Modelos Estadísticos de Crimen
|
|
- Guillermo Jiménez Ponce
- hace 7 años
- Vistas:
Transcripción
1 Universidad de los Andes Modelos Estadísticos de Crimen 27 de Mayo de 2015
2 Motivacion Conocer la densidad de probabilidad del crimen sobre una ciudad, a distintas horas del día, permite Modelos Estadísticos de Crimen 2 of 32
3 Motivacion Conocer la densidad de probabilidad del crimen sobre una ciudad, a distintas horas del día, permite Establecer el efecto de la presencia de estaciones de policía y patrullajes Modelos Estadísticos de Crimen 2 of 32
4 Motivacion Conocer la densidad de probabilidad del crimen sobre una ciudad, a distintas horas del día, permite Establecer el efecto de la presencia de estaciones de policía y patrullajes Determinar factores de la geografia que incrementan o disminuyen la intensidad de crimen Modelos Estadísticos de Crimen 2 of 32
5 Motivacion Conocer la densidad de probabilidad del crimen sobre una ciudad, a distintas horas del día, permite Establecer el efecto de la presencia de estaciones de policía y patrullajes Determinar factores de la geografia que incrementan o disminuyen la intensidad de crimen Determinar los hotspots y su movimiento a lo largo del día Modelos Estadísticos de Crimen 2 of 32
6 Motivacion Conocer la densidad de probabilidad del crimen sobre una ciudad, a distintas horas del día, permite Establecer el efecto de la presencia de estaciones de policía y patrullajes Determinar factores de la geografia que incrementan o disminuyen la intensidad de crimen Determinar los hotspots y su movimiento a lo largo del día Diseñar patrullajes óptimos Modelos Estadísticos de Crimen 2 of 32
7 Motivacion Estimar la densidad del crimen a partir de los datos es un reto por La alta dimensionalidad de los datos El tamaño de la base Modelos Estadísticos de Crimen 3 of 32
8 Procesos Puntuales de Poisson Un proceso puntual de Poisson, con función de intensidad µ, es un proceso por el que un conjunto de puntos son generados aleatoriamente en R n Para un conjunto S R n defina N S como el número de puntos que caen en S Entonces, un proceso de Poisson debe satisfacer 1 Si A B = entonces N A y N B son independientes 2 El número de puntos que cae en S está dado por una distribución de Poisson con intensidad µ(a) Pr (N A = n) = µ(a)n e µ(a) n! (1) Modelos Estadísticos de Crimen 4 of 32
9 Procesos Puntuales de Poisson Los PPP son usados para simular fenómenos como Modelos Estadísticos de Crimen 5 of 32
10 Procesos Puntuales de Poisson Los PPP son usados para simular fenómenos como Llegada de autobuses Modelos Estadísticos de Crimen 5 of 32
11 Procesos Puntuales de Poisson Los PPP son usados para simular fenómenos como Llegada de autobuses Ocurrencia de terremotos Modelos Estadísticos de Crimen 5 of 32
12 Procesos Puntuales de Poisson Los PPP son usados para simular fenómenos como Llegada de autobuses Ocurrencia de terremotos Ubicación de asentamientos humanos Modelos Estadísticos de Crimen 5 of 32
13 Procesos Puntuales de Poisson Los PPP son usados para simular fenómenos como Llegada de autobuses Ocurrencia de terremotos Ubicación de asentamientos humanos Posición de las estrellas Modelos Estadísticos de Crimen 5 of 32
14 Procesos Puntuales de Poisson Sus ventajas radican es que es un buen equilibrio entre complejidad y facilidad de estimación, pero no es completamente adecuado para simular ocurrencia de crímenes La intensidad del crimen cambia y se desplaza a lo largo del tiempo Los crímenes no son independientes, sino que crimen llama más crimen ( efecto de las ventanas rotas ) Modelos Estadísticos de Crimen 6 of 32
15 Estimación de un PPP Dada una realización de un PPP, como la ocurrencia de hurtos en Bogotá durante el 2013, es posible estimar la intensidad del proceso Modelos Estadísticos de Crimen 7 of 32
16 Estimación de un PPP Dada una realización de un PPP, como la ocurrencia de hurtos en Bogotá durante el 2013, es posible estimar la intensidad del proceso Este proceso vive en R 3, donde las dimensiones son: Latitud, Longitud y Tiempo Modelos Estadísticos de Crimen 7 of 32
17 Estimación de un PPP Dada una realización de un PPP, como la ocurrencia de hurtos en Bogotá durante el 2013, es posible estimar la intensidad del proceso Este proceso vive en R 3, donde las dimensiones son: Latitud, Longitud y Tiempo No se encontró un paquete en R capaz de hacer la estimación en más de una dimensión y que usara algún algoritmo de aprendizaje Modelos Estadísticos de Crimen 7 of 32
18 Estimación de un PPP Dada una realización de un PPP, como la ocurrencia de hurtos en Bogotá durante el 2013, es posible estimar la intensidad del proceso Este proceso vive en R 3, donde las dimensiones son: Latitud, Longitud y Tiempo No se encontró un paquete en R capaz de hacer la estimación en más de una dimensión y que usara algún algoritmo de aprendizaje Se aproximará la intensidad usando estimación de densidades por Kernel, donde los parámetros óptimos del ancho de banda se encontrarán usando máxima verosimilitud Modelos Estadísticos de Crimen 7 of 32
19 Estimación por Kernels Suponemos que la intensidad µ es una medida con una densidad f, de tal forma que µ(a) = f (x)dx (2) A Modelos Estadísticos de Crimen 8 of 32
20 Estimación por Kernels Suponemos que la intensidad µ es una medida con una densidad f, de tal forma que µ(a) = f (x)dx (2) Dada una muestra de Test Y = {y k }, la verosimilitud de f estará dada por Te L(f ) = f (y k ) (3) A k=1 Modelos Estadísticos de Crimen 8 of 32
21 Estimación por Kernels Es necesario definir una familia de funciones de la cual escoger f Modelos Estadísticos de Crimen 9 of 32
22 Estimación por Kernels Es necesario definir una familia de funciones de la cual escoger f Asumiremos que f es un kernel, obtenido a partir de observaciones de una base de entrenamiento {x l } Esto quiere decir que f (y) = 1 Tr Tr l=1 k(y ; x l, Σ) (4) donde k( ; x, Σ) es un kernel centrado en x con ancho de banda Σ R d d Modelos Estadísticos de Crimen 9 of 32
23 Estimación por Kernels La función de log-verosimilitud estará dada por LL(Σ) = Te k=1 Te log(f (y k )) (5) ( = 1 log Te k=1 1 Tr Tr l=1 k(y k ; x l, Σ) ) (6) Modelos Estadísticos de Crimen 10 of 32
24 Estimación por Kernels Debemos encontrar el ancho de banda que maximice LL Para esto usamos el método de descenso del gradiente Note que si θ es alguno de los parámetros de los que depende LL, entonces LL θ = 1 Te Te k=1 Tr l=1 k(y k ;x l,σ) θ Tr l=1 k(y k; x l, Σ) (7) Modelos Estadísticos de Crimen 11 of 32
25 Estimación por Kernels Escogemos un kernel gaussiano, pues permite calcular las derivadas de LL de forma sencilla 1 k(y ; x, Σ) = ( 2π) d Σ e 1 2 (y x)t Σ(y x) (8) Modelos Estadísticos de Crimen 12 of 32
26 Estimación por Kernels Escogemos un kernel gaussiano, pues permite calcular las derivadas de LL de forma sencilla 1 k(y ; x, Σ) = ( 2π) d Σ e 1 2 (y x)t Σ(y x) (8) Asumiremos que Σ =diag(σ 1,, σ d ), de forma que k(y ; x, σ) = 1 ( e 2π) d σ 1 σ d 1 [ d yi x i 2 i=1 σ i ] 2 (9) Modelos Estadísticos de Crimen 12 of 32
27 Estimación por Kernels Usando la densidad gaussiana k y la fórmula para LL θ [( LL σ j = 1 1 Te Te σ j k=1 Tr y (j) x(j) l=1 k(y k l k; x l, σ) σj 2 Tr l=1 k(y k; x l, σ) ) 1 obtenemos ] (10) Modelos Estadísticos de Crimen 13 of 32
28 Estimación por Kernels Usando la densidad gaussiana k y la fórmula para LL θ [( LL σ j = 1 1 Te Te σ j k=1 Tr y (j) x(j) l=1 k(y k l k; x l, σ) σj 2 Tr l=1 k(y k; x l, σ) ) 1 obtenemos ] (10) Y el gradiente de la función de log-verosimilitud estará dado por ( LL LL =,, LL ) (11) σ 1 σ d Modelos Estadísticos de Crimen 13 of 32
29 Descenso del gradiente El método de descenso del gradiente para maximizar una función f (x) consiste en iniciar con un guess del x óptimo, y actualizarlo moviéndose en la dirección f Modelos Estadísticos de Crimen 14 of 32
30 Descenso del gradiente El método de descenso del gradiente para maximizar una función f (x) consiste en iniciar con un guess del x óptimo, y actualizarlo moviéndose en la dirección f En el caso de LL(σ) iniciamos con un guess σ 1 del ancho de banda óptimo, y lo actualizamos según la regla σ k+1 = σ k + η k LL(σ k ) (12) Modelos Estadísticos de Crimen 14 of 32
31 Descenso del gradiente El método de descenso del gradiente para maximizar una función f (x) consiste en iniciar con un guess del x óptimo, y actualizarlo moviéndose en la dirección f En el caso de LL(σ) iniciamos con un guess σ 1 del ancho de banda óptimo, y lo actualizamos según la regla σ k+1 = σ k + η k LL(σ k ) (12) η k es llamada la tasa de aprendizaje Para garantizar convergencia a un óptimo local basta que lim η k = 0 η k = (13) k k=1 Modelos Estadísticos de Crimen 14 of 32
32 Descenso del gradiente Para escoger la tasa de aprendizaje usamos la técnica de Bold Driver Modelos Estadísticos de Crimen 15 of 32
33 Descenso del gradiente Para escoger la tasa de aprendizaje usamos la técnica de Bold Driver Si en la iteración σ k+1 = σ k + η k LL(σ k ) la función LL aumenta, entonces la tasa de aprendizaje η k será aumentada en 5% Modelos Estadísticos de Crimen 15 of 32
34 Descenso del gradiente Para escoger la tasa de aprendizaje usamos la técnica de Bold Driver Si en la iteración σ k+1 = σ k + η k LL(σ k ) la función LL aumenta, entonces la tasa de aprendizaje η k será aumentada en 5% Si por el contrario LL disminuyó, no actualizamos σ k, sino que disminuimos la tasa de aprendizaje en un 50% Modelos Estadísticos de Crimen 15 of 32
35 Descenso del gradiente Para escoger la tasa de aprendizaje usamos la técnica de Bold Driver Si en la iteración σ k+1 = σ k + η k LL(σ k ) la función LL aumenta, entonces la tasa de aprendizaje η k será aumentada en 5% Si por el contrario LL disminuyó, no actualizamos σ k, sino que disminuimos la tasa de aprendizaje en un 50% Cuál es el guess inicial? Modelos Estadísticos de Crimen 15 of 32
36 Descenso del gradiente Para escoger la tasa de aprendizaje usamos la técnica de Bold Driver Si en la iteración σ k+1 = σ k + η k LL(σ k ) la función LL aumenta, entonces la tasa de aprendizaje η k será aumentada en 5% Si por el contrario LL disminuyó, no actualizamos σ k, sino que disminuimos la tasa de aprendizaje en un 50% Cuál es el guess inicial? Cuándo parar? Modelos Estadísticos de Crimen 15 of 32
37 Descenso del gradiente Para escoger la tasa de aprendizaje usamos la técnica de Bold Driver Si en la iteración σ k+1 = σ k + η k LL(σ k ) la función LL aumenta, entonces la tasa de aprendizaje η k será aumentada en 5% Si por el contrario LL disminuyó, no actualizamos σ k, sino que disminuimos la tasa de aprendizaje en un 50% Cuál es el guess inicial? Cuándo parar? El problema será cóncavo? Modelos Estadísticos de Crimen 15 of 32
38 Base de Datos Delito Frecuencia Participación Tipo % Homicidio Doloso % Homicidio Culposo % Lesiones Dolosas % Lesiones Culposas % Hurto Residencias % Hurto Motos % Hurto Carros % Hurto General % Estupefacientes Modelos Estadísticos de Crimen 16 of 32
39 Base de Datos Decisiones que hay que tomar para estimar una densidad: Cómo corregir las horas de los delitos? Qué intervalo de tiempo usar? Agrupar los crímenes? Modelos Estadísticos de Crimen 17 of 32
40 Base de Datos Frequency Minute Modelos Estadísticos de Crimen 18 of 32
41 Base de Datos Frequency Minute Modelos Estadísticos de Crimen 19 of 32
42 Base de Datos Modelos Estadísticos de Crimen 20 of 32
43 Base de Datos Histogram Frequency Minute Modelos Estadísticos de Crimen 21 of 32
44 Densidad de los Delitos en el Tiempo Qué día y hora es más probable que ocurran homicidios accidentales? Modelos Estadísticos de Crimen 22 of 32
45 Negligent Homicide 06 Day Sun Mon Probability 04 Tue Wed Thu Fri 02 Sat Time 23 of 32 Modelos Estadísticos de Crimen
46 Densidad de los Delitos en el Tiempo Qué día y hora es más probable que ocurran homicidios accidentales? Homicidios no accidentales? Modelos Estadísticos de Crimen 24 of 32
47 Homicide 12 Day Sun Mon Probability 08 Tue Wed Thu Fri 04 Sat Time 25 of 32 Modelos Estadísticos de Crimen
48 Densidad de los Delitos en el Tiempo Qué día y hora es más probable que ocurran homicidios accidentales? Homicidios no accidentales? Qué día es menos probable que se le roben el carro? Modelos Estadísticos de Crimen 26 of 32
49 Car Theft 075 Day Sun Mon Probability 050 Tue Wed Thu Fri 025 Sat Time 27 of 32 Modelos Estadísticos de Crimen
50 Densidad de los Delitos en el Tiempo Qué día y hora es más probable que ocurran homicidios accidentales? Homicidios no accidentales? Qué día es menos probable que se le roben el carro? Cuál es el horario de trabajo de los atracadores? Modelos Estadísticos de Crimen 28 of 32
51 General Theft 06 Day 04 Sun Mon Probability Tue Wed Thu 02 Fri Sat Time 29 of 32 Modelos Estadísticos de Crimen
52 Densidad de los Delitos en el Espacio Correr el descenso del gradiente en el espacio y el tiempo toma mucho más tiempo 2h-1dia Modelos Estadísticos de Crimen 30 of 32
53 Densidad de los Delitos en el Espacio Correr el descenso del gradiente en el espacio y el tiempo toma mucho más tiempo 2h-1dia A esta hora, cuál es el punto más probable en el que ocurrirá un homicidio accidental? Modelos Estadísticos de Crimen 30 of 32
54 Densidad de los Delitos en el Espacio Correr el descenso del gradiente en el espacio y el tiempo toma mucho más tiempo 2h-1dia A esta hora, cuál es el punto más probable en el que ocurrirá un homicidio accidental? ( , ) Modelos Estadísticos de Crimen 30 of 32
55 Densidad de los Delitos en el Espacio Correr el descenso del gradiente en el espacio y el tiempo toma mucho más tiempo 2h-1dia A esta hora, cuál es el punto más probable en el que ocurrirá un homicidio accidental? ( , ) Cuál es el punto más probable donde ocurrirá un homicidio? Modelos Estadísticos de Crimen 30 of 32
56 Densidad de los Delitos en el Espacio Correr el descenso del gradiente en el espacio y el tiempo toma mucho más tiempo 2h-1dia A esta hora, cuál es el punto más probable en el que ocurrirá un homicidio accidental? ( , ) Cuál es el punto más probable donde ocurrirá un homicidio? ( , ) Modelos Estadísticos de Crimen 30 of 32
57 Densidad de los Delitos en el Espacio Correr el descenso del gradiente en el espacio y el tiempo toma mucho más tiempo 2h-1dia A esta hora, cuál es el punto más probable en el que ocurrirá un homicidio accidental? ( , ) Cuál es el punto más probable donde ocurrirá un homicidio? ( , ) A qué hora salir de Quantil para que no lo atraquen? Modelos Estadísticos de Crimen 30 of 32
58 008 Intensidad de atracos en Quantil! 006 Day Sun Mon Intensity 004 Tue Wed Thu Fri Sat Time 31 of 32 Modelos Estadísticos de Crimen
59 Próximos Desarrollos Estudiar la relación entre elementos de la geografía y la intensidad del crimen Modelos Estadísticos de Crimen 32 of 32
60 Próximos Desarrollos Estudiar la relación entre elementos de la geografía y la intensidad del crimen Escribir el código en otro lenguaje más eficiente: Matlab, Python? Modelos Estadísticos de Crimen 32 of 32
61 Próximos Desarrollos Estudiar la relación entre elementos de la geografía y la intensidad del crimen Escribir el código en otro lenguaje más eficiente: Matlab, Python? Encontrar una plataforma más amigable para visualizar los datos de forma dinámica: ArcGis, Java? Modelos Estadísticos de Crimen 32 of 32
62 Próximos Desarrollos Estudiar la relación entre elementos de la geografía y la intensidad del crimen Escribir el código en otro lenguaje más eficiente: Matlab, Python? Encontrar una plataforma más amigable para visualizar los datos de forma dinámica: ArcGis, Java? Posibles aplicaciones: Encontrar la ruta más segura entre dos puntos de la ciudad, diseñar un patrullaje óptimo Modelos Estadísticos de Crimen 32 of 32
MODELOS DE PREDICCIÓN DE CRIMEN. Una introducción a las metodologías de Geographic Profiling
MODELOS DE PREDICCIÓN DE CRIMEN Una introducción a las metodologías de Geographic Profiling Geographic Profiling - Objetivos Encontrar el lugar desde donde operan grupos criminales. Predecir dónde ocurrirán
Más detallesTema 6. Estimación puntual
1 Tema 6. Estimación puntual En este tema: Planteamiento del problema. Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Métodos
Más detallesDistribuciones de probabilidad II
II Facultad de Estudios Superiores Acatlán Licenciatura en Economía 20 de abril 2017 José A. Huitrón Mendoza Distribuciones de probabilidad de Poisson Enmarca el estudio de una variable aleatoria discreta
Más detallesSimulación. La mayoría de los procesos de simulación tiene la misma estructura básica:
Simulación La mayoría de los procesos de simulación tiene la misma estructura básica: 1 Indentificar una variable de interés y escribir un programa para simular dichos valores Generar una muestra independiente
Más detallesESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda.
ESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda. APRENDIZAJE AUTOMÁTICO, ESTIMACIÓN Y DETECCIÓN Introducción
Más detallesEstimación de densidades basada en núcleos: algunos elementos. Isabel Cañette
Estimación de densidades basada en núcleos: algunos elementos básicos. Isabel Cañette Seminario de Reconocimiento de Patrones. Seminario de Probabilidad y Estadística. Diciembre, 2002 Introducción. Decimos
Más detallesRelación de Problemas. Tema 5
Relación de Problemas. Tema 5. Supongamos que tenemos una muestra aleatoria simple de tamaño n de una v.a. X que sigue una distribución geométrica con función de probabilidad P (X = k) = p( p) k Calcular
Más detallesSupport Vector Machines
Support Vector Machines Métodos Avanzados en Aprendizaje Artificial Luis F. Lago Fernández Manuel Sánchez-Montañés Ana González Universidad Autónoma de Madrid 6 de abril de 2010 L. Lago - M. Sánchez -
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad Distribución Binomial La distribución binomial es una de las distribuciones utilizadas más ampliamente en estadística aplicada. La distribución se deriva del procedimiento
Más detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesEstimación de Máxima Verosimilitud Utilizando la Función optim en R
Estimación de Máxima Verosimilitud Utilizando la Función optim en R Juan F. Olivares-Pacheco * 15 de diciembre de 2006 Resumen En este trabajo se muestra el método de verosimilitud para la estimación de
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesMétodo de Box Muller. Método Polar Generación de eventos en Procesos de Poisson. Método de Box-Muller. Métodos de generación de v. a.
Método de Box Muller Método Polar Generación de eventos en Procesos de Poisson Si X e Y son normales estándar indepientes, entonces R 2 = X 2 + Y 2, tan(θ) = Y X determinan variables R 2 y Θ indepientes.
Más detallesEXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 2006
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 6 Problema ( ptos) Considera un experimento aleatorio con espacio muestral Ω. a) Definir una σ-álgebra A sobre Ω. b) Dar
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 P (X > 0) P ( 0,5 < X < 0,5) P ( X > 0,25) 1 si 2 x P (X 1) P (0,5 X 1) P (0,5 < X 1 X < 1)
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0,75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesAMENAZA, VULNERABILIDAD Y RIESGO. Luis Esteva
AMENAZA, VULNERABILIDAD Y RIESGO Luis Esteva AMENAZAS NATURALES Sismo Viento Oleaje Inundación uego SISTEMAS EXPUESTOS CONCENTRADOS Inmuebles y contenidos Obras de ingeniería Monumentos históricos Personas
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesProbabilidad y Verosimilitud
Probabilidad y Verosimilitud Clase Teórica 8 Alexandre Aires-da-Silva Comisión Interamericana del Atún Tropical (CIAT) Curso de introducción a modelos de dinámica poblacional y evaluación de recursos marinos
Más detallesComunicaciones Digitales
Trabajo Práctico Codificación de Fuente Comunicaciones Digitales E.1 Una fuente tiene un alfabeto {a1,a, a3, a4, a5, a6} con sus correspondientes probabilidades {0.1,0.,0.3,0.05,0.15,0.}. Encontrar la
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detalles1. Regla para los valores esperados en variables aleatorias
Valores esperados, varianza y desviación estándar para variables aleatorias Universidad de Puerto Rico ESTA 3041 Prof. Héctor D. Torres Aponte 1. Regla para los valores esperados en variables aleatorias
Más detallesPROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA
UNIDAD 1 PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA Variables aleatorias continuas = función de densidad de probabilidad 1 Variables aleatorias continuas = función
Más detallesAnálisis de Datos. Clasificación Bayesiana para distribuciones normales. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Clasificación Bayesiana para distribuciones normales Profesor: Dr. Wilfrido Gómez Flores 1 Funciones discriminantes Una forma útil de representar clasificadores de patrones es a través
Más detallesMÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Teoría
Más detallesIntroducción. Distribución Gaussiana. Procesos Gaussianos. Eduardo Morales INAOE (INAOE) 1 / 47
Eduardo Morales INAOE (INAOE) 1 / 47 Contenido 1 2 3 (INAOE) 2 / 47 Normalmente, en los algoritmos de aprendizaje que hemos visto, dado un conjunto de ejemplos de entrenamiento se busca encontrar el mejor
Más detallesCapítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved
Capítulo 37 Distribución de probabilidad normal 2010 Pearson Prentice Hall. All rights 2010 reserved Pearson Prentice Hall. All rights reserved La distribución de probabilidad uniforme Hasta ahora hemos
Más detallesTema 5: SEGMENTACIÓN (II) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (II) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación Los algoritmos de segmentación se basan en propiedades básicas de los valores del nivel de gris: 2 - Discontinuidad:
Más detallesEl Algoritmo E-M. José Antonio Camarena Ibarrola
El Algoritmo E-M José Antonio Camarena Ibarrola Introducción Método para encontrar una estimación de máima verosimilitud para un parámetro ѳ de una distribución Ejemplo simple 24 Si tiene las temperaturas
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesEl momento de orden n de una variable aleatoria X es el valor esperado de X elevado a la n, es decir,
1 CLASES DE ESTADÍSTICA II CLASE 4) MOMENTOS. FUNCIÓN GENERATRIZ DE MOMENTOS CONJUNTA. El concepto de Momentos ya se conocía en el análisis de una variable aleatoria y es bueno recordarlo ahora para generalizarlo
Más detallesExamen de Teoría de (Introducción al) Reconocimiento de Formas
Examen de Teoría de (Introducción al) Reconocimiento de Formas Facultad de Informática, Departamento de Sistemas Informáticos y Computación Universidad Politécnica de Valencia, Enero de 007 Apellidos:
Más detallesUniversidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
Universidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA Ateneo Ruperto P. Bonet Chaple UTB-Julio 2016 OBJETIVO Aplicar las técnicas de Muestreo e Inferencia Estadística Determinar el tamaño
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesMarcel Goic
IN5602 Marketing II Modelos de Comportamiento: Estimación y Heterogeneidad Marcel Goic (mgoic@dii.uchile.cl) Semestre Otoño 2012 1 Ejemplo Proyección de Retención de Clientes 2 Motivación Año #Clientes
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad ½ 0.75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesTema 5: SEGMENTACIÓN (II) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (II) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación Los algoritmos de segmentación se basan en propiedades básicas de los valores del nivel de gris: 2 - Discontinuidad:
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesEstimación Máxima Verosimilitud
Estimación Máxima Verosimilitud Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid Outline Motivación 1 Motivación 2 3 4 5 Estrategias generales de estimación Hay
Más detallesCuando la distribución viene dada por una tabla: 2. DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA.
1. DISTRIBUCIONES ESTADÍSTICAS. El siguiente grafico corresponde a una distribución de frecuencias de variable cuantitativa y discreta pues solo puede tomar valores aislados (0, 1, 2, 3, 10). Se trata
Más detallesRepaso de Teoría de la Probabilidad
Repaso de Teoría de la Probabilidad Luis Mendo Tomás Escuela Politécnica Superior Universidad Autónoma de Madrid Febrero de 2008 1. Introducción Este documento contiene, de forma esquemática, los conceptos
Más detallesAnálisis aplicado. José Luis Morales. Departamento de Matemáticas. ITAM
Departamento de Matemáticas. ITAM. 2011. Consideraciones http://allman.rhon.itam.mx/ jmorales Temas del curso + bibliografía. Exámenes, proyectos. Aprender haciendo Trabajo individual Consideraciones http://allman.rhon.itam.mx/
Más detallesTema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
Más detallesAplicaciones de apoyo al diagnóstico médico. Identificación de objetos amigos y enemigos. Identificación de zonas afectadas por un desastre natural.
Capítulo 5 Evaluación En muchas ocasiones requerimos hacer una evaluación muy precisa de nuestros algoritmos de aprendizaje computacional porque los vamos a utilizar en algún tipo de aplicación que así
Más detallesPlan de intervención y evaluación en puntos críticos de crimen. Bogotá 2016
Plan de intervención y evaluación en puntos críticos de crimen Bogotá 2016 Agenda 1. Motivación: niveles de concentración del crimen 2. Plan de intervención en puntos críticos 3. Sitios intervenidos 4.
Más detallesEstimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
Más detallesTEMA 7. Estimación. Alicia Nieto Reyes BIOESTADÍSTICA. Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 7. Estimación 1 / 13
TEMA 7. Estimación Alicia Nieto Reyes BIOESTADÍSTICA Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 7. Estimación 1 / 13 1 Estimación Puntual 1 Estimación por intervalos Estimación por intervalos de la Media
Más detallesEstadística Grupo V. Tema 10: Modelos de Probabilidad
Estadística Grupo V Tema 10: Modelos de Probabilidad Algunos modelos de distribuciones de v.a. Hay variables aleatorias que aparecen con frecuencia en las Ciencias Sociales y Económicas. Experimentos dicotómicos
Más detallesCon miras a conocer la metodología que se aplica en el Método SIMPLEX, tenemos a continiacion un ejemplo:
Método Simplex. Este método fue creado en el año 1947 por el estadounidense George Bernard Dantzig y el ruso Leonid Vitalievich Kantorovich, con el objetivo de crear un algoritmo capaz de crear soluciones
Más detallesHoja 4 Variables aleatorias multidimensionales
Hoja 4 Variables aleatorias multidimensionales 1.- Estudiar si F (x, y) = 1, si x + 2y 1, 0, si x + 2y < 1, es una función de distribución en IR 2. 2.- Dada la variable aleatoria 2-dimensional (X, Y )
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesMETODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
Más detallesPropiedades Una distribución pertenece a la familia exponencial si su función de densidad puede expresarse como:
Familia Exponencial Propiedades Una distribución pertenece a la familia exponencial si su función de densidad puede expresarse como: f (y; θ) = s(y)t(θ)exp[a(y)b(θ)] = exp[a(y)b(θ)+c(θ)+d(y)] (1) con s(y)
Más detallesComparación de métodos de aprendizaje sobre el mismo problema
Comparación de métodos de aprendizaje sobre el mismo problema Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Contenido 1. Motivación. Test de
Más detalles1 CÁLCULO DE PROBABILIDADES
1 CÁLCULO DE PROBABILIDADES 1.1 EXPERIENCIAS ALEATORIAS. SUCESOS 1.1.1 Definiciones Experiencia aleatoria: experiencia o experimento cuyo resultado depende del azar. Suceso aleatorio: acontecimiento que
Más detallesVariables aleatorias 1. Problema 1
Variables aleatorias 1 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Estadística Variables aleatorias Problema 1 La dimensión de ciertas piezas sigue una distribución normal
Más detallesNotas Técnicas Un acercamiento al Ramo de Daños a través del Seguro de Incendio
Notas Técnicas Un acercamiento al Ramo de Daños a través del Seguro de Incendio Act. Patricia Carrillo Act. Jaime Aviña Agenda Información Suficiente Credibilidad Información Complementaria Información
Más detallesTeorema Central del Límite. Cálculo Numérico y Estadística. Grado en Química. U. de Alcalá. Curso F. San Segundo.
Teorema Central del Límite. Cálculo Numérico y Estadística. Grado en Química. U. de Alcalá. Curso 2014-2015. F. San Segundo. Variables de Bernouilli. Una de las familias de variables aleatorias más básicas
Más detallesMétodos Numéricos I - C.S.I. - Curso 2003/04. TEMA 2: Interpolación polinómica de funciones
Ejercicios. Hoja 2.1 1. Usar la fórmula de Lagrange para obtener un polinomio cúbico que interpola los valores de la tabla siguiente. Evaluarlo luego para x = 2, 3, 5. x k 0 1 4 6 y k 1-1 1-1 [Sol.: P
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más detallesTema 6. Estimación puntual
Tema 6. Estimación puntual Contenidos Planteamiento del problema Criterios de comparación de estimadores: Insesgadez Estimadores de mínima varianza Error cuadrático medio Consistencia Métodos para obtener
Más detallesBioestadística: Inferencia Estadística. Análisis de Una Muestra
Bioestadística: Inferencia Estadística. Análisis de Una Muestra M. González Departamento de Matemáticas. Universidad de Extremadura Estimación Puntual e Intervalos de Confianza Planteamiento del Problema
Más detallesVariables aleatorias continuas
Variables aleatorias continuas VARIABLE ALEATORIA UNIFORME Definición Se dice que una variable X tiene una distribución uniforme en el intervalo [a;b] si la fdp de X es: 1 si a x b f(x)= b-a 0 en otro
Más detallesSistemas de Reconocimiento de Patrones
Sistemas de Reconocimiento de Patrones p. 1/33 Sistemas de Reconocimiento de Patrones Luis Vázquez GTI - IIE Facultad de Ingeniería Universidad de la República Sistemas de Reconocimiento de Patrones p.
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesMétodos Bayesianos (Convocatoria Febrero 2005)
Dpto. Métodos Cuantitativos en Economía y Gestión Univ. de Las Palmas de G.C. Licenciatura en Economía Cuarto curso Curso 04/05 Métodos Bayesianos (Convocatoria Febrero 005) EJERCICIO 1. El método estándar
Más detallesAnálisis de extremos
Análisis de extremos Referencias Wilks (sección 4.4.5): dice mucho, explica poco Coles (2001) An Introduction to Statistical Modeling of Extreme Values Introducción Objetivo del análisis de extremos: cuantificar
Más detallesModelos Lineales Generalizados
Modelos Lineales Generalizados 1 DefinicióndeunMLG Y1,Y2,...,Yn,conmediasµ1,µ2,...,µn,Yi, i=1,...,n,tienefdpmiembrodela familia exponencial a un parámetro, con las siguientes propiedades: 1.LadistribucióndecadaunodelosYi,paratodoi,estáenlaformacanónica,i.e.:
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesTema 4 - Introducción
Tema 4 - Introducción 1 Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Cómo obtener estimadores? Tema
Más detallesCI 41C HIDROLOGÍA HIDROLOGÍA PROBABILÍSTICA
CI 41C HIDROLOGÍA HIDROLOGÍA PROBABILÍSTICA alcantarilla Puente? Badén http://www.disasternews.net/multimedia/files/drought5_9412.jpg Fenómenos en Ingeniería (según certeza de ocurrencia) determinísticos
Más detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
Más detallesAprendizaje Automático
Regresión Lineal: Descenso de Gradiente Árboles de Regresión: M5 Ingeniería Informática Fernando Fernández Rebollo y Daniel Borrajo Millán Grupo de Planificación y Aprendizaje (PLG) Departamento de Informática
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detallesAplicación de la distribución empírica: Tests de bondad de ajuste
Aplicación de la distribución empírica: Tests de bondad de ajuste 4 de marzo de 2009 Test de bondad de ajuste Supongamos que se dispone de una m.a.s de tamaño n de una población X con distribución desconocida
Más detallesCálculo de Probabilidades y Estadística. Segunda prueba. 1
08231. Cálculo de Probabilidades y Estadística. Segunda prueba. 1 Problema 1. Se eligen tres puntos A, B y C, al azar e independientemente, sobre una circunferencia. Determinar la distribución del valor
Más detallesPráctica 5. Códigos Huffman y Run-Length
EC2422. Comunicaciones I Enero - Marzo 2009 Práctica 5. Códigos Huffman y Run-Length 1. Objetivos 1.1. Simular, usando MATLAB, un codificador y decodificador Huffman a fin de estudiar sus características
Más detallesOCW-V.Muto El método de la Secante Cap. VIII CAPITULO VIII. EL METODO DE LA SECANTE 1. INTRODUCCION Y METODO
CAPITULO VIII. EL METODO DE LA SECANTE 1. INTRODUCCION Y METODO Utilizando los supuestos de los capítulos anteriores, daremos en este capítulo un procedimiento más rápido para hallar una raíz p de la ecuación
Más detallesMétodos Estadísticos Multivariados
ITESM Sobre el curso Objetivo: presentar los conceptos básicos de análisis estadístico multivariado y los métodos más comunes para el estudio de datos con varias variables. Se hará especial énfasis en
Más detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA DE TRABAJO 3 Profesor: Hugo S. Salinas. Primer Semestre 2010 1. Sea X 1,..., X n una muestra aleatoria
Más detallesTEMA 1 INTRODUCCIÓN AL MODELADO Y LA SIMULACIÓN
TEMA 1 INTRODUCCIÓN AL MODELADO Y LA SIMULACIÓN 1.1. Introducción 1.2. Conceptos fundamentales 1.3. Modelado y simulación de tiempo discreto 1.4. Modelado y simulación de eventos discretos 1.5. Pasos en
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesEstadística Inferencial. Sesión 2. Distribuciones muestrales
Estadística Inferencial. Sesión 2. Distribuciones muestrales Contextualización. Toda cantidad que se obtiene de una muestra con el propósito de estimar un parámetro poblacional se llama estadístico muestral
Más detalles5. Distribuciones de probabilidad multivariadas
5. Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable binomial
Más detallesINFERENCIA ESTADÍSTICA MUESTRAL TEMA 2: ESTIMACIÓN POR INTERVALO
UNIDAD 2 INFERENCIA ESTADÍSTICA MUESTRAL TEMA 2: ESTIMACIÓN POR INTERVALO 1 2 RECUERDE: un estimador puntual es un estadístico muestral usado para estimar un parámetro poblacional: x (estimación de μ),
Más detalles1 CÁLCULO DE PROBABILIDADES
1 CÁLCULO DE PROBABILIDADES 1.1 EXPERIENCIAS ALEATORIAS. SUCESOS 1.1.1 Definiciones Experiencia aleatoria: experiencia o experimento cuyo resultado depende del azar. Suceso aleatorio: acontecimiento que
Más detallesUnidad 3. Probabilidad. Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre / 22
Unidad 3. Probabilidad Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre 2018-1 1 / 22 Espacios de probabilidad El modelo matemático para estudiar la probabilidad se conoce como espacio de
Más detallesEstadística Bayesiana
Universidad Nacional Agraria La Molina 2017-1 Teoría de la decisión Riesgo de Bayes La teoría de decisión es un área de suma importancia en estadística ya que muchos problemas del mundo real pueden tomar
Más detalles0 en otro caso. P (X > 0) P ( 0.5 < X < 0.5) P ( X > 0.25) x 3 si 0 x < 2. 1 si 2 x P(X 1) P(0.5 X 1) P(0.5 < X 1 X < 1) f X (x) = (1+αx) 2
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0.75(1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detalles1. Variables aleatorias
1. Variables aleatorias Variables aleatorias Universidad de Puerto Rico ESTA 3041 Prof. Héctor D. Torres Aponte Definición 1.1. Una variable aleatoria es una variable cuyo valor es un outcome numérico
Más detallesProcesos estocásticos Sesión 9. Cadenas de Markov a tiempo continuo
Procesos estocásticos Sesión 9. Cadenas de Markov a tiempo continuo Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos 1. Cadenas
Más detallesMANTENIMIENTO INDUSTRIAL.
REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD ALONSO DE OJEDA FACULTAD DE INGENIERÍA ESCUELA DE INDUSTRIAL MANTENIMIENTO INDUSTRIAL. Realizado por: Ing. Danmelys Perozo UNIDAD II: ESTADÍSTICAS DE FALLAS
Más detalles