FACULTAD DE CIENCIAS EXACTAS, INGENIERIA Y AGRIMENSURA INTRODUCCION A LA INTELIGENCIA ARTIFICIAL L.C.C. PRACTICA RA 2007
|
|
- Alberto Marín Toledo
- hace 5 años
- Vistas:
Transcripción
1 FACULTAD DE CIENCIAS EXACTAS, INGENIERIA Y AGRIMENSURA INTRODUCCION A LA INTELIGENCIA ARTIFICIAL L.C.C. PRACTICA RA En el ejemplo sobre la alarma que plantea Norvig & Russell (pag presentación RA, Ejemplo original de Pearl), calcular las siguientes probabilidades (belief updating): - de que haya un robo sabiendo que Juan llama - de que haya un robo sabiendo que Juan y María llaman. - de que Juan llame sabiendo que hay robo. 2. Una estación de energía local cuenta con una alarma que detecta cuando un medidor de temperatura pasa cierto límite. El medidor indica la temperatura interior. Considere las variables booleanas A (suena la alarma), FA (falla la alarma) y FM (medidor esta averiado); así como los nodos que tienen valor múltiple M (lectura del medidor) y T (temperatura interior real). a. Dibuje una red Bayesiana para este dominio, considerando que el medidor de temperatura tiene más posibilidades de fallo cuando la temperatura se eleva. b. Suponga que existen dos temperaturas posibles y reales: Normal y Alta, y que el medidor produce mediciones incorrectas de la temperatura 2% de las veces cuando está funcionando y el 40% de las veces cuando falla. Obtenga la tabla de probabilidad condicional para M. c. Suponga que la alarma funciona a menos que este rota, en cuyo caso nunca suena. Obtenga la tabla de probabilidad condicional para A. d. Calcule la probabilidad de que la temperatura interior sea Alta, sabiendo que el medidor funciona y que suena la alarma. 3. Consideremos la siguiente historia: María sale afuera y observa que la calle y el pasto están mojados. Ella concluye que ha llovido recientemente, además decide que no regará las rosas del jardín. Supongamos que ella usa las siguientes reglas: Lluvia o riego calle=mojada Lluvia o riego pasto=mojado pasto=mojado tierra=húmeda tierra=húmeda rosas=ok a) Transforme este conjunto de reglas en un grafo causal, considerando cada variable booleana. Haga las siguientes consideraciones para asignar probabilidades a los nodos, construyendo así una red Bayesiana: - se riega un 40% de los dias en ese barrio - el porcentaje de lluvia es un 25%, - el pasto y la calle, sólo están mojados si llueve o se riega - P(tierra=húmeda/ pasto=mojado) = P(tierra=seca / pasto=seco) = P(rosas=OK / tierra=húmeda) = 0.7
2 - P(rosas=OK / tierra=seca) = 0.2 b) Calcule la probabilidad conjunta de la situación donde las rosas están OK, la tierra está seca, el pasto mojado, la calle esta mojada, el riego está cerrado y está lloviendo. c) Realice una forma de revisión de creencias (belif revision). En este caso la red se puede utilizar para modelar tareas explicatorias o de diagnóstico. La meta es encontrar asignaciones de las variables de modo que se maximice el estado en que se presenta alguna evidencia. En este ejemplo, que las rosas están OK. (xi/ P(xi, rosas=ok) es max). d) Realice un proceso de actualización de las creencias (belief updating), donde interesa solo la probabilidad de un conjunto de variables dada cierta evidencia En este caso, sabiendo que las rosas están OK, nuestro foco es el pasto, pedimos calcular: P(pasto=mojado/rosas=OK) 4. Utilizar el programa JavaBayes para chequear los resultados obtenidos manualmente en los ejercicios 1 y 3. ( JavaBayes: 5. Los resultados posibles de una experiencia son tres: A, B y C. Se cuenta con la siguiente información de las evidencias de los resultados, recogida por dos observadores en 100 repeticiones de la misma: Observador 1: Observador 2: A: 20 A: 30 B C: 60 B: 40 Desconocida: 20 C: 20 Desconocido: 10 a) Defina las asignaciones básicas de probabilidad de acuerdo a los dos cuerpos de evidencias b) Encuentre la asignación básica de probabilidad correspondiente a la evidencia total c) Dentro del modelo evidencial, como puede evaluar la probabilidad de que el resultado sea B. 6. En un sistema que utiliza factores de certeza (FC), para modelizar la incertidumbre, tenemos el siguiente conjunto de reglas y hechos: R 1 : E 1 E 2 E 3 H 1 (CF 0.9) R 2: E 5 H 1 (CF 0.8) R 3: H 1 H 2 (CF 0.8) R 4: E 6 H 2 (CF -0.6) y la siguiente evidencia de los hechos: CF (E 1, e) = 0.7 CF (E 5, e) = 0.9 CF (E 2, e) = 0.6 CF (E 6, e) = 0.2 CF (E 3, e) = 0.8 a) Utilizando un modelo como el propuesto en el sistema Mycin, evalúe con que certeza se puede concluir H 2
3 b) Analice si en un modelo como el utilizado sería bueno aplicar Umbrales que determinen que CF deben ser propagados y cuales no (que reglas se dispararían). 7. Defina un conjunto difuso que considere adecuado para representar el término BUENAS NOTAS, considerando el promedio P sobre el dominio de [0,10]. Evalúe según la función planteada cual es la posibilidad que el alumno tenga un promedio de 6, de 7 o de 8, sabiendo que tiene buenas notas. Defina otro conjunto para representar la noción de ALTO RENDIMIENTO TEMPORAL, considerando la variable R= (materias rendidas/ materias correspondientes * 100). Según las representaciones elegidas evalúe la posibilidad de que un alumno tenga: P= 7,5 y R= 75% P = 6 y R = 75% P = 8 y R = 80 % 6 P 8 y 60% R 80 % 9. Considere el siguiente sistema fuzzy low(t) = 1 - t / 10 high(t) = t / 10 rule 1: if x is low and y is low then z is high rule 2: if x is low and y is high then z is low rule 3: if x is high and y is low then z is low rule 4: if x is high and y is high then z is high a) Complete la tabla, hallando los valores correspondientes de low y high para los distintos valores de x (proceso de fuzzyficación) y los valores que se propagan a las conclusiones de las reglas (αi) x y low(x) high(x) low(y) high(y) α1 α2 α3 α b) Sabiendo que x = 0 e y =3.2 realice el proceso de inferencia utilizando el modelo de composición MIN-MAX, repita el proceso para x= 3.2 e y= 3.1 2) Se ha desarrollado un pequeño prototipo para el control de la presión en el interior de un tanque de gas utilizado en la producción de acero en una fábrica. Para esta tarea, se controla la posición de una válvula. Conjuntos difusos (sobre espacios discretos):
4 Gas -> baja presión, definido por B = (1/0, 0.66/25, 0.33/50, 0/75, 0/100) Gas -> alta presión, definido por A = (0/0, 0/25, 0/50, 0/75, 1/100) Gas -> presión media, definido por M = (0/0, 0.33/25, 0.66/50, 1/75, 0/100) Válvula -> baja, definido por P = (1/0, 0.5/0.33, 0/0.66, 0/1) Válvula -> alta, definido por V = (0/0.0, 0.5/0.33, 1/0.66, 1/1) Reglas del sistema: -Si la presión es baja poner la válvula en posición alta -Si la presión es media bajar la válvula -Si la presión es alta es baja poner la válvula en posición muy baja a) Graficar los conjuntos difusos y determinar las matrices correspondientes a las reglas (tomando el mínimo o el producto) c) Realizar la inferencia correspondiente (utilizando alguno de los métodos vistos) para obtener una conclusión respecto a la válvula si al medir la presión se obtiene el valor 25. 4) a) Calcule la salida numérica que proporciona el sistema si se han medido unas magnitudes de entrada x 1 = 1.5 y x 2 =
5 5) a) Calcule la salida numérica que proporciona el sistema si se han medido unas magnitudes de entrada x 1 = y x 2 = -0.1.
Alumno: Julián Argil Profesora: Dr. Ana Lilia Laureano Cruces
REDES BAYESIANAS REPRESENTACIÓN DEL CONOCIMIENTO Alumno: Julián Argil Profesora: Dr. Ana Lilia Laureano Cruces 09/07/2008 UNAM IIMAS Inteligencia Artificial 1 OTROS NOMBRES El nombre más común: red Bayesiana
Más detallesRAZONAMIENTO APROXIMADO
RAZONAMIENTO APROXIMADO EN LA INTELIGENCIA ARTIFICIAL Ana Casali Hernán Gonzales Ingeniería TIA - Electrónica IE REALIDAD El conocimiento que necesitamos para desarrollar un Sistema basado en Conocimiento
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que razonan bajo incertidumbre Introducción Repaso de probabilidad
Más detallesTema 6 Razonamiento aproximado
Tema 6 Razonamiento aproximado Ampliación de Ingeniería del Conocimiento Eva Millán 1 Esquema del tema 6.1. Introducción al razonamiento aproximado 6.2. El modelo de factores de certeza 6.3. Conjuntos
Más detallesRAZONAMIENTO APROXIMADO EN LA INTELIGENCIA ARTIFICIAL
RAZONAMIENTO APROXIMADO EN LA INTELIGENCIA ARTIFICIAL Introducción a la Inteligencia Artificial LCC Ingeniería Electrónica REALIDAD El conocimiento que necesitamos para desarrollar un Sistema basado en
Más detallesBases Formales de la Computación: Redes de Bayes (segunda parte)
Bases Formales de la Computación: Redes de Bayes (segunda parte) Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Cali Periodo 2008-2 Razonamiento en Redes de Bayes
Más detallesProyectos de Sistemas de Software Prof. Gerardo I. Simari Asistente Fabio R. Gallo
Proyectos de Sistemas de Software 2018 Prof. Gerardo I. Simari Asistente Fabio R. Gallo 04 de Octubre de 2018 Proyectos de Sistemas de Software 2018 2 AgenaRisk 7.0: Características AgenaRisk Free AgenaRisk
Más detallesModelos Gráficos Probabilistas L. Enrique Sucar INAOE. Sesión 10: Redes Bayesianas Inferencia. 1era parte. [Neapolitan 90]
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 10: Redes Bayesianas Inferencia 1era parte [Neapolitan 90] Inferencia en Redes Bayesianas Introducción Clases de algoritmos 1era Parte Propagación
Más detallesInteligencia en Redes de Comunicaciones - 05 Razonamiento bajo incertidumbre
El objetivo del Tema 5 es explicar el tratamiento de la incertidumbre en los sistemas de razonamiento software. 1 El razonamiento humano se caracteriza por incluir en numerosas ocasiones componentes de
Más detallesRazonamiento probabilístico y redes bayesianas. Semántica de las RB Inferencia exacta Blanca A. Vargas Govea Octubre 16, 2012
Razonamiento probabilístico y redes bayesianas Semántica de las RB Inferencia exacta Blanca A. Vargas Govea vargasgovea@itesm.mx Octubre 16, 2012 Objetivos Conocer la semántica de las redes bayesianas.
Más detallesRAZONAMIENTO APROXIMADO
RAZONAMIENTO APROXIMADO EN LA INTELIGENCIA ARTIFICIAL Ingeniería del Conocimiento Ingeniería Electrónica REALIDAD El conocimiento que necesitamos para desarrollar un Sistema basado en Conocimiento tiene
Más detallesRAZONAMIENTO APROXIMADO EN LA INTELIGENCIA ARTIFICIAL
RAZONAMIENTO APROXIMADO EN LA INTELIGENCIA ARTIFICIAL REALIDAD El conocimiento que necesitamos para desarrollar un Sistema basado en Conocimiento tiene muchas veces las siguientes características: NO ES
Más detallesUniversidad Nacional de Educación a Distancia. Ingeniería Técnica en Informática de Sistemas. Introducción a la Inteligencia Artificial (2º curso)
Universidad Nacional de Educación a Distancia Ingeniería Técnica en Informática de Sistemas Introducción a la Inteligencia Artificial (2º curso) Soluciones exámenes septiembre 2010 Ejercicio 1. (Valoración:
Más detallesIncertidumbre y conocimiento
Incertidumbre y conocimiento SI síntoma(p,dolor-de-muelas) ENTONCES enfermedad(p,caries) Expresa esta regla un conocimiento correcto? Quizás sería mejor un conocimiento más exhaustivo: SI sintoma(p,dolor-de-muelas)
Más detallesCursada Segundo Cuatrimestre 2012 Guía de Trabajos Prácticos Nro. 5
Temas: Interpolación polinomial simple. Interpolación de Lagrange. Polinomio interpolador de Newton. Interpolación polinomial segmentada (Spline). Ajuste de curvas. Regresión por mínimos cuadrados. 1.
Más detallesInteligencia Artificial II Razonamiento Bayesiano
Inteligencia Artificial II Razonamiento Bayesiano Dr. Alejandro Guerra-Hernández Universidad Veracruzana Centro de Investigación en Inteligencia Artificial mailto:aguerra@uv.mx http://www.uv.mx/personal/aguerra
Más detallesAnálisis Estadístico de Datos Climáticos. Verificación y valor de los pronósticos
Análisis Estadístico de Datos Climáticos Verificación y valor de los pronósticos A. Díaz M. Bidegain - M. Barreiro Facultad de Ciencias Facultad de Ingeniería 2011 Verificación de pronósticos Una definición:
Más detallesFACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R.
FACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R. PROGRAMA ANALITICO DE LA ASIGNATURA: Introducción a la Inteligencia Artificial Código R-413 PLAN DE ESTUDIOS: 2010 CARRERA: Lic. en Cs. de
Más detallesTema 4: Representación del conocimiento mediante reglas
Introducción a la Ingeniería del Conocimiento Curso 2006 2007 Tema 4: Representación del conocimiento mediante reglas Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial
Más detallesTema 7: Razonamiento con incertidumbre
Inteligencia Artificial II Curso 2005 2006 Tema 7: Razonamiento con incertidumbre José L. Ruiz Reina Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla IA-II 2005 2006
Más detallesInteligencia Artificial Arquitectura de los sistemas basados en el conocimiento
Inteligencia Artificial Arquitectura de los sistemas basados en el conocimiento Primavera 2007 profesor: Luigi Ceccaroni SBCs de última generación BCs modulares y formales (ontologías) Componente auto-explicativo
Más detallesTema 1: Introducción a la Estadística Bayesiana
Tema 1: Introducción a la Estadística Bayesiana Introducción En general, se usan probabilidades de modo informal para expresar la información o la incertidumbre que se tiene acerca de observaciones de
Más detallesRazonamiento probabilístico y Redes Bayesianas
Inteligencia Computacional Razonamiento probabilístico y Redes Bayesianas Probabilidad y Teorema de Bayes Blanca A. Vargas Govea - vargasgovea@itesm.mx - Oct 9, 2012 Avisos: Exámenes Fecha de examen parcial
Más detallesIntroducción a Sistemas Difusos Tipo-2
Introducción a Sistemas Difusos Tipo-2 Luis G. Marín Departamento de Ingeniería Eléctrica Universidad de Chile EL7012-2016 L. Marin & D. Sáez 1 Modelo computacional Sistemas Difusos Base de reglas x Entradas
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden: Clasificador Bayesiano Clasificación Clasificador
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 detallesInteligencia Artificial
Abril 30 de 2008 El estudiante de la Pontificia Universidad Javeriana, como agente de su propia formación, es corresponsable de la Identidad Institucional, uno de cuyos cimientos es tener como hábito un
Más detallesRazonamiento probabilístico y redes bayesianas
Razonamiento probabilístico y redes bayesianas Clasificador bayesiano Representación y semántica de las RB Blanca A. Vargas Govea vargasgovea@itesm.mx Octubre 12, 2012 Correcciones al ejercicio de clase
Más detallesManejo de Incertidumbre
Inteligencia Artificial Manejo de Incertidumbre Sesión 7 Eduardo Morales / L. Enrique Sucar Introducción Los sistemas inteligentes deben ser capaces de representar y razonar con incertidumbre. Existen
Más detallesCapítulo 2. disponibles las habilidades de los expertos a los no expertos. Estos programas tratan de
Capítulo 2 Sistemas Expertos y Lógica Difusa 2.1 Sistemas Expertos Los sistemas expertos son programas computacionales diseñados para tener disponibles las habilidades de los expertos a los no expertos.
Más detallesFACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R. PROGRAMA SINTÉTICO DE LA ASIGNATURA: INTRODUCCIÓN A LA
FACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R. PROGRAMA SINTÉTICO DE LA ASIGNATURA: INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL Código T511 PLAN DE ESTUDIOS: 1995 CARRERA: LIC. EN CS. DE LA
Más detallesTécnicas de Inferencia Estadística II. Tema 5. Estadísticos de orden
Técnicas de Inferencia Estadística II Tema 5. Estadísticos de orden M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 5. Estadísticos de orden Contenidos
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Redes Bayesianas: Parte I Introducción Representación Inferencia Propagación
Más detallesPruebas de Hipótesis
Pruebas de Hipótesis Una prueba de hipótesis es una técnica de Inferencia Estadística que permite comprobar si la información que proporciona una muestra observada concuerda (o no) con la hipótesis estadística
Más detallesInteligencia Artificial II
Inteligencia Artificial II Razonamiento con incertidumbre J. L. Ruiz Reina Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial II - Tema 5 p. 1/41
Más detallesAnálisis Estadístico de Datos Climáticos. Verificación y valor de los pronósticos (Wilks, Cap. 7) Facultad de Ciencias Facultad de Ingeniería 2013
Análisis Estadístico de Datos Climáticos Verificación y valor de los pronósticos (Wilks, Cap. 7) Facultad de Ciencias Facultad de Ingeniería 2013 Verificación de pronósticos Una definición: La verificación
Más detallesSIMULACION. Urna 1. s(x) h(x) Urna 2. s(x) Dado. Urna /6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6 Dado 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6
SIMULACION x p(x) x h(x) 6 4 5 2 3 Urna /6 2 /6 3 /6 4 /6 5 /6 6 /6 Dado /6 2 /6 3 /6 4 /6 5 /6 6 /6 x p(x) x h(x) s(x) 4 5 2 3 Urna 2 0.2 2 0.2 3 0.2 4 0.2 5 0.2 6 0.0 Dado /6.2 2 /6.2 3 /6.2 4 /6.2 5
Más detallesProblemas de Estructuras de Filtros Digitales.
Problemas de Estructuras de Filtros Digitales. Estructuras de Filtros Digitales 1.- En la figura siguiente se representa una realización en la forma acoplada de una función del sistema que presenta una
Más detallesDeterminar la incertidumbre al momento de desarrollar aplicativos en inteligencia artificial, haciendo uso de estructuras probabilísticas..
Sistemas expertos e inteligencia artificial, Guia 5 1 Facultad : Ingeniería Escuela : Computación Asignatura: Sistemas expertos e Inteligencia Artificial Tema: RAZONAMIENTO CON INCERTIDUMBRE. Objetivo
Más detallesTALLER DE Nº 2 CONTROL AVANZADO. No se educa cuando se imponen caminos, sino cuando se enseña a caminar
TALLER DE Nº 2 CONTROL AVANZADO No se educa cuando se imponen caminos, sino cuando se enseña a caminar 1. La función de transferencia de cierto proceso es: Gp(S) = 1 5S + 1 El proceso está en serie con
Más detallesOTRAS OPCIONES DE PREDICCIÓN
OTRAS OPCIONES DE PREDICCIÓN Incertidumbre se refiere a la toma de decisiones sin contar con la información adecuada. Es un problema porque nos impide tomar la mejor decisión y muy frecuentemente nos
Más detallesSistemas Inteligentes. Tema B2T1 Razonamiento probabilístico
Sistemas Inteligentes Escuela Técnica Superior de Informática Universitat Politècnica de València Tema B2T1 Índice 1 Introducción: Incertidumbre y probabilidad 1 2 Teoría de la probabilidad 4 3 : inferencia
Más detallesy C= a 0 1
.- CONCEPTO DE MATRIZ Escriba la matriz 2 x 3 en la que a ij = i 4j 2 Calcule, si es posible, los valores de a b para que sean iguales las matrices 3a b 9 b a 7 2b a 7 A= B= a+ b 2 a 3b 3 3 a 3.- OPERACIONES
Más detallesInteligencia Artificial I
Ingeniería en Sistemas Computacionales Inteligencia Artificial I Rafael Rivera López Departamento de Sistemas y Computación 1 Ago-Dic 2008 Veracruz, Ver. Unidad IV Técnicas de Búsqueda y Satisfacción de
Más detallesDistribuciones Fundamentales de Muestreo. UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides
Distribuciones Fundamentales de Muestreo UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides Distribuciones Muestrales La distribución de probabilidad de un estadístico
Más detallesPRÁCTICA I. Ejercicios Teóricos
PRÁCTICA I TEORÍA DE LA DECISIÓN BAYESIANA Ejercicios Teóricos Ejercicio. En el caso de dos categorías, en la regla de decisión de Bayes el error condicional está dado por la ecuación (7). Incluso si las
Más detallesLOGICA DIFUSA. Dámaso López Aragón
LOGICA DIFUSA Dámaso López Aragón Introducción La lógica difusa tiene su origen en la década de los 60, en la Universidad de Berkeley - California, la cual fue desarrollada por Lofti Zadeth a través de
Más detallesMYCIN es un sistema experto desarrollado a principios de la década de 1970 por Edward Shortliffe, en la Universidad de Stanford.
MYCIN es un sistema experto desarrollado a principios de la década de 1970 por Edward Shortliffe, en la Universidad de Stanford. Sentó las bases para la construcción de sistemas expertos. Inicialmente
Más detallesRepresentación del conocimiento mediante reglas (2010/2011)
Luis Valencia Cabrera lvalencia@us.es (http://www.cs.us.es/~lvalencia) Ciencias de la Computacion e IA (http://www.cs.us.es/) Representación del conocimiento mediante reglas (2010/2011) Universidad de
Más detallesREDES BAYESIANAS. O Redes de creencias
REDES BAYESIANAS O Redes de creencias Probabilidades conjuntas J: juega bolos. B: barre la casa todos los días. H: se dislocó el hombro. Introducción a RB Que son: Un grafo dirigido a cíclico (DAG) en
Más detallesCÁLCULO NUMÉRICO (0258)
CÁLCULO NUMÉRICO (58) Tema 5. Diferenciación e Integración Numérica Enero 5. Utilice la fórmula para calcular la derivada de f(x) = cos(x) en utilizar la fórmula. f(x + ) f(x) f'(x) x = y con =.. Estime
Más detallesPROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 1: INTRODUCCIÓN A LA PROBABILIDAD
UNIDAD 1 PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 1: INTRODUCCIÓN A LA PROBABILIDAD Datos numéricos o mero azar? 1 Datos numéricos o mero azar? Datos numéricos o mero azar? Gerentes o administradores
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesRelación 4 - Conocimiento probabilístico
Inteligencia rtificial 2014-2015 Relación 4 - Conocimiento probabilístico Problemas Problema 1. Supongamos que tenemos cinco variables aleatorias,, C, y, tales que: es independiente de. C es independiente
Más detallesRazonamiento bajo incertidumbre
Inteligencia en Redes de Comunicaciones Razonamiento bajo incertidumbre Julio Villena Román jvillena@it.uc3m.es Razonamiento humano En el razonamiento humano hay que trabajar con la incertidumbre: la información
Más detalles11/1/2017. Temario. Sistema Basado en Conocimiento
Conceptos de Inteligencia Artificial & Sistemas Inteligentes Artificiales Clase 16 CIA Clase 9 SIA Sistemas basados en Conocimiento Dr. Luciano H. Tamargo http://cs.uns.edu.ar/~lt Departamento de Ciencias
Más detallesNotación de probabilidad
Notación de probabilidad Se usarán mayúsculas para indicar variables estocásticas y minúsculas para indicar los valores que pueden tomar. P (A = verdadero) =P (A = a) =P (a) P (A = falso) =P (A = a) =P
Más detalles(1 punto) (1.5 puntos)
Ejercicios de inferencia estadística. 1. Sea la población {1,2,3,4}. a) Construya todas las muestras posibles de tamaño 2, mediante muestreo aleatorio simple. b) Calcule la varianza de las medias muestrales.
Más detalles= = Al final del estudio se decide ajustar una recta de regresión de sobre con la ayuda del programa Rcmdr: =2 52 +
Grado en IIAA y Grado en IHJ Asignatura: Estadística Aplicada. Curso 2012-2013 SEPTIEMBRE 2013 NOMBRE:...APELLIDOS:... ESPECIALIDAD:... 1. [0.5 puntos] Un ingeniero estudia la relación existente entre
Más detallesModelos Gráficos Probabilistas: Principios y Aplicaciones. L. Enrique Sucar INAOE
Modelos Gráficos Probabilistas: Principios y Aplicaciones L. Enrique Sucar INAOE Información General Página del curso: http://ccc.inaoep.mx/~esucar/clases-pgm/pgm.html Correo: esucar@inaoep.mx E. Sucar,
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 detalles1) Determinar qué elección de h asegurará, a priori, que la solución numérica del P.C.: con el método de diferencias centrales, existe y es única.
I. Resolución numérica de Problemas de Contorno en E.D.O.: Métodos en diferencias finitas 1) Determinar qué elección de h asegurará, a priori, que la solución numérica del P.C.: y (x) + 4 sen x y (x) 4
Más detallesAnálisis de la Información
Análisis de la Información 2do C. 2018 Clase Nº5 Mg. Stella Figueroa Medidas de Dispersión Absolutas Relativas Rango Varianza Desviación estandar Rango intercuartílico Coeficiente de variación El rango
Más detallesIncertidumbre. Dr. Jesús Antonio González Bernal
Incertidumbre Universidad Politécnica de Puebla Dr. Jesús Antonio González Bernal Introducción In which we see what an agent should do when not all is crystal clear. R&N, pg 462 2 Introducción Sea la acción
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes basados en conocimiento Contenido Sistemas basados en conocimiento
Más detallesTrabajo Práctico 6 Métricas para la toma decisiones
1. Defina los siguientes conceptos: Trabajo Práctico 6 Métricas para la toma decisiones a) Media aritmética (o promedio), mediana, y moda. b) Entidad y atributo. Considere algunas mediciones cotidianas
Más detallesIES Gerardo Diego Curso Matemáticas Aplicadas a las Ciencias Sociales II
1. (JUN 04) En un servicio de atención al cliente, el tiempo de espera hasta recibir atención es una variable aleatoria normal de media 10 minutos y desviación típica 2 minutos. Se toman muestras aleatorias
Más detallesGuía de Ejercicios N o 4: Transistor MOS
Guía de Ejercicios N o 4: Transistor MOS Datos generales: ε 0 = 8,85 10 12 F/m, ε r (Si) = 11,7, ε r (SiO 2 ) = 3,9, n i = 10 10 /cm 3, φ(n, p = n i ) = 0 V. 1. En un transistor n-mosfet, a) La corriente
Más detallesTRABAJO PRÁCTICO Nº 4 Análisis temporal de sistemas en lazo Cerrado
TRABAJO PRÁCTICO Nº 4 Análisis temporal de sistemas en lazo Cerrado OBJETIVOS: Analizar las características del comportamiento transitorio de sistemas en lazo cerrado con controladores. Manejar el concepto
Más detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad las reglas mátemáticas de la probabilidad no son simplemente reglas para calcular frecuencias de variables aleatorias;
Más detallesEjemplo de la señal aleatoria
VARIABLE ALEATORIA Ejemplo de la señal aleatoria En el contexto de las telecomunicaciones, cualquier señal debe considerarse aleatoria, ya que por muchas razones, no existen garantías de que la señal enviada
Más detallesRazonamiento probabilístico y Redes Bayesianas
Inteligencia Computacional Razonamiento probabilístico y Redes Bayesianas Introducción Blanca A. Vargas Govea - vargasgovea@itesm.mx - Oct 2, 2012 Objetivo Conocer el concepto de incertidumbre y términos
Más detallesGrado en Química Bloque 1 Funciones de una variable
Grado en Química Bloque Funciones de una variable Sección.5: Aplicaciones de la derivada. Máximos y mínimos (absolutos) de una función. Sea f una función definida en un conjunto I que contiene un punto
Más detallesConceptos de Inteligencia Artificial & Sistemas Inteligentes Artificiales Clase 16 CIA Clase 9 SIA. Sistemas basados en Conocimiento
Conceptos de Inteligencia Artificial & Sistemas Inteligentes Artificiales Clase 16 CIA Clase 9 SIA Sistemas basados en Conocimiento Dr. Luciano H. Tamargo http://cs.uns.edu.ar/~lt Departamento de Ciencias
Más detallesUNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR
UNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR INTEGRANTES: Caricari Cala Aquilardo Villarroel Fernandez Fructuoso DOCENTE: Lic. Garcia
Más detallesConferencia C1 MODELOS DE REDES PROBABILÍSTICAS EN SISTEMAS EXPERTOS
V CONFERENCIA NACIONAL DE CIENCIAS DE LA COMPUTACIÓN CCBOL'98 Del 6 al 2 de Noviembre 998 en Potosí Conferencia C MODELOS DE REDES PROBABILÍSTICAS EN SISTEMAS EXPERTOS Prof. José Manuel Gutiérrez Dpto.
Más detallesGRAFICAS LINEALES REGLAS GENERALES PARA LA CONSTRUCCIÓN DE GRÁFICAS
GRAFICAS LINEALES OBJETIVOS 1. Realizar linealización de gráficos por el método de cambios de variables. 2. Obtener experimentalmente la relación matemática, más adecuada, entre dos cantidades o magnitudes
Más detallesUniversidad Tecnológica Nacional - FRBA
Guía de Ejercicios Unidad Temática 5 Analizador de Espectro Ejercicios teóricos: A) Dibuje el diagrama funcional básico de un analizador de espectro tipo superheterodino, explique la función de cada módulo
Más detallesSISTEMAS DE APOYO A LA TOMA DE DECISIONES : DSS y EIS
IIC3712 GESTIÓN de las TEC. de INFORMACIÓN SISTEMAS DE APOYO A LA TOMA DE DECISIONES : DSS y EIS Ignacio Casas R. Escuela de Ingeniería Pontificia Universidad Católica de Chile Mayo, 2002 Qué es la Toma
Más detallesGUIA PRÁCTICA TEORIA NEOCLASICA DEL CONSUMIDOR PARTE 1
Microeconomía (306) Cátedra: Lic. Andrés Di Pelino Profesor: Lic. Joel Vaisman Facultad de Ciencias Económicas, Universidad de Belgrano GUIA PRÁCTICA TEORIA NEOCLASICA DEL CONSUMIDOR PARTE 1 1) Explique
Más detallesBúsqueda en espacio de estados
Búsqueda en espacio de estados Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Abstracción Problema Representación como espacio de estados Implementación del
Más detallesControlador Difuso Para Brazo Robótico
Controlador Difuso Para Brazo Robótico En la mayoría de los procesos industriales, se emplean sistemas de control PID para gobernar la operación de la maquinaria. Generalmente la finalidad es manejar los
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA Pablo Torres Facultad de Ciencias Exactas, Ingeniera y Agrimensura - Universidad Nacional de Rosario Unidad 2: Probabilidad INTRODUCCIÓN Al lanzar un dado muchas veces veremos
Más detallesRedes Bayesianas. Manuel Valenzuela-Rendón. Centro de Sistemas Inteligentes Tecnológico de Monterrey, Campus Monterrey.
Redes Bayesianas Manuel Valenzuela-Rendón Centro de Sistemas Inteligentes Tecnológico de Monterrey, Campus Monterrey Noviembre 2008 M. Valenzuela (Centro de Sistemas Inteligentes) Redes Bayesianas Noviembre
Más detallesContraste de Hipótesis
Contraste de Hipótesis Introducción Ejemplo El peso de plantines de un arbusto forrajero, almacenado a temperatura y humedad relativa ambientes, obtenido a los 20 días desde la germinación es en promedio
Más detallesCÁLCULO DE INCERTIDUMBRE EN LAS MEDICIONES
OBJETIVOS CÁLCULO DE INCERTIDUMBRE EN LAS MEDICIONES Reportar correctamente resultados, a partir del procesamiento de datos obtenidos a través de mediciones directas. INTRODUCCION En el capítulo de medición
Más detallesAprendizaje Automático Segundo Cuatrimestre de Árboles de Decisión
Aprendizaje Automático Segundo Cuatrimestre de 2015 Árboles de Decisión Aproximación de Funciones Ejemplo: Un amigo juega al tenis los sábados. Juega o no, dependiendo del estado del tiempo. Cielo: {Sol,
Más detallesApellidos:... Nombre:...
Ejercicio 1 (1.5 puntos): Cuestiones Contestar a las siguientes preguntas de manera clara y concisa, usando el espacio en blanco que se deja a continuación: 1. Qué es un unificador de dos átomos? Describir
Más detallesESCUELA SUPERIOR POLITÉCNICA DEL LITORAL FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICAS DEPARTAMENTO DE MATEMATICAS SOLUCION Y RUBRICA
ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICAS DEPARTAMENTO DE MATEMATICAS AÑO: 2018 PERIODO: PRIMER TÈRMINO MATERIA: ESTADISTICA PROFESOR: Mero J, Pinos C., Ronquillo
Más detalles3. Diseño de la solución
3. Diseño de la solución 3.1. Diseño del Algoritmo En el siguiente capítulo se desarrollará cada de las variables y requerimientos en el sistema de lógica difusa desarrollado. 3.2. Diagrama de bloques
Más detallesTema 9: Estadística descriptiva
Tema 9: Estadística descriptiva Matemáticas específicas para maestros Grado en Educación Primaria Matemáticas específicas para maestros Tema 9: Estadística descriptiva Grado en Educación Primaria 1 / 47
Más detallesCálculo científico y técnico con HP49g/49g+/48gII/50g Módulo 3: Aplicaciones Tema 3.5 Cadenas de Markov
Cálculo científico y técnico con HP49g/49g+/48gII/5g Módulo 3: Aplicaciones Tema 3.5 Cadenas de Markov Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de
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 detallesAlgunas pruebas no paramétricas: Test de Mann-Whitney y Test de Wilcoxon
Algunas pruebas no paramétricas: Test de Mann-Whitney y Test de Wilcoxon Adaptado de: ESTADÍSTICA MATEMÁTICA con aplicaciones Wackerly, D; Mendenhall, W; Scheaffer, R. Sexta Edición Thomson, 2003 Prueba
Más detallesTRABAJO PRÁCTICO. Medición del coeficiente de dilatación lineal en tubos de distintos materiales
FACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA ESCUELA DE FORMACIÓN BÁSICA DEPARTAMENTO DE FÍSICA Y QUÍMICA FÍSICA II TERMODINÁMICA TRABAJO PRÁCTICO Medición del coeficiente de dilatación lineal
Más detallesApuntes de Estadística
Apuntes de Estadística La Estadística es la ciencia que se encarga de recoger, organizar, describir e interpretar datos referidos a distintos fenómenos para, posteriormente, analizarlos e interpretarlos.
Más detallesEstadística Bayesiana
Procesos Estocásticos Universidad Nacional Agraria La Molina 2016-1 Un proceso estocástico {X (t), t T } es una colección de variables aleatorias. Es decir que para cada t T, X (t) es una variable aleatoria.
Más detalles