Algoritmos Genéticos para la Construcción de Modelos Autorregresivos para Series de Tiempo y Funciones de Transferencia Discretas.
|
|
- Natividad Quintero Ayala
- hace 5 años
- Vistas:
Transcripción
1 Algoritmos Genéticos para la Construcción de Modelos Autorregresivos para Series de Tiempo y Funciones de Transferencia Discretas. Dr. Pedro Flores Pérez EMNO 2013
2 Orígen del problema Entradas Salidas Características { del material { Condiciones del proceso Proceso
3 Qué es una serie de tiempo? Las series de tiempo son modelos para pronóstico de comportamiento de datos reales.
4 Modelos Auto Regresivos z t = δ φ z φ z... φ z 1 t 1 2 t 2 p t p a t Donde z t representa el valor de la serie en el momento t. Los δ y φ son parámetros que es necesario encontrar y ruido. a t es una variable aleatoria de
5 Obtención del modelo El modelo para la serie de tiempo se obtiene resolviendo el siguiente problema de optimización: Si Z t es la serie original y Y t es el pronóstico obtenido de la forma: Y t = δ + φ 1 Z t-1 + φ 2 Z t φ p Z t-p Se requiere encontrar valores para δ y φ i que minimicen la función RSS: n Σ ( Z i Y i ) 2 p
6 Obtención del modelo Para encontrar un modelo que satisfaga nuestro propósito, es necesario resolver las siguientes cuestiones: 1. Cuántos términos p deben considerarse? 2. En qué intervalos están los valores de los términos del punto 1? 3. Cuáles son los k términos más adecuados? 4. Cuáles son los valores de los k términos?
7 Primer Algoritmo Primero se construye una serie con la cual se va a trabajar. Para esto se busca una serie estacionaria aplicando varias veces el operador de diferencias: Z t = Z t - Z t -1 y se elige la que en este proceso resulta con mínima varianza.
8 Primer Algoritmo Teniendo ya una serie estacionaria, se aplica el siguiente resultado: Si Z t es un modelo auto regresivo para una serie estacionaria, entonces δ y φ j satisface las siguientes condiciones: φ µ = δ 1 < 1 Σ φ 1 - Σ φ j < 1 j donde µ representa el promedio de la serie
9 Primer Algoritmo De este resultado obtenemos una propuesta heurística para los límites de los coeficientes: 1. El φ j término satisface que está en el intervalo (-1.0,1.0) : 2. Una estimación del intervalo para: δ es (0, µ ) o (- µ,0)
10 Primer Algoritmo Para calcular cuántos términos p son requeridos en nuestro modelo, nosotros usamos la función de autocorrelación y utilizamos una regla heurística tal que el número de términos p es 4 o el número de términos entre dos máximos consecutivos de la función de autocorrelación.
11 Primer Algoritmo Una vez que se tiene un modelo auto regresivo para esta serie, se construye otro modelo auto regresivo para la serie original basado en el siguiente resultado: Si y t es la serie de diferencias y t = x t x t-1 y tiene un modelo de la forma: entonces y t = h 0 + h 1 y t-1 +h 2 y t h k y t-k x t = h 0 + (1 + h 1 )x t-1 + (h 2 h 1 ) x t (h k h k-1 ) x t-k h k x t-k-1 es un modelo para la serie original.
12 Segundo Algoritmo En el segundo algoritmo, se siguen los siguientes pasos: 1. Se obtiene la serie de diferencias que pudiera ser estacionaria. 2. Se calcula la función de autocorrelación de la última serie y con base en esta función, se estima el número de términos que el modelo de la serie original debiera tener. 3. El problema de optimización se resuelve con todos los coeficientes en (-1.0, 1.0). Este es el algoritmo que se utiliza para calcular modelos de Funciones de Transferencia
13 Algoritmos Genéticos Algoritmos que se utilizan para optimizar funciones tratando de simular el comportamiento de la naturaleza misma. A) Selección natural B) Cruzamiento Genético. C) Mutación Genética.
14 Algoritmos Genéticos Para aplicarlos se requiere: Una representación del individuo. Una forma para crear una población inicial. Una función de desempeño del individuo Un procedimiento que seleccione a los mejores. Operadores de cruzamiento y mutación
15 Algoritmos Genéticos En nuestra propuesta los individuos serán representados por vectores de coordenadas reales que tendrán dos partes: En la primera aparecerán los coeficientes de la expresión lineal de la serie de tiempo y en la segunda los cuatro parámetros autoadaptables que utilizaremos.
16 Algoritmos Genéticos (δ, φ 1, φ 2,, φ p, *,*,*,*) Los individuos de la población inicial se crearán aleatoriamente generando uniformemente sus coordenadas entre los valores de los limites establecidos de antemano para cada coordenada.
17 Algoritmos Genéticos Para evaluar a un individuo se toman los coeficientes que aparecen en la primera parte del vector que representa al individuo, y se genera un vector de la misma longitud que la serie original, donde las coordenadas son los valores obtenidos por la expresión lineal.
18 Algoritmos Genéticos Con estos valores se estiman los errores en cada momento y la función de fitness que se utiliza es: n Σ ( Z i Y i ) 2 p
19 Algoritmos Genéticos Los parámetros que se utilizan son: tamaño de población, probabilidad individual de cruzamiento, repetición de cruzamiento, probabilidad individual de mutación y repetición de mutación.
20 Algoritmos Genéticos En muestro modelo la probabilidad de cruzamiento y de mutación serán características de cada individuo (no de la población como es tradicional en los GA).El tamaño de población que utilizamos en nuestra propuesta es de 100.
21 Algoritmos Genéticos Los SAGA fueron desarrollados por Thomas Back. En ellos, los parámetros que serán autoadaptables se codifican en la representación del individuo por lo cual son alterados por las acciones de los operadores genéticos.
22 Algoritmos Genéticos Los mejores valores de estos parámetros producirán mejores individuos los cuales tienen mayor probabilidad de sobrevivir y en consecuencia propagaran los mejores valores de los parámetros. Cabe señalar que se sabe poco de las condiciones bajo las cuales un algoritmo autoadaptable tiene buenas propiedades de convergencia
23 Aplicación de SAGA Respecto a la forma en que se van a utilizar los SAGA podemos agruparlos en tres etapas. En la primera etapa se usaran para explorar el espacio de soluciones y determinar que variables son las mas importantes para el problema de que se trate.
24 Aplicación de SAGA En la segunda etapa se aplicaran para encontrar soluciones tomando en cuenta solo las variables importantes del problema y por ultimo, en la tercera etapa se afinaran las mejores soluciones.
25 Competencia Internacional International Joint Conference on Neural Networks (IJCNN) NN3 Neural Networks & Computational Intelligence Forecasting Competition. NN3-Complete 29 participantes (3 lugar) NN3-Reduced 53 participantes (6 lugar) Sólo con modelos AR de 4 términos!!!!!!!!!!!
26 Ejemplo 101
27 Ejemplo 102*
28 Ejemplo 103*
29 Ejemplo 104*
30 Ejemplo 105*
31 Ejemplo 106
32 Ejemplo 107*
33 Ejemplo 108
34 Ejemplo 109*
35 Ejemplo 110
36 Ejemplo 111
37 Funciones de Transferencia Las funciones de transferencia son modelos matemáticos de la respuesta de un sistema ante los cambios de los valores de las variables de entrada del mismo.
38 Estamos interesados en construir modelos de la variable de salida como una suma de expresiones auto regresivas de las series de las variables de entrada y posiblemente también de la misma serie de salida.
39 Para lo anterior se utiliza una metodología semejante a la del tratamiento de series de tiempo pero donde se eligen de antemano cuantos términos se van a considerar de todas las series involucradas y aplicando el segundo de los algoritmos heurísticos construidos, donde los limites de las variables se toman en [-10, 10], encontramos modelos lineales para las funciones de transferencia.
40 El algoritmo utilizado construye diversas soluciones distintas pero con valores bastante aproximados del error y para elegir la solución más adecuada se toma en cuenta la importancia de la variable de entrada con respecto a la salida tomando el coeficiente de correlación entre estas variables. Para esto se elige la solución en donde aparezca un mayor número de términos en las expresiones de las variables mas correlacionadas.
41 Ejemplo 1 En este ejemplo se desea estimar las ventas diarias de un cierto producto en base a los resultados de unas encuestas. A continuación aparece la gráfica de resultados de las encuestas:
42 Para calcular el modelo AR de este problema se tomara L=10 es decir se considera que la venta en un cierto día es función de las ventas y los resultados de las encuestas de los diez días anteriores. Se busca construir un modelo AR que a lo mas tenga 6 términos. Después de aplicar el algoritmo pidiendo 5 soluciones se obtuvieron los resultados: , , , , , , , , , , , , , , , , , De estas se eligio la solución: , , , ,
43 Que presenta visualmente retardo en el pronóstico. La grafica original tenia un valor de RSS igual a y un porcentaje de error de Después de aplicar el adelanto del pronóstico el valor de RSS fue de con un porcentaje de error de A continuación se presenta la gráfica de las ventas y del modelo sin aplicar retardo en el pronóstico.
44 Ejemplo 2 Estos datos corresponden a un reactor químico donde se tiene una entrada que es la velocidad de alimentación de un gas medida en cu. ft./ min. y la salida es el %CO 2 en los gases de salida. El problema es construir un modelo AR que prediga los valores del %CO 2. A continuación aparece la grafica de la velocidad de entrada del gas:
45 Para calcular el modelo AR de este problema se tomara L=10 es decir se considera que el %CO 2 en un cierto minuto es función de las velocidades de entrada del gas de los diez minutos anteriores. Para este problema se busca construir un modelo AR que a lo mas tenga 6 términos. Después de aplicar el algoritmo pidiendo 5 soluciones se obtuvo el resultado: , , , , , , , , , , , , , , , , , De estas se eligó la solución: , , , , que presenta retardo en el pronostico, al aplicarle la operación de adelanto se obtuvo una grafica con RSS de y un porcentaje de error de En la grafica siguiente aparece la solución que presenta retardo en el pronostico.
46
47 Tercer ejemplo. Este ejemplo consiste en modelar la FT de un proceso en donde la entrada es el índice de nubosidad promedio y la salida es la temperatura promedio ambas medidas diariamente en la ciudad de Taipei en Taiwán durante el periodo del 1 de Junio al 30 de Septiembre del Este problema ya había sido tratado antes en la literatura y con nuestra metodologia se mejoran los resultados ya presentados. A continuacion se presenta la variación del índice de nubosidad.
48 Con el modelo aquí obtenido (no se presentan detalles) se tiene la siguiente gráfica para el pronóstico de temperatura que presenta el fenómeno de retardo en el pronóstico.
49 Conclusiones Los modelos obtenidos producen mejores resultados al compararlos con modelos lineales obtenidos con otras metodologías, y en algunos casos, mejoran los resultados obtenidos con modelos no lineales.
50 Conclusiones Se pueden modelar problemas que no pueden ser tratados con las metodologías tradicionales. Se cuenta con una propuesta de metodología automatizada y robusta para la obtención de modelos de Series de Tiempo y funciones de transferencia GRACIAS!!!!
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO INSTITUTO DE CIENCIAS BÁSICAS E INGENIERÍA Centro de Investigación en Tecnologías de Información y Sistemas (CITIS) Tesis Doctoral Una metodología basada en Algoritmos
Más detallesNombre: Solución: a) N(
1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media µ = 100 meses y desviación típica σ = 12 meses. Determínese el mínimo tamaño
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesProcesos estocásticos. Definición
Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier
Más detallesSon una clase particular de los algoritmos evolutivos.
Algoritmos Genéticos (AGs) Los AGs son técnicas de resolución para problemas de Búsqueda Optimización Aprendizaje en máquinas Son una clase particular de los algoritmos evolutivos. Los AGs intentan resolver
Más detalles12. (SEPTIEMBRE 2004) Una muestra aleatoria de 9 tarrinas de helado proporciona los siguientes pesos en gramos
DEPARTAMENTO DE MATEMÁTICAS UNIDAD 5. Estadística IES Galileo Galilei EJERCICIOS DE SELECTIVIDAD 1. (JUNIO 2000) Una variable aleatoria X tiene distribución normal siendo su desviación típica igual a 3.
Más detallesEJERCICIOS DE SELECTIVIDAD
EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesESTADÍSTICA Y PROBABILIDAD
(distribución normal) 1 1.- Calcular las probabilidades de los siguientes intervalos, empleando para ello las tablas de la distribución de probabilidad normal estándar N(0, 1): (1) P(z 2 14) (2) P(z 0
Más detallesMatemáticas Nivel Medio Matemáticas Ap.CC.SS.II
Matemáticas Nivel Medio Matemáticas Ap.CC.SS.II Martes, 6 de febrero de 018 1 hora y 15 minutos. NOMBRE APELLIDOS CALIFICACIÓN 1. La longitud auricular de la oreja en varones jóvenes, medida en centímetros
Más detalles4.5 Algoritmo RLS (Recursive Least Squares)
4.5 Algoritmo RLS (Recursive Least Squares) Método de mínimos cuadrados (LS) Ecuaciones normales Pseudoinversa Variantes del LS Algoritmo RLS (Recursive Least Squares) Introducción Cálculo recursivo de
Más detallesTema 4: VARIABLE ALEATORIA N-DIMENSIONAL
Tema 4: VARIABLE ALEATORIA N-DIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar Concepto
Más detallesR E S O L U C I Ó N. σ σ a) El intervalo de confianza de la media poblacional viene dado por: IC.. µ zα, µ+ zα
En una población una variable aleatoria sigue una ley Normal de media desconocida y desviación típica. a) Observada una muestra de tamaño 400, tomada al azar, se ha obtenido una media muestral igual a
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Procesos autorregresivos Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación
Más detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
Más detallesProcesos Integrados. Si (Y t ) no es estacionario pero la serie (Z t ) de las primeras diferencias. Z t = Y t = Y t Y t 1,
Capítulo 5 Procesos Integrados Un proceso no estacionario puede no ser estable en la media, en la varianza o en las autocorrelaciones. Por ejemplo, las series 3, 5-13, 19, 29-31, 35-37, y 39 del Capítulo
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesUniversidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
Universidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA Ateneo Ruperto P. Bonet Chaple UTB-Julio 2016 OBJETIVO Aplicar las técnicas de Muestreo e Inferencia Estadística Determinar el tamaño
Más detallesESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL.
ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL. Un intervalo de confianza, para un parámetro poblacional θ, a un nivel de confianza 1 α 100 %, no es más que un intervalo L
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
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 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 detallesALN - Curso 2007 Gradiente Conjugado
ALN - Curso 27 Gradiente Conjugado Cecilia González Pérez Junio 27 Métodos Iterativos Pueden ser: Métodos estacionarios Métodos no estacionarios Métodos no estacionarios hacen uso de información, evaluada
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detalles1. Regla para los valores esperados en variables aleatorias
Valores esperados, varianza y desviación estándar para variables aleatorias Universidad de Puerto Rico ESTA 3041 Prof. Héctor D. Torres Aponte 1. Regla para los valores esperados en variables aleatorias
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesCurso: Inferencia Estadística (ICO 8306) Profesores: Esteban Calvo Ayudantes: José T. Medina ESTIMACIÓN POR INTERVALO
ESTIMACIÓN POR INTERVALO Muchas veces queremos obtener información a través de una muestra para poder hacer inferencias de cómo se comportarían distintos parámetros en la población. Al hacer una encuesta
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Septiembre 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Septiembre 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe
Más detallesCuáles son las características aleatorias de la nueva variable?
Apuntes de Estadística II. Ingeniería Industrial. UCAB. Marzo 203 CLASES DE ESTADÍSTICA II CLASE 5) UNA TRANSFORMACIÓN DE DOS VARIABLES. Sea Z = g(, ) una función de las variables aleatorias e, tales que
Más detallesTEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA
Ejercicios Selectividad Tema 12 Inferencia estadística. Matemáticas CCSSII 2º Bachillerato 1 TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA LAS MUESTRAS ESTADÍSTICAS EJERCICIO 1 : Septiembre 00-01.
Más detallesCálculo de Probabilidades y Estadística. Segunda prueba. 1
08231. Cálculo de Probabilidades y Estadística. Segunda prueba. 1 Problema 1. En una circunferencia de radio 1 se toman tres puntos, al azar e independientemente. Hallar la probabilidad de que el triángulo
Más detallesTema 7: Ejercicios de Inferencia en una población Normal
Tema 7: s de Inferencia en una población Normal Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 83 - INGENIERÍA INFORMÁTICA Otros I3 En una explotación minera las rocas
Más detallesTEMA 3 Aproximación de funciones: interpolación y ajuste
TEMA 3 Aproximación de funciones: interpolación y ajuste Chelo Ferreira González Isaac Newton (1643-1727) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones
Más detallesINFERENCIA ESTADÍSTICA MUESTRAL TEMA 2: ESTIMACIÓN POR INTERVALO
UNIDAD 2 INFERENCIA ESTADÍSTICA MUESTRAL TEMA 2: ESTIMACIÓN POR INTERVALO 1 2 RECUERDE: un estimador puntual es un estadístico muestral usado para estimar un parámetro poblacional: x (estimación de μ),
Más detallesEstimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
Más detallesR E S O L U C I Ó N. a) La distribución de las medias muestrales es: N µ, = N 17 '4, = Como el nivel de confianza es del 95%, podemos calcular.
En una muestra aleatoria de 56 individuos se ha obtenido una edad media de 17 4 años. Se sabe que la desviación típica de la población normal de la que procede esa muestra es de años. a) Obtenga un intervalo
Más detallesAPUNTES SOBRE SERIES HISTÓRICAS O CRONOLÓGICAS
APUNTES SOBRE SERIES HISTÓRICAS O CRONOLÓGICAS 35 3 25 2 15 1 5 21 22 23 24 25 Reyes Donis, José Luis SERIES HISTORICAS O CRONOLÓGICAS Llamadas también series de tiempo, se denomina serie de tiempo a un
Más detallesApuntes de Series Temporales
Apuntes de Series Temporales David Rodríguez 7 de Noviembre de 2009. Modelos de Series Temporales Modelo AR() El modelo AutoRegresivo AR() es un proceso aleatorio de la forma X t = ϕx t + σϵ t, ϵ t N (0,
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesGEOESTADÍSTICA STICA APLICADA. Tema: Análisis Estructural UNIVERSIDAD NACIONAL AUTÓNOMA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICOM GEOESTADÍSTICA STICA APLICADA Tema: Análisis Estructural Instructores: Dr. Martín A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar González (rcasar@imp.mx) 2009
Más detallesEl tiempo estimado para realizar la prueba es de 3 horas y media
Departamento de Informática Universidad Carlos III de Madrid Open Course Ware Ingeniería Informática Computación Biológica Prueba de conocimiento El tiempo estimado para realizar la prueba es de 3 horas
Más detallesMás Allá del Modelo de Regresión Lineal. Dante A. Urbina
Más Allá del Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Modelos de Regresión No Lineales 2. Modelos de Respuesta Cualitativa 3. Datos de Panel 4. Modelos Autorregresivos y de Rezagos 5. Modelos
Más detallesPROBABILIDADES Y DISTRIBUCIONES
PROBABILIDADES Y DISTRIBUCIONES 1. Supongamos que se lanza una moneda cuyo peso ha sido alterado de manera que P (C) = 2/3 y P (S) = 1/3. Si aparece cara, entonces selecciona un número al azar del 1 al
Más detallesINFERENCIA ESTADÍSTICA: INTERVALOS DE CONFIANZA
INFERENCIA ESTADÍSTICA: INTERVALOS DE CONFIANZA 1) Se desea estimar la proporción de individuos zurdos en una determinada ciudad. Para ello se toma una muestra aleatoria de 300 individuos resultando que
Más detallesMétodo de mínimo cuadrados (continuación)
Clase No. 10: Método de mínimo cuadrados (continuación) MAT 251 Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más detallesTEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-)
MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE LA CALIDAD INGENIERIA DE TELECOMUNICACIONES TEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-) 1. Un proceso industrial fabrica
Más detallesPredicción con modelos ARIMA
Capítulo 7 Predicción con modelos ARIMA 7.1. INTRODUCCIÓN Información disponible: Observamos una realización y n = (y 1,...,y n ) de tamaño n de un proceso ARIMA(p, d, q). Objetivo: Predicción de valores
Más detallesInstructores: Dr. Martín A. Díaz Viera Dr. Ricardo Casar González
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO GEOESTADÍSTICA APLICADA Tema: Análisis Variográfico Instructores: Dr. Martín A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar González (rcasar@imp.mx) 2009 Contenido
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesCapítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved
Capítulo 37 Distribución de probabilidad normal 2010 Pearson Prentice Hall. All rights 2010 reserved Pearson Prentice Hall. All rights reserved La distribución de probabilidad uniforme Hasta ahora hemos
Más detallestiene distribución t con n 1 grados de libertad. Si utilizamos dicha cantidad como pivote, entonces para el intervalo
. Intervalos de confianza para muestras pequeñas.. Para µ. Si Y, Y,..., Y n representa una muestra aleatoria tomada de una población normal, con Ȳ la media de a muestra y S la varianza de la muestra, queremos
Más detallesAsignatura: Horas: Total (horas): Obligatoria X Teóricas 4.5 Semana 4.5 Optativa Prácticas Semanas 72.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO Aprobado por el Consejo Técnico de la Facultad de Ingeniería en su sesión ordinaria del 19 de noviembre de 2008 INFERENCIA
Más detallesCLASES DE ESTADÍSTICA II ESPERANZA ABSOLUTA
1 CLASES DE ESTADÍSTICA II CLASE ) ESPERANZA ABSOLUTA. ESPERANZA CONDICIONAL. ESPERANZA ABSOLUTA El cálculo de valores esperados o esperanzas a nivel de dos variables aleatorias es una generalización matemática
Más detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación
Más detallesResp x = 72.73, S 2 = 225,8574 => S = 15,0286. Lcdo Eliezer Montoya Estadística III UNEFA -Barinas 1
REPÚBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DE LA DEFENSA UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA NACIONAL NÚCLEO BARINAS UNEFA Estadística III Licenciatura en Economía Social.
Más detallesCap. 5 : Distribuciones muestrales
Cap. 5 : Distribuciones muestrales Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 18 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de
Más detallesINTERVALOS DE CONFIANZA
INTERVALOS DE CONFIANZA INTERVALOS DE CONFIANZA Dado que los estimadores puntuales pocas veces serán iguales a los parámetros que se desean estimar, es posible darse mayor libertad utilizando estimadores
Más detallesCOMPUTACIÓN BIOLÓGICA
COMPUTACIÓN BIOLÓGICA Pedro Isasi 1 1 Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 28911 Leganés (Madrid). Spain email: isasi@ia.uc3m.es Presentación TEMARIO
Más detallesProgramación Evolutiva
Introducción a la Computación Evolutiva Quinta Clase: Programación Evolutiva Programación Evolutiva Desarrollada en USA durante los años 60 Autores principales: D. Fogel Aplicada típicamente a: PE tradicional:
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detalles4º E.S.O. Matemáticas B
4º E.S.O. Matemáticas B Objetivos 1. Incorporar, al lenguaje y formas habituales de argumentación, las distintas formas de expresión matemática (numérica, algebraica, de funciones, geométrica...), con
Más detalles= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] =
El peso en kg de los estudiantes universitarios de una gran ciudad se supone aproximado por una distribución normal con media 60kg y desviación típica 8kg. Se toman 100 muestras aleatorias simples de 64
Más detallesInferencia estadística en la EBAU de Murcia INFERENCIA ESTADÍSTICA EN LA EBAU DE MURCIA
INFERENCIA ESTADÍSTICA EN LA EBAU DE MURCIA 1. (Septiembre 2017) El consumo de carne por persona en un año para una población es una variable aleatoria con distribución normal con desviación típica igual
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesCurso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo
Curso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay
Más detallesProcesos autorregresivos
Capítulo 3 Procesos autorregresivos Los procesos autorregresivos deben su nombre a la regresión y son los primeros procesos estacionarios que se estudiaron. Proceso autorregresivo: Un proceso autorregresivo
Más detallesFACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA LABORATORIO DE SISTEMAS DE CONTROL DISCRETO PRÁCTICA N 6 MODELACIÓN E INDENTIFICACIÓN DE UN MOTOR DC
FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA Carrera de Ingeniería Electrónica y Control LABORATORIO DE SISTEMAS DE CONTROL DISCRETO PRÁCTICA N 6 1. TEMA MODELACIÓN E INDENTIFICACIÓN DE UN MOTOR DC 2.
Más detallesPPTCEG061EM33-A17V1. Distribución normal 1
PPTCEG061EM33-A17V1 Distribución normal 1 Propiedades distribución normal Distribución normal tipificada Es una distribución estadística continua cuya función de densidad es simétrica, y cuya forma se
Más detallesComunicaciones Digitales - Capítulo 3 - Ejercicios
CAPÍTULO 4. COMUNICACIONES DIGITALES. PROBLEMAS 1 Comunicaciones Digitales - Capítulo 3 - Ejercicios 1. Ejercicio 6.9 del libro: A. Artés, et al.: Comunicaciones Digitales. Pearson Educación, 007.. Ejercicio
Más detallesproporcionan respuestas muy diferentes a este problema, obteniendo que la solución asociada a la norma l
6 Conclusiones Con la teoría de muestreo de Nyquist, a medida que el ancho de banda de la señal aumenta, también lo hace la frecuencia de muestreo, de forma que para ciertos tipos de señales la tarea de
Más detallesMatemáticas Aplicadas I: Ev2 Recuperación febrero 2018
Matemáticas Aplicadas I: Ev2 Recuperación febrero 2018 PARTE 1: ESTADÍSTICA UNIDIMENSIONAL Y BIDIMENSIONAL 1. La siguiente tabla recoge las edades de las personas que han subido a un avión. Edad [0, 18)
Más detallesTeorema Central del Límite. Cálculo Numérico y Estadística. Grado en Química. U. de Alcalá. Curso F. San Segundo.
Teorema Central del Límite. Cálculo Numérico y Estadística. Grado en Química. U. de Alcalá. Curso 2014-2015. F. San Segundo. Variables de Bernouilli. Una de las familias de variables aleatorias más básicas
Más detallesCapítulo 2. Métodos estadísticos Simulación estadística. Simulación univariante
Capítulo 2 Métodos estadísticos 21 Simulación estadística La simulación estadística consiste en generar realizaciones de variables aleatorias que siguen unas distribuciones concretas Si esas variables
Más detallesEl método de la potencia para el cálculo del autovalor dominante de una matriz se basa en el siguiente teorema.
Práctica 8 Cálculo de autovalores 8.1. Método de la potencia El método de la potencia para el cálculo del autovalor dominante de una matriz se basa en el siguiente teorema. Teorema 8.1.1 (M. de la potencia]
Más detallesCAPITULO 6 MODELO CON TIEMPOS DE FALLA CON DISTRIBUCION DE PROBABILIDAD GENERAL Y FRECUENCIA DE MUESTREO FIJO.
CAPITULO 6 MODELO CON TIEMPOS DE FALLA CON DISTRIBUCION DE PROBABILIDAD GENERAL Y FRECUENCIA DE MUESTREO FIJO. En este capítulo se presenta el modelo con tiempos de falla con distribución Exponencial y
Más detallesMuestreo y distribuciones muestrales.
Mathieu Departamento de Matemática Aplicada y Estadística Universidad Politécnica de Cartagena Cartagena, Enero 2010 Guión 1 Introducción 2 La media muestral Esperanza y varianza de la media muestral La
Más detallesFiltro de Partículas Luca Martino Juan Santaella Vallejo Tratamiento Digital de Señales Master Interuniversitario en Comunicaciones y Multimedia
Filtro de Partículas Luca Martino Juan Santaella Vallejo Tratamiento Digital de Señales Master Interuniversitario en Comunicaciones y Multimedia luca@tsc.uc3m.es jsantaella@gmail.com INDICE 1. Introducción...3
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2005 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 005 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Parte II, Opción A Junio, Ejercicio 3, Parte II, Opción B Reserva
Más detallesDistribuciones de probabilidad II
II Facultad de Estudios Superiores Acatlán Licenciatura en Economía 20 de abril 2017 José A. Huitrón Mendoza Distribuciones de probabilidad de Poisson Enmarca el estudio de una variable aleatoria discreta
Más detallesJUNIO Opción A
Junio 010 (Prueba Específica) JUNIO 010 Opción A 1.- Discute y resuelve según los distintos valores del parámetro a el siguiente sistema de ecuaciones: a x + a y + az 1 x + a y + z 0.- Una panadería se
Más detalles3. RELACION ENTRE DOS CONJUNTOS DE DATOS.
3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. 1 Introducción En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre variables. Para lo cual existen
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesLa Teoría de Hückel: Antecedentes
La Teoría de Hückel: Antecedentes c = Las ecuaciones seculares: s [ H as ESas ] (un conjunto de ecuaciones simultáneas para todos los átomos) s () a, s las etiquetas de los átomos c s los coeficientes
Más detallesTeoría de Sistemas y Señales
Teoría de Sistemas y Señales Problemas Propuestos Serie 5 Descripción: Análisis de Sistemas Lineales Estacionarios en TC en el dominio Transformado de Laplace. Álgebra de bloques. 1. Obtenga la Transformada
Más detallesEstadística Inferencial. Sesión 2. Distribuciones muestrales
Estadística Inferencial. Sesión 2. Distribuciones muestrales Contextualización. Toda cantidad que se obtiene de una muestra con el propósito de estimar un parámetro poblacional se llama estadístico muestral
Más detallesEstadística Descriptiva y Probabilidad FORMULARIO
Estadística Descriptiva y Probabilidad FORMULARIO Departament d Estadística i Investigació Operativa Universitat de València Angel Corberán Francisco Montes 2 3 Capítulo 1 Estadística Descriptiva 1.1.
Más detallesMatemática Aplicada y Estadística - Grado en Farmacia Curso 2014/15 1er. Examen Parcial 6 de noviembre de 2014
Matemática Aplicada y Estadística - Grado en Farmacia Curso 2014/1 1er. Examen Parcial 6 de noviembre de 2014 Apellidos y nombre del alumno/a Grupo 4 1. 2 puntos) En la siguiente tabla se refleja la distribución
Más detallesEstadística. 2 o examen parcial
Apellidos: Nombre: Computadores Software Estadística. 2 o examen parcial. 14-11-2013 Test (20 % de la nota del examen) Tiempo para esta parte del examen: 1 hora y 10 minutos. El test y la teoría se recogerán
Más detallesDEPARTAMENTO DE MATEMATICAS PRIMERO DE E.S.O.
DEPARTAMENTO DE MATEMATICAS PRIMERO DE E.S.O. CRITERIOS DE EVALUACIÓN MÍNIMOS - Valora el sistema de numeración decimal como el más útil para representar números. - Conoce los algoritmos de las operaciones
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2008 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 008 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Parte II, Opción A Junio, Ejercicio 3, Parte II, Opción B Reserva
Más detallesConceptos de Probabilidad y estadística. Jhon Jairo Padilla A., PhD
Conceptos de Probabilidad y estadística Jhon Jairo Padilla A., PhD Introducción La ingeniería de tráfico está soportada sobre conceptos de probabilidad y estadística como: Probabilidad Variable aleatoria
Más detalles2.1. ESTIMACIÓN DE PARÁMETROS BASADO EN LA SENSIBILIDAD.
ACTUALIZACIÓN DE UN MODELO NUMÉRICO DE LA PASARELA DE LA CARTUJA A PARTIR DE DATOS EXPERIMENTALES. MODAL UPDATING. RESEÑA TEÓRICA El objetivo del modal updating es ajustar los valores de los parámetros
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesExamen de Estadística
Examen de Estadística Grado en Ingeniería de Telecomunicación 4 de Junio de 03 Cuestiones solucion h 30m C. (p) Un sistema de comunicación está compuesto por los componentes A, B, C, D y E, donde cada
Más detallesSEPTIEMBRE Opción A
Septiembre 010 (Prueba Específica) SEPTIEMBRE 010 Opción A 1.- Se considera el sistema de ecuaciones: x y = 3x+ y = 4 4x + y = a a) Clasifica el sistema en función de sus posibles soluciones para los distintos
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2007) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2007) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Se considera el sistema lineal de ecuaciones, dependiente del parámetro
Más detalles