LOCALIZACIÓN DE PUNTOS DE AFOROS Y ESTIMACIÓN DE VOLÚMENES DE TRÁFICO UTILIZANDO REDES BAYESIANAS
|
|
- Eugenio Casado Maldonado
- hace 5 años
- Vistas:
Transcripción
1 E..S.I. de Caminos, Canales y Puertos Departamento de Ingeniería Civil y de la Edificación Área de Ingeniería e Infraestructura de los ransportes LOCALIZACIÓN DE PUNOS DE AFOROS Y ESIMACIÓN DE VOLÚMENES DE RÁFICO UILIZANDO García-Moreno Edificio Politécnico Avda Camilo José Cela s/n Ciudad Real eléfono: ext: 3298 santos.sanchez@uclm.es
2 ÍNDICE GENERAL Introducción Redes Bayesianas como herramienta para el análisis de la demanda de tráfico Conclusiones
3 ÍNDICE GENERAL Introducción Redes Bayesianas como herramienta para el análisis de la demanda de tráfico Conclusiones
4 INRODUCCIÓN Líneas de investigación del Equipo de ransportes de la Escuela de Caminos de Ciudad Real: Nueva formulación de un modelo de elección de rutas basada en distribuciones tipo Weibull Estimación y regeneración de matrices Redes Bayesianas Escaneo de matrículas Localización de aforos de tráfico Observabilidad Redes Bayesianas Escaneo de matrículas
5 INRODUCCIÓN Líneas de investigación del Equipo de ransportes de la Escuela de Caminos de Ciudad Real: Nueva formulación de elección un modelo de rutas basada en distribuciones tipo Weibull Estimación y regeneración de matrices Redes Bayesianas Escaneo de matrículas Localización de aforos de tráfico Observabilidad Redes Bayesianas Escaneo de matrículas
6 ÍNDICE GENERAL Introducción Redes Bayesianas como herramienta para el análisis de la demanda de tráfico Conclusiones
7 Herramienta para predecir flujos de tráfico Herramienta para localizar puntos de aforo
8 Herramienta para predecir flujos de tráfico Herramienta para localizar puntos de aforo
9 Redes Bayesianas como herramienta para predecir flujos de tráfico Definición de Red Bayesiana: par (G,P) G: Grafo acíclico dirigido Padres hijos Red Grafo P: Funciones de probabilidad condicionada P = { p x π ),..., p( π )} ( 1 1 x n n Red Bayesiana Gausiana n p( x) = P( π ) i= 1 Prob. condicionada Prob. conjunta x i i f( x) = (2π) n/ 2 1/ 2 exp{ 1/ 2( x µ ) 1 ( x µ )}
10 Redes Bayesianas como herramienta para predecir flujos de tráfico Hipotesis 1. Demanda entre pares (t i ) Variable Normal multivariada N(µ,Σ ) Correlación entre la demanda de los pares U: nivel de demanda total k i : peso relativo de cada par η i : variabilidad de la demanda Formulación: = U η t i = ku i + η i U = K I = σ KK + D η ) ( K I ) ( ) ( U, η U η
11 Redes Bayesianas como herramienta para predecir flujos de tráfico Hipotesis 2. Flujo en arcos (v a ) β 1 =0.6 β 2 =0.6 β 3 =0.4 v a = i β t ai v i a + 2 N µ a + βai( ti µ i), ψa i a v a i i = pikδ t ak i = β i k i β ai ai t i µ βai µ = βai µ + βai( ti µ i i i i) i i i V 1 =60 veh/h V = β + ε a ε =100 V/H V 2 =60 veh/h V 3 =45 veh/h =40+ε
12 LOCALIZACIÓN DE AFOROS Y ESIMACIÓN DE VOLÚMENES DE RÁFICO UILIZANDO Redes Bayesianas como herramienta para predecir flujos de tráfico Hipotesis 2. Flujo en arcos (v a ) Variable normal Formulación Matriz de medias Matriz de varianzas-covarianzas β + ε = V + i a a i i ai a a t N v 2, ) ( ψ µ β µ + = ε β I I V 0 + = ) ( ) ( ) ( )], [( ε β E K U E K U E V E + + = = ε ε β β β β β β D I I D I I V ), (
13 Redes Bayesianas como herramienta para predecir flujos de tráfico Actualización del valor de las variables Y y Z conjuntos de variables aleatorias con distribución normal multivariada con: µ = µ Y µ Z = Obtención de dato real (evidencia) Z = z se obtiene: µ Y Z = z Nueva función de densidad conjunta YY YZ YY ZY 1 ZZ ZY YZ ZZ 1 Y Z = z = µ Y +YZZZ( z µ z) =
14 Redes Bayesianas como herramienta para predecir flujos de tráfico Formulación BN-ME
15 Redes Bayesianas como herramienta para predecir flujos de tráfico Formulación bi-nivel (opción 1: BN-ME y SUE) Obtención de las proporciones p ik utilizando un procedimiento de asignación Nivel superior: Utilización del método propuesto de las Redes Bayesianas para obtener E [(, V)] y (, V) = Aforos Nivel inferior Obtención de las nuevas proporciones p ik* : Actualización Criterio de convergencia: OK E[(, V)] (, V) =
16 Redes Bayesianas como herramienta para predecir flujos de tráfico Formulación bi-nivel (opción 2) Alternativa al SUE: Definición: t i t ks ; demanda entre el origen k destino s Variables desagregadas v ijks ; flujo del nodo i al j que procede de k y va a s v a w ij : modelo de asignación con desagregación del flujo en arcos según su origen y destino β ai β ijks ; proporción del par k-s que circula entre i y j
17 Redes Bayesianas como herramienta para predecir flujos de tráfico Hipótesis: Equilibrio de Wardrop Minimización de la varianza Formulación (WMV): Red de Nguyen-Dupuis
18 Redes Bayesianas como herramienta para predecir flujos de tráfico Formulación bi-nivel (opción 2: BN-ME y WMV) Obtención de las proporciones Utilizando el método WMV Nivel superior: Utilización del método propuesto de las Redes Bayesianas para obtener E [(, V)] y (, V) = Aforos Actualización = ρ* + (1 ρ) * Criterio de convergencia: OK E[(, V)] (, V) =
19 Herramienta para predecir flujos de tráfico Herramienta para localizar puntos de aforo
20 Definición: Localización de puntos de aforo Método de la correlación Matriz de varianzascovarianzas Matriz de correlación Formulación Matriz de varianzascovarinazas Matriz de correlación Selección de la variable a observar Chequeo del valor de las varianzas restantes olerancia Actualización de la matriz de varianzascovarianzas µ 1 Y Z = z = µ Y +YZZZ( z µ z) Y Z = z = YY YZ 1 ZZ ZY
21 LOCALIZACIÓN DE AFOROS Y ESIMACIÓN DE VOLÚMENES DE RÁFICO UILIZANDO Recapitulación Definición: Localización de aforos Método de la correlación Modelo bi-nivel ME: Red Bayesiana Asignación: WMV Hipótesis Metodología pares origen-destino 423 arcos 183 nodos 80 aforos
22 ÍNDICE GENERAL Introducción Redes Bayesianas como herramienta para el análisis de la demanda de tráfico Conclusiones
23 CONCLUSIONES Las Redes Bayesianas (BN-ME): Son una buena herramienta para modelar la demanda. Además de la predicción de variables, ofrece sus incertidumbres. Permiten conocer la relación entre variables. Permiten determinar la ubicación optima de aforos. El modelo de asignación propuesto (WMV): Desagrega los flujos en arcos por orígenes y destinos. Ofrece más información que otros modelos. No necesita enumerar rutas.
24 CONCLUSIONES La aplicación bi-nivel (BN-ME y WMV): Resuelve de forma eficiente el problema de estimación de matrices y asignación de la demanda a partir de aforos de tráfico. Ha sido probada con éxito en redes de tamaño pequeño y mediano (Nguyen-Dupuis, Sioux Falls y Ciudad Real).
25 REFERENCIAS Castillo, E., Menéndez, J. M., and Sánchez-Cambronero, S. (2008). raffic estimation and optimal counting location without path enumeration using Bayesian networks. Special Issue on raffic Computational Models. Computer Aided Civil and Infrastructure Engineering, 23, 2. Castillo, E., Menéndez, J. M., and Sánchez-Cambronero, S. (2008). Predicting traffic flow using Bayesian Networks. ransportation Research B (In Press)
26 E..S.I. de Caminos, Canales y Puertos Departamento de Ingeniería Civil y de la Edificación Área de Ingeniería e Infraestructura de los ransportes LOCALIZACIÓN DE AFOROS Y ESIMACIÓN DE VOLÚMENES DE RÁFICO UILIZANDO García-Moreno Edificio Politécnico Avda Camilo José Cela s/n Ciudad Real eléfono: ext: 3298 santos.sanchez@uclm.es
Metodología para modelizar una red de tráfico en la que se van a obtener datos mediante la técnica del escaneo de matrículas
Metodología para modelizar una red de tráfico en la que se van a obtener datos mediante la técnica del escaneo de matrículas Santos Sánchez-Cambronero Ana Rivas Rosa M. Barba Lidia Ruiz-Ripoll Inmaculada
Más detallesTratamiento de la incertidumbre sobre los parámetros en redes Bayesianas Gaussianas
Tratamiento de la incertidumbre sobre los parámetros en redes Bayesianas Gaussianas Miguel A. Gómez-Villegas (α) Paloma Maín (α) Hilario Navarro (γ) y Rosario Susi (β) (α) Dpto. Estadística e Investigación
Más detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesVectores aleatorios (distribuciones multivariantes)
Vectores aleatorios (distribuciones multivariantes) Tema 9. Distribución conjunta de un vector aleatorio. Distribuciones marginales y condicionadas Ignacio Cascos Depto. Estadística, Universidad Carlos
Más detallesAnálisis multivariante II
Análisis multivariante II Tema 1: Introducción Pedro Galeano Departamento de Estadística Universidad Carlos III de Madrid pedro.galeano@uc3m.es Curso 2016/2017 Grado en Estadística y Empresa Pedro Galeano
Más detallesMODELIZACION DEL TRÁFICO utilizando técnicas t DISCRETIZACIÓN N DEL CONTINUO
Ingeniería e infraestructura de los Transportes Escuela Superior de Ingenieros, Universidad de Sevilla Francisco García Benítez MODELIZACION DEL TRÁFICO utilizando técnicas t de DISCRETIZACIÓN N DEL CONTINUO
Más detallesMÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Teoría
Más detallesPolítica Monetaria, Cambios de Régimen e Incertidumbre de la Inflación en Perú ( )
Política Monetaria, Cambios de Régimen e Incertidumbre de la Inflación en Perú (1949 2006) Paúl Castillo, Alberto Humala, Vicente Tuesta XXIV Encuentro de Economistas Gerencia de Estudios Económicos 13
Más detallesTema 3 Normalidad multivariante
Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesCalculando la matriz de covarianzas con la estructura de una red Bayesiana Gaussiana
Calculando la matriz de covarianzas con la estructura de una red Bayesiana Gaussiana Miguel A. Gómez-Villegas a, Rosario Susi b a Departamento de Estadística e Investigación Operativa, Universidad Complutense
Más detallesDistribuciones multivariadas
Distribuciones multivariadas Si X 1,X 2,...,X p son variables aleatorias discretas, definiremos la función de probabilidad conjunta de X como p(x) =p(x 1,x 2,...,x k )=P (X 1 = x 1,X 2 = x 2,...,X p =
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesTema 4: Variable Aleatoria Bidimensional
Curso 2016-2017 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones
Más detallesModelo origen destino para estimar el flujo de tráfico usando Algoritmos Genéticos
Modelo origen destino para estimar el flujo de tráfico usando Algoritmos Genéticos Milton R. Aldás S. 1, 2, Marco J. Flores C. 3. 1 Facultad de Diseño Arquitectura y Artes, Universidad Técnica de Ambato,
Más detallesSistemas de Reconocimiento de Patrones
Sistemas de Reconocimiento de Patrones p. 1/33 Sistemas de Reconocimiento de Patrones Luis Vázquez GTI - IIE Facultad de Ingeniería Universidad de la República Sistemas de Reconocimiento de Patrones p.
Más detallesTema 4: VARIABLE ALEATORIA N-DIMENSIONAL
Tema 4: VARIABLE ALEATORIA N-DIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar Concepto
Más detallesTécnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas
Técnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@upcomillas.es TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS
Más detallesProbabilidades y Procesos Estocásticos
Probabilidades y Procesos Estocásticos Resumen Control 3 Profesor Iván Rapaport Auxiliar Abelino Jiménez G. Universidad de Chile Indice General 1 Resumen de la Materia. Variable Aleatorias. Discretas y
Más detallesLA PREDICCIÓN DE LA DEMANDA EN EVALUACIÓN DE PROYECTOS
Seminario sobre evaluación económica de proyectos de transporte Madrid, 15 y 16 de noviembre LA PREDICCIÓN DE LA DEMANDA EN EVALUACIÓN DE PROYECTOS La predicción de la demanda en evaluación de proyectos
Más detallesModelo origen destino para estimar el flujo de tráfico usando algoritmos genéticos
Modelo origen destino para estimar el flujo de tráfico usando algoritmos genéticos Milton R. Aldás S. 1,2, Marco J. Flores C. 3 1 Facultad de Diseño Arquitectura y Artes, Universidad Técnica de Ambato,
Más detallesDiseño óptimo de estructuras. p. 1/30. mecánicas bajo incertidumbre en las cargas
Diseño óptimo de estructuras mecánicas bajo incertidumbre en las cargas Felipe Alvarez y Miguel Carrasco II Encuentro Núcleo Científico Milenio Sistemas Complejos de Ingeniería Universidad de Chile 15-16
Más detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
Más detalles4. Modelos Multivariantes
4. Curso 2011-2012 Estadística Distribución conjunta de variables aleatorias Definiciones (v. a. discretas) Distribución de probabilidad conjunta de dos variables aleatorias X, Y Función de distribución
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesMODELOS DE PREDICCIÓN DE PRECIOS DE ENERGÍA ELÉCTRICA A CORTO Y LARGO PLAZO
MODELOS DE PREDICCIÓN DE PRECIOS DE ENERGÍA ELÉCTRICA A CORTO Y LARGO PLAZO Carolina García-Martos (ETSII-UPM) María Jesús Sánchez (ETSII-UPM) Trabajo conjunto con los profesores Andrés M. Alonso (Universidad
Más detallesTEMA 5: REGRESION LINEAL
ESTADÍSTICA, CURSO 008 009 TEMA 5: REGRESION LINEAL REGRESION LINEAL SIMPLE. CORRELACION. REGRESION.. Regresió lieal simple Recta de regresió: y a + b.. Ajuste de ua recta de regresió Método de míimos
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesPROPUESTA DE MINOR 1 INGENIERÍA DE TRANSPORTE
PROPUESTA DE MINOR 1 INGENIERÍA DE TRANSPORTE Nombre del Minor Ingeniería de Transporte Transport Engineering del Minor Al completar el Minor el alumno sabrá formular y entender genéricamente problemas
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesRegresión Lineal. El modelo de regresión caracteriza la relación entre una variable respuesta que depende de k variables independientes o regresoras.
Regresión Lineal Los factores envueltos en la experimentación pueden ser de tipo cuantitativos o cualitativos Un factor cuantitativo es aquel que sus niveles pueden ser asociados con puntos dentro de una
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detallesModelos de regresión multinivel
Luis Guillermo Díaz Leonardo Trujillo Julio 2011 Estructura de datos multinivel Los investigadores de las ciencias sociales y naturales, se enfrentan al problema de modelar estructuras de datos complejas,
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesRepaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
Más detallesModelos Ocultos de Markov Continuos
Modelos Ocultos de Markov Continuos José Antonio Camarena Ibarrola Modelos Ocultos de Markov Continuos p.1/15 Idea fundamental Los Modelos Ocultos de Markov Discretos trabajan con secuencias de observaciones
Más detallesTema 1 Introducción. José R. Berrendero. Departamento de Matemáticas Universidad Autónoma de Madrid
Tema 1 Introducción José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Información de contacto José Ramón Berrendero Díaz Correo electrónico: joser.berrendero@uam.es Teléfono:
Más detallesTema 9. Análisis factorial discriminante
Máster en Técnicas Estadísticas Análisis Multivariante. Año 2008 2009. Profesor: César Sánchez Sellero. 9.1. Introducción. Tema 9. Análisis factorial discriminante Supongamos que están denidos I grupos,
Más detallesPrograma de la asignatura Curso: 2006 / 2007 SISTEMAS DE TRANSPORTE (3176)
Programa de la asignatura Curso: 2006 / 2007 SISTEMAS DE TRANSPORTE (3176) PROFESORADO Profesor/es: FICHA TÉCNICA Titulación: INGENIERÍA DE CAMINOS, CANALES Y PUERTOS Centro: ESCUELA POLITÉCNICA SUPERIOR
Más detallesUniversidad de Sonora. Departamento de Matemáticas. Área Económico Administrativa.
Universidad de Sonora. Departamento de Matemáticas. Área Económico Administrativa. Materia: Estadística I. Maestro: Dr. Francisco Javier Tapia Moreno. Semestre: 2017-1. * Estadística clásica: Es la ciencia
Más detallesANALISIS FACTORIAL. Jorge Galbiati R.
ANALISIS FACTORIAL Jorge Galbiati R El análisis factorial es un modelo matamático que pretende explicar la correlación entre un conjunto grande de variables observadas y un pequeño conjunto de factores
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
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 detallesHoja 4 Variables aleatorias multidimensionales
Hoja 4 Variables aleatorias multidimensionales 1.- Estudiar si F (x, y) = 1, si x + 2y 1, 0, si x + 2y < 1, es una función de distribución en IR 2. 2.- Dada la variable aleatoria 2-dimensional (X, Y )
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesRegresión Lineal Simple y Múltiple Regresión Logística
Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión
Más detallesDiseño de redes en modelos de hub con estructura de árbol
Diseño de redes en modelos de hub con estructura de árbol Justo Puerto Albandoz, Ana Belén Ramos Gallego y Antonio Manuel Rodríguez Chía Departamento de Estadística e I.O. Universidad de Sevilla Priego
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesEstadística Espacial
Kenneth Roy Cabrera Torres 16 de febrero de 2018 1 / 25 Definición Datos de elevación Campos aleatorios Terminología y notación Funciones 2 / 25 Definición Datos de elevación Campos aleatorios Terminología
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 detallesTema 5. Introducción a los modelos de ecuaciones estructurales o modelos causales
Tema 5. Introducción a los modelos de ecuaciones estructurales o modelos causales 5.1 Introducción a los modelos de ecuaciones el planteamiento LISREL. 5.2. Fases en la elaboración de un modelo. 5.2.1.
Más detallesSoluciones a los nuevos ejercicios propuestos
Soluciones a los nuevos ejercicios propuestos 1 Soluciones a los nuevos ejercicios propuestos 1. Sea X la cantidad de calcio en sangre del paciente (en mg. por cada 100 ml. de sangre). X N(µ, σ 2 ). Tenemos
Más detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Un ingeniero, empleado por un embotellador de gaseosas,
Más detallesAuxiliar N 5 07 de Noviembre de 2007
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN34A Optimización Auxiliar N 5 07 de Noviembre de 2007 Profesores: Francisco Cisternas Richard Weber
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesCadenas de Markov. Mogens Bladt 16 de septiembre de 2017 IIMAS-UNAM
Cadenas de Markov Mogens Bladt 16 de septiembre de 2017 IIMAS-UNAM Cadena de Markov Considere variable aleratorio X 0, X 1,... tomando valores en un conjunto finito o discreto, E. Entonces {X n } n 0 es
Más detallesEstadística II Tema 1: Distribución normal multivariante
Estadística II Tema 1: Distribución normal multivariante José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Algunas propiedades de los vectores aleatorios Sea X = (X 1,..., X
Más detallesDesempeño del modelo DIT ante distintas distribuciones teoricas de probabilidad: caso idt de la ciudad de La Rioja
Desempeño del modelo DIT ante distintas distribuciones teoricas de probabilidad: caso idt de la ciudad de La Rioja Laboratorio de Hidráulica, Departamento de Ingeniería Civil, Facultad Regional Córdoba,
Más detallesListado de Figuras. Figura 3.1 Fases materiales de un compuesto Figura 3.2 Deformación a cortante ε y deformación a cortante ingenieril γ.
Listado de Figuras Figura 3.1 Fases materiales de un compuesto... 8 Figura 3.2 Deformación a cortante ε y deformación a cortante ingenieril γ. 10 Figura 3.3 Sistema de coordenadas global y material.,,,,,,,,,,,,,,,,,,...
Más detallesDiseño de Experimentos. Diseños Factoriales
Diseño de Experimentos Diseños Factoriales Luis A. Salomón Departamento de Ciencias Matemáticas Escuela de Ciencias, EAFIT Luis A. Salomón (EAFIT) Inspira Crea Transforma Curso 2016 Índice 1 Introducción
Más detallesProbabilidad y Procesos Aleatorios
y Dr. Héctor E. Poveda P. hector.poveda@utp.ac.pa www.hpoveda7.com.pa @hpoveda7 Plan del curso Probabilidad Múltiples 1. Probabilidad Espacios probabilísticos Probabilidad condicional 2. 3. Múltiples 4.
Más detallesMétodos Bayesianos (Convocatoria Febrero 2005)
Dpto. Métodos Cuantitativos en Economía y Gestión Univ. de Las Palmas de G.C. Licenciatura en Economía Cuarto curso Curso 04/05 Métodos Bayesianos (Convocatoria Febrero 005) EJERCICIO 1. El método estándar
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Septiembre 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Septiembre 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe
Más detallesJesús García Herrero TÉCNICAS CLÁSICAS DE ANÁLISIS DE DATOS
Jesús García Herrero TÉCNICAS CLÁSICAS DE ANÁLISIS DE DATOS En esta clase se presentan los primeros algoritmos Análisis de Datos para abordar tareas de aprendizaje de modelos descriptivos y predictivos.
Más detallesEstadística Aplicada
Estadística Aplicada Distribuciones de Probabilidad Variables aleatorias Toman un valor numérico para cada resultado de un espacio muestral Discretas. Sus valores posibles constituyen un conjunto discreto.
Más detallesEstimación de densidades basada en núcleos: algunos elementos. Isabel Cañette
Estimación de densidades basada en núcleos: algunos elementos básicos. Isabel Cañette Seminario de Reconocimiento de Patrones. Seminario de Probabilidad y Estadística. Diciembre, 2002 Introducción. Decimos
Más detallesPROGRAMA DE CURSO. Código Nombre MA3402 Estadística Nombre en Inglés Statistics SCT Requisitos. DIM Resultados de Aprendizaje
> < ; U Q R ;?C: VT 2 +D :?CB J B > > ; S6D :? < ;? ; C?C : >? ; W( U C > X?2 > R+DE?C : < > ; ; 9 : : R > ; Y < > < ; U Q R ;?C: VT 2 +D :?C B J B > > ; S6D :? < ;? ; C?C : >? ; W( U C > X?2 > R+DE?C
Más detallesAnálisis de datos Categóricos
Introducción Universidad Nacional Agraria La Molina 2017-1 Variable cualitativa Variable respuesta cualitativa Variable respuesta y explicativa Variable de conteo y proporción Escalas de medición Una variable
Más detallesInterpolación bayesiana de series de tiempo no equiespaciadas
Interpolación bayesiana de series de tiempo no equiespaciadas Luis E. Nieto Barajas Departamento de Estadística ITAM XLIX SMM 27 de octubre de 2016 Luis E. Nieto Barajas Interpolación bayesiana XLIX SMM
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA DE TRABAJO 3 Profesor: Hugo S. Salinas. Primer Semestre 2010 1. Sea X 1,..., X n una muestra aleatoria
Más detallesPosicionamiento indoor con señales de WiFi
Posicionamiento indoor con señales de WiFi Claudio Avallone, Germán Capdehourat Tratamiento Estadístico de Señales Curso 2010 Outline 1 Introducción 2 Estimación de la posición basada en huellas 3 Escenario
Más detallesGeNie: entorno de desarrollo para la construcción de modelos gráficos de decisión Decision Systems Laboratory, University of Pittsburgh.
GeNie: entorno de desarrollo para la construcción de modelos gráficos de decisión Decision Systems Laboratory, University of Pittsburgh GeNie Modelos Gráficos Probabilísticos Modelos Gráficos: teoría de
Más detallesCI63G Planificación de Sistemas de Transporte Público Urbano. Clase 12 Semestre Otoño 2008
CI63G Planificación de Sistemas de Transporte Público Urbano Clase 12 Semestre Otoño 2008 Modelos de asignación de Transporte Público Para una oferta y demanda dadas de transporte público, se decide como
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesClasificación Supervisada
Clasificación Supervisada Ricardo Fraiman 26 de abril de 2010 Resumen Reglas de Clasificación Resumen Reglas de Clasificación Descripción del problema Muestra de entrenamiento (X 1, Y 1 ),..., (X n, Y
Más detallesTEORÍA DE PORTAFOLIOS
TEORÍA DE PORTAFOLIOS Jorge Fregoso Lara 1. Introducción La mayoría de los instrumentos financieros tienen rendimientos inciertos, por lo que son activos riesgosos. El principal problema que enfrenta un
Más detallesSesión 1: Introducción SALOME-MECA y CODE ASTER
Sesión 1: Introducción SALOME-MECA y CODE ASTER R. López-Cancelos 1, I. Viéitez 2 1 Departamento de Ingeniería de los Materiales, Mecánica Aplicada y Construcción, E. de Ing. Industrial, Universidad de
Más detallesEl problema de localización del árbol de concentradores
El problema de localización del árbol de concentradores I. Contreras 1 E. Fernández 1 A. Marín 2 1 Departmento de Estadística e I.O. Universidad Politécnica de Cataluña 2 Departmento de Estadística e I.O.
Más detalles6 Variables aleatorias independientes
6 Variables aleatorias independientes Edgar Acuna ESMA 4 Edgar Acuna Dos variables aleatorias son independientes si para todo a b P[
Más detallesDepartamento de Matemática Aplicada a la I.T.T.
Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Primavera 15 FECHA: de Junio de 15 Fecha publicación notas: 11 de Junio de 15 Fecha revisión
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesInterpolación bayesiana de series de tiempo no equiespaciadas (paleoclima)
Interpolación bayesiana de series de tiempo no equiespaciadas (paleoclima) Luis E. Nieto Barajas Departamento de Estadística ITAM ColoquioFESA 23 de febrero de 2018 Luis E. Nieto Barajas Interpolación
Más detallesTEMA 3.- VECTORES ALEATORIOS.- CURSO
TEMA 3.- VECTORES ALEATORIOS.- CURSO 017-018 3.1. VARIABLES ALEATORIAS BIDIMENSIONALES. FUNCIÓN DE DISTRIBUCIÓN CONJUNTA. 3.. VARIABLES BIDIMENSIONALES DISCRETAS. 3.3. VARIABLES BIDIMENSIONALES CONTINUAS.
Más detallesCONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN
CONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN Antonio Morillas A. Morillas: C. no paramétricos (II) 1 1. Contrastes de aleatoriedad. Contraste de rachas. 2. Contrastes de localización 2.1 Contraste
Más detallesGUIA DOCENTE ESTADISTICA
1 GUIA DOCENTE ESTADISTICA 1- Datos de identificación Asignatura: Estadística Carácter: Formación básica Titulación: Psicología Ciclo: Grado Curso: 1 Cuatrimestre: Anual Departamento: Metodología de las
Más detalles9 Teoría de la Decisión
9 Teoría de la Decisión En condiciones de incertidumbre, el papel del estadístico es tomar una decisión a partir de una observación parcial de la situación. Una mala decisión puede llevar a perdidas importantes.
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
Más detallesCálculo científico y técnico con HP49g/49g+/48gII/50g Módulo 3: Aplicaciones Tema 3.5 Cadenas de Markov
Cálculo científico y técnico con HP49g/49g+/48gII/5g Módulo 3: Aplicaciones Tema 3.5 Cadenas de Markov Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de
Más detalles