Control 1 IN44A, Viernes 6 de Septiembre de 2002
|
|
- Fernando Campos Giménez
- hace 7 años
- Vistas:
Transcripción
1 DEPARTAMENTO DE INGENIERIA INDUSTRIAL Curso: IN44A - Investigación Operativa Facultad de Cs. Físicas y Matemáticas Sem.: Primavera 00 UNIVERSIDAD DE CHILE Prof: A. Barrientos, A. Sauré, N. Yanković. P. Aux: P. Hernández, J.A. Muñoz, D. Sauré. Control 1 IN44A, Viernes 6 de Septiembre de 00 Problema 1 1. (0,5 ptos) Como desea minimizar el valor esperado del dinero gastado para terminar el contrato debe evaluar llegar a un acuerdo (y gastar $50.000) o ir a un juicio, en cuyo caso la esperanza de lo que deberá desembolsar es : [ ] 10 E U[40,000, 60,000] = 00,000 = 60, De esta manera, la decisión óptima, si no se contrata a la consultora es aceptar el acuerdo de la distribuidora de Gayville.. (,5 ptos) Se estará dispuesto a pagar la diferencia entre la esperanza del dinero que se deberá gastar si se conoce la predicción de la consultora y nuestra mejor alternativa (que es el acuerdo con un valor de $50.000). Del enunciado: P [dice Gana / gana] = 0, 9 P [dice Gana / pierde] = 0, Ocupando Bayes y probabilidades totales se tiene que: P [gana / dice Gana] = P [dice Gana / gana] P [ganar] P [dice Gana] P [dice Gana] = P [dice Gana / gana] P [ganar] + P [dice Gana / pierde] P [perder] = 0, 9 0, 7+0, 0, P [dice Gana] = 0, 7 P [ganar / dice Gana] = 6 7 1
2 De esta manera el valor esperado de ir a juicio si la consultora predice un triunfo será: 9 00,000 = 5,000 < 50,000 7 En este caso la decisión óptima para AnBlack es ir al juicio. Sin embargo, si la consultora dice que van a perder, la decisión óptima continuará siendo el acuerdo, porque P [ganar / dice Pierde] < 0, 7. Así, el desembolso esperado en caso de contratar a la consultora será de5,000 0, 7+50,000 0, 8 =,000, por lo que lo máximo que deberíamos pagar por predecir el resultado es 50,000,000 = 18,000.. (1,0 ptos) Efectivamente, si ambas compañías fueran neutras al riesgo el valor esperado del acuerdo tendría que ser igual al valor esperado de un eventual juicio. Dada la estructura del problema podemos concluir que la distribuidora de Gayville es edversa al riesgo, y que la única manera en que AnBlack no quisiera aceptar el acuerdo extrajudicial es que tuviera una función de utilidad o criterio de decisión que valorara positivamente la incertidumbre (como Maximax). 4. (,0 ptos) Para contestar esta pregunta calcularemos la E[U] para el distribuidor de Gayville. En caso de un juicio tendremos que la utilidad esperada será: x E[U(x)] = 0, 00,000 dx = ,000 (6 ) = De esta última expresión podemos deducir que la distribuidora de Gayville estará indiferente entre ir al juicio que a recibir 08 =4,64 seguros, por lo que AnBlack podría reducir en $6.76 el valor del acuerdo extrajudicial teniendo la seguridad que Gayville lo aceptará.
3 Problema 1. (1,0 ptos) Está es la clásica pregunta de programación dinámica. La respuesta va por el lado de justificar la existencia de decisiones intertemporales, la existencia de variables de estado que resumen la historia hasta un determinado momento y que la decisión en un período solo depende de ellas y no de la historia, etc.. (4,0 ptos) Siguiendo los pasos metodológicos tendremos que: Etapas: Cada una de las T semanas (supondremos que el show final se realiza en una semana ficticia T + 1). Variables de Estado: R t =Número de semanas con rutinas repetidas consecutivamente N t =Número ocasiones en las cuales se repiten rutinas en la temporada Variable de Decisión: { 1 Si creo una nueva rutina X t = 0 Variable aleatoria: P n donde n es el número de semanas consecutivas con repeticiones. Recurrencias: Comencemos con el show final (en la semana ficticia T + 1): VT +1(R T +1,N T +1 )=q NT +1 m C(T +1) Para una semana t (supuesto que p 0 = 0): V t (R t,n t,x t )= { C(t)+V t+1 (0,N t ) Si X t =1 p Rt+1 D(R t +1)+Vt+1(R t +1,N t +1) 0 <t<t+1 Condiciones de borde: R 1 = N 1 =0. (1,0 ptos)ahora necesitamos guardar información acerca del número de reclamos acumulados en una temporada. El modelo quedará de la siguiente forma: Etapas: Cada una de las T semanas (supondremos que el show final se realiza en una semana ficticia T + 1). Variables de Estado: R t =Número de semanas con rutinas repetidas consecutivamente E t =Número de ocasiones donde el publico reclamo N t =Número ocasiones en las cuales se repiten rutinas en la temporada
4 Variable de Decisión: { 1 Si creo una nueva rutina X t = 0 Variable aleatoria: P { n, e} donde n es el número de semanas consecutivas con repeticiones y e es el número de reclamos acumulados. Recurrencias: Comencemos con el show final (en la semana ficticia T + 1): V T +1(R T +1,E T +1,N T +1 )=q NT +1 m C(T +1) Para una semana t: V t (R t,n t,x t )= C(t)+p {0,Et} (D(0) + Vt+1(0,E t +1,N t )) Si X t =1 +(1 p {0,Et})Vt+1(0,E t,n t )) p {Rt+1,E t} (D(R t +1)+Vt+1(R t +1,E t +1,N t + 1)) +(1 p {Rt+1,E t}) (Vt+1(R t +1,E t,n t + 1)) Condiciones de borde: R 1 = E 1 = N 1 =0 Problema 1. (1,0 ptos) Sean {N a (t) :t 0}, {N b (t) :t 0} y {N T (t) :t 0} los procesos de conteo asociados al número de autos que cruzan la calle a, la calle b y ambas, respectivamente. El diagrama de autos que cruzan la intersección (por una calle en particular) es la que se muestra en la figura a continuación: 4
5 Entonces la dinámica del total de autos que cruza por alguna de las calles es la siguiente: Para calcular la distribución de los autos que cruzan la intersección en un ciclo hay que notar que, dada la definición del ciclo, cruzaran todos los autos que llegan por la calle a durante un tiempo C y todos los que llegan por la calle b en el mismo tiempo. Entonces N a (C)sigue un proceso de poisson de tasa λ a,yn b (C) sigue un proceso de Poisson de tasa λ b. Por suma de procesos de Poisson es directo que N T (C) sigue un proceso de Poisson de tasa (λ a + λ b ). Es importante notar que solo para intervalos de largo C se cumple esta propiedad (dado que solo en esos instantes han cruzado todos los autos que han llegado al cruce).. (1,0 ptos) Cada uno de los autos que cruzo el ciclo (dada la respuesta a la pregunta (a)) tiene λ una probabilidad a de haber cruzado por la calle a. Para ver esto solo basta pensar en que la llegada de autos por la calle a viene de la división del proceso de Poisson N T (C) (de tasa λ a + λ b ) λ con probabilidad a (si multiplican la tasa y la prob. recuperan el proceso original). Entonces, dado que llegaron n tendre que: ( ) n λ a P [N a (C) =k N T (C) =n] = ( ) k λ b ( ) n k k λ a + λ b λ a + λ b Es decir una distribución binomial de parámetros n y( λ a ).. (1,0 ptos) Veamos esto como un proceso de Poisson filtrado. Si un auto llega (por a) en el instante s (medido desde el comienzo del ciclo) tiene la siguiente probabilidad de haber esperado para cruzar: P [s] = { 0 si 0 s<a 1 si A s<c Entonces independiente del instante de llegada, cada uno de estos N autos tiene una probabilidad p de haber tenido que esperar, donde: C P [s] A p = 0 C ds = 0 C 0 C ds + 1 A C ds =1 A C Donde se utilizo la distribución uniforme [0,C] de las llegadas condicionadas de un proceso de Poisson. Sea N(t) Ea el número de autos que ha cruzado hasta t pero que ha debido esperar la luz 5
6 verde. Entonces tendremos que: P [N(C) Ea = k N a (C) =n] = Es decir una distribución binomial de parámetros n y p. ( ) n p k (1 p) n k k 4. (1,0 ptos) Sea N NE (t) elnúmero de autos que ha cruzado hasta t y que no espera luz verde para cruzar. Nuevamente veamos el cuento como un proceso de Poisson filtrado (en particular será muy parecido a lo que hicimos en la clase auxiliar). Si un auto llega en el instante s (medido desde el comienzo del ciclo) tiene la siguiente probabilidad de cruzar inmediatamente. { λb λ P [s] = a+λ b si 0 s<a (la probabilidad de llegar por a) λ a si A s<c (la probabilidad de llegar por b) Noten que estamos filtrando N T (C). Entonces tendremos que la prob. descondicionada del instante de llegada será: p = C 0 P [s] A C ds = 0 Entonces tendremos que: 1 C λ C b ds + λ a + λ b A 1 C P [N(C) NE = k N T (C) =n] = Es decir una distribución binomial de parámetros n y p. λ a λ a + λ b ds = [λ b A + λ a (C A)] C λ a + λ b ( ) n p k (1 p) n k k 5. (,0 ptos) Es fácil ver que el costo total tiene solo componentes, una asociada a los autos que vienen por a y esperan, y la otra asociada a los autos que vienen por b y esperan. Entonces (dad que en un ciclo la distribución de los autos que vienen por a y esperan es Poisson de tasa λ a B y que de la misma forma, la distribución de los autos que vienen por b y esperan es Poisson de tasa λ b A) tendremos que: E[Costo ciclo] = E[Autos por a] + E[Autos por b] = E[Autos por a N a (B) =n] P [N a (B) =n] + E[Autos por b N b (A) =n] P [N b (A) =n] Ahora, si un auto que llega por a, lo hace a s unidades de tiempo desde que se comenzó laluz roja, incurrirá en un costo igual a M (B s). Sin embargo dada la distribución uniforme de los tiempos de llegada de un Poisson uniforme, tendremos que este costo C será: C = B 0 M (B s) ds = M B B Es fácil ver que: E[Autos por a N a (B) =n] =n M B La misma lógica entrega el siguiente resultado para la calle b: 6
7 Entonces: E[Autos por a N a (B) =n] =n M A E[Costo ciclo] = = E[Autos por a N a (B) =n] P [N a (B) =n] + E[Autos por b N b (A) =n] P [N b (A) =n] [n M B ] P [N a (B) =n]+ [n M A ] P [N b (A) =n] = λ a M B + λ b M A Dudas, consultas y comentarios a dsaure@dii.uchile.cl 7
Árboles de Decisión IN44A: INVESTIGACIÓN OPERATIVA
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN44A: INVESTIGACIÓN OPERATIVA Árboles de Decisión Denis Sauré V. Julio, 2003. 1 1. Problemas de Árboles
Más detallesEl momento de orden n de una variable aleatoria X es el valor esperado de X elevado a la n, es decir,
1 CLASES DE ESTADÍSTICA II CLASE 4) MOMENTOS. FUNCIÓN GENERATRIZ DE MOMENTOS CONJUNTA. El concepto de Momentos ya se conocía en el análisis de una variable aleatoria y es bueno recordarlo ahora para generalizarlo
Más detallesPROBABILIDAD Y ESTADÍSTICA SEGUNDO EXAMEN FINAL SOLUCIÓN
FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PROBABILIDAD Y ESTADÍSTICA SEGUNDO EXAMEN FINAL SOLUCIÓN Usando las frecuencias relativas, se tiene: b) La
Más detallesProbabilidad, Variables Aleatorias y Distribuciones
GRUPO A Prueba de Evaluación Continua 5-XII-.- Tres plantas de una fábrica de automóviles producen diariamente 00, 00 y 000 unidades respectivamente. El porcentaje de unidades del modelo A es 60%, 0% y
Más detallesIN71A: Economía y Políticas Públicas
IN71A: Economía y Políticas Públicas Pauta Auxiliar 9 Riesgo e incertidumbre Profesor: Pablo González Auxiliar: José Miguel Sanhueza jmsanhuezad@gmail.com I. Preguntas conceptuales 1) Explique los siguientes
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #4 Tema: Actividad práctica (Esperanza matemática, Distribución Binomial y Poisson) Prof.: MSc. Julio Rito Vargas A. Grupos: CCEE
Más detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
Más detallesEXAMEN FINAL DE PROBABILIDAD TEMA A. Nombre: Fecha: Grupo: 1. Encuentre el número de formas en que se pueden asignar las 9 vacantes.
EXAMEN FINAL DE PROBABILIDAD 2009-2 TEMA A Nombre: Fecha: Grupo: No se permiten preguntas ni consultas durante la evaluación. Lea cuidadosamente cada ejercicio. Importante: no sacar tablas, apuntes, libros,
Más detallesUNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD
UNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD La Distribución de Probabilidad (DP) es la relación que se da entre los diferentes eventos de un espacio muestral y sus respectivas probabilidades de ocurrencia.
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Actividad Práctica #1 Tema: Actividad práctica (Variable Aleatoria, Esperanza matemática, Distribución Binomial y Poisson) Prof.: MSc. Julio
Más detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Industrial (EST-121) NUMERO DE CREDITOS
Más detallesConcepto de Probabilidad
Concepto de Probabilidad Prof. Miguel Hesiquio Garduño. Est. Mirla Benavides Rojas Depto. De Ingeniería Química Petrolera ESIQIE-IPN hesiquiogm@yahoo.com.mx mbenavidesr5@gmail.com PROBABILIDAD En cualquier
Más detallesControl 3. Lunes 23 de Junio 2008
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN44A: Investigación Operativa Profesores: R. Caldentey, R. Epstein, P. Rey Prof. Aux.: J. Gacitúa,
Más detallesSoluciones Examen de Estadística
Soluciones Examen de Estadística Ingeniería Superior de Telecomunicación 15 de Febrero, 5 Cuestiones horas C1. Un programa se ejecuta desde uno cualquiera de cuatro periféricos A, B, C y D con arreglo
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesClase Auxiliar 3 20 de Agosto de 2008
IN79O: Modelos Estocásticos en Sistemas de Ingeniería Profesor : Raúl Gouet Auxiliares : Gustavo Angulo, Diego Morán Clase Auxiliar 3 2 de Agosto de 28 P Sea {N t, t > } un proceso de Poisson de tasa λ.
Más detalles1.1. Distribución exponencial. Definición y propiedades
CONTENIDOS 1.1. Distribución exponencial. Definición y propiedades 1.2. Procesos de conteo 1.3. Procesos de Poisson - Tiempos de espera y entre llegadas - Partición y mezcla de un proceso de Poisson -
Más detallesTema 6. Variables Aleatorias Discretas
Presentación y Objetivos. Tema 6. Variables Aleatorias Discretas En esta unidad se presentan algunos ejemplos estándar de variables aleatorias discretas relacionadas de diversas formas dependiendo de su
Más detallesIntroducción a la Teoría de Colas
Tema 5 Introducción a la Teoría de Colas A groso modo, podemos describir un sistema de colas (o sistema de líneas de espera) como un sistema al que los clientes llegan para recibir un servicio, si el servicio
Más detallesAnálisis de. Análisis de. Decisiones:
Análisis de : Tablas de Pagos y Árboles de Decisión Fragoso Iñiguez I Marisol Salazar Rosales Leandro Julián Noviembre, 06 Tablas de Pagos Una situación de decisión en condiciones de incertidumbre puede
Más detallesDistribución de Probabilidad
Distribución de Probabilidad Variables discretas Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Modelos probabilísticos Un modelo es una
Más detallesAversión al riesgo, equivalente cierto y precios de reserva
Aversión al riesgo, equivalente cierto y precios de reserva Ricard Torres ITAM Economía Financiera, 2015 Ricard Torres (ITAM) Aversión al riesgo, equivalente cierto y precios de reserva Economía Financiera
Más detallesPRUEBA DE BONDAD DE AJUSTE O PRUEBA CHI - CUADRADO
O PRUEBA CHI - CUADRADO Hasta ahora se han mencionado formas de probar lo que se puede llamar hipótesis paramétricas con relación a una variable aleatoria, o sea que se ha supuesto que se conoce la ley
Más detallesEjercicios de teoría de colas
Ejercicios de teoría de colas Investigación Operativa II Diplomatura en Estadística Curso 07/08 1. En un hospital se dispone de un equipo de médicos que pueden llevar a cabo cierto tipo de operaciones
Más detalles1. Regla para los valores esperados en variables aleatorias
Valores esperados, varianza y desviación estándar para variables aleatorias Universidad de Puerto Rico ESTA 3041 Prof. Héctor D. Torres Aponte 1. Regla para los valores esperados en variables aleatorias
Más detallesGUÍA DE EJERCICIOS DE VARIABLES ALEATORIAS
GUÍA DE EJERCICIOS DE VARIABLES ALEATORIAS. Un jugador lanza dos monedas. Gana $ ó $4 según aparezca una ó dos caras respectivamente. Por otro lado pierde $5 si aparecen dos sellos. Es avorable el juego
Más detallesINSTITUTO POLITECNICO NACIONAL SECRETARIA ACADEMICA DIRECCION DE ESTUDIOS PROFESIONALES EN INGENIERIA Y CIENCIAS FISICO MATEMATICAS
ESCUELA: UPIICSA CARRERA: INGENIERIA EN TRANSPORTE ESPECIALIDAD: COORDINACIÓN: ACADEMIAS DE MATEMÁTICAS DEPARTAMENTO: CIENCIAS BÁSICAS ASIGNATURA: PROBABILIDAD CLAVE: TMPR SEMESTRE : TERCERO CRÉDITOS :
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesAuxiliar 4 Gestión de Inventarios, Programación de operaciones
CURSO: IN4703/IN47A GESTIÓN DE OPERACIONES I PROFESORES: RENE CALDENTEY ANDRÉS WEINTRAUB AUXILIARES: OSCAR BAZAN CONSUELO MEDEIROS VALERIA NUÑEZ COORDINADOR: JOSE ROJAS. SEMESTRE: PRIMAVERA 2010 Auxiliar
Más detallesPosible solución al examen de Investigación Operativa de Sistemas de junio de 2002
Posible solución al examen de Investigación Operativa de Sistemas de junio de 00 Problema (,5 puntos): Resuelve el siguiente problema utilizando el método Simplex o variante: Una compañía fabrica impresoras
Más detallesProcesos de Poisson. 21 de marzo, FaMAF 1 / 25
Procesos de Poisson FaMAF 21 de marzo, 2013 1 / 25 Distribución exponencial Definición Una v.a. X con función de densidad dada por f λ (x) = λ e λx, x > 0, para cierto λ > 0 se dice una v.a. exponencial
Más detallesModelación de Incertidumbre para la Toma de Decisiones
14 de febrero de 2003 Modelación de Incertidumbre para la Toma de Decisiones Dr. Roberto Ley Borrás CONSULTORÍA EN DECISIONES robertoley (at) decidir. org Basado en el libro Análisis de Incertidumbre y
Más detallesIntroducción al Diseño de Experimentos.
Introducción al Diseño de Experimentos www.academia.utp.ac.pa/humberto-alvarez Introducción Una población o universo es una colección o totalidad de posibles individuos, especímenes, objetos o medidas
Más detallesCI 41C HIDROLOGÍA HIDROLOGÍA PROBABILÍSTICA
CI 41C HIDROLOGÍA HIDROLOGÍA PROBABILÍSTICA alcantarilla Puente? Badén http://www.disasternews.net/multimedia/files/drought5_9412.jpg Fenómenos en Ingeniería (según certeza de ocurrencia) determinísticos
Más detallesCALENDARIZACIÓN DE CONTENIDOS
Asignatura de: PROBABILIDAD Y ESTADÍSTICA Unidad I Resultado de Aprendizaje de la unidad interpretar los resultados utilizando los conceptos básicos de la estadística, las distribuciones unidimensionales
Más detallesINSTITUTO POLITECNICO NACIONAL SECRETARIA ACADEMICA DIRECCION DE ESTUDIOS PROFESIONALES EN INGENIERIA Y CIENCIAS FISICO MATEMATICAS
ESCUELA: UNIDAD PROFESIONAL INTERDISCIPLINARIA DE INGENIERÍA Y CIENCIAS SOCIALES Y ADMINISTRATIVAS CARRERA: LICENCIATURA DE CIENCIAS DE LA INFORMÁTICA LÍNEA CURRICULAR: COORDINACION: ACADEMIAS DE MATEMÁTICAS
Más detallesVariables aleatorias continuas y Características numéricas
Variables aleatorias continuas y Características numéricas 2ºC 2018 Clase Nº 7 Mg. Stella Figueroa Variable aleatoria continua X es una VAC si existe una función f(x), llamada función de densidad de probabilidad
Más detallesMuchas de las ecuaciones de recurrencia que vamos a usar en este curso tienen la siguiente forma: ( c n =0 T (n) = a T (b n b.
El Teorema Maestro Muchas de las ecuaciones de recurrencia que vamos a usar en este curso tienen la siguiente forma: ( c n =0 T (n) = a T (b n b c)+f (n) n 1 donde a, b y c son constantes, y f (n) es una
Más detallesAMENAZA, VULNERABILIDAD Y RIESGO. Luis Esteva
AMENAZA, VULNERABILIDAD Y RIESGO Luis Esteva AMENAZAS NATURALES Sismo Viento Oleaje Inundación uego SISTEMAS EXPUESTOS CONCENTRADOS Inmuebles y contenidos Obras de ingeniería Monumentos históricos Personas
Más detallesTeoría de líneas de espera
Teoría de líneas de espera Recuerde la última vez que tuvo que esperar en la caja de un supermercado, en una ventanilla de su banco local, o a que lo atendieran en un restaurante de comida rápida. En éstas
Más detallesCálculo de Probabilidades y Estadística. Segunda prueba. 1
08231. Cálculo de Probabilidades y Estadística. Segunda prueba. 1 Problema 1. En una circunferencia de radio 1 se toman tres puntos, al azar e independientemente. Hallar la probabilidad de que el triángulo
Más detallesTema 4: VECTORES ALEATORIOS
Tema 4: VECTOES ALEATOIOS 1 Concepto de variable aleatoria bidimensional Sea Ω el espacio muestral de un experimento aleatorio. Definimos variable aleatoria bidimensional, como una aplicación ( ):Ω tal
Más detalles1 La Caminata Aleatoria.
1 La Caminata Aleatoria. La caminata aleatoria es un modelo probabilístico clásico que tiene aplicaciones en biología, nanzas, teoría de colas, control, etc [7]. Suponer que una partícula se mueve a lo
Más detallesNombre de la materia. Departamento. Academia
Probabilidad Ciencias Aplicadas de la Información Ciencias Básicas Nombre de la materia Departamento Academia Clave Horas-teoría Horas-práctica Horas-AI Total-horas Créditos I4862 60 20-80 9 Nivel Carrera
Más detallesTeoría de colas. Las colas (líneas de espera) son parte de la vida diaria
Teoría de colas Las colas (líneas de espera) son parte de la vida diaria Supermercado - Servicios de reparaciones - Telecom. Banco - Comedor universitario - Producción El tiempo que la población pierde
Más detallesResumen de Probabilidad
Definiciones básicas * Probabilidad Resumen de Probabilidad Para calcular la probabilidad de un evento A: P (A) = N o decasosfavorables N o decasosposibles * Espacio muestral (Ω) Es el conjunto de TODOS
Más detallesCálculo de Probabilidades y Estadística. Segunda prueba. 1
08231. Cálculo de Probabilidades y Estadística. Segunda prueba. 1 Problema 1. Se eligen tres puntos A, B y C, al azar e independientemente, sobre una circunferencia. Determinar la distribución del valor
Más detallesModelos Básicos de Distribuciones Discretas y Continuas
Modelos de Distribuciones Discretas y Continuas 1/27 Modelos Básicos de Distribuciones Discretas y Continuas Departamento de Estadística e Investigación Operativa Universidad de Sevilla Contenidos Modelos
Más detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad ½ 0.75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesObjetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev
PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación
Más detallesESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Solución. Curso 2016
ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico Solución. Curso 016 Ejercicio 1 Suponemos que hay independencia en la concurrencia o no entre las personas. Dado este supuesto y las características
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) PRÁCTICA 3. ..,, f 0,75(1 -x2) -l<x<l fy (X) < [O en otro caso. P(X > 0) P(-0,5 < X < 0,5) P( X > 0,25) ' 0
PROBABILIDADES Y ESTADÍSTICA (C) PRÁCTICA 3. Sea X una v.a. con función de densidad..,, f 0,75(1 -x2) -l
Más detallesPROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA
UNIDAD 1 PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA Variables aleatorias continuas = función de densidad de probabilidad 1 Variables aleatorias continuas = función
Más detallesTema 6 Algunas distribuciones importantes Hugo S. Salinas
Algunas distribuciones importantes Hugo S. Salinas 1 Distribución binomial Se han estudiado numerosas distribuciones de probabilidad que modelan características asociadas a fenómenos que se presentan frecuentemente
Más detallesCómo determinar el valor del dinero en el tiempo?
Curso Gestión Económica Financiera ORIENTACIÓN DE EJERCITACIÓN Puerto Ordaz Elaborado por: Dra. C Nury Hernández de Alba Álvarez Para resolver los ejercicios propuestos debe: 1. Representar esquemáticamente
Más detallesEJERCICIOS. 1 Repaso de probabilidad
EJERCICIOS 1 Repaso de probabilidad 1. (El problema del cumpleaños) Supongamos que la distribución del día de cumpleaños es uniforme, es decir, que cada día del año tiene probabilidad 1/365 de ser el cumpleaños
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 P (X > 0) P ( 0,5 < X < 0,5) P ( X > 0,25) 1 si 2 x P (X 1) P (0,5 X 1) P (0,5 < X 1 X < 1)
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0,75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesINSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS
ESCUELA: UPIICSA CARRERA: ADMINISTRACIÓN INDUSTRIAL ESPECIALIDAD: DEPARTAMENTO: CIENCIAS BÁSICAS COORDINACIÓN: ACADEMIAS DE MATEMÁTICAS ASIGNATURA: PROBABILIDAD CLAVE: AMPR SEMESTRE : TERCERO CRÉDITOS
Más detallesSESION TASA DE INTERES
SESION 02 1. TASA DE INTERES Desde la perspectiva de un prestatario, el que obtiene un préstamo, la tasa de interés que tiene que pagar se define como: 2. TASA DE RENDIMIENTO Desde la perspectiva de un
Más detallesTipos de Probabilidades
Pre-universitario Manuel Guerrero Ceballos Clase N 03 MODULO COMPLEMENTARIO Tipos de Probabilidades Resumen de la clase anterior Probabilidad Combinatoria Probabilidades Con y sin repetición Regla de Laplace
Más detallesCuáles son las características aleatorias de la nueva variable?
Apuntes de Estadística II. Ingeniería Industrial. UCAB. Marzo 203 CLASES DE ESTADÍSTICA II CLASE 5) UNA TRANSFORMACIÓN DE DOS VARIABLES. Sea Z = g(, ) una función de las variables aleatorias e, tales que
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Estudios Superiores Aragón Ingeniería Mecánica Programa de Asignatura
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Estudios Superiores Aragón Ingeniería Mecánica Programa de Asignatura NOMBRE DE LA ASIGNATURA: PROBABILIDAD Y ESTADÍSTICA PLAN 2007 Tipo de asignatura:
Más detallesCuestiones propuestas de la primera prueba de la primera preparación
Cuestiones propuestas de la primera prueba de la primera preparación Temas a 9 de Teórica Básica Estas cuestiones van pensadas en la línea del primer examen Su dificultad conjunta tiene un nivel similar
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 17 de abril, 2012 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesUNIVERSIDAD DEL NORTE
UNIVERSIDAD DEL NORTE 1. IDENTIFICACIÓN DIVISIÓN ACADÉMICA DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO MATEMÁTICAS Y ESATADÍSTICA. PROGRAMA ACADÉMICO ESTADÍSTICA I-AD- CÓDIGO DE LA ASIGNATURA PRE-REQUISITO
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesTEORIA DEL VALOR DEL DINERO
TEORIA DEL VALOR DEL DINERO EL CONCEPTO DE INTERES Como bien sabemos las Primeras Monedas se Acuñaron desde los Tiempos de los Babilonios (Civilización de Mesopotamia los Sumerios, y los Griegos Helenos
Más detalleslower.tail=true lower.tail=false
Universidad de Los Andes Facultad de Ciencias Forestales y Ambientales Escuela de Ingeniería Forestal Departamento Manejo de Bosques Cátedra de Biometría Forestal Asignatura: ESTADISTICA Y BIOMETRIA Profesor
Más detallesAPUNTES DE PROBABILIDAD Y ESTADISTICA ING. GUILLERMO CASAR MARCOS
CAPITULO III VARIABLES ALEATORIAS. DEFINICION.- UNA VARIABLE ALEATORIA ES UNA FUNCION DE LOS VALORES DEL ESPACIO MUESTRAL. ESTO ES, EL DOMINIO DE DEFINICION DE UNA VARIABLE ALEATORIA ES UN ESPACIO MUESTRAL,
Más detallesMICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo.
MICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo. Mediante el modelo de Hertz o Simulación de Montecarlo, trataremos
Más detallesEjercicio 4.1. Ejercicio 4.2
Investigación Operativa I Ejercicios de Teoría de Colas Ejercicio 4.1 En una fábrica existe una oficina de la Seguridad Social a la que los obreros tienen acceso durante las horas de trabajo. El jefe de
Más detallesTema 5: Principales Distribuciones de Probabilidad
Tema 5: Principales Distribuciones de Probabilidad Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Principales Distribuciones de Probabilidad
Más detallesPrueba Integral Lapso /6
Prueba Integral Lapso 2 009-2 76 - /6 Universidad Nacional Abierta Probabilidad y Estadística I (76) Vicerrectorado Académico Cód. Carrera: 06-20 - 508 Fecha: 2-2 - 2 009 MODELO DE RESPUESTAS Objetivos,
Más detallesDefinición de variable aleatoria
Variables aleatorias Instituto Tecnológico Superior de Tepeaca Agosto-Diciembre 2015 Ingeniería en Sistemas Computacionales M.C. Ana Cristina Palacios García Definición de variable aleatoria Las variables
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #2 Tema: Esperanza y Decisiones Prof.: MSc. Julio Rito Vargas A. Grupo:CCEE y ADMVA /2016 Objetivos: Entender los conceptos básicos
Más detallesESTADISTICA INFERENCIAL
ESTADISTICA INFERENCIAL EJERCICIOS DE DISTRIBUCION HIPERGEOMETRICA 1.-5 fabricantes producen en determinado dispositivo cuya calidad varía de un fabricante a otro. si usted elige 3 fabricantes al azar,
Más detallesPrograma de Asignatura ESTADISTICA I
Programa de Asignatura ESTADISTICA I A. Antecedentes Generales 1. Unidad Académica FACULTAD DE ECONOMÍA Y NEGOCIOS 2. Carrera INGENIERÍA COMERCIAL 3. Código EME221 4. Número de clases por 2 Módulos semana
Más detallesESCUELA SUPERIOR POLITÉCNICA DEL LITORAL PROFESOR: VICTOR HUGO GONZALEZ JARAMILLO PROYECTO COMPLEMENTARIO DE SIMULACION
ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL PROFESOR: VICTOR HUGO GONZALEZ JARAMILLO PROYECTO COMPLEMENTARIO DE SIMULACION ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL PROFESOR: VICTOR HUGO GONZALEZ JARAMILLO
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesESTADÍSTICA I. A continuación se presentan los Modelos Probabilísticos Continuos más importantes.
1 ESTADÍSTICA I Capítulo 6: MODELOS PROBABILÍSTICOS CONTINUOS. Contenido: Distribución Uniforme Continua. Distribución Triangular. Distribución Normal. Distribuciones Gamma, Exponencial, Erlang y Chi Cuadrado.
Más detalles08231 Cálculo de probabilidades y Estadística. Primera prueba 1
08231 Cálculo de probabilidades y Estadística. Primera prueba 1 Problema 1. Una urna contiene 9 tarjetas bicolores. Entre ellas hay una blanca y negra, otra blanca y roja, otra blanca y azul, otra negra
Más detallesEstadística aplicada al Periodismo
Estadística aplicada al Periodismo Temario de la asignatura Introducción. Análisis de datos univariantes. Análisis de datos bivariantes. Series temporales y números índice. Probabilidad y Modelos probabilísticos.
Más detallesEl primer momento centrado en el origen (k=1) es la esperanza matemática de X
MOMENTO K-ÉSIMO PARA UNA VARIABLE ALEATORIA DISCRETA RESPECTO DEL ORIGEN E(x) n i 1 k x i.p x i El primer momento centrado en el origen (k=1) es la esperanza matemática de X También se definen momentos
Más detallesSEPTIEMBRE Opción A
Septiembre 010 (Prueba Específica) SEPTIEMBRE 010 Opción A 1.- Se considera el sistema de ecuaciones: x y = 3x+ y = 4 4x + y = a a) Clasifica el sistema en función de sus posibles soluciones para los distintos
Más detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO CICLO BÁSICO DE INGENIERÍA ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO CICLO BÁSICO DE INGENIERÍA SEMESTRE ASIGNATURA 3er. PROBABILIDAD Y ESTADÍSTICA CÓDIGO HORAS
Más detallesHoja de Problemas Tema 3 (Variables aleatorias multidimensionales)
Depto. de Matemáticas Estadística (Ing. de Telecom.) Curso 2004-2005 Hoja de Problemas Tema 3 (Variables aleatorias multidimensionales) 1. Consideremos dos variables aleatorias independientes X 1 y X 2,
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detallesVariables Aleatorias y Principios de Simulación.
Variables Aleatorias y Principios de Simulación http://humberto-r-alvarez-a.webs.com Conceptos de probabilidad La Teoría de Probabilidad trata fenómenos que pueden ser modelados por experimentos cuyos
Más detallesMATEMATICAS FINANCIERAS
1.Perfil de una inversión y Perfil de un Crédito. 2.Tipos de interés (Simple y compuesto) 3.Igualdad de Fisher y el efecto de la inflación 4.Tasas equivalentes 5. Valor futuro, valor presente y valor presente
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesVectores Aleatorios. Definición 1.1. Diremos que el par (X,Y) es un vector aleatorio si X e Y representan variables aleatorias
Universidad de Chile Facultad De Ciencias Físicas y Matemáticas MA3403 - Probabilidades y Estadística Prof. Auxiliar: Alberto Vera Azócar. albvera@ing.uchile.cl Vectores Aleatorios 1. Vectores Aleatorios
Más detallesEDICIONES ACADÉMICAS
VÍCTOR HERNÁNDEZ R Y EDUARDO RAMOS ILDEFONSO YÁÑEZ PROBABILIDAD Y SUS APLICACIONES EN INGENIERÍA INFORMÁTICA Segunda edición EDICIONES ACADÉMICAS Primera edición: noviembre de 2005 Segunda edición: octubre
Más detallesPRÁCTICA 4: TEORÍA DE COLAS
I.T. INFORMÁTICA DE GESTIÓN Departamento de Estadística Asignatura: Investigación Operativa Curso: 2007/2008 Relación número 4 de prácticas PRÁCTICA 4: TEORÍA DE COLAS Las largas colas de espera en los
Más detalles