Gestalte GoConqr mit. Was sollen wir als Nächstes hinzufügen?

Mindmap

Markov Chain

Arheli Cortes Redes Neuronales NN Spanisch

Markov Chain

Inhalt der Mindmap

Markov Chain

  1. ¿Qué es?

    • Cadena de Márkov es una modalidad de proceso estocástico, en el cual la probabilidad de un evento está directamente ligada con el evento anterior. Es decir una serie de eventos, en la cual la probabilidad de que ocurra un evento depende del evento inmediato anterior.
      • Procesos estocástico
        • Es un concepto matemático que caracteriza sucesiones de variables aleatorias que son alteradas en función de otra variable. Cada variable aleatoria tiene una función de distribución de probabilidad. Entre dichas variables puede existir relación, o no.
      • Las cadenas de este tipo tienen memoria,
        • "Recuerdan" el último evento y esto condiciona las posibilidades de los eventos futuros.
  2. Origen

    • Análisis de Markov, llamado así en honor de un matemático ruso que desarrollo el método en 1907. Andréi Andréyevich Márkov (14 de junio de 1856-20 de julio de 1922) fue un matemático ruso conocido por sus trabajos en la teoría de los números y la teoría de probabilidades.
      • Definió el proceso estocástico en 1997
        • Se aplica en física estadística, termodinámica, meteorología , epidemiología , economía, finanzas, genética
  3. Implementación

    • TreeAge
      • Software más utilizado en aplicaciones médicas ofrece muchas ventajas al usuario como una interfaz gráfica amigable, modelización de procesos de Markov, gráficos e informes costeefectividad.
    • Sto Tree
      • herramienta de software para la formulación y solución de modelos continuos de Markov de intervenciones
      • Proporciona un medio conveniente para dar cuenta de las opciones de tratamiento médico y los riesgos que ocurren no sólo en el presente pero también en el futuro próximo y lejano
  4. Arquitectura

    • Cada óvalo representa una variable aleatoria que puede tomar determinados valores. La variable aleatoria x(t) es el valor de la variable oculta en el instante de tiempo t. La variable aleatoria y(t) es el valor de la vari t. Las flechas indican dependencias condicionales. Del diagrama queda claro que el valor de la variable oculta x(t) (en el instante t) solo depende del valor de la variable oculta x(t-1) (en el instante t-1). A esto se le llama propiedad de Márkov
  5. Aplicaciones

    • Los procesos de Markov tienen aplicaciones en el modelado y análisis de una amplia gama de los fenómenos en todas las ramas de la ciencia, que van desde la lingüística o la biología, hasta las ciencias políticas, la medicina, la economía, la informática,etc.
      • Economía y finanzas
        • Se han utilizado para analizar los patrones de compra,los deudores morosos, para planear las necesidades de personal y para analizar el reemplazo de equipo.
      • Metereología
        • Se han usadopara formular modelos climatológicos básicos
      • Genética
        • Se emplean en teoría de genética de poblaciones, para describir el cambio de frecuencias génicas en una población pequeña con generaciones discretas, sometida a deriva genética.
      • Puede usarse para describir la probabilidad de que una máquina que está funcionando en un período continuará funcionando en el siguiente.
      • Para describir la probabilidad de que un consumidor que compra la marca A en un período la siga comprando en el siguiente o se pase a una marca B.
      • Medicina
        • Modelar el progreso clínico de un paciente en hospital como un proceso de Markov y ver cómo su progreso es afectado por régimenes de droga diferentes.
      • Juegos de Azar
        • El modelo de la ruina del jugador, (Gambler's ruin), que establece la probabilidad de que una persona que apuesta en un juego de azar finalmente termine sin dinero, es una de las aplicaciones de las cadenas de Márkov en este rubro.
  6. Algoritmos de Aprendizaje

    • Algoritmo Forward
      • Guarda la probabilidad máxima para llegar a un estado
    • Algortimo Viterbi
      • Permite hallar la secuencia más probable de estados ocultos (el llamado camino de Viterbi) que produce una secuencia observada de sucesos
    • Algoritmo Baum-Welch
      • Permite estimar los parámetros de un Modelo oculto de Márkov (MOM) que maximizan la probabilidad de dicha secuencia,
    • Algoritmo Backward
      • β guarda la probabilidad máxima para a partir de ese estado llegar al final
  7. Principales capacidades

    • Permite encontrar el promedio a la larga o las probabilidades de estado estable para cada estado. Con esta información se puede predecir el comportamiento del sistema a través del tiempo
    • permite encontrar la probabilidad de que un sistema se encuentre en un estado en particular en un momento dado
  8. Qué variantes hay

    • Cadenas irreducibles
    • Cadenas positivo-recurrentes
    • Cadenas regulares
    • Cadenas absorbentes
      • Son las cadenas cuyos estados que no son transitorios son absorbentes.
    • Cadenas ergódicas
      • Son las cadenas que están formadas por un único conjunto ergódico
        • Cadenas ergódicas ciclicas
          • Son aquéllas en las cuales se alcanzan los estados a intervalos periódicos fijos.
        • cadenas ergódicas regulares
          • Son aquéllas que no son cíclicas.

Bilder und Dateien der Mindmap

  • Markov Chain
  • Markov Chain
  • Markov Chain
  • Markov Chain
  • Markov Chain
  • Markov Chain
  • Markov Chain
  • Markov Chain
  • Markov Chain
  • Markov Chain
  • Markov Chain
  • Markov Chain

Informationen

Beschreibung
NN Redes Neuronales Mindmap am Markov Chain, erstellt von Arheli Cortes am 21/09/2017.
Erstellt von
Arheli Cortes
Aufrufe
3
Bewertung

Mehr zu Cadenas y procesos de Markov

Feedback

Worum geht es?

Was sollen wir als Nächstes hinzufügen?