Redes Bayesianas:Introducción
|
|
- David Muñoz Suárez
- hace 6 años
- Vistas:
Transcripción
1 edes Bayesianas:Introducción Eliminan algunos de los problemas asociados al razonamiento probabilístico Desarrolladas a finales de los 70 (Pearl), se convirtieron durante los 90 en un esquema general de representación de la incertidumbre Una ed Bayesiana (B) proporciona una forma compacta y modular de representar la distribución conjunta de varias variables aleatorias Una B consta de: Una parte cualitativa que describe las relaciones entre las distintas variables Una parte cuantitativa que describe la fuerza de dicas relaciones mediante probabilidades condicionadas
2 edes Bayesianas: Inferencia, Decisión y prendizaje En una B, la información proporcionada por una o más variables que se observan (evidencia) se propaga por la red y actualiza nuestra creencia acerca de las variables no observadas. este proceso se le llama inferencia. Es posible aprender las probabilidades condicionales que describen las relaciones entre las variables a partir de los datos. Incluso es posible aprender la estructura completa de la red a partir de datos completos o con algunos de sus valores desconocidos. Las B pueden utilizarse para tomar decisiones óptimas introduciendo posibles acciones y la utilidad de sus resultados
3 edes Bayesianas en la Prensa Cnet.com ttp://news.com.com/ tml
4 edes Bayesianas: Utilización lgunas aplicaciones de B en empresas Microsoft Intel HP nswer Wizard (Office) Diagnóstico de problemas de usuario (laddin) Home Healt en la red de Microsoft (MSN) Nokia Nasa Diagnóstico de fallos de procesadores Diagnóstico de problemas de impresora Diagnóstico de redes celulares Sistema de ayuda a la decisión en misiones espaciales
5 ed Bayesiana:Ejemplo Diagnóstico de Problemas de Impresión (Heckerman)
6 ed Bayesiana:Ejemplo Diagnóstico de Problemas en redes celulares para Nokia (Barco y otros)
7 ed Bayesiana:Ejemplo Visión de alto nivel del sistema de B para Excel Vista parcial de la red para inferir si el usuario tiene dificultades Vista parcial de la red para inferir si el usuario tiene dificultades con Excel (Heckerman)
8 edes Bayesianas: lgunas Herramientas Norsys Programa: Netica Descarga de: ttp:// Microsoft MSBNx Descarga de: ttp://researc.microsoft.com/adapt/msbnx/
9 Qué es un ed Bayesiana (B)? Una B es un grafo dirigido en el que cada nodo contiene información probabilística. Para determinar una B ace falta: Un conjunto de variables aleatorias que forman los nodos de la red. Las variables pueden ser discretas o continuas Un conjunto de enlaces dirigidos (arcos) que conectan parejas de nodos. Si ay un arco del nodo X al Y se dice que X es el padre de Y. El significado intuitivo de un arco desde el nodo X al Y es que X tiene una influencia directa en Y Cada nodo X i tiene una distribución de probabilidad condicional: P(X i Padres (X i )) que mide el efecto de los padres de ese nodo. El grafo no tiene ciclos dirigidos (y por tanto es un grafo dirigido acíclico o DG)
10 ed Bayesiana: Significado Los arcos en una B proporciona una forma de codificar relaciones de independencia Estas relaciones se pueden especificar como: Dada una B con nodos X, X 2,... X n. Si Padres(X i ) son los padres de X i y NoDescendientes(X i ) los nodos que no son descendientes de X i. Padre Entonces para cada variable X i se tiene que X i es independiente de sus No Descendientes dados sus Padres. Esto lo expresamos como Ind(X i ; NoDescendientes(X i ) Pa(X i )) Descendiente X i No descendiente
11 Ejemplos de Independencias Para la B del ejemplo: y L son dependientes: Si ay un robo es más probable suene la alarma, lo que ace más probable que que reciba una llamada. Si recibo una llamada se incrementa la probabilidad de que aya sonado la alarma y por tanto de que me ayan robado. y L son independientes si se conoce Si ay un robo ya no es más probable que suene la alarma ( ya se sabe si suena o no) Si recibo una llamada ya no se incrementa la probabilidad de que suene la alarma ( ya se sabe si suena o no) Terremoto Noticia radio obo larma Llamada L es independiente de sus no-descendientes T,,N, dados sus padres
12 Ejemplos de Independencias Para la B del ejemplo: N y son dependientes: Si oigo en la radio que a abido un terremoto es más probable que éste aya ocurrido, lo que ace más probable que que suene la alarma. Si suena la alarma se incrementa la probabilidad de que aya ocurrido un terremoto y por tanto de que oiga la noticia en la radio. N y son independientes si se conoce T Si oigo en la radio que a abido un terremoto ya no es más probable que éste aya ocurrido. (ya se sabe si a ocurrido o no). Si suena la alarma ya no se incrementa la probabilidad de que aya ocurrido un terremoto ( ya se sabe si ocurrió) Terremoto Noticia radio obo larma Llamada N es independiente de sus no-descendientes,,l dados sus padres T
13 Ejemplos de Independencias Para la B del ejemplo: T y son dependientes si se conoce Si suena la alarma y ocurre una de las causas (terremoto) me creo menos la otra (robo) Si suena la alarma y ocurre una de las causas (robo) me creo menos la otra (terremoto) este efecto se le llama eliminación de explicaciones T y son independientes: Si desconozco si suena la alarma y ocurre una de las causas (terremoto) no ay razón para creer menos la otra (robo) Si desconozco si suena la alarma y ocurre una de las causas (robo) no ay razón para creer menos la otra (terremoto) Terremoto Noticia radio obo larma Llamada T es independiente de sus no-descendientes dados sus padres (ninguno).
14 Transmisión de información en la red Un camino del grafo puede estar: ctivo si pasa información por el. Bloqueado: si no pasa Nodo con evidencia (observado) Causa Intermedia Causa Común Efecto Común T T T N L L N T L T L L
15 Teorema de Factorización Dada la codificación de independencias de una B Ejemplo P(X,...,Xn) P(Xi Pa(Xi)) Teorema de Factorización: P(L,,N,T,) P() P(T) P(N T) P(,T) P(L ) i Terremoto obo Noticia radio larma Llamada
16 Factorización:Consecuencias Se puede describir P utilizando probabilidades condicionales locales Si G es un grafo disperso, es decir el número de padres de cada variable está acotado: Pa(X i ) k con k un número pequeño se obtiene: epresentación compacta El número de parámetros para describir la función de distribución conjunta es lineal en el número n de variables aleatorias o(n) Nótese que el número de parámetros requerido en general es de orden o(2 n ) epresentación modular ñadir una nueva variable no obliga a actualizar todos los parámetros de la representación
17 Construcción de B Un algoritmo de construcción de B Elegir un grupo de variables X,,X n que describen un dominio Fijar un orden en X,,X n (por ejemplo de las causas a los efectos) Mientras aya variables Elegir la siguiente variable X i y añadir un nodo para ella Selecionar Padres(X i ) como el conjunto mínimo de {X,,X i- }, de forma que Ind(X i ; {X,,X i- } - Pa i Pa i ) La red resultante depende del orden: Orden:T,,, L, N Orden: L, N,, T, T T N L N L
18 La elección de la ordenación y la causalidad La elección de la ordenación puede tener un impacto drástico en la complejidad de la ed Bayesiana. Heurística para construir la B: Construir la B utilizando la ordenación causal entre las variables Justificación Generalmente se puede asumir que los grafos generados a partir de relaciones causales cumplen las condiciones de independencia
19 Inferencia en edes Bayesianas Inferencia: Se pretende allar la distribución de probabilidad de determinadas variables de interés dados los valores de otras variables que se observan. Principales tipos de Inferencia Diagnóstico Predicción Intercausal T L L P(robo llama) P(llama robo) P(robo alarma, terremoto)
20 Inferencia en edes Bayesianas De manera formal Supondremos que: La red bayesiana está formada por las variables: { X,, X n } Las variables de interés son X I { X,, X i } Las variables observadas (con evidencia) son: X O { X i+,, X j } Los valores que toman dicas variables (evidencia) son e{ e i+,, e j } El resto de variables son X { X j+,, X n } El problema a resolver es: Calcular: P( X I X P(X,X 2 O,...,X, X P(X e) i+ i e P( XI, XO e) P( X e) i+ i+,x e O i+ 2 i+,x e i+ 2 i+ 2 e i+ 2,...,X j,...,x e j ) j e j )
21 lgoritmos de inferencia Los diversos algoritmos propuestos se pueden dividir en: lgoritmos exactos Calcular de forma exacta la inferencia solicitada. La complejidad de resolver de forma exacta el problema general de inferencia en edes Bayesianas es NP-duro. Tipos Para redes específicas:» Árboles (Pearl), (Complejidad lineal)» Poliárboles (Kim, Pearl), (Complejidad lineal) Para redes generales» Eliminación de Variables, Árbol de uniones (Lauritzen y Spiegelalter) lgoritmos aproximados Se basan calcular de forma aproximada la inferencia solicitada simulando la distribución de la red bayesiana. proximar una distribución con una tolerancia dada es también NP-duro. lgunos algoritmos Muestreo lógico (Henrion) Ponderación de la verosimilitud (Fung y Cang)
22 lgoritmo de Inferencia por Eliminación de Variables El problema es calcular: P( X I X O e) P( XI, XO e) P( X e) El numerador es igual a: P( X X j+ I,X, X j+ 2 O,...,X e) P(X,X n 2 X El denominador es igual a: P( X X,X 2 O e) P(X,X,...,X i 2 X I P( X i O,...,X, X P( X i I, X,...,X, X I i+, X O e,x i+ ei+,xi+ 2 ei+ 2,...,Xj O e) e i+,x i+ 2 Por tanto, si se tiene el numerador el denominador se puede calcular a partir de éste. ) e i+ 2,...,X j e e,x j ) j j+,x j+ 2,...,X n )
23 Eliminación de Variables: Cálculo del numerador El problema aora es calcular: P( X X j+ I,X, X j+ 2 O,...,X e) P(X,X Idea General: n Para realizar de forma eficiente la suma anterior: Paso Usar el teorema de factorización para factorizar la distribución conjunta: Paso 2 Fijar las variables observadas a sus valores de evidencia Paso 3 2 X P( X,...,X, X i I, X O e,x ) i+ ei+,xi+ 2 ei+ 2,...,Xj e,x Eliminar de forma iterativa del sumatorio las variables que no son de interés ni de evidencia j j+,x j+ 2,...,X P(X,X2,...,X i, Xi+, Xi+ 2,...,X j,xj+,x j+ 2,...,Xn) P(X i,pa(xi)) i n )
24 Eliminación de variables: Ejemplo con evidencia La red de la Escarca Watson ccidente Calculemos P(w ) Factorización: P(E)P(W E)P(H E) P(E)P(W E)P( E) P(W,) P(W ) Escarca Holmes ccidente Sustitución de la evidencia Eliminamos E Normalizamos e 0.7 e E e 0.3 E e E g P(E) E (W) E P(W E) g E (W) w w w w e x 0.8 x x 0. x x 0.2 x x 0.9 x P(E)P(W E)P( E) w w W P(H E) e Normalizamos H
25 Eliminación de variables: Ejemplo sin evidencia La red de la Escarca Watson ccidente Escarca Calculemos P(W) Factorización: Holmes ccidente P(E)P(W E)P(H E) Eliminamos H P(E)P(W E)g H (E) P(E) w e 0.7 e E e 0.3 E e E H H (E) P(H E) P(W E) w e g E e W g H (E) P(H E) e e H P(W) Eliminamos E g E (W) gh(e)p(e)p(w E) E w w.0 x 0.7 x x 0.3 x x 0.7 x x 0.3 x
26 Un Ejemplo más Complejo La ed sia Visita a asia Fumador Tuberculosis Cancer Pulmón normalidad en peco Bronquitis ayos X Disnea* *DisneaDificultad para respirar
27 Eliminación de variables: Ejemplo con evidencia Ejemplo: calcular P(C v,f,d) Como siempre calculamos P(C,v,f,d) y normalizamos Escribimos la factorización: P(V)P(F)P(T V)P(C F)P(B F)P( T,C)P( )P(D,B) y sustituimos la evidencia Vcierto,Fcierto,Dcierto P(v)P(f)P(T v)p(c f)p(b f)p( T,C)P( )P(d,B) tenemos por tanto que eliminar:,t,,b (puesto que V,F,D están fijos) Proceso de eliminación: P(v)P(f)P(T v)p(c f)p(b f)p( T,C)P( Eliminamos )P(d,B) P(v)P(f) ()P(T v)p(c f)p(b f)p( T,C)P(d,B) () P( ) T V C D F B
28 Eliminación de variables: Ejemplo con evidencia Proceso de eliminación: continuación Eliminando: T,,B T V C D F B P(v)P(f)P(T v)p(c f)p(b f)p( T,C)P( )P(d,B) P(v)P(f) ()P(T v)p(c f)p(b f)p( T,C)P(d,B) Eliminamos T T T (,C) P(T v)p( T,C) P(v)P(f) () T (,C)P(C f)p(b f)p(d,b) P(v)P(f) Eliminamos (C,B)P(C f)p(b f) Eliminamos B Normalización (C,B) r()t (,C)P(d,B) b (C) B(C,B)P(B f) B P(v)P(f)P(C f)b (C) P(C v,f,d)
29 Eliminación de variables: Ejemplo sin evidencia Ejemplo: Calcular P(D) Eliminaremos: V,F,,T,C,,B plicando el teorema de factorización: P(V)P(F)P(T V)P(C F)P(B F)P( T,C)P( )P(D,B) Eliminamos V V (T)P(F)P(C F)P(B F)P( T,C)P( )P(D,B) V V T (T) (T) F F (, C) Eliminamos F (C,B)P( T,C)P( )P(D,B) (C,B) F (C,B) Eliminamos ()P( T,C)P(D,B) Eliminamos T ()P(D,B) F F (C,B) P(C F)P(B F)P(F ) V V (T) P(T V)P(V) T V C D () P( ) T (,C) v(t)p( T,C) T F B
30 Eliminación de variables: Ejemplo con evidencia Ejemplo: Calcular P(D) Eliminaremos V,F,,T,C,,B Proceso de eliminación (continuación) P(V)P(F)P(T V)P(C F)P(B F)P( T,C)P( )P(D,B) V (T)P(F)P(C F)P(B F)P( T,C)P( )P(D,B) (T) (C,B)P( T,C)P( )P(D,B) V V T C (T) F (, C) (,B) (D,B) P(D) F (C,B) F (C,B) Eliminamos C ()P( T,C)P(D,B) ()P(D Eliminamos Eliminamos B ()P(D,B),B) (D,B) C(,B) ()P(D,B) P(D) T V C (,B) T(, C)F (C,B) C B C D F B (B,D)
31 Complejidad del lgoritmo de Eliminación Estudiemos la complejidad: En cada paso se calcula: X (Y, KY Entonces: k ) x ' X (X,Y, KY (X,Y, KY f (X,Y Para cada valor de Y, Y 2,..Y k acemos Val(X) sumas, por tanto el número total de sumas es Val(X) Val(Y )... Val(Y k ) Para cada valor de X,Y, Y 2,..Y k acemos m multiplicaciones, por tanto el número total de de multiplicaciones es de m Val(X) Val(Y )... Val(Y k ) Por tanto: la complejidad es exponencial en el número de variables de los factores intermedios k ), Es necesario buscar buenos ordenes de eliminación de variables para reducir el tamaño de los factores intermedios. Sin embargo, el problema de buscar la ordenación óptima tiene también complejidad exponencial, por lo que se emplean diversas eurísticas. ' X k ) m i i i, KY il i )
32 esumen Las redes bayesianas permiten modelar la incertidumbre de forma probabilística incluso cuando el número de variables es elevado. Se basan en utilizar la noción de independencia para generar una representación compacta y modular de la distribución probabilística de las variables. La tarea fundamental en edes Bayesianas es la inferencia: conocer la distribución de unas variables cuando se observan otras. El problema general de inferencia en edes Bayesianas es NP-duro. Existen diversos algoritmos para resolver el problema de inferencia: exactos y aproximados.
REDES BAYESIANAS. O Redes de creencias
REDES BAYESIANAS O Redes de creencias Probabilidades conjuntas J: juega bolos. B: barre la casa todos los días. H: se dislocó el hombro. Introducción a RB Que son: Un grafo dirigido a cíclico (DAG) en
Más detallesBases Formales de la Computación: Redes de Bayes (segunda parte)
Bases Formales de la Computación: Redes de Bayes (segunda parte) Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Cali Periodo 2008-2 Razonamiento en Redes de Bayes
Más detallesTeoría de probabilidades
Modelos Probabilistas Teoría de probabilidades Teoría de probabilidades Definiremos como probabilidad a priori (P(a)) asociada a una proposición como el grado de creencia en ella a falta de otra información
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Redes Bayesianas: Parte I Introducción Representación Inferencia Propagación
Más detallesModelos Gráficos Probabilistas L. Enrique Sucar INAOE. Sesión 10: Redes Bayesianas Inferencia. 1era parte. [Neapolitan 90]
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 10: Redes Bayesianas Inferencia 1era parte [Neapolitan 90] Inferencia en Redes Bayesianas Introducción Clases de algoritmos 1era Parte Propagación
Más detallesSIMULACION. Urna 1. s(x) h(x) Urna 2. s(x) Dado. Urna /6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6 Dado 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6
SIMULACION x p(x) x h(x) 6 4 5 2 3 Urna /6 2 /6 3 /6 4 /6 5 /6 6 /6 Dado /6 2 /6 3 /6 4 /6 5 /6 6 /6 x p(x) x h(x) s(x) 4 5 2 3 Urna 2 0.2 2 0.2 3 0.2 4 0.2 5 0.2 6 0.0 Dado /6.2 2 /6.2 3 /6.2 4 /6.2 5
Más detallesRazonamiento probabilístico y redes bayesianas
Razonamiento probabilístico y redes bayesianas Clasificador bayesiano Representación y semántica de las RB Blanca A. Vargas Govea vargasgovea@itesm.mx Octubre 12, 2012 Correcciones al ejercicio de clase
Más detallesInteligencia Artificial II Razonamiento Bayesiano
Inteligencia Artificial II Razonamiento Bayesiano Dr. Alejandro Guerra-Hernández Universidad Veracruzana Centro de Investigación en Inteligencia Artificial mailto:aguerra@uv.mx http://www.uv.mx/personal/aguerra
Más detallesInteligencia Artificial II (Curso ) Ejercicios propuestos del tema 3
Inteligencia rtificial II (urso 2012-2013) jercicios propuestos del tema 3 jercicio 1: Supongamos que tenemos cinco variables aleatorias,,, y, tales que: ˆ es independiente de. ˆ es independiente de y
Más detallesRedes Bayesianas (3) Carlos Hurtado L. Depto. de Ciencias de la Computación, Universidad de Chile
Redes Bayesianas (3) Carlos Hurtado L. Depto. de Ciencias de la Computación, Universidad de Chile Referencia Tutorial NIPS (Neural Information Processing Systems Conference) 2001: Learning Bayesian Networks
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que razonan bajo incertidumbre Introducción Repaso de probabilidad
Más detallesManejo de Incertidumbre
Inteligencia Artificial Manejo de Incertidumbre Sesión 7 Eduardo Morales / L. Enrique Sucar Introducción Los sistemas inteligentes deben ser capaces de representar y razonar con incertidumbre. Existen
Más detallesInferencia Exacta: Ejemplo
Inferencia Exacta: Ejemplo Inferencia en Redes Bayesianas La distribución de probabilidad conjunta de la red sería: P(D, A, S, F, I ) = P(I S, F )P(F )P(S D, A)P(D)P(A) Debemos calcular P(F I = si, D =
Más detallesRedes Bayesianas. Manuel Valenzuela-Rendón. Centro de Sistemas Inteligentes Tecnológico de Monterrey, Campus Monterrey.
Redes Bayesianas Manuel Valenzuela-Rendón Centro de Sistemas Inteligentes Tecnológico de Monterrey, Campus Monterrey Noviembre 2008 M. Valenzuela (Centro de Sistemas Inteligentes) Redes Bayesianas Noviembre
Más detallesExtensiones de los Modelos Gráficos (2010/2011)
Luis Valencia Cabrera lvalencia@us.es (http://www.cs.us.es/~lvalencia) Ciencias de la Computacion e IA (http://www.cs.us.es/) Extensiones de los Modelos Gráficos (2010/2011) Universidad de Sevilla Extensiones
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden: Clasificador Bayesiano Clasificación Clasificador
Más detallesIncertidumbre y conocimiento
Incertidumbre y conocimiento SI síntoma(p,dolor-de-muelas) ENTONCES enfermedad(p,caries) Expresa esta regla un conocimiento correcto? Quizás sería mejor un conocimiento más exhaustivo: SI sintoma(p,dolor-de-muelas)
Más detallesRedes bayesianas temporales para reconocimiento de escenarios
Redes bayesianas temporales para reconocimiento de escenarios Ahmed Ziani and Cina Motamed Visión de Alto Nivel Dr. Enrique Sucar Irvin Hussein López Nava Junio 2009 Introducción (1) Objetivo: aplicaciones
Más detallesMatemáticas Aplicadas a las Ciencias Sociales II. Comisión Permanente
Matemáticas Aplicadas a las Ciencias Sociales II. Comisión Permanente Centro de Profesores y Recursos Mérida, 22 febrero 2012 Enrique García, Jacinto Martín Índice 1 Informe 2 Contenidos 3 Criterios de
Más detallesTema 8: Introducción a las Redes Bayesianas
Inteligencia Artificial II Curso 2005 2006 Tema 8: Introducción a las Redes Bayesianas José L. Ruiz Reina Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla IA-II 2005
Más detallesTEMA 2: ÁLGEBRA 1. TEOREMA DEL RESTO Y APLICACIONES
TEMA 2: ÁLGEBRA 1. TEOREMA DEL RESTO Y APLICACIONES Dado un polinomio P(x) y un número real a, el resto de la división de P(x) entre (x a) es P(a) (es decir, el resultado de sustituir el valor de x por
Más detallesCurso de Inteligencia Artificial
Curso de Inteligencia Artificial Modelos Ocultos de Markov Gibran Fuentes Pineda IIMAS, UNAM Redes Bayesianas Representación gráfica de relaciones probabilísticas Relaciones causales entre variables aleatorias
Más detallesPLANES CURRICULARES GRADO9º/ 01 PERIODO
PLANES CURRICULARES GRADO9º/ 01 PERIODO Grado: 9º Periodo: 01 PRIMERO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Gloria rueda y Jesús Vargas ESTANDARES P.A.I. I.B. A. Conocimiento
Más detallesRedes Bayesianas (1) Carlos Hurtado L. Depto. de Ciencias de la Computación, Universidad de Chile
Redes Bayesianas (1) Carlos Hurtado L. Depto. de Ciencias de la Computación, Universidad de Chile Referencia Bayesian networks without tears: making Bayesian networks more accessible to the probabilistically
Más detallesPor ello, son necesarios los sistemas expertos que traten situaciones de incertidumbre.
SISTEMAS EXPERTOS BASADOS EN PROBABILIDAD En las aplicaciones, la incertidumbre es lo común y no la excepción. Por ejemplo, una pregunta típica en diagnóstico médico es: dado que el paciente presenta unos
Más detallesUna pregunta pendiente
Una pregunta pendiente Cómo podemos construir un generador (casi) uniforme para una relación? Recuerde el problema KS definido en la sección anterior y la relación: R KS = {((~a, b), ~x) ~a 2 N n y ~x
Más detallesDr. Francisco Javier Tapia Moreno. Octubre 14 de 2015.
Dr. Francisco Javier Tapia Moreno Octubre 14 de 2015. Nuestra explicación anterior de intersecciones y uniones indica que nos interesa calcular las probabilidades de sucesos tales como A y B y A o B. Estos
Más detallesÁRBOLES CRISTIAN ALFREDO MUÑOZ ÁLVAREZ JUAN DAVID LONDOÑO CASTRO JUAN PABLO CHACÓN PEÑA EDUARDO GONZALES
ÁRBOLES CRISTIAN ALFREDO MUÑOZ ÁLVAREZ JUAN DAVID LONDOÑO CASTRO JUAN PABLO CHACÓN PEÑA EDUARDO GONZALES ÁRBOL Un árbol es un grafo no dirigido, conexo, sin ciclos (acíclico), y que no contiene aristas
Más detallesArboles de decisión. Area de Computación e Inteligencia Artificial
Arboles de decisión Teoría de la decisión Hemos estudiado las redes bayesianas como instrumento para el diagnóstico en presencia de incertidumbre. La idea ahora es aprovechar ese diagnóstico para decidir
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA Pablo Torres Facultad de Ciencias Exactas, Ingeniera y Agrimensura - Universidad Nacional de Rosario Unidad 2: Probabilidad INTRODUCCIÓN Al lanzar un dado muchas veces veremos
Más detallesNotación de probabilidad
Notación de probabilidad Se usarán mayúsculas para indicar variables estocásticas y minúsculas para indicar los valores que pueden tomar. P (A = verdadero) =P (A = a) =P (a) P (A = falso) =P (A = a) =P
Más detallesDesarrollo e impacto de la Estadística Bayesiana
Desarrollo e impacto de la Estadística Bayesiana Eduardo Gutiérrez Peña Departamento de Probabilidad y Estadística Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas Universidad Nacional
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 detallesClasificación Bayesiana
Clasificación Bayesiana Naive Bayes septiembre 30, 2014 Ricardo Corral Corral rcorral@email.ifc.unam.mx Instituto de Fisiología Celular Universidad Nacional Autónoma de México Temas 1 Introducción Conceptos
Más detallesProbabilidad, Variables aleatorias y Distribuciones
Prueba de evaluación continua Grupo D 7-XII-.- Se sabe que el 90% de los fumadores llegaron a padecer cáncer de pulmón, mientras que entre los no fumadores la proporción de los que sufrieron de cáncer
Más detallesRAZONAMIENTO APROXIMADO
RAZONAMIENTO APROXIMADO EN LA INTELIGENCIA ARTIFICIAL Ingeniería del Conocimiento Ingeniería Electrónica REALIDAD El conocimiento que necesitamos para desarrollar un Sistema basado en Conocimiento tiene
Más detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad las reglas mátemáticas de la probabilidad no son simplemente reglas para calcular frecuencias de variables aleatorias;
Más detallesLímite de funciones. Por otra parte se dice que una función es discontínua si para algún (os) valor (es) de x no existe valor de y.
Límite de funciones El concepto de límite se explica y define desde diferentes perspectivas en los libros de cálculo. Se habla por ejemplo del límite de una sucesión (como ya se explicó), o bien del límite
Más detallesInteligencia Artificial Razonamiento probabilístico
Inteligencia Artificial Razonamiento probabilístico Primavera 2008 profesor: Luigi Ceccaroni Inferencia probabiĺıstica Modelos Probabilistas Inferencia probabiĺıstica Las leyes de la probabilidad permiten
Más detallesTema 2. Fundamentos Teóricos de la. programación dinámica Teorema de Optimalidad de Mitten
Tema 2 Fundamentos Teóricos de la Programación Dinámica 2.1. Teorema de Optimalidad de Mitten El objetivo básico en la programación dinámica consiste en descomponer un problema de optimización en k variables
Más detalles4.2 Reducción de orden
4. educción de orden 87 Un conjunto de funciones f y ; y g que cumple con la condición anterior se llama un conjunto fundamental de soluciones. Es decir, un conjunto f y ; y g será un conjunto fundamental
Más detallesMatemáticas Aplicadas a las Ciencias Sociales II. Comisión Permanente
Matemáticas Aplicadas a las Ciencias Sociales II. Comisión Permanente Centro de Profesores y Recursos Mérida, 24 febrero 2011 Enrique García, Jacinto Martín Índice 1 Informe 2 Contenidos 3 Criterios de
Más detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad Considero que la probabilidad representa el estado de la mente con respecto a una afirmación, evento u otra cosa para
Más detallesUniversidad Mariano Gálvez Estadística y probabilidad para Ingeniería Sección B. UNIDAD 2 PROBABILIDAD
Universidad Mariano Gálvez Estadística y probabilidad para Ingeniería Sección B. UNIDAD 2 PROBABILIDAD PRESENTA DRA. EN ING. RITA VICTORIA DE LEÓN ARDÓN 2.Trabajo en equipo 3. Estudio independiente 1.
Más detallesBreve introducción a la Investigación de Operaciones
Breve introducción a la Investigación de Operaciones Un poco de Historia Se inicia desde la revolución industrial, usualmente se dice que fue a partir de la segunda Guerra Mundial. La investigación de
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesArboles de decisión. Area de Computación e Inteligencia Artificial
Arboles de decisión 1 Teoría de la decisión Hemos estudiado las redes bayesianas como instrumento para el diagnóstico en presencia de incertidumbre. La idea ahora es aprovechas ese diagnóstico para decidir
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 detallesCÁLCULO DIFERENCIAL E INTEGRAL I EVALUACIÓN DE RECUPERACIÓN E0900
CÁLCULO DIFERENCIAL E INTEGRAL I EVALUACIÓN DE RECUPERACIÓN E0900 (1) La posición vertical de una pelota está dada por h(t) = 128 + 16t 16t 2 en donde t se mide en segundos y h(t) se mide en pies. Durante
Más detallesSistemas Expertos basados en probabilidad (2011/2012)
Luis Valencia Cabrera (coordinador) lvalencia@us.es (http://www.cs.us.es/~lvalencia) Manuel García-Quismondo mgarciaquismondo@us.es (http://www.cs.us.es/~mgarcia) Ciencias de la Computacion e IA (http://www.cs.us.es/)
Más detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Industrial (EST-121) NUMERO DE CREDITOS
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesDEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística
PROGRAMA DE CURSO Modelo 2009 DEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística PROFESIONAL ASOCIADO Y LICENCIATURA
Más detallesTareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Más detalles5 DISTRIBUCIONES BINOMIAL Y DE POISSON
5 DISTRIBUCIONES BINOMIAL Y DE POISSON La repetición sucesiva de n pruebas (ensayos) de BERNOUILLI de modo independiente y manteniendo constante la probabilidad de éxito p da lugar a la variable aleatoria
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detalles2 de mar de 2004 Codificación de imágenes y v ideo
Teoría de la Información 2 de mar de 2004 Codificación de imágenes y v ideo 2 de mar de 2004 Codificación de imágenes y video 2 El clima en el Río de la Plata...... N L N N L S N... N L L T L L L... N
Más detallesTECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN
TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN FUNDAMENTOS CURSO DE DOCTORADO Dr. Ramón García-Martínez * * * CONTEXTO La inteligencia de negocio propone un abordaje interdisciplinario que tomando:
Más detallesSistemas Expertos basados en probabilidad (2010/2011)
Luis Valencia Cabrera lvalencia@us.es (http://www.cs.us.es/~lvalencia) Ciencias de la Computacion e IA (http://www.cs.us.es/) Universidad de Sevilla Sistemas Expertos basados en probabilidad (2010/2011)
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesTema 3 Algebra. Ecuaciones. Sistemas de ecuaciones: Inecuaciones Índice
Tema 3 Algebra. Ecuaciones. Sistemas de ecuaciones: Inecuaciones Índice 1. ECUACIONES... 2 1.1. Ecuaciones de primer grado... 2 1.2. Ecuaciones de segundo grado... 3 1.2.1. Ecuación de segundo grado completa...
Más detallesTema 4. Probabilidad Condicionada
Tema 4. Probabilidad Condicionada Presentación y Objetivos. En este tema se dan reglas para actualizar una probabilidad determinada en situaciones en las que se dispone de información adicional. Para ello
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
Más detallesTema 3: Expresiones algebraicas
.1 Polinomios Tema : Expresiones algebraicas Determina cuáles de las siguientes expresiones son polinomios. Cuando lo sean, dí cuáles son sus monomios(términos), su grado, término principal, término independiente,
Más detallesBúsqueda de soluciones
úsqueda de soluciones Diseño de sistemas de búsqueda de soluciones. Espacio de estados. Representación mediante espacio de estados. lgoritmos de búsqueda. Estrategias de búsqueda. úsqueda forward. úsqueda
Más detallesSesión 14: Redes de Decisión
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 14: Redes de Decisión un agente racional ideal es aquel que, para cada posible secuencia de percepciones, realiza la acción que maximiza su
Más detallesPulse para añadir texto
MATEMÁTICAS º PRIMARIA FRACCIONES Pulse para añadir texto C.E.I.P. DIVINO SALVADOR. ÍNDICE Significados del concepto de fracción Fracciones equivalentes: concepto y propiedad fundamental Obtención de fracciones
Más detallesRazonamiento bajo incertidumbre
Inteligencia en Redes de Comunicaciones Razonamiento bajo incertidumbre Julio Villena Román jvillena@it.uc3m.es Razonamiento humano En el razonamiento humano hay que trabajar con la incertidumbre: la información
Más detallesTEMA 5. Probabilidad
TEMA 5. Probabilidad Alicia Nieto Reyes BIOESTADÍSTICA Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 5. Probabilidad 1 / 7 Hasta ahora hemos aprendido a describir datos mediante: gráficas (histogramas y diagramas
Más detalles1. Los números reales. 2. Representación. 3. Densidad de los números racionales. 4. Propiedades de los números reales
EJES ARTICULADORES Y PRODUCTIVOS DEL AREA SISTEMA DE CONOCIMIENTOS GRADO: 10 11 1. Los números reales 1. Desigualdades. 2. Representación 2. Propiedades. 3. Densidad de los números racionales 4. Propiedades
Más detallesGuía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA
1. Introducción Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA Los análisis económicos y empresariales se efectúan sobre la base de la toma de decisiones, las cuales se toman a partir de la información
Más detallesProcesos estocásticos Cadenas de Márkov
Procesos estocásticos Cadenas de Márkov Curso: Investigación de Operaciones Ing. Javier Villatoro PROCESOS ESTOCASTICOS Procesos estocásticos Es un proceso o sucesión de eventos que se desarrolla en el
Más detallesDistribución conjunta de variables aleatorias
Distribución conjunta de variables aleatorias En muchos problemas prácticos, en el mismo experimento aleatorio, interesa estudiar no sólo una variable aleatoria sino dos o más. Por ejemplo: Ejemplo 1:
Más detallesCuáles son las características aleatorias de la nueva variable?
Apuntes de Estadística II. Ingeniería Industrial. UCAB. Marzo 203 CLASES DE ESTADÍSTICA II CLASE 5) UNA TRANSFORMACIÓN DE DOS VARIABLES. Sea Z = g(, ) una función de las variables aleatorias e, tales que
Más detallesNo se permiten libros ni apuntes. Ejercicio 1 Ejercicio 2 Ejercicio 3 Ejercicio 4 TOTAL NOTA
PLLID: MR: o se permiten libros ni apuntes jercicio 1 jercicio 2 jercicio 3 jercicio 4 TTL T jercicio 1: [XX puntos: respuesta acertada = +2, respuesta incorrecta = 2] Complete las siguientes frases y
Más detallesTema 3: Expresiones algebraicas
Tema 3: Expresiones algebraicas Monomios y polinomios Un monomio es una expresión algebraica en las que las únicas operaciones que aparecen son la multiplicación y la potenciación de exponente natural.
Más detallesCarrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Más detallesPRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD
UNIDAD II PRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD Por: Prof. Gastón A. Pérez U. 2.3- PROBABILIDAD Y DISTRIBUCIÓN DE PROBABILIDAD 30 31 (2.3.2) DISTRIBUCIÓN DE PROBABILIDAD ES UNA DESCRIPCIÓN
Más detallesEste material es de uso exclusivo para clase de algoritmos y estructura de datos, la información de este documento fue tomada textualmente de varios
CLASE GRAFOS Este material es de uso exclusivo para clase de algoritmos y estructura de datos, la información de este documento fue tomada textualmente de varios libros por lo que está prohibida su impresión
Más detallesCapítulo 3. Polinomios
Capítulo 3 Polinomios 29 30 Polinomios de variable real 31 Polinomios de variable real 311 Evaluación de polinomios Para el cálculo eficiente de los valores de un polinomio se utiliza el algoritmo de Horner,
Más detallesIncertidumbre. Dr. Jesús Antonio González Bernal
Incertidumbre Universidad Politécnica de Puebla Dr. Jesús Antonio González Bernal Introducción In which we see what an agent should do when not all is crystal clear. R&N, pg 462 2 Introducción Sea la acción
Más detallessobre un intervalo si para todo de se tiene que. Teorema 1 Sean y dos primitivas de la función en. Entonces,
Integral indefinida Primitiva e integral indefinida. Cálculo de primitivas: métodos de integración. Integración por cambio de variable e integración por partes. Integración de funciones racionales e irracionales.
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 detallesMatemáticas B 4º E.S.O. Polinomios y fracciones algebraicas. 1. x 5x 2 6 5
Matemáticas B 4º E.S.O. Polinomios y fracciones algebraicas. 1 POLINOMIOS Y FRACCIONES ALGEBRAICAS.1 COCIENTE DE POLINOMIOS COCIENTE DE MONOMIOS El cociente de un monomio entre otro monomio de grado igual
Más detallesPOLINOMIOS Y DIVISIÓN DE POLINOMIOS MATEMÁTICAS 3º ESO
POLINOMIOS Y DIVISIÓN DE POLINOMIOS MATEMÁTICAS 3º ESO Dado que los polinomios se utilizan para describir curvas de diferentes tipos, la gente los utiliza en el mundo real para dibujar curvas. Por ejemplo,
Más detallesMétodo simplex para redes (representaciones gráficas) Cálculo del flujo de un árbol de expansión
. 7 Árbol con ofertas y demandas. (Suponemos que el flujo de los demás arcos es igual a ) Método simplex para redes (representaciones gráficas) 6 - flujo en el arco (,)? Método simplex para redes (representaciones
Más detallesAPRENDIZAJE PROBABILÍSTICO NAIVE BAYES
1 APRENDIZAJE PROBABILÍSTICO NAIVE BAYES Bases de Datos Masivas 9 de Noviembre de 2016 2 Razonamiento Probabilístico Es una herramienta de aprendizaje estadístico. Se trata de razonar en un contexto incierto;
Más detallesFundamentos matemáticos. Tema 1 Números reales. Polinomios
Grado en Ingeniería agrícola y del medio rural Tema 1 Números reales. Polinomios José Barrios García Departamento de Análisis Matemático Universidad de La Laguna jbarrios@ull.es 2017 Licencia Creative
Más detallesFormulando con modelos lineales enteros
Universidad de Chile 19 de marzo de 2012 Contenidos 1 Forma de un problema Lineal Entero 2 Modelando con variables binarias 3 Tipos de Problemas Forma General de un MILP Problema de optimización lineal
Más detallesClase 4 Funciones polinomiales y racionales
Clase 4 Instituto de Ciencias Básicas Facultad de Ingeniería Universidad Diego Portales Marzo de 2014 Polinomios Definición Se llama polinomio en x a toda expresión de la forma p(x) = a 0 + a 1x+ +a n
Más detallesFilogenias. Charles Darwin (1859)
Filogenias Charles Darwin (1859) Filogenia Consiste en el estudio de las relaciones evolutivas entre diferentes grupos de organismos. Su inferencia implica el desarrollo de hipótesis sobre los patrones
Más detalles2. Recolección de información - Medidas de posición: moda, media aritmética, mínimo, máximo - Frecuencia absoluta, relativa y porcentual
Prueba Escrita de matemática / Nivel: Sétimo año 1. Estadística - Unidad estadística - Características - Datos u observaciones - Población - Muestra - Variabilidad de los datos - Variables cuantitativas
Más detallesEs una ecuación polinómica de grado uno con una o varias incógnitas. Por ejemplo, son ecuaciones lineales: 2x 3y 4z
1. Ecuación lineal Es una ecuación polinómica de grado uno con una o varias incógnitas. Por ejemplo, son ecuaciones lineales: x y 4z 8 x 6y z 5 7y z 1. Sin embargo, no son, ecuaciones lineales: x y z 1,
Más detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERÌA EN SISTEMAS ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERÌA EN SISTEMAS SEMESTRE ASIGNATURA 8vo TEORÍA DE DECISIONES CÓDIGO HORAS MAT-31314
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesJuan Carlos Colonia DISTRIBUCIONES MUESTRALES
Juan Carlos Colonia DISTRIBUCIONES MUESTRALES POBLACIÓN Es el conjunto de individuos u objetos que poseen alguna característica común observable y de la cual se desea obtener información. El número de
Más detallesUNIDAD 1: NÚMEROS NATURALES OBJETIVOS
UNIDAD 1: NÚMEROS NATURALES Realizar las operaciones con números naturales (suma, resta, multiplicación y división) y operaciones combinadas de las anteriores. Diferenciar entre división exacta y entera,
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 detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detalles