Análisis de Asociaciones
|
|
- Alberto Sánchez Ramírez
- hace 9 años
- Vistas:
Transcripción
1 Análisis de Asociaciones
2 Asociaciones Establecer vínculos entre los registros Asociaciones (productos que se compran juntos) Patrones secuenciales (si se compra algo en una fecha en x meses se adquiere otro producto) Secuencias similares. Detecta fenómenos con comportamientos similares
3 Análisis de la cesta de la compra Uso información de lo que compran los clientes para intentar descubrir Quien? Y Por qué? Se compran esos productos. múltiples acciones relativamente cercanas en en tiempo hay una potencial aplicación de este problema Compras con la tarjeta de crédito Servicios contratados...
4 Análisis de la cesta de la compra Reglas de asociación Dado un conjunto de registros, encontrar reglas que predicen la ocurrencia de un ítem, basándose en las ocurrencias de otros ítems en el registro
5 Análisis de la cesta de la compra Market-Basket transaction TID Items Bread, Milk Bread, Diaper, Beer, Eggs Milk, Diaper, Beer, Coke Bread, Milk, Diaper, Beer Bread, Milk, Diaper, Coke
6 Análisis de la cesta de la compra
7 Análisis de la cesta de la compra Importancia Conocer la relación entre un conjunto de datos, por ejemplo, la temperatura, el clima y la aparición de una enfermedad Tomar decisiones estratégicas en un negocio; ubicación de productos en un supermercado
8 Análisis de la cesta de la compra Estructura de las reglas P 1 P 2 P 3 P m C 1 C 2... C n P i : premisa o antecedente de la regla C j : conclusión
9 Análisis de la cesta de la compra Estructura de las reglas Para describir la compra de los usuarios en un almacén se puede tener: computer financial_management_software
10 Análisis de la cesta de la compra Estructura de las reglas Describir compra de los usuarios age(x, ) income(x, 42K 48K ) buys(x, high resolution TV)
11 Análisis de la cesta de la compra Medidas sobre reglas Personal_computer Printer Laptop_computer Digital_camera Cuál de las reglas es más significativa? Con qué certeza se puede asegurar la regla en un conjunto de datos?
12 Reglas de asociación Medidas sobre reglas Soporte(A B)=P(A B) Confianza(A B)=P(B A)
13 Data Mining
14 Data Mining
15 Reglas de asociación Medidas sobre reglas Personal_computer Printer Soporte=16% Confianza=60% Si las reglas se obtuvieron de un conjunto de 100 datos, qué indican el soporte y la confianza
16 Reglas de asociación Medidas sobre reglas Soporte(X Y)=P(X Y) Confianza(X Y)=P(Y X) X X X X X X W W Y Y Y Z Z Z X Y
17 Reglas de asociación Conversión de datos Cada ítem: un identificador Tabla de valores booleanos :representación transacción
18 Milk=I1 Eggs=I2 Coke=I3 Beer=I4 Bread=I5 Se asignan identificadores a cada ítem TID T100 T200 T300 T400 T500 T600 T700 T800 T900 List of Item milk, eggs, bread eggs, beer eggs, coke milk, eggs, beer milk, coke egs, coke milk, coke milk, eggs, coke, bread milk, eggs, coke
19 Milk=I1 Eggs=I2 Coke=I3 Beer=I4 Bread=I5 TID T100 T200 T300 T400 T500 T600 T700 T800 T900 List of Item I1, I2, I5 I2, I4 I2, I3 I1, I2, I4 I1, I3 I2, I3 I1, I3 I1, I2, I3, I5 I1, I2, I3
20 Reglas de asociación:generalidades Encontrar itemsets frecuentes: conjuntos de items superan minimum support count Generar reglas de asociación a partir itemsets frecuentes
21 Reglas de asociación Es el itemset {milk, coke} frecuente?. Considere un support count de 2 TID T100 T200 T300 T400 T500 T600 T700 List of Item milk, eggs, bread eggs, beer eggs, coke milk, eggs, beer milk, coke egs, coke milk, eggs, coke
22 Reglas de asociación:algoritmos Algoritmo Apriori: Propiedad Apriori Ejemplo: Si {milk, beer, bread} es itemset frecuente, entonces {milk, beer}, {milk, bread} y {beer, bread} también lo son.
23 Algoritmo Apriori Encuentra itemsets frecuentes usando generación de candidatos Solo se generan aquellos itemsets candidatos que cumplan la propiedad apriori Entrada: minimum support count + transacciones Salida: itemsets frecuentes del tamaño más grande posible + frecuencia para cada itemset
24 TID T100 T200 T300 T400 T500 T600 T700 T800 T900 List of Item I1, I2, I5 I2, I4 I2, I3 I1, I2, I4 I1, I3 I2, I3 I1, I3 I1, I2, I3, I5 I1, I2, I3 Minimum support count=2
25 C1 Scan DB for count of each candidate Itemset {I1} {I2} Sup-count Compare support {I3} {I4} {I5}
26 C1 Itemset Sup count Scan DB for count of each candidate {I1} {I2} 6 7 Compare support {I3} 6 {I4} 2 {I5} 2
27 C1 Itemset Sup count Scan DB for count of each candidate {I1} {I2} 6 7 Compare support {I3} 6 {I4} 2 {I5} 2 C1: candidatos de tamaño 1
28 C1 Itemset Sup count Scan DB for count of each candidate {I1} {I2} 6 7 Compare support {I3} 6 {I4} 2 {I5} 2 C1: candidatos de tamaño 1 Los itemset que no pasen el soporte mínimo se eliminan
29 L1 Itemset Sup count Compare support {I1} 6 Generate C2 {I2} 7 {I3} 6 {I4} 2 {I5} 2
30 C2 Itemset Generate C2 Scan DB for count of each candidate C2 : join de L1 con L1
31 Generate C2 C2 Itemset {I1,I2} {I1.I3} {I1,I4} {I1,I5} {I2,I3} {I2,I4} {I2,I5} {I3,I4} {I3,I5} {I4,I5} Scan DB for count of each candidate Para generar C2 se hace el join de L1 con L1
32 TID T100 T200 T300 T400 T500 T600 T700 T800 T900 List of Item I1, I2, I5 I2, I4 I2, I3 I1, I2, I4 I1, I3 I2, I3 I1, I3 I1, I2, I3, I5 I1, I2, I3
33 C2 Itemset Sup count {I1,I2} 4 Scan DB for count of each candidate {I1,I3} {I1,I4} {I1,I5} Compare support {I2,I3} 4 {I2,I4} 2 {I2,I5} 2 {I3,I4} 0 {I3,I5} 1 {I4,I5} 0
34 L2 Itemset Sup count Compare support {I1,I2} {I1,I3} 4 4 Generate C3 {I1,I5} 2 {I2,I3} 4 {I2,I4} 2 {I2,I5} 2
35 Generate C3 C3 Itemset {I1,I2, I3} {I1.I2, I5} Scan DB for count of each candidate
36 TID T100 T200 T300 T400 T500 T600 T700 T800 T900 List of Item I1, I2, I5 I2, I4 I2, I3 I1, I2, I4 I1, I3 I2, I3 I1, I3 I1, I2, I3, I5 I1, I2, I3
37 C3 Scan DB for count of each candidate Itemset {I1,I2, I3} Sup count 2 Compare support {I1.I2, I5} 2
38 L3 Compare support Itemset {I1,I2, I3} Sup count 2 Generate C4 {I1.I2, I5} 2
39 Itemset {I1,I2, I3, I5} El itemset {I2,I3,I5} no es frecuente
40 Algoritmo Apriori Generar reglas sobre el conjunto y calcular soporte y confianza support_count(a B)= Total transacciones contienen A y B confidence(a B)= support_count(a B) support_count(a)
41 Algoritmo Apriori Considere el itemset frecuente {I1,I2,I5}, Cuáles son las reglas que se pueden generar? I1 I2 I5 I1 I5 I2 I2 I5 I1 I1 I2 I5 I2 I1 I5 I5 I1 I2
42 Itemset {I1,I2, I3} {I1.I2, I5} Sup count 2 2
43 Itemset {I1,I2} {I1,I3} {I1,I5} {I2,I3} {I2,I4} {I2,I5} Sup count
44 Reglas Considere el itemset frecuente {I1,I2,I5}, Cuáles son las reglas que se pueden generar? I1 I2 I5, confidence=2/4=50% I1 I5 I2 I2 I5 I1 I1 I2 I5 I2 I1 I5 I5 I1 I2
45 Reglas de asociación I1 I2 I5, confidence=2/4=50% I1 I5 I2, confidence=2/2=100% I2 I5 I1, confidence=2/2=100% I1 I2 I5, confidence=2/6=33% I2 I1 I5, confidence=2/7=29% I5 I1 I2, confidence=2/2=100%
46 TID T100 T200 T300 T400 T500 T600 T700 T800 List of Item A, B, C C, D A, C A, B, D B, D B, C, D E, F D, E Minimum support count=2
47 Reglas de asociación Algoritmo FP-Growth Frequent Parent Growth: Encuentra los itemsets frecuentes sin generar candidatos Resultado igual Apriori Dos pasos: FP-tree, FP-Growth
48 FP-Growth: Arbol FP-Tree Construcción n del árbol FP-Tree Obtener frecuencias de los itemsets de tamaño 1 Ordene items descendentemente, de acuerdo las frecuencias, en una lista llamada L
49 TID T100 T200 T300 T400 T500 T600 T700 T800 T900 List of Item I1, I2, I5 I2, I4 I2, I3 I1, I2, I4 I1, I3 I2, I3 I1, I3 I1, I2, I3, I5 I1, I2, I3
50 Item I2 I1 I3 I5 I4 Frequency L=[I2:7 I1:6 I3=6 I4:2 I5:2 ]
51 Reglas de asociación Construcción del árbol FP-Tree Ordenar items en cada transacción en el orden dado por L
52 TID List of Item TID List of Item T100 I1, I2, I5 T100 I2, I1, I5 T200 I2, I4 T200 I2, I4 T300 I2, I3 T300 I2, I3 T400 I1, I2, I4 T400 I2, I1, I4 T500 I1, I3 T500 I1, I3 T600 I2, I3 T600 I2, I3 T700 I1, I3 T700 I1, I3 T800 I1, I2, I3, I5 T800 I2, I1, I3, I5 T900 I1, I2, I3 T900 I2, I1, I3 L=[I2:7 I1:6 I3=6 I4:2 I5:2 ]
53 FP-Growth Construcción del árbol FP-Tree Crear el nodo raíz del árbol con la etiqueta null o {} Construir el árbol con base en la lista de items ordenados
54 TID List of Item TID List of Item T100 I1, I2, I5 T100 I2, I1, I5 T200 I2, I4 T200 I2, I4 T300 I2, I3 T300 I2, I3 T400 I1, I2, I4 T400 I2, I1, I4 T500 I1, I3 T500 I1, I3 T600 I2, I3 T600 I2, I3 T700 I1, I3 T700 I1, I3 T800 I1, I2, I3, I5 T800 I2, I1, I3, I5 T900 I1, I2, I3 T900 I2, I1, I3 L=[I2:7 I1:6 I3=6 I4:2 I5:2 ]
55 null{} I2:7 I1:2 I1:4 I4:1 I3:2 I3:2 I5:1 I4:1 I3:2 I5:1
56 TID T100 T200 T300 T400 T500 T600 T700 T800 T900 List of Item I1, I2, I5 I2, I4 I2, I3 I1, I2, I4 I1, I3 I2, I3 I1, I3 I1, I2, I3, I5 I1, I2, I3
57 Itemset {I1,I2} {I1,I3} {I1,I5} {I2,I3} {I2,I4} {I2,I5} Sup count
58 Algoritmo FP-Growth Para cada item se determina su conditional pattern base Se crea un árbol FP con los elementos de cada base que cumplan con el minimum support count
59 Conditional pattern bases Item I2 I1 I3 I5 I4 Condition Pattern Base - I2:4 I2 I1:2, I2:2, I1:2 I2 I1 I3:1, I2 I1:1 I2 I1:1, I2:1
60 Conditional pattern bases Item I2 I1 I3 I5 I4 Condition Pattern Base - I2:4 I2 I1:2, I2:2, I1:2 I2 I1 I3:1, I2 I1:1 I2 I1:1, I2:1 null{} I2:4 Como I2:4 pasa el soporte mínimo, se asigna la frecuencia 4 al itemset I2 I1, esto es, I2 I1:4
61 Conditional pattern bases Item I2 I1 I3 I5 I4 Condition Pattern Base - I2:4 I2 I1:2, I2:2, I1:2 I2 I1 I3:1, I2.I1:1 I2 I1:1, I2:1 I2:4 I1:2 null{} I1:2 Genera los itemsets: I2 I3: 4 I2 I1 I3:2 I1 I3: 2
62 TID List of Item T100 A, B, C T200 C, D T300 A, C T400 A, B, D T500 B, D T600 B, C, D T700 E, F T800 D, E Minimum support count=2
63 TID T100 T200 T300 T400 T500 List of Item K,A,D,B D,A,C,E,B C,A,B,E B,A,D C,E,D Minimum support count=2
64 Ejemplo Si Leche y Pan entonces Zumo (Soporte:3/7=42.8%, Confianza: 3/3=100%)
65 Beneficios Puede ser punto de comienzo cuando no se sabe exactamente que tipos de patrones buscar. Los resultados son claros y muy útiles. Necesidad de distinguir entre las reglas Útiles Triviales: Conocidos por todos o porque podrían estar explicando resultados de campañas anteriore Inexplicables
66 Asociaciones para establecer comparativas Utilizadas comparar sucursales de una misma cadena Necesidad: enriquecer transacciones de manera que contenga productos virtuales que especifican el grupo de sucursales de donde proviene. Prestar atención a las transacciones que contienen los productos virtuales
67 Asociaciones para establecer comparativas (II) Se pueden también usar para: Comparar ventas durante promociones versus las ventas en cualquier otro momento Comparar ventas en áreas geográficas, por regiones, por zonas de marketing o por países... Comparar ventas en zonas urbanas y no urbanas Detectar diferencias en los patrones debidas a las distintas épocas del año
68 Requisitos No necesita especificar atributos de los lados derecho e izquierdo de las reglas pues se generan de manera automática Existen variedades para tratar todo tipo de datos Especificar mínimo soporte Especificar máximo número de reglas
69 Consideraciones La obtención de reglas de asociación están sujetas a las siguientes restricciones: En problemas reales el número de instancias a tratar es muy elevado (centenares de miles o más). También en casos reales el número de atributos es muy elevado (cientos o miles de atributos).
70 Consideraciones Los algoritmos de este tipo consideran que los datos de entrada están recogidos en una tabla transaccional. Para otro tipo de datos es necesario binarizar ciertos atributos.
71 Solución El problema de encontrar reglas de asociación se puede dividir en dos subproblemas: Encontrar el conjunto de productos que tienen el soporte mínimo requerido Usar los conjuntos frecuentes para generar las reglas El algoritmo Apriori es muy utilizado
72 Técnicas (I) Se pueden generar tablas de coocurrencias que van calculando las ocurrencias de pares de valores, tripletas,... Problemas: Explosión combinatoria Se necesita algún método (soportes mínimos) para evitar el crecimiento de las tablas
73 Algoritmos de Asociación Algoritmo Apriori [Agrawal 93] Objetivo: Obtener itemsets (conjuntos de valores que se repiten) de un determinado tamaño, para combinarlos en reglas.
74 Algoritmos de Asociación Algoritmo Apriori [Agrawal 93] Ventajas: Apriori y sus variantes son los más usados dentro de este tipo de análisis. Eficiencia para grandes volúmenes de datos muy elevada. Ciertos SGBD son capaces de ejecutar este algoritmo dentro del núcleo del gestor.
75 Algoritmos de Asociación Algoritmo Apriori [Agrawal 93] Limitaciones: Para ciertos datos de entrada, los resultados intermedios consumen gran cantidad de recursos (memoria).
76 Algoritmos de Asociación: Apriori I1={a 1,a 2,a 3,...} conjunto de todos los atributos. i=1 1) Se recorre la tabla de entrada y se actualiza el conjunto Li={l 1,l 2,l 3,...} donde cada l i es el par formado por un elemento de I i y por el número de veces que dicho elemento ocurre en los datos de entrada.
77 Algoritmos de Asociación 2) Se eliminan de L i los elementos cuyo contador no supere el umbral mínimo. 3) Se genera un nuevo conjunto L i+1 como el de grupos de atributos de tamaño i+1 a partir de los conjuntos de atributos de L i 4) Si L i no está vacío e i <MAX regresar a 1)
78 Ejemplo: Apriori I 1 ={A,B,C,D,E} L 1 ={(A,3);(B,8);(C,7);(D,6);(E, 6)} I 2 ={BC,BD,BE,CD,CE,DE} L 2 ={(BC,5);(BD,5);(BE,5); (CD,4);(CE,3);(DE,3)} I 3 ={BCD} L 3 ={(BCD,4)}
79 Uso de taxonomías y valores virtuales A veces es muy útil disponer de generalizaciones o agrupaciones de los productos que se están considerando Eligiendo de manera inteligente el nivel al que generalizar se pueden mejorar los resultados Para establecer hábitos de los clientes (productos bajos en calorías,...) se pueden insertar productos virtuales y analizar las asociaciones que los contengan.
80 Generación de reglas A veces las combinaciones obtenidas pueden ser de utilidad y se pueden obtener reglas que pueden ser interesantes. Las reglas de asociación toman la forma: Si condición entonces resultado donde tanto la condición como el resultado son combinaciones disjuntas de productos Hay que establecer parámetros para medir la bondad de las reglas
81 Calidad de las reglas (I) Soporte: es el porcentaje de transacciones que contienen tanto la condición como el resultado. Esto es, porcentaje de transacciones donde la regla es cierta Confianza: es el porcentaje de transacciones que conteniendo la condición también contienen el resultado. Es decir es la probabilidad de que se encuentre el resultado dada la condición
82 Reglas de disociación Es similar a una regla de asociación solo que puede tener el conector Y NO en la condición Hay que insertar los inversos lo que tiene desventajas: Se dobla el número de ítems Aumenta el tamaño de la transacción La frecuencia de los negados tiende a ser mucho mayor Interesante invertir sólo ciertos ítems.
83 Patrones secuenciales mediante asociaciones Mediante las asociaciones descubren sucesos que ocurren juntos. La siguiente pregunta considera secuencias de eventos. Las cortinas se compran antes de los muebles Cuando un cliente en un banco pide el balance de cuenta hay alta probabilidad de que lo siguiente sea el cierre de la cuenta Los patrones secuenciales requieren la identidad del cliente
84 Patrones secuenciales Para poder calcularlos se necesita unir (ordenar) a cada suceso una fecha Generalmente no se van a calcular las reglas. El interés está en las asociaciones Es una primera aproximación. Para el análisis de series temporales existen métodos más específicos (redes neuronales y regresión)
85 Asociaciones: Conclusiones Es un método simple pero robusto con resultados muy claros Tener cuidado con la calidad de las reglas Elimina combinaciones de elementos raros Se puede utilizar aunque no se tenga información de los clientes La jerarquías y los objetos virtuales pueden ayudar a obtener mejores resultados Permite una primera aproximación a los datos
86 Supermercados como brokers de información La información de qué clientes compran qué productos sería de gran interés para los suministradores de los grandes almacenes. Los dueños de la información son los supermercados, las compañías de tarjetas de crédito,... Pueden actuar de intermediarios en campañas de marketing directo enviando el mailing a los clientes objetivo.
87 Ejemplo: Uso de clustering y asociaciones Utilización de las tarjetas de cliente para introducirles productos que no han probado todavía. Mejorar la gestión de una categoría de productos
88 Ejemplo1: Los datos Se tienen los datos de cada producto que pasa por un punto de venta (POS): Fecha Almacén Hora UPC del producto Cantidad del producto Total gastado en ese producto Datos del archivo de resumen que contiene el cliente el modo de pago y resúmenes
89 Integración de los datos Se unirán ambos archivos sin utilizar los datos de resumen. Si se intenta regenerar los resúmenes se pueden encontrar importante información de los datos: Algunos UPC son cupones La cantidad a veces es el número de paquetes, otras el peso El precio total del resumen incluye impuestos
90 Los datos integrados Fecha Almacén Hora UPC del producto Cantidad del producto Total gastado en ese producto Identificación del cliente Forma de pago
91 Enriquecimiento de los datos Responder a preguntas del tipo: Quien compra qué Cuando lo compra Qué comprarán en el futuro Requiere más variables describir mejor los productos y el comportamiento del cliente.
92 Datos para enriquecer transacciones con información añadida: Almacén, cadena, línea Número de productos diferentes adquiridos Información sobre productos Descripción del tamaño Contenedor Margen del producto (alto, medio, bajo) Segmento (jerarquía) Subcategoría
93 Datos para enriquecer Sobre los clientes: Número de tarjetas Número de viajes al supermercado al día Total gastado al día Cuando compra (mañana tarde o noche) Porcentaje de productos que compra de cada margen Compras en fin de semana Compras en fiestas...
94 El problema de descubrimiento Se calculan asociaciones y no se encontraron patrones Se ejecutó un algoritmo de clustering (utilizando las variables demográficas y no las de productos comprados) y se encontraron segmentos distintos en la población Se buscaron asociaciones en los clusters más interesantes y en uno de ellos se encontró el target de la siguiente campaña.
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es
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 detallesEstas visiones de la información, denominadas vistas, se pueden identificar de varias formas.
El primer paso en el diseño de una base de datos es la producción del esquema conceptual. Normalmente, se construyen varios esquemas conceptuales, cada uno para representar las distintas visiones que los
Más detallesSEGURIDAD Y PROTECCION DE FICHEROS
SEGURIDAD Y PROTECCION DE FICHEROS INTEGRIDAD DEL SISTEMA DE ARCHIVOS ATAQUES AL SISTEMA PRINCIPIOS DE DISEÑO DE SISTEMAS SEGUROS IDENTIFICACIÓN DE USUARIOS MECANISMOS DE PROTECCIÓN Y CONTROL INTEGRIDAD
Más detallesLa selección del mercado meta es esencialmente idéntica, sin importar si una firma vende un bien o servicio.
4. SELECCIÓN Y EVALUACIÓN DE MERCADO META SELECCIÓN DE MERCADO META Un mercado meta se refiere a un grupo de personas u organizaciones a las cuales una organización dirige su programa de marketing. Es
Más detallesManual para la utilización de PrestaShop
Manual para la utilización de PrestaShop En este manual mostraremos de forma sencilla y práctica la utilización del Gestor de su Tienda Online mediante Prestashop 1.6, explicaremos todo lo necesario para
Más detallesParte I: Introducción
Parte I: Introducción Introducción al Data Mining: su Aplicación a la Empresa Cursada 2007 POR QUÉ? Las empresas de todos los tamaños necesitan aprender de sus datos para crear una relación one-to-one
Más detallesEl soporte del sistema operativo. Hace que un computador sea más fácil de usar. Permite que los recursos del computador se aprovechen mejor.
El soporte del sistema operativo Objetivos y funciones del sistema operativo Comodidad Hace que un computador sea más fácil de usar. Eficiencia Permite que los recursos del computador se aprovechen mejor.
Más detallesBASE DE DATOS RELACIONALES
BASE DE DATOS RELACIONALES Una base de datos relacional es una base de datos que cumple con el modelo relacional, el cual es el modelo más utilizado en la actualidad para implementar bases de datos ya
Más detallesARREGLOS DEFINICION GENERAL DE ARREGLO
ARREGLOS DEFINICION GENERAL DE ARREGLO Conjunto de cantidades o valores homogéneos, que por su naturaleza se comportan de idéntica forma y deben de ser tratados en forma similar. Se les debe de dar un
Más detallesCOMUNICADO Nro. 49763 08/11/2010. Ref.: Tarjetas de crédito. Tasas y costos promedio de las tarjetas de crédito a agosto de 2010. Tarjetas de Crédito
"2010 - AÑO DEL BICENTENARIO DE LA REVOLUCION DE MAYO" COMUNICADO Nro. 49763 08/11/2010 Ref.: Tarjetas de crédito. Tasas y costos promedio de las tarjetas de crédito a agosto de 2010. Tarjetas de Crédito
Más detallesMineria de datos y su aplicación en web mining data Redes de computadores I ELO 322
Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción
Más detallesDATOS DE CONSUMO DE LOS GRANDES CONSUMIDORES: SERVICIOS DE CATERING, CENTROS EDUCATIVOS Y OTRAS ENTIDADES DE LANZAROTE OCTUBRE NOVIEMBRE 2011
DATOS DE CONSUMO DE LOS GRANDES CONSUMIDORES: SERVICIOS DE CATERING, CENTROS EDUCATIVOS Y OTRAS ENTIDADES DE LANZAROTE OCTUBRE NOVIEMBRE 2011 PROYECTO MERCALANZAROTE Elaborado por el personal del Proyecto
Más detallesCapítulo 12: Indexación y asociación
Capítulo 12: Indexación y asociación Conceptos básicos Índices ordenados Archivos de índice de árbol B+ Archivos de índice de árbol B Asociación estática Asociación dinámica Comparación entre indexación
Más detallesUnidad I. 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal)
Unidad I Sistemas numéricos 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal) Los computadores manipulan y almacenan los datos usando interruptores electrónicos que están ENCENDIDOS o APAGADOS.
Más detallesÍndice INTERNET MARKETING 1
INTERNET MARKETING 1 Índice Manual de Google Analytics... 2 Qué es Google Analytics?... 2 Cómo funciona Google Analytics?... 2 Iniciar Sesión en Google Analytics... 3 Visualizar las estadísticas... 3 Resumen
Más detallesArtículo dedicado a la Innovación y Mejores Prácticas en la Ingeniería de Negocios
Herramienta para Indicadores de Gestión Se ha dado cuenta de lo difícil que es conseguir que todos los miembros de su organización vean "la gran foto" y trabajen juntos para lograr los objetivos estratégicos
Más detallesBase de datos relacional
Base de datos relacional Una base de datos relacional es una base de datos que cumple con el modelo relacional, el cual es el modelo más utilizado en la actualidad para modelar problemas reales y administrar
Más detallesPortafolio de Servicios y Productos
Portafolio de Servicios y Productos Introducción Somos una empresa que se dedica a generar ventajas competitivas para nuestros clientes a través de desarrollos y consultoría en inteligencia de negocios
Más detallesInstalación y uso de Check 2000 Client Server con ZENworks 2
Instalación y uso de Check 2000 Client Server con ZENworks 2 CHECK 2000 DESCRIPCIÓN GENERAL Check 2000* Client Server de Greenwich Mean Time es una aplicación de diagnóstico que se puede utilizar con ZENworks
Más detallesFinanzas para Mercadotecnia
Finanzas para Mercadotecnia Sesión No. 2 Nombre: Relación finanzas-mercadotecnia Contextualización FINANZAS PARA MERCADOTECNIA 1 Dentro de los ambientes corporativos y de producción, la mercadotecnia y
Más detallesManual de Usuario Proveedor Módulo Cotizaciones
Manual de Usuario Proveedor Módulo Cotizaciones Servicio de Atención Telefónica: 5300569/ 5300570 Índice ROLES DE USUARIO... 3 1. CREAR OFERTA... 4 2. CONSULTAR COTIZACIONES... 9 Descripción General El
Más detallesCRM Gestión de Oportunidades Documento de Construcción Bizagi Process Modeler
Bizagi Process Modeler Copyright 2011 - Bizagi Tabla de Contenido CRM- Gestión de Oportunidades de Venta... 4 Descripción... 4 Principales Factores en la Construcción del Proceso... 5 Modelo de Datos...
Más detallesAutenticación Centralizada
Autenticación Centralizada Ing. Carlos Rojas Castro Herramientas de Gestión de Redes Introducción En el mundo actual, pero en especial las organizaciones actuales, los usuarios deben dar pruebas de quiénes
Más detallesCAPITULO 4. Requerimientos, Análisis y Diseño. El presente capítulo explica los pasos que se realizaron antes de implementar
CAPITULO 4 Requerimientos, Análisis y Diseño El presente capítulo explica los pasos que se realizaron antes de implementar el sistema. Para esto, primero se explicarán los requerimientos que fueron solicitados
Más detallesMantenimiento Limpieza
Mantenimiento Limpieza El programa nos permite decidir qué tipo de limpieza queremos hacer. Si queremos una limpieza diaria, tipo Hotel, en el que se realizan todos los servicios en la habitación cada
Más detallesArquitectura de sistema de alta disponibilidad
Mysql Introducción MySQL Cluster esta diseñado para tener una arquitectura distribuida de nodos sin punto único de fallo. MySQL Cluster consiste en 3 tipos de nodos: 1. Nodos de almacenamiento, son los
Más detallesPOSICIONAMIENTO EN LA WEB (SEM Y SEO)
POSICIONAMIENTO EN LA WEB (SEM Y SEO) POSICIONAMIENTO EN LA WEB (SEM Y SEO) 1 Sesión No. 12 Nombre: Tipologías y métricas de afiliación Contextualización Qué son las tipologías y las métricas de afiliación?
Más detallesPRUEBAS DE SOFTWARE TECNICAS DE PRUEBA DE SOFTWARE
PRUEBAS DE SOFTWARE La prueba del software es un elemento crítico para la garantía de la calidad del software. El objetivo de la etapa de pruebas es garantizar la calidad del producto desarrollado. Además,
Más detallesMedias Móviles: Señales para invertir en la Bolsa
www.gacetafinanciera.com Medias Móviles: Señales para invertir en la Bolsa Juan P López..www.futuros.com Las medias móviles continúan siendo una herramienta básica en lo que se refiere a determinar tendencias
Más detallesCómo preparar una licitación con Presto
Cómo preparar una licitación con Presto Especialmente en entornos internacionales El objetivo de este documento/webinar es describir el proceso que puede seguir una empresa constructora para preparar una
Más detallesPropuesta de Portal de la Red de Laboratorios Virtuales y Remotos de CEA
Propuesta de Portal de la Red de Laboratorios Virtuales y Remotos de CEA Documento de trabajo elaborado para la Red Temática DocenWeb: Red Temática de Docencia en Control mediante Web (DPI2002-11505-E)
Más detallesRegistro (record): es la unidad básica de acceso y manipulación de la base de datos.
UNIDAD II 1. Modelos de Bases de Datos. Modelo de Red. Representan las entidades en forma de nodos de un grafo y las asociaciones o interrelaciones entre estas, mediante los arcos que unen a dichos nodos.
Más detallesCOMPRAS CEPAS A TRAVÉS DE INTERNET PORTAL CEPAS
COMPRAS CEPAS A TRAVÉS DE INTERNET PORTAL CEPAS Es un sistema que describe las funcionalidades claves a través de Internet. Se pueden efectuar las compras, ver la trazabilidad de los pedidos y visualizar
Más detallesIntroducción a la Firma Electrónica en MIDAS
Introducción a la Firma Electrónica en MIDAS Firma Digital Introducción. El Módulo para la Integración de Documentos y Acceso a los Sistemas(MIDAS) emplea la firma digital como método de aseguramiento
Más detallesUNIDADES DE ALMACENAMIENTO DE DATOS
1.2 MATÉMATICAS DE REDES 1.2.1 REPRESENTACIÓN BINARIA DE DATOS Los computadores manipulan y almacenan los datos usando interruptores electrónicos que están ENCENDIDOS o APAGADOS. Los computadores sólo
Más detallesParámetros con la ventana de selección de usuario, reglas, texto y descomposición (IVE)
QUÉ SON CONCEPTOS PARAMÉTRICOS? Los conceptos paramétricos de Presto permiten definir de una sola vez una colección de conceptos similares a partir de los cuales se generan variantes o conceptos derivados
Más detallesMANUAL COPIAS DE SEGURIDAD
MANUAL COPIAS DE SEGURIDAD Índice de contenido Ventajas del nuevo sistema de copia de seguridad...2 Actualización de la configuración...2 Pantalla de configuración...3 Configuración de las rutas...4 Carpeta
Más detallesPROCEDIMIENTO ESPECÍFICO. Código A-VI-02-A-1 Edición 0
Índice 1. TABLA RESUMEN... 2 2. OBJETO... 2 3. ALCANCE... 2 4. RESPONSABILIDADES... 3 5. ENTRADAS... 3 6. SALIDAS... 3 7. PROCESOS RELACIONADOS... 3 8. DIAGRAMA DE FLUJO... 4 9. DESARROLLO... 5 9.1. ANÁLISIS
Más detallesFundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 2 - Juan Alfonso Lara Torralbo 1 Índice de contenidos (I) Introducción a Data Mining Actividad. Tipos
Más detallesPOSICIONAMIENTO EN LA WEB (SEM Y SEO)
POSICIONAMIENTO EN LA WEB (SEM Y SEO) POSICIONAMIENTO EN LA WEB (SEM Y SEO) 1 Sesión No. 10 Nombre: Affiliate marketing: planificación de medios y soportes afines Contextualización Qué son las campañas
Más detallesMEJORAR EL RENDIMIENTO DEL EXPLORADOR DE INTERNET
MEJORAR EL RENDIMIENTO DEL EXPLORADOR DE INTERNET Internet Explorer almacena en archivos temporales las páginas Web y sus archivos relacionados que carga de Internet, lo que significa que la primera vez
Más detallesSIIGO Pyme. Informes de Saldos y Movimientos de Inventarios. Cartilla I
SIIGO Pyme Informes de Saldos y Movimientos de Inventarios Cartilla I Tabla de Contenido 1. Presentación 2. Qué son Inventarios? 3. Qué son Informes? 4. Qué son Informes de Saldos y Movimientos en Inventarios?
Más detallesLiLa Portal Guía para profesores
Library of Labs Lecturer s Guide LiLa Portal Guía para profesores Se espera que los profesores se encarguen de gestionar el aprendizaje de los alumnos, por lo que su objetivo es seleccionar de la lista
Más detallesAutor: Microsoft Licencia: Cita Fuente: Ayuda de Windows
Qué es Recuperación? Recuperación del Panel de control proporciona varias opciones que pueden ayudarle a recuperar el equipo de un error grave. Nota Antes de usar Recuperación, puede probar primero uno
Más detallesCapítulo 9. Archivos de sintaxis
Capítulo 9 Archivos de sintaxis El SPSS permite generar y editar archivos de texto con sintaxis SPSS, es decir, archivos de texto con instrucciones de programación en un lenguaje propio del SPSS. Esta
Más detallesIAP 1009 - TÉCNICAS DE AUDITORÍA APOYADAS EN ORDENADOR (TAAO)
IAP 1009 - TÉCNICAS DE AUDITORÍA APOYADAS EN ORDENADOR (TAAO) Introducción 1. Como se indica en la Norma Internacional de Auditoría 401, "Auditoría en un contexto informatizado", los objetivos globales
Más detallesEN LA LA EMPRESA EMPRESA
PANEL DE OPINIÓN Nº 6 NIVELDE FORMACIÓN EN LA LA EMPRESA EMPRESA ESPAÑOLA RESULTADOSGenerales Más del 6 de las s que necesitan personal formado en idiomas detectan carencias sobre este aspecto en los candidatos
Más detallesDecisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.
Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El
Más detallesReglas de Asociación. Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid
Reglas de Asociación Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Reglas Proposicionales: Reglas de Clasificación Descripción de instancias:
Más detallesMódulo de farmacia, stock y compras
Módulo de farmacia, stock y compras Introducción... 2 Compras... 3 Remitos... 3 Facturas... 4 Proveedores... 5 Stock... 8 Configuración... 8 Componentes... 8 Familias de Ítems... 9 Ítems... 10 Productos...
Más detallesLa inteligencia de marketing que desarrolla el conocimiento
La inteligencia de marketing que desarrolla el conocimiento SmartFocus facilita a los equipos de marketing y ventas la captación de consumidores con un enfoque muy relevante y centrado en el cliente. Ofrece
Más detallesBase de datos II Facultad de Ingeniería. Escuela de computación.
Base de datos II Facultad de Ingeniería. Escuela de computación. Introducción Este manual ha sido elaborado para orientar al estudiante de Bases de datos II en el desarrollo de sus prácticas de laboratorios,
Más detallesCONTROL DE ASISTENCIA DE PERSONAL
CONTROL DE ASISTENCIA DE PERSONAL PARA UNA EMPRESA INITE, S.C. no es responsable del contenido, de la veracidad de los datos, opiniones y acontecimientos vertidos en el presente proyecto. La finalidad
Más detalles1.2 SISTEMAS DE PRODUCCIÓN
19 1.2 SISTEMAS DE PRODUCCIÓN Para operar en forma efectiva, una empresa manufacturera debe tener sistemas que le permitan lograr eficientemente el tipo de producción que realiza. Los sistemas de producción
Más detallesEstructuras de datos: Proyecto 2
Estructuras de datos: Proyecto 2 28 de mayo de 2013 Instrucciones Enviar las soluciones por email a los ayudantes, con copia a la profesora. Plazo de entrega: 16 de junio (durante todo el día). Se debe
Más detallesConsultas con combinaciones
UNIDAD 1.- PARTE 2 MANIPULACIÓN AVANZADA DE DATOS CON SQL. BASES DE DATOS PARA APLICACIONES Xochitl Clemente Parra Armando Méndez Morales Consultas con combinaciones Usando combinaciones (joins), se pueden
Más detallesINTRODUCCIÓN. El propósito de esta investigación es analizar la importancia que ha surgido en
INTRODUCCIÓN El propósito de esta investigación es analizar la importancia que ha surgido en los sistemas de costos ABC para las empresas de Servicios Mexicanas, ya que este sector forma una parte muy
Más detallesProfunda comprensión de que valores son o podrían ser percibidos por los clientes.
Estrategias de retención de clientes para servicios El valor concebido por el cliente de servicio se basa en una estrategia de conocimientos, ya que con el conocimiento que posee la empresa, puede emplear
Más detallesDE VIDA PARA EL DESARROLLO DE SISTEMAS
MÉTODO DEL CICLO DE VIDA PARA EL DESARROLLO DE SISTEMAS 1. METODO DEL CICLO DE VIDA PARA EL DESARROLLO DE SISTEMAS CICLO DE VIDA CLÁSICO DEL DESARROLLO DE SISTEMAS. El desarrollo de Sistemas, un proceso
Más detallesManagement del nuevo siglo. James W. Cortada
Management del nuevo siglo James W. Cortada Objetivos de la exposición Parte 1 (cap. 2) Después de estudiar la 1ª parte se debe estar en posibilidad de: 1. Saber qué son las olas de aprendizaje. 2. Cómo
Más detallesFigura 4.1 Clasificación de los lenguajes de bases de datos
1 Colección de Tesis Digitales Universidad de las Américas Puebla Romero Martínez, Modesto Este capítulo describen los distintos lenguajes para bases de datos, la forma en que se puede escribir un lenguaje
Más detallesMODELOS DE RECUPERACION
RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN INGENIERÍA INFORMÁTICA RECUPERACIÓN Y ACCESO A LA INFORMACIÓN MODELOS DE RECUPERACION AUTOR: Rubén García Broncano NIA 100065530 grupo 81 1 INDICE 1- INTRODUCCIÓN
Más detallesESCUELA SUPERIOR POLITÉCNICA DEL LITORAL Facultad de Ingeniera en Electricidad y Computación
ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL Facultad de Ingeniera en Electricidad y Computación Tema: NEGOCIOS EN INTERNET SUBASTATODO.COM Integrantes: Marianas Arias Peña 1 María Teresa Figueroa 2 José Zambrano
Más detallesCAPITULO V PLANIFICACIÓN Y GESTIÓN DEL PROYECTO
CAPITULO V PLANIFICACIÓN Y GESTIÓN DEL PROYECTO La adquisición de un acuerdo de outsourcing fuerte y activo es una tarea particularmente compleja, con ramas de actividad muy dispares y potencialmente difíciles.
Más detalles1.4.1.2. Resumen... 1.4.2. ÁREA DE FACTURACIÓN::INFORMES::Pedidos...27 1.4.2.1. Detalle... 1.4.2.2. Resumen... 1.4.3. ÁREA DE
MANUAL DE USUARIO DE ABANQ 1 Índice de contenido 1 ÁREA DE FACTURACIÓN......4 1.1 ÁREA DE FACTURACIÓN::PRINCIPAL...4 1.1.1. ÁREA DE FACTURACIÓN::PRINCIPAL::EMPRESA...4 1.1.1.1. ÁREA DE FACTURACIÓN::PRINCIPAL::EMPRESA::General...4
Más detallesUNIDAD 2: Abstracción del Mundo real Al Paradigma Orientado a Objetos
2.1. Principios básicos del Modelado de Objetos UNIDAD 2: Abstracción del Mundo real Al Paradigma Orientado a Objetos Hoy en día muchos de los procesos que intervienen en un negocio o empresa y que resuelven
Más detallesGUÍA TÉCNICA PARA LA DEFINICIÓN DE COMPROMISOS DE CALIDAD Y SUS INDICADORES
GUÍA TÉCNICA PARA LA DEFINICIÓN DE COMPROMISOS DE CALIDAD Y SUS INDICADORES Tema: Cartas de Servicios Primera versión: 2008 Datos de contacto: Evaluación y Calidad. Gobierno de Navarra. evaluacionycalidad@navarra.es
Más detallesConfiguración SEO en el Panel
OPTIMIZACIÓN SEO AVANZADA 1 Configuración SEO en el Panel Dentro del Panel accede a Configuración > Utilidades > Configuración SEO. Ahí podrás introducir la información que ayudará a mejorar el posicionamiento
Más detallesSpeed EAM La información a un clic
Guía de visita para la página de demostración y pruebas de Speed EAM. Speed EAM La información a un clic El equipo de desarrollo TABLA DE CONTENIDO Introducción... 3 Entrar en el sistema... 4 Datos generales...
Más detallesSistemas de información
Sistemas de información Es un conjunto integrado de componentes que almacenan, recolectan y procesan datos, para la entrega de la información, el conocimiento y los productos digitales. Las empresas comerciales
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesPuertas Lógicas. Contenidos. Objetivos
Contenidos Objetivos En esta quincena aprenderás a: Implementar funciones mediante puertas lógicas. Conocer y manejar la simbología de las puertas lógicas. Construir circuitos lógicos en el programa simulador
Más detallesPROPÓSITO... 2 DETERMINANTES PARA UNA BUENA EXPERIENCIA DE USO...
Tabla de Contenido PROPÓSITO... 2 DETERMINANTES PARA UNA BUENA EXPERIENCIA DE USO... 2 1. LA PRESENCIA DE INFORMACIÓN Y AYUDA ÚTIL PARA COMPLETAR LOS TRÁMITES EN LÍNEA.... 2 2. LA DISPONIBILIDAD DE DIVERSOS
Más detallesIndicadores para la generación de conocimiento acerca de la evaluación de la calidad de las instituciones educativas
Indicadores para la generación de conocimiento acerca de la evaluación de la calidad de las instituciones educativas Por Antonio Millán Arellano Nov 25 de 2006 Resumen El uso de indicadores es cada día
Más detallesMás Clientes Más Rápido: Marketing Online bien enfocado
Más Clientes Más Rápido: Marketing Online bien enfocado A continuación describo una propuesta comercial que estimo le interesará ya que tiene el potencial de incrementar su negocio en un período relativamente
Más detallesManual CMS Mobincube
Manual CMS Mobincube CMS Mobincube Qué es? El CMS (Sistema de Gestión de Contenidos) es un completo website que permite la creación y actualización de contenido remoto. De esta forma, una vez creada una
Más detallesCapítulo 1 Documentos HTML5
Capítulo 1 Documentos HTML5 1.1 Componentes básicos HTML5 provee básicamente tres características: estructura, estilo y funcionalidad. Nunca fue declarado oficialmente pero, incluso cuando algunas APIs
Más detalles1.2 PSICOLOGÍA DEL CONSUMIDOR FOTOGRAFÍA PUBLICITARIA
1.2 PSICOLOGÍA DEL CONSUMIDOR FOTOGRAFÍA PUBLICITARIA Definición de consumidor Persona o conjunto de personas que satisface sus necesidades mediante el uso de los bienes y servicios generados en el proceso
Más detallesIAP 1003 - ENTORNOS INFORMATIZADOS CON SISTEMAS DE BASES DE DATOS
IAP 1003 - ENTORNOS INFORMATIZADOS CON SISTEMAS DE BASES DE DATOS Introducción 1. El propósito de esta Declaración es prestar apoyo al auditor a la implantación de la NIA 400, "Evaluación del Riesgo y
Más detallesReach Out/Alcanza: Préstamos de Dinero y Cómo Pagarlo de Regreso Texto
Introducción En este capítulo aprenderás: Qué tipos de préstamos hay disponibles A dónde ir para conseguir un préstamo Cómo calcular un pago al contado Lo que es un pago diferido Cómo establecer un record
Más detallesXVI Olimpiada Colombiana de Computación Nivel Superior Prueba Final Dia 2
XVI Olimpiada Colombiana de Computación Nivel Superior Prueba Final Dia 2 28 de Octubre de 2005 1. SUPERPALINDROMOS Un palíndromo es una palabra que se lee de igual forma de izquierda a derecha que de
Más detallesCAPíTULO 11 GASTOS EN SALUD
CAPíTULO 11 GASTOS EN SALUD 11.1 INTRODUCCIÓN La ENDESA-96, además de los cuestionarios estándar del programa DHS, incluyó un cuestionario sobre gastos en salud, con el cual se obtuvo información detallada
Más detallesTécnicas de valor presente para calcular el valor en uso
Normas Internacionales de Información Financiera NIC - NIIF Guía NIC - NIIF NIC 36 Fundación NIC-NIIF Técnicas de valor presente para calcular el valor en uso Este documento proporciona una guía para utilizar
Más detallesIngeniería del Software I Clase de Testing Funcional 2do. Cuatrimestre de 2007
Enunciado Se desea efectuar el testing funcional de un programa que ejecuta transferencias entre cuentas bancarias. El programa recibe como parámetros la cuenta de origen, la de cuenta de destino y el
Más detallesVersión final 8 de junio de 2009
GRUPO DE EXPERTOS «PLATAFORMA PARA LA CONSERVACIÓN DE DATOS ELECTRÓNICOS PARA CON FINES DE INVESTIGACIÓN, DETECCIÓN Y ENJUICIAMIENTO DE DELITOS GRAVES» ESTABLECIDO POR LA DECISIÓN 2008/324/CE DE LA COMISIÓN
Más detallesManual de rol gestor de GAV para moodle 2.5
Manual de rol gestor de GAV para moodle 2.5 Consultas LDAP-GAUR... 2 Buscar en LDAP datos de un usuario... 2 Docentes... 3 Buscar en GAUR datos de un docente... 3 Buscar en GAUR la docencia de un docente
Más detallesBase de datos en Excel
Base de datos en Excel Una base datos es un conjunto de información que ha sido organizado bajo un mismo contexto y se encuentra almacenada y lista para ser utilizada en cualquier momento. Las bases de
Más detallesMatemática de redes Representación binaria de datos Bits y bytes
Matemática de redes Representación binaria de datos Los computadores manipulan y almacenan los datos usando interruptores electrónicos que están ENCENDIDOS o APAGADOS. Los computadores sólo pueden entender
Más detallesTarea 4.2 Memoria Virtual
1 Tarea 4.2 1. Cuál es la diferencia entre paginación simple y paginación en memoria virtual? En memoria virtual no es necesario que todas las páginas estén en marcos de la memoria principal. Las páginas
Más detallesANÁLISIS DE CARGOS. 1. Nombre del cargo 2. Posición del cargo en el organigrama. 3. Contenido del cargo. 1. Requisitos intelectuales
Análisis de CARGOS ANÁLISIS DE CARGOS Autor: Herman Bachenheimer Correo: herman@puj.edu.co Después de la descripción, sigue el análisis del cargo. Una vez identificado el contenido del cargo (aspectos
Más detallesEntidad Formadora: Plan Local De Formación Convocatoria 2010
Entidad Formadora: Enterprise Architect Comenzando Puede iniciar Enterprise Architect desde el ícono que se creó en su escritorio de Windows durante la instalación, o alternativamente: 1. Abrir el menú
Más detallesJugamos al Bingo matemático
TERCER GRADO UNIDAD 2 SESIÓN 24 Jugamos al Bingo matemático En esta sesión, a través del Bingo matemático, los niños y las niñas pondrán en práctica lo aprendido usando operaciones de adición y sustracción,
Más detallesÍTEMS DEL MENÚ CREACIÓN Y GESTIÓN (Última revisión: lunes, 9 de marzo de 2009)
JOOMLA! ÍTEMS DEL MENÚ CREACIÓN Y GESTIÓN (Última revisión: lunes, 9 de marzo de 2009) Es necesario comentar que este manual ha sido diseñado en su mayor parte por comunidadjoomla.org. Este manual es una
Más detallesESTRUCTURA DE DATOS: ARREGLOS
ESTRUCTURA DE DATOS: ARREGLOS 1. Introduccion 2. Arreglos - Concepto - Caracteristicas 3. Arreglos Unidimensionales 4. Arreglos Bidimensionales 5. Ventajas del uso de arreglos 6. Ejemplo 1. Introducción
Más detallesEn cualquier caso, tampoco es demasiado importante el significado de la "B", si es que lo tiene, lo interesante realmente es el algoritmo.
Arboles-B Características Los árboles-b son árboles de búsqueda. La "B" probablemente se debe a que el algoritmo fue desarrollado por "Rudolf Bayer" y "Eduard M. McCreight", que trabajan para la empresa
Más detallesPor Elizabeth León Guzmán, Ph.D. Profesora
Por Elizabeth León Guzmán, Ph.D. Profesora 1 En una base de datos transaccional, transaccional cada transacción puede contener una lista de ítems (Ej: ítems comprados por un cliente) Id_transacci ón Items
Más detallesConclusiones. Particionado Consciente de los Datos
Capítulo 6 Conclusiones Una de las principales conclusiones que se extraen de esta tesis es que para que un algoritmo de ordenación sea el más rápido para cualquier conjunto de datos a ordenar, debe ser
Más detalles