Lección 4. Métodos filogenéticos
|
|
- Gloria Montoya Blázquez
- hace 6 años
- Vistas:
Transcripción
1 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. Disponemos de información actual sobre las moléculas (u otros caracteres) e intentamos hipotetizar sobre el pasado Curso Análisis filogenético Máster de Bioestadística 2006 Universidad de Santiago de Compostela Marzo 2006 La pregunta es: cuál es la historia evolutiva de este grupo de taxones? Propiedades deseables Tipos de métodos Eficiencia: cuán rápido es el método? Poder: cuántos datos se necesitan para producir un resultado razonable? Criterio de optimalidad MÉTODO COMPUTACIONAL Algoritmo de agrupamiento Consistencia: convergerá a la solución correcta si proporcionamos suficientes datos? Robustez: si se violan algunas asunciones el método sigue proporcionando soluciones razonables? Falsabilidad: nos indicará el método cuándo no lo deberíamos estar utilizando? No existe el método perfecto TIPO DE DATOS Caracteres Distancias Máxima Parsimonia (MP) Máxima Verosimilitud (ML) Inferencia Bayesiana (BY) Evolución mínima (ME) Mínimos cuadrados (LS) Neighbor-joining (NJ) UPGMA
2 Caracteres y distancias Algoritmos vs. Criterios de optimalidad Los métodos algorítmicos definen una serie de pasos que conducen a la determinación de un árbol Los métodos de optimalidad definen un criterio que permiten comparar diferentes árboles y decidir cúal es mejor (o igual). Métodos que usan caracteres nos indican cuáles cambian y nos permiten reconstruir estados ancestrales Algoritmo Optimalidad Métodos algorítmicos Métodos de optimalidad Son bastante atractivos Son métodos fáciles de implementar, incluso a mano. El tiempo de computación Suelen resultar en un único árbol Dos pasos: 1. Definir el criterio de optimalidad (parsimonia, mínimos cuadrados, verosimilitud, probabilidad posterior) 2. Buscar el árbol óptimo bajo el criterio en question Tienen limitaciones Pueden depender del orden en el que se añaden los taxones No permiten comparar diferentes árboles UPGMA (ya no se usa), Unión del vecino o Neighbor-joining (NJ) Proporcionan una forma de establecer un rango de bondad de las diferente soluciones posibles Estos métodos son mucho más lentos que los métodos algorítmicos, ya que hay que buscar entre varias soluciones posibles Máxima parsimonia (MP), Mínima evolución (ME), Máxima verosimilitud (ML), Inferencia Bayesiana (Bayes)
3 Cuántos árboles hay? Problema muy difícil Taxa (n) Enraízados (2n-3)!/((n-2)! 2 n-2 ) No enraízados (2n-5)!/((n-3)! 2 n-3 ) La inferencia filogenética es un problema NP ( non-deterministic polinomial ): no se conocen algoritmos eficientes para sus solución Para un número razonable de secuencias (p.e., más de 20) es a menudo imposible garantizar que se han encontrado el árbol óptimo , , ,395 A menudo hay que realizar búsquedas heurísticas, que pueden resultar en árboles buenos, regulares, malos 9 2,027, , ,459,425 2,027, ! ! ! !10 74 El número total de átomos en el cuerpo humano es El número total de partículas en el universo es Paisajes de árboles ( tree landscape ) Islas de árboles ( tree islands ) Árbol óptimo global Un buen árbol Árbol óptimo local Y si la búsqueda empezase aquí?
4 Búsqueda de árboles Búsqueda exhaustiva Exacta: garantizan todos los óptimos globales (8-20 taxa) Exhaustiva: cuando se evaluan todos los árboles posibles Branch-and-Bound Aproximada: se buscan una solución que sea óptima aunque sin garantizar que sea la mejor ( óptimo local o global?) Heurística: empezamos en un árbol dado y nos movemos a otros árboles intentando mejorar su optimalidad. Cuando no podemos mejorar, paramos. Algoritmos genéticos Búsqueda Branch-and-Bound Ejemplo Branch-and-Bound
5 Búsqueda heurística Adición secuencial ( stepwise addition ) 1. Hay que empezar en algún sitio: adición secuencial o descomposición de estrella 2. Hay que buscar ( branch swapping ): TBR, SPR, NNI. Conviene hacer varias réplicas de esta búsqueda con diferentes órdenes de adición GLOBAL MAXIMUM Search for global maximum local maximum GLOBAL MAXIMUM Ejemplo adición secuencial ( stepwise addition ) Descomposición de la estrella ( star decomposition )
6 Moviéndose en el bosque A partir del árbol inicial, queremos explorar diferentes árboles Se efectuan una serie de movimientos y nos quedamos con el mejor árbol El proceso se repite hasta que no se pueda mejorar Existen varios tipos de movimientos: NNI: intercambio del vecino cercano SPR: poda y regrafo TBR: bisección y reconexión NNI: Intercambio del vecino más cercano ( nearest neighbor interchange ) Intercambia ramas adyacentes del árbol Se trata de reordenar los cuatro subárboles definidos por una rama interna SPR: poda y regrafo de subárboles ( subtree prunning and regrafting ) Se elimina una rama (interna o externa) del árbol El subárbol resultante se injerta en otra de las ramas TBR: bisección y reconexión del árbol ( tree bisection and reconnection ) Se rompe una rama interna, obteniéndose dos árboles Se exploran todas las conexiones entre todas las ramas de uno con todas las del otro
7 Árboles consenso Tipos de consenso A menudo encontramos varios árboles igualmente óptimos. Es posible construir árboles consenso a partir de un conjunto de árboles: Estricto: contiene los grupos (o nodos) que aparecen en todos los árboles Adams: contiene los tripletes que aparecen en todos los árboles Semi-estricto: contiene los grupos (o nodos) que no se contradicen Regla de la mayoría ( majority rule ): contiene los grupos (que aparecen más de la mitad de los árboles Cual es es consenso estricto? Estricto Adams Regla de la mayoría Métodos algorítmicos Comparativa optimalidad-algoritmos Los métodos algorítmicos combinan la inferencia del árbol y la definición del árbol optimo en un único paso Optimalidad Algorítmicos No proporcionan una forma de establecer un rango de bondad de las diferente soluciones posibles Ventajas Permiten ordenar los árboles Rápidos Estos métodos son computacionalmente mucho más rápidos que los métodos de optimalidad, ya que no hay que buscar entre varias soluciones posibles Desventajas Lentos Única respuesta Utilizan distancias Incluyen UPGMA y Neighbor-Joining (NJ)
2008 Pablo Vinuesa, vinuesa@ccg.unam.mx http://www.ccg.unam.mx/~vinuesa 1
ema : Parsimonia y algoritmos de búsqueda de Intro iol Filogenética - Lic iotecnología enómica, Univ utónoma de Nuevo León, Introducción a la Inferencia Filogenética y Evolución Molecular - Junio 00, Fac
Más detallesMétodo de Hennig. Método alternativo. 1) Definir la raíz (escogiendo grupo externo) 1) Identificar caracteres informativos
urso de Evolución 06 Facultad de iencias Montevideo, Uruguay http://evolucion.fcien.edu.uy/ http://eva.universidad.edu.uy/ Tema. Las filogenias como contexto de análisis de la evolución. Métodos de inferencia
Más detallesÁrboles Filogenéticos. BT7412, CC5702 Bioinformática Diego Arroyuelo. 2 de noviembre de 2010
Unidad 6: Árboles Filogenéticos BT7412, CC5702 Bioinformática Diego Arroyuelo 2 de noviembre de 2010 Temario (Introduction to Computational Molecular Biology Setubal y Meidanis Capítulo 6) 1. Introducción
Más detallesC a l ses P P y y NP C a l se P C a l se N P N P [No N n o -De D te t rmin i i n s i ti t c i Polynomial-tim i e]
Análisis y Diseño de Algoritmos Introducción Análisis y Diseño de Algoritmos Concepto de algoritmo Resolución de problemas Clasificación de problemas Algorítmica Análisis de la eficiencia de los algoritmos
Más detallesÁRBOLES FILOGENÉTICOS
ÁRBOLES FILOGENÉTICOS Por qué usar filogenias? El conocimiento del pasado es importante para poder resolver muchas cuestiones relacionadas con procesos biológicos. Las filogenias nos permiten obtener relaciones
Más detallesComplejidad computacional (Análisis de Algoritmos)
Definición. Complejidad computacional (Análisis de Algoritmos) Es la rama de las ciencias de la computación que estudia, de manera teórica, la optimización de los recursos requeridos durante la ejecución
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 detallesIntroducción a las RdP. Optimización basada en redes de Petri. Redes de Petri. Son objeto de estudio: RdP. Ejemplos:
Seminario sobre toma de decisiones en logística y cadenas de suministro Introducción a las RdP Optimización basada en redes de Petri https://belenus.unirioja.es/~emjimene/optimizacion/transparencias.pdf
Más detallesJUEGOS. Área de aplicación de los algoritmos heurísticos Juegos bi-personales: oponente hostil
JUEGOS Área de aplicación de los algoritmos heurísticos Juegos bi-personales: oponente hostil I Oponente: Jugador: intenta mover a un estado que es el peor para Etiquetar cada nivel del espacio de búsqueda
Más detalles(b) Cuál es la desventaja principal de una heurística con aprendizaje? es más informada que otra función heurística optimista h 2 *?
UNIVERIDD REY JUN CRLO CURO 0-0 INTELIGENCI RTIFICIL Hoja de Problemas Tema Ejercicio : Conteste a las siguientes preguntas: (a) Cómo funciona una heurística con aprendizaje? olución: Una heurística con
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
Más detallesPara definir en formalmente el juego se deberá establecer:
INTRODUCCION A LA INTELIGENCIA ARTIFICIAL MÓDULO 5- JUEGOS COMO PROBLEMA DE BÚSQUEDA Referencias: Inteligencia Artificial Russell and Norvig Cap.5. Artificial Intellingence Nils Nilsson Ch.3 Se trata el
Más detallesUNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR
UNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR INTEGRANTES: Caricari Cala Aquilardo Villarroel Fernandez Fructuoso DOCENTE: Lic. Garcia
Más detallesBúsqueda en e.e. --> reglas para elegir entre las ramas que con más probabilidad lleven a la solución.
BÚSQUEDA HEURÍSTICA estudio de los métodos y reglas del descubrimiento y la invención. Búsqueda en e.e. --> reglas para elegir entre las ramas que con más probabilidad lleven a la solución. Situaciones
Más detallesLa eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
Más detalles(e) Con la poda alfa-beta se eliminan nodos que nunca serán alcanzados
Universidad Rey Juan Carlos Curso 2014 2015 Hoja de Problemas Tema 5 1. Cuáles de las siguientes afirmaciones acerca del algoritmo Minimax son ciertas (a) El algoritmo Minimax realiza una exploración primero
Más detallesConceptos básicos de filogenética molecular
Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 18 de julio del 2013 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) Conceptos básicos de filogenética molecular 18 de julio del 2013 1 / 43 1 Conceptos básicos
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 9 Experimentación y presentación de datos Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir los conceptos de experimentación y determinación
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesConvertir un AFND a un AFD
Convertir un AFND a un AFD Existe una equivalencia entre los AFD y AFN, de forma que un autómata M es equivalente a un autómata M' si L(M) ) L(M'). Ejemplo: Los autómatas de la siguiente figura son equivalentes.
Más detallesEstado 3.2 (coste = 9)
Búsqueda heurística Fernando Berzal, berzal@acm.org Búsqueda heurística Búsqueda primero el mejor p.ej. búsqueda de coste uniforme [UCS] Heurísticas Búsqueda greedy El algoritmo A* Heurísticas admisibles
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesOPTIMIZACIÓN VECTORIAL
OPTIMIZACIÓN VECTORIAL Métodos de Búsqueda Directa Utilizan sólo valores de la función Métodos del Gradiente Métodos de Segundo Orden Requieren valores aproimados de la primera derivada de f) Además de
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detalles(d) Puede haber estrategias que funcionan mejor que Minimax si el contrincante es
Universidad Rey Juan Carlos Curso 2014 2015 Hoja de Problemas Tema 5 1. Cuáles de las siguientes afirmaciones acerca del algoritmo Minimax son ciertas (a) El algoritmo Minimax realiza una exploración primero
Más detallesALGORITMOS HEURÍSTICOS Y APROXIMADOS. Análisis y diseño de algoritmos II- 2009
ALGORITMOS HEURÍSTICOS Y APROXIMADOS Análisis y diseño de algoritmos II- 2009 Problemas difíciles : Definiciones, ejemplos y propiedades Análisis y diseño de algoritmos II- 2009 Un viaje a Ciencias de
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesEstructuras de control
Estructuras de control Introducción Los algoritmos vistos hasta el momento han consistido en simples secuencias de instrucciones; sin embargo, existen tareas más complejas que no pueden ser resueltas empleando
Más detallesComplejidad de los Algoritmos
Que es un Algoritmo? Complejidad de los Algoritmos Webster: cualquier método especial para resolver cierta clase de problemas. Horowitz: método preciso utilizable en una computadora para la solución de
Más detallesUNIDAD DE APRENDIZAJE I
UNIDAD DE APRENDIZAJE I Saberes procedimentales Interpreta y utiliza correctamente el lenguaje simbólico para el manejo de expresiones algebraicas. 2. Identifica operaciones básicas con expresiones algebraicas.
Más detallesCAPITULO XII PUENTES DE CORRIENTE ALTERNA
CAPITULO XII PUENTES DE CORRIENTE ALTERNA 2. INTRODUCCION. En el Capítulo IX estudiamos el puente de Wheatstone como instrumento de medición de resistencias por el método de detección de cero. En este
Más detallesConstrucción de árboles filogenéticos
Construcción de árboles filogenéticos Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 23 de julio del 2013 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) Construcción de árboles filogenéticos 23 de julio del
Más detallesANALISIS DE CLUSTER CON SPSS: INMACULADA BARRERA
ANALISIS DE CLUSTER CON SPSS: INMACULADA BARRERA ANALISIS DE CLUSTER EN SPSS Opción: Analizar Clasificar ANALISIS DE CLUSTER EN SPSS Tres posibles OPCIONES 1.- Cluster en dos etapas 2.- K-means 3.- Jerárquicos
Más detallesTablas de dispersión (hash tables)
Tablas de dispersión (hash tables) La dispersión es una técnica empleada para realizar inserciones, eliminaciones y búsquedas en un tiempo promedio constante. La estructura de datos ideal para la tabla
Más detallesCAPÍTULO 4 TÉCNICA PERT
54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con
Más detallesTeoría de grafos y optimización en redes
Teoría de grafos y optimización en redes José María Ferrer Caja Universidad Pontificia Comillas Definiciones básicas Grafo: Conjunto de nodos (o vértices) unidos por aristas G = (V,E) Ejemplo V = {,,,,
Más detallescuevogenet Paralelización en CUDA de la Dinámica Evolutiva de Redes Génicas Dirigido por: Fernando Díaz del Río José Luis Guisado Lizar
cuevogenet Paralelización en CUDA de la Dinámica Evolutiva de Redes Génicas Realizado por: Raúl García Calvo Dirigido por: Fernando Díaz del Río José Luis Guisado Lizar Objetivos Implementar un algoritmo
Más detallesBIOESTADISTICA ( ) Evaluación de pruebas diagnósticas. 1) Características del diseño en un estudio para evaluar pruebas diagnósticas.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Evaluación de pruebas diagnósticas CONCEPTOS CLAVE 1) Características del diseño en un estudio para evaluar pruebas
Más detallesAlgoritmos de Ordenamiento
Algoritmos de Ordenamiento mat-151 Alonso Ramírez Manzanares Computación y Algoritmos 12.04 Algoritmos de ordenamiento Entrada: secuencia de números. Salida: permutación
Más detallesVisión artificial y Robótica Modelos de movimiento y mapas. Depto. de Ciencia de la Computación e Inteligencia Artificial
Visión artificial y Robótica Modelos de movimiento y mapas Depto. de Ciencia de la Computación e Inteligencia Artificial Contenidos Sistemas de coordenadas Localización de objetos en el espacio Modelos
Más detallesADMINISTRACION DE OPERACIONES
Sesión4: Métodos cuantitativos ADMINISTRACION DE OPERACIONES Objetivo específico 1: El alumno conocerá y aplicara adecuadamente los métodos de pronóstico de la demanda para planear la actividad futura
Más detallesVamos a profundizar un poco sobre los distintos tipos de datos que podemos introducir en las celdas de una hoja de cálculo
Tipos de datos. Vamos a profundizar un poco sobre los distintos tipos de datos que podemos introducir en las celdas de una hoja de cálculo Valores Constantes: Es un dato que se introduce directamente en
Más detallesFilogenias. Jose Blanca COMAV institute bioinf.comav.upv.es
Filogenias Jose Blanca COMAV institute bioinf.comav.upv.es Filogenias Estudio de las relaciones evolutivas Asumimos: Ancestro común Bifurcación Es habitual en las poblaciones y especies cercanas que no
Más detallesLEGISLACION EN LA CONSTRUCCION
LEGISLACION EN LA CONSTRUCCION RECOPILADO POR: Ing. Edson Rodríguez Ing. Sergio Navarro Docentes UNI-RUACS UNIDAD I INTRODUCCIÓN 1.1.- EL INGENIERO Y LA CONSTRUCCIÓN Antes de definir que es el ingeniero
Más detallesTEMA 3.3 Obtención de árboles filogenéticos mediante el método de máxima parsimonia
TEMA 3.3 Obtención de árboles filogenéticos mediante el método de máxima parsimonia Contacto: Maite Aguado (maite.aguado@uam.es) PROGRAMAS NECESARIOS Para realizar análisis de Máxima Parsimonia con nuestras
Más detallesProgramacion Genetica
Programacion Genetica PG a Vuelo de Pajaro Desarrollado: EEUU en los 90s Pioneros: J. Koza pero Generalmente aplicado a: prediccion, clasificacion Propiedades generales: compite con NN y similares necesita
Más detallesGRÁFICOS DE CONTROL. Datos tipo atributo
GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Los gráficos p, 100p y u difieren de los gráficos np y c en que los
Más detallesÁrboles. Un grafo no dirigido es un árbol si y sólo si existe una ruta unica simple entre cualquiera dos de sus vértices.
ÁRBOLES Árboles Un grafo conectado que no contiene circuitos simples. Utilizados desde 1857, por el matemático Ingles Arthur Cayley para contar ciertos tipos de componentes químicos. Un árbol es un grafo
Más detallesEjemplo: El problema de la mochila. Algoritmos golosos. Algoritmos y Estructuras de Datos III. Segundo cuatrimestre 2013
Técnicas de diseño de algoritmos Algoritmos y Estructuras de Datos III Segundo cuatrimestre 2013 Técnicas de diseño de algoritmos Algoritmos golosos Backtracking (búsqueda con retroceso) Divide and conquer
Más detallesPreliminares Interpolación INTERPOLACIÓN Y APROXIMACIÓN POLINOMIAL
INTERPOLACIÓN Y APROXIMACIÓN POLINOMIAL Contenido Preliminares 1 Preliminares Teorema 2 Contenido Preliminares Teorema 1 Preliminares Teorema 2 Teorema Preliminares Teorema Teorema: Serie de Taylor Supongamos
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
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 detallesResolución de problemas de búsqueda
Resolución de problemas de búsqueda Memoria de Prácticas de Segunda Entrega 26 de noviembre de 2007 Autores: Mariano Cabrero Canosa cicanosa@udc.es Elena Hernández Pereira elena@udc.es Directorio de entrega:
Más detallesSistemas de información Administrativa II
Sistemas de información Administrativa II UNIDAD 1 MSI. José Luis Llamas Cárdenas Ciclo de Vida Proceso de todo sistema de información Sistemas de Información El sistema informativo esta comprendido por
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesComputación Paralela Móvil
Algoritmos y Programación Paralela Facultad de Informática Universidad de Murcia Copyleft c 2008. Reproducción permitida bajo los términos de la licencia de documentación libre GNU. Contenido 1 Introducción
Más detallesN. Libros No. Estudiantes
EJERCICIOS RESUELTOS DE ESTADÍSTICA UNIDIMENSIONAL 1. Se pregunta en un grupo de estudiantes por el numero de libros que han leído en el último mes, obteniendo las siguientes respuestas. N. Libros 0 1
Más detallesRobusticidad de los Diseños D-óptimos a la Elección. de los Valores Locales para el Modelo Logístico
Robusticidad de los Diseños D-óptimos a la Elección de los Valores Locales para el Modelo Logístico David Felipe Sosa Palacio 1,a,Víctor Ignacio López Ríos 2,a a. Escuela de Estadística, Facultad de Ciencias,
Más detallesMétodos para escribir algoritmos: Diagramas de Flujo y pseudocódigo
TEMA 2: CONCEPTOS BÁSICOS DE ALGORÍTMICA 1. Definición de Algoritmo 1.1. Propiedades de los Algoritmos 2. Qué es un Programa? 2.1. Cómo se construye un Programa 3. Definición y uso de herramientas para
Más detallesDiferenciabilidad en un intervalo
Diferenciabilidad en un intervalo Ahora que conocemos cómo calcular la derivada de una función en un punto conviene hacer la pregunta más general: «Cómo podemos saber si una derivada se puede derivar en
Más detallesCaminos y Flujos optimales. Introducción a la Investigación de Operaciones 2007
Caminos y Flujos optimales Introducción a la Investigación de Operaciones 2007 Contenido Definiciones básicas. Conexidad. Clausura transitiva. Esqueletos y caminos optimales. Redes. Flujos. Algoritmo de
Más detallesJueves, 30 de abril. Ejemplo de recursión. Ejemplo de PD. Ejemplo de programación dinámica. Programación dinámica
.0 Jueves, 0 de abril Programación dinámica. Recursión. Principio de optimalidad. Entregas: material de clase. Programación dinámica Transforma un problema de optimización complejo en una secuencia problemas
Más detallesPredicción Filogenética. Rodrigo Santamaría
Predicción Filogenética Rodrigo Santamaría Predicción Filogenética Introducción Trasfondo biológico Árboles Análisis Métodos Introducción Teoría de la evolución: los organismos cambian con el tiempo, de
Más detallesSINTAXIS DE BÚSQUEDA PARA
SINTAXIS DE BÚSQUEDA PARA VIDOC2.0 VERSIÓN: 1 DIRECCIÓN DIVISIONAL DE SISTEMAS Y TECNOLOGÍA DE LA INFORMACIÓN Contenido 1 TÉRMINOS 4 2 CAMPOS 4 3 MODIFICADORES DE TEXTO 5 3.1 BÚSQUEDAS COMODÍN 5 3.2 BÚSQUEDAS
Más detallesLA MACROEVOLUCIÓN Y LA MICROEVOLUCIÓN. Evidencias Evolutivas de la Selección Natural. Profesora Mónica González Vera. Colegio Amanecer San Carlos.
LA MACROEVOLUCIÓN Y LA MICROEVOLUCIÓN. Evidencias Evolutivas de la Selección Natural. Profesora Mónica González Vera. Colegio Amanecer San Carlos. MACROEVOLUCIÓN EVIDENCIAS INDIRECTAS DE LA EVOLUCION DEF.
Más detallesCRITERIOS DE SELECCIÓN DE MODELOS
Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,
Más detalles1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo Algoritmos genéticos Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados
Más detallesMODELOS DE INVESTIGACION DE OPERACIONES
MODELOS DE INVESTIGACION DE OPERACIONES CARACTERÍSTICAS Los modelos se dividen en determinísticos (no probabilisticos) y estocásticos (probilisticos). Hay otros modelos híbridos porque incluyen las dos
Más detallesResumen de técnicas para resolver problemas de programación entera. 15.053 Martes, 9 de abril. Enumeración. Un árbol de enumeración
5053 Martes, 9 de abril Ramificación y acotamiento () Entregas: material de clase Resumen de técnicas para resolver problemas de programación entera Técnicas de enumeración Enumeración completa hace una
Más detallesSESIÓN 9 TRABAJO CON LOS OBJETOS GRÁFICOS DE POWER POINT
SESIÓN 9 TRABAJO CON LOS OBJETOS GRÁFICOS DE POWER POINT I. CONTENIDOS: 1. Trabajo con imágenes en Power Point. 2. Diapositivas con organigramas en Power Point. 3. Utilización de la barra de dibujo en
Más detallesFactorizaci ón de árboles de probabilidad y sus aplicaciones p.1/13
Factorización de árboles de probabilidad y sus aplicaciones I. Martínez, S. Moral, C. Rodríguez, A. Salmerón Dept. Estadística y Mat. Aplicada Universidad de Almería Dept. Ciencias de la Computación e
Más detallesN. Libros No. Estudiantes
EJERCICIOS DE ESTADÍSTICA UNIDIMENSIONAL (RECUPERACIÓN SEPTIEMBRE) 1. Se pregunta en un grupo de estudiantes por el numero de libros que han leído en el último mes, obteniendo las siguientes respuestas.
Más detallesI. Complejidad de Problemas
I. Complejidad de Problemas 1. Complejidad de Problemas Tópicos Clasificación de Problemas Clasificación por su Naturaleza Clasificación por su Tratabilidad Clasificación por el tipo de Respuesta 1.1 Clasificación
Más detallesAux 6. Introducción a la Minería de Datos
Aux 6. Introducción a la Minería de Datos Gastón L Huillier 1,2, Richard Weber 2 glhuilli@dcc.uchile.cl 1 Departamento de Ciencias de la Computación Universidad de Chile 2 Departamento de Ingeniería Industrial
Más detallesBúsqueda con adversario
Introducción Búsqueda con adversario Uso: Decidir mejor jugada en cada momento para cierto tipo de juegos Hay diferentes tipos de juegos según sus características: Numero de jugadores, toda la información
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detallesMetodología Indagar I
Metodología Indagar I ÁREA DE INTERÉS Explorar Decidir sobre FOCALIZACIÓN Indicar posibles cuestiones para indagar Decidir sobre CUESTIÓN PRINCIPAL Anticipar resultados Búsqueda de evidencia Mantenerse
Más detallesCapítulo 12: Indexación y asociación
Capítulo 12: Indexación y asociación Conceptos básicos Índices ordenados Archivos de índice de árbol B+ Archivos de índice de árbol B Asociación estática Asociación dinámica Comparación entre indexación
Más detalles7. Conclusiones. 7.1 Resultados
7. Conclusiones Una de las preguntas iniciales de este proyecto fue : Cuál es la importancia de resolver problemas NP-Completos?. Puede concluirse que el PAV como problema NP- Completo permite comprobar
Más detallesAlgoritmos Genéticos. Introducción a la Robótica Inteligente. Álvaro Gutiérrez 20 de abril de
Algoritmos Genéticos Introducción a la Robótica Inteligente Álvaro Gutiérrez 20 de abril de 2016 aguti@etsit.upm.es www.robolabo.etsit.upm.es Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos
Más detallesLas redes semánticas intentan trasladar esa afirmación a un formalismo Una red semántica será un grafo donde:
Redes Semánticas Redes semánticas La lógica como lenguaje de representación tiene dificultades prácticas Son necesarios mecanismos mas intuitivos y fáciles de usar La psicología cognitiva afirma: La representación
Más detallesAlgoritmos de Ordenación
Algoritmos de Ordenación Pedro Corcuera Dpto. Matemática Aplicada y Ciencias de la Computación Universidad de Cantabria corcuerp@unican.es Algoritmos comunes - Ordenación Ordenación o clasificación es
Más detallesRELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA
RELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA SIMPLEX Y LINEAL ENTERA a Resuelve el siguiente problema con variables continuas positivas utilizando el método simple a partir del vértice
Más detallesBÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS
Departamento de Inteligencia Artificial Grupo de Análisis de Decisiones y Estadística BÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS PRÁCTICAS 1 Existen varias características que pueden causar dificultades
Más detallesConceptos básicos estadísticos
Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto
Más detallesTipos de gráficos disponibles
Tipos de gráficos disponibles Microsoft Office Excel admite muchos tipos de gráficos para ayudarle a mostrar datos de forma comprensible para su audiencia. Cuando crea un gráfico o cambia el tipo de uno
Más detallesOPTIMIZACIÓN DE CÓDIGO
OPTIMIZACIÓN DE CÓDIGO INTRODUCCION La finalidad de la optimización de código es producir un código objeto lo más eficiente posible. En algunos casos también se realiza una optimización del código intermedio.
Más detallesGrafos. Amalia Duch Brown Octubre de 2007
Grafos Amalia Duch Brown Octubre de 2007 Índice 1. Definiciones Básicas Intuitivamente un grafo es un conjunto de vértices unidos por un conjunto de líneas o flechas dependiendo de si el grafo es dirigido
Más detallesCámara réflex digital. DSRL (Digital Single Lens Réflex)
Cámara réflex digital DSRL (Digital Single Lens Réflex) Cuerpo Lente, Objetivo, óptica objetivo pentaprisma Sensor o película obturador 1. Visor Réflex: Lo cual significa, que cuando miramos a través del
Más detallesSISTEMAS INFORMÁTICOS PROGRAMACION I - Contenidos Analíticos Ing. Alejandro Guzmán M. TEMA 2. Diseño de Algoritmos
TEMA 2 Diseño de Algoritmos 7 2. DISEÑO DE ALGORITMOS 2.1. Concepto de Algoritmo En matemáticas, ciencias de la computación y disciplinas relacionadas, un algoritmo (del griego y latín, dixit algorithmus
Más detallesDefine la media y la mediana
Curso: DDC V Módulo 5: Fundamentos de la estadística Unidad 2: La media, la mediana y la moda Bitácora del Estudiante Define la media y la mediana Realiza las siguientes actividades, mientras trabajas
Más detallesResolviendo Modelos de Mapas
Resolviendo Modelos de Mapas SMMC Prof. Teddy Alfaro Resolviendo Mapas o Grafos Entre las técnicas completas más utilizadas para resolver la ruta más corta se encuentran BFS Backtracking Dijkstra A* Uso
Más detallesCurso: Métodos de Monte Carlo. Unidad 2, Sesión 3: Estimación de volúmenes
Curso: Métodos de Monte Carlo. Unidad 2, Sesión 3: Estimación de volúmenes Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo,
Más detallesEL CÓMIC COMO UNIDAD DIDÁCTICA
EL CÓMIC COMO UNIDAD DIDÁCTICA Vamos a establecer una serie de pautas didácticas para el profesor que quiera utilizar el cómic en el aula, estas pautas establecen una interrelación entre un cómic i una
Más detallesBiología Molecular y Filogenia en Micología
Biología Molecular y Filogenia en Micología Biól. Nicolás Pastor Micología 2014 Por qué usar herramientas moleculares? Sistemática - Delimitación de especies Concepto filogenético de especie Diagnosis
Más detallesMULTIPLICACIÓN DE NÚMEROS NATURALES
MULTIPLICACIÓN DE NÚMEROS NATURALES La solución de una adición donde los sumandos son iguales, es decir, que se repiten, se puede obtener de una forma directa y sencilla. Por ejemplo: Al calcular la cantidad
Más detallesTEMA 4. PROCESO UNIFICADO
TEMA 4. PROCESO UNIFICADO Diseño El objetivo final del diseño es producir un Modelo Lógico del sistema a implementar. Diferencia entre Análisis y Diseño del Proceso Unificado Modelo de Análisis Modelo
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesProyecto PropULSA: Estadística y Probabilidad Breviario Académico
Estadística y Probabilidad Breviario Académico Estadística: Es la ciencia que tiene por objetivo recolectar, escribir e interpretar datos, con la finalidad de efectuar una adecuada toma de decisiones en
Más detallesMinería de Datos. Árboles de Decisión. Fac. Ciencias Ing. Informática Otoño de Dept. Matesco, Universidad de Cantabria
Minería de Datos Árboles de Decisión Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Otoño de 2012 Twenty questions Intuición sobre los árboles de decisión Juego
Más detalles