Generación de eventos en Procesos de Poisson
|
|
- Sebastián Soler Espejo
- hace 7 años
- Vistas:
Transcripción
1 Generación de eventos en Procesos de Poisson Georgina Flesia FaMAF 26 de abril, 2012
2 Proceso de Poisson homogéneo N(t), t 0, es un proceso de Poisson homogéneo de razón λ, λ > 0, si: N(0) = 0 proceso comienza en cero N(t 1 ) 0 N(t n ) N(t n 1 ) t 2 t 3 t 1 t n 1 t n En dos intervalos de tiempo disjuntos, las variables número de llegadas son indepientes. La distribución del número de llegadas depe sólo de la longitud del intervalo. N(s) N(t + s) N(t), s < t.
3 Ocurrencia de 1 o más eventos La probabilidad de que ocurra un evento en un intervalo de tiempo pequeño es proporcional al tamaño del intervalo. Constante = λ. P(N(h) = 1) lim = λ, h 0 h La probabilidad de ocurrencia de dos o más eventos en un intervalo muy pequeño es cero. P(N(h) 2) lim = 0. h 0 h
4 Consecuencias Supongamos que N(t) es el número de llegadas en el intervalo de tiempo [0, t], que forma un proceso de Poisson de tasa λ. Entonces, la distribución de cada N(t) es Poisson de tasa λt e 1 e 2 e 3 e n 1 e n X 2 X 1 X 3 X n {X j }, la sucesión de tiempos entre llegadas, son v.a. indepientes, igualmente distribuidas, con distribución exponencial con parámetro λ. X i E(λ), i = 1, 2,.... S n el tiempo hasta la n esima legada es Gamma de parámetros (n, λ).
5 Generación de un Proceso de Poisson homogéneo e 1 e 2 e 3 e n 1 e n X 2 X 1 X 3 X n Para generar los primeros n eventos de un Proceso de Poisson homogéneo, generamos exponenciales X i E(λ), 1 i n: Primer evento: al tiempo X 1. j-ésimo evento: al tiempo X 1 + X X j, para 1 j n. Para generar los eventos en las primeras T unidades de tiempo, generamos eventos hasta que j + 1 excede a T.
6 Proceso de Poisson homogéneo: Primer método Generación de eventos en el intervalo [0, T ] t 0, I 0; while true do Generar U U(0, 1); if t 1 λ log U > T then stop else t t 1 λ log U; I I + 1; S[I] t I: número de eventos. S[I]: tiempo en el que ocurre el evento I. S[1], S[2],..., están en orden creciente.
7 Proceso de Poisson homogéneo: Segundo método Supongamos quiero generar los primeros tiempos de arribo hasta t = T. La variable N(T ) es el número de eventos hasta el tiempo T, con distribución Poisson λt. Dado N(T ), la distribución de los tiempos de arribo en un Proceso de Poisson homogéneo de razón λ es uniforme en (0, T ). Luego, para generar los eventos hasta el tiempo T : Generar una v. a. Poisson de media λt, y tomar n = N(T ). Generar n v. a. uniformes U 1, U 2,..., U n. Los tiempos de arribo son: TU 1, TU 2,..., TU n. Notar que deben ordenarse los tiempos de arribo.
8 El proceso de Poisson no homogéneo N(t), t 0 es un proceso de Poisson no homogéneo con función de intensidad λ(t), t 0, si: N(0) = 0 para cada n 1 y cada partición 0 t 0 < t 1 < < t n se tiene que N(t 0 ), N(t 1 ) N(t 0 ),..., N(t n ) N(t n 1 ) son variables aleatorias indepientes. lim h 0 P(N(t + h) N(t) = 1) h = λ(t), lim h 0 P(N(t + h) N(t) = 1) 2) h = 0.
9 Número de eventos en (t, t + s] Proposición Para cada t 0 y s > 0 se tiene que N(t + s) N(t) es una variable aleatoria Poisson con media m(t + s) m(t) = t+s t λ(x) dx. Corolario Si λ(t) = λ (es constante), N(t + s) N(t) es una variable aleatoria Poisson con media λt.
10 Poisson homogéneo y Poisson no homogéneo Supongamos que Existen eventos del tipo A y eventos del tipo B. Indepientemente de lo que ocurrió antes, si ocurre un evento del tipo A entonces ocurre uno del tipo B con probabilidad p(t). N(t)= número de eventos del tipo A en [0, t] M(t)= número de eventos del tipo B en [0, t]. Proposición Si (N(t)) t 0 es un proceso de Poisson homogéneo con razón λ > 0, entonces M(t) t 0 es un proceso de Poisson no homogéneo con función de intensidad λ(t) = λ p(t), t > 0.
11 Poisson homogéneo y Poisson no homogéneo El proceso M(t) cumple con las condiciones de comenzar en el cero, tener incrementos indepientes y probabilidad nula de observar instantáneamente mas de un evento. Para ver la tasa instantánea de observar un evento P(1 evento del tipo B en [t, t + h]) = P(un evento y es de tipo B) + P(dos o mas eventos y exactamente uno es de tipo B) λhp(t)
12 Generación de un Proceso de Poisson no homogéneo Algoritmo de adelgazamiento En un Proceso de Poisson no homogéneo, con intensidad λ(t), los incrementos no son estacionarios, la intensidad λ(t) indica la tasa de ocurrencia de los eventos, si λ(t) λ, entonces λ(t) = λ p(t) con p(t) = λ(t) λ < 1, podemos considerar p(t) = λ(t)/λ como la probabilidad de ocurrencia de un cierto evento de un Proceso de Poisson homogéneo de razón λ, y "adelgazar" el proceso homogéneo para obtener el proceso no homogeneo de intensidad λp(t).
13 Algoritmo de adelgazamiento Generación de eventos en el intervalo [0, T ] t 0, I 0; while true do Generar U U(0, 1); if t 1 λ log U > T then stop else t t 1 λ log U; Generar V ; if V < λ(t)/λ then I I + 1; S[I] t I: número de eventos. S[1], S[2],...,: tiempos de eventos. El algoritmo es más eficiente cuánto más cerca esté λ de λ(t).
14 Proceso de Poisson no homogéneo Método de adelgazamiento mejorado Un mejora consiste en particionar el intervalo (0, T ) en subintervalos, y aplicar el algoritmo anterior en cada uno de ellos: 0 = t 0 < t 1 < < t k < t k+1 = T λ(s) λ j, si j 1 s < j
15 Proceso de Poisson no homogéneo t 0; J 1; I 0; while true do Generar U U(0, 1); X 1 λ J log U; while t + X > t J do if J = k + 1 then stop X (X t J + t) λ J λ J+1 ; t t J ; J J + 1 t t + X; Generar V U(0, 1); if V < λ(t)/λ J then I I + 1; S[I] t I: número de eventos. S[1], S[2],...,: tiempos de eventos. El algoritmo es más eficiente cuánto más cerca esté λ de λ(t).
16 Proceso de Poisson no homogéneo Otra mejora sobre este algoritmo es considerar el mínimo de λ(s) en cada subintervalo. Por ejemplo, en un intervalo (t i 1, t i ): λ min = min{λ(s) s (t i 1, t i )} En este intervalo los eventos ocurren con intensidad (λ(s) λ min ) + λ min, Generar eventos de un P. P. homogéneo con razón λ min. Intercalarlos con eventos de un P. P. no homogéneo con intensidad λ(s) = λ(s) λ min. Ventaja: Disminuye el número promedio de uniformes.
17 Ejemplo Sea λ(s) = 10 + s 0 < s < 1. Adelgazamiento con λ = 11 tiene una media de 11 eventos, que pueden ser aceptados o no. 10 = min{λ(s) s (0, 1)} Generar eventos de un P. P. homogéneo con razón 10. Intercalarlos con eventos de un P. P. no homogéneo con intensidad λ(s) = λ(s) 10 = s. que tiene media 1 de eventos necesarios. Reduce de 11 a 1 el número de uniformes necesarias
18 Proceso de Poisson no homogéneo Otro método consiste en generar directamente los sucesivos tiempos de evento. S 1, S 2,... : sucesivos tiempos de evento. Estos tiempos de evento no son indepientes. Para generar S i+1, utilizamos el valor generado S i. Dado que ha ocurrido un evento en t = S i, el tiempo hasta el próximo evento es una variable aleatoria con la siguiente distribución: F s (x) = P{ocurra un evento en (s, s + x)} = 1 P{0 eventos en (s, s + x)} ( s+x ) ( x ) = 1 exp λ(y) dy = 1 exp λ(s + y) dy s 0
19 Proceso de Poisson no homogéneo Ejemplo Describir un algoritmo para la generación de eventos de un P. P. no homogéneo con función de intensidad λ(t) = 1 t + 3, t 0. x 0 λ(s + y) dy = x 0 1 dy = log s + y + 3 F s (x) = 1 s + 3 x + s + 3 = x x + s + 3. u = F s (x) x = ( x + s + 3 u(s + 3) 1 u. s + 3 ).
20 Proceso de Poisson no homogéneo Fs 1 u (u) = (s + 3) 1 u. Los sucesivos tiempos de eventos son entonces: S 1 = 3U 1 1 U 1 U 2 S 2 = S 1 + (S 1 + 3) = S 1 + 3U 2 1 U 2 1 U 2. U j 1 S j = S j 1 + (S j 1 + 3) = S j 1 + 3U j 1 U j 1 1 U j
21 Proceso de Poisson no homogéneo Generación de eventos utilizando el método de la T. Inversa I = 0; S[0] = 0; while true do Generar U U(0, 1); if (S[I] + 3U)/(1 U) > T then stop else I I + 1; S[I] (S[I 1] + 3U)/(1 U);
Método Polar para generación de variables normales Generación de eventos en Procesos de Poisson
Método Polar para generación de variables normales Generación de eventos en Procesos de Poisson Georgina Flesia FaMAF 25 de abril, 2013 Método polar Con este método se generan dos variables normales independientes.
Más detallesMétodo de Box Muller. Método Polar Generación de eventos en Procesos de Poisson. Método de Box-Muller. Métodos de generación de v. a.
Método de Box Muller Método Polar Generación de eventos en Procesos de Poisson Si X e Y son normales estándar indepientes, entonces R 2 = X 2 + Y 2, tan(θ) = Y X determinan variables R 2 y Θ indepientes.
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 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 detallesTest de Kolmogorov-Smirnov
Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar
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 detallesValidación de hipótesis de un proceso de Poisson no homogéneo
Validación de hipótesis de un proceso de Poisson no homogéneo Georgina Flesia FaMAF 9 de junio, 2011 Proceso de Poisson no homogéneo H 0 ) Las llegadas diarias a un sistema ocurren de acuerdo a un Proceso
Más detallesU3: Procesos Poisson. Probabilidad e Introducción a los Procesos Estocásticos. Mgs. Nora Arnesi
U3: Procesos Poisson Probabilidad e Introducción a los Procesos Estocásticos. Mgs. Nora Arnesi Analizar el siguiente proceso estocástico: Una fuente radioactiva emite partículas y sea X t : número de partículas
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Patricia Kisbye FaMAF 15 de abril, 2010 Generación de variables aleatorias continuas Decimos que X es una v.a. continua si
Más detallesGeneración de variables aleatorias discretas Método de la Transformada Inversa
Generación de variables aleatorias discretas Método de la Transformada Inversa Georgina Flesia FaMAF 9 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 28 de mayo, 2013 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesIntegración por el método de Monte Carlo
Integración por el método de Monte Carlo Georgina Flesia FaMAF 29 de marzo, 2012 El método de Monte Carlo El método de Monte Carlo es un procedimiento general para seleccionar muestras aleatorias de una
Más detallesGeneración de variables aleatorias continuas Método de rechazo
Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 31 de mayo, 2011 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesGeneración de variables aleatorias discretas Método de aceptación y rechazo Método de composición Método de la urna Método de tablas
Generación de variables aleatorias discretas Método de aceptación y rechazo Método de composición Método de la urna Método de tablas Georgina Flesia FaMAF 11 de abril, 2013 Método de Aceptación y Rechazo
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 detallesx R F (x) := P (X 1 (, x]) = P ({e Ω : X(e) x}) = P (X x) salvo que en este caso esta función es siempre una función continua.
PROBABILIDAD Tema 2.3: Variables aleatorias continuas Objetivos Distinguir entre variables aleatorias discretas y continuas. Dominar el uso de las funciones asociadas a una variable aleatoria continua.
Más detallesDistribución Normal. Universidad Diego Portales Facultad de Economía y Empresa. Estadística I Profesor: Carlos R. Pitta
Distribución Normal La distribución normal (O Gaussiana) se define como sigue: En donde y >0 son constantes arbitrarias. Esta función es en realidad uno de las más importantes distribuciones de probabilidad
Más detallesGeneración de variables aleatorias continuas
Generación de variables aleatorias continuas Se dice que una variable aleatoria X es continua, o más propiamente, absolutamente continua, si existe f : R R tal que F (x) := P (X x) = x f(t) dt. Al igual
Más detallesGeneración de variables aleatorias discretas Método de la Transformada Inversa
Generación de variables aleatorias discretas Método de la Transformada Inversa Patricia Kisbye FaMAF 30 de marzo, 2010 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
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 detallesDistribuciones unidimensionales discretas
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Distribución de Bernouilli de parámetro p 2 3 4 5 6 7 Distribución de Bernouilli de parámetro p Experimento de Bernouilli Es un experimento
Más detallesGeneración de variables aleatorias discretas Método de aceptación y rechazo Método de composición Método de la urna Método de tablas
Generación de variables aleatorias discretas Método de aceptación y rechazo Método de composición Método de la urna Método de tablas Georgina Flesia FaMAF 10 de abril, 2012 Método de Aceptación y Rechazo
Más detallesTeoría de Colas o Fenómenos de Espera
Teoría de Colas o Fenómenos de Espera Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Introducción 2 Introducción............................................................
Más detallesEjercicios de Vectores Aleatorios
Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros M2 Calcular la función de densidad conjunta y las marginales
Más detallesInterrogación 1. 1.- (25 Ptos.) Conteste verbalmente las siguientes preguntas :
P. Universidad Católica de Chile Dpto. de Ingeniería de Sistemas Modelos Estocásticos Profesor Alvaro Alarcón 07 de Septiembre de 2009 Interrogación 1 1.- (25 Ptos.) Conteste verbalmente las siguientes
Más detallesPráctica 2 Métodos de búsqueda para funciones de una variable
Práctica 2 Métodos de búsqueda para funciones de una variable Introducción Definición 1. Una función real f se dice que es fuertemente cuasiconvexa en el intervalo (a, b) si para cada par de puntos x 1,
Más detalles1 Variables aleatorias independientes
1 Variables aleatorias independientes El concepto de independencia es sumamente importante en teoría de probabilidad y su negación, la dependencia, es un importante objeto de estudio actualmente en diversas
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesDistribuciones Dis de Probabilidad Pr Contínuas Jhon Jairo Jair Pa P dilla a Aguilar, Aguilar PhD. PhD
Distribuciones de Probabilidad Contínuas Jhon Jairo Padilla Aguilar, PhD. Introducción En esta sección se estudiarán algunas distribuciones de probabilidad contínuas que son bastante utilizadas en ingeniería
Más detallesGeneración de números aleatorios con distribución uniforme
Generadores de Números Aleatorios 1 Existen en la actualidad innumerables métodos para generar números aleatorios En la literatura disponible se pueden encontrar gran cantidad de algoritmos. Generación
Más detallesIntroducción a los Procesos de Poisson *
Introducción a los Procesos de Poisson * Victor M. Pérez Abreu C. Departamento de Probabilidad y Estadística, CIMAT David Reynoso Valle Licenciatura en Matemáticas, DEMAT, Universidad de Guanajuato 22
Más detallesProbabilidades. 11 de noviembre de 2013. Felipe Bravo Márquez
Felipe José Bravo Márquez 11 de noviembre de 2013 Motivación Las probabilidades son el lenguaje de la incertidumbre que a la vez es la base de la inferencia estadística. El problema estudiado en probabilidades
Más detallesD.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO
Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos
Más detallesPropiedades en una muestra aleatoria
Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables
Más detallesVariable Aleatoria. Relación de problemas 6
Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es
Más detallesPruebas de Bondad de Ajuste
1 Facultad de Ingeniería IMERL PROBABILIDAD Y ESTADÍSTICA Curso 2008 Pruebas de Bondad de Ajuste En esta sección estudiaremos el problema de ajuste a una distribución. Dada una muestra X 1, X 2,, X n de
Más detallesFormulario y Tablas de Probabilidad para los Cursos de Probabilidad, Inferencia Estadística y Econometría
Formulario y Tablas de Probabilidad para los Cursos de Probabilidad, Inferencia Estadística y Econometría Ernesto Barrios Zamudio 1 José Ángel García Pérez2 Departamento Académico de Estadística Instituto
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
Más detallesTEMA 11. Autovalores y autovectores. Diagonalización y formas canónicas.
TEMA 11 F MATEMÁTICOS TEMA 11 Autovalores y autovectores Diagonalización y formas canónicas 1 Introducción Definición 1 (Matrices semejantes) Sean A y B dos matrices cuadradas de orden n Decimos que A
Más detallesEl método de mínimos cuadrados. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
El método de mínimos cuadrados Curso de Estadística TAE, 005 J.J. Gómez-Cadenas Mínimos cuadrados y máxima verosimilitud Teorema del límite central Una medida y, puede considerarse como un variable aleatoria,
Más detalles3. VARIABLES ALEATORIAS
. VARIABLES ALEATORIAS L as variables aleatorias se clasiican en discretas y continuas, dependiendo del número de valores que pueden asumir. Una variable aleatoria es discreta si sólo puede tomar una cantidad
Más detallesVariables Aleatorias. Capítulo 4. 4.1. Introducción.
Capítulo 4 Variables Aleatorias 41 Introducción A la realización de un experimento aleatorio le hemos asociado un modelo matemático representado por un espacio de probabilidad (Ω, F, P ), donde Ω es el
Más detalles5. VARIABLES ALEATORIAS Y SUS MOMENTOS
5. VARIABLES ALEATORIAS Y SUS MOMENTOS Una variable aleatoria Objetivos Introducir la idea de una variable aleatoria y su distribución y sus características como la media, la varianza, los cuartíles etc.
Más detallesEspacio de Funciones Medibles
Capítulo 22 Espacio de Funciones Medibles Igual que la σ-álgebra de los conjuntos medibles, la familia de funciones medibles, además de contener a todas las funciones razonables (por supuesto son medibles
Más detallesUNA APLICACIÓN DEL PROCESO DE POISSON EN LA ENSEÑANZA Y APRENDIZAJE DE LA ESTADÍSTICA.
6 II Jornadas de Enseñanza e Investigación Educativa en el campo de las Ciencias Exactas y Naturales Actas, II: 6-68, 009. La Plata. UNA APLICACIÓN DEL PROCESO DE POISSON EN LA ENSEÑANZA Y APRENDIZAJE
Más detallesHemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial.
La distribución geométrica Hemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial. Consideramos otro experimento relacionado. Vamos a
Más detallesComputación Científica
Computación Científica Gustavo Rodríguez Gómez INAOE Agosto Dicembre 2012 1 / 19 Capítulo 2 Métodos Gradientes 2 / 19 1 Métodos Gradiente Introducción El método del gran descenso "steepest descent") Criterios
Más detallesPráctica 5 MODELO LOTKA-VOLTERRA. 5.1 Objetivo. 5.2 Introducción
Práctica 5 MODELO LOTKA-VOLTERRA 51 Objetivo En la Práctica 4 estudiamos algunas técnicas para hacer el análisis cualitativo de una ecuación diferencial no lineal En esta práctica analizaremos el modelo
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesTEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL
ESTADÍSTICA II TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL II.1.- Distribución chi-cuadrado. II.1.1.- Definición. II.1..- Función de densidad. Representación gráfica. II.1.3.- Media y varianza.
Más detallesDOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL
DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL 3.1 INTRODUCCIÓN Como ya sabes, una distribución de probabilidad es un modelo matemático que nos ayuda a explicar los
Más detallesComplejidad de Algoritmos
Complejidad de Algoritmos Tema 5 Introducción Un algoritmo es una secuencia de instrucciones que resuelve un problema Puede tener diferentes implementaciones Para comparar las diferentes formas (algoritmos)
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesEJERCICIOS RESUELTOS TEMA 7
EJERCICIOS RESUELTOS TEMA 7 7.1. Seleccione la opción correcta: A) Hay toda una familia de distribuciones normales, cada una con su media y su desviación típica ; B) La media y la desviaciones típica de
Más detalles12.Teoría de colas y fenómenos de espera
.Teoría de colas y fenómenos de espera Notación y terminología Modelado del proceso de llegada Modelado del proceso de servicio Notación de Kendall-Lee Procesos de nacimiento y muerte Modelo M/M/. Análisis
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 detallesDefinición 4.1 Una variable aleatoria T tiene distribución exponencial con parámetro λ, T Exp(λ), si su función de distribución está dada por
Capítulo 4 Procesos de Poisson 4.1. Distribución Exponencial Definición 4.1 Una variable aleatoria T tiene distribución exponencial con parámetro λ, T Exp(λ), si su función de distribución está dada por
Más detallesEl supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo.
El supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo. El supermercado cuenta con 3 departamentos: Abarrotes, Embutidos y. Solamente el Departamento
Más detallesLa simulación implica construir una replica de algún sistema real y usarlo bajo condiciones de prueba
Simulación Simulación La simulación implica construir una replica de algún sistema real y usarlo bajo condiciones de prueba Los modelos matemáticos se construyen y utilizan para comprobar los resultados
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 7 Nombre: Distribuciones de probabilidad para variables aleatorias continuas Contextualización Al igual que la distribución binomial, la distribución
Más detallesLección 11 Ecuaciones Diferenciales de Segundo Orden. Ecuaciones de segundo orden
Lección 11 Ecuaciones Diferenciales de Segundo Orden 1 En forma normal: Ejemplo: Ecuaciones de segundo orden x = f (t, x, x ) 2tx x + 1 x = 0 x = (x ) 2 1 2tx Casos Particulares Ecuaciones en las que no
Más detalles0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
1.- Cómo utilizar la tabla de la distribución Binomial? Supongamos que lanzamos al aire una moneda trucada. Con esta moneda la probabilidad de obtener cara es del 30%. La probabilidad que salga cruz será,
Más detallesTema 4.3: Desarrollo de Taylor. Equivalencia entre analiticidad y holomorfía. Fórmula de Cauchy para las derivadas
Tema 4.3 Desarrollo de Taylor. Euivalencia entre analiticidad y holomorfía. Fórmula de Cauchy para las derivadas Facultad de Ciencias Experimentales, Curso 008-09 E. de Amo Tal y como ya anunciábamos en
Más detallesCOMPARACIÓN DE SUPERFICIES DE RESPUESTA CON BÚSQUEDA TABÚ Y ALGORITMOS GENÉTICOS
71 CAPITULO 5 COMPARACIÓN DE SUPERFICIES DE RESPUESTA CON BÚSQUEDA TABÚ Y ALGORITMOS GENÉTICOS En este capítulo se presentan los resultados obtenidos y los comentarios de éstos, al correr algunos ejemplos
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx Método de Búsqueda de Fibonacci Algoritmo
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 detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesCAPITULO 4: DESARROLLO. En los capítulos anteriores hemos estudiado las bases del problema de la ruta
CAPITULO 4: DESARROLLO En los capítulos anteriores hemos estudiado las bases del problema de la ruta más corta. Conocemos algunos métodos para resolverlo de los cuales hemos elegido algoritmos evolutivos,
Más detallesSucesiones. Se llama sucesión a un conjunto de números dispuestos uno a continuación de otro.
Sucesiones Concepto de sucesión Se llama sucesión a un conjunto de números dispuestos uno a continuación de otro. a 1, a 2, a 3,..., a n 3, 6, 9,..., 3n Los números a 1, a 2, a 3,...; se llaman términos
Más detallesTema 4 Probabilidad condicionada: teoremas básicos. Independencia de sucesos
Tema 4 Probabilidad condicionada: teoremas básicos. Independencia de sucesos 1. Probabilidad condicionada. Espacio de probabilidad condicionado La probabilidad condicionada es uno de los conceptos clave
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 detallesProcesos de Poisson. Fabián Mancilla. U. de Santiago de Chile. Fabián Mancilla (Usach) Modelos Estocásticos 1 / 44
Procesos de Poisson Fabián Mancilla U. de Santiago de Chile fabian.mancillac@usach.cl Fabián Mancilla (Usach) Modelos Estocásticos 1 / 44 Introducción En este curso estudiaremos algunos modelos probabiĺısticos
Más detallesUNA COMPARACIÓN DE LOS MODELOS POISSON Y BINOMIAL NEGATIVA CON STATA: UN EJERCICIO DIDÁCTICO
3er Encuentro de Usuarios de Stata en México UNA COMPARACIÓN DE LOS MODELOS POISSON Y BINOMIAL NEGATIVA CON STATA: UN EJERCICIO DIDÁCTICO Noé Becerra Rodríguez Fortino Vela Peón Mayo, 2011 Mo9vación Ac#vidad
Más detallesMatrices escalonadas y escalonadas reducidas
Matrices escalonadas y escalonadas reducidas Objetivos. Estudiar las definiciones formales de matrices escalonadas y escalonadas reducidas. Comprender qué importancia tienen estas matrices para resolver
Más detallesTema 11: Intervalos de confianza.
Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por
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 detallesAnálisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears
Análisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears CONTENIDOS Introducción a la inferencia estadística. Muestreo. Estimación
Más detallesComplementos de Matemáticas, ITT Telemática
Introducción Métodos de punto fijo Complementos de Matemáticas, ITT Telemática Tema 1. Solución numérica de ecuaciones no lineales Departamento de Matemáticas, Universidad de Alcalá Introducción Métodos
Más detalles13.Teoría de colas y fenómenos de espera
3.Teoría de colas y fenómenos de espera Notación y terminología Modelado del proceso de llegada Modelado del proceso de servicio Notación de Kendall-Lee Procesos de nacimiento y muerte Modelo M/M/. Análisis
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detalles1. Conocimientos previos. 1 Funciones exponenciales y logarítmicas.
. Conocimientos previos. Funciones exponenciales y logarítmicas.. Conocimientos previos. Antes de iniciar el tema se deben de tener los siguientes conocimientos básicos: Intervalos y sus definiciones básicas.
Más detallesTema 5: Sistemas de Ecuaciones Lineales
Tema 5: Sistemas de Ecuaciones Lineales Eva Ascarza-Mondragón Helio Catalán-Mogorrón Manuel Vega-Gordillo Índice 1 Definición 3 2 Solución de un sistema de ecuaciones lineales 4 21 Tipos de sistemas ecuaciones
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Más detallesP (X 5) = P (x = 5) + P (X = 6) + P (X = 7) + P (X = 8) = 0.005416467 + 0.051456432 + 0.79334918 + 0.663420431 = 0.999628249
Hoja 3: robabilidad y variables aleatorias 1. La probabilidad de que un enfermo se recupere tomando un nuevo fármaco es 0.95. Si se les administra a 8 enfermos, hallar: a La probabilidad de que se recuperen
Más detallesGeneración de Variables Aleatorias
Generación de Variables Aleatorias A continuación se exponen distintos métodos para generar algunas de las distribuciones más utilizadas. Método de la distribución inversa Teniendo una función de densidad
Más detallesFunciones exponenciales y logarítmicas
Funciones exponenciales y logarítmicas - Funciones exponenciales y sus gráficas Un terremoto de 85 grados en la escala de Richter es 00 veces más potente que uno de 65, por qué?, cómo es la escala de Richter?
Más detallesTema XIV: SUCESIONES Y SERIES DE NÚMEROS REALES XIV.1. Sucesiones. Sucesiones convergentes
Tema XIV: SUCESIONES Y SERIES DE NÚMEROS REALES XIV.1. Sucesiones. Sucesiones convergentes 1. Sucesiones DEF. Una sucesión infinita de números reales es una función cuyo dominio es N y su imagen un subconjunto
Más detallesdemandada. Es decir, observar si una variación del precio afecto mucho o poco a la cantidad que los consumidores están dispuestos a comprar.
La elasticidad de la demanda La elasticidad de la demanda (1) El precio ejerce una influencia sobre la cantidad demandada del bien. Cuando varía el precio del bien, los consumidores reaccionan demandando
Más detallesANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación
ANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación Francisca José Serrano Pastor Pedro A. Sánchez Rodríguez - Implica siempre a variables
Más detalles1. DIFERENCIABILIDAD EN VARIAS VARIABLES
1 1. DIFERENCIABILIDAD EN VARIAS VARIABLES 1.1. DERIVADAS DIRECCIONALES Y PARCIALES Definición 1.1. Sea f : R n R, ā R n y v R n. Se define la derivada direccional de f en ā y en la dirección de v como:
Más detallesIntegración por el método de Monte Carlo
Integración por el método de Monte Carlo Georgina Flesia FaMAF 7 de abril 2015 El método de Monte Carlo El método de Monte Carlo es un procedimiento general para estudiar procesos mediante la seleccion
Más detallesSelectividad Junio 2007 JUNIO 2007
Bloque A JUNIO 2007 1.- Julia, Clara y Miguel reparten hojas de propaganda. Clara reparte siempre el 20 % del total, Miguel reparte 100 hojas más que Julia. Entre Clara y Julia reparten 850 hojas. Plantea
Más detalles6.3. Estimadores Insesgados de Varianza Uniformemente Mínima
6.3. Estimadores Insesgados de Varianza Uniformemente Mínima El objetivo en esta parte será encontrar al mejor estimador de τ(θ), bajo algún criterio. Primero que nada podríamos pensar en encontrar al
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2010/11
Estadística II Tema 4. Regresión lineal simple Curso 010/11 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesPercentiles. El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple:
Percentiles 130 El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple: el percentil es, por tanto, el valor de la variable aleatoria para el cual la función
Más detallesTopología de la Recta
Capítulo 2 Topología de la Recta 21 Introducción En este capítulo introducimos algunas nociones sobre topología de los espacios métricos Nuestro interés se limitará en el futuro al caso real o a los espacios
Más detallesHerramientas digitales de auto-aprendizaje para Matemáticas
real de con Herramientas digitales de auto-aprendizaje para Matemáticas, Grupo de Innovación Didáctica Departamento de Matemáticas Universidad de Extremadura real de con Índice real de con real de con.
Más detalles