Tarea de Modelos Ocultos de Markov

Slides:



Advertisements
Presentaciones similares
Búsqueda en un espacio de estados
Advertisements

Introduccion a la economía 22 mayo 2003
Métodos Matemáticos I.
Ajuste de Curvas Los Métodos Numéricos Métodos mas utilizados
CONDICIONES INICIALES t
Método de Steffensen.
Asignación de Inicio y Termino de las Operaciones Seleccionar Control Taller.
Sesión 5: Modelos Ocultos de Markov
Sesión 5: Modelos Ocultos de Markov
ITERACIÓN DE UN PUNTO FIJO. Un punto fijo de una función g es un número para el cual g(p)=p Los problemas de punto fijo y los de búsqueda de raíces tienen.
$100 $200 $300 $400 $500 $100 $200 $300 $400 $500 $100 $200 $300 $400 $500 $100 $200 $300 $400 $500 $100 $200 $300 $400 $500 $100 $200 $300.
Ex ungue leonis Atribuido a Johann Bernoulli al leer dos soluciones anónimas, y reconociendo en ellas la redacción y genialidad de Isaac Newton Cadenas.
1.Introducción 2.Casos simples de reducción del orden 3.Ecuaciones lineales homogéneas con coeficientes constantes 4.Ecuaciones lineales no homogéneas.
Programación Lineal Antonio H. Escobar Z Universidad Tecnológica de Pereira – Colombia Posgrado en Ingeniería – Maestría/Doctorado.
SIETE HERRAMIENTAS DEL CONTROL DE CALIDAD
Modelos ocultos de Markov (HMM)
ECUACIONES DE 2º GRADO a.x2 + b.x + c = 0
Nº PO TITULO POSTER: Fuente tamaño 20 Autores: Fuente tamaño 16 Afiliación: Fuente tamaño 14 Introducción: fuente tamaño16 Agregar texto: Materiales y.
Tarea de Campos de Markov Alberto Reyes B
SEGUNDO MEDIO PRESENTACIÓN REALIZADA POR: ROBERTO A. MUÑOZ VILLAGRÁN (RAMV) PROBABILIDADES.
casos favorables 1 casos posibles 6 casos favorables 1 casos posibles 12 casos favorables 1 casos posibles 20.
TEMA 5: PROBABILIDAD. 1. Experimentos aleatorios. 2. Sucesos. Tipos de sucesos Sucesos elementales Suceso seguro Suceso imposible. 3.
Variables Aleatorias MULTIVARIADAS.
TEMA 6: DISTRIBUCIONES ESTADÍTISCAS
PROBABILIDAD.
Capítulo 5 Método de MonteCarlo
Optimización: Programación Lineal
EJERCICIO BINOMIAL NEGATIVA
PROBABILIDAD U. D. 15 * 4º ESO E. Angel Prieto Benito
TEMA 5: PROBABILIDAD. 1. Experimentos aleatorios.
ÁRBOL LÓGICO DE FALLAS.
Matemáticas Aplicadas CS I
Probabilidades Históricamente, el propósito original de la teoría de probabilidades se limitaba a la descripción y estudios de juegos de azar. Girolamo.
UNIDAD II INTEGRAL INDEFINIDA Y METODOS DE INTEGRACION
Relación entre las distribuciones binomial y binomial negativa
Apuntes de Matemáticas 3º ESO
Desigualdad de Markov Sea X una variable aleatoria que cumple que (es no negativa) y existe E(X). Entonces: Dem:
CONTINUACIÓN CAPÍTULO 7
UNIVERSIDAD INSURGENTES
Estimación de volatilidades
JOSE ALBERTO CRUZADO REYES
Matemáticas Aplicadas CS I
Permutaciones y combinaciones
EJEMPLO 2. MÉTODO DE WALKER.
MUESTREO ALEATORIO ESTRATIFICADO - MAE Especialista Ramiro Duran.
ANÁLISIS RELACIÓN ENTRE DOS VARIABLES CUALITATIVAS Método del test Chi cuadrado Lic. Ramiro Duras Lozano.
N PROFESORA: n LUCY DE LA CRUZ MÉTODO DEL PUNTO FIJO Integrante: Baldeón Baldeón Yarina Maribel.
Métodos estadísticos en Bioinformática
Fórmulas Recursivas y Aproximaciones
Uso de las tablas binomiales
Clase Nº 4 Probabilidad condicional
MODELOS POISSON Existen una gran variedad de modelos para los sistemas de colas, las dos características más importantes serán : Los tiempos de llegada.
PROGRAMANDO EN C Estructura de un programa. 1 variables globales main(){ variables locales secuencia de sentencias } f1(){ variables locales secuencia.
Sesión 5: Modelos Ocultos de Markov
Descomposición de dígitos
2. DISTRIBUCIÓN BINOMIAL Y DISTRIBUCIÓN NORMAL
PROPÓSITO: Identificar y aplicar las diferentes propiedades y axiomas de la probabilidad en ejercicios que involucran este concepto con el fin de facilitar.
“Métodos Numéricos”. Ejemplos prácticos. Ejemplo 1.
LAS PROBABILIDADES.
1 VARIABLE ALEATORIA COLEGIOS MONTE TABOR Y NAZARET DEPARTAMENTO DE MATEMÁTICA III MEDIO – 2019.
CIRCUNFERENCIA.
Resultados de inducción de proteína recombinante
Modelos Ocultos de Markov Parte II
Encuesta de calidad: bit.ly/2ULR6LW OI: XX.
PLN hmm1 Modelos ocultos de Markov (HMM) Introducción Cálculo de la probabilidad de una observación Algoritmo Forward Algoritmo Backward Algoritmo de Viterbi.
Depto. Matemáticas – IES Elaios Tema: Distribuciones de Probabilidad 2. DISTRIBUCIÓN BINOMIAL Y DISTRIBUCIÓN NORMAL Presentación elaborada por el profesor.
EJERCICIO HIPERGEOMÉTRICA
Probabilidad condicional e independencia
Probabilidad condicional
Valor esperado o esperanza III medio 2019
Transcripción de la presentación:

Tarea de Modelos Ocultos de Markov Alberto Reyes B. 00377984

Calcular la probabilidad de la secuencia AASS para el siguiente modelo por (a) Metodo directo (b) Metodo iterativo. q1 q2 A S 0.5 = {0.5, 0.5} Probabilidad inicial del estado 0.5 A= Probabilidad de transición entre estados M1: 0.8 A M2: 0.8 S q1: lanzar M1 q2: lanzar M2 0.8 0.2 Probabilidad de la observación dado el estado B=

 Por metodo directo P(O,Q) P(O)= q1 bq1(O1) aq1q2 bq2(O2) .. aq(T-1) T bqT(OT)  Todos los Q O={A,A,S,S} T=4 Suponiendo Q = q1 q1 q1 q1 (secuencia 1/16) P(O,Q)= q1 bq1(O1) aq1q1 bq1(O2) aq1q1 bq1(O3) aq1q1 bq1(O4) = (0.5)(0.8) x(0.5)(0.8)x (0.5)(0.2) x(0.5)(0.2)= 1.6e-3

Suponiendo Q = q1 q1 q1 q2 (secuencia 2/16) P(O,Q)= q1 bq1(O1) aq1q1 bq1(O2) aq1q1 bq1(O3) aq1q2 bq2(O4) = (0.5)(0.8) x(0.5)(0.8)x (0.5)(0.2) x(0.5)(0.8)= 6.4e-3 Suponiendo Q = q1 q1 q2 q2 (secuencia 3/16) P(O,Q)= q1 bq1(O1) aq1q1 bq1(O2) aq1q2 bq2(O3) aq2q2 bq2(O4) = (0.5)(0.8) x(0.5)(0.8)x (0.5)(0.8) x(0.5)(0.8)= 0.0256 P(O)= 1.6e-3 + 6.4e-3 + 0.0256 + … + P(O,Q16)

Por método iterativo O={A,A,S,S} T=4 N=2 Variable forward t(i)= P(O1, O2 .. Ot, qt=Si) Inicio: 1(i)= i b i(O1) 1(q1)= q1 b q1(O1) = (0.5) (0.8)= 0.4 (i=1) 1(q2)= q2 b q2(O1) = (0.5) (0.2)= 0.1 (i=2)

 Inducción t+1(j)= [ t(i) aij ] bj(Ot+1) Para t=1 2(q1)= [1(q1) a11+ 1(q2) a21] b1(O2) (j=1) = [(0.4)(0.5) + (0.1)(0.5)] x 0.8 = 0.2 2(q2)= [1(q1) a12+ 1(q2) a22] b2(O2) (j=2) = [(0.4)(0.5) + (0.1)(0.5)] x 0.2 = 0.05 i=1 i=2

3(q1)= [2(q1) a11+ 2(q2) a21] b1(O3) (j=1) Para t=2 3(q1)= [2(q1) a11+ 2(q2) a21] b1(O3) (j=1) = [(0.2)(0.5) + (0.05)(0.5)] x 0.2 = 0.025 3(q2)= [2(q1) a12+ 2(q2) a22] b2(O3) (j=2) = [(0.2)(0.5) + (0.05)(0.5)] x 0.8 = 0.1 i=1 i=2

4(q1)= [3(q1) a11+ 3(q2) a21] b1(O4) (j=1) Para t=3 4(q1)= [3(q1) a11+ 3(q2) a21] b1(O4) (j=1) = [(0.025)(0.5) + (0.1)(0.5)] x 0.2 = 0.0125 4(q2)= [3(q1) a12+ 3(q2) a22] b2(O4) (j=2) = [(0.025)(0.5) + (0.1)(0.5)] x 0.8 = 0.05 i=1 i=2

 Finalización P(O)= T(i) dado que T=4, i={1,2} = 4(q1) + 4(q2) = 0.0125 + 0.05 =0.0625  i