Taller Latinoamericano de Evolución Molecular y Filogenética. Junio 22 - Julio 3, Centro de Ciencias Genómicas, UNAM
|
|
- Tomás Aranda Alarcón
- hace 5 años
- Vistas:
Transcripción
1 Taller Latinoamericano de Evolución Molecular y Filogenética Junio 22 - Julio 3, 2009 Centro de Ciencias Genómicas, UNM Máxima Verosimilitud como Criterio de Inferencia Filogenética Prof. Susana Magallón Instituto de Biología, UNM s.magallon@ibiologia.unam.mx Junio 25, 2009
2 Máxima Verosimilitud (Maximum Likelihood - ML) como una técnica estadística R.. Fisher: Fisher, R On the absolute criterion for fitting frequency curves. Messenger of Mathematics 41: Fisher, R On the probable error of a coefficient correlation deduced from a small sample. Metron 1:3-32. Fisher, R On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Society of London, 222:
3 Máxima Verosimilitud (Maximum Likelihood - ML) como una técnica estadística R.. Fisher: Fisher, R On the absolute criterion for fitting frequency curves. Messenger of Mathematics 41: Fisher, R On the probable error of a coefficient correlation deduced from a small sample. Metron 1:3-32. Fisher, R On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Society of London, 222: Definición: P ( D H ) Probabilidad de los datos dada una hipótesis Ejemplo: un promedio es un estimado de máxima verosimilitud de la media en una distribución normal.
4 Máxima Verosimilitud en la inferencia filogenética. W. F. Edwards y L. L. Cavalli-Sforza (frecuencias génicas): Edwards,.W.F. and L.L. Cavalli-Sforza Reconstruction of evolutionary trees. Pages 67-76, in Phenetic and Phylogenetic Classification (V.H. Heywood and J. McNeil, eds.). Systematics ssociation Publ. No. 6, London. Cavalli-Sforza, L.L. and.w.f. Edwards Phylogenetic analysis: model and estimation procedures. Evolution 32: ; merican Journal of Human Genetics 19: J. Neyman; R. L. Kashyab and S. Subas (secuencias de nucleótidos): Neyman, J Molecular studies of evolution: a source of novel statistical problems. Pages 1-27, in Statistical Decision Theory and Related Topics (S.S. Gupta and J. Yackel, eds.). cademic Press, New York. Kashyab, R.L. and S. Subas Statistical estimation of parameters in a phylogenetic tree using a dynamic model of the substitutional process. J. Theoretical Biology 47: Joseph Felsenstein (secuencias de nucleótidos): Felsenstein, J. 1973a. Maximum-likelihood estimation of evolutionary trees from continuous characters. merican Journal of Human Genetics 25: (modificaciones a método de Edwards y Cavalli-Sforza, y algoritmo de poda) Felsenstein, J. 1973b. Maximum likelihood and minimum-steps methods for estimating evolutionary trees from data on discrete characters. Systematic Zoology 22: (cálculo de la verosimilitud de un árbol, y algoritmo de poda) Felsenstein, J Evolutionary trees from DN sequences: a maximum likelihood approach. Journal of Molecular Evolution 17: (método práctico para cálculo de L de árbol, con un número pequeño de secuencias)
5 Máxima Verosimilitud en la inferencia filogenética H. Kishino et al.; J. dachi and M. Hasegawa (secuencias de aminoácidos): Kishino, H., T. Miyata and M. Hasegawa Maximum likelihood inference of protein phylogeny and the origin of chloroplasts. Journal of Molecular Evolution 31: dachi, J. and M. Hasegawa MOLPHYL: Programs for molecular phylogenetics I - PROTML: maximum likelihood inference of phylogeny. Computer Science Monographs no. 27. Institute of Statistical Mathematics, Tokyo. Contribución de Joseph Felsenstein: Simplificación de método propuesto por Edwards y Cavalli-Sforza (1964) para caracteres cuantitativos (frecuencias génicas). - Edwards y Cavalli-Sforza deseaban estimar un gran número de parámetros del árbol, incluyendo secuencia de ancestros y el fenotipo de todos los individuos. - Singularidades que impedían calculo de verosimilitud. - Método de Felsenstein: Circunscripción a secuencia de eventos de especiación: - Fórmula de Verosimilitud para la estimación de la topología del árbol, y de los tiempos de ramificación, que carece de singularidades. lgoritmo de Poda (Pruning lgorithm) - Método práctico que facilita el cálculo de la verosimilitud (L) de un árbol.
6 Máxima Verosimilitud en la inferencia filogenética P M ( D T ) Probabilidad de obtener los datos (D) dado el árbol (T), bajo un modelo (M) Datos (D): rbol (T): Modelo (M): secuencias de nucleótidos topología Probabilidad de transición secuencias de aminoácidos longitud de ramas secuencias de codones caracteres morfológicos tributos de Estimados de ML: * Consistencia: convergen en el valor correcto del parámetro estimado. * Eficiencia: tienen una varianza muy pequeña alrededor del valor correcto del parámetro estimado. Permite explorar los datos y los modelos de sustitución. Permite un aprovechamiento adecuado de la información de las secuencias. Es robusto a violaciones de supuestos del modelo. Similitud con Máxima Parsimonia (MP): Método basado en un criterio de optimización. Uso directo de la matriz de taxa por caracteres. Similitud con Inferencia Bayesiana (IB): Métodos paramétricos - ML es parte fundamental de la IB.
7 ESTIMCION DE ESTDOS EN NODOS INTERNOS α 1 2 γ β C G
8 ESTIMCION DE ESTDOS EN NODOS INTERNOS Nodos ncestrales con Parsimonia α 2 1 CG γ β C G
9 ESTIMCION DE ESTDOS EN NODOS INTERNOS Nodos ncestrales con Máxima Verosimilitud α 2 1 γ β probabilidad de cambio C G
10 Estimación Filogenética con Máxima Verosimilitud (1) Cómo calcular la verosimilitud de un árbol? (a) Procedimiento exhaustivo (b) lgoritmo de Poda (c) Verosimilitud como logaritmo natural (2) Cómo encontrar el rbol de Máxima Verosimilitud? (a) Método exhaustivo (b) Búsquedas heurísticas (c) Estrategias empíricas
11 Ingredientes (1) Secuencias alineadas (matriz con m taxa por n sitios) (2) rbol con longitudes de rama (3) Modelo de sustitución Matriz de Probabilidad de Transición P ij (t) Matriz P(t) para modelo HKY85 P ij (t) Probabilidad de que el estado j exista al final de una rama de longitud t, dado que el estado inicial de la rama es i. La longitud t refleja el número esperado de sustituciones a lo largo de la rama.
12 Supuestos: (1) El proceso de sustitución es independiente en diferentes sitios. (2) El proceso de sustitución es independiente en diferentes linajes. Procedimiento: (1) Obtener la verosimilitud de cada sitio. Se obtiene sumando las probabilidades de tener cada estado de carácter en cada nodo interno en un arbol enrraizado arbitrariamente. Estas probabilidades se obtenen de la Matriz de Probabilidad de Transiciones P(t). (2) Obtener la verosimilitud total del árbol. Se obtiene multiplicando la verosimilitud de todos los sitios.
13 Verosimilitud de un sitio = Suma de probabilidad de cada una de las posibles combinaciones de nucleótidos en todos los nodos interiores C C t C 2 t 4 t 1 y t 3 w G t 5 t 7 t 6 z x t 8 Prob (D (i) T) = Prob (, C, C, C, G, x, y, z, w T) x y z w Prob (D (i) T) = Prob(x) Prob(y x, t 6 ) Prob( y, t 1 ) Prob(C y, t 2 ) Prob(z x, t 8 ) Prob(C z, t 3 ) Prob(w z, t 7 ) Prob(C w, t 4 ) Prob(G w, t 5 )
14 Verosimilitud del árbol = Producto de la verosimilitud de todos los sitios L = Prob (D T) = Prob (D (i) T) D (i) = datos en el sitio i L total (L de todo el árbol) Multiplicación de la L de cada uno de los sitios (desde 1 hasta n)
15 Procedimiento exhaustivo (1) lineamiento 1 j n [1] C G G C C G T T T C [2] C G C C C T C T C [3] C G G T G T T C [4] C G G T G C C T G C (4) Cálculo de la L del sitio j L(j) = Prob C C G + Prob C C G C + + Prob C C G G (2) rbol no enrraizado Prob C C C G T T 2 4 (3) rbol enrraizado arbitrariamente * Probabilidad de cambio de un nucleótido por otro está determinada por la Matriz de Transición P(t) 1 C (5) 2 C 3 4 G P(t) = e Qt = P - (t) P -C (t) P -G (t) P -T (t) P C- (t) P C-C (t) P C-G (t) P C-T (t) P G- (t) P G-C (t) P G-G (t) P G-T (t) P T- (t) P T-C (t) P T-G (t) P T-T (t) (6)
16 Procedimiento exhaustivo (1) lineamiento 1 j N [1] C G G C C G T T T C [2] C G C C C T C T C [3] C G G T G T T C [4] C G G T G C C T G C (2) rbol no enrraizado 1 3 (4) Cálculo de la L del sitio j L(j) = Prob C C G + Prob C C G C + + Prob C C G G C + + Prob C C G T T 2 4 (3) rbol enrraizado arbitrariamente 1 C 2 C 3 4 G (5) L total = producto de las Ls de cada sitio " L = L(1) L(2) L(n) = L( j) N j=1 (5) (6) (6) La L de cada sitio, y la L total, son expresadas como log natural lnl = lnl(1) + lnl(2) + + L(N) = lnl( j) N " j=1
17 L COMO LOGRITMO NTURL 0.0 L 1.0 lnl < 0.0 1
18 Procedimiento exhaustivo Número de cálculos necesarios para obtener la verosimilitud de cada sitio: (n = número de taxa terminales; n - 1 = número de nodos internos) sustitución de nucleótidos: 4 n-1 sustitución de aminoácidos: 20 n-1 sustitución de codones: 61 n-1
19 lgoritmo de Poda (Pruning lgorithm) Idea básica: Identificar factores comunes, y calcularlos sólo una vez. (Regla de anidamiento, o Regla de Horner) Gonnet & Benner Peeling algorithm ; Hilden (1970), Elston & Stewart (1971), Heuch & Li (1972) 1819, William Horner Teophilus Holdred S. XVII - XVIII - Isaac Newton Zhu Shijie Método de Programación Dinámica
20 lgoritmo de Poda (Pruning lgorithm) Felsenstein, J. 1973a. Maximum-likelihood estimation of evolutionary trees from continuous characters. merican Journal of Human Genetics 25: (modificaciones a método de Edwards y Cavalli-Sforza, y algoritmo de poda) Felsenstein, J. 1973b. Maximum likelihood and minimum-steps methods for estimating evolutionary trees from data on discrete characters. Systematic Zoology 22: (cálculo de la verosimilitud de un árbol, y algoritmo de poda) Felsenstein, J Evolutionary trees from DN sequences: a maximum likelihood approach. Journal of Molecular Evolution 17: (método práctico para cálculo de L de árbol, con un número pequeño de secuencias)
21 lgoritmo de Poda (Pruning lgorithm) B (k) C (l) (i) Se basa en la VEROSIMILITUD CONDICIONL La verosimilitud condicional L(x j = i) de que un nodo tenga un estado i es el producto de la verosimilitud de que el estado i en de origen a los estados en B y C. Los elementos para calcular la verosimilitud condicional de i en son: (1) Rama -B - La probabilidad P ik (v B ) de que el estado i cambie a k en la rama -B. Esta probabilidad es obtenida de la matriz P(t). - La verosimilitud L(x Bj = K) de que B tenga al estado k, sumada sobre todos los valores de k. Si B es un nodo terminal, k es conocida: Se le asigna una probabilidad = 1 al estado observado, y una probabilidad = 0 a los otros estados posibles. Si B es un nodo interno, la verosimilitud de cada uno de los posibles estados de k debe ser calculada. (2) Rama -C - La probabilidad P il (v C ) de que el estado i cambie a k en la rama -C. - La verosimilitud L(x Cj = l) de que B tenga al estado l, sumada sobre todos los valores de l. (3) Probabilidad previa de cada estado posible en el nodo raíz (π i )
22 lgoritmo de Poda (Pruning lgorithm) C C G T G a c b e d f
23 lgoritmo de Poda (Pruning lgorithm) L (i) =(0, 1, 0, 0) (0, 1, 0, 0) (1, 0, 0, 0) (0, 0, 1, 0) (0, 0, 0, 1) (0, 0, 1, 0) C C G T G a c b e d f (1) Obtener valores de L (i) en las puntas del árbol. Datos observados. signar Prob = 1 a estado observado, y Prob = 0 a estados no observados.
24 lgoritmo de Poda (Pruning lgorithm) L (i) =(0, 1, 0, 0) (0, 1, 0, 0) (1, 0, 0, 0) (0, 0, 1, 0) (0, 0, 0, 1) (0, 0, 1, 0) C C G T G a c b e d f L im L jn (2) Proceder hacia abajo, calculando la probabilidad de nodos internos en los que todos sus descendientes sean nodos terminales. Usar método descrito anteriormente.
25 lgoritmo de Poda (Pruning lgorithm) L (i) =(0, 1, 0, 0) (0, 1, 0, 0) (1, 0, 0, 0) (0, 0, 1, 0) (0, 0, 0, 1) (0, 0, 1, 0) C C G T G a c b e d f L im L jn (3) Una vez obtenidas las verosimilitudes condiconales (L im y L jn ) de nodos internos, ignorar sus nodos terminales descendientes. Proseguir hacia la base, utilizando las verosimilitudes condicionales de nodos internos para calcular aquellas de nodos mas profundos.
26 lgoritmo de Poda (Pruning lgorithm) L (i) =(0, 1, 0, 0) (0, 1, 0, 0) (1, 0, 0, 0) (0, 0, 1, 0) (0, 0, 0, 1) (0, 0, 1, 0) C C G T G a c b e d f L im L jn L ko (4) Continuar descendiendo en el árbol.
27 lgoritmo de Poda (Pruning lgorithm) L (i) =(0, 1, 0, 0) (0, 1, 0, 0) (1, 0, 0, 0) (0, 0, 1, 0) (0, 0, 0, 1) (0, 0, 1, 0) C C G T G a c b e d f L im L jn L ko (4) Continuar descendiendo en el árbol.
28 lgoritmo de Poda (Pruning lgorithm) L (i) =(0, 1, 0, 0) (0, 1, 0, 0) (1, 0, 0, 0) (0, 0, 1, 0) (0, 0, 0, 1) (0, 0, 1, 0) C C G T G a c b e d f L im L jn L ko L lp (4) Continuar descendiendo en el árbol.
29 lgoritmo de Poda (Pruning lgorithm) L (i) =(0, 1, 0, 0) (0, 1, 0, 0) (1, 0, 0, 0) (0, 0, 1, 0) (0, 0, 0, 1) (0, 0, 1, 0) C C G T G a c b e d f L im L jn L ko L lp (4) Continuar descendiendo en el árbol.
30 lgoritmo de Poda (Pruning lgorithm) L (i) =(0, 1, 0, 0) (0, 1, 0, 0) (1, 0, 0, 0) (0, 0, 1, 0) (0, 0, 0, 1) (0, 0, 1, 0) C C G T G a c b e d f L im L jn L ko L lp L 0 (i) (5) Continuar descendiendo en el árbol, hasta llegar al nodo raíz. La verosimilitud condicional obtenida para este nodo (L 0 (i) )corresponde a la verosimilitud del árbol (L).
31 lgoritmo de Poda (Pruning lgorithm) L (i) =(0, 1, 0, 0) (0, 1, 0, 0) (1, 0, 0, 0) (0, 0, 1, 0) (0, 0, 0, 1) (0, 0, 1, 0) C C G T G a c b e d f L im L jn L ko L lp L 0 (i) Procedimiento: Por cada sitio, es calculado n-1 veces (número de nodos internos). Por cada nodo interno, hay 4 cálculos (número de edos. de carácter). Cada cálculo es el producto de 2 términos. Cada término es la suma de 4 productos. p (n-1) b2 p = num. sitios n = num. taxa b = num. bases
32 mbigüedad y Error L (i) =(0, 1, 0, 0) (1, 1, 1, 1) (1, 0, 1, 0) (0, 0, 1, 0) (0, 1, 0, 1) (0, 0, 1, 0) C N R G Y G a c b e d f Las verosimilitudes no son probabilidades: - no necesitan sumar 1 - no es la probabilidad de diferentes resultados. Verosimilitud: probabilidad de una misma observación, dados diferentes eventos.
33 Cómo encontrar el árbol de Máxima Verosimilitud? Objetivo: Encontrar la combinación de longitudes de ramas que resulta en la mas alta L para una topología dada, y evaluar el espacio de topologías, para encontrar aquella que, con las longitudes de ramas que le hacen tener la mas alta L, representa el árbol de ML. Procedimiento exhaustivo: Dado el modelo de sustitución, 1. Iniciar con una topología, y valores de los parámetros del modelo determinados. 2. Encontrar las longitudes de rama que maximizan la L de la topologia y el modelo. Estas se obtienen mediante un procedimiento iterativo complejo (método de Newton-Raphson, y otros). 3. Calcular la verosimilitud (L) de esa combinación de topología, longitudes de ramas, y valores de los parámetros del modelo. 4. Hacer una pequeña modificación a alguno de los parámetros no especificados (topología o parámetros del modelo. Optimizar longitudes de rama. Calcular la L. 5. Repetir el procedimiento, hasta encontrar la combinación de topología, valores de parámetros y longitudes de rama con mayor L global.
34 Cómo encontrar el árbol de Máxima Verosimilitud? Objetivo: Encontrar la combinación de longitudes de ramas que resulta en la mas alta L para una topología dada, y evaluar el espacio de topologías, para encontrar aquella que, con las longitudes de ramas que le hacen tener la mas alta L, representa el árbol de ML. La realidad: lgoritmo de poda ayuda mucho para obtener las longitudes de rama que confieren a una topología su mas alta L. Sin embargo, no contribuye la evaluación de todas las posibles topologías. (Problema compartido con otros métodos de criterio de optimización). Búsquedas heurísticas: Iniciar la búsqueda usando una topología al azar(*). Esperar que nos lleve a la identificación de la Máxima Verosimilitud, y no a un óptimo local. Es posible que existan óptimos locales, o múltiples máximos. Empiricamente, rara vez han sido observados. Steel (1994) encontró múltiples máximos para una topología. Chor et al. (2000): técnicas para buscar bases de datos con múltiples máximos. Rogers & Swofford (1999): simulaciones que sugieren que la presencia de múltiples máximos es rara.
35 Cómo encontrar el árbol de Máxima Verosimilitud? Objetivo: Encontrar la combinación de longitudes de ramas que resulta en la mas alta L para una topología dada, y evaluar el espacio de topologías, para encontrar aquella que, con las longitudes de ramas que le hacen tener la mas alta L, representa el árbol de ML. Estrategia Empírica: *** No elijas una topología al azar para inicial la exploración del espacio, sino inicia con un estimado razonable (e.g., un árbol de distancia o de máxima parsimonia). 1. Dada una topología razonable, estima la combinación de longitudes de ramas y valores de parámetros del modelo que den la L mas alta. 2. Utilizando los valores de parámetros estmados en (1), estima la topología y longitudes de ramas con la mas alta verosimilitud. 3. Si la nueva topología es diferente a la incial, repite desde el paso 1, hasta convergir.
1/19/11! Taller Latinoamericano de Evolución Molecular! 2011! Criterios de Optimización II! Máxima Verosimilitud!
1/19/11 Máxima Verosimilitud (Maximum Likelihood - ML) como una técnica estadística Taller Latinoamericano de Evolución Molecular 2011 R.. Fisher: Fisher, R.. 1912. On the absolute criterion for fitting
Más detallesP ( D H) Curso Fundamental de Inferencia Filogenética. Tema: Inferencia Filogenética con Máxima Verosimilitud
urso Fundamental de Inferencia Filogenética ema: Inferencia Filogenética con Máxima Verosimilitud, UNM Junio, 7 Prof. Susana Magallón IB, UNM Método paramétrico MXIM VEROSIMILIUD (ML) EN L INFERENI FILOENEI
Más detallesMAXIMA PARSIMONIA EN LA INFERENCIA FILOGENÉTICA DE SECUENCIAS DE ADN
MAXIMA PARSIMONIA EN LA INFERENCIA FILOGENÉTICA DE SECUENCIAS DE ADN - Inferir una filogenia es un proceso de estimación. Se hace la mejor estimación de una historia evolutiva con base en la información
Más detalles1/19/11! Modelos de Sustitución y Selección de Modelos! Taller Latinoamericano de Evolución Molecular! 2011! 1. Distancias!
aller Latinoamericano de Evolución Molecular! 201 riterios de Optimización II! Máxima Verosimilitud! Modelos de Sustitución! 4. Matriz de Probabilidad de ransición - Matriz P(t)! 5. asas de Sustitución
Más detallesEFECTO DE LA ELECCIÓN DEL MODELO EVOLUTIVO A PARTIR DE DATOS SIMULADOS SOBRE LA TOPOLOGIA OBTENIDA EN MR BAYES.
EFECTO DE LA ELECCIÓN DEL MODELO EVOLUTIVO A PARTIR DE DATOS SIMULADOS SOBRE LA TOPOLOGIA OBTENIDA EN MR BAYES. INTRODUCCION Cinthy Lorena Jiménez Silva Los modelos evolutivos se basan en la asignación
Más detallesANÁLISIS DE LA PRUEBA DE APROXIMACIÓN NO SESGADA (AU) EN COMPARACIÓN CON OTRAS PRUEBAS PARA LA SELECCIÓN DEL ÁRBOL ÓPTIMO BASADO EN VALORES-P
ANÁLISIS DE LA PRUEBA DE APROXIMACIÓN NO SESGADA (AU) EN COMPARACIÓN CON OTRAS PRUEBAS PARA LA SELECCIÓN DEL ÁRBOL ÓPTIMO BASADO EN VALORES-P Cindy Nathalia Espitia Jaimes 2050164 INTRODUCCIÓN La selección
Más detallesLección 3. Modelos de evolución molecular. Transiciones. Transversiones. Transiciones. Inferencia filogenética Mutación y substitución
Mutación y substitución Mutación (µ: cambio de base en la secuencia de DN de evolución molecular Substitución (µ: mutación que se fija en una población (o especie P(substitución = Nºmutaciones * P(fijación
Más detallesUNA MEJOR RESOLUCION: ARBOLES DE ESPECIES O DATOS CONCATENADOS (EVIDENCIA TOTAL)? Angie Tamara Guevara
Introducción UNA MEJOR RESOLUCION: ARBOLES DE ESPECIES O DATOS CONCATENADOS (EVIDENCIA TOTAL)? Angie Tamara Guevara 2050163 Actualmente las secuencias de genes múltiples se incrementan a una tasa muy alta
Más detallesUNIVERSIDAD VERACRUZANA (Maestría en Ciencias Biológicas) DATOS GENERALES. Nombre del Curso. Sistemática Filogenética PRESENTACIÓN GENERAL
UNIVERSIDAD VERACRUZANA (Maestría en Ciencias Biológicas) DATOS GENERALES Nombre del Curso Sistemática Filogenética PRESENTACIÓN GENERAL Justificación La Sistemática es una ciencia que se encuentra íntimamente
Más detallesMaestría 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
Más detallesMás caracteres moleculares mejoran la resolución de las topologías en el Análisis Bayesiano? Nadia Jimena Rojas Lozada,
Más caracteres moleculares mejoran la resolución de las topologías en el Análisis Bayesiano? Nadia Jimena Rojas Lozada, 2061294 Introducción El Análisis Bayesiano se ha propuesto recientemente como un
Más detallesFilogenias. Charles Darwin (1859)
Filogenias Charles Darwin (1859) Filogenia Consiste en el estudio de las relaciones evolutivas entre diferentes grupos de organismos. Su inferencia implica el desarrollo de hipótesis sobre los patrones
Más detallesEfectos de los alineamientos
Efectos de los alineamientos Una evaluación empírica mediante el método de parsimonia con alineamientos implícitos generados por POY vs los alineamientos ClustalW en topologías de mamíferos. Claudia Infante
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesEl método de máxima verosimilitud (ML) Introducción a la inferencia de filogenias moleculares (II) ML en filogenias (I) ML en filogenias (III)
Introducción a la inferencia de filogenias moleculares (II) David Posada@Universidad de Vigo El método de máxima verosimilitud (ML)! L = P(D H) = probabilidad de los datos dada una hipótesis.! Si tiramos
Más detallesINTRODUCCIÓN MATERIALES Y METODOS
DETERMINACIÓN DE EVENTOS DE DISPERSIÓN Y VICARIANZA A PARTIR DE UN MODELO BASADO EN LIKELIHOOOD VERSUS EL ANÁLISIS DE DISPERSIÓN-VICARIANZA REALIZADO EN DIVA Laura Camila Cabanzo Olarte Código 2060522
Más detallesEl 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
Más detallesLección 4. Métodos filogenéticos
Básico La inferencia filogenética es un campo per se del estudio de la evolución, en continuo movimiento y expansión. filogenéticos La inferencia filogenética es un procedimiento de estimación estadística.
Más detallesSILABO. UNIVERSIDAD RICARDO PALMA Facultad de Ciencias Biológicas Año Académico 2012 Semestre académico 2012-II I. DATOS GENERALES
UNIVERSIDAD RICARDO PALMA Facultad de Ciencias Biológicas Año Académico 2012 Semestre académico 2012-II SILABO I. DATOS GENERALES ASIGNATURA : TALLER DE SISTEMATICA Y FILOGENIA CÓDIGO : CB-02.64 CRÉDITOS
Más detallesINFORMACIÓN 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
Más detallesDarwin: la evolución es descendencia con modificación
Curso de Evolución 2016 Facultad de Ciencias Montevideo, Uruguay http://evolucion.fcien.edu.uy/ http://eva.universidad.edu.uy/ Tema 2. Las filogenias como contexto de análisis de la evolución. Métodos
Más detallesCurso de Evolución 2017 Facultad de Ciencias Montevideo, Uruguay
Curso de Evolución 2017 Facultad de Ciencias Montevideo, Uruguay http://evolucion.fcien.edu.uy/ http://eva.universidad.edu.uy/ Tema 2. Las filogenias como contexto de análisis de la evolución. Métodos
Más detallesTEMA 2.1. Breve introducción a las técnicas y métodos de reconstrucción filogenética
TM 21 reve introducción a las técnicas y métodos de reconstrucción filogenética ontacto: Virginia Valcárcel (virginiavalcarcel@uames) xisten diversos métodos de análisis para estimar reconstrucciones filogenéticas
Más detallesb. Universidad Nacional-Sede Medellín
Comparación de Intervalos de Confianza para el Coeficiente de Correlación Juan Carlos Correa a, Liliana Vanessa Pacheco b Email: jccorrea@unal.edu.co a. Universidad Nacional-Sede Medellín b. Universidad
Más detallesPablo Vinuesa 2008, 1
Introducción a la Inferencia Filogenética y Evolución Molecular 23-26 Junio 2008, Fac. C. Biológicas - UANL Pablo Vinuesa (vinuesa@ccg.unam.mx) Centro de Ciencias Genómicas-UNAM, México http://www.ccg.unam.mx/~vinuesa/
Más detallesModelos de mutación y filogenética molecular. Bioinformática, Kevin Yip-CSE-CUHK (Universidad china de Hong-Kong)
Modelos de mutación y filogenética molecular Bioinformática, 6-4-16 Kevin Yip-CSE-CUHK (Universidad china de Hong-Kong) HOY 1. Distancia evolutiva y modelos de mutación 2. Árboles: Las estructuras jerárquicas
Más detallesFILOGEOGRAFÍA Y FILOGENIA MOLECULAR
GUIA DOCENTE DE LA MATERIA FILOGEOGRAFÍA Y FILOGENIA MOLECULAR MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO DOCENTE DE ESPECIALIZACIÓN. ESPECIALIDAD EVOLUTIVA PROFESOR(ES) Filogeografía y filogenia molecular
Más detallesConstrucción y análisis de árboles filogenéticos. Antonio Gómez Tato
Construcción y análisis de árboles filogenéticos Antonio Gómez Tato Introducción Árboles filogenéticos Surgen a partir de la teoría de la evolución de Darwin. Son representaciones gráficas de las relaciones
Más detallesLa teoría de coalescencia
La teoría de coalescencia Proceso estocástico Es un linaje de alelos proyectado hacia el pasado (su ancestro común mas reciente) Aproximación básica usando el modelo de Wright-Fisher Modelo probabilístico
Más detallesAnálisis de extremos
Análisis de extremos Referencias Wilks (sección 4.4.5): dice mucho, explica poco Coles (2001) An Introduction to Statistical Modeling of Extreme Values Introducción Objetivo del análisis de extremos: cuantificar
Más detallesDiseños 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,
Más detalles1/26/11! Taller Latinoamericano de Evolución Molecular! 2011! Relojes Moleculares:! Fechación de Clados con Datos Moleculares! EL RELOJ MOLECULAR!
Taller Latinoamericano de Evolución Molecular! 2011! Relojes Moleculares:! Fechación de Clados con Datos Moleculares! Prof. Susana Magallón! Enero 27, 2011! EL RELOJ MOLECULAR! La distancia genética entre
Más detallesCurso 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
Más detallesTÉCNICAS INTELIGENTES EN BIOINFORMÁTICA. Evolución Molecular y Filogenia
TÉCNICAS INTELIGENTES EN BIOINFORMÁTICA Evolución Molecular y Filogenia Ignacio Pérez Hurtado de Mendoza Grupo de investigación en Computación Natural Dpto. Ciencias de la Computación e Inteligencia Artificial
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 detallesCONGRUENCIA METODOLOGICA EN LOS ANALISIS FILOGENETICOS A PARTIR DE ALINEAMIENTO Y RECONSTRUCCION. Katherine Cuadros
CONGRUENCIA METODOLOGICA EN LOS ANALISIS FILOGENETICOS A PARTIR DE ALINEAMIENTO Y RECONSTRUCCION Katherine Cuadros 2041379 INTRODUCCIÓN El rápido aumento en la capacidad de generar datos moleculares, y
Más detallesFACULTAD DE CIENCIAS NATURALES DEPARTAMENTO DE CIENCIAS BIOLÓGICAS
FACULTAD DE CIENCIAS NATURALES DEPARTAMENTO DE CIENCIAS BIOLÓGICAS Código-Materia: Evolución (21026) Requisito: Genética y laboratorio, Fisiología Animal, Fisiología Vegetal, Ecología General Programa-Semestre:
Más detallesEl virus de la gripe. Análisis bioinformático
El virus de la gripe Análisis bioinformático Es una enfermedad respiratoria, de origen vírico y altamente contagiosa. Obliga a hospitalizar a 200.000 personas al año en USA. Está relacionada con 30.000
Más detallesFilogenias. Inferencia filogenética
Filogenias Para Darwin la evolución es descendencia con modificación a partir de un único origen de la vida. Siguiendo esta idea, todos los taxa actuales tendrán algún tipo de parentesco más o menos cercano.
Más detallesCurso de Postgrado y Actualización, FCNyM. Introducción a los métodos para la reconstrucción filogenética probabilística con datos moleculares
INTRODUCCIÓNALOSMÉTODOSPARALARECONSTRUCCIÓNFILOGENÉTICAPROBABILÍSTICA CONDATOSMOLECULARES PropuestadeCursodePostgradoyActualizaciónProfesionaldelaFCNyM UNLP Profesores Dra. F. Sara Ceccarelli, Museo Argentino
Más detalles(x) = 1 si P (Y = 1 X = x) P (Y = 0 X = x) P (Y = 0 X = x) > P (Y = 1 X = x) P (X = x Y = 0)P (Y = 0) > P (X = x Y = 1)P (Y = 1)
1 1. Conceptos generales de clasificación 2. Clasificador k-vecino más cercano 3. Clasificador Bayesiano óptimo 4. Análisis discriminante lineal (LDA) 5. Clasificadores lineales y el Modelo perceptrón
Más detallesES EL JACKNIFE UNA ALTERNATIVA VIABLE AL BOOTSTRAP? Silvia Ximena Barrios
ES EL JACKNIFE UNA ALTERNATIVA VIABLE AL BOOTSTRAP? Silvia Ximena Barrios 2050162 Universidad Industrial de Santander, Facultad de Ciencias, escuela de Biología. INTRODUCCION Tradicionalmente se han propuesto
Más detalles2008 Pablo Vinuesa, 1
Introducción a la Inferencia Filogenética y Evolución Molecular 23-26 Junio 2008, Fac. C. Biológicas - UANL Pablo Vinuesa (vinuesa@ccg.unam.mx) Centro de Ciencias Genómicas-UNAM, México http://www.ccg.unam.mx/~vinuesa/
Más detallesInferencia Estadística
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Ciencias Plan de estudios de la Licenciatura en Actuaría Inferencia Estadística Clave 1541 Modalidad Semestre 5 Créditos 10 Área Campo de conocimiento
Más detallesAnálisis de datos Categóricos
Introducción Universidad Nacional Agraria La Molina 2017-1 Variable cualitativa Variable respuesta cualitativa Variable respuesta y explicativa Variable de conteo y proporción Escalas de medición Una variable
Más detallesTEST DE RAZÓN DE VEROSIMILITUD GENERALIZADA
TEST DE RAZÓN DE VEROSIMILITUD GENERALIZADA JUAN C. MANRÍQUEZ 1, LUIS CID 2 y MARCELA VALDEZ 3 1 Universidad del Bío Bío, Facultad de Ciencias, Departamento de Matemáticas jcmanriq@ubiobio.cl 2 Universidad
Más detallesModelos 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
Más detallesEconometría Avanzada FLACSO 2014
Econometría Avanzada FLACSO 2014 Hemos cubierto: Mapa Planteamiento de una pregunta económica de interés Diferencias entre econometría y estadística Métodos: Lineales (MCO) revisión, variables instrumentales
Más detallesLección 9. Constrastes filogenéticos
Soporte filogenético La mayoría de los datos contiene alguna evidencia potencialmente engañosa sobre las verdaderas relaciones filogenéticas Lección 9. Constrastes filogenéticos Uno debería de medir siempre
Más detallesModelos Gráficos Probabilistas L. Enrique Sucar INAOE. Sesión 5: Modelos Ocultos de Markov
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 5: Modelos Ocultos de Markov Modelos Ocultos de Markov Cadenas de Markov Preguntas básicas Aplicación: orden en Google Modelos Ocultos de Markov
Más detallesCaracteres moleculares
PEDECIBA BIOLOGÍA - 2007 Sistemática Biológica: Métodos y Principios Alejandro D Anatro Caracteres moleculares Esquema para esta clase Generalidades Tipos de caracteres moleculares Particularidades del
Más detallesCadenas de Markov Ocultas
Nicolás Carrère Análisis Inteligente de Datos Departamento de Informática Universidad Técnica Federico Santa María Valparaíso, 24 de Noviembre de 2005 1 2 3 4 Temario Las cadenas de Markov pueden ser representadas
Más detallesAnálisis Estadístico en Simulaciones. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Análisis Estadístico en Simulaciones UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción En una simulación las variables aleatorias son la entrada para
Más detallesEvolución de secuencias de DNA
Evolución de secuencias de DNA 4 transiciones (α) 8 transversiones (β) Proporción esperada Transiciones/Transversiones = 1/2 DESDE HASTA ATCTAGATCTAGTGCATAGCATGCA * * * * * * ACCTAAATTTAGTGAATATCATCCA
Más detallesEFECTO DE BASES AMBIGUAS EN LA RESOLUCION DE LAS FILOGENIAS. Laura Rocío Forero Moreno
EFECTO DE BASES AMBIGUAS EN LA RESOLUCION DE LAS FILOGENIAS Laura Rocío Forero Moreno 2020503 Introducción El objetivo de los métodos de reconstrucción filogenética es utilizar del mejor modo posible la
Más detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesPablo Vinuesa 2008, 1
Biología Genómica y Evolución IV - Inferencia Filogenética y Evolución Molecular Semestre 2008-1 Pablo Vinuesa (vinuesa@ccg.unam.mx) Progama de Ingeniería Genómica, CCG-UNAM, México http://www.ccg.unam.mx/~vinuesa/
Más detallesResumen. Recordemos que una cópula es una función C : I 2 I tal que: C(u 2, v 2 ) C(u 2, v 1 ) C(u 1, v 2 ) + C(u 1, v 1 ) 0. (2)
Contenido 1 2 3 Cópula Empírica Cópula Kernel Resumen Recordemos que una cópula es una función C : I 2 I tal que: 1 Para cualesquiera u, v en I := [0, 1] C(u, 0) = 0 = C(0, v), C(u, 1) = u, C(1, v) = v.
Más detallesCaracteres moleculares
PEDECIBA BIOLOGÍA - 2007 Sistemática Biológica: Métodos y Principios Alejandro D Anatro Caracteres moleculares Esquema para esta clase Generalidades Tipos de caracteres moleculares Particularidades del
Más detallesElvira Mayordomo y Jorge Álvarez. Marzo - Abril de 2016
TRABAJO DE PRÁCTICAS Elvira Mayordomo y Jorge Álvarez Marzo - Abril de 2016 1 Introducción El trabajo de prácticas de la asignatura consistirá en que cada alumno realice por separado el trabajo que se
Más detallesPablo Vinuesa 2007, 1
Curso fundamenteal de Inferencia Filogenética Molecular Pablo Vinuesa (vinuesa@ccg.unam.mx) Progama de Ingeniería Genómica, CCG, UNAM http://www.ccg.unam.mx/~vinuesa/ Tutor: PDCBM, Ciencias Biológicas,
Más detallesTÉCNICAS INTELIGENTES EN BIOINFORMÁTICA. Alineamiento múltiple de secuencias
TÉCNICAS INTELIGENTES EN BIOINFORMÁTICA Alineamiento múltiple de secuencias Mario de J. Pérez Jiménez Grupo de investigación en Computación Natural Dpto. Ciencias de la Computación e Inteligencia Artificial
Más detallesUSO DEL FILTRO DE KALMAN PARA ESTIMAR LA TENDENCIA DE UNA SERIE
DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS INFORME TÉCNICO DIE-87-003-IT USO DEL FILTRO DE KALMAN PARA ESTIMAR LA TENDENCIA DE UNA SERIE Ana Cecilia Kikut V. OCTUBRE, 003 Entre los diferentes
Más detallesEstadística Bayesiana
Universidad Nacional Agraria La Molina 2017-1 Teoría de la decisión Riesgo de Bayes La teoría de decisión es un área de suma importancia en estadística ya que muchos problemas del mundo real pueden tomar
Más detallesPaquete de R: isocir
Paquete de R: isocir Inferencia ISOtónica con datos CIRculares resolviendo problemas de la Biología Molecular. Sandra Barragán Andrés(1), Cristina Rueda(1), Miguel A. Fernández (1) and Shyamal D. Peddada
Más detallesClase 2. Introducción a la Sistemática Cladística
Curso: Principios y métodos de la Sistemática Cladística. Clase 2. Introducción a la Sistemática Cladística Fernando Pérez-Miles Entomología, Facultad de Ciencias El método más utilizado Hennig 950 Grundrüge
Más detallesContrastando Hipótesis después de la Estimación Probit
Contrastando Hipótesis después de la Estimación Probit Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 El modelo Probit
Más detallesINFERENCIA 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
Más detallesINTERVALOS DE CONFIANZA BOOTSTRAP BAJO INCUMPLIMIENTO DE SUPUESTOS EN REGRESIONES SPLINES PENALIZADAS
Cristina Cuesta Gonzalo Marí Nicolás Zino Instituto de Investigaciones Teóricas y Aplicadas en Estadística (IITAE) INTERVALOS DE CONFIANZA BOOTSTRAP BAJO INCUMPLIMIENTO DE SUPUESTOS EN REGRESIONES SPLINES
Más detallesCOMPARACIÓN DE TRES MÉTODOS DE REGRESIÓN LINEAL USANDO PROCEDIMIENTOS DE SIMULACIÓN
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 33 a 43 COMPARACIÓN DE TRES MÉTODOS DE REGRESIÓN LINEAL USANDO PROCEDIMIENTOS DE SIMULACIÓN JUAN C. TORRES C. * Resumen Cuando desea ajustarse
Más detallesFactorización de Árboles de Probabilidad
Factorización de Árboles de Probabilidad Irene Martínez, Serafín Moral 2, Carmelo Rodríguez 3 y Antonio Salmerón 4 2 3,4 Dept. Lenguajes y Computación. Universidad de Almería Dept. Ciencia de la Computación
Más detallesGrado en Matemáticas
Grado en Matemáticas CENTRO RESPONSABLE: FACULTAD DE CIENCIAS RAMA: Ciencias CRÉDITOS: 240,00 DISTRIBUCIÓN DE CRÉDITOS DE LA TITULACIÓN FORMACIÓN BÁSICA: 60,00 OBLIGATORIOS: 120,00 OPTATIVAS: 48,00 TRABAJO
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 detallesPRACTICA XI: ALINEAMIENTO POR TRADUCCION INVERSA Y ANALISIS FILOGENETICO POR EL CRITERIO DE DISTANCIAS
PRACTICA XI: ALINEAMIENTO POR TRADUCCION INVERSA Y ANALISIS FILOGENETICO POR EL CRITERIO DE DISTANCIAS Objetivo: - Aplicar las técnicas para realizar el alineamiento de secuencias de DNA codificantes empleadas
Más detalles4ta. Práctica. Búsqueda en árbol con contrincante: MiniMax con poda Alfa-Beta. Inteligencia Artificial Prácticas 2004/2005
4ta. Práctica Búsqueda en árbol con contrincante: MiniMax con poda Alfa-Beta Inteligencia Artificial Prácticas 2004/2005 Decisiones Perfectas en Juegos de DOS Participantes Definición de Juego Estado Inicial:
Más detallesObjetivos. Introducción a la inferencia de filogenias moleculares (I) Árboles filogenéticos. Bifurcaciones y multifurcaciones
Objetivos Introducción a la inferencia de filogenias moleculares (I) avid Posada@Universidad de Vigo!omprender las ventajas y desventajas de los distintos métodos de reconstrucción filogenética.!saber
Más detallesCLASIFICACIÓN CON VARIABLES DISCRETAS OBSERVADAS CON ERROR Y CON VARIABLES CONTINUAS
Revista Colombiana de Estadísiica No. 1+ - 1981 CLASIFICACIÓN CON VARIABLES DISCRETAS OBSERVADAS CON ERROR Y CON VARIABLES CONTINUAS Víctor Hugo Prieto Bernal Profesor Asociado Universidad Nacional de
Más detallesEVALUACION DEL EFECTO DE LA EVOLUCIÓN HETEROGENEA SITIO- ESPECIFICA SOBRE LA RECONSTRUCCIÓN FILOGENETICA MEDIANTE PARSIMONIA
EVALUACION DEL EFECTO DE LA EVOLUCIÓN HETEROGENEA SITIO- ESPECIFICA SOBRE LA RECONSTRUCCIÓN FILOGENETICA MEDIANTE PARSIMONIA INTRODUCCION La biología comparada estudia la diversidad de especies analizando
Más detallesBúsqueda en espacio de estados
Búsqueda en espacio de estados Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial CCIA, US Búsqueda en espacio de estados IA 1 / 35 Metodología
Más detallesdonde 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
Más detallesProgramación Dinámica
Programación Dinámica Adaptado de Algorithm Design Goodrich and Tamassia Programación Dinámica 1 Calculando la serie de Fibonacci 1,1,2,3,5,8,13,21,. fib(n) = 1 si n = 0,1 fib(n 1) + fib(n 2) o.c. Programación
Más detallesComparación de intervalos de confianza para el coeficiente de correlación
Comunicaciones en Estadística Diciembre 2013, Vol. 6, No. 2, pp. 157 174 Comparación de intervalos de confianza para el coeficiente de correlación Comparison of confidence intervals for the correlation
Más detallesAlineamiento múltiple de secuencias
Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 11 de junio del 2013 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) Alineamiento múltiple de secuencias 11 de junio del 2013 1 / 39 1 Alineamiento múltiple de
Más detallesPerfiles y modelos ocultos de Markov
Perfiles y modelos ocultos de Markov Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 13 de junio del 2013 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) Perfiles y modelos ocultos de Markov 13 de junio del 2013
Más detallesHerramientas moleculares
MÁSTER UNIVERSITARIO EN BIODIVERSIDAD EN ÁREAS TROPICALES Y SU CONSERVACIÓN UNIVERSIDAD INTERNACIONAL MENÉNDEZ PELAYO Este documento puede utilizarse como documentación de referencia de esta asignatura
Más detallesComparación de dos métodos de aprendizaje sobre el mismo problema
Comparación de dos métodos de aprendizaje sobre el mismo problema Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Contenido 1. Motivación 2.
Más detallesAnálisis de esquemas de manejo de restricciones en optimización global.
Análisis de esquemas de manejo de restricciones en optimización global. Tesista: Daniel Trejo Pérez dtrejo@computacion.cs.cinvestav.mx Director de tesis: Dr. Carlos Artemio Coello Coello CINVESTAV-IPN
Más detallesModelos del Lenguaje. Qué es un ML? Modelos basados en N-gramas Modelos basados en Gramáticas Propuesta de T.D
Modelos del Lenguaje Qué es un ML? Modelos basados en N-gramas Modelos basados en Gramáticas Propuesta de T.D Modelos De Lenguaje Qué es un modelo de lenguaje? Mecanismo para definir la estructura del
Más detallesUNLPam - Fac. Cs. Econ. y Jur.
Bibliografía Anderson, Sweeney y Williams; Introducción a los modelos cuantitativos para Administración. Grupo Editorial Iberoamérica. Eppen, Gould, Schmidt, Moore, Weatherford; Investigación de Operaciones
Más detallesBúsqueda en línea y Búsqueda multiagente
Búsqueda en línea y Búsqueda multiagente Ingeniería Informática, 4º Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani 1 Tema 2: Agentes basados en Búsqueda Resumen: 2. Agentes basados
Más detallesESTRATEGIAS DE SELECCIÓN DEL MODELO DE SUSTITUCIÓN NUCLEOTÍDICA VERSUS EL NÚMERO DE TAXA. Johana Alexandra Dulcey Ulloa,
ESTRATEGIAS DE SELECCIÓN DEL MODELO DE SUSTITUCIÓN NUCLEOTÍDICA VERSUS EL NÚMERO DE TAXA Johana Alexandra Dulcey Ulloa, 2050183. Sistemática Filogenética, Universidad Industrial de Santander, 2009. INTRODUCCIÓN
Más detallesRedes 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
Más detallesCalculo 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
Más detallesCarteras minoristas. árbol de decisión. Ejemplo: Construcción de un scoring de concesión basado en un DIRECCIÓN GENERAL DE SUPERVISIÓN
Carteras minoristas Ejemplo: Construcción de un scoring de concesión basado en un árbol de decisión Grupo de Tesorería y Modelos de Gestión de Riesgos Sergio Gavilá II Seminario sobre Basilea II Validación
Más detallesEVALUACIÓN EN APRENDIZAJE. Eduardo Morales y Jesús González
EVALUACIÓN EN APRENDIZAJE Eduardo Morales y Jesús González Significancia Estadística 2 En estadística, se dice que un resultado es estadísticamente significante, cuando no es posible que se presente por
Más detallesBIBLIOTECA REMIGIO FIORE FORTEZZA OFM. CAP.
BIBLIOTECA REMIGIO FIORE FORTEZZA OFM. CAP. CIENCIAS BÁSICAS 2015 2016 www.iucesmag.edu.co/biblioteca/ Contacto: 7216535 7333600 Ext. Jefatura: 248 Secretaria: 326 Circulación y Préstamo: 307 Email: biblioteca@iucesmag.edu.co
Más detallesProgramación Dinámica
Programación Dinámica La técnica de programación dinámica se aplica en general a problemas de optimización. l igual que "dividir y conquistar", el problema es dividido en subproblemas de tamaños menores
Más detalles