Sesión 014b. Interpretando un Árbol de Decisión 1480-Técnicas Estadísticas en Investigación de Mercados Grado en Estadística empresarial Curso
|
|
- José Ignacio Miguélez Aguilera
- hace 5 años
- Vistas:
Transcripción
1 Sesión 014b. Interpretando un Árbol de Decisión 1480-Técnicas Estadísticas en Investigación de Mercados Grado en Estadística empresarial Curso Segundo semestre Profesor: Xavier Barber i Vallés Departamento: Estadística, Matemáticas e Informática
2 ÁRBOLES DE DECISIÓN library(rpart)
3 Ejemplo: CCS library(bca) ######################################################################## #### ########################################################################### library(bca) ### libraría donde están los datos library(rpart) ### libraría para los Árboles de Decisión # recuperamos los datos de la sesión anterior (paquete BCA --> CCS) data(ccs, package="bca") ###################################################################
4 Generando el Árbol tree1ccs<-rpart(monthgive ~ Age20t29 + Age70pls + AveDonAmt + AveIncEA +DonPerYear + EngPrmLang + FinUnivP + LastDonAmt + Region + YearsGive, data=ccs[ccs$sample=="estimation",], method="class") print(tree1ccs) Árboles de Decisión class Árboles de Regresión= anova n= 544 node), split, n, loss, yval, (yprob) * denotes terminal node Nodo, corte, cuantos me quedan, los que pierdo, el Valor con prob. MÁS ALTA; probabilidades de Y 1) root No ( ) 2) AveDonAmt< No ( )* (nodo terminal) 3) AveDonAmt>= Yes ( ) 6) DonPerYear< Yes ( ) 12) DonPerYear>= Yes ( ) 24) Age20t29< No ( )
5 > print(tree1ccsb) n= 544 Generando el Árbol node), split, n, loss, yval, (yprob) * denotes terminal node 1) root No ( ) 2) AveDonAmt< No ( ) * 3) AveDonAmt>= Yes ( ) 6) DonPerYear< Yes ( ) 12) DonPerYear>= Yes ( ) 24) Age20t29< No ( ) 48) EngPrmLang< No ( ) * 49) EngPrmLang>= Yes ( ) * 25) Age20t29>= Yes ( ) 50) LastDonAmt< No ( ) * 51) LastDonAmt>= Yes ( ) 102) YearsGive< No ( ) * 103) YearsGive>= Yes ( ) * 13) DonPerYear< Yes ( ) * 7) DonPerYear>= Yes ( ) *
6 El Árbol AveDonAmt< No No DonPerYear< DonPerYear>= AveIncEA> Age20t29< AveIncEA< 6.955e Yes LastDonAmt< 27.5 Yes EngPrmLang< LastDonAmt< 17.5 Yes AveDonAmt< YearsGive< 2.5 No Yes Yes Yes No No Yes
7 es el mejor árbol posible? Para estudiar si necesitamos quedarnos con todo el árbol o sólo con una parte de él, recurriremos a la Cross-Validation como medida de eficiencia de numero de ramas. > printcp(tree1ccs) Root node error: 264/544 = CP nsplit rel error xerror xstd [CP=parámetro de Complejidad xerror=cross-validation]
8 es el mejor árbol posible?
9 Podando el árbol ################################################### # CP nsplit rel error xerror xstd # # # # # # ################################################## tree1ccsb <-prune(tree1ccs, cp= ) print(tree1ccsb) par(mar = rep(0.1, 4)) plot(tree1ccsb) text(tree1ccsb, cex=0.8)
10 Podando el árbol n= 544 node), split, n, loss, yval, (yprob) * denotes terminal node * 1) root No ( ) 2) AveDonAmt< No ( ) * 3) AveDonAmt>= Yes ( ) 6) DonPerYear< Yes ( ) 12) DonPerYear>= Yes ( ) 24) Age20t29< No ( ) 48) EngPrmLang< No ( ) * 49) EngPrmLang>= Yes ( ) 25) Age20t29>= Yes ( ) 50) LastDonAmt< No ( ) * 51) LastDonAmt>= Yes ( ) 102) YearsGive< No ( ) * 103) YearsGive>= Yes ( ) * 13) DonPerYear< Yes ( ) * 7) DonPerYear>= Yes ( ) *
11 Podando el árbol AveDonAmt< No DonPerYear< 0.52 DonPerYear>= Age20t29< Yes Yes EngPrmLang< LastDonAmt< 17.5 YearsGive< 2.5 No Yes No No Yes
12 El Árbol ORIGINAL AveDonAmt< No No DonPerYear< DonPerYear>= AveIncEA> Age20t29< AveIncEA< 6.955e Yes LastDonAmt< 27.5 Yes EngPrmLang< LastDonAmt< 17.5 Yes AveDonAmt< YearsGive< 2.5 No Yes Yes Yes No No Yes
13 El árbol PODADO AveDonAmt< No DonPerYear< 0.52 DonPerYear>= Age20t29< Yes Yes EngPrmLang< LastDonAmt< 17.5 YearsGive< 2.5 No Yes No No Yes
14 Una forma más gráfica. Dentro de lo posible library(partykit)
15 De rpart a partykit >library(partykit) >tree_party<-as.party(tree1ccs) Number of inner nodes: 11 >print(tree_party, header=false) Number of terminal nodes: 12 [1] root [2] AveDonAmt < : No (n = 166, err = 16.9%) [3] AveDonAmt >= [4] DonPerYear < [5] DonPerYear >= [6] Age20t29 < [7] EngPrmLang < [8] AveDonAmt < : No (n = 48, err = 22.9%) [9] AveDonAmt >= : Yes (n = 11, err = 36.4%) [10] EngPrmLang >= : Yes (n = 39, err = 41.0%) [11] Age20t29 >= [12] LastDonAmt < 17.5: No (n = 13, err = 23.1%) [13] LastDonAmt >= 17.5 [14] YearsGive < 2.5: No (n = 15, err = 33.3%) [15] YearsGive >= 2.5: Yes (n = 66, err = 24.2%) [16] DonPerYear < : Yes (n = 14, err = 0.0%) [17] DonPerYear >= [18] AveIncEA >= [19] AveIncEA < [20] LastDonAmt < 27.5: No (n = 24, err = 20.8%) [21] LastDonAmt >= 27.5: Yes (n = 18, err = 27.8%) [22] AveIncEA >= 69546: Yes (n = 30, err = 16.7%) [23] AveIncEA < : Yes (n = 100, err = 20.0%)
16 De rpart a partykit
17 Y para presentarlo a la audiencia: library(rpart.plot) #### librería para mejorar rpart cols <- ifelse(tree1ccs$frame$yval == 2, "lightsalmon", "lightgreen") rpart.plot(tree1ccs,main="donante mensual?", ycompress=true,extra=1,branch=1, cex=0.7,varlen=0,digits=4, round=0.5,shadow.col="gray", xsep=" / ", box.col=cols,split.cex=1.1, split.suffix="?", split.box.col="lightgray", split.border.col="darkgray", split.round=.5,yesno.yshift=0.6, boxes.include.gap=true,eq=" ",lt=" < ", ge=" >= ")
18 Y para presentarlo a la audiencia:
19 ÁRBOLES DE REGRESIÓN
20 Tipos de variable Dependiente Qué ocurre cuando la variable dependiente no es dicotómica? Binomial Árboles d e Decision rpart, party, tree Categórica Ordinal o Multinomial spartscore Var. Dependiente mpt univariante Árboles de Regresión class= anova rpart Contínua multivariante mvpart
21 library(party) Conditional inference trees via party
22 Conditional inference tree with 5 terminal nodes #### primero llamamos al modelo "tree1" tree1<-(monthgive ~ Age20t29 + Age70pls + AveDonAmt + AveIncEA + DonPerYear + EngPrmLang + FinUnivP + LastDonAmt + Region + YearsGive) ### y ahora generamos el árbol, es por comodidad de reutilización de código tree1ccs<-ctree(tree1, data=ccs[ccs$sample=="estimation",]) Response: MonthGive Inputs: Age20t29, Age70pls, AveDonAmt, AveIncEA, DonPerYear, EngPrmLang, FinUnivP, LastDonAmt, Region, YearsGive Number of observations: 544 1) AveDonAmt <= 11.25; criterion = 1, statistic = ) AveDonAmt <= 5.25; criterion = 0.991, statistic = )* weights = 78 2) AveDonAmt > ) YearsGive <= 1; criterion = 0.964, statistic = )* weights = 18 4) YearsGive > 1 6) DonPerYear <= ; criterion = 0.989, statistic = )* weights = 59 6) DonPerYear > )* weights = 11 1) AveDonAmt > )* weights = 378
23 El Árbol 2 AveDonAmt p = Ser o no caritativo mensualmente 1 AveDonAmt p < YearsGive p = DonPerYear p = Yes No Node 3 (n = 78) Yes No Node 5 (n = 18) Yes No Node 7 (n = 59) Yes No Node 8 (n = 11) Yes No Node 9 (n =
24 Los resultados Yes- No por nodo table(where(tree1ccs)) datos_ini=cbind(ccs[ccs$sample=="estimation",],nodos=(where(tree1ccs))) summary(datos_ini) table(datos_ini$nodos,datos_ini$monthgive ) ## los casos por nodos nodes(tree1ccs,c(2,6)) #obtenemos los nodos que nos interesan nodes((tree1ccs,c(3,7)) #obtenemos los nodos que nos interesan nodos No Yes Ser o no caritativo mensualmente 1 AveDonAmt p < AveDonAmt p = YearsGive p = DonPerYear p = Yes No Node 3 (n = 78) Yes No Node 5 (n = 18) Yes No Node 7 (n = 59) Yes No Node 8 (n = 11) Yes No Node 9 (n =
25 PREDICCIÓN ### CON PARTYKIT #### NEW DATA ###CCS[CCS$Sample=="Validation",] ### ELIJO LA OBSERVACIÓN 4931 newdata<- CCS[853,] predict(tree1ccs, newdata) [1] Yes Levels: No Yes ## y en los datos dice que es.???? CCS[853,] MonthGive= Yes
26 Comparando dos Árboles desde las predicciones ################################################## ### COMPARADO DOS ARBOLES desde la predicción ################################################## sele<-ccs[ccs$sample=="validation",] new_data<-sele[1:50,] pred_1<-predict(tree_party1, new_data) pred_2<-predict(tree_party4, new_data) table(pred_1, pred_2) pred_2 pred_1 No Yes No Yes 0 245
ÁRBOLES DE CLASIFICACIÓN Y REGRESIÓN
ÁRBOLES DE CLASIFICACIÓN Y REGRESIÓN Los árboles de clasificación y regresión (CART=Classification and Regression Trees) son una alternativa al análisis tradicional de clasificación/discriminación o a
Más detallesScoring No Clientes (Modelización con información Big Data)
Trabajo Fin de Máster Scoring No Clientes (Modelización con información Big Data) Iria Cañete Quian Máster en Técnicas Estadísticas Curso 2017-2018 ii Propuesta de Trabajo Fin de Máster iii iv Título en
Más detallesAprendizaje Supervisado Árboles de Decisión
Aprendizaje Supervisado Árboles de Decisión 10 10 Modelo general de los métodos de Clasificación Id Reembolso Estado Civil Ingresos Anuales 1 Sí Soltero 125K No 2 No Casado 100K No 3 No Soltero 70K No
Más detallesSesión 07. Seguimos Tomando Decisiones 1480-Técnicas Estadísticas en Investigación de Mercados Grado en Estadística empresarial Profesor: Xavier
Sesión 07. Seguimos Tomando Decisiones 1480-Técnicas Estadísticas en Investigación de Mercados Grado en Estadística empresarial Profesor: Xavier Barber i Vallés Departamento: Estadística, Matemáticas e
Más detallesSesión 000. Vender o No vender, esa es la cuestión: El arte de decidir 1480-Técnicas Estadísticas en Investigación de Mercados Grado en Estadística
Sesión 000. Vender o No vender, esa es la cuestión: El arte de decidir 1480-Técnicas Estadísticas en Investigación de Mercados Grado en Estadística empresaria Curso 2012-13 Segundo semestre Profesor: Xavier
Más detallesSesión 018. Del cerebro al mercado: Redes Neuronales Técnicas Estadís6cas en Inves6gación de Mercados Grado en Estadís6ca empresarial Curso
Sesión 018. Del cerebro al mercado: Redes Neuronales 1480- Técnicas Estadís6cas en Inves6gación de Mercados Grado en Estadís6ca empresarial Curso 2012-13 Segundo semestre Profesor: Xavier Barber i Vallés
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 detallesCorrelograma de la serie Y. Included observations: 900 Autocorrelation Partial Correlation AC PAC Q-Stat Prob
EXAMEN DE ECONOMETRIA EMPRESARIAL II (MÓDULO PRÁCTICO) 23 FEBRERO 2002 1 APELLIDO 2ª APELLIDO NOMBRE GRUPO PRÁCTICO NOMBRE DEL PROFESOR PREGUNTA 1 Un economista desea identificar y estimar el proceso generador
Más detallesESCUELA TÉCNICA SUPERIOR DE INGENIERÍA INFORMÁTICA GRADO EN INGENIERÍA DEL SOFTWARE
2 ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA INFORMÁTICA GRADO EN INGENIERÍA DEL SOFTWARE LIBRERÍA EN R PARA LA GENERACIÓN HEURÍSTICA DE ÁRBOLES DE DECISIÓN R-BASED LIBRARY FOR HEURISTIC GENERATION OF DECISION
Más detallesAnálisis de la evolución y tendencia de las tasas de hepatitis A en Chile desde a 2002
Rev Chil Salud Pública CIFRAS DE HOY Análisis de la evolución y tendencia de las tasas de hepatitis A en Chile desde 197 5 a 2002 GABRIEL CA V ADAOJ, ROSA MONT AÑOOJ, SERGIO AL V ARADOOl, MARÍA TERESA
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 detallesCART s. Walter Sosa-Escudero. Universisad de San Andres y CONICET
Universisad de San Andres y CONICET Motivacion Modelo flexible e interpretable para la relacion entre Y y X. Arboles: partir el espacio de atributos en rectangulos, y ajustar un modelo simple para Y dentro
Más detallesModelo 1: MCO, usando las observaciones 1994: :03 (T = 218) Variable dependiente: INFLACION
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA 1º El investigador especifica el modelo siguiente: EXAMEN PARCIAL DE ECONOMETRIA I Se le pide estimar el modelo por el método
Más detallesGrado en Química. 1 er Curso ESTADÍSTICA APLICADA E INFORMÁTICA PARA QUÍMICOS. Manual de Prácticas
Grado en Química 1 er Curso ESTADÍSTICA APLICADA E INFORMÁTICA PARA QUÍMICOS Manual de Prácticas Curso 2013-2014 Profesores/as: José Antonio Álvarez Dios, María Isabel Borrajo García, Hipólito Irago Baúlde,
Más detallesSegmentación del uso de TIC entre las personas maduras y ancianas de Andalucía
Segmentación del uso de TIC entre las personas maduras y ancianas de Andalucía 2015 PRESENTADO POR Gabinete Secretaría General de Salud Pública Consejería de Salud Junta de Andalucía Segmentación del uso
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 detallesEVALUACIÓN DE LOS PROGRAMAS SUBVENCIONALES 2015 EUSTAT
EVALUACIÓN DE LOS PROGRAMAS SUBVENCIONALES 2015 EUSTAT 1. Becas en el campo de metodología estadística-matemática. 1 1.- Título BECAS EN EL CAMPO DE METODOLOGÍA ESTADÍSTICA-MATEMÁTICA 2.- Norma Reguladora
Más detallesAnálisis de Correlación Canónica y Análisis discriminante
Análisis de Correlación Canónica y Análisis discriminante Análisis de Regresión Múltiple TÉCNICAS DE DEPENDENCIA Variable/s Dependiente/s Variable/s Independiente/s Técnica 1 Nivel de medición Continuo
Más detallesRESULTADOS. Se utilizaron cuatro pruebas estadísticas para realizar el análisis de los datos. Las
III RESULTADOS Se utilizaron cuatro pruebas estadísticas para realizar el análisis de los datos. Las pruebas utilizadas son la prueba t de dos colas para muestras dependientes con un valor alfa de.05,
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 detallesExamen Final. a. Identifique los factores en estudio, y si éstos son fijos o aleatorios.
AGRO 6600 Examen Final 2002 Nombre: Instrucciones: Por favor lea los enunciados y las preguntas cuidadosamente. Se pueden usar el libro y la calculadora. Para obtener crédito parcial las respuestas deben
Más detallesPALISADE - Foro de Análisis de Riesgos y Toma de Decisiones (20/5/14) - MADRID Ricardo A. Queralt
PALISADE - Foro de Análisis de Riesgos y Toma de Decisiones (20/5/14) - MADRID 1 Estructura de costes empresariales y umbral de rentabilidad Prof. Dr. Ricardo A. Queralt PALISADE - Foro de Análisis de
Más detallesUNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA (PROGRAMA EJECUTIVO CUATRIMESTRAL)
UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA (PROGRAMA EJECUTIVO CUATRIMESTRAL) NOMBRE DE LA ASIGNATURA: PROBABILIDAD Y ESTADISTICA FECHA DE ELABORACIÓN: FEBRERO, 2003 CUATRIMESTRE
Más detallesPlanificación de las enseñanzas
Planificación de las enseñanzas 1 Estructura de las enseñanzas: a. Descripción general del plan de estudios: De conformidad con la Guía para el Diseño y Tramitación de los Títulos de Grado y Máster de
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 detallesFactorizaci ón de árboles de probabilidad y sus aplicaciones p.1/13
Factorización de árboles de probabilidad y sus aplicaciones I. Martínez, S. Moral, C. Rodríguez, A. Salmerón Dept. Estadística y Mat. Aplicada Universidad de Almería Dept. Ciencias de la Computación e
Más detallesGrado en Estadística y PEC con el Grado en I. Informática
Grado en Estadística y PEC con el Grado en I. Informática GE 1C1 28 Fund. de Organización de Empresas 47070 31-1 M Escuela Informática GE 1C1 36 Fundamentos de Matemáticas 47071 21-1 M Escuela Informática
Más detallesPráctica 2: Utilización de WEKA desde la línea de comandos.
PROGRAMA DE DOCTORADO TECNOLOGÍAS INDUSTRIALES APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN ROBÓTICA Práctica 2: Utilización de WEKA desde la línea de comandos. Objetivos: Utilización de WEKA desde la
Más detallesGrado en Estadística y PEC con el Grado en I. Informática
Grado en Estadística y PEC con el Grado en I. Informática GE 1C1 Fund. de Organización de Empresas 47070 16-1 M Escuela Informática GE 1C1 Fundamentos de Matemáticas 47071 8-1 M Escuela Informática GE
Más detallesGUÍA DOCENTE ESTADÍSTICA GUÍA DOCENTE CURSO GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS
1. Denominación de la asignatura: ESTADÍSTICA Titulación GUÍA DOCENTE 2017-2018 ESTADÍSTICA GUÍA DOCENTE CURSO 2017-18 GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS Código 5527 2. Materia o módulo a
Más detallesÍNDICE. Introducción... Capítulo 1. Técnicas de minería de datos y herramientas... 1
ÍNDICE Introducción... XI Capítulo 1. Técnicas de minería de datos y herramientas... 1 Clasificación de las técnicas de minería de datos y herramientas más comunes... 1 Modelado originado por la teoría
Más detallesMINICURSO Introducción al análisis multivariado de datos químicos (Quimiometría) Dr. Roberto Pellerano
MINICURSO Introducción al análisis multivariado de datos químicos (Quimiometría) Dr. Roberto Pellerano Descripción breve del curso: El análisis multivariado de datos químicos (Quimiometría) es el conjunto
Más detallesTarea 2 Investigación de Operaciones II
Tarea 2 Investigación de Operaciones II Víctor A. Peña y Lillo Zumelzu vpena@alumnos.inf.utfsm.cl Departamento de Informática Universidad Técnica Federico Santa María Valparaíso, Chile 29 de mayo de 2006
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 detallesanálisis multivariante con SPSS Julio Meneses i Sergi Estudis de Psicologia i Ciències de l Educació elearn Center / Novembre de 2013
Introducción al análisis multivariante con SPSS Seminari metodològic del programa de doctorat en educació i TIC (e-learning) Julio Meneses i Sergi Fàbregues @ Estudis de Psicologia i Ciències de l Educació
Más detallesAnálisis de regresión lineal simple
Análisis de regresión lineal simple El propósito de un análisis de regresión es la predicción Su objetivo es desarrollar un modelo estadístico que se pueda usar para predecir los valores de una variable
Más detallesUNIVERSIDAD RICARDO PALMA FACULTAD DE INGENIERÍA
UNIVERSIDAD RICARDO PALMA FACULTAD DE INGENIERÍA ESCUELA ACADEMICO PROFESIONAL DE INGENIERIA INFORMATICA SILABO - ESTRUCTURA DE DATOS Y ALGORÍTMICA I. INFORMACIÓN GENERAL CODIGO : IF405 Estructura de Datos
Más detallesPRACTICA 3. CONTRASTES Y PREDICCION.
ECONOMETRIA I (LADE). CURSO 2001/2002 PRACTICA 3. CONTRASTES Y PREDICCION. En el archivo prac3.xls disponemos de las siguientes observaciones correspondientes a un país: Y: consumo privado, medido en millones
Más detallesGuía de Ejercicios Aprendizaje de Máquinas Inteligencia Articial (CC52A)
Guía de Ejercicios Aprendizaje de Máquinas Inteligencia Articial (CC52A) 6 de noviembre de 2007 1. Arboles de Decision 1. Investigue las ventajas y desventajas de los árboles de decisión versus los siguientes
Más detalles2013/14 HORARIOS GRADO EN CURSO: 1º ESTADÍSTICA CURSO ACADÉMICO. Grupo: 1º A Semestre: 1º Aula: C41. Hora: Lunes Martes Miércoles Jueves Viernes
: 1º Grupo: 1º A Semestre: 1º Aula: C41 9-10 matemático I Informática I matemático I descriptiva (A) probabilidades I (B) MS1 probabilidades I (A) descriptiva (B) MS1 descriptiva descriptiva probabilidades
Más detalles1.2.2. Técnicas estadísticas más utilizadas en la investigación
Contenido PRÓLOGO... 1. LA ESTADÍSTICA COMO HERRAMIENTA EN LA INVESTIGACIÓN TURÍSTICA 1.1. EL TURISMO Y LA ESTADÍSTICA... 2 1.1.1. El turismo... 2 1.1.2. La estadística... 4 1.2. LA ESTADÍSTICA Y LA INVESTIGACIÓN
Más detallesEstadística para la Guardia Civil
M. Wiper Estadística 1 / 18 Estadística para la Guardia Civil Michael Wiper Departamento de Estadística Universidad Carlos III de Madrid M. Wiper Estadística 2 / 18 Objetivo Introducir los conceptos del
Más detallesINDICE 1. Introducción 2. Recolección de Datos Caso de estudio
INDICE Prefacio XIX 1. Introducción 1 1.1. Qué es la estadística moderna? 2 1.2. El crecimiento y desarrollo de la estadística moderna 2 1.3. Pensamiento estadístico y administración moderna 4 1.4. Estudios
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 detallesGEST Curso 1º Cuatrimestre 1º
GEST Curso 1º Cuatrimestre 1º La asignatura propia de GEST (en azul) FOE Fund. de Organización de Empresas GINF FMAT Fundamentos de Matemáticas GINF MDIS Matemática Discreta GINF FPRO Fundamentos de Programación
Más detallesAVISO IMPORTANTE EL PROFESOR DARÁ ASESORÍA ESTE VIERNES 13 DE OCTUBRE EN LA SALA JOSE SOLITICA EL ARCHIVO EN EXCEL PARA COMPLETAR LA GUIA AL CORREO
AVISO IMPORTANTE EL PROFESOR DARÁ ASESORÍA ESTE VIERNES 13 DE OCTUBRE EN LA SALA JOSE AYALA DE 13 A 15 HRS SOLITICA EL ARCHIVO EN EXCEL PARA COMPLETAR LA GUIA AL CORREO tere_vieyra@yahoo.com.mx Guía para
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesUNIVERSIDAD VERACRUZANA FACULTAD DE ESTADÍSTICA. Programa de Licenciatura en Ciencias y Técnicas Estadísticas
UNIVERSIDAD VERACRUZANA FACULTAD DE ESTADÍSTICA STICA E INFORMÁTICA Programa de Licenciatura en Ciencias y Técnicas Estadísticas sticas Campus Xalapa Dra. M. Luisa Hernández Maldonado Estudiante L. Clarivel
Más detallesASIGNATURA: (TIS-106) Estructuras de Datos II DOCENTE: Ing. Freddy Melgar Algarañaz
TEMA 1. Árboles Generalizados Son estructuras de datos no lineales, o también denominadas estructuras multienlazadas. El árbol es una estructura de datos fundamental en informática, muy utilizada en todos
Más detallesCurso: Python for Analytics. Aprende Python orientado a la ciencia y minería de datos
1 Curso: Python for Analytics Aprende Python orientado a la ciencia y minería de datos 2 Presentación Python es un lenguaje de programación potente y fácil de aprender. Cuenta con estructuras de datos
Más detallesCircuitos con fuentes independientes de corriente y resistencias, circuitos R, I
MÉTODO DE LOS NUDOS Es un método general de análisis de circuitos que se basa en determinar los voltajes de todos los nodos del circuito respecto a un nodo de referencia. Conocidos estos voltajes se pueden
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 detallesJosé Noel Caraballo Irmannette Torres Lugo Universidad de Puerto Rico en Cayey
José Noel Caraballo Irmannette Torres Lugo Universidad de Puerto Rico en Cayey Importancia de la investigación institucional y las decisiones sustentadas por datos. Criterios de admisión a la UPR como
Más detallesComo seleccionar una prueba estadística
Como seleccionar una prueba estadística CURSO DE INVESTIGACIÓN Y REDACCIÓN CIENTÍFICA BIOMÉDICA Jorge L. Maguiña MSc Universidad Peruana Cayetano Heredia Facultad de Salud Pública y Administración Escuela
Más detallesAprendizaje Automatizado. Árboles de Clasificación
Aprendizaje Automatizado Árboles de Clasificación Árboles de Clasificación Entrada: Objetos caracterizables mediante propiedades. Salida: En árboles de decisión: una decisión (sí o no). En árboles de clasificación:
Más detallesPráctica 4. Los datos para está práctica provienen de Brockwell and Davis, Introduction to time series and forecasting, Springer, 2001.
Práctica 4 Los datos para está práctica provienen de Brockwell and Davis, Introduction to time series and forecasting, Springer, 2001. En esta práctica, analizaremos dos índices financieros, el Dow Jones
Más detallesFACULTAD DE DERECHO Y CIENCIAS ECONÓMICAS Y EMPRESARIALES GRADO DE ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS. Curso 2015/16
FACULTAD DE DERECHO Y CIENCIAS ECONÓMICAS Y EMPRESARIALES GRADO DE ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS Asignatura: DATOS DE LA ASIGNATURA Denominación: Código: 100105 Plan de estudios: GRADO DE ADMINISTRACIÓN
Más detallesLICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS
DEPARTAMENT D ECONOMIA APLICADA UNIVERSITAT DE VALENCIA LICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS PROGRAMA DE ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA TEMA 1: INTRODUCCIÓN
Más detallesCurso: Python for Analytics
1 Curso: Python for Analytics 2 Presentación Python es un lenguaje de programación potente y fácil de aprender. Cuenta con estructuras de datos eficientes, de alto nivel y un enfoque simple pero efectivo
Más detallesFactorización de Árboles de Probabilidad
Factorización de Árboles de Probabilidad Irene Martínez, Serafín Moral 2, Carmelo Rodríguez 3 y Antonio Salmerón 4 2 3,4 Dept. Lenguajes y Computación. Universidad de Almería Dept. Ciencia de la Computación
Más detallesPROGRAMA DE CURSO. Código Nombre ESTADÍSTICA PARA LA ECONOMÍA Y GESTIÓN Nombre en Inglés Statistics for Economics and Management Unidades
PROGRAMA DE CURSO Código Nombre IN3401 ESTADÍSTICA PARA LA ECONOMÍA Y GESTIÓN Nombre en Inglés Statistics for Economics and Management es Horas Docencia Horas de Trabajo SCT Horas de Cátedra Docentes Auxiliar
Más detallesCapítulo 4: Grafos Clase 4: Árboles
Capítulo 4: Grafos Clase 4: Árboles Matemática Discreta - CC3101 Profesor: Pablo Barceló P. Barceló Matemática Discreta - Cap. 4: Grafos 1 / 12 Árboles Los árboles son una clase particular de grafos que
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 detallesBásica Matemáticas y Computación
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN INGENIERÍA CIVIL PROGRAMA DE ASIGNATURA SEMESTRE: 3º Probabilidad y Estadística CLAVE:
Más detallesManejo del entorno windows y nociones básicas de estadística.
ANÁLISIS ESTADÍSTICO CON EL SPSS Profesor: J. Manuel Tejero González. METODOLOGÍA. Prensencial, en el aula de informática, utilizando un ordenador por alumno (Programa SPSS Versión 11.0, paquete básico,
Más detallesTitulación(es) Titulación Centro Curso Periodo Grado de Finanzas y Contabilidad FACULTAT D'ECONOMIA 1 Segundo cuatrimestre
FICHA IDENTIFICATIVA Datos de la Asignatura Código 35934 Nombre Estadística I Ciclo Grado Créditos ECTS 6.0 Curso académico 2016-2017 Titulación(es) Titulación Centro Curso Periodo 1315 - Grado de Finanzas
Más detallesRepaso de estadística básica. Juan D. Barón Santiago de Chile, 8 de abril de 2013
Repaso de estadística básica Juan D. Barón Santiago de Chile, 8 de abril de 2013 1 I. CONCEPTOS ESTADÍSTICOS BÁSICOS 2 Las decisiones se toman bajo incertidumbre Las decisiones se basan en información
Más detallesDocumento de Trabajo. Debo inscribir más de 22 créditos?
Documento de Trabajo Debo inscribir más de 22 créditos? Rodrigo Navia Carvallo 2004 El autor es Ph.D in Economics, Tulane University, EEUU. Máster of Arts in Economics, Tulane University, EEUU. Licenciado
Más detallesESTADISTICA APLICADA A LA CONTADURIA
ESTADISTICA APLICADA A LA CONTADURIA. GENERALIDADES 3. ESTRUCTURA DIDACTICA Clave: M43 H S C: 4 Semestre: 4º Créditos: 8 Área: Introducción a la Estadística 2. REQUISITOS Asignatura antecedente: Introducción
Más detallesTEMA I CONTEXTUALIZACIÓN Y REVISIÓN GENERAL DE LAS TÉCNICAS MULTIVARIANTES
TEMA I CONTEXTUALIZACIÓN Y REVISIÓN GENERAL DE LAS TÉCNICAS MULTIVARIANTES LECTURA OBLIGATORIA Algunas cuestiones previas. En Rial, A. y Varela, J. (2008). Estadística Práctica para la Investigación en
Más detalles1.- Enumere las hipótesis básicas del modelo básico de regresión lineal
Introducción a la Econometría Grupo Derecho y Administración de Empresas Profesor Rafael de Arce 20 de junio de 2008 Nombre: DNI: 1.- Enumere las hipótesis básicas del modelo básico de regresión lineal
Más detallesANÁLISIS ESTADÍSTICO CON R
ANÁLISIS ESTADÍSTICO CON R Qué es R? Actualmente R es uno de los programas más utilizados para el análisis estadístico ya que proporciona un amplio abanico de herramientas (modelos lineales y no lineales,
Más detallesTécnicas Multivariadas Avanzadas
Métodos basados en árboles Universidad Nacional Agraria La Molina 2014-2 Introducción Introducción Se describen métodos basados en árboles para regresión y clasicación. Estos métodos requieren estraticar
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN HORAS SEMANA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN PROGRAMA DE ASIGNATURA SEMESTRE:6 (SEXTO) Estadística
Más detallesFacultad de Ciencias Económicas y Empresariales Curso
Facultad de Ciencias Económicas y Empresariales Curso 2006-07 1. 1. 2. 3. 4. 5. 7. 8. 9. 2. 1. 2. 3. 4. 5. 6. 7. 8. 9. Facultad de Ciencias Económicas y Empresariales Curso 2006-07 3. 1. 2. 3. 4. 5. 6.
Más detallesPrograma Oficial de Asignatura. Ficha Técnica. Presentación. Competencias y/o resultados del aprendizaje. Estadística
Ficha Técnica Titulación: Grado en Administración y Dirección de Empresas Plan BOE: BOE número 67 de 19 de marzo de 2014 Asignatura: Módulo: Métodos cuantitativos de la empresa Curso: 1º Créditos ECTS:
Más detallesUNIVERSIDAD PEDAGÓGICA Y TECNOLÓGICA DE COLOMBIA FACULTAD DE CIENCIAS PROGRAMA DE MATEMÁTICAS PLAN DE ESTUDIOS
UNIVERSIDAD PEDAGÓGICA Y TECNOLÓGICA DE COLOMBIA FACULTAD DE CIENCIAS PROGRAMA DE MATEMÁTICAS PLAN DE ESTUDIOS ASIGNATURA : ESTADÍSTICA GENERAL CÓDIGO : 8105201 SEMESTRE : VI CRÉDITOS : 4 FECHA DE ULTIMA
Más detallesOne way anova using SAS
One way anova using SAS With Duncan test El paquete SAS es un sistema computacional de los mas completos que existen, tiene el respaldo de un centro de investigación en estadística y es el mas usado por
Más detallesINDICE. 81 Operadores lógicos Funciones exponenciales y logarítmicas Funciones trigonométricas
INDICE Introducción XV Capitulo 1. Instalación y primeros pasos en SPSS 10 Instalación de SPSS 10 1 Comenzando con SPSS 10 8 El trabajo de trabajo de SPSS 10 9 Opciones de a barra de menú principal 10
Más detallesObservatorio Económico
Observatorio Económico México 4 de abril de 0 Análisis Económico Arnulfo Rodriguez arnulfo.rodriguez@bbva..com Pedro Uriz pedro.uriz@bbva.com Expectativa inflacionaria de los consumidores: determinantes
Más detallesMuestreo e inferencia
Images created with STATA software. 1 Muestreo e inferencia Calidad de los datos y las mediciones Razones para hablar de muestreo Formación académica de la población Comprender los datos que se van a utilizar
Más detallesÍndice general. Prefacio...5
Índice general Prefacio...5 Capítulo 1 Introducción...13 1.1 Introducción...13 1.2 Los datos...19 1.3 Etapas en los procesos de big data...20 1.4 Minería de datos...21 1.5 Estructura de un proyecto de
Más detallesFACULTAD DE DERECHO Y CIENCIAS ECONÓMICAS Y EMPRESARIALES GRADO DE ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS. Curso 2016/17
FACULTAD DE DERECHO Y CIENCIAS ECONÓMICAS Y EMPRESARIALES GRADO DE ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS Asignatura: DENOMINACIÓN DE LA ASIGNATURA Denominación: Código: 100105 Plan de estudios: GRADO
Más detalles906. MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA
DEPARTAMENTO DE MATEMATICAS 906. MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA Ingeniería Técnica Industrial Especialidad Mecánica Curso 2009-2010 Segundo Semestre Troncal. 6 créditos (5 teoría-problemas + 1 práctico)
Más detallesINDICE Capitulo 1. Entorno de Trabajo e SPSS Capitulo 2. Operadores y Funciones. Aplicaciones
INDICE Introducción XV Capitulo 1. Entorno de Trabajo e SPSS 1 Introducción y manejo de datos en SPSS 1 Lectura e importación de datos SPSS 6 Importación de datos de hoja de cálculo 8 Importación de archivos
Más detallesFACULTAD DE CIENCIAS MATEMÁTICAS CURSO 2016/17 CALENDARIO DE EXÁMENES DE FEBRERO 2017 APROBADO EN JUNTA DE FACULTAD DEL 15 DE JULIO DE 2016 GRADOS
GRADOS EN MATEMÁTICAS, INGENIERÍA MATEMÁTICA y MATEMÁTICAS Y ESTADÍSTICA PRIMER CURSO EXÁMENES PARCIALES ÁLGEBRA LINEAL ANÁLISIS DE VARIABLE REAL ELEMENTOS DE MATEMÁTICAS Y APLICACIONES INFORMÁTICA 06.02.17
Más detallesEsatadística II: inferencial Departamento de Ciencias Sociales y Políticas Universidad Católica del Uruguay
Esatadística II: inferencial Departamento de Ciencias Sociales y Políticas Universidad Católica del Uruguay : santiago.lopez@ucu.edu.uy : 420 - cuarto piso : Viernes 14:00-15:00 pm Marzo-Junio, 2015 Descripción
Más detallesEstadística Inferencial aplicada a los Negocios
Estadística Inferencial aplicada a los Negocios SEMESTRE Y CARRERA PROGRAMA ELABORADO POR: M.A. Alma Minerva Blanco Robledo TIPO DE CURSO CRÉDITOS Nuclear 7 créditos TIEMPO TIEMPO PRESENCIAL INDEPENDIENTE
Más detallesGuía docente 2007/2008
Guía docente 2007/2008 Plan 247 Lic.Investigación y Tec.Mercado Asignatura 43579 METODOS CUANTITATIVOS PARA LA INVESTIGACION DE MERCADOS Grupo 1 Presentación Métodos y técnicas cuantitativas de investigación
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 7) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 7) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía VIDEOCLASE: La Correlación. https://www.intecca.uned.es/portalavip/grabacion.php?id_grabacion=56932&id_sala=605
Más detallesJesús García Herrero TÉCNICAS DE REGRESIÓN NO LINEAL
Jesús García Herrero TÉCNICAS DE REGRESIÓN NO LINEAL En esta clase se presenta un método de inducción de modelos numéricos de regresión a partir de datos. En el tema de técnicas clásicas se presentó la
Más detallesAula Virtual Análisis de Circuitos D.C. Facultad Tecnológica Universidad Distrital Francisco José de Caldas.
http:///wpmu/gispud/ MALLAS CON FUENTES DEPENDIENTES E INDEPENDIENTES DE TENSIÓN Y CORRIENTE Ejercicio 33. Análisis de mallas, fuentes dependientes e independientes de tensión y corrientes a) Mediante
Más detallesClustering: Auto-associative Multivariate Regression Tree (AAMRT)
Introducción Tipos Validación AAMRT Clustering: Auto-associative Multivariate Regression Tree (AAMRT) Miguel Bernal C Quantil 12 de diciembre de 2013 Miguel Bernal C Quantil Matemáticas Aplicadas Contenido
Más detallesPRESENTACIÓN Y CONTEXTUALIZACIÓN
ASIGNATURA DE GRADO: ECONOMETRÍA (ECONOMÍA) Curso 2017/2018 (Código de asignatura : 65013083) NOMBRE DE LA ASIGNATURA ECONOMETRÍA (ECONOMÍA) CÓDIGO 65013083 CURSO ACADÉMICO 2017/2018 DEPARTAMENTO TÍTULOS
Más detallesCentro Universitario de Tonalá
Presentación Este curso de estadística y evaluación de datos se encuentra diseñado para los estudiantes del Doctorado en Agua y Energía del Centro Universitario de Tonalá. Competencias genéricas de la
Más detallesOdds = = e. UD1: El modelo de regresión logística 1. 1 e
RE2. Regresión logística binaria, multinomial, de Poisson y binomial negativa Curso 204/5 Solución resumida de la prueba de evaluación Unidad didáctica (D) La regresión logística puede utilizarse en cualquiera
Más detallesUNIVERSIDAD AUTONOMA DE TAMAULIPAS
R-RS-01-25-03 UNIVERSIDAD AUTONOMA DE TAMAULIPAS UNIDAD ACADEMICA ACADÉMICA MMULTIDISCIPLINARIA REYNOSA AZTLÁN NOMBRE DEL PROGRAMA QUIMICO FARMACÉUTICO BIÓLOGO NOMBRE DE LA ASIGNATURA BIOESTADISTICA PROGRAMA
Más detalles