hola

INTRODUCCION
En la actualidad con la diversidad de incógnitas probabilísticas existentes dados una serie de parámetros, incita al ser humano a crear métodos o algoritmos para lograr superar los problemas que se le presenten con resultados más reales y con ellos poder tomar una decisión que más le beneficie.
El siguiente documento va enfocado en dar a conocer uno de esos métodosprobabilísticos con el manejo de dos variables aleatorias llamado
El articulo muestra los inicios de la regresión exponencial enfocada en los términos y fórmulas para lograr su ejecución y creación convirtiéndolo en un documento informativo.













I. Definición

Será aquella en la que la función de ajuste será una función exponencial del tipo
                                y = a.bxLa regresión exponencial aunque no es lineal es linealizable tomando logaritmos ya que haciendo el cambio de variable
v = log y tendremos que la función anterior nos generaría:
                                    v = log y = log( a.bx) = log a + x log b
 
la solución de nuestro problema vendría de resolver la regresión lineal entre v ý x, y una vez obtenida supuesta ésta:
v* = A + B x ;obviamente la solución final será:
a = antilog A y b = antilog B.

En la parte computacional, resulta útil para generar rápidamente modelos de minería de datos para descubrir relaciones entre columnas de entrada y columnas de predicción. Puede utilizar este algoritmo para realizar la exploración inicial de los datos y, más adelante, aplicar los resultados para crear modelos de minería de datosadicionales con otros algoritmos más complejos y precisos.

II. Temas bayesianos
II.1. Razonamiento bayesiano
En razonamiento bayesiano da un enfoque probabilístico de la inferencias, Está basado en asumir las incógnitas de interés, basándose en distribuciones probabilísticas con el fin de conseguir una solución óptima por medio de distribuciones y datos observados, dando la posibilidad de realizaruna ponderación de la posibilidad de ocurrencia de una hipótesis de manera cuantitativa.
II.2. Redes bayesianas
Las redes bayesianas permiten tratar modelos complejos gracias a la explotación de las independencias presentes en el modelo; Las Redes Bayesianas son un formalismo que en los últimos años ha demostrado su potencialidad como modelo de representación del conocimiento. Este formalismonació como un aporte de diferentes campos de investigación: teoría de toma de decisiones, estadística e inteligencia artificial.




II.3. Teorema de Bayes
El teorema de Bayes se apoya en el proceso inverso como:
II.3.1 Teorema de la probabilidad total: En la teoría de la probabilidad el teorema de Bayes expresa la probabilidad condicional de un evento aleatorio A dado B en términos de ladistribución de probabilidad condicional del evento B dado A y la distribución de probabilidad marginal de sólo A.
En términos más generales, el teorema de Bayes es de enorme relevancia puesto que vincula la probabilidad de A dado B con la probabilidad de B dado A.
Ejemplo: sabiendo la probabilidad de tener un dolor de cabeza dado que se tiene gripe, se podría saber (si se tiene algún dato más),la probabilidad de tener gripe si se tiene un dolor de cabeza.

II.3.2. Teorema de Bayes: a partir de que ha ocurrido el suceso B (ha ocurrido un accidente) deducimos las probabilidades del suceso A (¿estaba lloviendo o hacía buen tiempo?).
II.3.4. Formula del teorema de Bayes:








III. Información Mutua
La información mutua describe la cantidad de información con respecto a unacantidad aleatoria n si se conoce otra cantidad x.
El concepto de información mutua se basa en una medida de la información H, definida en el caso de un número aleatorio discreto Y por medio de una distribución de probabilidad.
La función de la información mutua caracteriza las interdependencias de las series temporales según el retardo temporal T.(Figura 1)

Figura 1: Formula de la...