Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012
|
|
- Elisa San Martín Campos
- hace 8 años
- Vistas:
Transcripción
1 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Métodos Computacionales Alvaro J. Riascos Villegas Universidad de los Andes y Quantil Marzo 14 de 2012 Métodos Computacionales Alvaro Riascos
2 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R 1 Motivación 2 Métodos computacionales 3 Integración de Montecarlo 4 Muestreo de Gibbs 5 Rejection 6 Muestreo Importante 7 Metropolis - Hasting 8 Markov Chain Montecarlo Method 9 Complemento ejemplos libro: Bayesian Computation with R Métodos Computacionales Alvaro Riascos
3 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Motivación Dado que el objetivo por excelencia del análisis Bayesiano es la distribución posterior de los parámetros es necesario poder calularla y hacer calculos con ella. Usualmente se necesita: 1 Distribución marginal de los datos. 2 Distribución predictiva. 3 Estimadores puntuales, etc. En general los problemas principales son: 1 Cómo generar muestras aleatorias de la distribución expost? 2 Cómo calcular integrales con respecto a la distribución expost? Métodos Computacionales Alvaro Riascos
4 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Métodos computacionales Los principales métodos que vamos a estudiar son: 1 Integración de Montecarlo. 2 Muestreo de Gibbs. 3 Rejection. 4 Muestreo Importante. 5 Metropolis Hasting. 6 Markov Chain Montecarlo Method (MCMM) Métodos Computacionales Alvaro Riascos
5 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Integración de Montecarlo Sea θ 1,..., θ S una muestra aleatoria (i.e., independiente) de la distribución expost p(θ y). Sea g cualquier función de θ. Entonces: ĝ S = 1 S S g k=1 ( θ k) E [g(θ y)] (1) Métodos Computacionales Alvaro Riascos
6 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Muestreo de Gibbs En ocasiones no es fácil generar una muestra independiente de p(θ y) El siguiente método explota una forma especial de expresar la distribución expost. Supongamos que θ = (θ 1, θ 2 ) entonces: p(θ y) = p(θ 1 θ 2, y)p(θ 2 y) (2) p(θ y) = p(θ 2 θ 1, y)p(θ 1 y) (3) y es posible que sea más fácil generar una muestras de las distribuciones condicionales expost. Métodos Computacionales Alvaro Riascos
7 Ejemplo: Regresión Lineal con Priors Independientes Considere el modelo de regresión lineal en el que la distribución muestral es Normal. Suponga que la prior conjunta es el producto de la marginales (prior independiente). Si la prior de β es Normal y la prior de τ es Gamma la distribución expost no tiene una forma anaĺıtica conocida. Sin embargo, las distribuciones condicionales de la posterior si son calculables. 1 La distribución condicional expost de β es normal multivariada. 2 La distribución condicional de τ es Gamma. El método de muestreo de Gibbs capitaliza en esta estructura.
8 Algoritmo de Gibbs Suponga que sabemos generar muestras aleatorias de todas las distribuciones posterior condicionales de p (θ y) Seleccione un paramétro de incio θ 0 1 Genere θ1 s usando p ( θ 1 y, θ s 1 ) 1 ) 2 Genere θ2 (θ s y, usando p 2 θ s 1, θ s 1 {1,2} 3 Genere θn 1 s usando p ( ) θ n y, θ s 1,..., θn 1 s 4 Repita este procedimiento para cada i hasta obtener θ s. 5 Elimine las primeras S 0 simulaciones para independizar el resultado de la escogencia inicial de los parámetros. De la misma forma que el método de integración de Montecarlo: ĝ S = 1 S S 0 S k=s 0 +1 g ( θ k) E [g(θ y)] (4)
9 Algoritmo de Gibbs Consideremos de nuevo el caso de dos parámetros (o bloques de parámetros): (θ 1, θ 2 ) Usando el algoritmo debemos: 1 Seleccione un paramétro de incio ( θ1 0, ) θ0 2 2 Generar θ1 1 usando p ( ) θ 1 y, θ Generar θ2 1 usando p ( ) θ 2 y, θ En este momento hemos generado ( θ1 1, ) θ1 2 5 Repetimos el procedimiento usando ( θ1 1, ( 2) θ1 en vez de θ 0 1, θ2) 0. 6 Hacemos esto S veces.
10 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Rejection Suponga que queremos generar una muestra de la distribución expost para la cual podemos incluso desconocer la constante de normalización. Supongamos que podemos encontrar una función de densidad P(θ) tal que: 1 Sea fácil obtener realizaciones de P. 2 Sea similar a la posterior en términos de media y dispersión. 3 Existe una contantes c tal que: p(θ y) c P(θ) Métodos Computacionales Alvaro Riascos
11 Rejection Ahora siga el siguiente algoritmo: 1 Simule de forma independiente x de una distribución uniforme U en el intervalo [0, 1] y θ de la distribución P. 2 Si x p(θ y) acepte la simulación. Caso contrario se rechaza. c P(θ) 3 Repetir el procedimiento hasta obtener muchas simulaciones aceptables. Informalmente, un buen algoritmo de rechazo es uno en el que se rechazan pocas simulaciones.
12 Rejection: Intuición Suponga que f es una idstribución con soporte en [a, b], f (x) m para todo x. El objetivo es simular la distribución f. Sea X uniforme en [a, b] y Y uniforme en [0, m] Sea x una realización de X y y una realización de Y. Si y < f (x) acepte a simulación x como una simulación de f (x) Gráficamente el efecto que tiene es hacer que las simlaciones uniformes en [a, b] [0, m] de X Y las acepta únicamente cuando está bajo el área de la densidad f. La versión del algoritmo general presentado anteriormente simplemente hace más eficiente este procedimiento.
13 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Muestreo Importante El algoritmo de muestreo importante está basado en el siguiente teorema. Sea g una distribución de la cual es fácil obtener realizaciones y θ s simulaciones de g. Definamos los pesos w(θ s ) = p(θs y) q(θ s ) Entonces: 1 w(θ s )g(θ s ) E[g(θ) y] (5) S Métodos Computacionales Alvaro Riascos
14 Muestreo Importante Obsérvese que en en principio la función q es arbitraria. El problema con este método es que puede requerir de muchas simulaciones porque los pesos son casi cero para muchas simulaciones. Luego para que sea eficiente la función g debe ser aproximadamente igual a la posterior. Obsérvese que la idea del algoritmo es darle más pesos a aquellas realizaciones de θ s tales que g(θ s ) se aproxima a p(θ s y).
15 Muestreo Importante: Intuición Obsérvese que dada una distribución cualquiera con densidad q y el mismo soporte de p(θ s y) entonces: E[g(θ) y] = Θ g(θ)p(θ y) q(θ)dθ (6) q(θ) Podemos multiplicar y dividir dentro de la integral que define E[g(θ)] y apelar de nuevo al método de inegración de Montecarlo esta vez generando simulaciones con la distribución q.
16 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Metropolis - Hasting Al igual que el método de Gibbs, este algoritmo es un ejemplo de Markov Chain Montecarlo Methods(MCMM). En este, la distribución que se utiliza para generar una realización depende de la simulación anterior. Tiene tambien similitudes con el algoritmo de muestreo importante. En este se reduce el peso de simulaciones que generan valores de la densidad muy diferentes a los que se obtienen de la función de muestreo importante. En MH a todas las simulaciones se les da el mismo peso pero no todas son aceptables. Métodos Computacionales Alvaro Riascos
17 Metropolis - Hasting Sea q(θ θ ) una función de distribución sobre θ que depende de θ. Esta se denomina la función de densidad candidata (juega un papel similar a la distribución de muestreo importante en el algoritmo anterior). Seleccione un paramétro de incio θ 0. 1 Genere un candidato θ usando q(θ s 1 θ ). 2 Calcule la probabilidad de aceptación α(θ s 1 θ ). 3 Defina θ s = θ con probabilidad α(θ s 1 θ ) y θ s = θ s 1 con probabilidad 1 α(θ s 1 θ ). 4 Repita este procedimiento para cada i hasta obtener θ s. 5 Elimine las primeras S 0 simulaciones para independizar el resultado de la escogencia inicial de los parámetros. 6 Utilice las simulaiones para calcular la integral de la misma forma que en método de Montecarlo. Ahora definimos la probabilidad de aceptación.
18 Metropolis - Hasting La probabilidad de aceptación se define de la siguiente forma: { p(θ α(θ s 1 θ y) q(θ θ s 1 ) } ) = mín p(θ s 1 y) q(θ s 1 θ ), 1 (7)
19 Metropolis - Hasting: simétrico Una pregunta importante es que densidad q utilizar como candidata. Algunos candidatos importantes son: Muestreo de metropolis o simétrico. Corresponde al caso en el que q(θ θ s 1) = q(θ s 1 θ). En este caso la función de aceptación no depende de la densidad de candidatos. { p(θ α(θ s 1 θ } y) ) = mín p(θ s 1 y), 1 (8) Ejemplos de densidades candidatas simétricas son: q(θ θ s 1) = f ( θ θ s 1 ) donde f s cualquier densidad.
20 Metropolis - Hasting: Independiente y caminata aleatoria El caso independiente corresponde al caso en que q ( θ s 1 θ) = f (θ) Esta versión del algoritmo es útil cuando existe una aproximación adecuada de la posterior que podemos usar como candidato a densidad generadora. En este caso el algoritmo se reduce a un algoritmo de muestreo importante (véase Koop, página 95). El caso de la caminata aleatorio corresponde al caso en que θ = θ s 1 + z donde z es una variable aleatoria con cualquier distribución independiente de las variables θ. Si la distribución es simétrica alrededor de cero entonces es un caso de distribució simétrica. Esta caso es útil cuando se tiene no se conoce una aproximación adecuada de la densidad de la posterior.
21 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Markov Chain Montecarlo Method Un proceso estocástico {X t } t=0,1.. con valores en un conjunto finito S es un conjunto finito S = {s 1,...s S } si la secuencia de variables aleatorias satisface la Propiedad de Markov: Para todo s S y t 1, P(X t+1 = s X t, X t 1,...X 0 ) = P(X t+1 = s X t ) En este caso definimos π 0 como la función de distribución (discreta) de X 0 (lo representamos con un vector fila) y P i,j = P(X t+1 = s j X t = s i ) Métodos Computacionales Alvaro Riascos
22 Markov Chain Montecarlo Method Nótese que gracias a la propiedad de Markov la definición anterior es independiente del período t. Estas se llaman cadenas homogéneas. La matriz P de coeficientes reales S S es una matriz estocástica si todos sus elementos son positivos y las filas suman 1. Sea π n la distribucion no condicional de estar en el periodo n en cada uno de los estados. Entonces: π n = π 0 P Un distribución π es estacionaria si π t+1 = π t. Decimos que la cadena de Markov es asyntoticamente estacionaria si para toda distribución inicial π 0, ĺım t π t existe y π = ĺım t π t es una distribucion estacionaria de la cadena.
23 Markov Chain Montecarlo Method Simular una cadena de Markov es fácil si se puede simular la distribución inicial y de la probabilidad de transición (esto último es trivial en el caso de cadenas pero no en el caso general de procesos de Markov). La relevancia para el análisis Bayesiano consiste en poder identificar la distribución de interes (posterior) como la distribución estacionaria de una cadena de Markov asintóticamente estacionaria. El método de muestreo de Gibbs y Metropolis - Hasting son ejemplos de cadenas de Markov.
24 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian Computation with R Complemento ejemplos libro Example (Distribucion muestral experimento de Bernoulli) Si en un experimento de Bernoulli la probabilidad de 1 es p, entonces una muestra de tamaño y {0, 1} n con s unos y f ceros, n = s + f la distribución muestral es: p(y p) = p s (1 p) f (9) Métodos Computacionales Alvaro Riascos
25 Complemento ejemplos libro Example (Prior discreta beta) Supongamos que la prior sobre el parámetro el P(θ) θ a 1 (1 θ) b 1 Entonces: µ = E [p] = a a + b µ(1 µ) Var [p] = a + b + 1 (10) (11)
SIMULACIÓN MCMC. Dr. Holger Capa Santos
SIMULACIÓN MCMC Dr. Holger Capa Santos Septiembre, 2009 CONTENIDO Integración Montecarlo Problema con la Integración Montecarlo Muestreo de Importancia Algoritmos de Metropolis y Metropolis-Hastings Muestreador
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesMatrices equivalentes. El método de Gauss
Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar
Más detallesESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS
ESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS DESCRIPCIÓN DEL TEMA: 10.1. Introducción. 10.2. Método de las transformaciones. 10.3. Método de inversión. 10.4. Método de aceptación-rechazo.
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detallesTema 2. Espacios Vectoriales. 2.1. Introducción
Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por
Más detalles8. Estimación puntual
8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detallesMétodos generales de generación de variables aleatorias
Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad
Más detallesTema 3. Espacios vectoriales
Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesTema 1: Test de Distribuciones de Probabilidad
Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).
Más detallesEjemplo: Ing. Raúl Canelos. Solución CONFIABILIDAD SEP 1
Ejemplo: Basándose en ciertos estudios una compañía a clasificado de acuerdo con la posibilidad de encontrar petróleo en tres tipos de formaciones. La compañía quiere perforar un pozo en determinado lugar
Más detallesTratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA
Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA NOTA: en toda esta práctica no se pueden utilizar bucles, para que los tiempos de ejecución se reduzcan. Esto se puede hacer
Más detallesNotas en Eonomía de la Información *
Notas en Eonomía de la Información * Alvaro J. Riascos Villegas Universidad de los Andes Octubre de 2014 (segunda versión) Índice 1. Introducción 2 2. Selección adversa 4 2.1. Información simétrica........................
Más detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detallesCadenas de Markov y Perron-Frobenius
Cadenas de Markov y Perron-Frobenius Pablo Lessa 10 de octubre de 2014 1. Cadenas de Markov En 1996 Larry Page y Sergey Brin, en ese momento en Stanford, inventaron una manera de asignar un ranking de
Más detallesESTIMACION DE INTERVALOS DE CONFIANZA
pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones
Más detallesCURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre
CURSO CERO Departamento de Matemáticas Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre Capítulo 1 La demostración matemática Demostración por inducción El razonamiento por inducción es una
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesTema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detallesTema 2 - Introducción
Tema 2 - Introducción 1 Tema 1. Introducción a la inferencia estadística Planteamientos y objetivos. Revisión de distribuciones multivariantes. Esperanza y varianza de sumas de v.a. independientes. Tema
Más detallesTema 2: Estimación puntual
Tema 2: Estimación puntual 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: estimador y estimación Insesgadez
Más detallesProblemas indecidibles
Capítulo 7 Problemas indecidibles 71 Codificación de máquinas de Turing Toda MT se puede codificar como una secuencia finita de ceros y unos En esta sección presentaremos una codificación válida para todas
Más detallesIntegración por el método de Monte Carlo
Integración por el método de Monte Carlo Georgina Flesia FaMAF 7 de abril 2015 El método de Monte Carlo El método de Monte Carlo es un procedimiento general para estudiar procesos mediante la seleccion
Más detalles1. INVERSA DE UNA MATRIZ REGULAR
. INVERSA DE UNA MATRIZ REGULAR Calcular la inversa de una matriz regular es un trabajo bastante tedioso. A través de ejemplos se expondrán diferentes técnicas para calcular la matriz inversa de una matriz
Más detallesUNIDAD 4 PROCESOS DE MARKOV
UNIDAD 4 PROCESOS DE MARKOV Anteriormente se han cubierto modelos estáticos, esto es, modelos cuyos parámetros permanecen sin cambio a través del tiempo. Con excepción de programación dinámica donde se
Más detallesPrograma para el Mejoramiento de la Enseñanza de la Matemática en ANEP Proyecto: Análisis, Reflexión y Producción. Fracciones
Fracciones. Las fracciones y los números Racionales Las fracciones se utilizan cotidianamente en contextos relacionados con la medida, el reparto o como forma de relacionar dos cantidades. Tenemos entonces
Más detallesTema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor
Tema 5 Aproximación funcional local: Polinomio de Taylor Teoría Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una función resulta difícil de evaluar con exactitud,
Más detallesREPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL.
REPASO COCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓ ORMAL. Éste es un breve repaso de conceptos básicos de estadística que se han visto en cursos anteriores y que son imprescindibles antes de acometer
Más detalles2.2 Transformada de Laplace y Transformada. 2.2.1 Definiciones. 2.2.1.1 Transformada de Laplace
2.2 Transformada de Laplace y Transformada 2.2.1 Definiciones 2.2.1.1 Transformada de Laplace Dada una función de los reales en los reales, Existe una función denominada Transformada de Laplace que toma
Más detallesCurso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos
Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay
Más detallesTema 3: Aplicaciones de la diagonalización
TEORÍA DE ÁLGEBRA II: Tema 3. DIPLOMATURA DE ESTADÍSTICA 1 Tema 3: Aplicaciones de la diagonalización 1 Ecuaciones en diferencias Estudiando la cría de conejos, Fibonacci llegó a las siguientes conclusiones:
Más detallesEspacios generados, dependencia lineal y bases
Espacios generados dependencia lineal y bases Departamento de Matemáticas CCIR/ITESM 14 de enero de 2011 Índice 14.1. Introducción............................................... 1 14.2. Espacio Generado............................................
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detalles1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde
Soluciones de la relación del Tema 6. 1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B1, p), donde p = P X = 1) = P la persona presente síntomas)
Más detallesSubespacios vectoriales en R n
Subespacios vectoriales en R n Víctor Domínguez Octubre 2011 1. Introducción Con estas notas resumimos los conceptos fundamentales del tema 3 que, en pocas palabras, se puede resumir en técnicas de manejo
Más detallesSIMULACION. Formulación de modelos: solución obtenida de manera analítica
SIMULACION Formulación de modelos: solución obtenida de manera analítica Modelos analíticos: suposiciones simplificatorias, sus soluciones son inadecuadas para ponerlas en práctica. Simulación: Imitar
Más detallesExperimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.
Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables
Más detallesLos polinomios. Un polinomio es una expresión algebraica con una única letra, llamada variable. Ejemplo: 9x 6 3x 4 + x 6 polinomio de variable x
Los polinomios Los polinomios Un polinomio es una expresión algebraica con una única letra, llamada variable. Ejemplo: 9x 6 3x 4 + x 6 polinomio de variable x Elementos de un polinomio Los términos: cada
Más detallesUniversidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción
V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA 5.1 Introducción En este capítulo nos ocuparemos de la estimación de caracteristicas de la población a partir de datos. Las caracteristicas poblacionales
Más detalles1. Dominio, simetría, puntos de corte y periodicidad
Estudio y representación de funciones 1. Dominio, simetría, puntos de corte y periodicidad 1.1. Dominio Al conjunto de valores de x para los cuales está definida la función se le denomina dominio. Se suele
Más detalles1 v 1 v 2. = u 1v 1 + u 2 v 2 +... u n v n. v n. y v = u u = u 2 1 + u2 2 + + u2 n.
Ortogonalidad Producto interior Longitud y ortogonalidad Definición Sean u y v vectores de R n Se define el producto escalar o producto interior) de u y v como u v = u T v = u, u,, u n ) Ejemplo Calcular
Más detallesMétodos Markov Chain Monte Carlo
Métodos Markov Chain Monte Carlo David J. Rios Optimización Combinatoria 19 de mayo del 2008 MCMC Introducción Que son Cadenas de Markov? Que es Monte Carlo? Que es Markov Chain Monte Carlo? Algoritmo
Más detallesMatrices. Definiciones básicas de matrices. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.mx
Matrices Definiciones básicas de matrices wwwmathcommx José de Jesús Angel Angel jjaa@mathcommx MathCon c 2007-2008 Contenido 1 Matrices 2 11 Matrices cuadradas 3 12 Matriz transpuesta 4 13 Matriz identidad
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 2
7 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería N N D).
Más detallesLos valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas:
Sobre los modelos lineales mixtos Ejemplo: Recuperación de infarto. Para estudiar las diferencias entre dos procedimientos diferentes de recuperación de pacientes de un infarto, se consideraron dos grupos
Más detallesDefinición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices Estructura del tema. Conceptos básicos y ejemplos Operaciones básicas con matrices Método de Gauss Rango de una matriz Concepto de matriz regular y propiedades Determinante asociado a una
Más detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 2
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería NND). a)
Más detalles1 Espacios y subespacios vectoriales.
UNIVERSIDAD POLITÉCNICA DE CARTAGENA Departamento de Matemática Aplicada y Estadística Espacios vectoriales y sistemas de ecuaciones 1 Espacios y subespacios vectoriales Definición 1 Sea V un conjunto
Más detallesIntegración de Monte Carlo Técnicas Avanzadas de Gráficos en 3D
Integración de Monte Carlo Técnicas Avanzadas de Gráficos en 3D Miguel Ángel Otaduy 26 Abril 2010 Contexto Cálculo de la integral de radiancia reflejada en la ecuación de rendering Cálculo de la integral
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detallesCadenas de Markov. http://humberto-r-alvarez-a.webs.com
Cadenas de Markov http://humberto-r-alvarez-a.webs.com Definición Procesos estocásticos: procesos que evolucionan de forma no determinista a lo largo del tiempo en torno a un conjunto de estados. Estos
Más detallesSelectividad Septiembre 2009 SEPTIEMBRE 2009. Opción A
SEPTIEMBRE 2009 Opción A 1.- Como cada año, el inicio del curso académico, una tienda de material escolar prepara una oferta de 600 cuadernos, 500 carpetas y 400 bolígrafos para los alumnos de un IES,
Más detallesProgramación Genética
Programación Genética Programación Genética consiste en la evolución automática de programas usando ideas basadas en la selección natural (Darwin). No sólo se ha utilizado para generar programas, sino
Más detallesUna invitación al estudio de las cadenas de Markov
Una invitación al estudio de las cadenas de Markov Víctor RIVERO Centro de Investigación en Matemáticas A. C. Taller de solución de problemas de probabilidad, 21-25 de Enero de 2008. 1/ 1 Introducción
Más detallesIntroducción a la Teoría de Probabilidad
Capítulo 1 Introducción a la Teoría de Probabilidad Para la mayoría de la gente, probabilidad es un término vago utilizado en el lenguaje cotidiano para indicar la posibilidad de ocurrencia de un evento
Más detallesMatrices Invertibles y Elementos de Álgebra Matricial
Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CCIR/ITESM 12 de enero de 2011 Índice 91 Introducción 1 92 Transpuesta 1 93 Propiedades de la transpuesta 2 94 Matrices
Más detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detallesPotencial eléctrico. du = - F dl
Introducción Como la fuerza gravitatoria, la fuerza eléctrica es conservativa. Existe una función energía potencial asociada con la fuerza eléctrica. Como veremos, la energía potencial asociada a una partícula
Más detallesDISTRIBUCIÓN BINOMIAL Y DISTRIBUCIÓN NORMAL
Capítulo 3 DISTRIBUCIÓN BINOMIAL Y DISTRIBUCIÓN NORMAL 3.1. Introducción Estudiaremos en este tema dos de las distribuciones de probabilidad más importantes y que son imprescindibles a la hora de adentrarnos
Más detallesEl modelo Ordinal y el modelo Multinomial
El modelo Ordinal y el modelo Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Motivación 1 Motivación 2 3 Motivación Consideramos las siguientes
Más detallesSelectividad Septiembre 2013 OPCIÓN B
Pruebas de Acceso a las Universidades de Castilla y León ATEÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJERCICIO Nº páginas Tablas OPTATIVIDAD: EL ALUNO DEBERÁ ESCOGER UNA DE LAS DOS OPCIONES Y DESARROLLAR
Más detalles1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1
5.1.3 Multiplicación de números enteros. El algoritmo de la multiplicación tal y como se realizaría manualmente con operandos positivos de cuatro bits es el siguiente: 1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0
Más detallesLección 4: Suma y resta de números racionales
GUÍA DE MATEMÁTICAS II Lección : Suma y resta de números racionales En esta lección recordaremos cómo sumar y restar números racionales. Como los racionales pueden estar representados como fracción o decimal,
Más detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detalles4 APLICACIONES LINEALES. DIAGONALIZACIÓN
4 APLICACIONES LINEALES DIAGONALIZACIÓN DE MATRICES En ocasiones, y con objeto de simplificar ciertos cálculos, es conveniente poder transformar una matriz en otra matriz lo más sencilla posible Esto nos
Más detallesSISTEMAS DE ECUACIONES LINEALES
SISTEMAS DE ECUACIONES LINEALES INTRODUCCIÓN En el presente documento se explican detalladamente dos importantes temas: 1. Descomposición LU. 2. Método de Gauss-Seidel. Se trata de dos importantes herramientas
Más detallesAnexo 1: Demostraciones
75 Matemáticas I : Álgebra Lineal Anexo 1: Demostraciones Espacios vectoriales Demostración de: Propiedades 89 de la página 41 Propiedades 89- Algunas propiedades que se deducen de las anteriores son:
Más detallesVariables aleatorias continuas
Variables aleatorias continuas Hemos definido que una variable aleatoria X es discreta si I X es un conjunto finito o infinito numerable. En la práctica las variables aleatorias discretas sirven como modelos
Más detallesProbabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.
Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma
Más detallesDescomposición factorial de polinomios
Descomposición factorial de polinomios Contenidos del tema Introducción Sacar factor común Productos notables Fórmula de la ecuación de segundo grado Método de Ruffini y Teorema del Resto Combinación de
Más detallesAsignatura: Econometría. Conceptos MUY Básicos de Estadística
Asignatura: Econometría Conceptos MUY Básicos de Estadística Ejemplo: encuesta alumnos matriculados en la UMH Estudio: Estamos interesados en conocer el nivel de renta y otras características de los estudiantes
Más detallesCapitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES. ÁLGEBRA PARA INGENIEROS (Solucionario)
Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES ÁLGEBRA PARA INGENIEROS (Solucionario) 2 Í N D I C E CAPÍTULO : MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES CAPÍTULO 2: ESPACIOS VECTORIALES
Más detallesMétodos Estadísticos 2.3. Distribuciones discretas de probabilidad
2.3. DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Parámetros de un problema Saber: Explicar el concepto de variable discreta. Explicar los conceptos y métodos de la distribución binomial, hipergeométrica,
Más detallesLecturas previas Cuando llegue a su primera sesión de laboratorio debe haber estudiado el contenido de la lectura que aparece a continuación.
Laboratorio 1 Medición e incertidumbre La descripción de los fenómenos naturales comienza con la observación; el siguiente paso consiste en asignar a cada cantidad observada un número, es decir en medir
Más detallesPROSAP-UTF/ARG/017/ARG Desarrollo Institucional para la Inversión
PROSAP-UTF/ARG/017/ARG Desarrollo Institucional para la Inversión ESTUDIO DE AMPLIACIÓN DEL POTENCIAL DE IRRIGACIÓN EN ARGENTINA Metodología de Simulación Montecarlo Julio 2014 Anexo: Metodología de Simulación
Más detallesGeneración de números aleatorios
Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad
Más detallesTratamiento borroso del intangible en la valoración de empresas de Internet
Tratamiento borroso del intangible en la valoración de empresas de Internet Mª Carmen Lozano Gutiérrez Federico Fuentes Martín Esta página está alojada por el Grupo EUMED.NET de la Universidad de Málaga
Más detallesCLASE10. Opciones Americanas Valuacion de Opciones Americanas.
CLASE. Opciones Americanas Valuacion de Opciones Americanas. Porque es atractiva una opcion americana? Cualquier producto derivado puede diseñarse como un producto de tipo americano simplemente añadiendo
Más detallesPruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León
Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJECICIO Nº Páginas OPTATIVIDAD: EL ALUMNO DEBEÁ ESCOGE UNA DE LAS DOS OPCIONES
Más detallesPrecio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.
Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes
Más detallesTema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice
Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice 1 Polinomios Dedicaremos este apartado al repaso de los polinomios. Se define R[x] ={a 0 + a 1 x + a 2 x 2 +... +
Más detallesUnidad 6. Distribuciones de probabilidad continua, muestreo y distribución de muestras
Unidad 6 Distribuciones de probabilidad continua, muestreo y distribución de muestras Introducción La unidad 5 se enfocó en el estudio de las distribuciones de probabilidad discreta, entre las cuales
Más detallesANALISIS MULTIVARIANTE
ANALISIS MULTIVARIANTE Es un conjunto de técnicas que se utilizan cuando se trabaja sobre colecciones de datos en las cuáles hay muchas variables implicadas. Los principales problemas, en este contexto,
Más detallesListas de vectores y conjuntos de vectores
Listas de vectores y conjuntos de vectores La explicación de los temas Dependencia lineal y Bases en el curso de Álgebra Lineal se puede basar en uno de los siguientes dos conceptos (o en ambos): ) listas
Más detallesEl Filtro de Partículas
El Filtro de Partículas José Antonio Camarena Ibarrola El Filtro de Partículas p.1/25 El Filtro de Partículas Método Monte Carlo (basado en muestreo) para inferir el estado de un sistema que evoluciona
Más detallesSISTEMAS DE NUMERACIÓN. Sistema decimal
SISTEMAS DE NUMERACIÓN Sistema decimal Desde antiguo el Hombre ha ideado sistemas para numerar objetos, algunos sistemas primitivos han llegado hasta nuestros días, tal es el caso de los "números romanos",
Más detallesMatemáticas 2º BTO Aplicadas a las Ciencias Sociales
Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD
Más detallesEnsayos Análisis Bayesiano del Modelo Poisson
Ensayos Análisis Bayesiano del Modelo Poisson Resumen Abstract Résumé En este artículo se hace un análisis bayesiano del modelo Poisson. Se aplica este modelo a accidentes aéreos fatales de los países
Más detallesUniversidad Simón Bolívar CO3121. Probabilidades para Ingenieros. Enero-Marzo 2010 Problemario I
Universidad Simón Bolívar CO3121. Probabilidades para Ingenieros. Enero-Marzo 2010 Problemario I 1. Supongamos que Ω = A B y P (A B) = 0.2. Hallar: (a) El máximo valor posible para P (B), de tal manera
Más detallesMódulo 9 Sistema matemático y operaciones binarias
Módulo 9 Sistema matemático y operaciones binarias OBJETIVO: Identificar los conjuntos de números naturales, enteros, racionales e irracionales; resolver una operación binaria, representar un número racional
Más detallesIntegración por fracciones parciales
Integración por fracciones parciales El cociente de dos polinomios se denomina función racional. La derivación de una función racional conduce a una nueva función racional que puede obtenerse por la regla
Más detallesAplicaciones Lineales
Aplicaciones Lineales Ejercicio Dada la matriz A = 0 2 0 a) Escribir explícitamente la aplicación lineal f : 2 cuya matriz asociada con respecto a las bases canónicas es A. En primer lugar definimos las
Más detallesUna desigualdad se obtiene al escribir dos expresiones numéricas o algebraicas relacionadas con alguno de los símbolos
MATEMÁTICAS BÁSICAS DESIGUALDADES DESIGUALDADES DE PRIMER GRADO EN UNA VARIABLE La epresión a b significa que "a" no es igual a "b ". Según los valores particulares de a de b, puede tenerse a > b, que
Más detallesCómo?: Resolviendo el sistema lineal homógeneo que satisfacen las componentes de cualquier vector de S. x4 = x 1 x 3 = x 2 x 1
. ESPACIOS VECTORIALES Consideremos el siguiente subconjunto de R 4 : S = {(x, x 2, x 3, x 4 )/x x 4 = 0 x 2 x 4 = x 3 a. Comprobar que S es subespacio vectorial de R 4. Para demostrar que S es un subespacio
Más detallesSistemas de Ecuaciones Lineales y Matrices
Sistemas de Ecuaciones Lineales y Matrices Oscar G Ibarra-Manzano, DSc Departamento de Area Básica - Tronco Común DES de Ingenierías Facultad de Ingeniería, Mecánica, Eléctrica y Electrónica Trimestre
Más detallesCORRELACIÓN Y PREDICIÓN
CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una
Más detalles