Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO


Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO"

Transcripción

1 Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO

2 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar casos futuros Se trata de que el sistema sea capaz de aprender de lo que tiene para poder generalizar y tratar lo que no tiene

3 3 Dentro de las técnicas de clasificación supervisada, una de las aproximaciones más conocidas es la que se basa en criterios de vecindad Bajo esta perspectiva, los métodos de clasificación exigen la definición de una cierta medida de similitud (o distancia) entre los distintos elementos del espacio de representación.

4 4 Es decir, precisan de la definición de una métrica que ayude a comparar las distancias entre los distintos objetos. La ventaja más inmediata que presentan las técnicas de clasificación basadas en criterios de vecindad con respecto a otros métodos de clasificación, hace referencia a su simplicidad conceptual, que se podría resumir del siguiente modo:

5 5 La clasificación de un nuevo punto del espacio de representación se calcula en función de las clases, conocidas de antemano, de los puntos más próximos a él. Tal y como se desprende de la afirmación anterior, la idea fundamental sobre la que se apoyan estas técnicas de clasificación, se basa en que las muestras pertenecientes a una misma clase, probablemente se encontrarán próximas en el espacio de representación.

6 6 Caso de la Clase A Candidato Caso de la Clase B

7 7 En los algoritmos basados en vecindad, la decisión de clasificar un caso x en la categoría depende de una colección de N casos previamente clasificados: (x 1, 1 ), (x 2, 2 ),, (x N, N ), Y el proceso de clasificación puede dar lugar a errores.

8 8 Este tipo de problemas se enmarca en el dominio de la clasificación supervisada, y no existe un clasificador óptimo que resuelva satisfactoriamente todos los problemas que se puedan plantear. Si se asume que los casos ya clasificados (x i, i ) se hallan independiente e idénticamente clasificados respecto a una distribución de probabilidad, se pueden establecer ciertos argumentos heurísticos para el desarrollo de buenos procesos de clasificación.

9 9 Por ejemplo, parece razonable asumir que observaciones que se encuentran cercanas (con alguna métrica apropiada) tendrán aproximadamente la misma distribución de probabilidad a posteriori en sus respectivas clasificaciones.

10 10 De este modo, para clasificar el caso x, podríamos querer asociar más peso a la evidencia de un caso conocido cercano x i Quizás el procedimiento de decisión más simple es el del vecino de distancia mínima (nearest neighbour- NN), que asigna a x la categoría de su vecino más cercano de entre los ya clasificados

11 11 La primera formulación de una regla del estilo de NN parece haber sido generada por Fix and Hodges (1951) que investigaron el método conocido como K-NN (K vecinos mas cercanos), que asigna a un caso no clasificado la clase mas fuertemente representada de entre sus K vecinos mas cercanos.

12 12 En general cualquier problema de clasificación abordado con un enfoque basado en criterios de vecindad se puede caracterizar del siguiente modo: 1. Se dispone de N prototipos (o muestras ya clasificadas) llamado conjunto de entrenamiento 2. Tenemos que clasificar un nuevo caso, x, no perteneciente al conjunto de entrenamiento

13 13 3. Existe una métrica entre los diferentes objetos del espacio de representación 4. No se utiliza ninguna otra información acerca de la distribución de los parámetros estadísticos asociados al conjunto de entrenamiento

14 14 Vistas estas características, algunos autores distinguen los algoritmos de clasificación por vecindad del resto de los algoritmos de clasificación supervisada argumentando, mientras en el resto de los algoritmos de clasificación se realiza una inducción del modelo (árbol de decisión, reglas de un sistema experto, etc.) y utilizan posteriormente el modelo inducido (inducción + deducción).

15 15 en los algoritmos basados en vecindad el modelo se halla implícito en los datos, sin llegar a explicitarse, con lo que se dice que se realiza una transducción.

16 16 Regla del Vecino más Próximo En este caso, el clasificador asociará un caso x la clase verdadera del objeto que se encuentra más próximo a x dentro del espacio de representación. Para esta aproximación, todos los prototipos del conjunto de entrenamiento participan en la decisión de clasificación de la nueva muestra, esto es, el modelo de clasificación está compuesto por todos los casos que componen el conjunto de entrenamiento.

17 17 Regla del Vecino más Próximo Un aspecto a tener en cuenta es que la efectividad de esta regla está condicionada a que se disponga de un número suficientemente grande de prototipos en el conjunto de entrenamiento Desde un punto de vista práctico, este hecho puede representar un serio inconveniente en cuanto al costo computacional requerido para buscar el prototipo más próximo dentro del conjunto de entrenamiento.

18 18 Regla del Vecino más Próximo No obstante, este inconveniente se puede mitigar con la utilización de alguno de los procedimientos existentes para reducir el numero de casos que componen el modelo, de forma que este no esté compuesto por todos los casos que forman el conjunto de entrenamiento sino por un subconjunto de los mismos. validación-

19 19 Regla de K vecinos más Próximos (K-NN) Por medio de esta regla, la clase asignada a un nuevo caso x será la clase más votada entre los K vecinos más próximos del conjunto de entrenamiento Sin embargo, cabe la posibilidad de que se produzca un empate en el número de votos de la clase más votada

20 20 Regla de K vecinos más Próximos (K-NN) En ese caso, para seleccionar la clase a asignar, es necesario utilizar algún método de resolución de empates; Entre ellos, podremos encontrar los siguientes: 1. Asignar al caso a clasificar la clase que tenga el primer vecino más próximo de entre las empatadas en votos 2. Seleccionar como clase a asignar aquella entre las empatadas cuya media de distancias de sus vecinos sea menor.

21 21 Regla de K vecinos más Próximos (K-NN) La principal ventaja de la regla K-NN con respecto a la regla NN radica en que, al utilizar varios vecinos en lugar de uno sólo para la clasificación de un nuevo caso, se aprovecha de una forma más eficiente la información que se puede extraer del conjunto de entrenamiento.

22 22 Regla de K vecinos más Próximos (K-NN) Sin embargo, esto no quiere decir que el método K-NN sea siempre más exacto que el de NN, sino que se ha comprobado empíricamente que el primero comete menos errores de clasificación que el segundo, para algún valor de la constante K En la literatura, se obtiene que los mejores resultados se obtienen con k=3 o k=5, aunque esto depende en gran manera del problema que se quiera abordar

23 23 Regla de K vecinos más Próximos (K-NN) En la siguiente figura se puede observar cual es el comportamiento típico del algoritmo K-NN para diferentes valores del número de vecinos a tener en cuenta en problemas clasificatorios de dos clases Para un número mayor de clases, la gráfica es parecida, desplazada a la derecha Pero para cada problema el comportamiento puede diferir del que se muestra

24 Regla de K vecinos más Próximos (K-NN)

Tareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR

Tareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja

Más detalles

Tareas de la minería de datos: clasificación. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR

Tareas de la minería de datos: clasificación. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Tareas de la minería de datos: clasificación PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja o asocia datos

Más detalles

GLOSARIO ESTADÍSTICO. Fuente: Murray R. Spiegel, Estadística, McGraw Hill.

GLOSARIO ESTADÍSTICO. Fuente: Murray R. Spiegel, Estadística, McGraw Hill. GLOSARIO ESTADÍSTICO Fuente: Murray R. Spiegel, Estadística, McGraw Hill. CONCEPTOS Y DEFINICIONES ESPECIALES Es el estudio científico de los métodos para recoger, organizar, resumir y analizar los datos

Más detalles

Tema 5. Clasificadores K-NN

Tema 5. Clasificadores K-NN Tema 5 Clasificadores K-NN Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea

Más detalles

Reconocimiento de Patrones DRA. LETICIA FLORES PULIDO

Reconocimiento de Patrones DRA. LETICIA FLORES PULIDO Reconocimiento de Patrones DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: REDES NEURONALES MULTICAPA TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 2 : APRENDIZAJE MÁQUINA

Más detalles

SISTEMAS INTELIGENTES

SISTEMAS INTELIGENTES SISTEMAS INTELIGENTES T8: Aprendizaje basado en instancias www.aic.uniovi.es/ssii Índice Aprendizaje basado en instancias Métricas NN Vecino más próximo: Regiones de Voronoi El parámetro K Problemas de

Más detalles

Tema 12. Selección de Variables

Tema 12. Selección de Variables Tema 12. Selección de Variables Pedro Larrañaga, Iñaki Inza, Abdelmalik Moujahid Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea

Más detalles

obtenido de la fusión de dos rutas y la posterior asignación a un vehículo con capacidad disponible.

obtenido de la fusión de dos rutas y la posterior asignación a un vehículo con capacidad disponible. El problema VRP, y por tanto su variante con flota heterogénea, son problemas de optimización combinatoria complejos que caen en la categoría de NP-completo (Choi and Tcha, 2007), lo que significa que

Más detalles

Normalidad. y si no qué pasa? por: Aarón O. Lemus Bernal

Normalidad. y si no qué pasa? por: Aarón O. Lemus Bernal Normalidad y si no qué pasa? por: Aarón O. Lemus Bernal Marzo 2010 Introducción Cuando en un proyecto de mejora nos encontramos con variables de tipo continuo, la mayoría de las veces necesitamos aplicar

Más detalles

Programación Lineal. María Muñoz Guillermo Matemáticas I U.P.C.T. M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13

Programación Lineal. María Muñoz Guillermo Matemáticas I U.P.C.T. M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13 Programación Lineal María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13 Qué es la Programación Lineal? Introducción La Programación

Más detalles

RECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO

RECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO RECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: RECONOCIMIENTO DE PATRONES TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 3 : RECONOCIMIENTO

Más detalles

Para llevar a cabo una simulación, se requiere implementar las siguientes etapas:

Para llevar a cabo una simulación, se requiere implementar las siguientes etapas: SIMULACIÓN: La simulación se define como una técnica numérica utilizada para representar un proceso o fenómeno mediante otro más simple que permite analizar sus características. Esta técnica emplea relaciones

Más detalles

Capitulo 1: Introducción al reconocimiento de patrones (Secciones )

Capitulo 1: Introducción al reconocimiento de patrones (Secciones ) Capitulo 1: Introducción al reconocimiento de patrones (Secciones 1.1-1.6) M A C H I N E P E R C E P T I O N U N E J E M P L O S I S T E M A S D E R E C O N O C I M I E N T O D E P A T R O N E S C I C

Más detalles

Inteligencia en Redes de Comunicaciones - 06 Aprendizaje

Inteligencia en Redes de Comunicaciones - 06 Aprendizaje El objetivo de este tema es realizar una introducción a los conceptos, fundamentos y técnicas básicas de aprendizaje computacional. En primer lugar se formalizará el concepto de aprendizaje y se describirán

Más detalles

3. Árboles de decisión

3. Árboles de decisión 3.1 Introducción Método para aproximación de funciones objetivo que tengan valores discretos (clasificación) Uno de los métodos mas extensamente usados para inferencia inductiva Capaz de aprender hipótesis

Más detalles

Aprendizaje para Clasificación con Factorización Matricial Basado en Listwise para Filtrado Colaborativo

Aprendizaje para Clasificación con Factorización Matricial Basado en Listwise para Filtrado Colaborativo 2012 Aprendizaje para Clasificación con Factorización Matricial Basado en Listwise para Filtrado Colaborativo Iván López Espejo 22/04/2012 2 Aprendizaje para Clasificación con Factorización Matricial Basado

Más detalles

Unidad Educativa Monte Tabor Nazaret Coordinación Bachillerato Internacional

Unidad Educativa Monte Tabor Nazaret Coordinación Bachillerato Internacional Materia: Matemáticas NM Convocatoria: Noviembre 2013 Información extraída de: Guía de Matemáticas NM Publicada en septiembre de 2006, Primeros exámenes: 2008 Fecha: Marzo 2012 1. Naturaleza de la asignatura

Más detalles

Métodos de Inteligencia Artificial

Métodos de Inteligencia Artificial Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden Introducción Tipos de aprendizaje Aprendizaje cómo

Más detalles

Análisis de Datos. Validación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores

Análisis de Datos. Validación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores Análisis de Datos Validación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción La mayoría de los clasificadores que se han visto requieren de uno o más parámetros definidos libremente,

Más detalles

Ontología de alto nivel

Ontología de alto nivel Introducción Gestionar defectos es aun una tarea compleja para muchas organizaciones. El análisis de los defectos, cuando se realiza, usualmente no presenta los mecanismos adecuados para aprender de los

Más detalles

CAPÍTULO 3. GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica.

CAPÍTULO 3. GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica. CAPÍTULO 3 GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica. Estos problemas se aplican en distintas áreas, tales como:

Más detalles

Escuela Nacional de Estadística e Informática ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA

Escuela Nacional de Estadística e Informática ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA Lima Perú 2013 DISEÑO COMPLETAMENTE ALEATORIZADO Es el diseño más simple y sencillo de realizar, en el cual los tratamientos

Más detalles

Aprendizaje Automatizado

Aprendizaje Automatizado Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto

Más detalles

Pattern Classification

Pattern Classification Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors

Más detalles

Diseño Instruccional Paso 2 Paso 5

Diseño Instruccional Paso 2 Paso 5 TAREAS DE LA VIDA REAL EN EL CONTEXTO PROFESIONAL, CLASES DE TAREAS, OBJETIVOS DE DESEMPEÑO Y EVALUACIÓN DEL DESEMPEÑO Diseño Instruccional Paso 2 Paso 5 acet Proyecto AULA - enero de 2011 2 Paso 2 Tareas,

Más detalles

COMPETENCIA MATEMÁTICA

COMPETENCIA MATEMÁTICA COMPETENCIA MATEMÁTICA EN PISA 2018 COMPETENCIA MATEMÁTICA Para el Estudio PISA, la Competencia Matemática se define como: La capacidad de un individuo de formular, emplear e interpretar las matemáticas

Más detalles

ESTADÍSTICA INFERENCIAL

ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 10 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización En estadística existen dos métodos para la

Más detalles

Reconocimiento de Patrones

Reconocimiento de Patrones Reconocimiento de Patrones Jesús Ariel Carrasco Ochoa Instituto Nacional de Astrofísica Óptica y Electrónica ariel@inaoep.mx Contenido Introducción Enfoques Problemas Selección de Variables Clasificación

Más detalles

LA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN

LA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN LA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN Miguel Ángel Negrín; Christian González; Jaime Pinilla; Francisco-José Vázquez-Polo

Más detalles

Medidas de Tendencia Central

Medidas de Tendencia Central Medidas de Tendencia Central En cualquier análisis o interpretación, se pueden usar muchas medidas descriptivas que representan las propiedades de tendencia central, variación y forma para resumir las

Más detalles

CAPÍTULO 1 PRESENTACIÓN DEL PROBLEMA DE OPTIMIZACIÓN DE CARTERAS DE INVERSIÓN

CAPÍTULO 1 PRESENTACIÓN DEL PROBLEMA DE OPTIMIZACIÓN DE CARTERAS DE INVERSIÓN CAPÍTULO 1 PRESENTACIÓN DEL PROBLEMA DE OPTIMIZACIÓN DE CARTERAS DE INVERSIÓN Este capítulo da una introducción al problema de Optimización de Carteras de Inversión. Se menciona el objetivo general y los

Más detalles

CRITERIOS DE SELECCIÓN DE MODELOS

CRITERIOS DE SELECCIÓN DE MODELOS Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,

Más detalles

Posibles trabajos HIA

Posibles trabajos HIA Posibles trabajos HIA Posibles trabajos Comparar otras herramientas de Minería de Datos con Weka Estudiar la influencia del ruido en bagging y boosting Estudiar la influencia del parámetro de poda en J48

Más detalles

ANÁLISIS DE DATOS. Jesús García Herrero

ANÁLISIS DE DATOS. Jesús García Herrero ANÁLISIS DE DATOS Jesús García Herrero ANALISIS DE DATOS EJERCICIOS Una empresa de seguros de automóviles quiere utilizar los datos sobre sus clientes para obtener reglas útiles que permita clasificar

Más detalles

Carrera: SCB Participantes. Representantes de la academia de sistemas y computación de los Institutos Tecnológicos.

Carrera: SCB Participantes. Representantes de la academia de sistemas y computación de los Institutos Tecnológicos. 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Matemáticas para computación Ingeniería en Sistemas Computacionales SCB - 0422

Más detalles

BLOQUE IV. CLASIFICACIÓN

BLOQUE IV. CLASIFICACIÓN BLOQUE IV. CLASIFICACIÓN CAPÍTULO 11 Clasificación de mínima distancia. IV. 11.1 Pasos para realizar la clasificación. Es necesario comentar que se trata de una clasificación muy básica, que, en este caso,

Más detalles

COMPETENCIA MATEMÁTICA 2º CURSO DE EDUCACIÓN SECUNDARIA OBLIGATORIA

COMPETENCIA MATEMÁTICA 2º CURSO DE EDUCACIÓN SECUNDARIA OBLIGATORIA 2º CURSO DE EDUCACIÓN SECUNDARIA OBLIGATORIA 1. DESCRIPCIÓN DE LA COMPETENCIA La competencia matemática consiste en la habilidad para utilizar y relacionar los números, sus operaciones básicas, los símbolos

Más detalles

07 Estimación puntual e introducción a la estadística inferencial

07 Estimación puntual e introducción a la estadística inferencial 07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?

Más detalles

CLASIFICACIÓN DE LA IMAGEN. Escuela de Ingeniería Civil y Geomática Francisco Luis Hernández Torres

CLASIFICACIÓN DE LA IMAGEN. Escuela de Ingeniería Civil y Geomática Francisco Luis Hernández Torres CLASIFICACIÓN DE LA IMAGEN TÉCNICA QUE PERMITE LA IDENTIFICACIÓN DE LOS DIFERENTES OBJETOS O GRUPOS PRESENTES EN UNA IMAGEN MULTI-ESPECTRAL. MÉTODO NO SUPERVISADO MÉTODO SUPERVISADO El Desarrollo De Las

Más detalles

IN34A - Optimización

IN34A - Optimización IN34A - Optimización Complejidad Leonardo López H. lelopez@ing.uchile.cl Primavera 2008 1 / 33 Contenidos Problemas y Procedimientos de solución Problemas de optimización v/s problemas de decisión Métodos,

Más detalles

VALIDEZ DE LA INVESTIGACIÓN: VALIDEZ INTERNA, EXTERNA Y DE CONSTRUCTO, DE CONCLUSIÓN ESTADÍSTICA

VALIDEZ DE LA INVESTIGACIÓN: VALIDEZ INTERNA, EXTERNA Y DE CONSTRUCTO, DE CONCLUSIÓN ESTADÍSTICA VALIDEZ DE LA INVESTIGACIÓN: VALIDEZ INTERNA, EXTERNA Y DE CONSTRUCTO, DE CONCLUSIÓN ESTADÍSTICA 1 Validez de la investigación VALIDEZ INTERNA: el diseño de investigación es lo suficientemente sensible

Más detalles

VALIDEZ DE LA INVESTIGACIÓN (I): VALIDEZ INTERNA, EXTERNA Y DE CONSTRUCTO

VALIDEZ DE LA INVESTIGACIÓN (I): VALIDEZ INTERNA, EXTERNA Y DE CONSTRUCTO MÉTODOS Y DISEÑOS DE INVESTIGACIÓN TEMA 3 VALIDEZ DE LA INVESTIGACIÓN (I): VALIDEZ INTERNA, EXTERNA Y DE CONSTRUCTO 2011/12 1 Validez de la investigación VALIDEZ INTERNA: el diseño de investigación es

Más detalles

Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos.

Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. MATEMÁTICAS I Contenidos. Aritmética y álgebra: Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. Resolución e interpretación gráfica de ecuaciones e

Más detalles

Tema 15: Combinación de clasificadores

Tema 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 detalles

Teoría de la decisión

Teoría de la decisión Unidad 7.. Definiciones. Muestreo aleatorio y estadístico. Estadísticos importantes. Técnica de muestreo. Transformación integral Muestreo: selección de un subconjunto de una población ) Representativo

Más detalles

Creación de Conceptos y Asociación de Cuentas

Creación de Conceptos y Asociación de Cuentas Creación de Conceptos y Asociación de Cuentas 1. CREACIÓN DE CONCEPTOS: El primer paso corresponde a la creación conceptos y asociación de cuentas contables según la información contable, al digitar el

Más detalles

PROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)

PROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9) PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12

Más detalles

CRITERIOS DE EVALUACIÓN Y CALIFICACIÓN EN BACHILLERATO

CRITERIOS DE EVALUACIÓN Y CALIFICACIÓN EN BACHILLERATO CRITERIOS DE EVALUACIÓN Y CALIFICACIÓN EN BACHILLERATO CRITERIOS DE EVALUACIÓN DE MATEMÁTICAS APLICADAS A LAS C SOCIALES I 1 Utilizar los números reales para presentar e intercambiar información, controlando

Más detalles

Algoritmos genéticos

Algoritmos genéticos Algoritmos genéticos Introducción 2 Esquema básico 3 El problema de la mochila 7 Asignación de recursos 0 El problema del viajante 3 Variantes del esquema básico 5 Por qué funciona? 9 Observaciones finales

Más detalles

LECTURA 03: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT. MANEJO DE TABLAS ESTADISTICAS.

LECTURA 03: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT. MANEJO DE TABLAS ESTADISTICAS. LECTURA 3: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT MANEJO DE TABLAS ESTADISTICAS 1 INTRODUCCION Se dice que una variable aleatoria T tiene una distribución t de

Más detalles

1. Muestreo e Inferencia Estadística

1. Muestreo e Inferencia Estadística Tema 6: Introducción a la Inferencia Estadística Objetivos Introducir los conceptos elementales en esta parte de la asignatura. Tratar con muestras aleatorias y su distribución muestral en ejemplos de

Más detalles

PROPUESTA METODOLÓGICA PARA EL ESTUDIO Y ANÁLISIS DE LA ESTRUCTURA TEMPORAL DEL ENFRENTAMIENTO EN JUDO

PROPUESTA METODOLÓGICA PARA EL ESTUDIO Y ANÁLISIS DE LA ESTRUCTURA TEMPORAL DEL ENFRENTAMIENTO EN JUDO Área de Entrenamiento Deportivo Rendimiento Deportivo 29 PROPUESTA METODOLÓGICA PARA EL ESTUDIO RESUMEN Y ANÁLISIS DE LA ESTRUCTURA TEMPORAL DEL ENFRENTAMIENTO EN JUDO Chavel, Ivan Dopico, Jorge Iglesias,

Más detalles

1. Introducción. 1.1 Motivación

1. Introducción. 1.1 Motivación 1. Introducción 1.1 Motivación El Análisis de Componentes Independientes (ICA) y la Factorización No Negativa de Matrices (NMF) representan técnicas de procesamiento de información que permiten extraer

Más detalles

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016 ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una

Más detalles

El problema del Aprendizaje Automático (Machine Learning)

El problema del Aprendizaje Automático (Machine Learning) Universidad TELESUP Ingeniería de Sistemas Ciclo 2017-I El problema del Aprendizaje Automático (Machine Learning) 1. Introducción Arthur Samuel (1959) define machine learning como el campo de estudio que

Más detalles

Inicio. Cálculos previos GRASP. Resultados. Fin. Figura 5.1: Diagrama de flujo del algoritmo.

Inicio. Cálculos previos GRASP. Resultados. Fin. Figura 5.1: Diagrama de flujo del algoritmo. 5. DISEÑO FUNCIONAL En este apartado vamos a detallar los diagramas funcionales que han constituido la base para la posterior implantación informática de la metaheurística. 5.1. Diseño funcional del algoritmo

Más detalles

Inducción de Árboles de Decisión ID3, C4.5

Inducción de Árboles de Decisión ID3, C4.5 Inducción de Árboles de Decisión ID3, C4.5 Contenido 1. Representación mediante árboles de decisión 2. Algoritmo básico: divide y vencerás 3. Heurística para la selección de atributos 4. Espacio de búsqueda

Más detalles

Teoría de la decisión

Teoría de la decisión Unidad 7.. Definiciones. Muestreo aleatorio y estadístico. Estadísticos importantes. Técnica de muestreo. Transformación integral 1 Muestreo: selección de un subconjunto de una población 1) Representativo

Más detalles

Modelos Para la Toma de Decisiones

Modelos Para la Toma de Decisiones Modelos Para la Toma de Decisiones 1 Sesión No. 5 Nombre: Modelos de decisión. Primera parte. Contextualización Modelos para decidir? Hemos visto herramientas de tipo más bien matemático que nos permiten

Más detalles

Universidad Politécnica de Nicaragua Sede Estelí

Universidad Politécnica de Nicaragua Sede Estelí II UNIDAD: EL AUDITOR ADMINISTRATIVO. Normas de auditoria: Concepto Para delimitar qué es un norma de auditoría, debemos partir del hecho de que en la literatura técnica encontramos al menos las dos posiciones

Más detalles

UNIDAD III. DECISIONES BAJO CERTIDUMBRE

UNIDAD III. DECISIONES BAJO CERTIDUMBRE UNIDAD III. DECISIONES BAJO CERTIDUMBRE METODOS ASOCIADOS: Jerarquización analítica 1. ANTECEDENTES. El Método de Jerarquización Analítica fue desarrollado durante los años setentas en la Universidad de

Más detalles

White paper Un método para hacer corresponder entre candidatos y un puesto de trabajo Posiciones basadas en un modelado predictivo Presentado por:

White paper Un método para hacer corresponder entre candidatos y un puesto de trabajo Posiciones basadas en un modelado predictivo Presentado por: White paper Un método para hacer corresponder entre candidatos y un puesto de trabajo Posiciones basadas en un modelado predictivo Presentado por: Introducción Si pregunta a dos directores de recursos

Más detalles

MATEMÁTICA. Actividades docentes Pre-Jornada

MATEMÁTICA. Actividades docentes Pre-Jornada Actividades docentes Pre-Jornada ACTIVIDADES PARA LOS DOCENTES DE 2º GRADO/AÑO. Consigna de trabajo: las presentes actividades deberán ser realizadas por los docentes de 2º grado/año de cada escuela previo

Más detalles

Tema 4: Aprendizaje de conceptos

Tema 4: Aprendizaje de conceptos Inteligencia Artificial II Curso 2004 2005 Tema 4: Aprendizaje de conceptos José A. Alonso Jiménez Francisco Jesús Martín Mateos José Luis Ruiz Reina Dpto. de Ciencias de la Computación e Inteligencia

Más detalles

MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I 1º BACHILLERATO

MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I 1º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I 1º BACHILLERATO DEL CURSO 1. Utilizar los números reales, sus notaciones, operaciones y procedimientos asociados, para presentar e intercambiar información,

Más detalles

Técnicas de aprendizaje sobre series temporales

Técnicas de aprendizaje sobre series temporales Técnicas de aprendizaje sobre series temporales Contenido 1. Motivación. 2. Ejemplo del Problema. 3. Aproximaciones al problema de clasificación de series temporales. 4. Aprendizaje de reglas. 5. Boosting

Más detalles

Análisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores

Análisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Reconocimiento de patrones (RP): clasificar objetos en un número de categorías o clases.

Más detalles

Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad para

Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad para VII. Pruebas de Hipótesis VII. Concepto de contraste de hipótesis Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad

Más detalles

Estadística. Conceptos Básicos. L.A. y M.C.E. Emma Linda Diez Knoth

Estadística. Conceptos Básicos. L.A. y M.C.E. Emma Linda Diez Knoth Estadística Conceptos Básicos 1 Universo y Población Algunos autores no establecen diferencias entre los conceptos de universo y población. Por ejemplo, Pardo Merino, propone la siguiente definición: Una

Más detalles

Introducción a Minería de Texto. Fabián Latorre

Introducción a Minería de Texto. Fabián Latorre Introducción a Minería de Texto Fabián Latorre fabian.latorre@quantil.com.co Contenido Qué es la minería de texto? Por qué es relevante? Por qué la estudiamos? Aplicaciones La complejidad del texto no

Más detalles

n A i ) = 1 Ejemplo. El experimento consiste en tirar una moneda. Se considera S = {cara, ceca} La familia de eventos es P(S) = {,{cara}, {ceca}, S}

n A i ) = 1 Ejemplo. El experimento consiste en tirar una moneda. Se considera S = {cara, ceca} La familia de eventos es P(S) = {,{cara}, {ceca}, S} 2.4 Probabilidad de un Evento CONCEPTO DE PROBABILIDAD La probabilidad de un evento A P(S), denotada con P(A), es una medida de la posibilidad de que se realice A si se ejecuta el experimento una vez.

Más detalles

Reconocimiento de Patrones

Reconocimiento de Patrones Reconocimiento de Patrones Técnicas de validación (Clasificación Supervisada) Jesús Ariel Carrasco Ochoa Instituto Nacional de Astrofísica, Óptica y Electrónica Clasificación Supervisada Para qué evaluar

Más detalles

GRUPO SISTEMA DE INFORMACIÓN AMBIENTAL GUÍA RÁPIDA TEMÁTICA PARA EL USUARIO SIG CORPORATIVO PRIORIDAD DE PROTECCIÓN DE INCENDIOS FORESTALES

GRUPO SISTEMA DE INFORMACIÓN AMBIENTAL GUÍA RÁPIDA TEMÁTICA PARA EL USUARIO SIG CORPORATIVO PRIORIDAD DE PROTECCIÓN DE INCENDIOS FORESTALES TABLA DE CONTENIDO 1. DESCRIPCION GENERAL PRIORIDAD DE PROTECCIÓN DE INCENDIOS FORESTALES... 2 1.1 DESCRIPCION GENERAL... 2 1.2 OBJETO DEL ESTUDIO... 2 1.3 FUENTE Y ESCALA... 2 1.4 DEFINICIÓN DE LA PRIORIDAD

Más detalles

TEMA 1 Álgebra de matrices 4 sesiones. TEMA 2 Determinantes 4 sesiones. TEMA 3 Sistemas de ecuaciones 4 sesiones

TEMA 1 Álgebra de matrices 4 sesiones. TEMA 2 Determinantes 4 sesiones. TEMA 3 Sistemas de ecuaciones 4 sesiones 1.1. MATEMÁTICAS II TEMPORALIZACIÓN Y SECUENCIACIÓN: TEMA 1 Álgebra de matrices 4 sesiones TEMA 2 Determinantes 4 sesiones TEMA 3 Sistemas de ecuaciones 4 sesiones TEMA 4 Vectores en el espacio 4 sesiones

Más detalles

CAPÍTULO 1. El análisis de los problemas de localización es un área fértil de investigación

CAPÍTULO 1. El análisis de los problemas de localización es un área fértil de investigación CAPÍTULO 1. Introducción. El análisis de los problemas de localización es un área fértil de investigación desde principios de siglo. El primer modelo de localización fue propuesto por Alfred Weber en 1909

Más detalles

Prof. Evy Andreina Guerrero

Prof. Evy Andreina Guerrero Prof. Evy Andreina Guerrero Son Son las entidades : personas, instituciones, documentos, regiones, objetos, plantas, animales, productos, entre otros, que poseen el evento de estudio. POBLACIÓN MUESTRA

Más detalles

A MEMETIC ALGORITHM FOR. Zhipeng Lü, Jin-Kao Hao

A MEMETIC ALGORITHM FOR. Zhipeng Lü, Jin-Kao Hao A MEMETIC ALGORITHM FOR GRAPH COLORING Zhipeng Lü, Jin-Kao Hao European Jornal of Operational Research Introducción Aplicaciones generales Aplicaciones prácticas Heurísticas Algoritmo propuesto: MACOL

Más detalles

UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8

UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8 UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO

Más detalles

Proyecto Final - Reconocimiento de Patrones

Proyecto Final - Reconocimiento de Patrones Proyecto Final - Reconocimiento de Patrones Salim Perchy Maestría en Ingeniería Énfasis en Computación Pontificia Universidad Javeriana Cali, Valle del Cauca Email: ysperchy@cic.javerianacali.edu.co Mario

Más detalles

Introducción a las estadísticas Javier I. Toro Torres, PhD

Introducción a las estadísticas Javier I. Toro Torres, PhD Introducción a las estadísticas Javier I. Toro Torres, PhD USING STATISTICAL METHODS IN SOCIAL SCIENCE RESEARCH WITH A COMPLETE SPSS GUIDE (2011) Soleman H. Abu-Bader, Howard University Psicología Definición

Más detalles

ORIENTACIONES PARA LA MATERIA DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II. EBAU 2018

ORIENTACIONES PARA LA MATERIA DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II. EBAU 2018 ORIENTACIONES PARA LA MATERIA DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II. EBAU 2018 Criterios de evaluación Criterios específicos NÚMEROS Y ÁLGEBRA Matrices 1. Conocer el concepto de matriz y

Más detalles

Análisis de imágenes digitales

Análisis de imágenes digitales Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades

Más detalles

Comparación de dos métodos de aprendizaje sobre el mismo problema

Comparación de dos métodos de aprendizaje sobre el mismo problema Comparación de dos métodos de aprendizaje sobre el mismo problema Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Contenido 1. Motivación 2.

Más detalles

Objetivos de aprendizaje Hacer uso de las medidas de tendencia central para obtener información representativa de la muestra poblacional.

Objetivos de aprendizaje Hacer uso de las medidas de tendencia central para obtener información representativa de la muestra poblacional. Grado 10 Matematicas - Unidad 5 Elementos adicionales de un análisis estadístico Título del objeto Aplicación de las medidas de tendencia central en un conjunto de datos cuantitativos agrupados. relacionados

Más detalles

Métodos de Inteligencia Artificial

Métodos de Inteligencia Artificial Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden: Clasificador Bayesiano Clasificación Clasificador

Más detalles

El análisis de los problemas de localización es un área fértil de investigación

El análisis de los problemas de localización es un área fértil de investigación El análisis de los problemas de localización es un área fértil de investigación desde principios de siglo. El primer modelo de localización fue propuesto por Alfred Weber en 1909 [1], y domino por muchos

Más detalles

Manual de Usuario Sistema SIGESP 1 de 21 Módulo: Configuración Rev. Nº 00. Revisado Por : Firma: Elaborado Por: ADS. Teresa Andrade Firma

Manual de Usuario Sistema SIGESP 1 de 21 Módulo: Configuración Rev. Nº 00. Revisado Por : Firma: Elaborado Por: ADS. Teresa Andrade Firma 1 de 21 A través de este sistema podemos especificar los diversos parámetros operativos que permiten el buen funcionamiento de cada uno de los sistemas que conforman el SIGESP. Entre los cuales tenemos:

Más detalles

MATEMÁTICAS APLICADAS A LAS CCSS II (2º BACHILLERATO)

MATEMÁTICAS APLICADAS A LAS CCSS II (2º BACHILLERATO) MATEMÁTICAS APLICADAS A LAS CCSS II (2º BACHILLERATO) 1.1.1 Contenidos y temporalización. Matemáticas Aplicadas a las Ciencias Sociales II 1.1.1.1 Bloque 1. Álgebra (Total : 40 sesiones) Matrices y determinantes

Más detalles

I.4 INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

I.4 INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL I.4 INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL Roberto Mendoza Padilla* En este trabajo se da una descripción introductoria de un área que ha provocado un gran numero de controversias, debido a que combina

Más detalles

Introducción a Aprendizaje no Supervisado

Introducción a Aprendizaje no Supervisado Introducción a Aprendizaje no Supervisado Felipe Suárez, Álvaro Riascos 25 de abril de 2017 2 / 33 Contenido 1. Motivación 2. k-medias Algoritmos Implementación 3. Definición 4. Motivación 5. Aproximación

Más detalles

Estadística y Encuestas

Estadística y Encuestas Estadística y Encuestas Tema 1. Preliminares. Introducción a las encuestas por muestreo 1. Preliminares. 1.1 Concepto de Estadística 1.2. Criterios básicos de un estudio empírico 1.3. Diferentes tipos

Más detalles

1. La estadística: definición y usos en Economía

1. La estadística: definición y usos en Economía 1. La estadística: definición y usos en Economía Tema 1 1 1.1. La estadística: definición y usos en Economía Necesidad de tomar decisiones Estad. = Instrumento Usos: 1. Recuento 2. Enumeración 3. Ordenamiento

Más detalles

CONTRASTES NO PARAMÉTRICOS

CONTRASTES NO PARAMÉTRICOS CONTRASTES NO PARAMÉTRICOS Contenidos Encuestas 75 Comprobación de supuestos 79 Pruebas no Paramétricas en el SPSS 80 Contrastes para 2 muestras independientes 81 Contrastes para varias muestras independientes

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales 1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución

Más detalles

Ciencia. Conjunto sistematizado de conocimientos que constituyen una rama del saber humano.

Ciencia. Conjunto sistematizado de conocimientos que constituyen una rama del saber humano. METODOLOGIA DE LA INVESTIGACION. Introducción a la Metodología Científica de Investigación. Método. Camino para alcanzar un fin. Investigación. Es el acto de llevar a cabo estrategias para descubrir algo.

Más detalles

Análisis de Datos. Combinación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores

Análisis de Datos. Combinación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores Análisis de Datos Combinación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Diversos algoritmos de clasificación están limitados a resolver problemas binarios, es decir, con dos

Más detalles

Deducción Inédita De La Varianza Del Estadístico De Wilcoxon

Deducción Inédita De La Varianza Del Estadístico De Wilcoxon Deducción Inédita De La Varianza Del Estadístico De Wilcoxon Álvaro de Jesús Villota Viveros, vvvillota@live.com, Academia Nacional de Medicina Resumen. Este trabajo realiza una deducción inédita al valor

Más detalles

Conceptos básicos estadísticos

Conceptos básicos estadísticos Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto

Más detalles

Capítulo 5 - Conclusiones -

Capítulo 5 - Conclusiones - Señor... si yo me olvido de ti, nunca te olvides de mí! Capítulo 5 - Conclusiones - El aspecto práctico de este trabajo, ha sido el desarrollo de un sistema de fusión de datos completo. Se ha intentado

Más detalles

RECOMENDACIONES PARA LA ELABORACIÓN DE UN PROYECTO DE INVESTIGACIÓN

RECOMENDACIONES PARA LA ELABORACIÓN DE UN PROYECTO DE INVESTIGACIÓN RECOMENDACIONES PARA LA ELABORACIÓN DE UN PROYECTO DE INVESTIGACIÓN DR. ENRIQUE ZAMORANO-PONCE Laboratorio de Genética Toxicológica Departamento de Ciencias Básicas Facultad de Ciencias Universidad del

Más detalles
SitemapNew Ortable Rivet Small Round Bag Ladies Messenger Bag | Алла Сурикова | Watch Movie