Simulación Computacional. Tema 1: Generación de números aleatorios
|
|
- Javier Peralta del Río
- hace 8 años
- Vistas:
Transcripción
1 Simulación Computacional Tema 1: Generación de números aleatorios Irene Tischer Escuela de Ingeniería y Computación Universidad del Valle, Cali Typeset by FoilTEX 1
2 Contenido 1. Secuencias pseudoaleatorias con distribución uniforme 2. Pruebas de bondad de generadores 3. Secuencias con otras distribuciones Typeset by FoilTEX 2
3 1. Secuencias pseudoaleatorias con distribución uniforme 1. Secuencias pseudoaleatorias con distribución uniforme Justicación: Uso en simulación de sistemas con componente estocástica Uso en algoritmos probabilísticos (algoritmos genéticos, redes neuronales,...) Algoritmos probabilísticos son a veces la única manera viable de resolver problemas complejos Typeset by FoilTEX 3
4 1. Secuencias pseudoaleatorias con distribución uniforme Números aleatorios Si se habla de números aleatorios, generalmente se reere a observaciones provenientes de una variable aleatoria, con frecuencia con distribución uniforme en [0,1]. Apariencia de números aleatorias en sistemas naturales: Ruido blanco Movimiento de esporas de helecho Resultados del lanzamiento de un dado o una moneda... Para usar números aleatorios en el computador, se debe hacer el experimento y copiar los datos al computador (existen grandes bases de datos de números aleatorios) o conectar el computador a un sistema externo con componente aleatorio. Typeset by FoilTEX 4
5 1. Secuencias pseudoaleatorias con distribución uniforme Números pseudoaleatorios Cada intento de generar datos aleatorios por computador resulta en números pseudoaleatorios la máquina tiene un número nito de estados, en algún momento repite exactamente el estado y por eso se vuelve periódico cada algoritmo de generación consiste de un conjunto nito de reglas, por eso el resultado es predecible Se busca generadores de números pseudoaleatorios, lo más parecidos a números aleatorios. Typeset by FoilTEX 5
6 1. Secuencias pseudoaleatorias con distribución uniforme Problemas que se pueden presentar con el generador Números aleatorios Números pseudoaleatorios Son datos continuos Puede resultar en datos discretos Siguen distribución uniforme Si se divide el intervalo [0,1] en subintervalos iguales U(0,1) pueden resultar intervalos donde caen signicativamente más o menos datos que el número esperado media 1/2 media por encima o por debajo de 1/2 varianza 1/12 varianza por encima o por debajo de 1/12 Los datos son independientes: una observación no depende de las observaciones anteriores Se pueden presentar regularidades como: periodicidad autocorrelación patrones en cuanto a crecimiento patrones en cuanto a valores encima o por de bajo del valor medio Typeset by FoilTEX 6
7 1. Secuencias pseudoaleatorias con distribución uniforme Exigencias a un generador de números pseudoaleatorios En cuanto a los datos generados: el número de observaciones en un subintervalo depende solo de la longitud período largo no hay regularidad En cuanto al algoritmo: rápido (generalmente se necesitan muchos números) poca memoria requerida Typeset by FoilTEX 7
8 1. Secuencias pseudoaleatorias con distribución uniforme Generador linear congruente Denido por la relación de recurrencia X n+1 = (a X n + c)mod m; X 0 : semilla R n = X n m donde a se llama el multiplicador; c es el incremento y m el módulo. Se tiene 0 X n < m, por eso 0 R n < 1. Las características de un generador linear congruente dependen fuertemente de la selección de sus parámetros a, c, m y X 0. Typeset by FoilTEX 8
9 1. Secuencias pseudoaleatorias con distribución uniforme Ejemplo X 0 = 27, a = 17, c = 43, m = 100. n X n X n+1 = (a X n + c) mod 100 R = X m 0 27 ( ) mod 100=502 mod100= ( ) mod 100=77 mod100= ( ) mod 100=1352 mod100= ( ) mod 100=927 mod100= Obviamente la recurrencia genera números entre 0 y 99, por eso, el período del generado es 100. Como vemos en este ejemplo, el período es de longitud 4. Typeset by FoilTEX 9
10 1. Secuencias pseudoaleatorias con distribución uniforme Ejercicio en clase Generar números pseudoaleatorios usando un generador lineal congruente con X 0 = 5, a = 5, c = 13, m = 7. Cuál es su período? Typeset by FoilTEX 10
11 1. Secuencias pseudoaleatorias con distribución uniforme Ejemplos 100 números aleatorios generados con diferentes generadores lineales congruentes 20 X 0 = 5 a = 255 c = 100 m = X 0 = 5 a = 255 c = 100 m = Typeset by FoilTEX 11
12 1. Secuencias pseudoaleatorias con distribución uniforme Ejemplos Aplicando los mismos generadores para generar números 300 X 0 = 5 a = 255 c = 100 m = X 0 = 5 a = 255 c = 100 m = Typeset by FoilTEX 12
13 1. Secuencias pseudoaleatorias con distribución uniforme Ejemplo: Un generador linear congruente bueno 120 a = 106 c = 1283 m = 6075 X 0 = Ventajas: El generador parece dar números con distribución uniforme en [0,1] (luego se dispondrá de una prueba más cuantitativa). Para cualquier semilla genera todos los números (período m = 6075). Limitaciones: Por su período relativamente pequeño, el generador sirve sólo si se requiere pocos números aleatorios. Parece tener regularidades (luego veremos una prueba de independencia), como se nota del gráco de los puntos generados Typeset by FoilTEX
14 1. Secuencias pseudoaleatorias con distribución uniforme Algunas reglas para un buen generador 1. Seleccionar m muy grande (m limita el período), seleccionar c tal que c y m son primos relativos. 2. Si se toma para m una potencia de 2 o un valor cercano a una potencia de 2, el cálculo módulo es muy eciente por la representación binaria de los números en el computador. 3. Si m = 2 b y c 0 el período más largo posible es igual a m y se obtiene para c impar y a = 1 + 4k para un entero k. Si m = 2 b y c = 0 el período más largo posible es igual a m/4 y se obtiene para X 0 impar y a = ±3 + 8k para un entero k. ½De todas formas se deben realizar pruebas de uniformidad y independencia para un generador nuevo! Typeset by FoilTEX 14
15 1. Secuencias pseudoaleatorias con distribución uniforme El generador de estándar mínimo Propuesto por Park y Miller (1988) a = 7 5 = c = 0 m = = 2147' Como m es grande, tiene un período grande (de hecho es m 1 = ; se usan todos los números del rango con excepción de 0) No es perfecto, pero pasa la mayoría de las pruebas teóricas de aleatoriedad Requiere un procesamiento especial para no producir un overow Se debe garantizar que no se use 0 como semilla Typeset by FoilTEX 15
16 1. Secuencias pseudoaleatorias con distribución uniforme El generador de estándar mínimo: Desempeño Se generaron puntos con el generador de estándar mínimo. Histograma: Plot de puntos generados: Histograma con valores centrados en 100, con varianza razonable Plot de puntos generados sin regularidades visibles (Pruebas cuantitativas se verán más tarde) Typeset by FoilTEX 16
17 1. Secuencias pseudoaleatorias con distribución uniforme El generador de estándar mínimo: evitando overow: Factorización aproximada de m La relación de recurrencia para generadores lineales congruentes X n+1 = (a X n )mod m; X 0 : semilla puede producir un overow si m se dene cercano a MAXINT. Se evita el overow si se utiliza una factorización aproximada de m (Schrage, 1983): m a q + r donde q = m/a ; r = mmod a. Ejemplos: a = 10; m = 73 q = 7; r = 3; a q + r = 73 a = 7 5 ; m = q = ; r = 2836; a q + r = Typeset by FoilTEX 17
18 1. Secuencias pseudoaleatorias con distribución uniforme El generador de estándar mínimo: cálculo modular con factorización aproximada de m Aplicando la factorización aproximada y cálculo modular se puede hallar la recurrencia X n+1 = (a X n )mod m; X 0 : semilla por (a X n )mod m = { a (Xn mod q r X n /q si esto es 0 a (X n mod q r X n /q + m si no Typeset by FoilTEX 18
19 1. Secuencias pseudoaleatorias con distribución uniforme Ejemplos: a = 10; m = 73 q = 7; r = 3; para X n = 72 se tiene (a X n )mod m = 63; por el otro lado: a (X n mod q) r X n /q = 10 (72mod 7) 3 72/7 = = 10; y sumando m se obtiene 63 a = 7 5 ; m = q = ; r = 2836; para X n =123' se tiene (a X n )mod m = ,721; por el otro lado: a (X n mod q) r X n /q = , ,576 = ,721 Typeset by FoilTEX 19
20 1. Secuencias pseudoaleatorias con distribución uniforme El generador de estándar mínimo: Se evita overow Para r < q; 0 < z < m 1 se puede mostrar: 0 a (z mod q) m 1 0 r z/q m 1 Es decir, durante el cálculo nunca se pasa por encima de m.. Ejemplos: a = 10; m = 73; q = 7; r = 3; para z = 72 se tiene: a (z mod q) = 10 (72mod 7) = 10 2 = 20 a = 7 5 ; m = q = ; r = 2836; para z = 123' se tiene: a (z mod q) = 7 5 (123' mod )= =471' Typeset by FoilTEX 20
21 1. Secuencias pseudoaleatorias con distribución uniforme Conclusiones 1. De un buen generador de números aleatorios se espera: la generación de datos uniformes en [0,1] con período grande sin evidencia de regularidades 2. El generador de estándar mínimo tiene estas propiedades, y es por ende apropiado para situaciones donde se depende de la generación de muchos datos (ej.: algoritmos probabilísticos) 3. Para cualquier generador nuevo se deben realizar pruebas cuantitativas (estadísticas) para vericar que tiene estas propiedades. Typeset by FoilTEX 21
22 2. Pruebas de bondad para un generador 2. Pruebas de bondad para un generador Números aleatorios tienen la propiedad de uniformidad y de independencia. Los pseudoaleatorios generados deben tener (estadísticamente) estas propiedades. Pruebas de uniformidad Prueba χ 2 Prueba de Kolmogorov - Smirnov Pruebas de independencia Pruebas de corridas Pruebas de serie Pruebas de poker Typeset by FoilTEX 22
23 2. Pruebas de bondad para un generador Ejercicio en clase: Pruebas de uniformidad El generador del ejemplo anterior (a = 106, c = 1283, m = 6075), clasicado como bueno pasa la pruebas uniformidad? frecuencia rango X 0 = 5 X 0 = 13 X 0 = El generador linear congruente con a = 106, c = 1283, m = 6075, X 0 = 5 pasa la pruebas uniformidad? rango frecuencia Typeset by FoilTEX 23
24 2. Pruebas de bondad para un generador Solución (1) 1. Generador lineal congruente con a = 106, c = 1283, m = 6075, X 0 = 5. Prueba χ 2 para un nivel de conanza de α = 0,05 rango F O F E F E χ 2 calc (F E F O) 2 Grados de libertad gl: Como no se usa los datos para estimar parámetros de la distribución, se tiene gl = 9. El valor crítico de la χ 2 con 9 grados de libertad con α = 0,05 es: χ 2 crit = 16,92 Decisión: Como χ 2 calc χ2 crit se acepta la hipótesis que los datos tienen distribución U(0, 1). Conclusión: El generador es bueno en cuanto a uniformidad. Typeset by FoilTEX 24
25 2. Pruebas de bondad para un generador Prueba Kolmogorov -Smirnov para un nivel de conanza de α = 0,05 rango F O F OA P OA P EA P EA P OA DM calc Grados de libertad gl = 999. El valor crítico de la DM con 999 grados de libertad con α = 0,05 es: DM crit 1,36/ 1000 = 0,043 Decisión: Como DM calc DM crit se acepta la hipótesis que los datos tienen distribución U(0, 1). Conclusión: El generador es bueno en cuanto a uniformidad. Typeset by FoilTEX 25
26 2. Pruebas de bondad para un generador Solución (2) 2. Generador lineal congruente con a = 106, c = 1283, m = 6075, X 0 = 5. Prueba χ 2 para un nivel de conanza de α = 0,05 rango F O F E (F E F O) 2 F E χ 2 calc Grados de libertad gl: Como no se usa los datos para estimar parámetros de la distribución, se tiene gl = 9. El valor crítico de la χ 2 con 9 grados de libertad con α = 0,05 es: χ 2 crit = 16,92 Decisión: Como χ 2 calc > χ2 crit se rechaza la hipótesis que los datos tienen distribución U(0, 1). Conclusión: El generador es malo en cuanto a uniformidad. Typeset by FoilTEX 26
27 2. Pruebas de bondad para un generador Prueba Kolmogorov -Smirnov para un nivel de conanza de α = 0,05 rango F O F OA P OA P EA P EA P OA DM calc Grados de libertad gl = 999. El valor crítico de la DM con 999 grados de libertad con α = 0,05 es: DM crit 1,36/ 1000 = 0,043 Decisión: Como DM calc > DM crit se rechaza la hipótesis que los datos tienen distribución U(0, 1). Conclusión: El generador es malo en cuanto a uniformidad. Typeset by FoilTEX 27
28 2. Pruebas de bondad para un generador Pruebas de independencia El diagrama de frecuencia de 100 pseudoaleatorios resulta en 10 datos en el intervalo [0, 0,1), 10 datos en [0,1, 0,2), etc. Entonces los números pasan las pruebas de uniformidad sin problema. Pero si se revisa los datos especícos, se encuentra que los primeros 10 números están entre 0 y 0.1, los segundos 10 entre 0.1 y 0.2 etc. Obviamente NO son aleatorios por falta de independencia. Existen muchas pruebas para la independencia que analizan si hay estructura o regularidad en los datos. Typeset by FoilTEX 28
29 2. Pruebas de bondad para un generador Corridas Una corrida es una sucesión de eventos similares. La longitud de una corrida es el número de eventos similares en la corrida. Ejemplo: Se lanza una moneda 10 veces, observando C S S C C S S S C S Las corridas son los sucesiones de eventos C y de eventos S. En el experimento obtenemos 6 corridas (3 corridas de longitud 1, 2 corridas de longitud 2 y 1 corrida de longitud 3). El número de corridas es una variable aleatoria con distribución conocida (construido a partir del experimento Bernoulli) Typeset by FoilTEX 29
30 2. Pruebas de bondad para un generador Pruebas de corridas: Principio A partir de una secuencia de números pseudoaleatorios, se construye una secuencia de eventos provenientes de un experimento Bernoulli. Se determina el valor de la variable aleatoria número de corridas, que se obtiene con la secuencia de pseudoaleatorios (corridas observadas) Dado que se conoce teóricamente esta variable aleatoria, se determina si el valor observado está suciente suciente cercano al a la media de esta variable aleatoria (dentro de un intervalo con alta signicancia) Existen varias pruebas de corrida, por ejemplo: respecto al crecimiento o decrecimiento observado en la secuencia de pseudoaleatorios respecto a obtener valores encima o por debajo de la media (1/2) respecto a la longitud de la corrida Typeset by FoilTEX 30
31 2. Pruebas de bondad para un generador Pruebas de corridas: Ejemplo Consideramos los datos Son independientes? Corridas respecto al crecimiento o decrecimiento: * Typeset by FoilTEX 31
32 2. Pruebas de bondad para un generador Desarrollo Es poco probable que una secuencia de aleatorios tiene muchas o que tiene pocas corridas: El número mínimo de corridas es 1 (secuencia creciente) El número máximo de corridas en una secuencia de N números es N 1 (cambia cada vez) Sea a la variable aleatoria que describe el número de corridas en una secuencia. Se conoce teóricamente la media µ a y la varianza σ 2 a: µ a = 2N 1 3 σ 2 a = 16N Typeset by FoilTEX 32
33 2. Pruebas de bondad para un generador Si N > 20, la distribución de a se aproxima a la distribución normal N(µ a, σ a ), es decir Z = a µ a σ a = a 2N N sigue la distribución normal centralizado N(0, 1). Dado un nivel de signicancia α, se determinan los valores críticos Z α/2 y Z α/2. Se determina el números de corridas observadas a obs Se calcula Z obs = a obs µ a σ a -Z alfa 2 Si Z obs se encuentra en el intervalo [ Z α/2, Z α/2 ], no se puede rechazar la hipótesis que los datos son independientes. Se tiene un indicio para independencia, pero sólo en el aspecto de la corridas. Si Z obs no se encuentra en el intervalo [ Z α/2, Z α/2 ], se tiene evidencia que hay dependencia en los datos. Typeset by FoilTEX 33 alfa 2 alfa 2 Z alfa 2
34 2. Pruebas de bondad para un generador Ejemplo (1) Aplicar una prueba de corridas en cuanto a crecimiento-decrecimiento a la secuencia de los 40 datos siguientes para determinar si se puede rechazar la hipótesis de independencia (usando α = 0,05). Secuencia Hay 26 corridas, es decir, a obs = 26. µ a = 2N 1 3 = 2(40) 1 3 = 26,33 σ 2 a = 16N = 16(40) = 6,79 ; por eso Z obs = 26 26,33 Comportamiento de crecimiento-decrecimiento * ,79 = 0,13 El valor crítico es Z 0,025 = ±1,96, es decir se obtiene Z obs [ Z 0,025, Z 0,025 ] Conclusión: No hay evidencia para rechazar la hipótesis de independencia. Typeset by FoilTEX 34
35 2. Pruebas de bondad para un generador Ejemplo (2) Aplicar la prueba de corridas a los datos del ejemplo introductorio: Secuencia Comportamiento de crecimiento-decrecimiento * Hay 7 corridas, por eso se obtiene Z obs = 7 26,33 6,79 = 7,42. Otra vez se tiene 40 datos, por eso µ a y σa 2 son los del ejemplo anterior. Se encuentra Z obs < Z 0,025. Conclusión: Se rechaza la hipótesis de independencia. Typeset by FoilTEX 35
36 2. Pruebas de bondad para un generador Prueba de serie Supone que se tiene una secuencia de números aleatorios. Si se agrupa la secuencia en pares, los pares deben ser uniformes en I 2. Si no son uniformes, los datos originales no son independientes. Se hace una tabla de frecuencias dos dimensional, se contrasta con la uniforme bidimensional por una prueba χ 2. Conclusión: Si se acepta la hipótesis que los datos siguen una distribución normal, no hay evidencia para dependencia en los datos. En el otro caso se encontró dependencia en los datos. Typeset by FoilTEX 36
37 2. Pruebas de bondad para un generador Ejemplo Se tiene 1200 datos pseudoaleatorios: Se forman los 600 pares: (0.41, 0.68), (0.89, 0.94), (0.74, 0.91), (0.55, 0.62), (0.36, 0.27), (0.19, 0.72)... Tabla de frecuencias de 2 dimensiones: La probabilidad teórica de cada celda es 1/25, por eso la frecuencia esperada F E es 600/25= 24. Con esta información se puede aplicar la prueba χ 2. Typeset by FoilTEX 37
38 2. Pruebas de bondad para un generador (F E F O)2 F E En la tabla se muestra el valor de Se obtiene χ 2 calc = 18,17 Grados de libertad gl: Como no se usa los datos para estimar parámetros de la distribución, se tiene gl = 24. El valor crítico de la χ 2 con 24 grados de libertad con α = 0,05 es: χ 2 crit = 36,42 Decisión: Como χ 2 calc χ2 crit se acepta la hipótesis que los datos tienen distribución uniforme bidimensional Conclusión: El resultado de la prueba no permite rechazar la hipótesis de independencia Typeset by FoilTEX 38
39 2. Pruebas de bondad para un generador Prueba de Poker Se interpreta los n dígitos decimales de un número pseudoaleatorio como una mano de un juego de cartas, que están numeradas de 0 a 9, teniendo n cartas de cada número. Si los números son independientes, se deben obtener las mismas probabilidades como las teóricas en el juego. Por ejemplo: Sea n = 3. Tenemos los eventos teóricos del juego: 3 cartas iguales probabilidad: 10/10 3 = 0,01 2 iguales, 1 diferente probabilidad: /10 3 = 0,27 3 diferentes probabilidad: /10 3 = 0,72 Con esto se puede calcular las frecuencias teóricas de N manos y contrastarlas con las frecuencias observadas en los N números aleatorios por una prueba χ 2. Si se acepta la hipótesis que los datos observados siguen la distribución teórica, no se tiene evidencia de una dependencia en los números pseudoaleatorios. Typeset by FoilTEX 39
40 2. Pruebas de bondad para un generador Conclusión 1. Las pruebas principales para revisar la uniformidad de un generador son la prueba χ 2 y la prueba de Kolmogorov-Smirnov (sirven generalmente para vericar si una variable aleatoria sigue una distribución potencial) 2. Existen muchas pruebas de independencia para poder excluir determinadas regularidades en los datos generados; cada prueba chequea un solo aspecto de una posible dependencia. Typeset by FoilTEX 40
41 3. Secuencias con otras distribuciones 3. Secuencias con otras distribuciones Principio: Se generan pseudoaleatorios con distribución uniforme U(0, 1); luego se convierten para seguir la distribución deseada. Métodos: Método de la transformada inversa Método de la convolución Método de aceptación y rechazo Typeset by FoilTEX 41
42 3. Secuencias con otras distribuciones Método de la transformada inversa Idea: Sea F la función de distribución acumulada de la distribución que se quiere generar. Sea F (a) = r. Sea p U ([0, r]) la probabilidad del intervalo [0, r], suponiendo distribución la uniforme, y p F ((, a]) la probabilidad del intervalo (, a], suponiendo distribución deseada: p U ([0, r]) = p F ((, a]) = r Es decir: si r i es una secuencia de aleatorios U[0, 1], entonces a i = F 1 (r i ) es una secuencia de números que siguen la distribución deseada F. 1 r FHxL a Typeset by FoilTEX 42
43 3. Secuencias con otras distribuciones Método de la transformada inversa para la distribución exponencial La función de distribución acumulada de la distribución exponencial con parámetro λ está dada por: F (x) = 1 e λx F (a) = r 1 e λa = r a = F 1 (r) = 1 ln (1 r) λ Nota: Se puede simplicar la generación del dato exponencial, teniendo en cuenta que la secuencia de aleatorios (1 r n ) n N tiene las mismas propiedades respecto a uniformidad y independencia que la secuencia (r n ) n N. Por eso se puede simplicar la generación del dato exponencial por: para r aleatorio en (0,1]. a = 1 λ ln r Typeset by FoilTEX 43
44 3. Secuencias con otras distribuciones Ejemplo: Generar datos con distribución exponencial con λ = 1,5 Para r = 0,5520, se obtiene a = F 1 (0,5520) = 1 ln (0,5520) = 0,3961 1,5 r a Diagrama de frecuencias de 100 números pseudoaleatorios con distribución exponencial Typeset by FoilTEX 44
45 3. Secuencias con otras distribuciones Método de la transformada inversa para la distribución uniforme U(A, B) La función de distribución acumulada de la distribución uniforme U(A, B) está dada por: F (x) = x A B A F (a) = r a A B A = r a = F 1 (r) = r(b A) + A Es decir, simplemente se multiplica el aleatorio en [0,1] con la longitud B A y se suma el punto inicial A de la uniforme U(A,B). para r aleatorio en [0,1]. a = (B A)r + A Typeset by FoilTEX 45
46 3. Secuencias con otras distribuciones Ejemplo: Generar datos con distribución uniforme U(10, 20) Para r = 0,5520, se obtiene a = F 1 (0,5520) = 0, r a Diagrama de frecuencias de 100 números pseudoaleatorios con distribución U(10, 20) Typeset by FoilTEX 46
47 3. Secuencias con otras distribuciones Método de la transformada inversa para la distribución Normal estandarizada N(0, 1) La función de distribución acumulada de la normal F N(0,1) (x) = 1 x 2π e 1 2 t2 dt, se tiene que determinar por integración numérica. Como resultado se obtiene una tabla de puntos, las valores intermedios se obtiene por interpolación lineal. A esta aproximación de la función de distribución acumulada se puede aplicar el método de la transformada inversa. Ejemplo: x F (x) (En realidad se debe tabular F en muchos puntos) Método de la inversa transformada, aplicada para la aproximación de F 1 r a 1 2 Typeset by FoilTEX 47
48 3. Secuencias con otras distribuciones Método de la transformada inversa para la distribución Normal estandarizada N(0, 1) (cont.) Para r U(0, 1) se busca en la tabla el intervalo [F (x k ), F (x k+1 )] que contiene r. r es combinación de las extremos del intervalo: r = λf (x k ) + (1 λ)f (x k+1 ); despejando λ se obtiene λ = F (x k+1) r F (x k+1 ) F (x k ). a es la combinación correspondiente de x k y x k+1 : a = λx k + (1 λ)x k+1. Typeset by FoilTEX 48
49 3. Secuencias con otras distribuciones Ejemplo: Generar datos con distribución normal N(0, 1) Para r = 0,5520, se obtiene r [0,5520, 0,8413]; = 0,847642, por eso λ = 0,8413 0,5520 0,8413 0,5 a = 0, (1 0,847642) 1 = r intervalo de r λ intervalo de a a [0,5520, 0,8413] 0, [0, 1] [0,1586, 0,5] [ 1, 0] [0,5520, 0,8413] [0, 1] [0,1586, 0,5] [ 1, 0] [0,5520, 0,8413] [0, 1] [0,5520, 0,8413] [0, 1] [0,8413, 0,9772] [1, 2] Typeset by FoilTEX 49
50 3. Secuencias con otras distribuciones Ejemplo: Generar datos con distribución normal N(0, 1) (cont.) Diagrama de frecuencias de 100 números pseudoaleatorios con la distribución que aproximan(0, 1): Notas: Obsérvese que esta aproximación no es buena dado que se usa muy pocos puntos. Para aplicaciones prácticas se deberían usar mucho más puntos tabulados. Existe un método de convolución para generar datos con distribución N(0,1) que no requiere la tabulación de la normal (ver más adelante). Typeset by FoilTEX 50
51 3. Secuencias con otras distribuciones Generación de otras distribuciones normales a partir de la normal centralizada Si se tiene datos que siguen la distribución normal estandarizada, se pueden convertir a datos con distribución N(µ, σ), aplicando la transformación a N(µ,σ) = a N(0,1) σ + µ. Ejemplo: Convertir los datos del ejemplo anterior a datos con distribución N(10, 2) r a N(0,1) a N(10,2) Typeset by FoilTEX 51
52 3. Secuencias con otras distribuciones Método de la transformada inversa para distribuciones discretas Aunque la función de distribución acumulada de una distribución discreta no tiene inversa, se puede aplicar un procedimiento parecido al método de la transformada inversa para generar distribuciones discretas. Para la distribución discreta dada por sus valores y su probabilidad (v i, p i ) se determina la probabilidad acumulada: valor probabilidad probabilidad v i p i acumulada pa i v 1 p 1 p 1 v 2 p 2 2 i=1 p i.. v n 1 p n 1 n 1 i=1 p i v n p n n i=1 p i = 1 Para r U[0, 1] se dene a = v i si r [pa i 1, pa i ) Typeset by FoilTEX 52
53 3. Secuencias con otras distribuciones Ejemplo 1: una distribución discreta empírica valor probabilidad probabilidad acumulada Por ejemplo: r a Para r U[0, 1] se dene: a = 1 si r < 0,2 5 si 0,2 r < 0,3 8 si 0,3 r < 0,8 10 si 0,8 r < 1 Typeset by FoilTEX 53
54 3. Secuencias con otras distribuciones Ejemplo 2: la distribución Bernoulli La generación de datos con distribución Bernoulli con parámetro p es muy sencillo y rápido: a = { éxito si r < p fracaso en el otro caso Ejemplo para p = 0,7 r a éxito éxito fracaso éxito éxito fracaso fracaso Typeset by FoilTEX 54
55 3. Secuencias con otras distribuciones Ejemplo 3: la distribución Binomial El método de la inversa transformada para generar una binomial (n, p) es eciente, si n es pequeño. Ejemplo: n = 6, p = 0,7 Denición de las probabilidades, usando p(i) = ( n i ) 0,7 i 0,3 n i, 0 i n valor probabilidad probabilidad acumulada Datos a con distribución binomial (0,3, 6): r a Nota: El método de convolución para generar la distribución binomial no requiere el cálculo de las probabilidades p(i) y sirve especialmente si n es muy grande (ver más adelante). Typeset by FoilTEX 55
Generación de Números Pseudo-Aleatorios
Números Aleatorios Son un ingrediente básico en la simulación de sistemas Los paquetes de simulación generan números aleatorios para simular eventos de tiempo u otras variables aleatorias Una secuencia
Más detalles5. DISTRIBUCIONES DE PROBABILIDADES
5. DISTRIBUCIONES DE PROBABILIDADES Dr. http://academic.uprm.edu/eacunaf UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES DE PROBABILIDADES Se introducirá el concepto de variable
Más detallesSIMULACION. Formulación de modelos: solución obtenida de manera analítica
SIMULACION Formulación de modelos: solución obtenida de manera analítica Modelos analíticos: suposiciones simplificatorias, sus soluciones son inadecuadas para ponerlas en práctica. Simulación: Imitar
Más detallesProbabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.
Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma
Más detallesTema 1: Test de Distribuciones de Probabilidad
Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).
Más detallesUnidad II: Números pseudoaleatorios
Unidad II: Números pseudoaleatorios 2.1 Métodos de generación de números Pseudoaleatorio Métodos mecánicos La generación de números aleatorios de forma totalmente aleatoria, es muy sencilla con alguno
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesSimulación Computacional Tema 1: Generación de números aleatorios
Simulación Computacional Tema 1: Generación de números aleatorios Irene Tischer Escuela de Ingeniería y Computación Universidad del Valle Contenido 1 Introducción 2 3 4 ?Porqué números aleatorios? Uso
Más detalles13. Técnicas de simulación mediante el método de Montecarlo
13. Técnicas de simulación mediante el método de Montecarlo Qué es la simulación? Proceso de simulación Simulación de eventos discretos Números aleatorios Qué es la simulación? Simulación = técnica que
Más detallesDeterminación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones
Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Introducción Las Compañías aseguradoras determinan sus precios basadas en modelos y en información histórica
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesESTIMACION DE INTERVALOS DE CONFIANZA
pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones
Más detallesDatos estadísticos. 1.3. PRESENTACIÓN DE DATOS INDIVIDUALES Y DATOS AGRUPADOS EN TABLAS Y GRÁFICOS
.. PRESENTACIÓN DE DATOS INDIVIDUALES Y DATOS AGRUPADOS EN TABLAS Y GRÁFICOS Ser: Describir el método de construcción del diagrama de tallo, tabla de frecuencias, histograma y polígono. Hacer: Construir
Más detallesTema 12: Contrastes Paramétricos
Tema 1 Tema 1: Contrastes Paramétricos Presentación y Objetivos. Se comienza este tema introduciendo la terminología y conceptos característicos de los contrastes de hipótesis, típicamente a través de
Más detalles8. Estimación puntual
8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores
Más detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detallesSIMULACIÓN CAPITULO 3 LECTURA 6.3. SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México 3.
LECTURA 6.3 SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México CAPITULO 3 SIMULACIÓN 3.1 INTRODUCCIÓN Simulación es el desarrollo de un modelo lógico-matemático de
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesMEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL
MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 2
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería NND). a)
Más detallesGeneración de números aleatorios
Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS
ESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS DESCRIPCIÓN DEL TEMA: 10.1. Introducción. 10.2. Método de las transformaciones. 10.3. Método de inversión. 10.4. Método de aceptación-rechazo.
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detallesTEMA 4: Introducción al Control Estadístico de Procesos
TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detallesMedidas de tendencia Central
Medidas de tendencia Central 7.1 Media 7.1.1 Media para un conjunto de datos no agrupados Este parámetro lo usamos con tanta cotidianidad que nos será muy familiar, aunque también aprenderemos algunas
Más detallesTEMA 2: Representación de la Información en las computadoras
TEMA 2: Representación de la Información en las computadoras Introducción Una computadora es una máquina que procesa información y ejecuta programas. Para que la computadora ejecute un programa, es necesario
Más detallesExplicación de la tarea 3 Felipe Guerra
Explicación de la tarea 3 Felipe Guerra 1. Una ruleta legal tiene los números del 1 al 15. Este problema corresponde a una variable aleatoria discreta. La lectura de la semana menciona lo siguiente: La
Más detallesSIMULACION. Modelos de. Julio A. Sarmiento S. http://www.javeriana.edu.co/decisiones/julio sarmien@javeriana.edu.co
SIMULACION Modelos de http://www.javeriana.edu.co/decisiones/julio sarmien@javeriana.edu.co Julio A. Sarmiento S. Profesor - investigador Departamento de Administración Pontificia Universidad Javeriana
Más detallesTema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detallesMATEMÁTICAS CONTENIDOS MÍNIMOS DE 1º E.S.O.
MATEMÁTICAS CONTENIDOS MÍNIMOS DE 1º E.S.O. Calcular el valor de posición de cualquier cifra en cualquier número natural. Aplicar las propiedades fundamentales de la suma, resta, multiplicación y división
Más detallesUNIVERSIDAD AUTÓNOMA DE TAMAULIPAS UNIDAD ACADÉMICA MULTIDISCIPLINARIA REYNOSA-RODHE SIMULACIÓN DE SISTEMAS
UNIDAD MÉTODOS DE MONTECARLO II 2.1 Definición Los métodos de Montecarlo abarcan una colección de técnicas que permiten obtener soluciones de problemas matemáticos o físicos por medio de pruebas aleatorias
Más detallesR PRÁCTICA II. Probabilidad-Variables Aleatorias. Probabilidad
R PRÁCTICA II Probabilidad-Variables Aleatorias Sección II.1 Probabilidad 15. En el fichero sintomas.dat se encuentran 9 columnas con los resultados de una estadística médica. Cada columna corresponde
Más detallesMétodos generales de generación de variables aleatorias
Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad
Más detalles1. MEDIDAS DE TENDENCIA CENTRAL
1. MEDIDAS DE TENDENCIA CENTRAL Lo importante en una tendencia central es calcular un valor central que actúe como resumen numérico para representar al conjunto de datos. Estos valores son las medidas
Más detallesFundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I
Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Estimación de un modelo de regresión logística con SPSS 2 2.1. Ajuste de un modelo de regresión logística.............................
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 2
7 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería N N D).
Más detallesDistribución de frecuencias gráficas y tablas
Distribución de frecuencias gráficas y tablas Dra. Alicia M. González de la Cruz Educ 525 2013 Organizar los datos Las distribuciones de frecuencia es la organización de datos crudos en forma de tablas,
Más detallesEjercicio de estadística para 3º de la ESO
Ejercicio de estadística para 3º de la ESO Unibelia La estadística es una disciplina técnica que se apoya en las matemáticas y que tiene como objetivo la interpretación de la realidad de una población
Más detallesSISTEMAS NUMERICOS. Ing. Rudy Alberto Bravo
SISTEMAS NUMERICOS SISTEMAS NUMERICOS Si bien el sistema de numeración binario es el más importante de los sistemas digitales, hay otros que también lo son. El sistema decimal es importante porque se usa
Más detallesEstructuras de Datos y Algoritmos
Estructuras de Datos y Algoritmos Año 205 Deducción de algunos esfuerzos para una Distribución pseudo-aleatoria de datos Introducción Vamos a desarrollar algunos de los esfuerzos para estructuras que utilizan
Más detallesEstadística con Excel Informática 4º ESO ESTADÍSTICA CON EXCEL
1. Introducción ESTADÍSTICA CO EXCEL La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
Más detallesESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos
Descargado desde www.medwave.cl el 13 Junio 2011 por iriabeth villanueva Medwave. Año XI, No. 2, Febrero 2011. ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos Autor:
Más detalles1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde
Soluciones de la relación del Tema 6. 1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B1, p), donde p = P X = 1) = P la persona presente síntomas)
Más detallesAlvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012
Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian
Más detallesIntroducción a la Teoría de Probabilidad
Capítulo 1 Introducción a la Teoría de Probabilidad Para la mayoría de la gente, probabilidad es un término vago utilizado en el lenguaje cotidiano para indicar la posibilidad de ocurrencia de un evento
Más detallesMateria: Informática. Nota de Clases Sistemas de Numeración
Nota de Clases Sistemas de Numeración Conversión Entre Sistemas de Numeración 1. EL SISTEMA DE NUMERACIÓN 1.1. DEFINICIÓN DE UN SISTEMA DE NUMERACIÓN Un sistema de numeración es un conjunto finito de símbolos
Más detallesRELACIONES DE RECURRENCIA
Unidad 3 RELACIONES DE RECURRENCIA 60 Capítulo 5 RECURSIÓN Objetivo general Conocer en forma introductoria los conceptos propios de la recurrencia en relación con matemática discreta. Objetivos específicos
Más detallesCurso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos
Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay
Más detallesMódulo 9 Sistema matemático y operaciones binarias
Módulo 9 Sistema matemático y operaciones binarias OBJETIVO: Identificar los conjuntos de números naturales, enteros, racionales e irracionales; resolver una operación binaria, representar un número racional
Más detallesGeneración de valores de las variables aleatorias
Generación de valores de las variables aleatorias Juan F. Olivares-Pacheco * 14 de junio de 007 Resumen En todo modelo de simulación estocástico, existen una o varias variables aleatorias interactuando.
Más detalles2.2 Transformada de Laplace y Transformada. 2.2.1 Definiciones. 2.2.1.1 Transformada de Laplace
2.2 Transformada de Laplace y Transformada 2.2.1 Definiciones 2.2.1.1 Transformada de Laplace Dada una función de los reales en los reales, Existe una función denominada Transformada de Laplace que toma
Más detallesEduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS
ANÁLISIS DE DATOS Hoy día vamos a hablar de algunas medidas de resumen de datos: cómo resumir cuando tenemos una serie de datos numéricos, generalmente en variables intervalares. Cuando nosotros tenemos
Más detallesUnidad I. 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal)
Unidad I Sistemas numéricos 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal) Los computadores manipulan y almacenan los datos usando interruptores electrónicos que están ENCENDIDOS o APAGADOS.
Más detallesPARA QUÉ NÚMEROS REALES... 2 SUCESIONES... 3 NÚMEROS COMPLEJOS... 5 CÓNICAS... 6 FUNCIÓN INVERSA... 7 FUNCIONES CUADRÁTICAS... 8
PARA QUÉ SIRVE? Índice NÚMEROS REALES.... 2 SUCESIONES.... 3 SUCESIONES ARITMÉTICAS Y GEOMÉTRICAS.... 4 NÚMEROS COMPLEJOS.... 5 CÓNICAS.... 6 FUNCIÓN INVERSA.... 7 FUNCIONES CUADRÁTICAS.... 8 TEOREMA DE
Más detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detallesTema 3. Secuencias y transformada z
Ingeniería de Control Tema 3. Secuencias y transformada z Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos que se adquieren en este tema: Concepto de secuencia
Más detallesby Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true
by Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true I. FUNDAMENTOS 3. Representación de la información Introducción a la Informática Curso de Acceso a la Universidad
Más detallesTEMA 7: Análisis de la Capacidad del Proceso
TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad
Más detallesNúmeros aleatorios. Contenidos
Números aleatorios. Contenidos 1. Descripción estadística de datos. 2. Generación de números aleatorios Números aleatorios con distribución uniforme. Números aleatorios con otras distribuciones. Método
Más detallesMedias Móviles: Señales para invertir en la Bolsa
www.gacetafinanciera.com Medias Móviles: Señales para invertir en la Bolsa Juan P López..www.futuros.com Las medias móviles continúan siendo una herramienta básica en lo que se refiere a determinar tendencias
Más detallesUnidad 1 Sistemas de numeración Binario, Decimal, Hexadecimal
Unidad 1 Sistemas de numeración Binario, Decimal, Hexadecimal Artículo adaptado del artículo de Wikipedia Sistema Binario en su versión del 20 de marzo de 2014, por varios autores bajo la Licencia de Documentación
Más detallesPrecio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.
Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes
Más detallesMatemáticas 2º BTO Aplicadas a las Ciencias Sociales
Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD
Más detalles2. Aritmética modular Ejercicios resueltos
2. Aritmética modular Ejercicios resueltos Ejercicio 2.1 Probar, mediante congruencias, que 3 2n+5 + 2 4n+1 es divisible por 7 cualquiera que sea el entero n 1. Trabajando módulo 7 se tiene que 3 2n+5
Más detallesCifras significativas e incertidumbre en las mediciones
Unidades de medición Cifras significativas e incertidumbre en las mediciones Todas las mediciones constan de una unidad que nos indica lo que fue medido y un número que indica cuántas de esas unidades
Más detallesNÚMEROS NATURALES Y NÚMEROS ENTEROS
NÚMEROS NATURALES Y NÚMEROS ENTEROS Los números naturales surgen como respuesta a la necesidad de nuestros antepasados de contar los elementos de un conjunto (por ejemplo los animales de un rebaño) y de
Más detallesMedidas de la tendencia central y las gráficas de caja
LECCIÓN CONDENSADA 2.1 Medidas de la tendencia central y las gráficas de caja En esta lección Encontrarás e interpretarás la media, la mediana, y la moda para unos conjuntos de datos Crearás e interpretarás
Más detallesHERRAMIENTAS DE APOYO PARA LA IMPLEMENTACIÓN DE LA GESTIÓN POR PROCESOS EN EL MARCO DE LA POLÍTICA NACIONAL DE MODERNIZACIÓN DE LA GESTIÓN PÚBLICA
HERRAMIENTAS DE APOYO PARA LA IMPLEMENTACIÓN DE LA GESTIÓN POR PROCESOS EN EL MARCO DE LA POLÍTICA NACIONAL DE MODERNIZACIÓN DE LA GESTIÓN PÚBLICA Documento elaborado por la de la Presidencia del Consejo
Más detallesTeoría de Probabilidad
Matemáticas Discretas L. Enrique Sucar INAOE Teoría de Probabilidad Considero que la probabilidad representa el estado de la mente con respecto a una afirmación, evento u otra cosa para las que no existe
Más detallesStatgraphics Centurión
Facultad de Ciencias Económicas y Empresariales. Universidad de Valladolid 1 Statgraphics Centurión I.- Nociones básicas El paquete Statgraphics Centurión es un programa para el análisis estadístico que
Más detallesEjemplo: Resolvemos Sin solución. O siempre es positiva o siempre es negativa. Damos un valor cualquiera Siempre + D(f) =
T1 Dominios, Límites, Asíntotas, Derivadas y Representación Gráfica. 1.1 Dominios de funciones: Polinómicas: D( = La X puede tomar cualquier valor entre Ejemplos: D( = Función racional: es el cociente
Más detalles1. Ecuaciones no lineales
1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar
Más detallesESTADÍSTICA SEMANA 4
ESTADÍSTICA SEMANA 4 ÍNDICE MEDIDAS DE DISPERSIÓN... 3 APRENDIZAJES ESPERADOS... 3 DEfinición de Medida de dispersión... 3 Rango o Recorrido... 3 Varianza Muestral (S 2 )... 3 CÁLCULO DE LA VARIANZA...
Más detallesUniversidad TecMilenio: Profesional IO04002 Investigación de Operaciones II
IO04002 Investigación de Operaciones II Tema #4 Generación de números pseudo aleatorios y Objetivo de aprendizaje del tema Al finalizar la sesión serás capaz de: Calcular números pseudo aleatorios. Determinar
Más detallesGráficas de caja. El borde derecho de la caja es el tercer cuartil, Q 3, que es la mediana de los valores que están por encima de la mediana.
LECCIÓN CONDENSADA 2.1 Gráficas de caja En esta lección crearás e interpretarás las gráficas de caja para conjuntos de datos usarás el rango intercuartil (IQR) para identificar valores extremos potenciales
Más detallesTema 5. Variables aleatorias discretas
Tema 5. Variables aleatorias discretas Resumen del tema 5.1. Definición de variable aleatoria discreta 5.1.1. Variables aleatorias Una variable aleatoria es una función que asigna un número a cada suceso
Más detallesNotas de Teórico. Sistemas de Numeración
Departamento de Arquitectura Instituto de Computación Universidad de la República Montevideo - Uruguay Sistemas de umeración Arquitectura de Computadoras (Versión 5. - 4) SISTEMAS DE UMERACIÓ Introducción
Más detallesCRIPTOGRAFÍA SIMÉTRICA Y ASIMÉTRICA
CRIPTOGRAFÍA SIMÉTRICA Y ASIMÉTRICA Para generar una transmisión segura de datos, debemos contar con un canal que sea seguro, esto es debemos emplear técnicas de forma que los datos que se envían de una
Más detallesSISTEMAS DE ECUACIONES LINEALES
SISTEMAS DE ECUACIONES LINEALES INTRODUCCIÓN En el presente documento se explican detalladamente dos importantes temas: 1. Descomposición LU. 2. Método de Gauss-Seidel. Se trata de dos importantes herramientas
Más detallesI.E.S.MEDITERRÁNEO CURSO 2015 2016 DPTO DE MATEMÁTICAS PROGRAMA DE RECUPERACIÓN DE LOS APRENDIZAJES NO ADQUIRIDOS EN MATEMÁTICAS DE 3º DE E.S.O.
PROGRAMA DE RECUPERACIÓN DE LOS APRENDIZAJES NO ADQUIRIDOS EN MATEMÁTICAS DE 3º DE E.S.O. Este programa está destinado a los alumnos que han promocionado a cursos superiores sin haber superado esta materia.
Más detallesETS Caminos Santander. Curso 2012. Ejercicios de introducción a la programación.
Ejercicio 1. Saludo. El programa preguntará el nombre al usuario y a continuación le saludará de la siguiente forma "Hola, NOMBRE" donde NOMBRE es el nombre del usuario. Ejercicio 2. Suma. El programa
Más detallesUnidad 6. Distribuciones de probabilidad continua, muestreo y distribución de muestras
Unidad 6 Distribuciones de probabilidad continua, muestreo y distribución de muestras Introducción La unidad 5 se enfocó en el estudio de las distribuciones de probabilidad discreta, entre las cuales
Más detallesCORRELACIÓN Y PREDICIÓN
CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una
Más detallesSe podría entender como una matriz de filas y columnas. Cada combinación de fila y columna se denomina celda. Por ejemplo la celda A1, B33, Z68.
Departamento de Economía Aplicada: UDI de Estadística. Universidad Autónoma de Madrid Notas sobre el manejo de Excel para el análisis descriptivo y exploratorio de datos. (Descriptiva) 1 1 Introducción
Más detallesTEMA 1: SISTEMAS INFORMÁTICOS. Parte 2: representación de la información
TEMA 1: SISTEMAS INFORMÁTICOS Parte 2: representación de la información Qué vamos a ver? Cómo se representa y almacena la información en un ordenador Cómo podemos relacionar la información que entendemos
Más detallesPRÁCTICA N 2 SISTEMAS DE NUMERACIÓN
PRÁCTICA N 2 SISTEMAS DE NUMERACIÓN Ejercicio 1. Diseñar una planilla EXCEL que tome como dato de entrada un número entero y devuelva la representación en base 2. Testearla con los números 23, 245, 673,
Más detallesPRESENTACIÓN GRÁFICA DE LOS DATOS
PRESENTACIÓN GRÁFICA DE LOS DATOS Una imagen dice más que mil palabras, esta frase explica la importancia de presentar los datos en forma gráfica. Existe una gran variedad de gráficos y la selección apropiada
Más detallesTEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS
1 1 BASES DE DATOS DISTRIBUIDAS TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS 3.1 Metodología del procesamiento de consultas distribuidas 3.2 Estrategias de
Más detallesAXIOMAS DE CUERPO (CAMPO) DE LOS NÚMEROS REALES
AXIOMASDECUERPO(CAMPO) DELOSNÚMEROSREALES Ejemplo: 6 INECUACIONES 15 VA11) x y x y. VA12) x y x y. Las demostraciones de muchas de estas propiedades son evidentes de la definición. Otras se demostrarán
Más detallesLección 22: Probabilidad (definición clásica)
LECCIÓN 22 Lección 22: Probabilidad (definición clásica) Empezaremos esta lección haciendo un breve resumen de la lección 2 del libro de primer grado. Los fenómenos determinísticos son aquellos en los
Más detallesMétodos Iterativos para Resolver Sistemas Lineales
Métodos Iterativos para Resolver Sistemas Lineales Departamento de Matemáticas, CCIR/ITESM 17 de julio de 2009 Índice 3.1. Introducción............................................... 1 3.2. Objetivos................................................
Más detallesDecisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.
Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El
Más detallesCARTAS DE CONTROL. FeGoSa
Las empresas en general, ante la apertura comercial han venido reaccionando ante los cambios y situaciones adversas, reaccionan por ejemplo ante: Disminución de ventas Cancelación de pedidos Deterioro
Más detallesLa nueva criba de Eratóstenes Efraín Soto Apolinar 1 F.I.M.E. U.A.N.L. San Nicolás, N.L. México. efrain@yalma.fime.uanl.mx
La nueva criba de Eratóstenes Efraín Soto Apolinar 1 F.I.M.E. U.A.N.L. San Nicolás, N.L. México. efrain@yalma.fime.uanl.mx Resumen Se dan algunas definiciones básicas relacionadas con la divisibilidad
Más detallesTema 2 Estadística Descriptiva
Estadística Descriptiva 1 Tipo de Variables 2 Tipo de variables La base de datos anterior contiene la información de 2700 individuos con 8 variables. Los datos provienen de una encuesta nacional realizada
Más detalles1.4.- D E S I G U A L D A D E S
1.4.- D E S I G U A L D A D E S OBJETIVO: Que el alumno conozca y maneje las reglas empleadas en la resolución de desigualdades y las use para determinar el conjunto solución de una desigualdad dada y
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detalles