Practica N° 2

Inteligencia Artificial

Fecha: 19-10-2023

Profesor: Luis Gustavo Arenaza Encinas

Nombres y Apellidos: Erick Israel Meza Tineo

Pregunta 1

Ejecute la regresión en un Excel o en Python.

Calcule e interprete lo siguiente y haga un breve informe de sus resultados:

a. La ecuación de regresión: Y = β0 + β1*X + ε

b. La intersección del eje

c. La pendiente

d. R2

e. Grafico de dispersión x vs y

f. Calcule el pronostico para cada punto y sus residuos (error)

2.- Explique cuando se utilizan las siguientes funciones de enlace y sustente con un ejemplo real, puede
consultar en internet, pero no copiar la redacción, cite cada fuente. (Debe de redactar su respuesta con
sus propias palabras)

Modelo Lineal: Este modelo establece una relación lineal entre la variable dependiente y las variables
predictoras utilizando una función de enlace específica. Además, permite que la variable dependiente
tenga una distribución que no sigue una distribución normal.

Ejemplo: Si queremos analizar la relación entre el número de horas de estudio y las calificaciones
obtenidas en un examen, tendriamos las horas de estudio “X” y las calificaciones “Y”, se estimarian los
valores de β0 y β1, liuegop de calculados podemos hacer predicciones. Por ejemplo, si un estudiante ha
estudiado 6 horas, se puede usar el modelo para predecir sus calificaciones:

Y = β0 + β1 * 6

Fuente: https://www.ibm.com/docs/es/spss-statistics/saas?topic=statistics-generalized-linear-models

Modelo logit: La función de enlace logit se emplea para representar la probabilidad de éxito en función
de las covariables. Su objetivo consiste en transformar la suma ponderada de las covariables en un valor
de probabilidad, situándolo dentro del rango de 0 a 1.

Ejemplo: Volviendo al ejemplo de los estudiantes pero ahora horas de estudio “X” y Aprobó? “Y” (Y, solo
puede ser si o no), se estiman los valores β0 y β1.

La transformación logit se aplica para convertir la combinación lineal de los valores de las covariables en
una probabilidad. Se puede utilizar el modelo para predecir la probabilidad de que un estudiante
apruebe el examen en función del número de horas de estudio.

Fuente: https://keepcoding.io/blog/funcion-de-enlace-o-link-function/#:~:text=La%20función%20de
%20enlace%20logit,decir%2C%20entre%200%20y%201.

Modelo Probit: La función de enlace probit es un tipo de análisis de regresión en el cual la variable
dependiente presenta solo dos posibles valores, que pueden ser prácticamente cualquier cosa. El
propósito principal de esta función es estimar la probabilidad de que una observación pertenezca a una
categoría particular en función de sus características. El nombre "probit" está estrechamente
relacionado con su objetivo.

Por lo general, la función de enlace probit se emplea para modelar parámetros que se encuentran en el
rango unitario (entre 0 y 1). Valores numéricos de θ (theta) que estén muy cerca de 0 o 1 pueden dar
como resultado valores Infinito positivo, Infinito negativo, No Disponible (NA) o No es un Número (NaN).

Formula: probitlink(theta, bvalue = NULL, inverse = FALSE, deriv = 0, short = TRUE, tag = FALSE)

Donde:

theta es una variable de tipo caracter o numérico.

bvalue es el valor límite.

Ejemplo: Supongamos que se desea predecir si un cliente comprará un producto en función de la

cantidad de publicidad que ha visto. En este caso, utilizamos un modelo de regresión probit, donde se
tienen datos que indican si un cliente realizó una compra (1) o no (0) y la cantidad de publicidad que vio.

Utilizamos la función de enlace probit para modelar la probabilidad de que el cliente realice una compra
en función de la cantidad de publicidad vista, calculamos los coeficientes del modelo para ajustar la
relación entre la publicidad vista y la probabilidad de compra, y por ultimo con los coeficientes
estimados, puedes predecir la probabilidad de compra para nuevos clientes en función de la cantidad de
publicidad que han visto.

Fuente: https://keepcoding.io/blog/funcion-de-enlace-o-link-function

Modelo Binomial: La distribución binomial se aplica en situaciones en las que se presentan precisamente
dos resultados excluyentes en un experimento. Estos resultados son denominados adecuadamente
como "éxito" y "fracaso".

Esta distribución se emplea para calcular la probabilidad de observar X éxitos en un total de N pruebas,
considerando que la probabilidad de éxito en una sola prueba se representa como p.

Ejemplo: es muy parecido a los anteriores, donde si queremos predecir si los estudiantes aprobarán o
reprobarán un examen en función de la cantidad de horas de estudio. Usamos la función de enlace
binomial para modelar la probabilidad de que un estudiante apruebe

Fuente: https://keepcoding.io/blog/funcion-de-enlace-o-link-function

Modelo Logit o Probit Ordenada: Básicamente son extensiones donde:

La Función de Enlace Logit Ordenada es una ampliación del enlace logit que se emplea en la regresión
logística. Su función es establecer una relación entre las probabilidades de que una observación
pertenezca a una categoría específica de una variable ordinal y las variables predictoras a través de una
función logística.
La Función de Enlace Probit Ordenada guarda similitud con la probit que se utiliza en la regresión probit,
pero se aplica en el contexto de la regresión ordinal. Su objetivo es vincular las probabilidades de que
una observación caiga en una categoría particular de la variable ordinal con las covariables mediante
una función acumulativa de distribución normal.

Ejemplo: Se puede relacionar la evaluación de la satisfacción de los clientes en un restaurante, donde se

utiliza una escala ordinal para registrar su satisfacción, como "insatisfecho", "neutral" o "satisfecho",
utilizamos la función de enlace logit ordenada para modelar la probabilidad de que un cliente caiga en
cada categoría de satisfacción en función de las variables predictoras. La función logit ordenada está
diseñada para manejar variables ordinales.

Fuente: https://www.eco.uc3m.es/~ricmora/miccua/materials/S13T31_Spanish_handout.pdf

Modelo Logit o Probit Multinomial: Se usa para predecir la probabilidad de que una observación se
clasifique en varias categorías exclusivas

Función de Enlace Logit Multinomial: En este método, se utiliza la función de enlace logit para modelar
la probabilidad de pertenencia a una de las múltiples categorías. Básicamente, se calcula la relación
logarítmica de las probabilidades en comparación con una categoría de referencia, permitiendo evaluar
cómo difieren las probabilidades de pertenencia a cada categoría.

Función de Enlace Probit Multinomial: Por otro lado, el enlace probit multinomial recurre a una función
probit para modelar la probabilidad de pertenencia a las diversas categorías. La función probit está
relacionada con la distribución normal acumulativa y se utiliza para describir cómo se acumulan las
probabilidades de pertenencia a cada categoría.

Ejemplo: Puede ser en un análisis de elecciones políticas, donde las personas eligen entre varias
opciones de partidos políticos.

Fuente: https://www.eco.uc3m.es/~ricmora/miccua/materials/S15T32_Spanish_handout.pdf

3. Explique la diferencia entre machine learning y un modelo estadístico, sustente su respuesta y cite 3
papers como mínimo.

Enfoque: Machine Learning se centra en algoritmos que aprenden patrones a partir de datos sin requerir
un modelo explícito, mientras que los modelos estadísticos se basan en la especificación explícita de un
modelo matemático.

Interpretación: Los modelos de Machine Learning tienden a priorizar la precisión de las predicciones
pero pueden carecer de interpretación, mientras que los modelos estadísticos se diseñan para ser
interpretables y explicativos.

Enfoque en los datos: Machine Learning pone un mayor énfasis en la calidad y cantidad de los datos, y
utiliza técnicas de preprocesamiento y feature engineering. Los modelos estadísticos se basan en
suposiciones más rígidas sobre la distribución de los datos.
Fuente1: https://fedefliguer.github.io/AAI/intro.html

Fuente 2: https://www.scopus.com/record/display.uri?eid=2-s2.0-
85170539529&origin=resultslist&sort=plf-
f&src=s&sid=e751cfd864504a81004359ed78fdf7cb&sot=b&sdt=b&cluster=scosubjabbr
%2C"COMP"%2Ct%2C"ENGI"%2Ct%2Bscosubtype%2C"cp"%2Ct&s=TITLE-ABS-KEY
%28"machine+learning"+AND+"statistic+model"%29&sl=55&sessionSearchId=e751cfd864504a8100435
9ed78fdf7cb

Fuente 3: https://www.scopus.com/record/display.uri?eid=2-s2.0-
85159646105&origin=resultslist&sort=plf-
f&src=s&sid=e751cfd864504a81004359ed78fdf7cb&sot=b&sdt=b&cluster=scosubjabbr
%2C"COMP"%2Ct%2C"ENGI"%2Ct%2Bscosubtype%2C"cp"%2Ct&s=TITLE-ABS-KEY
%28"machine+learning"+AND+"statistic+model"%29&sl=55&sessionSearchId=e751cfd864504a8100435
9ed78fdf7cb

4.- Según lo visto en clase esquematice y compare los servicios cognitivos que ofrece Microsoft Azure y
Google GCP, haga un cuadro comparativo entre los servicios de IA de ambas empresas. Puede consular
en internet y no olvide citar todas las fuentes.

Aunque los servicios de ambas empresas proporcionan servicios de inteligencia artificial parecidos,
presentan diferencias sustanciales en lo que respecta a sus nombres y a sus características particulares.
Por ejemplo, Azure brinda servicios para el reconocimiento de escritura a mano y análisis de
sentimientos, a diferencia de GCP, que sobresale en el reconocimiento de voz y ofrece una plataforma
más amplia de aprendizaje automático a través de Google AI Platform.

Fuente: https://azure.microsoft.com/es-es/products/ai-services?activetab=pivot:azureopenaiservicetab

Fuente: https://cloud.google.com/products/ai?hl=es