Aplicación de minería de datos en la predicción de propiedades de hidrocarburos e implementación de un prototipo

Ha existido un gran interés comercial por explotar los grandes volúmenes de información almacenada. Se cree que se está perdiendo una gran cantidad de información y conocimiento valioso que se podría extraer de los datos. Este es el caso de la industria petrolera, donde es almacenada una cantidad ab...

Full description

Autores:
Contreras Peinado, Rafael Alfonso
Farfán Martínez, Ricardo José
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2005
Institución:
Universidad Autónoma de Bucaramanga - UNAB
Repositorio:
Repositorio UNAB
Idioma:
spa
OAI Identifier:
oai:repository.unab.edu.co:20.500.12749/1326
Acceso en línea:
http://hdl.handle.net/20.500.12749/1326
Palabra clave:
Hydrocarbons
Data mining
Systems engineering
Research
ICP (Colombian Petroleum Institute)
DEMEX Plant (Deasphalting Process)
SILAB (System for the management of laboratory data)
Multivariate statistics
Hidrocarburos
Minería de datos
Ingeniería de sistemas
Investigaciones
ICP (Instituto Colombiano del Petróleo)
Planta DEMEX (Proceso de desasfaltado)
SILAB (Sistema para el manejo de datos de laboratorio)
Estadística multivariada
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-nd/2.5/co/
id UNAB2_ce65fc5406ef9e06c3c77eab457e6753
oai_identifier_str oai:repository.unab.edu.co:20.500.12749/1326
network_acronym_str UNAB2
network_name_str Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv Aplicación de minería de datos en la predicción de propiedades de hidrocarburos e implementación de un prototipo
dc.title.translated.eng.fl_str_mv Data mining application in the prediction of hydrocarbon properties and implementation of a prototype
title Aplicación de minería de datos en la predicción de propiedades de hidrocarburos e implementación de un prototipo
spellingShingle Aplicación de minería de datos en la predicción de propiedades de hidrocarburos e implementación de un prototipo
Hydrocarbons
Data mining
Systems engineering
Research
ICP (Colombian Petroleum Institute)
DEMEX Plant (Deasphalting Process)
SILAB (System for the management of laboratory data)
Multivariate statistics
Hidrocarburos
Minería de datos
Ingeniería de sistemas
Investigaciones
ICP (Instituto Colombiano del Petróleo)
Planta DEMEX (Proceso de desasfaltado)
SILAB (Sistema para el manejo de datos de laboratorio)
Estadística multivariada
title_short Aplicación de minería de datos en la predicción de propiedades de hidrocarburos e implementación de un prototipo
title_full Aplicación de minería de datos en la predicción de propiedades de hidrocarburos e implementación de un prototipo
title_fullStr Aplicación de minería de datos en la predicción de propiedades de hidrocarburos e implementación de un prototipo
title_full_unstemmed Aplicación de minería de datos en la predicción de propiedades de hidrocarburos e implementación de un prototipo
title_sort Aplicación de minería de datos en la predicción de propiedades de hidrocarburos e implementación de un prototipo
dc.creator.fl_str_mv Contreras Peinado, Rafael Alfonso
Farfán Martínez, Ricardo José
dc.contributor.advisor.spa.fl_str_mv Hernández Cáceres, Javier
dc.contributor.author.spa.fl_str_mv Contreras Peinado, Rafael Alfonso
Farfán Martínez, Ricardo José
dc.contributor.cvlac.*.fl_str_mv Hernández Cáceres, Javier [0000817864]
dc.subject.keywords.eng.fl_str_mv Hydrocarbons
Data mining
Systems engineering
Research
ICP (Colombian Petroleum Institute)
DEMEX Plant (Deasphalting Process)
SILAB (System for the management of laboratory data)
Multivariate statistics
topic Hydrocarbons
Data mining
Systems engineering
Research
ICP (Colombian Petroleum Institute)
DEMEX Plant (Deasphalting Process)
SILAB (System for the management of laboratory data)
Multivariate statistics
Hidrocarburos
Minería de datos
Ingeniería de sistemas
Investigaciones
ICP (Instituto Colombiano del Petróleo)
Planta DEMEX (Proceso de desasfaltado)
SILAB (Sistema para el manejo de datos de laboratorio)
Estadística multivariada
dc.subject.lemb.spa.fl_str_mv Hidrocarburos
Minería de datos
Ingeniería de sistemas
Investigaciones
dc.subject.proposal.none.fl_str_mv ICP (Instituto Colombiano del Petróleo)
Planta DEMEX (Proceso de desasfaltado)
SILAB (Sistema para el manejo de datos de laboratorio)
Estadística multivariada
description Ha existido un gran interés comercial por explotar los grandes volúmenes de información almacenada. Se cree que se está perdiendo una gran cantidad de información y conocimiento valioso que se podría extraer de los datos. Este es el caso de la industria petrolera, donde es almacenada una cantidad abundante de datos, donde solo una parte de estos son analizados (manualmente en su mayoría), debido a la falta de técnicas computarizadas aptas para estos análisis. Con la aplicación de técnicas de minería de datos en la planta DEMEX del ICP, se puede obtener un conocimiento valioso a partir de los patrones que puedan ser extraídos de los datos arrojados por esta planta. Por estas razones surge la aplicación de la minería de datos en la predicción de propiedades de hidrocarburos, ya que se cuenta con una buena cantidad de datos. Las soluciones que hemos estado trabajando, además de las técnicas de minería de datos (clustering, árboles de decisión y redes bayesianas), incluyen la aplicación de técnicas estadísticas (análisis de regresión y componentes principales) y la construcción de un prototipo que agilice el trabajo de los análisis de las técnicas sobre grandes volúmenes de datos, para con esto obtener resultados rápidos y confiables. En este proyecto influye la Ingeniería de Sistemas, ya que se aplican conocimientos referentes a la programación, como es la construcción del prototipo bajo la plataforma JAVA, el manejo del SILAB basado en ORACLE, y la Ingeniería del Software en la metodología del proyecto. Además del manejo de la gran cantidad de fórmulas matemáticas y estadísticas que actualmente nos encontramos aplicando.
publishDate 2005
dc.date.issued.none.fl_str_mv 2005
dc.date.accessioned.none.fl_str_mv 2020-06-26T17:56:25Z
dc.date.available.none.fl_str_mv 2020-06-26T17:56:25Z
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.local.spa.fl_str_mv Trabajo de Grado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12749/1326
dc.identifier.instname.spa.fl_str_mv instname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional UNAB
url http://hdl.handle.net/20.500.12749/1326
identifier_str_mv instname:Universidad Autónoma de Bucaramanga - UNAB
reponame:Repositorio Institucional UNAB
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv Contreras Peinado, Rafael Alfonso, Farfán Martínez, Ricardo José, Hernández Cáceres, Javier (2005). Aplicación de minería de datos en la predicción de propiedades de hidrocarburos e implementación de un prototipo. Bucaramanga (Colombia) : Universidad Autónoma de Bucaramanga UNAB
[1] DEBUSE, J.C.W., DE LA IGLESIA, B., C.M., Howard, Rayward-Smith, V.J.. A methodology for Knowledge Discovery: The KDD Roadmap. [en línea]. Estados Unidos: University of East Anglia. http://www.witnessminer.com/kddmethodology.html (Consulta: 18 de abril, 2005)
[2] GARCÍA, R. Sistemas Autónomos: Aprendizaje Automático. Buenos Aires, Argentina: Nueva Librería. 1997.
[3] THRUN, S., FALOUSTOS, C., MITCHELL, T., WASSERMAN, L. Automated Learning and Discovery: State-Of-The-Art and Research Topics in a Rapidly Growing Field. Pittisburgh, EE.UU: Center for Automated Learning and Discovery, Carnegie Mellon University. 1998. p. 98-100.
[4] GÓMEZ, Antonio J. Minería de Datos. Madrid, España, 1998. p. 33-35.
[5] JOSHI, K.P. Analysis of Data Mining Algorithms. [en línea]. Maryland, Estados Unidos: UMBC. http://userpages.umbc.edu/~kjoshi1/data-mine/proj_rpt.htm (Consulta: 19 de septiembre, 2005)
[6] GRAJALES, Tevni. Correlación y regresión lineal múltiple. p. 1-3, [en línea]. Monterelos, México: Tevni Grajales, 2002. http://tgrajales.net/corregmul.pdf. (Consulta: 4 de marzo, 2005)
[7] VILLAGARCÍA, Teresa. Regresión. p. 5 [en línea]. Madrid, España: Universidad Carlos III de Madrid, 2004. halweb.uc3m.es/esp/docencia/ Est2Leg/Apuntes%20Regresion.pdf (Consulta: 2 de marzo, 2005).
[8] ALDÁS, Joaquín. El Análisis Multivariable: Conceptos Básicos. p. 19-20 [en línea]. Valencia, España: Universidad de Valencia, 2004. http://www.uv.es/~aldas/doctorado_1.html (Consulta: 2 de marzo, 2005).
[9] OTERO, José; SÁNCHEZ, Ainhoa; MORAL, Eva. Análisis de la Varianza (ANOVA). p. 8-9, 14 [en línea]. Madrid, España: Universidad Autónoma de Madrid, 2005. http://www.uam.es/departamentos/economicas/econapli/anova.pdf (Consulta: 6 de marzo, 2005).
[10] DONAIRE, Jose. Introducció a l'anàlisi factorial. [en línea]. Girona: Universidad de Girona. 2004. http://www.udg.es/dghha/cat/secciogeografia/prac/models/factorial(1).htm (Consulta: 4 de marzo de 2005)
[11] HERVÁS-MARTÍNEZ, César; ROMERO, Cristóbal; VENTURA, Sebastián. Selección de medidas de evaluación de reglas obtenidas mediante programación genética basada en gramática, p. 9 [en línea]. Cordoba, España: Universidad de Córdoba, 2002. http://www.lsi.us.es/redmidas/Capitulos/LMD23.pdf (Consulta: 4 de marzo, 2005)
[12] Universidad Católica De La Santísima Concepción - Facultad De Ingeniería. Análisis De Componentes Principales. p. 2-3 [en línea]. España: Universidad Católica De La Santísima Concepción. http://pdf.rincondelvago.com/analisis-de-componentes-principales.html (Consulta: 4 de marzo, 2005)
[13] GARCÍA, Juan C. Minería de Datos. Bucaramanga, Colombia, 2002. p. 19-26.
[14] MORALES, Eduardo. Descubrimiento de conocimiento en bases de datos. Clustering. [en línea]. México: Tecnológico de Monterrey, 2002. http://w3.mor.itesm.mx/~emorales/Cursos/KDD01/node36.html (Consulta: 4 de marzo, 2005)
[15] MORALES, Eduardo. Descubrimiento de conocimiento en bases de datos. Redes bayesianas en minería de datos. [en línea]. México: Tecnológico de Monterrey, 2002. http://w3.mor.itesm.mx/~emorales/Cursos/KDD01/node35.html (Consulta: 4 de marzo, 2005)
[16] Universidad de Waikato. WEKA 3.4. [en línea]. Nueva Zelanda: Universidad de Waikato. http://www.cs.waikato.ac.nz/~ml/weka/index.html (Consulta: 12 de marzo, 2005)
[17] Statistical Package For The Social Sciences. SPSS 12.0. [en línea]. Chicago: Statistical Package For The Social Sciences. http://www.spss.com/downloads/Papers.cfm?ProductID=00035&Name=SPSS_Base&DLType=Demo (Consulta: 15 de marzo, 2005)
[18] HAIR, Joseph; ANDERSON, Rolph; TATHAM, Ronald; BLACK, William. Análisis Multivariante. 5ta edición. Madrid, España, 2001. Prentice Hall. p. 100.
[18] HAIR, Joseph; ANDERSON, Rolph; TATHAM, Ronald; BLACK, William. Análisis Multivariante. 5ta edición. Madrid, España, 2001. Prentice Hall. p. 100.
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv Abierto (Texto Completo)
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons.*.fl_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
Abierto (Texto Completo)
http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial-SinDerivadas 2.5 Colombia
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.coverage.spa.fl_str_mv Bucaramanga (Colombia)
dc.publisher.grantor.spa.fl_str_mv Universidad Autónoma de Bucaramanga UNAB
dc.publisher.faculty.spa.fl_str_mv Facultad Ingeniería
dc.publisher.program.spa.fl_str_mv Pregrado Ingeniería de Sistemas
institution Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv https://repository.unab.edu.co/bitstream/20.500.12749/1326/1/2005_Tesis_Rafael_Alfonso_Contreras_Peinado.pdf
https://repository.unab.edu.co/bitstream/20.500.12749/1326/2/2005_Anexos_Rafael_Alfonso_Contreras_Peinado.zip
https://repository.unab.edu.co/bitstream/20.500.12749/1326/3/2005_Tesis_Rafael_Alfonso_Contreras_Peinado.pdf.jpg
bitstream.checksum.fl_str_mv 5277da8aa76fbc27d4cc223900d6b2f6
9d4933c0396bf8bbf34eb6ed724e5383
28f22d8f16e17d8e00a3a28406bf767f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv repositorio@unab.edu.co
_version_ 1814277318595575808
spelling Hernández Cáceres, JavierContreras Peinado, Rafael AlfonsoFarfán Martínez, Ricardo JoséHernández Cáceres, Javier [0000817864]2020-06-26T17:56:25Z2020-06-26T17:56:25Z2005http://hdl.handle.net/20.500.12749/1326instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABHa existido un gran interés comercial por explotar los grandes volúmenes de información almacenada. Se cree que se está perdiendo una gran cantidad de información y conocimiento valioso que se podría extraer de los datos. Este es el caso de la industria petrolera, donde es almacenada una cantidad abundante de datos, donde solo una parte de estos son analizados (manualmente en su mayoría), debido a la falta de técnicas computarizadas aptas para estos análisis. Con la aplicación de técnicas de minería de datos en la planta DEMEX del ICP, se puede obtener un conocimiento valioso a partir de los patrones que puedan ser extraídos de los datos arrojados por esta planta. Por estas razones surge la aplicación de la minería de datos en la predicción de propiedades de hidrocarburos, ya que se cuenta con una buena cantidad de datos. Las soluciones que hemos estado trabajando, además de las técnicas de minería de datos (clustering, árboles de decisión y redes bayesianas), incluyen la aplicación de técnicas estadísticas (análisis de regresión y componentes principales) y la construcción de un prototipo que agilice el trabajo de los análisis de las técnicas sobre grandes volúmenes de datos, para con esto obtener resultados rápidos y confiables. En este proyecto influye la Ingeniería de Sistemas, ya que se aplican conocimientos referentes a la programación, como es la construcción del prototipo bajo la plataforma JAVA, el manejo del SILAB basado en ORACLE, y la Ingeniería del Software en la metodología del proyecto. Además del manejo de la gran cantidad de fórmulas matemáticas y estadísticas que actualmente nos encontramos aplicando.INTRODUCCIÓN 1. DESCUBRIMIENTO DE CONOCIMIENTO EN BASE DE DATOS (KDD) 12 2. MINERÍA DE DATOS 15 2.1 TIPOS DE APRENDIZAJE 15 2.1.1 Aprendizaje por Memorización 16 2.1.2 Aprendizaje por Instrucción 16 2.1.3 Aprendizaje por Deducción o Aprendizaje Guiado por la Especificación 16 2.1.4 Aprendizaje por Analogía 16 2.1.5 Aprendizaje por Inducción 17 2.1.6 Aprendizaje por Ejemplos 17 2.1.7 Aprendizaje por Observación y Descubrimiento 17 2.2 TAREAS DE UN SISTEMA DE MINERÍA DE DATOS 18 2.2.1 Descripción de clases 18 2.2.2 Asociación 18 2.2.3 Clasificación 18 2.2.4 Predicción 18 2.2.5 Clustering 19 2.2.6 Análisis de series a través del tiempo 19 2.3 TIPOS DE APRENDIZAJE 19 2.3.1 Aprendizaje activo/Diseño Experimental 19 2.3.2 Aprendizaje acumulativo 20 2.3.3 Aprendizaje multitarea 20 2.3.4 Aprendizaje a partir de datos tabulados y no tabulados 20 2.3.5 Aprendizaje relacional 21 2.3.6 Aprendiendo a partir de bases de datos de gran tamaño 21 2.3.7 Aprendiendo a partir de bases de datos extremadamente pequeñas 21 2.3.8 Aprendiendo con conocimientos previos 21 2.3.9 Aprendiendo a partir de datos de distintos tipos 22 2.3.10 Aprendiendo Relaciones Casuales 22 2.3.11 Visualización y Minería de Datos interactiva 22 2.4 COMPONENTES DE LA MINERÍA DE DATOS 22 2.4.1 Algoritmos de Clasificación 23 2.4.2 Algoritmos de Reglas de Asociación 25 2.4.3 Análisis de Secuencias 25 3. TÉCNICAS ESTADÍSTICAS Y DE MINERÍA DE DATOS UTILIZADAS 27 3.1 ANÁLISIS DE CORRELACIÓN 27 3.2 ANÁLISIS DE REGRESIÓN LINEAL 27 3.2.1 Eliminación Hacia Atrás 30 3.2.2 Estimación Paso a Paso 30 3.3 TABLA DE ANOVA 31.4 ANÁLISIS FACTORIAL 33 3.5 COMPONENTES PRINCIPALES 34 3.5.1 Semejanza entre los individuos de la Tabla de Datos 35 3.5.2 Relación entre las variables de la Tabla de Datos 35 3.6 ÁRBOLES DE DECISIÓN 36 3.7 CLUSTERING 37 3.8 REDES BAYESIANAS 40 3.8.1 Aprendizaje estructural 42 3.8.2 Aprendizaje paramétrico 42 4. HERRAMIENTAS DE MINERÍA DE DATOS Y ESTADÍSTICA UTILIZADOS 43 4.1 WEKA 43 4.2 SPSS 44 5. CONCLUSIONES 47 BIBLIOGRAFÍA 48 ANEXOS 51PregradoThere has been great commercial interest in exploiting the large volumes of stored information. It is believed that a great deal of valuable information and knowledge that could be extracted from the data is being lost. This is the case of the oil industry, where an abundant amount of data is stored, where only a part of it is analyzed (mostly manually), due to the lack of computerized techniques suitable for these analyzes. With the application of data mining techniques in the ICP DEMEX plant, valuable knowledge can be obtained from the patterns that can be extracted from the data produced by this plant. For these reasons, the application of data mining arises in the prediction of hydrocarbon properties, since there is a good amount of data. The solutions we have been working on, in addition to data mining techniques (clustering, decision trees and Bayesian networks), include the application of statistical techniques (regression analysis and principal components) and the construction of a prototype that speeds up the work. of the analysis of the techniques on large volumes of data, in order to obtain fast and reliable results. Systems Engineering influences this project, since knowledge related to programming is applied, such as the construction of the prototype under the JAVA platform, the management of the SILAB based on ORACLE, and Software Engineering in the project methodology. In addition to managing the large number of mathematical and statistical formulas that we are currently applying.application/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial-SinDerivadas 2.5 ColombiaAplicación de minería de datos en la predicción de propiedades de hidrocarburos e implementación de un prototipoData mining application in the prediction of hydrocarbon properties and implementation of a prototypeIngeniero de SistemasBucaramanga (Colombia)Universidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería de Sistemasinfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/redcol/resource_type/TPHydrocarbonsData miningSystems engineeringResearchICP (Colombian Petroleum Institute)DEMEX Plant (Deasphalting Process)SILAB (System for the management of laboratory data)Multivariate statisticsHidrocarburosMinería de datosIngeniería de sistemasInvestigacionesICP (Instituto Colombiano del Petróleo)Planta DEMEX (Proceso de desasfaltado)SILAB (Sistema para el manejo de datos de laboratorio)Estadística multivariadaContreras Peinado, Rafael Alfonso, Farfán Martínez, Ricardo José, Hernández Cáceres, Javier (2005). Aplicación de minería de datos en la predicción de propiedades de hidrocarburos e implementación de un prototipo. Bucaramanga (Colombia) : Universidad Autónoma de Bucaramanga UNAB[1] DEBUSE, J.C.W., DE LA IGLESIA, B., C.M., Howard, Rayward-Smith, V.J.. A methodology for Knowledge Discovery: The KDD Roadmap. [en línea]. Estados Unidos: University of East Anglia. http://www.witnessminer.com/kddmethodology.html (Consulta: 18 de abril, 2005)[2] GARCÍA, R. Sistemas Autónomos: Aprendizaje Automático. Buenos Aires, Argentina: Nueva Librería. 1997.[3] THRUN, S., FALOUSTOS, C., MITCHELL, T., WASSERMAN, L. Automated Learning and Discovery: State-Of-The-Art and Research Topics in a Rapidly Growing Field. Pittisburgh, EE.UU: Center for Automated Learning and Discovery, Carnegie Mellon University. 1998. p. 98-100.[4] GÓMEZ, Antonio J. Minería de Datos. Madrid, España, 1998. p. 33-35.[5] JOSHI, K.P. Analysis of Data Mining Algorithms. [en línea]. Maryland, Estados Unidos: UMBC. http://userpages.umbc.edu/~kjoshi1/data-mine/proj_rpt.htm (Consulta: 19 de septiembre, 2005)[6] GRAJALES, Tevni. Correlación y regresión lineal múltiple. p. 1-3, [en línea]. Monterelos, México: Tevni Grajales, 2002. http://tgrajales.net/corregmul.pdf. (Consulta: 4 de marzo, 2005)[7] VILLAGARCÍA, Teresa. Regresión. p. 5 [en línea]. Madrid, España: Universidad Carlos III de Madrid, 2004. halweb.uc3m.es/esp/docencia/ Est2Leg/Apuntes%20Regresion.pdf (Consulta: 2 de marzo, 2005).[8] ALDÁS, Joaquín. El Análisis Multivariable: Conceptos Básicos. p. 19-20 [en línea]. Valencia, España: Universidad de Valencia, 2004. http://www.uv.es/~aldas/doctorado_1.html (Consulta: 2 de marzo, 2005).[9] OTERO, José; SÁNCHEZ, Ainhoa; MORAL, Eva. Análisis de la Varianza (ANOVA). p. 8-9, 14 [en línea]. Madrid, España: Universidad Autónoma de Madrid, 2005. http://www.uam.es/departamentos/economicas/econapli/anova.pdf (Consulta: 6 de marzo, 2005).[10] DONAIRE, Jose. Introducció a l'anàlisi factorial. [en línea]. Girona: Universidad de Girona. 2004. http://www.udg.es/dghha/cat/secciogeografia/prac/models/factorial(1).htm (Consulta: 4 de marzo de 2005)[11] HERVÁS-MARTÍNEZ, César; ROMERO, Cristóbal; VENTURA, Sebastián. Selección de medidas de evaluación de reglas obtenidas mediante programación genética basada en gramática, p. 9 [en línea]. Cordoba, España: Universidad de Córdoba, 2002. http://www.lsi.us.es/redmidas/Capitulos/LMD23.pdf (Consulta: 4 de marzo, 2005)[12] Universidad Católica De La Santísima Concepción - Facultad De Ingeniería. Análisis De Componentes Principales. p. 2-3 [en línea]. España: Universidad Católica De La Santísima Concepción. http://pdf.rincondelvago.com/analisis-de-componentes-principales.html (Consulta: 4 de marzo, 2005)[13] GARCÍA, Juan C. Minería de Datos. Bucaramanga, Colombia, 2002. p. 19-26.[14] MORALES, Eduardo. Descubrimiento de conocimiento en bases de datos. Clustering. [en línea]. México: Tecnológico de Monterrey, 2002. http://w3.mor.itesm.mx/~emorales/Cursos/KDD01/node36.html (Consulta: 4 de marzo, 2005)[15] MORALES, Eduardo. Descubrimiento de conocimiento en bases de datos. Redes bayesianas en minería de datos. [en línea]. México: Tecnológico de Monterrey, 2002. http://w3.mor.itesm.mx/~emorales/Cursos/KDD01/node35.html (Consulta: 4 de marzo, 2005)[16] Universidad de Waikato. WEKA 3.4. [en línea]. Nueva Zelanda: Universidad de Waikato. http://www.cs.waikato.ac.nz/~ml/weka/index.html (Consulta: 12 de marzo, 2005)[17] Statistical Package For The Social Sciences. SPSS 12.0. [en línea]. Chicago: Statistical Package For The Social Sciences. http://www.spss.com/downloads/Papers.cfm?ProductID=00035&Name=SPSS_Base&DLType=Demo (Consulta: 15 de marzo, 2005)[18] HAIR, Joseph; ANDERSON, Rolph; TATHAM, Ronald; BLACK, William. Análisis Multivariante. 5ta edición. Madrid, España, 2001. Prentice Hall. p. 100.[18] HAIR, Joseph; ANDERSON, Rolph; TATHAM, Ronald; BLACK, William. Análisis Multivariante. 5ta edición. Madrid, España, 2001. Prentice Hall. p. 100.ORIGINAL2005_Tesis_Rafael_Alfonso_Contreras_Peinado.pdf2005_Tesis_Rafael_Alfonso_Contreras_Peinado.pdfTesisapplication/pdf2940767https://repository.unab.edu.co/bitstream/20.500.12749/1326/1/2005_Tesis_Rafael_Alfonso_Contreras_Peinado.pdf5277da8aa76fbc27d4cc223900d6b2f6MD51open access2005_Anexos_Rafael_Alfonso_Contreras_Peinado.zip2005_Anexos_Rafael_Alfonso_Contreras_Peinado.zipAnexosapplication/octet-stream2685043https://repository.unab.edu.co/bitstream/20.500.12749/1326/2/2005_Anexos_Rafael_Alfonso_Contreras_Peinado.zip9d4933c0396bf8bbf34eb6ed724e5383MD52open accessTHUMBNAIL2005_Tesis_Rafael_Alfonso_Contreras_Peinado.pdf.jpg2005_Tesis_Rafael_Alfonso_Contreras_Peinado.pdf.jpgIM Thumbnailimage/jpeg5303https://repository.unab.edu.co/bitstream/20.500.12749/1326/3/2005_Tesis_Rafael_Alfonso_Contreras_Peinado.pdf.jpg28f22d8f16e17d8e00a3a28406bf767fMD53open access20.500.12749/1326oai:repository.unab.edu.co:20.500.12749/13262022-04-07 10:45:08.723open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.co

Publicaciones similares