Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ja Hernandez
Ja Hernandez
Algoritmo EM
Soluci on EM para mixturas
Caracterizaci on de retardos
Conclusiones
El algoritmo EM y aplicaciones
Jose Alberto Hernandez
email: Jose.Hernandez@uam.es
Julio, 2006
J. A. Hernandez El algoritmo EM y aplicaciones
Introducci on
Algoritmo EM
Soluci on EM para mixturas
Caracterizaci on de retardos
Conclusiones
Contenido
Algoritmo EM
Conclusiones
J. A. Hernandez El algoritmo EM y aplicaciones
Introducci on
Algoritmo EM
Soluci on EM para mixturas
Caracterizaci on de retardos
Conclusiones
La fuente
Sea X = {x
1
, x
2
, . . . , x
N
} una muestra que pensamos que se
distribuye seg un una distribuci on de probabilidad p(x|) con
parametros .
Estimaci on Encontrar los parametros
N
i =1
p(x
i
|).
Entonces:
= arg max
L(|X).
log L(|X) = 0.
J. A. Hernandez El algoritmo EM y aplicaciones
Introducci on
Algoritmo EM
Soluci on EM para mixturas
Caracterizaci on de retardos
Conclusiones
Ejemplo: Distribuci on exponencial
Data la muestra x = {x
1
, . . . , x
N
}
L(|x) =
N
i =1
e
x
i
log L(|x) =
N
i =1
log
_
e
x
i
_
= N log
N
i =1
x
i
log L(|X) = N
1
i =1
x
i
= 0
MV
=
_
1
N
N
i =1
x
i
_
1
J. A. Hernandez El algoritmo EM y aplicaciones
Introducci on
Algoritmo EM
Soluci on EM para mixturas
Caracterizaci on de retardos
Conclusiones
Mixturas de distribuciones (1)
j =1
q
j
p
j
(x|
j
), = {q
j
,
j
}
j
q
j
= 1
J. A. Hernandez El algoritmo EM y aplicaciones
Introducci on
Algoritmo EM
Soluci on EM para mixturas
Caracterizaci on de retardos
Conclusiones
Mixturas de distribuciones (2)
5 0 5 10
0
0.1
0.2
0.3
0.4
x
P
D
F
Example: data sample histogram
J. A. Hernandez El algoritmo EM y aplicaciones
Introducci on
Algoritmo EM
Soluci on EM para mixturas
Caracterizaci on de retardos
Conclusiones
Mixturas de distribuciones (2)
5 0 5 10
0
0.1
0.2
0.3
0.4
x
P
D
F
Example: Single gaussian match
J. A. Hernandez El algoritmo EM y aplicaciones
Introducci on
Algoritmo EM
Soluci on EM para mixturas
Caracterizaci on de retardos
Conclusiones
Mixturas de distribuciones (2)
5 0 5 10
0
0.1
0.2
0.3
0.4
x
P
D
F
Example: mixture of M=2 gaussians
q
1
=0.7,
1
=0,
1
=1
q
1
=0.3,
1
=2,
2
=3
Mixture
Histogram
J. A. Hernandez El algoritmo EM y aplicaciones
Introducci on
Algoritmo EM
Soluci on EM para mixturas
Caracterizaci on de retardos
Conclusiones
Mixturas de distribuciones (3)
i =1
_
_
M
j =1
q
j
p
j
(x
i
|
j
)
_
_
=
N
i =1
log
_
_
M
j =1
q
j
p
j
(x
i
|
j
)
_
_
log L(|x) = 0
No se puede resolver analticamente!!
J. A. Hernandez El algoritmo EM y aplicaciones
Introducci on
Algoritmo EM
Soluci on EM para mixturas
Caracterizaci on de retardos
Conclusiones
Soluci on: Algoritmo EM
Denici on El algoritmo EM (Expectation Maximisation) es un
metodo general para encontrar el estimador de
maxima verosimilitud de los parametros de una
distribuci on de probabilidad, especialmente util
cuando parte de la informaci on esta oculta.
g
son unos parametros propuestos.
J. A. Hernandez El algoritmo EM y aplicaciones
Introducci on
Algoritmo EM
Soluci on EM para mixturas
Caracterizaci on de retardos
Conclusiones
EM en dos pasos:
a partir de
L(|X, Y), hay que proceder en dos pasos:
(t+1)
= arg max
Q(,
(t)
)
Recordamos: p(x|) =
M
j =1
q
j
p(x|
j
)
p(y
i
= j |x
i
, ) representa la probabilidad de que x
i
pertenezca
a la componente j de la mixtura. Evidentemente:
p(x
i
|y
i
= j , ) = p(x
i
|
j
)
p(y
i
= j |) = q
j
j =1
p(x, y = j |) =
M
j =1
p(x|y = j , )p(y = j |)
=
M
j =1
q
j
p(x|
j
)
J. A. Hernandez El algoritmo EM y aplicaciones
Introducci on
Algoritmo EM
Soluci on EM para mixturas
Caracterizaci on de retardos
Conclusiones
Desarrollando EM:
p(x, y|) = q
y
p(x|
y
)
E-step: Q(,
(t)
) = E[log L(|x, y)|x,
(t)
]
M-step:
(t+1)
= arg max
Q(,
(t)
)
Expandiendo el paso E:
Q(,
(t)
) =
M
j =1
N
i =1
_
log p(x
i
|
j
)
_
p(y
i
= j |x
i
,
(t)
) +
+
M
j =1
N
i =1
_
log q
j
_
p(y
i
= j |x
i
,
(t)
)
j
= 0
J. A. Hernandez El algoritmo EM y aplicaciones
Introducci on
Algoritmo EM
Soluci on EM para mixturas
Caracterizaci on de retardos
Conclusiones
Caracterizaci on de traco y retardos (1)
p(x|r , s) =
sx
s1
r
s
exp(
_
x
r
_
s
)
Expandiendo el paso E:
Q(,
(t)
) =
M
j =1
N
i =1
_
log p(x
i
|
j
)
_
p(y
i
= j |x
i
,
(t)
) +
+
M
j =1
N
i =1
_
log q
j
_
p(y
i
= j |x
i
,
(t)
)
N
i =1
p(y
i
= j |x
i
, )
r
j
=
_P
N
i =1
x
s
j
i
p(y
i
=j |x
i
,)
P
N
i =1
p(y
i
=j |x
i
,)
_
1/s
j
p(y
i
= j |x
i
, ) =
q
j
p(x
i
|
j
)
P
M
k=1
q
k
p(x
i
|
k
)
s
j
=
P
N
i =1
p(y
i
=j |x
i
,)
P
N
i =1
_
x
s
j
i
r
s
j
j
1
_
log
_
x
i
r
j
_
p(y
i
=j |x
i
,)
Cuadro: Resumen de EM para mixturas de distribuciones Weibull.
J. A. Hernandez El algoritmo EM y aplicaciones
Introducci on
Algoritmo EM
Soluci on EM para mixturas
Caracterizaci on de retardos
Conclusiones
Resultados
Animaci on MATLAB
J. A. Hernandez El algoritmo EM y aplicaciones
Introducci on
Algoritmo EM
Soluci on EM para mixturas
Caracterizaci on de retardos
Conclusiones
Conclusiones (1)
etc.