Análisis de Datos. Regresión logística. Profesor: Dr. Wilfrido Gómez Flores
|
|
- Josefa Torregrosa Juárez
- hace 6 años
- Vistas:
Transcripción
1 Análisis de Datos Regresión logística Profesor: Dr. Wilfrido Gómez Flores 1
2 Regresión logística Supóngase que se tiene una variable binaria de salida Y, y se desea modelar la probabilidad condicional P(Y=1 X=x) como una función de x. Pregunta de los estadísticos: cómo usar regresión lineal para modelar p(x) en función de x? Hacer que p(x) sea una función lineal de x; sin embargo, el problema es que la probabilidad p debe estar en el rango [0,1] y las funciones lineales se encuentran en el rango [, ]. Para resolver esto, se puede transformar p(x) mediante la función logit como: ln p(x) 1 p(x) = wt x + w 0 (1) 2
3 Regresión logística En clasificación Bayesiana, la asignación de un patrón x a una clase ω i se realiza mediante las probabilidades a posteriori P(ω i x). Nótese que se requiere conocimiento del tipo de distribución de los datos para estimar las funciones de verosimiltud para computar la probabilidad P(ω i x). Con el método de regresión logística las probabilidades a posteriori se pueden modelar directamente sin necesidad de conocer la distribución de los datos. Expresando (1) para el caso de dos clases, la proporción de las probabilidades a posteriori se modela como: ln p(y = 1 x) p(y = 0 x) = ln p(y = 1 x) 1 p(y = 1 x) = wt x (2) donde w=[w 0,w 1,,w d ] T y x=[1,,,x d ] T han sido aumentados. 3
4 Regresión logística Resolviendo (2) para p(y=1 x) se tiene: p(y = 1 x) = σ(t) = exp( t) donde t=w T x. A la función σ(t) se le conoce como función logística o sigmoidal. (3) σ(t) t La función logística es una función suave que convierte las predicciones lineales en probabilidades en el rango [0,1]. 4
5 Función de verosimilitud El vector de pesos w es estimado a través el método MLE aplicado a los patrones de entrenamiento (y i,x i ), para i=1,,n y y i {0,1}. La función de verosimilitud de w se escribe como: p(y 1,,y n w) = p(y i w) n (4) Expresando (4) como la función de log-verosimilitud de w: i=1 L(w) = ln p(y i w) i=1 donde el MLE del parámetro w es: n (5) ŵ = arg max w n i=1 ln p(y i w) (6) 5
6 Función de verosimilitud Las probabilidades condicionales en (5) se definen como: ŷ p(y i w) = i si y i = 1 1 ŷ i otro caso donde 1 ŷ i = 1 + exp( w T x i ) (7) (8) La ecuación 7 se puede escribir de manera compacta como: p(y i w) = ŷ i y i (1 ŷ i ) 1 y i (9) Sustituyendo (9) en (5), la función de log-verosimilitud negativa se reescribe como: n i=1 L(w) = (y i lnŷ i + (1 y i )ln(1 ŷ i )) (10) 6
7 Estimador ML Derivando con respecto de los parámetros w j, j=0,1,,d, e igualando a cero: w j L(w) = Entonces el gradiente está dado por: w j [y i lnŷ i + (1 y i )ln(1 ŷ i )], (11) = (ŷ i y i )x ij = 0 (12) donde L(w) = n i=1 (ŷ i y i )x i (13) = X T (ŷ y) (14) X = [,, x n ], y = [y 1,,y n ] T, ŷ = [ŷ 1,,ŷ n ] T. 7
8 Descenso de gradiente Para minimizar la función de log-verosimilitud negativa se puede utilizar un esquema de descenso de gradiente, donde la regla de actualización es: w(1) w(k + 1) = w(k) η(k)x T (ŷ(k) y) k 1 arbitrario (15) donde η(k)=η es la tasa de aprendizaje. El criterio de paro del algoritmo de actualización se define como: w(k 1) w(k) < θ (16) donde denota norma L 2 y θ es un umbral. Una muestra x es clasificada ω 1 si w T x>0 ó ω 2 si w T x<0. 8
9 Descenso de gradiente p(y w) Linealmente separable p(y w) No linealmente separable Izquierda: función logística en el espacio de características, donde a cada muestra de entrenamiento le corresponde un valor de probabilidad. Derecha: El hiperplano de separación está definido por w T x=0. 9
10 Algoritmo de Newton Un enfoque alternativo para aprender el vector de pesos w sin tener que seleccionar una tasa de aprendizaje η es el algoritmo de Newton, donde la regla de actualización dada una función de costo J(w) es: w(k + 1) = w(k) H 1 J(w) (17) donde H es la matriz Hessiana de las derivadas parciales de segundo orden 2 J/ w i w j evaluada en w(k). Begin initialize: w, umbral θ, do w w H 1 J(w) until H 1 J(w) <θ return w end Algoritmo de Newton 10
11 Algoritmo de Newton A partir de (10), la matriz Hessiana está dada por: donde 2 L(w) = n i=1 = X T RX ŷ i (1 ŷ i )x i x i T (18) (19) R = diag{ŷ 1 (1 ŷ 1 ),,ŷ n (1 ŷ n )} (20) Entonces, la regla de adaptación está dada por: donde w(1) arbitrario w(k + 1) = ( X T R(k)X ) 1 X T R(k)z(k) k 1 z(k) = Xw(k) R(k) 1 (ŷ(k) y) (21) (22) 11
12 Regularización Si los datos de entrenamiento son linealmente separables, minimizar la función de verosimilitud en (10) puede producir sobreentrenamiento, ya que la función logística se convierte en una función escalón y equivalentemente w. w = [0,1] T σ(w T x) w = [0,2.5] T w = [0,100] T Conforme w x la función logística se convierte en una función escalón. 12
13 Regularización El sobreentrenamiento se puede evitar al introducir un término de regularización,, en la función de costo: w 2 L(w) = ln p(y i w) n λ w 2 (23) i=1 donde λ es una constante que define el balance entre ambos términos. La regla de actualización para el descenso de gradiente es: w(k + 1) = w(k) η(k)[x T (ŷ(k) y) + λ ] (24) w i (k) i>0 y para el algoritmo de Newton la ecuación 20 se reescribe como: R = diag{ŷ 1 (1 ŷ 1 ),,ŷ n (1 ŷ n )} + λ diag{0,1,,1} (25) Nótese que el término asociado al bias no se incluye. w
14 Regularización λ = 0.01, w = [ 37.1,7.6, 4.0] T λ = 0.1, w = [ 23.0, 4.5,2.6] T p(y w) p(y w) λ = 1, w = [ 10.1,1.6,1.4] T λ = 10, w = [ 1.8,0.1,0.3] T p(y w) p(y w) Funciones logísticas en el espacio de características para datos linealmente separables determinadas mediante el algoritmo de Newton con regularización. Nótese que a mayor valor de λ se producen pesos más pequeños. 14
15 Generalización multiclase Para el caso más general de clasificación con c clases, la regresión logística está definida como: p(y = j x) = c exp(w T j x), para j = 1,,c (26) exp(w T l x) l =1 Entonces, la función de verosimilitud se reescribe como: p(y 1,,y n w 1,, w c ) = L(w 1,, w c ) = n c i=1 j =1 n c y ŷ ij ij (27) i=1 j =1 donde y^ ij p(y i =j x i ) y y ij =1 si x i ω j y 0 en otro caso. Por tanto, la función de log-verosimilitud negativa ahora es: (28) y ij lnŷ ij 15
16 Generalización multiclase El gradiente de L(w 1,,w c ) con respecto de w j es: wj L(w 1,, w c ) = donde X = [,, x n ], n i=1 (ŷ ij y ij )x i, para j = 1,,c = X T ( Y ˆ Y ) ˆ Y = [ŷ1,, ŷ n ] T, Y = [y 1,, y n ] T. (29) (30) La regla de actualización del vector de pesos w j mediante descenso de gradiente es: w j (1) arbitrario w j (k + 1) = w j (k) η(k)x T ( ˆ Y(k) Y ) k 1 Un patrón x es clasificado en ω i si (31) w i T x > w j T x, i j (32) 16
17 Generalización multiclase p(y w j ) Izquierda: función logística multiclase en el espacio de características, donde a cada muestra de entrenamiento le corresponde un valor de probabilidad. Derecha: regiones de decisión creadas por el algoritmo de regresión logística multiclase para el problema de cinco clases. 17
El Algoritmo E-M. José Antonio Camarena Ibarrola
El Algoritmo E-M José Antonio Camarena Ibarrola Introducción Método para encontrar una estimación de máima verosimilitud para un parámetro ѳ de una distribución Ejemplo simple 24 Si tiene las temperaturas
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 detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesT4. Modelos con variables cualitativas
T4. Modelos con variables cualitativas Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto EconomíaT4. Aplicada. Modelos Universidad
Más detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesMateria: Matemática de Octavo Tema: Raíces de un polinomio. Marco teórico
Materia: Matemática de Octavo Tema: Raíces de un polinomio Y si tuvieras una ecuación polinómica como? Cómo podrías factorizar el polinomio para resolver la ecuación? Después de completar esta lección
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesMay 4, 2012 CAPÍTULO 5: OPTIMIZACIÓN
May 4, 2012 1. Optimización Sin Restricciones En toda esta sección D denota un subconjunto abierto de R n. 1.1. Condiciones Necesarias de Primer Orden. Proposición 1.1. Sea f : D R diferenciable. Si p
Más detallesIdentificación Paramétrica
Identificación Paramétrica Métodos para la Obtención de un Modelo Discreto Un modelo, incluyendo el ruido o perturbación, a tiempo discreto puede ser representado por la siguiente i ecuación Donde: ( )
Más detallesTEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte)
TEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte) Francisco José Ribadas Pena Modelos de Razonamiento y Aprendizaje 5 Informática ribadas@uvigo.es 17 de abril de 2012 FJRP ccia [Modelos
Más detallesEstimación MC3E, MVIC en Modelos de Ecuaciones Simultáneas
Estimación MC3E, MVIC en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contenidos 1 Información Completa 2 3 Información Completa Un método de información completa considera
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 detallesConjuntos y funciones convexas
Conjuntos y funciones convexas Un conjunto X R n se dice convexo si para todo par de puntos x 1 y x 2 en X, λ x 1 + ( 1- λ) x 2 X, para todo λ [0,1] Qué significa esto geométricamente? Un punto λ x 1 +
Más detallesTema 3: El Método Simplex. Algoritmo de las Dos Fases.
Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo
Más detallesRectas, planos e hiperplanos
Semestre -8, Algebra Lineal 37 Rectas, planos e hiperplanos Recta P punto de la recta L, d vector no nulo de R n (vector director de la recta) X punto de la recta L PX paralelo a d (PX = td) PX = OX OP
Más detallesEL4005 Principios de Comunicaciones Clase No.24: Demodulación Binaria
EL4005 Principios de Comunicaciones Clase No.24: Demodulación Binaria Patricio Parada Departamento de Ingeniería Eléctrica Universidad de Chile 5 de Noviembre de 2010 1 of 34 Contenidos de la Clase (1)
Más detallesComputación Científica
Computación Científica Gustavo Rodríguez Gómez INAOE Agosto Dicembre 2012 1 / 19 Capítulo 2 Métodos Gradientes 2 / 19 1 Métodos Gradiente Introducción El método del gran descenso "steepest descent") Criterios
Más detallesClase 9 Programación No Lineal
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 9 Programación No Lineal ICS 110 Optimización Profesor : Claudio Seebach Apuntes de Clases
Más detallesClase 10: Extremos condicionados y multiplicadores de Lagrange
Clase 10: Extremos condicionados y multiplicadores de Lagrange C.J. Vanegas 7 de abril de 008 1. Extremos condicionados y multiplicadores de Lagrange Estamos interesados en maximizar o minimizar una función
Más detalles2 = 1 0,5 + = 0,5 c) 3 + = = 2
Trabajo Práctico N : SISTEMAS DE ECUACIONES LINEALES Ejercicio : Resuelva los siguientes sistemas de ecuaciones lineales empleando cuando sea posible: i) Método matricial. ii) Regla de Cramer. Interprete
Más detallesProgramación NO Lineal (PNL) Optimización sin restricciones
Programación NO Lineal (PNL) Optimización sin restricciones Ejemplos de los problemas que se aplica la programación NO Lineal: Problema de transporte con descuentos por cantidad : El precio unitario de
Más detallesMétodos Numéricos (SC 854) Solución de ecuaciones no lineales. 1. Definición del problema: raíces de ecuaciones no lineales
Solución de ecuaciones no lineales c M. Valenzuela 007 008 (5 de mayo de 008) 1. Definición del problema: raíces de ecuaciones no lineales Dada una ecuación de una variable independiente x, f(x) =0, (1)
Más detallesCálculo en varias variables
Cálculo en varias variables Dpto. Matemática Aplicada Universidad de Málaga Resumen Límites y continuidad Funciones de varias variables Límites y continuidad en varias variables 1 Límites y continuidad
Más detallesFundamentos matemáticos. Tema 8 Ecuaciones diferenciales
Grado en Ingeniería agrícola y del medio rural Tema 8 José Barrios García Departamento de Análisis Matemático Universidad de La Laguna jbarrios@ull.es 2016 Licencia Creative Commons 4.0 Internacional J.
Más detallesTema 15: Combinación de clasificadores
Tema 15: Combinación de clasificadores p. 1/21 Tema 15: Combinación de clasificadores Abdelmalik Moujahid, Iñaki Inza, Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial
Más detallesEcuaciones Diferenciales
Ecuaciones Diferenciales Definición de Ecuación diferencial. A toda igualdad que relaciona a una función desconocida o variable dependiente con sus variables independientes y sus derivadas se le conoce
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
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 detallesTema 6: Ecuaciones diferenciales lineales.
Tema 6: Ecuaciones diferenciales lineales Una ecuación diferencial lineal de orden n es una ecuación que se puede escribir de la siguiente forma: a n (x)y (n) (x) + a n 1 (x)y (n 1) (x) + + a 0 (x)y(x)
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades
Más detalles520142: ALGEBRA y ALGEBRA LINEAL
520142: ALGEBRA y ALGEBRA LINEAL Segundo Semestre 2008, Universidad de Concepción CAPITULO 10: Espacios Vectoriales DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición
Más detallesAPUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES
APUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES Ignacio López Torres. Reservados todos los derechos. Prohibida la reproducción total o parcial de esta obra, por cualquier medio electrónico
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesTEORÍA DE LA EMPRESA. ADOLFO GARCÍA DE LA SIENRA Instituto de Filosofía Facultad de Economía Universidad Veracruzana
TEORÍA DE LA EMPRESA ADOLFO GARCÍA DE LA SIENRA Instituto de Filosofía Facultad de Economía Universidad Veracruzana asienrag@gmail.com. Conjuntos y funciones de producción El conjunto de posibilidades
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesAplicación de los modelos de credit scoring para instituciones microfinacieras.
Econ. Reynaldo Uscamaita Huillca Aplicación de los modelos de credit scoring para instituciones microfinacieras. OBJETIVO Proporcionar al ejecutivo del sistema financiero un modelo solido que permita tomar
Más detallesTema 11.- Autovalores y Autovectores.
Álgebra 004-005 Ingenieros Industriales Departamento de Matemática Aplicada II Universidad de Sevilla Tema - Autovalores y Autovectores Definición, propiedades e interpretación geométrica La ecuación característica
Más detallesTEMA 5: INTERPOLACION NUMERICA
Lino Alvarez - Aurea Martinez METODOS NUMERICOS TEMA 5: INTERPOLACION NUMERICA 1 EL PROBLEMA GENERAL DE INTER- POLACION En ocasiones se plantea el problema de que se conoce una tabla de valores de una
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesMÉTODO DE VARIACIÓN DE PARÁMETROS
MÉTODO DE VARIACIÓN DE PARÁMETROS El método de variación de parámetros es aplicado en la solución de ecuaciones diferenciales no homogéneas de orden superior de las cuales sabemos que la solución de la
Más detallesNúmeros reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos.
MATEMÁTICAS I Contenidos. Aritmética y álgebra: Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. Resolución e interpretación gráfica de ecuaciones e
Más detallesSoluciones de la ecuación diferencial lineal homogénea
Ecuaciones diferenciales lineales de orden superior Ampliación de matemáticas urso 2008-2009 Ecuación diferencial lineal de orden n (x dn y n + P (x dn y n + + P n (x dy + P n(xy = G(x ( donde, P,...,
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 5 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallesÓrdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple
Órdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple Estos apuntes están redactados por Maria de los Angeles Isidro Pérez y Egor Maximenko.
Más detalles6 DINAMICA DEL CUERPO RIGIDO
6 DINAMICA DEL CUERPO RIGIDO 6. CINEMATICA 6.. Configuracion de un Cuerpo Rígido: Angulos de Euler Un cuerpo rígido se puede entender como una distribución continua de materia que se subdivide en pequeños
Más detallesTEMA 5.6 PROGRAMACIÓN NO LINEAL
TEMA 5.6 PROGRAMACIÓN NO LINEAL 5.6.. INTRODUCCIÓN 5.6.. CONCEPTOS BÁSICOS 5.6.. MÉTODO O DE NEWTON ONSN SIN RESTRICCIONES S 5.6.4. MÉTODO DE NEWTON CON RESTRICCIONES. FUNCIONES DE PENALIZACIÓN. INTRODUCCIÓN
Más detallesFÍSICA 4 PRIMER CUATRIMESTRE DE 2015 GUÍA 9: POTENCIALES EN 2-D Y 3-D, MOMENTO ANGULAR, ÁTOMO DE HIDRÓGENO, ESPÍN
FÍSICA 4 PRIMER CUATRIMESTRE DE 2015 GUÍA 9: POTENCIALES EN 2-D Y 3-D, MOMENTO ANGULAR, ÁTOMO DE HIDRÓGENO, ESPÍN 1. Considere el siguiente potencial (pozo infinito): { 0 x a; y b y z c V(x)= sino Escribiendo
Más detallesPropiedades de las operaciones lineales con matrices
Propiedades de las operaciones lineales con matrices Ejercicios Objetivos. Aprender a demostrar propiedades de las operaciones lineales en M m n (R). Requisitos. Operaciones lineales en R n, definición
Más detalles6.4 Método de solución de las ecuaciones diferenciales parciales (directos, equiparables con las ordinarias, separación de variables)
6.4 Método de solución de las ecuaciones diferenciales parciales(directos, equiparables con las ordinarias, separación de variables) 439 6.4 Método de solución de las ecuaciones diferenciales parciales
Más detallesModelos Estadísticos de Crimen
Universidad de los Andes Modelos Estadísticos de Crimen 27 de Mayo de 2015 Motivacion Conocer la densidad de probabilidad del crimen sobre una ciudad, a distintas horas del día, permite Modelos Estadísticos
Más detallesRazón de Cambio Promedio:
NOTA: En este PDF encontrará los siguientes temas que debe estudiar para la clase: Aplicaciones de la Derivada a Funciones Económicas, Razón de Cambio Promedio, Razón de Cambio Instantánea, Razones Relacionadas,
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detallesIntroducción a la regresión ordinal
Introducción a la regresión ordinal Jose Barrera jbarrera@mat.uab.cat 20 de mayo 2009 Jose Barrera (UAB) Introducción a la regresión ordinal 20 de mayo 2009 1 / 11 Introducción a la regresión ordinal 1
Más detallesUNIDAD II Ecuaciones diferenciales con variables separables
UNIDAD II Ecuaciones diferenciales con variables separables UNIDAD ECUACIONES DIFERENCIALES CON VARIABLES SEPARABLES Ecuaciones diferenciales de primer orden y de primer grado. Una ecuación diferencial
Más detallesIntroducción a la Teoría de la Información
Introducción a la Teoría de la Información Conceptos Básicos. Facultad de Ingeniería, UdelaR (Facultad de Ingeniería, UdelaR) Teoría de la Información 1 / 32 Agenda 1 Definiciones y Propiedades Básicas
Más detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
Más detalles3. ÁLGEBRA LINEAL // 3.1. SISTEMAS DE
3. ÁLGEBRA LINEAL // 3.1. SISTEMAS DE ECUACIONES LINEALES Y MATRICES COMPLEMENTOS PARA LA FORMACIÓN DISCIPLINAR EN MATEMÁTICAS Curso 2011-2012 3.1.1. Resolución de sistemas de ecuaciones lineales. Método
Más detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detallesProblemas de Espacios Vectoriales
Problemas de Espacios Vectoriales 1. Qué condiciones tiene que cumplir un súbconjunto no vacío de un espacio vectorial para que sea un subespacio vectorial de este? Pon un ejemplo. Sean E un espacio vectorial
Más detallesOPTIMIZACIÓN EXPERIMENTAL. Ing. José Luis Zamorano E.
OPTIMIZACIÓN EXPERIMENTAL Ing. José Luis Zamorano E. Introducción n a la metodología de superficies de respuesta EXPERIMENTACIÓN: Significa variar deliberadamente las condiciones habituales de trabajo
Más detallesEcuaciones de la recta en el espacio
Ecuaciones de la recta en el espacio Ecuación vectorial de la recta Sea P(x 1, y 1 ) es un punto de la recta r y uu su vector director, el vector PPXX tiene igual dirección que uu, luego es igual a uu
Más detallesFactorización de matrices
CAPÍTULO Factorización de matrices En este capítulo se estudian algunas de las técnicas más utilizadas para factorizar matrices, es decir, técnicas que permiten escribir una matriz como producto de dos
Más detallesEjercicios de Variables Aleatorias
Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UC3M Transformaciones de variables aleatorias Ejercicio. Sea X una v.a. continua con función de densidad dada por: /, si
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesRepresentación en el espacio de estado. Sistemas Control Embebidos e Instrumentación Electrónica UNIVERSIDAD EAFIT
Representación en el espacio de estado Representación en espacio de estado Control clásico El modelado y control de sistemas basado en la transformada de Laplace, es un enfoque muy sencillo y de fácil
Más detallesEjercicios sobre probabilidades y entropías
Ejercicios sobre probabilidades y entropías CTI: Lección 1, Primer teorema de Shannon (SCT) Ramiro Moreno Chiral Dpt. Matemàtica (UdL) 10 de febrero de 2010 CTI, lección 1 (Problemas) Ejercicios sobre
Más detallesBase y Dimensión de un Espacio Vectorial
Base y Dimensión de un Espacio Vectorial 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Qué es un sistema generador?... 4 2 Base de un espacio vectorial... 4 3 Dimensión de un
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS CC SOCIALES CAPÍTULO 2 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detalles3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE. Un motor de inducción tiene físicamente el mismo estator de una máquina
220 3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE ARDILLA 3.2.1 Descripción del problema. Un motor de inducción tiene físicamente el mismo estator de una máquina sincrónica con diferente construcción
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesAnálisis Probit. StatFolio de Ejemplo: probit.sgp
STATGRAPHICS Rev. 4/25/27 Análisis Probit Resumen El procedimiento Análisis Probit está diseñado para ajustar un modelo de regresión en el cual la variable dependiente Y caracteriza un evento con sólo
Más detallesPROBLEMAS DE OPTIMIZACIÓN CON RESTRICCIONES. PROBLEMA DE PROGRAMACIÓN NO- LINEAL (NLP).
PROBLEMAS DE OPTIMIZACIÓN CON RESTRICCIONES. PROBLEMA DE PROGRAMACIÓN NO- LINEAL (NLP. Optimización con restricciones La presencia de restricciones reduce la región en la cual buscamos el óptimo. Los criterios
Más detallesAplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesUNIVERSIDAD DE CANTABRIA TESIS DOCTORAL
UNIVERSIDAD DE CANTABRIA DEPARTAMENTO DE INGENIERÍA DE COMUNICACIONES TESIS DOCTORAL ESTIMACIÓN ÓPTIMA DE SECUENCIAS CAÓTICAS CON APLICACIÓN EN COMUNICACIONES Autor : David Luengo García Directores : Carlos
Más detallesTema 2. Descripción Conjunta de Varias Variables
Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis
Más detallesTema 5: Elementos de geometría diferencial
Tema 5: Elementos de geometría diferencial José D. Edelstein Universidade de Santiago de Compostela FÍSICA MATEMÁTICA Santiago de Compostela, abril de 2011 Coordenadas locales y atlas. Funciones y curvas.
Más detalles1 Ecuaciones diferenciales
1 Ecuaciones diferenciales La solución a una ecuación algebraica es un número, o un conjunto de números que satisfacen la ecuación. Por ejemplo las soluciónes de x 2 4x + 3 = 0 son x 0 = 1 y x 1 = 3. Las
Más detallesDerivadas Parciales (parte 2)
40 Derivadas Parciales (parte 2) Ejercicio: Si donde y. Determinar Solución: Consideraremos ahora la situación en la que, pero cada una de las variables e es función de dos variables y. En este caso tiene
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 4 Nombre: Distribuciones de probabilidad para variables Contextualización En la sesión anterior se definió el concepto de variable aleatoria
Más detallesPráctica 2: Análisis de sensibilidad e Interpretación Gráfica
Práctica 2: Análisis de sensibilidad e Interpretación Gráfica a) Ejercicios Resueltos Modelización y resolución del Ejercicio 5: (Del Conjunto de Problemas 4.5B del libro Investigación de Operaciones,
Más detallesLo que se hace entonces es introducir variables artificiales ADAPTACIÓN A OTRAS FORMAS DEL MODELO.
Clase # 8 Hasta el momento sólo se han estudiado problemas en la forma estándar ADAPTACIÓN A OTRAS FORMAS DEL MODELO. Maximizar Z. Restricciones de la forma. Todas las variables no negativas. b i 0 para
Más detallesMatemáticas I Grado de Administración y Dirección de Empresas Examen de Febrero Curso 2011/ ?
Matemáticas I Grado de Administración y Dirección de Empresas Examen de Febrero Curso 011/1 1) (1 punto) Dado el subespacio vectorial,,,,,,,,,,, a) Obtener la dimensión, unas ecuaciones implícitas, unas
Más detallesEcuaciones Cuadráticas Las ecuaciones cuadráticas se pueden resolver por el método de factorización o utilizando la fórmula cuadrática.
Ejemplos de Ecuaciones Cuadráticas e Inecuaciones Cuadráticas Ecuaciones Cuadráticas Las ecuaciones cuadráticas se pueden resolver por el método de factorización o utilizando la fórmula cuadrática. El
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Más detallesInecuaciones con valor absoluto
Inecuaciones con valor absoluto El valor absoluto de un número real a se denota por a y está definido por: Propiedades a a si a si a 0 a < 0 i a y b son números reales y n es un número entero, entonces:
Más detallesINSTRUCCIONES GENERALES Y VALORACIÓN OPCIÓN A
INSTRUCCIONES GENERALES Y VALORACIÓN Instrucciones: El examen presenta dos opciones A y B; el alumno deberá elegir una y sólo una de ellas, y resolver los cuatro ejercicios de que consta. No se permite
Más detallesLaboratorio Nº 4 Ecuaciones diferenciales de orden n. Ecuación lineal homogénea. Soluciones linealmente independientes
Universidad Diego Portales Segundo Semestre 2007 Facultad de Ingeniería Instituto de Ciencias Básicas Asignatura: Ecuaciones Diferenciales Laboratorio Nº 4 Ecuaciones diferenciales de orden n. Ecuación
Más detallesFUNCIÓN DE PRODUCCIÓN CUADRÁTICA
LA FUNCION DE PRODUCCION CUADRATICA lorenzo castro gómez 1 CARACTERISTICAS: 1. Al menos una de las variables independientes está elevada al cuadrado. 2. Tiene rendimientos decrecientes. 3. El PM y PMg
Más detallesMecánica Racional 20 TEMA 2: Cinética de Partículas. Leyes de Newton.
1. Introducción. 2. Leyes de Newton: 2.1 Primera Ley de Newton o Ley de Inercia. 2.2 Segunda Ley de Newton o Principio Fundamental de la Dinámica. 2.3 Tercera Ley de Newton o Principio de Acción o Reacción.
Más detalleslog = = Las ecuaciones de cancelación cuando se aplican las funciones f x = a x y f 1 = log a x, se convierten en:
Función logarítmica Función logarítmica y su representación Si a > 0 y a 0, la función exponencial f x = a x bien se incrementa o disminuye y por eso mediante la prueba de la línea horizontal es uno a
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 detallesEl método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Más detallesProcesos estocásticos
Procesos estocásticos Las cadenas de Markov estudian procesos estocásticos Los procesos estocásticos son modelos matemáticos que describen sistemas dinámicos sometidos a procesos aleatorios Parámetros:
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detalles