GENERACION DE NUMEROS ALEATORIOS

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "GENERACION DE NUMEROS ALEATORIOS"

Transcripción

1 GENERACION DE NUMEROS ALEATORIOS U paso clave e smulacó es teer rutas que geere varables aleatoras co dstrbucoes especfcas: epoecal, ormal, etc. Esto es hecho e dos fases. La prmera cosste e geerar ua secueca de úmeros aleatoros dstrbudos uformemete etre 0 y 1. Luego esta secueca es trasformada para obteer los valores aleatoros de las dstrbucoes deseadas. La prmera fase es la que os cocere ahora. I. PROPIEDADES DESEADAS DE BUENOS GENERADORES Veamos como opera los geeradores para poder eteder porque uo puede ser cosderado mejor que otro. El método más comú es geerar el sguete úmero a partr de los últmos úmeros geerados: Ua de estas fucoes es: f (,,...) 1 2 ( 51 1) mod 16 S comezamos co 0 = 5 los prmeros úmeros geerados so: 10, 3, 0, 1, 6, 15, 12, 13, 2, 11, 8, 9, 14, 7, 4, 5, 10, 3, 0, 1, 6, 15, 12, 13, 2, 11, 8, 9, 14, 7, 4, 5. Las so eteros etre 0 y 15, y s las dvdmos etre 16 obteemos ua secueca de úmeros aleatoros etre 0 y 1: , , ,... S coocemos f podemos geerar la secueca e cualquer mometo s teemos el valor de 0. El valor usado para comezar la secueca es llamado semlla. Nótese que f es determístca. Dada la semlla se puede predecr co probabldad 1 los úmeros de la secueca. S embargo, los úmeros so aleatoros e el setdo de que pasa pruebas estadístcas de aleatoredad y por esto so llamados pseudo-aleatoros. E muchos casos se prefere estos úmeros e vez de los completamete aleatoros ya que es ecesaro repetr las secuecas e dsttos epermetos. S deseamos otra secueca smplemete cambamos la semlla. Nótese que e el ejemplo la secueca tee u cclo y la logtud del cclo es 16. Alguos geeradores o repte la parte cal de la secueca. Esta parte es llamada cola. E estos casos el perodo del geerador es la logtud de la cola más la logtud del cclo. Semlla Cola Logtud del cclo Perodo Prof. Herbert Hoeger Smulacó IV-1

2 La propedades deseadas del geerador so las sguetes: 1. Debe ser efcetes computacoalmete: dado que típcamete se requere varos mles de úmeros aleatoros por corrda, el tempo de procesador requerdo para geerarlos debe se pequeño. 2. El perodo debe ser largo: perodos cortos lmta la logtud aprovechable de ua corrda de smulacó porque el recclaje resulta e ua repetcó de secuecas de evetos. 3. Los valores sucesvos debe ser depedetes y uformemete dstrbudos e (0,1): la correlacó etre úmeros sucesvos debe ser pequeña y s es sgfcate dca depedeca. Las prmeras dos propedades so relatvamete fácles de mplemetar. La tercera requere u cojuto de pruebas estadístcas. Etre los geeradores que dscutremos está: Geeradores cogruecales-leales Geeradores de Fboacc eteddos Geeradores Combados II. GENERADORES CONGRUENCIALES-LINEALES (GCL) E 1951, D. H. Lehmer descubró que resduos de potecas sucesvas de u úmero tee bueas propedades aleatoras: a mod m Ua epresó equvalete para calcular después de calcular -1 es: a mod 1 m Los parámetros a y m so llamados multplcador y modulo respectvamete. Muchos de los geeradores actuales so geeralzacoes de la propuesta de Lehmer y tee la sguete forma: ( a1 b) mod m e dode los so eteros etre 0 y m-1, y las costates a y b so o-egatvas. La seleccó de a, b, y m afecta el perodo y la autocorrelacó e la secueca. Etre los resultados de los estudos realzados co estos geeradores teemos: 1. El modulo m debe ser grade. Dado que los está etre 0 y m-1, el perodo uca puede ser mayor que m. 2. Para que el computo de mod m sea efcete, m debe ser ua poteca de 2, es decr, 2 k. E este caso mod m puede ser obtedo trucado el resultado y tomado e k bts a la derecha. Prof. Herbert Hoeger Smulacó IV-2

3 Ejemplo 45 mod 16 = 45 mod 2 4 = S b es dferete de cero, el perodo mámo posble m se obtee s y solo s: a) Los eteros m y b so prmos relatvos -- o tega factores comues ecepto el 1. b) Todo úmero prmo que sea u factor de m lo es també de a-1. c) a-1 es u múltplo de 4 s m es u múltplo de 4. Todas estas codcoes se cumple s m = 2 k, a = 4c + 1, y b es mpar, dode c, b, y k so eteros postvos. S u geerador tee el perodo mámo posble se llama geerador de perodo completo. Todos los geeradores de perodo completo o so gualmete bueos. So preferbles los geeradores co meor autocorrelacó etre úmeros sucesvos. Por ejemplo, los dos geeradores sguetes so de perodo completo, pero el prmero tee ua correlacó de 0.25 etre -1 y, metras que el segudo tee ua correlacó desprecable de meos de (( 2 1) 1) mod (( 2 1) 1) mod GCL multplcatvos Los GCL presetados aterormete so GCL mtos. S el cremeto b es cero, o hay adcó y el geerador es llamado GCL multplcatvo y tee la forma: a mod 1 m Es obvo que estos so más efcetes que los mtos. Efceca adcoal puede ser obteda tomado m = 2 k. Por lo tato hay dos tpos de GCL multplcatvos depededo s m = 2 k o o. 2. GCL multplcatvos co m = 2 k. El argumeto a favor de usar m = 2 k esta e la efceca de la operacó mod. S embargo estos geeradores o so de perodo completo. El mámo perodo posble para estos geeradores es u cuarto del perodo completo: 2 k-2, y se obtee s el multplcador es de la forma 8 3 y la semlla es mpar. A pesar de esto, u cuarto de perodo mámo posble puede ser sufcete para muchas aplcacoes. Prof. Herbert Hoeger Smulacó IV-3

4 Ejemplo Cosderemos el sguete GCL multplcatvo: 5 mod 2 1 S 0 = 1, obteemos la secueca 5, 25, 29, 17, 21, 9, 13, 1, 5,..., co perodo 8 = /4. S cambamos 0 = 2, la secueca es 2, 10, 18, 26, 2, 10,..., co perodo 4. Para ver que sucede s el multplcador o es de la forma 8 3, cosderemos: 7 mod 2 1 S 0 = 1, obteemos la secueca 1, 7, 17, 23, 1, 7,..., y vemos que ambas codcoes so ecesaras para obteer el perodo mámo. 3. GCL multplcatvos co m 2 k. Ua solucó para los perodos pequeños es usar u modulo m que sea úmero prmo. Co u multplcador a adecuado se puede obteer u perodo de m - 1, que es cas el mámo perodo posble. Note que e este caso uca puede ser cero y su valor esta etre 1 y m - 1. Todo GLC multplcatvo co perodo m - 1 se dce que es de perodo completo. Se puede demostrar que u GLC multplcatvo es de perodo completo s y solo s el multplcador a es ua raíz prmtva del modulo m; a es ua raíz prmtva de m s y solo s a mod m 1 para = 1, 2,..., m- 2. Ejemplo Cosderemos el sguete GCL multplcatvo: 3 mod 1 S 0 = 1, obteemos la secueca 1, 3,..., co perodo 30 y por lo tato es de perodo completo. S usamos a = 5, obteemos la secueca 1, 5, 25, 1,... que es de perodo 3. Note que 3 es ua raíz prmtva de ya que el meor etero postvo de tal que 3 mod = 1 es = 30, y 5 o lo es ya que 5 3 mod = El sguete es u GCL multplcatvo es de perodo completo: 5 7 mod ( 2 1) 1 Este geerador data de prcpos de los 70 y fue usado e dversos sstemas de IBM, el sstema operatvo PRIMOS, la lbrería cetífca IMSL, y e los leguajes de smulacó SIMAN y ARENA etre otros. Su cclo es de logtud 2-2 ~ Este geerador es bastate aceptado ya que ha sdo be probado y produce bueas secuecas de úmeros. Las propedades del GCL so garatzadas solo s los cómputos so realzados eactamete y s errores Prof. Herbert Hoeger Smulacó IV-4

5 de redodeo. Hay que usar artmétca etera s desbordametos. Hay que teer cudado s se usa leguajes como BASIC ya que los cálculos so hechos usado úmeros reales dode el trucameto puede reducr cosderablemete el perodo. El segudo problema esta e que a -1 puede eceder el mámo etero permtdo e el sstema, causado desbordameto de eteros. Ua solucó esta basada e la sguete detdad (método de Schrage): a mod m = g() + mh() dode g() = a( mod q) - r( dv q) y h() = ( dv q) - (a dv m) dode q = m dv a y r = m mod a. Se puede demostrar que para todos los etre 1 y m-1, hay meos de m-1 epresoes volucradas e calcular g(). Además, s r < q, h() es 0 o 1 y puede ser ferdo de g(): h() es 1 s y solo s g() < 0. Ejemplo Cosderemos el sguete GCL multplcatvo: 5 7 mod ( 2 1) 1 o mod El producto a -1 puede llegar a ser Ua mplemetacó drecta producrá u desborde de eteros ecepto que el sstema use eteros de 46 bts o más. E uestro caso: a = m = q = m dv a = dv = r = m mod a = mod = El programa que se muestra a cotuacó mplemeta correctamete el geerador e sstemas e los cuales el mámo etero sea 2-1 o mayor. Para probar s la mplemetacó es correcta calcule comezado co 0 = 1 y debe dar Prof. Herbert Hoeger Smulacó IV-5

6 Programa program prueba_radom; Salda var,: teger; ra: real; fucto radom(var :teger): real; cost a = 16807; { multplcador } m = ; { modulo } q = ; { m dv a } r = 2836; { m mod a} beg := a*( mod q) - r*( dv q); f < 0 the := + m; radom := /m; ed; beg :=1; { semlla } for :=1 to do ra:=radom(); wrtel(); ed. III. GENERADORES DE FIBONACCI EXTENDIDOS Ua secueca de Fboacc se geera por la sguete relacó: = Se puede tetar usar u geerador de la forma: = ( ) mod m s embargo esta secueca o tee bueas propedades aleatoras y e partcular tee alta correlacó seral. El sguete geerador, que sgue este efoque, pasa la mayoría de las pruebas estadístcas: = mod 2 k Para mplemetar este geerador se puede usar 17 localdades de memora L[1],..., L[17] las cuales so calzadas co 17 eteros que o sea todos pares. Fjamos y j e 5 y 17 respectvamete, y el sguete procedmeto es ejecutado para obteer los úmeros aleatoros: := L[] + L[j]; L[] := ; := - 1; f = 0 the := 17; j:= j - 1; f j = 0 the j := 17; Prof. Herbert Hoeger Smulacó IV-6

7 La adcó e la prmera líea es automátcamete mod 2 k e maquas de k-bts y artmétca de complemeto a 2. El perodo del geerador es 2 k (2 17-1) que es cosderablemete mayor al que se puede obteer co GCL. IV. GENERADORES COMBINADOS Es posble combar geeradores para obteer mejores geeradores. Alguas de las téccas usadas so: 1. OR-eclusvo de úmeros aleatoros de dos o más geeradores. Esta técca es smlar a la ateror ecepto que la suma es reemplazada por u or-eclusvo bt por bt. Se ha demostrado que esta técca aplcada a úmeros lgeramete aleatoros puede ser usada para geerar úmeros co mayor aleatoredad. 2. Barajeo. Usa ua secueca como u ídce para decdr que úmero geerado por otra secueca será retorado. Por ejemplo, uo de estos algortmos usa u arreglo de tamaño 100 que cotee úmeros de ua secueca aleatora. Para geerar u úmero aleatoro se geera u úmero aleatoro y (etre 0 y m-1) para obteer el ídce = y / (m-1). El valor del -esmo elemeto del arreglo es devuelto. U uevo valor es calculado y almaceado e la -esma localdad. IV. GENERADORES CONGRUENCIALES LINEALES COMBINADOS Auque estos geeradores cae detro de la seccó ateror, su relevaca amerta su dscusó por separado. 5 Cosderemos uevamete el geerador 7 mod ( 2 1). E la medda que las computadoras 1 se ha vuelto más rápdas, la logtud de su cclo se ha torado adecuada ya que se corre el resgo de que, e uas cuatas horas de smulacó, la secueca se agote y se repta varas veces trayedo como cosecueca seras dudas e cuato a la valdez de los resultados. Supogamos que teemos ua máqua co u procesador de 1GHz. Esto so 10 9 cclos o tcs del reloj por segudo. Supogamos també que el procesador es capaz de geerar u úmero aleatoro por cclo (esto es muy optmsta ya que e realdad se requere varos cclos para producr u úmero aleatoro debdo a las 9 operacoes volucradas). Bajo estas codcoes se agotaría la secueca e seg. Por 10 supuestos que será e más tempo, pero se observa que efectvamete esta secueca es fáclmete agotable durate ua smulacó. Ua maera para cosegur geeradores co perodos más largos cosste e sumar úmeros aleatoros de dos o más geeradores. El sguete resultado debdo a L Ecuyer ( muestra como esto puede ser realzado. S W,1, W,2,..., W,k so varables aleatoras dscretas depedetes, o ecesaramete détcamete dstrbudas, y ua de ellas, dgamos la prmera W,1, es etera y uforme e 0 a m 1-1, etoces k W W, j mod m1 1 j1 Prof. Herbert Hoeger Smulacó IV-7

8 es uforme sobre los eteros 0 a m 1-2. Veamos como esto puede ser usado para combar geeradores. Sea X,1, X,2,..., X,k la -esma salda de k geeradores cogruecales multplcatvos dferetes y dode el j-esmo geerador tee modulo prmo m j y su multplcador a ha sdo seleccoado de forma tal que tega perodo mámo m j 1. L Ecuyer sugere geeradores combados de la forma: k j1 X ( 1) X, j mod m1 1 j1 X X 0 m1 R m 1 1 X 0 m1 ( m1 1)( m2 1)...( m 1) y el perodo mámo posble es P k. k 1 2 Uo de estos geeradores combados usa: = mod (2-85) y = 40692y -1 mod (2-249) para obteer w = ( - y ) mod (2-86) R w (2 85) (2 86) (2 85) w w 0 0 (2 86)(2 250) 18 co u perodo apromado P 2.0. E este caso se ecesta dos semllas 2 1 o y 2 y o para comezar la geeracó. Hacedo cálculos y supuestos smlares a los aterores, tedríamos que la secueca se cosumría e años Obsérvese que los úmeros que produce los dos geeradores báscos ( y y ) está etre 0 y 2 apromadamete, y la secueca w solo se repte cuado estos geeradores báscos, ambos, cocde uevamete e los valores usados para arracarlos (las semllas: o y y o ), es decr, la secueca se repte solo cuado los geeradores báscos se scroza e = o y y = y o. No es como e el caso de u solo geerador e que al repetrse u úmero de la secueca esta també se repta. Ahora los úmeros puede repetrse s que mplque que la secueca se repta. Prof. Herbert Hoeger Smulacó IV-8

9 Para fes de lustracó cosderemos geeradores be cortos como so: obteedo las sguetes secuecas: = 3-1 mod 5 y = 5y -1 mod 7 w = ( - y ) mod y w (5 1)(7 1) y vemos que el perodo de w es de tamaño 12 cocdedo co la epresó del perodo 2 apromado establecdo por L Ecuyer. Observe també que el cclo para se repte 3 veces y el de y se repte 2 ates de que ambas secuecas cocda uevamete e las semllas cales y se repta el cclo de w, y que a pesar de que e la secueca w se repte úmeros esto o mplca que se repta la secueca. Para eteder los valores de w e la tabla ateror, hay que teer clara la defcó de mod. Cosderemos -340 mod 60 y 340 mod 60. La fucó modulo se defe como la catdad e que u úmero ecede el mayor etero múltplo del dvsor que o sea mayor que ese úmero. E este caso, -340 esta etre -360 y -300, así que -360 (-6*60)es el mayor múltplo meor que -340 (-300 es mayor que -340). Restamos -360 de -340 y obteemos 20. Así que -340 mod 60 = 20 y 340 mod 60 = 40. La fucó mod sempre retora valores postvos = == S los años, que e realdad so mucho más debdo a uestro optmsta supuesto de geerar u aleatoro por cclo, mpresoa, cosderemos el sguete geerador que esta sedo usado e la últmas versoes de ARENA: Z Z Y 1, 2, ( Z (527612Z ( Z 1, (2 R (2 (2 Z Y 2, ) 2, 1 208) 209) 208) 1, 2 mod Z Z Y Y ( , 3 209) ) 2, 3 ) mod mod (2 (2 209) 22853) Prof. Herbert Hoeger Smulacó IV-9

10 Co u perodo apromado de Hacedo uevamete los supuestos y cálculos aterores teemos 9.80 años Este geerador ecesta 6 semllas (Z 1,0, Z 1,1, Z 1,2, Z 2,0, Z 2,1, Z 2,2 ), y a pesar de que es u poco más costoso computacoalmete que u geerador smple, co las velocdades de la máquas de hoy e día o hay gú problema e usarlos. L Ecuyer determo sus parámetros después de u eteso estudo. V. ALGUNOS GENERADORES DE NUMEROS ALEATORIOS U geerador GCL muy popular y que ya hemos mecoado varas veces es: 5 7 mod ( 2 1) 1 Este es usado e el sstema SIMPL/I de IBM (1972), APL de IBM (1971), el sstema operatvo PRIMOS de Prme Computer (1984), y la lbrería cetífca de IMSL (1987). Tee bueas propedades aleatoras y es recomedado como u estádar mímo. U estudo de geeradores multplcatvos GCL co modulo m = 2-1 que comparo su efceca y aleatoredad, recomeda los dos sguetes como los mejores: mod ( 2 1) mod ( 2 1) 1 El sguete geerador es usado e SIMSCRIPT II.5 y e FORTRAN DEC-20: mod ( 2 1) 1 El sguete geerador es usado e el sstema Pascal de la Uversdad de Sheffeld para computadores Prme: mod 2 1 Dado que o es de la forma 8 3, este geerador o tee el perodo mámo posble de 2-2. També es usado e la subruta UNIFORM del paquete estadístco SAS, pero ua técca de barajeo es usada para mejorar la aleatoredad. SIMULA e UNIVAC usa: 13 5 mod 2 Alguos autores dce que o tee bueas propedades aleatoras. El sstema operatvo UNIX soporta e sguete GCL mto: 1 ( ) mod Dseñar uevos geeradores parece muy smple, pero muchos geeradores propuestos por epertos estadístcos fuero ecotrados defcetes. Por lo tato es mejor usar u geerador que ha sdo etesamete probado e vez de vetar uo uevo. Prof. Herbert Hoeger Smulacó IV-10

11 VI. SELECCIÓN DE LA SEMILLA E prcpo la semlla o debería afectar los resultados de la smulacó. S embargo, ua mala combacó de semlla y geerador puede producr coclusoes erróeas. S el geerador es de perodo completo y solo se requere ua varable aleatora, cualquer semlla es buea. Hay que teer especal cudado e smulacoes que requere úmeros aleatoros para más de ua varable (smulacoes de secuecas múltples), que es la mayoría de los casos. Por ejemplo, la smulacó de ua cola smple requere geerar llegadas y servcos aleatoros y requere dos secuecas de úmeros aleatoros. Recomedacoes para la seleccó de las semllas: 1. No use cero. Cero fucoa para geeradores GCL mtos pero hace que los multplcatvos se quede e cero. 2. Evte valores pares. S u geerador o es de perodo completo (por ejemplo GCL multplcatvo co modulo m = 2 k ) la semlla debe ser mpar. E otros casos o mporta. 3. No subdvda ua secueca. Usar ua úca secueca para todas las varables es u error comú. Por ejemplo, e la secueca u 1, u 2,... geerada a partr de la semlla u 0, el aalsta usa u 1 para geerar el tempo etre llegadas, u 2 para el tempo de servo, etc. Esto puede resultar e ua fuerte correlacó etre las varables. 4. Use secuecas que o se solapa. Cada secueca requere su semlla. S la semlla es tal que hace que dos secuecas se solape, habrá correlacó etre las secuecas y estas o será depedetes. Cosderemos el ejemplo trval de car las dos secuecas de ua cola smple co la msma semlla, lo cual haría las secuecas détcas e troducría ua fuerte correlacó postva etre los tempos etre llegadas y los tempos de servco. Esto puede llevar a coclusoes erróeas. Hay que seleccoar las semllas de forma tal que las secuecas o se solape. S u 1, u 2,... geerada a partr de la semlla u 0, y ecestamos por ejemplo tempos etre llegadas, tempos de servcos, etc., podemos seleccoar u 0 como la semlla de la prmera secueca, u para la seguda, u para la tercera, etc. Los u se puede determar medate u programa de prueba que llama al geerador o se puede calcular drectamete para geeradores GCL mtos o multplcatvos (b = 0) co la formula sempre que los cálculos sea eactos: a o ba ( 1) a 1 5. Reuse semllas e replcacoes sucesvas. S el epermeto es replcado varas veces, la secueca o ecesta ser recalzada y se puede usar la semlla dejada e la replcacó preva. 6. No use semllas aleatoras. Semllas aleatoras, como por ejemplo la hora del día, causa dos problemas: La smulacó o puede ser reproducda. No se puede garatzar que secuecas múltples o se solape. mod m Prof. Herbert Hoeger Smulacó IV-11

12 VII.MITOS SOBRE LA GENERACIÓN DE NÚMEROS ALEATORIOS Estos so alguos mtos que aalstas desformados puede creer certos: 1. U cojuto de operacoes complejas lleva a resultados aleatoros. Resultados dfícles de predecr o ecesaramete so aleatoros. Es mejor usar operacoes smples cuya aleatoredad pueda ser evaluadas aalítcamete. 2. Ua sola prueba como la ch-cuadrado es sufcete para probar s el geerador es bueo. Obvamete la secueca 0, 1, 2,..., m-1 o es aleatora, s embargo pasa la prueba ch-cuadrado. E geeral se debe evtar vetar geeradores a o ser que se sea u eperto estadístco. 3. Números aleatoros so mpredecbles. U secueca realmete aleatora debe ser completamete mpredecble. Este o es el caso para los geeradores de úmeros pseudo-aleatoros. Dada ua escasa secueca de úmeros de u GCL, fáclmete se puede determar los parámetros a, b, y m, y predecr toda la secueca. Por lo tato, GCL o so aptos e aplcacoes crptográfcas e las cuales se requere secuecas mpredecbles. 4. Alguas semllas so mejores que otras. Esto puede ser certo e alguos casos, por ejemplo e 17 ( ) mod ( 2 1) 1 s se usa como semlla el geerador se queda pegado e este úmero. Geeradores que tega restrccoes respecto a la semlla debe ser evtados. 5. Implemetacó eacta o es relevate. El perodo y la aleatoredad de u geerador se garatza solo s es mplemetado eactamete s desbordes, trucametos o redodeos. Prof. Herbert Hoeger Smulacó IV-12

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

PROBANDO GENERADORES DE NUMEROS ALEATORIOS PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

1.1 INTRODUCCION & NOTACION

1.1 INTRODUCCION & NOTACION 1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros . alcular el motate que obtedremos al captalzar 5. euros al 5% durate días (año cvl y comercal). Solucó: 5., euros (cvl); 5.,5 euros (comercal). 5. o ' 5,5 5,8 5,5 ' 5. 5.,5) 5,5) 5., 5.,5. alcular el

Más detalles

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó

Más detalles

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

Más detalles

Guía práctica para la realización de medidas y el cálculo de errores

Guía práctica para la realización de medidas y el cálculo de errores Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;

Más detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

Más detalles

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Uversdad Rey Jua Carlos ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Lus Rcó Córcoles Lceso J. Rodríguez-Aragó Programa. Itroduccó. 2. Defcó de redmeto. 3. Meddas para evaluar el redmeto. 4. Programas para

Más detalles

4 METODOLOGIA ADAPTADA AL PROBLEMA

4 METODOLOGIA ADAPTADA AL PROBLEMA 4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor

Más detalles

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que

Más detalles

Métodos indirectos de estimación: razón, regresión y diferencia

Métodos indirectos de estimación: razón, regresión y diferencia Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó

Más detalles

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2004

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2004 Solució del eame de Ivestigació Operativa de Sistemas de septiembre de 4 Problema (,5 putos: Ua marca de cereales para el desayuo icluye u muñeco de regalo e cada caja de cereales. Hay tres tipos distitos

Más detalles

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones:

Figura 1. Figura 2. Para realizar este análisis asumiremos las siguientes condiciones: Coverdor PUH PU El coverdor Push Pull es u coverdor que hace uso de u rasformador para eer aslameo ere la esó de erada y la esó de salda. Posee además ua ducaca magezae propa del rasformador que como al

Más detalles

6.2.- Funciones cóncavas y convexas

6.2.- Funciones cóncavas y convexas C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.

Más detalles

Probabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C

Probabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C Los axomas de la probabldad obabldad El prmer paso para descrbr la certdumbre es cosderar el cojuto de posbles resultados obtedos a partr de u expermeto aleatoro. Este cojuto es llamado espaco muestral

Más detalles

Inferencia Estadística

Inferencia Estadística Ifereca Estadístca Poblacó y muestra Coceptos y defcoes Muestra Aleatora Smple (MAS) Cosderemos ua poblacó, cuya fucó de dstrbucó esta dada por F(), la cual está costtuda por u úmero fto de posbles valores,

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

1 Sucesiones. Ejemplos. a n = n a n = n! a n = n n. a n = p n. a n = 2n3 + n 2 + 5 n 2 + 8. a n = ln(n)

1 Sucesiones. Ejemplos. a n = n a n = n! a n = n n. a n = p n. a n = 2n3 + n 2 + 5 n 2 + 8. a n = ln(n) 1 Sucesioes De ició. Ua sucesió, a, es ua fució que tiee como domiio el cojuto de los úmeros aturales y como cotradomiio el cojuto de los úmeros reales: a : N! R. Se usa la siguiete otació: a () = a :

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

Conceptos y ejemplos básicos de Programación Dinámica

Conceptos y ejemplos básicos de Programación Dinámica Coceptos y eemplos báscos de Programacó Dámca Wlso Julá Rodríguez Roas ularodrguez@hotmal.com Trabao de Grado para Optar por el Título de Matemátco Drector: Pervys Regfo Regfo Igeero Uversdad Nacoal de

Más detalles

Gestión de operaciones

Gestión de operaciones Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar

Más detalles

x x x x x Y se seguía operando

x x x x x Y se seguía operando . INTRODUCCIÓN. DEFINICIONES UNIDAD : Números complejos Cuado se teta resolver ecuacoes de segudo grado como por ejemplo x 4x 0, se observa que o 4 6 5 4 6 tee solucoes reales x x, pues o exste raíces

Más detalles

Simulación de sistemas discretos

Simulación de sistemas discretos Smulacó de sstemas dscretos Novembre de 006 Álvaro García Sáchez Mguel Ortega Mer Smulacó de sstemas dscretos. Presetacó... 4.. Itroduccó... 4.. Sstemas, modelos y smulacó... 4.3. Necesdad de la smulacó...

Más detalles

Introducción a la simulación de sistemas discretos

Introducción a la simulación de sistemas discretos Itroduccó a la smulacó de sstemas dscretos Novembre de 6 Álvaro García Sáchez Mguel Ortega Mer Itroduccó a la smulacó de sstemas dscretos. Presetacó.. Itroduccó El presete documeto trata sobre las téccas

Más detalles

2.4 Pruebas estadísticas para los números pseudoaleatorios

2.4 Pruebas estadísticas para los números pseudoaleatorios Capítulo Números pseudoaleatoros.4 Pruebas estadístcas para los úmeros pseudoaleatoros 34 E la seccó. se presetaro dversos algortmos para costrur u cojuto r, pero ése es sólo el prmer paso, ya que el cojuto

Más detalles

Laboratorio de Simulación Práctica 1: GENERACIÓN DE SEÑALES Y ANÁLISIS DE DATOS INTRODUCCIÓN TEÓRICA

Laboratorio de Simulación Práctica 1: GENERACIÓN DE SEÑALES Y ANÁLISIS DE DATOS INTRODUCCIÓN TEÓRICA Laboratoro de Smulacó Práctca : GENERACIÓN DE SEÑALES Y ANÁLISIS DE DATOS INTRODUCCIÓN TEÓRICA 0. Itroduccó: * SIMULACIÓN: "Epermetar co modelos matemátcos e u computador" Esquema geeral: Geeracó de señales

Más detalles

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS Beatrz Marró Uversdad Nacoal del Sur, beatrz.marro@us.edu.ar Resume: El objetvo de este trabajo es geeralzar

Más detalles

Introducción a la Programación Lineal

Introducción a la Programación Lineal Itroduccó a la Programacó Leal Clauda Llaa Daza Garzó cldaza@uversa.et.co Trabajo de Grado para Optar por el Título de Matemátco Drector: Pervys Rego Rego Igeero Uversdad Nacoal de Colomba Fudacó Uverstara

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS

Más detalles

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo

Más detalles

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A

PRIMERA PRUEBA DE TÉCNICAS CUANTITATIVAS III. 14-Abril-2015. Grupo A PRIMERA PRUEBA DE TÉCICAS CUATITATIVAS III. 14-Abrl-015. Grupo A OMBRE: DI: 1. Se quere hacer u estudo sobre gasto e ropa e ua comarca dode el 41% de los habtates so mujeres. (1 puto) Se decde tomar ua

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa Error tpo I: Rechazar H sedo H Verdara Test Hpótess Error tpo II: No rechazar H sedo H Falsa Nvel Sgfcacó: = P(error tpo I = P(Rechazar H sedo H Verdara Probabldad error tpo II: = P(error tpo II = P(No

Más detalles

Escrito. 1) Transforma a las bases indicadas:

Escrito. 1) Transforma a las bases indicadas: Escrto ) Trasforma a las bases dcadas: a. 765 base (0) b. AB base 7 0 (6) base ) Halla los dígtos a y b sabedo que: aam 6 ( 5 ) mam( 6 ) 3) Trasforma a la base dcada usado ua tabla de correspodeca.. 00

Más detalles

5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor.

5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor. GRADO DE INGENIERÍA AEROESPACIAL. CURSO 00. Lecció. Fucioes y derivada. 5. Aproimació de fucioes: poliomios de Taylor y teorema de Taylor. Alguas veces podemos aproimar fucioes complicadas mediate otras

Más detalles

ERRORES EN LAS MEDIDAS (Conceptos elementales)

ERRORES EN LAS MEDIDAS (Conceptos elementales) ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas

Más detalles

GENERACIÓN DE SECUENCIAS BINARIAS PSEUDO ALEATORIAS POR MEDIO DE UN MAPA CAÓTICO 3D. C.M. González, H. A. Larrondo, C. A. Gayoso, L. J.

GENERACIÓN DE SECUENCIAS BINARIAS PSEUDO ALEATORIAS POR MEDIO DE UN MAPA CAÓTICO 3D. C.M. González, H. A. Larrondo, C. A. Gayoso, L. J. GENERACIÓN DE SECUENCIAS BINARIAS PSEUDO ALEATORIAS POR MEDIO DE UN MAPA CAÓTICO 3D. C.M. Gozález, H. A. Larrodo, C. A. Gayoso, L. J. Aroe Facultad de Igeería. Uversdad Nacoal de Mar del Plata Argeta Jua

Más detalles

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva

Más detalles

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO Nota: A partr del de julo de 200, las empresas reporta a la SBS formacó más segmetada de las tasas de terés promedo de los crédtos destados a facar

Más detalles

Análisis de Regresión y Correlación Lineal

Análisis de Regresión y Correlación Lineal Aálss de Regresó y Correlacó Leal 2do C. 2018 Mg. Stella Fgueroa Clase Nº 14 Tpos de relacoes etre varables Exste u compoete aleatoro por lo que las predccoes tee asocado u error de predccó. Modelo determsta

Más detalles

MATEMÁTICAS FINANCIERAS

MATEMÁTICAS FINANCIERAS MAEMÁICAS FINANCIERAS Aloso ÍNDICE. INERÉS SIMPLE 4. CONCEPOS PREVIOS... 4.2 DEFINICIÓN DE INERÉS SIMPLE... 4.3 FÓRMULAS DERIVADAS... 6.4 INERPREACIÓN GRÁFICA... 8 2. INERÉS COMPUESO 9 2. DEFINICIÓN DE

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

Topología General Capítulo 0-2 -

Topología General Capítulo 0-2 - Topología Geeral Topología Geeral apítulo - - - - Topología Geeral apítulo - 3 - Breve reseña hstórca Sus orígees está asocados a la obra de Euler, ator y Möbus. La palabra topología había sdo utlzada

Más detalles

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro) UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u

Más detalles

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso Cotrol de procesos Hstórcamete ha evolucoado e dos vertetes: Cotrol automátco de procesos (APC) empresas de produccó cotua (empresas químcas) Cotrol estadístco de procesos (SPC) e sstemas de produccó e

Más detalles

www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve Correo electrónico: josearturobarreto@yahoo.com

www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve Correo electrónico: josearturobarreto@yahoo.com Autor: José Arturo Barreto M.A. Págias web: www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve El cocepto de límite Correo electróico: josearturobarreto@yahoo.com Zeó de Elea (90 A.C) plateó la

Más detalles

Aplicación de Boostrapping en Regresión I

Aplicación de Boostrapping en Regresión I Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores

Más detalles

División de Evaluación Social de Inversiones

División de Evaluación Social de Inversiones MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013

Más detalles

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE : Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1

INTRODUCCIÓN AL ANÁLISIS DE ENCUESTAS COMPLEJAS 1 63 ITRODUCCIÓ AL AÁLISIS DE ECUESTAS COMPLEJAS MARCELA PIZARRO BRIOES ISTITUTO ACIOAL DE ESTADÍSTICA (IE CHILE Para presetarse e el Taller Regoal del MECOVI: La Práctca del Muestreo para el Dseño de las

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

Distribución conjunta de variables aleatorias

Distribución conjunta de variables aleatorias FCEyN - Estadístca para Quíca - do. cuat. 006 - Marta García Be Dstrbucó cojuta de varables aleatoras E uchos probleas práctcos, e el so expereto aleatoro, teresa estudar o sólo ua varable aleatora so

Más detalles

Guía para la Presentación de Resultados en Laboratorios Docentes

Guía para la Presentación de Resultados en Laboratorios Docentes Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las

Más detalles

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar

Más detalles

ANÁLISIS DEL PROBLEMA DE LOS MONOS Y LOS COCOS. (Resolución por JMEB.)

ANÁLISIS DEL PROBLEMA DE LOS MONOS Y LOS COCOS. (Resolución por JMEB.) ANÁLISIS DEL PROBLEMA DE LOS MONOS Y LOS OOS. (Resolució por JMEB.) 1. Defiició. El problema cosiste e calcular la catidad de cocos que había iicialmete e u motó que... ierto día se reuiero moos para recoger

Más detalles

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205 Aálss amortzado Téccas Avazadas de Programacó - Javer Campos 205 Aálss amortzado El pla: Coceptos báscos: Método agregado Método cotable Método potecal Prmer ejemplo: aálss de tablas hash dámcas Motículos

Más detalles

COMENTARIOS Y ANÁLISIS DEL FACTOR DE PRODUCTIVIDAD PROPUESTO POR OSIPTEL PARA EL PLAN DE REGULACIÓN POR PRECIOS TOPE 2004 2007

COMENTARIOS Y ANÁLISIS DEL FACTOR DE PRODUCTIVIDAD PROPUESTO POR OSIPTEL PARA EL PLAN DE REGULACIÓN POR PRECIOS TOPE 2004 2007 OMNTARIOS Y ANÁLISIS DL FATOR D PRODUTIVIDAD PROPUSTO POR OSIPTL PARA L PLAN D RGULAIÓN POR PRIOS TOP 2004 2007 APLIAIÓN D LA VARIABL M por Davd. M. Sappgto RSUMN JUTIVO ste forme preseta ua evaluacó de

Más detalles

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE) Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó

Más detalles

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES

Introducción a la Transformada Wavelet DESCOMPOSICIÓN DE SEÑALES Itroduccó a la Trasformada Wavelet DESCOMPOSICIÓN DE SEÑALES Trasformada Wavelet Curso 006 Itroduccó Para ua mejor compresó de los capítulos sguetes desarrollaremos aquí alguos coceptos matemátcos ecesaros

Más detalles

Análisis de Regresión y Correlación Lineal

Análisis de Regresión y Correlación Lineal Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres

Más detalles

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL TIPOS DE RELACIONES ENTRE VARIABLES Dos varables puede estar relacoadas por: Modelo determsta Modelo estadístco Ejemplo: Relacó de la altura co la edad e ños.

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores

Más detalles

. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( )

. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( ) Los úmeros complejos surje a ra de ecuacoes de la forma x + 0 Exste u certo paralelsmo etre este cuerpo el plao, cocretamete, lo que ha es ua correspodeca buívoca, es decr, ua relacó bectva etre C R R

Más detalles

GENERACION DE VARIABLES ALEATORIAS

GENERACION DE VARIABLES ALEATORIAS GENERACION DE VARIABLES ALEATORIAS Hay ua varedad de métodos para geerar varables aleatoras. Cada método se aplca solo a u subcojuto de dstrbucoes y para ua dstrbucó e partcular u método puede ser más

Más detalles

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO. Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple 1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular

Más detalles

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas. Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra

Más detalles

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO ECEL D. Fracsco Parra Rodríguez. Jefe de Servco de Estadístcas Ecoómcas y Socodemográfcas. Isttuto Cátabro de Estadístca. Dª.

Más detalles

Modelos de Regresión Simple

Modelos de Regresión Simple Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

Supongamos que hemos aplicado el test F y hemos rechazado la H0.

Supongamos que hemos aplicado el test F y hemos rechazado la H0. Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos

Más detalles

RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental.

RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental. RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN Los métodos de regresó se usa para estudar la relacó etre dos varables umércas. Este tpo de problemas aparece co frecueca e el

Más detalles

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto: Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,

Más detalles

UNIVERSIDAD DE BUENOS AIRES

UNIVERSIDAD DE BUENOS AIRES NIVERSIA E BENOS AIRES FACLTA E INGENIERÍA EPARTAMENTO E IRÁLICA Cátedra de Costruccoes dráulcas Tuberías e Sere y e Paralelo Ig. Lus E. Pérez Farrás - Novembre 003 - epartameto de dráulca Cátedra de Costruccoes

Más detalles

3. Unidad Aritmética Lógica (ALU)

3. Unidad Aritmética Lógica (ALU) 3. Udd rtmétc Lógc (LU) bordremos los spectos que permte l mplemetcó de l rtmétc de u computdor, trbuto fucol de l Udd rtmétc Lógc (LU). Prmero se revstrá lo relcodo l form de represetr los úmeros como

Más detalles

Transformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas

Transformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas 5º Curso-Tratameto Dgtal de Señal Trasformada Z Defcó y Propedades Trasformada Iversa Fucó de Trasfereca Dscreta Aálss de Sstemas 7//99 Capítulo 7: Trasformada Z Defcó y Propedades 5º Curso-Tratameto Dgtal

Más detalles

MEDIDAS DE CENTRALIZACIÓN

MEDIDAS DE CENTRALIZACIÓN Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional. 7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de

Más detalles

CÁLCULO NUMÉRICO (0258)

CÁLCULO NUMÉRICO (0258) CÁLCULO NUÉRICO (58) Tema 4. Apromacó de Fucoes Juo. Ecuetre los polomos de meor grado que terpola a los sguetes cojutos de datos plateado y resolvedo u sstema de ecuacoes leales: 7 y 5-4 7 y 4 9 6.5.7.

Más detalles

El Problema de Búsqueda

El Problema de Búsqueda Aálss y Dseño de Algortmos El Problema de Búsqueda Arturo Díaz Pérez Cojutos estátcos Arboles de decsó para búsqueda Cojutos dámcos Arboles de búsqueda bara Aálss del peor caso Aálss del caso promedo Arboles

Más detalles

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre Tema. La medda e Físca Estadístca de la medda Cfras sgfcatvas e certdumbre Cotedos Herrameta para represetar los valores de las magtudes físcas: los úmeros Sstemas de udades Notacó cetífca Estadístca de

Más detalles

PARÁMETROS ESTADÍSTICOS ... N

PARÁMETROS ESTADÍSTICOS ... N el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto

Más detalles