Estadística Multivariada Computacional Introducción al Aprendizaje Automático (parte 1)

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Estadística Multivariada Computacional Introducción al Aprendizaje Automático (parte 1)"

Transcripción

1 Estadística Multivariada Computacional Introducción al Aprendizaje Automático (parte 1) Mathias Bourel IMERL - Facultad de Ingeniería, Universidad de la República, Uruguay 24 de octubre de 2016 M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

2 Introducción Otras denominaciones: machine learning, statistical learning, inteligencia artificial Las técnicas de Aprendizaje Estadístico pueden ayudar a resolver los problemas que se presentan frecuentemente al modelar un fenómeno ecológico, económico, médico, climático, etc. Idea: a partir de una muestra de entrenamiento, construir y entrenar un modelo que permitirá, dada una nueva observación, predecir la categoría a la que pertenece o algún valor relevante de salida. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

3 Ejemplos Predecir si un correo es spam o no spam. Predecir si un paciente es propenso a tener una enfermedad cardíaca. Estimar la tasa de ozono en una ciudad teniendo en cuentas variables climáticas. Predecir la ausencia o presencia de una especie en determinado medio. Predecir fugas de clientes para una institución financiera. Identificar cifras manuscritas de códigos postales en sobres. Partir una población en varios subgrupos. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

4 Aprendizaje Estadístico M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

5 Esquema del Aprendizaje Estadístico Contexto general del Aprendizaje Estadístico: L una base de datos. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

6 Esquema del Aprendizaje Estadístico Contexto general del Aprendizaje Estadístico: L una base de datos. Queremos hallar f : X Y un buen predictor. Aprendizaje Supervisado L = {(X 1, Y 1 ),..., (X n, Y n)} X Y R d R X (input): variable independiente, explicativa, de entrada (reales o multidimensionales, continuas, categóricas, binarias, etc. Y (output): variable dependiente, de salida real o categórica. Clasificación: Y { 1, 1} (binario) or Y {1,..., K} (multiclasses). Regresión: Y R. Aprendizaje No Supervisado L = {X 1,..., X n} X R d Clustering Estimación de la densidad M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

7 Ejemplos 1 Contaminación ambiental Variables de entrada X : vector de variables ambientales en el día n (temperatura, presión atmosférica, vientos, etc.) Variable de salida Y : nivel de contaminación ambiental en el día n + 1 El ejemplo corresponde a un problema de regresión, pero si se considera la variable de salida Y dividida en categorías el problema es de clasificación. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

8 Ejemplos 2. Selección de hábitat de una especie. Variables de entrada X : abundancia de alimento, características del terreno (altitud, pendiente), distancia al agua, etc. Variable de salida Y : presencia/ausencia de la especie. El output Y es una variable binaria, esto es toma sólo los valores 0, 1, por lo que el ejemplo es de clasificación. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

9 Ejemplos 3. Predicción de fugas de clientes en una institución bancaria Variables de entrada X : comportamiento bancario (saldos mensuales, retiros, etc.), sociodemográfica (datos personales), percepción de la calidad del servicio, antig. ed ad cliente. Variable de salida Y : fuga o no fuga del cliente. El output Y es una variable binaria, esto es toma sólo los valores 0, 1, por lo que el ejemplo es de clasificación. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

10 Un poco de formalidad En general consideramos una función de perdida L (de 3 variables en contexto supervisado), es decir L(x, y, u) la cual mide el costo de decidir u para el input x sabiendo que y es el verdadero output. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

11 Un poco de formalidad En general consideramos una función de perdida L (de 3 variables en contexto supervisado), es decir L(x, y, u) la cual mide el costo de decidir u para el input x sabiendo que y es el verdadero output. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

12 Un poco de formalidad En general consideramos una función de perdida L (de 3 variables en contexto supervisado), es decir L(x, y, u) la cual mide el costo de decidir u para el input x sabiendo que y es el verdadero output. Más precisamente, se busca una función f C (teórica), entre todas las funciones de una cierta clase C, que haga mínimo el valor esperado de L (que llamamos riesgo), es decir que haga mínimo R L (f ) = E ( L(X, Y, f (X ) ). M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

13 Un poco de formalidad En general consideramos una función de perdida L (de 3 variables en contexto supervisado), es decir L(x, y, u) la cual mide el costo de decidir u para el input x sabiendo que y es el verdadero output. Más precisamente, se busca una función f C (teórica), entre todas las funciones de una cierta clase C, que haga mínimo el valor esperado de L (que llamamos riesgo), es decir que haga mínimo R L (f ) = E ( L(X, Y, f (X ) ). La elección de C depende de la naturaleza del fenómeno que se modela, las hipótesis y la experiencia sobre los datos que se disponen, la opinión de los expertos, etc. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

14 Un poco de formalidad En la práctica este predictor se construye a partir de una muestra de entrenamiento L = {(X 1, Y 1 ), (X 2, Y 2 ),..., (X n, Y n)} y se construye como aquella función que minimiza el riesgo empírico R n,l (f ) = 1 n L ( X i, Y i, f (X i ) ) n i=1 Es decir, 1 n f C = ArgminR n,l (g) = Argmin L ( X i, Y i, g(x i ) ) g C g C n i=1 M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

15 Un poco de formalidad Por ejemplo, en un problema de clasificación si Y {1,..., K}, utilizamos como función de pérdida L(x, y, u) = 1 {u y}. El riesgo asociado a L es: R L (f ) = P ( Y f (X ) ) y el riesgo empírico es La función que minimiza R L (f ) es R L,n (f ) = 1 n #{i : f (X i ) Y i } f (x) = Argmax P(Y = k X = x) k {1,...,K} y predice la clase k quién maximiza la probabilidad a posteriori de Y sabiendo X. Este clasificador se conoce como clasificador de Bayes. Si en vez de minimizar el riesgo teórico minimizamos el riesgo empírico, el problema se reduce en buscar aquella función que minimiza la cantidad de errores cometidos sobre la muestra. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

16 Problema de Clasificación Supongamos que nuestro problema es binario y que queremos clasificar las observaciones en dos categorías: 0 y 1. En este caso el clasificador de Bayes es la función f que minimiza la probabilidad de equivocarse: f = Argmin P(f (X ) Y ) f :X {0,1} M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

17 Problema de Clasificación Supongamos que nuestro problema es binario y que queremos clasificar las observaciones en dos categorías: 0 y 1. En este caso el clasificador de Bayes es la función f que minimiza la probabilidad de equivocarse: f = Argmin P(f (X ) Y ) f :X {0,1} y se obtiene de la siguiente manera: { f 1 si P(Y = 1 X = x) 1 (x) = 2 0 si P(Y = 1 X = x) < 1 2 M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

18 Problema de Clasificación Supongamos que nuestro problema es binario y que queremos clasificar las observaciones en dos categorías: 0 y 1. En este caso el clasificador de Bayes es la función f que minimiza la probabilidad de equivocarse: f = Argmin P(f (X ) Y ) f :X {0,1} y se obtiene de la siguiente manera: { f 1 si P(Y = 1 X = x) 1 (x) = 2 0 si P(Y = 1 X = x) < 1 2 Sea ahora f : X {0, 1} una función medible (un clasificador) y x X. entonces P(f (X ) Y X = x) = 1 P(f (X ) = Y X = x). M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

19 Problema de Clasificación Supongamos que nuestro problema es binario y que queremos clasificar las observaciones en dos categorías: 0 y 1. En este caso el clasificador de Bayes es la función f que minimiza la probabilidad de equivocarse: f = Argmin P(f (X ) Y ) f :X {0,1} y se obtiene de la siguiente manera: { f 1 si P(Y = 1 X = x) 1 (x) = 2 0 si P(Y = 1 X = x) < 1 2 Sea ahora f : X {0, 1} una función medible (un clasificador) y x X. entonces P(f (X ) Y X = x) = 1 P(f (X ) = Y X = x). Como P(Y = f (X ) X = x) = máx { P(Y = 0 X = x), P(Y = 1 X = x) } se tiene : P(f (X ) Y X = x) P(f (X ) Y X = x) = P(Y = f (X ) X = x) P(Y = f (X ) X = x) 0 M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

20 Problema de Clasificación Supongamos que nuestro problema es binario y que queremos clasificar las observaciones en dos categorías: 0 y 1. En este caso el clasificador de Bayes es la función f que minimiza la probabilidad de equivocarse: f = Argmin P(f (X ) Y ) f :X {0,1} y se obtiene de la siguiente manera: { f 1 si P(Y = 1 X = x) 1 (x) = 2 0 si P(Y = 1 X = x) < 1 2 Sea ahora f : X {0, 1} una función medible (un clasificador) y x X. entonces P(f (X ) Y X = x) = 1 P(f (X ) = Y X = x). Como P(Y = f (X ) X = x) = máx { P(Y = 0 X = x), P(Y = 1 X = x) } se tiene : Entonces: P(f (X ) Y X = x) P(f (X ) Y X = x) = P(Y = f (X ) X = x) P(Y = f (X ) X = x) 0 x X P(f (X ) Y X = x) P(f (X ) Y X = x) M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

21 Problema de Clasificación Supongamos que nuestro problema es binario y que queremos clasificar las observaciones en dos categorías: 0 y 1. En este caso el clasificador de Bayes es la función f que minimiza la probabilidad de equivocarse: f = Argmin P(f (X ) Y ) f :X {0,1} y se obtiene de la siguiente manera: { f 1 si P(Y = 1 X = x) 1 (x) = 2 0 si P(Y = 1 X = x) < 1 2 Sea ahora f : X {0, 1} una función medible (un clasificador) y x X. entonces P(f (X ) Y X = x) = 1 P(f (X ) = Y X = x). Como P(Y = f (X ) X = x) = máx { P(Y = 0 X = x), P(Y = 1 X = x) } se tiene : Entonces: P(f (X ) Y X = x) P(f (X ) Y X = x) = P(Y = f (X ) X = x) P(Y = f (X ) X = x) 0 x X P(f (X ) Y X = x) P(f (X ) Y X = x) y por lo tanto, si F es la función de distribución de X, obtenemos que el riesgo de Bayes L es: L = P(f (X ) Y ) = P(f (X ) Y X = x) df (x) P(f (X ) Y X = x) df (x) = P(f (X ) Y ). M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

22 Un poco de formalidad Por ejemplo, en un problema de regresión se busca una función f : R d R de manera que dada una nueva (X, Y ), la prdiction f (X ) sea una buena aproximación de Y, es decir que la distancia entre f (X ) e Y sea pequeña. Se utiliza L(x, y, u) = (u y) 2. El riesgo asociado a L es: R L (f ) = E X,Y ( (Y f (X )) 2 ) y el riesgo empírico es R L,n (f ) = 1 n i=1 La función que minimiza R L (f ) es n ( Yi f (X i ) ) 2 f (x) = E(Y X = x) Si en vez de minimizar el riesgo teórico minimizamos el riesgo empírico, el problema se reduce en buscar aquella función que minimiza el método de los mínimos cuadrados. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

23 Errores de aproximación Si llamamos: f al predictor teórico (no lo conocemos ni lo vamos a conocer). f C al mejor entre todos los predictores posibles dentro de la clase de funciones C (no lo conocemos ni lo vamos a conocer). ˆf n al predictor que usamos en la práctica (el que minimiza el riesgo empírico): Clase de funciones C Error de estimación (controlable) f n f C Error de modelización f M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

24 Errores de aproximación Error de modelización (asociado al sesgo): f f C depende de la elección de la clase C, si consideramos como la familia de todas las funciones posibles, tendremos overfitting. Error de estimación (asaociado a la varianza): ˆf n f C es un error estadístico, si el tamaño n de la muestra es grande, bajo ciertas hipótesis sobre la clase C, se cumple que ˆf n converge, cuando n tiende a infinito a f C. Un modelo muy simple tendrá probablemente un alto error de modelización y no aprenderemos demasiado de los datos (subajuste, underfitting) mientras que un modelo con muchos parametros tendrá un alto error estadístico (tendencia a sobreajustar, overfitting). Debemos lograr un compromiso entre ambos errores, de forma tal que el error global sea el menor posible. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

25 Teorema Fundamental del Learning El Teorema Fundamental del Learning (Vapnik, 1997) establece que, bajo ciertas condiciones sobre la clase de funciones C, ˆf n converge a f C (riesgos mediante). Estas condiciones están relacionadas con la dimensión de Vapnik-Chervonenkis (dimensión VC) de la clase de funciones C. La dimensión VC mide cuan grande es una clase infinita de funciones, así si C no es demasiado grande, esto es que la dimensión VC es finita, se está en las hipótesis del Teorema fundamental de Learning. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

26 Un poco de formalidad Para evitar el sobreajuste (overfitting), se evalúa la performance del predictor (error de clasificación, error cuadrático medio) con una nueva muestra llamada muestra de evaluación, independiente de la muestra de entrenamiento. Otras formas de evaluar el predictor: validación cruzada, bootstrap. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

27 Overfitting M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

28 Overfitting y f(x) y f(x) p = x x y f(x) p = 3 y f(x) p = x x M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

29 Modelo lineal: regresión lineal simple (métodos de los minimos cuadrados) M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

30 Modelo lineal: regresión lineal simple (métodos de los minimos cuadrados) Datos: L = {(X 1, Y 1 ),..., (X n, Y n)} M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

31 Modelo lineal: regresión lineal simple (métodos de los minimos cuadrados) Datos: L = {(X 1, Y 1 ),..., (X n, Y n)} Se busca la recta y = ax + b que pasa lo más cerca posible de los datos. Y i a x i +b b ε i x i Hallamos a y b que minimizan la suma de los errores al cuadrado n ε 2 i = n ( Yi (ax i + b) ) 2 i=1 i=1 El modelo de la regresión lineal simple es Y i = ax i + b +ε i, i = 1,..., n }{{} y est M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

32 Modelo lineal (métodos de los minimos cuadrados) El método anterior se puede ampliar fácilmente. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

33 Modelo lineal (métodos de los minimos cuadrados) El método anterior se puede ampliar fácilmente. Por ejemplo la parábola de minímos cuadrados que ajusta un conjunto de puntos: M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

34 Modelo lineal (métodos de los minimos cuadrados) El método anterior se puede ampliar fácilmente. Por ejemplo la parábola de minímos cuadrados que ajusta un conjunto de puntos: y = a + bx + cx 2 (modelo lineal en los coeficientes!) y 1 y 2 y 3 = 1 x 1 x x 2 x x 3 x 2 3 a b c + ε 1 ε 2 ε 3 M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

35 CART Classification And Regression Trees, Breiman Dos tipos de arboles: arboles de regresión para predecir variables continuas y arboles de clasificación para predecir variables categóricas. El arbol se construye a partir de particiones binarias respecto de las coordenadas de los datos. Por ejemplo si X = (X 1,..., X d ) es un dato, la condición de corte va ser del tipo X 2 < c o X 2 c y asi sucesivamente. Etapas: 1 Separación binaria de los datos de cada nodo en dos subnodos según algún criterio M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

36 CART Classification And Regression Trees, Breiman Dos tipos de arboles: arboles de regresión para predecir variables continuas y arboles de clasificación para predecir variables categóricas. El arbol se construye a partir de particiones binarias respecto de las coordenadas de los datos. Por ejemplo si X = (X 1,..., X d ) es un dato, la condición de corte va ser del tipo X 2 < c o X 2 c y asi sucesivamente. Etapas: 1 Separación binaria de los datos de cada nodo en dos subnodos según algún criterio 2 Decisión del tamaño del árbol: criterios de parada y de poda M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

37 CART Classification And Regression Trees, Breiman Dos tipos de arboles: arboles de regresión para predecir variables continuas y arboles de clasificación para predecir variables categóricas. El arbol se construye a partir de particiones binarias respecto de las coordenadas de los datos. Por ejemplo si X = (X 1,..., X d ) es un dato, la condición de corte va ser del tipo X 2 < c o X 2 c y asi sucesivamente. Etapas: 1 Separación binaria de los datos de cada nodo en dos subnodos según algún criterio 2 Decisión del tamaño del árbol: criterios de parada y de poda 3 Asignación de una clase o de un valor a los nodos terminales. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

38 CART Ejemplo: Iris Objetivo: Predecir la especie de la flor de iris. Datos: de 150 flores Variable dependiente: Especie (setosa, virginica, versicolor) Variables independientes: largo y ancho del sépalo, largo y ancho del pétalo M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

39 CART Ejemplo: Contaminación aire (airquality) Objetivo: Predecir el nivel de ozono en New York. Datos: de 153 días Variable dependiente: nivel de ozono Variables independientes: fecha, radiación solar, viento y temperatura M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

40 CART Facil interpretación, pero... muy inestable: un pequeño cambio en la muestra lleva a resultados completamente distintos. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

41 CART Facil interpretación, pero... muy inestable: un pequeño cambio en la muestra lleva a resultados completamente distintos. Idea de combinar clasificadores (métodos de agregación): 1 Bagging (Breiman, 1996): promedio de varios arboles basados en remuestras de los datos. 2 Random Forests (Breiman, 2001): combina los algoritmos Bagging y CART. 3 Boosting (Freund and Shapire, 1997): promedio ponderado de arboles. La ponderación toma en cuenta la performance de cada arbol en cada etapa del algoritmo. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

42 Support Vector Machines (SVM) En el contexto de clasificación, SVM (Vapnik, 1995) es una metodología que consiste en encontrar una curva que separe lo mejor posible los datos. M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

43 Support Vector Machines (SVM) En el contexto de clasificación, SVM (Vapnik, 1995) es una metodología que consiste en encontrar una curva que separe lo mejor posible los datos. Si los datos son linealmente separables: válido optimo válido M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

44 Support Vector Machines Si los datos no son linealmente separables, los llevamos a un espacio donde sí lo son: Φ M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

45 Aprendizaje No Supervisado Esta vez se dispone de una muestra de entrenamiento pero sin output, es decir, L = {X 1,..., X n} donde X i R d y se quiere formar K grupos distintos y homogéneos (clustering). M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

46 Aprendizaje No Supervisado Esta vez se dispone de una muestra de entrenamiento pero sin output, es decir, L = {X 1,..., X n} donde X i R d y se quiere formar K grupos distintos y homogéneos (clustering). M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

47 Aprendizaje No Supervisado Esta vez se dispone de una muestra de entrenamiento pero sin output, es decir, L = {X 1,..., X n} donde X i R d y se quiere formar K grupos distintos y homogéneos (clustering). M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

48 Bibliografía James, G., Witten, D., Hastie, T., Tibshirani, R An Introduction to Statistical Learning with Applications in R. Springer Texts in Statistics. Devroye,L., Györfi,L. and Lugosi,G A Probability Theory of Pattern Recognition. Springer. Vapnik,V Statistical Learning Theory. Wiley. Breiman, L Bagging predictors. Machine Learning, 24(2): Freund, Y. y Schapire, E; A decision-theoretic generalization of on-line learning and application to boosting, Journal of Computer and System Sciences, (1): p M.Bourel (IMERL, UdelaR) EMC de octubre de / 29

Aprendizaje Automático

Aprendizaje Automático Aprendizaje Automático Andrea Mesa 21 de mayo de 2010 Aprendizaje automático Otras denominaciones: machine learning, statistical learning, data mining, inteligencia artificial. Las técnicas de Aprendizaje

Más detalles

Aprendizaje: Boosting y Adaboost

Aprendizaje: 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 detalles

Métodos de agregación de modelos y aplicaciones

Métodos de agregación de modelos y aplicaciones Métodos de agregación de modelos y aplicaciones Model aggregation methods and applications Mathias Bourel 1 Recibido: Mayo 2012 Aprobado: Agosto 2012 Resumen.- Los métodos de agregación de modelos en aprendizaje

Más detalles

GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)

GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2015-2016 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Escuela Politécnica Superior

Más detalles

Teoría de la decisión

Teoría de la decisión 1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia

Más detalles

Tema 15: Combinación de clasificadores

Tema 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 detalles

Aprendizaje basado en ejemplos.

Aprendizaje basado en ejemplos. Aprendizaje basado en ejemplos. In whitch we describe agents that can improve their behavior through diligent study of their own experiences. Porqué queremos que un agente aprenda? Si es posible un mejor

Más detalles

Aux 6. Introducción a la Minería de Datos

Aux 6. Introducción a la Minería de Datos Aux 6. Introducción a la Minería de Datos Gastón L Huillier 1,2, Richard Weber 2 glhuilli@dcc.uchile.cl 1 Departamento de Ciencias de la Computación Universidad de Chile 2 Departamento de Ingeniería Industrial

Más detalles

Método de cuadrados mínimos

Método de cuadrados mínimos REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,

Más detalles

Aprendizaje Automatizado

Aprendizaje 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 detalles

Aprendizaje Supervisado Árboles de Decisión

Aprendizaje Supervisado Árboles de Decisión Aprendizaje Supervisado Árboles de Decisión 10 10 Modelo general de los métodos de Clasificación Id Reembolso Estado Civil Ingresos Anuales 1 Sí Soltero 125K No 2 No Casado 100K No 3 No Soltero 70K No

Más detalles

Capítulo 8. Análisis Discriminante

Capítulo 8. Análisis Discriminante Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables

Más detalles

ESTADÍSTICA. Tema 4 Regresión lineal simple

ESTADÍSTICA. Tema 4 Regresión lineal simple ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del

Más detalles

Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO

Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar

Más detalles

Facultad de Ciencias Sociales - Universidad de la República

Facultad de Ciencias Sociales - Universidad de la República Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura

Más detalles

1. DATOS DE LA ASIGNATURA

1. DATOS DE LA ASIGNATURA 1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Curso Avanzado de Estadística Titulación: Máster en Matemáticas y aplicaciones Código Breve Descripción: El curso está centrado en dos temas relativamente

Más detalles

Análisis de datos Categóricos

Análisis 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 detalles

Preliminares Interpolación INTERPOLACIÓN Y APROXIMACIÓN POLINOMIAL

Preliminares Interpolación INTERPOLACIÓN Y APROXIMACIÓN POLINOMIAL INTERPOLACIÓN Y APROXIMACIÓN POLINOMIAL Contenido Preliminares 1 Preliminares Teorema 2 Contenido Preliminares Teorema 1 Preliminares Teorema 2 Teorema Preliminares Teorema Teorema: Serie de Taylor Supongamos

Más detalles

OPTIMIZACIÓN EXPERIMENTAL. Ing. José Luis Zamorano E.

OPTIMIZACIÓN EXPERIMENTAL. Ing. José Luis Zamorano E. OPTIMIZACIÓN EXPERIMENTAL Ing. José Luis Zamorano E. Introducción n a la metodología de superficies de respuesta EXPERIMENTACIÓN: Significa variar deliberadamente las condiciones habituales de trabajo

Más detalles

Proyecto 6. Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial.

Proyecto 6. Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial. Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial. Funcionamiento: Se realiza un test en cada nodo interno del árbol, a medida que

Más detalles

3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS

3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS 1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias

Más detalles

Métodos Predictivos en Minería de Datos

Métodos Predictivos en Minería de Datos Métodos Predictivos en Minería de Datos Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado de la Universidad de Stanford. Duración: Cuatro

Más detalles

Random Forests. Felipe Parra

Random Forests. Felipe Parra Applied Mathematics Random Forests Abril 2014 Felipe Parra Por que Arboles para Clasificación PERFIL DE RIESGO: definir con qué nivel de aversión al riesgo se toman decisiones Interpretación intuitiva

Más detalles

Tema 6: Ecuaciones diferenciales lineales.

Tema 6: Ecuaciones diferenciales lineales. Tema 6: Ecuaciones diferenciales lineales Una ecuación diferencial lineal de orden n es una ecuación que se puede escribir de la siguiente forma: a n (x)y (n) (x) + a n 1 (x)y (n 1) (x) + + a 0 (x)y(x)

Más detalles

Maestría en Bioinformática Probabilidad y Estadística: Clase 3

Maestría 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 detalles

CM0244. Suficientable

CM0244. Suficientable IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE

Más detalles

Métodos Estadísticos Multivariados

Métodos Estadísticos Multivariados Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre

Más detalles

Probabilidad y Estadística

Probabilidad y Estadística Programa de la Asignatura: Código: 23 Probabilidad y Estadística Carrera: Ingeniería en Computación Plan: 2013 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Tercer año Primer cuatrimestre

Más detalles

ANÁLISIS DISCRIMINANTE (AD)

ANÁLISIS DISCRIMINANTE (AD) discrim_predictivo.doc 30//05 vgg ANÁLISIS DISCRIMINANTE (AD) Regresión con respuesta categórica Y Cómo depende Y de las variables X, X,... X p? cualitativa cuantitativas Planteamiento Predictivo del AD:

Más detalles

INDICE. Prólogo a la Segunda Edición

INDICE. Prólogo a la Segunda Edición INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.

Más detalles

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO

RESUMEN 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 detalles

Tema 2. Descripción Conjunta de Varias Variables

Tema 2. Descripción Conjunta de Varias Variables Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis

Más detalles

Fundamentos matemáticos. Tema 8 Ecuaciones diferenciales

Fundamentos matemáticos. Tema 8 Ecuaciones diferenciales Grado en Ingeniería agrícola y del medio rural Tema 8 José Barrios García Departamento de Análisis Matemático Universidad de La Laguna jbarrios@ull.es 2016 Licencia Creative Commons 4.0 Internacional J.

Más detalles

CÁLCULO DE PROBABILIDADES

CÁLCULO DE PROBABILIDADES CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.

Más detalles

Métodos de Clasificación sin Métrica. Reconocimiento de Patrones- 2013

Métodos de Clasificación sin Métrica. Reconocimiento de Patrones- 2013 Métodos de Clasificación sin Métrica Reconocimiento de Patrones- 03 Métodos de Clasificación sin Métrica Datos nominales sin noción de similitud o distancia (sin orden). Escala nominal: conjunto de categorías

Más detalles

Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México

Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel

Más detalles

TEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte)

TEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte) TEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte) Francisco José Ribadas Pena Modelos de Razonamiento y Aprendizaje 5 Informática ribadas@uvigo.es 17 de abril de 2012 FJRP ccia [Modelos

Más detalles

matemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4

matemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4 PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área

Más detalles

Minería de Datos. Árboles de Decisión. Fac. Ciencias Ing. Informática Otoño de Dept. Matesco, Universidad de Cantabria

Minería de Datos. Árboles de Decisión. Fac. Ciencias Ing. Informática Otoño de Dept. Matesco, Universidad de Cantabria Minería de Datos Árboles de Decisión Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Otoño de 2012 Twenty questions Intuición sobre los árboles de decisión Juego

Más detalles

INSTITUCIÓN EDUCATIVA GABRIEL TRUJILLO CORREGIMIENTO DE CAIMALITO, PEREIRA

INSTITUCIÓN EDUCATIVA GABRIEL TRUJILLO CORREGIMIENTO DE CAIMALITO, PEREIRA INSTITUCIÓN EDUCATIVA GABRIEL TRUJILLO CORREGIMIENTO DE CAIMALITO, PEREIRA Pobre del estudiante que no aventaje a su maestro. LA LÍNEA RECTA Leonardo da Vinci DESEMPEÑOS Identificar, interpretar, graficar

Más detalles

RELACION, ELONGACION-PESO DE UN RESORTE

RELACION, ELONGACION-PESO DE UN RESORTE RELACION, ELONGACION-PESO DE UN RESORTE Tatiana Ortiz 1, Natalie Díaz 2, Silvia Alvarado 3, Juan Felipe Mateus 4 Estudiante Microbiología Industrial- lady.ortiz@javeriana.edu.co Estudiante Biología natalie.diaz@javeriana.edu.co

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales 1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución

Más detalles

OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal

OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:

Más detalles

UN PROBLEMA DE OPTIMIZACIÓN CON CABRI: LA REGRESIÓN LINEAL.

UN PROBLEMA DE OPTIMIZACIÓN CON CABRI: LA REGRESIÓN LINEAL. UN PROBLEMA DE OPTIMIZACIÓN CON CABRI: LA REGRESIÓN LINEAL. Benjamín R. Sarmiento Lugo. Universidad Pedagógica Nacional bsarmiento@pedagogica.edu.co Esta conferencia está basada en uno de los temas desarrollados

Más detalles

PATRONES DE DISTRIBUCIÓN ESPACIAL

PATRONES DE DISTRIBUCIÓN ESPACIAL PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de

Más detalles

Asignaturas antecedentes y subsecuentes

Asignaturas antecedentes y subsecuentes PROGRAMA DE ESTUDIOS PROBABILIDAD Área a la que pertenece: Área Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0056 Asignaturas antecedentes y subsecuentes PRESENTACIÓN

Más detalles

15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos:

15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos: 15. Regresión lineal Este tema, prácticamente íntegro, está calacado de los excelentes apuntes y transparencias de Bioestadística del profesor F.J. Barón López de la Universidad de Málaga. Te recomiendo

Más detalles

Regresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A

Regresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs

Más detalles

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------

Más detalles

Lección 4. Ecuaciones diferenciales. 1. Ecuaciones diferenciales de primer orden. Trayectorias ortogonales.

Lección 4. Ecuaciones diferenciales. 1. Ecuaciones diferenciales de primer orden. Trayectorias ortogonales. GRADO DE INGENIERÍA AEROESPACIAL. CURSO 0.. Ecuaciones diferenciales de primer orden. Traectorias ortogonales. Muchas aplicaciones problemas de la ciencia, la ingeniería la economía se formulan en términos

Más detalles

Tema 2. Introducción a la Estadística Bayesiana

Tema 2. Introducción a la Estadística Bayesiana 2-1 Tema 2 Introducción a la Estadística Bayesiana El teorema de Bayes Ejemplo Interpretación Ejemplo: influencia de la distribución a priori Ejemplo: densidad de flujo Probabilidad bayesiana Ejemplo:

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA PROBABILIDAD Y ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Analizar y resolver problemas de naturaleza aleatoria en la ingeniería, aplicando conceptos

Más detalles

Inteligencia en Redes de Comunicaciones - 06 Aprendizaje

Inteligencia en Redes de Comunicaciones - 06 Aprendizaje El objetivo de este tema es realizar una introducción a los conceptos, fundamentos y técnicas básicas de aprendizaje computacional. En primer lugar se formalizará el concepto de aprendizaje y se describirán

Más detalles

Laboratorio Nº 1 La Descripción Gráfica de la Ecuación Diferencial Ordinaria

Laboratorio Nº 1 La Descripción Gráfica de la Ecuación Diferencial Ordinaria Universidad Diego Portales Segundo Semestre 007 Facultad de Ingeniería Instituto de Ciencias Básicas Asignatura: Ecuaciones Diferenciales Laboratorio Nº 1 La Descripción Gráfica de la Ecuación Diferencial

Más detalles

ESTADÍSTICA BAYESIANA Y TEORÍA DE DECISIONES

ESTADÍSTICA BAYESIANA Y TEORÍA DE DECISIONES MISIÓN Formar profesionales altamente capacitados, desarrollar investigación y realizar actividades de extensión en Matemáticas y Computación, así como en sus diversas aplicaciones. ESTADÍSTICA BAYESIANA

Más detalles

Carrera: Ingeniería Civil Participantes Comité de Evaluación Curricular de Institutos Tecnológicos

Carrera: Ingeniería Civil Participantes Comité de Evaluación Curricular de Institutos Tecnológicos 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Probabilidad y Estadística Ingeniería Civil Clave de la asignatura: Horas teoría-horas práctica-créditos 3-2-8 2.- HISTORIA DEL PROGRAMA Lugar

Más detalles

Regresión y Correlación

Regresión y Correlación Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios

Más detalles

PE - Probabilidad y Estadística

PE - Probabilidad y Estadística Unidad responsable: 230 - ETSETB - Escuela Técnica Superior de Ingeniería de Telecomunicación de Barcelona Unidad que imparte: 749 - MAT - Departamento de Matemáticas Curso: Titulación: 2016 GRADO EN INGENIERÍA

Más detalles

T4. Modelos con variables cualitativas

T4. Modelos con variables cualitativas T4. Modelos con variables cualitativas Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto EconomíaT4. Aplicada. Modelos Universidad

Más detalles

1. La Distribución Normal

1. La Distribución Normal 1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando

Más detalles

Teléfono:

Teléfono: Apartado postal 17-01-218 1. DATOS INFORMATIVOS: MATERIA O MÓDULO: ESTADISTICA II CÓDIGO: 15017 CARRERA: Economía NIVEL: Cuarto No. CRÉDITOS: SEMESTRE / AÑO ACADÉMICO: III semestre 2011-2012 PROFESOR:

Más detalles

Carrera: Ingeniería Civil CIM 0531

Carrera: Ingeniería Civil CIM 0531 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA

Más detalles

Inteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani

Inteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción

Más detalles

Formulación del problema de la ruta más corta en programación lineal

Formulación del problema de la ruta más corta en programación lineal Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,

Más detalles

520142: ALGEBRA y ALGEBRA LINEAL

520142: 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 detalles

Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos.

Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. MATEMÁTICAS I Contenidos. Aritmética y álgebra: Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. Resolución e interpretación gráfica de ecuaciones e

Más detalles

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse

Más detalles

Bloque 1. Contenidos comunes. (Total: 3 sesiones)

Bloque 1. Contenidos comunes. (Total: 3 sesiones) 4º E.S.O. OPCIÓN A 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 3 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas, tales como

Más detalles

DEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM

DEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-

Más detalles

Análisis de Datos en Física de Partículas

Análisis de Datos en Física de Partículas Análisis de Datos en Física de Partículas Sección de Posgrado Facultad de Ciencias Universidad Nacional de Ingeniería C. Javier Solano S. jsolano@uni.edu.pe http://compinformatidf.wordpress.com/ Página

Más detalles

Espacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21

Espacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.

Más detalles

Simulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12

Simulación 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 detalles

Complementos de Análisis. Año 2016

Complementos de Análisis. Año 2016 Complementos de Análisis. Año 2016 Práctica 8. Ecuaciones diferenciales ordinarias. 1 Modelando con ecuaciones diferenciales Modelar con ecuaciones diferenciales las siguientes situaciones. Intentar resolver

Más detalles

UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADISTICA

UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADISTICA UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADISTICA NIVEL : LICENCIATURA CRÉDITOS : 7 CLAVE : ICAE13001731 HORAS TEORÍA : 3 SEMESTRE : QUINTO HORAS PRÁCTICA : 1 REQUISITOS

Más detalles

Introducción a la regresión ordinal

Introducción a la regresión ordinal Introducción a la regresión ordinal Jose Barrera jbarrera@mat.uab.cat 20 de mayo 2009 Jose Barrera (UAB) Introducción a la regresión ordinal 20 de mayo 2009 1 / 11 Introducción a la regresión ordinal 1

Más detalles

La asignatura proporciona al alumno los conceptos básicos de estadística. Se organiza el temario en cinco unidades.

La asignatura proporciona al alumno los conceptos básicos de estadística. Se organiza el temario en cinco unidades. 1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Carrera: Clave de la asignatura: Muestreo y Regresión. Ingeniería Forestal. FOC-1027 SATCA: 2 2 4 2.- PRESENTACIÓN. Caracterización de la asignatura.

Más detalles

Variables aleatorias

Variables aleatorias Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,

Más detalles

PROGRAMA ACADEMICO Ingeniería Industrial

PROGRAMA ACADEMICO Ingeniería Industrial 1. IDENTIFICACIÓN DIVISION ACADEMICA Ingenierías DEPARTAMENTO Ingeniería Industrial PROGRAMA ACADEMICO Ingeniería Industrial NOMBRE DEL CURSO Análisis de datos en Ingeniería COMPONENTE CURRICULAR Profesional

Más detalles

Técnicas numéricas para las Ecuaciones diferenciales de primer orden: Método de Euler

Técnicas numéricas para las Ecuaciones diferenciales de primer orden: Método de Euler Lección 6 Técnicas numéricas para las Ecuaciones diferenciales de primer orden: Método de Euler 61 Introducción a los métodos numéricos En este capítulo y en los anteriores estamos estudiado algunas técnicas

Más detalles

Estadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1

Estadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1 Estadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1 Relación entre dos variables Al estudiar conjuntos de variables con más de una variable, una pregunta

Más detalles

INSTITUTO POLITÉCNICO NACIONAL SECRETARIA ACADEMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS

INSTITUTO POLITÉCNICO NACIONAL SECRETARIA ACADEMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS ESCUELA: UPIICSA CARRERA: INGENIERÍA EN TRANSPORTE ESPECIALIDAD: COORDINACIÓN: ACADEMIAS DE MATEMÁTICAS DEPARTAMENTO: CIENCIAS BÁSICAS PROGRAMA DE ESTUDIO ASIGNATURA: ESTADÍSTICA APLICADA CLAVE: TMPE SEMESTRE:

Más detalles

Conceptos básicos de metrología

Conceptos básicos de metrología Conceptos básicos de metrología Definiciones, características y estimación de incertidumbres. Lic. Francisco Sequeira Castro 05 de Noviembre, 2014 Qué es la metrología? La metrología es la ciencia de las

Más detalles

SEMANA 06: CIRCUNFERENCIA

SEMANA 06: CIRCUNFERENCIA 1 SEMANA 06: ECUACION DE LA : 1. Canónica ² + y² = r², su centro es C (0, 0). Ordinaria ( h)² + (y-k)² = r², su centro es C (h, k) 3. General ² + y² + D +Ey + F= 0 Su centro es C = (-, ). Su radio es r=

Más detalles

PROGRAMACION CUADRATICA

PROGRAMACION CUADRATICA PROGRAMACION CUADRATICA Programación convexa La programación convexa abarca una amplia clase de problemas, entre ellos como casos especiales, están todos los tipos anteriores cuando /(x) es cóncava. Las

Más detalles

Grado en Química Bloque 1 Funciones de una variable

Grado en Química Bloque 1 Funciones de una variable Grado en Química Bloque Funciones de una variable Sección.7: Aproximación de funciones. Desarrollo de Taylor. Aproximación lineal. La aproximación lineal de una función y = f(x) en un punto x = a es la

Más detalles

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Medicina Veterinaria y Zootecnia. Licenciatura en Medicina Veterinaria y Zootecnia

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Medicina Veterinaria y Zootecnia. Licenciatura en Medicina Veterinaria y Zootecnia UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Medicina Veterinaria y Zootecnia Licenciatura en Medicina Veterinaria y Zootecnia Clave 1212 Modalidad del curso: Carácter Métodos estadísticos en medicina

Más detalles

Prueba Integral Lapso /6

Prueba Integral Lapso /6 Prueba Integral Lapso 2 009-2 76 - /6 Universidad Nacional Abierta Probabilidad y Estadística I (76) Vicerrectorado Académico Cód. Carrera: 06-20 - 508 Fecha: 2-2 - 2 009 MODELO DE RESPUESTAS Objetivos,

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión

Más detalles

Diplomatura en Ciencias Empresariales X Y 10 10000 100 1000 1000 100 10000 10

Diplomatura en Ciencias Empresariales X Y 10 10000 100 1000 1000 100 10000 10 DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Diplomatura en Ciencias Empresariales ESTADÍSTICA II Relación Tema 10: Regresión y correlación simple. 1. Ajustar una función potencial a los siguientes

Más detalles

1º BACHILLERATO MATEMÁTICAS CIENCIAS SOCIALES TEMA 4.- LÍMITES, CONTINUIDAD Y DERIVADAS

1º BACHILLERATO MATEMÁTICAS CIENCIAS SOCIALES TEMA 4.- LÍMITES, CONTINUIDAD Y DERIVADAS 1º BACHILLERATO MATEMÁTICAS CIENCIAS SOCIALES TEMA 4.- LÍMITES, CONTINUIDAD Y DERIVADAS 1 1.- LÍMITE DE UNA FUNCIÓN EN UN PUNTO Límite de una función f por la izquierda de un punto x = a. Es el valor al

Más detalles

Introducción La Circunferencia Parábola Elipse Hiperbola. Conicas. Hermes Pantoja Carhuavilca

Introducción La Circunferencia Parábola Elipse Hiperbola. Conicas. Hermes Pantoja Carhuavilca Facultad de Ingeniería Industrial Universidad Nacional Mayor de San Marcos Matematica I Contenido 1 Introducción 2 La Circunferencia 3 Parábola 4 Elipse 5 Hiperbola Objetivos Se persigue que el estudiante:

Más detalles

CRITERIOS DE SELECCIÓN DE MODELOS

CRITERIOS DE SELECCIÓN DE MODELOS Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,

Más detalles

Tema 13: Distribuciones de probabilidad. Estadística

Tema 13: Distribuciones de probabilidad. Estadística Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número

Más detalles

4.1 Análisis bivariado de asociaciones

4.1 Análisis bivariado de asociaciones 4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis

Más detalles

Aprendizaje Supervisado K - Vecinos más cercanos Knn-Method

Aprendizaje Supervisado K - Vecinos más cercanos Knn-Method Aprendizaje Supervisado K - Vecinos más cercanos Knn-Method 10 10 Modelo general de los métodos de Clasificación Id Reembolso Estado Civil Ingresos Anuales 1 Sí Soltero 125K No 2 No Casado 100K No 3 No

Más detalles

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos

Agro 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 detalles

Esta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )

Esta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n ) Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder

Más detalles

Tema 5 Algunas distribuciones importantes

Tema 5 Algunas distribuciones importantes Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos

Más detalles

Departamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.

Departamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows. TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.

Más detalles

CORRELACIÓN Y REGRESIÓN. Juan José Hernández Ocaña

CORRELACIÓN Y REGRESIÓN. Juan José Hernández Ocaña CORRELACIÓN Y REGRESIÓN Juan José Hernández Ocaña CORRELACIÓN Muchas veces en Estadística necesitamos saber si existe una relación entre datos apareados y tratamos de buscar una posible relación entre

Más detalles