Seleccione sus preferencias de cookies

Usamos cookies esenciales y herramientas similares que son necesarias para proporcionar nuestro sitio y nuestros servicios. Usamos cookies de rendimiento para recopilar estadísticas anónimas para que podamos entender cómo los clientes usan nuestro sitio y hacer mejoras. Las cookies esenciales no se pueden desactivar, pero puede hacer clic en “Personalizar” o “Rechazar” para rechazar las cookies de rendimiento.

Si está de acuerdo, AWS y los terceros aprobados también utilizarán cookies para proporcionar características útiles del sitio, recordar sus preferencias y mostrar contenido relevante, incluida publicidad relevante. Para aceptar o rechazar todas las cookies no esenciales, haga clic en “Aceptar” o “Rechazar”. Para elegir opciones más detalladas, haga clic en “Personalizar”.

Incertidumbre aleatoria

Modo de enfoque
Incertidumbre aleatoria - AWS Guía prescriptiva

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

La incertidumbre aleatoria se refiere a la aleatoriedad inherente a los datos que no se puede explicar (aleator hace referencia en latín a alguien que lanza los dados). Algunos ejemplos de datos con incertidumbre aleatoria son los datos de telemetría ruidosos y las imágenes de baja resolución o el texto de las redes sociales. Se puede suponer que la incertidumbre aleatoria Mathematical expression showing expectation of s squared, given theta. , la aleatoriedad inherente, es constante (homocedástica) o variable (heteroscedástica), en función de las variables explicativas de entrada.

Incertidumbre aleatoria homoscedástica

La incertidumbre aleatoria homoscedástica, cuando Mathematical expression showing expectation of s squared, given theta. es constante, es el caso más simple y comúnmente encontrado en la regresión bajo el supuesto de modelado de que Mathematical equation showing y equals f of x plus epsilon. , donde Mathematical notation for a normal distribution with mean 0 and variance 1. , donde AWS icon representing a cloud service or feature. es la matriz de identidad y Pencil icon representing an edit or modification action. es una escalar constante. Es muy restrictivo asumir un riesgo aleatorio constante (asumir que el ruido Magnifying glass icon with a plus sign, indicating a zoom or search function. que genera una respuesta Letter "y" in lowercase, handwritten cursive style on a plain background. es independiente de la variable explicativa Mathematical symbol representing a partial derivative or differential operator. y constante) y rara vez refleja la realidad. Muchos fenómenos de la naturaleza no presentan una aleatoriedad constante. Por ejemplo, la incertidumbre sobre los resultados de los sistemas físicos, como el movimiento de los fluidos, suele ser una función de la energía cinética. Considere el contraste entre el flujo de agua turbulento de una cascada grande y el flujo de agua laminar de una fuente decorativa. La estocasticidad (aleatoriedad) de la trayectoria de una partícula de agua es una función de la energía cinética y, por lo tanto, no es constante. Esta suposición puede provocar la pérdida de información valiosa al modelar las relaciones entre los objetivos y las entradas que albergan un ruido variable, y no se puede explicar con la información observable. Como consecuencia, en la mayoría de los casos, no basta con asumir una incertidumbre homocedástica. A menos que se sepa que el fenómeno es de naturaleza homocedástica, el ruido inherente debe modelarse en función de las variables explicativas X icon, typically used to represent closing or canceling an action. , si es posible hacerlo.

Incertidumbre aleatoria heteroscedástica

La incertidumbre aleatoria heteroscedástica se produce cuando consideramos que la aleatoriedad inherente a los datos es una función de los datos en sí mismos Mathematical function s*(x) represented in superscript notation. . Para calcular este tipo de incertidumbre, se promedia un conjunto muestral de la varianza predictiva:

Ejemplo de conjunto de varianza predictiva

estimándose Mathematical formula showing s prime as a function of x and theta. mediante una BNN. Aprender la incertidumbre aleatoria durante el entrenamiento estimula BNNs a encapsular la aleatoriedad inherente a los datos que no se puede explicar. Si no hay una aleatoriedad inherente, Mathematical function s*(x) represented in superscript notation. debe tender a cero.

PrivacidadTérminos del sitioPreferencias de cookies
© 2025, Amazon Web Services, Inc o sus afiliados. Todos los derechos reservados.