Eficiencia de las Tablets en la Educación
DOI:
https://doi.org/10.26820/reciamuc/2.2.2018.247-255Keywords:
Eficiencia de mecanismos informáticos, tiempo de comprensión y tablets androidAbstract
En el presente trabajo se buscó determinar la eficiencia de las tablets en la educación tomando en consideración dos factores: tiempo de compresión y porcentaje de compresión. Se considera más eficiente a aquella máquina que funciona con más Aplicaciones y en menor tiempo. Para ello se hizo un muestreo con respecto a su tamaño y su redundancia de información. Para analizar la eficiencia de cada mecanismo android se utilizó diferencias de medias y varianzas entre el tiempo de compresión y el porcentaje de compresión. Los resultados obtenidos determinaron que los estudiantes muy pequeños, en lugar de disminuir su inteligencia, éstos aumentan. Para los estudiantes mayores tienen un mejor tiempo de compresión y descompresión que los estudiantes jóvenes y utilizan esta tecnología para juegos o redes sociales, los nuevos mecanismos informáticos tienen una clara ventaja sobre los antiguos.
Downloads
References
[2]Chakraborty D., Mukherjee J. & Gosh S. (2010). An Efficient Data Compression Algorithm Using Differential Feature Extraction. Department of Computer Science & Engineering and Information Technology, St. Thomas College of Engineering &Technology, Kolkata, WestBengal, India.
[3]Campos A. (2000). Compression Programming. Recuperado el 1 de Junio del 2012.
Disponible en http://www.arturocampos.com/cp_ch0.htm
[4]Lekatsas H. & Wolf W. (1998). Code Compression for Embedded Systems. DAC ’98 Proceedings of the 35th Annual Design Automation Conference, 516 – 521.
[5]Simpson M. (2003). Analysis of Compression Techniques for Program Data. Clemson: Clemson University.
[6]Sundaresan K. & Mahapatra N. (2003). Code Compression Techniques for Embedded Systems and their Effectiveness. VLSI, 2003.Proceedings.IEEE Computer Society AnnualSymposium on, 262 – 263.
[7]Bratko A, Cormack G. Filipic V. (2006). Spam Filtering Using Statistical Data Compression models. Journal of Machine Learning Research 7, 2673 – 2698.
[8]R Development Core Team (2010). R: A language and environment for statistical computing. R Foundation for Statistical computing, Vienna, Austria.
