100033034 Telmo Calle Facal 100035925 Grupo 91 1. INTRODUCCIÓN El objetivo de la práctica es desarrollar un sistema de caracterización
Más detallesINTERPRETACIÓN DE IMÁGENES DE RADARES METEOROLÓGICOS. Juan Manuel Sancho Avila, M.Carmen Romero Palomino
INTERPRETACIÓN DE IMÁGENES DE RADARES METEOROLÓGICOS Juan Manuel Sancho Avila, M.Carmen Romero Palomino La fiabilidad de las predicciones del tiempo a corto y medio plazo (para mañana y los próximos días)
Más detallesClase adicional 2. Estructuras básicas de control. Temas
Clase adicional 2 Temas Estructuras de control Sentencia condicional Iteración Clases Definir una clase Crear una instancia de una clase Campos estáticos Problemas de la clase adicional Problema de diseño
Más detallesInteligencia en Redes de Comunicaciones
Universidad Carlos III de Madrid Inteligencia en Redes de Comunicaciones PRÁCTICA FINAL PREDICCIÓN METEOROLÓGICA USANDO WEKA Titulación: Ingeniería de Telecomunicación, Curso 5º Pablo Casas Muñoz Roberto
Más detallesPráctica 5: Clasificación con número variable de ejemplos.
5º INGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA ARTIFICIAL Y RECONOCIMIENTO DE PATRONES Práctica 5: Clasificación con número variable de ejemplos. Objetivos: Utilización de conjuntos de entrenamiento y
Más detallesTema 7: Polimorfismo. Índice
Tema 7: Polimorfismo Antonio J. Sierra Índice Introducción. Sobrecarga de métodos. Objetos como parámetros. Paso de argumentos. Devolución de objetos. Recursividad. Control de acceso. Static. Final. Argumento
Más detallesINTELIGENCIA EN REDES DE COMUNICACIONES. MINERÍA DE DATOS-PREDICCIÓN METEOROLÓGICA-.
INGENIERÍA EN TELECOMUNICACIONES UNIVERSIDAD CARLOS III DE MADRID 5º Curso, Año Académico 2004/2005 INTELIGENCIA EN REDES DE COMUNICACIONES. MINERÍA DE DATOS-PREDICCIÓN METEOROLÓGICA-. Realizado por: David
Más detallesPredicción de la relación entre el género, la cantidad de cigarrillos y enfermedades usando Máquinas de Vector Soporte
Predicción de la relación entre el género, la cantidad de cigarrillos y enfermedades usando Máquinas de Vector Soporte Resumen En este trabajo se usó Máquinas de Vectores de Soporte (SVM, por sus siglas
Más detallesD.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO
Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos
Más detallesAPLICACIÓN DE ÁRBOLES BINARIOS
PRÁCTICA Nº 6: 2 sesiones (del 22 al 31 de Mayo de 2002) APLICACIÓN DE ÁRBOLES BINARIOS A LA COMPRESIÓN DE FICHEROS DE TEXTO MEDIANTE LA UTILIZACIÓN DE LOS CÓDIGOS DE HUFFMAN 0.- OBJETIVOS El objetivo
Más detallesSegunda práctica de REGRESIÓN.
Segunda práctica de REGRESIÓN. DATOS: fichero practica regresión 2.sf3. Objetivo: El objetivo de esta práctica es interpretar una regresión y realizar correctamente la diagnosis. En la primera parte se
Más detallesCLASE DATE DEL API JAVA. MÉTODOS BEFORE, AFTER, TOLOCALESTRING, TOGMTSTRING Y GETTIME. EJEMPLOS. (CU00924C)
APRENDERAPROGRAMAR.COM CLASE DATE DEL API JAVA. MÉTODOS BEFORE, AFTER, TOLOCALESTRING, TOGMTSTRING Y GETTIME. EJEMPLOS. (CU00924C) Sección: Cursos Categoría: Lenguaje de programación Java nivel avanzado
Más detallesREGRESIÓN LINEAL CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística REGRESIÓN LINEAL CON SPSS 1.- INTRODUCCIÓN El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre
Más detallesAnálisis de Datos en WEKA Pruebas de Selectividad
Análisis de Datos en WEKA Pruebas de Selectividad María García Jiménez Ingeniería de Telecomunicación Universidad Carlos III 100025080@alumnos.uc3m.es Aránzazu Álvarez Sierra Ingeniería de Telecomunicación
Más detallesString s = t.readline() 4. Si el valor leído desde teclado, se requiere almacenar en una variable de un tipo diferente a
Desde teclado Entrada de datos 1. Importar el paquete java.io 2. Crear un objeto BufferedReader, pasando como parámetro al constructor un objeto InputStreamReader. BufferedReader t = new BufferedReader(new
Más detallesTRABAJO FIN DE ASIGNATURA
INTELIGENCIA EN REDES DE COMUNICACIONES TRABAJO FIN DE ASIGNATURA Luis Javier Duque Cuadrado 1 Breve descripción de los algoritmos elegidos 1.1 Clasificación a) Árboles de decisión de un nivel (decision
Más detallesDistribuciones muestrales. Distribución muestral de Medias
Distribuciones muestrales. Distribución muestral de Medias Algunas secciones han sido modificadas de: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua TEORIA DEL MUESTREO
Más detallesRED DE ESTACIONES METEOROLÓGICAS DE NAVARRA: GESTIÓN Y NUEVOS
Territorial 2000 1 RED DE ESTACIONES METEOROLÓGICAS DE NAVARRA: GESTIÓN Y NUEVOS DESARROLLOS. Rafael Sánchez, Itziar Berrospe, Alejo Berastegui, Miguel Donezar, Gaspar Domench CETENASA, DEPARTAMENTO DE
Más detallesProf. Dr. Paul Bustamante
Nombre: Carné: Examen C++ - Junio Informática II Fundamentos de Programación Prof. Dr. Paul Bustamante Examen Grupo B Programación en C++ Pág. 1 ÍNDICE ÍNDICE... 1 1. Introducción.... 1 1.1 Ejercicio 1:
Más detallesHerramientas de Minería de datos: WEKA (Waikato Environment for Knowledge Analysis)
Herramientas de Minería de datos: WEKA (Waikato Environment for Knowledge Analysis) Juan A. Botía Blaya juanbot@um.es November 27, 2007 1 Introducción En esta práctica, vamos a ilustrar el uso de Weka
Más detallesIntroducción a las sentencias de control
INSTRUCCIONES DE CONTROL CONTENIDOS 1. Introducción a las sentencias de control. 2. Instrucciones o sentencias condicionales: IF, IF-ELSE, SWITCH. 3. Instrucciones o sentencias repetitivas o iterativas:
Más detallesUnidad Didáctica 3. Tipos genéricos. Fundamentos de Programación Departamento de Lenguajes y Sistemas Informáticos
Unidad Didáctica 3 Tipos genéricos Fundamentos de Programación Departamento de Lenguajes y Sistemas Informáticos Definición de tipo genérico Hablamos de un tipo genérico cuando el tipo en cuestión depende
Más detallesINFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016
INFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016 Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 1. COMENTARIOS Y/O ACOTACIONES RESPECTO AL TEMARIO EN RELACIÓN
Más detalles1. Cuántas sentencias hay en la secuencia principal del siguiente programa?
1. Cuántas sentencias hay en la secuencia principal del siguiente programa? public class PruebaSwitch { System.out.print ("Opcion: "); case 3: System.out.println ("miércoles "); A. 1. B. 4. C. Más de 10.
Más detallesMetodología y Tecnología de la Programación
Tema 4. Abstracción procedimental y de datos 1. Cuál es el error del siguiente programa? import java.util.scanner; class Respuesta{ static Scanner leer=new Scanner(System.in); int valor = lectura(); System.out.println(valor);
Más detallesInformación de la lectura en un programa.
I/O Cualquier programa realizado en Java que necesite llevar a cabo una operación de I/O lo hará a través de un stream. Un stream, cuya traducción literal es "flujo", es una abstracción de todo aquello
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx Método de Búsqueda de Fibonacci Algoritmo
Más detallesMinería a de Datos. plataforma WEKA. Ismael Fernández Castellano Telmo Calle Facal
Minería a de Datos Predicción n meteorológica con la plataforma WEKA Ismael Fernández Castellano Telmo Calle Facal Introducción Buscamos un sistema de caracterización meteorológica a partir de datos tomados
Más detallesAutomatización de la Evaluación del Impacto Social en Proyectos de Inversión Publica
Automatización de la Evaluación del Impacto Social en Proyectos de Inversión Publica Ronald René Vergara Pareja 1 Agenda Objetivo de la Investigación. Situación Actual de los Proyectos de Inversión Publica.
Más detallesIntroducción al análisis numérico
Introducción al análisis numérico Javier Segura Universidad de Cantabria Cálculo Numérico I. Tema 1 Javier Segura (Universidad de Cantabria) Introducción al análisis numérico CNI 1 / 26 Contenidos: 1 Sistemas
Más detallesLa estadística en Internet
5 La estadística en Internet Neus Canal Díaz 5.1. Introducción Actualmente, Internet se está convirtiendo en una de las principales fuentes de información en muchas áreas, como es la investigación científica.
Más detallesExamen parcial Convocatoria de junio de 2005 FUNDAMENTOS DE LA PROGRAMACIÓN
EJERCICIO 1 (1.5 puntos) Diseñe un conjunto de casos de prueba adecuado para comprobar el funcionamiento de un método encargado de calcular la duración de una llamada telefónica. Entradas Hora de inicio
Más detallesJesús García Herrero TÉCNICAS DE REGRESIÓN NO LINEAL
Jesús García Herrero TÉCNICAS DE REGRESIÓN NO LINEAL En esta clase se presenta un método de inducción de modelos numéricos de regresión a partir de datos. En el tema de técnicas clásicas se presentó la
Más detallesSESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas
SESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA PROF. Esther González Sánchez Departamento de Informática y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria
Más detallesModulo 11. Clases y Objetos en Java
El siguiente texto es una traducción no oficial del documento publicado por el grupo JEDI, Introduction to Programming 1, no pretende en ningún momento reemplazar los contenidos generados por este grupo.
Más detallesCLIMATOLOGÍA AERONÁUTICA (2000-2010) AEROPUERTO INTERNACIONAL TOBÍAS BOLAÑOS PALMA (COSTA RICA)
CLIMATOLOGÍA AERONÁUTICA (2000-2010) AEROPUERTO INTERNACIONAL TOBÍAS BOLAÑOS PALMA (COSTA RICA) W. Stolz España J. Rojas Ureña Gabriela Chinchilla R. 2012 CARACTERÍSTICAS DEL AEROPUERTO El Aeropuerto Internacional
Más detallesFundamentos de Computadores y Lenguajes
Fundamentos de Computadores y Lenguajes 1. Elementos básicos de los lenguajes 2. Instrucciones de control 3. Tipos de datos 4. Métodos 5. Modularidad y Abstracción 6. Tratamiento de errores 7. Entrada/salida
Más detallesPráctica 2 Métodos de búsqueda para funciones de una variable
Práctica 2 Métodos de búsqueda para funciones de una variable Introducción Definición 1. Una función real f se dice que es fuertemente cuasiconvexa en el intervalo (a, b) si para cada par de puntos x 1,
Más detallesEsta aplicación se compone de 3 programas o clases, según el siguiente esquema: SueldoMedio.java. Sueldo.java
PROGRAMACIÓN I FECHA: 10-septiembre-2002 Programa de ficheros de E/S (lau puntu) Realizar una aplicación en Java para calcular el sueldo medio mensual de los empleados en activo en una empresa de Vitoria,
Más detallesGENERAR NÚMEROS ALEATORIOS EN JAVA. CLASE RANDOM Y MÉTODO NEXTINT. EJERCICIO EJEMPLO RESUELTO. (CU00672B)
APRENDERAPROGRAMAR.COM GENERAR NÚMEROS ALEATORIOS EN JAVA. CLASE RANDOM Y MÉTODO NEXTINT. EJERCICIO EJEMPLO RESUELTO. (CU00672B) Sección: Cursos Categoría: Curso Aprender programación Java desde cero Fecha
Más detallesClase adicional 9. Listas enlazadas. Temas. Listas enlazadas Árboles Problemas de la clase adicional Ejercicios de diseño
Clase adicional 9 Temas Listas enlazadas Árboles Problemas de la clase adicional Ejercicios de diseño Listas enlazadas Previamente en este curso, ya habrá trabajado con dos de las estructuras de datos
Más detallesCLAVE ASIGNATURA REQUISITOS HORA/SEMANA CREDITOS TI-8 PROGRAMACION II 80% DE ASISTENCIA 4 6
PRESENTACIÓN: La programación orientada a objetos es una evolución de la programación procedural basada en funciones. La POO permite agrupar secciones de código con funcionalidades comunes, pretende agrupar
Más detallesMANUAL DE EXCEL AVANZADO
MANUAL DE EXCEL AVANZADO 1. CONSOLIDACIÓN DE CONCEPTOS... 1 1.1. FÓRMULAS (BUENAS PRÁCTICAS)... 1 1.1.1. Tipos de operandos... 1 1.1.2. Tipos de operadores... 2 1.1.3. PRECEDENCIA DE OPERADORES ARITMÉTICOS...
Más detallesINTERFACES SET Y SORTEDSET DEL API DE JAVA. CLASES HASHSET Y TREESET. EJEMPLO. DIFERENCIAS ENTRE ELLAS. (CU00921C)
APRENDERAPROGRAMAR.COM INTERFACES SET Y SORTEDSET DEL API DE JAVA. CLASES HASHSET Y TREESET. EJEMPLO. DIFERENCIAS ENTRE ELLAS. (CU00921C) Sección: Cursos Categoría: Lenguaje de programación Java nivel
Más detallesPRÁCTICA 11. VALORES ANÓMALOS OUTLIERS Y EFECTO CALENDARIO
PRÁCTICA 11. VALORES ANÓMALOS OUTLIERS Y EFECTO CALENDARIO Los modelos ARIMA constituyan una forma práctica de representar la dinámica de una serie. Ye hemos introducido en las prácticas anteriores el
Más detallesEstructuras de control condicionales
Estructuras de control condicionales Por defecto, las instrucciones de un programa se ejecutan secuencialmente: El orden secuencial de ejecución no altera el flujo de control del programa respecto al orden
Más detallesPráctica 2ª : OPERADORES LÓGICOS Y RELACIONALES. CICLOS Y ESTRUCTURAS DE CONTROL. MÉTODOS DE RESOLUCIÓN DE UNA ECUACIÓN NO LINEAL.
practica2sr.nb 1 Apellidos y Nombre: Práctica 2ª : OPERADORES LÓGICOS Y RELACIONALES. CICLOS Y ESTRUCTURAS DE CONTROL. MÉTODOS DE RESOLUCIÓN DE UNA ECUACIÓN NO LINEAL. Operadores lógicos y relacionales
Más detallesEn este capitulo se estudiarán los conceptos relacionados a métodos, como lo son sobrecarga, métodos estáticos.
Lección 3: Creando clases 1. Definición de métodos 2. Sobrecarga de métodos 3. Definición de constructores 4. Creando miembros estáticos 5. Construcción e inicialización de objetos Objetivos En este capitulo
Más detallesUNIDAD 1: QUÉ ES LA ESTADÍSTICA?
UNIDAD 1: QUÉ ES LA ESTADÍSTICA? Para el desarrollo de este capítulo, vaya revisando conjuntamente con esta guía el capítulo 1 del texto básico, págs. 1 a la 15 1.1. INTRODUCCION: Como habrán podido comprender
Más detallesMicrosoft Access 2003 (Completo)
Página 1 Horas de teoría: 27 Horas de práctica: 25 Precio del Curso: 167 Descripción del funcionamiento del programa de gestión de bases de datos Microsoft Access 2003, estudiando los conceptos fundamentales
Más detallesDistribuciones bidimensionales. Regresión.
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 5: Distribuciones bidimensionales. Regresión. Resumen teórico Resumen teórico de los principales conceptos estadísticos
Más detallesIntroducción a la estadística básica, el diseño de experimentos y la regresión
Introducción a la estadística básica, el diseño de experimentos y la regresión Objetivos José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Objetivo general Organizar el estudio
Más detallesTema 3. 3. Correlación. Correlación. Introducción
3-1 Introducción Tema 3 Correlación Coeficiente de correlación lineal de Pearson Coeficiente de correlación poblacional Contraste paramétrico clásico Transformación de Fisher Correlación bayesiana Test
Más detallesPROGRAMACIÓN LINEAL ENTERA
PROGRAMACIÓN LINEAL ENTERA Programación lineal: hipótesis de perfecta divisibilidad Así pues decimos que un problema es de programación lineal entera, cuando prescindiendo de las condiciones de integridad,
Más detallesProgramación 2. Grado en Estadística Aplicada. Curso 2012-2013. Generación de números pseudoaleatorios. Manejo de ficheros de texto.
Programación 2 Grado en Estadística Aplicada Curso 2012-2013 Generación de números pseudoaleatorios. Manejo de ficheros de texto. Jesús Correas jcorreas@fdi.ucm.es Departamento de Sistemas Informáticos
Más detallesLa sintaxis básica para definir una clase es la que a continuación se muestra:
DEFINICIÓN DE CLASES Y OBJETOS EN C# Sintaxis de definición de clases La sintaxis básica para definir una clase es la que a continuación se muestra: class nombreclase miembros De este modo se definiría
Más detallesProblemas de Recursividad
Problemas de Recursividad Problema 1. El factorial de un número entero n 0, denotado como n!, se define! como!!! i = 1 2 n cuando n > 0, y 0! = 1. Por ejemplo 6! = 1 2 3 4 5 6 = 720 Diseñad una método
Más detallesBienvenida. Introducción. Los interesados podrán ingresar a la siguiente dirección web:
Bienvenida Dentro de las Políticas institucionales esta la de promover y desarrollar a los trabajadores, es por ello que el Poder Judicial invita a participar en los concursos de selección internos. Introducción
Más detallesINSTRUCCIONES PARA EL USO DEL SOFTWARE (IS)
INSTRUCCIONES PARA EL USO DEL SOFTWARE (IS) Pantalla Inicial de DERIVE for Windows Teniendo instalado el programa DERIVE sobre Windows, podemos ingresar al sistema de las siguientes formas: Haciendo clic
Más detallesEl programa P1 tiene como objetivo imprimir cada uno de los caracteres de una cadena en una línea, como por ejemplo: h o l a
Examen de Programación (13294) Convocatoria de Junio 2006 Licenciatura de Lingüística y Nuevas Tecnologías Pregunta 1 El programa P1 tiene como objetivo imprimir cada uno de los caracteres de una cadena
Más detallesÍNDICE CAPITULO UNO CAPITULO DOS. Pág.
ÍNDICE CAPITULO UNO Pág. Concepto de Estadística 1 Objetivo 1 Diferencia entre estadísticas y estadística 1 Uso de la estadística 1 Divisiones de la estadística 1 1. Estadística Descriptiva 1 2. Estadística
Más detallesMÉTODOS DE APRENDIZAJE INDUCTIVO
Aprendizaje Automático y Data Mining Bloque III MÉTODOS DE ARENDIZAJE INDUCTIVO 1 Índice Clasificación de métodos: Lazy Eager Árboles de decisión. Listas de reglas. Aprendizaje Bayesiano. Redes neuronales
Más detallesAnálisis de Datos CAPITULO 3: MEDIDAS DE VARIABILIDAD Y ASIMETRÍA
1. INTRODUCCIÓN En el tema 1 veíamos que la distribución de frecuencias tiene tres propiedades: tendencia central, variabilidad y asimetría. Las medidas de tendencia central las hemos visto en el tema
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T8: Aprendizaje basado en instancias www.aic.uniovi.es/ssii Índice Aprendizaje basado en instancias Métricas NN Vecino más próximo: Regiones de Voronoi El parámetro K Problemas de
Más detallesAspen Plus software de simulación de procesos
Aspen Plus software de simulación de procesos Hay muchos subprogramas dentro de la familia de la Aspen Tech. Este manual describe un diagrama de flujo simple a seguir para la solución de un tanque de destilación
Más detallesEl uso de la Técnica de Regresión Lineal Múltiple para la evaluación de la dotación de personal en el I.N.S.S.
El uso de la Técnica de Regresión Lineal Múltiple para la evaluación de la dotación de personal en el I.N.S.S. Establecimiento de un sistema de evaluación de la dotación de personal para las oficinas del
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesMICROSOFT ACCESS 2007
MICROSOFT ACCESS 2007 1. AVANZADO Nº Horas: 24 Objetivos: Descripción del funcionamiento del programa de gestión de bases de datos Microsoft Access 2007, estudiando los conceptos fundamentales de las bases
Más detallesManual de Mensajes Recibidos Swift
Manual de Mensajes Recibidos Swift Índice Manual de Mensajes Recibidos Swift. Introducción... 2. Descripción del Servicio.... Características... 4. Acceso... 5. Consulta de Saldos... 6. Consulta de Movimientos
Más detallesSantiago Pinto Planificación de Obras de Construcción CONTROL DE OBRA CONTROL PRESUPUESTARIO EVALUACION MENSUAL DEL GASTO DE OBRA.
CONTROL DE OBRA CONTROL PRESUPUESTARIO Y EVALUACION MENSUAL DEL GASTO DE OBRA Hoja 1 de 8 CONTROL PRESUPUESTARIO Introducción: Como sabemos, uno de los objetivos fundamentales del Control Presupuestario
Más detallesUna población es el conjunto de todos los elementos a los que se somete a un estudio estadístico.
Introducción a la Melilla Definición de La trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un estudio estadístico
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
Más detallesExcel 2007 Completo. Duración: Objetivos: Contenido: 75 horas
Excel 2007 Completo Duración: 75 horas Objetivos: Curso para aprender a utilizar la hoja de cálculo Microsoft Excel 2007, explicando todas las funciones que la aplicación posee y viendo el uso de este
Más detallesCapítulo 3. Diseño de un Ambiente para Apoyar la Investigación Usando. Documentos Digitales
Capítulo 3 Diseño de un Ambiente para Apoyar la Investigación Usando Documentos Digitales En el capítulo 2 mostramos diversos ambientes de trabajo que permiten realizar anotaciones a documentos digitales.
Más detallesCarlos Montenegro. Programación Orientada a Objetos Proyecto Curricular de Ingeniería de Sistemas
2 - Introducción al lenguaje Java, identificadores y comentarios. Carlos Montenegro Programación Orientada a Objetos Proyecto Curricular de Ingeniería de Sistemas 1. Introducción: Java tiene como todos
Más detallesCurso Informática Lección 4. Instrucciones de control
Fundamentos de Informática Lección 4. Instrucciones de control Curso 2010-2011 Pedro Álvarez y José Ángel Bañares 24/09/2010. Dpto. Informática e Ingeniería de Sistemas. Índice de contenidos Introducción
Más detallesResumen Clase Anterior Ejercicio Clase 16 Archivos Ejemplo. ING1310 Introducción a la Computación. Archivos
ING1310 Introducción a la Computación Archivos Carlos Reveco creveco@dcc.uchile.cl careveco@miuandes.cl Facultad de Ingeniería/Universidad de los Andes/Chile Rev : 232 C.Reveco Facultad de Ingeniería/Universidad
Más detallesEstructuras de control selectivas
Práctica 3 Estructuras de control selectivas Fundamentos de Programación Departamento de Lenguajes y Sistemas Informáticos Versión 2.0.2 Concepto de sentencia y estructura de control El cuerpo de los métodos
Más detallesIng. Carlos Bacalla Página 1 de 5
Memoria Caché 1. Introducción Ante la inmensa velocidad de los procesadores que a medida del tiempo se va incrementando, el límite es mayor entre la transferencia de la memoria principal (RAM) y el CPU;
Más detallesREPASO ARRAYS MULTIDIMENSIONALES EN JAVA. DECLARACIÓN Y USO. EJEMPLOS Y EJERCICIOS RESUELTOS. (CU00905C)
APRENDERAPROGRAMAR.COM REPASO ARRAYS MULTIDIMENSIONALES EN JAVA. DECLARACIÓN Y USO. EJEMPLOS Y EJERCICIOS RESUELTOS. (CU00905C) Sección: Cursos Categoría: Lenguaje de programación Java nivel avanzado I
Más detalles7. Ejemplos con LightPAP
7. Ejemplos con LightPAP La herramienta creada se ha testado con una secuencia de siete imágenes de citologías muy diferentes entre sí. Estas imágenes han sido proporcionadas por un grupo de investigación
Más detallesMANUAL DE USUARIO STIV CONSULTAS EXTERNAS
1. INTRODUCCIÓN... 1 1.2 Requisitos mínimos del sistema para un desempeño óptimo... 1 2. ACCESO AL SITIO DE CONSULTAS EXTERNAS... 1 2.1 Acceso al sitio de consulta a través de la página de la Comisión...
Más detallesANÁLISIS DE LA EVOLUCIÓN DE LAS PRECIPITACIONES MÁXIMAS EN 24 HORAS EN SEVILLA EN LOS ULTIMOS 30 AÑOS Y SUS REPERCUSIONES AMBIENTALES
ANÁLISIS DE LA EVOLUCIÓN DE LAS PRECIPITACIONES MÁXIMAS EN 24 HORAS EN SEVILLA EN LOS ULTIMOS 30 AÑOS Y SUS REPERCUSIONES AMBIENTALES Resumen y palabras claves Emilio Francisco SANCHA NAVARRO Estudiante
Más detallesTRABAJO PRÁCTICO ESTADISTICA APLICADA (746)
UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADEMICO AREA DE MATEMATICA TRABAJO PRÁCTICO ESTADISTICA APLICADA (746) JOSE GREGORIO SANCHEZ CASANOVA C.I. V-9223081 CARRERA: 610 SECCION Nº 1 SAN CRISTOBAL,
Más detallesCartilla de Usuario: Editar Datos Contacto Existente (Directorio)
Cartilla de Usuario: Editar Datos Contacto Existente (Directorio) Solución de Entrenamiento - Sujetos de Control Tabla de Contenido Para quienes está dirigido este documento... 3 Convenciones usadas en
Más detallesAcelerar el apagado de Windows 7
Acelerar el apagado de Windows 7 Si tienes varios programas en ejecución en tu Windows 7, el apagado se ralentizará durante un tiempo. Está claro que para apagarse, deberá cerrar todos aquellos procesos
Más detallesImágenes y productos de Satélite
Imágenes y productos de Satélite Los satélites meteorológicos están diseñados para observar la Tierra desde una determinada órbita con el objetivo de monitorizar el medio ambiente y estudiar fenómenos
Más detallesProbabilidades y la curva normal
Probabilidades y la curva normal Las distribuciones reales y las distribuciones teóricas Por Tevni Grajales Guerra Tal cual estudiamos en nuestro tercer tema. Cuando registramos los valores de una variable
Más detalles