Mostrar el registro sencillo del ítem

Prototipo computacional para identificar patrones de comportamiento de usuarios de servicio a domicilio aplicando minería de datos

dc.contributor.advisorHernández Cáceres, Javierspa
dc.contributor.authorMejía Orozco, William Albertospa
dc.date.accessioned2020-06-26T21:34:53Z
dc.date.available2020-06-26T21:34:53Z
dc.date.issued2011
dc.identifier.citationALCALÁ-FDEZ J.; L. SÁNCHEZ; S. GARCÍA; M. J. DEL JESUS; S. VENTURA; J.M. GARRELL; J. OTERO; C. ROMERO; J. BACARDIT; V. M. RIVAS; J. C. FERNÁNDEZ; F. HERRERA. KEEL: A Software Tool to Assess Evolutionary Algorithms to Data Mining Problems. Disponible en: <http://www.springerlink.com/content/0k31383238325774/fulltext.pdf>
dc.identifier.citationAMO VILLAR José Manuel; GOMEZ FRAILE José Manuel. Reglas de Asociación. Disponible en: <http://www.infor.uva.es/~calonso/IAII/TrabajoAlumnos/REGLAS%20DE%20ASOCIACI%C3%93N.ppt>
dc.identifier.citationARTHUR, David; VASSILVITSKII, Sergei. The Advantages of Careful Seeding, Stanford University. Disponible en: <http://www.stanford.edu/~darthur/kMeansPlusPlus.pdf>
dc.identifier.citationGRANÉ Aurea. Análisis de Componentes Principales, Departamento de Estadística, Universidad Carlos III de Madrid. Disponible en: <http://halweb.uc3m.es/esp/Personal/personas/agrane/ficheros_docencia/MULTIVARIANT/slides_comp_reducido.pdf>
dc.identifier.citationHERNANDEZ O., José; RAMIREZ Q., Ma José y FERRI R., César. Introducción a la Minería de Datos. Madrid : Pearson Prentice Hall, 2004. 680 p.
dc.identifier.citationIBM. IBM SPSS Statistics. Disponible en: <http://www-01.ibm.com/software/analytics/spss/products/statistics>
dc.identifier.citationJIMENEZ R., Claudia; RICO H., Martin y VILLA G., Fernan. Metamodelo de una Bodega de Datos para el Descubrimiento de Conocimiento. En: I Congreso Internacional de Gestión Tecnológica e Innovación (5: 2008 : Santafé de Bogotá). Ponencia 5 Villa Fernán. Disponible en: <http://www.ing.unal.edu.co/eventos/gestec_innovacion/img/presentaciones/auditorio2/5_villafernan.pdf>
dc.identifier.citationKNIME. Products and Support. Disponible en: <http://knime.org/productsupport>
dc.identifier.citationKXEN. KXEN Products. Disponible en: <http://www.kxen.com/Products/>
dc.identifier.citationLEVIT, Daiana. Los Actuarios y su rol en la minería de datos. En: Revista de Actuaría. Octubre, 2009. Disponible en: <http://www.revista-actuario.com/Publicaciones/Oct09/030.pdf>
dc.identifier.citationMONOGRAFIAS.COM. Minería de datos [en línea]. <http://www.monografias.com/trabajos56/mineria-de-datos-venezuela/mineria-de-datos-venezuela.shtml> [citado en 28 de Noviembre de 2009]
dc.identifier.citationMORENO G., María et al. Aplicación de Técnicas de Minería de Datos en la Construcción y Validación de Modelos Predictivos y Asociativos a partir de Especificaciones de Requisitos de Software. Disponible en: <http://sunsite.informatik.rwth-aachen.de/Publications/CEUR-WS//Vol-84/paper4.pdf>
dc.identifier.citationMySQL. 5.0 Reference Manual. Disponible en: <http://downloads.mysql.com/docs/refman-5.0-es.a4.pdf>
dc.identifier.citationORANGE. Catalog of widgets. Disponible en: <http://orange.biolab.si/doc/catalog>
dc.identifier.citationQuiterian. Quiterian Dynamic Data Web, The Product. Disponible en: <http://www.quiterian.com/site/download.php?pdf=118>
dc.identifier.citationRapid-i. Rapid Miner, Report the Future. Disponible en: <http://rapid-i.com/content/view/181/196/>
dc.identifier.citationS. B. Ferrero; M. G. Palacio; O. R. Campanella. Análisis de Componentes Principales en Teledetección. Consideraciones estadísticas para optimizar su interpretación. En: Revista de Teledetección, 2002. Disponible en: <http://www.aet.org.es/revistas/revista17/AET17-05.pdf>
dc.identifier.citationR PROJECT. What is R?. Disponible en: <www.r-project.org>
dc.identifier.citationSAS. SAS Enterprise Miner Overview. Disponible en: <http://www.sas.com/technologies/analytics/datamining/miner>
dc.identifier.citationSTATSOFT. STATISTICA Data Mining, Text Mining and Predictive Analytics Software. Disponible en. <http://www.statsoft.com/products/data-mining-solutions/>
dc.identifier.citationSILBERSCHATZ, Avi; KORTH, Hank y SUDARSHAN, S. Fundamentos de Diseño de Bases de Datos. 5 ed. India: Mc Graw Hill, 2007. 540 p.
dc.identifier.citationUNIVERSIDAD NACIONAL DE COLOMBIA. Mapeo del Diagrama E-R [en línea]. <http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060029/lecciones/cap2-6.html>
dc.identifier.citationUNIVERSIDAD NACIONAL DEL NORDESTE. Minería de Datos [en línea]. <http://exa.unne.edu.ar/depar/areas/informatica/SistemasOperativos/Mineria_Datos_Vallejos.pdf> [citado en 28 de Noviembre de 2009]
dc.identifier.citationUNIVERSITY OF WAIKATO. WEKA. Disponible en: <http://www.cs.waikato.ac.nz/ml/weka/index.html>
dc.identifier.citationVICENTE VILLARDÓN José Luis. Introducción al Análisis de Cluster, Departamento de Estadística, Universidad de Salamanca. Disponible en: <http://biplot.usal.es/ALUMNOS/CIENCIAS/2ESTADISTICA/MULTIVAR/cluster.pdf>
dc.identifier.citationWIKIPEDIA. Minería de datos [en línea]. <http://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos> [citado en 28 de Noviembre de 2009]
dc.identifier.urihttp://hdl.handle.net/20.500.12749/3465
dc.description.abstractTrabajo acerca de la realización de un prototipo de software programado en lenguaje PHP y con el uso adicional de los lenguajes XHTML y CSS, para la identificación de patrones de comportamiento de usuarios de servicio a domicilio, contemplando el uso de la técnica de análisis de componentes principales para reducir el número de productos a analizar y la utilización de las técnicas de clusterización de Vecinos Lejanos y la de K-medias para detectar la afinidad de clientes con determinados productos, así como también se usa el algoritmo Apriori para predecir patrones interesantes de compras, es decir, aquellos en que se determine cuando un producto implique la compra de otro u otros productos.spa
dc.description.sponsorshipUniversitat Oberta de Catalunya UOCspa
dc.description.tableofcontentsINTRODUCCIÓN 26 1. OBJETIVOS 29 1.1 OBJETIVO GENERAL 29 1.2 OBJETIVOS E SPECIFICOS 29 2. ESTADO DEL ARTE 30 3. DISEÑO METODOLOGICO PARA EL PROTOTIPO DE SISTEMA 34 3.1 INVESTIGACIÓN SOBRE ALMACÉN DE DATOS A IMPLEMENTAR 34 3.2 INVESTIGACIÓN SOBRE LAS TÉCNICAS DE MINERÍA DE DATOS 34 3.3 DETERMINACIÓN DE REQUERIMIENTOS D E ALMACENAMIENTO 34 3.4 DISEÑO DE LA BASE DE DATOS RELACIONAL 35 3.5 DISEÑO DEL ALMACÉN DE DATOS 35 3.6 IMPLEMENTACIÓN DEL ALMACÉN DE DATOS 35 3.7 INVESTIGACIÓN SOBRE ASPECTOS VISUALES DEL PROTOTIPO 35 3.8 DETERMINACIÓN DE REQUERIMIENTOS DE ENTRA DA DE DATOS O SALIDA DE INFORMACIÓN 35 3.9 DEFINICIÓN E IMPLEMENTACIÓN DE ASPECTOS VISUALES DEL PROTOTIPO 36 3.10 DESARROLLO MÓDULO PARA IMPORTACIÓN DE ARCHIVOS A LA BASE DE DATOS 36 3.11 DESARROLLO MÓDULO PARA INGRESO DE INFORMACIÓN A LA BASE DE D ATOS 36 3.12 DESARROLLO MÓDULO PARA LA TÉCNICA DE ANÁLISIS DE COMPONENTES PRINCIPALES 37 3.13 DESARROLLO PRIMER MÓDULO PARA ANÁLISIS DE CLUSTERS 37 3.14 DESARROLLO SEGUNDO MÓDULO PARA ANÁLISIS DE CLUSTERS 37 3.15 DESARROLLO MÓDULO PARA APLICACIÓN D E LA TÉCNICA DE REGLAS DE ASOCIACIÓN 38 3.16 INTEGRACIÓN DE MÓDULOS 38 4. ARQUITECTURA Y DISEÑO DEL PROTOTIPO 39 5. ANALISIS 40 5.1 MODELO FUNCIONAL 40 5.1.1 Detectar afinidad de clientes con determinados productos 40 5.1.2 Predecir patrones in teresantes de compras 41 6. DISEÑO 42 6.1 DISEÑO DE LA BASE DE DATOS 42 6.1.1 Modelo entidad relación 42 6.1.1.1 Identificación de entidades 42 6.1.1.2 Identificación de atributos 43 6.1.1.3 Identificación de relaciones 45 6.1.1.4 Identificac ión de cardinalidades 46 6.1.1.5 Diagrama Entidad Relación 48 6.1.2 Modelo relacional 49 6.1.2.1 Mapeo 49 6.1.2.2 Diagrama de esquema del modelo relacional de la base de datos 50 6.1.3 Almacén de datos 50 6.1.3.1 Tabla de hechos 50 6.1.3.2 Tablas copo de nieve 51 6.1.3.3 Tablas estrella 54 6.1.3.4 Esquema de Almacén de datos 55 6.1.4 Dominio de valores asociado a cada atributo 56 6.1.4.1 Dominios para la tabla de hechos 56 6.1.4.2 Dominios para la dimensión LUGAR 56 6.1.4.3 Domini os para la dimensión TIEMPO 57 6.1.4.4 Dominios para la dimensión ITEM 57 6.1.4.5 Dominios para la dimensión PEDIDO 58 6.2 DOCUMENTACIÓN DE LOS CASOS DE USO 60 6.2.1 Caso “Registrar Productos” 60 6.2.2 Caso “Registrar Barrios” 61 6.2.3 Caso “Re gistrar Clientes” 62 6.2.4 Caso “Importar Datos Importar de hoja de Cálculo de Excel” 63 7. CONSTRUCCIÓN 68 7.1 HERRAMIENTAS DE DESARROLLO 68 7.2 CREACIÓN DE TABLAS DE LA BASE DE DATOS Y DEFINICIÓN DE REGLAS PARA GARANTIZAR INTEGRIDAD REFERENCIA L 68 7.2.1 Creación de las tablas de la dimensión TIEMPO 68 7.2.1.1 Creación de la tabla DIA 69 7.2.1.2 Creación de la tabla FECHA 69 7.2.1.3 Creación de la tabla estrella TIEMPO 69 7.2.2 Creación de las tablas de la dimensión ITEM 69 7.2.2.1 Creac ión de la tabla PRODUCTO 70 7.2.2.2 Creación de la tabla CONTIENE_PROD 70 7.2.2.3 Creación de la tabla PROD_PROM 70 7.2.2.4 Creación de la tabla ITEM_PEDIDO 71 7.2.2.5 Creación de la tabla estrella ITEM 71 7.2.3 Creación de las tablas de la dimensión LUGAR 72 7.2.3.1 Creación de la tabla BARRIO_NOM 72 7.2.3.2 Creación de la tabla COSTO_ADIC 72 7.2.3.3 Creación de la tabla BARRIO 72 7.2.3.4 Creación de la tabla estrella LUGAR 73 7.2.4 Creación de las tablas de la dimensión PEDIDO 73 7.2.4.1 Crea ción de la tabla PAIS 73 7.2.4.2 Creación de la tabla CIUDAD 73 7.2.4.3 Creación de la tabla REG_EMPR 74 7.2.4.4 Creación de la tabla EMPRESA 74 7.2.4.5 Creación de la tabla CLI_DOMIC 75 7.2.4.6 Creación de la tabla PEDIDO 75 7.2.4.7 Creación de la t abla estrella PEDIDO_DIM 75 7.2.5 Creación de la tabla de hechos 76 8. DESCRIPCIÓN DE PANTALLAS CONSTRUIDAS 77 8.1 PANTALLAS PARTE EXTERIOR 77 8.1.1 Pantalla de Bienvenida 77 8.1.1.1 Encabezado 77 8.1.1.2 Contenido 78 8.1.1.3 Pie de página 78 8.1.1.4 Hipervínculos 78 8.1.2 Pantalla Registrarse 79 8.1.2.1 Encabezado 80 8.1.2.3 Pie de página 80 8.1.2.4 Hipervínculos 81 8.1.3 Pantalla Entrar para iniciar sesión 81 8.1.3.1 Encabezado 81 8.1.3.2 Contenido 81 8.1.3.3 Pie de página 82 8.1.3.4 Hipervínculos 82 8.1.4 Pantalla Políticas de Privacidad 82 8.1.4.1 Encabezado 82 8.1.4.2 Contenido 82 8.1.4.3 Pie de página 83 8.1.4.4 Hipervínculos 83 8.1.5 Pantalla Cómo Funciona 83 8.1.5.1 Encabezado 83 8.1.5.2 Contenido 83 8.1.5.3 Pie de página 83 8.1.5.4 Hipervínculos 83 8.1.6 Pantalla Sobre Nosotros 84 8.1.6.1 Encabezado 84 8.1.6.2 Contenido 84 8.1.6.3 Pie de página 84 8.1.6.4 Hipervínculos 84 8.1.7 Pantalla Contáctenos 84 8.1.7.1 Encabezado 85 8.1.7.2 Contenido 85 8.1.7.3 Pie de página 86 8.1.7.4 Hipervínculos 86 8.2 PANTALLAS PARTE INTERIOR 86 8.2.1 Pantalla de Bienvenida 86 8.2.1.1 Encabezado 86 8.2.1.2 Contenido 87 8.2.1.3 Hipervínculos 87 8.2.1.4 Botones 91 8.2.2 Pantalla Registrar Pedidos 92 8.2.2.1 Encabezado 92 8.2.2.2 Contenido 93 8.2.2.3 Hipervínculos 93 8.2.3 Pantalla Importar Datos 93 8.2.3.1 Encabezado 94 8.2.3.2 Contenido 94 8.2.3.3 Hipervínculos 94 8.2.3.4 Botones 94 8.2.4 Pantalla Detectar Patrones 95 8 .2.4.1 Encabezado 95 8.2.4.2 Contenido 95 8.2.4.3 Hipervínculos 95 8.2.4.4 Botones 96 8.3 PANTALLAS DE PROCESOS 96 8.3.1 Pantallas procesos Registrar Productos 96 8.3.1.1 Pantalla Ingresar Información del Producto 96 8.3.1.2 Pantalla informa tiva de producto existente 100 8.3.1.3 Pantalla para confirmar información del producto a registrar 101 8.3.1.4 Pantalla informativa de producto registrado 101 8.3.2 Pantallas procesos Registrar Promociones 102 8.3.2.1 Pantalla Registrar Promociones 102 8.3.2.2 Pantalla Información de Promoción Registrada. 110 8.3.3 Pantallas procesos Registrar Barrios 111 8.3.3.1 Pantalla Ingresar Información del Barrio 111 8.3.3.2 Pantalla informativa de barrio existente 114 8.3.3.3 Pantalla para confirm ar información del barrio a registrar 115 8.3.3.4 Pantalla informativa de barrio registrado 116 8.3.4 Pantallas procesos Registrar Clientes 116 8.3.4.1 Pantalla Ingresar Información del Cliente 117 8.3.4.2 Pantalla informativa de cliente existente 126 8.3.4.3 Pantalla para confirmar información del barrio a registrar 126 8.3.4.4 Pantalla informativa de barrio registrado 127 8.3.5 Pantallas procesos Registrar Pedidos 127 8.3.5.1 Pantalla Registrar Pedidos 128 8.3.5.2 Pantalla Información d e Pedido Registrado 134 8.3.6 Pantallas procesos Importar Hoja de Cálculo de Excel 134 8.3.6.1 Pantalla Elegir archivo de excel a importar 134 8.3.6.2 Pantalla Informativa de Archivo de Excel Importado 136 8.3.6.3 Pantalla Informativa de registr o de información Importada 137 8.3.7 Pantallas procesos Importar Archivo de Texto 138 8.3.7.1 Pantalla Elegir archivo de texto a importar 138 8.3.7.2 Pantalla Informativa de Archivo de Texto Importado 140 8.3.7.3 Pantalla Informativa de registr o de información Importada 141 8.3.8 Pantallas procesos Detectar Afinidad con Productos. 141 8.3.8.1 Pantalla Detección de Afinidades. 142 8.3.8.2 Pantalla Informativa de detección de afinidades finalizada. 144 8.3.9 Pantallas procesos Detectar Pa trones de Compras 145 8.3.9.1 Pantalla Cálculo de Patrones 145 8.3.9.2 Pantalla Informativa de cálculo de patrones finalizado 148 9. INFORME DE EVALUACIÓN 149 9.1 EVALUACIÓN OPCIÓN DETECTAR AFINIDAD CON PRODUCTOS 149 9.1.1 Evaluación módulo de Análisis de Componentes Principales (ACP) 149 9.1.1.1 Datos de Prueba para evaluar módulo de ACP 149 9.1.1.2 Procesamiento de los datos de prueba 150 9.1.1.3 Evaluación del módulo ACP construido 150 9.1.2 Evaluación módulo de Análisis de Clusters 1 54 9.1.2.1 Datos de Prueba para evaluar módulo de Análisis de Clusters 154 9.1.2.2 Procesamiento de los datos de prueba 154 9.1.2.3 Evaluación del módulo de Análisis de Clusters construido 154 9.1.3 Evaluación módulos ACP y Análisis de Cluster inte grados 160 9.1.3.1 Datos de Prueba para evaluar módulos ACP y Análisis de Cluster integrados 160 9.1.3.2 Procesamiento de los datos de prueba 160 9.1.3.3 Evaluación de los módulos ACP y Análisis de Cluster integrados 160 9.1.4 Evaluación de la mine ria de datos realizada 164 9.1.4.1 Información de origen 164 9.1.4.2 Tabla de transacciones 164 9.1.4.3 Resultados obtenidos para afinidades 165 9.1.4.4 Análisis de los resultados obtenidos del proceso de minería de datos para el cálculo de afin idades. 167 9.2 EVALUACIÓN OPCIÓN DETECTAR PATRONES DE COMPRAS 170 9.2.1 Datos de prueba para evaluar opción Detectar Patrones de Compras 170 9.2.1.1 Tabla de transacciones 170 9.2.1.2 Tabla de transacciones modificada 171 9.2.1.3 Nombres de atri butos 172 9.2.1.4 Datos de entrada para el programa Weka 173 9.2.2 Procesamiento de los datos de prueba 174 9.2.3 Evaluación del módulo de detección de patrones construido 175 9.2.3.1 Evaluación con soporte mínimo 14 175 9.2.3.2 Evaluación con so porte mínimo 13 176 9.2.4 Evaluación de la minería de datos realizada considerando todos los productos 178 9.2.4.1 Información de origen. 178 9.2.4.2 Tabla de transacciones. 178 9.2.4.3 Resultados obtenidos para patrones. 179 9.2.4.4 Análisis de los resultados obtenidos del proceso de minería de datos para el cálculo de patrones. 180 9.2.5 Evaluación de la minería de datos realizada descartando los productos del mismo tipo 184 9.2.5.1 Información de origen. 184 9.2.5.2 Tabla de transaccion es. 186 9.2.5.3 Resultados obtenidos para patrones. 188 9.2.5.4 Análisis de los resultados obtenidos del proceso de minería de datos para el cálculo de patrones. 190 9.3 EVALUACIÓN GENERAL POR PARTE DE EXPERTOS 193 9.3.1 Primera Evaluación del Pro totipo 193 9.3.1.1 Evaluador y fecha de evaluación 193 9.3.1.2 Aspectos a evaluar 193 9.3.1.3 Acta de evaluación 194 9.3.1.4 Perfil del evaluador 197 9.3.2 Segunda Evaluación del Prototipo 197 9.3.2.1 Evaluador y fecha de evaluación 197 9.3.2. 2 Aspectos a evaluar 197 9.3.2.3 Validación opción Detección de Afinidades 197 9.3.2.4 Validación opción Detección de Patrones 198 9.3.2.5 Sugerencias 198 9.3.2.6 Perfil del evaluador 198 CONCLUSIONES 200 RECOMENDACIONES 201 REFERENCIAS BIBL IOGRAFICAS 202 ANEXOS 205spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titlePrototipo computacional para identificar patrones de comportamiento de usuarios de servicio a domicilio aplicando minería de datosspa
dc.title.translatedComputational prototype to identify behavior patterns of home service users applying data miningeng
dc.degree.nameMagíster en Software Librespa
dc.coverageBucaramanga (Colombia)spa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.programMaestría en Software Librespa
dc.description.degreelevelMaestríaspa
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.localTesisspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.subject.keywordsProgramming languageseng
dc.subject.keywordsDigital electric computerseng
dc.subject.keywordsSystems engineeringeng
dc.subject.keywordsData miningeng
dc.subject.keywordsObject oriented databaseseng
dc.subject.keywordsResearcheng
dc.subject.keywordsAffinitieseng
dc.subject.keywordsComponentseng
dc.subject.keywordsTransactionseng
dc.subject.keywordsPatternseng
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.relation.referencesMejía Orozco, William Alberto (2011). Prototipo computacional para identificar patrones de comportamiento de usuarios de servicio a domicilio aplicando minería de datos. Bucaramanga (Colombia) : Universidad Autónoma de Bucaramanga UNAB, Universitat Oberta de Catalunya UOCspa
dc.subject.lembLenguajes de programaciónspa
dc.subject.lembComputadores eléctricos digitalesspa
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembMinería de datosspa
dc.subject.lembBases de datos orientada a objetosspa
dc.subject.lembInvestigacionesspa
dc.description.abstractenglishWork on the realization of a software prototype programmed in PHP language and with the additional use of XHTML and CSS languages, for the identification of behavior patterns of home service users, contemplating the use of the component analysis technique The main ones to reduce the number of products to analyze and the use of Far Neighbors and K-means clustering techniques to detect the affinity of customers with certain products, as well as the Apriori algorithm to predict interesting shopping patterns , that is, those in which it is determined when a product implies the purchase of another or other products.eng
dc.subject.proposalAfinidadesspa
dc.subject.proposalComponentesspa
dc.subject.proposalTransaccionesspa
dc.subject.proposalEigenspa
dc.subject.proposalClustersspa
dc.subject.proposalPatronesspa
dc.subject.proposalA priorispa
dc.type.redcolhttp://purl.org/redcol/resource_type/TM
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.description.learningmodalityModalidad Presencialspa


Ficheros en el ítem

Thumbnail
Nombre:
2011_Tesis_William_Alberto_Mej ...
Tamaño:
9.674Mb
Formato:
PDF
Descripción:
Tesis
Ver/
Thumbnail
Nombre:
2011_Articulo_William_Alberto_ ...
Tamaño:
736.9Kb
Formato:
PDF
Descripción:
Artículo
Ver/
Thumbnail
Nombre:
2011_Anexos_William_Alberto_Me ...
Tamaño:
4.413Mb
Formato:
Desconocido
Descripción:
Anexos
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución-NoComercial-SinDerivadas 2.5 Colombia