INTRODUCCIÓN A LA

MINERÍA DE DATOS
José Hernández Orallo
Mª José Ramírez Quintana
Cèsar Ferri Ramírez

ÍNDICE DETALLADO

Índice de contenido..........................................................................................................................VII
Prefacio............................................................................................................................................XVII
Motivación y objetivos del libro...........................................................................................................XVII
Destinatarios............................................................................................................................................. XIX
Organización e itinerarios........................................................................................................................XX
Terminología........................................................................................................................................... XXII
Agradecimientos..................................................................................................................................... XXII

PARTE I: INTRODUCCIÓN
Capítulo 1 ¿Qué es la minería de datos?...........................................................................3
1.1 Nuevas necesidades............................................................................................................................... 3
1.2 El concepto de minería de datos. Ejemplos.........................................................................................5
1.2.1 Ejemplo 1: análisis de créditos bancarios...............................................................................................6
1.2.2 Ejemplo 2: análisis de la cesta de la compra..........................................................................................7
1.2.3 Ejemplo 3: determinar las ventas de un producto.................................................................................7
1.2.4 Ejemplo 4: determinar grupos diferenciados de empleados................................................................8
1.3 Tipos de datos......................................................................................................................................... 9
1.3.1 Bases de datos relacionales.....................................................................................................................9
1.3.2 Otros tipos de bases de datos...............................................................................................................11
1.3.3 La World Wide Web.................................................................................................................................11
1.4 Tipos de modelos..................................................................................................................................12
1.5 La minería de datos y el proceso de descubrimiento de conocimiento en bases de datos.........13
1.6 Relación con otras disciplinas.............................................................................................................14
1.7 Aplicaciones...........................................................................................................................................16
1.8 Sistemas y herramientas de minería de datos...................................................................................18
Capítulo 2 El proceso de extracción de conocimiento......................................................19
2.1 Las fases del proceso de extracción de conocimiento......................................................................19
2.2 Fase de integración y recopilación.....................................................................................................21
2.3 Fase de selección, limpieza y transformación...................................................................................22
2.4 Fase de minería de datos.....................................................................................................................24
2.4.1 Tareas de la minería de datos...............................................................................................................25
2.4.2 Técnicas de minería de datos................................................................................................................27
2.4.3 Construcción del modelo......................................................................................................................35
2.5 Fase de evaluación e interpretación...................................................................................................35
2.5.1 Técnicas de evaluación..........................................................................................................................36
2.5.2 Medidas de evaluación de modelos.....................................................................................................37
2.5.3 Interpretación y contextualización.......................................................................................................38
2.6 Fase de difusión, uso y monitorización.............................................................................................39

PARTE II: PREPARACIÓN DE DATOS

Capítulo 3 Recopilación. Almacenes de datos.................................................................43
3.1 Introducción.......................................................................................................................................... 44
3.2 Necesidad de los almacenes de datos................................................................................................46
3.2.1 OLTP y OLAP.......................................................................................................................................46
3.2.2 Almacenes de datos y bases de datos transaccionales........................................................................47
3.3 Arquitectura de los almacenes de datos............................................................................................49
3.3.1 Modelo multidimensional....................................................................................................................49
3.3.2 Datamarts..............................................................................................................................................51
3.3.3 Explotación de un almacén de datos. Operadores..............................................................................52
3.3.4 Implementación del almacén de datos. Diseño...................................................................................55
3.4 Carga y mantenimiento del almacén de datos..................................................................................59
3.5 Almacenes de datos y minería de datos............................................................................................62

Capítulo 4 Limpieza y transformación..........................................................................................65

4.1 Introducción.......................................................................................................................................... 66
4.2 Integración y limpieza de datos..........................................................................................................67
4.2.1 Integración.............................................................................................................................................68
4.2.2 Reconocimiento.....................................................................................................................................69
4.2.3 Valores faltantes....................................................................................................................................74
4.2.4 Valores erróneos. Detección de valores anómalos...............................................................................76
4.3 Transformación de atributos. Creación de características...............................................................78
4.3.1 Reducción de dimensionalidad por transformación...........................................................................79
4.3.2 Aumento de la dimensionalidad por transformación o construcción................................................85
4.4 Discretización y numerización............................................................................................................89
4.4.1 Discretización........................................................................................................................................89
4.4.2 Numerización........................................................................................................................................92
4.5 Normalización de rango: escalado y centrado..................................................................................93
4.6 Otras transformaciones........................................................................................................................94

Capítulo 5 Exploración y selección.................................................................................97

5.1 Introducción. El contexto de la vista minable...................................................................................97
5.1.1 Reconocimiento del dominio y de los usuarios.................................................................................101
5.1.2 Reconocimiento y exploración de los datos.......................................................................................102
5.2 Exploración mediante visualización................................................................................................103
 5.2.1 Visualización multidimensional.........................................................................................................104
5.3 Sumarización, descripción, generalización y pivotamiento..........................................................107
5.3.1 Sumarización.......................................................................................................................................108
5.3.2 Generalización y descripción..............................................................................................................110
5.3.3 Pivotamiento.......................................................................................................................................111
5.4 Selección de datos...............................................................................................................................112
5.4.1 Técnicas de muestreo..........................................................................................................................112
5.4.2 Selección de características relevantes. Reducción de dimensionalidad..........................................117
5.4.3 Ejemplo de selección de atributos......................................................................................................124
5.5 Lenguajes, primitivas e interfaces de minería de datos.................................................................125
5.5.1 Lenguajes de consulta de minería de datos.......................................................................................126
5.5.2 Conjuntos de primitivas de minería de datos....................................................................................130
5.5.3 Interfaces visuales de minería de datos.............................................................................................131

PARTE III: TÉCNICAS DE MINERÍA DE DATOS

Capítulo 6 El problema de la extracción de patrones................................................................137
6.1 Introducción........................................................................................................................................ 137
6.2 Tareas y métodos................................................................................................................................ 139
6.2.1 Tareas...................................................................................................................................................139
6.2.2 Métodos. Correspondencia entre tareas y métodos..........................................................................146
6.3 Minería de datos y aprendizaje inductivo.......................................................................................148
6.3.1 Los patrones son hipótesis. Evaluación.............................................................................................150
6.3.2 Métodos retardados y anticipativos. Comprensibilidad..................................................................151
6.3.3 La eficiencia del aprendizaje...............................................................................................................152
6.4 El lenguaje de los patrones. Expresividad.......................................................................................154
6.4.1 ¿Qué expresividad es necesaria? Subajuste y sobreajuste................................................................155
6.4.2 Medidas de separabilidad..................................................................................................................157
6.4.3 Técnicas para aumentar la expresividad...........................................................................................159
6.5 Breve comparación de métodos........................................................................................................161

Capítulo 7 Modelización estadística paramétrica...........................................................165

Tomàs Aluja y Pedro Delicado
7.1 Concepto de modelización estadística.............................................................................................166
7.2 Modelo de regresión...........................................................................................................................167
7.2.1 Regresión lineal...................................................................................................................................168
7.2.2 Interpretación de los coeficientes.......................................................................................................172
7.2.3 Naturaleza del término de error y suposiciones sobre el mismo.....................................................174
7.2.4 Estimación de la varianza de la perturbación aleatoria....................................................................175
7.2.5 Significación de los regresores............................................................................................................175
7.2.6 Medidas de bondad del modelo de regresión...................................................................................177
7.2.7 Selección de las variables del modelo................................................................................................181
7.3 Modelos de regresión sobre componentes incorrelacionados......................................................183
7.3.1 Regresión sobre componentes principales.........................................................................................183
7.3.2 Regresión sobre componentes PLS....................................................................................................185
7.4 Modelos de regresión con variables categóricas.............................................................................185
7.5 Análisis de los residuos......................................................................................................................187
7.6 Ejemplo: aplicación a los datos SERVO...........................................................................................190
7.7 Modelos lineales generalizados........................................................................................................194
7.7.1 Inferencia. Desviación.........................................................................................................................195
 7.7.2 Pruebas de hipótesis basadas en diferencias de desviaciones..........................................................196
7.7.3 Regresión logística..............................................................................................................................196
7.7.4 Ejemplo. Análisis de los datos Wisconsin Diagnostic Breast Cancer....................................................198
7.8 Análisis discriminante........................................................................................................................203
7.8.1 Las tres probabilidades.......................................................................................................................204
7.8.2 Las funciones discriminantes.............................................................................................................205
7.8.3 Discriminación paramétrica...............................................................................................................205
7.8.4 Función discriminante de Fisher........................................................................................................208
7.8.5 Consideraciones sobre la calidad de la discriminación.....................................................................209
7.8.6 Ejemplo. Análisis de los datos Wisconsin Diagnostic Breast Cancer....................................................210
7.9 Sistemas, aplicabilidad y recomendaciones de uso........................................................................211

Capítulo 8 Modelización estadística no paramétrica......................................................213

Pedro Delicado y Tomàs Aluja
8.1 Introducción........................................................................................................................................ 213
8.2 Regresión no paramétrica..................................................................................................................215
8.2.1 Estimadores núcleo y ajuste local de polinomios..............................................................................216
8.2.2 Elección del parámetro de suavizado................................................................................................221
8.2.3 Regresión múltiple. Modelos aditivos...............................................................................................224
8.3 Discriminación no paramétrica.........................................................................................................229
8.4 Conclusiones, aplicabilidad y sistemas............................................................................................236

Capítulo 9 Reglas de asociación y dependencia.............................................................237

9.1 Introducción........................................................................................................................................ 237
9.2 Reglas de asociación...........................................................................................................................239
9.2.1 Mejoras y extensiones.........................................................................................................................242
9.3 Reglas de dependencias.....................................................................................................................243
9.3.1 Interés de dependencias......................................................................................................................246
9.3.2 Relación entre interés y correlación....................................................................................................247
9.4 Reglas de asociación multinivel........................................................................................................247
9.5 Reglas de asociación secuenciales....................................................................................................249
9.6 Aprendizaje de reglas de asociación con sistemas de minería de datos......................................252

Capítulo 10 Métodos bayesianos..................................................................................................257

#José A. Gámez Martín, Ismael García Varea y José M. Puerta Callejón
10.1 Introducción...................................................................................................................................... 257
10.2 Teorema de Bayes e hipótesis MAP................................................................................................259
10.3 Naïve Bayes....................................................................................................................................... 260
10.3.1 Estimación de los parámetros...........................................................................................................260
10.3.2 Ejemplos.............................................................................................................................................261
10.4 Redes bayesianas.............................................................................................................................. 263
10.5 Aprendizaje de redes bayesianas....................................................................................................266
10.5.1 Medidas bayesianas..........................................................................................................................266
10.5.2 Algoritmos de búsqueda...................................................................................................................268
10.5.3 Ejemplo: Redes bayesianas y minería de datos...............................................................................270
10.6 Clasificadores basados en redes bayesianas..................................................................................271
10.6.1 TAN....................................................................................................................................................271
10.6.2 BAN................................................................................................................................................... 273
10.6.3 Redes bayesianas como clasificadores.............................................................................................274
10.6.4 Ejemplos.............................................................................................................................................274
 10.7 Tratamiento de datos desconocidos...............................................................................................275
10.7.1 Algoritmo EM....................................................................................................................................276
10.8 Sistemas.............................................................................................................................................. 278

Capítulo 11 Árboles de decisión y sistemas de reglas....................................................281

11.1 Introducción...................................................................................................................................... 281
11.2 Sistemas por partición: árboles de decisión para clasificación...................................................283
11.2.1 Particiones posibles...........................................................................................................................284
11.2.2 Criterio de selección de particiones..................................................................................................286
11.3 Sistemas de aprendizaje de reglas por cobertura.........................................................................287
11.4 Poda y reestructuración...................................................................................................................290
11.5 Árboles de decisión para regresión, agrupamiento o estimación de probabilidades..............293
11.6 Aprendizaje de árboles de decisión híbridos................................................................................295
11.7 Adaptación para grandes volúmenes de datos.............................................................................295
11.8 Sistemas, aplicabilidad y recomendaciones de uso......................................................................297

Capítulo 12 Métodos relacionales y estructurales..........................................................301

12.1 Introducción...................................................................................................................................... 301
12.2 Programación lógica y bases de datos...........................................................................................304
12.3 Programación lógica inductiva.......................................................................................................306
12.3.1 -subsunción........................................................................................................................................308
12.3.2 Métodos top-down..............................................................................................................................309
12.3.3 Métodos bottom-up.............................................................................................................................310
12.3.4 Bias inductivos en ILP.......................................................................................................................310
12.3.5 ILP y recursividad.............................................................................................................................311
12.4 Programación lógica inductiva y minería de datos......................................................................312
12.4.1 Aproximación directa........................................................................................................................312
12.4.2 Aproximación mediante proposicionalización................................................................................315
12.4.3 Bases de datos inductivas.................................................................................................................316
12.5 Otros métodos relacionales y estructurales...................................................................................317
12.5.1 Aprendizaje basado en grafos..........................................................................................................317
12.5.2 Modelos probabilísticos relacionales................................................................................................320
12.5.3 Aproximaciones relacionales basadas en distancia.........................................................................320
12.5.4 Árboles de decisión relacionales.......................................................................................................322
12.5.5 Reglas de asociación relacionales.....................................................................................................323
12.5.6 Inducción de programas lógico-funcionales....................................................................................324
12.6 Sistemas.............................................................................................................................................. 325

Capítulo 13 Redes neuronales artificiales......................................................................327

#Emilio Corchado y Colin Fyfe
13.1 Introducción...................................................................................................................................... 327
13.1.1 Neuronas biológicas y artificiales.....................................................................................................328
13.2 El aprendizaje en las redes neuronales artificiales.......................................................................330
13.3 Aprendizaje supervisado en RNA..................................................................................................330
13.3.1 Perceptrón simple y Adaline............................................................................................................330
13.3.2 Perceptrón multicapa........................................................................................................................332
13.3.3 Algoritmo de retropropagación........................................................................................................333
13.3.4 Variaciones de la retropropagación y otros MLP generales............................................................336
13.3.5 Ejemplo..............................................................................................................................................337
13.3.6 Funciones de base radial...................................................................................................................339
13.3.7 Aplicaciones y ejemplo.....................................................................................................................341
 13.4 Aprendizaje no supervisado en RNA............................................................................................343
13.4.1 Aprendizaje de Hebb........................................................................................................................343
13.4.2 Aprendizaje competitivo...................................................................................................................346
13.4.3 Mapa de características o auto-organizados de Kohonen...............................................................347
13.5 Sistemas, aplicabilidad y recomendaciones de uso......................................................................351

Capítulo 14 Máquinas de vectores soporte....................................................................353

#Xavier Carreras, Lluís Màrquez y Enrique Romero
14.1 Introducción...................................................................................................................................... 353
14.1.1 Contenidos del capítulo....................................................................................................................356
14.2 Máquinas de vectores soporte para clasificación binaria............................................................356
14.2.1 SVM lineal con margen máximo......................................................................................................357
14.2.2 SVM con margen máximo en el espacio de características.............................................................361
14.2.3 SVM con margen blando (soft margin SVM)....................................................................................364
14.3 Justificación teórica...........................................................................................................................367
14.4 Aplicaciones de las máquinas de vectores soporte.......................................................................367
14.4.1 La doble espiral.................................................................................................................................368
14.4.2 Categorización de textos...................................................................................................................370
14.4.3 Bag-of-words.......................................................................................................................................372
14.4.4 String kernel........................................................................................................................................374
14.5 Extensiones y temas avanzados......................................................................................................375
14.6 Paquetes software y recomendaciones de uso................................................................................378
Anexo. Optimización con restricciones lineales...................................................................................381

Capítulo 15 Extracción de conocimiento con algoritmos evolutivos y reglas difusas.......383

#María José del Jesus, Pedro González y Francisco Herrera
15.1 Introducción...................................................................................................................................... 383
15.2 Computación evolutiva....................................................................................................................385
15.2.1 Algoritmos genéticos.........................................................................................................................387
15.2.2 Programación genética......................................................................................................................389
15.3 Algoritmos evolutivos para la extracción de conocimiento........................................................389
15.3.1 Algoritmos genéticos para el descubrimiento de reglas.................................................................390
15.3.2 Programación genética para el descubrimiento de reglas..............................................................397
15.3.3 Algoritmos evolutivos en otras etapas del proceso de extracción de conocimiento.....................399
15.4 Lógica difusa..................................................................................................................................... 403
15.5 Lógica difusa en minería de datos..................................................................................................405
15.5.1 Aplicaciones de la lógica difusa en minería de datos......................................................................405
15.5.2 Algoritmo para la generación de reglas difusas de Wang y Mendel..............................................407
15.6 Sistemas evolutivos difusos en minería de datos.........................................................................409
15.6.1 Algoritmos genéticos para el descubrimiento de reglas de asociación difusas.............................410
15.6.2 Programación genética para el descubrimiento de reglas de asociación difusas..........................412
15.7 Ejemplos............................................................................................................................................. 412
15.7.1 Algoritmo genético iterativo con codificación entera: reglas simples............................................412
15.7.2 Algoritmo genético iterativo con codificación binaria: reglas DNF................................................415
15.7.3 Experimentación...............................................................................................................................415
15.8 Sistemas software............................................................................................................................... 417
15.9 Conclusiones..................................................................................................................................... 418
Capítulo 16 Métodos basados en casos y en vecindad....................................................421
#Pedro Isasi
16.1 Introducción...................................................................................................................................... 421
16.1.1 Medidas de distancia........................................................................................................................422
16.1.2 Métodos retardados frente a no retardados.....................................................................................424
16.2 Técnicas para agrupamiento...........................................................................................................428
16.2.1 Mapas auto-organizativos de Kohonen...........................................................................................428
16.2.2 K medias............................................................................................................................................432
16.2.3 Agrupamiento jerárquico..................................................................................................................436
16.3 Técnicas para clasificación...............................................................................................................440
16.3.1 Estimación bayesiana de funciones de densidad............................................................................441
16.3.2 K vecinos............................................................................................................................................442
16.3.3 LVQ 446
16.4 Métodos de vecindad con técnicas evolutivas..............................................................................448
16.4.1 Clasificación por vecindad mediante algoritmos genéticos............................................................448
16.4.2 Algoritmos evolutivos de estimación de distribuciones.................................................................450
16.5 Otros métodos y aplicabilidad........................................................................................................455
16.5.1 Razonamiento basado en casos........................................................................................................455
16.5.2 Sistemas.............................................................................................................................................458

PARTE IV: EVALUACIÓN, DIFUSIÓN Y USO DE MODELOS

Capítulo 17 Técnicas de evaluación..............................................................................461
17.1 Introducción...................................................................................................................................... 461
17.2 Evaluación de clasificadores............................................................................................................462
17.2.1 Evaluación de hipótesis basada en precisión...................................................................................463
17.2.2 Evaluación de hipótesis basada en coste..........................................................................................467
17.3 Evaluación de modelos de regresión..............................................................................................476
17.4 Comparación de técnicas de aprendizaje......................................................................................477
17.5 Evaluación basada en complejidad de la hipótesis. El principio MDL......................................477
17.6 Evaluación de modelos de agrupamiento.....................................................................................480
17.7 Evaluación de reglas de asociación................................................................................................481
17.8 Otros criterios de evaluación...........................................................................................................482
17.8.1 Comprensibilidad.............................................................................................................................482
17.8.2 Interés.................................................................................................................................................483
17.8.3 Aplicabilidad.....................................................................................................................................483

Capítulo 18 Combinación de modelos.........................................................................................485

18.1 Introducción...................................................................................................................................... 485
18.2 Métodos de construcción de multiclasificadores..........................................................................487
18.2.1 Bagging...............................................................................................................................................488
18.2.2 Boosting...............................................................................................................................................489
18.2.3 Comparación de métodos.................................................................................................................491
18.2.4 Aprendizaje colaborativo (co-learning).............................................................................................491
18.3 Métodos de fusión............................................................................................................................ 492
18.3.1 Combinación bayesiana....................................................................................................................493
18.4 Métodos híbridos..............................................................................................................................494
18.4.1 Stacking...............................................................................................................................................495
18.4.2 Cascading............................................................................................................................................496
Capítulo 19 Interpretación, difusión y uso de modelos..................................................503
19.1 Introducción...................................................................................................................................... 503
19.2 Extracción de reglas comprensibles...............................................................................................504
19.3 Visualización posterior.....................................................................................................................506
19.4 Intercambio y difusión de modelos: estándares de representación...........................................510
19.5 Integración con la toma de decisiones...........................................................................................512
19.5.1 Integración de los costes...................................................................................................................514
19.5.2 Diseño de campañas.........................................................................................................................516
19.5.3 Simulación.........................................................................................................................................519
19.6 Actualización y revisión de modelos.............................................................................................520

PARTE V: MINERÍA DE DATOS COMPLEJOS

Capítulo 20 Minería de datos espaciales, temporales, secuenciales y multimedia............525
20.1 Introducción...................................................................................................................................... 525
20.2 Minería de datos espaciales.............................................................................................................526
20.2.1 Clasificación y regresión de datos espaciales...................................................................................529
20.2.2 Reglas de asociación de datos espaciales.........................................................................................530
20.2.3 Agrupamiento de datos espaciales...................................................................................................530
20.2.4 Detección de tendencias espaciales..................................................................................................531
20.3 Minería de datos temporales...........................................................................................................531
20.3.1 Análisis de tendencias.......................................................................................................................532
20.3.2 Análisis de movimientos estacionales..............................................................................................533
20.3.3 Búsqueda de similitudes en series temporales................................................................................535
20.4 Extracción de patrones secuenciales..............................................................................................536
20.4.1 Clasificación con datos secuenciales.................................................................................................536
20.4.2 Agrupamiento de patrones secuenciales.........................................................................................538
20.4.3 Reglas de asociación con datos secuenciales...................................................................................538
20.5 Minería de datos multimedia..........................................................................................................539
20.5.1 Descubrimiento de similitud de datos multimedia.........................................................................541
20.5.2 Aprendizaje supervisado desde datos multimedia.........................................................................541
20.5.3 Reglas de asociación en datos multimedia......................................................................................542

Capítulo 21 Minería de web y textos............................................................................. 545

21.1 Introducción...................................................................................................................................... 545
21.2 Minería web....................................................................................................................................... 548
21.2.1 El proceso de minería web................................................................................................................548
21.2.2 Disciplinas relacionadas....................................................................................................................549
21.2.3 Clasificación de la minería web........................................................................................................550
21.3 Minería del contenido de la web.....................................................................................................551
21.3.1 Minería de textos...............................................................................................................................552
21.3.2 Clasificador de textos por palabras..................................................................................................554
21.3.3 Reglas de asociación para conceptos................................................................................................556
21.3.4 Minería de marcado..........................................................................................................................557
21.3.5 Minería de hipertextos......................................................................................................................559
21.4 Minería de la estructura de la web.................................................................................................560
21.5 Minería de uso web..........................................................................................................................563
21.5.1 Aprendizaje de patrones de navegación..........................................................................................563
21.5.2 Personalización y sistemas de recomendación................................................................................566
21.6 Sistemas de minería de web y textos..............................................................................................568
PARTE VI: IMPLANTACIÓN E IMPACTO DE LA MINERÍA DE DATOS
Capítulo 22 Implantación de un programa de minería de datos.....................................573
22.1 Introducción...................................................................................................................................... 573
22.1.1 Claves del éxito de un programa de minería de datos....................................................................574
22.2 ¿Cuándo empezar? Necesidades y objetivos de negocio............................................................575
22.2.1 ¿Subcontratar? Grados de autosuficiencia de un programa de minería de datos.........................578
22.3 Formulación del programa: fases e implantación........................................................................580
22.3.1 El modelo y guía de referencia CRISP-DM......................................................................................581
22.3.2 Implantación progresiva. Ciclo de vida en espiral..........................................................................585
22.4 Integración con las herramientas y proyectos de la organización..............................................586
22.4.1 Integración con las entradas.............................................................................................................586
22.4.2 Integración con las salidas................................................................................................................588
22.5 Recursos necesarios..........................................................................................................................590
22.5.1 Material necesario.............................................................................................................................590
22.5.2 Personal necesario y formación........................................................................................................592

Capítulo 23 Repercusiones y retos de la minería de datos..............................................597

23.1 Impacto social de la minería de datos............................................................................................597
23.2 Cuestiones éticas y legales...............................................................................................................599
23.2.1 Privacidad..........................................................................................................................................599
23.2.2 Modelos. Errores y discriminación...................................................................................................600
23.3 Escalabilidad. Minería de datos distribuida..................................................................................601
23.3.1 Minería de datos distribuida............................................................................................................603
23.4 Tendencias futuras............................................................................................................................605

APÉNDICES
Apéndice [A] Sistemas y herramientas de minería de datos....................................................609
# Vicent Estruch Gregori
Librerías..................................................................................................................................................... 609
Suites........................................................................................................................................................... 611
Herramientas específicas.........................................................................................................................621

Apéndice [B] Datos de ejemplo......................................................................................................625

Tabla resumen........................................................................................................................................... 627

Referencias bibliográficas...............................................................................................................629
Índice analítico..................................................................................................................................651