El Razonamiento Basado en Casos en el ámbito de la. Enseñanza/Aprendizaje.

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

Download "El Razonamiento Basado en Casos en el ámbito de la. Enseñanza/Aprendizaje."

Transcripción

1 El Razonamento Basado en Casos en el ámbto de la Enseñanza/Aprendzaje. MSc. Natala Martínez Sánchez, Dra. Ghesa Ferrera Lorenzo, Dra. María M. García Lorenzo, Dra. Zenada García Valdva. Departamento de Computacón Unversdad Central de Las Vllas Carretera a Camajuaní Km. 5.5, Santa Clara, Vlla Clara, Cuba Tel: (53) , (53) {natala, ghesa Resumen: Los Sstemas de Enseñanza /Aprendzaje Intelgentes, se caracterza por aplcar las técncas de Intelgenca Artfcal, donde el térmno ntelgente se asoca a la capacdad de adaptarse dnámcamente al desarrollo del aprendzaje del estudante. En este artículo se descrbe un modelo basado en casos para la enseñanza / aprendzaje, sustentado en la aplcabldad del razonamento basado en casos para obtener una efcente representacón de la Modelacón del Estudante e nferr las estrategas de aprendzaje. Implementado en la herramenta computaconal HESEI, la cual ha sdo aplcada extosamente en la toma de decsones en tareas de enseñanza/ aprendzaje. Palabras clave: Sstemas Basados en Casos, Sstemas de Enseñanza Aprendzaje Intelgentes, Modelo del Estudante. 1. Introduccón En (Sánchez 2007) se presenta una revsón bblográfca de los sstemas educatvos ntelgentes que están basados en dversas técncas de ntelgenca artfcal, planteando que las más utlzadas en el campo de la educacón son: las técncas de personalzacón basadas en modelos de estudantes y de grupos, los sstemas basados en agentes ntelgentes, y las ontologías y las técncas de web semántca. Las técncas de personalzacón, que son la base de los sstemas tutores ntelgentes, están basadas en modelos del estudante. En general, estos modelos conssten en la elaboracón de una representacón cualtatva que consdere el comportamento del alumno en funcón tanto del conocmento exstente sobre un determnado ámbto como del aprendzaje de otros estudantes en este domno. Estas representacones pueden utlzarse posterormente en sstemas tutores ntelgentes, en entornos de aprendzaje ntelgente o en generar agentes ntelgentes que representen estudantes que colaboren con los estudantes humanos. La utlzacón de técncas de aprendzaje automátco permte actualzar y extender los modelos de estudantes ncales para adaptarlos tanto a la evolucón de los msmos como a una posble actualzacón de contendos y actvdades educatvas. Las dos técncas más populares para modelar estudantes según (Sánchez 2007) son: los modelos basados en superposcón o overlay y las redes bayesanas. El prmer método consste en consderar el modelo del estudante como un subconjunto del conocmento del experto en el ámbto donde se realza el aprendzaje. De este modo, el aprendzaje se mde en funcón de la comparacón con los Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

2 conocmentos del modelo del experto. El segundo método consste en representar el proceso de aprendzaje como una red de estados de conocmento, y posterormente, nferr de forma probablístca el estado del estudante a partr de la nteraccón de éste con el tutor. Es certo que los Sstema de Enseñanza / Aprendzaje Intelgentes, se caracterza por aplcar las técncas de Intelgenca Artfcal, donde el térmno ntelgente se asoca a la capacdad de adaptarse dnámcamente al desarrollo del aprendzaje del estudante. Asmsmo, según bblografía consultada, que el razonamento basado en casos no se encuentra entre las técncas aplcadas para modelar el estudante, a pesar de ser una técnca de la Intelgenca Artfcal que proporcona un modelo cogntvo de la organzacón de la memora, el razonamento y el aprendzaje humano; y un perfl computaconal para los sstemas basados en el conocmento. Además de tener un grupo de característcas (Gutérrez 2003) que pueden ser aprovechadas en la elaboracón de sstemas de enseñanza/aprendzaje ntelgentes, tales como: Razonan desde epsodos específcos: El estado cogntvo del estudante no puede ser explcado por los expertos como cadenas de reglas generalzables y es más fácl descrbr experencas a través de rasgos selecconados prevamente. El mantenmento del conocmento no requere de la ntervencón experta: La experenca de nuevos modelos puede ser evaluada y s es convenente ncorporada por el propo usuaro que trabaja con el sstema de enseñanza /aprendzaje. Reutlzacón de solucones prevas: Modelos de estudantes se repten con una alta frecuenca en el proceso de enseñanza/aprendzaje así como la metodología a segur para su aprendzaje. Solucones dervadas están fundamentadas en casos reales: Lo que le permte al sstema justfcar las decsones al usuaro. El razonamento basado en casos permte aprovechar la experenca acumulada en la solucón de nuestros problemas. Con esta técnca se almacenan casos con la solucón que se ha dado anterormente y cuando se presenta un nuevo problema esta nformacón o experenca acumulada se emplea para resolverlo (Bello 2002). Esta técnca ntenta llegar a la solucón de nuevos problemas, de forma smlar a como lo hacen los seres humanos, cuando un ndvduo enfrenta a un nuevo problema comenza por buscar en su memora experencas anterores smlar al actual y a partr de ese momento establece semejanzas y dferencas y combna las solucones dadas con anterordad para obtener una nueva solucón. Estos sstemas utlzan el razonamento basado en casos (RBC) como método de solucón de problemas para resolver nuevas stuacones. Los SBC, apoyan sus predccones en ejemplos (casos) que se almacenan en la fase de aprendzaje. Una funcón de dstanca o semejanza determna los casos más semejantes al nuevo problema y las solucones de los casos recuperados se adaptan para obtener una solucón (Delgado 2005). Las deas que se descrben en este artículo se sustentan en la aplcabldad del razonamento basado en casos para obtener una efcente representacón del Modelo del Estudante e nferr las estrategas de aprendzaje. Ambos procesos que sn duda son los dos más mportantes dentro de cualquer Sstema de Enseñanza / Aprendzaje Intelgente, se lustran con un ejemplo. 2. Descrpcón general de un sstema basado en casos para Enseñanza / Aprendzaje elaborado con HESEI. El sstema se descrbe relaconando las componentes fundamentales de un Sstema Basado en Casos y un Sstema de Enseñanza / Aprendzaje Intelgente como lustra la fgura 1. Para ello se sgue la defncón dada en (Gutérrez 2003), de que todo Sstema Basado en Casos lo componen prncpalmente la base de conocmento o base de casos, el módulo de recuperacón de casos y el módulo de adaptacón de las solucones. Y la descrta en (Sánchez 2007), que los Sstemas Tutores Intelgentes se basan en tres componentes prncpales: conocmento de los contendos, conocmento del alumno, y conocmento de estrategas o metodologías de aprendzaje. Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

3 Fgura 1: Cclo de vda de un Sstema de Enseñanza / Aprendzaje basado en casos. Base de Casos & Modelo del Estudante. Por un lado se tene que las Bases de Casos de todo Sstema Basado en Casos contenen las experencas, ejemplos o casos a partr de los cuales el sstema hace sus nferencas. Estas bases pueden ser generadas por entrevstas a expertos humanos o por un procedmento automátco o semautomátco que construye los casos desde datos exstentes, regstrados por ejemplo, en una base de datos. Por otro lado el Conocmento del Alumno (Modelo del estudante), puede dvdrse en dos seccones: selecconar la estructura de datos que será usada para representar toda la nformacón relatva al alumno: estado cogntvo, estrategas nstructoras preferdas, pantallas vstadas, ejerccos resueltos, resultados de evaluacones, etc. Y la eleccón del procedmento o técnca que se utlza para realzar el dagnóstco, es decr, para nferr dada la nformacón generada en la nteraccón del alumno con el sstema, el estado cogntvo del alumno. Atendendo a la prmera seccón, en el modelo propuesto la estructura de datos utlzada es una Base de Casos donde los rasgos predctores de los casos se corresponden con el módulo Conocmento del Alumno, y el rasgo objetvo con el módulo Conocmento de los Contendos, el cual está ntegrado por undades báscas de aprendzaje que contenen los cursos y temas, y estas a su vez por objetvos nstrucconales que se encargan de dentfcar los propóstos que debe alcanzar un alumno al fnalzar una undad básca de aprendzaje (conocmentos, problemas resueltos, explcacones, etc.). 3 Cómo crear un Sstema basado en Casos de Enseñanza / Aprendzaje con HESEI? El modelo de enseñanza/aprendzaje basado en casos que se propone, está estructurado en tópcos (rasgos predctores), los cuales toman su valor a través de un cuestonaro de n preguntas, cuyas respuestas son bnaras. Al aplcar el cuestonaro para obtener el valor de un tópco (domno) se obtene una tabla de n columnas y 2 n flas. La columna n+1 se corresponde con la evaluacón (valor que toma el tópco) a crtero del experto. El experto puede decdr ncorporar otros tópcos donde su valor se obtenga de datos almacenados en una base de datos o cualquer otra vía. De la estructura anteror se deduce que los tópcos cuyo valor se obtene a través de cuestonaros, tomarán valores guales para combnacones de respuestas dferentes, por lo que los valores no necesaramente tenen el msmo grado de certeza. Se lustra este proceso a través de un Sstema basado en casos de Enseñanza / Aprendzaje para la teoría de Bases de Datos, cuya estructura muestra la fgura 2. Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

4 Fgura 2: Estructura del Sstema de Enseñanza / Aprendzaje basado en casos para la teoría de Bases de Datos. Los casos de la Base de casos del ejemplo, tenen 6 rasgos predctores cada uno de ellos se corresponden con los tópcos que lustra la fgura 2, para la evaluacón de cada uno, se elabora un cuestonaro, con el número de preguntas que estme el experto. Para evaluar el tópco 2, el experto decde realzar un cuestonaro de tres preguntas y a partr de las respuestas a las msmas, decde que evaluacón toma el tópco. Es fácl deducr, que se forman 8 (2 3 ) combnacones, a las cuales hay que asgnar un valor, no necesaramente dsjunto, pues combnacones dferentes pueden conducr a gual evaluacón, como muestra la fgura 3. De acuerdo a la evaluacón del tópco, se le asgna el entrenador con el cual el estudante realza el proceso de Enseñanza / Aprendzaje. S se analza la tabla que muestra la fgura 3, el tópco 2 se evalúa de Ben (1) o Mal (0), según la respuesta a las tres preguntas, por ejemplo: S las tres preguntas se responden correctamente el tópco se evalúa de Ben (1). S se responden ben solo dos preguntas el tópco se evalúa de Ben (1). A partr de este ejemplo se pueden, entre otras, formular las sguentes preguntas metodológcas: 1. El valor de Ben (1) que se le asgna al tópco, es el msmo para el estudante que respondó las tres preguntas ben, que para el resto? 2. Las tres preguntas tenen gual mportanca, e nfluyen de gual manera en la evaluacón del tópco? 3. S el número de preguntas es consderablemente grande. Todas nfluyen en la evaluacón del tópco?, Las que no nfluyen tenen valor metodológco?... Desde el punto de vsta del profesor se puede conclur, que no es el msmo Ben (1), para dferentes combnacones, las tres preguntas no deben tener gual mportanca, s se formularon ben metodológcamente, y s el número de preguntas es consderablemente grande, es obvo que es mayor o gual que tres, es muy engorroso evaluar el tópco. Estas reflexones condujeron a los autores de este trabajo a realzar un estudo sobre el proceso de seleccón de rasgos, el cual se ha enfrentado desde dferentes formas, dentro de ellas está el Reconocmento de Patrones en el enfoque Lógco Combnatoro (Martínez 2007), que el problema de seleccón de varables o rasgos se ha tratado utlzando el concepto de testor (reducto, rasgo relevante) (Shulcloper 1995). Conllevando a la mplementacón del algortmo de cálculo de testores típcos LEX (Pons 2002), para la seleccón de las preguntas relevantes, así como su mportanca. Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

5 Este algortmo se aplca sólo en la fase de elaboracón del sstema de enseñanza/aprendzaje ntelgente, ayudando al usuaro en tareas de ngenería del conocmento y almacenando en la bases de casos nformacón efcente. Es elemental aclarar que la seleccón de las preguntas útles no mplca la elmnacón automátca de otras, pues no se puede subvalorar la mportanca metodológca de las msmas. Fgura 3: Ventana de HESEI que muestra la tabla de evaluacón de tópcos. La fgura 3 muestra un cuadro de dalogo con cuatro opcones para evaluar el tópco. Además muestra una columna ttulada certeza, la cual aparece vacía hasta que el usuaro dé la opcón (Opcones valdar tópco) que lo ayudará en la ngenería del conocmento, enténdase por esto, la seleccón de las preguntas relevante y la mportanca de las msmas. Véase la fgura 4, después de realzar este proceso. Fgura 4: Ventana de HESEI que muestra la tabla después de valdar el tópco 2. Los entrenadores son documentos prevamente elaborados por el experto / profesor, que están almacenados electróncamente, a los cuales la herramenta HESEI brnda todas las facldades de acceso y manpulacón como muestra la fgura 5. Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

6 Fgura 5: Ventana de HESEI para seleccón de entrenadores. Este proceso se realza para cada uno de los tópcos, según dseño del experto/profesor. A la etapa de explotacón del Sstema basado en casos de Enseñanza / Aprendzaje, tenen acceso el experto/ profesor y el estudante, el prmero para valdar su Sstema de Enseñanza / Aprendzaje desde su expertcdad hasta su trabajo metodológco. El segundo para aprender con el Sstema de Enseñanza / Aprendzaje elaborado. En el próxmo epígrafe se explca el proceso de dagnóstco del Sstema de Enseñanza / Aprendzaje utlzando el razonamento basado en casos, se lustra el msmo, sguendo el ejemplo del Sstema basado en casos de Enseñanza / Aprendzaje para la teoría de Bases de Datos. 4 Cómo aprender con un Sstema basado en casos de Enseñanza / Aprendzaje elaborado con HESEI?. Los sstemas basados en casos (SBC) son una de las tecnologías actuales para construr sstemas basados en el conocmento para la toma de decsones. Estos sstemas utlzan el razonamento basado en casos (RBC) como método de solucón de problemas para resolver nuevas stuacones. Los SBC, apoyan sus predccones en ejemplos (casos) que se almacenan en la fase de aprendzaje. Una funcón de dstanca o semejanza determna los casos más semejantes al nuevo problema y las solucones de los casos recuperados se adaptan para obtener una solucón (Delgado 2005). Con este proceso se mplementa el módulo Metodologías de Aprendzaje el cual según (Sánchez 2007) tene funcones pedagógcas, se encarga de guar el proceso de enseñanza/aprendzaje y decde qué accones pedagógcas realza, cómo y cuándo. Método de obtencón de un nuevo caso & Un nuevo estudante. Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

7 Como se descrbe en epígrafes anterores los rasgos predctores de los casos se obtenen a través de cuestonaros, capaces de captar el estado cogntvo del estudante, y el rasgo objetvo son tutorales que se adecuan al estado cogntvo del estudante, ambos elaborados a partr de los conocmentos y experencas de los expertos. A contnuacón se expone un seudocódgo del algortmo que utlza el modelo para la obtencón de un nuevo caso (estado cogntvo del nuevo estudante). Algortmo 1: Obtencón del Nuevo Caso (Modelo del estudante) Entrada: Conjunto de cuestonaros para la evaluacón de cada tópco. Salda: Obtencón de un nuevo caso expresado en un conjunto de pares (valor, grado de membresía). Para cada tópco aplcar: P1: Aplcar cuestonaro asocado al tópco y obtener el resultado v (vector de 0 s y 1 s de longtud n). (Los tópcos que toman su valor por otra vía, el sstema lo hace automátcamente o en nteraccón drecta con el estudante, así como su grado de pertenenca.) µ ( ', ) P2: Obtener los =β v Ε, donde β ( v', Ε ) se obtene aplcando algortmos de reconocmentos de patrones, mplementados en la herramenta HESEI, para la etapa de ngenera del conocmento, como se expuso en epígrafes anterores, donde = 1.. η y η es la cardnaldad del conjunto de valores que puede tomar el tópco. µ Usando para la obtencón de las preguntas relevantes y la mportanca asocadas a las msmas. µ P3: Selecconar el mayor y asgnar al tópco µ el par valor y (valor, grado de membresía). Según responda el estudante la pregunta que muestra la fgura 6, se evalúa la msma y así se realza gual procedmento con cada una de las preguntas que conforman el cuestonaro que calfca el tópco. Culmnada esta etapa, se obtene un nuevo caso, que se corresponde con el estado cogntvo del nuevo estudante. La tarea del proceso de recuperacón, dado un nuevo problema, está en dentfcar los casos de la base que son más smlares a la stuacón actual. Este proceso nvolucra la evaluacón de la stuacón, esto es, nterpretar y comprender el problema de forma tal que se tenga en consderacón los aspectos más mportantes a representar. Báscamente, la recuperacón de un caso se basa en la comparacón entre los índces correspondentes a los rasgos predctores del problema y los que se usaron para descrbr los casos de la base a de casos. A contnuacón se muestra un seudocódgo del algortmo que recupera los casos (modelos de estudantes) semejantes Algortmo 2: Algortmo de recuperacón de casos semejantes. Entrada: Nuevo caso. Salda: conjunto de casos más semejantes. Se compara el nuevo caso con los casos almacenados en la base de casos, durante la elaboracón del Sstema de Enseñanza / Aprendzaje. Para dcha comparacón se utlza la funcon de semejanza (1). n ' p δ ( x( O ), x( O ) t 0 β( O O) = = 1 0, t n p = 1 (1) n: número de rasgos predctores ' δ ( x( O, x( O ))) t 0 : funcón de comparacón transformada según: δ ' ( ) ( x ( O ), x ( O )) δ ( x ( O ), x ( O )) 1 µ ( O ) µ ( O ) t p : peso del rasgo predctor 0 = t 0 0 x, que puede ser desgnado por crtero del experto, o automátcamente todos los pesos ser guales. Se selecconan los de mayor semejanza según crteros de expertos. Después de la seleccón de los casos más semejantes, las solucones pueden usarse drectamente para resolver el nuevo problema, pero comúnmente necestan ser modfcadas. Este paso es llevado a cabo por el proceso de adaptacón (Bello 2002). Selecconados los casos más semejantes es posble que estos propongan solucones dferentes por lo que t Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

8 se hace necesaro determnar cuál de ellas debe tomarse. Se propone un crtero para determnar el caso óptmo de los casos recuperados y a partr de él tomar la decsón adecuada. Según (Martínez 2007) este crtero de optmaldad se da a través de una funcón que combna el valor de la semejanza entre el nuevo problema y el caso (el cual da la utldad del caso) y el grado de membresía de la solucón de dcho caso. Desde el punto de vsta de la teoría de la Toma de Decsones, el resultado de esta funcón pudera ser vsta como la utldad esperada del caso, la cual permte al agente establecer sus preferencas sobre un caso para tomar una decsón. La forma más senclla de realzar la adaptacón es usando el método de renstancacón que consste en asgnar la solucón del caso recuperado al nuevo problema. En este caso el crtero de optmaldad da, según el prncpo de máxma utldad esperada una buena justfcacón para tomar esa decsón. Fgura 6: Ventana de HESEI muestra una pregunta de relaconar columnas. 5 Valdacón empírca de los resultados. Este epígrafe está drgdo a proponer un modelo de evaluacón que puede ser utlzado para valdar los Sstemas basados en casos de Enseñanza / Aprendzaje elaborados con la herramenta computaconal HESEI, por los expertos /profesores. Se lustran las deas propuestas con la evaluacón del sstema basado en casos de enseñanza/aprendzaje para aprender la teoría de Bases de Datos. Utlza alumnos smulados, tal como se descrbe en [5]. El uso de alumnos reales quedó descartado pues no parece adecuado probar con estudantes un método de enseñanza/aprendzaje sn antes haber comprobado su valdez. El análss de la efcenca del sstema de enseñanza/aprendzaje ntelgente para aprender la teoría de de Bases de Datos se ha realzado tenendo en consderacón los resultados obtendos en la solucón de nuevos problemas, usando el modelo propuesto y los crteros del experto. Para llevar a cabo este proceso se utlzó el método de Valdacón Cruzada (Cross Valdaton) que consste en dvdr la base de casos en n conjuntos de gual tamaño y efectuar el algortmo de aprendzaje n veces, en cada una de las cuales el conjunto de entrenamento (muestra de aprendzaje) son todos los conjuntos, excepto uno de los n subconjuntos donde es evaluado (muestra de control). Los resultados para n=6 se muestran en la fgura 7. 96% 94% 92% 90% 88% 86% 84% SEAI Fgura 7: Resultados de la efcenca en la en la valoracón del modelo del estudante. Se consdera que los resultados obtendos son buenos, tenendo en cuenta que se trabaja con clases dfusas donde un estudante puede estar ncludo en uno u otro modelo, con certo grado de pertenenca. Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

9 6 Conclusones Con este trabajo se propone un nuevo modelo del alumno que se pudera tener en cuenta en los Sstema de Enseñanza / Aprendzaje Intelgentes, el cual se mplementó en un Sstema Computaconal (HESEI), que ha sdo aplcado con aceptacón en la elaboracón del sstema de enseñanza/aprendzaje ntelgente para la teoría de Bases de Datos. Shulcloper, J. R.; Alba Cabrera, E.; Lazo Cortés, M Introduccón al Reconocmento de Patrones (Enfoque Lógco-Combnatoro). Sere Verde No. 51, CINVESTAV-IPN, Méxco. El modelo propuesto mantene las componentes fundamentales de todo Sstema Basado en Casos, la base de conocmento o base de casos, donde los casos descrben modelos de estudantes y las metodologías de aprendzaje a segur para lograr la personalzacón del msmo. El módulo de recuperacón de casos y el módulo de adaptacón de las solucones, realzan el dagnóstco, que es sn duda uno de los procesos más mportantes dentro de cualquer Sstema de Enseñanza / Aprendzaje Intelgente, ya que la caldad del msmo dependerá de la capacdad de adaptacón del sstema al estudante. 7 Referencas Bblográfcas. Bello RE, et al Aplcacones de la Intelgenca Artfcal. Cap 2, 4, 9, 15. Jalsco, Méxco: Unversdad de Guadalajara. Gutérrez, I. (2003) Modelo para la Toma de Decsones usando Razonamento Basado en Casos en condcones de Incertdumbre, Vlla Clara, Cuba, Departamento de Cenca de la Computacón. Unversdad Central de Las Vllas. Martínez N; León M; García Z. (2007). Features Selecton Through Fs-Testors In Case-Based Systems Of Teachng-Learnng. MICAI Internatonal Conference on ARTIFICIAL INTELLIGENCE, LNAI 4827, pp , Sprnger-Verlag Berln Hedelberg Pons, A. (2003). "LEX: Un nuevo algortmo para el cálculo de los testores típcos." Revsta Cencas Matemátcas. Cuba. Sánchez, E. y Lama M. Monografía: Técncas de la Intelgenca Artfcal aplcadas a la Educacón. Intelgenca Artfcal, Revsta Iberoamercana de Intelgenca Artfcal. No.33 (2007), pp ISSN: AEPIA ( Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

DESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO

DESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO Clascacón: Emtdo para Observacones de los Coordnados Versón: 1.0 DESEMPEÑO DEL CONTROL DE FRECUENCIA PROCEDIMIENTO DO Autor Dreccón de Operacón Fecha Creacón 06-04-2010 Últma Impresón 06-04-2010 Correlatvo

Más detalles

Matemáticas Discretas

Matemáticas Discretas Coordnacón de Cencas Computaconales - INAOE Matemátcas Dscretas Cursos Propedéutcos 2010 Cencas Computaconales INAOE Dr. Lus Vllaseñor Pneda vllasen@naoep.mx http://ccc.naoep.mx/~vllasen Algo de nformacón

Más detalles

Medidas de Variabilidad

Medidas de Variabilidad Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces

Más detalles

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,

Más detalles

Cálculo de horarios en empresas de transporte público basados en la carga de pasajeros

Cálculo de horarios en empresas de transporte público basados en la carga de pasajeros VIII Congreso de Ingenería de Organzacón Leganés, 9 y 10 de septembre de 2004 Cálculo de horaros en empresas de transporte públco basados en la carga de pasaeros Jesús Racero Moreno, Marcos Calle Suárez,

Más detalles

FORMA TRADICIONAL DE CÁLCULO DE DESPLAZAMIENTOS Y FUERZAS EN ESTRUCTURAS SIN MAMPOSTERÍA RESUMEN

FORMA TRADICIONAL DE CÁLCULO DE DESPLAZAMIENTOS Y FUERZAS EN ESTRUCTURAS SIN MAMPOSTERÍA RESUMEN CAPITULO 1 FORMA TRADICIONAL DE CÁLCULO DE DESPLAZAMIENTOS Y FUERZAS EN ESTRUCTURAS SIN MAMPOSTERÍA RESUMEN En la actualdad los métodos de dseño estructural y las consderacones que se realzan prevas al

Más detalles

Sistema Evolutivo Generador De Bases De Conocimiento

Sistema Evolutivo Generador De Bases De Conocimiento Sstema Evolutvo Generador De Bases De Conocmento Área de conocmento: Sstemas Basados en Conocmento Guadalupe Gaxola Castro 1, Olaf Yadr Cazarez Saraba 2, Jesús Manuel Olvares Ceja 3 1 Unversdad Autónoma

Más detalles

ESTADÍSTICA. Definiciones

ESTADÍSTICA. Definiciones ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una

Más detalles

IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR

IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR En esta práctca se llevará a cabo un estudo de modelado y smulacón tomando como base el ntercambador de calor que se ha analzado en el módulo de teoría.

Más detalles

Reconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos

Reconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes

Más detalles

EL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza

EL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona

Más detalles

Boletín de la Tendencia Laboral del Desarrollo Humano

Boletín de la Tendencia Laboral del Desarrollo Humano Boletín de la Tendenca Laboral del Desarrollo Humano Notas técncas AÑO 05 NÚMERO 6 PROGRAMA DE LAS NACIONES UNIDAS PARA EL DESARROLLO MÉXICO Nota técnca Índce de Compettvdad Socal (cs) El cs es una medda

Más detalles

TÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3

TÍTULO I Aspectos Generales TÍTULO II Alcance TÍTULO III Metodología de Cálculo de FECF... 3 PROCEDIMIENTO DO DESEMPEÑO DEL CONTROL DE FRECUENCIA EN EL SIC DIRECCIÓN DE OPERACIÓN ÍNDICE TÍTULO I Aspectos Generales... 3 TÍTULO II Alcance... 3 TÍTULO III Metodología de Cálculo de FECF... 3 TÍTULO

Más detalles

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso. CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de

Más detalles

16.21 Técnicas de diseño y análisis estructural. Primavera 2003 Unidad 8 Principio de desplazamientos virtuales

16.21 Técnicas de diseño y análisis estructural. Primavera 2003 Unidad 8 Principio de desplazamientos virtuales 16.21 Técncas de dseño y análss estructural Prmavera 2003 Undad 8 Prncpo de desplazamentos vrtuales Prncpo de desplazamentos vrtuales Tengamos en cuenta un cuerpo en equlbro. Sabemos que el campo de esfuerzo

Más detalles

315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA

315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA 35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE

Más detalles

Marcos Gutiérrez-Dávila marcosgd@ugr.es

Marcos Gutiérrez-Dávila marcosgd@ugr.es Marcos Gutérrez-Dávla marcosgd@ugr.es Introduccón: Relacón de la bomecánca con el deporte de competcón El gesto deportvo consttuye un patrón de movmento estable que se caracterza por el alto grado de efcenca

Más detalles

Introducción a la Física. Medidas y Errores

Introducción a la Física. Medidas y Errores Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren

Más detalles

Objetivo del tema. Esquema del tema. Economía Industrial. Tema 2. La demanda de la industria

Objetivo del tema. Esquema del tema. Economía Industrial. Tema 2. La demanda de la industria Economía Industral Tema. La demanda de la ndustra Objetvo del tema Entender el modelo económco de comportamento del consumdor, fnalmente resumdo en la funcón de demanda. Comprender el carácter abstracto

Más detalles

Facultad de Ciencias Básicas

Facultad de Ciencias Básicas Facultad de Cencas Báscas ANÁLISIS GRÁFICO DE DATOS EXPERIMENTALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos expermentales. Establecer un crtero para el análss de grafcas

Más detalles

ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS

ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.

Más detalles

Robótica Tema 4. Modelo Cinemático Directo

Robótica Tema 4. Modelo Cinemático Directo UNIVERSIDAD POLITÉCNICA DE MADRID E.U.I.T. Industral ASIGNATURA: Robótca TEMA: Modelo Cnemátco Ttulacón: Grado en Ingenería Electrónca y Automátca Área: Ingenería de Sstemas y Automátca Departamento de

Más detalles

ECUACIONES DIFERENCIALES ELÍPTICAS EN DERIVADAS PARCIALES. Armando Blanco A.

ECUACIONES DIFERENCIALES ELÍPTICAS EN DERIVADAS PARCIALES. Armando Blanco A. ECUACIONES DIFERENCIALES ELÍPICAS EN DERIVADAS PARCIALES Armando Blanco A. Captulo V ECUACIONES DIFERENCIALES ELÍPICAS EN DERIVADAS PARCIALES Introduccón Dferencas fntas Métodos de relaacón sucesva Métodos

Más detalles

7. Mantenimiento de sistemas hidráulicos y neumáticos

7. Mantenimiento de sistemas hidráulicos y neumáticos 7. Mantenmento de sstemas hdráulcos y neumátcos INTRODUCCIÓN Este módulo de 190 horas pedagógcas, tene como propósto que los y las estudantes de cuarto medo desarrollen conocmentos y habldades sobre los

Más detalles

Relaciones entre variables

Relaciones entre variables Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.

Más detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN COMERCIAL(I) EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado

Más detalles

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que

Más detalles

CAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES

CAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón

Más detalles

ANEXO 24 JUSTIFICACIÓN ECONÓMICA

ANEXO 24 JUSTIFICACIÓN ECONÓMICA ANEXO 24 JUSTIFICACIÓN ECONÓMICA 1 JUSTIFICACION ECONOMICA 1.0 MARCO DE REFERENCIA El plan de Expansón de del Sstema de Transmsón (PEST), tene el objetvo de planfcar la expansón y reposcón del sstema de

Más detalles

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor

Más detalles

Vida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad

Vida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede

Más detalles

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología

Más detalles

Sistema Tutor Inteligente con Arquitectura inspirada en la Enseñanza Basada en Competencias (STI-C)

Sistema Tutor Inteligente con Arquitectura inspirada en la Enseñanza Basada en Competencias (STI-C) Sstema Tutor Intelgente con Arqutectura nsprada en la Enseñanza Basada en Competencas (STI-C) Badaracco Mguel 1, Martínez Luís 2 1 Facultad de Admnstracón Economía y Negocos-Unversdad Naconal de Formosa.

Más detalles

LA LÓGICA DIFUSA EN EL PROCESO DE RECUPERACIÓN DE INFORMACIÓN

LA LÓGICA DIFUSA EN EL PROCESO DE RECUPERACIÓN DE INFORMACIÓN LA LÓGICA DIFUSA EN EL PROCESO DE RECUPERACIÓN DE INFORMACIÓN Fernando Berzal, María J. Martín-Bautsta, María-Amparo Vla Ignaco J. Blanco Dpto. Cencas de la Computacón e Intelgenca Artfcal Dpto. Lenguajes

Más detalles

Pronósticos. Humberto R. Álvarez A., Ph. D.

Pronósticos. Humberto R. Álvarez A., Ph. D. Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las

Más detalles

Universidad Diego Portales Facultad de Economía y Empresa

Universidad Diego Portales Facultad de Economía y Empresa Unversdad Dego Portales Profesor: Carlos R. Ptta Hasta este momento nos hemos enfocado en juegos en los cuales cualquer nformacón que es conocda por un jugador es conocda por todos los demás (es decr,

Más detalles

Práctica 12 - Programación en C++ Pág. 1. Practica Nº 12. Prof. Dr. Paul Bustamante. Informática II Fundamentos de Programación - Tecnun

Práctica 12 - Programación en C++ Pág. 1. Practica Nº 12. Prof. Dr. Paul Bustamante. Informática II Fundamentos de Programación - Tecnun Práctca 1 - Programacón en C++ Pág. 1 Práctcas de C++ Practca Nº 1 Informátca II Fundamentos de Programacón Prof. Dr. Paul Bustamante Práctca 1 - Programacón en C++ Pág. 1 INDICE ÍNDICE... 1 1.1 Ejercco

Más detalles

La adopción y uso de las TICs en las Microempresas Chilenas

La adopción y uso de las TICs en las Microempresas Chilenas Subdreccón Técnca Depto. Investgacón y Desarrollo Estadístco Subdreccón de Operacones Depto. Comerco y Servcos INFORME METODOLÓGICO DISEÑO MUESTRAL La adopcón y uso de las TICs en las Mcroempresas Clenas

Más detalles

3.- Programación por metas.

3.- Programación por metas. Programacón Matemátca para Economstas 1 3.- Programacón por metas. Una vez menconados algunos de los nconvenentes de las técncas generadoras, la ncorporacón de nformacón se va a traducr en una accón del

Más detalles

SISTEMA DIÉDRICO I Intersección de planos y de recta con plano TEMA 8 INTERSECCIONES. Objetivos y orientaciones metodológicas. 1.

SISTEMA DIÉDRICO I Intersección de planos y de recta con plano TEMA 8 INTERSECCIONES. Objetivos y orientaciones metodológicas. 1. Objetvos y orentacones metodológcas SISTEMA DIÉDRICO I Interseccón de planos y de recta con plano TEMA 8 Como prmer problema del espaco que presenta la geometría descrptva, el alumno obtendrá la nterseccón

Más detalles

GUÍA DE APOYO AL APRENDIZAJE N 1

GUÍA DE APOYO AL APRENDIZAJE N 1 GUÍA DE APOYO AL APRENDIZAJE N 1 1.- Dencones de conceptos báscos. Estadístca: la estadístca es un conjunto de métodos y procedmentos que srven para recolectar, organzar y presentar los datos obtendos,

Más detalles

Circuitos eléctricos en corriente continúa. Subcircuitos equivalentes Equivalentes en Serie Equivalentes en Paralelo Equivalentes de Thevenin y Norton

Circuitos eléctricos en corriente continúa. Subcircuitos equivalentes Equivalentes en Serie Equivalentes en Paralelo Equivalentes de Thevenin y Norton ema II Crcutos eléctrcos en corrente contnúa Indce Introduccón a los crcutos resstvos Ley de Ohm Leyes de Krchhoff Ley de correntes (LCK) Ley de voltajes (LVK) Defncones adconales Subcrcutos equvalentes

Más detalles

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso

Más detalles

Gráficos de flujo de señal

Gráficos de flujo de señal Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente en el análss y dseño de sstemas de control. Otro procedmento alternatvo

Más detalles

Población 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia

Población 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen

Más detalles

FORMULARIO PARA LA PRESENTACIÓN DE RESUMEN DE PONENCIA

FORMULARIO PARA LA PRESENTACIÓN DE RESUMEN DE PONENCIA FORMULARIO PARA LA PRESENTACIÓN DE RESUMEN DE PONENCIA TÍTULO DE LA PONENCIA: Heterogenedad en los perfles de ngreso y retornos a la educacón superor en el Perú AUTOR: Gustavo Yamada, Juan F. Castro y

Más detalles

1.- Elegibilidad de estudiantes. 2.- Selección de estudiantes - 2 -

1.- Elegibilidad de estudiantes. 2.- Selección de estudiantes - 2 - Unversdad Euskal Herrko del País Vasco Unbertstatea NORMATIVA PARA SOCRATES/ERASMUS Y DEMÁS PROGRAMAS DE MOVILIDAD AL EXTRANJERO DE ALUMNOS (Aprobada en Junta de Facultad del día 12 de marzo de 2002) La

Más detalles

Formulación y Evaluación de Proyectos

Formulación y Evaluación de Proyectos Formulacón y Evaluacón de Proyectos Académco Ttular Ingenero vl Industral Dplomado en Elaboracón y Evaluacón de Proyectos Pontfca Unversdad atólca de hle Académco Suplente Ingenero vl Industral Experto

Más detalles

CI63G Planificación de Sistemas de Transporte Público Urbano. Clase 8 Semestre Otoño 2008

CI63G Planificación de Sistemas de Transporte Público Urbano. Clase 8 Semestre Otoño 2008 CI63G Planfcacón de Sstemas de Transporte Públco Urbano Clase 8 Semestre Otoño 2008 Undades Temátcas 1. La oferta de transporte públco urbano (2 semanas) 2. La demanda por TPU (1,5 sem.) 3. Dseño y optmzacón

Más detalles

PROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.

PROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad. Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en

Más detalles

Métodos específicos de generación de diversas distribuciones discretas

Métodos específicos de generación de diversas distribuciones discretas Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de

Más detalles

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.

A. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa. MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan

Más detalles

ACUERDO DE ACREDITACIÓN IST 184. Programa de Magister en Ciencias mención Oceanografía Universidad de Concepción

ACUERDO DE ACREDITACIÓN IST 184. Programa de Magister en Ciencias mención Oceanografía Universidad de Concepción A t f l E D T A C l f l N UMITAS ACUERDO DE ACREDITACIÓN IST 184 Programa de Magster en Cencas mencón Oceanografía Unversdad de Concepcón Con fecha 10 de octubre de 2012, se realza una sesón del Consejo

Más detalles

La representación Denavit-Hartenberg

La representación Denavit-Hartenberg La representacón Denavt-Hartenberg José Cortés Parejo. Marzo 8 Se trata de un procedmeto sstemátco para descrbr la estructura cnemátca de una cadena artculada consttuda por artculacones con. un solo grado

Más detalles

MUESTREO EN POBLACIONES FINITAS

MUESTREO EN POBLACIONES FINITAS MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño

Más detalles

ANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL:

ANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL: Geografía y Sstemas de Informacón Geográfca (GEOSIG). Revsta dgtal del Grupo de Estudos sobre Geografía y Análss Espacal con Sstemas de Informacón Geográfca (GESIG). Programa de Estudos Geográfcos (PROEG).

Más detalles

INSTITUTO POLITECNICO NACIONAL SECRETARIA ACADEMICA DIRECCION DE ESTUDIOS PROFESIONALES EN INGENIERIA Y CIENCIAS FISICO MATEMATICAS

INSTITUTO POLITECNICO NACIONAL SECRETARIA ACADEMICA DIRECCION DE ESTUDIOS PROFESIONALES EN INGENIERIA Y CIENCIAS FISICO MATEMATICAS ESCUELA: CARRERA: ESPECALDAD: COORDNACON: DEPARTAMENTO: UPCSA NGENERA EN TRANSPORTE ACADEMAS DE MATEMATCAS CENCAS BASCAS ASGNATURA: MATEMATCAS APLCADAS : TMMA SEMESTRE: 4 CREDTOS: 8 VGENTE: ENERO 2000

Más detalles

El diodo Semiconductor

El diodo Semiconductor El dodo Semconductor J.I. Hurcán Unversdad de La Frontera Aprl 9, 2012 Abstract Se plantean procedmentos para analzar crcutos con dodos. Para smpl car el trabajo, el dodo semconductor es reemplazado por

Más detalles

EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA

EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de

Más detalles

TEORÍA DE ESTRUCTURAS

TEORÍA DE ESTRUCTURAS TEORÍA DE ESTRUCTURAS TEA 4: CÁCUO DE ESTRUCTURAS POR E ÉTODO DE A DEFORACIÓN ANGUAR DEPARTAENTO DE INGENIERÍA ECÁNICA - EKANIKA INGENIERITZA SAIA ESCUEA TÉCNICA SUPERIOR DE INGENIERÍA DE BIBAO UNIVERSIDAD

Más detalles

EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED

EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles

Más detalles

Lógica Difusa aplicada al Modelo del Estudiante de un Sistema Tutorial Inteligente

Lógica Difusa aplicada al Modelo del Estudiante de un Sistema Tutorial Inteligente Lógca Dfusa aplcada al Modelo del Estudante de un Sstema Tutoral Intelgente C. Huapaya (1), L. Lanzarn (2), F. Lzarralde (1), G. Arona (1) (1) Centro de Investgacón en Procesos Báscos, Metodologías y Educacón

Más detalles

EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.

EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla. EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente

Más detalles

DISEÑO DE UN SISTEMA DE CONTROL EN RED PARA REGULAR LA VELOCIDAD DE UN MOTOR DC

DISEÑO DE UN SISTEMA DE CONTROL EN RED PARA REGULAR LA VELOCIDAD DE UN MOTOR DC DISEÑO DE UN SISTEMA DE CONTROL EN RED PARA REGULAR LA VELOCIDAD DE UN MOTOR DC MARTÍNEZ Dego, ARÉVALO Fernando I., GIRALDO Carlos F. Grupo de Investgacón de Sstemas de Telemando y Control Dstrbudo - GITCoD

Más detalles

ESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística

ESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es

Más detalles

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández

Más detalles

Breve Estudio sobre la Aplicación de los Algoritmos Genéticos a la Recuperación de Información

Breve Estudio sobre la Aplicación de los Algoritmos Genéticos a la Recuperación de Información Breve Estudo sobre la Aplcacón de los Algortmos Genétcos a la Recuperacón de Informacón O. Cordón, F. oya 2,.C. Zarco 3 Dpto. Cencas de la Computacón e I.A. Unv. de Granada. Ocordon@decsa.ugr.es 2 Dpto.

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

OPTIMIZACIÓN DE REDES BAYESIANAS BASADO EN TÉCNICAS DE APRENDIZAJE POR INDUCCIÓN FACULTAD DE INGENIERÍ A UNIVERSIDAD DE BUENOS AIRES

OPTIMIZACIÓN DE REDES BAYESIANAS BASADO EN TÉCNICAS DE APRENDIZAJE POR INDUCCIÓN FACULTAD DE INGENIERÍ A UNIVERSIDAD DE BUENOS AIRES OTIMIZACIÓN DE REDES BAYESIANAS BASADO EN TÉCNICAS DE ARENDIZAJE OR INDUCCIÓN TESIS DE GRADO EN INGENIERÍA INFORMÁTICA FACULTAD DE INGENIERÍ A UNIVERSIDAD DE BUENOS AIRES TESISTA: Sr. ablo Ezequel FELGAER

Más detalles

Sistema de Gestión de Peticiones

Sistema de Gestión de Peticiones Guía Breve CENTRO TÉCNICO DE INFORMÁTICA Sstema de Gestón de Petcones Con esta guía se nca un tpo de documento que llamamos Guías Breves cuyo objetvo es facltar el acceso rápdo a algunas de las aplcacones

Más detalles

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la

Más detalles

APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES

APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral

Más detalles

H 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme

H 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor

Más detalles

Universidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud

Universidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud Unversdad de Pamplona Facultad de Cencas Báscas Físca para cencas de la vda y la salud AÁLISIS GRÁFICO DE DATOS EXPERIMETALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos

Más detalles

Arquitectura para un Sistema Tutor Inteligente basado en Competencias (STI-C). Evaluación empírica simulada

Arquitectura para un Sistema Tutor Inteligente basado en Competencias (STI-C). Evaluación empírica simulada Arqutectura para un Sstema Tutor Intelgente basado en Competencas (STI-C). Evaluacón empírca smulada Badaracco Mguel 1, Martínez Luís 2 1 Facultad de Admnstracón Economía y Negocos-Unversdad Naconal de

Más detalles

Para dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}

Para dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)} Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces

Más detalles

FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)

FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004) FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz

Más detalles

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos. ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:

Más detalles

Condiciones Generales TestQual 2013

Condiciones Generales TestQual 2013 Condcones Generales TestQual 2013 Ejerccos TestQual 2013: En el presente documento se descrben las Condcones Generales de aplcacón en los Programas de Intercomparacón de TestQual. Con la solctud de uno

Más detalles

CAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales

CAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales CAPÍTULO 3 METODOLOGÍA En el sguente capítulo se presenta al nco, defncones de algunos conceptos actuarales que se utlzan para la elaboracón de las bases técncas del Producto de Salud al gual que la metodología

Más detalles

GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES

GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que

Más detalles

ID:1627 APLICACIÓN DE LOS MULTIPLICADORES DE LAGRANGE EN LA SOLUCIÓN DE LA CORRELACIÓN CANÓNICA APLICADO A COSTOS DE CALIDAD EN SALUD

ID:1627 APLICACIÓN DE LOS MULTIPLICADORES DE LAGRANGE EN LA SOLUCIÓN DE LA CORRELACIÓN CANÓNICA APLICADO A COSTOS DE CALIDAD EN SALUD ID:67 APLICACIÓN DE LO MULTIPLICADORE DE LAGRANGE EN LA OLUCIÓN DE LA CORRELACIÓN CANÓNICA APLICADO A COTO DE CALIDAD EN ALUD Peguero Pérez, Rolando; Del Río Caballero, German; Leyva Peguero, Ylesy. Cuba

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA Estadístca descrptva. ESTADÍSTICA DESCRIPTIVA POBLACIÓN Y MUESTRA. VARIABLES ESTADÍSTICAS DISTRIBUCIÓN DE FRECUENCIAS DE UNA MUESTRA AGRUPACIÓN DE DATOS REPRESENTACIONES GRÁFICAS DE LAS MUESTRAS PRINCIPALES

Más detalles

Figura 1

Figura 1 5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto

Más detalles

Método De Lazos (contenido) Ecuaciones de Lazo. Variables y ecuaciones. Fundamentos Teóricos. Teoría y Principios Establecimiento general.

Método De Lazos (contenido) Ecuaciones de Lazo. Variables y ecuaciones. Fundamentos Teóricos. Teoría y Principios Establecimiento general. Método De Lazos (contendo) Ecuacones de Lazo Teoría y Prncpos Establecmento general Fuentes de voltajee y resstencas solamente Con fuentes de voltaje dependentes Con fuentes de corrente Reduccón Fundamentos

Más detalles

Tema 1.3_A La media y la desviación estándar

Tema 1.3_A La media y la desviación estándar Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.

Más detalles

EJEMPLO DE APLICACIÓN

EJEMPLO DE APLICACIÓN Aprendzaje Automátco y Data Mnng Bloque VI EJEMPLO DE APLICACIÓN 1 Índce Problema a resolver. Propuesta de uso de aprendzaje. Algortmo desarrollado. Seleccón del clasfcador. Resultados expermentales. Entorno

Más detalles

Guía de Electrodinámica

Guía de Electrodinámica INSTITITO NACIONAL Dpto. de Físca 4 plan electvo Marcel López U. 05 Guía de Electrodnámca Objetvo: - econocer la fuerza eléctrca, campo eléctrco y potencal eléctrco generado por cargas puntuales. - Calculan

Más detalles

METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS

METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento

Más detalles

Optimización de la ecualización del histograma en el procesamiento de imágenes digitales

Optimización de la ecualización del histograma en el procesamiento de imágenes digitales Optmzacón de la ecualzacón del hstograma en el procesamento de mágenes dgtales Roberto Depaol Lus A. Fernández Danel Daz rd-ng@unlm.edu.ar lfernand@unlm.edu.ar ddaz@unlm.edu.ar Departamento de Ingenería

Más detalles

Optimización multicriterio. Andrés Ramos Universidad Pontificia Comillas

Optimización multicriterio. Andrés Ramos Universidad Pontificia Comillas Optmzacón multcrtero Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu Contendo 1. Conceptos báscos 2. Métodos contnuos 3. Métodos dscretos Escuela Técnca

Más detalles

5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.

5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las

Más detalles

TEMA 8: PRÉSTAMOS ÍNDICE

TEMA 8: PRÉSTAMOS ÍNDICE TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE

Más detalles

Reconocimiento de Imágenes Empleando Redes de Regresión General y la Técnica TVS

Reconocimiento de Imágenes Empleando Redes de Regresión General y la Técnica TVS Reconocmento de Imágenes Empleando Redes de Regresón General y la Técnca TVS Rcardo García-Herrera & Waltero Wolfgang Mayol-Cuevas Laboratoro de INvestgacón para el Desarrollo Académco Depto. Ingenería

Más detalles

Economía de la Empresa: Financiación

Economía de la Empresa: Financiación Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se

Más detalles

Tema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1

Tema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1 Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para

Más detalles

2 Dos tipos de parámetros estadísticos

2 Dos tipos de parámetros estadísticos Dos tpos de parámetros estadístcos Págna 198 1. Calcula la meda, la medana y la moda de cada una de estas dstrbucones estadístcas: a) 4, 5, 6, 6, 6, 6, 7, 11, 1, 17 b), 1, 6, 9,, 8, 9,, 14, c), 3, 3, 3,

Más detalles

RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTORY OF

RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTORY OF RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTOR OF ELECTRONIC PARTS) Una empresa fabrca tres tpos de componentes electróncos,

Más detalles

1. Lección 7 - Rentas - Valoración (Continuación)

1. Lección 7 - Rentas - Valoración (Continuación) Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento

Más detalles