Redes parenclíticas y variables de fraude
|
|
- Eduardo Moreno Fuentes
- hace 6 años
- Vistas:
Transcripción
1 Las leyes de la matemática no son meramente invenciones o creaciones humanas, simplemente "son". Existen independientemente del intelecto humano. Lo más que puede hacer un hombre de inteligencia aguda es descubrir que esas leyes están allí y llegar a conocerlas. Maurits Cornelis Escher Redes parenclíticas y variables de fraude Presentación de los avances realizados en investigación (IT RF&S) R. Criado, M. Romance, M. Zanin - Jornadas BBVA, 4 de julio de de 54
2 Índice 1. Introducción 2. Presentación de los datos 3. Análisis de los datos. 4. Networks and Parenclitic Networks 5. Meta-Networks 6. Aplicación al fraude con tarjetas 2 de 54
3 Introducción 3 de 54
4 1. Introducción Proyectos Algoritmo de cifrado FPE (Format Preserving Encryption) (tokenización), certificación de los algoritmos, sistemas frontera Gestión del riesgo digital mediante redes complejas de intencionalidad Teoría de la seguridad de la información (sistemas de información). 4 de 54
5 1. Introducción Proyectos Algoritmo de cifrado FPE (Format Preserving Encryption) (tokenización), certificación de los algoritmos, sistemas frontera Gestión del riesgo digital mediante redes complejas de intencionalidad Teoría de la seguridad de la información (sistemas de información). Prevención del fraude con redes parenclíticas 5 de 54
6 1. Introducción 6 de 54
7 Presentación de los datos 7 de 54
8 2. Presentación de los datos Datos de transacciones realizadas en España con tarjeta de crédito y débito durante 2011 y 2012, distinguiendo entre transacciones lícitas y no lícitas. (cada mes 10 Gigabytes, aproximadamente 250 Gb en total). 8 de 54
9 Análisis de los datos 9 de 54
10 3. Análisis de los datos 10 de 54
11 3. Análisis de los datos December de 54
12 3. Análisis de los datos 12 de 54
13 3. Análisis de los datos 13 de 54
14 3. Análisis de los datos 14 de 54
15 Networks and Parenclitic Networks 15 de 54
16 4. Networks and parenclitic networks Teoría de redes: Internet (800 millones de nodos). Barabasi and co-workers: Nature (1999) Redes Scale-Free.Se pretende reproducir comportamientos universales basados en modelos sencillos (homeofilia-homeostasis) 1. Physical networks (social, technological, ) 2. Functional networks 3. Parenclitic networks 16 de 54
17 1. Introducción 17 de 54
18 No se puede mostrar la imagen en este momento. No se puede mostrar la imagen en este momento. 4. Networks and parenclitic networks 18 de 54
19 4. Networks and parenclitic networks P ( k ) k γ 19 de 54
20 4. Networks and parenclitic networks REDES PARENCLÍTICAS: Herramienta de predicción y clasificación. (parenclisis <-> desviación) Generaliza el paradigma de las redes neuronales (perceptrón multicapa) de base conexionista. A partir de un conjunto patrón, permite detectar y/o predecir, por ejemplo, en su aplicación a las redes biomédicas, la presencia de enfermedades o el desarrollo futuro de las mismas, y en su aplicación a la DETECCIÓN DE FRAUDE EN TARJETAS, las operaciones ilícitas en base a ciertas características de las mismas. 20 de 54
21 4. Networks and parenclitic networks El punto de partida es la representación en una red compleja de los datos, en la que la importancia de las correlaciones (interacciones o relaciones) entre las diferentes características o elementos que componen la red es o bien la misma, o bien mayor que la influencia de cada una de estas características por separado. 21 de 54
22 4. Networks and parenclitic networks Descripción de la metodología La idea análisis de sangre, consiste en asociar a cada nuevo individuo (persona-análisis de sangre, transacción hecha con tarjeta, ) una red compleja que refleje sus características (cada nodo es una característica diferente) Para ello, es necesario trabajar previamente con los datos obtenidos a partir de un GRUPO DE CONTROL (es decir, personas saludables, o personas enfermas, transacciones lícitas, transacciones ilícitas, ) de manera que podamos representar en una RED PATRÓN las relaciones normales entre cada par de estas características. 22 de 54
23 4. Networks and parenclitic networks Descripción de la metodología Un conjunto de n individuos, todos ellos con p características, y una colección de m clases. 23 de 54
24 4. Networks and parenclitic networks { a a } 1,..., n { G G } 1,..., m { G, G } 1 2 { x,..., } 1 x p { } 1,..., p x x 1 f ( x,..., x ) = 0 x1 x 2 p 3 = 0 24 de 54
25 4. Networks and parenclitic networks Descripción de la metodología Un conjunto de n individuos, todos ellos con p características, y una colección de m clases. Esta información se recoge en una matriz D de p filas (una por cada característica) y n columnas (una por cada sujeto). De este modo la característica i-esima del individuo s es el elemento dis de la matriz D. Proyectamos entonces, para cada par de características, i y j en el plano i-j obteniendo un punto por cada individuo del grupo de control: 25 de 54
26 4. Networks and parenclitic networks j A continuación realizamos un ajuste lineal, (podríamos utilizar otro tipo de ajuste) obteniendo que el valor de la característica j para el individuo sano s puede obtenerse a partir de la característica i, según una fórmula del tipo siguiente: i 26 de 54
27 4. Networks and parenclitic networks s d = a + b d + ε js ij ij is ij a, b = coeficientes resultado de hacer el ajuste lineal ij ε = ij vector conteniendo los m errores del ajuste Es posible, entonces, considerar el valor medio de estos errores y sus desviaciones típicas. 27 de 54
28 4. Networks and parenclitic networks El siguiente paso es crear una red para cada nuevo sujeto (o transacción). Para ello, proyectamos el valor obtenido de cada par de características de este nuevo sujeto en el plano i-j correspondiente, y calculamos su distancia a la recta que ajusta los datos anteriores en el plano i-j: v v v e = a + b t t ij ij ij i j Es decir, siendo los valores ti y tj los de las correspondientes características I y j del nuevo individuo, sería razonable que si está sano (es una transacción lícita) el valor de esa distancia fuese cero o un valor muy pequeño. 28 de 54
29 4. Networks and parenclitic networks Construimos ahora la red compleja asociada al nuevo individuo, en la que las características i y j estarán unidas por la arista que v tendrá como peso asociado a e ij o, si se prefiere, por un valor que represente de una manera más fidedigna dicha anormalidad, como por ejemplo: Z ij = e v ij ε Ahora se puede construir una red (que ya no será completa) estableciendo un umbral sobre los pesos de las aristas. Por ejemplo, si el peso es inferior a 0.5 la arista se elimina de la red que representa a la nueva transacción (o individuo), y si es superior a dicho valor, permanece. σ ij ij 29 de 54
30 4. Networks and parenclitic networks La anormalidad del individuo (o transacción) respecto del grupo patrón viene representada por esa red. 30 de 54
31 4. Networks and parenclitic networks El análisis de la estructura (topología) de la red obtenida nos proporciona información relevante: Por una parte, si los datos corresponden a una PERSONA SALUDABLE (TRANSACCIÓN LÍCITA), es esperable que cada par de valores correspondientes a las características estén próximas a los valores de los correspondientes ajustes lineales obtenidos para el grupo de control. Por consiguiente, la red correspondiente a este sujeto (transacción) tendrá pocas aristas, más debidas al ruido en la medida que a una diferencia propiamente dicha, y por consiguiente, nos dará una topología aleatoria (random). 31 de 54
32 4. Networks and parenclitic networks Por el contrario, si la PERSONA ESTÁ ENFERMA (o se trata de una transacción ILÍCITA) obtendremos valores anormales en algunas de estas relaciones; las topologías resultantes serán fácilmente identificables por un nº anormalmente alto de aristas, y por estructuras tipo estrella, cuyos centros señalarán las características responsables de la enfermedad. La topología de la red se puede estudiar también a partir de parámetros globales de la misma: densidad de aristas, clustering coefficient,. 32 de 54
33 Extraido del artículo de M. Zanin et al Knowledge Discovery in Spectral Data by Means of Complex Networks Metabolites 2013, 3(1), ; doi: /metabo de 54
34 Meta-Networks 34 de 54
35 5. Meta-Networks Desarrollo de la metodología de meta-redes Transacciones fraudulentas Bajo número de características: El número de parámetros disponibles para describir cada transacción es muy bajo, menor de 10. Presencia de relaciones de orden superior 35 de 54
36 5. Meta-Networks Meta META-REDES: Cómo añadir nuevos links para mejorar la capacidad de predicción? VER VIDEO 36 de 54
37 5. Meta-Networks Rationale for binning: Low-weighted links do not represent significant facts Reduction of noise Reduced computational cost 37 de 54
38 Selección del umbral para binarizar 45% de links más fuertes (binarizamos con ellos) Medimos: 5. Meta-Networks 38 de 54
39 5. Meta-Networks Multiple instances (subjects) 39 de 54
40 5. Meta-Networks 1/ /4 Multiple instances (subjects) 40 de 54
41 5. Meta-Networks New subject 41 de 54
42 5. Meta-Networks -En este punto: Medidas estructurales sobre la red (grado, ) para clasificar. - Selección de métricas por fuerza bruta o por feature selection (tendremos una por cada dimensión). - Algoritmos de clasificación estándar para obtener una única métrica (varios procedimientos). 42 de 54
43 Matriz pesada (148x148 sensores) de correlaciones entre pares de nodos (sensores) (ejemplo de persona con formación superior). 43 de 54
44 Matriz (binarizada) 148x148 sensores) de correlaciones entre pares de nodos (sensores) (pares de sensores con correlación significativa) 44 de 54
45 Red binarizada representada (red funcional asociada A la tarea) (representación binarizada) Pesada-> binarizada-> matriz de adyacencia-> rep. simple 45 de 54
46 46 de 54
47 links que han participado en una clasificacion decente 47 de 54
48 Datos de magnetoencefalografia, 148 sensores, Miden el campo magnético generado por las neuronas al resolver ciertos problemas (tarea de memoria: 5 letras, te van presentando letras y tienes que presionar un botón cuando aparece una de las 5 Iniciales. Ante una única aparición de una de las 5 letras, cuales sensores se activan. Queda grabado cuando la persona esta procesando (va a dar al botón). 48 de 54
49 Los dos grupos de personas son sanos, pero en el primer grupo son personas mayores con estudios superiores, y el otro personas mayores sin estudios superiores. HIPÓTESIS: Reserva cognitiva si ha ido a la universidad. Enfermedad neurodegenerativa-> a la enfermedad le cuesta atacarte (pero es una hípótesis). Los datos muestran que efectivamente existe una reserva cognitiva. 49 de 54
50 Aplicación al fraude con tarjetas 50 de 54
51 6. Aplicación al fraude con tarjetas Número limitado de variables significativas: 1. Tiempo entre transacciones 2. Dinero 3. Tipo de tarjeta (crédito, débito) 4. nº de operaciones/mes del usuario de la tarjeta 5. Gastos mensuales del usuario de la tarjeta 6. Tipo de tienda o comercio 7. Tipo de autorización (firma/pin) 8. Si es on line. Ubicación geográfica. 51 de 54
52 6. Aplicación al fraude con tarjetas Aplicación de meta-redes a datos de fraude Para el análisis de cada transacción, serán realizados los siguientes pasos : 1. Creación de una red parenclítica para cada operación disponible; 2. Creación de una meta-red desde cada red parenclítica; 3. Extracción de métricas topológicas; 4. Aplicación de algoritmos de data mining para la creación de un modelo predictivo. Resultado: Descripción del modelo predictivo, y de su eficiencia. 52 de 54
53 OTRAS PUBLICACIONES PREVISTAS Mejora de los modelos existentes de Money flow. Meta-redes: Paper teórico y aplicación a detección precoz de enfermedades. Meta-redes: Aplicación a datos de fraude. Descripción del modelo predictivo y de su eficiencia. Data-set público: principales características (previa anonimización) 53 de 54
Econometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesCRITERIOS DE SELECCIÓN DE MODELOS
Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,
Más detallesTécnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
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 detallesEstadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1
Estadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1 Relación entre dos variables Al estudiar conjuntos de variables con más de una variable, una pregunta
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesControl de Operatoria en Compra de Moneda Extranjera
Control de Operatoria en Compra de Moneda Extranjera Detección de Anomalías en Operaciones de Compra de Dólares Objetivo Detectar conductas sospechosas y/o anormales, ocultas en la operatoria habitual
Más detallesConceptos básicos útiles. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Conceptos básicos útiles PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Grafos Grafo Un grafo (o bien, un grafo no dirigido) G consiste en un conjunto E de lados (o ramas, aristas, arcos)
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detalles1. GRAFOS : CONCEPTOS BASICOS
1. GRAFOS : CONCEPTOS BASICOS Sea V un conjunto finito no vacio y sea E V x V. El par (V, E) es un grafo no dirigido, donde V es un conjunto de vértices o nodos y E es un conjunto de aristas. Denotaremos
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesTécnicas 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 detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
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 detallesTema 2. Descripción Conjunta de Varias Variables
Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis
Más detallesEstadística Descriptiva Bivariante e Intervalos de Confianza
Estadística Descriptiva Bivariante e Intervalos de Confianza Introducción En este guión se presenta el análisis conjunto de dos variables (análisis bivariante) y una introducción a los intervalos de confianza
Más detallesAnálisis de Estructuras Espaciales Persistentes. Desempleo Departamental en Argentina.
Análisis de Estructuras Espaciales Persistentes. Desempleo Departamental en Argentina. Marcos Herrera 1 1 CONICET IELDE - Universidad Nacional de Salta (Argentina) Seminario de Investigación Nº 27 8 de
Más detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.
Más detallesIntroducción a la Minería de Datos
Introducción a la Minería de Datos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Índice 1 Minería de
Más detallesCONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detallesPlanteo del problema, Hipótesis (Construcción y Análisis de modelos) Predicciones: alcance de las hipótesis. EXPERIMENTOS Selección del/los modelos
Planteo del problema, Hipótesis (Construcción y Análisis de modelos) Predicciones: alcance de las hipótesis EXPERIMENTOS Selección del/los modelos Obtención de leyes Validación de/los modelos EXPERIMENTACIÓN
Más detallesUnidad I: Introducción a las estructuras de datos
Unidad I: Introducción a las estructuras de datos 1.1 Tipos de datos abstractos (TDA) Los tipos de datos abstractos (TDA) encapsulan datos y funciones que trabajan con estos datos. Los datos no son visibles
Más detallesAPUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES
APUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES Ignacio López Torres. Reservados todos los derechos. Prohibida la reproducción total o parcial de esta obra, por cualquier medio electrónico
Más detallesCapítulo 2. Presentación, organización y descripción de datos. Continuar
Capítulo 2 Presentación, organización y descripción de datos Continuar Introducción Una vez que se han coleccionado los datos, se les debe dar una mirada general para obtener una percepción de sus características
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detalles3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE. Un motor de inducción tiene físicamente el mismo estator de una máquina
220 3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE ARDILLA 3.2.1 Descripción del problema. Un motor de inducción tiene físicamente el mismo estator de una máquina sincrónica con diferente construcción
Más detallesMétodos Predictivos en Minería de Datos
Métodos Predictivos en Minería de Datos Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado de la Universidad de Stanford. Duración: Cuatro
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Más detallesEconometria con Series Temporales
May 24, 2009 Porque series temporales? Inhabilidad de la economia de producir experimentos controlados para estudiar relaciones causales entre variables. Una alternativa consiste en estudiar estas relaciones
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesTABLA DE CONTENIDOS. Dedicatoria. Agradecimientos. Tabla de Contenidos. Índice de Figuras. Índice de Tablas. Resumen
TABLA DE CONTENIDOS página Dedicatoria Agradecimientos Tabla de Contenidos Índice de Figuras Índice de Tablas Resumen I II III VI VIII XI 1. Introducción 12 1.1. Descripción del problema.........................
Más detallesIntensificación en "Lenguajes e Inteligencia Artificial"
Ingeniería Informática - ETS Informática Métodos y Técnicas Informáticas específicas. Comportamientos humanos que se quieren simular/emular: IA: Vertiente "cognitiva" : Razonamiento, Intelecto,. RF: Vertiente
Más detallesValorización de Bonos Estructurados. Omar Pinedo
Valorización de Bonos Estructurados Omar Pinedo Qué es un bono estructurado? Es un bono que, debido a sus cláusulas, tiene una opción financiera implícita. Se valoriza descomponiendo en: V(Estructurado)=
Más detallesRegresión Lineal Múltiple
Universidad Nacional Agraria La Molina 2011-2 Efectos de Diagnósticos de Dos predictores X 1 y X 2 son exactamente colineales si existe una relación lineal tal que C 1 X 1 + C 2 X 2 = C 0 para algunas
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 detallesIntroducción a la Estadística Aplicada en la Química
Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00
Más detallesMatrices. Ejercicio 1. Dada la matriz A = 2. completa: a 11 =, a 31 =, a 23 =, = 3, = 2, = 7.
Matrices. Contenido. Matrices. Tipos especiales de matrices.. Suma y diferencia de matrices.. Producto por un número..5 Matriz traspuesta y matriz simétrica..6 Producto de matrices. Propiedades.. Matriz
Más detallesUna forma fácil de recordar esta suma (regla de Sarrus): Primero vamos a estudiar algunas propiedades de los determinantes.
Una forma fácil de recordar esta suma (regla de Sarrus): Ejemplos: Tarea: realizar al menos tres ejercicios de cálculo de determinantes de matrices de 2x2 y otros tres de 3x3. PARA DETERMINANTES DE MATRICES
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesMÓDULO 1: GESTIÓN DE CARTERAS
MÓDULO 1: GESTIÓN DE CARTERAS TEST DE EVALUACIÓN 1 Una vez realizado el test de evaluación, cumplimenta la plantilla y envíala, por favor, antes del plazo fijado. En todas las preguntas sólo hay una respuesta
Más detallesAplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel
Más detallesUNIVERSIDAD ABIERTA PARA ADULTOS (UAPA) Maestría en Dirección Financiera. Asignatura: Método Cuantitativo Empresarial
UNIVERSIDAD ABIERTA PARA ADULTOS (UAPA) Maestría en Dirección Financiera Asignatura: Método Cuantitativo Empresarial CLAVE: PDF-421 Prerrequisitos: Licenciatura No. de Créditos: 03 I. PRESENTACION El método
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesDISEÑO CURRICULAR ALGEBRA LINEAL
DISEÑO CURRICULAR ALGEBRA LINEAL FACULTAD (ES) CARRERA (S) Ingeniería Computación y Sistemas CÓDIGO HORAS TEÓRICAS HORAS PRÁCTICAS UNIDADES DE CRÉDITO SEMESTRE 122443 02 02 03 II PRE-REQUISITO ELABORADO
Más detallesANEXO TÉCNICO: Desempeño del Control de Frecuencia
ANEXO TÉCNICO: Desempeño del Control de Frecuencia TÍTULO I. ASPECTOS GENERALES Artículo 1 Objetivo El objetivo del presente Anexo Técnico es definir la metodología para calcular el Factor de Eficiencia
Más detallesEL4005 Principios de Comunicaciones Clase No.30: Códigos Lineales de Bloque
EL4005 Principios de Comunicaciones Clase No.30: Códigos Lineales de Bloque Patricio Parada Departamento de Ingeniería Eléctrica Universidad de Chile 26 de Noviembre de 2010 1 of 33 Contenidos de la Clase
Más detallesMinería de Datos. Índice. Raquel M. Crespo García. Julio Villena Román. Definición y conceptos Técnicas y modelos
Inteligencia en Redes de Comunicaciones Minería de Datos Raquel M. Crespo García Julio Villena Román {rcrespo, jvillena}@it.uc3m.es Índice Definición y conceptos Técnicas y modelos IRC - JVR, RCG - 1 1
Más detallesReglas de Asociación en Weka
Reglas de Asociación en Weka Este documento muestra cómo establecer reglas de asociación en Weka usando como ejemplo los datos de un banco "bank.arff". El punto de inicio consiste en discretizar los datos
Más detallesSISTEMAS DE INFORMACIÓN GEOGRÁFICA CONCEPTOS FUNDAMENTALES: COBERTURAS, MODELOS DE DATOS, TABLAS DE ATRIBUTOS Y TOPOLOGÍA
SISTEMAS DE INFORMACIÓN GEOGRÁFICA CONCEPTOS FUNDAMENTALES: COBERTURAS, MODELOS DE DATOS, TABLAS DE ATRIBUTOS Y TOPOLOGÍA ELEMENTOS COMUNES DE LOS SIG Son sistemas de información compuestos por software,
Más detallesLOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
Más detallesEstadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 2. Modelos de regresión
Estadís5ca Tema 2. Modelos de regresión María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica bajo
Más detallesCURSO VIRTUAL. Acceso a fuentes de información y manejo de redes sociales. Módulo 2
CURSO VIRTUAL Acceso a fuentes de información y manejo de redes sociales Módulo 2 OBJETIVOS Conseguir que el alumno adquiera conocimientos estadísticos que le permitan una lectura comprensiva de la metodología
Más detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesJesús Eduardo Pulido Guatire, marzo Diagrama de Dispersión y Correlación Lineal Simple
Jesús Eduardo Pulido Guatire, marzo 0 Diagrama de Dispersión y Correlación Lineal Simple Hasta el momento el trabajo lo hemos centrado en resumir las características de una variable mediante la organización
Más detallesTema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesEn general un cuerpo puede tener dos tipos distintos de movimiento simultáneamente.
TORQUE Y EQUILIBRIO DE CUERPO RÍGIDO. En general un cuerpo puede tener dos tipos distintos de movimiento simultáneamente. De traslación a lo largo de una trayectoria, de rotación mientras se está trasladando,
Más detallesLa lección de hoy de febrero de Notación. Solución factible básica
1.3 1 de febrero de La lección de hoy Método simplex (continuación) Entregas: material de clase Nota: el diseño de esta presentación incluye animaciones que permiten verla en forma de diapositivas. Repaso
Más detallesEste material es de uso exclusivo para clase de algoritmos y estructura de datos, la información de este documento fue tomada textualmente de varios
CLASE GRAFOS Este material es de uso exclusivo para clase de algoritmos y estructura de datos, la información de este documento fue tomada textualmente de varios libros por lo que está prohibida su impresión
Más detallesSistem as de ecuaciones lineales
Sistem as de ecuaciones lineales. Concepto, clasificación y notación Un sistema de m ecuaciones lineales con n incógnitas se puede escribir del siguiente modo: a x + a 2 x 2 + a 3 x 3 + + a n x n = b a
Más detallesEl determinante de una matriz se escribe como. Para una matriz, el valor se calcula como:
Materia: Matemática de 5to Tema: Definición de Determinantes Marco Teórico Un factor determinante es un número calculado a partir de las entradas de una matriz cuadrada. Tiene muchas propiedades e interpretaciones
Más detallesMétodo Seis Sigma. Maria Soledad Lahitte
Método Seis Sigma Maria Soledad Lahitte Introducción Seis Sigma es el término elegido por Motorola, hace más de 17 años, para denominar su iniciativa de reducción radical de defectos en productos, lo cual
Más detallesANÁLISIS DE DATOS. L.A. y M.C.E. Emma Linda Diez Knoth
ANÁLISIS DE DATOS 1 Tipos de Análisis en función de la Naturaleza de los Datos Datos cuantitativos Datos cualitativos Análisis cuantitativos Análisis cuantitativos de datos cuantitativos (Estadística)
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesTeoría Tema 4 Notación matricial en la resolución de sistemas de ecuaciones por Gauss
página 1/6 Teoría Tema 4 Notación matricial en la resolución de sistemas de ecuaciones por Gauss Índice de contenido Matriz del sistema y matriz ampliada...2 Método de Gauss...3 Solución única, ausencia
Más detallesPolinomios y Estadística
Funciones polinomiales Universidad de Concepción, Chile Departamento de Geofísica Programación Científica con Software libre Primavera, 2011 Universidad de Concepción Contenidos Funciones polinomiales
Más detallesSISTEMAS DE ECUACIONES. Un sistema de m ecuaciones lineales con n incógnitas, x 1, x 2,, x n es un conjunto de m igualdades de la forma:
TEMA Sistemas de ecuaciones SISTEMAS DE ECUACIONES. DEFINICIÓN SISTEMAS DE ECUACIONES Un sistema de m ecuaciones lineales con n incógnitas,,,, n es un conjunto de m igualdades de la forma: a a an n b a
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesLa Hoja de cálculo como herramienta para el seguimiento del Alumnado
La Hoja de cálculo como herramienta para el seguimiento del Alumnado 1. Introducción Son numerosos los recursos informáticos que hay en un centro educativo de Andalucía, y aún más las posibilidades que
Más detallesSistemas de predicción Aprendizaje automático Data Mining & Machine Learning
Data Mining & Machine Learning Ibon B. Salbidegoitia ibon.salbidegoitia@meteoforenergy.com 1 Comunicación 2 Comunicación 3 Comunicación 4 Almacenamiento SIZE: byte kilobyte megabyte gigabyte terabyte petabyte
Más detallesMCRivara/CG2008/1. MCRivara/CG2007/2MCRivara/CG2008/1 1. Modelación de Sólidos. Computación Gráfica. Modelos de sólidos
Computación Gráfica Modelación de Sólidos Prof. María Cecilia Rivara mcrivara@dcc.uchile.cl Semestre 2009/1 Modelación de Sólidos Objetivo: Modelos matemáticos de objetos del mundo real (automóvil, motor,
Más detallesESTADÍSTICA SEMANA 2
ESTADÍSTICA SEMANA 2 ÍNDICE CUADROS DE DISTRIBUCIÓN DE FRECUENCIAS Y REPRESENTACIÓN GRÁFICA... 3 APRENDIZAJES ESPERADOS... 3 INTRODUCCIÓN... 3 REPRESENTACIÓN GRÁFICA... 3 MÉTODOS GRÁFICOS:... 3 DIAGRAMAS
Más detallesEstimación de la evolución de proyectos en el ámbito de la producción industrial mediante la parametrización de la curva S del coste acumulado
Estimación de la evolución de proyectos en el ámbito de la producción industrial mediante la parametrización de la curva S del coste acumulado Contenido Qué vamos a ver? Introducción Antecedentes Objetivos
Más detallesREDES DE LOS SISTEMAS DE PAGO: HACIENDO ANÁLISIS USANDO
REDES DE LOS SISTEMAS DE PAGO: HACIENDO ANÁLISIS USANDO SIMULACIÓN Y PRUEBAS DE ESTRÉS Mayo 2011 AGENDA Introducción Antecedentes Motivación La Simulación El Modelado de redes Medidas de Centralidad Conclusiones
Más detallesClase No. 13: Factorización QR MAT 251. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 16
Clase No 13: Factorización QR MAT 251 Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) 03102011 1 / 16 Factorización QR Sea A R m n con m n La factorización QR de A es A = QR = [Q 1 Q 2 ] R1 = Q 0 1 R
Más detallesMateria: Matemática de 5to Tema: Método de Cramer. Marco Teórico
Materia: Matemática de 5to Tema: Método de Cramer Marco Teórico El determinante se define de una manera aparentemente arbitraria, sin embargo, cuando se mira a la solución general de una matriz, el razonamiento
Más detallesGrado en Ingeniería Informática Estadística Tema 1: Estadística Descriptiva Ángel Serrano Sánchez de León
Grado en Ingeniería Informática Estadística Tema 1: Estadística Descriptiva Ángel Serrano Sánchez de León 1. Clasificar las siguientes variables como discretas o continuas. También clasificarlas según
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesÁlgebra Lineal Ma843
Álgebra Lineal Ma843 Principios de Desarrollo Discursivo/Didáctico Departamento de Matemáticas ITESM Principios de Desarrollo Discursivo/Didáctico Álgebra Lineal - p. 1/12 Problema Fundamental El problema
Más detallesRobots Autónomos. Depto. de Ciencia de la Computación e Inteligencia Artificial
Robots Autónomos Depto. de Ciencia de la Computación e Inteligencia Artificial Contenido Problema del mapeado Mapeado 2D Mapeado 3D Introducción al SLAM Mapeado topológico Construcción de mapas: Descripción
Más detallesCONSTRUCCIÓN DIDÁCTICA DE LOS NÚMEROS ENTEROS DESDE LA TEORÍA LOS MODOS DE PENSAMIENTO.
CONSTRUCCIÓN DIDÁCTICA DE LOS NÚMEROS ENTEROS DESDE LA TEORÍA LOS MODOS DE PENSAMIENTO. Bonilla Barraza,D. Parraguez González,M. Pontificia Universidad Católica de Valparaíso (Chile) danielabonillab@gmail.com,
Más detallesUna Interfaz Grafo-Matriz
Una Interfaz Grafo-Matriz R. Carballo, C. Escribano, M.A. Asunción Sastre Dept. Matemática Aplicada F.Informática. U.P.M. Boadilla del Monte Madrid, 28660-Madrid e-mail: cescribano@fi.uib.es Resumen. El
Más detalles1 Sistemas de ecuaciones lineales.
Sistemas de ecuaciones lineales Sistemas de ecuaciones lineales Sea S el siguiente sistema de m ecuaciones lineales y n incógnitas: 9 a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x n = b 2 >=
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesAnálisis y Diseño de Sistemas
Análisis y Diseño de Sistemas Dpto. Ciencias e Ingeniería de la Computación Universidad Nacional del Sur Clase 10 Modelo Dinámico Lic. María Mercedes Vitturini [mvitturi@cs.uns.edu.ar] 1er. CUATRIMESTRE
Más detalles2 = 1 0,5 + = 0,5 c) 3 + = = 2
Trabajo Práctico N : SISTEMAS DE ECUACIONES LINEALES Ejercicio : Resuelva los siguientes sistemas de ecuaciones lineales empleando cuando sea posible: i) Método matricial. ii) Regla de Cramer. Interprete
Más detallesAnálisis Predictivo con Pentaho Data Mining en el sector bancario
Análisis Predictivo con Pentaho Data Mining en el sector bancario CONTENIDO INTRODUCCIÓN REQUERIMIENTOS DE LA PROPUESTA CONCEPTUALIZACIÓN DE LA PROPUESTA DISEÑO DE LA PROPUESTA BENEFICIOS PROPUESTA ECONÓMICA
Más detallesMÓDULO: MÉTODOS CUANTITATIVOS
MÓDULO: MÉTODOS CUANTITATIVOS 1.- Nombre del módulo y las asignaturas: Métodos Cuantitativos Econometría Avanzada Econometría Financiera 2.-Número de créditos ECTS: Econometría Avanzada: 6 ECTS. Econometría
Más detallesCriterios de evaluación 3º de ESO. Matemáticas Orientadas a las Enseñanzas Aplicadas
CONCRECCIÓN de los CRITERIOS de EVALUACIÓN MATEMÁTICAS APLICADAS º ESO Teniendo en cuenta los criterios de evaluación correspondientes a esta materia, se realizan a continuación una concreción de dichos
Más detallesv = V max[s] K m +[S]
Caso 206: Cálculo de V max y K m mediante la linealización Lineweaver-Burk Caso 206 : Cálculo de V max y K m mediante la linealización de Lineweaver-Burk (Regresión lineal sin pesos estadísticos (todas
Más detallesUNIVERSIDAD TECNOLOGICA DE PEREIRA PROGRAMA DE TECNOLOGIA ELECTRICA
UNERSDAD TECNOLOGCA DE PERERA PROGRAMA DE TECNOLOGA ELECTRCA Curso Básico de Análisis de Sistemas Eléctricos de Potencia Antonio Escobar Zuluaga Pereira - Risaralda - Colombia 0 Matriz admitancia Y BUS
Más detallesProgramación Lineal. Modelo de Redes. Alcance de las aplicaciones. Curso: Investigación de Operaciones Ing. Javier Villatoro
Programación Lineal Modelo de Redes Alcance de las aplicaciones Curso: Investigación de Operaciones Ing. Javier Villatoro ALCANCE DE LAS APLICACONES DE REDES ALCANCE DE LAS APLICACIONES Muchas situaciones
Más detallesEstadística Convocatoria de Junio Facultad de Ciencias del Mar. Curso 2009/10 28/06/10
1. El Indice Climático Turístico (ICT), definido por Mieczkowski en 1985 es un índice que toma valores en una escala de 0 a 100 y tiene como objetivo valorar la calidad que ofrece el clima de una región
Más detallesALGORITMOS DIGITALES II. Ing. Hugo Fdo. Velasco Peña Universidad Nacional 2006
ALGORITMOS DIGITALES II Ing. Hugo Fdo. Velasco Peña Universidad Nacional 2006 OBJETIVOS Conocer los principios básicos de los algoritmos. Establecer paralelos entre los algoritmos, los programas y las
Más detallesAprendizaje Automático y Data Mining. Bloque IV DATA MINING
Aprendizaje Automático y Data Mining Bloque IV DATA MINING 1 Índice Definición y aplicaciones. Grupos de técnicas: Visualización. Verificación. Descubrimiento. Eficiencia computacional. Búsqueda de patrones
Más detallesAPRENDIZAJE PROBABILÍSTICO NAIVE BAYES
1 APRENDIZAJE PROBABILÍSTICO NAIVE BAYES Bases de Datos Masivas 9 de Noviembre de 2016 2 Razonamiento Probabilístico Es una herramienta de aprendizaje estadístico. Se trata de razonar en un contexto incierto;
Más detallesGrafos Los siete puentes de Königsberg: Teoría de Grafos
Grafos Los siete puentes de Königsberg: Un ciudadano de Königsberg (Prusia) se propuso dar un paseo cruzando cada uno de los siete puentes que existen sobre el río Pregel una sola vez. Los dos brazos del
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 detallesTeorías del aprendizaje
Teorías del aprendizaje TEORÍAS DEL APRENDIZAJE 1 Sesión No. 7 Nombre: El cognitivismo: Aplicación en la educación Contextualización Sabías que las teorías cognitivas tienen un amplio campo de aplicación
Más detalles