1. ANÁLISIS EXPLORATORIO DE DATOS
|
|
- Amparo Venegas Toledo
- hace 6 años
- Vistas:
Transcripción
1 1. ANÁLISIS EXPLORATORIO DE DATOS El Análisis Exploratorio de Datos (E.D.A.: Exploratory data analysis) es un conjunto de técnicas estadísticas cuya finalidad es conseguir un entendimiento básico de los datos y de las relaciones existentes entre las variables analizadas. Para conseguir este objetivo el E.D.A. proporciona métodos sistemáticos sencillos para organizar y preparar los datos, detectar fallos en el diseño y recogida de los mismos, tratamiento y evaluación de datos ausentes (missing), identificación de casos atípicos (outliers) y comprobación de los supuestos subyacentes en la mayor parte de las técnicas multivariantes (normalidad, linealidad, homocedasticidad). El examen previo de los datos es un paso necesario, que lleva tiempo, y que habitualmente se descuida por parte de los analistas de datos. Las tareas implícitas en dicho examen pueden parecer insignificantes y sin consecuencias a primera vista, pero son una parte esencial de cualquier análisis estadístico. La forma de proceder con el E.D.A. es someter las muestras recogidas durante un proceso de investigación en cualquier campo. Para mayor rapidez y precisión, todo el proceso suele realizarse por medios informáticos, con aplicaciones específicas para el tratamiento estadístico. Los E.D.A., no necesariamente, se llevan a cabo con una base de datos al uso, ni con una hoja de cálculo convencional. Los pasos seguidos en el E. D. A. son básicamente dos: Medición y descripción de los datos tecnológicos tipológicos y dimensiones, por medio de la Estadística descriptiva. Aquí tenemos, por un lado, las medidas de tendencia central (promedios que, en una sola cifra, resumen todos los valores de una muestra: media, mediana y moda son las más habituales) y, por otro, las medidas de dispersión (que calculan hasta qué punto la muestra se agrupa o no en torno a esos promedios). Dentro de este apartado, se ha de procurar, además, calibrar la confianza de las muestras a través de tres estadímetros básicos: la desviación estándar de la muestra, la curtosis y la asimetría. Comentario [CJ1]: No hay necesidad de los puntos Comparación de los caracteres de una muestra, o de varias muestras diferentes por medio de la Estadística inferencial. Las pruebas más frecuentemente utilizadas comienzan por las más sencillas comparaciones visuales a través de gráficas como la campana de Gauss, nubes de dispersión o diagramas de caja y arbotantes, pasando por las socorridas tablas de contingencia (incluido la prueba del χ 2 ), y por los típicos Análisis de Varianza (que no es más que una confrontación muy precisa de los promedios de varias muestras), hasta llegar a los más complejos análisis multivariantes de conglomerados DESCUBRIMIENTO DE NUEVO CONOCIMIENTO EN BASES DE DATOS (KDD) La idea general de descubrir "conocimiento" en grandes bases de datos es intuitiva y llamativa, pero técnicamente hablando es todo un desafío. El KDD es considerado como el proceso no trivial de la extracción de datos ocultos, previamente desconocidos y potencialmente útiles. El proceso del Knowledge discovery in Databases debe ayudarnos a entender como realmente se debería hacer el descubrimiento y como apoyar de esta forma al analista, que es una persona humana después de todo, sin ellos el proceso de descubrir nuevos conocimientos simplemente no existiría.
2 La extracción de conocimiento es un proceso interactivo y repetitivo, no un sistema que automáticamente analiza los datos y nos da como resultado conocimiento útil. La interactividad del proceso se refiere a que el usuario debe entender y participar de todo el proceso porque es él quien da una pista de cual va a ser el dominio de la aplicación, o sea sobre que aspecto de los datos se quieren trabajar. Para entender mejor la función de los usuarios que utilizan KDD, en este trabajo reconoceremos tres clases de usuarios: 1.el experto del dominio, que debe entender muy bien sobre el dominio de la aplicación; 2. el analista, que es el que ejecuta todo el proceso y que por eso debe tener mucho conocimiento sobre todos los pasos que tiene el proceso y 3. el usuario final, que no necesita poseer mucho conocimiento pero es el que después de terminado el proceso utilizará el conocimiento extraído. El éxito del proceso depende mucho de la interactividad y comunicación entre las diferentes clases de usuarios. Por ejemplo, es muy poco probable que el Analista encuentre conocimiento útil en una gran cantidad de datos sin que el Experto le diga que le será útil para un dominio específico. Las etapas del proceso KDD se dividen en 5 fases y son: 1. Selección de datos. En esta etapa se determinan las fuentes de datos y el tipo de información a utilizar. Es la etapa donde los datos relevantes para el análisis son extraídos desde la o las fuentes de datos. 2. Preprocesamiento. Esta etapa consiste en la preparación y limpieza de los datos extraídos desde las distintas fuentes de datos en una forma manejable, necesaria para las fases posteriores. En esta etapa se utilizan diversas estrategias para manejar datos faltantes o en blanco, datos inconsistentes o que están fuera de rango, obteniéndose al final una estructura de datos adecuada para su posterior transformación. 3. Transformación. Consiste en el tratamiento preliminar de los datos, transformación y generación de nuevas variables a partir de las ya existentes con una estructura de datos apropiada. Aquí se realizan operaciones de agregación o normalización, consolidando los datos de una forma necesaria para la fase siguiente. 4. Data Mining. Es la fase de modelamiento propiamente tal, en donde métodos inteligentes son aplicados con el objetivo de extraer patrones previamente desconocidos, válidos, nuevos, potencialmente útiles y comprensibles y que están contenidos u ocultos en los datos. 5. Interpretación y Evaluación. Se identifican los patrones obtenidos y que son realmente interesantes, basándose en algunas medidas y se realiza una evaluación de los resultados obtenidos. Además de las fases descritas, frecuentemente se incluye una fase previa de análisis de las necesidades de la organización y definición del problema, en la que se establecen los objetivos de la minería de datos. También es usual incluir una etapa final, donde los resultados obtenidos se integran al negocio para la realización de acciones comerciales INTELIGENCIA DEL NEGOCIO Es un conjunto de metodologías, aplicaciones, estrategias y herramientas enfocadas a la administración y creación de conocimiento mediante la reunión, el análisis y depuración de datos en una organización o empresa. Para obtener dicho conocimiento se deben transformar los datos en información, y la información en conocimiento, de forma que se pueda optimizar el proceso de toma de decisiones en los negocios. Abarca la comprensión del funcionamiento actual de la empresa, bien como la anticipación de acontecimientos futuros, con el objetivo de ofrecer conocimientos para respaldar las decisiones empresariales.
3 Las herramientas de inteligencia se basan en la utilización de un sistema de información de inteligencia que se forma con distintos datos extraídos de los datos de producción, con información relacionada con la empresa o sus ámbitos y con datos económicos. Mediante las herramientas y técnicas ELT (extraer, cargar y transformar), o actualmente ETL (extraer, transformar y cargar) se extraen los datos de distintas fuentes, se depuran y preparan (homogeneización de los datos) para luego cargarlos en un almacén de datos. La vida o el periodo de éxito de un software de inteligencia de negocios dependerá únicamente del nivel de éxito del cual haga en beneficio de la empresa que lo usa, si esta empresa es capaz de incrementar su nivel financiero, administrativo y sus decisiones mejoran el accionar de la empresa, la inteligencia de negocios usada estará presente por mucho tiempo, de lo contrario será sustituido por otro que aporte mejores resultados y más precisos. Por último, las herramientas de inteligencia analítica posibilitan el modelado de las representaciones con base en consultas para crear un cuadro de mando integral que sirve de base para la presentación de informes. Este conjunto de herramientas y metodologías tienen en común las siguientes características: Comentario [CJ2]: No sólo es el software, son las personas que los usan Accesibilidad a la información. Los datos son la fuente principal de este concepto. Lo primero que deben garantizar este tipo de herramientas y técnicas será el acceso de los usuarios a los datos con independencia de la procedencia de estos. Apoyo en la toma de decisiones. Se busca ir más allá en la presentación de la información, de manera que los usuarios tengan acceso a herramientas de análisis que les permitan seleccionar y manipular sólo aquellos datos que les interesen. Orientación al usuario final. Se busca independencia entre los conocimientos técnicos de los usuarios y su capacidad para utilizar estas herramientas MINERÍA DE DATOS La minería de datos (DM, Data Mining) consiste en la extracción no trivial de información que reside de manera implícita en los datos por medio de técnicas y tecnologías que permiten explorar grandes bases de datos, de manera automática o semiautomática. Dicha información era previamente desconocida y podrá resultar útil para algún proceso. En otras palabras, la minería de datos prepara, sondea y explora los datos para sacar la información oculta en ellos como patrones repetitivos, tendencias o reglas que expliquen el comportamiento de los datos en un determinado contexto. Básicamente, el datamining surge para intentar ayudar a comprender el contenido de un repositorio de datos. Con este fin, hace uso de prácticas estadísticas y, en algunos casos, de algoritmos de búsqueda próximos a la Inteligencia Artificial y a las redes neuronales. De forma general, los datos son la materia prima bruta. En el momento que el usuario les atribuye algún significado especial pasan a convertirse en información. Cuando los especialistas elaboran o encuentran un modelo, haciendo que la interpretación que surge entre la información y ese modelo represente un valor agregado, entonces nos referimos al conocimiento.
4 Un proceso típico de minería de datos consta de los siguientes pasos generales: 1. Selección del conjunto de datos, tanto en lo que se refiere a las variables objetivo (aquellas que se quiere predecir, calcular o inferir), como a las variables independientes (las que sirven para hacer el cálculo o proceso), como posiblemente al muestreo de los registros disponibles. 2. Análisis de las propiedades de los datos, en especial los histogramas, diagramas de dispersión, presencia de valores atípicos y ausencia de datos (valores nulos). 3. Transformación del conjunto de datos de entrada, se realizará de diversas formas en función del análisis previo, con el objetivo de prepararlo para aplicar la técnica de minería de datos que mejor se adapte a los datos y al problema, a este paso también se le conoce como preprocesamiento de los datos. 4. Seleccionar y aplicar la técnica de minería de datos, se construye el modelo predictivo, de clasificación o segmentación. 5. Extracción de conocimiento, mediante una técnica de minería de datos, se obtiene un modelo de conocimiento, que representa patrones de comportamiento observados en los valores de las variables del problema o relaciones de asociación entre dichas variables. También pueden usarse varias técnicas a la vez para generar distintos modelos, aunque generalmente cada técnica obliga a un preprocesado diferente de los datos. 6. Interpretación y evaluación de datos, una vez obtenido el modelo, se debe proceder a su validación comprobando que las conclusiones que arroja son válidas y suficientemente satisfactorias. En el caso de haber obtenido varios modelos mediante el uso de distintas técnicas, se deben comparar los modelos en busca de aquel que se ajuste mejor al problema. Si ninguno de los modelos alcanza los resultados esperados, debe alterarse alguno de los pasos anteriores para generar nuevos modelos RECONOCIMIENTO DE PATRONES El reconocimiento de patrones es la ciencia que se ocupa de los procesos sobre ingeniería, computación y matemáticas relacionados con objetos físicos o abstractos, con el propósito de extraer información que permita establecer propiedades de entre conjuntos de dichos objetos. El reconocimiento de patrones se realiza por medio de identificación de figuras y reconocimiento de formas consiste en el reconocimiento de patrones de señales. Los patrones se obtienen a partir de los procesos de segmentación, extracción de características y descripción dónde cada objeto queda representado por una colección de descriptores. El sistema de reconocimiento debe asignar a cada objeto su categoría o clase (conjunto de entidades que comparten alguna característica que las diferencia del resto). Para poder reconocer los patrones se siguen los siguientes procesos: Comentario [CJ3]: Esto es mucho decir. Cinecia? 1. adquisición de datos 2. extracción de características 3. toma de decisiones
5 6. APRENDIZAJE DE MÁQUINAS El aprendizaje de máquinas (machine learning) o también llamada aprendizaje automático es una rama de la Inteligencia Artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender. De forma más concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una información no estructurada suministrada en forma de ejemplos. Es, por lo tanto, un proceso de inducción del conocimiento. En muchas ocasiones el campo de actuación del Aprendizaje Automático se solapa con el de la Estadística, ya que las dos disciplinas se basan en el análisis de datos. Sin embargo, el Aprendizaje Automático se centra más en el estudio de la Complejidad Computacional de los problemas. Muchos problemas son de clase NP-hard, por lo que gran parte de la investigación realizada en Aprendizaje Automático está enfocada al diseño de soluciones factibles a esos problemas. El Aprendizaje Automático puede ser visto como un intento de automatizar algunas partes del Método Científico mediante métodos matemáticos. El Aprendizaje Automático tiene una amplia gama de aplicaciones, incluyendo motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica. Algunos sistemas de Aprendizaje Automático intentan eliminar toda necesidad de intuición o conocimiento experto de los procesos de análisis de datos, mientras otros tratan de establecer un marco de colaboración entre el experto y la computadora. De todas formas, la intuición humana no puede ser reemplazada en su totalidad, ya que el diseñador del sistema ha de especificar la forma de representación de los datos y los métodos de manipulación y caracterización de los mismos. Los diferentes algoritmos de Aprendizaje Automático se agrupan en una taxonomía en función de la salida de los mismos. Algunos tipos de algoritmos son: Aprendizaje supervisado El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores. Este tipo de aprendizaje puede llegar a ser muy útil en problemas de investigación biologica, biologia computacional y bioinformatica. Aprendizaje no supervisado Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos. Por lo tanto, en este caso, el sistema tiene que ser capaz de reconocer patrones para poder etiquetar las nuevas entradas. Comentario [CJ4]: No sólo en estas áreas! Aprendizaje semisupervisado Este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar de manera adecuada. Se tiene en cuenta los datos marcados y los no marcados. Aprendizaje por refuerzo El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de ensayo-error. Transducción Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema.
6 Aprendizaje multi-tarea Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos DIFERENCIAS Y SIMILITUDES Entre todos los términos definidos anteriormente, existen elementos que comparten entre sí y también hay otros en los que difieren: Diferencias: Algunos métodos de análisis tratan de excluir la interacción humana lo mejor posible como por ejemplo el aprendizaje de máquinas, mientras que otros es muy importante dicha interacción como por ejemplo el descubrimiento de nuevo conocimiento en bases. No en todos los métodos se debe tener una base de datos establecida en la cual trabajar. Similitudes: Algo que tienen en común estos métodos para el análisis de datos es que un elemento clave que comparten es que sirven para obtener información o conocimiento importante de una serie de datos. Los requisitos y necesidades de la organización o ente interesado, deben ser satisfechos correctamente para evitar inconsistencias y poder obtener lo que se busca. El descubrimiento de nuevo conocimiento en bases de datos utiliza la minería de datos durante su proceso, para obtener patrones y datos ocultos. El reconocimiento de patrones es parte fundamental de la minería de datos. Varios métodos se apoyan en el análisis estadístico.
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesEstructuras Administrativas
Estructuras Administrativas ESTRUCTURAS ADMINISTRATIVAS 1 Sesión No. 7 Nombre: Diagramas de Flujo Objetivo: El estudiante desarrollará la propuesta de un diagrama de flujo para la especificación de la
Más detallesSISTEMA INTEGRAL PARA LA PROYECCIÓN Y DETECCIÓN DE LA PREVENCIÓN DEL DELITO, MEDIANTE MINERÍA DE DATOS.
SISTEMA INTEGRAL PARA LA PROYECCIÓN Y DETECCIÓN DE LA PREVENCIÓN DEL DELITO, MEDIANTE MINERÍA DE DATOS. MTIE. Erik Guerrero Bravo. Universidad Tecnológica Tula - Tepeji. Introducción Sistemas Transaccionales
Más detallesINGENIERIA. Reyes Marzano, Alejandro FISI-UNMSM
INGENIERIA La ingeniería es la disciplina que aplica conocimientos y experiencias para que mediante diseños, modelos y técnicas se resuelvan problemas que afectan a la humanidad. En ella, el conocimiento
Más detallesAnálisis Inteligente de Datos: Introducción
Análisis Inteligente de Datos: cvalle@inf.utfsm.cl Departamento de Informática - Universidad Técnica Federico Santa María Santiago, Marzo 2009 Temario 1 Temario 1 Preguntas Relevantes Por qué análisis
Más detallesNombre de la asignatura: Simulación. Créditos: Aportación al perfil
Nombre de la asignatura: Simulación Créditos: 2-4-6 Aportación al perfil Analizar, diseñar y gestionar sistemas productivos desde la provisión de insumos hasta la entrega de bienes y servicios, integrándolos
Más detallesNombre de la asignatura: Algoritmos y Lenguajes de programación.
Nombre de la asignatura: Algoritmos y Lenguajes de programación. Créditos: 2-4- 6 Aportación al perfil Dominar la lógica necesaria para aprender lenguajes de programación de alto nivel para poder resolver
Más detalles4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
Más detallesEstas son algunas de las características que ayudan a comprender la naturaleza de esta herramienta.
DIAGRAMA DE RELACIONES El diagrama de relaciones es una representación grafica de las posibles relaciones cualitativas causa-efecto entre diversos factores y un fenómeno determinado de dichos factores
Más detallesPrueba, caso de prueba, defecto, falla, error, verificación, validación.
Modelos de Prueba Prueba, caso de prueba, defecto, falla, error, verificación, validación. Prueba: Las Pruebas son básicamente un conjunto de actividades dentro del desarrollo de software, es una investigación
Más detallesCIDE, SA. RIF: J NIT: MODELO FUNCIONAL
MODELO FUNCIONAL SIGA C O NTE NlD O Introducción Aspectos Conceptuales Definición de modelo Requisitos de un Modelo Funcional Modelando la Funcionalidad del Sistema: Diagrama de Casos de Uso Definición
Más detallesEspecialidades en GII-TI
Especialidades en GII-TI José Luis Ruiz Reina (coordinador) Escuela Técnica Superior de Ingeniería Informática Mayo 2014 Qué especialidades tiene la Ingeniería Informática? Según las asociaciones científicas
Más detallesSistemas de Información Geográfica
Sistemas de Información Geográfica un SIG es un sistema de hardware, software y procedimientos elaborados para facilitar la obtención, gestión, manipulación, análisis, modelado, representación y salida
Más detallesCopyright 2013 by TEA Ediciones. Información técnica PROPIEDADES TÉCNICAS DEL TEST DE INTERESES PROFESIONAES
Copyright 2013 by TEA Ediciones Información técnica PROPIEDADES TÉCNICAS DEL TEST DE INTERESES PROFESIONAES Información técnica A continuación se presenta un breve extracto de las propiedades técnicas
Más detallesLECTURA 01: LA ESTADÍSTICA. TÉRMINOS DE ESTADÍSTICA. RECOLECCIÓN DE DATOS TEMA 1: LA ESTADISTICA: DEFINICION Y CLASIFICACION
LECTURA 01: LA ESTADÍSTICA. TÉRMINOS DE ESTADÍSTICA. RECOLECCIÓN DE DATOS TEMA 1: LA ESTADISTICA: DEFINICION Y CLASIFICACION 1. DEFINICION La estadística es una ciencia que proporciona un conjunto métodos
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesProyectos: Formulación y evaluación
Pág. N. 1 Proyectos: Formulación y evaluación Familia: Editorial: Autor: Ingeniería Macro Luis Angulo Aguirre ISBN: 978-612-304-335-3 N. de páginas: 440 Edición: 1. a 2016 Medida: 17.5 x 24.8 Colores:
Más detallesNombre de la asignatura: Tratamiento de Aguas Residuales. Créditos: horas teóricas- horas prácticas- total de horas 2-4-6
Nombre de la asignatura: Tratamiento de Aguas Residuales Créditos: horas teóricas- horas prácticas- total de horas 2-4-6 Aportación al perfil Seleccionar, diseñar, optimizar y operar sistemas de prevención
Más detallesEstadística Descriptiva
M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Desde la segunda mitad del siglo anterior, el milagro industrial sucedido en Japón, hizo
Más detallesBloque 1. Contenidos comunes. (Total: 3 sesiones)
4º E.S.O. OPCIÓN A 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 3 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas, tales como
Más detallesUNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS FACULTAD DE INGENIERÍA PROYECTO CURRICULAR DE INGENIERÍA DE SISTEMAS
I. IDENTIFICACIÓN DE LA ASIGNATURA ESTADÍSTICA I CÓDIGO DE LA ASIGNATURA 33102106 ÁREA CIENCIAS BASICAS DE INGENIERIA SEMESTRE SEGUNDO PLAN DE ESTUDIOS 1996 AJUSTE 2002 HORAS TOTALES POR SEMESTRE 64 HORAS
Más detallesE S T A D Í S T I C A
Tema 1. Estadística Todos los días haces acopio de datos e información de distintas fuentes con el fin de tomar decisiones, revisas en internet el reporte meteorológico y así decidir que ropa vas a usar,
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN ÁREA SISTEMAS INFORMÁTICOS.
TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN ÁREA SISTEMAS INFORMÁTICOS. HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Ingeniería de
Más detallesÍNDICE DE CONTENIDOS. sistema Los Subsistemas de la Empresa El entorno empresarial Funciones Directivas LA EMPRESA COMO SISTEMA. FUNCIONES DIRECTIVAS
ÍNDICE DE CONTENIDOS 1 2 3 4 5 6 Concepto y Propiedades de los Sistemas Tipología de los Sistemas Elementos Conceptuales de la empresa como sistema El entorno empresarial Funciones Directivas 1 Concepto
Más detallesEstadísticos Descriptivos
ANÁLISIS EXPLORATORIO DE DATOS El análisis exploratorio tiene como objetivo identificar el modelo teórico más adecuado para representar la población de la cual proceden los datos muéstrales. Dicho análisis
Más detallesProceso de Investigación y Modelo Integral
Proceso de Investigación y Modelo Integral Metodología de la Investigación 1 Temas Definición de Investigación Investigación Cuantitativa Investigación Cualitativa Modelo Integral Modelo de dos etapas.
Más detallesNombre de la asignatura: Investigación de Operaciones II. Créditos: Aportación al perfil
Nombre de la asignatura: Investigación de Operaciones II Créditos: 2-2-4 Aportación al perfil Analizar, diseñar y gestionar sistemas productivos desde la provisión de insumos hasta la entrega de bienes
Más detallesBodegas de Datos y OLAP. Introducción a la Bodegas de Datos
Bodegas de Datos y OLAP Introducción a la Bodegas de Datos Contenido SI-Definición y Clasificación MIS Vs DSS DSS-Definición y Características DW-Definición, Elementos, Características, Arquitectura, OLTP
Más detallesINTRODUCCION AL MARKETING
INTRODUCCION AL MARKETING Tema 5 LA INVESTIGACIÓN COMERCIAL Y EL MARKETING CONTENIDOS BASICOS OBJETIVOS a) Comprender la importancia del Sistema de Información de Marketing b) Componentes del S.I.M c)
Más detallesAplicaciones empresariales
KDD y Data Minig Descubrimiento de Conocimiento en Bases de Datos Se define como la extracción no trivial de información implícita, desconocida, y potencialmente útil de los datos. La palabra descubrimiento
Más detallesIngeniería de Requerimientos. requiere de un Sistema de Software.
Ingeniería de uestableciendo lo que el cliente requiere de un Sistema de Software. Ian Sommerville 1995 Ingeniería de Software, 5a. edición Capitulo 4 Diapositiva 1 Objetivos u Introducción a la Noción
Más detallesMICROSOFT PROJECT 2010
MICROSOFT PROJECT 2010 METODOLOGÍA DE LOS CURSOS Cursos interactivos sobre materias especializadas en los que el alumno avanza de forma guiada bajo una concepción learning by doing (aprender haciendo).
Más detallesGLOSARIO ESTADÍSTICO. Fuente: Murray R. Spiegel, Estadística, McGraw Hill.
GLOSARIO ESTADÍSTICO Fuente: Murray R. Spiegel, Estadística, McGraw Hill. CONCEPTOS Y DEFINICIONES ESPECIALES Es el estudio científico de los métodos para recoger, organizar, resumir y analizar los datos
Más detallesLECTURA 01: LA ESTADÍSTICA. TÉRMINOS DE ESTADÍSTICA. RECOLECCIÓN DE DATOS TEMA 1: LA ESTADISTICA Y CLASIFICACION
LECTURA 01: LA ESTADÍSTICA. TÉRMINOS DE ESTADÍSTICA. RECOLECCIÓN DE DATOS TEMA 1: LA ESTADISTICA Y CLASIFICACION 1. LA ESTADÍSTICA La estadística es una ciencia que proporciona un conjunto métodos y técnicas
Más detallesObjeto del informe. ALUMNO 1 Página: 1
Nombre: ALUMNO 1 Centro: NOMBRE DEL COLEGIO Curso: 2º E. PRIMARIA Responsable: RESPONSANBLE Localidad: LOCALIDAD Fecha: 21 / julio / 2015 Objeto del informe El presente informe recoge la evaluación psicológica
Más detallesCONTENIDOS MÍNIMOS BLOQUE 2. NÚMEROS
CONTENIDOS Y CRITERIOS DE EVALUACIÓN DE MATEMÁTICAS 1º DE ESO. Bloque 1: Contenidos Comunes Este bloque de contenidos será desarrollado junto con los otros bloques a lo largo de todas y cada una de las
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detalles: Algorítmica y Estructura de Datos I
FACULTAD POLITÉCNICA DIRECCIÓN ACADÉMICA PROGRAMA DE ESTUDIO I. IDENTIFICACIÓN Carrera : Ingeniería de Sistemas CARGA HORARIA (Horas reloj) Asignatura : Algorítmica y Estructura de Datos I Carga Horaria
Más detallesPrograma de estudios por competencias Licenciatura en Administración
Programa de estudios por competencias Licenciatura en Administración 1. IDENTIFICACIÓN DEL CURSO Centro Universitario: CENTRO UNIVERSITARIO DEL NORTE Departamento: FUNDAMENTOS DEL CONOCIMIENTO Academia:
Más detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
Más detallesTema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0
Ignacio Martín Tamayo 11 Tema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0 ÍNDICE ------------------------------------------------------------- 1. Introducción 2. Frecuencias 3. Descriptivos 4. Explorar
Más detallesDiseño arquitectónico 1ª edición (2002)
Unidades temáticas de Ingeniería del Software Diseño arquitectónico 1ª edición (2002) Facultad de Informática objetivo Los sistemas grandes se descomponen en subsistemas que suministran un conjunto relacionado
Más detallesCONTENIDO PROGRAMÁTICO
CONTENIDO PROGRAMÁTICO Fecha Emisión: 2015/09/30 Revisión No. 2 AC-GA-F-8 Página 1 de 5 ESTADÍSTICA I CÓDIGO 160011 PROGRAMA ECONOMÍA ÁREA DE FORMACIÓN CIENCIAS BÁSICAS SEMESTRE SEGUNDO PRERREQUISITOS
Más detallesEstadística Inferencial. Estadística Descriptiva
INTRODUCCIÓN Estadística: Ciencia que trata sobre la teoría y aplicación de métodos para coleccionar, representar, resumir y analizar datos, así como realizar inferencias a partir de ellos. Recogida y
Más detallesDIPLOMADO. Evaluación de la Calidad de la práctica docente para la implementación del Nuevo Modelo Educativo en Escuelas de Ingeniería del I.P.N.
DIPLOMADO Evaluación de la Calidad de la práctica docente para la implementación del Nuevo Modelo Educativo en Escuelas de Ingeniería del I.P.N. Trabajo Final Propuesta Metodológica del área de Ciencias
Más detallesÁREA: MATEMÁTICAS UNIDAD : 1 TEMPORALIZACIÓN: OCTUBRE 1ª QUINCENA OBJETIVOS CONTENIDOS CRITERIOS DE EVALUACIÓN
ÁREA: MATEMÁTICAS UNIDAD : 1 TEMPORALIZACIÓN: OCTUBRE 1ª QUINCENA Conocer los nueve primeros órdenes de unidades y las equivalencias entre ellos. Leer, escribir y descomponer números de hasta nueve cifras.
Más detallesPR1: Programación I 6 Fb Sistemas Lógicos 6 Obligatoria IC: Introducción a los computadores 6 Fb Administración de
CUADRO DE ADAPTACIÓN INGENIERÍA INFORMÁTICA - Campus Río Ebro Código Asignaturas aprobadas Créditos Carácter Asignaturas/Materias reconocida Créditos Carácter 12007 Cálculo 7,5 MAT1; Matemáticas I 12009
Más detallesDescripción del Curso
Curso Práctico de Modelado de Negocios BPMN con UML Descripción del Curso Durante este curso aprenderás de forma práctica el estándar BPMN (Business Process Management Notation) y las extensiones de UML
Más detallesContabilidad Gerencial. SESIÓN 10. Introducción al Análisis de la Información Financiera
Contabilidad Gerencial SESIÓN 10. Introducción al Análisis de la Información Financiera Contextualización Qué herramientas tienen los usuarios para analizar la información financiera? Existen personas
Más detallesVisión por computadora Computer vision
Visión por computadora Computer vision Conjunto de algoritmos que permiten obtener una representación visual del mundo, suficiente para la realización de una tarea dada. Representación visual El mundo:
Más detallesANALISIS E INTERPRETACION DE DATOS SOBRE PERMANENCIA Y GASTOS DE LOS ALUMNOS EN LA UNIVERSIDAD NACIONAL DE INGENIERIA
ANALISIS E INTERPRETACION DE DATOS SOBRE PERMANENCIA Y GASTOS DE LOS ALUMNOS EN LA UNIVERSIDAD NACIONAL DE INGENIERIA Jack Marlon Martínez Abregu e-mail: marlon_jack@hotmail.com IvánJosé Pazos Alvarado
Más detallesUniversidad Autónoma Metropolitana Unidad Azcapotzalco. División de Ciencias Básicas e Ingeniería. Licenciatura en Ingeniería en Computación
Universidad Autónoma Metropolitana Unidad Azcapotzalco División de Ciencias Básicas e Ingeniería Licenciatura en Ingeniería en Computación Propuesta de Proyecto Terminal Clasificación de servicios web
Más detallesPLANES CURRICULARES GRADO9º/ 01 PERIODO
PLANES CURRICULARES GRADO9º/ 01 PERIODO Grado: 9º Periodo: 01 PRIMERO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Gloria rueda y Jesús Vargas ESTANDARES P.A.I. I.B. A. Conocimiento
Más detallesNIVEL ELEMENTAL BATERÍA DE APTITUDES DE TEA
Copyright 2014 by TEA Ediciones AUTORES: INFORME: D. Arribas SOLUCIÓN INFORMÁTICA: X. Minguijón DISEÑO: R. Sánchez BAT-7 NIVEL ELEMENTAL BATERÍA DE APTITUDES DE TEA Informe psicopedagógico PERFIL Id: Edad:
Más detallesFÍSICA Y QUÍMICA 3º ESO. OBJETIVOS, CONTENIDOS Y CRITERIOS DE EVALUACIÓN 1ª Evaluación: Unidad 1. La medida y el método científico.
FÍSICA Y QUÍMICA 3º ESO. OBJETIVOS, CONTENIDOS Y CRITERIOS DE EVALUACIÓN 1ª Evaluación: Unidad 1. La medida y el método científico. OBJETIVOS 1. Reconocer las etapas del trabajo científico y elaborar informes
Más detallesLectura complementaria
El informe Características Clases Etapas para la realizacion del informe Estructura global Recomendaciones para su elaboración El informe Concepto Es un texto escrito en prosa científica, técnica o comercial
Más detalles2. LA IMPORTANCIA QUE TIENE EL BSC EN UNA ORGANIZACIÓN
2. LA IMPORTANCIA QUE TIENE EL BSC EN UNA ORGANIZACIÓN 2.1 Los indicadores en el Balanced Scorecard Generalmente los empresarios se preguntarán por que necesitan mas indicadores, si con los financieros
Más detallesDr. Richard Mercado Rivera 18 de agosto de 2012 Matemática Elemental
Universidad de Puerto Rico Recinto de Aguadilla Programa CeCiMat Elemental Definición de conceptos fundamentales de la Estadística y la Probabilidad y su aportación al mundo moderno Dr. Richard Mercado
Más detallesEn su virtud, previo informe del Consejo de Universidades, DISPONGO:
MINISTERIO DE CIENCIA E INNOVACIÓN Orden por la que se establecen los requisitos para la verificación de los títulos universitarios oficiales que habiliten para el ejercicio de la profesión de Ingeniero
Más detallesESTADÍSTICA I PRESENTACIÓN DE LA ASIGNATURA
ESTADÍSTICA I PRESENTACIÓN DE LA ASIGNATURA Descripción de la asignatura Estadística I El objetivo de la asignatura es proporcionar al estudiante conocimiento Departamento de Estadística y comprensión
Más detallesDiseño Instruccional Paso 2 Paso 5
TAREAS DE LA VIDA REAL EN EL CONTEXTO PROFESIONAL, CLASES DE TAREAS, OBJETIVOS DE DESEMPEÑO Y EVALUACIÓN DEL DESEMPEÑO Diseño Instruccional Paso 2 Paso 5 acet Proyecto AULA - enero de 2011 2 Paso 2 Tareas,
Más detallesY accedemos al cuadro de diálogo Descriptivos
SPSS: DESCRIPTIVOS PROCEDIMIENTO DE ANÁLISIS INICIAL DE DATOS: DESCRIPTIVOS A diferencia con el procedimiento Frecuencias, que contiene opciones para describir tanto variables categóricas como cuantitativas
Más detallesMICROSOFT EXCEL 2016 Avanzado
MICROSOFT EXCEL 2016 Avanzado METODOLOGÍA DE LOS CURSOS Cursos interactivos sobre materias especializadas en los que el alumno avanza de forma guiada bajo una concepción learning by doing (aprender haciendo).
Más detallesBloque temático Marketing turístico Curso Segundo. Tipos asignatura Obligatoria Créditos 6 cr. ECTS Horas de trabajo autónomo
PLAN DOCENTE Código- Asignatura 062111 Investigación de mercados Bloque temático Marketing turístico Curso Segundo Tipos asignatura Obligatoria Créditos 6 cr. ECTS Horas presenciales 60 horas Horas de
Más detallesUNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS FACULTAD DE INGENIERÍA PROYECTO CURRICULAR DE INGENIERÍA DE SISTEMAS
I. IDENTIFICACIÓN DE LA ASIGNATURA GESTIÓN EMPRESARIAL 1 CÓDIGO DE LA ASIGNATURA 20710 ÁREA ECONÓMICO - ADMINISTRATIVA SEMESTRE SEPTIMO PLAN DE ESTUDIOS 1996 AJUSTE 2002 HORAS TOTALES POR SEMESTRE 64 HORAS
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión
Más detallesCAPITULO III METODOLOGÍA
CAPITULO III METODOLOGÍA 3.1 Tipo de investigación El tipo de investigación a utilizar es la investigativa experimental ya que se realizará una intervención en el campo mismo donde se presenta el problema,
Más detallesMETODOLOGIA AVANZADA PARA CHEQUEO Y RECONOCIMIENTO DE LA SEGURIDAD ESTRUCTURAL.
SEMANA CALIDAD MURCIA, Marzo de 2015 METODOLOGIA AVANZADA PARA CHEQUEO Y RECONOCIMIENTO DE LA SEGURIDAD ESTRUCTURAL. Para la exposición de este trabajo, se parte de la existencia de la única referencia
Más detallesESCUELA SUPERIOR POLITECNICA DEL LITORAL
Sistemas de Toma de Decisiones UNIDAD ACADÉMICA: CARRERA: ESPECIALIZACIÓN: ÁREA: TIPO DE MATERIA: EJE DE FORMACIÓN: Facultad de Ingeniería en Electricidad y Computación Ingeniería en Ciencias Computacionales
Más detallesEstadística Básica. Unidad 3. Actividades
Estadística Básica Unidad 3. Actividades 0 Actividades Este documento contiene la presentación e indicaciones para realizar las actividades de esta unidad. Algunas actividades requieren un doble envío
Más detallesSISTEMAS DE INFORMACIÓN I TEORÍA
CONTENIDO: SISTEMAS EJECUTIVOS DE INFORMACIÓN - COMPARACIÓN Y RELACIÓN ENTRE LOS MIS Y LOS EIS - COMPARACIÓN E INTEGRACIÓN DE LOS DSS Y LOS EIS Material diseñado y elaborado por: Prof. Luis Eduardo Mendoza
Más detallesResumen Inteligencia de Negocios
Resumen Inteligencia de Negocios La inteligencia de Negocios es una tendencia dentro de la Tecnología de Información, recordemos que la Tecnología de Información ayuda a hacer eficientes muchos de los
Más detallesLaboratorio de Visión para Robots. Práctica 2
1. Preparación del entorno de trabajo Laboratorio de Visión para Robots Práctica 2 La manera en la que trabajaremos será primero utilizando Eclipse para prototipar nuestro programa. Cuando podamos procesar
Más detallesUNIVERSIDAD AUTÓNOMA DE ZACATECAS PLAN ANALÍTICO
ÁREA ACADÉMICA UNIVERSIDAD AUTÓNOMA DE ZACATECAS PLAN ANALÍTICO Computación UNIDAD ACADÉMICA PROGRAMA ACADÉMICO Matemáticas Licenciatura en Matemáticas CICLO ESCOLAR Agosto Diciembre UNIDAD DIDÁCTICA Tratamiento
Más detallesUNIÓN INTERNACIONAL DE TELECOMUNICACIONES RED DIGITAL DE SERVICIOS INTEGRADOS (RDSI) ESTRUCTURA GENERALES
UNIÓN INTERNACIONAL DE TELECOMUNICACIONES UIT-T I.130 SECTOR DE NORMALIZACIÓN DE LAS TELECOMUNICACIONES DE LA UIT RED DIGITAL DE SERVICIOS INTEGRADOS (RDSI) ESTRUCTURA GENERALES MÉTODO DE CARACTERIZACIÓN
Más detallesLos estadísticos descriptivos clásicos (Robustez)
Los estadísticos descriptivos clásicos (Robustez) MUESTRA 0 0 4 6 8 9 MUESTRA 0 0 4 6 8 57 Nº CASOS Media Mediana Moda Desviación Simetría Curtosis MUESTRA,85 4,74 0, -0.688 MUESTRA 6,77 4.8.7.77 Ambas
Más detallesCapítulo 4. EL USO DE LOS MÉTODOS CUALITATIVOS PARA ELESTUDIO DELOS ASPECTOS COMUNES
Capítulo 4. EL USO DE LOS MÉTODOS CUALITATIVOS PARA ELESTUDIO DELOS ASPECTOS COMUNES Ragin, Charles. (2007). La construcción de la investigación social, Introducción a los métodos y su diversidad, Bogotá:
Más detallesBLOQUE I: HOJA DE CÁLCULO
4. Organización, secuenciación y temporización de contenidos BLOQUE I: HOJA DE CÁLCULO En este bloque se pretende conocer y utilizar tanto la hoja de cálculo Excel como sus gráficos. Se aplicará la hoja
Más detallesPERFIL PROFESIONAL INGENIERÍA EN TECNOLOGÍA AMBIENTAL. Universidad Politécnica de Durango
PERFIL PROFESIONAL INGENIERÍA EN TECNOLOGÍA AMBIENTAL Universidad Politécnica de Durango I. Programa Educativo II. Requerimientos del Sector Productivo Ingeniería en Tecnología Ambiental Evaluación de
Más detallesMETODOLOGÍA DE LA INVESTIGACIÓN I
METODOLOGÍA DE LA INVESTIGACIÓN I SESION UNO Tema: La Investigación. OBJETIVO. El alumno analizara la definición de Investigación y su importancia en el desarrollo de la ciencia. INTRODUCCIÓN. Afirma Rojas
Más detallesProyecto Multimedia. Elio Sancristóbal Ruiz
Proyecto Multimedia Elio Sancristóbal Ruiz Índice Áreas que participan en un proyecto multimedia. Área de redacción Área de producción Área técnica Área artística Máster en Ingeniería de la Web 2 Área
Más detallesAdministración de Proyectos de TI
Administración de Proyectos de TI VI Jornadas Universitarias de Sistemas de Información en Salud Lic. Gustavo Sobota Oficina de Proyectos Departamento de Informática en Salud Hospital Italiano de Buenos
Más detallesSelección de fuentes de datos y calidad de datos
Selección de fuentes de datos y calidad de datos ESCUELA COMPLUTENSE DE VERANO 2014 MINERIA DE DATOS CON SAS E INTELIGENCIA DE NEGOCIO Juan F. Dorado José María Santiago . Valores atípicos. Valores faltantes.
Más detalles3.1. Administración de la medición y de la información estratégica:
Unidad III Aspectos Generales Sobre la Gestión de la Calidad 3.1. Administración de la medición y de la información estratégica: Los siguientes criterios corresponden a la administración de la medición
Más detallesINVESTIGACIÓN DE MERCADOS
INVESTIGACIÓN DE MERCADOS LIC. EN ADMINISTRACIÓN DE EMPRESAS 1 Sesión No. 10 Nombre: Tamaño de la Muestra Contextualización Continuando el tema de muestreo, revisaremos ahora el cálculo de la muestra y
Más detallesImportancia del test psicométrico y psicotécnico.
Nombre: Ma. Mercedes Ramos Importancia del test psicométrico y psicotécnico. Es larga la polémica sobre los llamados test mentales. Desde sus comienzos los test sirvieron para medir el llamado coeficiente
Más detallesADMINISTRACION DE OPERACIONES
Sesión4: Métodos cuantitativos ADMINISTRACION DE OPERACIONES Objetivo específico 1: El alumno conocerá y aplicara adecuadamente los métodos de pronóstico de la demanda para planear la actividad futura
Más detallesUNIVERSIDAD ALAS PERUANAS FACULTAD DE CIENCIAS DE LA COMUNICACIÓN SILABO POR COMPETENCIA
UNIVERSIDAD ALAS PERUANAS FACULTAD DE CIENCIAS DE LA COMUNICACIÓN SILABO POR COMPETENCIA I. DATOS INFORMATIVOS 1.1 Asignatura : Estadística para el Comunicador Social 1.2 Código : 1001-1023 1.3 Pre-requisito
Más detallesMedidas de Tendencia Central.
Medidas de Tendencia Central www.jmontenegro.wordpress.com MEDIDAS DE RESUMEN MDR MEDIDAS DE TENDENCIA CENTRAL MEDIA MEDIANA MODA CUARTILES,ETC. MEDIDAS DE DISPERSIÓN RANGO DESVÍO EST. VARIANZA COEFIC.
Más detallesMÓDULO IV: PROCESO DE MEJORA DE LA CALIDAD CALIDAD INDUSTRIAL
MÓDULO IV: PROCESO DE MEJORA DE LA CALIDAD CALIDAD INDUSTRIAL 1 4.1. Bases de un Programa de Mejora. La mejora de la calidad es necesaria para aumentar la calidad y reducir los costes. Los problemas de
Más detallesMETODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2012
METODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2012 Departamento de Pruebas Nacionales División de Evaluación de Logros de Aprendizaje AGENCIA DE CALIDAD DE LA EDUCACIÓN Índice 1.
Más detallesCódigo: ESA-343. Horas Semanales: 4. Prelaciones: CAL-265
INSTITUTO UNIVERSITARIO JESÚS OBRERO PROGRAMA DE ESTUDIO Unidad Curricular: Estadística I Carrera: Informática Semestre: Tercero Código: ESA-343 Horas Semanales: 4 Horas Teóricas: 2 Horas Prácticas: 2
Más detallesFase 2. Estudio de mercado: ESTADÍSTICA
1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.
Más detallesAdministración Informática. Unidad I. Tipos de sistemas y su clasificación A) Sistemas de información.
UNIVERSIDAD NACIONALDE INGENIERÁ UNI NORTE SEDE REGIONAL EN ETELI Ing. Mario Pastrana Moreno. Unidad I. Tipos de sistemas y su clasificación 10-09-2010 Administración Informática A) Sistemas de información.
Más detallesUNIVERSIDAD NACIONAL DE SAN ANTONIO ABAD DEL CUSCO
FACULTAD DE CS. QUIMICAS, FISICAS Y MATEMATICAS I. DATOS GENERALES DEPARTAMENTO ACADEMICO DE INFORMATICA SILABO 1.1 Asignatura : INTRODUCCION A LA INFORMATICA 1.2 Categoría : OE 1.3 Código : IF172AME 1.4
Más detallesFacilitar al jugador relacionar el aprendizaje con los conocimientos previos. Saber relacionar los elementos del contenido que se les enseña.
METODOLOGÍA (Nivel II) RESUMEN MÉTODOS DE ENSEÑANZA APLICADOS AL FÚTBOL: Los métodos: son el conjunto de operaciones ordenadas, con las que se pretende obtener un resultado. La buena organización, secuenciación
Más detallesRocío M. Parra Zacarías Noviembre 04, Diseño e Implementación de un Sistema Gestión de Proyectos de Obras Civiles pa Empresas Constructoras
Rocío M. Parra Zacarías Noviembre 04, 2016 Diseño e Implementación de un Sistema Gestión de Proyectos de Obras Civiles pa Empresas Constructoras Agenda Introducción Metodología para la implementación Ejemplo
Más detallesDEPARTAMENTO DE ORGANIZACIÓN INDUSTRIAL Y GESTIÓN DE EMPRESAS ESCUELA SUPERIOR DE INGENIEROS DE LA UNIVERSIDAD DE SEVILLA
6. CONCLUSIONES 6.1. Introducción En este trabajo se ha intentado realizar un estudio suficientemente exhaustivo, que pudiera recopilar los métodos y técnicas más relevantes en la gestión de proyectos
Más detallesUNIVERSIDAD AUTONOMA DE TLAXCALA
UNIVERSIDAD AUTONOMA DE TLAXCALA INTERACCION HUMANO COMPUTADORA MA. MARGARITA LABASTIDA ROLDAN EVALUACIONES DE LA USABILIDAD Inspección consistente. Listas de comprobación. Análisis de sistemas existentes.
Más detallesNombre de la asignatura: Programación Básica. Créditos: Objetivo de aprendizaje
Nombre de la asignatura: Programación Básica Créditos: 2 4-6 Objetivo de aprendizaje Plantear metodológicamente la solución de problemas susceptibles de ser computarizados a través del manejo de técnicas
Más detalles