Simulación Computacional. Tema 1: Generación de números aleatorios

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

Download "Simulación Computacional. Tema 1: Generación de números aleatorios"

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

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 detalles

SIMULACIÓN CAPITULO 3 LECTURA 6.3. SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México 3.

SIMULACIÓN 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 detalles

Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.

Probabilidades 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 detalles

Unidad II: Números pseudoaleatorios

Unidad 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 detalles

Statgraphics Centurión

Statgraphics 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 detalles

R-IV. Números Aleatorios. Método de Monte- Carlo. Números Aleatorios. Números Aleatorios 8 -

R-IV. Números Aleatorios. Método de Monte- Carlo. Números Aleatorios. Números Aleatorios 8 - R-IV Método de Monte- Carlo Elemento Central en la Simulación digital. Definición formal controvertida. Elemento esencial en muchas áreas del conocimiento Ingeniería, Economía, Física, Estadística, etc.

Más detalles

Capítulo 19 Análisis no paramétrico: El procedimiento Pruebas no paramétricas

Capítulo 19 Análisis no paramétrico: El procedimiento Pruebas no paramétricas Capítulo 19 Análisis no paramétrico: El procedimiento Pruebas no paramétricas En los capítulos 13 al 18 hemos estudiado una serie de procedimientos estadísticos diseñados para analizar variables cuantitativas:

Más detalles

Propiedades de Muestras Grandes y Simulación

Propiedades de Muestras Grandes y Simulación Propiedades de Muestras Grandes y Simulación Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid Esquema 1 Propiedades en muestras grandes (W App C3) 2 3 Las propiedades

Más detalles

Generación de valores de las variables aleatorias

Generación 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 detalles

13. Técnicas de simulación mediante el método de Montecarlo

13. 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 detalles

5. DISTRIBUCIONES DE PROBABILIDADES

5. 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 detalles

Números aleatorios. Contenidos

Números 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 detalles

Curso. Análisis Estadístico de Datos Climáticos

Curso. Análisis Estadístico de Datos Climáticos Curso I-1 Análisis Estadístico de Datos Climáticos Distribuciones de Probabilidad Mario Bidegain (FC) Alvaro Diaz (FI) Universidad de la República Montevideo, Uruguay 2011 I-2 DISTRIBUCIONES DE PROBABILIDAD

Más detalles

Estadística Computacional

Estadística Computacional Estadística Computacional Estadística Computacional Antonio Salmerón Cerdán María Morales Giraldo ALMERÍA, 2001 Prólogo El objetivo de este trabajo es ofrecer un libro de texto que cubra los contenidos

Más detalles

Tema 12: Contrastes Paramétricos

Tema 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 detalles

SIMULACION. Formulación de modelos: solución obtenida de manera analítica

SIMULACION. 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 detalles

Unidad 3 Generación de números aleatorios.

Unidad 3 Generación de números aleatorios. Unidad 3 Generación de números aleatorios. Ejercicio 1. Generadores de números aleatorios. La implementación de un buen generador de números aleatorios uniformemente distribuidos sobre el intervalo (0,

Más detalles

Generación de Números Aleatorios Uniformes

Generación de Números Aleatorios Uniformes Capítulo 5 Generación de Números Aleatorios Uniformes Vimos en el capítulo sobre repaso de distribuciones de probabilidad, lo que es una distribución uniforme. Pero podemos encontrar un método o experimento

Más detalles

Universidad TecMilenio: Profesional IO04002 Investigación de Operaciones II

Universidad 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 detalles

Tema 1: Test de Distribuciones de Probabilidad

Tema 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 detalles

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO Unidad 1 Números Reales Utilizar los números enteros, racionales e irracionales para cuantificar situaciones de la vida cotidiana. Aplicar adecuadamente

Más detalles

Determinación 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 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 detalles

LICENCIADO EN CIENCIAS AMBIENTALES PROGRAMA DE ESTADÍSTICA

LICENCIADO EN CIENCIAS AMBIENTALES PROGRAMA DE ESTADÍSTICA LICENCIADO EN CIENCIAS AMBIENTALES PROGRAMA DE ESTADÍSTICA CURSO 2010-2011 TITULACIÓN: CIENCIAS AMBIENTALES ASIGNATURA: ESTADISTICA ÁREA DE CONOCIMIENTO: Estadística e Investigación Operativa Número de

Más detalles

Simulación, Método de Montecarlo

Simulación, Método de Montecarlo Simulación, Método de Montecarlo Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2011 Introducción 2 Introducción............................................................

Más detalles

Las Matemáticas En Ingeniería

Las Matemáticas En Ingeniería Las Matemáticas En Ingeniería 1.1. Referentes Nacionales A nivel nacional se considera que el conocimiento matemático y de ciencias naturales, sus conceptos y estructuras, constituyen una herramienta para

Más detalles

Unidad II: Números pseudoalealeatorios

Unidad II: Números pseudoalealeatorios 1 Unidad II: Números pseudoalealeatorios Generación de números aleatorios Un Número Aleatorio se define como un número al azar comprendido entre cero y uno. Su característica principal es que puede suceder

Más detalles

Curso de Estadística no-paramétrica

Curso de Estadística no-paramétrica Curso de Estadística no-paramétrica Sesión 1: Introducción Inferencia no Paramétrica David Conesa Grup d Estadística espacial i Temporal Departament d Estadística en Epidemiologia i Medi Ambient i Investigació

Más detalles

Métodos Estadísticos 2.3. Distribuciones discretas de probabilidad

Métodos Estadísticos 2.3. Distribuciones discretas de probabilidad 2.3. DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Parámetros de un problema Saber: Explicar el concepto de variable discreta. Explicar los conceptos y métodos de la distribución binomial, hipergeométrica,

Más detalles

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos

Curso: 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 detalles

Coordinador: HENRY MENDOZA RIVERA. Profesor Asistente Departamento de Estadística Facultad de Ciencias Sede Bogotá

Coordinador: HENRY MENDOZA RIVERA. Profesor Asistente Departamento de Estadística Facultad de Ciencias Sede Bogotá Coordinador: HENRY MENDOZA RIVERA Profesor Asistente Departamento de Estadística Facultad de Ciencias Sede Bogotá Introducción El diplomado en Probabilidad y Estadística Fundamental, es el primero de una

Más detalles

CAPITULO 8. INTRODUCCION AL MÉTODO DE SIMULACIÓN MONTE CARLO

CAPITULO 8. INTRODUCCION AL MÉTODO DE SIMULACIÓN MONTE CARLO CAPITULO 8. INTRODUCCION AL MÉTODO DE SIMULACIÓN MONTE CARLO Objetivos del Capítulo Introducir los conceptos e ideas clave de la simulación Monte Carlo. Introducirse en las capacidades que ofrece Excel

Más detalles

Práctica 3. Distribuciones de probabilidad

Práctica 3. Distribuciones de probabilidad Práctica 3. Distribuciones de probabilidad Estadística Facultad de Física Objetivos Distribuciones Representaciones gráficas Ejercicios Aplicaciones 1 Introducción En esta práctica utilizaremos una herramienta

Más detalles

El método de Monte Carlo: generalidades. Simulación de Distribuciones de Poisson. Simulación de Distribuciones Generales

El método de Monte Carlo: generalidades. Simulación de Distribuciones de Poisson. Simulación de Distribuciones Generales El método de Monte Carlo: generalidades Números aleatorios Simulación de Distribuciones de Poisson Simulación de Distribuciones Generales El método de Monte Carlo en Mecánica Estadística Percolación en

Más detalles

Generación de números aleatorios

Generación 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 detalles

Generadores de números aleatorios

Generadores de números aleatorios Generadores de números aleatorios Patricia Kisbye FaMAF 23 de marzo, 2010 Para qué se utilizan? Simulación. Muestreo. Análisis numérico. Testeo de programas. Juegos de azar. Toma de decisiones. Secuencias

Más detalles

TEMA 4: Introducción al Control Estadístico de Procesos

TEMA 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 detalles

Prácticas de Simulación (Sistemas) Autor: M. en C. Luis Ignacio Sandoval Paéz

Prácticas de Simulación (Sistemas) Autor: M. en C. Luis Ignacio Sandoval Paéz 1 Prácticas de Simulación (Sistemas) Autor: M. en C. Luis Ignacio Sandoval Paéz 2 ÍNDICE Introducción 3 Aplicaciones de la Simulación 3 La Metodología de la Simulación por Computadora 5 Sistemas, modelos

Más detalles

R PRÁCTICA II. Probabilidad-Variables Aleatorias. Probabilidad

R 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 detalles

DESCRIPCIÓN ESPECÍFICA

DESCRIPCIÓN ESPECÍFICA DESCRIPCIÓN ESPECÍFICA NÚCLEO: COMERCIO Y SERVICIO SUBSECTOR: PRODUCCION Y SALUD OCUPACIONAL Nombre del Módulo: Análisis estadístico de datos. total: 45 HORAS. Objetivo General: Analizar la conformidad

Más detalles

Medidas de tendencia central o de posición: situación de los valores alrededor

Medidas 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 detalles

d. Generación de Muestras de Variables Aleatorias

d. Generación de Muestras de Variables Aleatorias 25 Conceptos de Probabilidad, Variables Aleatorias Marco Aurelio Alzate Monroy y Procesos Estocásticos en Redes de Comunicaciones Universidad Distrital F.J.C. 79 d. Generación de Muestras de Variables

Más detalles

Índice general. I Estadística 3

Índice general. I Estadística 3 Índice general I Estadística 3 1 Estadística Descriptiva 5 1.1 Variables estadísticas.................................... 5 1.2 Tipos, muestras....................................... 5 1.3 Una variable.........................................

Más detalles

Teoría de Probabilidad

Teoría 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 detalles

ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960

ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960 ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960 Verón, Juan Antonio* ; Herrera, Carlos Gabriel*; Rodríguez, Norma Leonor** * Facultad de Tecnología y Ciencias Aplicada de la UNCa.

Más detalles

PROGRAMA DE ESTUDIO. Horas de Práctica

PROGRAMA DE ESTUDIO. Horas de Práctica PROGRAMA DE ESTUDIO Nombre de la asignatura: MODELADO Y SIMULACIÓN DE PROCESOS Clave: IQM12 Ciclo Formativo: Básico ( ) Profesional (X) Especializado ( ) Fecha de elaboración: 7 DE MARZO DE 2015 Horas

Más detalles

Unidad Temática 1: Unidad 3 Probabilidad Temas 6 y 7

Unidad Temática 1: Unidad 3 Probabilidad Temas 6 y 7 Unidad Temática 1: Unidad 3 Probabilidad Temas 6 y 7 Definiciones: 1- La probabilidad estudia la verosimilitud de que determinados sucesos o eventos ocurran o no, con respecto a otros sucesos o eventos

Más detalles

INDICE Prefacio 1 Introducción 2 Organizaciones de los datos para que transmitan un significado: tablas y graficas

INDICE Prefacio 1 Introducción 2 Organizaciones de los datos para que transmitan un significado: tablas y graficas INDICE Prefacio 1 Introducción 1-1 Preámbulo 1-2 Reseña histórica 1-3 Subdivisiones de la estadística 1-4 Estrategia, suposiciones y enfoque 2 Organizaciones de los datos para que transmitan un significado:

Más detalles

Estadística aplicada y modelización. 10 de septiembre de 2005

Estadística aplicada y modelización. 10 de septiembre de 2005 Estadística aplicada y modelización. 10 de septiembre de 005 SOLUCIÓN MODELO A 1. Una persona se está preparando para obtener el carnet de conducir, repitiendo un test de 0 preguntas. En la siguiente tabla

Más detalles

ESTADÍSTICA 2OO7/2OO8 TEMA 10: SIMULACIÓN DE VARIABLES ALEATORIAS

ESTADÍSTICA 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 detalles

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible

Más detalles

Matemáticas aplicadas a las Ciencias Sociales II Variables Aleatorias. Distribuciones Binomial y Normal. Índice. 1. Variables aleatorias 2

Matemáticas aplicadas a las Ciencias Sociales II Variables Aleatorias. Distribuciones Binomial y Normal. Índice. 1. Variables aleatorias 2 Matemáticas aplicadas a las Ciencias Sociales II Variables Aleatorias. Distribuciones Binomial y Normal Índice 1. Variables aleatorias 2 2. Distribución de probabilidad para variables aleatorias discretas

Más detalles

PARA QUÉ NÚMEROS REALES... 2 SUCESIONES... 3 NÚMEROS COMPLEJOS... 5 CÓNICAS... 6 FUNCIÓN INVERSA... 7 FUNCIONES CUADRÁTICAS... 8

PARA 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 detalles

HERRAMIENTAS ESTADÍSTICAS -COMPARACIÓN DE DOS MUESTRAS: t-test CURSO DE APLICACIÓN DE LOS MÉTODOS ESTADÍSTICOS A LA CALIDAD MÓDULO-2

HERRAMIENTAS ESTADÍSTICAS -COMPARACIÓN DE DOS MUESTRAS: t-test CURSO DE APLICACIÓN DE LOS MÉTODOS ESTADÍSTICOS A LA CALIDAD MÓDULO-2 HERRAMIENTAS ESTADÍSTICAS -COMPARACIÓN DE DOS MUESTRAS: t-test Módulo CURSO DE APLICACIÓN DE LOS MÉTODOS ESTADÍSTICOS A LA CALIDAD APUNTES DE CLASE Profesor: Arturo Ruiz-Falcó Rojas Madrid, Mayo 009 MÓDULO-

Más detalles

ÍNDICE DE CONTENIDOS. Capítulo 1 Presentación

ÍNDICE DE CONTENIDOS. Capítulo 1 Presentación ÍNDICE DE CONTENIDOS Capítulo 1 Presentación Capítulo 2 Introducción al proceso de decisión bajo riesgo e incertidumbre 2.1. Resumen del capítulo 2.2. Introducción 2.3. El concepto de riesgo e incertidumbre

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 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 detalles

DIPLOMADO ACTUALIZACIO N EN MATEMA TICAS PARA PROFESIONALES DE BANCA Y SEGUROS

DIPLOMADO ACTUALIZACIO N EN MATEMA TICAS PARA PROFESIONALES DE BANCA Y SEGUROS DIPLOMADO ACTUALIZACIO N EN MATEMA TICAS PARA PROFESIONALES DE BANCA Y SEGUROS Objetivo y alcance del diplomado General Brindar al participante una actualización en diferentes temas de probabilidad y estadística,

Más detalles

Carrera: MCM - 0531. Participantes. Representantes de las academias de Ingeniería Mecánica de Institutos Tecnológicos.

Carrera: MCM - 0531. Participantes. Representantes de las academias de Ingeniería Mecánica de Institutos Tecnológicos. 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Probabilidad y Estadística Ingeniería Mecánica MCM - 0531 3 2 8 2.- HISTORIA DEL

Más detalles

8. Estimación puntual

8. 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 detalles

DIPLOMADO "ACTUALIZACIO N EN MATEMA TICAS Y PROBABILIDAD PARA PROFESIONALES EN BANCA Y SEGUROS"

DIPLOMADO ACTUALIZACIO N EN MATEMA TICAS Y PROBABILIDAD PARA PROFESIONALES EN BANCA Y SEGUROS DIPLOMADO "ACTUALIZACIO N EN MATEMA TICAS Y PROBABILIDAD PARA PROFESIONALES EN BANCA Y SEGUROS" Objetivo y alcance del diplomado General Brindar al participante una actualización en temas básicos de probabilidad,

Más detalles

Simulación. Carrera: INE-0405 2-2-6. Participantes. Representante de las academias de ingeniería industrial de los Institutos Tecnológicos.

Simulación. Carrera: INE-0405 2-2-6. Participantes. Representante de las academias de ingeniería industrial de los Institutos Tecnológicos. 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Simulación Ingeniería Industrial INE-0405 2-2-6 2.- HISTORIA DEL PROGRAMA Lugar

Más detalles

Unidad 4: Variables aleatorias

Unidad 4: Variables aleatorias Unidad 4: Variables aleatorias Logro de la unidad 4 Al finalizar la unidad 4, el alumno aplica el concepto de variable aleatoria, valor esperado y probabilidad para la toma de decisiones en un trabajo

Más detalles

FACULTAD DE INGENIERÍA Programa de Ingeniería de Sistemas Syllabus

FACULTAD DE INGENIERÍA Programa de Ingeniería de Sistemas Syllabus INFORMACIÓN GENERAL Área de formación Núcleo de Contenido Núcleo de Conocimiento Núcleo Temático Profesional Especifica Ingeniería Aplicada Operativa Modelación Semestre IX Número de Créditos Académicos

Más detalles

Simulación. Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@comillas.edu

Simulación. Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@comillas.edu Simulación Andrés Ramos Universidad Pontificia Comillas http://www.iit.upcomillas.es/aramos/ Andres.Ramos@comillas.edu Índice Sistemas, modelos y simulación Elementos de la simulación Software de simulación

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 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

Métodos y Modelos Cuantitativos para la toma de Decisiones

Métodos y Modelos Cuantitativos para la toma de Decisiones Métodos y Modelos Cuantitativos para la toma de Decisiones David Giuliodori Universidad Empresarial Siglo 21 David Giuliodori (UE-Siglo 21) MMC 1 / 98 Índice: 1 Conceptos Generales 2 Enfoque Clásico Tendencia

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. 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 detalles

Anexo 4. Herramientas Estadísticas

Anexo 4. Herramientas Estadísticas Anexo 4 Herramientas Estadísticas La estadística descriptiva es utilizada como una herramienta para describir y analizar las características de un conjunto de datos, así como las relaciones que existen

Más detalles

SEMESTRE: CREDITOS: 3 HORAS PRESENCIALES: 3 Horas de Acompañamiento: 1 TOTAL HORAS/ Semana: 4 CODIGO: 612007954 PROBLEMA

SEMESTRE: CREDITOS: 3 HORAS PRESENCIALES: 3 Horas de Acompañamiento: 1 TOTAL HORAS/ Semana: 4 CODIGO: 612007954 PROBLEMA FACULTAD DE INGENIERÍA Programa de Ingeniería de Sistemas NUCLEO DE CONTENIDO: Básicas de Ingeniería NUCLEO DE CONOCIMIENTO: Investigación de Operaciones. NUCLEO TEMÀTICO: Modelación (Simulación) SEMESTRE:

Más detalles

Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I

Fundamentos 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 detalles

Modelos matemáticos de simulación

Modelos matemáticos de simulación Modelos matemáticos de simulación Andrés Ramos Andres.Ramos@iit.icai.upcomillas.es Universidad Pontificia Comillas Begoña Vitoriano bvitoriano@mat.ucm.es Universidad Complutense de Madrid Índice Sistemas,

Más detalles

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características

Más detalles

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO Estadística Superior CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO 1 1. REGRESIÓN LINEAL SIMPLE Y MÚLTIPLE 1.1. Regresión lineal simple 1.2. Estimación y predicción por intervalo en regresión lineal

Más detalles

Simulación Monte Carlo

Simulación Monte Carlo Simulación Monte Carlo Modelado estocástico Cuando se realiza un análisis estático a un proyecto, una serie de supuestos y variables producen un resultado de valor único. Mientras que un análisis estocástico

Más detalles

CURSO 2014/15 ASIGNATURA: MATEMÁTICAS CURSO: 3º ESO 1.- OBJETIVOS

CURSO 2014/15 ASIGNATURA: MATEMÁTICAS CURSO: 3º ESO 1.- OBJETIVOS CURSO 014/15 ASIGNATURA: MATEMÁTICAS CURSO: 3º ESO 1.- OBJETIVOS Los especificados en el DECRETO 3/007, de 10 de mayo, (B.O.C.M. 9 de mayo), del Consejo de Gobierno, por el que se establece para la Comunidad

Más detalles

SEÑALES Y SISTEMAS - AÑO 2015 Práctica 1: Señales Determinísticas e Introducción a las Señales Aleatorias

SEÑALES Y SISTEMAS - AÑO 2015 Práctica 1: Señales Determinísticas e Introducción a las Señales Aleatorias SEÑALES Y SISTEMAS - AÑO 2015 Práctica 1: Señales Determinísticas e Introducción a las Señales Aleatorias 1. Impulsos continuos y discretos a) Enuncie la propiedad de extracción de la delta de Dirac. b)

Más detalles

Simulación. Carrera: SCD-1022 SATCA 1

Simulación. Carrera: SCD-1022 SATCA 1 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Simulación Ingeniería en Sistemas Computacionales Clave de la asignatura: SATCA 1 SCD-1022 2 3 5 2.- PRESENTACIÓN Caracterización de la asignatura.

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 3 (Análisis espectral) 2015 Dominio temporal vs. dominio de frecuencias Son dos enfoques para encarar el análisis de las series temporales, aparentemente

Más detalles

MEDICIÓN BILATERAL DE LA VARIABILIDAD DE LA LONGITUD

MEDICIÓN BILATERAL DE LA VARIABILIDAD DE LA LONGITUD MEDICIÓN BILATERAL DE LA VARIABILIDAD DE LA LONGITUD DE CORRIDA DE UNA CARTA DE CONTROL ESTADÍSTICO DE PROCESOS SU APLICACIÓN PARA DETERMINAR LA SENSIBILIDAD DE LA CARTA CUSUM NORMAL ANTE LA PRESENCIA

Más detalles

TEMA 1. Introducción al análisis empírico de variables económicas.

TEMA 1. Introducción al análisis empírico de variables económicas. TEMA 1. Introducción al análisis empírico de variables económicas. Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Datos Económicos Introducción Tipos de Datos. Tratamiento

Más detalles

ANÁLISIS ESTADÍSTICO DE DATOS USANDO MINITAB

ANÁLISIS ESTADÍSTICO DE DATOS USANDO MINITAB ANÁLISIS ESTADÍSTICO DE DATOS USANDO MINITAB Tercera Edición EDGAR ACUÑA FERNANDEZ UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DEPARTAMENTO DE MATEMATICAS e-mail:edgar@math.uprm.edu homepage:math.uprm.edu/~edgar

Más detalles

Capítulo 2. Generación de Números Aleatorios. Introducción. Efectos de la aleatoriedad en la simulación

Capítulo 2. Generación de Números Aleatorios. Introducción. Efectos de la aleatoriedad en la simulación Capítulo 2 Generación de Números Aleatorios II.1 Introducción La vida real raramente es determinística. Muchas de las influencias externas a un sistema bajo estudio (tal como el arribo de las entidades)

Más detalles

T.3 ESTIMACIÓN PUNTUAL

T.3 ESTIMACIÓN PUNTUAL T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan

Más detalles

Control de calidad del Hormigón

Control de calidad del Hormigón Control de calidad del Hormigón Calidad Hay muchos factores involucrados en la producción del hormigón, desde los materiales, la dosificación de la mezcla, el transporte, la colocación, el curado y los

Más detalles

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS Badler, Clara E. Alsina, Sara M. 1 Puigsubirá, Cristina B. 1 Vitelleschi, María S. 1 Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística (IITAE) TRATAMIENTO DE BASES DE DATOS

Más detalles

CAPÍTULO 5 DISTRIBUCIONES DE PROBABILIDADES

CAPÍTULO 5 DISTRIBUCIONES DE PROBABILIDADES CAPÍTULO 5 DISTRIBUCIONES DE PROBABILIDADES En este capítulo se introducirá el concepto de variable aleatoria, cuya importancia radica en introducir modelos matemáticos en el cálculo de probabilidades.

Más detalles

PROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT 6 10 3 2 5

PROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT 6 10 3 2 5 PROGRAMA DE CURSO Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal

Más detalles

MATEMÁTICAS 3º E.S.O

MATEMÁTICAS 3º E.S.O MATEMÁTICAS 3º E.S.O Desarrollado en DECRETO 48/2015, de 14 de mayo (B.O.C.M. Núm. 118; 20 de mayo de 2015) PROGRAMACIÓN DIDÁCTICA I.E.S. JOSÉ HIERRO (GETAFE) CURSO: 2015-16 Pág 1 de 11 1. CONTENIDOS Y

Más detalles

Métodos y Diseños utilizados en Psicología

Métodos y Diseños utilizados en Psicología Métodos y Diseños utilizados en Psicología El presente documento pretende realizar una introducción al método científico utilizado en Psicología para recoger información acerca de situaciones o aspectos

Más detalles

Inferencia Estadística

Inferencia Estadística MaMaEuSch Management Mathematics for European Schools http://www.mathematik.unikl.de/ mamaeusch Inferencia Estadística Paula Lagares Barreiro * Justo Puerto Albandoz * MaMaEuSch ** Management Mathematics

Más detalles

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD. Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables

Más detalles

TEMA 7: Análisis de la Capacidad del Proceso

TEMA 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 detalles

PRUEBA DE HIPÓTESIS CON CHI CUADRADO EMPLEANDO EXCEL Y WINSTATS

PRUEBA DE HIPÓTESIS CON CHI CUADRADO EMPLEANDO EXCEL Y WINSTATS PRUEBA DE HIPÓTESIS CON CHI CUADRADO EMPLEANDO EXCEL Y WINSTATS La finalidad de una prueba de k muestras es evaluar la aseveración que establece que todas las k muestras independientes provienen de poblaciones

Más detalles

ESTADISTICA Y PROBABILIDAD

ESTADISTICA Y PROBABILIDAD ESTADISTICA Y PROBABILIDAD Introducción Para incrementar los conocimientos que se tienen acerca del mundo es necesario emplear los métodos y las inferencias estadísticas. Sin embargo debido a la amplitud

Más detalles

Medidas de tendencia Central

Medidas 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 detalles

Formulario y Tablas de Probabilidad para el Curso de Estadística II

Formulario y Tablas de Probabilidad para el Curso de Estadística II Formulario y Tablas de Probabilidad para el Curso de Estadística II Ernesto Barrios Zamudio 1 José Ángel García Pérez2 Departamento Académico de Estadística Instituto Tecnológico Autónomo de México Octubre

Más detalles

ESTIMACION DE INTERVALOS DE CONFIANZA

ESTIMACION 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 detalles

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 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 detalles

UNIVERSIDAD DEL TOLIMA FACULTAD DE CIENCIAS PROGRAMA MATEMÁTICAS CON ÉNFASIS EN ESTADÍSTICA RUBEN DARIO GUEVARA, FERNANDO ALONSO VELEZ

UNIVERSIDAD DEL TOLIMA FACULTAD DE CIENCIAS PROGRAMA MATEMÁTICAS CON ÉNFASIS EN ESTADÍSTICA RUBEN DARIO GUEVARA, FERNANDO ALONSO VELEZ UNIVERSIDAD DEL TOLIMA FACULTAD DE CIENCIAS PROGRAMA MATEMÁTICAS CON ÉNFASIS EN ESTADÍSTICA 1. IDENTIFICACIÓN ASIGNATURA: SIMULACIÓN ESTADÍSTICA CODIGO: 070110 NIVEL: VI CREDITOS: 3 DESCRIPCIÓN: DOCENTES:

Más detalles

2. Aritmética modular Ejercicios resueltos

2. 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 detalles