CLASIFICACIÓN CON VARIABLES DISCRETAS OBSERVADAS CON ERROR Y CON VARIABLES CONTINUAS
|
|
- Virginia Plaza Acosta
- hace 6 años
- Vistas:
Transcripción
1 Revista Colombiana de Estadísiica No CLASIFICACIÓN CON VARIABLES DISCRETAS OBSERVADAS CON ERROR Y CON VARIABLES CONTINUAS Víctor Hugo Prieto Bernal Profesor Asociado Universidad Nacional de Colombia Abstract. This article is concerned with a probiem of classification with discretes variables observable with error and with contlnuous variables. A classification rule is given by the Bayesian method and the parsneters are estlmated by the method of Máximum likelihood described by R.D. Day (1969) for mixtxire of normal distributions. Resumen. Este articulo considera un problema de clasificación con variables discretas observables con error y con variables continuas. Se da una regla de clasificación por el método Bayesiano y se estiman los parámetros por el método de máxima verosimilitud descrito por N.E. Day (1969) para mezcla de distribuciones nonnales. 1- INTRODUCCIÓN. El problema de discriminación entre dos grupos cuando la información disponible consta de variables, discretas (binarias) y continuas fue considerado por Krzanowski (1975).
2 34 En dicho trabajo,se considera un vector de variables binarias X=(x.,x,...,x ) y uno de variables continuas Y=(y.,, y^,...,y )-'. Cada valor de las componentes de X define una celda, resultando asi M=2^ celdas. Se supone que la distribución de W =(X, Y) en la población TT (k=l,2) es tal que, condicionalmente, (Y X=m)'\' ^^^v»^^ donde X=m indica que X condujo a la celda m. Además, la probabilidad de obtener una observación de la celda m en la población Tt es p.^- Bajo estas hipótesis y suponiendo probabilidades a priori iguales y costos de mala clasificación iguales, se obtiene la siguiente regla de clasificación Bayesiana : R^:WcTi, si (u^ -p^ ) ^ ^ Y 1 ^2 ^J- n p ^^-^^ R : Wef, en otro caso. dadas por Además las probabilidades de mala clasificación están M (m), P(l/2) = E, p_ P(D^"'' > O Ti_) (1.2) m=l 2m / P(2/l).= E p^^p(d^-><0 I.,) m=l donde D<'">=(p<"'>- ^l^h' E-HY- IÍP}'"^ y^"'^] - ^ ^. Im Cuando los parámetros en ambas poblaciones son desconocidos, como es el caso más usual en problemas prácticos.
3 35 se consideran dos muestras de.amaño n. y n de it.y TT, respectivamente. Estas muestras son utilizadas para construir una regla de clasificación estimada reemplazando los parámeti^'os por las estimaciones de ios p<^ ame tros en la regla dada anteriormente. En el problema descrito hasta aquí, p)odría pensarse que la inforitiacion proporcionada cr l.ic v^í-'iables discretas es factible de contener error, lo cual, nos lleva, en este trabajo, a considerar el problema teniendo en cuenta dos tipos de variables discretas, las observables con error y las no observables, además de las variables continuas. En esta situación, el propósito de este trabajo es determinar una regla de clasificación usando el método Bayediano, similar al analizado por Krzanowski, ef'-ctuando las estimaciones de los parámetros por el método de máxima verosimilitud descrito por N.E. Day (1969) para mezcla de distribuciones normales. Debe notarse que la si - tuación en que las variables discretas se observan con error, se ha estudiado en problemas de análisis de datos categóricos, ver por ejemplo J. Hochberg (1977), quien presenta dos metodologías de estimación usando esquemas de doble muestreo. f 2. DISCRIMINACIÓN CON VARIABLES DISCRETAS OBSERVABLES CON ERROR Y CON VARIABLES CONTINUAS, ESTIMACIÓN POR MÁXIMA VEROSIMILITUD. Sea Z=( Zj5-*'z )' un vector de variables binarias observables con error y sea X = (x,,...,x )' el vector ^ 1 q
4 36 no obseiwable que contiene los valores verdaderos de variables Z. (i=l,2,...,q). las Supongamos qu# si se observa un vector Z de variables binarias pertenecientes a la celda m-ésima, la probabilidad de que el verdfpdero valor de dichas variables sea dado por X perteneciente a la celda j-ésima, viene dada por P(X Z) = P(X = j Z = m) = p^^, y que la distribución conjunta de X y Z es dada por P( X,Z) = q.^, de modo que p.^.q.j U q.j Además, supongamos que la distribución condicional de Y dado Z,X, es lhvj v»^ ) Para Z fijo S9 tiene.entonces que J(y z) = I jal», xyxlz) es decir, que la dlstrttucísn condicidnal de Y, áa^ Z, eá una mexela de norhiale» «ultivas'iantca. Ahora éi p. (li) «it deiíis^dad de proi>abllidad de
5 37 W =(Z,Y) en n, (k-1,2), podt.. -s tomar como criterio de clasificación (suponiendo probabilidades a priori iguales y costos de mala clasificación iguales) la de asignar W a ir si p.(w)/p2(w) >_ 1 ya -n de otra manera. Pero Pj^(W) = p^(z,y) = Pj^(Z)^^(Y Z) (k=l,2) V por tanto asignamos la observación W= (Z,Y) a la población TT si P^(W) P ^ ' ^^(Y Z) p^(z) Ío(Y Z)p.(Z) > 1 y a la población rr _ de otra manera. Se tiene entonces que : í,(ylz)p^(z) [Jexp(- (Y->fflE-^(Y-py).V.^}jp^(Z) ^(YÍñ (Z)"fE^^ "' es decir (2.2) P,(Z) ^ j,exp(- <Y-uy)-I-'(Y-..yH t p^ ) i=i entonces, transformando la expresión (2.3) se obtiene : P2<Z) M. ----< E i -_ (2.U) Pl(Z)-j.l J {Y' A +b } 1=1 ^ 13 ij j j, _-l, (m) (m) V donde A.. = E (p^. - p.. ), 13 2i 13 '
6 38,. (m)' -l (ra) (m)' -i (m)^ Pjn ^ij- <^lj ^ \^ -^2i ^ 4i ) ^ ^n-7^ ^ *^im De nuevo, en la práctica los parámetros poblacionales,eneralmente son desconocidos de modo que la regla de clasificación dada no puede usarse directamente y es necesario estimar tales ^rámetros. Con este fin podemos considerar muestras de tamaños, n. y n^ de las poblaciones TT^ y TI, respectivamente, y para cada una seguir el método de máxima verosimilitud descrito por N. E. Day (1969) para estimar los parámetros de una mezcla de distribuciones normales. En este caso, para una muestra de tamaño n, se obtienen las siguientes ecuaciones de máxima verosimimijitud : A 1 '^ p. = i E P(3 Y.) (j = 1,2,..., M) (2.5a) *^3m n.. ' 1 -' 1=1 í"'^= { E Y P(j ^)}/ { E P(J1YJ} (j::l,2,...,m) (2.5b) ^ i=l i=l E = 1 E E (Y.- p("'^(y.-p!'"^* P(jtY.) n...a "'i 1=13=1. (2.5c) donde M P(j Y.)=exp(A'. Y.+b.) / E exp(a' Y. + b. ) si -l (m) A.=E u. +t, 1 1 : -,.., (m)' _-l (ra) ^. u b.=w. E y. +í,p. +h, 3 3 *^3 n *^3m
7 ' ' 39 siendo t un vector y h un. constante escalar. A partir de estas ecuaciones y mediante un proceso de iteración se obtienen las estimaciones de los parámetros en consideración. Esta estimación podría realizarse por otros métodos tales como el de mínimos cuadrados descrito por el mismo Day (1969), o por el método de la función generatriz de momentos descrito por Quandt y Ramsey (1978). En todos estos casos es factible usar el método iterado (algoritmo EM) descrito por Dempster, Laird y Rubin (1977) para obtener las estimaciones. BIBLIOGRAFÍA Day, N.E. (1969), Estimating the ccwponents of a mixture of Normal Distributions. Biometrika, 53,3, p. «*63-»»7U. Hochberg, Y. (1977), On the use of Double Sampling Scheme» in Analyzing Categorical Data with Missclassifícation Errors, Journal of the American Statistical Association, 72, Krzanowski, W.J. (1975) Discriraination and.classificaticaí Using Both Binary and Contlnuous Variables, Journal of the American Statistical Association, 70, Dempster, A.P., Laird, N.M., and Rubin, D.B." (1977), Máximum likelihood from Incomplete Data Via the EM
8 40 Algorlthm, Journal of the Royal Statistical Society, ser B. vol. 39, Quandt, R. and Ramsey, B.R. (1978), Estimating Mixtures of Normal Distributions and Switching Regressions with Comments, Journal of the American Statistical Association ; 73,
INFORMACIÓN FALTANTE Y/O CONFUSA EN VARIABLES DISCRETAS DE LA ENCUESTA PERMANENTE DE HOGARES (EPH)
Badler, Clara E. Alsina, Sara M. 1 Puigsubirá, Cristina B. 1 Vitelleschi, María S. 1 Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística (IITAE) INFORMACIÓN FALTANTE Y/O CONFUSA
ANÁLISIS DE BAYES EMPÍRICO MEDIANTE UN EJEMPLO
Revista Colombiana de Estadística No.31 y NO. 32 ANÁLISIS DE BAYES EMPÍRICO MEDIANTE UN EJEMPLO VÍCTOR HUGO PRIETO, CONSTANZA QUINTERO, ISMAEL RODRÍGUEZ Profesores Asociados Depairtamento de Matemáticas
Aprendizaje de intervalos para Redes Bayesianas de Nodos Temporales
Aprendizaje de intervalos para Redes Bayesianas de Nodos Temporales Pablo F. Hernández Leal Instituto Nacional de Astrofísica, Óptica y Electrónica Coordinación de Ciencias Computacionales Resumen En este
El modelo de azar proporcional: la regresión de Cox
El modelo de azar proporcional: la regresión de Cox Alfonso Luis Palmer Pol y Jose Maria Losilla Vidal El Análisis de la Supervivencia (Palmer, 1988) engloba una variedad de técnicas estadísticas que permiten
Métodos de Pareo FN1. Fernanda Ruiz Nuñez Noviembre, 2006 Buenos Aires
Métodos de Pareo FN1 Fernanda Ruiz Nuñez Noviembre, 2006 Buenos Aires Slide 1 FN1 Fernanda Nunez, 11/17/2006 Asignación aleatoria vs. Selección en observables Supuesto bajo asignación aleatoria: Y (1),
PRECISIÓN DE SISTEMAS DE MEDICIÓN DESTRUCTIVOS CON MEDICIONES SIMULTÁNEAS.
PRECISIÓN DE SISTEMAS DE MEDICIÓN DESTRUCTIVOS CON MEDICIONES SIMULTÁNEAS. Américo G. Rivas C Prof. de la Escuela de Ingeniería Industrial. Área de Postgrado. Maestría en Ingeniería Industrial. Universidad
UNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 45 a 57 UNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K JOSÉ A. JIMÉNEZ M.* Resumen En este artículo mediante el método de los
SIMULACION. 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
Aprendizaje Automático
Regresión Lineal: Descenso de Gradiente Árboles de Regresión: M5 Ingeniería Informática Fernando Fernández Rebollo y Daniel Borrajo Millán Grupo de Planificación y Aprendizaje (PLG) Departamento de Informática
Análisis de Datos. Regresión logística. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Regresión logística Profesor: Dr. Wilfrido Gómez Flores 1 Regresión logística Supóngase que se tiene una variable binaria de salida Y, y se desea modelar la probabilidad condicional P(Y=1
Estudiaremos tres tipos de contrastes, cada uno de los cuales trata de responder a la pregunta correspondiente: Bondad del ajuste Proceden los datos
Contrastes 2 χ Estudiaremos tres tipos de contrastes, cada uno de los cuales trata de responder a la pregunta correspondiente: Bondad del ajuste Proceden los datos de una determinada distribución? Homogeneidad
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE. ESTADÍSTICA Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
INFLUENCIA DEL MECANISMO, DE LA ESTRUCTURA DE LOS DATOS Y DEL TRATAMIENTO DE LA INFORMACIÓN INCOMPLETA EN EL ANALISIS ESTADÍSTICO DE LA EPH 1
Badler, Clara Alsina, Sara Beltrán, Celina Puigsubirá, Cristina Vitelleschi, Ma. Susana Instituto de Investigaciones Teóricas y Aplicadas, Escuela de Estadística. INFLUENCIA DEL MECANISMO, DE LA ESTRUCTURA
2. Sea f(x, y) = x 2 2xy+y 2. Aquí el discriminante es igual a cero. Qué son los puntos críticos: mínimos locales, máximos locales o puntos silla?
1. Sea f(x, y) = Ax 2 + B con A 0. Cuáles son los puntos críticos de f? Son máximos locales o mínimos locales? Solución. Los puntos críticos son aquellos en los que las derivadas parciales son iguales
Carlos Cuevas-Covarrubias (Mexico): Mutual Principal Components, reduction of dimensionality in statistical classification
Carlos Cuevas-Covarrubias (Mexico): Mutual Principal Components, reduction of dimensionality in statistical classification Mutual Principal Components, reduction of dimensionality in statistical classification
Econometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Econometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
LA FUi^CION DE COSTO EN LAS CADENAS DE MARKOV
Revista Colombiana de Estadística No. H'-- 1981 i ^ LA FUi^CION DE COSTO EN LAS CADENAS DE MARKOV Luís 6. Moreno 0. Profesor Asociado Universidad Nacional Abstract This paper presents an elementary description
Modelos para variables categóricas
Gabriel V. Montes-Rojas Modelo logit multinomial Supongamos que la variable dependiente toma muchos valores, ej. y = 0, 1, 2..., J, aunque los valores de y no representan ningún orden en particular. Éste
Modelos de Markov Ocultos (HMM)
Modelos de Markov Ocultos (HMM) Miguel A. Alonso Jorge Graña Jesús Vilares Departamento de Computación, Facultad de Informática, Universidade da Coruña Miguel A. Alonso, Jorge Graña, Jesús Vilares (Departamento
INFERENCIA BAYESIANA. Antonio López Universitat de València. ESTADÍSTICA ESPACIAL EN EPIDEMIOLOGÍA Y MEDIO AMBIENTE Burjassot, Primavera de 2004
Antonio López Universitat de València ESTADÍSTICA ESPACIAL EN EPIDEMIOLOGÍA Y MEDIO AMBIENTE Burjassot, Primavera de 2004 - Introducción a la inferencia bayesiana - Análisis bayesiano mediante simulación
Introducción. Existen dos aproximaciones para resolver el problema de clasificación: Aproximación Generativa (vista en el Tema 3) Basada en:
Introducción Eisten dos aproimaciones para resolver el problema de clasificación: Aproimación Generativa (vista en el Tema 3) Basada en: Modelar p(,w)=p( w)p(w) p( w) es la distribución condicional de
Estimación 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
Estimación 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
Curso de Inteligencia Artificial
Curso de Inteligencia Artificial Modelos Ocultos de Markov Gibran Fuentes Pineda IIMAS, UNAM Redes Bayesianas Representación gráfica de relaciones probabilísticas Relaciones causales entre variables aleatorias
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
4.6 El filtro de Kalman Introducción Filtro de Kalman discreto Algoritmo: predicción + corrección Características probabilísticas El filtro de Kalman extendido Filtros de Partículas Conclusiones Introducción
Generación de variables aleatorias discretas Método de aceptación y rechazo Método de composición Método de la urna Método de tablas
Generación de variables aleatorias discretas Método de aceptación y rechazo Método de composición Método de la urna Método de tablas Georgina Flesia FaMAF 11 de abril, 2013 Método de Aceptación y Rechazo
Un modelo semiparamétrico bayesiano para datos circulares
Asociación Mexicana de Estadística, A.C. IIMAS - UNAM A.P. 20-726 Admón. 20 Del. Álvaro Obregón. 0000 México, D.F. Fax: 5622-362 RFC: AME908MEA amestad@amestad.mx Diciembre, 204. Dr. Gabriel Nuñez Antonio
Examen de Teoría de (Introducción al) Reconocimiento de Formas
Examen de Teoría de (Introducción al) Reconocimiento de Formas Facultad de Informática, Departamento de Sistemas Informáticos y Computación Universidad Politécnica de Valencia, Enero de 007 Apellidos:
Sistemas Expertos basados en probabilidad (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/) Universidad de Sevilla Sistemas Expertos basados en probabilidad (2010/2011)
ESTRUCTURA DE VARIANZA Y TAMAÑO DE MUESTRA EN CONTRASTES LINEALES DE MEDIAS
No.29 y No. 30 ESTRUCTURA DE VARIANZA Y TAMAÑO DE MUESTRA EN CONTRASTES LINEALES DE MEDIAS LUIS GUILLERMO DÍAZ M, LUIS ALBERTO LÓPEZ P, Profesor Asistente Universidawi Nacional Profesor Asociado Universidad
Calculo del tiempo de vida con datos de degradación MC. Manuel Jesús Reyes Méndez (ITCJ) 1, Dr. Manuel A. Rodríguez Medina (ITCJ)
Calculo del tiempo de vida con datos de degradación MC. Manuel Jesús Reyes Méndez (ITCJ) 1, Dr. Manuel A. Rodríguez Medina (ITCJ) Resumen En los productos de alta calidad es difícil de obtener suficientes
El Algoritmo E-M. José Antonio Camarena Ibarrola
El Algoritmo E-M José Antonio Camarena Ibarrola Introducción Método para encontrar una estimación de máima verosimilitud para un parámetro ѳ de una distribución Ejemplo simple 24 Si tiene las temperaturas
Guillermo Ayala Gallego Universidad de Valencia
GoBack Regresión logística Guillermo Ayala Gallego Universidad de Valencia 4 de febrero de 2009 1 / 22 Puede que sea el procedimiento estadístico más utilizado. Con aplicaciones frecuentes en Medicina
donde ε es la variable aleatoria de media 0 y f(x) es una relación que tiene la siguiente expresión:
INTRODUCCIÓN Los modelos de regresión B-Splines son de tipo semiparamétrico y presentan un excelente ajuste en variables climatológicas, como se muestra en el desarrollo de este trabajo que está dividido
IDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA
IDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Problema de la estima θ(t): magnitud
Test de suma de rangos
Test de suma de rangos Georgina Flesia FaMAF 4 de junio, 2013 Bondad de ajuste Se tiene una muestra de datos y se quiere contrastar la hipótesis H 0 ) Los datos provienen de la distribución F. Test chi-cuadrado
Ejemplos Resueltos Tema 4
Ejemplos Resueltos Tema 4 01 1. Intervalo de Confianza para la Media µ (con σ conocida Dada una muestra de tamaño n, para un nivel de confianza 1-α y la desviación típica de la población σ, el Intervalo
Clasificación Supervisada
Clasificación Supervisada Ricardo Fraiman 26 de abril de 2010 Resumen Reglas de Clasificación Resumen Reglas de Clasificación Descripción del problema Muestra de entrenamiento (X 1, Y 1 ),..., (X n, Y
Formulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Apellidos:... 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
Filtrado e identificación de parámetros mediante métodos bayesianos
Filtrado e identificación de parámetros mediante métodos bayesianos Guillermo La Mura a, Eduardo Serrano b,d, Ricardo Sirne c a Escuela de Ciencia y Tecnología - UNSAM b Centro de Matemática Aplicada -
ANALISIS DISCRIMINANTE, ESTADISTICA GERENCIAL
UNIVERSIDAD DE PUERTO RICO Recinto de Río Piedras Facultad de Administración de Empresas Instituto de Estadística ANALISIS DISCRIMINANTE, HERRAMIENTA EN ESTADISTICA GERENCIAL José C. Vega Vilca, PhD Presentación
Modelación de los Retornos Negativos del IPC con las Distribuciones Pareto y Pareto Generalizada,
Modelación de los Retornos Negativos del IPC con las Distribuciones Pareto y Pareto Generalizada, 1991-2014 Genoveva Lorenzo Landa a, Sergio Fco. Juárez Cerrillo, J. Martín Cadena Barajas Universidad Veracruzana
La prueba de ji-cuadrado
Estadística Aplicada a la Investigación en Salud Medwave. Año XI, No. 12, Diciembre 2011. Open Access, Creative Commons. La prueba de ji-cuadrado Autor: Fernando Quevedo Ricardi (1) Filiación: (1) Departamento
Contraste 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
Generación de variables aleatorias discretas Método de aceptación y rechazo Método de composición Método de la urna Método de tablas
Generación de variables aleatorias discretas Método de aceptación y rechazo Método de composición Método de la urna Método de tablas Georgina Flesia FaMAF 10 de abril, 2012 Método de Aceptación y Rechazo
Probabilidad Condicional. Teorema de Bayes para probabilidades condicionales:
Probabilidad Condicional Teorema de Bayes para probabilidades condicionales: Definición: Sea S el espacio muestral de un experimento. Una función real definida sobre el espacio S es una variable aleatoria.
Regresión con errores autocorrelacionados
Series de tiempo Gerardo Ortega Miguel Pluma Luis Osorio Johnatan García 09 de diciembre de 2013 Contenido 1 Introducción Idea intuitiva 2 Algoritmo 3 Propiedades de los estimadores 4 Estadístico de Durbin-Watson
Javier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo
Javier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo 30/10/2013 Modelos Logísticos de Regresión de Respuesta Binaria Índice 1. Planteamiento de modelo 2. Estimación
Diseños D-óptimos bayesianos para modelos lineales heteroscedásticos
XXVI Simposio Internacional de Estadística 2016 Sincelejo, Sucre, Colombia, 8 al 12 de Agosto de 2016 Diseños D-óptimos bayesianos para modelos lineales heteroscedásticos Catalina Patiño Bustamante 1,a,
ESTUDIO COMPARATIVO DE MÉTODOS DE ESTIMACIÓN EN UN MODELO LOGIT MIXTO 1
Leticia Hachuel Gabriela Boggio Guillermina Harvey Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística ESTUDIO COMPARATIVO DE MÉTODOS DE ESTIMACIÓN EN UN MODELO LOGIT MIXTO 1
UNA NUEVA VISITA A LAS. VII Jornada regional de Matemáticas y Estadística Universidad del Tolima Jairo Alfonso Clavijo Méndez
UNA NUEVA VISITA A LAS ENCUESTAS VII Jornada regional de Matemáticas y Estadística Universidad del Tolima Jairo Alfonso Clavijo Méndez Por qué una nueva visita? En una ocasión anterior se había hecho una
UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Análisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Reconocimiento de patrones (RP): clasificar objetos en un número de categorías o clases.
Sistemas Expertos basados en probabilidad (2011/2012)
Luis Valencia Cabrera (coordinador) lvalencia@us.es (http://www.cs.us.es/~lvalencia) Manuel García-Quismondo mgarciaquismondo@us.es (http://www.cs.us.es/~mgarcia) Ciencias de la Computacion e IA (http://www.cs.us.es/)
Teoría de probabilidades
Modelos Probabilistas Teoría de probabilidades Teoría de probabilidades Definiremos como probabilidad a priori (P(a)) asociada a una proposición como el grado de creencia en ella a falta de otra información
Procesos estocásticos
Procesos estocásticos Las cadenas de Markov estudian procesos estocásticos Los procesos estocásticos son modelos matemáticos que describen sistemas dinámicos sometidos a procesos aleatorios Parámetros:
Part I. Descripción estadística de dos variables. Estadística I. Mario Francisco. Variable. bidimensional. Distribuciones de frecuencias
Part I Descripción de dos variables Introducción Si para un mismo individuo observamos simultáneamente k obtendremos como resultado una variable k-dimensional. Nos ocuparemos del estudio de las variables
Redes Bayesianas (3) Carlos Hurtado L. Depto. de Ciencias de la Computación, Universidad de Chile
Redes Bayesianas (3) Carlos Hurtado L. Depto. de Ciencias de la Computación, Universidad de Chile Referencia Tutorial NIPS (Neural Information Processing Systems Conference) 2001: Learning Bayesian Networks
BIOESTADISTICA ( ) Evaluación de pruebas diagnósticas. 1) Características del diseño en un estudio para evaluar pruebas diagnósticas.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Evaluación de pruebas diagnósticas CONCEPTOS CLAVE 1) Características del diseño en un estudio para evaluar pruebas
MAXIMUM LIKELIHOOD. Jesús A. González y Eduardo Morales
MAXIMUM LIKELIHOOD Jesús A. González y Eduardo Morales Maximum Likelihood Estimation (MLE) 2 Método preferido para estimación de parámetros en estadística Indispensable para muchas técnicas de modelado
Examen Parcial. Attr1: A, B Attr2: A, B, C Attr3 1, 2, 3 Attr4; a, b Attr5: 1, 2, 3, 4
Aprenentatge 0-03 Q Examen Parcial Nombre: (Examen ) Instrucciones. (0 puntos) Este examen dura horas. Responded todas las preguntas en estas hojas. Para las preguntas test poned un circulo alrededor de
Muestreo en Poblaciones Finitas
Información Adicional. Estimadores de Razón y Regresión 1/25 Muestreo en Poblaciones Finitas Información Adicional. Estimadores de Razón y Regresión José A. Mayor Gallego Departamento de Estadística e
Maestría en Bioinformática Probabilidad y Estadística: Clase 13
Maestría en Bioinformática Probabilidad y Estadística: Clase 13 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Mayo de 2010 Contenidos 1 Hidden Markov Models
PROBABILIDAD 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
SIMULACIÓN MCMC. Dr. Holger Capa Santos
SIMULACIÓN MCMC Dr. Holger Capa Santos Septiembre, 2009 CONTENIDO Integración Montecarlo Problema con la Integración Montecarlo Muestreo de Importancia Algoritmos de Metropolis y Metropolis-Hastings Muestreador
Tema 9. Análisis factorial discriminante
Máster en Técnicas Estadísticas Análisis Multivariante. Año 2008 2009. Profesor: César Sánchez Sellero. 9.1. Introducción. Tema 9. Análisis factorial discriminante Supongamos que están denidos I grupos,
7.1 COMPARACIÓN ENTRE MÉTODOS DE ESTIMACIÓN DE LA EVAPORACIÓN REAL MEDIA MULTIANUAL
7 EVAPORACIÓN El objetivo del presente capítulo es analizar en términos globales los resultados obtenidos en este trabajo para la evaporación real y potencial. 7. COMPARACIÓN ENTRE MÉTODOS DE ESTIMACIÓN
Clasificación. Clasificadores Bayesianos
Clasificación Clasificadores Bayesianos Clasificadores Bayesianos Modela relaciones probabilisticas entre el conjunto de atributos y el atributo clase Probabilidad condicional: probabilidad de que una
Tema 1: ESPACIOS VECTORIALES
Tema 1: ESPACIOS VECTORIALES Prof. Rafael López Camino Departamento de Geometría y Topología Universidad de Granada Material docente para el alumno Asignatura: Geometría I. Curso 1998/99 Licenciatura:
Comité Técnico Asesor para el Conteo Rápido
Expresiones matemáticas para la estimación de la conformación de la Cámara de Diputados Estimación de la conformación de la Cámara de Diputados En los trabajos de determinación de tamaño de muestra, en
ALGEBRA. Curso: 3 E.M. Colegio SSCC Concepción - Depto. de Matemáticas. Nombre: CURSO: Unidad de Aprendizaje: La Parábola
Colegio SSCC Concepción - Depto. de Matemáticas Unidad de Aprendizaje: La Parábola Capacidades/Destreza/Habilidad: Racionamiento Matemático/ Aplicación / Calcular, Resolver Valores/ Actitudes: Respeto,
Métodos clásicos de inferencia sobre proporciones
Capítulo 3 Métodos clásicos de inferencia sobre proporciones En este capítulo, revisaremos los métodos clásicos de inferencia sobre proporciones: estimación puntual (EP), estimación por intervalo (EIN),
Auxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Capítulo 8. Selección de variables Introducción
Capítulo 8 Selección de variables 8.1. Introducción En muchos problemas de regresión es posible considerar un número importante de variables predictoras. Un empresario podría estudiar los factores que
ECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Regresión de Poisson. Microeconomía Cuantitativa. R. Mora. Departmento de Economía Universidad Carlos III de Madrid
en gretl Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción en gretl 1 Introducción 2 3 4 en gretl en gretl Introducción en gretl Ejemplo 1
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.
Probabilidad Condicional. Teorema de Bayes para probabilidades condicionales:
Probabilidad Condicional Teorema de Bayes para probabilidades condicionales: Definición: Variables aleatorias Sea S el espacio muestral de un experimento. Una función real definida sobre el espacio S es
Análisis de Datos. Clasificación Bayesiana para distribuciones normales. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Clasificación Bayesiana para distribuciones normales Profesor: Dr. Wilfrido Gómez Flores 1 Funciones discriminantes Una forma útil de representar clasificadores de patrones es a través
2.3. Análisis bayesiano para datos normales
2.3. Análisis bayesiano para datos normales 87 2.3. Análisis bayesiano para datos normales Otra de las situaciones más frecuentes en la práctica estadística es aquella en la que nos encontramos con datos
Economía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid
Economía Aplicada Modelos con variables dependiente binarias Departamento de Economía Universidad Carlos III de Madrid Ver Stock y Watson (capítulo 11) 1 / 28 Modelos con variables dependiente binarias:
Diagonalización de matrices
Capítulo 6 Diagonalización de matrices 6.. Introducción 6... Un ejemplo preliminar Antes de plantearlo de manera general, estudiaremos un ejemplo que servirá para situar el problema. Supongamos que, en
Análisis de Datos Categóricos
Análisis de Datos Categóricos En el análisis de datos, a menudo nos encontramos con mediciones de respuestas que son de naturaleza categórica. Éstas respuestas reflejan información de categorías más que
Análisis de Datos. Validación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Validación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción La mayoría de los clasificadores que se han visto requieren de uno o más parámetros definidos libremente,
Inferencia en Modelos Gráficos para detección de Tópicos (LDA)
Inferencia en Modelos Gráficos para detección de Tópicos (LDA) Francisco Barreras 19 de enero de 2017 Contenido 1 Introducción y Contexto 2 Motivación 3 Definiciones y Fundamentos 4 Razonamiento y flujos
Posicionamiento indoor con señales de WiFi
Posicionamiento indoor con señales de WiFi Claudio Avallone, Germán Capdehourat Tratamiento Estadístico de Señales Curso 2010 Outline 1 Introducción 2 Estimación de la posición basada en huellas 3 Escenario
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.
Aplicación de la distribución empírica: Tests de bondad de ajuste
Aplicación de la distribución empírica: Tests de bondad de ajuste 4 de marzo de 2009 Test de bondad de ajuste Supongamos que se dispone de una m.a.s de tamaño n de una población X con distribución desconocida
Endomorsmos ecientes para el computo de la multiplicacion escalar en curvas elpticas binarias
Endomorsmos ecientes para el computo de la multiplicacion escalar en curvas elpticas binarias Daniel dcervantes@computacion.cs.cinvestav.mx Francisco Centro de Investigacion y de Estudios Avanzados del
Estimación Bayesiana y Máximo a Posteriori
Estimación Bayesiana y Máximo a Posteriori Alvaro Gómez & Pablo Musé {agomez, pmuse}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Marzo
CAPITULO 8 MUESTRAS ALEATORIAS Y NUMEROS ALEATORIOS
Teoría elemental de muestreo CAPITULO 8 TEORIA DE MUESTREO La teoría de muestreo es el estudio de las relaciones existentes entre una población y las muestras extraídas de ella. Es de gran utilidad en
1 CÁLCULO DE PROBABILIDADES
1 CÁLCULO DE PROBABILIDADES 1.1 EXPERIENCIAS ALEATORIAS. SUCESOS 1.1.1 Definiciones Experiencia aleatoria: experiencia o experimento cuyo resultado depende del azar. Suceso aleatorio: acontecimiento que
Planificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 6109 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la