Curso de Inteligencia Artificial
|
|
- Joaquín Núñez Valenzuela
- hace 7 años
- Vistas:
Transcripción
1 Curso de Inteligencia Artificial Modelos Ocultos de Markov Gibran Fuentes Pineda IIMAS, UNAM
2 Redes Bayesianas Representación gráfica de relaciones probabilísticas Relaciones causales entre variables aleatorias Grafo dirigido Nodos: una o más variables aleatorias Vertices: relaciones probabilísticas entre variables
3 Ejemplo Tifoidea Gripe Diarrea Fiebre Dolor
4 Cadena de Markov Proceso estocástico discreto Representa una secuencia de variables aleatorias Propiedad de Markov El siguiente estado depende únicamente del estado actual Máquina de estados donde las transiciones no son determinístas
5 Cadenas de Markov Primer orden P( x n x 1, x 2,, x n 1 )=P( x n x n 1 ) x 1 x 2 x 3 x 4 Segundo orden P( x n x 1, x 2,, x n 1 )=P (x n x n 1, x n 2 ) x 1 x 2 x 3 x 4
6 Modelos Ocultos de Markov Modela procesos estocásticos secuenciales No todas las variables son observables Nodos blancos representan variables ocultas. Nodos obscuros representan variables observadas z 1 z 2 z n z n+1 x 1 x 2 x n x n+1
7 El Problema Versión Alpha Una jarra mágica: Con 90 canicas rojas y 10 amarillas Cuál es la probabilidad de que la siguiente canica sea roja?
8 El Problema Versión Beta Tres jarras mágicas con etiquetas Con 90 canicas de un color y 10 de otro color Qué secuencia de jarras podrían generar la siguiente secuencia? A C B
9 El Problema Versión 1 Tres jarra mágicas con etiquetas Con 90 canicas de un color y 10 de otro color Cuál es la probabilidad de generar la siguiente secuencia? A C B
10 El Problema Versión 2 Tres jarra mágicas con etiquetas Con 90 canicas de un color y 10 de otro color Qué secuencia de jarras tiene mayor probabilidad de generar la siguiente secuencia? A C B
11 El Problema Versión 3 Tres jarra mágicas con etiquetas???? Qué cantidades debe haber en cada jarra para obtener las secuencias? A?? B C
12 Espacio de Muestreo Las canicas representan a una variable aleatoria, la cual diremos que la observamos X ={R=1, A=2,V =3} Las canicas representan otra variable aleatoria, la cual diremos que está oculta Y ={A=1, B=2,C =3}
13 Elementos del Problema Espacio de muestreo Ω={Ar, Aa, Av, Br, Ba, Bv,Cr,Ca,Cv} Probabilidades P(r A), P(a A), P( A A), P ( A B), P( A), P( B), P (C ) Independencias asumidas? La canica únicamente depende de la jarra que se saca La jarra de la que se saca depende de la que se saque antesra de la que se saca depende de la que se saque antes
14 Las Probabilidades El conjunto de distribuciones es conocido como el modelo o los parámetros del HMM P ( X Z )=Probabilidades de emisión B P (Z Z )=Probabilidades de transición A P (Z )=Probabilidades de ser estado inicial π Usualmente los representamos como Ω={A, B,π}
15 Modelando la Secuencia Ω={Todas las secuencias posibles } x 1, x 2,, x n z 1, z 2,, z n Os={x 1 x n1,, x 1, x no } Ψ={z 1, z 2,, z n } z 1 z 2 z n x 1 x 2 x n
16 Notación T = Tamaño de la secuencia de observación n = Número de estados m = Número de posibles salidas Z = Distintos estados del proceso X = Posibles observaciones A = Probabilidades de transición B = Probabilidades de observación π = Distribución de estado inicial O = Secuencia de observación
17 Los Tres Problemas 1.Calcular la probabilidad de una secuencia de observaciones P ( x 1, x 2, x n θ)
18 Los Tres Problemas 1.Calcular la probabilidad de una secuencia de observaciones P ( x 1, x 2, x n θ) 2. Obtener la secuencia de estados más probable correspondiente a una secuencia de observaciones max P (z 1, z 2, z n x 1, x 2, x n,θ)
19 Los Tres Problemas 1.Calcular la probabilidad de una secuencia de observaciones P ( x 1, x 2, x n θ) 2. Obtener la secuencia de estados más probable correspondiente a una secuencia de observaciones max P (z 1, z 2, z n x 1, x 2, x n,θ) 3.Dada una secuencia de observaciones, ajustar los parámetros del modelo tal que max P (Os θ)
20 Primer Problema Necesitamos calcular P ( x 1, x 2, x n θ)= Z ψ P( x 1, x 2, x n Ψ,θ) P (Ψ θ) Donde ψ representa una secuencia posible de estados
21 Complejidad del Problema Enumerar todas las secuencias de estados posibles Z, esto es, iterar en Z n veces Calcular P(Z) y P(O Z) esto es iterar 2 veces sobre n 2n Z n Exponencial con la longitud de la secuencia!!!!!
22 Alternativas Más Eficientes Podemos utilizar una técnica de programación dinámica En HMM se le conoce como el algoritmo forward La idea es utilizar un acumulador α para cada estado que lleve la cuenta de la probabilidad de llegar a ese estado
23 Algoritmo Forward z 1 α 11 α 12 α 1(n 1) α 1n z 2 α 21 α 22 α 2(n 1) α 2n z T α T1 α T2 α T (n 1) α Tn x 1 x 2 x n 1 x n α ij Probabilidad de llegar a un estado i en j pasos
24 Algoritmo Forward z 1 α 11 α 12 α 1n z 2 α 21 α 22 α 2n z T α T1 α T2 α Tn x 1 x 2 x n α i1 P (z i ) P ( x 1 z i )
25 Algoritmo Forward z 1 α 11 α 12 α 1n z 2 α 21 α 22 α 2n z T α T1 α T2 α Tn x 1 x 2 x n T α = ij k=1 α k ( j 1) P (z i z k ) P (x i z i )
26 Algoritmo Forward z 1 α 11 α 12 α 1n z 2 α 21 α 22 α 2n z T α T1 α T2 α Tn x 1 x 2 x n P( x 1, x 2,, x n )= k=1 T α kn
27 Complejidad del Algoritmo Iterar n veces Iterar en Z para calcular α: Z casos Iterar en α para calcular: Z casos T Z Z 2T Z Polinomial
28 Algoritmo Backward z 1 β 11 β 12 β 1(n 1) β 1n z 2 β 21 β 22 β 2(n 1) β 2n z T β T1 β T2 β T (n 1) β Tn x 1 x 2 x n 1 x n β ij Probabilidad de terminar del estado i en n-j pasos
29 Algoritmo Backward z 1 β 11 β 12 β 1n z 2 β 21 β 22 β 2n z T β T1 β T2 β Tn x 1 x 2 x n β i n =1
30 Algoritmo Backward z 1 α 11 α 12 α 1n z 2 α 21 α 22 α 2n z T α T1 α T2 α Tn x 1 x 2 x n T β = ij k =1 β k ( j+1) P( z k z i ) P ( x i+1 z k )
31 Algoritmo Backward z 1 β 11 β 12 β 1n z 2 β 21 β 22 β 2n z T β T1 β T2 β Tn x 1 x 2 x n T P( x 1, x 2,, x n )= k=1 β k1 P (x 1 z k )
32 Segundo Problema Buscamos calcular max P (z 1, z 2, z n x 1, x 2, x n,θ) Se usa el algoritmo de Viterbi Viterbi es similar a Forward o Backward Forward: α guarda la probabilidad máxima para llegar a un estado Backward: β guarda la probabilidad máxima para a partir de ese estado llegar al final El problema se conoce como secuencia óptima
33 Algoritmo Forward z 1 α 11 α 12 α 1(n 1) α 1n z 2 α 21 α 22 α 2(n 1) α 2n z T α T1 α T2 α T (n 1) α Tn x 1 x 2 x n 1 x n En lugar de sumar se aplica la operación max
34 Tercer Problema Existe un conjunto de secuencias Os y un número n de estados y queremos definir θ tal que La probabilidad de cada secuencia de Os sea la mayor, es decir, max P (Os θ)=max P (O i θ) En términos prácticos Os se conoce (por ej. La base de datos) El problema se le conoce de aprendizaje
35 Aprendizaje Automático Supervisado: la base de datos contiene secuencia de Xs y Ys asociadas entre sí {(A,r), (B,r), (C,v)} {(A,r), (C,v), (B,a)} Sin supervisión: sólo existen secuencias de Xs r, r, b r, v, a
36 Supervisado Fácil Contar las frecuencias para P(Z) = las veces que Z es inicial entre el número de ejemplos en el corpus P(Z Z) = las veces que un estado pasa de un estado a otro, entre las veces que ocurre el primero P(X Ζ) = Las veces que Z produce X entre las veces que ocurre Z
37 Sin Supervisión Un poco más difícil Ya que no existe método analítico Se trata de una optimización θ * =arg max θ Os = i=1 P (O i θ)
38 Algoritmo Baum-Welch oforward-backward Es un método iterativo, no encuentra la mejor solución pero da un máximo local Itera entre dos pasos Estimar probabilidades usando θ temporal Maximizar parámetros para obtener nuevos θ Es equivalente a EM
39 Esperanza Maximización Maximizar la esperanza de que los parámetros actuales generen tanto la secuencia observada como la secuencia oculta dada la secuencia oculta y parámetros anteriores θ * =arg max θ E [log(p (O, ψ θ)) O,θ i 1 ]
40 Esperanza Esa esperanza se le denomina Q cuando es expandida Q(θ,θ i 1 )= Ψ ψ P(O, Ψ θ) P (O Ψ,θ) i 1 La segunda parte de esa ecuación es el paso E Consiste en calcular probabilidad de variables ocultas dado parámetros temporales
41 Maximización Consiste en maximizar Q En el caso de HMM sustituimos el primer producto por una expresión analítica n P (O, Ψ θ)=p( z 1 θ) i=2 P(x i z i,θ) P( z i z i 1,θ) Y usando la técnica de lagrange y el hecho de las probabilidades suman zero, se maximiza la expresión
42 EM en Resumen Se inicia con ciertos valores (al azar) y se actualizan los valores iterativamente Se obtiene un estimador de máxima verosimilitud Encuentra parametros que maximizan la probabilidad de generar las observaciones dadas No se garantiza un máximo global pero puede encontrar máximos locales Relacionado con K-means
43 Aplicaciones de los HMMs En general se aplican a problemas que puedan representarse como una secuencia de observaciones y etiquetas Reconocedores del habla Análisis de DNA Robótica En procesamiento de lenguaje natural y lingüística computacional
INTERVALOS 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 detallesIntroducción a los códigos compresores
Introducción a los códigos compresores Parte I de la Lección 2, Compresores sin pérdidas, de CTI Ramiro Moreno Chiral Dpt. Matemàtica (UdL) Febrero de 2010 Ramiro Moreno (Matemàtica, UdL) Introducción
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA
Mosaicos Matemáticos No. 11 Diciembre, 23. Nivel Superior ALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA Mario Alberto Villalobos Arias Departamento de Matemáticas Centro de Investigación y de
Más detallesAlgoritmos. Medios de expresión de un algoritmo. Diagrama de flujo
Algoritmos En general, no hay una definición formal de algoritmo. Muchos autores los señalan como listas de instrucciones para resolver un problema abstracto, es decir, que un número finito de pasos convierten
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesTeoría de grafos y optimización en redes
Teoría de grafos y optimización en redes José María Ferrer Caja Universidad Pontificia Comillas Definiciones básicas Grafo: Conjunto de nodos (o vértices) unidos por aristas G = (V,E) Ejemplo V = {,,,,
Más detallesCAPITULO 1: PERSPECTIVE GENERAL DE LA
CONTENIDO CAPITULO 1: PERSPECTIVE GENERAL DE LA INVESTIGACION DE OPERACIONES 1 1.1 Modelos matemáticos de investigación de operaciones. 1 1.2 Técnicas de investigación de operaciones 3 1.3 Modelado de
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesLos números complejos
Universidad Autónoma de Madrid Actualización en Análisis Matemático, abril de 2012 Cardano (1501 1576) Dividir un segmento de longitud 10 en dos trozos tales que el rectángulo cuyos lados tienen la longitud
Más detallesIntroducción a la Identificación de sistemas
Ingeniería de Control Introducción a la Identificación de sistemas Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos que se adquieren en este tema: Modelos deterministas
Más detallesTema 15: Combinación de clasificadores
Tema 15: Combinación de clasificadores p. 1/21 Tema 15: Combinación de clasificadores Abdelmalik Moujahid, Iñaki Inza, Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial
Más detallesGrupos autorizados 2015/16 del Plan Máster Universitario en Matemáticas. Facultad de Matemáticas. Cód. Asignatura. Cur. Tipo. Créd
Grupos autorizados 2015/16 del Plan Máster Universitario en Matemáticas Facultad de Matemáticas Cód. Asignatura Cur Tipo Créd 1 / 68 51620001 Introducción al Trabajo Fin de Máster 1 A Opt. 9 D Departamento
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 detallesCurso de Inteligencia Artificial
Curso de Inteligencia Artificial Introducción al Aprendizaje Automático Gibran Fuentes Pineda IIMAS, UNAM Definición El aprendizaje automático es el estudio de los metodos para programar las computadoras
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallesÁrea Ordenación Académica
Área Ordenación Académica NeoPlan. Aplicación complementaria para nuevos planes Grupos autorizados 2015/16 del Plan Máster Universitario en Matemáticas Facultad de Matemáticas Matemáticas Datos a 29-06-2015
Más detallesForma polar de números complejos (repaso breve)
Forma polar de números complejos (repaso breve) Objetivos. pasar la forma polar de números complejos. quisitos. Números complejos, funciones trigonométricas, valor absoluto de números complejos, circunferencia
Más detallesRobots Autónomos. Depto. de Ciencia de la Computación e Inteligencia Artificial
Robots Autónomos Depto. de Ciencia de la Computación e Inteligencia Artificial Contenido Problema del mapeado Mapeado 2D Mapeado 3D Introducción al SLAM Mapeado topológico Construcción de mapas: Descripción
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Más detallesMATHEMATICA. Geometría - Triángulos. Ricardo Villafaña Figueroa. Ricardo Villafaña Figueroa. Material realizado con Mathematica y Geometry Expressions
MATHEMATICA Geometría - Triángulos Material realizado con Mathematica y Geometry Expressions Contenido TRIÁNGULOS... 3 Cálculo de los ángulos interiores de un triángulo... 3 Baricentro... 6 Ortocentro...
Más detallesEscuela de Verano de Macroeconomía
Escuela de Verano de Macroeconomía José L. Torres Universidad de Málaga 21-25 junio 2010 José L. Torres (Universidad de Málaga) Escuela de Verano de Macroeconomía 21-25 junio 2010 1 / 27 Programa del curso
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesQué sabemos sobre RP co-rp?
Qué sabemos sobre RP co-rp? Tenemos que PTIME RP co-rp Podemos demostrar que PTIME = RP co-rp? IIC3810 Complejidad probabiĺıstica 38 / 44 Qué sabemos sobre RP co-rp? Tenemos que PTIME RP co-rp Podemos
Más detallesRedes bayesianas temporales para reconocimiento de escenarios
Redes bayesianas temporales para reconocimiento de escenarios Ahmed Ziani and Cina Motamed Visión de Alto Nivel Dr. Enrique Sucar Irvin Hussein López Nava Junio 2009 Introducción (1) Objetivo: aplicaciones
Más detallesModelos Estadísticos de Crimen
Universidad de los Andes Modelos Estadísticos de Crimen 27 de Mayo de 2015 Motivacion Conocer la densidad de probabilidad del crimen sobre una ciudad, a distintas horas del día, permite Modelos Estadísticos
Más detallesBreve introducción a la Investigación de Operaciones
Breve introducción a la Investigación de Operaciones Un poco de Historia Se inicia desde la revolución industrial, usualmente se dice que fue a partir de la segunda Guerra Mundial. La investigación de
Más detallesComplejidad de los Algoritmos
Que es un Algoritmo? Complejidad de los Algoritmos Webster: cualquier método especial para resolver cierta clase de problemas. Horowitz: método preciso utilizable en una computadora para la solución de
Más detallesGeometría combinatoria de cuadrados mágicos, latinos, sudokus y otras tablas curiosas
Geometría combinatoria de cuadrados mágicos, latinos, sudokus y otras tablas curiosas Jesús A. De Loera University of California, Davis trabajo conjunto con Shmuel Onn (Technion Haifa Israel) Cuadrados
Más detallesEl método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Más detallesIngeniería de Sistemas. Teoría de colas y juegos
Ingeniería de Sistemas Teoría de colas y juegos DEFINICIÓN Estudio analítico del comportamiento de líneas de espera. DEFINICIÓN OBJETIVOS DE LA TEORÍA DE COLAS Identificar el nivel óptimo de capacidad
Más detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detallesAplicación de las redes bayesianas dinámicas a la predicción de series de datos y a la detección de anomalías
Universidad Autónoma de Madrid Escuela Politécnica Superior Departamento de Ingeniería Informática Aplicación de las redes bayesianas dinámicas a la predicción de series de datos y a la detección de anomalías
Más detallesMuestreo probabilístico. Estimadores
Capítulo 1 Muestreo probabilístico. Estimadores Como hemos definido anteriormente, el muestreo es el proceso que nos permite la extracción de una muestra a partir de una población. Dentro de este muestreo
Más detallesClustering para la inicialización de HMM en RAH. Jorge Luis Guevara Díaz
Clustering para la inicialización de HMM en RAH Jorge Luis Guevara Díaz Introducción Introducción Definicion de RAH Formulación Arquitectura Extracción de características Modelo acústico Modelo del lenguaje
Más detallesMáquinas Secuenciales, Autómatas y Lenguajes. Tema 3.1: Autómatas Finitos Deterministas
Tema 3.1: Autómatas Finitos Deterministas Luis Peña luis.pena@urjc.es http://www.ia.urjc.es/cms/es/docencia/ic-msal Sumario Tema 3.1: Autómatas Finitos Deterministas. 1. Concepto de AFD 2. Equivalencia
Más detalles520142: ALGEBRA y ALGEBRA LINEAL
520142: ALGEBRA y ALGEBRA LINEAL Segundo Semestre 2008, Universidad de Concepción CAPITULO 10: Espacios Vectoriales DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesAleatoriedad Deterministica Aplicaciones MC
Universidad Nacional de Ingeniería Facultad de Ciencias Física Computacional CC063 Aleatoriedad Deterministica Aplicaciones MC Prof: J. Solano 2012-I Introducción Algunos son atraídos a la informática,
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detalles18 Experimentos aleatorios. Sucesos y espacio muestral. Frecuencia y probabilidad de un suceso.
PRIMER CURSO DE E.S.O Criterios de calificación: 80% exámenes, 10% actividades, 10% actitud y trabajo 1 Números naturales. 2 Potencias de exponente natural. Raíces cuadradas exactas. 3 Divisibilidad. Concepto
Más detallesNOTACIÓN O GRANDE. El análisis de algoritmos estima el consumo de recursos de un algoritmo.
NOTACIÓN O GRANDE El análisis de algoritmos estima el consumo de recursos de un algoritmo. Esto nos permite comparar los costos relativos de dos o más algoritmos para resolver el mismo problema. El análisis
Más detallesDOT PLOT: VISUALIZACIÓN DE LA SIMILITUD ENTRE DOS SECUENCIAS
DOT PLOT: VISUALIZACIÓN DE LA SIMILITUD ENTRE DOS SECUENCIAS COMPARACION DE DOS ATPASAS DE PECES El DOT PLOT permite una visualización rápida de la similitud entre dos secuencias Inconvenientes: No identifica
Más detallesNombre de la asignatura: Investigación de Operaciones II. Créditos: Aportación al perfil
Nombre de la asignatura: Investigación de Operaciones II Créditos: 2-2-4 Aportación al perfil Analizar, diseñar y gestionar sistemas productivos desde la provisión de insumos hasta la entrega de bienes
Más detallesAutómatas Deterministas. Ivan Olmos Pineda
Autómatas Deterministas Ivan Olmos Pineda Introducción Los autómatas son una representación formal muy útil, que permite modelar el comportamiento de diferentes dispositivos, máquinas, programas, etc.
Más detallesALGEBRA y ALGEBRA LINEAL. Primer Semestre CAPITULO 6. POLINOMIOS DE UNA VARIABLE.
ALGEBRA y ALGEBRA LINEAL 520142 Primer Semestre CAPITULO 6. POLINOMIOS DE UNA VARIABLE. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Polinomio Sea K (Q,
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesLa teoría de coalescencia
La teoría de coalescencia Proceso estocástico Es un linaje de alelos proyectado hacia el pasado (su ancestro común mas reciente) Aproximación básica usando el modelo de Wright-Fisher Modelo probabilístico
Más detallesAprendizaje: Boosting y Adaboost
Técnicas de Inteligencia Artificial Aprendizaje: Boosting y Adaboost Boosting 1 Indice Combinando clasificadores débiles Clasificadores débiles La necesidad de combinar clasificadores Bagging El algoritmo
Más detallesGeneración de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Generación de Variables Aleatorias UCR ECCI CI-453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción Las variables aleatorias se representan por medio de distribuciones
Más detallesAlgoritmos para determinar Caminos Mínimos en Grafos
Problemas de camino mínimo Algoritmos para determinar Caminos Mínimos en Grafos Algoritmos y Estructuras de Datos III DC, FCEN, UBA, C 202 Problemas de camino mínimo Dado un grafo orientado G = (V, E)
Más detalles2.3 Clasificación de modelos matemáticos.
2.3 Clasificación de modelos matemáticos. Qué es un modelo? Un modelo es una representación ideal de un sistema y la forma en que este opera. El objetivo es analizar el comportamiento del sistema o bien
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 detallesPROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES. Prof. Johnny Montenegro 1 M.
PROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES Prof. Johnny Montenegro 1 M. PROBABILIDADES 2 Una variable es aleatoria si toma los valores de los resultados de un experimento aleatorio. Esta
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Estadistica. CURSO ACADÉMICO - SEMESTRE Primer semestre
ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Estadistica CURSO ACADÉMICO - SEMESTRE 2016-17 - Primer semestre GA_05IQ_55001012_1S_2016-17 Datos Descriptivos Nombre de la Asignatura Titulación Centro
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 detallesTECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN
TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN FUNDAMENTOS CURSO DE DOCTORADO Dr. Ramón García-Martínez * * * CONTEXTO La inteligencia de negocio propone un abordaje interdisciplinario que tomando:
Más detallesAlvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012
Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesEl Juego como Problema de Búsqueda
El Juego como Problema de Búsqueda En este algoritmo identificamos dos jugadores: max y min. El objetivo es encontrar la mejor movida para max. Supondremos que max mueve inicialmente y que luego se turnan
Más detallesVECTORES vector Vector posición par ordenado A(a, b) representa geométricamente segmento de recta dirigido componentes del vector
VECTORES Un vector (Vector posición) en el plano es un par ordenado de números reales A(a, b). Se representa geométricamente por un segmento de recta dirigido, cuyo punto inicial es el origen del sistema
Más detallesLISTA DE SÍMBOLOS. Capítulo 2 EJEMPLOS Y TEORIA DE LAS VIBRACIONES PARAMÉTRICAS 2.1 Introducción T - Periodo Ω - Frecuencia a- parámetro b- parámetro
LISTA DE SÍMBOLOS Capítulo 2 EJEMPLOS Y TEORIA DE LAS VIBRACIONES PARAMÉTRICAS 2.1 Introducción T - Periodo Ω - Frecuencia a- parámetro b- parámetro 2.1.1 Rigidez Flexiva que Difiere en dos Ejes x- Desplazamiento
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 detallesUnidad II. 2.1 Concepto de variable, función, dominio, condominio y recorrido de una función.
Unidad II Funciones 2.1 Concepto de variable, función, dominio, condominio y recorrido de una función. Función En matemática, una función (f) es una relación entre un conjunto dado X (llamado dominio)
Más detallesInteligencia de enjambres
Inteligencia de enjambres Diego Milone Inteligencia Computacional Departamento de Informática FICH-UNL Autómata de estados finitos Definición A =< X, Y, E, D > Autómata de estados finitos Definición A
Más detallesCarrera: INB Participantes. Representante de las academias de ingeniería industrial de. Academias Ingeniería Industrial.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Investigación de Operaciones II Ingeniería Industrial INB-0412 4-0-8 2.- HISTORIA
Más detallesLA RECTA Y SUS ECUACIONES
UNIDAD LA RECTA Y SUS ECUACIONES EJERCICIOS RESUELTOS Objetivo general. Al terminar esta Unidad resolverás ejercicios y problemas correspondientes a las rectas en el plano y sus ecuaciones. Objetivo. Recordarás
Más detallesLOS CONTENIDOS DE MATEMÁTICAS EN LOS BACHILLERATOS ITALIANOS
LOS CONTENIDOS DE MATEMÁTICAS EN LOS BACHILLERATOS ITALIANOS LOS CONTENIDOS DEL BIENIO (1º Y 2º AÑO) PROGRAMA A (PARA LOS INDERIZZOS CLÁSICO, LINGÜÍSTICO, SOCIO-PSICO-PEDAGÓGICO Y ARTÍSTICO, 4 horas semanales)
Más detallesRectas y Planos en el Espacio
Rectas y Planos en el Espacio Rectas y Planos en el Espacio Verónica Briceño V. septiembre 2012 Verónica Briceño V. () Rectas y Planos en el Espacio septiembre 2012 1 / 20 En esta Presentación... En esta
Más detallesVariables aleatorias continuas
Probabilidades y stadística Computación Facultad de Ciencias actas y Naturales Universidad de uenos ires na M ianco y lena J Martínez 004 Variables aleatorias continuas jemplo: Con el in de realizar un
Más detallesRelaciones. Estructuras Discretas. Relaciones. Relaciones en un Conjunto. Propiedades de Relaciones en A Reflexividad
Estructuras Discretas Relaciones Definición: relación Relaciones Claudio Lobos, Jocelyn Simmonds clobos,jsimmond@inf.utfsm.cl Universidad Técnica Federico Santa María Estructuras Discretas INF 152 Sean
Más detallesESTADISTICA Y PROBABILIDAD ESTADÍSTICA
ESTADÍSTICA La estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comprobaciones y sacar conclusiones. Un estudio estadístico consta
Más detallesPruebas de Hipótesis Multiples
Pruebas de Hipótesis Multiples Cuando queremos hacer comparaciones de mas de dos poblaciones, una alternativa es comparar todos los grupos a la vez con el método de Análisis de Varianza (ANOVA) H o : µ
Más detallesInteligencia Artificial II (Curso ) Ejercicios propuestos del tema 3
Inteligencia rtificial II (urso 2012-2013) jercicios propuestos del tema 3 jercicio 1: Supongamos que tenemos cinco variables aleatorias,,, y, tales que: ˆ es independiente de. ˆ es independiente de y
Más detallesDar una introducción sobre la asignatura IO Familiarizar al estudiante con las características y aplicación del modelo de matriz de decisiones
I Unidad: Introducción a al Investigación de Operaciones. Contenidos: 1. Breve reseña histórica de la l. De O. 2. Concepto de la l. De O. 3. Objeto de Estudio de la l. De O. 4. Introducción a la teoría
Más detallesIntroducción a la programación lineal
Introducción a la programación lineal La programación lineal se aplica a modelos de optimización en los que las funciones objetivo y restricción son estrictamente lineales. La técnica se aplica en una
Más detallesCAPÍTULO 4 TÉCNICA PERT
54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detalles1.1 CASO DE ESTUDIO: JUEGO DE CRAPS
. CASO DE ESTUDIO: JUEGO DE CRAPS El juego de Craps se practica dejando que un jugador lance dos dados hasta que gana o pierde, el jugador gana en el primer lanzamiento si tiene como total 7 u, pierde
Más detallesComplejidad - Problemas NP-Completos. Algoritmos y Estructuras de Datos III
Complejidad - Problemas NP-Completos Algoritmos y Estructuras de Datos III Teoría de Complejidad Un algoritmo eficiente es un algoritmo de complejidad polinomial. Un problema está bien resuelto si se conocen
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesEcuaciones Lineales en Dos Variables
Ecuaciones Lineales en Dos Variables Una ecuación lineal en dos variables tiene la forma general a + b + c = 0; donde a, b, c representan números reales las tres no pueden ser iguales a cero a la misma
Más detallesSistemas de Inventario con Remanufacturación y Distribución
Metaheurísticas y Optimización sobre Redes 2009 Sistemas de Inventario con Remanufacturación y Distribución Dpto. Investigación Operativa InCo FING UDELAR Doctorado en Informática PEDECIBA, Tutor: Omar
Más detallesMay 4, 2012 CAPÍTULO 5: OPTIMIZACIÓN
May 4, 2012 1. Optimización Sin Restricciones En toda esta sección D denota un subconjunto abierto de R n. 1.1. Condiciones Necesarias de Primer Orden. Proposición 1.1. Sea f : D R diferenciable. Si p
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesAnálisis de Algoritmos
Análisis de Algoritmos Amalia Duch Barcelona, marzo de 2007 Índice 1. Costes en tiempo y en espacio 1 2. Coste en los casos mejor, promedio y peor 3 3. Notación asintótica 4 4. Coste de los algoritmos
Más detallesTema 3: El Método Simplex. Algoritmo de las Dos Fases.
Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesMétodos de Búsqueda para juegos humano-maquina. PROF: Lic. Ana María Huayna D.
Métodos de Búsqueda para juegos humano-maquina PROF: Lic. Ana María Huayna D. Tópicos 1. Introducción 2. Juegos 3. Estrategias de Juego 4. Algoritmo Minimax 5. Algoritmo Poda Alfa-Beta 1.- Introducción
Más detallesLa eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
Más detallesDistribuciones de probabilidad con R Commander
Distribuciones de probabilidad con R Commander En el menú Distribuciones podemos seleccionar Distribuciones discretas Distribuciones continuas Las distribuciones discretas que aparecen en R Commander son
Más detallesSimulación. Problema del jardinero. Modelo de stock aleatorio. Camino crítico.
Simulación Temario de la clase Introducción. Generacion de variables aleatorias: método de la transformada inversa. Avance del tiempo de simulación. Determinación de la cantidad de iteraciones requeridas.
Más detallesEJERCICIOS DE GEOMETRÍA PLANA. 1. Hallar las ecuaciones paramétricas de la recta r que pasa por el punto ( 2, 2) tiene como vector director el vector
EJERCICIOS DE GEOMETRÍA PLANA Hallar las ecuaciones paramétricas de la recta r que pasa por el punto (, ) tiene como vector director el vector v i j A y x a + vt La ecuación paramétrica de una recta es
Más detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detallesSistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad
Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Indice 1) Sucesos aleatorios. Espacio muestral. 2) Operaciones con sucesos. 3) Enfoques de la Probabilidad.
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesMaxima Verosimilitud [Escribir el subtítulo del documento] Valores que hacen mas verosímil la información
Maxima Verosimilitud [Escribir el subtítulo del documento] Valores que hacen mas verosímil la información Theodoro Perez Brito 24/05/2009 1. Principio de la máxima Verosimilitud: Supongamos que la distribución
Más detalles