Proyecto Nº de referencia SPIP Cantidad concedida: Realizado por INSIA (Instituto Universitario de Investigación del Automóvil)
|
|
- María Cristina Araya Giménez
- hace 6 años
- Vistas:
Transcripción
1 Proyecto Nº de referencia SPIP Cantidad concedida: Modelo para la determinación de la exposición de los vehículos, a partir de los datos registrados en ITV, teniendo en cuenta sus características y antigüedad. (EXPO-ITV-DGT 2015) Realizado por INSIA (Instituto Universitario de Investigación del Automóvil)
2 Índice Justificación del proyecto Objetivos Metodología Resultados Aspectos innovadores
3 La seguridad vial en España: Puesto destacado en la UE Buenas medidas de prevención y de Educación Vial El futuro de la seguridad vial Números Totales Justificacióndel proyecto Progresión Carnet por puntos Radares Medidas específicas para Campañas diferentes colectivos de concienciación Puesto: 5º Educación Vial para niños Valor: 36 mpm INTERÉS DEL PROYECTO Puesto: 1º Valor: 70% Es necesario evaluar los valores de exposición de colectivos específicos para determinar los niveles de riesgo reales Número de muertes en accidentes de tráfico por millón de habitantes en 2014 Descenso en el número de muertes en accidentes de tráfico entre
4 Justificación del proyecto 1.-Importancia de la exposición en la investigación accidentológica Datos de la exposición disponibles: los más utilizados son vehículos-km, personas-km y personas-horas de desplazamiento. Exposición cuasi-inducida Carencia de datos desagregados precisos 2.- Exploración de datos de registros de ITV
5 Objetivos del proyecto Objetivo general: Determinación de la exposición asociada al uso del vehículo con el grado de desagregación que permiten la validación de los datos disponiblesen registros ITV. Objetivos específicos: Definir grupos de estudio = f(características técnicas, antigüedad y otros factores de interés) Posibles diferencias en su comportamiento accidentológico Establecer criterios de depuración de los datos para la creación de bases limpias. Desarrollar algoritmos para el cálculo automatizado de los niveles de exposición de los vehículos, con el mayor grado de desagregación. Realizar estimaciones, predicciones con evaluación de los niveles de incertidumbre Evaluar diferencias significativas entre los diferentes grupos características y niveles de movilidad homogéneos tendencias y posibles factores de influencia en los niveles de exposición
6 Diagrama de bloque. Metodología
7 BDITVAA CRITERIOS DE DEPURADO newid FEC_INSPECCION NUM_ITV KM1 DeltaKM DeltaTiempo KM/AÑO 29GEIG7 31/01/ GEIG7 02/08/ Movilidad negativa GEIG7 08/03/ GEIG7 21/09/ GEIG7 23/03/ GEIG7 29/09/ GEIG7 14/04/2012 7? GEIG7 Tiempo entre 12/11/2011 8? Ausencia - de GEIG7 ITV 25/11/2011 9? kilometraje GEIG7? 15? Criterios más robustos Eliminación de autobuses con un solo registro Se eliminan los registros erróneos Se eliminan todos los registros del vehículo Eliminación de colas Cribado de los datos BDITVAA1 BDITVAA registros 650 AA..** ** Tipo de vehículo, la masa del mismo o el número de plazas DWITVAA 1566 registros 462 AA
8 Cribado de los datos BDITVAA Procedimiento 1 BDITVAA registros AA Procedimiento Diferencia entre 2 BBDD BDITVAA1 BDITVAA2 Proceso de selección de la Base operacional Criterios dudosos Eliminación de colas BDITVAA FEC_INSPECCION NUM_ITV KM1 DeltaKM DeltaTiempo KM/AÑO 31/01/ /03/2014 Se eliminan todos los /09/ registros 23/03/ de ese 1583 vehículo /09/ BDITVAA2 CRITERIOS DE DEPURADO Parte COMUNES Eliminación de la BDITVAA2: de 8 CASOS autobuses Elimina todos con un los solo registros de un Movilidad negativa vehículo con un registro erróneo Comparación Colas: <2000 y > km/año Ausencia de kilometraje NO elimina autobuses DWITVAA con un solo registro newid FEC_INSPECCION NUM_ITV KM1 DeltaKM DeltaTiempo KM/AÑO 29GEIG7 31/01/ GEIG7 02/08/ GEIG7 08/03/ GEIG7 21/09/ GEIG7 23/03/ GEIG7 29/09/ GEIG7 14/04/2012 7? GEIG7 Tiempo entre 12/11/2011 8? GEIG7 ITV negativo 25/11/2011 9? GEIG7? 15? - - -
9 Metodología de análisis: Árboles de MODELOS CART Decisión Métodos de regresión no paramétrica: relaciones entrada salida tipo histograma, muy flexibles para modelar relaciones complejas. 2 D 3 D
10 Metodología de análisis: conjuntos de RANDOM FOREST: CART + complejo + variado Árboles Proceso de Bootstrap + Muestreo aleatorio sin reposición: Se realiza en primer lugar un muestreo aleatorio con reposición para los datos de partida y otro sin reposición para las variables independientes en cada partición de nodos DYNATREE: VERSIÓN BAYESIANA DE CART Modelado bayesiano con probabilidad subjetiva Técnicas computacionales muy sofisticadas (particle learning)
11 SELECCIÓN DE VARIABLES IMPORTANCIA DE VARIABLES Metodología de análisis: CART y conjuntos de Árboles CART RANDOM FOREST ECM PLAZAS ANTIGÜEDAD EDAD_ITV POTENCIA CILINDRADA PESO AÑO_ITV PUREZA NODO PREDICCIÓN DE LA EXPOSICIÓN CON CUANTIFICACIÓN DE LA INCERTIDUMBRE
12 Metodología de análisis: conjuntos de Árboles RF y Dynatree randomforest MSE reduction, ntree = 500 * dynatree (ntree=2000) ** DATA_PLAZAS 23,74 17,58 DATA_ANTIG 19,68 36,41 DATA_EDAD_ITV 15,32 - DATA_POT 15,16 - DATA_PESO 9,88 15,59 DATA_CIL 8,92 15,20 DATA_ANO_ITV 7,30 15,22 100,00 100,00 Efecto total= efecto individual de la variable+ + * conjunto con el resto ** Efecto individual de la variable
13 Resultados. Estudio piloto: Movilidad de AA Movilidad de conglomerados de vehículos homogéneos Ejemplos E1.1: A9-Eitv9-añoins2015-CC12000-CF(4º)40-Pe Pl75 LI 95% Movilidad (km/año) Predicción puntual LS 95% , , ,40 E1.2: A (4º) , , ,90 E1.3: A (4º) , , ,00 E1.4: A (3º) , , ,40 E1.5: A (4º) , , ,60 E1.6: A (4º) , , ,80 VALIDACIÓN CON DATOS EXTERNOS (MFOM EMT)
14 Resultados. Estudio piloto: Movilidad de AA Movilidad de conglomerados de movilidad homogénea Árbol con menor error respecto a los datos observados (ntree=500)
15 Conclusiones RELATIVAS A LA METODOLOGÍA Creación de una base estratégica operacional o DataWarehouse 1. Criterios de limpieza. 2. Análisis de muestras creadas con reglas multicriterio. Con cuantificación de la bondad de ajuste con modelos de bosques de árboles de regresión. Desarrollo de un Sistema experto para la estimación de la movilidad de vehículos del parque
16 Conclusiones RELATIVAS AL DEPURADO DE DATOS Las bases elaboradas a partir de registros ITV ofrecen numerosas carencias. Un buen depurado es esencial. Se recomienda una mejora en el proceso de toma de datos BDITVAA 8785 registros 650 autobuses PUNTOS FUERTES Pruebas de selección de la base operacional DWITVAA Metodología Representatividad de la muestra DWITVAA 1566 registros 462 autobuses MEJORAS Criterios más ajustados(colas)
17 Conclusiones SISTEMA EXPERTO ESTIMACIÓN - PREDICCIÓN VALORES DE MOVILIDAD DESAGREGADA Predicción de la movilidad de un vehículo con todas las características definidas o solo aquellas de interés. MÉTODOS ESTADÍSTICOS AVANZADOS Selección de variables Cuantificación de la incertidumbre RECOMENDACIONES REVISION DE LOS DATOS RECOGIDOS EN LAS ITV Dispersiónde los datos de la fuente INCORPORACION DE OTROS DATOS DE INTERÉS EN LAS ITV VALIDACIÓN CON DATOS EXTERNOS
18 Aspectos innovadores UnaexploracióndelosdatosdelosregistrosdelasITV. La explotación de los datos disponibles de movilidad de los vehículos Criterios y métodos estadísticos avanzados: La búsqueda de asociaciones entre variables para caracterizar la movilidad de los vehículos La identificación de diferencias en la movilidad entre categorías y segmentos de vehículos La estimación de la movilidad entre categorías y segmentos de vehículos La cuantificación robusta de la incertidumbre de las estimaciones Un análisis de sensibilidad o importancia de las variables que caracterizan la movilidad de los vehículos
19 Otras aplicaciones Estudios de impacto ambiental, Los modelos actuales como el COPERT, utiliza datos de movilidad sumamente agregados Análisis de detección de defectos encontrados en las inspecciones técnicas y su naturaleza, en función de la movilidad de los vehículos. Verificación de la adecuación de la normativa actual en relación a la periodicidad de las inspecciones de diferentes tipos de vehículos, segmentos, etc.
20 Bibliografía 1) Breiman, L., Friedman, J., Olshen, R. y Stone, C., Classification and Regresion Trees, Wadsworth International Group. Año ) Breiman, L., Random forests-random features, Technical Report, Statistics Department, University of California. Año ) Breiman, L., Random Forests, Machine Learning, 45, pp Año ) Azzalini, A., & Scarpa, B. (2012). Data Analysis and Data Mining: An Introduction, (ISBN ). 5) Daniel Peña, Regresión y diseño de experimentos. Alianza editorial. Año ISBN ) Pang-Ning Tan., Michael Steinbach and Vipin Kumar, Introduction to Data Mining, ) Jiawei Han and Micheline Kamber: Data Mining: Concepts and Techniques, ) Clifton D. Sutton, Classification and Regression Trees, Bagging and Boosting, ) César Pérez López y Daniel Santín, Minería de datos. Técnicas y herramientas, ) Hastie, T., Tibshirani, R., Friedman, J. (2008). The Elements of Statistical Learning: data mining, inference and prediction, Springer
MINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN
GUIA DOCENTE DE LA ASIGNATURA MINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER Módulo de Nivelación de Conocimientos Minería de datos: preprocesamie
Más detallesComplementación y ampliación de la currícula de la Maestría 2017 Maestría en Generación y Análisis de Información Estadística
ampliación de la currícula Maestría en Generación y Análisis de Información Estadística Programa abierto de ampliación de la currícula Maestría en Generación y Análisis de Información Estadística La Maestría
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 detallesMÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO
GUIA DOCENTE DE LA ASIGNATURA MINERÍA DE DATOS Curso 2014-2015 MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO Análisis Exploratorio y Minería de Datos PROFESOR(ES) Análisis Exploratorio y Minería de Datos
Más detalles1.-DATOS DE LA ASIGNATURA
1.-DATOS DE LA ASIGNATURA Nombre de la asignatura: Minería de Datos Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: ADM-0701 Horas teoría-horas práctica-créditos: 3-2-8 2.-HISTORIA
Más detallesMD - Minería de Datos
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 017 70 - FIB - Facultad de Informática de Barcelona 73 - CS - Departamento de Ciencias de la Computación 715 - EIO - Departamento
Más detallesAprendizaje Automático
Aprendizaje Automático Andrea Mesa 21 de mayo de 2010 Aprendizaje automático Otras denominaciones: machine learning, statistical learning, data mining, inteligencia artificial. Las técnicas de Aprendizaje
Más detallesA3. Ciencia de datos y aprendizaje automático
A3. Ciencia de datos y aprendizaje automático MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL UNIVERSIDAD INTERNACIONAL MENÉNDEZ PELAYO Este documento puede utilizarse como documentación
Más detallesMétodos Descriptivos en Minería de Datos
Métodos Descriptivos en Minería de Datos Descripción: En este curso se presentarán los principales conceptos y métodos en Minería de Datos. El énfasis principal del curso será examinar dichos métodos desde
Más detallesEstadística Multivariada Computacional Introducción al Aprendizaje Automático (parte 1)
Estadística Multivariada Computacional Introducción al Aprendizaje Automático (parte 1) Mathias Bourel IMERL - Facultad de Ingeniería, Universidad de la República, Uruguay 24 de octubre de 2016 M.Bourel
Más detallesRandom Forests. Teoría y ejemplos. Romain Gouron. Conferencia 9, GLAM, Doble titulo Ecole Centrale de Nantes (Francia)
Teoría y ejemplos 1 1 Departamiento de Ingenería Matemática Doble titulo Ecole Centrale de Nantes (Francia) Conferencia 9, GLAM, 2016 Outline 1 Árboles de decisión Construcción 2 3 Rotation forest Gradient
Más detallesVIII Jornadas de Usuarios de R
VIII Jornadas de Usuarios de R Análisis del Abandono en el Sector Bancario Predicción del abandono de clientes Albacete, 17 de Noviembre de 2016 I. INDICE : Modelo Abandonos I. COMPRENSIÓN DEL NEGOCIO
Más detallesCURSOS DE VERANO 2014
CURSOS DE VERANO 2014 TÍTULO APROXIMACIÓN DEL CURSO PRÁCTICA A LA CIENCIA DE DATOS Y BIG DATA: HERRAMIENTAS KNIME, R, HADOOP Y TÍTULO PONENCIA MAHOUT NOMBRE PROFESOR Introducción a KNIME María José del
Más detallesA3. Ciencia de datos y aprendizaje automático
A3. Ciencia de datos y aprendizaje automático MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL UNIVERSIDAD INTERNACIONAL MENÉNDEZ PELAYO Este documento puede utilizarse como documentación
Más detallesRandom Forests. Felipe Parra
Applied Mathematics Random Forests Abril 2014 Felipe Parra Por que Arboles para Clasificación PERFIL DE RIESGO: definir con qué nivel de aversión al riesgo se toman decisiones Interpretación intuitiva
Más detallesAprendizaje: Boosting y Adaboost
Técnicas de Inteligencia Artificial Aprendizaje: Boosting y Adaboost Boosting 1 Indice Combinando clasificadores débiles Clasificadores débiles La necesidad de combinar clasificadores Bagging El algoritmo
Más detallesAprendizaje Computacional. Eduardo Morales y Jesús González
Aprendizaje Computacional Eduardo Morales y Jesús González Objetivo General La capacidad de aprender se considera como una de los atributos distintivos del ser humano y ha sido una de las principales áreas
Más detallesDISEÑO EXPERIMENTAL Biología, 2º Ciclo Profesores: Mauro Santos y Hafid Laayouni PROGRAMA TEÓRICO
DISEÑO EXPERIMENTAL Biología, 2º Ciclo 2005-2006 Profesores: Mauro Santos y Hafid Laayouni PROGRAMA TEÓRICO Tema 1 Introducción Diseño experimental e inferencia estadística: las dos caras de una misma
Más detallesGrado en ESTADÍSTICA APLICADA 258 ECTS
MATERIAS BÁSICAS (60 ECTS) Obligatorio 1.- Descripción y Exploración de datos (ESTADÍSTICA - RAMA) 2.- Azar y probabilidad (ESTADÍSTICA - RAMA) 3.- Estimación I (OB) (ESTADÍSTICA - RAMA) 4.- Software estadístico
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN COMPUTACION RECONFIGURABLE
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN COMPUTACION RECONFIGURABLE OBJETIVO GENERAL Comprender los conceptos de la Computación Reconfigurable
Más detallesAPA - Aprendizaje Automático
Unidad responsable: 270 - FIB - Facultad de Informática de Barcelona Unidad que imparte: 723 - CS - Departamento de Ciencias de la Computación Curso: Titulación: 2017 GRADO EN INGENIERÍA INFORMÁTICA (Plan
Más detallesPROGRAMA DE CURSO. Código Nombre ESTADISTICA PARA ECONOMIA Y GESTION Nombre en Inglés STATISTICS FOR BUSINESS AND ECONOMICS Unidades
PROGRAMA DE CURSO Código Nombre IN 3401 ESTADISTICA PARA ECONOMIA Y GESTION Nombre en Inglés STATISTICS FOR BUSINESS AND ECONOMICS es Horas Docencia Horas de Trabajo SCT Horas de Cátedra Docentes Auxiliar
Más detallesTema 15: Combinación de clasificadores
Tema 15: Combinación de clasificadores p. 1/21 Tema 15: Combinación de clasificadores Abdelmalik Moujahid, Iñaki Inza, Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial
Más detallesTÓPICOS AVANZADOS DE BASES DE DATOS
TÓPICOS AVANZADOS DE BASES DE DATOS 1. DATOS DE LA ASIGNATURA. Nombre de la asignatura: TÓPICOS AVANZADOS DE BASES DE DATOS Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: Modulo
Más detallesBenemérita Universidad Autónoma de Puebla Vicerrectoría de Docencia Dirección General de Educación Superior Facultad de Ciencias de la Computación
PLAN DE ESTUDIOS (PE): Licenciatura en Ingeniería en Tecnologías de la Información AREA: Tecnologías de la Información ASIGNATURA: CÓDIGO: ITIM-261 CRÉDITOS: 5 FECHA: 15 de Julio de 2013 1 1. DATOS GENERALES
Más detallesAux 6. Introducción a la Minería de Datos
Aux 6. Introducción a la Minería de Datos Gastón L Huillier 1,2, Richard Weber 2 glhuilli@dcc.uchile.cl 1 Departamento de Ciencias de la Computación Universidad de Chile 2 Departamento de Ingeniería Industrial
Más detallesMinería de Datos. Presentación de la asignatura. Fac. Ciencias Ing. Informática Otoño de 2012. Dept. Matesco, Universidad de Cantabria
Minería de Datos Presentación de la asignatura Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Otoño de 2012 Cuestiones Factuales De índole práctica Personal e
Más detallesLA IMPORTANCIA DE LA CORRECTA GESTIÓN DE LA SEGURIDAD VIAL EN LA EMPRESA: MOVILIDAD RESPONSABLE
LA IMPORTANCIA DE LA CORRECTA GESTIÓN DE LA SEGURIDAD VIAL EN LA EMPRESA: MOVILIDAD RESPONSABLE Madrid, 29 mayo de 2014 Quiénes somos Empresa especializada en la creación y comercialización de metodologías
Más detallesESTUDIO DEL PARQUE CIRCULANTE DE MADRID Características y Objetivos
ESTUDIO DEL PARQUE CIRCULANTE DE MADRID - 2013 Características y Objetivos D.G. DE SOSTENIBILIDAD Y PLANIFICACIÓN DE LA MOVILIDAD Agencia de la Energía de la Ciudad de Madrid Madrid, 30 de junio de 2014
Más detallesMÁSTER EN AUDITORÍA Y CONTABILIDAD PROFESORADO
MÁSTER EN AUDITORÍA Y CONTABILIDAD Asignatura Carácter Créditos Módulo Materia MATEMÁTICAS FINANCIERAS Y ESTADÍSTICA PARA AUDITORES Obligatoria 4 ECTS Módulo: Valoración financiera y entorno Materia: Economía
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 6109 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesCARGA HORARIA Horas totales: 80 Horas totales de resolución de problemas de aplicación: 32
PROBABILIDAD Y ESTADISTICA OBJETIVOS: 1. Extraer y sintetizar información de un conjunto de datos. 2. Aprehender los conceptos de aleatoriedad y probabilidad. 3. Estudiar los modelos más importantes de
Más detallesEstadística II. Carrera: INB Participantes. Representante de las academias de ingeniería industrial de Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadística II Ingeniería Industrial INB - 0408 4 0 8 2.- HISTORIA DEL PROGRAMA
Más detallesIntroducción a SPSS Árboles de Clasificación. Jorge Del Río L. Consultor Estadístico
Introducción a SPSS Árboles de Clasificación Jorge Del Río L. Consultor Estadístico Introducción Es un módulo que contiene diferentes procedimientos para resolver problemas de predicción y clasificación
Más detallesPROGRAMA DE CURSO. Código Nombre MA3402 Estadística Nombre en Inglés Statistics SCT Requisitos. DIM Resultados de Aprendizaje
> < ; U Q R ;?C: VT 2 +D :?CB J B > > ; S6D :? < ;? ; C?C : >? ; W( U C > X?2 > R+DE?C : < > ; ; 9 : : R > ; Y < > < ; U Q R ;?C: VT 2 +D :?C B J B > > ; S6D :? < ;? ; C?C : >? ; W( U C > X?2 > R+DE?C
Más detallesAnálisis histórico y conceptual del Cálculo de Probabilidades y de la Estadística. Estudio de problemas emblemáticos relativos a ambas disciplinas.
GUÍA DOCENTE DE LA ASIGNATURA PROBLEMAS CLÁSICOS DE LA PROBABILIDAD Y LA ESTADÍSTICA 1. Descriptores de la asignatura: Análisis histórico y conceptual del Cálculo de Probabilidades y de la Estadística.
Más detallesEL MODELO DE FORMACIÓN VIAL EN ESPAÑA. Seguridad Vial
EL MODELO DE FORMACIÓN VIAL EN ESPAÑA. Subdirección Subidrección General Adjunta de Formación Conocimiento para Vial la Seguridad Vial INDICE 1. MARCO ÚNICO EN MATERIA DE PERMISOS DE CONDUCCIÓN: UE. a.
Más detallesESTADÍSTICA I PRESENTACIÓN DE LA ASIGNATURA
ESTADÍSTICA I PRESENTACIÓN DE LA ASIGNATURA Descripción de la asignatura Estadística I El objetivo de la asignatura es proporcionar al estudiante conocimiento Departamento de Estadística y comprensión
Más detallesPrograma de Validación de Métodos Analíticos INFORMACIÓN GENERAL
UNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE CIENCIAS QUÍMICAS Y FARMACIA ESCUELA DE QUÍMICA DEPARTAMENTO DE FISICOQUÍMICA Programa de Validación de Métodos Analíticos INFORMACIÓN GENERAL No. De
Más detallesOtros aspectos. Procesado de la entrada Procesado de la salida. Carlos J. Alonso González Departamento de Informática Universidad de Valladolid
Otros aspectos Procesado de la entrada Procesado de la salida Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenido 1. Procesado de la entrada 1. Motivación y tareas
Más detallesPROGRAMA DE ESTADÍSTICA DESCRIPTIVA
PROGRAMA DE ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS DE ESTADÍSTICA Definición de Estadística Origen del concepto. Evolución histórica de la Estadística Estadística Descriptiva y Estadística Inferencial
Más detallesD conjunto de N patrones etiquetados, cada uno de los cuales está caracterizado por n variables predictoras X 1,..., X n y la variable clase C.
Tema 10. Árboles de Clasificación Pedro Larrañaga, Iñaki Inza, Abdelmalik Moujahid Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea
Más detallesUniversidad Nacional Autónoma de México Facultad de Psicología
Universidad Nacional Autónoma de México Facultad de Psicología PROGRAMA DE ASIGNATURA Nombre de la asignatura Clave Semestre Estadística Inferencial 0186 4 Número de créditos 8 Horas teoría 4 Horas práctica
Más detallesWenceslao González Manteiga.
ANÁLISIS MULTIVARIANTE Wenceslao.gonzalez@usc.es ÍNDICE 0. MOTIVACIÓN HISTÓRICA 1. ANÁLISIS EXPLORATORIO DE DATOS 2. REVISIÓN DE LAS DISTRIBUCIONES NOTABLES MULTIDIMENSIONALES RELACIONADAS CON LA NORMAL
Más detallesCapítulo 8. Selección de variables Introducción
Capítulo 8 Selección de variables 8.1. Introducción En muchos problemas de regresión es posible considerar un número importante de variables predictoras. Un empresario podría estudiar los factores que
Más detallesDiplomado en Estadística e Investigación Científica
Sociedad Hispana de Investigadores Científicos Diplomado en Estadística e Investigación Científica Introducción Durante mucho tiempo se consideró a la investigación científica como una actividad de unos
Más detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesGeNie: entorno de desarrollo para la construcción de modelos gráficos de decisión Decision Systems Laboratory, University of Pittsburgh.
GeNie: entorno de desarrollo para la construcción de modelos gráficos de decisión Decision Systems Laboratory, University of Pittsburgh GeNie Modelos Gráficos Probabilísticos Modelos Gráficos: teoría de
Más detallesJosé Hernández Orallo Mª. José Ramírez Quintana
http://www.dsic.upv.es/~jorallo/docent/master/index.html José Hernández Orallo Mª. José Ramírez Quintana jorallo@dsic.upv.es mramirez@dsic.upv.es Cèsar Ferri Ramírez cferri@dsic.upv.es (profesor responsable)
Más detallesItinerario: Inteligencia Computacional
Máster Universitario en Investigación e Innovación en Tecnologías de la Información y las Comunicaciones Itinerario: Inteligencia Computacional Escuela Politécnica Superior Universidad Autónoma de Madrid
Más detallesESTIMACIÓN DE FUNCIONES DE DENSIDAD DE DATOS CORRELACIONADOS Y/O CON VALORES ATÍPICOS
Servy, Elsa Cuesta, Cristina Marí, Gonzalo Instituto de Investigaciones Teóricas y Aplicadas, Escuela de Estadística ESTIMACIÓN DE FUNCIONES DE DENSIDAD DE DATOS CORRELACIONADOS Y/O CON VALORES ATÍPICOS
Más detallesGUIA DOCENTE DE LA ASIGNATURA ANÁLISIS ESTADÍSTICO CON ORDENADOR DE DATOS MÉDICOS Curso (Fecha última actualización: 28/06/16)
GUIA DOCENTE DE LA ASIGNATURA ANÁLISIS ESTADÍSTICO CON ORDENADOR DE DATOS MÉDICOS Curso 2016-2017 (Fecha última actualización: 28/06/16) MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO VI.- Complementos de
Más detallesCarrera de Posgrado: Doctorado en Ingeniería Curso: TÓPICOS SELECTOS EN APRENDIZAJE MAQUINAL Año Académico: 2012
Carrera de Posgrado: Doctorado en Ingeniería Curso: TÓPICOS SELECTOS EN APRENDIZAJE MAQUINAL Año Académico: 2012 1. Objetivos. Que el alumno: Conozca los fundamentos teóricos de las técnicas más utilizadas
Más detallesESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA
GUÍA DOCENTE 2012-2013 ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA 1. Denominación de la asignatura: ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA Titulación GRADO EN FINANZAS Y CONTABILIDAD Código 5592
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesPrograma de Asignatura Estadística
Programa de Asignatura Estadística 01 Carrera: Licenciatura en Tecnología Informática 02 Asignatura: Estadística 03 Año lectivo: 2013 04 Año de cursada: 2 05 Cuatrimestre: Segundo 06 Hs. Semanales: 5 07
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesAnalizando patrones de datos
Analizando patrones de datos SQL Server DM, Excel DM, Azure ML y R Ana María Bisbé York @ambynet http://amby.net/ Temario Introducción a Minería de datos MS Office Excel Herramientas de tabla y Minería
Más detallesESTADISTICA INFERENCIAL
ESTADISTICA INFERENCIAL CODIGO 214543 (COMPUTACION) 224543 (SISTEMAS) 254443 (CONTADURIA) 264443 (ADMINISTRACION) 274443( GRH) HORAS TEORICAS HORAS PRACTICAS UNIDADES CREDITO SEMESTRE 02 02 03 IV PRE REQUISITO
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más detallesSelección de fuentes de datos y calidad de datos
Selección de fuentes de datos y calidad de datos ESCUELA COMPLUTENSE DE VERANO 2014 MINERIA DE DATOS CON SAS E INTELIGENCIA DE NEGOCIO Juan F. Dorado José María Santiago . Valores atípicos. Valores faltantes.
Más detallesÁrboles de Decisión Árboles de Sintaxis
Árboles de Decisión Árboles de Sintaxis Estructuras de Datos Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas Árboles de Decisión Árbol de Decisión Forma gráfica de
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesMáster Universitario en Modelización e Investigación Matemática, Estadística y Computación
5.5.1. Denominación: Introducción a la Minería de Datos 5.5.2. Breve Descripción del Contenido: Introducción a la minería de datos. Aprendizaje supervisado, modelos no paramétricos y modelos generalizados
Más detallesFacultad de Ciencias e Ingeniería. Escuela Académico Profesional de Comunicación SÍLABO
Facultad de Ciencias e Ingeniería Escuela Académico Profesional de Comunicación SÍLABO ASIGNATURA: ESTADÍSTICA APLICADA A LAS COMUNICIONES I. DATOS GENERALES: 1.1. Código de Asignatura : 21252 1.2. Escuela
Más detallesEl Plan de Estudios no establece ningún prerrequisito para poder cursar esta asignatura.
GUÍA DOCENTE DE LA ASIGNATURA TÉCNICAS DE SIMULACIÓN ESTOCÁSTICA 1. Descriptores de la asignatura: Generación de números pseudoaleatorios. Generación de variables aleatorias. Método de Montecarlo y Técnicas
Más detallesGrupos de Investigación de la ETSII
Grupos de Investigación de la ETSII REUNIÓN Grupos Investigación Vicerrector Investigación 1-2 de julio de 2015 Grupo de Investigación Grupo de Inv. en Seguridad e Impacto Medioambiental de Vehículos y
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Estudios Superiores Aragón Ingeniería Mecánica Programa de Asignatura
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Estudios Superiores Aragón Ingeniería Mecánica Programa de Asignatura NOMBRE DE LA ASIGNATURA: PROBABILIDAD Y ESTADÍSTICA PLAN 2007 Tipo de asignatura:
Más detallesDEPARTAMENTO DE: INGENIERIA MECÁNICA, INDUSTRIAL Y MECATRONICA DISEÑO DE EXPERIMENTOS CÓDIGO: I ÁREA:
Página de 9 FACULTAD: FACULTAD INGENIERIAS Y ARQUITECTURA PROGRAMA: INGENIERIA INDUSTRIAL DEPARTAMENTO DE: INGENIERIA MECÁNICA, INDUSTRIAL Y MECATRONICA CURSO: ÁREA: DISEÑO DE EXPERIMENTOS CÓDIGO: I 6800
Más detallesGUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2015-2016 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Escuela Politécnica Superior
Más detalles1. Datos de identificación. Ninguna. 2. Propósito
1. Datos de identificación Asignatura DISEÑO EXPERIMENTAL Y ANÁLISIS ESTADÍSTICO Semestre I Clave Por asignar Asignatura precedente Ninguna Asignatura subsecuente Ninguna Horas por semana Teoría: 3 Extra
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesAprendizaje Automatizado. Árboles de Clasificación
Aprendizaje Automatizado Árboles de Clasificación Árboles de Clasificación Estudiaremos un algoritmo para la creación del árbol. Selección de atributos comenzando en el nodo raíz. Proceso recursivo. Árboles
Más detallesÍNDICE CURSO GESTOR DE CALIDAD NORMAS ISO 9001:2008
ÍNDICE CURSO GESTOR DE CALIDAD NORMAS ISO 9001:2008 MÓD. TÍTULO HORAS 1 Introducción a la calidad 20 15 T 4 P CONTENIDO MÓDULOS TEORÍA (Correlación con los puntos Norma ISO 9001:2008) - Generalidades,
Más detallesNOMBRE DE LA ASIGNATURA Muestreo estadístico. Curso
muestreo GUIA DOCENTE DE LA ASIGNATURA NOMBRE DE LA ASIGNATURA Muestreo estadístico. Curso 2015-2016 MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO Estadística PROFESOR(ES) Muestreo estadístico y diseño de
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grupo Lunes jueves 1PM22 11:00-12:00 11:00-13:00 Prof. Miguel Hesiquio Garduño. Depto. De Ingeniería Química Petrolera ESIQIE-IPN hesiquiogm@yahoo.com 1 de Agosto de 2011 OBJETIVO
Más detallesPLAN REGIONAL DE SEGURIDAD VIAL DE LA COMUNIDAD DE MADRID
PLAN REGIONAL DE SEGURIDAD VIAL DE LA COMUNIDAD DE MADRID INTRODUCCIÓN (I) (I) SEGURIDAD VIAL: PILAR DE ACTUACIÓN DE LA DIRECCIÓN GENERAL DE CARRETERAS DE LA COMUNIDAD DE MADRID PLAN REGIONAL DE SEGURIDAD
Más detallesEscuela Técnica Superior de Ingeniería Informática
Escuela Técnica Superior de Ingeniería Informática Máster en Ingeniería Informática aplicada a la Industria, a la Ingeniería del Software y a los Sistemas y Tecnologías de la Información GUÍA DOCENTE DE
Más detallesDatos del proyecto Kepler Herramientas de análisis de resultados Programación... 43
Tabla de Contenido 1. Introducción 1 1.1. Hipótesis...................................... 5 1.2. Objetivos..................................... 5 1.2.1. Objetivo General............................. 5
Más detallesENCUESTA DE SATISFACCIÓN DE LOS USUARIOS DE LOS SERVICIOS DE ASISTENCIA SANITARIA PÚBLICA DE LA COMUNIDAD DE MADRID 2016: Informe metodológico
ENCUESTA DE SATISFACCIÓN DE LOS USUARIOS DE LOS SERVICIOS DE ASISTENCIA SANITARIA PÚBLICA DE LA COMUNIDAD DE MADRID 2016: Informe metodológico Dirección General de Coordinación de la Atención al Ciudadano
Más detallesAnálisis Exploratorio de Datos 1231X (B.O.E. del 19-julio-2000). Troncal. Obligatoria. Optativa.
DATOS BÁSICOS DE LA ASIGNATURA Nombre: Análisis Exploratorio de Datos Código: 1231X2. Año del Plan de Estudios: 2000 (B.O.E. del 19-julio-2000). Tipo: Troncal. Obligatoria. Optativa. Créditos: Totales:
Más detallesTipos de subárboles/ patrones en árboles
Patrones en árboles Fernando Berzal, berzal@acm.org Patrones en árboles Tipos de árboles Tipos de subárboles/ patrones en árboles [Partially-Ordered-Tree Miner] Algoritmos Aplicaciones 1 Tipos de árboles
Más detallesDES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre:
: : lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. 12 6 lemas propios de la. 12 6 lemas propios de la.
Más detallesData Mining Introduction Convierte Datos en Conocimiento y Aplicalos al Marketing
Data Mining Introduction Convierte Datos en Conocimiento y Aplicalos al Marketing Presentación La generación de conocimiento es el proceso que reditúa las mayores ventajas competitivas en las organizaciones
Más detallesTaller Minería de datos aplicados a la educación
Taller Minería de datos aplicados a la educación 2ª parte Presentación del software PASW Modeler 27 de junio de 2011 Mercedes Torrado Departamento Métodos de Investigación y Diagnóstico en Educación (MIDE)
Más detallesContenidos Programáticos
Página 1 de 6 FACULTAD: CIENCIAS ECONÓMICAS Y EMPRESARIALES PROGRAMA: ADMINISTRACIÓN DE EMPRESAS DEPARTAMENTO DE: ADMINISTRACIÓN CURSO: ESTADISTICA I CÓDIGO: 157011 ÁREA: BÁSICA REQUISITOS: CORREQUISITO:
Más detallesLa piedra angular del Análisis Predictivo. José Ignacio Marín Alberdi IBM SPSS Client Technical Professional
La piedra angular del Análisis Predictivo José Ignacio Marín Alberdi IBM SPSS Client Technical Professional Objetivos de la sesión En la sesión de hoy cubriremos los siguientes puntos: Una definición operativa
Más detallesDiagnóstico 2014 del Programa Promoción de la inversión en el sector minero y desarrollo de su competitividad F001
Diagnóstico 2014 del Programa Promoción de la inversión en el sector minero y desarrollo de su competitividad F001 Coordinación General de Minería Contenido Pág. 1. Antecedentes 3 1.1. Identificación y
Más detallesUniversidad de Puerto Rico Recinto de Río Piedras Facultad de Ciencias Naturales Departamento de Matemáticas
1 Universidad de Puerto Rico Recinto de Río Piedras Facultad de Ciencias Naturales Departamento de Matemáticas Título: Introducción a la Estadística con Computadoras Codificación: MATE 3026 Número de horas
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 detallesPara Trabajo Individual del estudiante. Quince (15) Horas para trabajo en grupo CIPAS.
CUN DISTANCIA ADMINISTRACION PÚBLICA ESTADÍSTICA INFERENCIAL TECNOLOGO 03001232 2 Encuentro 10 Horas 86 Horas Para Trabajo Individual del estudiante. Quince (15) Horas para trabajo en grupo CIPAS. 310
Más detallesDiplomado en Estadística Aplicada Coordinador Académico: Dr. Rubén Hernández Cid
Diplomado en Estadística Aplicada Coordinador Académico: Dr. Rubén Hernández Cid Brindar al alumno los conocimientos y las habilidades que le permitan contar con un panorama tanto teórico como de aplicación
Más detallesDiplomado en Estadística e Investigación Científica
Sociedad Hispana de Investigadores Científicos Diplomado en Estadística e Investigación Científica Introducción Durante mucho tiempo se consideró a la investigación científica como una actividad de unos
Más detallesESTADÍSTICA. Materia Básica Estadística. Formación Básica. Introducción a la Odontología 1º 1º 6
GUIA DOCENTE DE LA ASIGNATURA ESTADÍSTICA MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO Introducción a la Odontología Materia Básica Estadística 1º 1º 6 Formación Básica PROFESOR(ES) DIRECCIÓN COMPLETA DE
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 detallesEstimación electoral con modelos predictivos (Random Forest) Jorge Buendía Javier Márquez
Estimación electoral con modelos predictivos (Random Forest) Jorge Buendía Javier Márquez 1 Modelo del proceso de respuesta a las encuestas (Tourangeau y Bradburn) Comprensión de la pregunta Recuperación
Más detallesUniversidad Central del Este UCE Facultad de Ciencias de la Salud Escuela de Medicina
Universidad Central l Este UCE Facultad Ciencias la Salud Escuela Medicina Programa la asignatura: : MED-052 Bioestadística II Código: Semestre: Asignatura electiva Total créditos 3 Teóricos 3 Prácticos
Más detalles1445 FUNDAMENTOS DE ESTADÍSTICA 4 8. INGENIERÍA EN COMPUTACIÓN División Departamento Licenciatura COORDINACIÓN DE CIENCIAS APLICADAS
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO 1445 FUNDAMENTOS DE ESTADÍSTICA 4 8 CIENCIAS BÁSICAS Asignatura Clave Semestre Créditos COORDINACIÓN DE CIENCIAS APLICADAS
Más detalles