Estimación de parámetros en modelos de mezclas usando algoritmos evolutivos
The mixture models are widely used in cases when there are elements that come from different populations, mixed in a superpopulation. There are traditional methods for the estimation of the parameters in mixture models: the Bayesian Method and the Expectation-Maximization (EM) algorithm. For that re...
- Autores:
-
Romero-Rios, Natalia
Correa, Juan Carlos
- Tipo de recurso:
- Fecha de publicación:
- 2016
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Repositorio Institucional USTA
- Idioma:
- eng
- OAI Identifier:
- oai:repository.usta.edu.co:11634/6460
- Palabra clave:
- Mixture estimation; mixture distribution; evolutive algorithms; genetic algorithms.
Estimación de mezclas; algoritmos evolutivos; algoritmos genéticos.
- Rights
- License
- Copyright (c) 2016 Comunicaciones en Estadística
id |
SANTTOMAS2_48a85ed197eeccc98b0e0454f47cf13d |
---|---|
oai_identifier_str |
oai:repository.usta.edu.co:11634/6460 |
network_acronym_str |
SANTTOMAS2 |
network_name_str |
Repositorio Institucional USTA |
repository_id_str |
|
spelling |
Juan Carlos Correa Morales, Universidad Nacional de ColombiaRomero-Rios, NataliaCorrea, Juan Carlos2016-09-29https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/258510.15332/s2027-3355.2016.0002.05The mixture models are widely used in cases when there are elements that come from different populations, mixed in a superpopulation. There are traditional methods for the estimation of the parameters in mixture models: the Bayesian Method and the Expectation-Maximization (EM) algorithm. For that reason, in this work we propose the use of evolutive algorithms, such as genetic algorithms. We propose an algorithm for the comparison of evolutive and traditional methods, and we illustrate the use of this algorithm with a real application. We found that the evolutive algorithms are a competitive option to estimate the parameters in mixture models in the cases when the populations in the mixture follows a gamma distribution, the weights of the populations in the mixture are even and the sam- ple size is bigger than 100 items. For the mixture of normal distributions and the estimation of the number of populations in a mixture, the traditional method is a better option than the genetic algorithm. Los modelos de mezclas son ampliamente usados en casos en los que se tienen elementos de poblaciones diversas, unidos en una super población. Hay métodos tradicionales para la estimación de los parámetros de modelos de mezclas, como lo son el bayesiano y el algoritmo de esperanza-maximización (EM). En esta investigación se propone usar los algoritmos evolutivos, como lo son los algoritmos genéticos, como método que puede servir para encontrar los parámetros de estimación de los modelos de mezclas. Para el desarrollo de este estudio se propone un algoritmo para la comparación de métodos evolutivos y tradicionales y se incluye un ejemplo de aplicación con datos reales. Se encontró que los algoritmos evolutivos son una opción competitiva para la estimación de parámetros en distribuciones de mezclas en los casos cuando las poblaciones en la mezcla siguen una distribución gamma, los pesos en las poblaciones son balanceados y el tamaño de muestra es mayor de 100 ítems. Para las mezclas de distribuciones normales y la estimación del número de poblaciones en una mezcla, el método tradicional es una mejor opción que el algoritmo genético.application/pdftext/plainengUniversidad Santo Tomáshttps://revistas.usantotomas.edu.co/index.php/estadistica/article/view/2585/3127https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/2585/3591Comunicaciones en Estadística; Vol. 9, Núm. 2 (2016); 255-270 (241-254 English)2339-30762027-3355Comunicaciones en Estadística; Vol. 9, Núm. 2 (2016); 255-270 (241-254 English)Copyright (c) 2016 Comunicaciones en Estadísticahttp://purl.org/coar/access_right/c_abf2Estimación de parámetros en modelos de mezclas usando algoritmos evolutivosParameter estimation in mixture models using evolutive algorithmsinfo:eu-repo/semantics/articlehttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_2df8fbb1Mixture estimation; mixture distribution; evolutive algorithms; genetic algorithms.Estimación de mezclas; algoritmos evolutivos; algoritmos genéticos.11634/6460oai:repository.usta.edu.co:11634/64602023-07-14 16:32:48.886metadata only accessRepositorio Universidad Santo Tomásnoreply@usta.edu.co |
dc.title.spa.fl_str_mv |
Estimación de parámetros en modelos de mezclas usando algoritmos evolutivos |
dc.title.alternative.eng.fl_str_mv |
Parameter estimation in mixture models using evolutive algorithms |
title |
Estimación de parámetros en modelos de mezclas usando algoritmos evolutivos |
spellingShingle |
Estimación de parámetros en modelos de mezclas usando algoritmos evolutivos Mixture estimation; mixture distribution; evolutive algorithms; genetic algorithms. Estimación de mezclas; algoritmos evolutivos; algoritmos genéticos. |
title_short |
Estimación de parámetros en modelos de mezclas usando algoritmos evolutivos |
title_full |
Estimación de parámetros en modelos de mezclas usando algoritmos evolutivos |
title_fullStr |
Estimación de parámetros en modelos de mezclas usando algoritmos evolutivos |
title_full_unstemmed |
Estimación de parámetros en modelos de mezclas usando algoritmos evolutivos |
title_sort |
Estimación de parámetros en modelos de mezclas usando algoritmos evolutivos |
dc.creator.fl_str_mv |
Romero-Rios, Natalia Correa, Juan Carlos |
dc.contributor.author.spa.fl_str_mv |
Romero-Rios, Natalia Correa, Juan Carlos |
dc.contributor.eng.fl_str_mv |
Juan Carlos Correa Morales, Universidad Nacional de Colombia |
dc.subject.proposal.eng.fl_str_mv |
Mixture estimation; mixture distribution; evolutive algorithms; genetic algorithms. |
topic |
Mixture estimation; mixture distribution; evolutive algorithms; genetic algorithms. Estimación de mezclas; algoritmos evolutivos; algoritmos genéticos. |
dc.subject.proposal.spa.fl_str_mv |
Estimación de mezclas; algoritmos evolutivos; algoritmos genéticos. |
description |
The mixture models are widely used in cases when there are elements that come from different populations, mixed in a superpopulation. There are traditional methods for the estimation of the parameters in mixture models: the Bayesian Method and the Expectation-Maximization (EM) algorithm. For that reason, in this work we propose the use of evolutive algorithms, such as genetic algorithms. We propose an algorithm for the comparison of evolutive and traditional methods, and we illustrate the use of this algorithm with a real application. We found that the evolutive algorithms are a competitive option to estimate the parameters in mixture models in the cases when the populations in the mixture follows a gamma distribution, the weights of the populations in the mixture are even and the sam- ple size is bigger than 100 items. For the mixture of normal distributions and the estimation of the number of populations in a mixture, the traditional method is a better option than the genetic algorithm. |
publishDate |
2016 |
dc.date.issued.spa.fl_str_mv |
2016-09-29 |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_2df8fbb1 |
dc.type.drive.none.fl_str_mv |
info:eu-repo/semantics/article |
dc.identifier.spa.fl_str_mv |
https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/2585 10.15332/s2027-3355.2016.0002.05 |
url |
https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/2585 |
identifier_str_mv |
10.15332/s2027-3355.2016.0002.05 |
dc.language.iso.spa.fl_str_mv |
eng |
language |
eng |
dc.relation.spa.fl_str_mv |
https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/2585/3127 https://revistas.usantotomas.edu.co/index.php/estadistica/article/view/2585/3591 |
dc.relation.citationissue.spa.fl_str_mv |
Comunicaciones en Estadística; Vol. 9, Núm. 2 (2016); 255-270 (241-254 English) 2339-3076 2027-3355 |
dc.relation.citationissue.eng.fl_str_mv |
Comunicaciones en Estadística; Vol. 9, Núm. 2 (2016); 255-270 (241-254 English) |
dc.rights.spa.fl_str_mv |
Copyright (c) 2016 Comunicaciones en Estadística |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
Copyright (c) 2016 Comunicaciones en Estadística http://purl.org/coar/access_right/c_abf2 |
dc.format.mimetype.spa.fl_str_mv |
application/pdf text/plain |
dc.publisher.spa.fl_str_mv |
Universidad Santo Tomás |
institution |
Universidad Santo Tomás |
repository.name.fl_str_mv |
Repositorio Universidad Santo Tomás |
repository.mail.fl_str_mv |
noreply@usta.edu.co |
_version_ |
1782026226608635904 |