Introducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
|
|
- Silvia Zúñiga Mendoza
- hace 6 años
- Vistas:
Transcripción
1 Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda de nformacón. Esto mplca que los valores de las característcas tenen asocado un determnado nvel de certeza. El Reconocmento Estadístco de Patrones (REP se basa en: Consderar un patrón como un conjunto de d característcas numércas que se nterpretan como un vector d dmensonal Asumr que la certeza de que el vector represente una determnada entdad vene dada a través de una dstrbucón de probabldad asocada a las característcas Es la aproxmacón más extendda debdo a: La fundamentacón de la aproxmacón en una teoría matemátca sólda como la teoría de la probabldad. Su mayor presenca temporal en el área de RP (desde fnales de los años 30. Su mayor aplcabldad: Clasfcacón con valores de las característcas perddas Toma de decsones que mnmzan la pérdda esperada Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
2 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones Recordatoro de Probabldad (1 Cuando estamos en un entorno en el que no exste certeza absoluta es necesaro tener alguna forma de modelar la ncertdumbre. Dentro de la IA exsten muchas formas de modelar la ncertdumbre: probabldad, lógca dfusa, teoría de Dempster- Shaffer. Puede comprobarse (Cox 1946 que s se pretende trabajar de forma consstente con nveles de certeza, éstos números deben cumplr las reglas de la teoría de la probabldad. La Teoría de la Probabldad (TP asoca un valor numérco entre 0 y 1 a la certeza en un evento. La certeza absoluta de que un evento ocurrrá toma el valor 1 y la certeza completa de que un evento no ocurrrá toma el valor 0. (Cox, 1946 Cox R.T, Probablty, Frequency, and Reasonable Expectaton, Am. Jour. Phys., 14, 1-13, (1946. Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
3 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones Recordatoro de Probabldad ( Las probabldades se manpulan con dos reglas sencllas: Regla del Producto Dadas dos varables X e Y que pueden tomar un conjunto fnto de valores s llamamos P(x,y a la probabldad conjunta de que ocurran X=x e Y=y entonces: P(x,y=P(y xp(x donde:p(y x es la probabldad condconal de que Y=y dado que X=x P(x es la probabldad margnal de que X=x ndependentemente de Y De forma smlar: P(x,y=P(x yp(y Regla de la suma Dadas de nuevo las varables X e Y se tene: donde la suma se hace sobre todos los valores x de la varable X De forma smlar: P( x P( x, y = y P( y = P( x, y x Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
4 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones Recordatoro de Probabldad (3 A partr de la regla del producto se obtene la Regla de Bayes: P( x y = P( y xp( x P( y con: P( y = P( x, y = P( y xp( x x x Podemos consderar P(x como la probabldad a pror (ncal de que X=x antes de observar la varable Y. Entonces P(x y nos dce la probabldad de que X=x después de observar la varable Y. La regla de Bayes proporcona por tanto la forma de adaptar nuestras creencas ncales a la vsta de nueva nformacón Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
5 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones Frecuencas Relatvas y Probabldades La frecuenca relatva de un evento es el cocente entre el número de veces que se presenta un evento y el número total de observacones Las frecuencas relatvas y las probabldades tenen propedades muy parecdas: Ambas toman valores entre 0 y 1 Ambas cumplen la Regla del Producto, la Regla de la Suma y la Regla de Bayes De hecho, la frecuenca relatva de un evento converge* a su probabldad cuando el número de observacones tende a nfnto. *Converge con probabldad 1 Ejemplo de convergenca de frecuencas relatvas a probabldades Azul: Probabldad de obtener n caras al trar 4 monedas Rojo: Frecuenca relatva del número de caras tras 100 lanzamentos Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
6 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones Teoría de Decsón Bayesana (TDB: Motvacón (1 Retomemos el expermento de la clasfcacón con Clases, salmones y ródalos. (w 1 y w Supongamos que la característca elegda es la longtud (X y supongamos por smplfcar que ésta toma 3 valores: x 1 =corta (0-40 cm, x =meda( cm y x 3 =larga (>100 cm Supongamos que tenemos el sguente conjunto de entrenamento: H={(x 1, (x, (x, (x, (x, (x, (x, (x 3, (x 3, (x 1, (x 1, (x 1, (x 1, (x, (x, (x, (x, (x, (x 3, (x 3 } Como dseñarías el clasfcador? Cuál sería tu eleccón (w 1 o w s: Se observa X= x 1 (Corta Se observa X= x (Meda Se observa X= x 3 (Larga Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
7 Reconocmento de Patrones TDB: Motvacón ( Tema : Reconocmento Estadístco de Patrones Un crtero sencllo: buscar la regla que produzca menos errores o lo que es lo msmo elegr la clase de mayor frecuenca absoluta (o relatva w Eljo w w 1 6 Frecuencas absolutas Eljo w 4 5 Errores absolutos sobre el conjunto de entrenamento. Amarllo: Valores mínmos w 1 w 4/0 5/0 /0 1/0 6/0 /0 Frecuencas relatvas Eljo w 1 Eljo w 1/0 6/0 /0 4/0 5/0 /0 Errores relatvos sobre el conjunto de entrenamento. Amarllo: Valores mínmos Decsón. Naranja:Salmón, Voleta:Ródalo. La frecuenca relatva del error de esta regla es 8/0 y no hay nnguna regla con menor error sobre este conjunto de entrenamento*. *Hay otra regla con el msmo error Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
8 Reconocmento de Patrones TDB: Motvacón (3 Tema : Reconocmento Estadístco de Patrones A que se aproxma la tabla de errores relatvos cuando el número de muestras tende a nfnto? Eljo w 1 1/0 6/0 /0 Eljo w 1 P(x 1,w P(x,w P(x 3,w Eljo w 4/0 5/0 /0 Eljo w P(x 1,w 1 P(x,w 1 P(x 3,w 1 Errores relatvos sobre el conjunto de entrenamento. Amarllo: Valores mínmos Probabldad de error. Converge a la probabldad de error. Por tanto en el caso deal de un número nfnto de muestras la relacón entre frecuencas relatvas y probabldades sugere utlzar : Elegr w 1 s P(x > P(x Elegr w s P(x > P(x La ntucón es buena. La regla anteror es óptma. Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
9 Reconocmento de Patrones TDB: Motvacón (4 La regla: Elegr w 1 s P(x > P(x Elegr w s P(x > P(x Tema : Reconocmento Estadístco de Patrones se puede escrbr como (utlzando la regla del producto: Elegr w 1 s P(x w 1 P(w 1 > P(x w P(w Elegr w s P(x w P(w > P(x w 1 P(w 1 P(x w se llama dstrbucón de la característca en la clase e ndca la probabldad de los valores de X dentro de la clase w P(w se llama probabldad a pror de la clase e ndca la probabldad de que aparezca un objeto de la clase w o dvdendo en ambos membros por p(x se obtene: Elegr w 1 s P(w 1 x > P(w x Elegr w s P(w x > P(w 1 x P(w x se llama probabldad a posteror de la clase e ndca la probabldad de la clase tras haber observado la varable X entonces, la regla óptma consste en elegr la clase más probable tras haber observado el valor x. Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
10 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones TDB: Motvacón (5 Volvendo al problema del pescado cómo nterpretamos las probabldades P(w, P(x w, P(w x w 1 w Frecuencas absolutas w 1 11/0 w 9/0 Frecuencas relatva de cada clase w 1 x x 1 x 3 4/11 5/11 /11 1/9 6/9 /9 w Frecuencas relatva de X en w 1 Frecuencas relatva de X en w x x 1 x 3 w 1 4/5 5/11 /4 1/5 6/11 /4 w Frecuencas relatva de w 1 dado X Frecuencas relatva de w dado X Elegr w 1 Elegr w Regones de decsón: Representacón gráfca Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
11 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones Recordatoro de Probabldad (4 Varables Aleatoras Contnuas Cuando una varable X toma valores reales la probabldad de tomar un valor específco es sempre nula. Por ello se habla de la probabldad de que tome valores en un ntervalo (a,b medante una funcón de densdad p(x: P( x ( a, b = p( x dx b a En general, todas las defncones dadas para varables dscretas se pasan a contnuas cambando sumas por ntegrales. Así s X e Y son contnuas las reglas del producto, suma y de Bayes quedan: p ( x, y = p( y x p( x p ( y = p( x, y dx p ( x y = p( y x p( x p( y Cuando se tene un vector de varables aleatoras X=(X 1, X,... X n T se tene una funcón de densdad multdmensonal p(x P( x R = p( x dx Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna R
12 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones Teoría de la Decsón Bayesana (TDB La TDB proporcona un marco teórco para tomar decsones en stuacones de ncertdumbre. En nuestro caso la decsón será la clasfcacón de un patrón en una determnada clase La TDB proporcona el clasfcador óptmo (clasfcador bayesano para un conjunto de característcas dadas En el marco de la TDB un clasfcador es óptmo s produce la mínma probabldad de error (o el resgo de la clasfcacón. La TDB necesta que todas las dstrbucones de probabldad de las característcas p(x w en cada clase sean conocdas.en la práctca esto nunca ocurre, por lo que es necesaro nferr (de las muestras la forma de las dstrbucones de probabldad. Tambén es necesaro nferr las probabldades a pror P(w Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
13 Reconocmento de Patrones Informacón dsponble: Clases: w, =1...c Tema : Reconocmento Estadístco de Patrones TDB: Enfoque formal (1 Característcas : X varable aleatora multdmensonal. Probabldades: P(w, p(x w, =1...c Medante la Regla de Bayes: Ejemplo: p( x w P( w P( w x =, = 1... c con p( x = p( x w P( w p( x c = 1 p(x w p(x w 3 P(w x P(w 3 x p(x w 1 p(x w 4 P(w 1 x Dstrbucón de X en cada clase Probabldades a posteror Probabldades a pror guales Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna P(w 4 x
14 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones TDB: Enfoque formal ( Probabldad de error Elegr w P( Error c x = P( w k = 1, k k x = 1 P( w x Regla de decsón Bayesana (óptma: Elegr w s P(w x P(w j x j p(x w P(w p(x w j P(w j j P(w 1 x P(w x P(w 3 x P(w 4 x Propedad: Hace mínma la probabldad de error: P( Error = P( Error x p( x dx Elegr w 1 Elegr w Elegr w 4 Elegr w 3 Elegr w 4 Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
15 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones Decsón Bayesana con Resgo (DBR: Motvacón (1 Retomemos el expermento anteror con Clases: salmones y ródalos. (w 1 y w ; una característca: longtud con tres valores x 1 =corta, x =meda y x 3 =larga y el conjunto de entrenamento: H={(x 1, (x, (x, (x, (x, (x, (x, (x 3, (x 3, (x 1, w 1, (x 1, (x 1, (x 1, (x, (x, (x, (x, (x, (x 3, (x 3 } Los errores que aparecen al realzar la clasfcacón son: Elegr w 1 (salmón cuando la clase verdadera es w (ródalo Elegr w (ródalo cuando la clase verdadera es w 1 (salmón El salmón es un pescado más caro que el ródalo. Supongamos que: S elges w 1 cuando la clase verdadera es w 1 has detectado un salmón. El costo de procesamento del sstema es de λ 11 = 1 undad monetara S elges w 1 cuando la clase verdadera es w proporconas un producto de peor caldad de la especfcada y eso cuesta en sancones λ 1 = 11 undades monetaras. S elges w cuando la clase verdadera es w 1 proporconas un producto de mayor caldad de la necesara y eso cuesta λ 1 = 10 undades monetaras. S elges w cuando la clase verdadera es w has detectado un ródalo. El costo de procesamento del sstema es de λ =1 undad monetara Qué elegrías ahora w 1 o w para X=x 1, X=x y X=x 3? Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
16 Reconocmento de Patrones DBR:Motvacón ( Con la notacón utlzada λ j es el costo de elegr la clase w cuando la verdadera es w j : Tema : Reconocmento Estadístco de Patrones Una regla que parece lógca es elegr la clase que produzca el menor costo w 1 w Frecuencas absolutas Eljo w 1 Eljo w Eljo = = = = = = w 1 Costos absolutos. Amarllo: costos mínmos Clase Verdadera w 1 w w λ 1 =10 λ =1 λ 11 =1 λ 1 =11 w 1 w 4/0 5/0 /0 1/0 6/0 /0 Frecuencas relatvas Decsón. Naranja:Salmón, Voleta:Ródalo Eljo w 1 Eljo w 1 4/0+11 1/0=15/0 1 5/0+11 6/0=71/0 1 /0+11 /0=4/0 1 1/0+10 4/0=41/0 1 6/0+10 5/0=56/0 1 /0+10 /0=/0 Costo relatvos: Amarllo: costos mínmos El costo relatvo de esta regla es 93/0 (mínmo sobre H Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
17 Reconocmento de Patrones DBR:Motvacón (3 Tema : Reconocmento Estadístco de Patrones A que se aproxma la tabla de costos relatvos cuando el número de muestras tende a nfnto? Eljo w 1 Eljo w 1 4/0+11 1/0=15/0 1 5/0+11 6/0=71/0 1 /0+11 /0=4/0 1 1/0+10 4/0=41/0 1 6/0+10 5/0=56/0 1 /0+10 /0=/0 Costo relatvos: Amarllo: costos mínmos Eljo w 1 Eljo w λ 11 P(x 1,w 1 +λ 1 P(x 1,w λ 11 P(x,w 1 +λ 1 P(x,w λ 11 P(x 1,w 1 +λ 1 P(x 1,w λ 1 P(x 1,w 1 +λ P(x 1,w λ 1 P(x 1,w 1 +λ P(x 1,w λ 1 P(x 1,w 1 +λ P(x 1,w Costo medo Por tanto en el caso deal de un número nfnto de muestras la relacón entre frecuencas relatvas y probabldades sugere utlzar: Elegr w 1 s λ 11 P(x + λ 1 P(x < λ 1 P(x + λ P(x Elegr w s λ 1 P(x + λ P(x < λ 11 P(x + λ 1 P(x Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
18 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones DBR: Motvacón (4 La ntucón es correcta. La regla: Elegr w 1 s λ 11 P(x + λ 1 P(x < λ 1 P(x + λ P(x Elegr w s λ 1 P(x + λ P(x < λ 11 P(x + λ 1 P(x es óptma La regla se puede escrbr dvdendo por P(x como: Elegr w 1 s λ 11 P(w 1 x + λ 1 P(w x < λ 1 P(w 1 x + λ P(w x Elegr w s λ 1 P(w 1 x + λ P(w x < λ 11 P(w 1 x + λ 1 P(w x Se suele escrbr: R(w 1 x= λ 11 P(w 1 x + λ 1 P(w x R(w x= λ 1 P(w 1 x + λ P(w x a R(w x se le llama resgo de elegr w dado x e ndca el costo de elegr w tras haber observado el valor x entonces, la regla óptma consste en elegr la clase con menor costo tras haber observado el valor x Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
19 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones DBR: Enfoque formal (1 Informacón dsponble: Clases: w, =1...c Característcas : X varable aleatora multdmensonal. Probabldades: P(w, p(x w, =1...c Medante la Regla de Bayes: p( x w P( w P( w x =, = 1... c con p( x = p( x w P( w p( x = 1 Accones:α, =1...c; α = Elegr w Resgos: λ,j = λ(α w j =1...c, j=1...c. Indca el resgo de elegr w cuando la verdadera clase es w j c Funcón de resgo dado un valor de x: c = R( α x λ( α w j P( w j x = 1,... c j = 1 Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
20 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones DBR: Enfoque formal ( Regla de decsón bayesana (óptma: Elegr α s R(α x R(α j x j Esto es, elegr la clase con menor resgo dado el valor de x Propedad: Hace mínmo el resgo total: R = R( α( x x p( x dx Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
21 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones Clasfcadores y su Representacón Defncón formal de Clasfcador Mecansmo de eleccón entre las dstntas clases de un problema de R.P. Representacón Se suele representar por medo de un conjunto de funcones dscrmnantes g (x. De esta forma el clasfcador asgna el vector de característcas x a la clase w s g (x g j (x para todo j. x Vector de Característcas x 1 x... x d Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna g 1 g... g c g 1 (x g (x... g c (x Entrada Cálculo de las Funcones Dscrmnantes Selector de Máxmo Decsón Esquema de un clasfcador genérco max α(x
22 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones Funcones Dscrmnantes y Regones de Decsón Ejemplos de funcones dscrmnantes: Caso Bayesano: g (x=p(w x Caso Bayesano con resgo: g (x=-r(α x o alguna expresón equvalente como: g (x=ln (p(x w + ln (P(w para el caso Bayesano. Regones de decsón Todo clasfcador dvde el espaco de característcas en regones de decsón R donde se elge la clase. La frontera entre dos regones de decsón de llama frontera de decsón. Utlzando las funcones dscrmnante las regones de decsón se escrben para cada clase w como R ={x/g (x g j (x j} S R son R j contguas entonces la frontera de decsón es la nterseccón de las dos regones R R j ={x/g (x=g j (x}. Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
23 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones Recordatoro de Probabldad (5 Varable Aleatora Normal La normal es la varable aleatora contnua más mportante. Cuando hay una únca varable se llama normal undmensonal, cuando hay varas varables que se dstrbuyen de forma normal a la dstrbucón conjunta se la llama normal multdmensonal La normal undmensonal N(µ,σ² 1 Funcón de densdad: p( x = πσ Algunas propedades Su valor medo E(X es gual a µ Su varanza es gual a V(X=σ² e 1( x µ σ, σ > 0 N(-3, N(0,1 N(3,0.5 Normal undmensonal. Representacón gráfca Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
24 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones Recordatoro de Probabldad (6 Independenca Dos varables X e Y son ndependentes s conocer una no proporcona nformacón sobre la otra, es decr: p ( x y = p( x p( x, y = p( x p( y Esperanza de una varable aleatora. Nos nforma del valor medo de la varable: En el caso multdmensonal es un vector: Varanza y covaranza de varables aleatoras. La varanza es una medda de dspersón: V( X = ( x E( X p( x dx La covaranza es una medda de relacón: Cov( X, Y = En el caso multdmensonal se tene la matrz de covaranzas: Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna - ( x E( X ( y - E( X = x p( x dx E( X - E( Y p( x, y dxdy Cov( X = ( x E( x( x E( x p ( x dx ' = x p ( x dx
25 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones Recordatoro de Probabldad (7 La normal multvarante es la dstrbucón conjunta de varas varables normales. Funcón de densdad N(µ,Σ p( x = (π Propedades d 1 / Σ 1/ e 1 T 1 ( x µ Σ ( x µ x, µ R Σ matrz de dxd elementos, Su valor medo es ahora un vector E(X= µ = (µ 1, µ,..., µ d T con µ =E(X La dspersón y relacón entre las varables se refleja en la matrz de covaranzas Σ =E( (X- µ (X- µ T = (σj con σ j = E((X - µ (X j - µ j En partcular los elementos de la dagonal de la matrz Σ, σ = E((X - µ son guales a la varanza de la varable X Los elementos fuera de la dagonal σ j mden la covaranza entre las varables X y X j Una covaranza postva ndca que cuando crece X crece X j Una covaranza cero ndca que X es ndependente de X j Una covaranza negatva ndca que cuando crece X decrece X j Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna, smétrca y defnda postva ( Σ > 0 d
26 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones Regones de Decsón: El caso Normal (1 Estudaremos las funcones dscrmnantes y fronteras de decsón que aparecen cuando la dstrbucón de las característcas en cada clase es normal multdmensonal, es decr: p(x w ~N(µ,Σ Prmer caso: Las matrces de covaranzas de todas las clases son guales, dagonales y todos los elementos de la dagonal son guales. Σ =σ I, donde I es la matrz dentdad. Esto sgnfca que dentro de cada clase todas las varables son ndependentes y tenen la msma varanza σ a 0 T g ( x = a a 1 = µ σ 1 = σ x + a µ T 0 µ Funcón dscrmnante + ln(p( w a = µ La frontera de decsón es lneal y perpendcular a la recta que une las medas de las dos clases Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna a x a T 0 ( x x = = a µ 1 ( µ T 0 a = 0 j + µ σ a j P( ln w P( w j a R 1 µ 1 R µ Superfce de decsón Representacón Gráfca
27 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones Regones de Decsón: El caso Normal ( Segundo caso: Las matrces de covaranzas de todas las clases son guales, esto es: Σ =Σ con Σ una matrz común. a T g ( x = a a = Σ = µ µ x + a T Σ 1 0 µ Funcón dscrmnante + ln(p( w a a = Σ x T 0 ( x x = 1 1 ( d, P( w R ln d 1 P( w j La frontera de decsón es lneal pero en general no es perpendcular a la recta que une las medas de las dos clases Tercer caso: Las matrces de covaranzas son dstntas. 0 µ = 0 d = µ + µ j µ d T j Σ 1 1 d Superfce de decsón Representacón Gráfca µ 1 µ R g ( x = x a A 0 = = 1 1 T Σ Ax + a 1, µ ' Σ 1 Funcón dscrmnante a µ T + x + a = Σ 1 1 µ 0 ln Σ + ln(p( w Las fronteras de decsón son cuádrcas 1 Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna R 1 1 R R 1 R 1 R R R 1 R R 1 R 1 Representacón Gráfca R R R 1
28 Reconocmento de Patrones Resumendo... Tema : Reconocmento Estadístco de Patrones Las buenas notcas; Cuando se conoce la estructura de probabldad del problema: P(w, p(x w sempre se puede encontrar el clasfcador óptmo (clasfcador bayesano: Elegr w s P(w x P(w j x j p(x w P(w p(x w j P(w j j Las malas notcas: En práctcamente nngún problema práctco se conoce la estructura de probabldad del problema. Qué hacer entonces? Dos deas: Intentar estmar las probabldades P(w, p(x w a partr de un conjunto de entrenamento. Estmar P(w con precsón es fácl. Estmar p(x w es un problema dfícl. Olvdarnos del clasfcador bayesano e ntroducr otros crteros (por ejemplo geométrcos con la esperanza de obtener un buen clasfcador aunque no sea óptmo. Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
29 Reconocmento de Patrones Tema : Reconocmento Estadístco de Patrones El mapa del RP Estadístco Conocdas Densdades condconales en cada clase p(x w TEMA Decsón Bayesana Aprendzaje Supervsado Técncas Paramétrcas Técncas No Paramétrcas TEMA 3 Estmacón Paramétrca Clásca Estmacón Bayesana Estmacón no Paramétrca Clásca Desconocdas TEMAS 4,5 Construccón de Fronteras de Decsón Aprendzaje no Supervsado Técncas Paramétrcas Técncas No Paramétrcas TEMA 8 Estmacón en mezclas Análss de Agrupamentos Escuela Técnca Superor de Ingenería Informátca. Unversdad de La Laguna
3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesTeoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios
Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesIntroducción al riesgo de crédito
Introduccón al resgo de crédto Estrella Perott Investgador Senor Bolsa de Comerco de Rosaro eperott@bcr.com.ar. Introduccón El resgo credtco es el resgo de una pérdda económca como consecuenca de la falta
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesTema 1: Análisis de datos unidimensionales
Tema : Análss de datos undmensonales. Varables estadístcas undmensonales. Representacones gráfcas.. Característcas de las dstrbucones de frecuencas undmensonales.. Varables estadístcas undmensonales. Representacones
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesVARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL.
VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. Concepto de varable aleatora. Se llama varable aleatora a toda aplcacón que asoca a cada elemento del espaco muestral de un expermento, un número real.
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detalles1. Concepto y origen de la estadística Conceptos básicos Tablas estadísticas: recuento Representación de graficas...
TEMA. ESTADÍSTICA DESCRIPTIVA.. Concepto y orgen de la estadístca..... Conceptos báscos..... Tablas estadístcas: recuento..... Representacón de grafcas.... 6.. Varables cualtatvas... 6.. Varables cuanttatvas
Más detallesMaestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza
Maestría en Admnstracón Meddas Descrptvas Formularo e Interpretacón Dr. Francsco Javer Cruz Arza A contnuacón mostramos el foco de atencón de las dstntas meddas que abordaremos en el presente manual. El
Más detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesLa adopción y uso de las TICs en las Microempresas Chilenas
Subdreccón Técnca Depto. Investgacón y Desarrollo Estadístco Subdreccón de Operacones Depto. Comerco y Servcos INFORME METODOLÓGICO DISEÑO MUESTRAL La adopcón y uso de las TICs en las Mcroempresas Clenas
Más detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesLECTURA N 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) TEMA 14: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA N 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) TEMA 4: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION. DEFINICION Las meddas estadístcas son meddas de resumen
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más detallesModelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.
Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesTEMA 10: ESTADÍSTICA
TEMA 10: La Estadístca es la parte de las matemátcas que se ocupa de recoger, organzar y analzar grandes cantdades de datos para estudar alguna característca de un colectvo. 1. VARIABLES S UIDIMESIOALES
Más detallesEconomía de la Empresa: Financiación
Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
Más detallesINSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA
INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA LABORATORIO 1-008 PRACTICA 4: LEYES DE LOS GASES 1. OBJETIVOS ) Comprobacón expermental de las leyes de los gases. En este caso nos vamos a concentrar en el estudo
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesDistribuciones de probabilidad
Dstrbucones de probabldad Toda dstrbucón de probabldad es generada por una varable aleatora x, la que puede ser de dos tpos: Varable aleatora dscreta (x). Se le denomna varable porque puede tomar dferentes
Más detalles4. PROBABILIDAD CONDICIONAL
. ROBBILIDD CONDICIONL La probabldad de que ocurra un evento B cuando se sabe que ha ocurrdo algún otro evento se denomna robabldad Condconal, Se denota como (B/) y se lee como la probabldad de que ocurra
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesAnálisis de ruido en detectores ópticos.
Análss de rudo en detectores óptcos. La corrente real generada en un fotododo es de carácter aleatoro, cuyo valor fluctúa entre el valor promedo defndo por la foto-corrente: p = RP Dchas fluctuacones se
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detallesDELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID
DELTA MATE OMAÓN UNETAA / Gral. Ampuda, 6 8003 MADD EXÁMEN NTODUÓN A LA ELETÓNA UM JUNO 008 El examen consta de ses preguntas. Lea detendamente los enuncados. tene cualquer duda consulte al profesor. Todas
Más detallesTEMA 8: PRÉSTAMOS ÍNDICE
TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesRentas o Anualidades
Rentas o Anualdades Patrca Ksbye Profesorado en Matemátca Facultad de Matemátca, Astronomía y Físca 10 de setembre de 2013 Patrca Ksbye (FaMAF) 10 de setembre de 2013 1 / 31 Introduccón Rentas o Anualdades
Más detallesINTRODUCCIÓN A LA PROBABILIDAD
INTRODUCCIÓN A LA PROBABILIDAD José Lus Quntero Expermento aleatoro Expermento Bnomal Teoría de Conjuntos Probabldad Teorema de Bayes Técncas de Conteo Unversdad Central de Venezuela Facultad de Ingenería
Más detallesi=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1
CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesCAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.
Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo
Más detallesXII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros.
Uso de la Estmacón de la Dstrbucón de Probabldad para Muestras Pequeñas y de la Smulacón en la Inferenca de Carteras de Seguros. Trabajo presentado para el XII Premo de Investgacón sobre Seguros y Fanzas
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detalles1. Lección 7 - Rentas - Valoración (Continuación)
Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento
Más detallesMedidas de Tendencia Central y de Variabilidad
Meddas de Tendenca Central y de Varabldad Contendos Meddas descrptvas de forma: curtoss y asmetría Meddas de tendenca central: meda, medana y moda Meddas de dspersón: rango, varanza y desvacón estándar.
Más detalles3. Algunos modelos estadísticos
3. Algunos modelos estadístcos Con las herramentas computaconales a nuestra dsposcón, en las sguentes seccones se revsarán algunos de los modelos estadístcos más usados en la práctca y la forma de hacer
Más detallesGUÍA 5. Roberto Fabián Retrepo A., M. Sc. en Física Profesor Asociado Escuela de Física Universidad Nacional de Colombia
GUÍA 5 Dego Lus Arstzábal R., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal de Colomba Roberto Fabán Retrepo A., M. Sc. en Físca Profesor Asocado Escuela de Físca Unversdad aconal
Más detallesEstadística Descriptiva Análisis de Datos
El concepto de Estadístca Estadístca Descrptva Análss de Datos 8.1 INTRODUCCION El orgen de la Estadístca se remonta a dos tpos de actvdades humanas: los juegos de azar y las necesdades de los Estados:
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesComparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó
Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor
Más detallesTRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).
TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesPRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE AÑOS EXÁMENES PROPUESTOS Y RESUELTOS DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CONVOCATORIAS DE --- F Jménez Gómez Este cuaderno
Más detallesTema 4. Esperanzas y función característica
CSA. Esperanzas y funcón característca 1 Tema 4. Esperanzas y funcón característca 1. ESPERANZA Y VARIANZA A menudo es nteresante resumr certas propedades de una VA y de su dstrbucón de probabldad en unos
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesPROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos)
PROBLEMAS DE ELECTRÓNCA ANALÓGCA (Dodos) Escuela Poltécnca Superor Profesor. Darío García Rodríguez . En el crcuto de la fgura los dodos son deales, calcular la ntensdad que crcula por la fuente V en funcón
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
Más detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
Más detallesCAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS
CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS En los capítulos anterores se han analzado varos modelos usados en la evaluacón de stocks, defnéndose los respectvos parámetros. En las correspondentes fchas de ejerccos
Más detallesMateriales Industriales, Ingeniería Técnica Industrial Mecánica Profesor: Dr. María Jesús Ariza, Departamento de Física Aplicada, CITE II-A, 2.
Materales Industrales, Ingenería Técnca Industral Mecánca Profesor: Dr. María Jesús Arza, Departamento de Físca Aplcada, CITE II-A,. Teoría de meddas. Meddas magntudes: La teoría de meddas Las varables
Más detallesColección de problemas de. Poder de Mercado y Estrategia
de Poder de Mercado y Estratega Curso 3º - ECO- 0-03 Iñak Agurre Jaromr Kovark Marta San Martín Fundamentos del Análss Económco I Unversdad del País Vasco UPV/EHU Tema. Olgopolo y competenca monopolístca.
Más detallesTÉCNICAS AUXILIARES DE LABORATORIO
TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar
Más detallesELECTROSTÁTICA. CAMPO ELÉCTRICO EN EL VACÍO.
ELECTROSTÁTICA. CAMPO ELÉCTRICO EN EL VACÍO..- PERSPECTIVA HISTÓRICA MATERIA { MOLÉCULAS } { ÁTOMOS}, sendo los átomos y/o moléculas estables por la nteraccón electromagnétca. Desde la perspectva electromagnétca
Más detallesOferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA
Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w
Más detallesTEMA 6 AMPLIFICADORES OPERACIONALES
Tema 6 Amplfcadores peraconales ev 4 TEMA 6 AMPLIFICADES PEACINALES Profesores: Germán llalba Madrd Mguel A. Zamora Izquerdo Tema 6 Amplfcadores peraconales ev 4 CNTENID Introduccón El amplfcador dferencal
Más detallesANÁLISIS EXPLORATORIO DE DATOS
ANÁLISIS EXPLORATORIO DE DATOS 1. INTRODUCCIÓN HISTÓRICA 2 1.1 La Estadístca como cenca 2 1.2 Algunos problemas que resuelve la Estadístca 2 2. INTRODUCCIÓN A LA ESTADÍSTICA 3 2.1. Concepto y Objetvo de
Más detallesPARÁMETROS DE UNA DISTRIBUCIÓN DE PROBABILIDAD DISCRETA Media aritmética: μ = x
Dstrbucones de Probabldad dscretas-bn1b DISTRIBUIONES DISRETAS DE PROBABILIDAD Dstrbucones dscretas son aquellas en las que la varable sólo puede tomar valores aslados. Ejemplo: lanzar una moneda ( valores:
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesTrabajo Especial 2: Cadenas de Markov y modelo PageRank
Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo 2015 1. Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E
Más detallesCréditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias
Crédtos Y Sstemas de Amortzacón: Dferencas, Smltudes e Implcancas Introduccón Cuando los ngresos de un agente económco superan su gasto de consumo, surge el concepto de ahorro, esto es, la parte del ngreso
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesPregunta Hoy está nublado, cuál es la probabilidad de que mañana continúe nublado? cuál es la probabilidad de que está nublado pasado mañana?
Cadenas de Marov Después de mucho estudo sobre el clma, hemos vsto que s un día está soleado, en el 70% de los casos el día sguente contnua soleado y en el 30% se pone nublado. En térmnos de probabldad,
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesFundamentos de Física Estadística: Problema básico, Postulados
Fundamentos de Físca Estadístca: Problema básco, Postulados y Formalsmos. Problema básco de la Mecánca Estadístca del Equlbro (MEE) El problema básco de la MEE es la determnacón de la relacón termodnámca
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA La fecunddad y su relacón con varables socoeconómcas, demográfcas y educatvas aplcando el Modelo de Regresón
Más detallesMETODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS
SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento
Más detalles