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

Save this PDF as:
 WORD  PNG  TXT  JPG

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

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

Transcripción

1 CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS Beatrz Marró Uversdad Nacoal del Sur, Resume: El objetvo de este trabajo es geeralzar el cálculo del acho de bada efectvo asocado al flujo X t, para el caso e que la fuete puede asumr dsttos estados y la velocdad co que despacha formacó es ua varable aleatora cotua que depede del estado e que se ecuetra la fuete. Más precsamete, supoemos que ua fuete e ua red de datos asume e el state s, el estado Z s, dode Z s es ua cadea de Markov homogéea, a tempo cotuo e rreducble, co espaco de estados {1,, k} y dstrbucó varate π. Cuado la cadea Z s alcaza el estado, la velocdad Y s co la cual la fuete trasmte datos es ua varable aleatora cotua, depedete de la cadea Z, co fucó de desdad f, 1 k. Defmos etoces, Flujo Markovao modulado por Y t, al proceso X t t Y s ds, que represeta el trabajo acumulado e el tervalo [, t] recbdo desde la fuete. El cálculo del Acho de Bada Efectvo se realza medate la geeralzacó de fórmulas del tpo Kesds- Walrad-Chag. Palabras clave: Flujo Markovao, acho de bada efectvo. 1. INTRODUCCIÓN La telecomucacó se está desarrollado cada vez más haca las redes dgtales se servcos tegrados, es decr redes capaces de trasportar dsttos tpos de formacó como vdeo, voz, datos, todos ellos e forma dgtal y e muchos casos e tempo real. Este tpo de redes de telecomucacó se modela medate u sstema multplexor, dode varos flujos de datos comparte ua úca salda y podemos pesar al sstema como u servdor que puede procesar el trabajo que recbe desde varas fuetes dsttas a ua tasa costate c, además puede almacear e u buffer hasta ua certa catdad b de udades de trabajo pero el trabajo que arrba cuado el buffer está completo se descarta y por lo tato uca será procesado. U ejemplo de este tpos de redes es la Iteret, cuya polítca tradcoal de trabajo es el "Best effort": hacer lo que puede dvdedo sus recursos etre todas las solctudes. S e u state muchas comucacoes debe usar u msmo elace de salda, los paquetes se va almaceado e cola buffers esperado su turo, esto produce retardo y s el buffer se llea los paquetes se perde. Las aplcacoes tradcoales de Iteret so los mals, la trasfereca de archvos y el uso de la Web dode los retardos o afecta demasado y las pérddas se solucoa co retrasmsoes pero e los uevos servcos que puede ofrecer la Iteret como so las comucacoes de voz y vdeo, tato el retardo como la pérdda de paquetes so crítcas. La causa más sgfcatva de retardo y pérddas de paquetes e los buffers, es el exceso de tráfco e el caal de trasmsó, por lo que es ecesaro propoer modelos estocástcos y téccas estadístcas que permta cotrolar las probabldades de cogestó o de pérdda de paquetes y establecer codcoes para poder realzar cada tarea demadada. Coocer etoces, cuato de los recursos dspoble ecesta cada coexó tee aplcacó drecta a lo que se llama cotrol de admsó de coexoes CAC ya que ua ueva coexó puede ser aceptada s hay sufcetes recursos dspobles y el preco de la coexó debería ser, de algua forma, proporcoal a los recursos ecesaros. Al tomar la decsó de aceptar ua ueva coexó, se deber estmar cuato ocupará esta e el caal de comucacó, para saber s al añadr el uevo tráfco se puede mateer la caldad de servco QoS, tato de la ueva coexó como de las ya exstetes. Hay dos límtes claros para estos requermetos: por u lado se podría reservar la tasa máxma de trasmsó para cada coexó que daría lugar a u multplexor determístco,y s be o hay posbldad

2 de buffer overflow es decr o queda trabajo s procesar, la utlzacó del elace es muy pobre. Por otro lado, se podría reservar la tasa meda de trasmsó para cada coexó, que permte utlzar e meda el ce por ceto del elace, pero es evtable que exsta buffer overflow. Etoces, dada ua certa QoS requerda probabldad de pérdda de trabajo, retardo e el tempo de procesameto, etc. la catdad de recursos que deberá reservarse para cada coexó, está e algú lugar etre la tasa meda y la tasa máxma de dcha coexó. Esta catdad se cooce geeralmete como acho de bada efectvo y es etoces ua medda del uso de los recursos. El cocepto de acho de bada efectvo troducdo por Kelly e [5], es ua medda útl de la ocupacó del caal de trasmsó, cuyo susteto teórco provee de la teoría de grades desvíos y cuyas propedades la hace ua medda apropada. Aplcacoes de esta magtud a las redes de telecomucacó de preseta e [8, 4] etre otros. E uestro caso, hemos trabajado sobre el modelo coocdo como Flujo Markovao que es aceptado e la lteratura para datos provetes de vdeo MPEG. Para este tpo de modelos Kesds, Walrag y Chag presetaro e [6] ua expresó para el acho de bada efectvo, cuado las tasas de trasferecas so costates. El objetvo de este trabajo es geeralzar el modelo para tasas de trasferecas aleatoras y ecotrar ua expresó para el el acho de bada efectvo. Este trabajo está orgazado de la sguete maera: e la Seccó 2 se preseta el Acho de Bada Efectvo y sus propedades, e la Seccó 3 presetamos el resultado prcpal, e la Seccó 4 se preseta las coclusoes y futuras líeas de trabajo. 2. ANCHO DE BANDA EFECTIVO E este trabajo X t represeta la catdad de trabajo acumulado work load que llega a u swtch desde ua fuete e el tervalo [, t]. Cosderemos u proceso estocástco Y s que sólo puede asumr ua catdad fta de valores h 1,, h k. Supogamos que Y s represeta el trabajo statáeo que arrba al swtch por ejemplo e Mbs que puede llegar e k estados dferetes co tasas de trasferecas e Mbs h 1,, h k respectvamete. Por ejemplo h 1 podría ser cero, es decr o se trasmte; h 2 ua tasa baja por ejemplo cuado se trasmte u mal; h 3 ua tasa alta por ejemplo cuado se trasmte ua mage, etc. La catdad de trabajo acumulado e el tervalo [, t] sería X t t Y s ds. Al asumr que X t es u proceso de cremetos estacoaros estamos supoedo que la dstrbucó de la catdad de trabajo Y s que llega e u tervalo debe ser estacoaro es decr sólo depede de la logtud del msmo. Las fuetes que cumple esta propedad so fuetes estacoaras. Defcó 1 Se defe la fucó acho de bada efectvo de ua fuete estacoara como: αs, t 1 st log EesXt < s, t <, 1 dode X t es el trabajo que produce la fuete e el tervalo [, t], y s y t so parámetros de escala. El acho de bada efectvo cueta co propedades que lo hace teresate e la aplcacó al estudo de redes de datos, por ejemplo tee ua operatora muy smple para ua operacó crucal e el multplexado como es el agregado de fuetes, ya que es adtvo respecto de la superposcó de fuetes depedetes, su valor está sempre etre la tasa meda y la tasa máxma de trasmsó y para u flujo de velocdad costate equvale al acho de bada. Para defr etoces Flujo Markovao cosderemos Y s ua cadea de Markov e tempo cotuo, homogéea, rreducble y co espaco de estados fto E {h 1,, h m }, dode h es u úmero real. S cosderamos que este valor represeta la velocdad co que ua fuete evía datos, defmos Flujo Markovao modulado por Y s, al proceso X t t Y s ds. Por las codcoes mpuestas a la cadea Y s, se deduce que exste ua úca dstrbucó varate π, e cosecueca, s se toma como dstrbucó cal de la cadea la dstrbucó varate, Y s resulta u

3 proceso estacoaro, el proceso X t resulta de cremetos estacoaros y represeta el trabajo acumulado e el tervalo [, t] recbdo por ua fuete que evía datos a ua certa velocdad. Los estados h de la cadea Y s represeta la velocdad co que se acumula trabajo, dchas velocdades so costates y camba segú camba de estados la cadea Y s, por lo tato el proceso X t tee trayectoras leales a trozos, cotuas y co pedetes dadas por los estados h. La cadea Y s se llama etoces cadea modulate. E el sguete teorema, que daremos s demostracó, Kesds, Walrag y Chag presetaro e [6] ua expresó para el acho de bada efectvo de u Flujo Markovao X t defdo como ates. La expresó depede del geerador ftesmal de la cadea modulate Y s, de los estados de la msma y de su dstrbucó varate. Teorema 1 Sea {X t } t u flujo markovao modulado por la cadea de Markov rreducble homogéea Y t defda como ates, co geerador ftesmal Q Y y espaco de estados h 1 < h 2 < h m. Sea H ua matrz dagoal co H h, π la dstrbucó varate de la cadea y 1, u vector columa co todas las etradas guales a 1. Etoces: αs, t 1 st log { π exp [ Q Y + sh t ] 1 }. Es mportate resaltar que e la demostracó del teorema ateror o se utlza e gú mometo que la dstrbucó cal fuera la varate, esta hpótess sólo es ecesara para que el proceso X t sea de cremetos estacoaros y por lo tato tega setdo calcular el acho de bada efectvo. 3. GENERALIZACIÓN PARA TASAS DE TRANSFERENCIAS ALEATORIAS E esta seccó geeralzamos el modelo para el caso e que la fuete puede asumr dsttos estados y la velocdad co que despacha formacó es ua varable aleatora, cotua o dscreta, que depede del estado e que se ecuetra la fuete. Más precsamete, sea Z s ua cadea de Markov homogéea, a tempo cotuo e rreducble, co espaco de estados K {1,, k} y dstrbucó cal gual a la dstrbucó varate π, y sea f 1, f 2,, f k, k leyes de probabldad dsttas. Cuado la cadea Z s alcaza el estado, e lugar de despachar a ua tasa costate, se sortea -depedetemete de todo otro sorteo- ua varable segú la ley f, y se dce que Y s toma dcho valor sorteado metras Z s o cambe de estado. E otras palabras, sea τ j el state e que Z s alcaza por j-ésma vez el estado, y σ j el [ state e que Z s sale por j-ésma vez el estado. Supoedo además σ j > τ j, resulta Z s durate τ j, σ j correspodete [ a la j-ésma vsta de Z al estado, etoces Y s toma el valor sorteado segú la ley f para todo s, σ j, y el flujo markovao modulado por el proceso Y s resulta uevamete τ j X t t Y s ds. El objetvo es calcular el acho de bada efectvo asocado al flujo X t, co ua fórmula del tpo a la obteda por Kesds, Walrad y Chag. Trataremos separadamete el caso e que cada f está cocetrada e ua catdad fta de valores {h 1,, hl } y el caso e que cada f es ua fucó de desdad co soporte [c, c +1 R + para c < c CASO DISCRETO Dada Z s ua cadea de Markov rreducble homogéea co espaco de estados K {1, 2, k} y dstrbucó varate π, comezamos cosderado el caso e que Y s se sortea segú la ley f cocetrada e los valores H {h 1,, hl }, tomado co probabldad postva, uo de estos valores todo el tempo que la cadea Z s esté e el estado. Más precsamete f u P Y s u/z s, com prmer mometo µ.

4 Llamamos H {h j : 1 k, 1 j L }, al cojuto de los posbles valores que toma Y s y defmos la matrz dagoal H como ua matrz de dmesó k, cuyos elemetos o ulos so los prmeros mometos de cada dstrbucó. El sguete teorema proporcoa ua fórmula para el cálculo del acho de bada efectvo de u proceso co estas característcas. Teorema 2 Sea {X t } t u flujo markovao modulado por la cadea de Markov rreducble homogéea Z t co dstrbucó varate π y geerador ftesmal las varables Q Z. Sea las aleatoras Y t y la matrz dagoal H, de dmesó k, defdas como ates, etoces: αs, t 1 st log { π exp [ Q Z + sh t ] 1 }, dode 1 es u vector columa co todas las etradas guales a 1. Prueba. Por la defcó de acho de bada efectvo de ua fuete estacoara presetada e 1 basta probar que E e sxt π exp [ Q Z + sh t ] 1. Dado que X t t Y s ds y escrbedo la tegral como límte de sumas de Rema, teemos que E e sxt s lím t E lím s e t. Puesto que Y s máx {h j }, teemos que X t 1 k 1 j L lo tato e sxt <. Aplcado el teorema de covergeca domada resulta E e sxt s t lím E t Y s ds t máx {h j }, y por 1 k 1 j L. Como la varable e s t s t es dscreta s t e u 1,,u H u r P Y t u 1,, Y t u. Como P Y t u 1,, Y t u,, K P Y t,, K P Y t u 1,, Y t.p Z t 1,, Z t u 1 /Z t.p Z t 1,, Z t,, K j1 f j u j P Z t u /Z t 1..P Y t 1,, Z t 1,, Z t u /Z t,..

5 y Z s es ua cadea de Markov homogéea co dstrbucó varate π, teemos que s t u 1,,u H e s t u r, 1,, K +1 π o 1 P Z t j, j+1 f j+1 u j+1, 1,, K +1 π o 1 e st u 1,,u H u j+1 f j+1 u j+1 P Z t j, j+1. Cada sumatora e la últma expresó represeta la fucó geeradora de mometo de la varable co dstrbucó f j+1 que la otaremos φ st j+1 u 1,,u H e st u j+1 f j+1 u j+1, co lo que teemos que s t, 1,, K +1 π 1 a t j, j+1, dode a t, j φ st P Z t, j so los elemetos de la matrz A t de dmesó k. El térmo de la derecha se puede expresar como producto de matrces de la sguete maera, 1,, K +1 π 1 a t j, j+1 π A t, K 2 π A t K πa t 1, K,, dode π es la dstrbucó varate de la cadea Z y 1 es u vector columa co las k etradas guales a 1. A su vez la matrz A t puede escrbrse como el producto de las matrces P Z t P Z t, j, y,j [ ] C t k k φ st φ st k Cada ua de estas matrces admte los sguetes desarrollos de Taylor P Z t C t. P Z + Pt Z t. t t + o I + Q Z. t t + o C + C t t. t t + o I + sh. t t + o dode I es la matrz detdad de dmesó k. Luego, y puesto que [ ] [ A t I + Q Z + sh. t t ] + o,,, [ I + Q Z + sh ] t t + o exp [ Q Z + sh t ],

6 se tee que s t πa t 1 π exp [ Q Z + sh t ] 1, lo que cocluye el teorema CASO CONTINUO Cosderemos ahora el caso e que la tasa de trasfereca Y s es ua varable aleatora cotua co fucó de desdad de probabldades f, todo el tempo que la cadea Z s esté e el estado. Supogamos además que tee soporte [c, c +1 R + c < c +1, prmer mometo µ y trasformada de Laplace φ t co dervada fta e t. Recordemos que la cadea Z s tee como espaco de estados el cojuto K {1, 2, k} y defmos la matrz dagoal H de dmesó k como ua matrz cuyos elemetos o ulos so: µ 1, µ 2,, µ k, los prmeros mometos de cada dstrbucó. U resultado smlar al ateror, para el cálculo del acho de bada efectvo, se obtee a partr del sguete teorema. Teorema 3 Sea {X t } t u flujo markovao modulado por la cadea de Markov rreducble homogéea Z t co dstrbucó varate π y geerador ftesmal las varables Q Z. Sea las aleatoras Y t y la matrz dagoal H, de dmesó k, defdas como ates, etoces: αs, t 1 st log { π exp [ Q Z + sh t ] 1 }, dode 1 es u vector columa co todas las etradas guales a 1. Prueba. Por la defcó de acho de bada efectvo de ua fuete estacoara presetada e 1 basta probar que E e sx t π exp [ Q Z + sh t ] 1. Dado que X t t Y s ds y escrbedo la tegral como límte de sumas de Rema, teemos que t t E e sx s lím t s E lím e. Puesto que Y s máx c +1, teemos que X t 1 k e sxt <. Aplcado el teorema de covergeca domada resulta E e sxt lím E t s t Y s ds t máx 1 k c +1, y por lo tato. Como la varable e s t es cotua y además Z s es ua Cadea de Markov Homogéea co dstrbucó varate π, teemos que s t

7 1,, K,, K +1 s t e R + R +,, K +1 π u r P Z t e st ur π 1 1,, Z t 1 P Z t j, j+1 f 1 u 1 du 1 f u du P Z t j, j+1 f j+1 u j+1 du j+1 R + e st u j+1 f j+1 u j+1 du j+1. Cada tegral e la últma expresó represeta la fucó geeradora de mometo de la dstrbucó que la otaremos φ st j R + e st u j f j u j du j y ya que f es ua fucó de desdad, teemos que s t,, K +1 π 1 R + a t j, j+1, dode a t j, j+1 φ st j+1 P Z t j, j+1 so los elemetos de la matrz cuadrada A t. El térmo de la derecha se puede expresar como producto de matrces de la sguete maera,, K +1 π 1 R + a t j, j+1 π A t, K 2 π A t K π A t 1, K,, dode π es la dstrbucó varate de la cadea Z y 1 es u vector columa co las k etradas guales a 1. A su vez la matrz A t puede escrbrse como el producto de las matrces P Z t P Z t, j, y,j [ ] φ st 1 C t.... k k.. φ st k Cada ua de estas matrces admte los sguetes desarrollos de Taylor P Z t P Z + Pt Z t. t t + o I + Q Z. t t + o, C t C + C t t. t t + o I + sh. t t + o, dode I es la matrz detdad de dmesó k, y la matrz H cotee e su dagoal las dervadas φ µ. Luego, [ ] [ A t I + Q Z + sh. t t ] + o, y puesto que [ I + Q Z + sh. t + o t ] exp [ Q Z + sh t ],

8 se tee que s t πa t 1 π exp [ Q Z + sh t ] 1, lo que cocluye el teorema. 4. CONCLUSIONES E este trabajo se extedó el cálculo del acho de bada efectvo de flujos Markovaos, para el caso que las tasas de trasferecas so varables aleatoras. Las fórmulas obtedas so aálogas a las obtedas por Kesds, Walrad y Chag, depede del geerador ftesmal y de la dstrbucó varate de la cadea modulate, pero la formacó que tervee e la matrz H es dferete, ahora H cotedrá los valores de las tasas medas de trasferecas. Utlzado los estmadores de máxma verosmltud de geerador ftesmal de la cadea modulate, e [1] se preseta u estmador cosstete para el acho de bada efectvo de flujos Markovaos así como tervalos de cofaza. E futuros trabajos se espera poder ecotrar tato u estmador cosstete como tervalos de cofaza para los modelos de tasas de trasfereca aleatoras presetados e este trabajo. REFERENCIAS [1] L. Asprot, P. Belzarea, P. Bermole, A. Ferragut, G. Perera ad M. Smo, Qualty of servce parameters ad lk operatg pot estmato based o effectve badwdths, Perfomace Evaluatos 59 25, pp [2] P. Bllgsley. Covergece of Probablty Measures, Wley ad Sos [3] C. Courcoubets ad R. Weber, Buffer overflow asymptotcs for a swtch hadlg may traffc sources, Joural of Appled Probablty [4] R.J. Gbbes, Traffcs charactersato ad effectve badwdthsfor broadbad betwork traces. Stochastcs Netwoks: Theory ad applcatos, Oxford Uversty Press, Oxford [5] F. Kelly. Notes o effectve badwdths. Stochastcs Netwoks: Theory ad applcatos, Oxford Uversty Press, Oxford [6] G. Kesds, J. Walrad, ad C.S. Chag, Effectve badwdth for multclass Markov fluds ad other ATM sources, IEEE ACM Tras. Networkg 1,4,1993 pp [7] J. Pechar, G. Perera ad M. Smó, Effectve badwdth estmato ad testg for Markov sources Performace Evaluato , pp [8] G. de Vecaa ad J. Walrad, Effectve badwdths. Call admsso, traffc polcg ad flterg for ATM etwoks, Queueg Syst , pp

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

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

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

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

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

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

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

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

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

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

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

(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

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

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

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se

CAPÍTULO III. METODOLOGÍA. De acuerdo con la clasificación de Amartya Sen (2001), las medidas de desigualdad se CAPÍTULO III. METODOLOGÍA III. Tpos de Medcó De acuerdo co la clasfcacó de Amartya Se (200), las meddas de desgualdad se puede catalogar e u setdo objetvo o ormatvo. E el setdo objetvo se utlza algua medda

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

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

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

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

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

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA UNIVERIDAD NACIONAL DEL CALLAO VICERECTORADO DE INVETIGACIÓN FACULTAD DE CIENCIA ECONÓMICA TETO DE PROBLEMA DE INFERENCIA ETADÍTICA AUTOR: JUAN FRANCICO BAZÁN BACA (Resolucó Rectoral 940-0-R del -9-) 0-09-

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

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1 MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo

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

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO UNA POPUESTA DE GÁFICO DE CONTOL DIFUSO PAA EL CONTOL DEL POCESO VIVIAN LOENA CHUD PANTOJA (UDV) vvalorea16@gmal.com NATHALY MATINEZ ESCOBA (UDV) atta10@gmal.com Jua Carlos Osoro Gómez (UDV) juacarosoro@yahoo.es

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

Juegos finitos n-personales como juegos de negociación

Juegos finitos n-personales como juegos de negociación Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos

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

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

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

Paola Caymes-Scutari, Anna Morajko, Eduardo César, José G. Mesa, Genaro Costa, Tomàs Margalef, Joan Sorribes, Emilio Luque

Paola Caymes-Scutari, Anna Morajko, Eduardo César, José G. Mesa, Genaro Costa, Tomàs Margalef, Joan Sorribes, Emilio Luque Etoro de Desarrollo y Stozacó de Aplcacoes Master/Worker Paola Caymes-Scutar, Aa Morajko, Eduardo César, José G. Mesa, Gearo Costa, Tomàs Margalef, Joa Sorrbes, Emlo Luque Departameto de Arqutectura de

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

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Uverstat de les Illes Balears Col.leccó Materals Ddàctcs INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Joaquí Alegre Martí Magdalea Cladera Muar Palma, 00 ÍNDICE INTRODUCCIÓN: Qué es...? Qué

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

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

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo: PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula

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

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

REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DERECHOS RESERVADOS

REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DERECHOS RESERVADOS REPÚBLICA BOLIVARIANA DE VENEZUELA UNIVERSIDAD RAFAEL URDANETA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA QUÍMICA DETERMINACIÓN MEDIANTE EL ANÁLISIS REGRESIONAL DE LOS MODELOS MATEMATICOS POLINÓMICOS

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

-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

La inferencia estadística es primordialmente de naturaleza

La inferencia estadística es primordialmente de naturaleza VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la

Más detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

Más detalles

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales

ESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Fracsco Álvarez Gozález fracsco.alvarez@uca.es Bajo el térmo Estadístca Descrptva se egloba las téccas que os permtrá

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

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

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

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

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS Sugerecas para que mparte el curso Ha llegado el mometo e que es coveete resolver ejerccos aplcado

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

Apuestas deportivas por Internet

Apuestas deportivas por Internet Autor: Davd Serrao Martíez 22/0/2009 Apuestas deportvas por Iteret Aputes y relexoes Itroduccó Durate el últmo trmestre de 2005, u grupo de compañeros de trabajo y amgos decdmos motar ua suerte de peña

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

LECCIONES DE ESTADÍSTICA

LECCIONES DE ESTADÍSTICA LECCIONES DE ESTADÍSTICA Estos aputes fuero realzados para mpartr el curso de Métodos Estadístcos y umércos e el I.E.S. A Xuquera I de Potevedra. Es posble que tega algú error de trascrpcó, por lo que

Más detalles

SIMULACION. Departament d'eio / Notes Curs MEIO/FIB 33

SIMULACION. Departament d'eio / Notes Curs MEIO/FIB 33 SIMULACION TECNICA PARA IMITAR EN UN COMPUTADOR LAS OPERACIONES DE LOS SISTEMAS DEL MUNDO REAL A MEDIDA QUE EVOLUCIONAN EN EL TIEMPO, MEDIANTE MODELOS QUE LOS REPRESENTAN DE FORMA REALISTA Deartamet d'eio

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

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

INTRODUCCION A LA GEOESTADISTICA

INTRODUCCION A LA GEOESTADISTICA INTRODUION A LA GEOESTADISTIA 7 3' W MAR ARIBE Boca de la Barra 3 larí 8 6 4 Grade R Sevlla 8 6 R Aracataca 45' N 4 R Fudaco Teoría y Aplcacó UNIVERSIDAD NAIONAL DE OLOMBIA Sede Bogotá Facultad de ecas

Más detalles

CURSO REDES ELECTRICAS II 1 CAPITULO 4

CURSO REDES ELECTRICAS II 1 CAPITULO 4 CURSO REDES ELECTRICAS II FLUJO DE CARGAS. Itroduccó: CAPITULO 4 Los estudos de cargas tee ua eorme mportaca e la plafcacó de las amplacoes de u sstema de eergía, así como e la determacó del fucoameto

Más detalles

GENERALIDADES SOBRE MÓDULOS

GENERALIDADES SOBRE MÓDULOS GENERALIDADES SOBRE MÓDULOS Presetar el Z -módulo Z como cocete de u Z -módulo lbre Hacer lo msmo para el grupo de Kle Calcular los auladores de los sguetes módulos: a) El Z -módulo Z Z 6 b) El Z -módulo

Más detalles

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008 Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete

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

ANÁLISIS DE LA VARIANZA Es coocdo que ua varable aleatora Y se puede cosderar como suma de ua costate μ de ua varable aleatora ε, que represeta el error aleatoro: μ ε Este modelo se adapta be a datos de

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

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS Coceptos (cotedos soporte) Udad de trabajo sexta: Geeraldades. Retas auales costates. Retas costates fraccoadas. Retas varables. Udad de trabajo séptma Geeraldades. mortzacó de u préstamo por el sstema

Más detalles

GENERACION DE NUMEROS ALEATORIOS

GENERACION DE NUMEROS ALEATORIOS 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

Más detalles

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS Bucaramaga, 2010 INTRODUCCIÓN El presete documeto es ua complacó de memoras de

Más detalles

Diseños muestrales en Inventarios Forestales Introducción... 1 Distribución de las unidades muestrales.... 3

Diseños muestrales en Inventarios Forestales Introducción... 1 Distribución de las unidades muestrales.... 3 Dseños muestrales e Ivetaros Forestales Itroduccó... Dstrbucó de las udades muestrales.... 3 Dstrbucó Aleatora... 3 Dstrbucó stemátca... 4 Dstrbucó de las UM e trasectos... 5 Estmadores para udades muestrales

Más detalles

CENTRO DE MASA centro de masas centro de masas

CENTRO DE MASA centro de masas centro de masas CENTRO DE ASA El cetro de masas de u sstema dscreto o cotuo es el puto geométrco que dámcamete se comporta como s e él estuvera aplcada la resultate de las fuerzas exteras al sstema. De maera aáloga, se

Más detalles

Ampliación de Redes de Telefonía Básica

Ampliación de Redes de Telefonía Básica Amplacó de Redes de Telefoía Básca Carlos D. Almeda Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay cdad@eee.org Nlto R. Amarlla Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay dmatest@copaco.com.py Bejamí

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

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

Estudio de eventos extremos enfocado a seguros y finanzas

Estudio de eventos extremos enfocado a seguros y finanzas Cuestoes Ecoómcas Vol. 0 No :3004 Estudo de evetos extremos efocado a seguros y fazas KLEVER MEJÍA ADRIANA UQUILLAS * Resume Muchos campos de la ceca modera y la geería tee que ldar co evetos que so poco

Más detalles

Aproximación a la distribución normal: el Teorema del Límite Central

Aproximación a la distribución normal: el Teorema del Límite Central Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda

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

PLIEGO DE PRESCRIPCIONES TÉCNICAS PARA EL SERVICIO DE TELEFONÍA FIJA Y MÓVIL (DE LA UNIVERSIDAD INTERNACIONAL DE ANDALUCÍA

PLIEGO DE PRESCRIPCIONES TÉCNICAS PARA EL SERVICIO DE TELEFONÍA FIJA Y MÓVIL (DE LA UNIVERSIDAD INTERNACIONAL DE ANDALUCÍA PLIEGO DE PRESCRIPCIONES TÉCNICAS PARA EL SERVICIO DE TELEFONÍA FIJA Y MÓVIL (DE LA UNIVERSIDAD INTERNACIONAL DE ANDALUCÍA . INTRODUCCIÓN 2. SITUACIÓN ACTUAL 2.. Telefoía fja 2.2. Telefoía móvl 3. OBJETO

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

HERRAMIENTAS BÁSICAS PARA LAS OPERACIONES FINANCIERAS

HERRAMIENTAS BÁSICAS PARA LAS OPERACIONES FINANCIERAS HERRAIENTAS BÁSICAS PARA LAS OPERACIONES FINANCIERAS Dr. J. Iñak De La Peña Curso de Postgrado Especalsta e Cotabldad y aplcacó de las Normas Iteracoales de Cotabldad Facera Departameto de Ecoomía Facera

Más detalles

CÁLCULO FINANCIERO. Teoría, Ejercicios y Aplicaciones

CÁLCULO FINANCIERO. Teoría, Ejercicios y Aplicaciones 2 CÁLCULO FINANCIERO Teoría, Ejerccos y Aplcacoes 3 Uversdad de Bueos Ares Facultad de Cecas Ecoómcas Autores: Jua Ramó Garca Hervás Actuaro (UBA) Master e Ecoomía y Admstracó (ESEADE). Docete de Posgrado

Más detalles

Propuesta para actualizar la Nota Técnica de Daños Materiales y Robo Total del Seguro de Automóviles Residentes

Propuesta para actualizar la Nota Técnica de Daños Materiales y Robo Total del Seguro de Automóviles Residentes ropuesta para actualzar la Nota Técca de Daños aterales y Robo Total del Seguro de Autoóvles Resdetes Israel Avlés Torres Novebre 99 Sere Docuetos de Trabajo Docueto de Trabajo No. 0 Ídce. Estructura Técca

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

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

Teoría de Juegos Aplicada a Problemas de Bancarrota

Teoría de Juegos Aplicada a Problemas de Bancarrota Teoría de Juegos Aplcada a Problemas de Bacarrota Dra. Flor María Guerrero Casas Dr. Mguel Ágel Hojosa Ramos Fracsca Jesús Sáchez Sáchez Departameto de Ecoomía y Empresa. Uversdad Pablo de Olavde. Ctra.

Más detalles

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción Capítulo VII PROBABILIDAD 1. Itroduccó Se dcaba e el capítulo ateror que cuado u expermeto aleatoro se repte u gra úmero de veces, los posbles resultados tede a presetarse u úmero muy parecdo de veces,

Más detalles

TÉCNICAS DE ANÁLISIS ECONÓMICO INPUT-OUTPUT

TÉCNICAS DE ANÁLISIS ECONÓMICO INPUT-OUTPUT TÉCNICAS DE ANÁLISIS ECONÓMICO INPUT-OUTPUT Mguel Ágel Taracó Morá Doctor e CC Ecoómcas y Empresarales Profesor Asocado de Ecoometría Uversdad de Castlla La Macha Toledo, Marzo de 2003 Título: Téccas de

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

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2

Más detalles

( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad.

( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad. Propedades Estadístcas de los estmadores MICO Lealdad ) y Y Y Y Y = = = β Y Dado que la = 0 etoces β =.) S defmos el poderador k =, co las propedades sguetes: a) No estocástco b) k = 0 c) k = k d) = kx

Más detalles

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN INTRODUCCIÓN CONTENIDO DEFINICIÓN DE ESTADÍSTICA ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS POBLACIÓN VARIABLE: Cualtatvas o Categórcas y Cuattatvas (Dscretas y Cotuas) MUESTRA TAMAÑO MUESTRAL DATO DISTRIBUCIONES

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

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

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente.

Serie de Gradiente (Geométrico y Aritmético) y su Relación con el Presente. Sere de radete (eométrco y rtmétco) y su Relacó co el resete. Certos proyectos de versó geera fluos de efectvo que crece o dsmuye ua certa catdad costate cada período. or eemplo, los gastos de matemeto

Más detalles

Flujo de Potencia DC con Modelación de Incertidumbres Aplicado al Caso Chileno

Flujo de Potencia DC con Modelación de Incertidumbres Aplicado al Caso Chileno Fluo de Poteca DC co odelacó de Icertdumres Aplcado al Caso Chleo Resume Rodrgo Palma B. rodpalma@cec.uchle.cl Chrsta Jeldres H. celdres@cec.uchle.cl Area de Eergía Departameto de Igeería Eléctrca Uversdad

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA H. Helam Estadístca -/5 ITRODUCCIÓ. COCEPTO DE ETADÍTICA ETADÍTICA DECRIPTIVA La estadístca es la rama de las matemátcas que estuda los eómeos colectvos recogedo, ordeado y clascado y smplcado los datos

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

Elaborado por: Ing. Rubén Toyama U. 1

Elaborado por: Ing. Rubén Toyama U. 1 CONTENIDO IDENTIFICACIÓN... 2 PLANIFICACIÓN DE LOS ENCUENTROS... 2 PROGRAMA ANALITICO... 3 ORIENTACIONES METODOLÓGICAS... 8. - Itroduccó.... 8..- Objetvos Geerales.... 9 2.- Desarrollo... 9 Prmer ecuetro...

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

III. GRÁFICOS DE CONTROL POR VARIABLES (1)

III. GRÁFICOS DE CONTROL POR VARIABLES (1) III. Gráfcos de Cotrol por Varables () III. GRÁFICOS DE CONTROL POR VARIABLES () INTRODUCCIÓN E cualquer proceso productvo resulta coveete coocer e todo mometo hasta qué puto uestros productos cumple co

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

Más detalles